Comment réaliser un test de Jarque-Bera dans R

Dans le domaine des sciences comportementales et de la psychologie quantitative, la modélisation statistique repose traditionnellement sur des architectures paramétriques hautement formalisées. De l’analyse de variance factorielle à la modélisation par équations structurelles, en passant par les régressions linéaires multiples et les modèles hiérarchiques linéaires, le postulat de normalité des distributions ou des résidus constitue l’une des pierres angulaires de l’inférence théorique. Lorsque les données empiriques s’écartent manifestement de la courbe de Gauss canonique, les propriétés d’optimalité asymptotique des estimateurs s’étiolent, les erreurs-types se retrouvent biaisées et la validité des conclusions scientifiques se trouve compromise face à un risque accru d’erreurs méthodologiques majeures.

Face à la complexité croissante des protocoles expérimentaux contemporains, caractérisés par l’émergence de cohortes massives recueillies via des plateformes numériques en ligne, les praticiens de la recherche en psychologie se heurtent aux contraintes inhérentes aux tests d’adéquation classiques. Si le test de Shapiro-Wilk demeure historiquement la procédure de référence sur les échantillons restreints, sa propension à rejeter l’hypothèse nulle pour des déviations infinitésimales dès lors que la puissance statistique explose soulève de redoutables dilemmes d’interprétation. C’est dans ce contexte épistémologique et méthodologique que le test d’adéquation de Jarque-Bera s’impose comme un outil diagnostique fondamental, combinant l’évaluation conjointe de l’asymétrie et de l’aplatissement au sein d’une métrique asymptotique élégante et robuste.

Le présent article propose un guide méthodologique exhaustif destiné aux chercheurs, enseignants-chercheurs et doctorants désireux de maîtriser l’évaluation de la normalité univariée à l’aide de l’environnement de calcul statistique R. En explorant tant les fondements mathématiques sous-jacents que l’application concrète au moyen des bibliothèques dédiées, ce document aborde l’ensemble du cycle de diagnostic statistique : de la décomposition des moments d’ordre supérieur à l’exécution de scripts reproductibles, jusqu’à la rédaction formelle des synthèses empiriques conformément aux standards éditoriaux de l’American Psychological Association.

1. Introduction aux postulats de normalité en psychologie et au test de Jarque-Bera

1.1 Le postulat de distribution normale en recherche psychologique

L’édifice de la psychologie inférentielle moderne a été largement bâti sur le modèle linéaire général. Ce paradigme mathématique unifié, englobant les tests t de Student, les modèles d’analyse de variance univariée et multivariée (ANOVA/MANOVA), ainsi que les régressions moindres carrés ordinaires, postule explicitement que les variables dépendantes continues ou les perturbations résiduelles suivent une distribution normale dans la population parente. L’importance de la distribution gaussienne découle directement du théorème central limite, qui stipule que la somme d’un grand nombre de variables aléatoires indépendantes et identiquement distribuées converge asymptotiquement vers une loi normale. En vertu de ce principe fondamental, les psychologues ont longtemps présumé que les phénotypes complexes, résultant de l’interaction additive d’innombrables déterminants génétiques et environnementaux, devaient s’incarner empiriquement sous la forme d’une courbe en cloche parfaite.

Néanmoins, la violation systématique de ce postulat engendre des conséquences statistiques non négligeables sur la validité inférentielle des conclusions expérimentales. Lorsqu’une distribution s’écarte substantiellement de la normalité, le taux d’erreur de type I, correspondant à la probabilité de rejeter indûment une hypothèse nulle pourtant vraie, peut être substantiellement altéré, exposant la communauté scientifique à des découvertes faussement positives. Inversement, une déformation structurelle des distributions peut dégrader drastiquement la puissance statistique des tests paramétriques, conduisant à une inflation du taux d’erreur de type II et à l’incapacité de détecter des effets expérimentaux réels. Les estimateurs des moindres carrés cessent alors de jouir du statut d’estimateurs sans biais de variance minimale garanti par le théorème de Gauss-Markov.

Cette vulnérabilité théorique se heurte brutalement à la réalité concrète des mesures psychologiques. Les variables latentes explorées dans les laboratoires comportementaux, qu’il s’agisse de traits de personnalité, d’aptitudes cognitives spatiales ou de manifestations psychopathologiques, sont saisies à travers des instruments imparfaits. Les distributions empiriques observées s’avèrent très fréquemment tronquées, compressées par des seuils de détection ou intrinsèquement asymétriques. Avant d’engager toute modélisation statistique inférentielle, l’analyste se voit contraint de déployer des tests formels d’adéquation de distribution afin de certifier que la structure probabiliste des données collectées tolère l’application des procédures paramétriques standards.

1.2 Origine historique et rôle du test d’adéquation de Jarque-Bera

Développé initialement à la fin des années 1970 et formalisé dans des publications princeps par les économètres Carlos Jarque et Anil Bera au début des années 1980, le test de Jarque-Bera est né du besoin de disposer d’un diagnostic d’adéquation omnibus spécifiquement articulé autour des perturbations résiduelles des modèles de régression et des séries temporelles complexes. Alors que l’économétrie financière cherchait à modéliser la volatilité des marchés boursiers face à des distributions leptokurtiques notoires, la formulation de Jarque et Bera a apporté une réponse analytique élégante en fondant son mécanisme de décision exclusivement sur les troisième et quatrième moments centrés standardisés de la distribution empirique.

Au fil des décennies, cette méthodologie s’est progressivement diffusée hors de sa sphère d’origine pour investir les sciences comportementales, la psychiatrie biologique et les neurosciences quantitatives. Dans les protocoles de neuro-imagerie fonctionnelle ou d’électroencéphalographie quantitative, où les chercheurs manipulent des signaux continus caractérisés par des séries chronologiques complexes et des matrices massives de connectivité, le recours à une métrique d’adéquation combinant asymétrie et aplatissement s’est avéré particulièrement pertinent. Cette approche permet de détecter si les bruits physiologiques ou les réponses hémodynamiques s’écartent de la structure gaussienne postulée par les modèles linéaires généralisés appliqués à l’analyse spatio-temporelle du signal cérébral.

Dans le paysage des tests de normalité, le test de Jarque-Bera occupe une position singulière face aux procédures concurrentes telles que le test de Shapiro-Wilk ou le test de Kolmogorov-Smirnov. Tandis que le test de Kolmogorov-Smirnov souffre d’un manque criant de puissance statistique dès lors que les paramètres de moyenne et de variance de la population parente doivent être estimés à partir de l’échantillon lui-même, et que le test de Shapiro-Wilk devient hypersensible aux distorsions infinitésimales au sein des cohortes volumineuses, le test de Jarque-Bera tire sa force de son statut de test asymptotique fondé sur le principe du multiplicateur de Lagrange. Il offre ainsi un avantage méthodologique remarquable pour l’analyse des grands échantillons de données comportementales issues de passations massives sur Internet.

1.3 Objectifs pédagogiques et organisation du protocole sous R

L’objectif central de ce guide est de fournir une feuille de route opératoire, rigoureuse et entièrement reproductible pour l’exécution et l’interprétation du test de Jarque-Bera au sein de l’environnement de programmation R. Ce langage, devenu le standard international de fait en modélisation computationnelle pour la psychologie, offre des capacités analytiques exceptionnelles mais requiert une maîtrise méthodologique solide pour éviter les écueils interprétatifs classiques. Nous nous attacherons à dépasser la simple exécution mécanique de commandes pour décomposer minutieusement l’ensemble des éléments conceptuels sous-jacents aux sorties logicielles fournies par les différentes bibliothèques spécialisées.

La compréhension approfondie des objets statistiques manipulés constitue une compétence indispensable pour tout chercheur en psychologie moderne. Il ne s’agit pas uniquement de juger de la conformité d’une série de données au prisme d’une p-valeur dichotomique, mais bien d’analyser la morphologie distributionnelle sous-jacente en articulant la statistique du test avec les métriques d’asymétrie et de voussure. Ce décryptage pas à pas permet d’identifier l’origine exacte du rejet éventuel de l’hypothèse de normalité et d’orienter rationnellement les décisions méthodologiques subséquentes, qu’il s’agisse de transformer l’échelle de mesure ou d’opter pour des estimateurs non paramétriques robustes.

