Table de Mann-Whitney U

L’analyse statistique des données comportementales et cliniques en psychologie se heurte fréquemment à la non-conformité des distributions empiriques avec les postulats stricts des modèles paramétriques classiques. Lorsque les hypothèses de normalité des résidus et d’homogénéité des variances ne sont pas satisfaites, ou lorsque les instruments de mesure génèrent des données purement ordinales comme les échelles de Likert, l’utilisation du test t de Student pour échantillons indépendants s’avère méthodologiquement inappropriée. C’est dans ce contexte épistémologique précis que s’impose le recours au test de somme des rangs de Wilcoxon-Mann-Whitney et, plus particulièrement, à la table de Mann-Whitney U, instrument fondamental pour la prise de décision statistique sur des échantillons restreints.

La table de Mann-Whitney U compile les distributions d’échantillonnage exactes de la statistique $U$ sous l’hypothèse nulle ($H_0$). Contrairement aux tests paramétriques dont la distribution théorique continue (telle que la loi de Student ou la loi de Fisher-Snedecor) s’applique uniformément quel que soit l’effectif, la statistique non paramétrique repose sur des dénombrements combinatoires discrets. Dès lors, pour les protocoles expérimentaux impliquant des tailles d’échantillons modestes — une situation ubiquitaire en neuropsychologie clinique, en psychophysiologie ou lors de protocoles de recherche sur des populations rares —, la consultation minutieuse des valeurs critiques tabulées constitue la seule démarche valide pour contrôler rigoureusement le risque d’erreur de première espèce ($\alpha$).

Ce guide exhaustif et méthodique a été conçu pour accompagner les chercheurs, enseignants-chercheurs, cliniciens et étudiants en sciences du comportement dans la compréhension profonde, la lecture analytique et l’exploitation pratique de la table des valeurs critiques de Mann-Whitney. De l’élucidation de ses fondements mathématiques combinatoires à l’interprétation des seuils de signification statistique ($\alpha = 0{,}05$, $\alpha = 0{,}01$ et $\alpha = 0{,}10$), en passant par la gestion des hypothèses directionnelles, le calcul manuel rigoureux et l’articulation avec les logiciels statistiques modernes (R, SPSS, Python), cet article offre un panorama complet des normes méthodologiques requises par la recherche contemporaine.

1. Introduction à la table de Mann-Whitney U et aux statistiques non paramétriques en psychologie

1.1 Contexte théorique et émergence du test non paramétrique

L’histoire de l’inférence non paramétrique moderne trouve son origine fondamentale dans les travaux pionniers de Frank Wilcoxon (1945), qui proposa pour la première fois un test basé sur la somme des rangs pour deux échantillons indépendants de même taille. Deux ans plus tard, Henry Mann et Donald Whitney (1947) généralisèrent de manière substantielle cette approche mathématique en développant une formulation probabiliste élégante adaptée à des tailles d’échantillons inégales, introduisant formellement la statistique désignée aujourd’hui sous le symbole $U$. Leurs contributions conjointes ont doté la communauté scientifique d’un outil d’analyse inférentielle puissant, capable d’évaluer si deux distributions indépendantes proviennent d’une même population parente sans exiger la spécification mathématique précise des paramètres de cette population.

Dans le domaine des sciences psychologiques, l’émergence de ce test a constitué une réponse méthodologique indispensable face aux violations systématiques des hypothèses requises par les modèles gaussiens. Les mesures psychologiques — qu’il s’agisse de temps de réaction présentant une asymétrie positive marquée, de scores d’anxiété tronqués par des effets de plancher ou de plafond, ou d’évaluations cliniques semi-quantitatives — s’écartent très souvent de la distribution normale théorique. L’application d’un test paramétrique dans de telles conditions expose le chercheur à une altération sévère du taux nominal d’erreur de première espèce ainsi qu’à une chute drastique de la puissance statistique.

Le principe sous-jacent au test de Mann-Whitney repose sur une transformation ordinale des observations : les données quantitatives brutes sont regroupées, ordonnées conjointement et converties en rangs croissants. Cette opération neutralise l’impact délétère des valeurs extrêmes ou aberrantes (outliers) tout en préservant l’information relative à l’ordre stochastique des mesures. Au cœur de ce dispositif décisionnel classique, la table statistique de Mann-Whitney joue un rôle déterminant. Elle fournit, pour des combinaisons discrètes de tailles d’échantillons, la valeur critique seuil au-delà de laquelle l’écart constaté entre les sommes de rangs ne peut plus être raisonnablement attribué aux seules fluctuations aléatoires de l’échantillonnage.

1.2 Importance de la table de distribution exacte en psychométrie

En recherche expérimentale et en pratique psychométrique, les contraintes éthiques, financières et logistiques limitent fréquemment le recrutement des participants à de faibles effectifs. En neuropsychologie lésionnelle ou lors de l’évaluation d’interventions thérapeutiques ciblant des pathologies rares, les groupes d’étude excèdent rarement une douzaine de sujets ($n < 15$). Pour de tels effectifs, les théorèmes limites fondamentaux — en particulier le théorème central limite — ne peuvent être invoqués pour légitimer une approximation par une distribution continue normale. La distribution d'échantillonnage de la statistique de test demeure intrinsèquement discontinue et combinatoire.

C’est précisément ici que réside la valeur irremplaçable de la table de distribution exacte de Mann-Whitney. Contrairement aux approximations asymptotiques qui tendent à sous-estimer ou surestimer le risque d’erreur selon la configuration des données, la table exacte dérive du dénombrement exhaustif de toutes les permutations possibles des rangs sous l’hypothèse nulle d’équivalence stochastique. Elle garantit ainsi que le risque de commettre un faux positif ($\alpha$) est strictement contrôlé au seuil prédéfini par l’expérimentateur, évitant les biais d’approximation qui pourraient invalider des conclusions cliniques critiques.

De surcroît, le cadre d’évaluation psychométrique standard s’appuie massivement sur des variables mesurées au moyen d’échelles de Likert ou d’échelles visuelles analogiques discrétisées. Ces instruments fournissent des données qui possèdent sans conteste une structure ordinale, mais pour lesquelles l’hypothèse d’une métrique à intervalles égaux est conceptuellement indéfendable. La table de Mann-Whitney U offre le cadre inférentiel naturel et mathématiquement cohérent pour traiter ces scores comportementaux, autorisant une prise de décision rigoureuse exempte de postulats abusifs sur la continuité du trait latent sous-jacent.

1.3 Objectifs pédagogiques et structure du guide d’utilisation de la table

L’utilisation avertie d’une table statistique requiert bien davantage qu’une simple lecture mécanique de coordonnées matricielles. L’objectif premier de ce guide est de développer une maîtrise technique et conceptuelle intégrale des paramètres d’entrée nécessaires à l’interrogation de la table : l’identification rigoureuse des effectifs respectifs $n_1$ et $n_2$, la fixation raisonnée des niveaux de risque $\alpha$, et la sélection appropriée du tableau de référence en fonction de la structure du plan de recherche.

