Qu’est-ce que le D de Somers ? (Définition et exemple)

Dans le vaste champ de l’analyse des données quantitatives en sciences humaines, sociales et biomédicales, la qualification et la quantification des relations unissant deux variables constituent le fondement même de la démarche empirique. Lorsqu’un chercheur s’intéresse à des grandeurs continues répondant aux postulats de la normalité bivariée, le coefficient de corrélation produit-moment de Bravais-Pearson s’impose naturellement comme l’outil d’élection. Néanmoins, la réalité des protocoles de recherche contemporains confronte très fréquemment le statisticien à des données issues de questionnaires d’évaluation, d’échelles psychométriques ou de grilles diagnostiques cliniques. Ces instruments génèrent des mesures intrinsèquement ordinales, caractérisées par un ordonnancement hiérarchique strict de leurs modalités, sans qu’il soit possible de garantir une équidistance métrique entre les échelons successifs.

Face à de telles structures de données, l’assimilation abusive des rangs à des grandeurs d’intervalles constants engendre des distorsions méthodologiques majeures, conduisant à des estimations erronées de l’intensité des liens étudiés et à une inflation artificielle du risque d’erreur de première espèce. Pour pallier ces écueils, la statistique non paramétrique a développé un ensemble de métriques fondées sur l’analyse combinatoire des paires d’observations, communément désignées sous le vocable de mesures d’association basées sur la concordance. Si les coefficients Tau de Kendall ou Gamma de Goodman et Kruskal ont longtemps dominé la littérature, ils achoppent régulièrement sur une contrainte structurelle déterminante : l’incapacité à modéliser une dépendance strictement directionnelle ou asymétrique, où une variable est explicitement postulée comme facteur explicatif ou prédictif d’une variable réponse.

C’est précisément pour surmonter cette aporie théorique et opérationnelle que le statisticien et sociologue Robert H. Somers a formulé, au début des années soixante, l’indice qui porte désormais son nom : le D de Somers. Métrique asymétrique d’association ordinale par excellence, le D de Somers quantifie la capacité d’une variable indépendante ordonnée à prédire l’ordonnancement des modalités d’une variable dépendante, tout en apportant une réponse mathématiquement rigoureuse à la problématique des ex æquo (les observations partageant des valeurs identiques). Cet article propose une exploration approfondie, théorique, mathématique et appliquée du D de Somers, détaillant sa genèse épistémologique, ses propriétés algébriques, son calcul pas-à-pas, ses applications dans les logiciels de référence, ainsi que son rôle pivot dans l’évaluation moderne des modèles prédictifs et des courbes ROC.

1. Introduction aux mesures d’association ordinale et genèse du D de Somers

1.1 Contexte épistémologique en psychométrie et statistiques non paramétriques

L’essor de la psychométrie moderne et des méthodologies d’enquêtes au cours du vingtième siècle a profondément transformé la nature des données soumises à la modélisation statistique. Dans les disciplines du comportement, telles que la psychologie clinique, la sociologie quantitative, les sciences de l’éducation ou le marketing fondamental, le recours aux échelles d’attitudes de type Likert constitue la modalité prévalente de recueil de l’information empirique. Ces dispositifs métrologiques invitent les participants à positionner leur niveau d’accord, de sévérité symptomatique ou de satisfaction sur un continuum discret, généralement échelonné en cinq, sept ou neuf points (allant, par exemple, de « pas du tout d’accord » à « tout à fait d’accord »). Bien que ces échelons possèdent un ordre sémantique et logique évident, ils ne disposent d’aucune unité de mesure physique standardisée ; il est formellement impossible d’affirmer que l’intervalle psychologique séparant « modéré » de « sévère » équivaut exactement à la distance séparant « absent » de « léger ».

L’application irréfléchie du coefficient de corrélation linéaire de Pearson à ces scores catégoriels ordonnés se heurte à des limites épistémologiques et formelles dirimantes. Le modèle de Pearson repose sur l’hypothèse sous-jacente d’une distribution normale bivariée et postule la continuité ainsi que l’homosパdasticité des résidus. Lorsque les variables sont intrinsèquement discrètes et bornées, le coefficient linéaire sous-estime de manière systématique la véritable force de l’association monotone, tout en se montrant excessivement vulnérable à la forme des distributions marginales. Dès lors qu’une variable présente une asymétrie de distribution prononcée — phénomène récurrent en psychopathologie où les scores de détresse sont fréquemment concentrés sur les valeurs basses dans la population générale —, Pearson échoue à restituer la cohérence du classement relatif des individus.

Ce constat a imposé le déploiement d’une approche méthodologique alternative : la statistique non paramétrique distribution-free, affranchie de tout postulat relatif à la normalité des populations parentes. Dans ce cadre paradigmatique, l’objectif analytique ne consiste plus à modéliser la covariance des écarts à la moyenne arithmétique, mais à évaluer la préservation de l’ordre relatif des sujets à travers les différentes dimensions investiguées. La nécessité s’est ainsi fait jour de concevoir des indices capables de quantifier à la fois l’intensité et le sens directionnel d’un lien d’influence entre construits psychologiques, sans exiger l’artificialité d’une métrisation métrique arbitraire.

1.2 Origine historique : Les travaux fondateurs de Robert H. Somers (1962)

Au début des années 1960, le paysage méthodologique des mesures d’association ordinale était dominé par les travaux pionniers de Maurice Kendall et de Leo Goodman associés à William Kruskal. En 1954, Goodman et Kruskal introduisirent leur coefficient Gamma, une mesure élégante calculée exclusivement à partir de la proportion de paires d’observations concordantes et discordantes. Si le Gamma apportait une réponse novatrice aux limites des statistiques de contingence traditionnelles basées sur le Chi-deux, il souffrait d’un biais structural majeur : l’exclusion pure et simple de toutes les paires d’observations présentant des valeurs identiques (les ex æquo ou ties) sur l’une ou l’autre des variables analysées.

Cette omission délibérée conduit le Gamma à gonfler artificiellement l’ampleur de la corrélation perçue, particulièrement au sein de tableaux de contingence denses où le nombre de catégories est restreint et où la concentration des effectifs engendre inévitablement une masse considérable de rangs liés. Face à cette lacune conceptuelle, le sociologue et méthodologiste américain Robert H. Somers publia en 1962, au sein de l’éminente revue American Sociological Review, un article séminal intitulé « A New Asymmetric Measure of Association for Ordinal Variables ». Somers y développait une critique rigoureuse des propriétés du Gamma et démontrait qu’ignorer les ex æquo revenait à occulter une part substantielle de l’information empirique disponible.

L’innovation fondamentale de Somers ne résidait pas seulement dans l’intégration arithmétique des paires liées, mais dans l’introduction formelle du concept d’asymétrie prédictive dans le champ de l’analyse ordinale. Somers postulait que dans la vaste majorité des protocoles de recherche sociologique ou psychologique, les deux variables sous revue n’occupent pas un statut épistémologique équivalent. L’une opère à titre de variable indépendante (le facteur explicatif ou prédicteur), tandis que l’autre représente la variable dépendante (le critère d’aboutissement ou la variable réponse). En incorporant sélectivement les ex æquo observés sur la variable dépendante au dénominateur de son ratio, Somers concevait une métrique pénalisant l’incapacité du modèle à discriminer les réponses, tout en neutralisant l’impact des regroupements inhérents à la variable explicative.

1.3 Distinction fondamentale entre variables nominales, ordinales et d’intervalle

Pour appréhender la portée mathématique du D de Somers, il convient de le situer au sein de la célèbre taxonomie des niveaux de mesure formulée par le psychologue Stanley Smith Stevens en 1946. Stevens distingue quatre échelles fondamentales : nominale, ordinale, d’intervalle et de rapport. L’échelle ordinale occupe une position charnière au sein de cette hiérarchie. À la différence de l’échelle nominale, qui n’autorise que des jugements d’équivalence ou de dissemblance qualitative sans orientation sous-jacente (par exemple, le groupe sanguin ou le statut matrimonial), l’échelle ordinale introduit une relation d’ordre binaire complète, transitive et réflexive, traditionnellement notée par le symbole de comparaison supérieure ou égale.

Toutefois, l’échelle ordinale se distingue radicalement des échelles métriques (d’intervalle et de rapport) en ce qu’elle ne possède pas d’unité de mesure standard invariable. Les propriétés formelles du rang permettent d’affirmer avec certitude que le sujet A manifeste un niveau de trait latent supérieur au sujet B, mais interdisent formellement de quantifier l’amplitude absolue de cette divergence. Les opérations arithmétiques fondamentales telles que l’addition, la soustraction et, par extension, le calcul de la moyenne arithmétique ou de la variance d’échantillonnage, sont dépourvues de validité mathématique stricte sur des données purement ordinales. Les seules transformations admissibles sont les fonctions strictement monotones croissantes, qui préservent l’ordonnancement relatif sans modifier la structure relationnelle des observations.