Enfin, ce document s’inscrit résolument dans la démarche d’Open Science et de reproductibilité computationnelle. En adoptant les meilleures pratiques de codage, de gestion des données manquantes, de manipulation des formats de données psychométriques standards et d’intégration au sein de flux de travail scriptés en R Markdown, le lecteur disposera d’un arsenal méthodologique complet répondant aux exigences éditoriales contemporaines les plus sévères de la discipline.

2. Fondements théoriques et formulation mathématique de la statistique JB

2.1 Décomposition de la formule statistique de Jarque-Bera

L’architecture mathématique du test de Jarque-Bera repose sur l’évaluation simultanée de deux propriétés géométriques fondamentales d’une distribution : son asymétrie et son aplatissement. D’un point de vue analytique, la statistique de test classique s’exprime au moyen de l’équation suivante :

JB = [(n – k + 1) / 6] * [S^2 + (0.25 * (C – 3)^2)]

Dans cette formalisation générale, le paramètre n symbolise l’effectif total de l’échantillon d’observations, tandis que le terme k représente le nombre de régresseurs ou de paramètres explicatifs estimés en amont lorsque le test est appliqué aux résidus d’une régression linéaire. Dans la situation canonique où le test est mis en œuvre sur une variable univariée brute isolée sans structure de régression préalable, la valeur de k est fixée à l’unité, ce qui simplifie le coefficient d’échelle en n / 6. Le paramètre S désigne le coefficient d’asymétrie empirique de l’échantillon, et C représente le coefficient d’aplatissement empirique non centré.

L’examen de cette formule met en lumière le mécanisme de pondération quadratique inhérent au test. L’asymétrie intervient sous la forme de son carré, S^2, garantissant que toute déviation, qu’elle soit positive ou négative, contribue additivement à l’accroissement de la statistique globale. De manière analogue, l’écart entre le coefficient d’aplatissement observé et la valeur théorique de la loi normale (qui vaut exactement 3) est élevé au carré, (C – 3)^2, puis pondéré par un facteur de 0.25. Cette pondération relative reflète directement le rapport des variances asymptotiques respectives des estimateurs des moments d’ordre 3 et d’ordre 4 sous l’hypothèse nulle de normalité. Lorsque la distribution sous-jacente est parfaitement gaussienne, les paramètres S et (C – 3) tendent conjointement vers zéro, conduisant la statistique globale JB à osciller à proximité immédiate de la valeur nulle.

2.2 Loi asymptotique du Chi-deux et degrés de liberté

La puissance d’application du test de Jarque-Bera découle directement de son comportement limite lorsque la taille de l’échantillon tend vers l’infini. Sous l’hypothèse nulle selon laquelle les données sont issues d’un processus générateur gaussien indépendant et identiquement distribué, les estimateurs standardisés des moments d’ordre 3 et 4 convergent vers des distributions normales asymptotiques indépendantes. De manière précise, la quantité racine de n multipliée par l’asymétrie S converge vers une loi normale centrée de variance 6, tandis que la quantité racine de n multipliée par l’excès de kurtosis (C – 3) converge vers une loi normale centrée de variance 24.

En conséquence, lorsque l’on élève au carré ces deux quantités normalisées par leurs variances asymptotiques respectives, on obtient deux variables aléatoires qui convergent individuellement vers des distributions du Chi-deux à un degré de liberté. En vertu du principe de séparabilité asymptotique établi par Jarque et Bera, l’asymétrie et l’aplatissement sont asymptotiquement non corrélés sous l’hypothèse de normalité gaussienne. La somme de deux variables indépendantes suivant une loi du Chi-deux à un degré de liberté obéit rigoureusement à une loi du Chi-deux à deux degrés de liberté. La statistique de test suit donc asymptotiquement l’expression :

JB ~ Chi-deux(df = 2)

Toutefois, cette convergence stochastique impose des contraintes méthodologiques impératives quant à l’interprétation des résultats sur des données empiriques restreintes. Sur de très petits effectifs expérimentaux, typiquement lorsque n est inférieur à 30 ou 40 participants, l’approximation asymptotique par la loi du Chi-deux tend à devenir médiocre. Dans cette configuration d’échantillonnage réduit, la distribution réelle de la statistique JB sous l’hypothèse nulle présente des queues plus lourdes que la loi théorique du Chi-deux, ce qui tend à altérer le niveau de signification nominal et justifie l’emploi de corrections d’échantillon fini que nous aborderons ultérieurement.

3. L’asymétrie et l’aplatissement appliqués aux données psychologiques

3.1 Le coefficient d’asymétrie (Skewness) dans les mesures comportementales

Le coefficient d’asymétrie, couramment désigné sous le terme anglo-saxon de skewness, correspond au troisième moment centré standardisé d’une distribution statistique. Mathématiquement, pour un échantillon de taille n, il s’exprime comme l’espérance mathématique des déviations à la moyenne élevées à la puissance trois, divisée par le cube de l’écart-type empirique. Cette grandeur adimensionnelle quantifie le degré d’asymétrie de la densité de probabilité autour de son espérance. Une distribution rigoureusement symétrique présente un coefficient S égal à zéro, signifiant que les observations se répartissent de manière équilibrée de part et d’autre de la moyenne, de la médiane et du mode qui se trouvent alors parfaitement confondus.

Dans l’investigation empirique en psychologie, l’asymétrie positive, caractérisée par une longue queue de distribution s’étirant vers les valeurs élevées sur la droite de l’abscisse, constitue un phénomène ubiquitaire. Le cas d’école le plus prégnant s’incarne dans les mesures chronométriques de temps de réaction au sein des tâches cognitives informatisées. Les participants ne pouvant physiologiquement pas répondre en deçà d’un seuil incompressible de traitement moteur et sensoriel (souvent situé autour de 150 à 200 millisecondes), la distribution des latences se heurte à une frontière physique à gauche, tandis que les lapses attentionnels occasionnels génèrent une dispersion étendue vers les temps très longs. De la même manière, les scores obtenus à des inventaires évaluant des pathologies au sein de la population générale, tels que le questionnaire de dépression de Beck ou l’échelle PHQ-9, manifestent une asymétrie positive massive : la vaste majorité des individus asymptomatiques s’agglomère autour des scores nuls ou minimes, tandis qu’une minorité clinique étire la traîne droite de la distribution.

À l’inverse, l’asymétrie négative se manifeste de façon récurrente dans les épreuves cognitives ou académiques sujettes à un effet de plafonnement. Lorsque les items proposés s’avèrent d’une facilité excessive au regard des compétences de la cohorte étudiée, une proportion dominante de sujets atteint le score maximal autorisé, engendrant une concentration de données à droite et une queue s’étirant vers les performances déficitaires à gauche. Toute déviation du coefficient S par rapport à la valeur nulle se traduisant par un terme S^2 strictement positif dans l’équation de Jarque-Bera, cette distorsion morphologique contribue directement et mécaniquement au gonflement de la statistique globale du test.

3.2 Le coefficient d’aplatissement (Kurtosis) et l’épaisseur des queues de distribution

Le coefficient d’aplatissement, ou kurtosis, correspond au quatrième moment centré standardisé d’une distribution. Il se formalise par l’espérance mathématique des déviations à la moyenne élevées à la quatrième puissance, normalisée par le carré de la variance empirique. Il convient de distinguer scrupuleusement le kurtosis brut, dont la valeur théorique s’élève exactement à 3 pour une distribution normale gaussienne, de l’excès de kurtosis, calculé en soustrayant 3 au kurtosis brut pour caler le point d’ancrage de la normalité sur zéro. L’aplatissement mesure fondamentalement la propension d’une distribution à concentrer sa masse de probabilité soit dans ses queues extrêmes, soit autour de son centre, régissant directement la fréquence des valeurs aberrantes ou extrêmes.

