Le temps est-il une variable d’intervalle ou de rapport ? (Explication et exemple)

Dans le champ de l’épistémologie quantitative et de la métrologie appliquée aux sciences humaines, sociales et biologiques, peu de concepts s’avèrent aussi omniprésents et pourtant aussi fréquemment mal compris que le temps. Chaque protocole expérimental, chaque modèle longitudinal et chaque analyse de séries temporelles mobilise le temps soit comme variable indépendante, soit comme variable dépendante, soit comme covariable d’ajustement. Pourtant, lorsqu’il s’agit de qualifier la nature métrologique exacte de cette variable au sein de la célèbre taxonomie des échelles de mesure, les réponses apportées par les chercheurs et les analystes oscillent souvent entre hésitation et confusion conceptuelle.

Cette ambiguïté découle d’une dualité fondamentale inhérente à la mesure temporelle. D’un côté, le temps se manifeste comme un repère positionnel au sein d’un continuum arbitrairement indexé, à l’image d’une date sur un calendrier ou d’une heure affichée sur un cadran d’horloge. De l’autre, il s’exprime sous la forme d’une quantité continue d’écoulement, c’est-à-dire une durée, un délai de latence ou un temps de réaction. Selon l’angle sous lequel le chercheur appréhende cette grandeur physique, les propriétés algébriques de la variable se métamorphosent radicalement, dictant de manière impérative la légitimité des opérations mathématiques et des modèles statistiques applicables.

Comprendre si le temps relève d’une échelle d’intervalle ou d’une échelle de rapport constitue bien plus qu’une simple querelle sémantique ou un exercice théorique désincarné. Cette classification détermine la validité même des inférences statistiques déduites des données empiriques : elle dicte la possibilité d’utiliser des moyennes arithmétiques plutôt que circulaires, conditionne la légitimité du calcul de pourcentages d’évolution ou de coefficients de variation, et prévient des sophismes interprétatifs dévastateurs pour la reproductibilité de la recherche. Le présent article propose une analyse approfondie et exhaustive de cette problématique à travers le prisme de la psychométrie, de la modélisation statistique et de la physique expérimentale.

1. Introduction aux échelles de mesure de Stevens en psychologie et statistiques

1.1 La typologie quadripartite de Stanley Smith Stevens (1946)

L’histoire moderne de la mesure en sciences comportementales a été profondément façonnée par les travaux du psychologue et psychophysicien américain Stanley Smith Stevens. Dans son article séminal publié en 1946 dans la revue Science, intitulé « On the Theory of Scales of Measurement », Stevens cherchait à clore un débat institutionnel et épistémologique virulent. Quelques années auparavant, le comité Ferguson, mandaté par la British Association for the Advancement of Science, avait conclu avec scepticisme que les tentatives des psychologues visant à quantifier les sensations subjectives (notamment les intensités sonores) ne constituaient pas une véritable « mesure » au sens où la physique classique l’entendait, faute de pouvoir exhiber une opération empirique d’addition concrète semblable à l’abouchement de deux étalons de longueur mis bout à bout.

Pour dépasser cette impasse ontologique, Stevens a proposé une redéfinition révolutionnaire de l’acte de mesurer. Selon sa formulation devenue canonique, la mesure consiste en « l’attribution de chiffres à des objets ou à des événements selon des règles déterminées » (the assignment of numerals to objects or events according to rules). Sur cette base, il a formalisé une hiérarchie cumulative de quatre échelles de mesure fondamentales, chacune étant caractérisée par le groupe mathématique de transformations sous lequel les relations empiriques demeurent invariantes :

• L’échelle nominale : Le niveau le plus élémentaire, où les nombres ne servent que d’étiquettes qualitatives ou d’identifiants catégoriels. La seule relation empirique préservée est celle de l’équivalence ou de la non-équivalence (égalité versus différence). Toute transformation bijective (permutation un-pour-un) est admissible, car elle ne détruit pas la partition des classes d’équivalence.
• L’échelle ordinale : Ce niveau introduit une relation d’ordre strict ou partiel entre les entités mesurées ($A > B > C$). Les nombres reflètent des rangs, mais les distances séparant deux points consécutifs ne sont ni connues ni postulées constantes. L’échelle est invariante sous toute transformation strictement monotone croissante.
• L’échelle d’intervalle : À ce stade, la distance quantitative entre deux échelons successifs est constante et douée d’une signification physique ou psychologique uniforme. L’égalité des intervalles est garantie, mais le point zéro demeure conventionnel ou arbitraire. L’échelle est invariante sous les transformations affines positives de la forme $f(x) = ax + b$ (avec $a > 0$).
• L’échelle de rapport (ou de ratio) : Le sommet de la hiérarchie de Stevens. Elle cumule l’ordre, l’équidistance des intervalles et la présence d’un zéro absolu, naturel et non arbitraire, correspondant à l’absence totale de la dimension mesurée. Cette échelle est invariante uniquement sous le groupe des similitudes positives de la forme $f(x) = ax$ (avec $a > 0$).

Cette architecture quadripartite n’est pas qu’un outil de nomenclature didactique : elle a posé les fondements de la rigueur psychométrique moderne en fournissant un cadre axiomatique permettant de relier les structures relationnelles empiriques observées aux systèmes de nombres réels utilisés pour les modéliser.

1.2 Importance épistémologique du niveau de mesure en recherche quantitative

L’importance d’attribuer rigoureusement le niveau métrologique adéquat à une variable quantitative réside dans la préservation de ce que les théoriciens de la mesure désignent sous le nom d’isomorphisme ou d’homomorphisme structural. Comme l’ont explicité ultérieurement Patrick Suppes, David Krantz, Duncan Luce et Amos Tversky dans leur magistrale somme théorique Foundations of Measurement, un système de mesure n’est valide que si les opérations formelles menées sur les symboles numériques correspondent fidèlement à des opérations et relations physiques ou psychologiques observables dans le monde réel.

Dès lors qu’un chercheur applique une transformation mathématique inadmissible sur une échelle donnée, il introduit des distorsions qui détruisent la signification empirique des données. Par exemple, si l’on applique une opération non linéaire à une échelle d’intervalle, la propriété d’égalité des intervalles est rompue, rendant caducs les calculs de différences. De même, si l’on tente d’interpréter un ratio multiplicatif sur une échelle dont le zéro est translaté arbitrairement, le résultat dépend directement de l’unité choisie, ce qui vicie toute prétention à la généralisabilité nomologique.

Cette contrainte théorique délimite avec précision le champ d’application des outils d’inférence statistique. L’usage des statistiques paramétriques dites classiques — qui intègrent le calcul de moyennes arithmétiques, d’écarts-types, d’analyses de variance (ANOVA), de coefficients de corrélation de Pearson ou de régressions linéaires par moindres carrés ordinaires — repose impérativement sur le postulat que la variable dépendante est mesurée, à minima, sur une échelle d’intervalle. L’application de tels modèles à des variables purement ordinales ou nominales produit des résultats mathématiquement calculables mais scientifiquement dénués de sens, compromettant la reproductibilité des conclusions et faussant les méta-analyses.

1.3 La question spécifique du temps : ambiguïté conceptuelle et pratique

Au cœur de cette systématique des grandeurs physiques, la variable temporelle occupe une place singulière qui suscite d’incessants débats dans les départements de méthodologie et de statistiques appliquées. Interrogez un groupe d’étudiants gradués ou de chercheurs chevronnés sur la nature de la variable « temps », et vous obtiendrez des affirmations diamétralement opposées mais défendues avec une égale conviction : pour les uns, le temps est l’archétype même de la variable de rapport, car « zéro seconde » traduit l’inexistence du temps ; pour les autres, le temps est une variable d’intervalle fondamentale, puisque des dates comme l’an 0 ou des heures comme minuit sont des conventions historiques et socioculturelles dépourvues d’un zéro naturel universel.

Cette discorde n’est pas une simple divergence d’opinions, mais l’indice d’une confusion entre deux acceptions fondamentalement hétérogènes de la temporalité :

• Le temps de positionnement (ou repérage chronologique) : Il répond à la question « Quand un événement survient-il ? ». Il localise un état dans un flux temporel continu au moyen d’un référentiel doté d’une origine convenue (heure de la montre, jour du calendrier, siècle).
• Le temps d’amplitude (ou durée écoulée) : Il répond à la question « Pendant combien de temps le phénomène s’est-il manifesté ? ». Il quantifie la distance temporelle séparant deux états distincts, mesurée via un chronomètre (temps de latence, durée de fixation visuelle, temps de réaction).

La réponse à la question inaugurale de cet article — « Le temps est-il une variable d’intervalle ou de rapport ? » — n’est donc ni univoque ni absolue : elle est conditionnée de manière irréductible par la définition opérationnelle adoptée par l’expérimentateur au moment de la collecte des données. Clarifier ce statut implique d’analyser en profondeur les propriétés axiomatiques de chaque classe d’échelle.

2. Définition et caractéristiques fondamentales des échelles d’intervalle

2.1 Égalité des intervalles et constance des unités

L’échelle d’intervalle se distingue par une propriété mathématique cruciale : l’équidistance des unités de mesure tout au long du continuum d’observation. Cela signifie formellement que pour toute séquence de valeurs ordonnées $x_1, x_2, x_3, x_4$, si la différence numérique $x_2 – x_1$ est égale à $x_4 – x_3$, alors la différence quantitative empirique sous-jacente entre les états correspondants dans la réalité est rigoureusement identique.

