Comment trouver un intervalle de confiance pour une médiane (étape par étape)

L’analyse quantitative en psychologie et en sciences comportementales a longtemps été dominée par une application quasi réflexe des statistiques paramétriques. Sous l’impulsion historique des travaux de Ronald Fisher, Karl Pearson et de leurs contemporains, la moyenne arithmétique et l’écart-type se sont imposés comme les descripteurs universels de la tendance centrale et de la dispersion. Pourtant, la réalité empirique du laboratoire ou de la pratique clinique confronte quotidiennement les chercheurs à des données qui violent les hypothèses idéalisées de normalité et d’homoscédasticité. Les temps de réaction, les scores d’inventaires cliniques, les mesures d’attachement ou les évaluations sur échelles ordinales présentent presque systématiquement des distributions asymétriques, ponctuées de valeurs aberrantes ou bornées par des effets de plancher et de plafond. Face à ces configurations morphologiques complexes, persister à résumer une distribution par sa moyenne constitue un choix statistique fragile qui risque d’induire des conclusions cliniques erronées.

Dans cette perspective épistémologique, la médiane émerge non pas comme une solution par défaut ou un substitut dégradé, mais comme un paramètre de population hautement informatif, robuste et doté d’une interprétabilité clinique directe. En divisant une série ordonnée d’observations en deux moitiés égales, elle capture le centre effectif de la cohorte sans se laisser distordre par les trajectoires atypiques de quelques individus extrêmes. Néanmoins, l’estimation ponctuelle de la médiane demeure insuffisante pour satisfaire aux exigences de la démarche scientifique moderne. Une estimation isolée n’offre aucune indication sur la précision de la mesure ni sur l’incertitude inhérente à l’échantillonnage aléatoire. C’est ici qu’intervient la construction d’intervalles de confiance non paramétriques, un outil méthodologique indispensable, bien que trop souvent négligé dans les cursus universitaires traditionnels.

Le présent article constitue un guide approfondi, théorique et computationnel, dédié à la construction pas-à-pas d’un intervalle de confiance pour une médiane selon la méthodologie de Conover. Conçu spécifiquement pour les chercheurs, doctorants et praticiens des sciences du comportement, ce document détaille l’ensemble du processus inférentiel : depuis les fondements probabilistes ancrés dans la distribution binomiale et la théorie des statistiques d’ordre, jusqu’aux implémentations syntaxiques sous R, Python, SPSS et JASP, en passant par la rédaction formelle des résultats selon les normes de l’American Psychological Association (APA). L’objectif est de fournir un cadre d’analyse reproductible, permettant de dépasser les écueils de l’illusion paramétrique pour asseoir la robustesse empirique des découvertes psychologiques.

1. 1. Introduction aux intervalles de confiance pour la médiane en recherche psychologique

1.1 1.1 Importance des mesures de tendance centrale en psychologie

L’évaluation des construits psychologiques repose sur l’agrégation d’indicateurs comportementaux, cognitifs ou affectifs destinés à situer les individus au sein d’une population de référence. Au cœur de cette entreprise psychométrique, la détermination d’une mesure de tendance centrale adéquate conditionne la validité écologique et théorique de l’ensemble des inférences ultérieures. Historiquement, la moyenne arithmétique a bénéficié d’une hégémonie conceptuelle, largement favorisée par l’élégance analytique des distributions normales et la simplicité computationnelle des tests d’hypothèses linéaires. Cependant, l’hypothèse gaussienne sous-jacente s’avère fréquemment fallacieuse dans le champ de la psychologie empirique. Dès lors qu’une distribution présente une asymétrie positive prononcée — cas classique des échelles évaluant la symptomatologie dépressive ou les latences d’identification perceptive —, la moyenne est irrémédiablement attirée vers la queue de distribution. Elle cesse ainsi de représenter l’individu typique pour devenir un artefact sensible aux observations atypiques.

Face à ces limitations structurelles, la médiane s’affirme comme un estimateur d’une robustesse mathématique incomparable. Définie comme la valeur séparant la moitié inférieure de la moitié supérieure des observations ordonnées, elle affiche un point de rupture (breakdown point) théorique de 50 %. Cela signifie qu’il faudrait corrompre jusqu’à la moitié des données d’un échantillon pour déplacer arbitrairement la médiane vers l’infini, alors qu’une seule observation aberrante suffit à fausser irréversiblement une moyenne arithmétique. Dans les cohortes cliniques où coexistent des profils stables et des décompensations aiguës se traduisant par des scores hors normes, la médiane capture la tendance véritable du groupe sans masquer sa structure fondamentale. Elle respecte également la nature métrologique des instruments standardisés, lesquels génèrent majoritairement des données d’un niveau d’échelle ordinal pour lesquelles les opérations d’addition et de division inhérentes à la moyenne sont épistémologiquement contestables.

Toutefois, la diffusion d’un score médian ponctuel sans son cortège d’incertitude présente un danger méthodologique tout aussi pernicieux que l’emploi abusif de la moyenne. L’estimation par échantillonnage est par essence sujette aux fluctuations stochastiques. Deux échantillons tirés d’une même population peuvent présenter des médianes empiriques distinctes sous le simple effet de la variance d’échantillonnage. Sans une quantification rigoureuse de cette incertitude, le clinicien ou l’expérimentateur s’expose à des généralisations abusives ou à une surinterprétation de variations triviales. Les recommandations successives de l’American Psychological Association, culminant dans la septième édition de son manuel de publication, rappellent vigoureusement l’impératif de substituer ou d’adjoindre aux tests de signification de l’hypothèse nulle (NHST) une estimation systématique par intervalle. L’intervalle de confiance pour la médiane permet de réconcilier la préservation de la structure des données avec l’exigence de rigueur inférentielle, en délimitant formellement la plage des valeurs de population plausibles compte tenu des données recueillies.

1.2 1.2 Définition et concept d’un intervalle de confiance pour une médiane

Sur le plan épistémologique, un intervalle de confiance pour une médiane ne procède pas de la même logique mécanique que son homologue dédié à la moyenne arithmétique. Alors que ce dernier repose sur la translation d’une marge d’erreur symétrique de part et d’autre de la moyenne de l’échantillon — selon l’architecture familière moyenne ± (valeur critique × erreur standard) —, l’intervalle de confiance non paramétrique pour la médiane s’articule autour de la notion de statistiques d’ordre. Il ne s’agit pas de quantifier une dispersion physique continue autour d’un centre de gravité géométrique, mais de déterminer deux rangs d’observation au sein de la série ordonnée dont les valeurs numériques délimitent un segment garantissant un niveau de couverture stochastique prédéterminé pour la médiane théorique de la population.

Le niveau de confiance, classiquement fixé à 90 %, 95 % ou 99 %, requiert une interprétation fréquentiste rigoureuse qui échappe souvent à l’intuition première. Déclarer qu’un intervalle à 95 % encadre la médiane ne signifie pas qu’il existe 95 % de chances que la médiane de la population se trouve à l’intérieur de cet intervalle particulier. Une fois les données collectées et les bornes calculées, les limites sont fixes et la médiane de population l’est tout autant ; l’intervalle contient la valeur cible avec une probabilité égale à 0 ou à 1. La formulation correcte stipule que si nous répétions la procédure d’échantillonnage un nombre infini de fois dans des conditions parfaitement identiques, et si nous calculions à chaque tirage un intervalle de confiance selon le même algorithme, exactement 95 % de ces intervalles recouvriraient la véritable médiane de la population. L’intervalle obtenu à partir d’une expérimentation unique n’est que l’une de ces réalisations stochastiques.

Le statut distribution-free de cette approche constitue son atout méthodologique majeur. L’inférence ne présuppose aucune fonction de densité sous-jacente : la population d’origine n’a besoin d’être ni gaussienne, ni log-normale, ni uniforme. La distribution peut afficher une bimodalité prononcée, des queues lourdes ou des distorsions extrêmes sans altérer la probabilité de couverture de la méthode. Ce caractère non paramétrique préserve scrupuleusement l’échelle ordinale inhérente aux questionnaires d’auto-évaluation psychologique (comme les échelles de Likert à 5 ou 7 points). Puisque la dérivation des bornes s’opère sur les rangs des sujets et non sur des moyennes de scores, la structure invariante des données sous transformations monotones croissantes demeure intacte. L’intervalle de confiance non paramétrique évite ainsi de contraindre les métriques qualitatives au carcan artificiel des échelles d’intervalles égaux.

1.3 1.3 Pertinence méthodologique face aux distributions non normales

Dans l’écosystème de la recherche comportementale, les violations des postulats paramétriques ne constituent pas l’exception mais la règle empirique. L’un des exemples les plus emblématiques réside dans l’analyse des temps de réaction (TR) lors de paradigmes d’amorçage sémantique, d’inhibition motrice (tâche de Go/No-Go) ou de flexibilité attentionnelle (tâche de Stroop). Les distributions de TR affichent immanquablement une asymétrie positive sévère, caractérisée par une accumulation rapide d’observations autour d’un seuil physiologique incompressible, suivie d’une longue traîne de réponses lentes imputables à des décrochages attentionnels passagers. Le recours traditionnel au test t de Student ou à l’intervalle de confiance paramétrique génère ici deux distorsions majeures : une inflation non contrôlée de la largeur de l’intervalle due à l’instabilité de la variance, et un décalage artificiel de l’estimation vers des valeurs non représentatives du fonctionnement cognitif dominant de l’individu.

Un constat similaire s’impose dans le champ de la psychopathologie quantitative. Lorsqu’un instrument tel que le Beck Depression Inventory (BDI-II) ou le Patient Health Questionnaire (PHQ-9) est administré au sein d’une population générale ou d’un échantillon subclinique, la majorité des répondants rapporte une absence totale ou une intensité minime de symptômes, générant une masse d’observations concentrée sur les valeurs planchers (0, 1, 2). À l’inverse, une fraction marginale de participants sévèrement affectés enregistre des scores culminant aux antipodes de l’échelle. Dans ces conditions, imposer une métrique paramétrique revient à présumer une symétrie inexistante entre la rémission et la décompensation, conduisant à des marges d’erreur aberrantes qui peuvent franchir les bornes physiologiques ou théoriques de l’outil de mesure (telles que des bornes inférieures négatives pour des inventaires dont le score minimal est zéro).

L’adoption systématique des intervalles de confiance pour la médiane s’inscrit directement dans la crise de reproductibilité qui traverse les sciences comportementales depuis plus d’une décennie. De nombreuses recherches n’ont pu être reproduites précisément parce que les effets initiaux reposaient sur des moyennes artefactuellement tirées par une poignée d’observations extrêmes non détectées ou mal modélisées. En immunisant l’estimation statistique contre l’influence disproportionnée de ces points d’inflexion, l’approche par la médiane garantit une stabilité structurelle des résultats empiriques. Elle fournit à la communauté scientifique des estimateurs dont la robustesse intrinsèque protège les méta-analyses contre l’inflation des tailles d’effet, matérialisant ainsi un engagement tangible envers une science empirique rigoureuse, transparente et pérenne.

