L’évaluation de la significativité statistique constitue le socle méthodologique sur lequel repose la validité des conclusions expérimentales en sciences du comportement, en neurosciences cognitives et en psychométrie quantitative. Dans le cadre du paradigme classique de l’inférence néoman-pearsonienne, le chercheur est constamment confronté à la nécessité d’arbitrer entre l’hypothèse nulle d’absence d’effet et l’hypothèse alternative d’une modulation systématique induite par une variable indépendante. Cet arbitrage formel repose sur la comparaison rigoureuse entre une métrique empirique calculée à partir des données recueillies sur un échantillon et une valeur seuil théorique, communément désignée sous le terme de valeur critique. Dans le cadre de l’analyse de variance et des régressions linéaires multiples, cette valeur charnière émane de la distribution de Fisher-Snedecor.
Pendant plusieurs décennies, la pratique académique a contraint les investigateurs à consulter des tables statistiques imprimées en annexe des manuels de psychométrie. Ces recueils tabulaires, bien qu’historiquement fondamentaux, présentent des contraintes substantielles : une granularité discontinue des degrés de liberté, des risques élevés d’erreurs de lecture manuelle et une limitation sévère aux seuls seuils conventionnels de probabilité. L’avènement de la science ouverte et la transition vers des protocoles de recherche computationnels reproductibles ont radicalement transformé ces pratiques. L’écosystème open-source fondé sur le langage de programmation Python s’est imposé comme le standard prééminent pour formaliser, automatiser et documenter les chaînes de traitement statistique, reléguant l’usage des tables statiques au rang de vestige pédagogique.
La détermination exacte et automatisée de la valeur critique de F revêt une importance capitale dès lors que l’on manipule des devis de recherche complexes, impliquant des échantillons déséquilibrés, des ajustements de degrés de liberté non entiers consécutifs à des corrections de sphéricité ou des modélisations linéaires mixtes. L’objectif de ce guide exhaustif est de disséquer l’ensemble des fondements théoriques, des mécanismes algorithmiques et des implémentations logicielles permettant d’extraire la valeur critique de F à l’aide de la bibliothèque scientifique SciPy. À travers une analyse approfondie des concepts de probabilité cumulative, de fonctions quantiles et de techniques de validation défensive, cet article fournit aux chercheurs et analystes quantitatifs les outils indispensables pour garantir une rigueur méthodologique absolue dans leurs démarches inférentielles.
1. Introduction aux tests F et à la notion de valeur critique en psychologie quantitative
1.1 Définition et fondements théoriques de la distribution de Fisher-Snedecor
La distribution de Fisher-Snedecor, universellement désignée sous l’appellation de loi F, constitue l’une des distributions d’échantillonnage continues les plus fondamentales de l’inférence statistique paramétrique. Sur le plan mathématique formel, la variable aléatoire F est définie comme le rapport de deux variables aléatoires indépendantes suivant chacune une loi du Chi-deux, chacune étant préalablement divisée par ses degrés de liberté respectifs. Ainsi, si une variable U suit une distribution du Chi-deux à $d_1$ degrés de liberté et qu’une variable V suit de manière strictement indépendante une distribution du Chi-deux à $d_2$ degrés de liberté, la quantité $F = (U / d_1) / (V / d_2)$ suit une loi F caractérisée par la paire ordonnée de paramètres $(d_1, d_2)$. Cette formulation canonique, conceptualisée initialement par Ronald Aylmer Fisher puis formalisée structurellement par George Snedecor, établit une passerelle théorique directe entre l’estimation des variances et le test d’hypothèses sur les moyennes de populations sous-jacentes.
D’un point de vue géométrique et analytique, la distribution de Fisher-Snedecor se distingue par des propriétés structurelles remarquables. Son support mathématique est strictement semi-fini, s’étendant exclusivement sur l’intervalle réel positif $[0, +\infty[$, ce qui reflète l’impossibilité physique et algébrique pour un rapport de deux sommes de carrés divisées par leurs degrés de liberté d’adopter des valeurs négatives. De surcroît, la fonction de densité de probabilité présente une asymétrie positive très prononcée, avec une queue de distribution étirée vers la droite pour de faibles valeurs des degrés de liberté. À mesure que les degrés de liberté augmentent, la distribution subit une transformation morphologique continue, son mode se déplaçant vers la valeur 1 et son asymétrie s’atténuant progressivement, bien qu’elle ne devienne jamais rigoureusement symétrique à distance finie. Cette asymétrie intrinsèque conditionne l’orientation unilatérale de la vaste majorité des procédures de test fondées sur cette métrique.
Le rôle de cette loi continue dans l’inférence paramétrique moderne est central, car elle matérialise l’exacte loi de probabilité suivie par le ratio des variances d’échantillonnage sous l’hypothèse nulle d’homogénéité des variances ou d’égalité des moyennes au sein de populations normales parentes. Contrairement au test z ou au test t de Student qui examinent des déviations signées le long d’un continuum linéaire, le test F quantifie une dispersion relative globale. En psychométrie contemporaine, où les phénomènes mesurés résultent de configurations factorielles complexes intégrant de multiples sources de variabilité, la loi F offre une armature mathématique indispensable pour dissocier le signal expérimental structuré du bruit stochastique résiduel inhérent à l’échantillonnage de sujets humains.
1.2 Le rôle pivot du test F dans les plans expérimentaux psychologiques
Dans l’architecture méthodologique des sciences comportementales, le test F intervient principalement comme le moteur décisionnel de l’analyse de variance (ANOVA), qu’elle soit déployée sous une forme unifactorielle à groupes indépendants, multifactorielle croisée ou à mesures répétées. Dans une ANOVA unifactorielle classique, l’expérimentateur cherche à déterminer si $k$ conditions expérimentales induisent des modifications différenciées sur une variable dépendante quantitative continue, telle que le temps de réaction, le score d’anxiété ou le taux de rappel mnésique. La statistique F réalise cette évaluation en procédant à un partitionnement de la somme totale des carrés des écarts : elle confronte la variance observée entre les moyennes des différents groupes (le carré moyen inter-groupes, qui capture à la fois la variance d’erreur et les effets systématiques du traitement) à la variance observée à l’intérieur de chacun des groupes (le carré moyen intra-groupes, qui capture uniquement l’erreur de mesure aléatoire et les différences interindividuelles incontrôlées).
Au-delà de cette application élémentaire, le test F s’avère indispensable pour évaluer rigoureusement l’efficacité d’interventions thérapeutiques et de protocoles de remédiation cognitive. Dans les plans factoriels impliquant par exemple deux modalités thérapeutiques combinées à deux niveaux de posologie médicamenteuse, le test F permet non seulement d’éprouver les effets principaux de chaque facteur isolé, mais également de tester les effets d’interaction statistique. Une interaction significative indique que l’effet d’une psychothérapie dépend de manière non linéaire du dosage médicamenteux administré. Le calcul de la statistique F permet alors d’isoler la variance spécifiquement attribuable à cette non-additivité des effets par rapport à la variance d’erreur résiduelle, offrant une validation statistique formelle indispensable avant toute déclinaison clinique ou translationnelle.
Enfin, dans le contexte de la modélisation linéaire générale (GLM) et de la psychométrie avancée, le test F sert de mécanisme universel pour la comparaison de modèles imbriqués. Lorsqu’un chercheur souhaite déterminer si l’ajout de plusieurs prédicteurs cognitifs ou biomarqueurs enrichit significativement la capacité prédictive d’un modèle de régression hiérarchique au-delà d’un modèle de base ne comprenant que des variables sociodémographiques, le test F incrémental évalue le gain de variance expliquée ($R^2$). Cette approche comparative s’étend également à la modélisation par équations structurelles et aux modèles linéaires à effets mixtes, où les ratios de vraisemblance approximés par la loi F permettent de valider l’inclusion de pentes aléatoires ou de composantes de covariance complexes reflétant la structure hiérarchique des observations psychologiques.
1.3 Statistique F observée versus valeur critique de F
Il est épistémologiquement indispensable d’établir une démarcation conceptuelle nette entre deux entités numériques fondamentales : la statistique F observée (souvent notée $F_{\text{obs}}$ ou $F_{\text{calculé}}$) et la valeur critique de F (notée $F_{\text{critique}}$ ou $F_{\alpha}$). La statistique F observée est une variable purement empirique, générée directement à partir des données collectées auprès d’un échantillon expérimental donné. Elle matérialise l’amplitude du ratio empirique entre la variance inter-conditions et la variance intra-conditions pour cette cohorte précise. En revanche, la valeur critique est une grandeur purement théorique, déterminée a priori indépendamment des mesures particulières obtenues sur le terrain. Elle dépend exclusivement de la distribution théorique de référence sous l’hypothèse nulle ($H_0$), du niveau de risque d’erreur consenti par le chercheur, et des degrés de liberté gouvernés par le protocole expérimental.