Une distribution caractérisée par un coefficient d’aplatissement supérieur à 3 est dite leptokurtique. Dans la recherche comportementale, les profils leptokurtiques se traduisent par une pointe centrale très aiguë accompagnée de queues de distribution épaisses et lourdes. Ce profil est typique des épreuves de vigilance continue ou d’impulsivité motrice, au sein desquelles la majorité des réponses gravite avec une extrême constance autour de la médiane, mais où des événements transitoires extrêmes (distractions massives, erreurs impulsives flagrantes) peuplent les extrémités avec une fréquence bien plus importante que ce que ne prédit la loi normale. L’élévation à la puissance 4 dans le calcul du kurtosis confère à ces observations distales un poids considérable dans le diagnostic statistique.

À l’opposé, une distribution platykurtique présente un coefficient d’aplatissement inférieur à 3, se traduisant par un profil écrasé et des queues de distribution allégées. En psychométrie, cette morphologie émerge fréquemment lorsque des répondants utilisent des échelles de Likert d’une manière uniformément distribuée ou polarisée, sans propension marquée à favoriser la modalité neutre centrale. Dans le calcul du test de Jarque-Bera, l’écart d’aplatissement est évalué à travers le terme quadratique (C – 3)^2. Par conséquent, qu’une distribution pèche par excès ou par défaut d’épaisseur de queue, cette non-conformité par rapport au profil gaussien vient alimenter la valeur de la statistique JB avec une intensité proportionnelle à l’amplitude de l’écart au carré.

4. Formulation formelle des hypothèses statistiques du test

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

La mise en œuvre formelle du test de Jarque-Bera s’articule autour d’un système d’hypothèses statistiques emboîtées sans ambiguïté. L’hypothèse nulle, notée conventionnellement H0, postule que les observations observées sont issues d’une population parente dont la distribution sous-jacente est rigoureusement conforme à une loi normale. En termes paramétriques restreints, cela équivaut à formuler une hypothèse conjointe stipulant la nullité simultanée de l’asymétrie et de l’excès d’aplatissement :

H0 : S = 0 et C – 3 = 0

À cette formulation correspond une hypothèse alternative, notée H1, qui traduit la négation de cette conjonction de critères. L’hypothèse alternative affirme ainsi que la distribution parente s’écarte de la loi normale, soit en raison d’une asymétrie non nulle, soit en raison d’un excès de kurtosis non nul, soit sous l’effet combiné de ces deux distorsions morphologiques simultanées :

H1 : S ≠ 0 ou C – 3 ≠ 0 (ou les deux)

Il est primordial pour le chercheur de saisir la nature intrinsèquement omnibus du test de Jarque-Bera. Le rejet de l’hypothèse nulle atteste irréfutablement de la non-adéquation de la distribution empirique à la loi normale univariée. En revanche, en raison de la nature sommative de l’équation statistique qui agglomère l’asymétrie et l’aplatissement au sein d’une métrique unique, la statistique de test ne permet pas, à elle seule, de désigner quelle composante géométrique est responsable de l’infraction. Une distribution peut parfaitement afficher une symétrie irréprochable mais être lourdement leptokurtique, ou afficher un aplatissement conventionnel de 3 tout en présentant une asymétrie aiguë, et générer dans les deux cas un rejet massif de l’hypothèse nulle. Cette spécificité impose impérativement à l’analyste de disséquer systématiquement les valeurs numériques isolées de S et de C en amont de toute prise de décision.

4.2 Seuils de décision, seuil alpha et risques statistiques associés

La règle de décision statistique repose sur la comparaison de la statistique calculée JB avec une valeur critique issue de la table de distribution du Chi-deux à deux degrés de liberté, pour un seuil de signification fixé alpha. Dans la pratique conventionnelle de la psychologie empirique, le seuil de signification est traditionnellement arrêté à 0.05, ce qui correspond à une valeur critique seuil d’environ 5.991. Si la valeur observée de la statistique JB excède ce seuil critique, ou de façon parfaitement équivalente si la p-valeur associée est inférieure à 0.05, l’expérimentateur se voit contraint de rejeter formellement l’hypothèse nulle au profit de l’hypothèse alternative.

Néanmoins, la gestion des risques statistiques associés à cette procédure requiert une grande lucidité méthodologique face aux évolutions des protocoles de recueil de données. L’erreur de type I consiste ici à rejeter l’hypothèse de normalité alors que la population étudiée est authentiquement gaussienne. Dans les contextes expérimentaux contemporains mobilisant des cohortes massives de plusieurs milliers de participants recrutés en ligne, le test de Jarque-Bera acquiert une puissance statistique vertigineuse. Dans ces conditions, des déviations morphologiques infimes, dépourvues de la moindre incidence pratique sur le comportement des modèles de régression ultérieurs, produiront systématiquement des p-valeurs infinitésimales conduisant au rejet de H0.

À l’inverse, l’erreur de type II s’avère particulièrement insidieuse dans le cadre de recherches pilotes ou exploratoires caractérisées par des effectifs restreints (typiquement des groupes cliniques rares comptant 15 à 25 sujets). En présence d’un faible échantillon, la puissance du test de Jarque-Bera s’effondre de manière drastique. Le chercheur court alors le risque majeur d’échouer à rejeter l’hypothèse nulle, non point en vertu d’une véritable conformité gaussienne des observations, mais par simple incapacité de l’appareil statistique à déceler des asymétries pourtant marquées. Ce dilemme souligne la nécessité de moduler le niveau de sévérité alpha et de ne jamais confiner le diagnostic statistique à la lecture isolée d’un indice probabiliste.

5. Préparation de l’environnement R et gestion des paquets nécessaires

5.1 Installation et chargement de la bibliothèque tseries

Pour exécuter le test d’adéquation de Jarque-Bera dans l’écosystème R de façon rigoureuse, la solution la plus largement répandue et validée par la communauté scientifique consiste à exploiter la bibliothèque tseries. Conçue initialement pour l’analyse computationnelle des séries temporelles et de l’économétrie financière, cette extension offre une implémentation native particulièrement robuste du test à travers la fonction dédiée jarque.bera.test. Afin de garantir l’interopérabilité et la pérennité du code au sein des protocoles reproductibles, l’installation de ce paquetage doit être gérée de manière conditionnelle dans vos scripts d’analyse.

Une bonne pratique de développement statistique consiste à vérifier préalablement la présence de la bibliothèque dans l’environnement local de la machine avant d’ordonner son téléchargement depuis les dépôts officiels du réseau CRAN. La commande conditionnelle standard s’articule autour de la fonction requireNamespace ou de l’évaluation logique de installed.packages. Dès lors que l’extension est installée, son intégration au sein de la session courante s’opère classiquement via l’instruction library(tseries). Cette démarche prévient l’interruption inopinée de l’exécution d’un script complet lors du déploiement de l’analyse sur une infrastructure serveur distante ou sur les ordinateurs d’un comité d’évaluation scientifique.

La fonction maîtresse jarque.bera.test prend en entrée principale un vecteur numérique unidimensionnel représentant la variable comportementale ou psychométrique à expertiser. Il est important de souligner que cette fonction a été programmée pour traiter nativement les objets de classe vectorielle continue et applique d’autorité le calcul classique de la statistique JB standard. Dans le cadre de l’intégration dans des documents R Markdown, l’analyste veillera à configurer les options d’en-tête du bloc d’instructions de manière à consigner scrupuleusement la version exacte de la bibliothèque employée, prévenant ainsi toute dérive de reproductibilité computationnelle.

5.2 Importation et nettoyage préalable du jeu de données psychologiques

L’application d’un test d’adéquation statistique exige un protocole préalable de préparation des données empiriques particulièrement rigoureux. Dans les laboratoires de psychologie, les données brutes proviennent généralement de plateformes d’expérimentation en ligne sous la forme de fichiers tabulaires délimités (fichiers CSV), de sauvegardes natives issues de progiciels propriétaires d’analyses statistiques (formats SAV issus de SPSS), ou de formats sérialisés spécifiques à l’environnement R (fichiers RDS). L’importation doit s’appuyer sur des bibliothèques hautement optimisées et prévisibles telles que readr pour les flux délimités ou haven pour les fichiers issus de SPSS.