Un deuxième objectif central concerne la compréhension approfondie de la logique directionnelle propre à la statistique $U$. L’un des écueils les plus fréquents en méthodologie quantitative consiste à appliquer à la table de Mann-Whitney les règles de décision intuitives héritées des tests paramétriques (où le rejet survient lorsque la statistique observée est supérieure à la valeur critique). Nous détaillerons pourquoi et comment la règle d’inférence s’inverse dans ce cadre, l’hypothèse nulle étant rejetée lorsque la valeur empirique obtenue est inférieure ou égale à la valeur critique tabulée.

Enfin, ce manuel didactique fournit les clés opérationnelles pour articuler hypothèses unilatérales et bilatérales, gérer les situations d’asymétrie matricielle, anticiper la gestion des observations ex æquo (liens) dans les distributions discrètes, et assurer une transition fluide vers les approximations asymptotiques lorsque la taille des échantillons excède les limites tabulaires standards. Chaque concept théorique sera systématiquement contextualisé par des applications concrètes issues de la recherche expérimentale contemporaine.

2. Fondements mathématiques et structure de la table de Mann-Whitney U

2.1 Formulation mathématique de la statistique U

La statistique $U$ de Mann-Whitney quantifie le degré de chevauchement mutuel entre deux ensembles indépendants d’observations ordinales ou quantitatives continues. Soient deux échantillons aléatoires indépendants $X = {x_1, x_2, dots, x_{n_1}}$ et $Y = {y_1, y_2, dots, y_{n_2}}$ d’effectifs respectifs $n_1$ et $n_2$. Lorsque ces $N = n_1 + n_2$ observations sont ordonnées conjointement du plus petit au plus grand rang, chaque donnée se voit attribuer un rang compris entre $1$ et $N$. Soient $R_1$ la somme des rangs assignés aux éléments du groupe 1 et $R_2$ la somme des rangs assignés aux éléments du groupe 2.

Les statistiques $U_1$ et $U_2$, correspondant au nombre de fois où une observation d’un échantillon devance une observation de l’autre échantillon lors de comparaisons par paires, sont formellement définies par les équations canoniques suivantes :

$$U_1 = n_1 n_2 + \frac{n_1(n_1 + 1)}{2} – R_1$$

$$U_2 = n_1 n_2 + \frac{n_2(n_2 + 1)}{2} – R_2$$

Ces deux quantités sont liées par une relation de dualité déterministe stricte :

$$U_1 + U_2 = n_1 n_2$$

La statistique canonique employée pour l’inférence statistique et la consultation des tables standardisées est conventionnellement la valeur minimale issue de ces deux grandeurs, notée $U = \min(U_1, U_2)$. Sous l’hypothèse nulle $H_0$ selon laquelle les deux populations partagent une distribution stochastique identique (autrement dit, la probabilité qu’une observation issue de $X$ soit supérieure à une observation issue de $Y$ est égale à $0{,}5$), la distribution combinatoire de $U$ est parfaitement symétrique et centrée sur une espérance mathématique égale à $\mathbb{E}(U) = \frac{n_1 n_2}{2}$. La distribution d’échantillonnage exacte est calculée en évaluant la fréquence relative de toutes les permutations possibles de la somme des rangs parmi les $\binom{n_1 + n_2}{n_1}$ combinaisons équiprobables.

2.2 Architecture matricielle des tables statistiques

Les tables de Mann-Whitney U sont organisées selon une disposition matricielle à double entrée hautement structurée. Chaque feuillet de la table correspond à un niveau de risque d’erreur de première espèce déterminé ($\alpha$) pour une modalité d’inférence donnée (test unilatéral ou bilatéral). Les axes principaux du tableau représentent les effectifs des deux échantillons comparés :

• L’axe des colonnes : représente généralement la taille du premier échantillon, désignée par $n_1$.
• L’axe des lignes : correspond à la taille du second échantillon, désignée par $n_2$.
• Les cellules d’intersection : renferment la valeur critique entière, notée $U_{\text{critique}}$ ou $U_{(\alpha, n_1, n_2)}$, calculée par combinatoire exacte.

Dans la plupart des tables compactes et rigoureusement éditées, une convention impose que $n_1 le n_2$ afin d’éviter la redondance des informations induite par la symétrie du problème. Les valeurs de $n_1$ et $n_2$ s’étendent typiquement de 1 ou 3 jusqu’à 20. Au-delà de ces dimensions, la distribution de la statistique converge avec une excellente précision vers la loi normale, rendant l’impression de tables discrètes superflue. L’organisation par feuillets indépendants permet d’isoler rapidement les valeurs seuils correspondant aux seuils canoniques de la littérature scientifique ($\alpha = 0{,}05$, $\alpha = 0{,}01$, $\alpha = 0{,}001$ ou $\alpha = 0{,}10$).

2.3 Sens de l’inégalité et règle de décision critique

La compréhension de la règle de décision associée à la table de Mann-Whitney U constitue l’un des aspects didactiques les plus cruciaux de la statistique non paramétrique. Dans la quasi-totalité des tests d’hypothèses usuels (tels que le test $t$ de Student, l’analyse de variance $F$ ou le test du $\chi^2$), la région critique de rejet de $H_0$ est située dans les valeurs élevées de la statistique de test : on rejette l’hypothèse nulle dès lors que la statistique empirique calculée est strictement supérieure au seuil critique.

À l’inverse, pour la statistique de Mann-Whitney $U = \min(U_1, U_2)$, la règle de décision formelle s’énonce comme suit :

$$\text{Rejet de } H_0 iff U_{\text{obte\nu}} le U_{\text{critique}}$$

Cette inversion logique apparente s’explique intuitivement par la signification géométrique et combinatoire de $U$. La statistique $U$ quantifie le nombre de paires d’observations pour lesquelles les éléments d’un groupe sont inférieurs à ceux du groupe opposé. Par conséquent, une valeur empirique $U$ extrêmement faible (proche de zéro) reflète une séparation presque parfaite des rangs entre les deux groupes expérimentaux, traduisant un effet expérimental majeur. Si aucun chevauchement n’existe entre les deux échantillons, la somme des rangs du groupe le plus faible atteint sa borne théorique minimale, générant $U = 0$. Dès lors, plus la statistique $U$ observée est petite, plus la probabilité sous $H_0$ d’observer un tel agencement ordinal par pur hasard s’amenuise, justifiant le rejet de l’hypothèse d’équivalence stochastique.