Cette caractéristique impose des contraintes sévères sur le choix des modèles probabilistes. Traiter des données catégorielles ordonnées comme des réalisations de variables aléatoires continues induit des biais d’estimation non linéaires dans l’évaluation des paramètres structurels. Les mesures de concordance, à l’instar du D de Somers, respectent scrupuleusement l’invariance par rapport aux transformations monotones. Elles fondent leur mécanique inférentielle exclusivement sur la position relative des couples d’individus, fournissant une quantification robuste du degré d’alignement empirique entre dimensions d’évaluation, indépendamment de toute assignation numérique arbitraire aux catégories observées.

2. Définition théorique et fondements conceptuels du D de Somers

2.1 Le concept d’asymétrie relationnelle en statistique

L’analyse statistique bivariée oscille historiquement entre deux finalités épistémologiques distinctes : la caractérisation de l’interdépendance mutuelle et la modélisation de la dépendance unilatérale. Les approches symétriques, incarnées par le coefficient r de Pearson ou le Tau de Kendall, abordent les deux variables de manière rigoureusement interchangeable. Dans ce cadre, la corrélation unissant une variable X à une variable Y est formellement indiscernable de celle liant Y à X. Si cette propriété s’avère parfaitement légitime lorsqu’on cherche à évaluer la fidélité test-retest de deux versions parallèles d’un même questionnaire, elle devient conceptuellement sous-optimale dès lors que la recherche s’inscrit dans un paradigme causal, quasi-expérimental ou prédictif.

En psychologie clinique et en épidémiologie, l’investigateur cherche quasi systématiquement à appréhender dans quelle mesure la variation observée sur un prédicteur X (par exemple, l’exposition à un stresseur aigu) conditionne ou explique l’ordonnancement d’un critère Y (par exemple, la sévérité d’un épisode dépressif caractérisé). La dépendance stochastique n’est pas réciproque : l’incapacité d’une échelle de dépression à distinguer deux patients ayant subi des niveaux de stress dissemblables constitue un échec prédictif patent de la variable X. À l’inverse, si deux individus subissent le même niveau de stress X mais expriment des niveaux de dépression Y différents, cette variance résiduelle relève de facteurs tiers (résilience, génétique) sans nécessairement invalider la capacité globale de X à orienter la hiérarchie des réponses.

Le concept d’asymétrie relationnelle formalisé par Somers traduit cette dissociation fonctionnelle. En assignant des rôles structurellement différenciés à X et Y, le D de Somers brise la symétrie algorithmique. Il quantifie l’efficacité avec laquelle la connaissance du rang d’un individu sur le prédicteur permet d’anticiper son positionnement hiérarchique sur la variable réponse. Cette perspective préfigure de manière directe la philosophie des modèles de régression logistique ordinale et d’analyse de survie, où la finalité première réside dans l’optimisation du pouvoir discriminant unilatéral.

2.2 Formulation probabiliste : Conditionnement sur la variable prédictive

D’un point de vue probabiliste formel, le D de Somers asymétrique, classiquement noté D(Y|X), s’articule autour de la notion d’échantillonnage de paires d’observations indépendantes issues d’une population conjointe. Considérons deux individus distincts tirés au sort de manière aléatoire, caractérisés respectivement par leurs réalisations bivariées $(x_i, y_i)$ et $(x_j, y_j)$. Le statut relationnel de cette paire peut être classé en trois configurations mutuellement exclusives : concordante, discordante, ou liée (ex æquo).

La formulation probabiliste du D de Somers repose sur l’évaluation de la différence entre deux probabilités conditionnelles, le conditionnement s’opérant explicitement sur l’ensemble des paires qui présentent des valeurs distinctes sur la variable prédictive X. En notation probabiliste standard, le coefficient s’exprime sous la forme suivante :

D(Y|X) = P(Concordance | X_i ≠ X_j) – P(Discordance | X_i ≠ X_j)

Cette formalisation met en lumière l’essence opérationnelle de la métrique : elle évalue l’excédent net de la probabilité d’observer un ordonnancement concordant sur la variable dépendante par rapport à la probabilité d’observer un ordonnancement discordant, sachant que les deux entités comparées possèdent des niveaux distincts sur le facteur prédictif. Sous l’hypothèse nulle d’une indépendance stochastique parfaite entre X et Y, la probabilité conditionnelle de concordance devient strictement égale à la probabilité conditionnelle de discordance, résultant en une valeur espérée de D(Y|X) rigoureusement égale à zéro. Toute déviation par rapport à cette valeur nulle atteste d’une capacité prédictive monotone non aléatoire.

2.3 Propriétés métriques et intervalle de définition [-1, 1]

À l’instar des coefficients de corrélation conventionnels, le D de Somers est une statistique adimensionnelle bornée sur le continuum fermé allant de -1 à +1 inclus. Cette normalisation confère à l’indice une interprétabilité directe et standardisée, facilitant les comparaisons entre instruments psychométriques ou cohortes d’études hétérogènes. La signification des points d’ancrage canoniques de cet intervalle mérite une clarification rigoureuse :

• Un score parfait de +1,00 indique une concordance ordinale absolue et unilatérale sans la moindre discordance ni aucun ex æquo sur la variable dépendante pour les paires discriminées par X. Dans cette situation, chaque fois qu’un sujet présente une valeur strictement supérieure à celle d’un autre sur le prédicteur X, il présente systématiquement une valeur strictement supérieure sur la variable critère Y. La relation monotone positive est parfaitement discriminante du point de vue de Y.
• Un score extrême de -1,00 matérialise une discordance ordinale parfaite. Toute élévation sur l’échelle de la variable indépendante X s’accompagne, sans la moindre exception ni ex æquo résiduel sur Y, d’une rétrogradation systématique sur l’échelle de la variable dépendante Y. Il s’agit d’une inversion hiérarchique totale de la structure de classement.
• Un score nul (0,00) traduit une absence complète d’association ordinale directionnelle. Cette valeur est observée soit lorsque la proportion de paires concordantes compense arithmétiquement et exactement la proportion de paires discordantes, soit lorsque la variable indépendante s’avère absolument incapable de discriminer les rangs sur la variable dépendante, l’ensemble des paires se résolvant en ex æquo sur Y.

Il importe de souligner que, contrairement au coefficient Gamma, l’obtention des valeurs limites +1 ou -1 constitue un événement particulièrement exigeant pour le D de Somers. En effet, la présence d’ex æquo sur Y pour des paires informatives sur X minore mathématiquement la valeur absolue du coefficient, conférant à ce dernier une nature conservatrice particulièrement appréciée en métrologie scientifique.

3. Notions structurales : Concordance, discordance et ex æquo (Ties)

3.1 Identification et formalisation des paires concordantes (NC)

L’infrastructure algorithmique du D de Somers repose intégralement sur la combinatoire bivariée appliquée à l’ensemble des paires non ordonnées pouvant être extraites d’un échantillon de taille N. Le nombre total de paires distinctes s’élève à N(N – 1) / 2. L’analyse procède à l’examen systématique de chaque paire formée par l’observation i, notée $(x_i, y_i)$, et l’observation j, notée $(x_j, y_j)$, pour tout $i < j$.

Une paire est formellement déclarée concordante si la relation d’ordre unissant les deux sujets sur la variable indépendante X est scrupuleusement reproduite dans le même sens sur la variable dépendante Y. En termes mathématiques rigoureux, la condition de concordance s’exprime par le prédicat logique suivant :

(x_i > x_j ET y_i > y_j) OU (x_i < x_j ET y_i < y_j)

Ce prédicat peut être synthétisé de manière élégante par l’inégalité de produit algébrique : (x_i – x_j)(y_i – y_j) > 0. Sur le plan de la signification clinique ou comportementale, la prévalence des paires concordantes — dont la somme totale est désignée par la notation standard $N_C$ ou simplement $C$ — indique que le classement relatif des individus est préservé de manière homogène. Un individu manifestant un niveau de propension plus marqué sur la variable antécédente présente conjointement une intensité plus soutenue sur la variable résultante.

3.2 Formalisation et dynamique des paires discordantes (ND)

À l’opposé structural de la concordance se trouvent les paires qualifiées de discordantes. Une paire est définie comme discordante lorsqu’il s’opère un renversement complet de l’ordonnancement hiérarchique entre les deux dimensions investiguées. Mathématiquement, la paire $(i, j)$ est assignée à cette classe si elle satisfait à la condition logique suivante :

(x_i > x_j ET y_i < y_j) OU (x_i y_j)

De façon compacte, cette relation équivaut à vérifier l’inégalité : (x_i – x_j)(y_i – y_j) < 0. L’agrégation de l’ensemble de ces occurrences au sein de l’échantillon définit le cardinal des paires discordantes, traditionnellement référencé sous le symbole $N_D$ ou $D$.