Une fois les structures tabulaires chargées au sein d’une structure de données (data.frame ou tibble), la vérification du typage des variables représente un passage obligatoire. La fonction jarque.bera.test refuse catégoriquement d’opérer sur des vecteurs de chaînes de caractères ou des facteurs discrets. L’analyste doit s’assurer formellement que la variable d’intérêt est strictement typée sous une nature numérique continue. Cette vérification s’opère classiquement à l’aide des primitives logicielles d’interrogation du type is.numeric, assorties si nécessaire de coercitions contrôlées au moyen de l’instruction as.numeric, en prenant garde à ne pas introduire de distorsions accidentelles lors de la conversion d’échelles qualitatives ordinales.

Le second enjeu fondamental réside dans le traitement des observations manquantes, désignées sous le symbole générique NA dans R. Dans les passations de tests psychométriques longs, l’omission de réponses par négligence ou lassitude constitue un fait routinier. La fonction jarque.bera.test ne procède pas à une imputation magique : la présence d’une valeur manquante ou d’une valeur infinie non résolue au sein du vecteur fourni se soldera inévitablement par un message d’erreur ou par la production d’une statistique indéterminée. Il incombe donc au chercheur de statuer méthodologiquement sur ce point en recourant à une extraction sécurisée via la fonction na.omit, ou en justifiant l’application d’un algorithme formel d’imputation multiple si la structure des données manquantes ne relève pas d’un mécanisme aléatoire pur.

6. Procédure pas à pas : Réalisation du test de Jarque-Bera avec tseries

6.1 Simulation d’une distribution gaussienne idéale et exécution du test

Pour appréhender le comportement empirique du test de Jarque-Bera sous des conditions de validité théorique absolue, la méthode la plus didactique consiste à générer par simulation stochastique un échantillon artificiel rigoureusement conforme à la loi normale. L’environnement R dispose d’un générateur de nombres pseudo-aléatoires de classe mondiale au travers de sa fonction primitive rnorm. Dans le but impératif d’assurer la stricte reproductibilité de la démonstration, il convient de figer au préalable l’état initial du générateur algorithmique en invoquant l’instruction set.seed assortie d’une constante arbitraire.

Considérons la simulation d’un échantillon fictif de 100 observations issues d’une population normale présentant une moyenne théorique fixée à 50 et un écart-type de 10, ce qui correspond classiquement à l’étalonnage de scores T en psychométrie standardisée. L’instruction R correspondante s’articule ainsi : donnees_normales <- rnorm(n = 100, mean = 50, sd = 10). Une fois ce vecteur numérique alloué en mémoire vive, l’exécution du test d’adéquation s’effectue simplement en adressant l’objet à la fonction dédiée issue de la bibliothèque préalablement chargée : resultat_jb <- jarque.bera.test(donnees_normales).

L’affichage dans la console standard R révèle une structure de sortie textuelle normalisée. Les deux premières lignes identifient la nature de la procédure computationnelle exécutée : « Jarque Bera Test ». La ligne suivante indique le nom de la variable vectorielle soumise à l’expertise. Le cœur du diagnostic statistique se dévoile immédiatement sous la forme d’un alignement de trois grandeurs numériques clés : la valeur calculée de la statistique de test étiquetée « X-squared », le nombre de degrés de liberté associé noté « df » (qui s’élève invariablement à 2 pour cette spécification univariée classique), et enfin la « p-value » asymptotique déduite de la fonction de répartition de la loi du Chi-deux. Pour un échantillon gaussien simulé de cette taille, la valeur X-squared oscille généralement autour de valeurs faibles (inférieures à 2), générant une p-valeur très largement supérieure au seuil d’exclusion de 0.05, confirmant formellement la non-violation de l’hypothèse nulle.

6.2 Application sur une distribution non normale asymétrique

Afin de mettre en exergue la réactivité immédiate de la statistique de Jarque-Bera face à une infraction morphologique caractérisée, examinons à présent le comportement du test face à une variable fortement asymétrique. Dans les protocoles expérimentaux de psychologie cognitive, les données chronométriques brutes ne se conforment jamais à un schéma gaussien symétrique mais épousent typiquement une distribution log-normale ou une loi gamma. Nous pouvons aisément simuler une telle structure de temps de réaction en faisant appel à la fonction rlnorm, en générant par exemple 100 observations avec un paramètre d’échelle log-moyenne de 3 et une log-variance de 0.5 : temps_reaction <- rlnorm(n = 100, meanlog = 3, sdlog = 0.5).

L’application de la commande jarque.bera.test(temps_reaction) sur ce vecteur empirique produit une modification spectaculaire de la sortie logicielle. En raison de l’étirement prononcé de la distribution vers les valeurs de latence élevées, le coefficient d’asymétrie empirique s’écarte radicalement de zéro, tandis que la concentration des réponses rapides conjuguée aux quelques observations tardives induit un excès d’aplatissement marqué. Dans l’équation de test, ces écarts géométriques sont élevés à la puissance deux et amplifiés par le coefficient d’échantillonnage.

Il en résulte une statistique de test « X-squared » qui atteint fréquemment des valeurs considérables, souvent comprises entre 25 et plus d’une centaine d’unités selon les tirages d’échantillonnage. En miroir de cette explosion de la valeur de test, la p-valeur affichée plonge bien en deçà des seuils conventionnels les plus restrictifs, s’exprimant sous forme de notation scientifique (par exemple p-value < 2.2e-16). La comparaison directe de ces deux expérimentations numériques illustre avec netteté la sensibilité discriminante de la statistique de Jarque-Bera : là où l’échantillon gaussien laissait l’hypothèse H0 intacte, la moindre déformation structurelle entraîne une récusation univoque et catégorique du postulat de normalité.

6.3 Extraction programmatique des composantes du résultat

Dans le cadre d’analyses de données psychologiques avancées, les praticiens ne peuvent se satisfaire d’une simple lecture manuelle et isolée des sorties textuelles dans la console. L’automatisation des diagnostics, l’exécution d’analyses de sensibilité en boucle sur des dizaines d’échelles psychométriques ou la construction de tableaux récapitulatifs automatisés exigent d’extraire de manière dynamique et programmatique les grandeurs numériques encapsulées au sein de l’objet produit par l’interpréteur R.

L’appel de la commande jarque.bera.test retourne un objet complexe appartenant à la classe générique htest (abréviation standardisée désignant les objets d’hypothèses de tests statistiques en langage R). Cette structure interne, assimilable à une liste nommée d’attributs mathématiques, peut être explorée au moyen de la fonction native names ou str. L’accès aux attributs cardinaux s’opère de manière directe et transparente au moyen de l’opérateur dollar $ :

• $statistic : Permet d’extraire scalairement la valeur numérique brute calculée pour la statistique de test (X-squared), autorisant son injection directe dans des équations dérivées ou des tableaux de résultats.
• $p.value : Isole la probabilité critique calculée sous la loi du Chi-deux, élément clé pour alimenter les structures de décision conditionnelle du type if (resultat$p.value < 0.05).
• $parameter : Fournit la valeur vectorielle des degrés de liberté associés à la distribution de référence (valant formellement 2).
• $method : Chaîne de caractères rappelant l’intitulé officiel de la méthode computationnelle déployée.
• $data.name : Chaîne documentant le nom littéral de la variable vectorielle analysée.

La maîtrise de cette architecture objet offre une fluidité opérationnelle incomparable. L’analyste est en mesure de concevoir des fonctions personnalisées capables d’itérer l’évaluation de la normalité sur l’ensemble des colonnes continues d’une base de données complexe, de filtrer dynamiquement les indices litigieux et d’exporter des comptes rendus synthétiques conformes aux attentes d’un pipeline de traitement reproductible moderne.

7. Approches alternatives sous R : Utilisation des packages moments et normtest

7.1 Calcul explicite des moments et test JB via le package moments

Bien que l’extension tseries représente la référence pratique conventionnelle, la boîte à outils statistique R dispose d’autres bibliothèques spécialisées offrant une transparence théorique accrue quant au calcul détaillé des moments géométriques. Au premier rang de celles-ci figure le paquetage moments, développé par Lukasz Komsta et Frederick Novomestky. Cette bibliothèque est hautement prisée dans l’enseignement méthodologique car elle fournit des fonctions autonomes dédiées à l’évaluation explicite de chaque moment d’ordre supérieur avant de procéder à l’agrégation finale du test.