La confrontation entre ces deux grandeurs structure la règle de décision formelle selon le paradigme de Neyman-Pearson. Sous l’hypothèse nulle stipulant qu’il n’existe aucune différence réelle entre les populations d’où sont tirés les échantillons, la statistique empirique $F_{\text{obs}}$ devrait osciller au voisinage de la valeur 1. Cependant, en vertu des fluctuations d’échantillonnage, des valeurs plus élevées peuvent émerger par pur hasard stochastique. La valeur critique $F_{\text{critique}}$ correspond au seuil précis au-delà duquel la probabilité d’observer une valeur empirique aussi extrême sous $H_0$ devient inférieure ou égale au niveau de signification préétabli $\alpha$. Dès lors, la règle d’inférence s’énonce de manière binaire et non ambiguë : si $F_{\text{obs}} > F_{\text{critique}}$, le résultat se situe à l’intérieur de la région de rejet critique, contraignant le chercheur à rejeter formellement l’hypothèse nulle en faveur de l’hypothèse alternative ; dans le cas inverse, si $F_{\text{obs}} le F_{\text{critique}}$, les données ne fournissent pas d’évidence suffisante pour récuser l’hypothèse d’équivalence stochastique.
Une mauvaise identification de la valeur seuil théorique entraîne des conséquences désastreuses sur la validité interne des recherches. L’adoption involontaire d’une valeur critique erronée, issue par exemple d’une mauvaise assignation des degrés de liberté ou d’une mauvaise formulation du niveau de risque, détruit l’équilibre probabiliste du test. Si le seuil critique retenu s’avère inférieur au seuil théorique véritable, le taux réel d’erreur de première espèce (rejet erroné de l’hypothèse nulle alors qu’elle est vraie, soit le risque d’annoncer une fausse découverte) subit une inflation dramatique, excédant largement la borne nominale de 5 % traditionnellement tolérée. Réciproquement, un seuil artificiellement surévalué contracte la puissance statistique de l’expérimentation, augmentant de facto le risque d’erreur de seconde espèce ($\beta$) et conduisant à l’abandon prématuré d’hypothèses novatrices mais dont les effets, réels, demeurent masqués par un seuil méthodologiquement illégitime.
2. Les paramètres indispensables pour calculer la valeur critique de F
2.1 Le seuil de signification statistique (alpha)
Le premier paramètre requis pour dériver la valeur critique de Fisher-Snedecor réside dans la définition formelle du seuil de signification statistique, universellement symbolisé par la lettre grecque $\alpha$. Ce paramètre quantifie rigoureusement le risque maximal toléré par l’expérimentateur de commettre une erreur de première espèce, c’est-à-dire de conclure faussement à l’existence d’un effet expérimental systématique ou d’une divergence entre groupes alors que la variance observée procède exclusivement d’un bruit d’échantillonnage aléatoire. Dans la taxonomie probabiliste, $\alpha$ matérialise l’aire sous la courbe de la fonction de densité de probabilité de la loi F qui délimite la région de rejet située dans la queue supérieure de la distribution.
Dans l’histoire méthodologique des sciences comportementales et biomédicales, des conventions normatives strictes se sont progressivement cristallisées. Le standard canonique universellement déployé est fixé à $\alpha = 0{,}05$, une convention proposée historiquement par Ronald Fisher comme un compromis heuristique acceptable entre le scepticisme scientifique et la sensibilité de détection. Toutefois, selon la criticité des questions étudiées, d’autres seuils conventionnels sont fréquemment requis. Dans le cadre d’essais cliniques pharmacologiques ou d’études de réplication rigoureuse visant à conjurer la crise de la reproductibilité, des seuils plus conservateurs tels que $\alpha = 0{,}01$ ou $\alpha = 0{,}001$ sont couramment prescrits. À l’inverse, dans certaines phases exploratoires préliminaires ou études de faisabilité psychométrique sur petits échantillons, un seuil libéral de $\alpha = 0{,}10$ peut être ponctuellement toléré, bien que ses conclusions doivent systématiquement faire l’objet de confirmations ultérieures.
L’impact du niveau de tolérance $\alpha$ sur l’amplitude de la valeur critique requise est direct, continu et non linéaire. Plus l’exigence de rigueur s’accroît (c’est-à-dire plus la valeur numérique de $\alpha$ s’approche de zéro), plus la valeur critique $F_{\text{critique}}$ s’éloigne vers l’infini le long de l’axe horizontal des abscisses. Cet étirement de la frontière décisionnelle réduit drastiquement la surface de la région de rejet. Le tableau conceptuel ci-dessous illustre comment une réduction du risque consenti contraint le modèle à exiger des preuves empiriques substantiellement plus lourdes pour rejeter l’hypothèse nulle, déplaçant mécaniquement le seuil requis pour une configuration de degrés de liberté constante.
2.2 Les degrés de liberté du numérateur (dfn)
Le second paramètre cardinal indispensable au calcul de la valeur seuil correspond aux degrés de liberté associés au numérateur du ratio de Fisher, désignés de manière abrégée par l’acronyme $dfn$ (ou $df_1$, voire $\nu_1$ dans la littérature formaliste). Dans la modélisation de l’analyse de variance, le numérateur représente systématiquement la composante de variance attribuable aux facteurs expérimentaux contrôlés ou aux prédicteurs intégrés dans le modèle explicatif. Par conséquent, $dfn$ quantifie le nombre d’informations indépendantes mobilisées pour estimer la variabilité inter-groupes ou la dispersion expliquée par la régression.
Dans une ANOVA unifactorielle standard comportant $k$ modalités de traitement ou groupes indépendants, la formule de détermination s’établit très simplement par la relation algébrique $dfn = k – 1$. Cette soustraction d’une unité reflète la contrainte linéaire imposée par l’estimation préalable de la moyenne générale de l’échantillon total : dès lors que cette moyenne globale est fixée, seules $k – 1$ moyennes de groupes sont libres de varier de manière autonome. Dans le cadre d’une régression linéaire multiple impliquant $p$ variables explicatives indépendantes, le numérateur adoptera identiquement $dfn = p$ degrés de liberté, quantifiant le nombre de paramètres de pente ajustés simultanément pour capturer la structure de corrélation.
D’un point de vue morphologique, la valeur attribuée à $dfn$ exerce une influence déterminante sur le comportement initial de la courbe de densité de probabilité de Fisher. Lorsque $dfn = 1$ (ce qui équivaut mathématiquement au carré exact d’une distribution de Student à $dfd$ degrés de liberté), la courbe de densité présente une asymptote verticale plongeant vers l’infini lorsque la variable F tend vers zéro ; la densité décroît ensuite de façon strictement monotone. Dès lors que $dfn = 2$, la distribution adopte une allure exponentielle décroissante, débutant à une valeur finie strictement positive en zéro. Enfin, pour tout $dfn > 2$, la fonction de densité s’annule à l’origine, présente une montée initiale jusqu’à un pic unimodal caractéristique, puis décroît asymptotiquement vers zéro le long de son flanc droit. Cette dynamique morphologique altère profondément la localisation géométrique du quantile critique correspondant à la surface de rejet.
2.3 Les degrés de liberté du dénominateur (dfd)
Le troisième paramètre indispensable à la résolution de la valeur critique concerne les degrés de liberté du dénominateur, notés formellement $dfd$ (ou $df_2$, voire $\nu_2$). Dans l’architecture du test F, le dénominateur incarne le terme d’erreur statistique fondamentale, c’est-à-dire l’estimation de la variance résiduelle non contrôlée au sein des conditions expérimentales. Ces degrés de liberté traduisent le volume d’observations indépendantes demeurant disponibles pour estimer la variance d’erreur pure après que l’ensemble des moyennes des groupes a été estimé à partir des données.
Dans le schéma classique d’une ANOVA inter-sujets comprenant un effectif total de $N$ participants répartis à travers les $k$ groupes du protocole, les degrés de liberté résiduels sont rigoureusement formalisés par l’expression $dfd = N – k$. Cette formulation découle directement de la sommation des degrés de liberté internes à chaque groupe : pour chaque condition $j$ contenant $n_j$ sujets, l’estimation de la variance intra-groupe consomme un degré de liberté pour le calcul de la moyenne locale $\bar{X}_j$, laissant $n_j – 1$ contributions libres. La sommation sur l’ensemble des $k$ groupes génère ainsi $\sum_{j=1}^k (n_j – 1) = \sum n_j – k = N – k$. Dans un modèle de régression linéaire intégrant une constante et $p$ prédicteurs, cette métrique s’exprime identiquement par $N – p – 1$.
Une propriété analytique majeure de la distribution de Fisher-Snedecor réside dans son comportement asymptotique lorsque le nombre de sujets, et donc $dfd$, augmente vers l’infini. À mesure que $dfd to \infty$, l’incertitude pesant sur l’estimation de la variance intra-groupe résiduelle s’estompe en vertu de la loi des grands nombres, convergeant vers la vraie variance de la population $\sigma^2$. Sur le plan mathématique, le produit $dfn \times F$ converge alors en loi de manière absolue vers une distribution du Chi-deux à $dfn$ degrés de liberté. Pour l’expérimentateur, cette convergence signifie qu’à très grands échantillons, l’impact des variations d’effectifs sur la valeur critique devient infinitésimal, la valeur critique se stabilisant vers un plateau asymptotique invariant.
3. Présentation de l’écosystème Python pour le calcul statistique
3.1 Pourquoi privilégier Python dans la recherche expérimentale et psychométrique
L’analyse des données quantitatives en psychologie a longtemps été dominée par des logiciels commerciaux propriétaires dotés d’interfaces graphiques fermées, à l’instar d’IBM SPSS Statistics, de SAS ou de Statistica. Bien que ces outils aient favorisé la démocratisation des tests d’hypothèses, ils ont simultanément engendré des dérives méthodologiques majeures : opacité des algorithmes sous-jacents, propension aux manipulations manuelles non documentées via des menus déroulants, et rigidité structurelle empêchant l’intégration fluide des calculs statistiques au sein de pipelines de données dynamiques. Depuis le milieu des années 2010, un mouvement massif de transition vers des environnements programmatiques ouverts a redéfini les standards de la recherche expérimentale.