Le cas paradigmatique de l’échelle d’intervalle en sciences physiques est représenté par les échelles thermométriques en degrés Celsius ($^circ\text{C}$) ou Fahrenheit ($^circ\text{F}$). L’écart thermique séparant une eau à $10^circ\text{C}$ d’une eau à $20^circ\text{C}$ ($\Delta = 10^circ\text{C}$) requiert exactement la même quantité d’énergie calorifique pour être comblé que l’écart séparant une eau à $70^circ\text{C}$ d’une eau à $80^circ\text{C}$ ($\Delta = 10^circ\text{C}$). En psychométrie, le score d’efficience intellectuelle (Quotient Intellectuel standardisé de Wechsler, avec une moyenne de 100 et un écart-type de 15) est conventionnellement traité comme une variable d’intervalle : la différence métrique entre un score de 85 et un score de 100 (un écart-type de 15 points) est postulée équivalente à la distance cognitive séparant un score de 100 d’un score de 115.

Grâce à cette propriété de constance métrique unitaire, l’échelle d’intervalle transcende l’échelle ordinale en permettant non seulement de hiérarchiser les entités selon leur magnitude relative, mais également de quantifier avec une rigueur absolue la magnitude de l’écart qui les sépare.

2.2 L’absence de zéro absolu ou naturel : le zéro arbitraire

La limitation infranchissable qui sépare l’échelle d’intervalle de l’échelle de rapport réside dans la nature ontologique de son point d’origine : l’échelle d’intervalle est intrinsèquement dépourvue de zéro absolu ou naturel. Le chiffre zéro ($0$) présent sur ce type d’échelle ne symbolise en aucune manière l’inexistence ontologique, l’absence totale ou la disparition complète de la dimension ou de l’attribut mesuré.

Reprenons l’exemple thermométrique : la valeur $0^circ\text{C}$ ne signifie nullement l’absence de chaleur ou d’énergie cinétique moléculaire au sein de la matière ; elle correspond simplement au point de changement de phase de l’eau pure à la pression atmosphérique normale du niveau de la mer. C’est un repère commode, anthropocentré et pragmatique choisi par le physicien suédois Anders Celsius. La preuve éclatante de cette contingence réside dans le fait que dans l’échelle Fahrenheit, ce même phénomène physique de congélation de l’eau est indexé à $32^circ\text{F}$, tandis que le zéro de Fahrenheit a été initialement établi à l’aide d’un mélange de glace, d’eau et de chlorure d’ammonium.

En conséquence immédiate de cette origine arbitraire, il est impossible de passer d’une échelle d’intervalle à une autre mesurant le même attribut sans recourir à une constante d’addition ou de translation affine. La formule de conversion bien connue :

$^circ\text{F} = (1{,}8 \times ^circ\text{C}) + 32$

illustre parfaitement la présence incontournable de ce terme constant ($+ 32$), qui empêche toute relation de proportionnalité directe entre les valeurs brutes générées par les deux instruments de mesure.

2.3 Opérations mathématiques et statistiques autorisées sur l’échelle d’intervalle

Les contraintes mathématiques qui s’exercent sur les échelles d’intervalle dérivent directement de leur groupe d’invariance, à savoir le groupe des transformations affines positives :

$x’ = ax + b \quad \text{a\vec } a > 0 \text{ et } b in \mathbb{R}$

Cette formulation formelle indique que la validité des relations d’intervalle est totalement préservée si l’on multiplie l’ensemble des données par une constante positive (changement d’échelle d’unité, paramètre $a$) et qu’on y ajoute une constante réelle quelconque (translation de l’origine, paramètre $b$). Dès lors, certaines opérations analytiques sont formellement validées, tandis que d’autres s’avèrent fallacieuses :

• Opérations admises : L’addition et la soustraction sont entièrement autorisées sur les différences de valeurs. Par extension, le calcul de la moyenne arithmétique ($\bar{x} = \frac{1}{n}\sum x_i$) est pleinement légitime, car la moyenne sous une transformation affine subit rigoureusement la même transformation ($\bar{x}’ = a\bar{x} + b$). La variance statistique ($s^2$) et l’écart-type ($s$) conservent toute leur pertinence pour quantifier la dispersion autour de la moyenne, tout comme le calcul de la covariance et du coefficient de corrélation linéaire de Pearson ($r$), ce dernier étant strictement invariant sous n’importe quelle transformation affine positive.
• Opérations interdites : La division ou le produit direct de deux valeurs brutes est rigoureusement prohibé sur le plan de l’interprétation sémantique. Affirmer qu’une température de $20^circ\text{C}$ est « deux fois plus chaude » qu’une température de $10^circ\text{C}$ constitue une faute conceptuelle grave. En effet, si l’on effectue la conversion en degrés Fahrenheit, $10^circ\text{C}$ devient $50^circ\text{F}$ et $20^circ\text{C}$ devient $68^circ\text{F}$. Or, le ratio $\frac{68}{50} = 1{,}36$ ne coïncide aucunement avec le ratio $\frac{20}{10} = 2{,}0$. Le rapport de deux valeurs brutes n’étant pas invariant par changement d’origine arbitraire, il est mathématiquement dénué de tout sens physique.

3. Définition et propriétés distinctives des échelles de rapport

3.1 Présence d’un zéro absolu représentant l’absence totale de la propriété

L’échelle de rapport (aussi désignée sous les termes d’échelle de ratio ou d’échelle à proportion) représente l’échelon métrologique le plus achevé et le plus contraignant sur le plan axiomatique. Sa propriété définitoire exclusive réside dans l’existence d’un zéro absolu, non arbitraire, ontologique et universel. Ce zéro marque le seuil physique en dessous duquel il est impossible de descendre et indique la vacuité ou l’inexistence totale du trait mesuré dans l’entité évaluée.

Les sciences physiques offrent les illustrations les plus intuitives de cette exigence. Une masse de $0\text{ kilogramme}$ dénote une absence totale de matière pesante ; une longueur de $0\text{ mètre}$ correspond à une dimension spatiale nulle. Dans le domaine de la thermodynamique, l’échelle absolue de température proposée par Lord Kelvin (Kelvin, $\text{K}$) résout l’arbitraire des échelles Celsius et Fahrenheit en ancrant son point zéro au zéro absolu physique ($0\text{ K} = -273{,}15^circ\text{C}$), température théorique asymptotique où l’agitation thermique et l’énergie cinétique des particules microscopiques atteignent leur niveau minimal régi par les lois de la mécanique quantique.

En vertu de ce point d’ancrage naturel invariable, le groupe de transformations préservant l’échelle de rapport est le groupe restreint des similitudes directes (ou homothéties positives) :

$x’ = ax \quad \text{a\vec } a > 0$

Ici, le terme constant d’origine $b$ est obligatoirement égal à zéro ($b = 0$). Les seuls changements admissibles consistent à multiplier les mesures par un coefficient scalaire positif, ce qui équivaut simplement à changer l’étalon de mesure (par exemple, convertir des mètres en centimètres avec $a = 100$, ou des kilogrammes en livres avec $a \approx 2{,}20462$).

3.2 Signification des rapports multiplicatifs et proportionnalité stricte

La conséquence immédiate de l’invariance par similitude est que le quotient de deux mesures quelconques demeure rigoureusement invariant quel que soit le système d’unités utilisé pour recueillir les données empiriques. Si un objet $A$ mesure $2\text{ mètres}$ et qu’un objet $B$ mesure $1\text{ mètre}$, le rapport arithmétique de leurs grandeurs est de :

$\frac{\text{Grandeur}(A)}{\text{Grandeur}(B)} = \frac{2\text{ m}}{1\text{ m}} = 2{,}0$

Si un expérimentateur décide d’exprimer ces longueurs en centimètres, en pieds ou en pouces, les grandeurs respectives deviendront $200\text{ cm}$ et $100\text{ cm}$, ou $6{,}56168\text{ ft}$ et $3{,}28084\text{ ft}$. Dans tous les cas, le rapport demeure immuable :

$\frac{200\text{ cm}}{100\text{ cm}} = \frac{6{,}56168\text{ ft}}{3{,}28084\text{ ft}} = 2{,}0$

Cette propriété mathématique confère une signification sémantique pleine et entière aux énoncés proportionnels du type : « L’entité $A$ possède deux fois plus de la propriété $X$ que l’entité $B$ » ou « La dimension a diminué de $50,%$ ». De surcroît, elle autorise le recours à des mesures relatives de dispersion comme le coefficient de variation de Pearson :

$CV = \frac{s}{\bar{x}}$

qui quantifie l’écart-type sous forme de pourcentage de la moyenne. Le calcul du $CV$ n’a de validité que sur une échelle de rapport : son dénominateur ($\bar{x}$) ne devant pas être susceptible d’être annulé ou altéré par une translation arbitraire de l’origine.

3.3 Opérations statistiques avancées et transformations géométriques

Puisque l’échelle de rapport subsume la totalité des propriétés des échelles nominales, ordinales et d’intervalle tout en leur adjoignant un point d’origine absolu, elle autorise l’intégralité du répertoire des opérations mathématiques et des modélisations statistiques connues. Aucune restriction fonctionnelle ne s’applique aux données de rapport.

