L’étalonnage et la décision psychométrique
Presses de l’Université du Québec Le Delta I, 2875, boulevard Laurier, bureau 450 Québec (Québec) G1V 2M2 Téléphone : (418) 657-4399 • Télécopieur : (418) 657-2096 Courriel :
[email protected] • Internet : www.puq.ca Distribution : CANADA et autres pays Prologue inc. 1650, boulevard Lionel-Bertrand Boisbriand (Québec) J7H 1N7 Téléphone : (450) 434-0306 / 1-800-363-2864 FRANCE AFPU-Diffusion Sodis
Belgique Patrimoine SPRL 168, rue du Noyer 1030 Bruxelles Belgique
SUISSE Servidis SA 5, rue des Chaudronniers CH-1211 Genève 3 Suisse
La Loi sur le droit d’auteur interdit la reproduction des œuvres sans autorisation des titulaires de droits. Or, la photocopie non autorisée – le « photocopillage » – s’est généralisée, provoquant une baisse des ventes de livres et compromettant la rédaction et la production de nouveaux ouvrages par des professionnels. L’objet du logo apparaissant ci-contre est d’alerter le lecteur sur la menace que représente pour l’avenir de l’écrit le développement massif du « photocopillage ».
Louis Laurencelle
L’étalonnage et la décision psychométrique exemples et tables
2008 Presses de l’Université du Québec Le Delta I, 2875, boul. Laurier, bur. 450 Québec (Québec) Canada G1V 2M2
Catalogage avant publication de Bibliothèque et Archives nationales du Québec et Bibliothèque et Archives Canada Laurencelle, Louis, 1946 L’étalonnage et la décision psychométrique : exemples et tables Comprend des réf. bibliogr. ISBN 978-2-7605-1559-8 1. Psychométrie. 2. Psychologie - Méthodes statistiques. 3. Psychométrie - Prise de décision. 4. Mesure. 5. Psychologie du travail. I. Titre. BF39.L38 2008
150.1'5195
C2008-940510-2
Nous reconnaissons l’aide financière du gouvernement du Canada par l’entremise du Programme d’aide au développement de l’industrie de l’édition (PADIE) pour nos activités d’édition. La publication de cet ouvrage a été rendue possible grâce à l’aide financière de la Société de développement des entreprises culturelles (SODEC).
Mise en pages : L ouis Laurencelle Couverture : Richard Hodgson
1 2 3 4 5 6 7 8 9 PUQ 2008 9 8 7 6 5 4 3 2 1 Tous droits de reproduction, de traduction et d’adaptation réservés © 2008 Presses de l’Université du Québec Dépôt légal – 2 e trimestre 2008 Bibliothèque et Archives nationales du Québec / Bibliothèque et Archives Canada Imprimé au Canada
Préface
L’utilité des tests psychométriques et autres instruments d’évaluation n’est plus à démontrer auprès des praticiens. « Est-ce que cette candidate est la plus qualifiée pour occuper cet emploi ? » « Cet homme a-t-il les acquis suffisants pour suivre cette formation avec succès ? » « Est-ce que le niveau de dépression dont souffre mon client est critique ? » Experts en sélection du personnel, conseillers en orientation, cliniciens ou psychologues scolaires, tous s’aident de ces outils pour éclairer leur diagnostic ou pour fonder leur décision. Or, la confiance aveugle des experts du testing envers les usages traditionnels de la psychométrie a fait son temps. C’est l’idée qui est avancée dans cet ouvrage novateur, portant sur l’erreur de mesure inhérente à l’étalonnage (constitution de normes à partir d’échantillons de la population) et sur le contrôle de l’incertitude reliée aux décisions qui en découlent. Laurencelle va au fond des choses et rappelle que l’interprétation candide du résultat d’un test de même que le recours à la distribution normale ne se font pas sans risque, nécessité étant de tenir compte des éléments pourtant fondamentaux de la statistique. L’auteur avance sur un terrain où peu se sont aventurés, bien en avance sur ce qui est pratiqué. Malgré les développements mathématiques sans doute difficiles pour quiconque n’y est pas rompu, les concepts abordés n’en sont pas moins importants pour tout praticien du testing. Par exemple, quel spécialiste en sélection du personnel n’aimerait pas prédire le rendement moyen espéré pour un ensemble de candidats qui auraient satisfait un certain seuil de sélection ? Cette moyenne espérée, appelée différentiel de sélection, peut être estimée à l’aide de tables savamment concoctées par l’auteur. Ou bien en matière de normes, essentielles pour comparer des résultats de provenances hétérogènes, ce dernier fournit une démarche, et les tables afférentes, pour convertir en rangs centiles, en stanines et en d’autres types de scores, les résultats provenant de diverses distributions, et cela, avec une précision accrue. L’auteur aborde des questions fort complexes, jamais traitées dans les livres de psychométrie. Il le fait de manière courageuse, abattant les obstacles méthodologiques les uns après les autres. Incidemment, dans la situation où l’utilisateur recourt à plusieurs tests en même temps en vue de prendre une décision, il doit tenir compte des interrelations qui existent entre ces tests. En réponse à cette situation et suivant diverses règles de décision, des tables, encore des tables, sont proposées pour déterminer des seuils multinormaux et les différentiels de sélection multivariés correspondants. D’autres problèmes pratiques sont examinés, comme l’incertitude d’une décision prise à partir d’une norme, d’un seuil à atteindre, ce qui amène l’auteur à présenter ses normes sûres.