L’adoption du langage de programmation Python au sein des laboratoires universitaires et des départements de R&D répond à l’exigence impérative de reproductibilité intégrale imposée par les chartes contemporaines de la science ouverte. Un script Python matérialise de manière explicite, séquentielle et inaltérable l’intégralité du protocole analytique, depuis le nettoyage des signaux psychophysiologiques bruts jusqu’au calcul algorithmique précis des seuils d’inférence. Ce code source peut être archivé, audité publiquement, partagé sur des dépôts ouverts tels que l’Open Science Framework (OSF) et réexécuté à l’identique par des équipes indépendantes, éliminant ainsi toute ambiguïté sur la méthode employée pour dériver une valeur critique ou tester une hypothèse.
Au-delà de la reproductibilité, Python se distingue par sa versatilité et son interopérabilité industrielle. Dans un laboratoire moderne de neurosciences computationnelles ou de psychophysique, le même langage sert à programmer les interfaces de stimulation comportementale (via des bibliothèques telles que PsychoPy), à prétraiter les séries temporelles électroencéphalographiques ou de neuro-imagerie fonctionnelle (via MNE-Python ou NiBabel), et à réaliser l’ensemble des modélisations statistiques et apprentissages automatiques (via SciPy, Statsmodels et Scikit-Learn). Cette unification de la chaîne computationnelle éradique les pertes de précision et les risques de corruption de données inhérents aux conversions manuelles de fichiers entre logiciels hétérogènes.
3.2 La bibliothèque SciPy et le sous-module scipy.stats
Au cœur de l’écosystème scientifique de Python s’articule la bibliothèque SciPy, un méta-paquet fournissant des algorithmes hautement optimisés pour l’algèbre linéaire, l’intégration numérique, l’optimisation non linéaire et l’analyse statistique. Au sein de cette architecture, le sous-module spécialisé scipy.stats constitue la référence académique absolue pour le traitement des variables aléatoires, qu’elles soient discrètes ou continues. Ce sous-module ne se limite pas à quelques fonctions utilitaires isolées : il implémente une hiérarchie de classes unifiées modélisant rigoureusement plus de cent distributions de probabilité continues.
Chaque distribution continue intégrée dans scipy.stats hérite d’une classe de base générique (rv_continuous) qui garantit une cohérence syntaxique totale à travers l’ensemble de la bibliothèque. Pour la distribution de Fisher-Snedecor, l’objet correspondant est instancié sous le symbole canonique scipy.stats.f. Cet objet encapsule des routines mathématiques extrêmement sophistiquées, conçues pour calculer avec une précision numérique maximale la densité de probabilité (pdf), la fonction de répartition cumulative (cdf), la fonction quantile inverse (ppf) et les tirages de variables pseudo-aléatoires selon la loi étudiée (rvs).
La précision algorithmique sous-jacente aux méthodes de scipy.stats s’appuie historiquement sur des bibliothèques logicielles de bas niveau écrites en C et Fortran, notamment les célèbres routines issues de la bibliothèque Cephes. Le calcul des quantiles de la distribution de Fisher ne procède pas d’approximations empiriques grossières, mais d’inversions de fractions continues représentant la fonction bêta incomplète régularisée, résolues par des méthodes d’optimisation numérique de type Newton-Raphson ou Halley avec un contrôle strict des erreurs d’arrondi à virgule flottante en double précision standard IEEE 754. Cette robustesse computationnelle garantit l’obtention de valeurs critiques fiables jusqu’à la quinzième décimale, bien au-delà des exigences requises par les revues scientifiques les plus rigoureuses.
3.3 Configuration de l’environnement de travail et dépendances
Pour assurer une stabilité absolue des calculs computationnels et prévenir tout risque d’incompatibilité entre versions logicielles, la mise en place d’un environnement de travail isolé constitue un prérequis méthodologique fondamental. L’utilisation d’environnements virtuels, via l’outil natif venv ou le gestionnaire multiplateforme conda, garantit que les versions spécifiques des bibliothèques statistiques utilisées dans une étude psychométrique demeurent figées et immunisées contre d’éventuelles mises à jour du système d’exploitation hôte.
L’initialisation d’un environnement hermétique dédié à l’analyse quantitative s’effectue usuellement au moyen d’un terminal en exécutant la commande d’isolation standard suivante :
python -m venv env_psychometrie
Une fois cet environnement activé conformément aux spécifications du système d’exploitation utilisé (via source env_psychometrie/bin/activate sous Linux et macOS, ou via env_psychometrieScriptsactivate sous Windows), l’installation rigoureuse des briques logicielles fondamentales peut être opérée à l’aide de l’utilitaire d’installation officiel de Python :
pip install numpy scipy matplotlib pandas
Une bonne pratique de recherche computationnelle consiste à consigner formellement les métadonnées de versions au sein de chaque script d’analyse statistique, garantissant qu’une analyse exécutée plusieurs années après sa conception originale bénéficiera d’une traçabilité documentaire irréprochable. L’inspection des versions installées peut être intégrée de manière programmatique au préambule du script analytique :
import scipy
import numpy as np
print(f"Version de SciPy : {scipy.__version__}")
print(f"Version de NumPy : {np.__version__}")
4. La fonction scipy.stats.f.ppf : syntaxe, mécanique et fonctionnement interne
4.1 Définition de la fonction de répartition inverse (Percent Point Function)
Pour extraire la valeur critique théorique d’une loi de probabilité dans l’écosystème SciPy, la méthode centrale à mobiliser est la méthode ppf, acronyme désignant la Percent Point Function. Dans le champ des probabilités et de l’analyse mathématique formelle, cette fonction est universellement connue sous la désignation de fonction quantile. Elle correspond rigoureusement à l’inverse mathématique de la fonction de répartition cumulative (habituellement notée $F(x)$ ou CDF, pour Cumulative Distribution Function).
Rappelons que la fonction de répartition $F(x) = P(X le x)$ calcule, pour une valeur d’abscisse $x$ donnée le long de la distribution continue, la probabilité cumulée que la variable aléatoire $X$ prenne une valeur inférieure ou égale à $x$. Cette fonction établit donc une application monotone croissante de l’ensemble des réels positifs vers l’intervalle de probabilité $[0, 1]$. La fonction de répartition inverse réalise l’opération topologique rigoureusement inverse : recevant en entrée un niveau de probabilité cumulative $q in [0, 1]$, elle renvoie l’unique point d’abscisse $x_q$ satisfaisant l’égalité probabiliste fondamentale :
$$P(X le x_q) = q iff x_q = F^{-1}(q)$$
Dans le contexte spécifique des tests d’hypothèses statistiques unilatéraux menés sur la queue droite de la distribution — ce qui est le cas canonique de l’immense majorité des tests d’ANOVA et de régression — l’expérimentateur ne cherche pas à délimiter la masse de probabilité inférieure, mais bien le seuil supérieur au-delà duquel ne subsiste qu’une fraction marginale de la distribution équivalente au risque $\alpha$. La méthode ppf s’impose ainsi comme l’opérateur algorithmique direct permettant d’identifier le point de démarcation géométrique exact découpant l’aire sous la courbe en deux compartiments : l’un conservateur contenant $1 – \alpha$ de probabilité, et l’autre critique contenant l’aire d’exclusion $\alpha$.
4.2 Décomposition formelle des arguments : q, dfn et dfd
La mise en œuvre de la méthode scipy.stats.f.ppf requiert la spécification rigoureuse de trois arguments positionnels ou nommés obligatoires. La signature formelle de cette méthode s’exprime selon la syntaxe Python suivante :
scipy.stats.f.ppf(q, dfn, dfd, loc=0, scale=1)
Bien que les paramètres optionnels d’emplacement (loc) et d’échelle (scale) existent structurellement en vertu de l’héritage de la classe générique des distributions continues, ils doivent impérativement être maintenus à leurs valeurs canoniques par défaut (respectivement 0 et 1) dans toute application inférentielle standard. Une modification de ces valeurs détruirait en effet l’adéquation du modèle avec la distribution centrale de Fisher théorique. Les trois paramètres opérationnels se décomposent ainsi :
q(float ou array_like) : Spécifie le niveau de probabilité cumulative unilatérale pour lequel le quantile doit être résolu. Pour identifier un seuil critique correspondant à une région de rejet à droite au seuil $\alpha$, la valeur transmise à cet argument doit impérativement être la probabilité complémentaire, c’est-à-dire $q = 1 – \alpha$.dfn(float ou array_like) : Définit les degrés de liberté associés au numérateur du ratio de variance. Ce paramètre doit être un réel strictement positif. Bien que généralement entier dans les plans d’ANOVA classiques, SciPy supporte parfaitement des valeurs flottantes non entières, nécessaires lors de modélisations mixtes avancées.dfd(float ou array_like) : Définit les degrés de liberté rattachés au dénominateur du ratio de variance. Identiquement, ce paramètre requiert une valeur numérique strictement positive ($dfd > 0$), entière ou décimale.