2. 2. Fondements théoriques : La méthode non paramétrique de Conover

2.1 2.1 Origine et cadre théorique de l’ouvrage de W.J. Conover

Pour s’émanciper des contraintes distributionnelles de l’approche paramétrique, les statisticiens ont développé une branche de l’inférence fondée sur les propriétés universelles des statistiques d’ordre. L’un des piliers méthodologiques de cette transition s’est cristallisé dans l’ouvrage fondateur de William J. Conover, Practical Nonparametric Statistics, initialement publié en 1971 puis réédité en 1980 et 1999. Conover y codifie de manière pragmatique les théorèmes mathématiques relatifs aux rangs et propose des procédures d’estimation par intervalle accessibles aux praticiens, tout en préservant une rigueur analytique absolue. Ses travaux ont formalisé l’usage des statistiques d’ordre pour l’inférence des quantiles de population au sein des disciplines appliquées, notamment la recherche biomédicale et la psychométrie.

Le cadre conceptuel de Conover repose sur le principe fondamental selon lequel, pour tout échantillon aléatoire d’observations continues indépendantes, les positions relatives des données ordonnées fournissent une base probabiliste suffisante pour cerner n’importe quel quantile de population, sans nécessiter la connaissance de la densité $f(x)$. Si nous désignons par $X_1, X_2, dots, X_n$ un échantillon de variables aléatoires indépendantes et identiquement distribuées (i.i.d.), et par $X_{(1)} le X_{(2)} le dots le X_{(n)}$ les statistiques d’ordre associées (c’est-à-dire les mêmes valeurs réarrangées par ordre croissant), le problème se ramène à identifier deux entiers distincts, $j$ et $k$ (avec $1 le j < k le n$), de sorte que la probabilité que la médiane de la population, notée$theta_{0{,}5}$, appartienne à l’intervalle fermé$[X_{(j)}, X_{(k)}]$ soit supérieure ou égale à une valeur seuil $1 – \alpha$.

Les hypothèses préalables requises par le modèle de Conover sont remarquablement sobres. Premièrement, le mécanisme d’échantillonnage doit garantir l’indépendance statistique des observations, excluant les designs avec mesures répétées non contrôlées ou les dépendances de grappes sans ajustement. Deuxièmement, la variable mesurée doit être continue, ou à tout le moins posséder une fonction de répartition cumulative $F(x)$ continue au voisinage de la médiane. Cette hypothèse assure qu’en théorie, la probabilité d’observer des ex æquo stricts (valeurs identiques) est nulle. En pratique appliquée, bien que les échelles psychométriques discrétisent souvent les scores, la méthode de Conover conserve une robustesse remarquable même face à de légères discontinuités de mesure, comme nous l’examinerons en détail dans les sections ultérieures.

2.2 2.2 Approximation normale de la distribution binomiale pour les quantiles

Le cœur mathématique de la méthodologie réside dans la modélisation probabiliste du nombre d’observations tombant en dessous d’un quantile donné de la population. Soit $\theta_q$ le quantile d’ordre $q$ d’une variable aléatoire continue $X$, défini de manière univoque par l’équation $P(X le \theta_q) = q$. Dans le cas spécifique de la médiane, nous avons $q = 0{,}5$. Si nous considérons un échantillon aléatoire de taille $n$ extrait de cette population, nous pouvons définir pour chaque observation individuelle $X_i$ une variable indicatrice de Bernoulli $I_i$, telle que :

$$I_i = 1 \quad \text{si } X_i le \theta_q, \qquad I_i = 0 \quad \text{si } X_i > \theta_q$$

Puisque les observations sont indépendantes, les variables $I_i$ sont des épreuves de Bernoulli mutuellement indépendantes, chacune ayant une probabilité de succès strictement égale à $p = P(X_i le \theta_q) = q$. Par conséquent, la variable aléatoire globale $Y = \sum_{i=1}^n I_i$, qui représente le nombre total d’observations de l’échantillon situées en dessous ou au niveau du quantile $\theta_q$, suit rigoureusement une distribution binomiale :

$$Y \sim \mathcal{B}(n, q)$$

Pour la médiane, où $q = 0{,}5$, la distribution binomiale sous-jacente est parfaitement symétrique avec pour espérance mathématique $E(Y) = nq = 0{,}5n$ et pour variance :

$$\text{Var}(Y) = nq(1-q) = n(0{,}5)(0{,}5) = 0{,}25n$$

Lorsque la taille d’échantillon $n$ croît, le calcul direct des sommes de probabilités combinatoires de la loi binomiale devient computationnellement laborieux ou inutilement complexe pour une analyse manuelle. En vertu du théorème central limite (théorème de Moivre-Laplace), la distribution de la variable standardisée associée à $Y$ converge asymptotiquement vers une loi normale centrée réduite :

$$\frac{Y – nq}{\sqrt{nq(1-q)}} x\rightarrow{\mathcal{D}} \mathcal{N}(0, 1) \quad \text{quand } n to \infty$$

Cette convergence vers la normalité s’avère particulièrement rapide pour le cas du quantile médian ($q = 0{,}5$) en raison de la symétrie parfaite de la loi binomiale sous-jacente, éliminant tout coefficient d’asymétrie (skewness = 0). Dès lors que la condition $n ge 10$ est satisfaite, l’approximation normale procure une précision satisfaisante pour déterminer les rangs $j$ et $k$. L’écart type de cette distribution des rangs, égal à $\sqrt{nq(1-q)}$, capture fidèlement la dispersion stochastique du comptage d’échantillon autour de son espérance $nq$.

2.3 2.3 Propriétés d’invariance et distribution-free

L’attrait des statistiques d’ordre réside dans leurs propriétés d’invariance mathématique. Contrairement à l’intervalle de confiance pour une moyenne arithmétique, qui varie d’échelle de manière proportionnelle à la dispersion métrique de l’échantillon, l’intervalle de confiance non paramétrique pour la médiane jouit d’une stricte équivariance sous toute transformation monotone croissante. Soit $g(\cdot)$ une fonction continue strictement monotone croissante (par exemple, une transformation logarithmique, exponentielle ou racine carrée, couramment mobilisée pour corriger l’asymétrie des données). Si $[X_{(j)}, X_{(k)}]$ constitue un intervalle de confiance valide au niveau $1-\alpha$ pour la médiane $\theta$ de la variable $X$, alors :

$$[g(X_{(j)}), g(X_{(k)})]$$

constitue un intervalle de confiance d’un niveau rigoureusement identique pour la médiane transformée $g(\theta)$. Cette propriété fondamentale signifie que le choix de transformer ou non les données n’a aucun impact structurel sur la localisation de l’intervalle de rangs : les rangs $j$ et $k$ demeurent universellement valides, quelle que soit la métrique adoptée, préservant la fidélité de l’estimation face aux incertitudes d’échelle.

De surcroît, la nature distribution-free de la procédure de Conover implique que sa probabilité nominale de couverture ne dépend d’aucun paramètre de nuisance de la population. Dans le cadre paramétrique usuel, si l’hypothèse de normalité est violée, la couverture réelle d’un intervalle calculé par la loi de Student peut s’écarter drastiquement des 95 % nominaux, chutant par exemple à 88 % en présence de queues lourdes, ou s’élevant artificiellement au détriment de la puissance statistique. Dans la méthode de Conover, la couverture réelle est mathématiquement bornée et garantie par la structure combinatoire des rangs. Même si le passage d’une variable de comptage discret (les rangs entiers) à une distribution continue induit de légères fluctuations, la règle de sélection conservatrice garantit que la couverture réelle est supérieure ou égale au niveau de confiance requis, protégeant ainsi l’analyste contre les inférences fallacieuses.

3. 3. Comparaison critique : Intervalle pour la moyenne vs pour la médiane

3.1 3.1 Présupposés paramétriques contre flexibilité non paramétrique

L’arbitrage méthodologique entre l’estimation d’un intervalle de confiance pour la moyenne et celui pour la médiane renvoie à l’opposition classique entre l’efficacité paramétrique sous conditions idéales et la robustesse non paramétrique sous conditions réelles. L’intervalle de Student conventionnel repose sur le postulat que les observations proviennent d’une population normale :

$$X_i \sim \mathcal{N}(\mu, \sigma^2)$$

Bien que le théorème central limite confère à la moyenne une relative robustesse asymptotique lorsque la taille d’échantillon devient conséquente (généralement $n ge 30$), cette tolérance théorique ne s’étend pas uniformément à la variance d’échantillonnage $S^2$, laquelle demeure extrêmement vulnérable aux anomalies de distribution. Dans les cohortes de taille modeste typiques des protocoles de neuro-imagerie ou de psychologie expérimentale clinique ($n in [10, 25]$), toute déviation de la normalité compromet la validité du ratio $t$ de Student.

Cette vulnérabilité se traduit par une instabilité du taux d’erreur de première espèce ($\alpha$) et une perte drastique de puissance statistique. Lorsque les distributions parentes présentent une kurtosis élevée (données leptokurtiques avec queues épaisses), l’écart-type de l’échantillon a tendance à surestimer la dispersion centrale de la population en raison de l’impact quadratique des écarts à la moyenne. L’intervalle de Student s’élargit alors artificiellement, générant une impression d’incertitude exagérée. Inversement, face à des distributions asymétriques tronquées, l’intervalle paramétrique tend à dériver unilatéralement, déplaçant le centre de l’intervalle loin de la masse réelle des participants.

À l’opposé, l’intervalle non paramétrique pour la médiane s’abstrait totalement des moments d’ordre supérieur (variance, asymétrie, aplatissement) de la population. Il ne requiert ni l’égalité des variances entre conditions expérimentales (homoscédasticité), ni une forme fonctionnelle préétablie. Cette flexibilité structurelle confère au chercheur une immunité méthodologique appréciable, particulièrement dans les protocoles exploratoires où la distribution empirique du construit théorique sous-jacent est encore imparfaitement caractérisée dans la littérature scientifique.

3.2 3.2 Sensibilité aux valeurs aberrantes et asymétrie des distributions

Pour illustrer la divergence comportementale des deux paradigmes, il convient d’analyser le mécanisme d’influence d’une observation atypique. Considérons une expérience en psychologie cognitive mesurant l’anxiété pré-interventionnelle sur une échelle continue de 0 à 100 chez dix participants. Supposons neuf scores homogènes centrés autour de 20 (par exemple : 18, 19, 19, 20, 20, 21, 21, 22, 23) et un score unique pathologiquement élevé de 95, provoqué par une attaque de panique au moment de la passation. Dans ce scénario, la moyenne arithmétique passe instantanément de 20,3 à 27,8. L’écart-type d’échantillon explose de 1,5 à 23,7. Par voie de conséquence, l’intervalle de confiance à 95 % de Student subit une distorsion phénoménale : il s’élargit démesurément et sa borne supérieure glisse vers des hauteurs qui ne décrivent aucunement 90 % de l’échantillon.