VIII
L’étalonnage et la décision psychométrique
Cet ouvrage de Laurencelle, le neuvième, sans compter les nombreux articles publiés sur la mesure et la statistique, constitue une sorte d’essai de psychométrie pour praticiens soucieux de rigueur, au premier chef les psychologues industriels et tous ceux oeuvrant dans l’évaluation et l’orientation des personnes. C’est un ouvrage qui se situe à l’abri des modes, certes pas à la portée de tous, et qui n’a pas fini de nous inspirer. Normand Pettersen, Ph. D. en relations industrielles, professeur titulaire au Département des sciences de la gestion Université du Québec à Trois-Rivières
Table des matières
Préface........................................................................................................................ VII Introduction générale................................................................................................. Pourquoi ce livre ?......................................................................................................... Les idées principales mises en œuvre............................................................................ Le vocabulaire, les tables.............................................................................................. Composition des sections..............................................................................................
1 2 2 4 5
Section A La distribution normale et le différentiel de sélection............................................ Introduction.................................................................................................................. Nature et présentation des tables de la section A.......................................................... Exercices de lecture des tables...................................................................................... Exemples élaborés........................................................................................................ Justification mathématique........................................................................................... La distribution normale comme réalité ou comme modèle.............................................. Calcul de P............................................................................................................... Calcul de ∆. .............................................................................................................. Détermination des centiles (ou normes de population). ................................................. Le différentiel de sélection. ........................................................................................ Tables...........................................................................................................................
7 7 8 10 11 18 18 20 20 20 22 25
Section B Échelles classiques de conversion normale (QI, Stanines et Stens).................... Introduction.................................................................................................................. Nature et présentation des tables de la section B.......................................................... Exercices de lecture des tables...................................................................................... Exemples élaborés........................................................................................................ Justification mathématique........................................................................................... Élaboration des grilles de conversion normale : cas général............................................. Élaboration des grilles quasi normales (stanines, stens).................................................. Capacité discriminante et étalement de la série normative.............................................. Tables...........................................................................................................................
41 41 42 43 44 49 49 50 51 53
X
L’étalonnage et la décision psychométrique
Section C Les taux et rapports de sélection............................................................................. Introduction.................................................................................................................. Nature et présentation de la table de la section C......................................................... Exercices de lecture de la table..................................................................................... Exemples élaborés........................................................................................................ Justification mathématique........................................................................................... Calcul direct de la quantité ƒSQ.................................................................................... Calcul approximatif de ƒSQ.......................................................................................... Tables...........................................................................................................................
59 59 60 61 61 63 63 64 65
Section D Seuils et taux de sélection multinormaux................................................................ Introduction.................................................................................................................. Nature et présentation des tables de la section D.......................................................... Exercices de lecture des tables...................................................................................... Exemples élaborés........................................................................................................ Justification mathématique........................................................................................... La loi multinormale homogène. .................................................................................. Calcul de la fraction sélectionnée (α)........................................................................... Biais et approximations.............................................................................................. Tables...........................................................................................................................
67 67 68 69 71 73 73 73 75 76
Section E Différentiels de sélection multivariés....................................................................... Introduction.................................................................................................................. Nature et présentation des tables de la section E.......................................................... Exercices de lecture des tables...................................................................................... Justification mathématique........................................................................................... Théorie des différentiels de sélection multivariés........................................................... Le calcul des quantités mk,ρ(c)..................................................................................... Tables...........................................................................................................................