4.3 Gestion de la probabilité cumulative unilatérale
L’une des erreurs conceptuelles les plus fréquemment répertoriées chez les analystes novices réside dans l’injection directe du niveau de risque nominal $\alpha$ comme argument de probabilité dans la fonction ppf, en exécutant par exemple scipy.stats.f.ppf(0.05, dfn, dfd). Une telle syntaxe produit un contresens méthodologique radical : elle ordonne à l’algorithme d’extraire le 5e centile de la distribution de Fisher, c’est-à-dire une valeur située à l’extrême gauche de la courbe, délimitant les 5 % de valeurs les plus proches de zéro. Or, dans une analyse de variance, une valeur expérimentale extrêmement faible de $F$ traduit simplement une variabilité inter-groupes inférieure au bruit de mesure résiduel, ce qui ne constitue en aucun cas une preuve à charge contre l’hypothèse nulle.
La région de rejet de l’ANOVA est conventionnellement située dans la queue supérieure de la distribution de Fisher. En effet, un effet substantiel induit par les conditions de recherche entraîne mécaniquement une augmentation du carré moyen inter-groupes, ce qui propulse la statistique $F_{\text{obs}}$ vers des valeurs largement supérieures à 1. Par conséquent, pour localiser la valeur seuil qui isole les $\alpha \times 100 %$ d’observations les plus extrêmes dans l’extrémité droite de la courbe, il est mathématiquement indispensable de stipuler une probabilité cumulée à gauche égale au complément à un :
$$q = 1 – \alpha$$
L’intégration de cette relation garantit formellement que l’intégrale de la fonction de densité de probabilité $f(x)$ étendue de la valeur critique ainsi calculée $F_{\text{critique}}$ jusqu’à l’infini positif coïncide rigoureusement avec le niveau d’erreur de première espèce décrété dans le protocole expérimental :
$$\int_{F_{\text{critique}}}^{+\infty} f(x; dfn, dfd) , dx = \alpha$$
5. Tutoriel pas à pas : calcul de la valeur critique F en Python
5.1 Importation ciblée des modules et préparation du script
Pour garantir une structure logicielle lisible, modulaire et parfaitement conforme aux recommandations conventionnelles de style de code PEP 8, il convient de privilégier une importation ciblée des sous-modules plutôt qu’une importation indifférenciée de l’intégralité du métapaquet SciPy. L’importation sélective de l’objet f à partir de scipy.stats allège l’espace de noms global tout en clarifiant la sémantique computationnelle du script.
La préparation rigoureuse d’un script d’évaluation décisionnelle impose de déclarer en préambule les constantes du plan expérimental sous forme de variables immuables explicites. Cette pratique élimine le recours néfaste aux valeurs codées en dur (magic numbers) dispersées dans le corps du code, facilitant l’audit et l’adaptabilité future du script. La structure minimale recommandée pour un script d’évaluation décisionnelle se configure ainsi :
from scipy.stats import f
# Définition formelle des paramètres du protocole expérimental
ALPHA = 0.05 # Seuil de signification nominal (risque de type I)
NOMBRE_CONDITIONS = 3 # Facteur expérimental à 3 modalités
TAILLE_ECHANTILLON = 60 # Cohorte globale de participants
5.2 Exécution standard avec alpha = 0,05
Considérons à présent une étude psychométrique appliquée visant à évaluer l’efficacité différentielle de trois protocoles distincts de remédiation cognitive administrés à des patients souffrant de déficits attentionnels consécutifs à un traumatisme crânien léger. L’échantillon comprend au total 60 participants alloués de manière équilibrée à raison de 20 sujets par condition expérimentale. Dans cette configuration, les degrés de liberté nécessaires pour calculer la valeur critique de Fisher sont directement dérivés des dimensions du dispositif :
Le degré de liberté du numérateur s’établit par soustraction d’une unité au nombre de modalités thérapeutiques : $dfn = 3 – 1 = 2$. Le degré de liberté du dénominateur résulte de la soustraction du nombre de groupes à l’effectif global réuni : $dfd = 60 – 3 = 57$.
L’interrogation computationnelle de la fonction quantile s’exécute par l’envoi du quantile complémentaire $1 – \alpha = 0{,}95$ combiné à ces paramètres structurels :
# Calcul dynamique des degrés de liberté
dfn = NOMBRE_CONDITIONS - 1
dfd = TAILLE_ECHANTILLON - NOMBRE_CONDITIONS
# Résolution de la valeur critique F théorique
f_critique = f.ppf(q=1 - ALPHA, dfn=dfn, dfd=dfd)
# Inspection du type de donnée et de la magnitude brute
print("Valeur brute générée :", f_critique)
print("Type primitif de la variable :", type(f_critique))
L’exécution de ce fragment de code renvoie une sortie brute d’une grande précision numérique, typiquement 3.158842719273297, instanciée sous la forme d’un objet scalaire numpy.float64. Ce résultat démontre que la statistique empirique calculée sur les données devra strictement dépasser le seuil d’environ 3,16 pour que l’analyste puisse légitimement conclure à une divergence significative des performances attentionnelles entre les trois thérapies.
5.3 Formatage et contextualisation académique du résultat numérique
Dans la rédaction de rapports scientifiques soumis aux normes de publication de l’American Psychological Association (APA 7e édition), l’affichage de valeurs numériques brutes non formatées comportant une cascade excessive de décimales est formellement proscrit. Les normes académiques imposent un arrondi typographique rigoureux, généralement calibré à deux ou trois décimales après la virgule pour les grandeurs de test inférentielles, accompagné de l’explicitation formelle des degrés de liberté associés.
Python fournit un mécanisme puissant pour structurer ces affichages via les chaînes de caractères formatées (f-strings). Il est ainsi aisé de confronter immédiatement la valeur seuil théorique à une statistique $F_{\text{obs}}$ simulée, par exemple $F = 4{,}12$, issue des données mesurées sur l’échantillon clinique :
# Statistique observée issue du traitement empirique des données
f_observe = 4.12
# Formatage conforme aux standards académiques internationaux
rapport_statistique = (
f"F_crit({dfn}, {dfd}) = {f_critique:.3f} (au seuil alpha = {ALPHA})n"
f"F_obs({dfn}, {dfd}) = {f_observe:.3f}"
)
print(rapport_statistique)
# Verdict inférentiel automatisé
if f_observe > f_critique:
print("Décision : Rejet formel de l'hypothèse nulle (H0). Effet significatif.")
else:
print("Décision : Non-rejet de l'hypothèse nulle (H0). Effet non significatif.")
6. Variations selon les seuils de signification classiques en psychométrie
6.1 Calcul au seuil strict de alpha = 0,01 pour les études sensibles
L’ajustement du seuil de décision au niveau plus contraignant de $\alpha = 0{,}01$ constitue une pratique méthodologique recommandée dès lors qu’une fausse conclusion positive engendre des conséquences préjudiciables importantes. En recherche comportementale, cette configuration intervient classiquement lors de l’évaluation de protocoles pharmacothérapeutiques invasifs couplés à des thérapies cognitives, ou au cours d’expérimentations de réplication visant à confirmer de manière irréfutable un résultat controversé. Réduire le risque d’erreur d’acceptation indue de 5 % à 1 % impose un déplacement substantiel du curseur critique vers la droite.
Sur le plan de l’implémentation logicielle, cette modification s’opère par l’introduction d’une probabilité cumulée transmise de $q = 1 – 0{,}01 = 0{,}99$. Reprenant nos degrés de liberté précédents ($dfn = 2, dfd = 57$), le script s’articule ainsi :
f_crit_01 = f.ppf(0.99, dfn=2, dfd=57)
print(f"Valeur critique au seuil alpha=0.01 : {f_crit_01:.3f}")
L’exécution de cet appel numérique génère une valeur critique de 5.002. La comparaison de cette valeur avec le seuil précédent de 3.159 met en lumière l’ampleur du durcissement décisionnel. Pour être jugé recevable à ce niveau de sévérité statistique, le ratio de variance issu de l’expérimentation clinique doit franchir un seuil nettement plus élevé. Ce conservatisme méthodologique comprime considérablement l’aire de rejet et minore la puissance statistique du dispositif si l’effectif global n’est pas préalablement réajusté via une analyse de puissance a priori.
6.2 Calcul au seuil conventionnel de alpha = 0,05 en recherche comportementale
Le seuil de $\alpha = 0{,}05$ demeure le point d’équilibre historique le plus couramment adopté dans la littérature scientifique internationale. Il matérialise un compromis équilibré entre la protection légitime contre le risque d’erreur de première espèce et le maintien d’une sensibilité expérimentale suffisante pour détecter des tailles d’effet moyennes sans nécessiter des cohortes de participants prohibitifs. Les bibliothèques statistiques de Python permettent d’automatiser le calcul de ce seuil non seulement pour une cellule isolée, mais également de manière vectorisée à travers de multiples configurations d’échantillonnage.