Examinons le comportement de la médiane dans la même situation. Avant l’insertion du score aberrant, la médiane des neuf observations valait 20. Après l’ajout du score extrême de 95, la médiane empirique de l’échantillon ($n = 10$) devient égale à 20,5. Les statistiques d’ordre $X_{(j)}$ et $X_{(k)}$ utilisées pour borner l’intervalle de confiance non paramétrique demeurent stables : les rangs inférieurs et supérieurs ne sont que marginalement décalés d’un indice en raison de l’incrément de taille d’échantillon, mais leurs valeurs effectives restent solidement ancrées au sein du cluster de données denses (autour de 19 et 22). Le score extrême n’exerce aucune force de levier disproportionnée sur l’inférence.

Cette résistance empirique s’avère particulièrement précieuse dans l’exploitation des échelles d’attitudes ou de questionnaires de personnalité de type Likert. Ces mesures, par nature bornées aux extrémités (par exemple de 1 à 7), présentent des phénomènes récurrents de saturation où les participants tendent à éviter les extrêmes ou, au contraire, à s’y réfugier massivement (biais de réponse). L’intervalle de confiance pour la médiane restitue fidèlement la topographie de ces réponses sans présumer que la distance psychologique séparant un score de 1 et un score de 2 soit rigoureusement identique à celle séparant un score de 6 et un score de 7, une présomption implicite et indéfendable imposée par l’intervalle paramétrique de la moyenne.

3.3 3.3 Interprétation cognitive et clinique de la médiane

Au-delà de ses vertus statistiques, l’intervalle de confiance pour la médiane offre une transparence sémiotique et communicationnelle supérieure dans les contextes appliqués. Dans la pratique de la psychologie clinique, du diagnostic neuropsychologique ou de l’expertise médico-légale, les praticiens doivent communiquer des seuils diagnostiques compréhensibles aux patients, aux médecins psychiatres, aux éducateurs ou aux autorités judiciaires. Présenter une moyenne arithmétique accompagnée de son intervalle de confiance engendre fréquemment des confusions d’interprétation : que signifie une moyenne de 3,4 épisodes de panique hebdomadaires avec un IC à 95 % de [1,2 ; 5,6] face à une distribution où 60 % des patients n’ont subi aucun épisode ?

La médiane possède une signification probabiliste tangible : elle désigne le point précis de l’échelle d’évaluation pour lequel exactement 50 % des individus de la cohorte présentent un score inférieur ou égal, et 50 % un score supérieur ou égal. Lorsqu’on adjoint à cette valeur un intervalle de confiance non paramétrique au seuil de 95 %, l’affirmation clinique acquiert une clarté immédiate : nous pouvons être confiants à 95 % que la médiane de la population dont est issu ce groupe de patients se situe entre le score clinique $A$ et le score clinique $B$. Si la borne supérieure de cet intervalle demeure inférieure à un seuil pathologique standardisé (un cut-off score), le clinicien peut raisonnablement inférer que la majorité de la population cible se situe dans une zone infraclinique, une conclusion que la moyenne arithmétique peut masquer si quelques individus atypiques font grimper artificiellement le centre de gravité de l’échantillon.

Cette pertinence sélectrice fait de l’intervalle de confiance pour la médiane l’outil idéal pour calibrer des normes psychométriques et valider des critères de coupure dans les études de standardisation d’outils diagnostiques. En reflétant le comportement effectif de la moitié typique de la population d’étalonnage, il assure que les décisions d’orientation thérapeutique reposent sur des bases métrologiques représentatives, exemptes des artefacts induits par la dispersion marginale des cohortes d’évaluation.

4. 4. Décomposition mathématique de la formule de Conover

4.1 4.1 Analyse des paramètres fondamentaux de la formule

L’application de la méthode de Conover requiert la formalisation mathématique rigoureuse de ses composants de calcul. La méthode opère une translation entre le plan probabiliste continu de la distribution normale et l’espace discret des rangs d’échantillon. Le dispositif s’articule autour de quatre paramètres interdépendants :

• La taille d’échantillon ($n$) : Elle représente le nombre total d’unités expérimentales indépendantes observées. Sa valeur conditionne directement la validité de l’approximation normale asymptotique et détermine la résolution discrète maximale de l’échelle des rangs.
• Le quantile ciblé ($q$) : Pour la médiane de population, la valeur théorique du quantile est strictement fixée à $q = 0{,}5$. La méthode de Conover peut généraliser le calcul à n’importe quel percentile (par exemple $q = 0{,}25$ pour le premier quartile ou $q = 0{,}75$ pour le troisième quartile), mais c’est pour $q = 0{,}5$ que la distribution binomiale sous-jacente atteint sa symétrie optimale.
• Le terme d’espérance ($n \cdot q$) : Ce produit représente la valeur moyenne théorique du rang dans l’échantillon sous l’hypothèse de la médiane. Pour $q = 0{,}5$, il s’exprime simplement par $0{,}5n$. Géométriquement, ce point constitue l’axe de symétrie autour duquel s’articulent les déviations stochastiques des bornes inférieure et supérieure.
• La composante de dispersion binomiale ($\sqrt{nq(1-q)}$) : Elle correspond à l’écart-type de la variable aléatoire binomiale modélisant le nombre d’observations situées sous le quantile cible. Spécifiquement pour la médiane, l’expression se simplifie élégamment en :
  $$\sigma_{\text{rang}} = \sqrt{n \times 0{,}5 \times (1 – 0{,}5)} = \sqrt{0{,}25n} = 0{,}5\sqrt{n}$$
  Ce paramètre joue le rôle analogue à l’erreur standard de la moyenne dans les méthodes paramétriques, mesurant la variabilité d’échantillonnage de la position médiane.

4.2 4.2 Les formules des rangs j et k

Pour délimiter l’intervalle de confiance non paramétrique au niveau de confiance requis $1 – \alpha$, la formulation de Conover mobilise la valeur critique bilatérale $z_{1 – alpha/2}$ extraite de la fonction de répartition de la loi normale centrée réduite $\mathcal{N}(0, 1)$. Les rangs théoriques inférieur ($j^*$) et supérieur ($k^*$) au sein de la série ordonnée sont définis par les équations suivantes :

$$j^* = nq – z_{1 – alpha/2} \sqrt{nq(1-q)}$$

$$k^* = nq + z_{1 – alpha/2} \sqrt{nq(1-q)}$$

En substituant la valeur spécifique $q = 0{,}5$ dédiée à l’estimation de la médiane, ces formules acquièrent une forme analytique directe :

$$j^* = 0{,}5n – z_{1 – alpha/2} \times (0{,}5\sqrt{n})$$

$$k^* = 0{,}5n + z_{1 – alpha/2} \times (0{,}5\sqrt{n})$$

Ces deux équations mettent en évidence la symétrie parfaite des rangs théoriques autour de la position centrale $0{,}5n$. L’étendue théorique séparant les deux indices, mesurée par la quantité $k^* – j^* = 2 z_{1 – alpha/2} \sqrt{nq(1-q)}$, est directement proportionnelle au coefficient de confiance $z$ choisi et à la racine carrée de la taille de l’échantillon. Cette relation illustre le comportement asymptotique de la méthode : plus l’échantillon s’accroît, plus la proportion de rangs englobée par l’intervalle de confiance par rapport à $n$ (soit $(k^* – j^*)/n$) décroît au taux de $1/\sqrt{n}$, traduisant une précision accrue de l’estimation du paramètre de population.

4.3 4.3 La règle d’arrondi à l’entier supérieur

Une problématique mathématique émerge immédiatement de l’évaluation numérique des rangs théoriques $j^*$ et $k^*$ : ces calculs produisent la plupart du temps des nombres décimaux non entiers. Or, les statistiques d’ordre d’un échantillon empirique $X_{(1)}, X_{(2)}, dots, X_{(n)}$ ne sont indicées que par des nombres entiers appartenant à l’ensemble ${1, 2, dots, n}$. Il est donc structurellement nécessaire d’appliquer une règle de discrétisation pour assigner les indices $j^*$ et $k^*$ à des rangs physiques exploitables dans le vecteur des données ordonnées.

La règle d’or énoncée par Conover (1999) prescrit de procéder systématiquement à un arrondi à l’entier immédiatement supérieur (fonction plafond, notée formellement $\lceil \cdot \rceil$, ou round up en anglais) pour les deux indices théoriques :

$$j = \lceil j^* \rceil = \lceil nq – z_{1 – alpha/2} \sqrt{nq(1-q)} \rceil$$

$$k = \lceil k^* \rceil = \lceil nq + z_{1 – alpha/2} \sqrt{nq(1-q)} \rceil$$

Cette prescription peut paraître contre-intuitive au premier abord, notamment pour le calcul de la borne supérieure $k$. Dans les arrondis arithmétiques standard, une valeur telle que $11{,}29$ serait rabattue vers $11$. Cependant, Conover justifie mathématiquement cette démarche par le principe d’extrême conservativité du niveau de couverture probabiliste. Dans le cadre discret de la loi binomiale, arrondir $k$ à l’entier supérieur (choisir $12$ plutôt que $11$) a pour conséquence mécanique d’élargir délibérément l’intervalle d’ordre, garantissant ainsi formellement que la probabilité cumulée effective $P(X_{(j)} le \theta_{0{,}5} le X_{(k)})$ sera strictement supérieure ou égale au seuil nominal désiré $1 – \alpha$.

Dans la circonstance spécifique où le calcul analytique aboutit accidentellement à un nombre entier exact (par exemple si $j^* = 3{,}0000$), la fonction plafond ne modifie pas la valeur : nous retenons simplement $j = 3$. Si l’analyste décidait d’appliquer un arrondi usuel au plus proche ou d’arrondir $k$ vers le bas, l’intervalle résultant risquerait de devenir sous-couvrant (anticonservative), affichant par exemple une probabilité de couverture de 92 % alors qu’un niveau de 95 % est revendiqué dans le rapport scientifique. La règle du plafond strict de Conover constitue une protection méthodique contre l’erreur d’inflation du risque d’inférence.