85 85 87 88 92 92 95 97
Section F Normes sûres (modèle normal)................................................................................ 117 Introduction.................................................................................................................. 117 Nature et présentation des tables de la section F........................................................... 120 Exercices de lecture des tables...................................................................................... 121 Exemples élaborés........................................................................................................ 122
Table des matières
XI
Justification mathématique........................................................................................... 125 Théorie de la norme unilatérale................................................................................... 125 Théorie de la norme bilatérale. ................................................................................... 127 Tables........................................................................................................................... 130 Section G Normes sûres ordinales (non paramétriques)......................................................... 143 Introduction.................................................................................................................. 143 Nature et présentation des tables de la section G.......................................................... 145 Exercices de lectures des tables..................................................................................... 147 Exemples élaborés........................................................................................................ 148 Justification mathématique........................................................................................... 150 Principe général de calcul........................................................................................... 150 Théorie de la norme ordinale unilatérale...................................................................... 151 Théorie de la norme ordinale bilatérale........................................................................ 152 Tables........................................................................................................................... 155 Section H Miscellanées............................................................................................................... 159 Introduction.................................................................................................................. 159 Partie 1. Taille et précision d’un centile normal ou uniforme (tables H1a et H1b)......... 159 Partie 2. Taille et normes sûres normales protégées (tables H2a et H2b)....................... 161 Partie 3. Taille et normes sûres ordinales protégées (table H3)..................................... 162 Partie 4. Taille et sélection individuelle sur la concomitante (tables H4a-H4c).............. 164 Partie 5. Taille et incertitude sur la corrélation r (tables H5a et H5c)............................ 167 Tables........................................................................................................................... 171
Introduction générale
« L’étalonnage et la décision psychométrique », le titre et la substance de ce livre, n’ont guère reçu l’attention qui leur est due depuis l’origine de la psychométrie jusqu’à nos jours : ces deux grands concepts pragmatiques ont historiquement été pris pour acquis. Pour l’étalonnage d’une part, les psychométriciens et adeptes du testing ont œuvré dans l’hypothèse confortable de la distribution normale. Cette distribution normale, découverte et inventée par les mathématiciens Moivre (1667-1754), Laplace (1749-1827) et Gauss (17771855), fut importée en biométrie et pour la description des populations humaines par Quételet (1796-1874), Galton (1822-1911) et K. Pearson (1857-1936), entre autres. Même si d’illustres prédécesseurs, notamment Binet et Simon, procédaient déjà à un étalonnage de leur test d’âge mental, c’est Wechsler (1896-1981) qui introduisit le modèle normal comme référence distributionnelle pour la mesure de l’intelligence, le QI, imposant ainsi un standard dont peu oseront s’écarter par la suite. Dans la tradition pearsonnienne de la statistique, qui privilégie les approches descriptives et ladite « méthode des moments », l’imposition d’un modèle, le modèle normal par exemple, et son application à une distribution empirique suffisent à peu près à en garantir l’interprétation, sans souci particulier de l’incertitude inhérente ni des erreurs d’ajustement possibles dans les portions extrêmes de la distribution. Cette assurance, ce sentiment de sécurité a imprégné et continue de baigner le monde de la psychométrie et des normes psychométriques, et ce, pour les situations ayant recours à la distribution normale comme pour les autres contextes. Pour la décision psychométrique, d’autre part, tout se passe comme si, une fois les « normes du test » publiées, le praticien du testing avait en mains tout ce qu’il faut pour non seulement évaluer son client mais aussi prendre une décision à caractère psychométrique à son endroit. Or, pour autant que nous sachions, la documentation traitant de la décision psychométrique, de ses risques statistiques et de ses procédures n’existe tout simplement pas. En l’absence de documentation appropriée, voire de connaissances pertinentes et de formation, le praticien, livré à lui-même, se voit placé dans le dilemme suivant : ou bien il fait naïvement confiance aux informations normatives disponibles, les interprète au pied de la lettre et donne la décision qui en découle, ou bien il sait ou il pressent que les normes sont approximatives, que certaines erreurs-types s’appliquent, qu’une réévaluation pourrait apporter des changements, et il s’engage alors dans une démarche floue, prudente, qualitative, et propose une décision hésitante, difficile sinon impossible à défendre en cas de litige.
