Table de distribution du khi-deux

L’inférence statistique constitue le socle épistémologique et méthodologique sur lequel repose l’évaluation des hypothèses en sciences humaines, sociales et biomédicales. Au sein de cet édifice probabiliste, la table de distribution du khi-deux (notée usuellement $\chi^2$) figure parmi les artefacts mathématiques les plus célèbres, les plus fondamentaux et les plus durables de l’histoire de la biométrie moderne. Élaborée à l’aube du XXe siècle, elle offre un pont quantitatif rigoureux entre des observations empiriques discontinues — souvent issues de décomptes catégoriels, de profils cliniques ou de fréquences comportementales — et des modèles théoriques sous-jacents continus régis par les lois du hasard.

Bien que l’avènement des logiciels statistiques informatisés ait automatisé le calcul instantané des valeurs de probabilité ($p$-valeurs), la maîtrise de la structure, de l’anatomie et de la dynamique interne d’une table du khi-deux demeure un réquisit méthodologique incontournable pour tout praticien, chercheur ou étudiant en psychométrie. Comprendre la manière dont les valeurs critiques s’articulent autour des degrés de liberté et des seuils de risque consentis permet de prémunir l’analyste contre les illusions de précision algorithmique, de développer un jugement critique face aux distributions asymétriques et de saisir l’essence même du test d’hypothèse non paramétrique.

Ce guide exhaustif a pour vocation d’explorer l’ensemble des ramifications théoriques, mathématiques et appliquées de la table de distribution du khi-deux. De sa genèse sous la plume de Karl Pearson jusqu’à ses déclinaisons contemporaines dans les protocoles d’adéquation, d’indépendance et d’homogénéité en psychologie clinique et expérimentale, chaque dimension est décortiquée avec une rigueur académique exemplaire. Les sections suivantes vous guideront pas à pas à travers les arcanes de la lecture des valeurs critiques, les conditions strictes de validité empirique et les passerelles formelles reliant cette distribution aux autres grandes lois statistiques fondamentales.

1. Introduction théorique à la table de distribution du khi-deux

1.1 Définition et rôle fondamental en statistique inférentielle

La distribution théorique du khi-deux représente une loi de probabilité continue qui modélise la somme des carrés de variables aléatoires normales standardisées indépendantes. En statistique inférentielle, son rôle cardinal consiste à évaluer l’ampleur de la divergence observée entre un ensemble de données empiriques recueillies sur le terrain et une distribution théorique attendue construite sous l’égide de l’hypothèse nulle ($H_0$). La table de distribution du khi-deux matérialise cette loi sous une forme matricielle synthétique, répertoriant les valeurs frontières — dénommées valeurs critiques — au-delà desquelles l’écart entre le modèle théorique et la réalité observée ne peut raisonnablement plus être attribué aux seules fluctuations d’échantillonnage aléatoire.

Dans l’univers des sciences humaines et sociales, où les phénomènes étudiés s’expriment fréquemment sous forme de variables nominales ou ordinales (telles que le diagnostic psychopathologique, le choix d’orientation, l’appartenance socio-culturelle ou le type d’attachement), la quantification de l’erreur d’échantillonnage s’avère particulièrement complexe. La table statistique du khi-deux fournit un repère métrologique universel permettant de convertir un agrégat complexe de décomptes catégoriels en une métrique d’écart univariée, offrant ainsi une grille de décision objective pour valider ou invalider les inférences expérimentales.

La distinction entre distribution empirique observée ($O$) et distribution théorique attendue ($E$) constitue le cœur opérationnel de cette démarche. Sans une table de référence rigoureuse, il serait impossible de savoir si un écart numérique entre des fréquences observées et prédites reflète une réelle régularité psychologique ou simplement le « bruit » stochastique inhérent à tout prélèvement d’échantillon fini dans une population parente infinie.

1.2 Contexte historique et développement par Karl Pearson

La formalisation mathématique de la distribution du khi-deux trouve son origine dans l’article fondateur publié en 1900 par le mathématicien et biométricien britannique Karl Pearson, intitulé « On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling » dans le Philosophical Magazine. Pearson cherchait à dépasser les limites de la théorie des erreurs gaussienne pour proposer un critère universel permettant de vérifier si un ensemble de données observées s’ajustait de manière satisfaisante à une courbe théorique donnée.

Avant l’avènement des calculateurs électroniques et de la micro-informatique moderne au milieu du XXe siècle, le calcul manuel des intégrales définissant la probabilité cumulative d’une telle loi représentait un obstacle quasi infranchissable pour les praticiens de laboratoire. La mise au point, la vérification manuelle et l’impression typographique de tables numériques précalculées ont constitué une avancée technologique majeure. Des cohortes de « calculateurs humains » ont méticuleusement compilé ces feuillets, permettant à des générations de chercheurs de déterminer instantanément les seuils décisionnels à partir de quelques paramètres sommaires.

Cet effort de tabulation a eu un impact retentissant sur l’essor de la psychométrie naissante et de la psychologie quantitative. Sous l’influence des travaux ultérieurs de Ronald Fisher, Jerzy Neyman et Egon Pearson, la table du khi-deux est devenue l’instrument standard d’objectivation empirique, contribuant à ériger la psychologie au rang de discipline scientifique rigoureuse dotée d’outils de preuve réfutables et standardisés.

1.3 Place de la table dans l’arsenal méthodologique du psychologue

Pour le psychologue clinicien, le chercheur en neurosciences comportementales ou l’expert psychométricien, la table du khi-deux constitue un outil d’arbitrage méthodologique polyvalent. L’évaluation psychologique génère une quantité massive de données catégorielles : présences ou absences de symptômes selon le DSM-5-TR, réponses dichotomiques à des inventaires de personnalité, typologies projectives, ou encore classifications comportementales issues de grilles d’observation en milieu écologique.

L’utilisation de la table permet notamment de valider empiriquement des grilles diagnostiques et des modèles théoriques de personnalité. Par exemple, lorsqu’un chercheur souhaite vérifier si la distribution des profils de personnalité au sein d’une cohorte de patients souffrant de troubles de l’humeur diffère significativement de la distribution normative observée dans la population générale, la confrontation de la statistique calculée à la valeur issue de la table offre une réponse statistique univoque et reproductible.

De surcroît, la table papier conserve une utilité heuristique immédiate lors de la lecture critique de la littérature scientifique. Face à un article de recherche omettant de détailler les seuils exacts de significativité ou présentant des résultats litigieux, la consultation instantanée d’une table du khi-deux permet à l’examinateur de vérifier en quelques secondes la cohérence interne entre les degrés de liberté annoncés, la valeur de la statistique de test obtenue et le niveau de probabilité affirmé par les auteurs.

2. Structure et anatomie d’une table statistique du khi-deux

2.1 Compréhension des degrés de liberté (ddl / DF)

Le concept de degrés de liberté (noté ddl en français ou DF pour Degrees of Freedom en anglais) représente le paramètre fondamental gouvernant la forme et l’étalement de la distribution du khi-deux. Mathématiquement, les degrés de liberté correspondent au nombre de dimensions indépendantes le long desquelles les données peuvent varier librement sans enfreindre les contraintes marginales imposées par le plan expérimental ou le total des observations recueillies.