Sur le plan des tendances centrales, en sus du mode, de la médiane et de la moyenne arithmétique, le chercheur peut légitimement employer :

• La moyenne géométrique : $\bar{x}_g = \left(\prod_{i=1}^n x_i\right)^{1/n} = \exp\left(\frac{1}{n}\sum_{i=1}^n \ln x_i\right)$, particulièrement indiquée pour les processus de croissance multiplicative ou les données log-normales. Cette moyenne requiert des valeurs strictement positives et s’avère dépourvue de sens si l’origine métrique peut être décalée arbitrairement.
• La moyenne harmonique : $\bar{x}_h = \frac{n}{\sum_{i=1}^n \frac{1}{x_i}}$, indispensable pour établir la moyenne de taux de vitesse ou de ratios dimensionnels.

En modélisation économétrique et psychométrique, l’échelle de rapport est le seul cadre permettant d’estimer des modèles de régression linéaire sous contrainte d’annulation à l’origine (modèles dits through-the-origin où l’ordonnée à l’origine est fixée théoriquement à zéro : $y = \beta x$). Elle justifie également l’usage d’analyses multivariées avancées fondées sur la distance de Mahalanobis ou les distances relatives, ainsi que l’application d’échelles logarithmiques exhaustives où les ratios se transforment en distances linéaires simples sans introduire de discontinuités ou de nombres complexes (dus aux valeurs négatives créées par les translations arbitraires d’échelles d’intervalle).

4. Le temps comme variable d’intervalle : L’heure de l’horloge et le calendrier

4.1 L’arbitraire du zéro dans les systèmes horaires

Lorsqu’on analyse le fonctionnement des systèmes horaires contemporains utilisés pour organiser la vie sociale et scientifique, le caractère arbitraire du point zéro saute immédiatement aux yeux. L’heure de l’horloge civile indique une coordonnée temporelle. La valeur « 00h00 » (ou minuit) n’incarne d’aucune façon l’absence de temps, ni la suspension de l’écoulement de l’univers, ni un seuil physique ontologique. Elle ne marque que le basculement conventionnel d’un cycle diurne vers le suivant, synchronisé sur la rotation de la Terre autour de son axe.

La preuve flagrante de cette convention réside dans la variabilité des représentations numériques adoptées par différentes cultures et systèmes institutionnels. Le système 24 heures en vigueur dans la plupart des pays francophones débute sa numérotation à 00h00 et se conclut à 23h59. En revanche, le système anglo-saxon classique de 12 heures ignore le chiffre zéro pour désigner le point médian de transition : minuit est désigné par 12:00 AM et midi par 12:00 PM. L’absence de zéro formel dans ce dernier système prouve que la valeur numérique attribuée à l’instant n’est qu’un repère d’ordonnancement.

Néanmoins, l’intervalle entre les unités est maintenu rigoureusement constant par des oscillateurs à quartz ou des horloges atomiques : l’écart temporel qui sépare 13h00 de 14h00 correspond à une durée objective de $3600\text{ secondes}$, laquelle est absolument égale à la durée qui sépare 02h00 de 03h00, ou 22h00 de 23h00. Les propriétés de l’échelle d’intervalle sont ici pleinement satisfaites : constance des écarts, mais relativité absolue de l’origine numérique.

4.2 Les dates calendaires et l’absence d’origine absolue

Ce qui s’applique à la granularité fine de la journée vaut avec la même force pour les macro-unités de temps historiques matérialisées par les calendriers. Que l’on emploie le calendrier grégorien, le calendrier julien, le calendrier hébraïque, le calendrier musulman de l’Hégire ou le calendrier républicain français, chaque système ancre sa chronologie dans un événement contingent choisi comme borne inaugurale pour des motifs religieux, dynastiques ou politiques.

Dans le calendrier grégorien usuel, l’an 1 de notre ère a été établi rétroactivement au VIe siècle par le moine Denys le Petit pour coïncider avec l’incarnation estimée de Jésus-Christ. Les historiens et les astronomes soulignent d’ailleurs que les calendriers historiques ne comportent pas d’an 0 : l’an 1 avant J.-C. est directement suivi par l’an 1 de notre ère (bien que les astronomes utilisent une convention mathématique avec un an 0 pour faciliter les calculs orbitaux, ce qui confirme une fois de plus la nature instrumentale du repère).

Considérons l’affirmation suivante : « L’an 2000 est deux fois plus grand que l’an 1000 ». Si cette phrase possède une trivialité arithmétique sur le plan des symboles ($2000 = 2 \times 1000$), elle est totalement dépourvue de vérité scientifique sur le plan physique. La Terre et l’Univers n’étaient pas « deux fois plus vieux » en l’an 2000 qu’en l’an 1000. Si l’on réévalue ces mêmes moments historiques dans le calendrier hébraïque (où l’an 2000 correspond approximativement à l’année 5760 et l’an 1000 à l’année 4760), le rapport n’est plus de $2{,}0$, mais de $\frac{5760}{4760} \approx 1{,}21$. Ce changement radical du quotient démontre que la datation calendaire est une pure variable d’intervalle : on peut légitimement affirmer qu’il s’est écoulé un millénaire (1000 ans) entre les deux points, mais jamais que l’un constitue le double temporel de l’autre.

4.3 L’impossibilité des rapports multiplicatifs directs sur les points horaires

Pour parachever la démonstration de la nature d’intervalle de l’heure civile, imaginons une tentative d’application de ratios multiplicatifs sur les relevés d’une horloge. Supposons qu’un sujet se réveille à 07h00 du matin et qu’un second individu se réveille à 14h00. Est-il recevable d’énoncer que le second sujet s’est réveillé « deux fois plus tard » que le premier ?

La déconstruction logique de cette proposition se fait par un simple décalage de repère spatial ou conventionnel. L’heure civile dépend des fuseaux horaires définis par rapport au Temps Universel Coordonné (UTC). Si l’expérience a lieu à Paris en heure d’hiver (UTC+1), les relevés locaux sont de 07h00 et 14h00 (ratio $\frac{14}{7} = 2{,}0$). Mais pour un observateur consignant simultanément ces mêmes événements depuis Londres (UTC+0), les heures respectives des réveils sont 06h00 et 13h00. Or :

$\frac{13}{6} \approx 2{,}167 \neq 2{,}0$

Si l’on déplace encore le point d’observation à New York (UTC-5), ces instants deviennent 02h00 et 09h00, produisant un rapport de :

$\frac{9}{2} = 4{,}5$

Les données réelles n’ont pas changé d’un iota dans le monde physique ; seul le référentiel de transcription a bougé. La dépendance du ratio envers le fuseau horaire prouve de façon irréfutable que les points horaires ne constituent en aucun cas une échelle de rapport. Toute opération d’inférence statistique sur ces points qui présumerait l’invariance d’un ratio est vouée à produire des conclusions erronées.

5. Le temps comme variable de rapport : La durée et le temps de réaction

5.1 La notion de durée chronométrique et le zéro physique absolu

Dès lors que l’on quitte le domaine du repérage positionnel pour s’intéresser à la quantification de la distance temporelle séparant deux états d’un système, la nature métrologique du temps s’altère complètement. La grandeur considérée n’est plus un point instantané $t$, mais un différentiel continu défini par :

$\Delta t = t_{\text{fin}} – t_{\text{début}}$

Cette différence $\Delta t$ constitue une durée. Or, une durée possède une propriété physique fondamentale que l’heure ou la date ne possédera jamais : l’existence d’un zéro absolu indiscutable et non arbitraire.

Une durée de $0\text{ seconde}$ n’est pas une étiquette convenue au sein d’un cycle social ; elle représente l’absence physique absolue et totale de temps écoulé entre le début et la fin de l’observation. C’est l’immédiateté parfaite, la simultanéité rigoureuse. En deçà de zéro seconde, le concept de durée négative n’a aucun support physique réel dans le cadre de la mécanique macroscopique et des sciences comportementales.

Puisque le zéro d’une durée est absolu, l’échelle des durées chronométriques est une échelle de rapport authentique. Le groupe de transformation admissible se contracte aux seules similitudes ($y = ax$). Si l’on convertit une durée exprimée en secondes vers des millisecondes ($a = 1000$) ou des minutes ($a = \frac{1}{60}$), le rapport entre deux durées demeure rigoureusement identique. Une durée de $120\text{ secondes}$ divisée par une durée de $60\text{ secondes}$ donne un quotient de $2{,}0$, tout comme $2\text{ minutes}$ divisées par $1\text{ minute}$ donnent précisément $2{,}0$.

5.2 Le temps de réaction en psychologie expérimentale et cognitive

L’application reine de la durée comme variable de rapport se manifeste avec éclat dans l’usage du temps de réaction (TR), également désigné sous le terme de latence de réponse. Initiée par l’astronome Friedrich Bessel lors de l’étude de l’« équation personnelle » et théorisée par le physiologiste néerlandais Franciscus Donders avec sa méthode soustractive, la chronométrie mentale s’est érigée en pilier des neurosciences cognitives.