2
L’étalonnage et la décision psychométrique
Pourquoi ce livre ? Ce livre a pour ambition, non pas de combler les lacunes accusées ci-dessus, mais de fournir des pistes grâce auxquelles les approches naïves et souvent peu professionnelles qui ont eu cours jusqu’à présent peuvent évoluer vers des méthodes mathématiquement réfléchies, des méthodes qui prennent en compte l’opération même de la décision psychométrique (« À quel niveau de rendement, à quel niveau d’aptitude est situé mon client ? », « Le candidat possède-t-il les habiletés requises pour satisfaire l’espérance de rendement formulée par l’employeur ? », « L’indice métabolique/sanguin/physiologique du patient a-t-il atteint un niveau critique ? », etc.), en même temps que les risques d’erreur qui sont associés à cette décision. Il existe déjà, nous en sommes conscient, des volumes, plaquettes et chapitres de livre, par des auteurs en psychologie clinique, en éducation, en médecine, en sciences de la gestion, dans lesquels le praticien peut trouver conseils, vérifications suggérées et recommandations diverses, dans le langage de sa pratique. Sans décrier l’intérêt ou la valeur de ces ouvrages, nous croyons qu’ils ne sont pas équivalents à un traitement structuré et mathématiquement explicite de la décision psychométrique et de ses enjeux, tout en reconnaissant qu’ils en seraient un heureux complément au bénéfice des praticiens. Les idées principales mises en œuvre Même dans l’approche classique, et rassurante, de la psychométrie, telle que nous l’avons brossée ci-dessus, les ouvrages traitant d’étalonnage ne sont pas légion, et il n’est pas facile de trouver des guides détaillés pour la constitution de normes, depuis Guilford (1954) jusqu’à Brennan (2006). Dans le présent ouvrage, nous avons inclus, bien sûr, le b.a.-ba de l’étalonnage, notamment par l’intermédiaire d’exemples élaborés qu’on retrouvera dans les deux premières sections. Dans le terreau de cette base rudimentaire, nous avons pour ainsi dire jardiné en y plantant deux idées clés et en observant les espèces qui s’y développaient : ces idées sont l’erreur de mesure et l’incertitude ordinale des séries normatives. La place et le rôle de l’erreur de mesure sont généralement admis et bien compris dans le modèle classique de la théorie des tests (Gulliksen, 1950 ; Laurencelle, 1998a). Cependant, soit on a ignoré les propriétés distributionnelles et probabilistes de l’erreur, soit on ne les a pas exploitées et intégrées dans une approche structurée de la décision psychométrique. Quant à l’incertitude ordinale, elle fait référence au fait que, au lieu d’une population entière et de l’ensemble des mesures qu’elle contient, l’« étalonneur » ne dispose que d’un groupe normatif, un échantillon, qui lui fournit une série clairsemée de valeurs représentatives, série à partir de laquelle il doit fixer des normes de position dans la population. L’erreur d’approximation du centile échantillonnal par rapport au centile populationnel (ou paramétrique), erreur que nous désignons ici par incertitude ordinale, a des propriétés différentes, et plus complexes, par rapport à la simple « erreur de mesure », laquelle on associe ordinairement à une variable aléatoire normale. La théorie mathématique de cette erreur,
Introduction générale
3
théorie liée aux « statistiques d’ordre » d’une série statistique, est bien établie (voir p. ex. David, 1981) mais elle n’a pas fait son chemin en psychométrie et semble remarquablement absente dans les quelques ouvrages qui traitent d’étalonnage. Pourtant, force est de le constater, la pratique contemporaine du testing se voit de plus en plus souvent confrontée à des contestations judiciaires, le psychologue, voire l’expert en psychométrie se faisant prendre à partie sur la théorie de sa décision, le détail de ses modèles, la légitimité de ses procédures : la confiance candide dans les ukases de la psychométrie classique a fait son temps. Les sections F, G et H portent entièrement sur ces sujets, sans oublier la section A, dans laquelle nous introduisons le concept de l’erreur-type d’une norme centile. Toujours dans une perspective de décision psychométrique et, particulièrement, de sélection ou de diagnostic, nous avons tenté de mettre à contribution une troisième idée, celle d’une approche multivariée explicite de l’étalonnage. L’idée n’est pas neuve, particulièrement depuis Thurstone (1887-1955) qui inaugura l’étude des structures multidimensionnelles de l’intelligence, étude bientôt élargie à d’autres objets (intérêts occupationnels, personnalité, diagnostic