3. Lecture et navigation dans la table des valeurs critiques de Mann-Whitney U

3.1 Procédure pas à pas d’extraction d’une valeur critique

Pour extraire sans ambiguïté une valeur critique d’une table de Mann-Whitney U, l’expérimentateur doit suivre un protocole séquentiel rigoureux en quatre étapes distinctes :

1. Détermination des effectifs exacts : Compter précisément le nombre d’observations valides dans chaque groupe, notés $n_1$ et $n_2$. En cas de données manquantes, seuls les cas complets doivent être pris en compte dans le dénombrement effectif.
2. Choix du niveau $\alpha$ et de l’orientation du test : Définir en amont de l’analyse le seuil de signification (par exemple $\alpha = 0{,}05$) et la nature de l’hypothèse (bilatérale en l’absence de prédiction sur le sens de la différence, ou unilatérale si une direction théorique stricte a été formulée a priori). Sélectionner le feuillet de table correspondant exactement à ces paramètres.
3. Repérage matriciel : Par convention de lecture optimisée, assigner l’effectif le plus faible à la variable $n_1$ et le plus élevé à $n_2$. Parcourir la ligne d’en-tête horizontale jusqu’à atteindre la valeur $n_1$, puis descendre le long de la colonne verticale jusqu’à l’intersection avec la rangée $n_2$.
4. Extraction et vérification de la valeur critique : Noter le nombre entier $U_{\text{critique}}$ situé à cette intersection. Si la case contient un tiret ou un symbole de non-définition, cela signifie que la taille de l’échantillon est mathématiquement insuffisante pour rejeter $H_0$ au seuil sélectionné.

3.2 Gestion de la symétrie de la table (n1 et n2 interchangeables)

La statistique de Mann-Whitney bénéficie d’une propriété d’invariance fondamentale : l’étiquetage numérique des groupes (« groupe 1 » versus « groupe 2 ») est arbitraire et n’altère en rien la validité du test d’hypothèse. Mathématiquement, la distribution combinatoire de la statistique minimale $U = \min(U_1, U_2)$ est strictement identique que l’on analyse un agencement d’effectifs $(n_1 = 5, n_2 = 12)$ ou $(n_1 = 12, n_2 = 5)$.

Cette propriété de commutativité permet aux éditeurs de tables statistiques de compacter l’espace matriciel en ne publiant que le triangle inférieur ou supérieur de la matrice complète, sous la contrainte structurelle $n_1 le n_2$. En pratique clinique ou expérimentale, si votre protocole compare un groupe expérimental de $16$ participants à un groupe témoin de $7$ participants, il convient simplement d’identifier $n_1 = 7$ pour la consultation des colonnes et $n_2 = 16$ pour les lignes. Cette précaution de navigation évite les erreurs de report matriciel tout en garantissant une lecture directe et fiable.

Il importe toutefois de maintenir une traçabilité rigoureuse lors du calcul manuel des rangs : si l’on inverse l’ordre d’attribution des groupes pour la lecture de la table, cette permutation n’affecte aucunement la valeur de $U = \min(U_1, U_2)$, puisque la somme $U_1 + U_2 = n_1 n_2$ demeure invariante par rapport à la dénomination des groupes.

3.3 Cas des valeurs non répertoriées ou manquantes dans les tables restreintes

Lors de la consultation des tables exactes pour de très petits échantillons (par exemple $n_1 = 2$ et $n_2 = 2$, ou $n_1 = 3$ et $n_2 = 3$), il est fréquent d’observer des cases vides, matérialisées par des tirets, des points ou la mention « NC » (non calculable). Cette absence de valeur critique n’est pas une omission éditoriale, mais le reflet d’une contrainte mathématique absolue liée à l’espace d’échantillonnage discret.

En effet, pour $n_1 = 2$ et $n_2 = 2$, le nombre total de permutations possibles des rangs est égal à $\binom{4}{2} = \frac{4!}{2!2!} = 6$. La probabilité minimale associée à l’événement le plus extrême (c’est-à-dire une séparation totale des rangs où $U = 0$) est donc de $1/6 \approx 0{,}1667$. Dès lors, pour un test bilatéral où la probabilité cumulée des deux queues extrêmes vaut $2 \times (1/6) \approx 0{,}3333$, il est mathématiquement impossible d’atteindre un niveau de signification $\alpha = 0{,}05$ ou $\alpha = 0{,}01$. Même dans la configuration la plus discriminante envisageable empiriquement, la probabilité d’obtenir une telle configuration sous l’hypothèse nulle reste largement supérieure à $5%$.

Ce constat théorique met en lumière une exigence méthodologique primordiale : le dimensionnement a priori de l’échantillon. Pour espérer mettre en évidence un effet statistiquement significatif au seuil bilatéral conventionnel de $5%$, les effectifs minimaux absolus requis sont de $(n_1 = 3, n_2 = 6)$, $(n_1 = 4, n_2 = 4)$ ou $(n_1 = 3, n_2 = 5)$ selon la sévérité des tables. Tout protocole prévoyant des effectifs inférieurs est structurellement voué à l’impuissance statistique, quelle que soit la magnitude réelle de la différence entre les populations étudiées.

4. La table de Mann-Whitney U pour un seuil de signification Alpha = 0,05 (bilatéral)

4.1 Norme standard de la recherche en psychologie clinique et sociale

Le seuil de signification $\alpha = 0{,}05$ en test bilatéral représente la convention probabiliste prédominante dans l’ensemble des sciences comportementales, cognitives et sociales depuis les préconisations historiques de Sir Ronald Fisher. Ce seuil établit un équilibre normatif accepté entre le risque d’erreur de type I (rejeter à tort l’hypothèse nulle d’absence d’effet) et le risque d’erreur de type II (échouer à détecter un effet réel existant dans la population). Dans le cadre d’un test non paramétrique bilatéral, un risque global de $\alpha = 0{,}05$ équivaut à réserver une masse de probabilité de $alpha/2 = 0{,}025$ à chaque extrémité de la distribution symétrique des rangs.

Pour des échantillons variant de $n = 3$ à $n = 20$, la table à $\alpha = 0{,}05$ bilatéral fournit l’armature critique quotidienne des laboratoires de recherche. Le tableau ci-dessous synthétise un extrait représentatif des valeurs critiques exactes $U_{\text{critique}}$ pour les combinaisons d’effectifs usuelles :

$n_2 backslash n_1$	4	5	6	7	8	9	10
4	0	1	2	3	4	4	5
5	1	2	3	5	6	7	8
6	2	3	5	7	8	10	11
7	3	5	7	8	10	12	14
8	4	6	8	10	13	15	17
9	4	7	10	12	15	17	20
10	5	8	11	14	17	20	23

4.2 Étude de cas guidée à alpha = 0,05

Considérons un protocole expérimental en psychopathologie évaluant l’efficacité d’une thérapie d’acceptation et d’engagement (ACT) sur la réduction de l’évitement expérientiel chez des patients souffrant de trouble panique. Deux groupes indépendants sont constitués : un groupe bénéficiant de l’intervention ACT ($n_1 = 7$) et un groupe témoin placé sur liste d’attente ($n_2 = 8$). À l’issue des huit semaines de prise en charge, les participants complètent le questionnaire d’acceptation et d’action (AAQ-II). Des scores plus élevés traduisent un niveau d’évitement plus marqué.