La dynamique des paires discordantes joue un rôle modérateur direct dans l’estimation de l’association. Dans la construction de la statistique de Somers, chaque paire discordante vient retrancher son poids à la masse des paires concordantes via l’opérateur de différence élémentaire $(N_C – N_D)$. En contexte psychologique, un volume substantiel de paires discordantes signale l’existence d’antagonismes relationnels ou de trajectoires individuelles atypiques invalidant l’hypothèse d’une monotonicité globale du phénomène sous surveillance.

3.3 Typologie et impact des paires liées (Ex æquo / Ties)

L’analyse des rangs sur des variables catégorielles à support discret confronte inéluctablement l’analyste à des situations d’indiscernabilité ordinale, dénommées paires liées ou ex æquo (communément désignées par le terme anglais ties). Dès lors que la taille d’échantillon N excède le nombre restreint de modalités de réponse, la formation d’ex æquo devient une certitude mathématique en vertu du principe des tiroirs. Une décomposition exhaustive de l’espace combinatoire impose de catégoriser ces liens en trois sous-ensembles mutuellement exclusifs :

• Les ex æquo sur X exclusivement ($T_x$) : Il s’agit des paires d’observations partageant une modalité rigoureusement identique sur la variable explicative, mais se différenciant sur la variable dépendante ($x_i = x_j$ et $y_i ≠ y_j$). Ces paires attestent d’une variabilité propre à Y que le facteur X ne peut en aucun cas expliquer.
• Les ex æquo sur Y exclusivement ($T_y$) : Cette configuration survient lorsque deux sujets présentent des positions distinctes sur la variable indépendante mais sont agrégés sur le même échelon de la variable dépendante ($x_i ≠ x_j$ et $y_i = y_j$). Elle matérialise l’incapacité de l’échelle critère Y à discriminer des états différentiels pourtant identifiés par X.
• Les ex æquo conjoints ou simultanés ($T_{xy}$) : Ces paires regroupent les individus affichant des réponses parfaitement identiques sur les deux axes d’observation ($x_i = x_j$ et $y_i = y_j$). Ces paires résultent de la concentration des individus au sein des mêmes cellules élémentaires d’un tableau de contingence.

L’équation fondamentale de partition du volume combinatoire global s’écrit formellement :

N(N – 1) / 2 = N_C + N_D + T_x + T_y + T_{xy}

La manière dont une métrique d’association traite ces trois composantes de liaison ($T_x$, $T_y$, $T_{xy}$) détermine l’ensemble de ses propriétés algébriques et sa sensibilité aux caractéristiques des distributions empiriques.

4. Formulation mathématique et calcul analytique du D de Somers

4.1 Formulation générale et dérivation matricielle

La formulation algébrique canonique du D de Somers asymétrique, considérant la variable Y comme dépendante de la variable X, est structurée par un ratio normalisé. Au numérateur, on retrouve la différence nette entre le nombre total de paires concordantes et le nombre total de paires discordantes, reflet direct du sens et de la cohérence de l’ordonnancement bivarié. Au dénominateur, Somers introduit la somme des paires concordantes, discordantes et des paires liées exclusivement sur la variable dépendante Y. L’équation maîtresse se formule ainsi :

D(Y|X) = (N_C – N_D) / (N_C + N_D + T_y)

Il est particulièrement instructif de constater que le dénominateur peut être réécrit sous une forme probabiliste alternative. En reprenant l’équation de décomposition combinatoire établie précédemment, la quantité (N_C + N_D + T_y) représente précisément le nombre total de paires pour lesquelles la variable indépendante X présente des valeurs strictement distinctes, soit l’ensemble des paires non ex æquo sur X. Par conséquent :

N_C + N_D + T_y = [N(N – 1) / 2] – (T_x + T_{xy})

Cette élégante reformulation explicite la mécanique de conditionnement : le D de Somers neutralise l’impact des ex æquo survenus sur la variable indépendante (qui sont exclus de l’évaluation prédictive puisqu’ils n’offrent aucune base discriminante préalable sur X), mais pénalise formellement le modèle pour chaque ex æquo observé sur Y en présence d’une disparité sur X. Le ratio exprime littéralement la proportion de divergence directionnelle rapportée à la totalité des comparaisons ordonnées valides initiées par le prédicteur.

4.2 Traitement asymétrique : D(Y|X) versus D(X|Y)

L’asymétrie structurelle du D de Somers implique que l’inversion des rôles attribués aux variables modifie substantiellement la valeur numérique du coefficient. Si l’analyste décide d’examiner dans quelle mesure la variable X est prédite par la variable Y — adoptant ainsi Y comme variable indépendante et X comme critère —, l’équation de calcul doit être ajustée pour pénaliser désormais les ex æquo observés sur X ($T_x$). La formulation réciproque s’énonce comme suit :

D(X|Y) = (N_C – N_D) / (N_C + N_D + T_x)

Tandis que le numérateur (N_C – N_D) demeure rigoureusement invariant dans les deux expressions, les dénominateurs divergent dès lors que $T_x ≠ T_y$. En pratique, si la variable dépendante Y est mesurée sur une échelle grossière comportant un nombre très restreint de catégories (par exemple, une échelle en trois points), le volume d’ex æquo $T_y$ sera structurellement plus volumineux que le contingent $T_x$ issu d’une échelle prédictive continue ou plus finement graduée (par exemple, un score sur vingt points). En conséquence, le dénominateur de D(Y|X) sera plus lourd, entraînant une valeur de D(Y|X) plus faible que celle de D(X|Y).

Le choix méthodologique entre D(Y|X) et D(X|Y) ne relève donc aucunement d’un arbitrage statistique opportuniste fondé sur l’ampleur du chiffre obtenu, mais d’une rigoureuse décision théorique préalable dictée par la temporalité, l’étiologie ou l’architecture conceptuelle des hypothèses de recherche. C’est l’identification sans équivoque de la variable devant être expliquée qui gouverne la sélection de la direction de conditionnement.

4.3 Version symétrique du D de Somers

Bien que conçu originellement pour répondre aux exigences de la modélisation directionnelle, le D de Somers peut être décliné sous une forme symétrique lorsque le cadre de recherche ne permet pas de postuler une antériorité logique ou causale entre les deux construits examinés. La version symétrique constitue un compromis algébrique réintégrant l’ensemble des paires liées unilatérales ($T_x$ et $T_y$).

Elle est traditionnellement formulée en divisant la différence des paires concordantes et discordantes par la moyenne arithmétique des dénominateurs conditionnels respectifs :

D_symétrique = (N_C – N_D) / [ 0.5 * ((N_C + N_D + T_y) + (N_C + N_D + T_x)) ] = 2 * (N_C – N_D) / (2 * N_C + 2 * N_D + T_x + T_y)

Cette expression symétrique partage des parentés étroites avec le Tau-b de Kendall. Toutefois, tandis que le Tau-b recourt à une moyenne géométrique des composantes d’ex æquo au dénominateur, le D symétrique de Somers s’appuie sur une structure arithmétique. Bien que leurs valeurs numériques soient fréquemment très proches en présence de tableaux réguliers, le D symétrique demeure privilégié par certains statisticiens en raison de sa dérivation probabiliste directe dans l’évaluation des contrastes moyens de rangs appariés.

5. Comparaison critique : Somers’ D versus autres coefficients d’association

5.1 Somers’ D versus le Gamma de Goodman et Kruskal

Pour apprécier l’apport méthodologique du D de Somers, la confrontation avec le coefficient Gamma de Goodman et Kruskal s’avère indispensable. Le Gamma est défini par l’expression algorithmique suivante :

Gamma = (N_C – N_D) / (N_C + N_D)

L’examen de cette formule révèle que le Gamma opère dans un univers probabiliste strictement conditionné à l’exclusion de l’intégralité des ex æquo ($T_x = 0, T_y = 0, T_{xy} = 0$). Il n’analyse la structure des données qu’au travers des paires strictement ordonnées sur les deux variables simultanément. Cette amputation du dénominateur confère au Gamma une tendance systématique et bien documentée à la surestimation drastique de la force de l’association. Dans les grands tableaux de contingence sociologiques ou médicaux, où les ex æquo constituent couramment de 40 % à 70 % de la combinatoire totale, le Gamma peut afficher des valeurs impressionnantes (par exemple, 0,75) alors même que la capacité prédictive réelle de la variable indépendante est profondément érodée par une incapacité à différencier la majorité des cas cliniques.

Le D de Somers s’affirme comme une alternative hautement plus conservatrice, réaliste et épistémologiquement honnête. En réincorporant les ex æquo de la variable dépendante au dénominateur, il sanctionne la perte de pouvoir séparateur de l’instrument d’évaluation. Un D de Somers de 0,40 reflète souvent une régularité sous-jacente plus robuste et prédictivement exploitable qu’un Gamma artificiellement gonflé à 0,70 par l’éviction complaisante des observations à rangs liés.