5. 5. Les niveaux de confiance et la sélection de la valeur critique z

5.1 5.1 Correspondance entre seuil alpha et valeur critique z

La calibration de la largeur de l’intervalle de confiance pour la médiane est directement régie par le choix du risque de première espèce nominal $\alpha$, qui quantifie la probabilité résiduelle acceptable que l’intervalle ne recouvre pas la médiane de population. Dans la distribution normale centrée réduite $\mathcal{N}(0, 1)$, la valeur critique $z_{1 – alpha/2}$ correspond au quantile bilatéral délimitant une aire centrale égale à $1 – \alpha$, répartissant symétriquement une surface d’erreur égale à $alpha/2$ dans chacune des queues de distribution.

La pratique empirique en recherche psychologique s’articule conventionnellement autour de trois seuils d’inférence privilégiés, dont les propriétés métrologiques se synthétisent de la manière suivante :

• Niveau de confiance à 90 % ($\alpha = 0{,}10$) : L’erreur unilatérale tolérée est de $alpha/2 = 0{,}05$. La consultation de la table de la loi normale fournit la valeur critique $z_{0{,}95} = 1{,}645$. Ce niveau est fréquemment employé dans les études exploratoires préliminaires ou lorsque les tailles d’échantillons sont extrêmement réduites et que l’analyste privilégie la finesse de localisation au détriment d’une certitude absolue.
• Niveau de confiance à 95 % ($\alpha = 0{,}05$) : Il constitue le standard consensuel universellement adopté dans les publications de psychologie expérimentale et clinique, aligné sur les exigences éditoriales de l’APA. L’erreur unilatérale est fixée à $alpha/2 = 0{,}025$, conduisant à la valeur critique emblématique $z_{0{,}975} = 1{,}96$ (plus rigoureusement $1{,}95996$).
• Niveau de confiance conservateur à 99 % ($\alpha = 0{,}01$) : Ce seuil très exigeant cantonne le risque d’erreur unilatérale à $alpha/2 = 0{,}005$, requérant une valeur critique $z_{0{,}995} = 2{,}576$ (fréquemment arrondie à $2{,}58$). Il est impérativement requis dans les protocoles précliniques à fort enjeu médicamenteux, les études neuropsychologiques décisionnelles ou les contextes de tests multiples nécessitant une correction de type Bonferroni.

5.2 5.2 Arbitrage entre précision de l’intervalle et certitude statistique

Le choix d’un niveau de confiance ne constitue jamais une opération purement technique ; il incarne un compromis épistémologique direct entre la certitude statistique de l’énoncé et la précision clinique de l’information produite. À mesure que le coefficient $z$ s’accroît lors de la transition d’un seuil de 90 % ($z = 1{,}645$) vers un seuil de 99 % ($z = 2{,}576$), le produit $z \times \sqrt{nq(1-q)}$ augmente dans un rapport d’environ 1,57. Cette expansion mathématique repousse mécaniquement le rang inférieur $j$ vers les premiers indices de la série ordonnée et le rang supérieur $k$ vers les indices terminaux.

En psychologie clinique, un intervalle trop large perd son utilité décisionnelle. Supposons un protocole évaluant l’efficacité d’une psychothérapie cognitivo-comportementale sur l’échelle de dépression de Hamilton (HAM-D, score de 0 à 52). Si l’intervalle de confiance calculé à 99 % s’étend du rang correspondant au score de 8 (rémission complète) jusqu’au rang correspondant au score de 24 (dépression sévère), l’intervalle est méthodologiquement irréprochable sur le plan de la certitude probabiliste, mais cliniquement dénué de pertinence pour statuer sur l’efficacité de la prise en charge. Inversement, fixer un seuil trop laxiste pour resserrer artificiellement l’intervalle accroît le risque d’infirmer prématurément des hypothèses valides ou de fonder des politiques de santé mentale sur des artefacts d’échantillonnage.

Le chercheur avisé doit donc expliciter rationnellement son choix de $z$ en amont de la collecte des données (idéalement dans le cadre d’un pré-enregistrement d’étude). En l’absence de justifications particulières relatives à la gravité clinique des faux négatifs ou des faux positifs, le niveau standard de 95 % ($z = 1{,}96$) représente l’équilibre optimal entre le coût métrologique de l’imprécision et la rigueur de la validation scientifique.

5.3 5.3 Prise en compte de la taille d’échantillon sur la précision de z

L’applicabilité de la valeur critique $z$, issue de la loi normale asymptotique, est étroitement conditionnée par l’effectif global $n$ de la cohorte analysée. Bien que la loi binomiale converge remarquablement vite vers la courbe de Gauss sous la symétrie $q = 0{,}5$, l’approximation normale commence à perdre de sa rigueur mathématique dès lors que l’échantillon devient excessivement restreint ($n < 10$). Pour ces très petits échantillons, la discrétisation spatiale des statistiques d'ordre est tellement grossière qu'une variation unitaire de rang induit un saut massif dans le niveau de couverture cumulative.

Lorsque $n ge 15$, la méthode asymptotique de Conover présente une concordance satisfaisante avec les calculs exacts combinatoires. L’erreur absolue commise sur la couverture réelle ne dépasse généralement pas 1 à 2 points de pourcentage par rapport au seuil nominal théorique. En revanche, pour des échantillons restreints compris entre $n = 6$ et $n = 10$, le calcul asymptotique de $j$ peut aboutir à des indices mathématiques inférieurs à 1 (par exemple $j^* = 0{,}4$), ce qui oblige l’analyste à tronquer l’indice à $j = 1$, réduisant de fait la borne inférieure à la valeur minimale de l’échantillon $X_{(1)}$.

Dans ce contexte de micro-échantillons expérimentaux, l’analyste doit être conscient que la valeur nominale $z = 1{,}96$ n’assure plus qu’une approximation indicative. Bien que l’application de la règle d’arrondi au plafond compense la plupart du temps cette imprécision en restaurant une sur-couverture protectrice, il devient méthodologiquement recommandable pour $n < 10$ de confronter le résultat à la distribution binomiale exacte ou de mobiliser une correction de continuité, comme nous le formaliserons dans les chapitres d'approfondissement comparatif.

6. 6. Guide pratique pas-à-pas : Préparation et ordonnancement des données

6.1 6.1 Présentation du jeu de données psychométriques (n = 15)

Pour illustrer la mise en œuvre empirique de la procédure de Conover, considérons un cas d’étude réel en recherche comportementale. Une équipe de psychologues de la santé s’intéresse à l’impact du stress perçu chez des internes en médecine hospitalière lors de leurs premières semaines de garde d’urgence. Le stress perçu est quantifié au moyen d’une version validée de l’échelle d’évaluation du stress perçu (Perceived Stress Scale, PSS-10), dont les scores totaux s’étendent de 0 (absence totale de stress) à 40 (détresse psychologique sévère).

Un échantillon consécutif de $n = 15$ internes a été soumis à cette évaluation psychométrique. L’extraction des protocoles bruts permet de recueillir les scores individuels suivants, répertoriés selon l’ordre chronologique d’inclusion des sujets dans l’étude :

$$\text{Scores bruts} = {21, 15, 8, 26, 20, 11, 23, 19, 12, 28, 22, 13, 21, 17, 25}$$

Un examen diagnostique initial des données confirme l’absence de valeurs aberrantes impossibles : toutes les mesures sont strictement comprises dans l’intervalle théorique [0, 40] de l’instrument psychométrique. Les scores sont de nature ordinale à métrique discrète quasi-continue. Une observation attentive révèle également la présence de deux scores identiques de valeur $21$, illustrant le phénomène d’ex æquo (ties) fréquemment rencontré dans les protocoles de recherche en psychologie. Ce jeu de données de taille modeste ($n = 15$) constitue un cas représentatif d’investigation en contexte clinique.

6.2 6.2 Étape 1 : Ordonnancement strict des observations

La première opération algorithmique de toute démarche non paramétrique fondée sur les statistiques d’ordre consiste à trier rigoureusement les données d’échantillon par ordre strictement croissant. Soit le vecteur initial non structuré $X = (x_1, x_2, dots, x_{15})$. Nous appliquons un opérateur de tri $tau$ tel que :

$$X_{(1)} le X_{(2)} le X_{(3)} le dots le X_{(14)} le X_{(15)}$$

Il est impératif d’assigner à chaque valeur son rang indicé précis de 1 à $n$. Une erreur méthodologique consisterait à fusionner les scores identiques ou à leur attribuer des rangs moyens (comme on le pratique dans le cadre des tests de rangs signés de Wilcoxon ou du test de Mann-Whitney). Dans le protocole de Conover dédié à l’intervalle d’un quantile, toutes les observations doivent impérativement conserver leur statut individuel distinct au sein de la séquence ordonnée. Les doublons doivent donc figurer consécutivement en occupant deux indices de rang successifs.

Le tableau d’ordonnancement ci-dessous consigne l’ensemble des données structurées prêtes pour le traitement inférentiel :

Rang indicé ($i$)	Observation ordonnée ($X_{(i)}$)	Statut méthodologique
1	8	Minimum de l’échantillon
2	11	Statistique d’ordre
3	12	Statistique d’ordre
4	13	Statistique d’ordre
5	15	Statistique d’ordre
6	17	Statistique d’ordre
7	19	Statistique d’ordre
8	20	Médiane empirique de l’échantillon
9	21	Ex æquo (première occurrence)
10	21	Ex æquo (seconde occurrence)
11	22	Statistique d’ordre
12	23	Statistique d’ordre
13	25	Statistique d’ordre
14	26	Statistique d’ordre
15	28	Maximum de l’échantillon

6.3 6.3 Étape 2 : Détermination de la médiane empirique de l’échantillon

L’échantillon étant ordonné, l’étape suivante consiste à extraire l’estimation ponctuelle de la médiane empirique, notée $\tilde{X}$ ou $\text{Mdn}$. Sur le plan formel, la règle de sélection de la médiane dépend de la parité de la taille d’échantillon $n$ :

• Si $n$ est pair, il n’existe pas d’élément central unique ; la médiane correspond conventionnellement à la demi-somme arithmétique des deux observations centrales occupant les rangs $n/2$ et $(n/2) + 1$.
• Si $n$ est impair, la médiane correspond précisément à l’unique observation occupant la position centrale exacte déterminée par la formule :
  $$\text{Rang}_{\text{médiane}} = \frac{n + 1}{2}$$

Dans notre étude, la cohorte comporte $n = 15$ internes, soit un effectif impair. L’application de la formule de localisation indique :

$$\text{Rang}_{\text{médiane}} = \frac{15 + 1}{2} = \frac{16}{2} = 8$$

En consultant notre tableau de données ordonnées à la ligne correspondant au rang $i = 8$, nous extrayons directement la valeur associée :

$$\text{Mdn} = X_{(8)} = 20$$

Cliniquement, ce résultat ponctuel indique que la moitié des internes évalués dans ce service présente un score de stress perçu inférieur ou égal à 20, tandis que l’autre moitié rapporte des scores compris entre 20 et 28. Ce score de 20 correspond dans la littérature psychométrique à un niveau de stress modéré tendant vers la limite haute des valeurs de normalité en population générale hospitalière. Cependant, sans son intervalle de confiance, ce chiffre isolé ne permet pas de déterminer si ce résultat est attribuable à un aléa d’échantillonnage ou s’il reflète une charge anxieuse structurelle de l’ensemble de la population des internes.