Grâce à la vectorisation native offerte conjointement par NumPy et SciPy, il est possible d’évaluer simultanément comment la valeur critique à $\alpha = 0{,}05$ évolue lorsque l’effectif total par condition varie de 10 à 50 sujets par palier de 10, pour un plan fixe à 4 conditions ($dfn = 3$) :
import numpy as np
conditions = 4
sujets_par_groupe = np.array([10, 20, 30, 40, 50])
dfd_array = (sujets_par_groupe * conditions) - conditions
dfn_fixe = conditions - 1
# Calcul vectorisé des valeurs critiques
seuils_critiques = f.ppf(0.95, dfn=dfn_fixe, dfd=dfd_array)
for n, dfd_val, f_crit in zip(sujets_par_groupe, dfd_array, seuils_critiques):
print(f"n par groupe = {n:2d} | dfd = {dfd_val:3d} | F_crit(0.05) = {f_crit:.3f}")
Ce traitement vectorisé illustre avec clarté la décélération asymptotique de la valeur critique : passant de 2,866 pour 10 sujets par groupe à 2,651 pour 50 sujets par groupe, le seuil montre un gain de stabilité rapide dès lors que la cohorte globale dépasse la centaine d’observations.
6.3 Calcul exploratoire au seuil de alpha = 0,10 et considérations sur la puissance
Le recours à un seuil de signification de $\alpha = 0{,}10$ représente une posture méthodologique singulière qui ne saurait être tolérée que dans des circonstances de recherche scrupuleusement encadrées. Cette configuration intervient typiquement dans les phases pilotes d’exploration psychométrique, où l’investigateur cherche à identifier des tendances empiriques potentielles afin de calibrer ultérieurement un devis expérimental à grande échelle. L’instruction programmatique requiert alors l’évaluation du 90e centile de la distribution :
f_crit_10 = f.ppf(0.90, dfn=2, dfd=57)
print(f"Valeur critique exploratoire (alpha=0.10) : {f_crit_10:.3f}")
La valeur numérique obtenue dans ce contexte est de 2.404. Si un tel abaissement de la frontière décisionnelle accroît mécaniquement la puissance statistique du test en augmentant les chances d’observer un résultat situé au-delà de la valeur critique, il induit simultanément une vulnérabilité épistémologique majeure. En tolérant un taux de faux positifs d’une occurrence sur dix sous l’hypothèse nulle, le chercheur s’expose à une inflation substantielle du risque d’enregistrer des artéfacts stochastiques. Dans la pratique académique contemporaine, toute inférence établie à ce seuil doit être formellement libellée comme préliminaire, et ne saurait faire office de validation définitive d’un effet psychologique sans réplication confirmatoire ultérieure à des seuils standards.
7. Application concrète dans le cadre d’une ANOVA à un facteur
7.1 Contexte expérimental : évaluation de trois protocoles de remédiation cognitive
Afin de concrétiser la chaîne computationnelle complète au sein d’une problématique scientifique appliquée, structurons un scénario de recherche complet issu de la neuropsychologie cognitive expérimentale. Imaginons un essai contrôlé randomisé conçu pour tester l’impact différentiel de trois modalités de prise en charge attentionnelle chez des patients adultes présentant un trouble déficitaire de l’attention avec hyperactivité (TDAH). Les trois modalités expérimentales s’établissent comme suit :
- Groupe 1 (Groupe Contrôle sur liste d’attente) : Les participants ne reçoivent aucun entraînement structuré spécifique au cours de la période d’observation.
- Groupe 2 (Entraînement cognitif informatisé traditionnel) : Les participants effectuent des exercices standardisés de mémoire de travail et d’attention sélective sur ordinateur pendant six semaines.
- Groupe 3 (Programme de remédiation assisté par neurofeedback) : Les participants s’entraînent sur une tâche attentionnelle couplée à un biofeedback en temps réel modulant l’amplitude de leurs rythmes sensorimoteurs cérébraux.
La variable dépendante retenue est le score standardisé de performance continue (mesuré via le test TOVA), évalué à l’issue des six semaines de protocole. Les hypothèses statistiques sous-jacentes s’articulent formellement :
$$H_0 : \mu_1 = \mu_2 = \mu_3$$
$$H_1 : \exists (i, j) \text{ tel que } \mu_i \neq \mu_j$$
Les données fictives mais représentatives recueillies auprès de 10 participants par groupe peuvent être structurées directement sous la forme de tableaux NumPy :
# Données empiriques des trois groupes (scores au test d'attention continue)
groupe_controle = np.array([45.2, 48.1, 43.8, 47.0, 42.5, 46.3, 44.9, 41.7, 49.0, 43.6])
groupe_informatise = np.array([52.1, 54.3, 49.8, 55.0, 51.2, 53.4, 50.7, 48.9, 56.1, 52.8])
groupe_neurofeed = np.array([58.4, 61.2, 57.1, 62.5, 59.0, 60.3, 56.8, 63.1, 59.7, 61.9])
donnees_experimentales = [groupe_controle, groupe_informatise, groupe_neurofeed]
7.2 Extraction programmée des degrés de liberté
Dans un flux d’analyse de données automatisé et sécurisé, il est impératif de bannir la saisie manuelle rigide des paramètres structurels. Les degrés de liberté du modèle doivent être dérivés directement des structures de données en mémoire à l’aide d’instructions programmatiques. Cette précaution garantit que si une modification ultérieure intervient sur le jeu de données (par exemple, l’exclusion motivée d’un participant présentant des valeurs aberrantes extrêmes ou l’adjonction de nouveaux sujets au protocole), l’ensemble des degrés de liberté et la valeur critique correspondante s’ajusteront automatiquement de manière dynamique sans aucune intervention humaine manuelle.
L’extraction dynamique des paramètres dimensionnels peut être orchestrée à l’aide des fonctions natives de Python :
# Extraction automatisée des degrés de liberté
k_groupes = len(donnees_experimentales)
tailles_groupes = [len(groupe) for groupe in donnees_experimentales]
N_total = sum(tailles_groupes)
# Calcul déterministe des degrés de liberté
dfn_auto = k_groupes - 1
dfd_auto = N_total - k_groupes
print(f"Nombre total d'observations (N) : {N_total}")
print(f"Degrés de liberté numérateur (dfn) : {dfn_auto}")
print(f"Degrés de liberté dénominateur (dfd) : {dfd_auto}")
Pour cette cohorte globale réunissant $N = 30$ observations subdivisées à travers 3 groupes, le calcul dynamique dérive avec certitude $dfn = 2$ et $dfd = 27$, éliminant de facto tout risque d’erreur d’inadvertance humaine lors de l’assignation des paramètres au modèle de test.
7.3 Établissement du verdict décisionnel statistique
Pour parachever l’arbitrage formel de l’ANOVA, nous calculons conjointement la statistique F observée au moyen du sous-module scipy.stats.f_oneway, la valeur critique théorique correspondante via f.ppf, et enfin la probabilité critique exacte associée ($p$-valeur) via la fonction de survie (ou le complément de la fonction de répartition). Le script assemble ensuite ces composantes pour générer une décision scientifique automatisée et rigoureusement documentée :
from scipy.stats import f_oneway, f
ALPHA_TEST = 0.05
# Exécution de l'ANOVA unifactorielle sur les données empiriques
f_stat, p_valeur = f_oneway(*donnees_experimentales)
# Calcul de la valeur seuil théorique au seuil choisi
f_seuil = f.ppf(1 - ALPHA_TEST, dfn=dfn_auto, dfd=dfd_auto)
print("=== RÉSULTATS DE L'ÉVALUATION EXPÉRIMENTALE ===")
print(f"Statistique F observée : {f_stat:.4f}")
print(f"Valeur critique F ({dfn_auto}, {dfd_auto}) : {f_seuil:.4f}")
print(f"Probabilité exacte (p-value) : {p_valeur:.4e}")
# Arbitrage d'inférence statistique formelle
if f_stat > f_seuil:
print("nConclusion : La statistique empirique excède la valeur critique.")
print("Décision méthodologique : Rejet formel de H0 au seuil alpha = 0.05.")
print("Interprétation : Les modalités thérapeutiques induisent des scores "
"d'attention continue significativement différenciés.")
else:
print("nConclusion : La statistique empirique n'atteint pas le seuil critique.")
print("Décision méthodologique : Maintien de l'hypothèse nulle (H0).")
print("Interprétation : Absence de preuve empirique suffisante pour affirmer "
"une divergence d'efficacité entre les protocoles.")
Dans cette démonstration empirique, les performances nettement contrastées générées par les données simulées propulsent la statistique observée à un niveau très élevé ($F_{\text{obs}} gg 3{,}35$), déclenchant sans équivoque le rejet de l’hypothèse nulle d’équivalence thérapeutique, ce qui autorise les investigateurs à conduire ultérieurement des comparaisons multiples post-hoc (telles que le test HSD de Tukey) pour localiser la source spécifique des écarts entre les trois prises en charge.
8. Utilisation alternative avec la fonction de survie inverse : scipy.stats.f.isf
8.1 Comprendre la Survival Function (SF) et son inverse (ISF)
Bien que l’usage de la fonction quantile ppf soit largement répandu dans la communauté scientifique, la bibliothèque SciPy met à disposition une méthode alternative d’une élégance mathématique et conceptuelle remarquable pour l’identification des seuils critiques : la fonction isf, acronyme désignant l’Inverse Survival Function (ou fonction de survie inverse). Pour appréhender son fonctionnement, il convient d’expliciter au préalable la notion de fonction de survie (Survival Function, notée SF).