Dans un protocole standard, le temps de réaction quantifie la durée exacte qui s’écoule entre l’apparition soudaine d’un stimulus sensoriel (visuel, auditif ou tactile) et l’émission d’une réponse motrice délibérée par le sujet expérimental (comme l’appui sur une touche de réponse). Sur le plan neurophysiologique, cette durée correspond à une chaîne séquentielle de processus réels :

• La transduction sensorielle au niveau des récepteurs périphériques périphériques ;
• La transmission nerveuse afférente le long des axones vers le cortex primaire ;
• Le traitement cortical de l’information (discrimination perceptuelle, sélection de la réponse dans le cortex préfrontal) ;
• L’activation motrice efférente descendant par les voies cortico-spinales jusqu’aux unités motrices musculaires effectrices.

Ces événements consomment une quantité mesurable d’énergie et de temps physique. Si un participant $A$ répond en $200\text{ millisecondes}$ lors d’une tâche de temps de réaction simple, et qu’un participant $B$ requiert $400\text{ millisecondes}$ dans une condition complexe de choix binaire, le temps du participant $B$ représente deux fois plus de latence que celui du participant $A$. Ce ratio de $2{,}0$ est intrinsèque au phénomène cognitif et ne varie sous aucun prétexte métrologique.

5.3 Validité des affirmations proportionnelles appliquées aux durées

La structure d’échelle de rapport inhérente à la durée autorise sans réserve les chercheurs à formuler des assertions multiplicatives et proportionnelles quant aux performances comportementales. Il est méthodologiquement irréprochable d’affirmer que :

• « Le groupe de patients atteints de la maladie d’Alzheimer manifeste un ralentissement cognitif de $35,%$ par rapport au groupe contrôle sain » ;
• « L’administration de cette molécule pharmacologique a permis de diviser par deux ($50,%$ de réduction) le délai nécessaire à l’animal pour s’échapper du labyrinthe aquatique de Morris » ;
• « L’effet Stroop génère un coût temporel additionnel correspondant à une augmentation de $15,%$ de la latence de dénomination par rapport à la condition congruente ».

De plus, cette métrique confère une totale validité mathématique à la compression non linéaire par fonction logarithmique ($\log(\Delta t)$). Lorsque l’on applique une transformation logarithmique sur une variable de durée pour en normaliser la distribution asymétrique positive, le résultat opère sur des nombres intrinsèquement adimensionnels et proportionnels, ce qui préserve l’intégrité conceptuelle du phénomène tout en permettant l’estimation de paramètres de régression interprétables en termes d’élasticités temporelles ou de taux multiplicatifs constants.

6. La distinction cruciale : Temps de repérage versus durée écoulée

6.1 Temporalité positionnelle versus temporalité d’amplitude

Pour clarifier définitivement le paysage métrologique du temps, il est indispensable de formaliser l’antagonisme structural qui sépare la temporalité positionnelle de la temporalité d’amplitude. Une analogie directe avec la géométrie spatiale s’avère particulièrement éclairante.

Considérons l’espace physique à une dimension. Pour localiser une ville le long d’une route, on recourt à un système de bornes kilométriques ou de coordonnées cartésiennes ($x$). Le fait d’assigner l’origine $x = 0$ à la capitale ou à la frontière nationale est une décision purement conventionnelle. La position spatiale ainsi mesurée ($x$) constitue une variable d’intervalle : le kilomètre zéro ne signifie pas que l’espace n’existe plus en amont. En revanche, si l’on mesure la distance séparant deux villes ($d = |x_2 – x_1|$), cette distance physique ne dépend absolument pas de l’endroit où a été plantée la borne zéro. Une distance de zéro kilomètre représente l’absence totale d’écartement spatial. La distance est ainsi une variable de rapport.

Il en va exactement de même pour le temps :

• Le temps de positionnement ($t$) indique une coordonnée dans un continuum conventionnel. C’est une variable d’intervalle. L’origine est arbitraire ; seules les différences ont une signification absolue.
• La durée ($\Delta t$) mesure l’amplitude du segment séparant deux points temporels. C’est une variable de rapport. Son origine zéro est universelle et dénote l’absence totale d’écoulement.

6.2 Comparaison formelle des propriétés mathématiques

Le tableau analytique ci-dessous synthétise de manière exhaustive les propriétés algébriques et fonctionnelles qui distinguent le temps de repérage (date/heure) de la durée écoulée :

Caractéristique métrologique	Temps de repérage (Date / Heure)	Durée écoulée ($\Delta t$ / Latence)
Type d’échelle (Stevens)	Échelle d’intervalle	Échelle de rapport
Statut du point Zéro	Arbitraire / Conventionnel (minuit, An 1)	Absolu / Naturel (absence de temps)
Groupe d’invariance	Transformations affines ($y = ax + b$)	Transformations de similitude ($y = ax$)
Égalité des différences ($x_2 – x_1$)	Valide et préservée	Valide et préservée
Rapports multiplicatifs ($x_2 / x_1$)	Invalides / Sans signification sémantique	Valides et invariables
Moyenne géométrique & harmonique	Non autorisées	Pleinement autorisées
Coefficient de variation ($s / \bar{x}$)	Inadmissible	Parfaitement légitime

Il est crucial de noter qu’un chercheur peut instantanément convertir une variable d’intervalle en variable de rapport par une simple opération d’alignement relatif : il suffit de soustraire une origine constante commune $t_0$ à l’ensemble des points d’observation ($x’_i = t_i – t_0$). Dès cet instant, la nouvelle grandeur obtenue n’est plus une date, mais une durée écoulée depuis l’événement d’ancrage $t_0$, restaurant de fait les prérogatives métrologiques de l’échelle de rapport.

6.3 Implications pour l’analyse des séries chronologiques

Cette bipolarité métrologique se reflète de façon spectaculaire dans le traitement des séries temporelles (ou chronologiques). Lorsqu’un modèle économétrique ou biostatistique cherche à prédire l’évolution d’un indice de santé publique ou d’un cours financier en fonction du temps, la variable temporelle $t$ est généralement introduite comme un indice numérique entier régulier ($t = 1, 2, 3, dots, T$).

Sur le plan métrologique, cet index fonctionne comme une échelle d’intervalle. L’écart séparant la période $1$ de la période $2$ est rigoureusement identique à l’intervalle séparant la période $50$ de la période $51$. En revanche, attribuer la valeur $1$ au premier mois de la collecte de données résulte d’un choix protocolaire discrétionnaire. Si le chercheur avait commencé son observation deux ans plus tôt, ce même point aurait porté l’indice $25$.

Ce statut d’intervalle impose des précautions méthodologiques majeures lors de la décomposition des composantes fondamentales d’une série :

• La tendance séculaire (trend) : Elle est souvent modélisée par une régression linéaire $\hat{y}_t = \beta_0 + \beta_1 t$. L’ordonnée à l’origine $\beta_0$ dépend directement du point choisi arbitrairement pour $t = 0$. En revanche, le coefficient de pente $\beta_1 = \frac{\Delta y}{\Delta t}$ est parfaitement invariant, car il exprime une vitesse de variation par unité d’intervalle.
• La saisonnalité : Elle introduit une structure cyclique qui brise la linéarité simple de l’échelle d’intervalle, exigeant l’adjonction de variables indicatrices catégorielles ou de composantes de Fourier périodiques.
• L’autocorrélation des résidus : L’erreur commise sur l’observation $t$ est souvent dépendante de l’erreur sur l’observation $t-1$. Ce phénomène de dépendance séquentielle ne concerne pas la valeur absolue de $t$, mais la distance temporelle ($\Delta t = 1$) qui sépare les points, illustrant une fois de plus que les dynamiques de transition sont gouvernées par des intervalles et non par des ratios temporels absolus.

7. Exemples concrets en psychologie et sciences du comportement

7.1 Temps de latence, persistance et extinction comportementale

L’éthologie expérimentale et la psychologie béhavioriste ont dès leur origine misé sur les propriétés de l’échelle de rapport du temps pour quantifier la force des apprentissages et des conditionnements. Dans le cadre du conditionnement opérant de B.F. Skinner, un animal (par exemple un rat de laboratoire placé dans une boîte expérimentale) apprend à presser un levier pour obtenir une boulette de nourriture.

Lors de la phase d’extinction expérimentale, le renforçateur est définitivement suspendu. Les chercheurs mesurent alors deux variables de rapport fondamentales :

• Le temps de latence avant que l’animal ne tente à nouveau d’actionner le levier ;
• La persistance comportementale, définie comme la durée totale (en minutes ou en secondes) qui s’écoule jusqu’à l’abandon complet de l’action motrice.

Dans cette configuration, une persistance de $600\text{ secondes}$ témoigne d’une résistance à l’extinction exactement trois fois plus élevée qu’une persistance de $200\text{ secondes}$.

Un autre paradigme illustre avec brio cette métrique : le célèbre Marshmallow Test (test de gratification différée) conçu par Walter Mischel à l’université Stanford. L’enfant est placé seul devant une friandise ; il est informé que s’il parvient à attendre le retour de l’adulte sans la consommer, il en obtiendra une seconde. La variable mesurée est le délai d’attente effectif avant transgression. Un enfant qui résiste pendant 15 minutes démontre une capacité de contrôle inhibiteur temporel trois fois supérieure à celui qui succombe au bout de 5 minutes. La présence du zéro absolu (l’enfant saisit la friandise dès que la porte se referme, soit $0\text{ seconde}$) valide sans conteste le statut d’échelle de rapport.