Les scores bruts recueillis sont les suivants :

• Groupe ACT ($n_1 = 7$) : 14, 17, 19, 21, 22, 25, 28
• Groupe Témoin ($n_2 = 8$) : 24, 26, 29, 31, 33, 36, 38, 41

En procédant au classement conjoint des 15 scores, les rangs attribués au groupe ACT sont : 1 (score 14), 2 (score 17), 3 (score 19), 4 (score 21), 5 (score 22), 7 (score 25) et 9 (score 28). La somme des rangs de ce premier groupe vaut donc :

$$R_1 = 1 + 2 + 3 + 4 + 5 + 7 + 9 = 31$$

Nous pouvons alors calculer la statistique $U_1$ correspondante :

$$U_1 = (7 \times 8) + \frac{7 \times 8}{2} – 31 = 56 + 28 – 31 = 53$$

Par déduction immédiate via la relation de dualité :

$$U_2 = (7 \times 8) – 53 = 56 – 53 = 3$$

La statistique empirique de test est donc $U_{\text{obte\nu}} = \min(53, 3) = 3$. En consultant la table critique à $\alpha = 0{,}05$ bilatéral pour $n_1 = 7$ et $n_2 = 8$, nous localisons l’intersection correspondante et trouvons $U_{\text{critique}} = 10$.

Puisque la règle de décision stipule le rejet de $H_0$ lorsque $U_{\text{obte\nu}} le U_{\text{critique}}$, et que $3 le 10$, nous rejetons formellement l’hypothèse nulle d’équivalence stochastique au seuil de $5%$. Les patients ayant suivi la thérapie ACT présentent une réduction statistiquement significative de leur niveau d’évitement expérientiel par rapport au groupe témoin ($U = 3{,}0$, $p < 0{,}05$).

4.3 Sensibilité du seuil critique aux variations marginales d’échantillons

L’observation attentive des valeurs de la table à $\alpha = 0{,}05$ met en relief l’extrême sensibilité du seuil critique aux variations d’effectifs dans les petites cohortes. L’adjonction d’un seul participant dans l’un des groupes peut modifier substantiellement l’espace combinatoire et la valeur de $U_{\text{critique}}$. Par exemple, pour $n_1 = 5$ et $n_2 = 5$, la valeur seuil est $U_{\text{critique}} = 2$. L’intégration d’un seul sujet supplémentaire dans le second groupe ($n_2 = 6$) fait passer le seuil à $U_{\text{critique}} = 3$, élargissant ainsi significativement la zone de rejet de l’hypothèse nulle.

Cette dynamique mathématique souligne l’importance capitale de l’équilibrage des groupes ($n_1 \approx n_2$). À effectif total $N = n_1 + n_2$ constant, la puissance statistique d’un test non paramétrique de Mann-Whitney est maximale lorsque les effectifs des deux échantillons sont strictement identiques. Considérons un effectif global de $N = 20$ sujets :

• Dans une configuration parfaitement équilibrée ($n_1 = 10, n_2 = 10$), la valeur critique est $U_{\text{critique}} = 23$ pour un produit d’échantillons de $n_1 n_2 = 100$. La zone de rejet tolère ainsi un certain degré de dispersion entre les rangs.
• Dans une configuration hautement déséquilibrée ($n_1 = 3, n_2 = 17$), le produit n’est plus que de $n_1 n_2 = 51$. La valeur critique tombe à $U_{\text{critique}} = 5$. Le test devient extrêmement sévère, exigeant une séparation quasi intégrale des distributions pour atteindre la significativité.

Pour la planification expérimentale à $\alpha = 0{,}05$, les chercheurs doivent impérativement privilégier des plans factoriels équilibrés afin d’optimiser le rendement informationnel de chaque participant inclus.

5. La table de Mann-Whitney U pour un seuil de signification Alpha = 0,01 (bilatéral)

5.1 Exigence de rigueur accrue en neuropsychologie et pharmacologie comportementale

Dans certains contextes de recherche fondamentale ou appliquée, le seuil standard de $5%$ est jugé insuffisant pour prémunir les chercheurs contre le risque de faux positifs. C’est particulièrement le cas en neuropsychologie clinique lors de l’établissement d’un profil déficitaire rare, en pharmacologie comportementale préclinique évaluant la toxicité ou l’efficacité de nouvelles molécules, ou dans les études impliquant des comparaisons multiples nécessitant des ajustements de Bonferroni. Dans ces configurations, l’adoption d’un seuil de signification plus conservateur, tel que $\alpha = 0{,}01$ bilatéral (soit $alpha/2 = 0{,}005$ par queue de distribution), s’avère indispensable.

Le durcissement du niveau de risque entraîne une contraction marquée des valeurs critiques répertoriées dans la table. Pour qu’une différence soit déclarée significative à $\alpha = 0{,}01$, la statistique empirique $U$ doit être notablement plus faible qu’à $\alpha = 0{,}05$, ce qui impose un degré de séparation stochastique nettement plus accusé entre les deux groupes.

Le tableau suivant illustre les valeurs critiques de Mann-Whitney pour un seuil bilatéral $\alpha = 0{,}01$ :

$n_2 backslash n_1$	5	6	7	8	9	10	12
5	0	1	1	2	3	3	5
6	1	2	3	4	5	6	8
7	1	3	4	6	7	9	12
8	2	4	6	7	9	11	15
9	3	5	7	9	11	14	18
10	3	6	9	11	14	16	21
12	5	8	12	15	18	21	27

5.2 Analyse comparative des tables alpha = 0,05 et alpha = 0,01

L’analyse comparative directe des matrices à $5%$ et $1%$ démontre de manière frappante l’impact du renforcement de la sévérité inférentielle sur la zone d’acceptation de $H_0$. Pour un plan d’expérience standard avec $n_1 = 8$ et $n_2 = 8$ :

• À $\alpha = 0{,}05$ bilatéral, le seuil critique est $U_{\text{critique}} = 13$. Une valeur empirique $U = 12$ conduit au rejet de l’hypothèse nulle.
• À $\alpha = 0{,}01$ bilatéral, ce seuil s’effondre à $U_{\text{critique}} = 7$. La même valeur empirique $U = 12$ conduit cette fois au maintien strict de $H_0$.

Cette divergence met en évidence le compromis épistémologique inhérent au choix du seuil : en réduisant le risque d’erreur $\alpha$ de $5%$ à $1%$, le chercheur augmente inévitablement le risque d’erreur de deuxième espèce $\beta$ (non-rejet d’une hypothèse nulle pourtant fausse), diminuant par là même la puissance statistique ($1 – \beta$) du protocole. Pour préserver une puissance satisfaisante (traditionnellement visée à $ge 0{,}80$) tout en travaillant à $\alpha = 0{,}01$, il est impératif d’augmenter substantiellement les effectifs de départ.

5.3 Application à un essai clinique en psychothérapie

Imaginons un essai clinique contrôlé randomisé évaluant l’efficacité différentielle de deux approches psychothérapeutiques brèves — la thérapie cognitivo-comportementale classique (TCC, $n_1 = 12$) et une thérapie basée sur la pleine conscience (MBCT, $n_2 = 12$) — sur la réduction des ruminations dépressives mesurées par l’échelle RRS (Ruminative Responses Scale). Compte tenu des enjeux de validation clinique, les investigateurs fixent le seuil de décision à $\alpha = 0{,}01$ en test bilatéral.