Dans la théorie formelle des probabilités continues, la fonction de survie $S(x)$ — parfois dénommée fonction de répartition complémentaire — est définie comme la probabilité que la variable aléatoire prenne une valeur strictement supérieure à une abscisse donnée :
$$S(x) = P(X > x) = 1 – F(x)$$
La fonction de survie quantifie donc directement la masse de probabilité résiduelle logée dans la queue droite supérieure de la distribution au-delà d’un point $x$. L’inverse de cette fonction, l’ISF ($S^{-1}$), résout l’équation réciproque : étant donné un niveau de risque résiduel $\alpha$ localisé dans la queue supérieure, elle retourne la coordonnée spatiale $x_{\alpha}$ telle que la probabilité d’excéder ce point soit exactement égale à $\alpha$ :
$$S(x_{\alpha}) = \alpha iff x_{\alpha} = S^{-1}(\alpha)$$
L’utilisation de la fonction isf permet ainsi d’éliminer la nécessité arithmétique de spécifier le complément à un ($1 – \alpha$), autorisant le chercheur à transmettre directement le seuil d’erreur de première espèce nominal à la fonction.
8.2 Comparaison syntaxique et algorithmique entre f.ppf et f.isf
Sur le plan de l’écriture logicielle, le recours à f.isf fluidifie la lecture du code source et minimise les ambiguïtés sémantiques. L’opérateur n’a plus à expliciter mentalement la soustraction de la probabilité cumulée à gauche, ce qui supprime l’un des vecteurs d’erreurs les plus classiques chez les praticiens non mathématiciens. Examinons le parallélisme structurel absolu qui unit ces deux approches dans SciPy :
from scipy.stats import f
alpha = 0.05
dfn = 2
dfd = 57
# Approche classique via la Percent Point Function (requiert 1 - alpha)
critique_ppf = f.ppf(1 - alpha, dfn, dfd)
# Approche alternative via l'Inverse Survival Function (prend directement alpha)
critique_isf = f.isf(alpha, dfn, dfd)
print(f"Résultat via f.ppf(1 - alpha) : {critique_ppf:.10f}")
print(f"Résultat via f.isf(alpha) : {critique_isf:.10f}")
print(f"Identité exacte des objets : {np.isclose(critique_ppf, critique_isf)}")
Sur les plages conventionnelles de seuil statistique (comme 0,05 ou 0,01), les deux instructions renvoient des grandeurs rigoureusement identiques au niveau de la représentation binaire en virgule flottante double précision. Le choix entre les deux syntaxes relève principalement de la politique de style adoptée par l’équipe de recherche, bien que f.isf s’impose par sa cohérence immédiate avec la définition textuelle de l’aire de rejet critique à droite.
8.3 Avantages de précision numérique aux extrémités de la distribution
L’avantage cardinal de la fonction isf sur la fonction ppf ne réside pas uniquement dans son élégance syntaxique, mais également dans sa robustesse algorithmique lors du traitement de seuils de signification infinitésimaux. Dans certains champs quantitatifs de pointe — tels que les études d’association pangénomique (GWAS) corrélant des milliers de polymorphismes génétiques à des phénotypes cognitifs, ou l’imagerie par résonance magnétique fonctionnelle (IRMf) exigeant des corrections drastiques pour tests multiples (correction de Bonferroni à des échelles de l’ordre de $10^{-7}$ ou $10^{-9}$) —, les seuils $\alpha$ adoptent des amplitudes extrêmement faibles.
Lorsque l’on calcule $1 – \alpha$ en arithmétique à virgule flottante sous la norme IEEE 754 pour une valeur telle que $\alpha = 1 \times 10^{-16}$, l’opération subit un phénomène délétère d’annihilation numérique ou de perte de précision par absorption : la soustraction est écrasée par la limite des 53 bits de mantisse, résultant en une valeur exactement arrondie à 1.0. Dès lors, exécuter f.ppf(1.0, dfn, dfd) renvoie mathématiquement la valeur inf (l’infini), rendant le seuil inutilisable. En revanche, l’algorithme f.isf évalue la queue supérieure directement via des développements asymptotiques dédiés sans jamais passer par le complément arithmétique de 1, préservant une précision computationnelle intégrale même pour des seuils arbitrairement proches de zéro :
alpha_extreme = 1e-12
# La soustraction arithmétique altère la stabilité de l'opération standard
crit_ppf_ext = f.ppf(1 - alpha_extreme, 5, 100)
# L'évaluation directe via ISF préserve l'intégrité de la queue de distribution
crit_isf_ext = f.isf(alpha_extreme, 5, 100)
print(f"Seuil F extrait pour alpha=1e-12 via f.isf : {crit_isf_ext:.6f}")
9. Visualisation graphique de la distribution et de la valeur critique
9.1 Génération de la courbe de densité F avec NumPy et SciPy
L’appréhension intuitive et la communication scientifique des résultats inférentiels sont considérablement enrichies par la production de représentations graphiques de haute qualité vectorielle. Visualiser la distribution d’échantillonnage théorique, la ligne de démarcation marquant la valeur critique et la localisation précise de la statistique empirique mesurée confère une transparence immédiate à la décision méthodologique. Cette modélisation graphique s’élabore à l’aide de NumPy pour l’espace vectoriel et de Matplotlib pour le rendu pictural.
La première phase opératoire réside dans la discrétisation du support d’abscisse. Pour ce faire, nous créons un vecteur de points équidistants le long de l’axe réel positif via la fonction np.linspace. L’intervalle doit couvrir le champ des valeurs pertinentes, débutant légèrement au-dessus de zéro et s’étirant au-delà du seuil critique attendu afin d’offrir une vision équilibrée de la décroissance de la queue de distribution. La hauteur d’ordonnée correspondant à chaque abscisse est quantifiée en sollicitant la fonction de densité de probabilité scipy.stats.f.pdf :
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import f
# Paramétrage structurel de la distribution de référence
dfn_plot, dfd_plot = 3, 40
alpha_plot = 0.05
# Calcul déterministe du seuil critique de rejet
f_crit_plot = f.ppf(1 - alpha_plot, dfn_plot, dfd_plot)
# Échantillonnage de l'axe des abscisses
x = np.linspace(0.01, 6.0, 1000)
# Évaluation continue de la fonction de densité de probabilité (PDF)
y_pdf = f.pdf(x, dfn_plot, dfd_plot)
# Initialisation de la figure selon les normes de rendu académique
plt.figure(figsize=(10, 6), dpi=300)
plt.plot(x, y_pdf, label=f"Densité F({dfn_plot}, {dfd_plot})", color="#1f77b4", lw=2.5)
9.2 Coloration de la région de rejet au-delà du seuil critique
L’élément graphique déterminant d’un tracé de distribution d’inférence réside dans l’identification visuelle immédiate de la zone d’exclusion statistique. Cette zone d’exclusion s’étend de la valeur critique théorique $F_{\text{critique}}$ jusqu’à la limite droite du tracé. Elle représente une masse surfacique sous la courbe rigoureusement équivalente au niveau $\alpha$ sélectionné.
La bibliothèque Matplotlib intègre la fonction hautement optimisée fill_between, qui permet de colorer l’aire comprise entre l’axe des abscisses et la courbe de densité pour l’intervalle restreint $[F_{\text{critique}}, +\infty[$. Conjointement, le tracé d’une ligne verticale discontinue matérialise la frontière orthogonale découpant l’espace de décision :
# Échantillonnage spécifique de l'intervalle critique supérieur
x_rejet = np.linspace(f_crit_plot, 6.0, 500)
y_rejet = f.pdf(x_rejet, dfn_plot, dfd_plot)
# Remplissage chromatique de la région critique de rejet (alpha)
plt.fill_between(x_rejet, y_rejet, color="#d62728", alpha=0.4,
label=f"Région de rejet (alpha = {alpha_plot})")
# Matérialisation de la démarcation critique verticale
plt.axvline(x=f_crit_plot, color="#d62728", linestyle="--", lw=2,
label=f"F critique = {f_crit_plot:.2f}")
# Ajout d'une flèche d'annotation textuelle pour identifier le seuil décisionnel
plt.annotate(f"Seuil critique : {f_crit_plot:.2f}",
xy=(f_crit_plot, f.pdf(f_crit_plot, dfn_plot, dfd_plot)),
xytext=(f_crit_plot + 0.6, f.pdf(f_crit_plot, dfn_plot, dfd_plot) + 0.1),
arrowprops=dict(facecolor="black", shrink=0.08, width=1, headwidth=6))
9.3 Superposition de la statistique observée et contextualisation finale
Pour parachever la construction sémiotique de la figure et permettre au lecteur d’appréhender instantanément l’issue du test, la statistique observée empirique issue des données expérimentales doit être intégrée dans le même repère cartésien à l’aide d’une marque graphique contrastée. Si cette valeur observée s’insère à l’intérieur de la surface hachurée ou colorée en rouge, l’effet est immédiatement reconnu comme statistiquement significatif ; si elle se positionne en deçà, dans la zone blanche de la distribution, le lecteur identifie visuellement le non-rejet de l’hypothèse nulle.