Après installation et chargement par l’instruction library(moments), le chercheur a immédiatement accès aux primitives skewness et kurtosis. Contrairement aux fonctions génériques qui dissimulent souvent leurs formules d’ajustement, la fonction skewness de ce package calcule sans artifice l’estimateur classique du moment d’ordre 3 centré et standardisé. De manière identique, la fonction kurtosis retourne le quatrième moment brut sans soustraire la valeur de 3. Cette transparence permet à l’étudiant ou au chercheur d’inspecter visuellement et numériquement si l’échantillon s’écarte des grandeurs nominales canoniques (0 pour l’asymétrie, 3 pour l’aplatissement brut) préalablement au calcul formel de l’adéquation.

Le package intègre sa propre implémentation du test d’adéquation via la commande jarque.test. Il est extrêmement instructif de confronter les résultats générés par cette fonction avec ceux issus de tseries. À titre de validation pédagogique absolue, l’analyste peut reconstituer manuellement la statistique JB au moyen d’une seule ligne de code arithmétique :

n <- length(x) ; S <- skewness(x) ; C <- kurtosis(x)
JB_manuel <- (n / 6) * (S^2 + 0.25 * ((C – 3)^2))

Cette vérification algorithmique directe dissipe toute opacité mathématique. Elle démontre sans ambiguïté la parfaite équivalence théorique entre le formalisme publié par Carlos Jarque et Anil Bera et les routines computationnelles automatisées exécutées en arrière-plan par l’interpréteur R.

7.2 Exploration du package normtest et variantes pour petits échantillons

L’une des critiques méthodologiques les plus substantielles formulées à l’encontre de la version originelle du test de Jarque-Bera réside dans la lenteur de sa convergence asymptotique. Comme nous l’avons précisé, sur des effectifs limités fréquemment rencontrés en neuropsychologie clinique ou en imagerie cérébrale (par exemple n compris entre 15 et 50), l’approximation par la loi du Chi-deux tend à sous-estimer l’épaisseur réelle des queues de la distribution d’échantillonnage de la statistique JB sous l’hypothèse nulle. Il en découle un phénomène de sur-rejet ou de distorsion de l’erreur de type I réelle par rapport au seuil nominal théorique.

Pour remédier à cette faille structurelle, le package spécialisé normtest met à disposition de la communauté scientifique un ensemble exhaustif de déclinaisons corrigées du test, parmi lesquelles se distingue tout particulièrement la variante ajustée développée par Carlos Urzúa en 1996. Urzúa a démontré analytiquement que l’estimateur empirique de la variance de l’asymétrie et du kurtosis déviait de manière sensible des constantes 6 et 24 dès lors que la taille d’échantillon demeurait modeste. La fonction ajb.norm.test implémente ainsi le test de Jarque-Bera ajusté, en substituant aux facteurs asymptotiques simplifiés des estimateurs exacts des espérances et variances des moments pour échantillons finis.

En pratique, l’application conjointe de jb.norm.test (version standard) et de ajb.norm.test (version corrigée d’Urzúa) issues de la bibliothèque normtest permet au chercheur d’évaluer la stabilité de son diagnostic face aux aléas de la taille d’échantillonnage. Lorsque la cohorte est volumineuse (n supérieur à plusieurs centaines de cas), les p-valeurs retournées par les deux formulations sont rigoureusement indiscernables. En revanche, face à une cohorte expérimentale modeste, la formulation ajustée d’Urzúa apporte une garantie de rigueur inférentielle indiscutable, prévenant les déductions erronées induites par un recours dogmatique et aveugle à des lois asymptotiques non atteintes.

8. Interprétation statistique approfondie de la p-valeur et de la statistique JB

8.1 Règles décisionnelles face à une p-valeur supérieure au seuil critique

Lorsque le traitement d’une variable psychométrique via le test de Jarque-Bera aboutit à une probabilité critique supérieure au seuil prédéterminé (par exemple p > 0.05), la règle de décision formelle impose d’échouer à rejeter l’hypothèse nulle. Cette formulation rigoureuse, issue de l’orthodoxie méthodologique neyman-pearsonienne, ne doit sous aucun prétexte être assimilée à une acceptation définitive et triomphante de la normalité parfaite. En épistémologie des statistiques, il existe un gouffre fondamental entre l’absence de preuve d’un effet et la preuve formelle de l’absence de cet effet.

Dans un contexte d’application concrète, l’échec de rejet signifie simplement que les déviations conjointes d’asymétrie et d’aplatissement observées au sein de l’échantillon ne présentent pas une magnitude suffisante pour que l’on puisse exclure avec une certitude statistique raisonnable qu’elles résultent du simple bruit d’échantillonnage aléatoire. Dès lors, le chercheur dispose d’une autorisation méthodologique provisoire pour engager ses modélisations linéaires classiques (ANOVA, régressions paramétriques, calcul de coefficients de corrélation de Pearson). Les conditions d’optimalité opérationnelle des estimateurs sont réputées satisfaites au sens pragmatique du terme.

Cependant, cette validation par défaut impose une prudence accrue lorsque l’effectif global de l’étude est modeste. Comme nous l’avons souligné, sur un groupe restreint de participants, la puissance statistique du test s’avère considérablement dégradée. Une p-valeur établie à 0.18 sur un groupe clinique de 20 sujets ne garantit en rien la nature gaussienne de la distribution parente : elle reflète bien souvent l’impuissance structurelle du test à discriminer les anomalies morphologiques réelles en présence d’un signal trop bruité. L’analyste se doit alors de corroborer impérativement ce résultat numérique neutre par une inspection graphique fine des quantiles.

8.2 Règles décisionnelles en cas de rejet significatif (p < alpha)

L’observation d’une p-valeur rigoureusement inférieure au seuil alpha conventionnel (par exemple p < 0.001 ou p < 0.05) scelle le rejet définitif de l’hypothèse nulle. Ce verdict indique que l’écart séparant la distribution empirique observée d’un modèle gaussien théorique est statistiquement significatif et ne peut être imputé aux seules fluctuations d’échantillonnage. Le postulat de normalité univariée se trouve alors formellement violé, interdisant au chercheur de poursuivre aveuglément son protocole paramétrique sans procéder à des ajustements méthodologiques raisonnés.

L’analyste confronté à ce constat ne doit pas se confiner au rejet binaire, mais doit immédiatement entreprendre une démarche d’investigation étiologique. Il s’agit d’isoler la racine géométrique de cette infraction en inspectant séparément les valeurs calculées de l’asymétrie et de l’aplatissement. Une variable manifestant un coefficient d’aplatissement de 3.1 mais une asymétrie de 2.4 présente un profil clinique et théorique radicalement distinct d’une variable symétrique affichant un aplatissement démesuré de 8.5. La nature des distorsions constatées oriente directement les mesures correctives à déployer au sein de l’espace analytique.

De surcroît, le chercheur avisé veillera scrupuleusement à dissocier la significativité statistique brute de l’ampleur de la déviation empirique. Au sein des méga-cohortes contemporaines (regroupant 5 000 à 50 000 participants dans les banques de données génomiques ou comportementales internationales), la statistique de Jarque-Bera est susceptible de s’envoler vers des valeurs hautement significatives pour une asymétrie dérisoire de 0.08 et un aplatissement de 3.09. Bien que la p-valeur affiche une suite de zéros impressionnante, l’impact réel d’une telle micro-déviation sur la distribution d’échantillonnage des moyennes ou des coefficients de régression est absolument négligeable en pratique. L’interprétation de la statistique JB ne doit donc jamais s’opérer dans un vacuum désincarné, mais doit constamment être confrontée à la taille effective de la cohorte et aux indices morphologiques bruts.

8.3 Régression linéaire : Application du test de Jarque-Bera sur les résidus

Une confusion épistémologique particulièrement tenace dans la littérature psychologique consiste à vouloir tester à tout prix la normalité des variables observées brutes (variables dépendantes et indépendantes) préalablement à la conduite d’un modèle de régression linéaire ou d’une analyse de variance factorielle. Or, les postulats mathématiques du modèle linéaire général ne requièrent en aucune manière que la variable dépendante globale soit marginalement distribuée selon une loi gaussienne. L’exigence de normalité conditionnelle porte exclusivement et rigoureusement sur les termes d’erreurs stochastiques résiduelles non observables, estimées à travers les résidus empiriques du modèle ajusté.