À l’issue du traitement, le calcul de la somme des rangs après fusion ordonnée des 24 scores produit $R_1 = 118$ pour le groupe TCC et $R_2 = 182$ pour le groupe MBCT. Nous calculons la statistique $U$ :

$$U_1 = (12 \times 12) + \frac{12 \times 13}{2} – 118 = 144 + 78 – 118 = 104$$

$$U_2 = (12 \times 12) – 104 = 144 – 104 = 40$$

$$U_{\text{obte\nu}} = \min(104, 40) = 40$$

La consultation de la table à $\alpha = 0{,}01$ bilatéral pour $n_1 = 12$ et $n_2 = 12$ indique un seuil critique de $U_{\text{critique}} = 27$. En appliquant la règle de décision formelle :

$$U_{\text{obte\nu}} = 40 > U_{\text{critique}} = 27$$

La statistique observée n’étant pas inférieure ou égale à la valeur seuil, nous ne pouvons pas rejeter l’hypothèse nulle au seuil de $1%$. Bien qu’une tendance se dessine en faveur d’un des groupes, les données ne permettent pas de conclure à une supériorité statistiquement significative de l’une des thérapies à ce niveau d’exigence. Selon les normes de publication de l’American Psychological Association (APA 7th edition), ce résultat s’énonce : « La différence des scores de rumination entre les groupes TCC ($\text{Md} = 34$) et MBCT ($\text{Md} = 42$) n’atteint pas le seuil de significativité retenu ($U = 40{,}0$, $p > 0{,}01$). »

6. La table de Mann-Whitney U pour un seuil de signification Alpha = 0,10 (bilatéral)

6.1 Rôle et pertinence dans les études exploratoires et pilotes

Bien que le seuil de $10%$ ($\alpha = 0{,}10$ bilatéral) soit proscrit pour la validation finale d’hypothèses confirmatoires dans les revues à comité de lecture majeures, il occupe une fonction méthodologique stratégique lors des phases préliminaires de recherche. Dans les études pilotes, les études de faisabilité clinique ou lors du développement initial de nouveaux paradigmes expérimentaux, les cohortes sont par définition extrêmement réduites. Adopter un seuil $\alpha = 0{,}10$ permet de détecter des signaux thérapeutiques faibles ou des tendances émergentes qui méritent d’être investiguées à plus grande échelle.

Par ailleurs, sur le plan formel, la table bilatérale à $\alpha = 0{,}10$ possède une double utilité déterminante : elle constitue exactement l’équivalent d’une table unilatérale directionnelle à $\alpha = 0{,}05$. Cette propriété de correspondance géométrique en fait un outil fréquemment mobilisé dès lors qu’un chercheur formule une hypothèse orientée justifiée théoriquement.

6.2 Structure tabulaire spécifique à alpha = 0,10

Dans la table à $\alpha = 0{,}10$ bilatéral (ou $0{,}05$ unilatéral), les valeurs critiques $U_{\text{critique}}$ sont notablement plus élevées que dans les tables à $5%$ ou $1%$. Cette augmentation mécanique élargit la zone de rejet de $H_0$, autorisant la détection de différences statistiques avec des effectifs particulièrement exigus, dès $n_1 = 3$ et $n_2 = 3$ (où $U_{\text{critique}} = 0$).

$n_2 backslash n_1$	3	4	5	6	7	8
3	0	1	2	3	4	5
4	1	2	4	5	6	8
5	2	4	5	7	9	11
6	3	5	7	10	12	14
7	4	6	9	12	15	17
8	5	8	11	14	17	20

Le risque inhérent à ce niveau de signification réside évidemment dans l’inflation des faux positifs : une décision sur dix prise sous cette table résultera du simple aléa d’échantillonnage. Tout résultat significatif identifié à $\alpha = 0{,}10$ doit impérativement être qualifié de « tendance marginalement significative » et requiert une réplication indépendante sur un échantillon calibré avant toute généralisation théorique.

6.3 Exemple d’évaluation pilote d’une interface cognitive

Un laboratoire d’ergonomie cognitive teste une nouvelle disposition d’affichage tête haute (HUD) destinée à réduire la charge mentale de pilotes de drone. Une étude pilote est menée auprès de deux groupes de $n_1 = 6$ et $n_2 = 6$ opérateurs novices. Le groupe A utilise l’interface standard tandis que le groupe B bénéficie du nouveau prototype. La variable dépendante est le score de charge subjective NASA-TLX.

Le calcul des sommes de rangs aboutit à une statistique empirique $U_{\text{obte\nu}} = 8$. En se référant à la table bilatérale $\alpha = 0{,}10$ pour $n_1 = 6, n_2 = 6$, nous lisons $U_{\text{critique}} = 10$.

Puisque $U_{\text{obte\nu}} le U_{\text{critique}}$ ($8 le 10$), l’équipe conclut à l’existence d’une différence marginalement significative au seuil de $10%$. Cette information valide l’intérêt industriel et ergonomique de poursuivre le développement et d’engager les investissements nécessaires pour mener une expérimentation confirmatoire de grande envergure avec $N ge 60$ sujets à $\alpha = 0{,}05$.

7. Adaptation de la table pour les tests unilatéraux versus bilatéraux

7.1 Règle de conversion systématique des seuils alpha

La relation géométrique entre les distributions d’échantillonnage unilatérales et bilatérales repose sur une règle de symétrie fondamentale. Dans un test bilatéral, le risque d’erreur $\alpha_{\text{bilatéral}}$ est scindé équitablement entre les deux queues de la distribution ($alpha/2$ à gauche et $alpha/2$ à droite). Dans un test unilatéral, l’intégralité du risque $\alpha_{\text{unilatéral}}$ est concentrée sur une seule queue correspondant à la direction prédite par l’hypothèse alternative.

Il en découle une règle de conversion systématique et universelle pour l’exploitation des tables imprimées :

• Une table conçue pour un seuil bilatéral $\alpha = 2k$ s’utilise directement pour tester une hypothèse unilatérale à $\alpha = k$.
• Ainsi, pour tester une hypothèse directionnelle à $\alpha = 0{,}05$ unilatéral, il convient d’utiliser la table bilatérale $\alpha = 0{,}10$.
• De même, pour tester une hypothèse directionnelle à $\alpha = 0{,}01$ unilatéral, il convient d’utiliser la table bilatérale $\alpha = 0{,}02$ (ou de vérifier si la table précise spécifie la ligne unilatérale $\alpha = 0{,}01$).

Cette correspondance mathématique parfaite élimine le besoin de multiplier inutilement les feuillets imprimés dans les manuels de référence.

7.2 Formulation des hypothèses directionnelles en psychologie

Le recours à un test unilatéral ne saurait constituer un artifice méthodologique destiné à abaisser artificiellement le seuil d’exigence statistique pour transformer un résultat non significatif en résultat significatif. Cette pratique discutable, assimilée au phénomène de HARKing (Hypothesizing After the Results are Known), vicie gravement la reproductibilité scientifique.