De façon analogue, dans les recherches contemporaines en ergonomie cognitive et en eye-tracking, la durée totale de fixation visuelle (Total Dwell Time) passée sur une zone d’intérêt (AOI) d’une page web ou d’un écran de contrôle aéronautique est traitée comme une variable de rapport directe. Un temps de fixation de $800\text{ ms}$ sur un avertissement d’urgence indique le double d’attention visuelle focalisée par rapport à une fixation de $400\text{ ms}$.

7.2 Horodatage des comportements et rythmes circadiens

À l’opposé des durées de latence, la chronobiologie clinique et la psychiatrie computationnelle manipulent couramment des variables temporelles positionnelles qui se heurtent frontalement aux contraintes des échelles d’intervalle. Considérons les études épidémiologiques s’intéressant aux troubles de l’humeur et consignant l’horaire d’endormissement subjectif ou objectif (enregistré par actimétrie).

Si un sujet $A$ s’endort systématiquement à 22h00 et un sujet $B$ à 02h00 du matin, tenter d’opérer des comparaisons arithmétiques standard sans précaution méthodologique engendre d’immenses paradoxes. D’un point de vue linéaire brut, 02h00 est numériquement inférieur à 22h00 si l’on ne tient pas compte du changement de date calendaire. Si un troisième sujet s’endort à 00h00 (minuit), la moyenne arithmétique des horaires de $A$ (22h) et de $B$ (02h) calculée linéairement donnerait :

$\frac{22 + 2}{2} = \frac{24}{2} = 12\text{h00 (midi)}$

Ce résultat est manifestement absurde : l’horaire médian de coucher ne peut pas se situer en plein milieu de la journée. Cette aporie découle du fait que l’heure de l’horloge n’est pas seulement une échelle d’intervalle : c’est une variable périodique circulaire dont l’échelle d’intervalle se referme sur elle-même modulo 24 heures ($[0, 24[$).

Pour résoudre ce problème de modélisation, la chronobiologie ne peut pas employer l’arithmétique euclidienne ordinaire. Elle doit recourir aux outils de la statistique directionnelle, où chaque heure $h$ est convertie en un angle $\theta$ sur le cercle trigonométrique unitaire :

$\theta = h \times \frac{2\pi}{24} = h \times \frac{\pi}{12}$

La moyenne des horaires est alors obtenue en calculant le centre de gravité des vecteurs unitaires correspondants par la trigonométrie :

$\bar{C} = \frac{1}{n}\sum_{i=1}^n \cos(\theta_i) \quad \text{et} \quad \bar{S} = \frac{1}{n}\sum_{i=1}^n \sin(\theta_i)$

L’angle moyen résultant $\bar{\theta} = operatorname{a\tan2}(\bar{S}, \bar{C})$ fournit la coordonnée circulaire exacte, confirmant qu’en dehors de son statut d’intervalle, l’heure civile impose des contraintes topologiques spécifiques.

7.3 Tâches de bisection temporelle et perception de la durée

Dans le domaine de la psychophysique de la perception temporelle, les chercheurs recourent fréquemment au paradigme de la bisection temporelle pour explorer comment le cerveau humain et animal évalue le passage du temps. Le protocole expérimental classique se déroule en deux phases :

• Phase d’apprentissage : Les participants sont entraînés à discriminer deux durées physiques de référence ancrées aux extrêmes : une durée courte $S$ (par exemple $200\text{ ms}$) et une durée longue $L$ (par exemple $800\text{ ms}$), matérialisées par un stimulus auditif ou visuel.
• Phase de test : Les participants sont confrontés à des durées intermédiaires sondes (par exemple 300, 400, 500, 600 et 700 ms) et doivent indiquer pour chaque stimulus s’il s’apparente davantage à la durée courte $S$ ou à la durée longue $L$.

La variable dépendante est la proportion de réponses « long » en fonction de la durée physique de la sonde. En ajustant une fonction psychométrique (souvent une sigmoïde logistique) sur ces points de données, les psychophysiciens déterminent le Point d’Indifférence Subjective (PIS), c’est-à-dire la durée physique qui produit exactement $50,%$ de réponses « long ».

L’intérêt métrologique majeur de ces expériences est de révéler la nature de l’échelle interne utilisée par le système cognitif pour coder le temps physique. Alors que les durées physiques relèvent d’une échelle de rapport parfaite, le cerveau les traite-t-il sur une échelle linéaire (d’intervalle) ou sur une échelle géométrique (de rapport logarithmique) ? Si l’évaluation cérébrale était strictement linéaire, le PIS se situerait à la moyenne arithmétique des ancres :

$\bar{x}_{\text{arith}} = \frac{200 + 800}{2} = 500\text{ ms}$

Or, des décennies de recherches empiriques montrent que chez la plupart des espèces (rongeurs, pigeons, humains), le PIS se positionne systématiquement très près de la moyenne géométrique des durées extrêmes :

$\bar{x}_{\text{géom}} = \sqrt{200 \times 800} = \sqrt{160000} = 400\text{ ms}$

Ce phénomène met en évidence une distorsion fondamentale : bien que le temps physique externe soit métrologiquement une grandeur continue de rapport à métrique linéaire, son encodage sensoriel interne obéit à une métrique compressive où les ratios de durées prévalent sur les écarts absolus.

8. Analyses statistiques appropriées selon le statut métrique du temps

8.1 Statistiques descriptives et dispersion selon le type d’échelle

L’assignation adéquate de la variable temporelle à l’une ou l’autre des catégories de Stevens conditionne directement le choix des indices statistiques descriptifs indispensables pour résumer un jeu de données sans biaiser sa structure sous-jacente.

Dans le cas d’une variable de durée (échelle de rapport), la totalité des indices classiques et avancés sont applicables :

• Tendance centrale : La moyenne arithmétique, la médiane et la moyenne géométrique sont entièrement licites. La médiane est souvent préférée à la moyenne arithmétique brute en présence de temps de réaction en raison de la forte asymétrie positive (étalement vers la droite) de ces distributions.
• Dispersion absolue : L’écart-type ($s$) et l’écart interquartile ($IQR$) quantifient rigoureusement la variabilité des durées dans l’unité de mesure d’origine.
• Dispersion relative : Le coefficient de variation ($CV = \frac{s}{\bar{x}}$) est ici d’une utilité méthodologique remarquable. En psychophysique temporelle, le respect de la loi de Weber implique que la variabilité de l’estimation temporelle croît proportionnellement à la durée mesurée ; le $CV$ demeure donc constant à travers différentes échelles temporelles (propriété scalaire du temps).

En revanche, dans le cas d’une variable d’horodatage ou de positionnement (échelle d’intervalle linéaire ou circulaire) :

• Le coefficient de variation est strictement interdit. Puisque la valeur de la moyenne $\bar{x}$ peut être translatée arbitrairement selon le méridien d’origine choisi, le dénominateur du $CV$ fluctue librement, rendant le ratio dénué de toute stabilité ou comparabilité scientifique.
• L’écart-type arithmétique simple échoue sur des heures cycliques. Il doit être remplacé par la variance circulaire angulaire $S = 1 – R$, où $R$ est la longueur du vecteur moyen résultant calculé par la trigonométrie vectorielle.

8.2 Tests d’hypothèses et modélisation inférentielle

Le traitement des données temporelles en statistique inférentielle soulève des défis méthodologiques considérables, en particulier lors de l’application de modèles linéaires généraux tels que le test $t$ de Student ou l’ANOVA factorielle.

Bien que les durées chronométriques appartiennent à l’échelle de rapport la plus élevée, leurs distributions empiriques violent quasi systématiquement l’un des postulats fondamentaux du modèle linéaire classique : le postulat de normalité des résidus. Les temps de réaction présentent une borne inférieure stricte (le temps de conduction axonale minimal incompressible, environ $100\text{ à }150\text{ ms}$) et une longue traîne vers les valeurs élevées causée par des micro-lapsus attentionnels ou des hésitations décisionnelles.

Face à cette distorsion distributional, appliquer une ANOVA directement sur les moyennes brutes de durées conduit à une perte sévère de puissance statistique et à une inflation artificielle du taux d’erreur de première espèce ($\alpha$). Deux alternatives méthodologiques robustes s’imposent :

• L’analyse de survie (Time-to-Event Analysis) : Développée initialement en épidémiologie et en ingénierie de la fiabilité, elle s’avère particulièrement adaptée aux sciences comportementales pour modéliser le temps qui s’écoule jusqu’à la survenue d’un comportement spécifique (abandon, décision motrice, rechute). Le modèle à risques proportionnels de Cox (Cox Proportional Hazards Model) permet d’analyser l’influence de prédicteurs covariables continus ou catégoriels sans imposer de distribution paramétrique arbitraire à la fonction de risque de base.
• Les modèles linéaires généralisés (GLM) : En spécifiant une distribution de la famille exponentielle adaptée aux variables positives et asymétriques (comme la distribution Gamma ou la distribution Gaussienne Inverse) avec une fonction de lien logarithmique ou inverse, le chercheur préserve l’échelle de rapport originale sans distordre la signification de la métrique.