Dans la structure typographique d’une table standard du khi-deux, les degrés de liberté sont systématiquement disposés le long de la première colonne verticale, progressant de manière unitaire de 1 jusqu’à 30 ou 50, puis s’échelonnant par pas plus larges (par exemple 60, 80, 100, voire 1000) pour les échantillons massifs. Chaque ligne de la table correspond ainsi à une loi de distribution spécifique, car la loi du khi-deux ne désigne pas une courbe unique, mais une famille infinie de distributions paramétrées exclusivement par leurs degrés de liberté.

L’impact de l’augmentation des degrés de liberté sur l’allure géométrique de la courbe est spectaculaire : pour $ddl = 1$, la courbe présente une forme hyperbolique plongeante avec une asymptote verticale en zéro ; au fur et à mesure que les degrés de liberté augmentent, la distribution acquiert une bosse unimodale, perd son asymétrie positive initiale et s’arrondit progressivement pour ressembler à une courbe en cloche gaussienne. Le calcul exact des degrés de liberté dépendra étroitement de la structure des données : $k – 1$ pour un test d’adéquation à $k$ modalités, ou $(r – 1)(c – 1)$ pour un tableau de contingence croisant $r$ lignes et $c$ colonnes.

2.2 Niveaux de probabilité et seuils de signification (alpha)

L’axe horizontal supérieur de la table du khi-deux énumère les seuils de signification, symbolisés par la lettre grecque alpha ($\alpha$). Ces seuils représentent le risque consenti par le chercheur de commettre une erreur de type I, c’est-à-dire la probabilité de rejeter à tort l’hypothèse nulle ($H_0$) alors que celle-ci est fondamentalement vraie dans la population d’origine. Les valeurs conventionnelles standardisées incluent traditionnellement les probabilités $\alpha = 0{,}10$ (tendance marginale), $\alpha = 0{,}05$ (seuil de scientificité standard), $\alpha = 0{,}01$ (seuil hautement significatif) et $\alpha = 0{,}001$ (seuil très hautement significatif).

Il est capital de noter que la probabilité figurant en en-tête de colonne correspond à l’aire sous la courbe située sous la queue de distribution supérieure (queue de droite). Ainsi, une valeur tabulée pour $\alpha = 0{,}05$ avec un degré de liberté donné indique que la surface intégrée sous la fonction de densité au-delà de cette valeur critique représente exactement $5,%$ de l’aire totale de la distribution (qui vaut toujours 1).

La vigilance est de mise lors de l’utilisation de tables provenant d’éditeurs divers : alors que l’écrasante majorité des tables modernes présente la probabilité unilatérale de queue supérieure $P(\chi^2 ge \chi^2_{\text{critique}}) = \alpha$, certaines tables cumulatives affichent la probabilité cumulée à gauche $P(\chi^2 le \chi^2_{\text{critique}}) = 1 – \alpha$ (arborant alors des valeurs de colonnes telles que $0{,}90$, $0{,}95$, $0{,}99$). Une mauvaise interprétation de l’en-tête graphique accompagnant la table peut conduire à une inversion dramatique du seuil de décision statistique.

2.3 Valeurs critiques : lecture et interprétation numérique

La valeur critique se matérialise par le nombre réel positif situé à l’intersection exacte d’une ligne spécifique (définie par les degrés de liberté $ddl$) et d’une colonne donnée (définie par le seuil d’erreur de première espèce $\alpha$). Cette grandeur constitue le point de démarcation numérique strict séparant la zone de non-rejet de l’hypothèse nulle (zone d’acceptation opérationnelle) de la zone de rejet critique.

La règle décisionnelle universelle s’énonce comme suit :

• Si la statistique de test calculée sur l’échantillon, notée $\chi^2_{\text{obs}}$, est strictement supérieure à la valeur critique tabulée $\chi^2_{\text{critique}}(\alpha, ddl)$, alors l’hypothèse nulle $H_0$ est rejetée au seuil de risque $\alpha$. L’effet ou l’association est déclaré statistiquement significatif.
• Si, à l’inverse, $\chi^2_{\text{obs}} le \chi^2_{\text{critique}}(\alpha, ddl)$, l’écart observé entre fréquences théoriques et empiriques est considéré comme compatible avec les fluctuations d’échantillonnage aléatoire au seuil choisi. L’hypothèse $H_0$ ne peut être rejetée.

Lorsque le chercheur est confronté à des degrés de liberté élevés non répertoriés explicitement dans la table imprimée (par exemple $ddl = 47$ dans une table sautant de 40 à 50), la méthode préconisée consiste soit à adopter une démarche conservatrice en choisissant la valeur critique du degré de liberté immédiatement inférieur ($ddl = 40$), soit à procéder à une interpolation linéaire pondérée entre les deux bornes tabulées les plus proches afin d’estimer le seuil avec une précision satisfaisante.

3. Fondements mathématiques et propriétés de la distribution du khi-deux

3.1 Relation avec la loi normale standardisée

La construction analytique de la loi du khi-deux est intimement liée à la loi normale standardisée $\mathcal{N}(0, 1)$. Si l’on considère un ensemble de $k$ variables aléatoires $Z_1, Z_2, dots, Z_k$, mutuellement indépendantes et distribuées chacune selon une loi normale centrée réduite (d’espérance nulle et de variance unitaire), la variable aléatoire $X$ définie par la somme de leurs carrés :

$$X = \sum_{i=1}^{k} Z_i^2 = Z_1^2 + Z_2^2 + dots + Z_k^2$$

suit, par définition, une loi du khi-deux à $k$ degrés de liberté, notée $X \sim \chi^2(k)$. Cette définition fondamentale engendre immédiatement deux propriétés structurelles inaliénables : d’une part, étant le résultat d’une somme de termes élevés au carré, une variable khi-deux ne peut jamais adopter de valeur négative. Son domaine de définition mathématique strict s’étend exclusivement sur l’intervalle réel semi-fermé $[0, +\infty[$.

D’autre part, cette relation matricielle explique pourquoi la loi du khi-deux apparaît spontanément dans l’étude des variances d’échantillonnage. En psychométrie et en théorie de la mesure, la variance empirique d’un score composite calculé sur $n$ sujets indépendants prélevés dans une population normale se distribue proportionnellement à une variable khi-deux à $n-1$ degrés de liberté. Elle forme ainsi le pivot théorique indispensable à l’estimation des intervalles de confiance de la dispersion des traits psychologiques.

3.2 Moments statistiques : espérance, variance et forme

Les caractéristiques distributionnelles de la loi du khi-deux à $k$ degrés de liberté se déduisent directement de ses propriétés de décomposition stochastique. L’espérance mathématique (la moyenne théorique de la distribution) est rigoureusement égale à son nombre de degrés de liberté :

$$\mathbb{E}[\chi^2(k)] = k$$

La variance théorique de la distribution est quant à elle exactement égale au double du nombre de degrés de liberté :

$$operatorname{Var}(\chi^2(k)] = 2k$$

Le mode (la valeur correspondant au sommet de la fonction de densité de probabilité) est égal à $k – 2$ pour tout $k ge 2$. Lorsque $k = 1$ ou $k = 2$, la distribution présente son maximum absolu directement à l’origine ($x = 0$).