5.2 Somers’ D versus les Tau de Kendall (Tau-a, Tau-b, Tau-c)

La famille des coefficients Tau développée par Maurice Kendall propose diverses stratégies d’ajustement combinatoire. Le Tau-a originel applique la pénalisation maximale en rapportant le solde (N_C – N_D) à la totalité absolue des paires possibles N(N – 1) / 2, sans opérer la moindre distinction quant à la localisation des ex æquo. Par conséquent, dès que l’échantillon présente des nœuds catégoriels, le Tau-a est incapable d’atteindre les bornes théoriques +1 ou -1, ce qui limite son utilité pratique dans les matrices discrètes.

Le Tau-b de Kendall résout ce bridage en ajustant le dénominateur par la racine carrée du produit des paires non liées sur chaque variable :

Tau-b = (N_C – N_D) / sqrt[(N_C + N_D + T_x) * (N_C + N_D + T_y)]

Le Tau-b est intrinsèquement une statistique symétrique. Il est remarquablement adapté aux tableaux de contingence carrés (possédant un nombre identique de lignes et de colonnes), mais il ne peut atteindre ses bornes extrêmes lorsque la matrice de données est rectangulaire. Pour pallier cette contrainte dans les tables non carrées, Stuart a proposé le Tau-c, qui intègre un facteur de correction d’échelle dépendant du minimum entre le nombre de lignes et de colonnes. Cependant, aucune de ces variantes ne formalise l’asymétrie fonctionnelle entre variable explicative et variable à expliquer. Dès lors qu’une relation de cause à effet ou d’antécédence diagnostique est investiguée, le D de Somers asymétrique surpasse le Tau-b en alignant l’architecture mathématique de l’indice sur le modèle conceptuel du clinicien.

5.3 Somers’ D versus le Rho de Spearman

Le coefficient de corrélation des rangs de Spearman ($r_s$ ou Rho) correspond à l’application stricte de l’équation de Bravais-Pearson aux données converties préalablement en rangs statistiques simples (allant de 1 à N). Bien que Spearman soit fréquemment employé comme solution de repli pour les échelles ordinales, son comportement analytique devient problématique en présence de données groupées au sein d’un faible nombre de modalités catégorielles.

Lorsque des centaines d’individus partagent la même catégorie Likert, ils se voient attribuer un rang moyen identique (les rangs moyens d’ex æquo). Cette opération altère la variance théorique des rangs et impose l’application de formules de correction pour liens particulièrement complexes. De surcroît, le Rho de Spearman demeure une mesure symétrique qui postule implicitement que la variance des rangs reflète adéquatement un continuum métrique sous-jacent uniformément espacé.

Le D de Somers s’avère conceptuellement supérieur pour les données catégorielles ordonnées groupées en tableaux de contingence. Il ne nécessite aucun artifice d’assignation de rangs moyens continus, son calcul découlant directement des fréquences conjointes de la matrice croisée. Il préserve ainsi la stricte nature non métrique des échelons qualitatifs tout en autorisant une interprétation probabiliste directe en termes de différentiel de concordance, ce que le formalisme de Spearman ne permet pas.

6. Interprétation substantielle des valeurs et seuils psychométriques

6.1 Graduation de la force d’association : Normes empiriques

L’interprétation clinique ou scientifique de la magnitude d’un coefficient D de Somers ne saurait s’effectuer sur les mêmes grilles de lecture que celles historiquement établies par Jacob Cohen pour le r de Pearson. En raison de sa formulation asymétrique et de l’intégration pénalisante des ex æquo dépendants, le D de Somers génère des valeurs absolues dont la distribution d’échantillonnage est structurellement plus resserrée que celle des coefficients sans correction d’ex æquo.

À la lumière des consensus méthodologiques prévalant en psychométrie expérimentale et en épidémiologie comportementale, la grille d’orientation suivante peut être adoptée pour calibrer la force d’association du D(Y|X) :

• |D| < 0,10 : Association négligeable. La variable indépendante n’apporte aucune contribution substantielle à la prédiction de l’ordonnancement de la variable dépendante. La divergence par rapport au hasard est cliniquement non pertinente.
• 0,10 ≤ |D| < 0,30 : Association faible. Il existe une tendance directionnelle identifiable, mais la proportion d’ex æquo sur Y ou de paires discordantes demeure prépondérante. Le pouvoir discriminant du modèle reste marginal pour des applications individualisées.
• 0,30 ≤ |D| < 0,50 : Association modérée. La variable indépendante hiérarchise efficacement la majorité des paires sur la variable dépendante. Ce niveau de performance est fréquemment atteint par les bons instruments d’évaluation diagnostique en psychopathologie.
• |D| ≥ 0,50 : Association forte à très forte. Le prédicteur démontre une capacité exceptionnelle à orienter l’ordonnancement du critère. En psychologie clinique, un tel niveau de concordance signale une superposition conceptuelle étroite ou une dépendance fonctionnelle majeure entre les deux construits.

Le signe affecté à la statistique gouverne la directionnalité substantielle du phénomène : une valeur positive indique un alignement direct (la progression sur X favorise l’ascension sur Y), tandis qu’un coefficient négatif démontre un effet protecteur ou antagoniste (l’élévation sur X accélère la régression sur l’échelle de gravité de Y).

6.2 Sensibilité aux distributions marginales asymétriques

Un aspect critique de la manipulation du D de Somers réside dans sa vulnérabilité aux contraintes marginales du tableau de contingence. La valeur maximale théorique de +1,00 ne peut être empiriquement atteinte que si les distributions marginales des deux variables (les totaux en lignes et les totaux en colonnes) présentent des profils d’allocation strictement homomorphes.

Si la variable dépendante Y présente une distribution fortement asymétrique (skewed) — par exemple, si 80 % des patients d’un échantillon généraliste se concentrent sur la modalité « Absence de symptômes dépressifs » —, il est mathématiquement impossible pour le D(Y|X) d’atteindre la borne supérieure de 1,00, même en présence d’une prédiction théorique sans faille. Cette concentration marginale massive engendre un volume irréductible d’ex æquo $T_y$, qui vient inexorablement alourdir le dénominateur de la fraction et plafonner artificiellement l’amplitude maximale accessible pour la métrique.

Le chercheur averti doit impérativement procéder à une inspection diagnostique préalable des distributions unidimensionnelles avant de conclure à la faiblesse intrinsèque d’une relation. Dans certains contextes de dissymétrie prononcée, un D de Somers de 0,25 peut en réalité représenter 90 % de l’amplitude maximale théoriquement réalisable compte tenu des marges observées. Des procédures de normalisation marginale ou le calcul systématique du ratio D / D_max peuvent être mobilisés pour contextualiser rigoureusement l’interprétation des magnitudes obtenues.

6.3 Différenciation rigoureuse entre corrélation, concordance et causalité

Une confusion récurrente dans la littérature appliquée consiste à interpréter le D de Somers comme une estimation de la pente d’un modèle de régression, ou à le subsumer sous le concept générique de corrélation linéaire. Il convient de rappeler avec force que le D de Somers quantifie exclusivement la concordance ordinale. Il n’informe aucunement sur la forme géométrique de la fonction reliant X à Y, si ce n’est sa stricte monotonicité globale.

De surcroît, le passage de la constatation d’une concordance asymétrique significative à l’affirmation d’un lien causal relève d’un sophisme méthodologique classique. Bien que D(Y|X) soit asymétrique dans sa formulation mathématique, cette asymétrie n’est qu’analytique et conditionnelle ; elle ne constitue en rien une démonstration de l’antériorité temporelle ou de l’efficience causale du phénomène X sur le phénomène Y. L’influence d’une variable de confusion non mesurée, partageant des liens monotones avec les deux dimensions explorées, peut parfaitement générer un D de Somers substantiel en l’absence de tout lien direct.

Enfin, la non-transitivité potentielle des relations ordinales au sein de systèmes multivariés complexes incite à la prudence : le fait que X prédise ordinalement Y, et que Y prédise ordinalement Z, n’implique pas mathématiquement que la résultante globale du D de Somers reliant X à Z soit égale au produit de leurs associations respectives. Le D de Somers demeure un indicateur bivarié localisé qui ne saurait s’émanciper des impératifs méthodologiques du contrôle d’interférences.

7. Étude de cas empirique : Évaluation clinique du niveau de stress et de l’insomnie

7.1 Conception méthodologique de l’échantillon clinique

Afin d’ancrer les développements formels précédents dans la pratique concrète de l’évaluation quantitative, développons une étude de cas clinique intégrale. Considérons une recherche interventionnelle en médecine comportementale s’intéressant à l’impact du stress perçu sur la sévérité des troubles du sommeil chez des professionnels de santé exerçant en milieu hospitalier d’urgence.