8.3 Distributions spécifiques aux temps de réponse en psychométrie

Plutôt que de traiter l’asymétrie des durées cognitives comme une nuisance statistique qu’il conviendrait d’éliminer par des ajustements ad hoc, la psychologie mathématique contemporaine modélise cette forme distributionnelle exacte afin d’isoler les composants sous-jacents du traitement de l’information.

Le modèle distributionnel le plus largement adopté est la distribution ex-gaussienne. Elle résulte de la convolution mathématique d’une distribution normale gaussienne (paramétrée par sa moyenne $\mu$ et son écart-type $\sigma$) et d’une distribution exponentielle (caractérisée par son taux de décroissance ou paramètre d’échelle $tau$) :

$f(t; \mu, \sigma, \tau) = \frac{1}{\tau\sqrt{2\pi}} \exp\left(\frac{\mu – t}{\tau} + \frac{\sigma^2}{2\tau^2}\right) \Phi\left(\frac{t – \mu}{\sigma} – \frac{\sigma}{\tau}\right)$

où $Phi$ désigne la fonction de répartition de la loi normale standard. Dans ce cadre psychométrique rigoureux :

• La composante normale ($\mu, \sigma$) reflète les processus périphériques d’encodage sensoriel moteur ;
• La composante exponentielle ($tau$) capture les processus cognitifs centraux et l’instabilité du contrôle exécutif attentionnel.

À un niveau plus fondamental encore, le modèle de diffusion de Ratcliff (Drift-Diffusion Model) conceptualise le temps de réaction comme un processus stochastique continu de marche aléatoire (mouvement brownien avec dérive). L’accumulation d’informations sensorielles progresse à une vitesse moyenne de dérive ($v$) jusqu’à atteindre l’un des deux seuils de décision séparés par une distance d’écartement ($a$), après un délai d’encodage résiduel non décisionnel ($T_{er}$). L’estimation de ces paramètres repose intégralement sur le fait que la durée mesurée est une variable de rapport dotée d’une métrique stricte, illustrant la fécondité empirique d’un ancrage métrologique bien posé.

9. Transformations de données et changements d’échelle temporelle

9.1 Transformation d’instants calendaires en durées relatives

L’une des manipulations méthodologiques les plus usuelles en recherche longitudinale consiste à métamorphoser une variable de positionnement temporel (échelle d’intervalle) en une variable de durée d’amplitude relative (échelle de rapport). Cette conversion s’effectue au moyen d’une opération algébrique simple : le recentrage chronologique par soustraction d’un point d’ancrage basal ($t_0$).

En psychologie du développement et en neuropédiatrie, la date brute de naissance d’un enfant est inscrite dans l’échelle d’intervalle calendaire grégorienne. Pour évaluer la vitesse d’acquisition des jalons moteurs fondamentaux (maintien de la tête, position assise, marche bipède autonome), cette date civile brute s’avère inopérante. Les cliniciens soustraient la date de naissance exacte ($t_0$) de la date du jour de l’évaluation clinique ($t_{\text{obs}}$) pour générer l’âge chronologique exact de l’enfant :

$\text{Âge} = t_{\text{obs}} – t_0$

Cet âge calculé en jours, en mois ou en années possède désormais un zéro naturel absolu (l’instant de l’accouchement). Il constitue une variable de rapport authentique. Il devient dès lors mathématiquement et conceptuellement exact d’énoncer qu’un enfant âgé de 24 mois a vécu deux fois plus de temps qu’un nourrisson de 12 mois, et qu’il possède un historique développemental doublement étendu.

La même logique prévaut dans les essais cliniques pharmacologiques randomisés : les dates calendaires d’administration des traitements sont systématiquement recentrées par rapport au premier jour d’inclusion du protocole ($J_0$), ce qui convertit une chronologie contingente en une échelle de suivi longitudinal de ratio ($J_7, J_{14}, J_{28}$).

9.2 Transformations non linéaires des durées : logarithmes et inverses

Face à la dissymétrie des distributions de durées et aux violations associées de l’homoscédasticité, les statisticiens appliquent fréquemment des transformations mathématiques univariées sur les données brutes de latence. Les deux transformations les plus prévalentes sont la fonction logarithmique et la fonction réciproque (ou inverse) :

• La transformation logarithmique : $y_i = \ln(RT_i)$ ou $\log_{10}(RT_i)$. Cette opération a pour effet de compresser l’étalement de la queue de distribution supérieure et d’expandre les faibles latences, rapprochant souvent la distribution de la morphologie gaussienne normale.
• La transformation réciproque : $y_i = \frac{1}{RT_i}$. En inversant mathématiquement une durée, le chercheur change la nature physique même de la grandeur mesurée : le temps passé par essai se transforme en vitesse de traitement (speed of processing), c’est-à-dire en nombre d’unités de travail exécutées par seconde.

Il importe d’interroger le statut métrologique du résultat de ces transformations :

L’application d’un logarithme modifie fondamentalement la géométrie de l’échelle. Si la variable d’origine $RT$ appartient à une échelle de rapport, la variable transformée $ln(RT)$ ne l’est plus. Le zéro absolu d’origine ($RT = 0$) est rejeté à l’infini négatif ($\lim_{x to 0^+} \ln(x) = -\infty$). La valeur $ln(RT) = 0$ correspond arbitrairement à $RT = 1\text{ unité}$ (soit $1\text{ seconde}$ ou $1\text{ milliseconde}$ selon l’étalon sélectionné). La transformation logarithmique convertit ainsi une échelle de rapport en une échelle qui partage les caractéristiques opérationnelles d’une échelle d’intervalle pour les valeurs exponentiées. En revanche, la transformation inverse ($\frac{1}{RT}$) préserve une échelle de rapport, son zéro absolu correspondant physiquement à une vitesse d’exécution nulle (arrêt complet des processus cognitifs).

9.3 Préservation de la hiérarchie des échelles après transformation

La règle métrologique fondamentale édictée par Stevens stipule qu’une échelle de mesure n’est préservée dans sa classe que si la transformation appliquée appartient à son groupe mathématique d’invariance formelle. Toute manipulation non conforme déclasse ou transmute la variable :

• Transformations linéaires affines ($y = ax + b$, avec $a > 0$) : Elles préservent l’intégrité intégrale d’une échelle d’intervalle. Appliquées à une échelle de rapport, elles en détruisent le statut si la constante additive $b$ est non nulle ($b \neq 0$), car cette constante décale l’ancrage du zéro naturel et invalide immédiatement les quotients de proportionnalité directe.
• Transformations de similitude ($y = ax$, avec $a > 0$) : Elles maintiennent l’intégrité absolue d’une échelle de rapport. Changer les millisecondes en secondes ($a = 0{,}001$) n’altère en rien la hiérarchie ni les propriétés de la mesure.
• Transformations non linéaires monotones croissantes : Elles déclassent les échelles d’intervalle et de rapport vers une échelle ordinale simple, à l’exception de cas théoriques bien précis où l’application d’une fonction logarithmique sur des ratios restaure des structures d’additivité additive sous-jacentes.

Le chercheur doit donc toujours garder à l’esprit que manipuler numériquement une variable temporelle pour satisfaire les prérequis d’un logiciel de statistiques modifie son ontologie métrologique et conditionne l’interprétation théorique légitime des résultats obtenus.

10. Erreurs méthodologiques courantes et pièges d’interprétation

10.1 Le sophisme du ratio appliqué aux repères horaires

L’erreur la plus banale, mais néanmoins la plus dévastatrice observée dans les travaux d’initiation à la recherche ou les manuscrits méthodologiquement naïfs, est le sophisme du ratio horaire. Ce piège conceptuel survient lorsqu’un auteur tente de conférer une interprétation proportionnelle multiplicative directe à des coordonnées horaires sans avoir procédé au recentrage d’origine requis.

Imaginons un chercheur en psychologie sociale étudiant l’impact du couvre-feu sur les habitudes de sortie des adolescents. Dans son échantillon, le groupe $A$ rentre en moyenne à 20h00 chez ses parents, tandis que le groupe $B$ rentre à 22h00. L’auteur conclut dans son rapport : « Le groupe $B$ bénéficie d’une liberté de sortie de $10,%$ supérieure à celle du groupe $A$ », calculant naïvement :

$\frac{22 – 20}{20} = \frac{2}{20} = 0{,}10 = 10,%$

Ce calcul est un non-sens absolu. L’heure de retour est mesurée sur une échelle d’intervalle dont le zéro (minuit) est arbitraire. Si les mêmes mesures avaient été transcrites dans le système de notation anglo-saxon en prenant midi comme base d’observation ($8\text{ PM}$ et $10\text{ PM}$), le chercheur aurait obtenu :

$\frac{10 – 8}{8} = \frac{2}{8} = 0{,}25 = 25,%$

Pour que l’assertion proportionnelle acquière une validité scientifique indiscutable, il est impératif de définir la grandeur comme une durée de sortie (échelle de rapport) en l’ancrant sur un événement de départ objectivable, par exemple l’heure de sortie des cours fixée à 16h00. Dès lors, le groupe $A$ est sorti pendant $4\text{ heures}$ ($20 – 16$) et le groupe $B$ pendant $6\text{ heures}$ ($22 – 16$). Le ratio réel de liberté horaire est alors de :

$\frac{6}{4} = 1{,}50 \quad \text{(soit une augmentation effective de } 50,%\text{)}$

10.2 Ignorer la nature cyclique du temps d’horloge

Un autre écueil méthodologique récurrent réside dans l’omission des propriétés périodiques et circulaires du temps quotidien. La modélisation naïve de l’heure d’horloge comme une variable d’intervalle euclidienne infinie engendre ce que les chronobiologistes nomment le paradoxe de minuit.