L’asymétrie (skewness) de la distribution est régie par la formule $\gamma_1 = \sqrt{8/k}$, indiquant une forte asymétrie positive pour les petits degrés de liberté, laquelle s’atténue au fur et à mesure que $k$ grandit. L’aplatissement (kurtosis d’excès) est donné par $\gamma_2 = 12/k$. En vertu du théorème central limite, lorsque $k to \infty$, la somme de ces variables aléatoires indépendantes converge asymptotiquement vers une loi normale de moyenne $k$ et d’écart-type $\sqrt{2k}$, justifiant ainsi les approximations gaussiennes couramment employées pour les degrés de liberté supérieurs à 30 ou 100.

3.3 Fonction de densité de probabilité et calcul intégral

Sur le plan de l’analyse mathématique pure, la fonction de densité de probabilité $f(x; k)$ d’une variable aléatoire continue distribuée selon une loi du khi-deux à $k$ degrés de liberté est formulée analytiquement à travers l’expression :

$$f(x; k) = \frac{1}{2^{k/2} , \Gamma(k/2)} , x^{(k/2) – 1} , e^{-x/2} \quad \text{pour } x > 0$$

où $\Gamma(z)$ désigne la fonction Gamma d’Euler, généralisation de la fonction factorielle aux nombres réels et complexes, définie par l’intégrale impropre $\Gamma(z) = \int_0^\infty t^{z-1} e^{-t} , dt$.

La construction rigoureuse des tables de probabilités imprimées repose sur l’intégration numérique de cette fonction de densité. La probabilité cumulative $P(\chi^2 ge \chi^2_{\alpha, k}) = \alpha$ impose de résoudre l’équation intégrale :

$$\alpha = \int_{\chi^2_{\alpha, k}}^{\infty} \frac{1}{2^{k/2} , \Gamma(k/2)} , x^{(k/2) – 1} , e^{-x/2} , dx$$

L’absence de primitive élémentaire pour cette intégrale lorsque $k$ est impair a nécessité historiquement le recours à des développements en séries entières et à des méthodes de quadrature numérique de haute précision pour tabuler avec exactitude les valeurs critiques figurant dans les manuels universitaires contemporains.

4. Guide pratique d’utilisation de la table du khi-deux

4.1 Procédure systématique en cinq étapes

La manipulation rigoureuse de la table du khi-deux au sein d’une recherche empirique exige le respect d’une démarche séquentielle standardisée en cinq étapes cardinales :

• Étape 1 : Formulation claire des hypothèses statistiques. L’analyste pose explicitement l’hypothèse nulle ($H_0$, postulant l’absence de différence, de liaison ou d’écart structurel) et l’hypothèse alternative ($H_1$, postulant l’existence d’une divergence non aléatoire).
• Étape 2 : Détermination a priori du seuil de risque $\alpha$. Avant toute analyse numérique des données recueillies, le chercheur fixe le niveau d’erreur consenti (généralement $\alpha = 0{,}05$, ou $\alpha = 0{,}01$ dans les contextes cliniques à haute sensibilité).
• Étape 3 : Calcul précis des degrés de liberté. Selon le design expérimental mobilisé (test d’adéquation univarié ou tableau croisé bivarié), les degrés de liberté sont rigoureusement arrêtés ($k – 1$ ou $(r – 1)(c – 1)$).
• Étape 4 : Localisation de la valeur critique tabulée. Le praticien parcourt la table du khi-deux pour repérer le quantile situé au croisement exact de la ligne des $ddl$ calculés et de la colonne du risque $\alpha$ fixé.
• Étape 5 : Confrontation et conclusion décisionnelle. La statistique $\chi^2_{\text{obs}}$ calculée sur l’échantillon est comparée à la valeur critique $\chi^2_{\text{critique}}$. Si $\chi^2_{\text{obs}} > \chi^2_{\text{critique}}$, $H_0$ est formellement rejetée au seuil $\alpha$ ; dans le cas contraire, $H_0$ est conservée.

4.2 Techniques d’approximation et d’interpolation

Lorsque les degrés de liberté du protocole de recherche dépassent les valeurs discrètes fournies par la table papier standard, différentes méthodes d’approximation analytique permettent de déterminer les valeurs critiques sans perte notable de validité. Pour des degrés de liberté $ddl$ compris entre 30 et 100 non listés, l’interpolation linéaire simple offre une estimation robuste :

$$\chi^2_{\text{critique}}(ddl) \approx \chi^2_1 + \frac{ddl – ddl_1}{ddl_2 – ddl_1} , (\chi^2_2 – \chi^2_1)$$

Pour les échantillons massifs où $ddl > 30$, l’approximation classique de Fisher stipule que la quantité $\sqrt{2\chi^2}$ se distribue approximativement selon une loi normale d’espérance $\sqrt{2ddl – 1}$ et d’écart-type 1. La valeur critique approximée se calcule alors via :

$$\chi^2_{\alpha, ddl} \approx \frac{1}{2} \left( Z_\alpha + \sqrt{2ddl – 1} \right)^2$$

Pour une précision métrologique encore supérieure, notamment lorsque $ddl > 100$, la transformation de Wilson-Hilferty constitue l’étalon-or des approximations analytiques :

$$\chi^2_{\alpha, ddl} \approx ddl \left( 1 – \frac{2}{9ddl} + Z_\alpha \sqrt{\frac{2}{9ddl}} \right)^3$$

où $Z_\alpha$ représente le quantile supérieur standard de la loi normale centrée réduite (par exemple $1{,}645$ pour $\alpha = 0{,}05$ ou $2{,}326$ pour $\alpha = 0{,}01$).

4.3 Erreurs courantes de lecture et pièges d’interprétation

L’utilisation de la table de distribution du khi-deux expose le praticien non averti à plusieurs biais cognitifs et erreurs de lecture récurrentes. La première bévue réside dans la confusion entre la probabilité de queue droite ($P(\chi^2 ge \text{valeur})$) et la probabilité cumulée à gauche ($P(\chi^2 le \text{valeur})$). Consulter une table conçue pour la queue gauche en cherchant la colonne $0{,}05$ revient à fixer un seuil décisionnel à $95,%$ d’erreur, inversant totalement l’issue du test.

Une seconde erreur fréquente concerne l’inversion pure et simple de la grille de lecture : croiser par inadvertance les lignes de probabilité et les colonnes de degrés de liberté, ou confondre le nombre d’observations total ($N$) avec le nombre de degrés de liberté ($ddl$). Rappelons avec force que les degrés de liberté dépendent uniquement du nombre de catégories ou de modalités croisées, et non du volume total des participants inclus dans l’échantillon.

Enfin, le piège épistémologique majeur consiste à assimiler un non-rejet de l’hypothèse nulle ($p > \alpha$) à une preuve formelle de la véracité de $H_0$. Ne pas trouver d’écart significatif indique simplement que les données actuelles ne permettent pas de disqualifier le modèle théorique, sans pour autant prouver que ce dernier est l’unique reflet de la vérité ontologique sous-jacente.

5. Application au test d’adéquation (Goodness-of-Fit) en psychologie

5.1 Vérification des distributions théoriques de traits psychologiques

Le test d’adéquation du khi-deux (communément désigné sous l’anglicisme Goodness-of-Fit) a pour dessein d’évaluer si la distribution empirique d’une variable qualitative observée au sein d’un échantillon donné se conforme fidèlement à une distribution théorique postulée a priori. En psychologie différentielle et clinique, cette démarche est constamment sollicitée pour comparer une distribution d’attributs à une répartition uniforme équiprobable ou à une typologie structurée issue de la littérature.