différentiel, motivation). Les modèles multidimensionnels des objets psychologiques sont une chose acquise depuis plusieurs décennies, et leur traitement (surtout par analyse factorielle), bien représenté dans la documentation savante, la formation universitaire et la pratique du testing. Cependant, multidimensionnel n’équivaut pas ipso facto à multivarié, et on rencontre rarement des procédés psychométriques (en testing appliqué) ou des études qui vont utiliser et interpréter conjointement deux ou plusieurs scores d’un même répondant1 ; quand ils existent, ces procédés, ou « règles du pouce », demeurent largement d’ordre qualitatif et sans assises statistiques sérieuses. Nos tentatives en vue de fonder une approche proprement multivariée en psychométrie occupent les sections D et E. Le lecteur aura compris que l’idée de base à l’origine des trois autres, qui a motivé l’élaboration de ce matériel et qui justifie en quelque sorte l’écriture de ce volume, a été de mettre de la statistique dans la psychométrie, c’est-à-dire de dépasser l’approche pearsonnienne, plutôt descriptive et statique, et tenter d’incorporer, dans les concepts et les pratiques de la psychométrie, les éléments de variation et de distribution qui leur conviennent. Nous sommes certain de n’avoir qu’effleuré le domaine, ou même de n’en avoir qu’indiqué l’existence ou la possibilité. Si tel était le cas, nous en serions tout de même satisfait.
1. Font exception à cette allégation certaines règles d’interprétation de profils de scores, règles souvent mal documentées et dont la validité statistique n’est généralement pas vérifiée. On retrouve par exemple de ces règles dans l’interprétation d’une grille de « cotes pondérées » du QI ou dans les doublets ou triplets d’échelles du MMPI.
4
L’étalonnage et la décision psychométrique
Le vocabulaire, les tables D’abord, le vocabulaire. En français guère plus qu’en anglais, il n’existe de convention lexicale pour la désignation des différents concepts de la psychométrie. Par exemple, pour désigner l’opération qui consiste à recruter et mesurer un groupe de personnes par un test, puis à en élaborer enfin des normes d’interprétation, les mots « étalonner » et « étalonnage » se voient substituer parfois les mots « standardiser », voire « normaliser ». Nous avons scrupuleusement évité d’employer l’expression « normaliser un test », non pas parce qu’elle est hérétique ou disgracieuse, mais parce qu’elle suggère l’utilisation d’un modèle de distribution normale sans qu’un tel modèle soit expressément appliqué. D’autres variations lexicales peuvent apparaître, en plus des désignations nouvelles que nous avons été contraint d’introduire, tels le différentiel de sélection, la norme sûre (normale ou ordinale), la norme sûre protégée, etc. Nous implorons l’indulgence du lecteur pour ces licences que nous nous sommes octroyées. Il nous a fallu réfléchir un long temps sur les contenus et formats des tables épaulant chaque section et, ici comme tantôt, nous ne sommes pas rasséréné quant à la conclusion qui a prévalu. Fallait-il mettre plus, ou moins, de détail ? d’autres seuils ? une précision plus, ou moins, grande ? etc. Bien sûr, le but premier, évident, des tables en est un pratique, c’est-àdire fournir à l’usager les valeurs numériques dont il peut avoir besoin dans une procédure donnée. Un autre but, méthodologique celui-là, est de présenter des valeurs de référence pour les principes et algorithmes de calcul qui sont documentés dans le texte. L’usager qui voudrait réactiver ces algorithmes trouvera là matière à vérification. Il nous faut signaler enfin que les tables présentées ici ne sont pas toutes nouvelles ou inédites, loin de là. La section A (Intégrale et densité de la distribution normale) et la section B (Échelles classiques de conversion normale) présentent des informations faciles à trouver ailleurs, accompagnées ici de données inédites ; c’est le cas aussi de la section C (Les taux et rapports de sélection). Les tables des sections suivantes (D, E, F, G, H) sont nouvelles ou ont paru (en partie ou en tout) dans des publications antérieures de l’auteur. Dans ce dernier cas, les présentes tables améliorent ou remplacent les parutions précédentes, dont certaines contenaient des erreurs2 de calcul, voire de définition. Nous nous sommes efforcé d’assurer la qualité des tables en vérifiant chaque inscription et en peaufinant nos algorithmes afin de garantir la précision (les chiffres significatifs) affichée. Mais ce volume porte sur l’erreur, et il serait absurde de prétendre que sa composition en ait été exempte.