L’assemblage finalise l’agencement esthétique de la figure par l’introduction d’un repère ponctuel marquant la statistique observée, de titres rigoureux, d’une grille contextuelle discrète, et prépare l’exportation vers des formats vectoriels haute définition conformes aux directives des éditeurs scientifiques :
# Statistique expérimentale empirique simulée
f_observe_exp = 3.85
# Insertion de la statistique observée
plt.axvline(x=f_observe_exp, color="#2ca02c", linestyle="-", lw=2.5,
label=f"F observé = {f_observe_exp:.2f}")
# Ajustement des étiquettes et du titre institutionnel
plt.title(f"Test F d'inférence : Densité théorique et localisation critiquen"
f"F({dfn_plot}, {dfd_plot}) au seuil nominal alpha = {alpha_plot}",
fontsize=13, pad=15)
plt.xlabel("Statistique F (Ratio de variances)", fontsize=11)
plt.ylabel("Densité de probabilité", fontsize=11)
plt.xlim(0, 6)
plt.ylim(0, max(y_pdf) * 1.15)
plt.grid(True, linestyle=":", alpha=0.6)
plt.legend(loc="upper right", frameon=True, shadow=True)
plt.tight_layout()
# Exportation sous formats graphiques pérennes à haute résolution
# plt.savefig("distribution_f_critique.pdf", format="pdf")
# plt.savefig("distribution_f_critique.png", format="png", dpi=300)
plt.show()
10. Automatisation et création de fonctions réutilisables
10.1 Encapsulation du calcul dans une fonction Python modulaire
La réutilisation du code et sa fiabilité au fil de multiples projets de recherche quantitative exigent de dépasser les scripts d’analyse monolithiques séquentiels au profit d’une structuration modulaire via des fonctions génériques réutilisables. Encapsuler l’algorithme d’arbitrage de Fisher au sein d’une fonction Python structurée selon les standards modernes du génie logiciel — incluant les annotations de type introduites par la PEP 484 et une documentation conforme aux normes NumPy ou Google — garantit une robustesse et une maintenabilité optimales.
Une fonction d’inférence complète ne doit pas se cantonner au renvoi d’un scalaire isolé. Elle gagne à générer un dictionnaire ou une structure de données typée consolidant l’intégralité des indicateurs pertinents du test : les degrés de liberté, la valeur critique résolue, le niveau de probabilité unilatérale, la statistique empirique évaluée et la décision binaire formelle :
from typing import Dict, Any, Union
from scipy.stats import f
def calculer_inférence_f(
f_obs: float,
dfn: Union[int, float],
dfd: Union[int, float],
alpha: float = 0.05
) -> Dict[str, Any]:
"""
Exécute l'arbitrage formel d'un test F en comparant la métrique empirique
à la valeur critique théorique issue de la distribution de Fisher-Snedecor.
Paramètres
----------
f_obs : float
Statistique F observée calculée à partir des données empiriques.
dfn : int ou float
Degrés de liberté du numérateur (variabilité inter-groupes).
dfd : int ou float
Degrés de liberté du dénominateur (variabilité résiduelle intra-groupe).
alpha : float, par défaut 0.05
Risque de commettre une erreur de première espèce (0 < alpha < 1).
Retourne
-------
Dict[str, Any]
Dictionnaire récapitulant les paramètres, la valeur critique, la p-valeur
exacte et la décision d'inférence statistique formelle.
"""
# Validation défensive des données d'entrée
if alpha <= 0 or alpha >= 1:
raise ValueError(f"Le seuil alpha doit appartenir à ]0, 1[, valeur reçue : {alpha}")
if dfn <= 0 or dfd <= 0:
raise ValueError(f"Les degrés de liberté doivent être strictement positifs. dfn={dfn}, dfd={dfd}")
# Résolution computationnelle du seuil et de la p-valeur exacte
f_crit = float(f.isf(alpha, dfn, dfd))
p_val = float(f.sf(f_obs, dfn, dfd))
rejet_h0 = bool(f_obs > f_crit)
return {
"f_observe": f_obs,
"f_critique": f_crit,
"dfn": dfn,
"dfd": dfd,
"alpha": alpha,
"p_valeur": p_val,
"rejet_h0": rejet_h0,
"conclusion": "Effet statistiquement significatif" if rejet_h0 else "Effet non significatif"
}
10.2 Validation défensive des paramètres d’entrée
Le développement de chaînes d’analyse statistique professionnelles nécessite d’anticiper les erreurs d’exécution silencieuses. Dans de nombreux scénarios de traitement automatisé de données, des valeurs erronées de degrés de liberté (par exemple nulles ou négatives suite à une mauvaise indexation d’échantillons ou à des données manquantes non filtrées) peuvent être transmises de manière masquée à SciPy. Sans vérification préalable, certaines fonctions mathématiques sous-jacentes renvoient alors des valeurs spéciales telles que nan (Not a Number) sans lever d’exception bloquante. La propagation de ces valeurs silencieuses au sein de scripts décisionnels subséquents peut corrompre l’ensemble des conclusions sans que l’utilisateur n’en soit averti.
La programmation défensive résout ce problème en érigeant des barrières de vérification formelle dès l’entrée des fonctions statistiques. L’utilisation d’assertions ou la levée explicite d’exceptions de type ValueError et TypeError permet de stopper immédiatement l’exécution dès lors qu’un paramètre viole les conditions mathématiques de validité de la distribution de Fisher :
- Contrainte de positivité stricte : Les degrés de liberté $dfn$ et $dfd$ modélisent des dimensions vectorielles sous-jacentes et ne peuvent en aucun cas être inférieurs ou égaux à zéro. Toute valeur négative ou nulle doit déclencher une interruption immédiate du calcul.
- Intervalle ouvert du risque : Le niveau de risque $\alpha$ modélise une probabilité non dégénérée. Une valeur transmise en dehors de l’intervalle strictement ouvert $]0, 1[$ traduit une incohérence logique ou une confusion conceptuelle qui doit être neutralisée à la source.
- Typage structurel : L’utilisation d’instructions
isinstanceou des annotations strictes imposées par des validateurs statiques de type (comme Mypy) permet de s’assurer que les valeurs transmises sont bien réductibles à des grandeurs numériques compatibles.
10.3 Traitement par lots sur de grands ensembles d’expériences
Dans la recherche comportementale contemporaine, les protocoles expérimentaux mesurent rarement une variable dépendante isolée. Les batteries de tests psychométriques évaluent fréquemment simultanément des dizaines de métriques cognitives (latence motrice, flexibilité mentale, empan visuo-spatial, mémoire verbale, etc.), tandis que les devis de neuro-imagerie fonctionnelle traitent des dizaines de milliers de signaux spatiaux (voxels) en parallèle. Dans ces configurations massives, le calcul individuel manuel des valeurs critiques devient impraticable.
L’utilisation de la bibliothèque Pandas permet d’orchestrer un traitement automatisé par lots, en agrégeant les valeurs empiriques calculées, en déterminant de manière itérative les valeurs critiques adaptées (notamment après des corrections individuelles pour données manquantes modifiant $dfd$), et en compilant les résultats au sein de tableaux de synthèse directement exportables vers des formats académiques (LaTeX, CSV, Markdown) :
import pandas as pd
# Structure tabulaire de synthèses de plusieurs métriques cognitives
resultats_batterie = [
{"test": "Inhibition Stroop", "f_obs": 4.52, "dfn": 2, "dfd": 57},
{"test": "Empan envers", "f_obs": 2.15, "dfn": 2, "dfd": 56},
{"test": "Vitesse de traitement", "f_obs": 3.89, "dfn": 2, "dfd": 54},
{"test": "Flexibilité TMT-B", "f_obs": 1.95, "dfn": 2, "dfd": 57},
]
df_analyses = pd.DataFrame(resultats_batterie)
# Application vectorisée de notre routine d'inférence au seuil alpha = 0.05
df_analyses["f_critique"] = df_analyses.apply(
lambda row: f.isf(0.05, row["dfn"], row["dfd"]), axis=1
)
df_analyses["p_valeur"] = df_analyses.apply(
lambda row: f.sf(row["f_obs"], row["dfn"], row["dfd"]), axis=1
)
df_analyses["significatif"] = df_analyses["f_obs"] > df_analyses["f_critique"]
# Mise en forme du rapport final
pd.options.display.float_format = "{:.3f}".format
print(df_analyses[["test", "f_obs", "f_critique", "p_valeur", "significatif"]])
11. Pièges méthodologiques et erreurs courantes d’implémentation
11.1 Confusion entre niveau de confiance et seuil de signification
L’écueil méthodologique le plus insidieux et le plus largement documenté dans l’usage des bibliothèques de calcul numérique réside dans la substitution involontaire du seuil de signification $\alpha$ par le niveau de confiance complémentaire $1 – \alpha$ au sein des fonctions inverses. Comme explicité dans la section théorique, l’expression f.ppf(0.05, dfn, dfd) n’interroge pas le seuil de rejet supérieur, mais résout le quantile inférieur de la distribution de Fisher. En renvoyant une valeur comprise entre 0 et 0,2 pour des configurations classiques, cette erreur produit un seuil dérisoire que pratiquement toute statistique $F_{\text{obs}}$ empirique franchit avec aisance, entraînant des faux rejets massifs et systématiques de l’hypothèse nulle.
Les conséquences théoriques d’une telle inversion de quantile sur le processus décisionnel sont désastreuses : elle gonfle artificiellement le taux de fausses découvertes jusqu’à près de 95 % sous $H_0$. Pour conjurer ce péril computationnel, les équipes de recherche doivent instaurer des protocoles de relecture de code rigoureux (code review) et implémenter des tests unitaires automatisés par assertions d’invariance. Une règle empirique d’auto-contrôle simple consiste à vérifier que pour tout test d’ANOVA mené à $\alpha = 0{,}05$, la valeur critique calculée est strictement supérieure à 1,0 :
valeur_critique = f.ppf(0.95, dfn=2, dfd=30)
# Détection formelle d'erreur logique à l'exécution
assert valeur_critique > 1.0, "Erreur logique : Le seuil critique F ne peut être inférieur à 1."