Le protocole méthodologique opérationnalise deux construits fondamentaux au moyen d’échelles standardisées à cotation ordinale discrète :

• La variable indépendante explicative (X) : Le niveau de stress psychologique perçu au cours du dernier mois, stratifié en trois modalités ordonnées : 1 = Faible, 2 = Modéré, 3 = Élevé.
• La variable dépendante réponse (Y) : L’indice de sévérité de l’insomnie clinique, recodé en trois classes hiérarchisées : 1 = Insomnie absente ou résiduelle, 2 = Insomnie d’intensité légère à modérée, 3 = Insomnie sévère.

L’échantillon analysé est constitué d’une cohorte consécutive de N = 150 participants ayant complété l’intégralité du protocole d’évaluation psychométrique lors de leur visite annuelle de suivi en santé au travail.

7.2 Élaboration de la table de contingence bivariée

Le croisement exhaustif des réponses individuelles collectées au sein de cette cohorte permet de dresser un tableau de contingence bivarié carré de dimension 3 × 3. Les lignes correspondent aux niveaux du facteur prédictif Stress (X), tandis que les colonnes matérialisent les degrés d’Insomnie (Y). Désignons par $n_{ij}$ l’effectif conjoint dénombré à l’intersection de la ligne i et de la colonne j.

La matrice des observations empiriques se distribue selon la structure chiffrée suivante :

Niveau de Stress (X)	Sévérité de l’Insomnie (Y)			Total Marginal Lignes (n_i.)
	1. Absente	2. Légère	3. Sévère
1. Faible	35	10	5	50
2. Modéré	15	25	10	50
3. Élevé	5	15	30	50
Total Marginal Colonnes (n_.j)	55	50	45	N = 150

L’inspection des effectifs marginaux révèle des groupes équilibrés sur le facteur prédictif (50 individus par palier de stress). La diagonale principale (35, 25, 30) concentre 90 des 150 observations (soit 60 % de l’échantillon global), fournissant une première indication visuelle quant à l’orientation positive de la relation ordinale.

7.3 Calcul pas-à-pas exhaustif des composantes

Procédons à l’extraction computationnelle manuelle et exhaustive de chacune des composantes structurales fondamentales nécessaires au calcul du D de Somers.

1. Calcul du nombre de paires concordantes ($N_C$) :
Pour chaque cellule $(i, j)$ de la table, les observations strictement concordantes se situent dans l’ensemble des cellules localisées strictement en dessous et strictement à droite de celle-ci (indices de lignes et de colonnes strictement supérieurs). Multiplions l’effectif de chaque cellule pivot par la somme des effectifs de ses sous-matrices inférieures droites :

• Pour la cellule (1, 1) [Stress Faible / Insomnie Absente : 35] :
  $N_C(1, 1) = 35 * (n_{22} + n_{23} + n_{32} + n_{33}) = 35 * (25 + 10 + 15 + 30) = 35 * 80 = 2800$
• Pour la cellule (1, 2) [Stress Faible / Insomnie Légère : 10] :
  $N_C(1, 2) = 10 * (n_{23} + n_{33}) = 10 * (10 + 30) = 10 * 40 = 400$
• Pour la cellule (2, 1) [Stress Modéré / Insomnie Absente : 15] :
  $N_C(2, 1) = 15 * (n_{32} + n_{33}) = 15 * (15 + 30) = 15 * 45 = 675$
• Pour la cellule (2, 2) [Stress Modéré / Insomnie Légère : 25] :
  $N_C(2, 2) = 25 * (n_{33}) = 25 * 30 = 750$

Les cellules de la troisième ligne et de la troisième colonne ne possèdent aucune cellule inférieure droite. La sommation totale des paires concordantes s’établit à :
N_C = 2800 + 400 + 675 + 750 = 4625

2. Calcul du nombre de paires discordantes ($N_D$) :
Pour chaque cellule $(i, j)$, les observations strictement discordantes correspondent à l’ensemble des cellules positionnées strictement en dessous et strictement à gauche (ligne supérieure et colonne inférieure) :

• Pour la cellule (1, 2) [Stress Faible / Insomnie Légère : 10] :
  $N_D(1, 2) = 10 * (n_{21} + n_{31}) = 10 * (15 + 5) = 10 * 20 = 200$
• Pour la cellule (1, 3) [Stress Faible / Insomnie Sévère : 5] :
  $N_D(1, 3) = 5 * (n_{21} + n_{22} + n_{31} + n_{32}) = 5 * (15 + 25 + 5 + 15) = 5 * 60 = 300$
• Pour la cellule (2, 2) [Stress Modéré / Insomnie Légère : 25] :
  $N_D(2, 2) = 25 * (n_{31}) = 25 * 5 = 125$
• Pour la cellule (2, 3) [Stress Modéré / Insomnie Sévère : 10] :
  $N_D(2, 3) = 10 * (n_{31} + n_{32}) = 10 * (5 + 15) = 10 * 20 = 200$

La sommation des paires discordantes donne :
N_D = 200 + 300 + 125 + 200 = 825

Le solde de concordance net s’élève ainsi à : N_C – N_D = 4625 – 825 = 3800.

3. Calcul des ex æquo sur la variable dépendante exclusivement ($T_y$) :
Les paires d’individus partageant la même modalité d’insomnie Y mais se trouvant à des niveaux de stress X différents sont obtenues en combinant verticalement les cellules appartenant à une même colonne :

• Pour la colonne 1 (Insomnie Absente) :
  $T_y(col 1) = (n_{11} * n_{21}) + (n_{11} * n_{31}) + (n_{21} * n_{31}) = (35 * 15) + (35 * 5) + (15 * 5) = 525 + 175 + 75 = 775$
• Pour la colonne 2 (Insomnie Légère) :
  $T_y(col 2) = (n_{12} * n_{22}) + (n_{12} * n_{32}) + (n_{22} * n_{32}) = (10 * 25) + (10 * 15) + (25 * 15) = 250 + 150 + 375 = 775$
• Pour la colonne 3 (Insomnie Sévère) :
  $T_y(col 3) = (n_{13} * n_{23}) + (n_{13} * n_{33}) + (n_{23} * n_{33}) = (5 * 10) + (5 * 30) + (10 * 30) = 50 + 150 + 300 = 500$

Le volume cumulé des ex æquo dépendants s’élève par conséquent à :
T_y = 775 + 775 + 500 = 2050

4. Calcul des ex æquo sur la variable indépendante exclusivement ($T_x$) :
À titre comparatif pour l’asymétrie inverse, les paires d’individus partageant le même niveau de stress X mais présentant des degrés d’insomnie Y divergents s’obtiennent en combinant horizontalement les cellules d’une même ligne :

• Pour la ligne 1 (Stress Faible) :
  $T_x(lig 1) = (n_{11} * n_{12}) + (n_{11} * n_{13}) + (n_{12} * n_{13}) = (35 * 10) + (35 * 5) + (10 * 5) = 350 + 175 + 50 = 575$
• Pour la ligne 2 (Stress Modéré) :
  $T_x(lig 2) = (n_{21} * n_{22}) + (n_{21} * n_{23}) + (n_{22} * n_{23}) = (15 * 25) + (15 * 10) + (25 * 10) = 375 + 150 + 250 = 775$
• Pour la ligne 3 (Stress Élevé) :
  $T_x(lig 3) = (n_{31} * n_{32}) + (n_{31} * n_{33}) + (n_{32} * n_{33}) = (5 * 15) + (5 * 30) + (15 * 30) = 75 + 150 + 450 = 675$

Le total des ex æquo sur le facteur prédictif s’élève à :
T_x = 575 + 775 + 675 = 2025

7.4 Application numérique et conclusion diagnostique

Nous disposons désormais de l’ensemble des grandeurs arithmétiques requises pour finaliser l’évaluation du D de Somers directionnel formulé pour prédire l’insomnie (Y) à partir du niveau de stress (X) :

D(Y|X) = (N_C – N_D) / (N_C + N_D + T_y) = 3800 / (4625 + 825 + 2050) = 3800 / 7500 = 0,5067

Calculons parallèlement le coefficient d’asymétrie inverse, évaluant la capacité théorique de l’insomnie à prédire le niveau de stress :

D(X|Y) = (N_C – N_D) / (N_C + N_D + T_x) = 3800 / (4625 + 825 + 2025) = 3800 / 7475 = 0,5084

À titre d’illustration de la surestimation classique opérée par le Gamma de Goodman et Kruskal sur ces mêmes données :

Gamma = (N_C – N_D) / (N_C + N_D) = 3800 / (4625 + 825) = 3800 / 5450 = 0,6972

L’écart de magnitude entre le D de Somers (0,507) et le Gamma (0,697) est spectaculaire : le Gamma occulte l’existence de 2050 paires d’ex æquo cliniques, projetant une impression trompeuse de quasi-déterminisme, tandis que le D de Somers restitue fidèlement la réalité de la performance diagnostique.