2. Des erreurs numériques, qui ont été corrigées dans le présent volume, mais aussi des erreurs de conception : p. ex. pour le différentiel de sélection multiple, voir section E vs Laurencelle (1998a,b), et pour la norme sûre bilatérale de mode normal, voir section F vs Laurencelle (1998a), Laurencelle (2000a) et Laurencelle (2002).
Introduction générale
5
Composition des sections Chacune des huit sections du volume, numérotées de A à H, comporte une partie explicative et est suivie des Tables numériques correspondantes. La partie explicative débute par une mise en situation, donnant le quoi et le pourquoi du sujet traité : courte Introduction, puis Nature et présentation des tables, Exercices de lecture des tables, Exemples élaborés, enfin Justification mathématique, cette dernière sous-section fournissant en détail le comment des calculs. Ce livre ne constitue pas un manuel d’introduction à la psychométrie, non plus qu’une initiation à l’étalonnage ou au diagnostic psychométrique. Pour la psychométrie générale, les libraires proposent quelques bons ouvrages en français (Bernier et Pietrulewitz, 1997 ; Bertrand et Blais, 2004 ; Laveault et Grégoire, 2002 ; voir notre Laurencelle, 1998a). Pour l’étalonnage, à notre connaissance, seul notre précédent manuel (Laurencelle, 1998a) survole le sujet. Le présent ouvrage peut être vu comme un essai élaboré, un petit traité sur des aspects qui traditionnels, qui prospectifs, du traitement des données normatives et leur application à la décision psychométrique. Ouvrage pour spécialistes, sans doute, mais que nous avons tenté de rendre inspirant et accessible à tous les praticiens de la psychométrie, notamment grâce à nos exemples élaborés que nous avons voulu calqués sur des situations pratiques pour les besoins du psychologue professionnel ou de la firme de gestion du personnel. Nous espérons sincèrement avoir atteint notre but.
Section A La distribution normale et le différentiel de sélection Introduction C’est Francis Galton qui a baptisé du nom de « normale » la loi de distribution statistique qui a successivement été découverte par Abraham Moivre, Pierre-Simon Laplace et Carl Friedrich Gauss, loi dont l’expression mathématique générale prend la forme d’une fonction de densité de probabilité, soit : p(X) =
(1)
La loi normale (Patel et Read, 1996), parfois appelée gaussienne, obéit à deux paramètres externes : le paramètre de position µ, qui dénote à la fois la moyenne arithmétique, la médiane et le mode de la distribution, et le paramètre d’étalement ou de dispersion F, appelé écart-type. La figure 1, sur la page suivante, est une illustration de cette loi, avec les valeurs paramétriques : µX = 100 ; FX = 15 valeurs qui sont typiques des échelles normatives artificielles imposées aux tests de Quotient intellectuel (QI). La transformation linéaire de la variable distribuée X, selon : Z = (X ! µX) / σX ,
(2)
où Z, appelé écart-réduit (ou score Z), permet d’exprimer la loi normale sous sa forme standard, de moyenne µZ = 0 et d’écart-type σZ = 1, soit : p(Z ) = e!½ Z² /
.
(3)
La documentation réfère à cette densité normale standard par le symbole ϕ(Z ) et à son intégrale, par Φ(Z ), aussi appelée fonction de répartition. Nous avons évidemment : Φ(!4) = 0 ; Φ(0) = 0,5 ; Φ(4) = 1.
(4)
Pourquoi la loi mathématique de la distribution normale apparaît-elle dès les premières pages d’un traité sur l’étalonnage ? La raison en est que, historiquement, l’utilisation du « modèle normal » et sa diffusion dans la communauté scientifique ont évolué à partir de deux référentiels importants, soit la théorie des erreurs de mesure, avec Gauss et Laplace, et la répartition des mesures biométriques dans la population, avec
8
L’étalonnage et la décision psychométrique
Figure 1. Distribution normale de moyenne (µ) 100 et d’écart-type (σ) 15. Adolphe Quételet, Francis Galton et Karl Pearson (Stigler, 1986)1. Forts des milliers de mesures relatives soit à la taille des personnes, à la longueur d’un membre, au poids corporel, etc., Quételet avança l’idée de l’universalité de cette loi de distribution et Galton la consacra du nom de « normale », c’est-à-dire une loi suffisamment fiable et confirmée pour servir de norme. C’est ce même modèle normal qui fut adopté et appliqué par les psychométriciens et les praticiens du testing psychologique et qui sert aujourd’hui de référence implicite dans l’interprétation des tests. Le lecteur trouvera d’autres considérations importantes sur le modèle normal et sa légitimité pour la pratique psychométrique dans la section mathématique, plus loin. Nature et présentation des tables de la section A Les tables de la section A concernent la forme de la distribution normale et son interprétation. Noter que toutes ces tables, de même que celles des sections ultérieures, réfèrent à la loi normale standard et à la variable Z (ou z), de moyenne 0 et d’écart-type 1.