Considérons l’évaluation d’un modèle typologique de la personnalité (par exemple, la classification jungienne des quatre fonctions psychologiques principales : Sensation, Intuition, Pensée, Sentiment). Un chercheur souhaite vérifier si, dans une cohorte de cadres dirigeants en transition professionnelle, ces quatre profils se distribuent de manière équiprobable ($25,%$ chacun) ou si certains types manifestent une prévalence statistiquement anormale.

Le calcul des effectifs théoriques attendus ($E_i$) sous l’hypothèse nulle d’équiprobabilité s’effectue simplement en multipliant l’effectif total observé $N$ par la proportion théorique postulée pour chaque catégorie $p_i$ :

$$E_i = N \times p_i$$

Dans cet exemple, pour une cohorte de $N = 200$ participants, l’effectif théorique attendu pour chaque fonction psychologique sera uniformément de $E_i = 200 \times 0{,}25 = 50$ sujets.

5.2 Calcul de la statistique du khi-deux d’adéquation

Une fois les effectifs empiriques observés ($O_i$) et les effectifs théoriques calculés ($E_i$) répertoriés pour l’ensemble des $k$ catégories, la statistique globale du khi-deux de Pearson est obtenue par la sommation normalisée des carrés des écarts :

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

Pour un test d’adéquation univarié comportant $k$ catégories distinctes, le nombre de degrés de liberté est rigoureusement fixé à :

$$ddl = k – 1$$

La soustraction d’une unité découle de la contrainte marginale inhérente au fait que la somme des effectifs observés doit être strictement égale à la somme des effectifs théoriques ($\sum O_i = \sum E_i = N$). Si des paramètres théoriques supplémentaires avaient été estimés à partir des données empiriques elles-mêmes (comme la moyenne ou la variance dans le cas d’un ajustement à une loi normale discrétisée), un degré de liberté additionnel devrait être retranché pour chaque paramètre estimé.

La statistique $\chi^2_{\text{obs}}$ est ensuite comparée à la valeur critique lue dans la table pour $ddl = k – 1$ au seuil $\alpha$ préalablement retenu.

5.3 Interprétation clinique et psychométrique des résultats

Sur le plan de l’interprétation, le rejet formel de l’hypothèse nulle ($H_0$) lors d’un test d’adéquation atteste que la configuration empirique de l’échantillon dévie de façon structurelle du modèle théorique spécifié. En contexte psychométrique, ce résultat peut révéler l’existence d’un biais de recrutement, d’une spécificité clinique propre à la population examinée, ou d’une inadéquation de l’instrument de mesure.

Toutefois, la simple constatation d’un $\chi^2$ significatif ne permet pas d’identifier précisément quelles catégories sont à l’origine de cette distorsion. Il devient alors indispensable d’examiner les résidus standardisés ajustés (ou résidus de Pearson) pour chaque cellule $i$, définis par :

$$R_i = \frac{O_i – E_i}{\sqrt{E_i}}$$

Sous $H_0$, ces résidus suivent approximativement une loi normale centrée réduite $\mathcal{N}(0, 1)$. Toute modalité dont la valeur absolue du résidu standardisé excède le seuil critique de $|R_i| > 1{,}96$ (pour un seuil bilatéral $\alpha = 0{,}05$) ou $|R_i| > 2{,}58$ (pour $\alpha = 0{,}01$) sera désignée comme une cellule sur-représentée ou sous-représentée de manière hautement significative, autorisant une interprétation clinique ciblée.

6. Application au test d’indépendance des variables qualitatives

6.1 Structure des tableaux de contingence croisés (r x c)

Le test d’indépendance du khi-deux est mobilisé pour déterminer si deux variables qualitatives mesurées conjointement sur un même groupe d’individus sont statistiquement indépendantes ou si elles entretiennent une relation d’association stochastique significative. Les données brutes sont organisées sous la forme d’un tableau de contingence à double entrée comportant $r$ lignes (modalités de la première variable) et $c$ colonnes (modalités de la seconde variable).

Chaque case $(i, j)$ du tableau abrite l’effectif conjoint observé $O_{ij}$, représentant le dénombrement des participants présentant simultanément la modalité $i$ de la variable en ligne et la modalité $j$ de la variable en colonne. Les marges du tableau regroupent les effectifs marginaux de lignes ($R_i = \sum_{j=1}^c O_{ij}$) et les effectifs marginaux de colonnes ($C_j = \sum_{i=1}^r O_{ij}$), la somme de ces totaux marginaux convergeant vers l’effectif général total $N$.

Le nombre de degrés de liberté alloué à un tel tableau croisé $(r \times c)$ est régi par l’équation matricielle :

$$ddl = (r – 1)(c – 1)$$

Cette formulation exprime le fait que, les totaux marginaux de lignes et de colonnes étant fixés, seules $(r – 1) \times (c – 1)$ cellules peuvent être remplies librement ; le contenu de toutes les autres cellules s’en déduit arithmétiquement de manière déterministe.

6.2 Calcul des effectifs théoriques conjoints

En vertu du théorème fondamental des probabilités stipulant que la probabilité conjointe de deux événements indépendants $A$ et $B$ équivaut au produit de leurs probabilités marginales respectives ($P(A \cap B) = P(A) \times P(B)$), l’effectif théorique attendu $E_{ij}$ dans chaque cellule sous l’hypothèse stricte d’indépendance stochastique est formulé par :

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

où $R_i$ désigne le total marginal de la ligne $i$, $C_j$ le total marginal de la colonne $j$, et $N$ l’effectif total de l’étude.

La statistique du khi-deux d’indépendance est ensuite calculée en sommant l’ensemble des déviations quadratiques réduites sur l’intégralité des $r \times c$ cellules composant la grille :

$$\chi^2_{\text{obs}} = \sum_{i=1}^{r} \sum_{j=1}^{c} \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

Cette grandeur reflète la distance globale de contingence entre la structure observée et la structure d’indépendance idéale.

6.3 Cas d’usage : corrélation entre profil de personnalité et adhésion thérapeutique

Illustrons cette méthodologie par une recherche clinique évaluant l’association entre le profil d’attachement adulte (trois modalités : Sécurisant, Anxieux, Évitant) et le degré d’observance d’un protocole de psychothérapie cognitive (trois modalités : Observance totale, Observance partielle, Abandon précoce). Les données sont colligées dans un tableau croisé $3 \times 3$ rassemblant $N = 300$ patients suivis en ambulatoire.

Le plan expérimental comporte des degrés de liberté équivalant à :

$$ddl = (3 – 1)(3 – 1) = 2 \times 2 = 4$$

En consultant la table de distribution du khi-deux à la ligne $ddl = 4$ et à la colonne $\alpha = 0{,}05$, le praticien localise la valeur critique $\chi^2_{\text{critique}} = 9{,}488$. Supposons que l’application de la formule sur l’ensemble des 9 cases produise une statistique observée $\chi^2_{\text{obs}} = 16{,}72$. Étant donné que $16{,}72 > 9{,}488$, l’hypothèse nulle d’indépendance est formellement rejetée au seuil $\alpha = 0{,}05$ ($p < 0{,}01$).

La conclusion clinique atteste sans ambiguïté que la propension à maintenir ou abandonner la psychothérapie est intimement conditionnée par le style d’attachement du sujet, orientant l’équipe soignante vers des interventions motivationnelles individualisées pour les profils insécures.