7. 7. Guide pratique pas-à-pas : Calcul rigoureux des indices j et k

7.1 7.1 Étape 3 : Application des paramètres dans les formules

Nous abordons à présent la phase analytique consistant à déterminer les bornes d’intervalles au moyen du formalisme de Conover. Fixons notre niveau de confiance à la valeur standard académique de 95 % ($\alpha = 0{,}05$), ce qui impose la mobilisation de la valeur critique normale $z_{0{,}975} = 1{,}96$. Les paramètres initiaux du modèle sont donc définis sans ambiguïté :

• Taille d’échantillon : $n = 15$
• Quantile médian cible : $q = 0{,}5$
• Valeur critique : $z = 1{,}96$

Calculons séquentiellement les blocs algébriques intervenant dans les équations des rangs. Déterminons en premier lieu l’espérance mathématique de la position médiane :

$$n \cdot q = 15 \times 0{,}5 = 7{,}5$$

Calculons ensuite la variance binomiale sous-jacente :

$$n \cdot q \cdot (1 – q) = 15 \times 0{,}5 \times (1 – 0{,}5) = 15 \times 0{,}5 \times 0{,}5 = 3{,}75$$

Extrayons à présent la racine carrée de cette variance afin d’obtenir l’écart-type de la distribution d’échantillonnage des rangs :

$$\sigma_{\text{rang}} = \sqrt{3{,}75} \approx 1{,}936491673$$

Ce résultat intermédiaire de $1{,}9365$ mesure l’incertitude stochastique relative au nombre de sujets se situant sous la médiane théorique au sein d’un échantillon aléatoire de quinze observations.

7.2 7.2 Étape 4 : Calcul numérique des bornes j et k avant arrondi

L’étape suivante consiste à quantifier la marge d’erreur indicielle, obtenue en pondérant l’écart-type par la valeur critique de la loi normale centrée réduite :

$$\text{Marge d’erreur} = z \times \sqrt{nq(1-q)} = 1{,}96 \times 1{,}936491673 \approx 3{,}795523679$$

Nous pouvons à présent évaluer les valeurs continues exactes des rangs théoriques inférieur ($j^*$) et supérieur ($k^*$) en retranchant et en additionnant cette marge d’erreur au centre d’espérance $nq = 7{,}5$ :

Pour la borne indicielle inférieure théorique :

$$j^* = nq – z\sqrt{nq(1-q)} = 7{,}5 – 3{,}795523679 = 3{,}704476321$$

Pour la borne indicielle supérieure théorique :

$$k^* = nq + z\sqrt{nq(1-q)} = 7{,}5 + 3{,}795523679 = 11{,}295523679$$

Nous constatons que ces calculs produisent des nombres décimaux continus ($j^* \approx 3{,}7045$ et $k^* \approx 11{,}2955$). Sur le plan de la cohérence interne, nous vérifions que les deux valeurs sont parfaitement symétriques autour de $7{,}5$ :

$$\frac{j^* + k^*}{2} = \frac{3{,}7045 + 11{,}2955}{2} = \frac{15{,}0000}{2} = 7{,}5$$

Ces indices continus ne correspondent à aucun enregistrement physique direct dans notre vecteur de scores ordonnés, rendant indispensable l’application de la règle de discrétisation méthodique.

7.3 7.3 Étape 5 : Application de la règle d’arrondi au plafond

Conformément aux préceptes théoriques de Conover détaillés dans la section 4.3, nous appliquons rigoureusement la fonction mathématique d’arrondi à l’entier supérieur (plafond / ceiling) à chacun de nos deux indices décimaux $j^*$ et $k^*$.

Pour l’indice de rang inférieur :

$$j = \lceil j^* \rceil = \lceil 3{,}704476321 \rceil = 4$$

Pour l’indice de rang supérieur :

$$k = \lceil k^* \rceil = \lceil 11{,}295523679 \rceil = 12$$

Soulignons l’importance cruciale de cette opération sur le rang supérieur $k$. Une erreur classique consiste à appliquer les règles d’arrondi scolaire qui auraient rabattu $11{,}2955$ vers $11$. En choisissant le rang $12$, nous étendons délibérément l’emprise indicielle d’une unité vers le haut. Cette décision garantit mathématiquement que l’intervalle d’ordre englobe une masse de probabilité binomiale cumulée au moins égale aux 95 % exigés par le niveau de confiance nominal.

Les indices de rang finaux retenus pour extraire les limites de confiance dans notre échantillon ordonné sont donc définitivement fixés aux entiers naturels :

$$j = 4 \quad \text{et} \quad k = 12$$

8. 8. Guide pratique pas-à-pas : Extraction et formalisation de l’intervalle

8.1 8.1 Étape 6 : Extraction des valeurs associées aux rangs retenus

Ayant dérivé les indices discrets $j = 4$ et $k = 12$, la finalisation de l’intervalle de confiance pour la médiane se résume à une opération d’extraction directe au sein du tableau de données préalablement ordonnées.

Pour la borne inférieure de l’intervalle de confiance, nous pointons vers la $4^{\text{ème}}$ observation ordonnée de la cohorte :

$$\text{Borne Inférieure} = X_{(j)} = X_{(4)} = 13$$

Pour la borne supérieure de l’intervalle de confiance, nous pointons vers la $12^{\text{ème}}$ observation ordonnée de la cohorte :

$$\text{Borne Supérieure} = X_{(k)} = X_{(12)} = 23$$

Nous pouvons dès lors formaliser rigoureusement l’intervalle de confiance non paramétrique à 95 % pour la médiane de la population sous la forme du segment fermé suivant :

$$\text{IC}_{95%}(\text{Médiane}) = [X_{(4)}, X_{(12)}] = [13, 23]$$

Une vérification structurelle s’impose : nous observons que la médiane empirique de l’échantillon ($\text{Mdn} = 20$) est parfaitement encadrée par ces deux bornes :

$$13 le 20 le 23$$

La médiane empirique n’occupe pas le centre arithmétique parfait de l’intervalle numérique (la distance séparant 13 de 20 est de 7 points, tandis que la distance séparant 20 de 23 n’est que de 3 points). Cette asymétrie de l’intervalle métrique $[13, 23]$ constitue une caractéristique des méthodes d’ordre : bien que les indices de rangs soient symétriques dans l’espace distributionnel discret, les valeurs correspondantes reflètent la distribution locale des observations, offrant une description fidèle de la structure de l’échantillon sans forcer une symétrie artificielle.

8.2 8.2 Sensibilité de l’intervalle selon le niveau de confiance choisi

Afin de visualiser empiriquement l’impact du niveau de confiance sélectionné sur l’étendue des rangs et la précision métrique, nous reprenons l’ensemble des calculs pour les deux autres seuils consensuels : 90 % et 99 %.

Recalcul au seuil de confiance de 90 % ($z = 1{,}645$) :

• $\text{Marge} = 1{,}645 \times \sqrt{3{,}75} = 1{,}645 \times 1{,}9365 = 3{,}1855$
• $j^* = 7{,}5 – 3{,}1855 = 4{,}3145 implies j = \lceil 4{,}3145 \rceil = 5$
• $k^* = 7{,}5 + 3{,}1855 = 10{,}6855 implies k = \lceil 10{,}6855 \rceil = 11$
• Extraction : $X_{(5)} = 15$ et $X_{(11)} = 22$
• Intervalle de confiance à 90 % : $[15, 22]$

Recalcul au seuil de confiance de 99 % ($z = 2{,}576$) :

• $\text{Marge} = 2{,}576 \times \sqrt{3{,}75} = 2{,}576 \times 1{,}9365 = 4{,}9884$
• $j^* = 7{,}5 – 4{,}9884 = 2{,}5116 implies j = \lceil 2{,}5116 \rceil = 3$
• $k^* = 7{,}5 + 4{,}9884 = 12{,}4884 implies k = \lceil 12{,}4884 \rceil = 13$
• Extraction : $X_{(3)} = 12$ et $X_{(13)} = 25$
• Intervalle de confiance à 99 % : $[12, 25]$

Le tableau comparatif suivant synthétise la progression métrique et indicielle en fonction du seuil décisionnel retenu :

Niveau de confiance ($1-\alpha$)	Valeur critique ($z$)	Rangs retenus ($j, k$)	Bornes obtenues	Largeur métrique ($k – j$)
90 %	1,645	Rangs 5 et 11	[15, 22]	7 points
95 %	1,960	Rangs 4 et 12	[13, 23]	10 points
99 %	2,576	Rangs 3 et 13	[12, 25]	13 points

Ce tableau met en exergue le coût direct de l’exigence de certitude : passer de 90 % à 99 % de confiance élargit la plage d’incertitude de 7 à 13 points sur l’échelle PSS-10, englobant presque un tiers de l’amplitude totale de l’instrument d’évaluation clinique.

8.3 8.3 Gestion des cas particuliers et contraintes d’arrondi

L’implémentation opérationnelle de la méthode de Conover peut confronter le chercheur à des anomalies d’indexation aux limites, en particulier lorsque la taille d’échantillon $n$ est restreinte ou que le quantile investigué se situe dans les queues de distribution. Deux scénarios limites méritent une attention méthodologique rigoureuse :

Cas où $j^* le 0$ : Si la taille d’échantillon est petite (par exemple $n = 8$) et que l’on applique un seuil de confiance élevé ($z = 1{,}96$), le terme $nq – z\sqrt{nq(1-q)}$ peut générer une valeur théorique strictement négative ou nulle (ex. : $4 – 1{,}96 \times \sqrt{2} = 4 – 2{,}77 = 1{,}23$, mais pour $n=6$, $3 – 1{,}96 \times 1{,}22 = 0{,}6$). Si $j^*$ aboutit à une valeur comprise entre $-1$ et $0$, la fonction plafond arrondirait mathématiquement à $0$. Or, l’indice d’observation $X_{(0)}$ n’existe pas. La règle méthodologique impose dans ce cas de tronquer impérativement l’indice inférieur à l’unité : $j = 1$. La borne inférieure correspondra alors au score minimum absolu observé dans l’échantillon ($X_{(1)}$).