1.
Un troisième référentiel, celui par lequel la loi normale sert de modèle d’approximation asymptotique pour d’autres lois de distribution, a été défriché plus tardivement, si on excepte l’observation princeps de Moivre, qui le premier a découvert la loi normale en cherchant une approximation asymptotique de la loi binomiale.
La distribution normale et le différentiel de sélection (Section A)
9
Les tables mettent en jeu six quantités, dont voici une description sommaire : • P ou T(c) : la quantité P, qu’on peut aussi écrire P(z) ou P(c), dénote l’intégrale normale ou fonction de répartition normale standard (aussi indiquée Φ z) et varie de 0 à 1. On réfère aussi à P sous le vocable de rang centile (de 0 à 100), en imaginant la valeur correspondante 100 × P. Pour les valeurs négatives de l’argument z (ou c), la symétrie de la distribution normale entraîne l’équivalence : P(!z) = 1 ! P(z)
(5)
La valeur T(c), qui apparaît à la table A3, est appelée taux de sélection et représente simplement le complément de P, i.e. T = 1 ! P. • ϕ : la densité normale standard, indiquée ϕ(z) ou p(z) comme en (3), est l’ordonnée de la distribution normale d’abscisse z ; c’est une fonction symétrique telle que ϕ(z) = ϕ(!z). • z (ou c) : l’écart-réduit z constitue la variable (la mesure) dont on interprète la distribution : c’est une variable standardisée, c’est-à-dire que, basée sur une mesure originale X de moyenne µX et d’écart-type σX, on l’a obtenue par la transformation (2), soit z = (X ! µX)/σX. La distribution normale étant symétrique, avec la position z = 0 comme axe de symétrie, les tables A1 et A2 fournissent seulement la moitié positive de la distribution, soit P $ 0,5 et z $ 0. La quantité c (en valeurs d’écart-réduit) est équivalente à z et dénote ici un seuil de sélection, une valeur à partir de laquelle les individus sont retenus pour sélection. Ainsi, dans une procédure donnée, on retiendrait tous les éléments pour qui X $ C, où C = µX + c × σX (voir figure 1). • ∆ : le différentiel de sélection dénote, en unités standardisées, la moyenne arithmétique des individus satisfaisant le seuil de sélection c. Dans l’exemple donné à la figure 1, le seuil C = 120 correspond, en écart-réduit, à c = (C ! µX) / σX = (120 ! 100) / 15 .1,33 ; la table A2 indique P(c) = 0,90824, soit un taux de sélection T(c) de 1 ! P = 0,09176, ou un peu plus de 9 % de la population examinée. La colonne suivante indique un différentiel de sélection ∆ = 1,79535, lequel représente la valeur moyenne (en écart-réduit) des individus pour lesquels z $1,33. Retournant à la figure 1 et à la population de moyenne 100 et d’écart-type 15, nous voyons que la sélection des candidats pour qui X $120 nous fournirait une sous-population de moyenne plus élevée, soit µX(C ) = µX + ∆ × σX = 100 + 1,79535 × 15 . 126,93. La précision numérique dans les calculs est affaire de contexte et dépend aussi des exigences et ressources de l’utilisateur. Dans l’exemple ci-dessus, _ la valeur (C ! µ)/σ = (120 ! 100)/15 produit réellement c = 1,33333... = 1,3 , valeur que
10
L’étalonnage et la décision psychométrique
nous_avons raccourcie (arrondie) _ à 1,33. En fait, par interpolation sur la table A2, _ P(1,3 ) . 0,90879, d’où T(1,3 ) . 0,09121. En outre, l’interpolation pour ∆(1,3 ) donne 1,79814, d’où une moyenne µ(C) = 126,97, plutôt que le 126,93 obtenu tantôt. Dans la plupart des cas, on le voit, ce surcroît de précision reste marginal et il est rendu quelque peu illusoire dans le contexte de l’incertitude des estimations numériques employées ainsi que du modèle de distribution.