7. Application au test d’homogénéité dans les protocoles quasi-expérimentaux

7.1 Différenciation conceptuelle entre indépendance et homogénéité

Bien que le calcul algébrique de la statistique $\chi^2_{\text{obs}}$ et la lecture de la table soient rigoureusement identiques entre le test d’indépendance et le test d’homogénéité, leur distinction conceptuelle et méthodologique est capitale. Elle réside fondamentalement dans la stratégie d’échantillonnage mise en œuvre par le chercheur :

• Dans le test d’indépendance, un échantillon unique de sujets est prélevé au hasard dans la population, et deux variables distinctes sont mesurées a posteriori chez chaque individu (échantillonnage multinomial transversal). Seul le grand total $N$ est fixé d’avance.
• Dans le test d’homogénéité, le chercheur fixe a priori la taille de plusieurs sous-échantillons distincts issus de populations préexistantes (par exemple $100$ patients bipolaires et $100$ témoins sains), puis examine la distribution d’une variable qualitative unique au sein de chacun de ces groupes prédéfinis (échantillonnage indépendant multiple avec marges de lignes fixées expérimentalement).

L’objectif de l’homogénéité consiste à éprouver si la loi de probabilité de la variable d’intérêt est identique d’une sous-population à l’autre.

7.2 Comparaison de sous-populations cliniques distinctes

Considérons une étude évaluant la prévalence de l’anxiété professionnelle (catégorisée en : Faible, Modérée, Sévère) au sein de trois corps de métier hospitaliers distincts : Médecins urgentistes ($n_1 = 80$), Infirmiers de soins intensifs ($n_2 = 80$) et Personnels administratifs ($n_3 = 80$). Le chercheur a délibérément fixé la taille de chaque sous-groupe à 80 participants, générant une cohorte globale de $N = 240$ individus.

Le protocole correspond à un tableau d’homogénéité comportant $r = 3$ groupes et $c = 3$ niveaux d’anxiété, attribuant de nouveau $ddl = (3 – 1)(3 – 1) = 4$ degrés de liberté. La consultation de la table au seuil $\alpha = 0{,}01$ délivre une valeur critique seuil de $\chi^2_{\text{critique}} = 13{,}277$.

Si la statistique globale calculée sur les effectifs théoriques conditionnels excède ce seuil, le clinicien conclut à l’hétérogénéité significative des profils d’anxiété entre les catégories professionnelles, justifiant des plans de prévention des risques psychosociaux différenciés selon le secteur d’activité.

7.3 Recherche de sous-profils homogènes et analyses post-hoc

Lorsque le test global d’homogénéité rejette $H_0$, l’analyste se trouve confronté au problème de l’identification des paires de sous-populations divergentes. La décomposition du khi-deux global en sous-tables partielles indépendantes $2 \times 2$ constitue la démarche d’analyse post-hoc standard.

Cependant, la multiplication de tests statistiques secondaires accroît mécaniquement le risque global de commettre une erreur de type I (inflation de l’alpha familial). Pour préserver l’intégrité de l’inférence, il est impératif d’appliquer une correction de Bonferroni au seuil de signification lors de la consultation réitérée de la table :

$$\alpha_{\text{ajusté}} = \frac{\alpha_{\text{global}}}{m}$$

où $m$ représente le nombre total de comparaisons par paires effectuées (pour 3 groupes, $m = \frac{3 \times 2}{2} = 3$ comparaisons). Pour un risque global consenti de $\alpha = 0{,}05$, chaque sous-test $2 \times 2$ (à $ddl = 1$) devra être comparé à la valeur critique tabulée pour le seuil strict $\alpha_{\text{ajusté}} = 0{,}05 / 3 \approx 0{,}0167$.

8. Puissance statistique, sensibilité et taille de l’effet

8.1 Influence de la taille de l’échantillon (N) sur le rejet de H0

La statistique du khi-deux possède une caractéristique structurelle dont la méconnaissance engendre des erreurs d’interprétation désastreuses : sa magnitude numérique est directement proportionnelle à l’effectif total $N$. Pour une distribution relative strictement identique des fréquences dans les cellules d’un tableau de contingence, le simple doublement ou décuplement de la taille de l’échantillon multiplie exactement d’autant la valeur du $\chi^2_{\text{obs}}$ calculé.

Cette propriété induit une sensibilité extrême du test aux grands effectifs. Dès lors que $N$ atteint plusieurs milliers d’observations, le test du khi-deux devient surpuissant au point de rejeter systématiquement l’hypothèse nulle d’indépendance ou d’adéquation pour des écarts infinitésimaux et dénués de toute signification pratique ou clinique. À l’inverse, sur des échantillons réduits ($N < 30$), le test manque cruellement de puissance statistique, échouant fréquemment à détecter des associations comportementales pourtant substantielles.

Il est donc méthodologiquement impératif de dissocier formellement la signification statistique (qui dépend conjointement de la force de la relation et de la taille de l’échantillon) de la signification clinique ou pratique (qui dépend exclusivement de l’ampleur de la taille de l’effet).

8.2 Mesures de taille d’effet associées au khi-deux

Afin de quantifier la force intrinsèque d’une association catégorielle indépendamment du volume de l’échantillon, les statisticiens ont développé des indices standardisés de taille d’effet venant compléter la lecture de la table du khi-deux :

Pour les tableaux de contingence élémentaires $2 \times 2$ (à $ddl = 1$), le coefficient Phi ($phi$) est défini par :

$$\phi = \sqrt{\frac{\chi^2_{\text{obs}}}{N}}$$

Il varie entre $0$ (indépendance totale) et $1$ (liaison parfaite), s’interprétant de manière similaire à un coefficient de corrélation de Pearson.

Pour les tableaux matriciels de dimensions supérieures ($r \times c$), l’étalon-or international est le V de Cramér (noté $V$), formulé par :

$$V = \sqrt{\frac{\chi^2_{\text{obs}}}{N \times \min(r – 1, c – 1)}}$$

Selon les conventions établies par Jacob Cohen en psychologie :

• Pour $min(r – 1, c – 1) = 1$ ($ddl = 1$) : un effet faible correspond à $V \approx 0{,}10$, moyen à $V \approx 0{,}30$, fort à $V \approx 0{,}50$.
• Pour $min(r – 1, c – 1) = 2$ ($ddl = 2$) : faible $V \approx 0{,}07$, moyen $V \approx 0{,}21$, fort $V \approx 0{,}35$.
• Pour $min(r – 1, c – 1) = 3$ ($ddl = 3$) : faible $V \approx 0{,}06$, moyen $V \approx 0{,}17$, fort $V \approx 0{,}29$.

Le coefficient de contingence de Pearson $C = \sqrt{\frac{\chi^2}{\chi^2 + N}}$ est également rencontré, bien que désavantagé par le fait que sa borne supérieure n’atteint jamais l’unité dans les tables non carrées.

8.3 Analyse de puissance a priori et calcul d’effectif requis

L’analyse de puissance a priori permet de déterminer le nombre exact de participants à recruter pour garantir une probabilité fixée (généralement la puissance standard $1 – \beta = 0{,}80$) de rejeter $H_0$ lorsque celle-ci est fausse pour une taille d’effet postulée ($w$ de Cohen). Sous l’hypothèse alternative $H_1$, la statistique du khi-deux ne suit plus une distribution centrale, mais une distribution du khi-deux non central régie par ses degrés de liberté $ddl$ et son paramètre de non-centralité $lambda$ :

$$\lambda = N \times w^2$$

où $w = \sqrt{\sum \frac{(p_{1i} – p_{0i})^2}{p_{0i}}}$ pour un test d’adéquation ou $w = \sqrt{\sum \sum \frac{(p_{ij} – p_{i\cdot}p_{\cdot j})^2}{p_{i\cdot}p_{\cdot j}}}$ pour un test d’indépendance.