Supposons qu’un protocole d’actigraphie enregistre l’heure de réveil nocturne chez deux patients insomniaques :

• Le patient 1 se réveille à 23h50 ;
• Le patient 2 se réveille à 00h10.

Si l’analyste applique l’algorithme d’intervalle standard soustractif ($|x_2 – x_1|$) sans conditionner la mesure à une périodicité circulaire modulo 24, le calcul numérique produit :

$|00{,}167 – 23{,}833| = 23{,}666\text{ heures}$

Le logiciel conclut que les deux patients ont des horaires de réveil distants de près de 24 heures, alors que dans le monde réel, ces deux événements ne sont séparés que par un micro-intervalle de $20\text{ minutes}$ ($0{,}333\text{ heure}$).

Ce type d’erreur corrompt massivement les matrices de corrélation, fait exploser artificiellement les écarts-types dans les modèles de régression et annihile la convergence des algorithmes de clustering non supervisés (comme les $k$-means). Pour neutraliser ce biais, tout traitement quantitatif de l’heure civile doit impérativement s’effectuer via des métriques circulaires (statistiques de von Mises) ou par le calcul de distances géodésiques sur le tore unitaire.

10.3 Effets de troncature et seuils limites dans la mesure de durées

Bien que les durées constituent de splendides échelles de rapport, les dispositifs expérimentaux réels introduisent souvent des artefacts méthodologiques majeurs sous la forme d’effets de troncature ou de censure qui en dégradent les propriétés théoriques :

• La troncature à gauche (seuil minimal) : En chronométrie mentale humaine, il est physiologiquement impossible d’émettre une réponse motrice volontaire discriminée en moins de $100\text{ à }120\text{ ms}$. Toute valeur inférieure enregistrée par le système informatique ne reflète pas une latence cognitive nulle ou ultra-rapide, mais une anticipation motrice stochastique ou une défaillance technique du matériel. La coupure arbitraire de ces valeurs (par exemple en supprimant tous les temps inférieurs à $150\text{ ms}$) introduit une discontinuité qui affecte l’inférence des paramètres.
• La censure à droite (effet plafond) : Dans la quasi-totalité des protocoles expérimentaux, le logiciel d’acquisition fixe un délai limite maximal de réponse (timeout, par exemple $2000\text{ ms}$) au-delà duquel l’essai est interrompu et classé en omission. Ce plafonnement convertit les latences très longues en données censurées. Traiter ces temps censurés comme des durées de $2000\text{ ms}$ exactes rabat arbitrairement l’échelle de rapport sur un continuum artificiellement compacté, ce qui sous-estime massivement la variance réelle et biaise la pente des modèles prédictifs.

11. Le temps perçu versus le temps physique : Implications psychométriques

11.1 Psychophysique de la durée : lois de Weber-Fechner et de Stevens

L’étude métrologique du temps ne peut se cantonner à la physique du temps objectif matérialisé par les chronomètres : elle doit affronter l’ontologie du temps subjectif, tel qu’il est ressenti et rapporté par la conscience humaine. C’est le domaine propre de la psychophysique temporelle.

Au XIXe siècle, Gustav Theodor Fechner, s’appuyant sur les travaux d’Ernst Heinrich Weber, a postulé que la sensation subjective ($S$) croît comme le logarithme de l’intensité de la stimulation physique ($I$) :

$S = k \ln\left(\frac{I}{I_0}\right)$

Appliquée au temps, cette loi suggère qu’une durée perçue se tasse au fur et à mesure que la durée physique objective s’allonge. Cependant, Stanley Smith Stevens a ultérieurement remis en cause la formulation logarithmique pour promouvoir sa célèbre loi de puissance psychophysique :

$\psi(I) = k \cdot I^\beta$

où $psi(I)$ représente la magnitude psychologique perçue, $I$ l’amplitude physique du stimulus, $k$ une constante d’échelle et $\beta$ un exposant caractéristique de la modalité sensorielle étudiée.

Dans le domaine de l’estimation de durées physiques supraliminaires (allant de quelques centaines de millisecondes à plusieurs secondes), de multiples méta-analyses confirment que l’exposant $\beta$ oscille typiquement autour de la valeur unitaire ($\beta \approx 0{,}90\text{ à }1{,}10$). Lorsque $\beta = 1$, la relation psychophysique est rigoureusement linéaire, signifiant que la structure d’échelle de rapport du temps physique est globalement préservée dans l’estimation subjective humaine, bien que sujette à des fluctuations contextuelles.

11.2 Méthodes d’évaluation de la temporalité subjective

La psychométrie de l’estimation temporelle sollicite trois grands paradigmes expérimentaux historiques dont le niveau métrologique mérite une caractérisation rigoureuse :

• L’estimation verbale directe : Le chercheur présente un stimulus temporel pendant une durée physique déterminée et demande au sujet d’estimer verbalement sa durée en secondes ou millisecondes. Les données recueillies empruntent les oripeaux de l’échelle de rapport, mais sont polluées par les biais cognitifs d’arrondi numérique (préférence marquée pour les multiples de 5 ou de 10) et la subjectivité de l’étalonnage interne.
• La reproduction temporelle : Le participant perçoit un intervalle étalon, puis doit appuyer sur un bouton pour maintenir un voyant allumé pendant une durée qu’il estime rigoureusement identique. Cette méthode évite le passage par le code verbal numérique et fournit une mesure de rapport continue directe par chronométrie inversée.
• La production temporelle : L’expérimentateur donne une consigne numérique verbale (par exemple « produisez un intervalle de $3\text{ secondes}$ ») et le participant déclenche et arrête lui-même le chronomètre.

Dans les tableaux cliniques sévères, comme l’épisode dépressif caractérisé ou les états psychotiques aigus, cette métrique subjective se distend dramatiquement. Chez le patient mélancolique, le flux temporel semble figé ou ralenti (ralentissement psychomoteur global), générant une surévaluation massive des durées brèves lors des tâches d’estimation verbale. L’évaluation de cette distorsion exige que le chercheur ne confonde jamais la métrique physique de l’horloge (échelle de rapport objective) avec l’échelle psychométrique rapportée (qui peut être dégradée au statut d’intervalle ou d’échelle ordinale distordue).

11.3 Variabilité intra et interindividuelle du tempo cognitif

Pour rendre compte des distorsions du temps perçu, la théorie dominante en neurosciences computationnelles est le modèle du pacemaker-accumulateur (issu de la Scalar Expectancy Theory développée par John Gibbon et John Treisman). Ce modèle postule l’existence d’une horloge interne biologique composée de trois modules successifs :

• Un pacemaker (oscillateur interne) générant des impulsions ou des pulsations neuronales régulières à une fréquence de base donnée ;
• Un interrupteur attentionnel qui se ferme dès qu’un stimulus pertinent apparaît, laissant passer les pulsations, et s’ouvre à sa disparition ;
• Un accumulateur qui stocke le nombre total de pulsations enregistrées pendant l’intervalle et le transfère vers la mémoire de travail.

Dans cette modélisation mécaniste, le temps subjectif est directement proportionnel au nombre $N$ de pulsations comptabilisées dans l’accumulateur. Le rythme de l’oscillateur est modulé par la neurotransmission dopaminergique centrale dans les voies cortico-striatales :

• Les agonistes dopaminergiques (amphétamines, méthylphénidate) accélèrent le pacemaker, injectant davantage de pulsations pour une même durée physique objective, ce qui produit l’illusion que le temps physique s’écoule lentement ;
• Les antagonistes dopaminergiques (antipsychotiques neuroleptiques) ou l’abaissement de la température corporelle centrale ralentissent le pacemaker, réduisant le total des pulsations accumulées.

Ces fluctuations soulignent que le tempo cognitif interne d’un individu constitue un système dynamique hautement plastique. Si la modélisation formelle du comptage des impulsions relève d’une métrique de rapport discrète ($N in \mathbb{N}$ avec un zéro naturel absolu), sa calibration par rapport au temps de l’horloge astronomique extérieure subit des fluctuations permanentes.