Sur le plan de l’interprétation substantielle, la valeur D(Y|X) = 0,507 traduit une association ordinale positive d’intensité forte. Concrètement, si l’on extrait au hasard deux professionnels de santé présentant des niveaux de stress perçu inégaux, la probabilité que l’individu le plus stressé manifeste également la symptomatologie d’insomnie la plus sévère excède de 50,7 points de pourcentage la probabilité que l’ordonnancement soit inversé. Cette constatation apporte une confirmation empirique robuste à l’hypothèse d’un retentissement direct de la charge émotionnelle hospitalière sur la désorganisation du sommeil, justifiant la mise en œuvre de dispositifs ciblés de prévention du stress en milieu professionnel.

8. Implémentation computationnelle : Analyse complète sous R

8.1 Préparation de l’environnement et structuration des facteurs ordonnés

L’écosystème open-source R propose une infrastructure complète et rigoureuse pour l’analyse des tableaux de contingence ordinaux. Afin de garantir l’intégrité des calculs combinatoires, la manipulation fondamentale préalable réside dans la déclaration explicite des variables sous forme de facteurs ordonnés (ordered factors). Une erreur commune consiste à injecter des vecteurs catégoriels non ordonnés ou de simples codes numériques, risquant d’induire une confusion dans le sens de traitement de l’algorithme.

Pour reproduire fidèlement l’étude clinique développée à la section précédente, le script d’initialisation sous R s’articule autour de l’encodage direct de la matrice ou de la reconstruction du jeu de données individuel. Les bibliothèques spécialisées DescTools, rcompanion et coin constituent les environnements de référence pour ces traitements.

La structuration matricielle s’opère par les instructions de base suivantes :

donnees_matrice <- matrix(c(35, 15, 5, 10, 25, 15, 5, 10, 30), nrow = 3, byrow = FALSE)
rownames(donnees_matrice) <- c("Faible", "Modere", "Eleve")
colnames(donnees_matrice) <- c("Absente", "Legere", "Severe")
table_clinique <- as.table(donnees_matrice)

Il est capital d’inspecter l’attribut des niveaux hiérarchiques au moyen de la commande levels() pour s’assurer que l’ordre incrémental correspond scrupuleusement à l’accroissement théorique du construit psychopathologique, évitant ainsi une inversion involontaire de la polarité algébrique du coefficient.

8.2 Exécution syntaxique et extraction des coefficients

Le package DescTools met à disposition la fonction universelle SomersDelta(), conçue pour exécuter l’ensemble des déclinaisons directionnelles et symétriques de la statistique. La fonction gère nativement le conditionnement par rapport aux lignes (row) ou aux colonnes (column).

L’extraction de notre paramètre d’intérêt principal D(Insomnie | Stress), où le stress opère en variable de ligne prédictive et l’insomnie en critère de colonne, est paramétrée par la commande :

library(DescTools)
SomersDelta(table_clinique, direction = "row", conf.level = 0.95)

Dans la nomenclature syntaxique de DescTools, le paramètre direction = "row" stipule formellement que les catégories de lignes conditionnent l’analyse, ce qui correspond mathématiquement à l’évaluation de D(Colonnes | Lignes), c’est-à-dire D(Y|X). À l’inverse, l’ajustement direction = "column" renverra l’indice réciproque D(Lignes | Colonnes), soit D(X|Y). L’absence de spécification ou le choix direction = "symmetric" renvoie le D symétrique.

L’exécution de cette routine extrait instantanément :

• L’estimation ponctuelle exacte : 0,5066667.
• L’erreur-type asymptotique (ASE) calculée par la méthode Delta.
• L’intervalle de confiance bilatéral à 95 % encadrant la vraie valeur populationnelle.

8.3 Rapport et visualisation graphique de l’association ordinale

L’investigation ordinale ne saurait s’achever sur l’extraction d’un scalaire numérique unique ; elle requiert une restitution graphique de l’architecture distributionnelle permettant d’illustrer la concordance observée. Deux visualisations graphiques de référence s’imposent en recherche reproductible : le diagramme en mosaïque (mosaic plot) et le diagramme à barres empilées conditionnelles via ggplot2.

Le graphique de mosaïque décompose visuellement la surface totale d’un carré unité en rectangles dont les largeurs sont proportionnelles aux marges du prédicteur X, et les hauteurs proportionnelles aux probabilités conditionnelles de Y sachant X. En R de base, la commande suivante fournit un rendu informatif immédiat :

mosaicplot(table_clinique, color = TRUE, shade = TRUE, main = "Concordance Stress et Insomnie", xlab = "Stress percu (X)", ylab = "Insomnie (Y)")

Pour une publication scientifique répondant aux standards esthétiques les plus exigeants, la conversion de la table en structure de données data.frame couplée aux fonctions d’empilement 100 % de ggplot2 (geom_bar(position = "fill")) permet d’observer l’évolution monotone directe : la bande colorée associée à « Insomnie Sévère » s’élargit de façon spectaculaire et continue au fur et à mesure que le regard transite de la colonne « Stress Faible » à la colonne « Stress Élevé ». Cette cohérence visuelle apporte une caution descriptive limpide au D de Somers rapporté dans le corps du texte académique.

9. Implémentation dans d’autres environnements : Python, SPSS et SAS

9.1 Calcul en Python via l’écosystème SciPy et Scikit-Learn

Dans l’écosystème Python dédié à la science des données, le calcul du D de Somers a longtemps nécessité l’écriture de routines personnalisées ou l’extraction détournée de métriques de classement. Depuis les versions récentes de la bibliothèque fondamentale SciPy (version 1.7.0 et ultérieures), la statistique fait l’objet d’une intégration native au sein du sous-module scipy.stats via la fonction dédiée somersd.

L’exécution computationnelle prend en charge indifféremment des vecteurs bruts d’observations ou des tableaux de contingence formalisés sous forme de matrices bidimensionnelles NumPy ou de tableaux DataFrame Pandas :

import numpy as np
from scipy.stats import somersd
table_empirique = np.array([[35, 10, 5], [15, 25, 10], [5, 15, 30]])
resultat = somersd(table_empirique)
print(f"D de Somers : {resultat.statistic:.4f}")
print(f"p-valeur : {resultat.pvalue:.4e}")

Il est primordial de noter que la fonction somersd de SciPy considère par défaut la première dimension (les lignes) comme la variable indépendante X et la seconde dimension (les colonnes) comme la variable dépendante Y, restituant ainsi rigoureusement le D(Y|X). La structure renvoyée par la fonction encapsule également l’erreur-type asymptotique et permet l’extraction automatisée des intervalles de confiance via la méthode resultat.confidence_interval(confidence_level=0.95).

9.2 Procédure d’extraction sous IBM SPSS Statistics

Dans l’environnement graphique et programmatique du logiciel IBM SPSS Statistics, largement déployé dans les facultés de psychologie et les centres hospitaliers, le D de Somers est accessible au sein du module classique d’analyse des tableaux croisés.

Le parcours séquentiel via l’interface utilisateur s’établit selon la trajectoire de menus suivante :

• Sélectionner : Analyse > Statistiques descriptives > Tableaux croisés…
• Positionner la variable prédictive (Stress) dans le champ Lignes et la variable critère (Insomnie) dans le champ Colonnes.
• Cliquer sur le bouton Statistiques… dans la fenêtre latérale droite.
• Au sein de la section dédiée aux variables ordinales, cocher explicitement la case d de Somers (aux côtés du Gamma et du Tau-b de Kendall).
• Valider par Poursuivre puis OK, ou coller la syntaxe de commande.

La syntaxe de commande SPSS équivalente s’exprime par le bloc syntaxique :

CROSSTABS
/TABLES=Stress BY Insomnie
/STATISTICS=SOMERSD.

Dans la fenêtre d’affichage des résultats, SPSS génère une table intitulée « Mesures directionnelles » (Directional Measures). Cette table décompose méticuleusement les sorties en trois lignes distinctes :

• Symétrique : Variante symétrique de Somers.
• Stress dépendant : Correspond à D(Stress | Insomnie), soit D(X|Y).
• Insomnie dépendante : Correspond à notre statistique cible D(Insomnie | Stress), soit D(Y|X).

L’utilisateur doit impérativement porter son attention sur la ligne spécifiant la variable dépendante d’intérêt clinique pour éviter toute inversion d’interprétation dans le manuscrit de recherche.

9.3 Syntaxe et procédures sous l’environnement SAS

Dans les industries pharmaceutiques et les contextes d’essais cliniques internationaux régis par les normes de la FDA, le système SAS constitue la référence incontournable pour le traitement des données catégorielles. Au sein de SAS, l’analyse ordinale est entièrement centralisée dans la procédure PROC FREQ.

L’instruction syntaxique permettant d’extraire le D de Somers directionnel couplé à ses tests d’hypothèses asymptotiques s’articule comme suit :

proc freq data=CohorteClinique;
tables Stress * Insomnie / measures test somersd;
weight Effectifs;
run;

L’option measures ordonne la génération exhaustive de la famille des coefficients d’association non paramétriques (Pearson, Spearman, Gamma, Tau de Kendall), tandis que la clause restrictive test somersd demande la conduite du test de significativité de Wald spécifique pour les estimations directionnelles de Somers.