La taille d’échantillon globale minimale nécessaire s’obtient alors par la relation :

$$N = \frac{\lambda(\alpha, 1 – \beta, ddl)}{w^2}$$

où la valeur du paramètre $lambda$ est extraite de tables statistiques spécialisées de la distribution du khi-deux non central ou générée par des environnements de calcul tels que G*Power.

9. Conditions de validité et limites strictes d’utilisation

9.1 Règles de Cochran et seuils minimaux d’effectifs attendus

La validité mathématique de la dérivation asymptotique du test du khi-deux repose sur l’hypothèse que la loi multinomiale discrète des effectifs observés converge harmonieusement vers la fonction de densité continue du khi-deux. Cette convergence n’est garantie que si les effectifs théoriques attendus sous $H_0$ ($E_{ij}$) atteignent un volume critique suffisant au sein de chaque cellule.

Les critères méthodologiques universellement adoptés sont les règles de Cochran (1954) :

• Règle 1 : Absence absolue d’effectif théorique nul. Aucun effectif théorique attendu ne doit être strictement inférieur à 1 ($E_{ij} ge 1$ pour toute cellule $(i, j)$).
• Règle 2 : Seuil des 80 %. Au moins $80,%$ des cellules du tableau de contingence doivent comporter un effectif théorique supérieur ou égal à 5 ($E_{ij} ge 5$).
• Cas particulier des tables 2×2 : Dans un tableau élémentaire à 4 cases, les quatre effectifs théoriques doivent impérativement être supérieurs ou égaux à 5 sans exception.

La violation de ces postulats fondamentaux entraîne une instabilité sévère de la statistique : la division par de très faibles effectifs théoriques gonfle artificiellement le $\chi^2_{\text{obs}}$, faussant radicalement la comparaison avec la table et démultipliant le risque d’erreur de première espèce ($\alpha$).

9.2 Corrections méthodologiques pour les petits échantillons

Lorsque les données empiriques ne satisfont pas aux exigences rigoureuses de Cochran, plusieurs voies d’ajustement méthodologique s’offrent au statisticien :

Pour les tableaux $2 \times 2$ présentant des effectifs marginaux modestes, Frank Yates a introduit en 1934 la correction de continuité de Yates. Elle consiste à soustraire une demi-unité ($0{,}5$) à la valeur absolue de chaque écart entre effectifs observés et théoriques avant l’élévation au carré :

$$\chi^2_{\text{Yates}} = \sum \frac{(|O_{ij} – E_{ij}| – 0{,}5)^2}{E_{ij}}$$

Cette correction compense l’approximation d’une distribution discrète par une loi continue. Bien qu’elle soit parfois critiquée pour son conservatisme excessif réduisant la puissance statistique, elle demeure largement utilisée.

Toutefois, la solution optimale et non paramétrique de référence face aux petits échantillons demeure le test exact de Fisher. Ce test s’affranchit totalement de la table du khi-deux et du recours aux lois continues en calculant directement la probabilité hypergéométrique exacte d’obtenir la configuration matricielle observée (ainsi que toutes les configurations plus extrêmes) sous condition des marges fixées.

Enfin, dans les tableaux de contingence complexes $(r \times c)$, le regroupement raisonné et théoriquement justifié de modalités adjacentes ou sémantiquement proches permet souvent d’augmenter les effectifs attendus pour respecter les seuils de Cochran.

9.3 Contrainte d’indépendance stricte des observations

Une condition de validité fondamentale et non négociable du test du khi-deux réside dans l’indépendance absolue des observations individuelles. Chaque sujet inclus dans l’étude ne doit être comptabilisé qu’une seule et unique fois dans l’ensemble du tableau : une observation ne peut en aucun cas appartenir simultanément à plusieurs cellules, et aucune cellule ne peut contenir plusieurs réponses issues d’un même participant.

Par conséquent, la table standard du khi-deux est fondamentalement inapplicable aux protocoles de recherche longitudinaux, aux mesures répétées ou aux plans expérimentaux de type « avant-après » (mesures appariées). L’utilisation indue du khi-deux standard sur des données corrélées sous-estime drastiquement la variance d’échantillonnage et génère une inflation massive de faux positifs.

Pour de telles configurations dépendantes, le chercheur doit obligatoirement substituer au test classique le test de McNemar (pour les tableaux de contingence appariés $2 \times 2$) ou le test $Q$ de Cochran pour les protocoles longitudinaux multi-temporels.

10. Relations mathématiques avec d’autres distributions usuelles

10.1 Lien avec la loi normale standard (Z)

La cohérence interne de la statistique paramétrique s’illustre par l’harmonie géométrique et analytique unissant la loi normale standard $\mathcal{N}(0, 1)$ et la distribution du khi-deux. Par construction, le carré d’une variable normale centrée réduite $Z$ suit rigoureusement une loi du khi-deux à 1 degré de liberté :

$$Z^2 \sim \chi^2(1)$$

Cette identité mathématique se vérifie empiriquement par la comparaison directe des tables statistiques respectives. Considérons le seuil de signification bilatéral $\alpha = 0{,}05$ dans la table de la loi normale : la valeur critique bien connue est $Z_{\text{critique}} = 1{,}95996 \approx 1{,}96$. Si l’on élève ce nombre au carré :

$$(1{,}95996)^2 = 3{,}84146 \approx 3{,}841$$

En ouvrant la table du khi-deux à la ligne $ddl = 1$ et à la colonne $\alpha = 0{,}05$, la valeur critique répertoriée est exactement de $\chi^2_{\text{critique}} = 3{,}841$. Cette congruence parfaite démontre qu’un test bilatéral d’écart normal sur une proportion est rigoureusement équivalent au test d’adéquation du khi-deux à 1 degré de liberté.

10.2 Lien avec la loi de Fisher-Snedecor (F)

La loi de Fisher-Snedecor (loi $F$), pierre angulaire de l’analyse de variance (ANOVA) et de la modélisation de régression linéaire, se définit fondamentalement comme le rapport de deux variables aléatoires khi-deux indépendantes, divisées chacune par leurs degrés de liberté respectifs :

$$F = \frac{X_1 / d_1}{X_2 / d_2} \sim \mathcal{F}(d_1, d_2)$$

où $X_1 \sim \chi^2(d_1)$ et $X_2 \sim \chi^2(d_2)$.

Cette relation formelle assure la transition conceptuelle entre les analyses de données qualitatives et les tests sur les variances continues. De surcroît, lorsque les degrés de liberté du dénominateur $d_2$ tendent vers l’infini ($d_2 to \infty$), la variable au dénominateur $X_2 / d_2$ converge en probabilité vers la constante $1$. Par conséquent :

$$d_1 \times F(d_1, \infty) \sim \chi^2(d_1)$$

Cette propriété asymptotique fait de la distribution du khi-deux le cas limite universel des tests de comparaison de variances lorsque la taille de l’échantillon de référence devient infinie.