Cas où $k^* > n$ : De manière symétrique, le calcul de la borne supérieure théorique peut excéder la taille totale d’échantillon $n$. Par exemple, si $n = 7$ et $z = 1{,}96$, nous obtenons $k^* = 3{,}5 + 1{,}96 \times \sqrt{1{,}75} = 3{,}5 + 2{,}59 = 6{,}09 implies \lceil 6{,}09 \rceil = 7$, mais pour des quantiles plus élevés ($q = 0{,}75$), $k^*$ peut largement dépasser $n$. Si $k > n$, il est obligatoire de tronquer l’indice supérieur à la taille maximale de l’échantillon : $k = n$. La borne supérieure devient alors le maximum d’échantillon observé ($X_{(n)}$).

Ces troncatures forcées sont la manifestation directe du manque de puissance statistique inhérent aux petits échantillons. Elles signalent que le plan expérimental ne dispose pas d’un nombre suffisant d’observations pour garantir empiriquement le niveau de confiance nominal sans saturer les limites physiques de la série de données. Si l’analyste évolue sur des variables strictement continues sans ex æquo, une interpolation linéaire entre les rangs peut parfois être envisagée, mais au détriment de l’élégance non paramétrique stricte qui fait la force de la méthode de Conover.

9. 9. Interprétation statistique et rédaction selon les normes académiques

9.1 9.1 Formulation correcte de l’inférence statistique

L’étape d’interprétation constitue un écueil méthodologique fréquent dans la littérature en sciences comportementales. La mauvaise compréhension des intervalles de confiance conduit souvent à des formulations probabilistes erronées, couramment désignées sous le vocable de « sophisme du niveau de confiance ». Il est rigoureusement incorrect d’affirmer : « Il y a 95 % de chances que la médiane de la population des internes en médecine soit comprise entre 13 et 23 ». Cette formulation sous-entend que le paramètre de population est une variable aléatoire fluctuante, ce qui contredit les axiomes de l’inférence fréquentiste. En réalité, la médiane de la population $\theta_{0{,}5}$ est une constante déterministe fixe, bien qu’inconnue ; ce sont les bornes d’échantillonnage $[13, 23]$ qui constituent la réalisation d’un vecteur aléatoire.

Une formulation scientifiquement irréprochable doit s’énoncer de la manière suivante :

« Si nous devions répéter cette étude un grand nombre de fois en prélevant des échantillons aléatoires indépendants de 15 internes au sein de cette même population hospitalière, et si nous calculions à chaque tirage un intervalle de confiance selon l’algorithme de Conover, 95 % de ces intervalles recouvriraient la médiane réelle du stress perçu. Les bornes [13, 23] issues de notre échantillon représentent donc une estimation par intervalle hautement plausible de cette valeur centrale au seuil de confiance retenu. »

Sur le plan de l’interprétation clinique, l’intervalle $[13, 23]$ fournit un enseignement précieux. Bien que la médiane empirique de 20 pointe vers un stress modéré, la marge d’incertitude autorise l’hypothèse que la véritable médiane puisse être aussi basse que 13 (seuil de stress faible) ou s’élever jusqu’à 23 (seuil d’entrée dans la zone de stress sévère selon les étalonnages hospitaliers usuels). Cette largeur d’intervalle invite le chercheur à la prudence : l’échantillon actuel de 15 sujets ne permet pas de statuer définitivement sur le caractère pathologique du stress moyen de ce corps professionnel, suggérant la nécessité d’une étude confirmatoire à effectif élargi.

9.2 9.2 Normes de présentation de l’APA (7e édition)

L’American Psychological Association codifie de manière extrêmement méticuleuse la typographie et la syntaxe des rapports statistiques dans les revues à comité de lecture. La septième édition du manuel de l’APA stipule que la médiane s’abrège par le symbole Mdn (en italique), et que l’intervalle de confiance est désigné par l’acronyme IC (ou CI pour les manuscrits rédigés en langue anglaise), accompagné impérativement du niveau de pourcentage explicite.

Les bornes numériques de l’intervalle doivent être encadrées par des crochets stricts, séparées par une virgule (ou par un point-virgule si la virgule sert déjà de séparateur décimal, selon les conventions linguistiques), avec un espace insécable après le séparateur. Les formulations textuelles suivantes illustrent les standards éditoriaux de l’APA (adaptés en français) :

• Intégration directe dans le corps du texte :
  « L’évaluation du stress perçu auprès des internes hospitaliers met en évidence une médiane empirique modérée (Mdn = 20,00, IC à 95 % [13,00, 23,00]). »
• Rapport statistique d’une comparaison de deux groupes indépendants :
  « Les internes affectés aux urgences affichent un score de stress médian significativement supérieur (Mdn = 20,00, IC à 95 % [13,00, 23,00]) à celui de leurs pairs affectés aux services de consultations programmées (Mdn = 12,00, IC à 95 % [9,00, 16,00]). »

Dans les tableaux de synthèse récapitulatifs, il est fortement déconseillé de multiplier les colonnes d’intervalles redondantes. L’APA recommande de consigner la médiane suivie de son intervalle dans une colonne dédiée sous la syntaxe standardisée : Mdn [IC à 95 %], avec un renvoi de bas de tableau clarifiant l’emploi de la méthode de Conover :

Note. $N = 15$. Les intervalles de confiance pour la médiane ont été calculés selon la méthode non paramétrique d’approximation binomiale de Conover (1999).

9.3 9.3 Représentation graphique optimale pour les publications

La transmission visuelle des estimations d’intervalles non paramétriques constitue un vecteur essentiel de clarté scientifique. Le choix de la figure graphique doit impérativement bannir les diagrammes en barres simples (« bar plots » ou « dynamite plots »), dont l’usage pour des données ordinales ou asymétriques est aujourd’hui proscrit par l’ensemble des comités éditoriaux de référence. Trois modalités graphiques permettent de restituer fidèlement l’intervalle de confiance d’une médiane :

Le diagramme en boîte enrichi (Boxplot annoté) : Le diagramme en boîte standard de Tukey présente la médiane (barre centrale épaisse), les quartiles inférieur et supérieur (les limites de la boîte représentant l’écart interquartile, IQR), ainsi que les moustaches délimitant les valeurs non aberrantes. Une erreur graphique répandue consiste à confondre les moustaches du boxplot avec l’intervalle de confiance. Pour une publication rigoureuse, il est recommandé d’adjoindre au boxplot des encoches spécifiques (notched boxplots). La largeur de ces encoches correspond par convention graphique standard à une estimation de l’intervalle de confiance de la médiane :

$$\text{Encoche} = \text{Mdn} \pm 1{,}58 \times \frac{\text{IQR}}{\sqrt{n}}$$

Si deux groupes expérimentaux affichent des encoches qui ne se chevauchent pas visuellement sur l’axe des ordonnées, le lecteur peut en déduire une divergence statistiquement significative entre leurs médianes avec un risque d’erreur approximatif de 5 %.

Le graphique de points avec barres d’erreur asymétriques : Lorsque l’espace éditorial est restreint, l’analyste peut tracer un point symbolisant la médiane empirique ($\text{Mdn} = 20$), assorti d’une barre d’erreur verticale délimitée précisément par les bornes calculées de Conover ($13$ et $23$). L’asymétrie visuelle de la barre autour du point central informe immédiatement le lecteur de la distribution asymétrique des scores bruts sous-jacents, rendant visible la structure des données sans artifice.

10. 10. Comparaison avec les méthodes alternatives d’estimation d’intervalle

10.1 10.1 L’approche par rééchantillonnage Bootstrap (BCa et percentile)

L’avènement de la puissance computationnelle a popularisé le recours au rééchantillonnage bootstrap développé par Bradley Efron en 1979. Le bootstrap non paramétrique consiste à tirer avec remise un nombre élevé de sous-échantillons (par exemple $B = 2,000$ ou $B = 10,000$) de taille $n$ à partir du jeu de données initial, à calculer la médiane pour chaque tirage, et à déduire empiriquement l’intervalle de confiance à partir de la distribution de ces médianes rééchantillonnées.

La méthode bootstrap la plus élémentaire — le bootstrap par percentile — consiste simplement à retenir les centiles à $2{,}5,%$ et $97{,}5,%$ de la distribution des répliques pour former l’intervalle à 95 %. Cependant, cette variante souffre d’un biais systématique lorsque l’échantillon d’origine est de petite taille. Pour y remédier, la méthode bootstrap avancée BCa (bias-corrected and accelerated) intègre deux facteurs de correction : un paramètre de décalage $z_0$ corrigeant le biais médian de la distribution rééchantillonnée, et un paramètre d’accélération $a$ modélisant la dépendance de la variance vis-à-vis du paramètre de population (skewness asymptotique).

Si l’algorithme BCa est performant pour les quantiles continus sur de grands échantillons ($n > 50$), il présente des limites face aux micro-échantillons discrets ($n = 15$). En raison de la petite taille de l’échantillon, le nombre de médianes distinctes constructibles par rééchantillonnage avec remise est strictement borné, induisant une distribution discrétisée par sauts (phénomène de tied bootstrap estimates). L’intervalle de Conover ne nécessite aucun tirage aléatoire itératif, échappe à l’instabilité stochastique inhérente aux graines de génération de nombres pseudo-aléatoires (random seed) et garantit une solution mathématique exacte et déterministe en une seule ligne d’instruction.

10.2 10.2 La méthode exacte basée sur la loi binomiale directe

La méthode de Conover présentée jusqu’ici utilise l’approximation normale de la distribution binomiale via la valeur critique $z = 1{,}96$. Toutefois, il est parfaitement envisageable de dériver un intervalle de confiance pour la médiane sans recourir à cette approximation gaussienne, en exploitant directement les sommes de probabilités discrètes de la fonction de masse de la loi binomiale $\mathcal{B}(n, 0{,}5)$. Cette approche porte le nom de méthode exacte des statistiques d’ordre.