L’utilisation légitime d’une table unilatérale requiert deux conditions cumulatives absolues :

1. L’hypothèse directionnelle (par exemple : « Le groupe sous antidépresseur obtiendra des scores de dépression strictement inférieurs au groupe placebo ») doit avoir été formalisée et idéalement préenregistrée avant tout recueil de données.
2. Si les données observées vont dans le sens opposé à la prédiction théorique (par exemple si le groupe traité présente une dégradation des scores), l’expérimentateur doit immédiatement maintenir $H_0$, sans même consulter la table statistique, quelle que soit l’ampleur de la divergence observée.

7.3 Protocole complet de décision unilatérale

Pour mener sans faille une prise de décision unilatérale au moyen de la table de Mann-Whitney, le chercheur doit appliquer le protocole suivant :

1. Vérification préalable de la conformité empirique : Calculer les médianes ou les sommes de rangs respectives des deux groupes. Vérifier que la direction observée correspond rigoureusement au sens postulé par l’hypothèse de recherche $H_1$. Si le sens est inversé, arrêter l’inférence : $H_0$ ne peut être rejetée.
2. Sélection du niveau de risque : Choisir le seuil unilatéral nominal $\alpha_{\text{uni}}$ (ex. $0{,}05$).
3. Consultation de la table correspondante : Ouvrir la table bilatérale indexée à $2 \times \alpha_{\text{uni}}$ (soit la table bilatérale $\alpha = 0{,}10$ pour un test unilatéral à $0{,}05$).
4. Application de la règle de rejet : Extraire $U_{\text{critique}}$ pour les effectifs $(n_1, n_2)$ et rejeter $H_0$ si et seulement si $U_{\text{obte\nu}} le U_{\text{critique}}$.

8. Calcul manuel de la statistique U et comparaison avec la table critique

8.1 Algorithme complet de calcul pas à pas

Le calcul manuel de la statistique de Mann-Whitney constitue une démarche pédagogique fondamentale pour maîtriser la logique sous-jacente au test. L’algorithme standard se déploie selon les étapes séquentielles suivantes :

1. Agrégation des données : Rassembler l’ensemble des observations des deux échantillons dans un tableau unique tout en conservant l’identifiant du groupe d’appartenance pour chaque mesure.
2. Classement et assignation des rangs : Trier l’ensemble consolidé des $N = n_1 + n_2$ observations par ordre strictement croissant. Attribuer le rang 1 à la plus petite valeur observée, le rang 2 à la suivante, jusqu’au rang $N$ assigné à la valeur la plus élevée.
3. Gestion des valeurs identiques (ex æquo) : Lorsque plusieurs observations partagent la même valeur numérique, leur assigner à chacune la moyenne arithmétique des rangs qu’elles auraient occupés si elles avaient été distinctes.
4. Sommation des rangs : Calculer séparément la somme des rangs attribués au groupe 1 ($R_1$) et la somme des rangs attribués au groupe 2 ($R_2$).
5. Contrôle arithmétique de validité : Vérifier impérativement l’égalité fondamentale de Gauss :

   $$R_1 + R_2 = \frac{N(N + 1)}{2}$$

   Toute divergence dans cette somme totale signale une erreur d’assignation des rangs.

6. Calcul de $U_1$ et $U_2$ : Appliquer les formules canoniques :

   $$U_1 = n_1 n_2 + \frac{n_1(n_1 + 1)}{2} – R_1$$

   $$U_2 = n_1 n_2 + \frac{n_2(n_2 + 1)}{2} – R_2$$

7. Sélection de la statistique finale : Retenir $U = \min(U_1, U_2)$ pour la confrontation avec la table.

8.2 Traitement des ex æquo et impact sur la fiabilité des tables standard

Dans les données psychométriques réelles, la présence d’observations ex æquo (liens dans les rangs) est extrêmement fréquente en raison de la discrétisation des échelles de mesure. Si l’attribution des rangs moyens permet de calculer sans difficulté $U_1$ et $U_2$, la présence d’ex æquo altère la variance de la distribution d’échantillonnage théorique sous $H_0$.

La formule exacte de la variance corrigée pour les ex æquo s’énonce :

$$\sigma_U^2 = \frac{n_1 n_2}{12} \left( (n_1 + n_2 + 1) – \frac{\sum_{i=1}^g (t_i^3 – t_i)}{(n_1 + n_2)(n_1 + n_2 – 1)} \right)$$

où $g$ représente le nombre de groupes de valeurs ex æquo et $t_i$ désigne le nombre d’observations partageant le rang lié au sein du $i$-ième groupe. La présence d’ex æquo réduit la variance de la distribution, ce qui a pour effet de rendre le test légèrement plus conservateur si l’on consulte une table non corrigée. Cependant, lorsque la proportion de liens reste modérée (moins de $20%$ des données affectées), l’impact sur la probabilité critique tabulée est minime et la table exacte demeure tout à fait fiable pour la prise de décision empirique.

8.3 Exemple d’application intégrale chiffrée

Soit une recherche en psychologie sociale comparant le niveau d’empathie (score IRI) entre des étudiants en filière artistique ($n_1 = 5$) et des étudiants en filière informatique ($n_2 = 6$).

Données brutes :

• Groupe Art ($n_1 = 5$) : 42, 45, 48, 52, 55
• Groupe Info ($n_2 = 6$) : 35, 38, 42, 44, 47, 50

Procédons au classement conjoint des 11 observations pour assigner les rangs :

Valeur brute	Groupe	Position brute	Rang assigné
35	Info	1	1
38	Info	2	2
42	Art	3	3,5 (ex æquo)
42	Info	4	3,5 (ex æquo)
44	Info	5	5
45	Art	6	6
47	Info	7	7
48	Art	8	8
50	Info	9	9
52	Art	10	10
55	Art	11	11

Calcul des sommes de rangs :

$$R_1 (\text{Art}) = 3{,}5 + 6 + 8 + 10 + 11 = 38{,}5$$

$$R_2 (\text{Info}) = 1 + 2 + 3{,}5 + 5 + 7 + 9 = 27{,}5$$

Vérification : $38{,}5 + 27{,}5 = 66 = \frac{11 \times 12}{2}$. Le contrôle est parfaitement validé.

Calcul des statistiques :

$$U_1 = (5 \times 6) + \frac{5 \times 6}{2} – 38{,}5 = 30 + 15 – 38{,}5 = 6{,}5$$

$$U_2 = (5 \times 6) + \frac{6 \times 7}{2} – 27{,}5 = 30 + 21 – 27{,}5 = 23{,}5$$

$$U_{\text{obte\nu}} = \min(6{,}5 ; 23{,}5) = 6{,}5$$

Consultation de la table bilatérale $\alpha = 0{,}05$ pour $n_1 = 5, n_2 = 6$ : la valeur critique est $U_{\text{critique}} = 3$.

Puisque $U_{\text{obte\nu}} = 6{,}5 > U_{\text{critique}} = 3$, nous ne pouvons pas rejeter $H_0$. Il n’existe pas de différence statistiquement significative de niveau d’empathie entre ces deux cohortes au seuil de $5%$.