La sortie SAS ventile de manière détaillée :

• Le coefficient Somers’ D C|R (Colonnes conditionnées par les Lignes : D(Y|X)).
• Le coefficient Somers’ D R|C (Lignes conditionnées par les Colonnes : D(X|Y)).
• L’écart-type asymptotique standardisé (Asymptotic Standard Error – ASE).
• Les limites de confiance asymptotiques bilatérales à 95 %.
• La statistique de test Z et la valeur p bilatérale associée sous l’hypothèse de nullité.

10. Inférence statistique, tests d’hypothèses et intervalles de confiance

10.1 Estimation de la variance asymptotique et méthode Delta

L’estimation ponctuelle d’un coefficient D de Somers issu d’un échantillon ne saurait suffire à la validation d’une hypothèse scientifique ; elle doit s’accompagner d’une quantification rigoureuse de son incertitude stochastique. L’évaluation de la variance d’échantillonnage d’un ratio de variables aléatoires non linéaires telles que D(Y|X) fait appel aux développements asymptotiques fondés sur la célèbre méthode Delta (développements en séries de Taylor au premier ordre).

Les dérivations analytiques fondamentales formalisées par Robert Somers (1962), puis perfectionnées par Leo Goodman et William Kruskal (1972), établissent que sous des conditions de régularité statistique standard et pour des effectifs totaux suffisamment volumineux (typiquement N > 30 à 50), la distribution d’échantillonnage de la statistique D(Y|X) converge asymptotiquement vers une loi normale :

D(Y|X) ~ N(δ, σ²_asymptotique)

L’estimateur de l’erreur-type asymptotique (noté ASE pour Asymptotic Standard Error) combine les dérivées partielles de la fonction d’association par rapport aux probabilités de chaque cellule élémentaire du tableau de contingence croisé. Cette formulation matricielle complexe intègre l’ensemble des covariances multinominales des effectifs observés. Lorsque l’effectif global s’accroît, l’ASE décroît à un taux proportionnel à l’inverse de la racine carrée de N ($1/\sqrt{N}$), garantissant la convergence en probabilité et la consistance asymptotique de l’estimateur.

10.2 Formulation du test de significativité globale

Le cadre formel de la décision statistique repose sur la confrontation d’une hypothèse nulle d’indépendance ordinale ($H_0$) à une hypothèse alternative bilatérale d’association ($H_1$) :

• Hypothèse nulle ($H_0$) : $D(Y|X)_{population} = 0$. Il n’existe aucun excédent systématique de concordance ou de discordance ordinale au sein de la population parente.
• Hypothèse alternative ($H_1$) : $D(Y|X)_{population} ≠ 0$. La variable explicative exerce une influence ordonnée monotone non aléatoire sur le critère.

Pour éprouver cette hypothèse nulle, on calcule la statistique de Wald standardisée Z en divisant l’estimation ponctuelle empirique D par son erreur-type asymptotique estimée sous l’hypothèse nulle ($ASE_0$) :

Z = D(Y|X) / ASE_0

Il importe d’alerter le statisticien sur une subtilité technique fondamentale : l’erreur-type utilisée pour le test de significativité sous $H_0$ ($ASE_0$) n’est pas rigoureusement identique à l’erreur-type mobilisée pour la construction de l’intervalle de confiance ($ASE_{estimé}$). Sous l’hypothèse nulle d’indépendance stochastique stricte, la formulation de la variance s’allège substantiellement puisque la vraie valeur sous-jacente du coefficient est postulée comme nulle.

La statistique empirique Z suit asymptotiquement une loi normale centrée réduite $N(0, 1)$. Au seuil de significativité alpha conventionnel de 5 % ($\alpha = 0,05$), l’hypothèse nulle d’absence de relation est rejetée dès lors que la valeur absolue de Z excède la valeur critique canonique de 1,96 (soit une p-valeur bilatérale strictement inférieure à 0,05).

10.3 Estimation robuste par rééchantillonnage (Bootstrapping)

Bien que la théorie asymptotique s’avère remarquablement robuste pour de grands échantillons présentant des cellules uniformément garnies, ses postulats deviennent précaires face à des tableaux de contingence clairsemés (sparse tables), caractérisés par des effectifs cellulaires faibles ou nuls (inférieurs à 5), ou en présence de distributions marginales hautement asymétriques. Dans ces contextes fragiles, l’hypothèse de normalité de l’estimateur peut être prise en défaut, exposant à un risque de sous-estimation de l’erreur-type et à des taux d’erreur de première espèce incontrôlés.

Le recours aux méthodes informatiques de rééchantillonnage non paramétrique — en particulier le bootstrapping — offre une parade méthodologique optimale. La démarche consiste à générer un grand nombre B de répliques synthétiques de l’échantillon empirique initial (généralement B = 2 000 à 10 000 itérations) par tirage avec remise de taille N. Pour chaque échantillon bootstrap, le D de Somers directionnel est intégralement recalculé, générant une approximation empirique directe de sa distribution d’échantillonnage réelle, affranchie de toute hypothèse paramétrique préalable.

À partir de cette distribution empirique simulée, deux approches prévalent pour borner l’intervalle d’incertitude :

• L’intervalle de confiance percentile standard : Construit en identifiant directement les quantiles $alpha/2$ et $1 – (alpha/2)$ de la série ordonnée des estimations bootstrappées.
• L’intervalle BCa (Bias-Corrected and Accelerated) : Variante supérieure hautement recommandée qui applique une double correction mathématique pour compenser le biais médian éventuel de la distribution et l’asymétrie de sa variance (l’accélération).

L’intervalle de confiance BCa garantit une couverture probabiliste rigoureusement exacte, même en présence d’échantillons restreints, consolidant les conclusions inférentielles du clinicien.

11. Le D de Somers dans la modélisation prédictive et les courbes ROC

11.1 Lien analytique avec l’indice de concordance C (AUC ROC)

L’un des développements les plus spectaculaires de l’épidémiologie moderne et de l’apprentissage automatique réside dans la convergence conceptuelle et mathématique établie entre le D de Somers et l’aire sous la courbe des caractéristiques de fonctionnement du récepteur (l’aire sous la courbe ROC, universellement désignée par l’acronyme AUC ou indice de concordance C de Harrell).

Considérons un modèle prédictif binaire visant à classifier un événement clinique d’intérêt (par exemple, la survenue d’une récidive psychopathologique : Présente versus Absente). Le modèle génère pour chaque individu un score continu ou ordinal de propension prédictive $\hat{p}$. L’indice de concordance C représente la probabilité que, parmi une paire de sujets tirés au sort où l’un a développé l’événement et l’autre est demeuré indemne, le score de risque assigné par le modèle soit plus élevé pour le premier que pour le second :

Indice C = AUC = P(hat{p}_i > hat{p}_j | Y_i = 1 text{ et } Y_j = 0)

L’analyse combinatoire démontre l’existence d’une relation linéaire directe, exacte et biunivoque unissant le D de Somers asymétrique conditionné par l’événement binaire et l’aire sous la courbe ROC :

D_xy = 2 * (AUC – 0.5)

De façon réciproque, l’AUC se déduit trivialement du D de Somers par la transformation :

AUC = (D_xy / 2) + 0.5

Cette élégante passerelle algébrique permet d’appréhender le D de Somers comme une version recentrée et mise à l’échelle de l’AUC. Alors que l’AUC oscille sur une échelle graduée de 0,50 (performance prédictive équivalente au hasard complet d’un jet de pièce) à 1,00 (discrimination parfaite), le D de Somers repositionne le niveau du hasard stochastique à 0,00 et la performance optimale à +1,00. Il fournit ainsi une lecture beaucoup plus intuitive et proportionnelle de l’efficience discriminante nette du système de cotation.

11.2 Évaluation du pouvoir discriminant en régression logistique

Dans le cadre de l’ajustement de modèles multivariés par régression logistique binaire ou ordinale, les chercheurs s’appuient fréquemment sur des indicateurs d’adéquation globale tels que les pseudo-coefficients de détermination ($R^2$ de Cox et Snell, $R^2$ de Nagelkerke). Toutefois, ces pseudo-$R^2$ souffrent de limitations d’interprétabilité substantielles et demeurent des métriques d’ajustement paramétrique global plutôt que de réelles mesures de capacité de discrimination ordinale sur le terrain clinique.

Le statisticien biomédical Frank E. Harrell a largement promu l’intégration systématique du D de Somers comme statistique globale d’excellence pour l’évaluation des modèles de régression prédictive. Dans cette configuration, le D de Somers quantifie la concordance entre les probabilités prédictives estimées par l’équation de régression (variable continue X) et les statuts réels catégorisés des patients (variable critère binaire ou ordinale Y).