Pour un échantillon de taille $n$, la probabilité exacte que l’intervalle délimité par les rangs entiers $j$ et $k$ englobe la médiane de la population s’exprime rigoureusement par la formule combinatoire :

$$P(X_{(j)} le \theta_{0{,}5} le X_{(k)}) = \sum_{r=j}^{k-1} \binom{n}{r} (0{,}5)^r (0{,}5)^{n-r} = (0{,}5)^n \sum_{r=j}^{k-1} \binom{n}{r}$$

Pour notre échantillon de $n = 15$, si nous sélectionnons les rangs symétriques $j = 4$ et $k = 12$ identifiés par la formule de Conover, la probabilité de couverture exacte s’obtient en sommant les coefficients binomiaux pour $r$ variant de 4 à 11 :

$$\text{Couverture réelle} = \left(\frac{1}{2}\right)^{15} \left( \binom{15}{4} + \binom{15}{5} + \binom{15}{6} + \binom{15}{7} + \binom{15}{8} + \binom{15}{9} + \binom{15}{10} + \binom{15}{11} \right)$$

Calculons individuellement ces termes combinatoires :

• $\binom{15}{4} = 1,365$
• $\binom{15}{5} = 3,003$
• $\binom{15}{6} = 5,005$
• $\binom{15}{7} = 6,435$
• $\binom{15}{8} = 6,435$
• $\binom{15}{9} = 5,005$
• $\binom{15}{10} = 3,003$
• $\binom{15}{11} = 1,365$

La somme exacte de ces coefficients équivaut à $31,616$. Sachant que l’univers total des configurations d’échantillonnage comporte $2^{15} = 32,768$ événements élémentaires, la couverture probabiliste réelle de notre intervalle de Conover $[X_{(4)}, X_{(12)}]$ s’établit précisément à :

$$\text{Couverture réelle} = \frac{31,616}{32,768} \approx 0{,}96484375 implies 96{,}48,%$$

Nous constatons que la couverture réelle ($96{,}48,%$) excède le niveau nominal revendiqué de 95 %. Cela démontre empiriquement la validité de la règle d’arrondi au plafond préconisée par Conover : elle a protégé l’intervalle contre la sous-couverture. Si nous avions fait le choix inverse d’arrondir $k$ vers le bas (rangs 4 et 11), le calcul exact binomial indiquerait une couverture de seulement :

$$\frac{31,616 – \binom{15}{11}}{32,768} = \frac{31,616 – 1,365}{32,768} = \frac{30,251}{32,768} \approx 0{,}92318 implies 92{,}32,%$$

L’intervalle aurait failli à satisfaire le seuil académique des 95 %. L’approximation de Conover couplée à la fonction plafond conduit ici au même choix d’indices que le calcul combinatoire exact.

10.3 10.3 Inversion du test des signes de Wilcoxon

L’intervalle de confiance non paramétrique pour la médiane s’avère intimement lié à la théorie des tests d’hypothèses par le principe d’inversion de test. Dans le paradigme fréquentiste standard, un intervalle de confiance à $1 – \alpha$ pour un paramètre donné est strictement équivalent à l’ensemble de toutes les hypothèses nulles $H_0: \theta = \theta_0$ qui ne sont pas rejetées au seuil de signification $\alpha$ par le test statistique associé.

Dans le cas d’une médiane de population continue, le test exact correspondant est le test des signes. Pour tester l’hypothèse nulle $H_0: \text{Mdn} = M_0$ contre l’alternative bilatérale $H_1: \text{Mdn} ne M_0$, on compte le nombre de différences positives $S^+ = \sum I(X_i > M_0)$. Sous $H_0$, la statistique de test $S^+$ suit une loi binomiale $\mathcal{B}(n, 0{,}5)$. L’inversion formelle de cette zone de non-rejet bilatérale délimite un intervalle numérique dont les bornes critiques correspondent exactement aux statistiques d’ordre $X_{(j)}$ et $X_{(k)}$ obtenues par la méthode binomiale directe.

Cette correspondance mathématique offre un double avantage méthodologique. D’une part, elle permet d’étendre la démarche aux plans d’expériences appariés (mesures répétées pré-test / post-test). En calculant les différences intrapersonnelles $D_i = X_{i,\text{post}} – X_{i,\text{pré}}$, la construction d’un intervalle de confiance sur la médiane de ces différences via la méthode de Conover permet de statuer sans ambiguïté sur l’efficacité d’une intervention psychologique : si l’intervalle de confiance $[D_{(j)}, D_{(k)}]$ exclut la valeur zéro, l’effet thérapeutique est déclaré statistiquement significatif au niveau $\alpha$. D’autre part, cette unification théorique garantit la cohérence des inférences au sein d’une même publication : l’intervalle de confiance produit ne contredira jamais la conclusion d’un test des signes appliqué aux mêmes données empiriques.

11. 11. Implémentation computationnelle : Scripts complets pour psychologues

11.1 11.1 Programmation et automatisation sous le logiciel R

Le logiciel d’analyse statistique R constitue l’environnement de prédilection de la recherche reproductible en psychologie. Bien qu’il existe des bibliothèques externes implémentant des variantes de calcul (comme DescTools avec la fonction MedianCI ou le package EnvStats), il est formateur et transparent de programmer une fonction autonome exécutant précisément l’algorithme asymptotique de Conover décrit tout au long de cet article.

Le script modulaire documenté ci-dessous prend en argument un vecteur numérique d’observations ainsi que le niveau de confiance souhaité, applique les équations analytiques, procède à l’arrondi au plafond, extrait les statistiques d’ordre et retourne une liste de résultats structurés :

Script R : Fonction autonome pour l’intervalle de Conover

# Implementation de la methode de Conover (1999) sous R
calculer_ic_mediane_conover <- function(vecteur_donnees, niveau_confiance = 0.95) {
  # 1. Elimination rigoureuse des donnees manquantes
  donnees_propres <- na.omit(vecteur_donnees)
  n <- length(donnees_propres)
  
  if (n < 3) {
    stop("La taille d'echantillon est insuffisante pour construire un intervalle.")
  }
  
  # 2. Ordonnancement strict des observations
  donnees_triees <- sort(donnees_propres)
  
  # 3. Calcul de la mediane empirique
  mediane_empirique <- median(donnees_triees)
  
  # 4. Parametres pour le quantile median (q = 0.5)
  q <- 0.5
  alpha <- 1 - niveau_confiance
  z_critique <- qnorm(1 - alpha / 2)
  
  # 5. Calcul de l'esperance et de l'ecart-type binomial
  esperance <- n * q
  ecart_type_rang <- sqrt(n * q * (1 - q))
  marge_erreur <- z_critique * ecart_type_rang
  
  # 6. Bornes theoriques continues
  j_theorique <- esperance - marge_erreur
  k_theorique <- esperance + marge_erreur
  
  # 7. Regle d'arrondi au plafond de Conover
  j <- ceiling(j_theorique)
  k <- ceiling(k_theorique)
  
  # 8. Gestion des contraintes d'arret et limites de sequence
  j <- max(1, j)
  k <- min(n, k)
  
  # 9. Extraction des valeurs indiciees
  borne_inf <- donnees_triees[j]
  borne_sup <- donnees_triees[k]
  
  # 10. Calcul de la couverture binomiale exacte reelle associee
  couverture_reelle <- pbinom(k - 1, size = n, prob = q) - pbinom(j - 1, size = n, prob = q)
  
  # Synthese des resultats sous forme de liste nommee
  resultats <- list(
    taille_echantillon = n,
    mediane = mediane_empirique,
    rang_j = j,
    rang_k = k,
    borne_inferieure = borne_inf,
    borne_superieure = borne_sup,
    niveau_confiance_nominal = niveau_confiance,
    couverture_exacte_reelle = couverture_reelle
  )
  
  return(resultats)
}

# Application empirique au jeu de donnees de stress (n = 15)
scores_stress <- c(21, 15, 8, 26, 20, 11, 23, 19, 12, 28, 22, 13, 21, 17, 25)
sortie <- calculer_ic_mediane_conover(scores_stress, niveau_confiance = 0.95)

# Impression formelle dans la console
cat("--- RESULTATS DE L'ESTIMATION NON PARAMETRIQUE ---n")
cat("Taille d'echantillon (n) :", sortie$taille_echantillon, "n")
cat("Mediane d'echantillon     :", sortie$mediane, "n")
cat("Rangs retenus (j et k)   : Rang", sortie$rang_j, "et Rang", sortie$rang_k, "n")
cat("Intervalle de Confiance  : [", sortie$borne_inferieure, ", ", sortie$borne_superieure, "]n", sep = "")
cat("Couverture reelle exacte :", round(sortie$couverture_exacte_reelle * 100, 2), "%n")

L’exécution de ce script sous R produit une sortie console qui valide rigoureusement les calculs manuels menés aux sections 7 et 8 :

--- RESULTATS DE L'ESTIMATION NON PARAMETRIQUE ---
Taille d'echantillon (n) : 15 
Mediane d'echantillon     : 20 
Rangs retenus (j et k)   : Rang 4 et Rang 12 
Intervalle de Confiance  : [13, 23]
Couverture reelle exacte : 96.48 %

Pour les analyses de routine, l’analyste peut également mobiliser la commande DescTools::MedianCI(scores_stress, conf.level = 0.95, method = "conover"), qui retournera une sortie identique, consolidant la reproductibilité des analyses.

11.2 11.2 Analyse via Python (scipy.stats et statsmodels)

L’utilisation de l’écosystème Python (avec les bibliothèques scientifiques numpy, scipy et pandas) s’étend de plus en plus au sein des laboratoires de sciences cognitives et de neurosciences computationnelles. La mise en place de la procédure de Conover sous Python nécessite une vigilance syntaxique sur un point précis : l’indexation vectorielle en Python débute à zéro (0-indexed), contrairement à l’indexation mathématique conventionnelle et au logiciel R qui débutent à un (1-indexed).

Le code suivant détaille l’implémentation de la méthode dans une fonction compatible avec les structures de données pandas.Series ou les tableaux numpy.ndarray, en ajustant formellement l’indexation Python :

Script Python : Implémentation reproductible pour notebooks Jupyter

import math
import numpy as np
from scipy import stats

def intervalle_confiance_mediane_conover(donnees, niveau_confiance=0.95):
    """
    Calcule l'intervalle de confiance non parametrique pour la mediane 
    selon la methode de Conover (1999).
    """
    # Nettoyage et transformation en tableau numpy unidimensionnel
    arr = np.asarray(donnees)
    arr = arr[~np.isnan(arr)]
    n = len(arr)
    
    if n < 3:
        raise ValueError("Taille d'echantillon insuffisante.")
        