11.2 Inversion involontaire des degrés de liberté (dfn et dfd)
Contrairement aux distributions normale centrée réduite ou de Student qui sont caractérisées par un paramètre unique ou par une symétrie axiale parfaite, la distribution de Fisher-Snedecor dépend d’une paire ordonnée et asymétrique de paramètres. En d’autres termes, la loi $F(dfn, dfd)$ n’est absolument pas équivalente à la loi $F(dfd, dfn)$ :
$$F(dfn, dfd) \neq F(dfd, dfn) \quad (\text{dès lors que } dfn \neq dfd)$$
Permuter par mégarde les positions de $dfn$ et $dfd$ lors de l’appel d’une fonction — en écrivant par exemple f.ppf(0.95, dfd, dfn) au lieu de f.ppf(0.95, dfn, dfd) — altère profondément l’architecture mathématique de la distribution de référence. Dans un protocole classique comportant 3 conditions et 60 sujets, une telle interversion revient à évaluer la distribution avec les paramètres inversés $(57, 2)$ au lieu de $(2, 57)$. Le seuil critique calculé bondit alors d’environ 3,16 à une valeur approchant 19,5. Une telle anomalie rend la région de rejet quasiment inaccessible, détruisant la puissance du test et garantissant presque à coup sûr un non-rejet erroné de l’hypothèse nulle (erreur de type II).
Pour immuniser définitivement le code contre ce risque de permutation accidentelle induit par le passage d’arguments positionnels, la meilleure pratique de programmation en Python consiste à recourir systématiquement au passage explicite des arguments par mots-clés (keyword arguments) :
# Mauvaise pratique : risque élevé d'inversion positionnelle accidentelle
val_dangereuse = f.ppf(0.95, 57, 2) # Inversion silencieuse !
# Bonne pratique PEP 8 : spécification explicite par mots-clés inviolables
val_securisee = f.ppf(q=0.95, dfn=2, dfd=57)
11.3 Violations des postulats sous-jacents au test paramétrique F
La validité d’une valeur critique théorique extraite de la distribution de Fisher repose sur le respect de postulats mathématiques stricts régissant les données empiriques. L’inférence paramétrique classique assume que les résidus du modèle sont distribués selon une loi normale dans chacune des populations d’origine, que les variances intra-groupes sont rigoureusement homogènes (postulat d’homoscédasticité), et que les observations individuelles ont été recueillies de manière strictement indépendante les unes des autres.
Si la statistique F fait preuve d’une robustesse relative face à de légères déviations de la normalité univariée lorsque les effectifs de groupes sont équilibrés et modérément larges (en vertu du théorème central limite), elle s’avère en revanche extrêmement vulnérable à l’hétéroscédasticité des variances, en particulier dans les plans d’échantillonnage déséquilibrés. Si un groupe de petit effectif présente une variance anormalement dilatée par rapport aux autres conditions, la distribution d’échantillonnage empirique réelle se déforme profondément et s’écarte de la loi théorique de Fisher tabulée par SciPy. Dès lors, comparer la statistique observée à la valeur critique nominale $F_{\text{critique}}$ induit une distorsion sévère du taux nominal d’erreur de première espèce, rendant caduque la conclusion inférentielle.
Lorsque les tests diagnostiques préalables (tels que le test de Levene pour l’homoscédasticité ou le test de Shapiro-Wilk pour la normalité résiduelle) signalent une violation de ces postulats, le chercheur doit renoncer au test F conventionnel de Fisher au profit de corrections robustes, telles que l’ANOVA de Welch (disponible via scipy.stats.welch_anova ou pingouin.welch_anova) ou se tourner vers des méthodes d’inférence non paramétriques (test de Kruskal-Wallis) ou des protocoles de rééchantillonnage par bootstrap et tests de permutation computationnels.
12. Comparaison critique : tables imprimées traditionnelles versus Python
12.1 Limites opérationnelles des tables statistiques manuelles
La confrontation entre les tables statistiques imprimées traditionnelles et l’environnement computationnel Python met en lumière les contraintes inhérentes aux méthodes historiques. Les tables statistiques manuelles sont par nature des artefacts d’échantillonnage discret : en raison de contraintes physiques d’impression sur papier, elles ne peuvent présenter qu’une sélection fragmentaire de degrés de liberté. Pour le dénominateur, les manuels répertorient généralement les valeurs entières de 1 à 30, puis procèdent par sauts arbitraires (40, 60, 120, $\infty$).
Lorsqu’un chercheur travaillait sur un échantillon générant des degrés de liberté intermédiaires — par exemple $dfd = 47$ ou $dfd = 73$ —, il était historiquement contraint de recourir à des approximations hasardeuses : soit adopter par défaut la borne inférieure de la table pour préserver une posture conservatrice artificielle (au détriment de la puissance statistique du test), soit procéder à des interpolations linéaires manuelles fastidieuses, sources récurrentes d’erreurs d’arrondi et d’imprécision arithmétique.
De surcroît, le risque de transcription humaine erronée demeure l’une des faiblesses majeures des procédures manuelles. Le croisement visuel erroné d’une ligne ou d’une colonne dans une matrice imprimée dense a historiquement corrompu de nombreuses analyses quantitatives. L’utilisation d’instructions logicielles Python éradique définitivement ce facteur d’erreur humaine en réalisant une résolution numérique directe et exacte pour toute combinaison envisageable de paramètres expérimentaux.
12.2 Précision analytique et conformité aux standards de la science ouverte
L’avantage décisif des algorithmes implémentés dans scipy.stats réside dans leur capacité à calculer des quantiles exacts pour des degrés de liberté non entiers le long d’un continuum mathématique sans rupture. Cette flexibilité analytique est indispensable dans les modélisations expérimentales contemporaines. Par exemple, lorsqu’une analyse de variance à mesures répétées subit une violation du postulat de sphéricité (évaluée par le test de Mauchly), des ajustements correctifs tels que les corrections de Greenhouse-Geisser ou de Huynh-Feldt sont appliqués. Ces corrections réduisent les degrés de liberté en les multipliant par un coefficient d’aplatissement décimal $epsilon < 1$, produisant des valeurs non entières (par exemple$dfn = 1{,}64$ et $dfd = 31{,}16$). Les tables imprimées sont totalement incapables de fournir des valeurs critiques pour de telles configurations, alors que SciPy les résout avec une précision absolue en quelques microsecondes.
Ce niveau de fidélité analytique converge directement avec les exigences éthiques et méthodologiques contemporaines de la science ouverte (Open Science). Les revues internationales à comité de lecture exigent de plus en plus fréquemment la mise à disposition publique intégrale du code source ayant généré les inférences d’un article au sein d’entrepôts ouverts pérennes indexés par un identifiant pérenne DOI (Zenodo, OSF, GitHub). L’intégration de la résolution des valeurs critiques au sein de ce script assure une transparence intégrale : n’importe quel évaluateur ou chercheur indépendant peut réexécuter l’analyse et valider immédiatement l’exactitude de chaque décision inférentielle, garantissant une conformité exemplaire avec les directives FAIR (Facile à trouver, Accessible, Interopérable, Réutilisable).
12.3 Intégration dans les environnements de recherche computationnelle
L’abandon des tables manuelles au profit de l’écosystème Python permet une intégration transparente au sein des environnements d’analyse computationnelle modernes, tels que les carnets de notes interactifs Jupyter (Jupyter Notebooks) et les systèmes d’édition scientifique dynamique comme Quarto ou R Markdown. Dans ces environnements, le code Python s’exécute au sein du document même qui contient l’argumentation théorique et la prose explicative, instanciant le principe du literate programming (programmation lettrée) théorisé par Donald Knuth. La valeur critique n’est plus une entité statique isolée, mais une composante dynamique recalculée à la volée dès lors que les données sous-jacentes sont mises à jour.
Cette intégration programmatique ouvre la voie à des architectures analytiques avancées. Dans les protocoles modernes intégrant des chaînes d’intégration continue (CI/CD adaptées à la recherche), chaque ajout de nouvelle observation expérimentale peut déclencher automatiquement la réévaluation complète des modèles d’analyse, l’actualisation dynamique des valeurs critiques, et la génération instantanée de rapports de synthèse au format PDF ou HTML. De plus, la maîtrise de ces concepts sous Python constitue un socle d’apprentissage indispensable pour évoluer vers des paradigmes analytiques plus avancés, tels que l’inférence bayésienne computationnelle (via PyMC ou Stan) ou la modélisation multi-niveaux hiérarchique complexe, consolidant ainsi la place de Python comme instrument méthodologique incontournable de la recherche psychologique et comportementale moderne.
Références
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
- Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd. http://digital.library.adelaide.edu.au/dspace/handle/2440/15227
- Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
- Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 231(694-706), 289–337. https://doi.org/10.1098/rsta.1933.0009
- Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
- Snedecor, G. W., & Cochran, W. G. (1989). Statistical methods (8th ed.). Iowa State University Press.
- Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2