9. Gestion des grandes tailles d’échantillons et approximation asymptotique normale

9.1 Limites de tabulation et seuils de transition

Les tables exactes de Mann-Whitney cessent généralement de répertorier les valeurs au-delà de $n_1 > 20$ ou $n_2 > 20$. Cette limitation délibérée s’explique par deux facteurs conjoints : d’une part, l’explosion combinatoire rend la tabulation imprimée volumineuse et redondante ; d’autre part, en vertu du théorème central limite appliqué aux sommes de variables aléatoires dépendantes, la distribution d’échantillonnage de $U$ converge très rapidement vers une distribution gaussienne continue.

Dès que les effectifs atteignent ou dépassent $n_1, n_2 ge 20$, la loi normale centrée réduite $\mathcal{N}(0, 1)$ fournit une approximation d’une précision remarquable pour calculer la $p$-valeur associée à la statistique $U$, rendant le recours aux tables discrètes obsolète.

9.2 Paramètres de la distribution normale asymptotique

Sous l’hypothèse nulle $H_0$, la distribution asymptotique de $U$ se caractérise par une espérance mathématique $\mu_U$ et un écart-type $\sigma_U$ parfaitement déterminés par les tailles d’échantillons :

$$\mathbb{E}(U) = \mu_U = \frac{n_1 n_2}{2}$$

$$\sigma_U = \sqrt{\frac{n_1 n_2 (n_1 + n_2 + 1)}{12}}$$

À partir de ces moments d’échantillonnage, la statistique standardisée $Z$ se calcule selon le ratio canonique :

$$Z = \frac{U – \mu_U}{\sigma_U}$$

En présence d’un volume significatif de rangs ex æquo, la formule corrigée de la variance présentée en section 8.2 est substituée au dénominateur pour garantir une standardisation sans biais.

9.3 Correction de continuité et utilisation de la table normale standardisée Z

Puisque l’on approxime une loi discrète à valeurs entières (ou demi-entières) par une densité de probabilité continue, la précision de l’inférence est notablement améliorée par l’application d’une correction de continuité de $\pm 0{,}5$. La statistique standardisée corrigée s’écrit formellement :

$$Z = \frac{|U – \mu_U| – 0{,}5}{\sigma_U}$$

Le score $Z$ ainsi obtenu est ensuite directement comparé aux valeurs critiques universelles de la loi normale centrée réduite $\mathcal{N}(0, 1)$ :

• Pour $\alpha = 0{,}05$ bilatéral : Rejet de $H_0$ si $|Z| ge 1{,}96$.
• Pour $\alpha = 0{,}01$ bilatéral : Rejet de $H_0$ si $|Z| ge 2{,}576$.
• Pour $\alpha = 0{,}001$ bilatéral : Rejet de $H_0$ si $|Z| ge 3{,}291$.

Cette méthodologie unifiée permet d’étendre l’application du test de Mann-Whitney à des échantillons de plusieurs centaines ou milliers d’individus avec une parfaite rigueur statistique.

10. Applications pratiques de la table de Mann-Whitney U dans la recherche psychologique

10.1 Psychologie clinique et psychopathologie

En psychologie clinique et en psychiatrie expérimentale, les instruments de mesure d’intensité symptomatique — tels que l’inventaire de dépression de Beck (BDI-II), l’échelle d’anxiété de Hamilton (HAM-A) ou l’échelle des symptômes positifs et négatifs de la schizophrénie (PANSS) — présentent structurellement des distributions tronquées et non gaussiennes. Les scores au BDI-II au sein d’une population non clinique présentent une forte asymétrie droite, tandis que dans une cohorte clinique sévère, des effets de plafonnement sont fréquents.

L’utilisation de la table de Mann-Whitney U permet de comparer l’efficacité de protocoles thérapeutiques innovants (comme la stimulation magnétique transcrânienne répétitive – rTMS) par rapport à un protocole fictif (sham) sur des cohortes cliniques restreintes ($n \approx 10$ à $15$ par bras). Elle assure une prise de décision clinique rigoureuse, non polluée par les violations de normalité, garantissant la validité interne des essais cliniques de phase précoce.

10.2 Psychologie cognitive et ergonomie

Le domaine de la psychologie cognitive et de l’ergonomie des interfaces homme-machine mobilise fréquemment des indices comportementaux dont les propriétés métriques contreviennent aux postulats paramétriques : temps de fixation oculaire en eye-tracking, nombre d’erreurs commises lors d’une tâche de double détection, ou scores globaux d’utilisabilité via le questionnaire SUS (System Usability Scale).

Lors de l’évaluation de deux variantes d’architecture logicielle auprès d’un panel de tests utilisateurs ($n_1 = 8, n_2 = 8$), les scores d’utilisabilité bruts sont souvent regroupés sur des valeurs discrètes. La consultation de la table de Mann-Whitney U fournit la justification méthodologique requise pour trancher sur la supériorité ergonomique d’un environnement numérique sans présumer d’une distribution continue sous-jacente.

10.3 Psychologie du travail et des organisations

Dans l’étude des climats organisationnels et de la santé au travail, les chercheurs évaluent des construits tels que l’épuisement professionnel (via le Maslach Burnout Inventory – MBI) ou l’engagement au travail (échelle UWES) au sein d’unités opérationnelles ou de services hospitaliers spécifiques. Les effectifs comparés au sein d’une même organisation sont souvent limités par la taille réelle des équipes ($n = 10$ à $18$ collaborateurs par département).

La table de Mann-Whitney constitue ici le standard d’analyse pour évaluer si le déploiement d’un programme de prévention des risques psychosociaux (RPS) au sein d’un service induit une amélioration statistiquement robuste par rapport à un service témoin. Le rapportage académique de ces interventions s’effectue conformément aux standards stricts de l’APA 7th edition, mentionnant explicitement la statistique $U$, la taille des échantillons, le niveau $p$ extrait de la table et la taille d’effet associée.

11. Erreurs courantes lors de la consultation et de l’interprétation de la table de Mann-Whitney U

11.1 Erreurs liées à la règle de décision et au sens de l’inégalité

L’erreur la plus répandue et la plus préjudiciable consiste à appliquer machinalement à la statistique de Mann-Whitney la règle de décision des tests paramétriques :

ERREUR CLASSIQUE : Rejeter $H_0$ lorsque $U_{\text{obte\nu}} > U_{\text{critique}}$

RÈGLE EXACTE : Rejeter $H_0$ lorsque $U_{\text{obte\nu}} le U_{\text{critique}}$

Cette méprise conduit à des conclusions scientifiques diamétralement opposées à la réalité des données : un chercheur commettant cette inversion déclarera un protocole non significatif alors même que les données mettent en évidence un effet majeur, ou inversement conclura à une découverte majeure face à une absence totale de différenciation stochastique.

Une seconde erreur fréquente consiste à omettre de prendre le minimum entre $U_1$ et $U_2$ avant de consulter la table. Si un expérimentateur calcule uniquement $U_1 = 53$ (pour $n_1 = 7, n_2 = 8$) et compare directement cette valeur à la table ($U_{\text{critique}} = 10$), il conclura à tort à l’absence d’effet en constatant que $53 > 10$, alors que la statistique minimale d’inférence est $U = min(53, 3) = 3 le 10$, signalant un résultat hautement significatif.