Contrairement aux tests d’adéquation tels que le test de Hosmer-Lemeshow, qui évaluent le calibrage statistique moyen au détriment de la précision individuelle, le D de Somers sanctionne sans ambiguïté les inversions de rangs. Un modèle prédictif affichant un pseudo-$R^2$ flatteur mais un D de Somers médiocre (par exemple, D = 0,20, correspondant à une AUC de 0,60) se révélera totalement sous-optimal pour guider un triage diagnostique en urgence psychiatrique, car incapable de ségréguer convenablement les degrés d’urgence clinique.

11.3 Applications psychométriques aux scores de risque psychopathologique

L’évaluation actuarielle des risques constitue un domaine d’élection pour le D de Somers en psychométrie appliquée. Qu’il s’agisse de mesurer la vulnérabilité au passage à l’acte suicidaire, l’imminence d’une décompensation psychotique ou le risque de récidive hétéro-agressive en milieu médico-légal, les outils d’évaluation agrègent généralement des facteurs de vulnérabilité pour produire un score indiciaire ordinal.

Dans ce cadre normatif, le D de Somers s’impose pour deux opérations évaluatives fondamentales :

• La validation discriminante univariée : L’indice évalue si chaque incrément unitaire sur le score actuariel s’accompagne effectivement d’une élévation ordonnée de la fréquence d’apparition des épisodes pathologiques observés prospectivement dans le suivi longitudinal.
• La comparaison de modèles compétitifs : Lorsqu’un clinicien hésite entre deux échelles diagnostiques concurrentes (par exemple, l’échelle A versus l’échelle B), la comparaison directe de leurs D de Somers respectifs — complétée par le calcul de l’intervalle de confiance de leur différence ($\Delta D = D_A – D_B$) — permet de déterminer avec rigueur si un instrument démontre une supériorité statistique significative pour ségréguer la trajectoire évolutive des patients.

Cette approche affranchit l’évaluateur de la fixation arbitraire d’un seuil diagnostique dichotomique (cut-off), évaluant l’instrument sur l’ensemble de son continuum de sévérité ordonnée.

12. Bonnes pratiques méthodologiques, limites et normes de publication

12.1 Conditions d’application valides et écueils récurrents

Bien que le D de Somers se caractérise par une remarquable souplesse d’application liée à sa nature non paramétrique, sa validité méthodologique repose sur le respect scrupuleux de certains postulats fondamentaux. L’exigence première et indérogeable concerne la monotonicité de la relation sous-jacente unissant le facteur explicatif au critère de réponse.

Le D de Somers est exclusivement conçu pour détecter et quantifier des associations strictement croissantes ou décroissantes. Si la relation véritable entre deux construits psychologiques adopte une morphologie curvilinéaire — par exemple, une fonction en U inversé telle que formalisée par la loi de Yerkes-Dodson (où une anxiété modérée optimise les performances cognitives, tandis qu’une anxiété absente ou extrême les dégrade dramatiquement) —, le D de Somers global s’effondrera à une valeur proche de zéro. Les paires concordantes de la première phase ascendante viendront arithmétiquement neutraliser les paires discordantes de la seconde phase descendante. L’observateur non averti conclurait à tort à l’absence de lien, alors qu’il s’agit d’une dépendance non monotone majeure. L’inspection préalable des profils de proportions conditionnelles s’avère donc impérative.

Un second écueil réside dans l’orientation arbitraire des modalités lors de l’encodage des variables. L’inversion par inadvertance des échelons de codage d’une seule échelle (par exemple, coder 1 pour « Sévère » et 3 pour « Absent ») commute instantanément le signe du D de Somers, transformant une relation cliniquement congruente en une divergence trompeuse. La documentation rigoureuse des dictionnaires de variables constitue un impératif méthodologique incontournable.

12.2 Normes de reporting académique selon l’American Psychological Association (APA)

La publication de résultats statistiques dans les revues académiques internationales affiliées aux sciences du comportement exige la conformité la plus stricte aux directives de l’American Psychological Association (APA, 7e édition). Trop souvent, les auteurs omettent de préciser la direction d’asymétrie adoptée pour le D de Somers, rendant impossible la réplication indépendante des analyses.

Pour satisfaire pleinement aux exigences de transparence méthodologique des comités de lecture, le texte académique doit obligatoirement expliciter les éléments suivants :

• L’identification formelle de la variable traitée comme dépendante et de celle positionnée comme indépendante.
• L’estimation ponctuelle arrondie au centième ou au millième ($D$).
• L’erreur-type asymptotique ($ASE$) ou l’intervalle de confiance à 95 % ($IC_{95%}$).
• La valeur de la statistique de Wald standardisée ($Z$).
• La valeur $p$ exacte associée au test bilatéral d’hypothèse nulle.
• La taille totale de l’échantillon analysé ($N$).

Voici deux exemples canoniques de formulation textuelle conforme aux standards APA 7 :

« Une analyse d’association ordinale asymétrique a été conduite pour évaluer la capacité du niveau de stress perçu à prédire la sévérité de l’insomnie clinique. Le D de Somers directionnel indique une association positive modérée à forte statistiquement significative, D(Insomnie | Stress) = 0,51, IC 95 % [0,39, 0,62], Z = 8,34, p < 0,001 (N = 150). Les professionnels rapportant un stress plus intense présentaient un risque ordinalement accru de perturbations du sommeil. »

« Le pouvoir prédictif de l’échelle d’évaluation actuarielle sur la survenue d’incidents comportementaux a été quantifié par le D de Somers asymétrique. L’indice confirme une excellente discrimination ordinale du risque, D = 0,44, ASE = 0,06, p = 0,002, équivalant à une aire sous la courbe ROC de 0,72. »

12.3 Synthèse comparative et arbre décisionnel pour le chercheur

Afin de guider le praticien et le chercheur dans le dédale des métriques non paramétriques disponibles, un arbre de décision méthodologique peut être articulé autour de questions structurales simples :

1. Nature des variables : Les deux variables sont-elles purement qualitatives nominales sans ordre sous-jacent ? Si oui, s’orienter vers le V de Cramer ou l’indice Lambda de Goodman-Kruskal. Si les variables possèdent des échelons ordonnés hiérarchiquement, poursuivre l’évaluation ordinale.
2. Cadre conceptuel : L’investigation s’inscrit-elle dans un paradigme d’interdépendance mutuelle symétrique sans orientation explicative préalable ?
   • Si le tableau de contingence est parfaitement carré : le Tau-b de Kendall est optimal.
   • Si le tableau est rectangulaire ($L ≠ C$) : privilégier le Tau-c de Stuart ou le D symétrique de Somers.
3. Présence d’un statut causal ou prédictif directionnel : Une variable X est-elle clairement postulée comme facteur antécédent expliquant un critère ordonné Y ?
   • Si l’analyste souhaite pénaliser l’incapacité discriminante de l’échelle réponse et obtenir une métrique directrice directement connectée à l’AUC prédictive : le D de Somers asymétrique D(Y|X) s’impose impérativement comme le choix de référence.
   • Le recours au Gamma de Goodman et Kruskal doit être circonscrit aux situations d’exploration préliminaire où l’on souhaite délibérément faire abstraction totale de l’effet d’atténuation provoqué par les paires d’ex æquo.

En synthèse, le D de Somers s’impose non pas comme un simple substitut technique aux corrélations linéaires défaillantes, mais comme une architecture d’évaluation statistique complète, rigoureuse et épistémologiquement alignée sur les exigences de la modélisation prédictive contemporaine en sciences du comportement et de la santé.

Références

• Agresti, A. (2010). Analysis of Ordinal Categorical Data (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9780470594001
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
• Goodman, L. A., & Kruskal, W. H. (1954). Measures of association for cross classifications. Journal of the American Statistical Association, 49(268), 732–764. https://doi.org/10.1080/01621459.1954.10501231
• Goodman, L. A., & Kruskal, W. H. (1972). Measures of association for cross classifications, IV: Simplification of asymptotic variances. Journal of the American Statistical Association, 67(338), 415–421. https://doi.org/10.1080/01621459.1972.10482396
• Harrell, F. E. (2015). Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis (2nd ed.). Springer. https://doi.org/10.1007/978-3-319-19425-7
• Kendall, M. G. (1938). A new measure of rank correlation. Biometrika, 30(1/2), 81–93. https://doi.org/10.1093/biomet/30.1-2.81
• Liebetrau, A. M. (1983). Measures of Association. SAGE Publications. https://doi.org/10.4135/9781412984911
• Somers, R. H. (1962). A new asymmetric measure of association for ordinal variables. American Sociological Review, 27(6), 799–811. https://doi.org/10.2307/2090408
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Stuart, A. (1953). The estimation and comparison of strengths of association in contingency tables. Biometrika, 40(1/2), 105–110. https://doi.org/10.1093/biomet/40.1-2.105