10.3 Lien avec la loi de Student (t)

La célèbre loi de Student ($t$), omniprésente dans la comparaison de moyennes d’échantillons indépendants ou appariés, combine structurellement une variable normale standardisée au numérateur et la racine carrée d’une variable khi-deux divisée par ses degrés de liberté au dénominateur :

$$t = \frac{Z}{\sqrt{X / \nu}} \sim t(\nu)$$

où $Z \sim \mathcal{N}(0, 1)$ et $X \sim \chi^2(\nu)$, les deux variables étant stochastiquement indépendantes.

En élevant cette expression au carré, on obtient :

$$t^2 = \frac{Z^2}{X / \nu} = \frac{\chi^2(1) / 1}{\chi^2(\nu) / \nu} \sim \mathcal{F}(1, \nu)$$

Ainsi, le carré d’une statistique $t$ de Student à $\nu$ degrés de liberté suit exactement une loi de Fisher $\mathcal{F}(1, \nu)$. Lorsque $\nu to \infty$, $t^2$ converge directement vers une distribution $\chi^2(1)$. L’ensemble des tables de référence de la statistique inférentielle classique forme ainsi un réseau unifié et harmonieux articulé autour de la distribution gaussienne et du khi-deux.

11. De la table papier aux logiciels statistiques contemporains

11.1 Calcul automatisé des p-valeurs exactes sous R, SPSS et Jamovi

Dans la pratique contemporaine de la recherche en psychologie, le recours à la table imprimée a été supplanté par l’analyse algorithmique au sein de logiciels spécialisés tels que R, IBM SPSS Statistics ou des interfaces ouvertes comme Jamovi et JASP. L’atout majeur du calcul informatisé réside dans la restitution d’une $p$-valeur exacte continue (par exemple $p = 0{,}0234$), là où la consultation de la table papier se limitait historiquement à encadrer la valeur obtenue entre deux bornes discrètes ($0{,}05 > p > 0{,}01$).

Sous le langage R, la fonction fondamentale s’articule simplement via la commande :

chisq.test(tableau_contingence)

Cette fonction exécute l’intégralité du calcul des effectifs attendus, des résidus standardisés de Pearson, et applique par défaut la correction de continuité de Yates pour les tables $2 \times 2$, tout en émettant une notification d’avertissement immédiate en cas de violation des seuils minimaux de Cochran.

Néanmoins, la restitution automatisée des résultats par les logiciels ne dispense en rien le chercheur de la maîtrise théorique de la table : il demeure fréquent d’observer des analystes novices interpréter sans discernement des sorties logicielles erronées suite à un mauvais codage des données marginales ou à l’application inappropriée du test à des mesures dépendantes.

11.2 Pertinence didactique continue de la table imprimée

Malgré l’hégémonie de l’ordinateur, la table statistique imprimée conserve une valeur pédagogique et méthodologique inestimable dans le cursus de formation universitaire en sciences du comportement. Manipuler manuellement une table du khi-deux permet aux étudiants d’intérioriser physiquement et visuellement la tension fondamentale entre les degrés de liberté, la sévérité du seuil de risque consenti ($\alpha$) et l’ampleur numérique requise pour atteindre le rejet de l’hypothèse nulle.

Cette expérience directe de la table développe une intuition quantitative robuste qu’une interface logicielle « boîte noire » tend fréquemment à obscurcir. En visualisant comment le quantile critique s’accroît lorsque le nombre de catégories augmente, l’analyste comprend intuitivement la pénalité statistique imposée par la complexification des modèles.

En outre, la table demeure un instrument d’évaluation académique fondamental lors des examens universitaires sans support informatique, tout en constituant un outil de vérification rapide et infaillible lors des colloques, comités de lecture et soutenances de thèses.

11.3 Génération algorithmique des quantiles du khi-deux

Pour les besoins de modélisations avancées ou d’analyses de sensibilité non conventionnelles requérant des seuils de signification infinitésimaux (par exemple en génomique comportementale ou en imagerie cérébrale où les corrections pour comparaisons multiples imposent des seuils de type $\alpha = 1 \times 10^{-6}$), les tables papier s’avèrent structurellement insuffisantes.

Les environnements de calcul numérique font alors appel à des fonctions de répartition inverse basées sur l’inversion de la fonction Gamma incomplète régularisée $P(a, x) = \frac{\gamma(a, x)}{\Gamma(a)}$. Dans l’écosystème R, la commande :

qchisq(p = 0.05, df = 10, lower.tail = FALSE)

permet de générer instantanément la valeur critique exacte pour n’importe quel seuil $\alpha$ et n’importe quelle valeur non entière de degrés de liberté.

Pour les tableaux de contingence à forte sparsité violant les postulats asymptotiques, les logiciels modernes intègrent également des procédures de rééchantillonnage par méthode de Monte Carlo (simulations de permutations aléatoires), calculant la distribution empirique exacte de la statistique de Pearson sans passer par la table théorique idéale.

12. Études de cas cliniques et exercices d’application résolus

12.1 Cas 1 : Répartition des styles d’attachement chez des adolescents consultants

Présentation de la situation clinique : Une équipe de pédopsychiatrie souhaite évaluer si la répartition des quatre styles d’attachement prototypiques (Sécurisant, Préoccupé, Détaché, Désorganisé) au sein d’une cohorte de $N = 120$ adolescents consultants dans un Centre Médico-Psychologique (CMP) est conforme à la distribution normative observée dans la population générale non clinique (établie à $50,%$ Sécurisant, $20,%$ Préoccupé, $20,%$ Détaché, et $10,%$ Désorganisé).

1. Recueil des effectifs observés ($O_i$) :

• Sécurisant : $O_1 = 36$
• Préoccupé : $O_2 = 30$
• Détaché : $O_3 = 30$
• Désorganisé : $O_4 = 24$
• Total : $N = 120$

2. Calcul des effectifs théoriques attendus ($E_i = N \times p_i$) :

• Sécurisant : $E_1 = 120 \times 0{,}50 = 60$
• Préoccupé : $E_2 = 120 \times 0{,}20 = 24$
• Détaché : $E_3 = 120 \times 0{,}20 = 24$
• Désorganisé : $E_4 = 120 \times 0{,}10 = 12$
• Total : $\sum E_i = 120$. Les conditions de Cochran ($E_i ge 5$) sont parfaitement respectées.

3. Calcul détaillé pas à pas de la statistique $\chi^2_{\text{obs}}$ :
$$\chi^2_{\text{obs}} = \frac{(36 – 60)^2}{60} + \frac{(30 – 24)^2}{24} + \frac{(30 – 24)^2}{24} + \frac{(24 – 12)^2}{12}$$
$$\chi^2_{\text{obs}} = \frac{(-24)^2}{60} + \frac{6^2}{24} + \frac{6^2}{24} + \frac{12^2}{12}$$
$$\chi^2_{\text{obs}} = \frac{576}{60} + \frac{36}{24} + \frac{36}{24} + \frac{144}{12} = 9{,}60 + 1{,}50 + 1{,}50 + 12{,}00 = 24{,}60$$

4. Consultation de la table et décision :
Le nombre de degrés de liberté est $ddl = 4 – 1 = 3$. À la ligne $ddl = 3$ de la table du khi-deux, pour un seuil $\alpha = 0{,}01$, la valeur critique est $\chi^2_{\text{critique}} = 11{,}345$.
Puisque $\chi^2_{\text{obs}} = 24{,}60 > 11{,}345$, l’hypothèse nulle d’adéquation au profil normatif est formellement rejetée ($p < 0{,}001$).