En langage R, l’évaluation de la normalité des résidus s’articule selon un flux opérationnel d’une grande limpidité. Le chercheur ajuste préalablement son modèle linéaire au moyen de la fonction standard lm : modele_psy <- lm(score_bien_etre ~ stress_percu + soutien_social, data = base_donnees). Dès lors que le modèle est estimé en mémoire, l’extraction des résidus s’opère formellement via la fonction générique residuals ou par l’accès direct aux résidus standardisés au moyen de rstandard : residus_modele <- residuals(modele_psy).

C’est sur ce vecteur spécifique de perturbations résiduelles que le test de Jarque-Bera doit être déployé : jarque.bera.test(residus_modele). Lors de cette opération, la prise en compte du paramètre k (représentant ici le nombre de coefficients de régression estimés dans le modèle, incluant la constante) devient théoriquement pertinente, conformément à la formulation princeps détaillée en section 2.1. Le rejet de la normalité sur les résidus signale que les intervalles de confiance associés aux coefficients bêta et que les tests d’inférence t et F associés risquent d’être faussés. Ce constat impose alors de s’interroger sur l’omission d’une variable modératrice clé, sur la présence d’une non-linéarité fondamentale dans la relation psychologique modélisée, ou sur la présence sous-jacente d’une hétéroscédasticité perturbatrice au sein de l’espace expérimental.

9. Cas pratiques en psychologie : Données de temps de réaction et scores psychométriques

9.1 Étude de cas 1 : Temps de réaction à une tâche d’attention soutenue

Afin d’ancrer ces développements théoriques dans la réalité concrète de l’expérimentation comportementale, analysons un jeu de données issu d’une tâche d’attention soutenue de type SART (Sustained Attention to Response Task). Dans cette épreuve cognitive, 250 participants adultes ont été confrontés à une série de stimuli visuels rapides où ils devaient presser une touche mécanique le plus rapidement possible face à des cibles prédéfinies. La variable dépendante continue correspond à la latence moyenne de réponse correcte enregistrée avec une précision millimétrique. Nous importons les données tabulaires et isolons la variable vectorielle tr_ms.

L’exécution immédiate du diagnostic statistique par la commande jarque.bera.test(base_sart$tr_ms) produit un résultat sans équivoque. La console R affiche une statistique « X-squared » culminant à 342.18, avec un degré de liberté de 2 et une p-valeur asymptotique inférieure à 2.2e-16. L’exploration complémentaire des moments au moyen de la bibliothèque moments révèle un coefficient d’asymétrie empirique massif établi à S = 1.84, accompagné d’un aplatissement brut s’élevant à C = 7.12 (soit un excès de kurtosis de plus de 4 unités par rapport au standard gaussien). La morphologie distributionnelle témoigne d’une asymétrie droite marquée, ponctuée de quelques latences particulièrement lentes traduisant des épisodes transitoires de décrochage attentionnel.

Face à une infraction d’une telle amplitude, le maintien des données sous leur forme métrique brute au sein d’une ANOVA ou d’un test t constituerait une régression méthodologique sévère. L’analyste se tourne alors rationnellement vers des stratégies de transformation d’échelle non linéaires stabilisatrices. Deux approches classiques s’affrontent en psychologie cognitive : la transformation logarithmique népérienne, modélisée sous R par tr_log <- log(base_sart$tr_ms), et la transformation inverse de vitesse, formulée via tr_inv <- -1000 / base_sart$tr_ms. La réapplication immédiate du test de Jarque-Bera sur le vecteur transformé tr_log engendre une métamorphose statistique complète : la statistique JB s’effondre à 3.12, s’accompagnant d’une probabilité critique de p = 0.210. L’hypothèse de normalité ne pouvant plus être rejetée, le chercheur dispose d’une métrique reconfigurée, pleinement habilitée à subir les traitements inférentiels paramétriques les plus rigoureux.

9.2 Étude de cas 2 : Scores d’anxiété sur une échelle de Likert sommée

Le second cas pratique aborde le domaine de l’évaluation psychométrique standardisée. Considérons une cohorte de 400 étudiants universitaires ayant complété l’inventaire d’anxiété état-trait de Spielberger (STAI), composé d’une vingtaine d’énoncés cotés sur des échelles d’accord ordinales de type Likert en 4 points (variant de 1 : « Pas du tout » à 4 : « Tout à fait »). Le score global univarié, matérialisé par la variable composite sommée score_stai, oscille théoriquement dans un intervalle fermé compris entre 20 et 80 unités métriques.

L’application de la routine jarque.bera.test(base_psy$score_stai) retourne une statistique de test de 18.74, assortie de df = 2 et d’une p-valeur établie à p = 8.52e-05, scellant le rejet statistiquement significatif de la normalité. Cependant, l’examen isolé des décompositions géométriques apporte un éclairage substantiellement distinct de celui observé sur les temps de réaction. En effet, l’asymétrie se révèle extrêmement discrète avec une magnitude modérée de S = 0.14, témoignant d’une distribution remarquablement équilibrée entre les scores bas et élevés au sein de cette population d’étudiants non cliniques. En revanche, le coefficient d’aplatissement s’établit à C = 2.11, signalant un excès de kurtosis négatif marqué de -0.89.

Nous sommes ici en présence d’une distribution manifestement platykurtique. Les répondants ont mobilisé les options de réponse d’une façon dispersée et uniforme, sans concentration majeure de la masse de probabilité autour du score médian, aplatissant le sommet de la courbe de Gauss théorique et allégeant considérablement les extrémités. Ce cas de figure pose un arbitrage méthodologique de premier ordre : contrairement à l’asymétrie unilatérale qui fausse gravement l’estimation des moyennes et des erreurs-types, une déviation platykurtique symétrique modérée n’altère que de façon marginale la robustesse des modèles de régression linéaire sous de telles tailles d’échantillons. L’analyste se trouve alors pleinement légitimé, soit à conserver ses données en intégrant des erreurs-types robustes dites de sandwich (estimateurs de Huber-White), soit à bifurquer vers des modèles d’équations structurelles dotés d’estimateurs robustes aux infractions de kurtosis, tels que le maximum de vraisemblance avec correction de Satorra-Bentler (MLM).

10. Diagnostic graphique complémentaire de la normalité avec R

10.1 Construction et lecture des diagrammes quantile-quantile (Q-Q plots)

Aucun test statistique d’adéquation, aussi sophistiqué soit-il sur le plan mathématique, ne devrait être interprété dans l’isolement le plus complet sans être systématiquement confronté à une inspection visuelle directe des structures géométriques de distribution. En statistique appliquée, le diagramme quantile-quantile (couramment désigné sous l’acronyme de Q-Q plot) représente le dispositif de visualisation le plus puissant et le plus universellement recommandé pour ausculter la concordance empirique d’une variable continue avec la fonction de distribution théorique gaussienne.

Dans l’environnement de base R, la génération d’un diagramme quantile-quantile s’exécute avec une remarquable économie de code grâce à la conjugaison fonctionnelle de deux commandes historiques : qqnorm(variable), qui projette les quantiles empiriques observés en ordonnée contre les quantiles théoriques issus de la loi normale centrée réduite en abscisse, immédiatement suivie de qqline(variable, col = « red », lwd = 2), qui superpose en surbrillance une droite de référence passant précisément par le premier et le troisième quartile des données.

Pour la réalisation de figures destinées à l’édition scientifique et aux revues internationales à comité de lecture, l’emploi de l’écosystème graphique ggplot2 s’impose comme le standard de qualité incontournable. La construction du graphique s’articule alors autour des fonctions géométriques spécialisées stat_qq() et stat_qq_line(). L’intégration dans un canevas thématique épuré (tel que theme_minimal()) garantit une lisibilité maximale :

ggplot(data = base_donnees, aes(sample = variable_psy)) +
stat_qq(color = « #2b5c8f », alpha = 0.6) +
stat_qq_line(color = « #d95f02 », linewidth = 1) +
labs(x = « Quantiles théoriques gaussiens », y = « Quantiles empiriques observés ») +
theme_minimal()

L’art de l’analyste réside ensuite dans la sémiologie graphique de cette représentation. Si les points expérimentaux s’alignent avec fluidité le long du vecteur linéaire oblique, le postulat de normalité est pleinement corroboré visuellement. En revanche, des déviations morphologiques typiques trahissent instantanément la nature des violations décelées par le test de Jarque-Bera. Une courbure en forme de parabole montante ou descendante signale immédiatement une asymétrie prononcée (la concavité reflétant la direction de la traîne). Une déformation sigmoïdale en « S » inversé dénonce formellement une distribution leptokurtique aux queues épaisses, où les quantiles extrêmes décrochent spectaculairement de part et d’autre de la trajectoire théorique rectiligne. Cette lecture conjointe offre une synergie méthodologique parfaite, adossant le verdict chiffré du test JB à une compréhension visuelle intime de la topologie des données.