11.2 Erreurs de sélection de colonnes et de seuils

La structure dense des tables imprimées génère fréquemment des confusions de lecture :

• Confusion unilatéral / bilatéral : Sélectionner une colonne unilatérale $\alpha = 0{,}05$ alors que la recherche n’a pas posé d’hypothèse directionnelle formelle préenregistrée, ce qui équivaut à doubler indûment le risque d’erreur de type I à $10%$.
• Erreur de coordonnées matricielles : Dans les tables asymétriques tronquées, intervertir accidentellement lignes et colonnes lors du report de données asymétriques.
• Omission de la correction des ex æquo : Négliger l’impact d’une forte proportion de rangs liés sur la variance lorsque les données comportent de nombreux scores identiques.

11.3 Violations des postulats méthodologiques préalables

Bien que non paramétrique, le test de Mann-Whitney repose sur des postulats stricts qu’il convient de respecter impérativement :

1. Indépendance des observations : Les deux groupes comparés doivent être strictement indépendants. L’utilisation de la table de Mann-Whitney sur des mesures répétées ou des échantillons appariés (par exemple avant/après intervention sur les mêmes sujets) constitue une faute méthodologique majeure ; le test approprié est alors le test des rangs signés de Wilcoxon (Wilcoxon signed-rank test).
2. Interprétation abusive en test d’égalité des médianes : Le test de Mann-Whitney est formellement un test de dominance stochastique ($P(X > Y) = 0{,}5$). Pour qu’il puisse être interprété strictement comme un test de différence entre les médianes des populations, les distributions des deux groupes doivent obligatoirement posséder des formes (shapes) et des variances identiques, ne différant que par une translation de localisation. Si les distributions présentent des formes divergentes (par exemple une distribution bimodale comparée à une distribution unimodale asymétrique), le test évalue l’ordre stochastique global des rangs, mais ne permet pas de conclure à une différence pure de médianes.
3. Absence de mesure de taille d’effet : Conclure à l’importance pratique d’un résultat sur la seule base de la significativité fournie par la table, sans rapporter d’indice standardisé d’ampleur d’effet.

12. Comparaison entre la table statistique manuelle et les logiciels modernes (R, SPSS, Python)

12.1 Génération logicielle de la statistique et de la p-valeur exacte

Dans la pratique contemporaine de la recherche, les environnements statistiques informatisés automatisent le calcul combinatoire et renvoient directement la $p$-valeur exacte associée à la statistique $U$, réduisant le recours direct aux tables papier. Cependant, chaque logiciel utilise des syntaxes et des conventions d’affichage qu’il convient de savoir interpréter :

Sous R, la fonction native du package stats s’intitule wilcox.test() :

wilcox.test(score ~ groupe, data = mon_dataframe, exact = TRUE, correct = FALSE)

Il est fondamental de noter que R retourne la statistique de Wilcoxon $W$, qui correspond précisément à la statistique $U_1$ de Mann-Whitney définie par rapport au premier niveau du facteur groupe.

Sous SPSS, la procédure s’exécute via le menu Analyse > Tests non paramétriques > Échantillons indépendants. La sortie standard génère explicitement la statistique $U$ de Mann-Whitney, la somme des rangs de Wilcoxon $W$, la statistique $Z$ asymptotique ainsi que la $p$-valeur exacte bilatérale ($2$-tailed exact significance).

Sous Python, la bibliothèque scientifique SciPy propose le module dédié :

from scipy import stats
stat_u, p_val = stats.mannwhitneyu(groupe_a, groupe_b, alternative='two-sided')

Quelle que soit la solution logicielle retenue, la correspondance mathématique entre la $p$-valeur logicielle et le seuil critique tabulé est absolue : obtenir une $p$-valeur exacte $p le 0{,}05$ équivaut strictement à observer $U_{\text{obte\nu}} le U_{\text{critique}}$ dans la table standard.

12.2 Intérêt pédagogique et scientifique de la conservation de la table

À l’ère de l’automatisation numérique intégrale, la maîtrise de la table de Mann-Whitney U conserve une valeur pédagogique et méthodologique inestimable. Premièrement, elle protège le chercheur contre l’illusion de la « boîte noire », en lui permettant de comprendre intimement l’origine probabiliste et discrète des seuils décisionnels.

Deuxièmement, la connaissance des tables critiques permet des vérifications instantanées sur le terrain ou lors de l’examen critique d’articles scientifiques, sans nécessiter d’outil informatique. Enfin, elle constitue un garde-fou fondamental lors de l’analyse automatisée de données volumineuses : un contrôle croisé manuel rapide sur un sous-échantillon permet de détecter immédiatement d’éventuelles erreurs de recodage de variables ou d’inversion d’indexation dans les scripts informatiques.

12.3 Calcul de la taille d’effet associée : au-delà de la valeur tabulée

La conformité aux standards actuels de l’American Psychological Association (APA 7th edition) et du mouvement pour la science ouverte (Open Science) impose de compléter systématiquement la décision issue de la table statistique par une estimation rigoureuse de la taille d’effet (effect size). La valeur $p$ renseigne uniquement sur l’existence d’une différence non imputable au hasard, mais n’indique en rien son importance théorique ou clinique.

Pour le test de Mann-Whitney, deux indicateurs principaux doivent être rapportés :

1. Le coefficient de corrélation de rang biserial ($r$ de Rosenthal) :

Dérivé du score standardisé $Z$, il quantifie la force de l’association ordinale :

$$r = \frac{|Z|}{\sqrt{N}}$$

où $N = n_1 + n_2$. Les seuils d’interprétation conventionnels de Cohen s’appliquent : $r = 0{,}10$ (effet faible), $r = 0{,}30$ (effet moyen), $r ge 0{,}50$ (effet fort).

2. La probabilité de supériorité (Common Language Effect Size – CLES ou AUC-ROC) :

Cet indice, particulièrement intuitif pour la communication clinique, représente la probabilité qu’une observation choisie aléatoirement dans le groupe 1 soit supérieure à une observation choisie aléatoirement dans le groupe 2 :

$$\text{CLES} = \frac{U_1}{n_1 n_2} \quad \text{ou} \quad \text{CLES} = \frac{U_2}{n_1 n_2}$$

Une valeur $\text{CLES} = 0{,}50$ traduit une absence totale d’effet expérimental, tandis qu’une valeur de $1{,}0$ (ou $0{,}0$) signale une séparation parfaite des distributions.

La rédaction complète d’une analyse selon les normes professionnelles articulera donc toujours la consultation rigoureuse de la table critique, le niveau exact de signification et l’ampleur standardisée de l’effet observé.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Howell, D. C. (2012). Statistical methods for psychology (8th ed.). Cengage Learning.
• Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50–60. https://doi.org/10.1214/aoms/1177730491
• Rosenthal, R. (1991). Meta-analytic procedures for social research (Rev. ed.). SAGE Publications. https://doi.org/10.4135/9781412984997
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. https://doi.org/10.2307/3001968