5. Conclusion clinique : La cohorte d’adolescents consultants présente une surreprésentation massive de l’attachement désorganisé ($R_4 = \frac{24 – 12}{\sqrt{12}} = \frac{12}{3{,}464} = +3{,}46$) et un effondrement de l’attachement sécurisant ($R_1 = \frac{36 – 60}{\sqrt{60}} = \frac{-24}{7{,}746} = -3{,}10$), justifiant un aménagement thérapeutique ciblé sur les traumas d’attachement.

12.2 Cas 2 : Efficacité comparée de trois thérapies sur l’état dépressif (table 3×3)

Présentation de l’étude : Un essai comparatif évalue l’évolution clinique de $N = 180$ patients souffrant de trouble dépressif caractérisé modéré, répartis aléatoirement entre trois approches : Thérapie Cognitive et Comportementale (TCC), Thérapie Interpersonnelle (TIP) et Prise en charge habituelle de soutien (TAU). Après 12 semaines, l’état clinique est classifié en : Rémission complète, Amélioration partielle, ou Absence de réponse / Dégradation.

1. Tableau de contingence observé ($O_{ij}$) :

• TCC ($n_1 = 60$) : Rémission = 32, Amélioration = 18, Absence/Dégradation = 10
• TIP ($n_2 = 60$) : Rémission = 24, Amélioration = 22, Absence/Dégradation = 14
• TAU ($n_3 = 60$) : Rémission = 10, Amélioration = 20, Absence/Dégradation = 30
• Totaux marginaux de colonnes : Rémission = 66, Amélioration = 60, Absence/Dégradation = 54. Total général $N = 180$.

2. Calcul des effectifs théoriques conjoints ($E_{ij} = \frac{R_i \times C_j}{N}$) :
Les groupes étant de tailles égales ($R_i = 60$), les effectifs théoriques sont identiques pour chaque ligne :

• Rémission : $E = \frac{60 \times 66}{180} = 22$
• Amélioration : $E = \frac{60 \times 60}{180} = 20$
• Absence/Dégradation : $E = \frac{60 \times 54}{180} = 18$

Tous les effectifs théoriques excèdent largement 5.

3. Calcul de la statistique $\chi^2_{\text{obs}}$ :
$$\chi^2_{\text{obs}} = \left[ \frac{(32-22)^2}{22} + \frac{(18-20)^2}{20} + \frac{(10-18)^2}{18} \right] + \left[ \frac{(24-22)^2}{22} + \frac{(22-20)^2}{20} + \frac{(14-18)^2}{18} \right] + \left[ \frac{(10-22)^2}{22} + \frac{(20-20)^2}{20} + \frac{(30-18)^2}{18} \right]$$
$$\chi^2_{\text{obs}} = \left[ \frac{100}{22} + \frac{4}{20} + \frac{64}{18} \right] + \left[ \frac{4}{22} + \frac{4}{20} + \frac{16}{18} \right] + \left[ \frac{144}{22} + \frac{0}{20} + \frac{144}{18} \right]$$
$$\chi^2_{\text{obs}} = [4{,}545 + 0{,}200 + 3{,}556] + [0{,}182 + 0{,}200 + 0{,}889] + [6{,}545 + 0{,}000 + 8{,}000] = 8{,}301 + 1{,}271 + 14{,}545 = 24{,}117$$

4. Degrés de liberté et décision tabulaire :
$$ddl = (r – 1)(c – 1) = (3 – 1)(3 – 1) = 4$$
Dans la table du khi-deux, à la ligne $ddl = 4$, pour un seuil $\alpha = 0{,}05$, la valeur critique est $\chi^2_{\text{critique}} = 9{,}488$ (et $13{,}277$ pour $\alpha = 0{,}01$).
Puisque $\chi^2_{\text{obs}} = 24{,}12 > 13{,}28$, l’hypothèse nulle d’homogénéité/indépendance est rejetée au seuil $\alpha = 0{,}001$.

5. Calcul de la taille de l’effet (V de Cramér) :
$$V = \sqrt{\frac{\chi^2_{\text{obs}}}{N \times \min(r – 1, c – 1)}} = \sqrt{\frac{24{,}117}{180 \times 2}} = \sqrt{\frac{24{,}117}{360}} = \sqrt{0{,}06699} \approx 0{,}259$$
L’effet du type de thérapie sur l’évolution clinique est statistiquement hautement significatif avec une taille d’effet moyenne ($V = 0{,}26$).

12.3 Grille de synthèse pour la rédaction des résultats selon les normes APA

La communication académique d’un test du khi-deux dans un rapport de recherche ou une revue internationale évaluée par des pairs doit se conformer rigoureusement aux normes de l’American Psychological Association (APA, 7e édition). La restitution textuelle standardisée impose d’énoncer clairement la statistique de test, les degrés de liberté, la taille de l’échantillon, la $p$-valeur exacte (ou le seuil tabulaire), ainsi que l’indice de taille d’effet associé.

Formatage canonique :
$$\chi^2(ddl, N = \text{effectif total}) = \text{valeur du khi-deux}, p = \text{p-valeur}, V (\text{ou } \phi) = \text{taille d’effet}$$

Exemples concrets de rédaction :

• Pour le test d’adéquation (Cas 1) : « Les résultats indiquent que la distribution des styles d’attachement chez les adolescents consultants diffère significativement de la distribution attendue en population générale, $\chi^2(3, N = 120) = 24{,}60$, $p < 0{,}001$, $w = 0{,}45$. »
• Pour le test d’indépendance (Cas 2) : « Une association significative a été mise en évidence entre le type de psychothérapie administré et l’évolution clinique de l’état dépressif, $\chi^2(4, N = 180) = 24{,}12$, $p < 0{,}001$, $V = 0{,}26$. Les analyses de résidus indiquent un taux de rémission supérieur aux attentes dans le groupe TCC ($R = +2{,}13$). »

Règles typographiques strictes :

• Les symboles statistiques latins ($N$, $p$) et grecs ($\chi$, $phi$) doivent être saisis en caractères italiques (à l’exception des lettres grecques selon certaines déclinaisons éditoriales, bien que $\chi^2$ s’écrive quasi universellement sous la forme d’un khi minuscule).
• Les valeurs de $p$ ne doivent pas être précédées d’un zéro avant la virgule en anglais (ex. : $p < .001$), mais conservent le zéro en typographie française standard (ex. : $p < 0{,}001$).
• Toujours arrondir la valeur du $\chi^2$ et de la taille d’effet à deux ou trois décimales au maximum.

Références

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000

Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417-451. https://doi.org/10.2307/3001616

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Fisher, R. A. (1922). On the interpretation of $\chi^2$ from contingency tables, and the calculation of P. Journal of the Royal Statistical Society, 85(1), 87-94. https://doi.org/10.2307/2340521

Howell, D. C. (2012). Statistical methods for psychology (8th ed.). Cengage Learning.

Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, 231(694-706), 289-337. https://doi.org/10.1098/rsta.1933.0009

Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157-175. https://doi.org/10.1080/14786440009463897

Wilson, E. B., & Hilferty, M. M. (1931). The distribution of chi-square. Proceedings of the National Academy of Sciences, 17(12), 684-688. https://doi.org/10.1073/pnas.17.12.684

Yates, F. (1934). Contingency tables involving small numbers and the $\chi^2$ test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217-235. https://doi.org/10.2307/2983604