10.2 Histogrammes de densité empirique et superposition de la courbe normale

En complément des diagrammes quantile-quantile, l’histogramme de fréquences combiné à une estimation non paramétrique de densité constitue le second pilier du diagnostic graphique de distribution. Contrairement à l’histogramme classique qui découpe arbitrairement la variable en intervalles disjoints, l’estimation de densité par noyau (kernel density estimation) génère une courbe continue lisse modélisant fidèlement la fonction de densité empirique de la variable comportementale sans imposer de présupposé paramétrique rigide.

Sous R, l’approche la plus efficiente consiste à utiliser la bibliothèque ggplot2 pour superposer, sur un même plan géométrique, trois couches informatives complémentaires : l’histogramme des fréquences normalisé sous forme de densités de probabilité via l’argument after_stat(density), la courbe lissée empirique produite par geom_density, et enfin la courbe gaussienne théorique idéale paramétrée strictement à partir de la moyenne et de l’écart-type de l’échantillon au moyen de la fonction stat_function(fun = dnorm, …).

Cette mise en regard visuelle met immédiatement en lumière les singularités topologiques responsables de l’inflation de la statistique de Jarque-Bera. Le chercheur identifie instantanément si le rejet du test statistique est orchestré par un décalage asymétrique du pic modal, par un amincissement pathologique du sommet de distribution, ou par la présence d’observations aberrantes isolées venant étirer artificiellement la queue empirique à plusieurs écarts-types de la moyenne. De plus, cette représentation graphique s’avère absolument indispensable pour détecter d’éventuelles distributions multimodales. En effet, en présence de sous-populations cliniques distinctes (par exemple une sous-cohorte d’individus totalement réfractaires à un traitement psychotrope et une sous-cohorte de répondeurs massifs), la distribution empirique peut présenter un profil bimodal. Le test de Jarque-Bera rejettera massivement la normalité face à ce patron, mais seul le recours à l’histogramme de densité permettra d’identifier la bimodalité sous-jacente et de prévenir une interprétation erronée qui réduirait le phénomène à un simple problème de kurtosis.

11. Limites méthodologiques du test de Jarque-Bera et tests concurrents

11.1 Vulnérabilité face aux valeurs aberrantes extrêmes (outliers)

L’évaluation critique de tout outil statistique exige d’en cerner avec lucidité les vulnérabilités structurelles. Dans le cas du test de Jarque-Bera, la sensibilité exacerbée face aux données aberrantes isolées constitue indiscutablement son talon d’Achille le plus documenté dans la littérature méthodologique. Cette fragilité intrinsèque découle directement de la formulation analytique des moments d’ordre supérieur exposée en section 2.1.

Dans le calcul du coefficient d’asymétrie, l’écart séparant chaque observation de la moyenne générale est élevé à la puissance 3, tandis que dans le calcul de l’aplatissement, cet écart est élevé à la puissance 4. En vertu de cette mécanique exponentielle, une observation marginale unique, résultant par exemple d’une erreur de saisie expérimentale au clavier ou d’un artefact moteur isolé, située à 4 ou 5 écarts-types de la moyenne arithmétique, exercera un effet de levier destructeur sur le calcul global des moments. Un seul point aberrant peut ainsi démultiplier à lui seul la valeur de la statistique JB, faisant basculer une p-valeur d’un statut parfaitement non significatif (par exemple p = 0.35) vers un rejet hautement significatif (p < 0.001), sans que la structure distributionnelle fondamentale des 99 % d’observations restantes ne s’écarte le moins du monde du schéma gaussien.

Cette vulnérabilité mathématique impose à l’analyste un devoir absolu de pré-traitement. Avant d’engager le test d’adéquation, il est indispensable de scruter systématiquement la présence d’observations influentes anormales à travers l’inspection des boîtes à moustaches de Tukey, l’évaluation des scores Z standardisés ou le calcul des distances de Mahalanobis. Face à des jeux de données hautement bruités, certains méthodologistes préconisent d’ailleurs le recours à des variantes robustes du test de Jarque-Bera. Ces formulations alternatives substituent aux estimateurs fragiles des moments polynomiaux des métriques de dispersion et d’asymétrie robustes fondées sur les médianes et l’écart absolu médian (MAD, pour Median Absolute Deviation), neutralisant ainsi le pouvoir de nuisance des points singuliers.

11.2 Comparaison critique : Jarque-Bera, Shapiro-Wilk et D’Agostino-Pearson

Dans l’arsenal des tests de normalité disponibles sous R, le praticien se trouve confronté à un choix méthodologique pluriel. Chacune des procédures concurrentes repose sur des axiomes probabilistes spécifiques qui en délimitent le domaine de validité préférentiel au sein des sciences comportementales :

• Le test de Shapiro-Wilk (shapiro.test) : Fondé sur la corrélation d’ordre linéaire entre les observations ordonnées de l’échantillon et les scores normaux théoriques, ce test jouit d’une réputation d’excellence en matière de puissance statistique sur les échantillons d’effectifs modestes ou intermédiaires (n compris entre 20 et 200). En psychologie expérimentale standard, il demeure le test de référence dominant pour les petites cohortes de laboratoire. Néanmoins, il devient inopérant ou saturé sur les très grands volumes de données et est formellement borné sous R à un effectif maximal de 5 000 participants.
• Le test omnibus de D’Agostino-Pearson : Accessible via le package fBasics ou normtest, cette procédure partage avec le test de Jarque-Bera le principe d’une évaluation conjointe de l’asymétrie et du kurtosis. Toutefois, au lieu de s’appuyer sur la convergence asymptotique directe de la loi du Chi-deux, D’Agostino et Pearson appliquent des transformations non linéaires spécifiques pour normaliser préalablement les distributions d’échantillonnage de S et de C. Il en résulte une approximation bien plus fiable pour les échantillons de taille modérée (n variant de 30 à 100).
• Le test de Kolmogorov-Smirnov corrigé par Lilliefors (nortest::lillie.test) : Reposant sur la distance suprémum séparant la fonction de répartition empirique de la fonction de répartition théorique cumulative, ce test souffre historiquement d’une puissance statistique notablement inférieure à celle de Shapiro-Wilk et de Jarque-Bera pour la détection des anomalies de queues de distribution. Son emploi n’est généralement justifié que face à des exigences de comparaisons de fonctions cumulées globales.

De cette confrontation critique émerge une matrice de décision claire pour le psychologue quantitativiste : pour les cohortes de laboratoire restreintes (n < 50), la procédure de Shapiro-Wilk ou la variante ajustée d’Urzúa du test de Jarque-Bera doivent être systématiquement privilégiées. En revanche, dès lors que l’étude implique des cohortes massives issues de panels en ligne ou de neuro-imagerie (n > 300), le test standard de Jarque-Bera s’impose comme l’outil diagnostique le plus naturel, le plus véloce sur le plan algorithmique et le plus intelligible théoriquement pour quantifier les écarts d’adéquation.

11.3 Solutions méthodologiques face au rejet définitif de l’hypothèse de normalité

Lorsque le déploiement du test de Jarque-Bera et des diagnostics graphiques associés conclut formellement à une violation irréversible du postulat de normalité gaussienne, l’analyste ne se retrouve pas démuni. Plusieurs voies de remédiation méthodologique rigoureusement établies s’offrent à lui pour préserver la validité de ses inférences :

La première voie, d’inspiration classique mais exigeante, consiste à opérer des transformations mathématiques univariées sur l’échelle de mesure initiale. Outre les fonctions logarithmiques, racines carrées et inverses déjà évoquées, l’arsenal contemporain permet de recourir à des familles paramétriques de transformations unifiées, à l’instar de la transformation de Box-Cox (adaptée aux valeurs strictement positives) ou de la transformation de Yeo-Johnson (capable de traiter nativement les valeurs négatives ou nulles). Ces algorithmes estiment par maximisation de vraisemblance le paramètre lambda optimal permettant de courber la distribution empirique au plus près de la symétrie gaussienne.