    # Tri strict par ordre croissant
    arr_trie = np.sort(arr)
    mediane_val = float(np.median(arr_trie))
    
    # Parametrage probabiliste
    q = 0.5
    alpha = 1.0 - niveau_confiance
    z_critique = stats.norm.ppf(1.0 - alpha / 2.0)
    
    # Calcul de la marge indicielle
    esperance = n * q
    sigma_rang = math.sqrt(n * q * (1.0 - q))
    marge = z_critique * sigma_rang
    
    # Application de la fonction plafond math.ceil
    j_theorique = esperance - marge
    k_theorique = esperance + marge
    
    j = math.ceil(j_theorique)
    k = math.ceil(k_theorique)
    
    # Correction des effets de bord dans l'espace des rangs naturels (1 a n)
    j = max(1, j)
    k = min(n, k)
    
    # Extraction avec conversion pour l'indexation zero-based de Python
    # Le rang mathematique j correspond a l'indice informatique (j - 1)
    borne_inf = arr_trie[j - 1]
    borne_sup = arr_trie[k - 1]
    
    # Calcul de la probabilite de couverture binomiale exacte
    # P(j <= Y < k) = F_binom(k - 1) - F_binom(j - 1)
    couverture = stats.binom.cdf(k - 1, n, q) - stats.binom.cdf(j - 1, n, q)
    
    return {
        "n": n,
        "mediane": mediane_val,
        "rang_j": j,
        "rang_k": k,
        "borne_inferieure": borne_inf,
        "borne_superieure": borne_sup,
        "couverture_reelle": couverture
    }

# Execution sur le jeu de donnees psychometriques
scores_stress = [21, 15, 8, 26, 20, 11, 23, 19, 12, 28, 22, 13, 21, 17, 25]
resultat = intervalle_confiance_mediane_conover(scores_stress, niveau_confiance=0.95)

# Affichage des sorties formatees
print(f"Mediane empirique : {resultat['mediane']}")
print(f"Rangs mathematiques d'ordre : j = {resultat['rang_j']}, k = {resultat['rang_k']}")
print(f"Intervalle de confiance a 95% : [{resultat['borne_inferieure']}, {resultat['borne_superieure']}]")
print(f"Couverture probabiliste exacte : {resultat['couverture_reelle'] * 100:.2f}%")

Le code prend en compte le décalage indiciel (arr_trie[j - 1] et arr_trie[k - 1]), évitant l’erreur d’off-by-one qui fausserait l’extraction des observations limites.

11.3 11.3 Solutions pour SPSS et JASP en recherche clinique

Pour les praticiens hospitaliers et les étudiants s’appuyant sur des interfaces graphiques d’analyse, l’extraction de l’intervalle de confiance de la médiane requiert des paramétrages particuliers sous IBM SPSS Statistics et le logiciel open-source JASP.

Sous SPSS : Par défaut, la commande descriptive standard DESCRIPTIVES ou la procédure EXPLORE fournit un intervalle de confiance à 95 % exclusivement calculé pour la moyenne arithmétique. Pour obtenir un intervalle sur la médiane, l’utilisateur dispose de deux voies méthodologiques :

• La voie Bootstrap intégrée : Dans le menu Analyser > Statistiques descriptives > Explorer, insérez la variable dépendante dans la liste des variables dépendantes. Cliquez sur le sous-bouton Bootstrap…, cochez la case Activer le bootstrap, sélectionnez $2,000$ échantillons, et cochez l’option Percentile ou BCa. Dans la sous-boîte de dialogue Statistiques, assurez-vous que la case Estimateurs robustes de la tendance centrale est cochée. SPSS produira alors une table contenant la médiane empirique accompagnée de son intervalle de confiance dérivé par rééchantillonnage.
• La voie par syntaxe non paramétrique : Il est également possible d’exécuter un test des signes sur une médiane cible via la commande NPTESTS, qui permet de générer des sorties d’estimation de quantiles selon la distribution binomiale dans les versions récentes de SPSS (menu Tests non paramétriques > Échantillon unique > Personnaliser l’analyse).

Sous JASP : Le logiciel libre JASP s’est affirmé comme une alternative moderne pour l’analyse des données comportementales. Pour estimer un intervalle de confiance non paramétrique :

• Ouvrez votre fichier de données dans JASP et assurez-vous que la colonne cible possède le statut de métrique ordinale ou d’échelle (échelle continue).
• Dans le ruban supérieur d’analyse, sélectionnez le menu Descriptives. Insérez la variable d’intérêt dans la boîte de sélection active.
• Sous l’onglet déroulant Statistics, cochez la case Median. Dans les options de robustesse ou d’intervalles (disponibles également dans le module de régression ou de comparaison de rangs non paramétriques Classical T-Test > Wilcoxon signed-rank), activez l’affichage des intervalles de confiance non paramétriques. JASP permet d’extraire la couverture empirique exacte ou de basculer sur un intervalle bootstrap en spécifiant le nombre d’itérations désiré.

L’utilisation de ces interfaces graphiques requiert toujours de vérifier la méthode sous-jacente employée par le logiciel (asymptotique, binomiale exacte ou bootstrap) afin de rapporter la terminologie adéquate dans la section méthodologique du manuscrit scientifique.

12. 12. Bonnes pratiques méthodologiques, pièges courants et recommandations

12.1 12.1 Écueils récurrents dans le calcul et l’interprétation

L’application de la méthode de Conover, bien que conceptuellement élégante et calculatoirement simple, est fréquemment compromise par des méprises d’ordre pratique ou conceptuel. La recension des erreurs méthodologiques dans les manuscrits soumis aux revues de psychométrie permet d’identifier quatre écueils majeurs :

• L’omission du tri préliminaire des observations : Bien que cette négligence puisse sembler élémentaire, il n’est pas rare de voir des débutants appliquer les rangs $j = 4$ et $k = 12$ directement sur le vecteur des données brutes tel qu’enregistré dans le protocole initial de passation (pointant ainsi vers les quatrième et douzième sujets testés chronologiquement). Le tri rigoureusement croissant constitue un prérequis incontournable sans lequel les rangs n’ont aucun sens statistique.
• La confusion entre l’indice de rang et la valeur observée : L’analyste peut confondre la position spatiale (l’indice $j = 4$) avec la grandeur métrique correspondante ($X_{(4)} = 13$). Cela conduit parfois à des rapports indiquant que l’intervalle de confiance s’étend de 4 à 12, ce qui constitue une confusion de référentiel en rapportant l’intervalle des rangs à la place de l’intervalle des scores de l’échelle d’évaluation.
• L’emploi de l’arrondi scolaire classique au lieu de l’arrondi au plafond : Comme analysé précédemment, utiliser la règle d’arrondi standard consistant à tronquer $11{,}29$ vers $11$ entraîne une rétraction indue de la borne supérieure. Cette erreur réduit la couverture probabiliste réelle sous le seuil nominal des 95 %, transformant un intervalle conservateur protecteur en une estimation sous-couvrante.
• L’assignation erronée de la valeur critique $z$ : L’application d’un seuil unilatéral au lieu d’un seuil bilatéral (par exemple utiliser $z = 1{,}645$ au lieu de $1{,}96$ en pensant calibrer un intervalle à 95 %) ou la confusion avec les quantiles de la loi de Student dénaturent la garantie théorique de l’intervalle de Conover.

12.2 12.2 Problématique des ex æquo (ties) et discontinuités de mesure

L’hypothèse sous-jacente à la dérivation de Conover stipule que la variable aléatoire sous-jacente est théoriquement continue, ce qui implique une probabilité d’égalité stricte nulle entre deux observations : $P(X_a = X_b) = 0$. Néanmoins, la quasi-totalité des instruments psychologiques opère une discrétisation numérique (scores entiers sur des échelles sommées ou des inventaires d’auto-évaluation). Ce découpage induit l’apparition quasi inévitable de doublons ou de scores répétés (ties), tels que les deux scores de $21$ observés dans notre cas d’étude aux rangs 9 et 10.

L’influence de ces ex æquo dépend de leur position relative par rapport aux rangs critiques de coupure $j$ et $k$. Si les valeurs identiques se situent à l’intérieur du segment intermédiaire (comme c’est le cas pour nos doublons à 21 localisés entre le rang 4 et le rang 12), elles n’exercent aucune altération sur la validité de l’intervalle : les bornes $X_{(4)} = 13$ et $X_{(12)} = 23$ demeurent univoques et intactes. En revanche, si une série d’ex æquo chevauche directement l’indice $j$ ou l’indice $k$ (par exemple si les rangs 3, 4 et 5 affichent tous la même valeur de 13), une indétermination métrologique apparaît.

Dans ce scénario critique, la couverture réelle de l’intervalle peut s’écarter de la couverture binomiale nominale. L’existence d’une masse de probabilité concentrée sur un score discret empêche l’intervalle de moduler finement sa probabilité de dépassement. Pour maintenir une transparence irréprochable, l’analyste doit signaler explicitement la présence d’ex æquo aux abords des rangs d’extraction. Si la proportion d’égalités devient excessive (cas des échelles de Likert comportant très peu de modalités, par exemple 1, 2 ou 3), il est recommandé de privilégier des modèles ordinaux dédiés (tels que la régression logistique ordinale) ou de mobiliser des corrections d’ex æquo documentées dans les extensions de Noether et de Hettmansperger.

12.3 12.3 Synthèse et guide de décision pour le chercheur en psychologie

Pour clore ce guide méthodologique, nous proposons un cadre décisionnel opérationnel synthétisant les conditions requises pour le choix d’un intervalle de confiance dans l’analyse de données comportementales et cognitives :

• Privilégier systématiquement l’intervalle de Conover pour la médiane lorsque :
  • La distribution empirique présente une asymétrie marquée, visible sur les graphiques de densité ou confirmée par des coefficients d’asymétrie (skewness) excédant substantiellement l’intervalle $[-1, +1]$.
  • Les données comportent des observations extrêmes légitimes (valeurs cliniquement réelles mais statistiquement aberrantes) qu’il serait méthodologiquement injustifiable de supprimer ou de tronquer (winsorisation).
  • L’instrument d’évaluation génère des scores ordinaux pour lesquels l’hypothèse de métrique d’intervalles égaux est indéfendable.
  • La taille d’échantillon est modérée ($n ge 10$), offrant à l’approximation normale de Conover une fidélité d’ajustement adéquate.
• S’orienter vers la méthode combinatoire exacte de la loi binomiale lorsque :
  • L’effectif expérimental est très restreint ($n < 10$), rendant l’approximation continue par le score$z$ imprécise.
  • Les exigences de publication imposent une couverture réelle documentée au centième de pourcentage près.
• Envisager le bootstrap BCa lorsque :
  • L’échantillon est de grande taille ($n > 50$), la variable continue, et que le modèle analytique s’intègre au sein d’une procédure multivariée plus complexe (médiation ou modération).

En adoptant ces critères méthodologiques et en rompant avec l’automatisme paramétrique, le chercheur en psychologie s’assure que ses déductions cliniques et comportementales reposent sur des bases métrologiques solides, transparentes et scientifiquement reproductibles.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1994). The earth is round ($p < .05$). American Psychologist, 49(12), 997–1003. https://doi.org/10.1037/0003-066X.49.12.997
• Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.
• Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
• Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall/CRC. https://doi.org/10.1007/978-1-4899-4541-9
• Hettmansperger, T. P., & McKean, J. W. (2011). Robust nonparametric statistical methods (2nd ed.). CRC Press. https://doi.org/10.1201/b10860
• Noether, G. E. (1972). Distribution-free confidence intervals. The American Statistician, 26(1), 39–41. https://doi.org/10.1080/00031305.1972.10477322
• Wilcox, R. R. (2022). Introduction to robust estimation and hypothesis testing (5th ed.). Academic Press. https://doi.org/10.1016/C2019-0-04300-8