12. Synthèse théorique et guide pratique pour les chercheurs

12.1 Arbre de décision opérationnel pour qualifier une variable temporelle

Pour assister les chercheurs, ingénieurs et analystes de données dans la qualification métrologique de leurs données temporelles, le logigramme décisionnel systématique suivant doit être implémenté avant toute étape de calcul inférentiel ou de saisie dans un progiciel d’analyse statistique :

• Question 1 : La variable enregistrée quantifie-t-elle une coordonnée d’occurrence ou une amplitude d’écoulement ?
  • S’il s’agit d’une coordonnée d’occurrence (répondant à la question « Quand cela s’est-il produit ? », comme une date, un siècle, une heure civile d’agenda) : La variable relève au mieux d’une Échelle d’intervalle. Passer impérativement à la Question 2.
  • S’il s’agit d’une amplitude d’écoulement (répondant à la question « Combien de temps cela a-t-il duré ? », comme une latence, une durée de vie, un temps de fixation, une vitesse inverse) : La variable relève potentiellement d’une Échelle de rapport. Passer à la Question 3.
• Question 2 (Pour les coordonnées d’occurrence) : Le continuum temporel d’observation est-il ouvert et linéaire ou fermé et cyclique ?
  • Linéaire (ex. date calendaire grégorienne, temps de série chronologique indexé) : Modélisation statistique par échelle d’intervalle affine standard ($y = ax + b$). Opérations d’écart autorisées ; interdiction formelle des quotients directs.
  • Cyclique / Périodique (ex. heure de la montre sur 24 heures, jour de la semaine de 1 à 7) : Échelle circulaire fermée. Interdiction de la moyenne arithmétique linéaire. Recours obligatoire à la statistique directionnelle trigonométrique.
• Question 3 (Pour les amplitudes d’écoulement) : La valeur zéro ($0$) incarne-t-elle l’inexistence physique totale de l’écoulement temporel sans translation conceptuelle ?
  • Oui : La variable est une Échelle de rapport valide. Toutes les opérations algébriques (somme, différence, multiplication, quotient, moyenne géométrique, coefficient de variation) sont autorisées.
  • Non (ou présence d’un offset non éliminé) : La variable demeure une échelle d’intervalle jusqu’à ce qu’un recentrage rigoureux par soustraction de la base ($t – t_0$) ait été formellement appliqué.

12.2 Normes de reporting scientifique et recommandations méthodologiques

Conformément aux directives de l’American Psychological Association (normes APA 7e édition) et aux exigences internationales de reproductibilité scientifique, la mention du statut métrologique des variables temporelles doit faire l’objet d’une transparence absolue dans la section Méthode des publications académiques :

• Spécification formelle de la métrique : Déclarer explicitement si le temps collecté constitue une variable d’intervalle (ex. horodatage absolu indexé) ou une variable de rapport (ex. durée d’action, temps de réaction). Indiquer l’unité de mesure exacte ($\text{ms}, \text{s}, \text{\min}$) et la précision matérielle du chronométrage (taux d’échantillonnage de l’horloge interne de la carte d’acquisition).
• Justification raisonnée des transformations : Si une transformation logarithmique ($ln$), racine carrée ($\sqrt{\cdot}$) ou inverse ($\frac{1}{RT}$) est appliquée aux durées, le chercheur doit expliciter la justification statistique (normalisation des résidus, stabilisation de la variance) et assumer le changement induit sur l’échelle métrique d’arrivée lors de l’interprétation sémantique des coefficients finaux.
• Transparence des tendances centrales : Pour les variables de durée fortement asymétriques, rapporter systématiquement la médiane et l’écart interquartile ($IQR$) aux côtés de la moyenne arithmétique et de l’écart-type, ou fournir les paramètres de distribution modélisés (ex. paramètres $\mu, \sigma, \tau$ de la loi ex-gaussienne).
• Gestion documentée des valeurs extrêmes : Expliciter clairement les bornes critiques d’élagage (trimming) appliquées aux latences courtes et longues, en démontrant que l’exclusion de ces données n’introduit pas de troncature sélective destructrice de variabilité.

12.3 Tableau récapitulatif des bonnes pratiques en recherche empirique

Le tableau de bord décisionnel ci-après résume les bonnes pratiques méthodologiques et statistiques à adopter en fonction de la configuration empirique de la variable temporelle au sein de tout protocole de recherche :

Nature du temps	Échelle métrique	Indices descriptifs requis	Modèles inférentiels appropriés	Erreurs majeures à proscrire
Date historique ou calendaire	Intervalle linéaire	Médiane, Moyenne arithmétique, Écart-type	Régression linéaire standard, Séries temporelles (ARIMA)	Calculer des ratios directs de dates (ex. « l’an 2000 est le double de l’an 1000 »).
Heure civile / Circadienne	Intervalle circulaire périodique	Angle moyen trigonométrique ($\bar{\theta}$), Longueur vectorielle ($R$)	Statistique directionnelle (test de Rayleigh, loi de von Mises)	Appliquer la moyenne arithmétique linéaire brute chevauchant minuit.
Durée chronométrée / Latence	Rapport (Ratio) strict	Médiane, Moyenne géométrique, Écart interquartile, $CV$	Modèles de survie (Cox), Modèles GLM Gamma, Modèle Ex-Gaussien	Postuler une normalité symétrique stricte sur des temps de réaction asymétriques.
Estimation temporelle subjective	Ordinale à Intervalle (quasi-rapport)	Médiane, Point d’Indifférence Subjective (PIS), Écart de Weber	Ajustement de fonctions psychophysiques sigmoïdes, Modèles de dérive	Assimiler aveuglément la durée vécue intérieure à la durée physique objective.

En dernière analyse, trancher la question de savoir si le temps relève d’une échelle d’intervalle ou d’une échelle de rapport ne renvoie pas à une propriété intrinsèque, immuable ou métaphysique de la flèche du temps. Cette décision découle rigoureusement de la posture méthodologique opérée par l’expérimentateur : dès lors que le temps sert à situer un état dans une chronologie conventionnelle, il se structure sous la forme d’une variable d’intervalle ; dès lors qu’il sert à quantifier l’amplitude continue d’une transformation physique ou psychologique entre deux événements, il déploie toute la puissance analytique d’une variable de rapport. La reconnaissance lucide de cette dualité s’impose comme une condition sine qua non de la rigueur expérimentale, garantissant l’adéquation parfaite entre la réalité empirique observée et les abstractions numériques construites pour l’élucider.

Références

• Bessel, F. W. (1823). Astronomische Beobachtungen auf der Königlichen Universitäts-Sternwarte in Königsberg. Königsberg: Unger, 8, 1–12.
• Campbell, N. R. (1920). Physics: The elements. Cambridge University Press.
• Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
• Donders, F. C. (1868). Over de snelheid van verschillende psychische processen. Onderzoekingen gedaan in het Physiologisch Laboratorium der Utrechtsche Hoogeschool, 2, 92–120.
• Fechner, G. T. (1860). Elemente der Psychophysik. Breitkopf & Härtel.
• Ferguson, A., Myers, C. S., Bartlett, R. J., Banister, H., Bartlett, F. C., Brown, W., Campbell, N. R., Craik, K. J., Drever, J., Guild, J., Houstoun, R. A., Hughes, J. O., Irwin, J. O., Kaye, G. W., Philpott, S. J., Richardson, L. F., Shaxby, J. H., Smith, T., Thouless, R. H., & Tucker, W. S. (1940). Quantitative estimates of sensory events: Final report of the committee appointed to consider and report upon the possibility of estimating quantitatively sensory events. Report of the British Association for the Advancement of Science, 108, 331–349.
• Gibbon, J. (1977). Scalar expectancy theory and Weber’s law in animal timing. Psychological Review, 84(3), 279–325. https://doi.org/10.1037/0033-295X.84.3.279
• Krantz, D. H., Luce, R. D., Suppes, P., & Tversky, A. (1971). Foundations of measurement, Vol. I: Additive and polynomial representations. Academic Press.
• Luce, R. D., Krantz, D. H., Suppes, P., & Tversky, A. (1990). Foundations of measurement, Vol. III: Representation, axiomatization, and invariance. Academic Press.
• Mardia, K. V., & Jupp, P. E. (2000). Directional statistics. John Wiley & Sons. https://doi.org/10.1002/9780470316979
• Mischel, W., Ebbesen, E. B., & Raskoff Zeiss, A. (1972). Cognitive and attentional mechanisms in delay of gratification. Journal of Personality and Social Psychology, 21(2), 204–218. https://doi.org/10.1037/h0032198
• Ratcliff, R. (1978). A theory of memory retrieval. Psychological Review, 85(2), 59–108. https://doi.org/10.1037/0033-295X.85.2.59
• Ratcliff, R., Smith, P. L., Brown, S. D., & McKoon, G. (2016). Diffusion decision model: Current issues and history. Trends in Cognitive Sciences, 20(4), 260–281. https://doi.org/10.1016/j.tics.2016.01.007
• Skinner, B. F. (1938). The behavior of organisms: An experimental analysis. Appleton-Century-Crofts.
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Stevens, S. S. (1957). On the psychophysical law. Psychological Review, 64(3), 153–181. https://doi.org/10.1037/h0046162
• Suppes, P., & Zinnes, J. L. (1963). Basic measurement theory. In R. D. Luce, R. R. Bush, & E. Galanter (Eds.), Handbook of mathematical psychology (Vol. 1, pp. 1–76). John Wiley & Sons.
• Treisman, M. (1963). Temporal discrimination and the indifference interval: Implications for a model of the ‘internal clock’. Psychological Monographs: General and Applied, 77(13), 1–31. https://doi.org/10.1037/h0093864
• Wearden, J. H. (1991). Do humans possess an internal clock with scalar properties? Learning and Motivation, 22(1-2), 59–83. https://doi.org/10.1016/0023-9690(91)90017-3
• Whelan, R. (2008). Effective analysis of reaction time data. The Psychological Record, 58(3), 475–482. https://doi.org/10.1007/BF03395630