La seconde alternative réside dans l’adoption des tests non paramétriques de rangs, tels que le test de la somme des rangs de Wilcoxon-Mann-Whitney pour les comparaisons de deux groupes indépendants, ou le test de Kruskal-Wallis pour les comparaisons plurifactorielles. Ces méthodes ont l’immense mérite de s’affranchir totalement de tout présupposé quant à la forme de la distribution sous-jacente. Néanmoins, elles entraînent une perte notable d’informations métriques en réduisant les grandeurs quantitatives à de simples positions ordinales relatives, et ne s’adaptent que difficilement à la modélisation d’interactions factorielles complexes.

La troisième approche, hautement recommandée dans la recherche moderne, s’articule autour des techniques computationnelles de rééchantillonnage par bootstrap non paramétrique. En tirant plusieurs milliers de sous-échantillons avec remise au sein des données observées, le bootstrap reconstitue empiriquement la véritable distribution d’échantillonnage de n’importe quel estimateur (moyenne, coefficient de corrélation, paramètre de médiation) sans postuler la moindre normalité théorique. L’extraction d’intervalles de confiance ajustés par la méthode des percentiles corrigés du biais et accélérés (BCa) garantit des inférences robustes et inattaquables.

Enfin, la migration vers les Modèles Linéaires Généralisés (GLM) et les Modèles Linéaires Généralisés à Effets Mixtes (GLMM) constitue la solution royale en modélisation avancée. Plutôt que de contraindre arbitrairement des variables empiriques asymétriques ou hétéroscédastiques à entrer de force dans le moule étroit de la loi normale, les GLM permettent de spécifier explicitement une fonction de distribution parente appartenant à la famille exponentielle adaptée à la nature intrinsèque des données : loi de Poisson ou quasi-Poisson pour les données de comptage, loi gamma pour les temps de latence chronométriques continus, ou loi binomiale pour les réponses binaires alternatives.

12. Guide des meilleures pratiques et rédaction des résultats selon les normes APA

12.1 Protocole décisionnel standardisé pour l’analyste de données en psychologie

Afin de prémunir les chercheurs contre l’improvisation méthodologique et de renforcer la rigueur des études quantitatives, il est impératif d’adopter un protocole décisionnel séquentiel standardisé lors de la vérification de l’adéquation distributionnelle. Ce cheminement chronologique structure l’ensemble des vérifications préalables sous la forme d’un flux de travail unifié :

1. Audit d’intégrité et de typage : S’assurer du formatage strictement numérique continu de la variable d’intérêt, identifier la mécanique sous-jacente aux données manquantes, et exécuter un nettoyage raisonné des codes d’erreur instrumentaux.
2. Criblage des valeurs aberrantes : Déployer une analyse univariée et multivariée d’identification des outliers (boîtes à moustaches, distances de Cook) afin d’isoler en amont les anomalies susceptibles de biaiser artificiellement les puissances 3 et 4 des moments centriques.
3. Visualisation exploratoire systématique : Construire simultanément un diagramme quantile-quantile (Q-Q plot) avec droite de Henry et un histogramme de densité empirique confronté à la courbe gaussienne paramétrée.
4. Exécution contextualisée du test de Jarque-Bera : Sélectionner l’implémentation logicielle R adaptée à la volumétrie de la cohorte (version ajustée d’Urzúa pour les effectifs modestes, fonction standard sous tseries pour les grands échantillons).
5. Décomposition analytique des moments : En cas de résultat significatif, inspecter scrupuleusement les coefficients d’asymétrie et de kurtosis isolés pour identifier l’étiologie géométrique de l’infraction.
6. Arbitrage et modélisation subséquente : Si le postulat de normalité est soutenu, engager les procédures paramétriques standards. En cas d’infraction invalidante, sélectionner la stratégie palliative idoine (transformation, bootstrap, régression robuste ou modèles GLM).
7. Archivage Open Science : Consigner scrupuleusement l’intégralité du script R nettoyé, documenté et pourvu des graines stochastiques dans un référentiel public ouvert (tel que l’Open Science Framework) garantissant la parfaite reproductibilité des diagnostics par les pairs.

12.2 Formulation formelle des résultats selon les standards de l’APA (7e édition)

La communication scientifique des analyses statistiques doit se conformer rigoureusement aux préceptes typographiques et rédactionnels édictés par le manuel de publication de l’American Psychological Association (APA, 7e édition). Trop souvent, les manuscrits soumis se contentent de mentions elliptiques et évasives affirmant que « la normalité a été vérifiée », sans documenter formellement les paramètres d’évaluation statistique. L’analyste se doit de rapporter explicitement l’appellation exacte du test, la valeur numérique de la statistique de test arrondie à deux décimales, le nombre de degrés de liberté associés entre parenthèses, et la p-valeur exacte.

Dans l’hypothèse où le test de Jarque-Bera confirme l’adéquation gaussienne des observations, permettant d’engager sereinement une analyse paramétrique standard, la rédaction académique au sein de la section des résultats méthodologiques pourra s’articuler selon le modèle formel suivant :

« L’adéquation de la distribution des scores composites d’estime de soi au postulat de normalité univariée a été évaluée au moyen du test d’adéquation de Jarque-Bera. Les analyses statistiques indiquent que la distribution empirique ne dévie pas de manière significative d’un modèle gaussien théorique, JB(2) = 1.42, p = .492. L’inspection conjointe du diagramme quantile-quantile et des coefficients d’asymétrie (S = 0.08) et d’aplatissement (C = 2.91) atteste d’une parfaite préservation des propriétés distributionnelles requises pour l’application subséquente du modèle linéaire général. »

À l’inverse, dans le cas de figure où le test de Jarque-Bera met en lumière une violation manifeste du postulat, la formulation rédactionnelle se doit de documenter la non-conformité avec précision, d’en expliciter la morphologie géométrique, et de justifier rationnellement la transition vers une méthode inférentielle alternative robuste :

« L’examen de la normalité de la distribution des temps de réaction moyens lors de la tâche d’attention soutenue a mis en évidence une violation hautement significative du postulat d’adéquation gaussienne, JB(2) = 284.19, p < .001. La décomposition des moments d’ordre supérieur révèle une asymétrie positive marquée (S = 1.67) conjuguée à une structure fortement leptokurtique (C = 6.48), confirmée visuellement par le décrochage sigmoïdal des observations sur le diagramme quantile-quantile. En conséquence, afin de pallier la perte de robustesse inhérente aux procédures paramétriques standards face à de telles anomalies de queues de distribution, les paramètres d’inférence ont été estimés par rééchantillonnage bootstrap non paramétrique (10 000 itérations), assortis d’intervalles de confiance corrigés du biais et accélérés (BCa à 95 %). »

En adoptant ces standards de formalisation rédactionnelle et computationnelle, le chercheur confère à ses travaux une rigueur démonstrative irréprochable, assurant une parfaite translucidité méthodologique entre l’univers mathématique abstrait des fonctions R et l’arène académique internationale de la psychologie scientifique.

Références

• Bera, A. K., & Jarque, C. M. (1981). Efficient tests for normality, homoscedasticity and serial independence of regression residuals: Monte Carlo evidence. Economics Letters, 6(3), 255-259. https://doi.org/10.1016/0165-1765(81)90035-5
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2e éd.). 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
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5e éd.). SAGE Publications.
• 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
• Komsta, L., & Novomestky, F. (2015). moments: Moments, cumulants, skewness, kurtosis and related tests (R package version 0.14). https://CRAN.R-project.org/package=moments
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
• 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/10.1093/biomet/52.3-4.591
• Trapletti, A., & Hornik, K. (2023). tseries: Time series analysis and computational finance (R package version 0.10-54). https://CRAN.R-project.org/package=tseries
• 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
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4