La valeur du différentiel de sélection pour un argument c négatif, et P(c) < 0,5, s’obtient par l’équivalence : ∆(c) = ∆(!c) × P / (1!P)
(6)
La section mathématique, ci-dessous, donne d’autres informations sur le différentiel de sélection, notamment sur son calcul et son estimation à partir d’une série d’observations. • a1, a2, a3 : En postulant qu’une série d’observations, un échantillon de mesures, se distribue normalement, il est possible d’en estimer différents centiles, comme on le fait couramment dans la fabrication des normes d’un test. L’une des méthodes procède au moyen des statistiques d’ordre de la série (i.e. les valeurs des N observations placées en ordre croissant) ; le centile de rang P s’obtient par : CP = X[r] , où r = P(N + 1)
(7)
ou par une formule équivalente, X[r] désignant la valeur de rang r (1 #r #N) dans la série. Dans ce cas, et si la distribution de X dans la population est normale, alors CP est un estimateur du centile correspondant XP dans la population, et son incertitude est indiquée par une variance d’erreur approximative de var(CP) = σ2X 3 ar / (N + 2)r, r = 1 à 3.
(8)
La section mathématique décrit une méthode différente, et plus risquée, pour la détermination des centiles.
Exercices de lecture des tables 1. Quelle est la valeur du centile normal standard correspondant à P = 0,75 ? Dans la table A1, à P = 0,750, nous trouvons z = 0,67449, qui dénote le centile Z0,95 de la loi normale standard. 2. Dans une population normale standard, quelle est la moyenne des individus situés audessus de c = 1 ? Au-dessus de c = !1 ?
La distribution normale et le différentiel de sélection (Section A)
11
La table A2 fournit directement ∆ = 1,52514 pour c (= z) = 1 ; c’est cette moyenne augmentée (par rapport à la moyenne de la population standard µZ = 0) qui est appelée différentiel de sélection. Pour obtenir ∆(!1), il faut recourir à la relation (6), i.e. ∆(c) = ∆(!c) × P / (1 ! P ), ici ∆(!1) = ∆(1) × P(!1) / [1 ! P(!1)] = 1,52514 × 0,15866 / 0,84134 = 0,28761. 3. Dans une population normale standard, quelle est la moyenne des individus situés en dessous de c = 1 ? La moyenne de tous les individus situés situés en deçà du seuil de sélection c constitue une nouvelle quantité, un concept, qu’on peut désigner par différentiel de _ sélection négatif, dénoté ∆ . Dans une population standard (où µ = 0), nous avons _ _ ∆c× (1 !P) + ∆ c× P = 0,_ d’où ∆ c = !∆c (1 !P) / P = !∆!c. Ainsi, d’après le résultat de l’exercice précédent, ∆ (1) = !∆(1) = !0,28761. 4. Pour sélectionner un groupe dont la moyenne serait de 1 (= ∆) en valeur standardisée, quel seuil et quel taux de sélection doit-on utiliser ? L’utilisateur qui souhaite que la population sélectionnée ait une moyenne située à un écart-type au-dessus de la moyenne générale, i.e. µ(c) = µ + σ, vise donc un différentiel de sélection de ∆ = 1. La table A3, à la ligne correspondante, fournit le seuil c = 0,30263 pour un taux de sélection de T(c) = 0,38109. 5. Quels sont les coefficients de la variance d’un centile normal (standard) imposé au rang centile P = 0,75 ? La table A1, à la ligne P = 0,750, fournit a1 = 1,85677, a2 = 3,42762 et a3 = 5,35867.
Exemples élaborés 1. Base normative. La course de 12 minutes de Cooper sert à évaluer la condition physique d’une personne et permet d’estimer sa puissance aérobie : épreuve individuelle, elle consiste simplement à parcourir, dans des conditions de course optimales, la plus grande distance possible en 12 minutes. Le tableau 1 présente des données fictives de N = 283 participants, la distance étant mesurée en mètres2. La figure 2 illustre la répartition des résultats. Faire une analyse préalable sommaire de ces données à titre de base normative. Globalement, deux caractéristiques ressortent. D’abord, l’histogramme fait apparaître un certain déséquilibre dans la répartition des données, le versant droit de l’histogramme étant plus allongé que son versant gauche. Deuxièmement, si le corps des distances
2.
Données fictives tirées de Laurencelle (1998a), p. 201.
12
L’étalonnage et la décision psychométrique
Tableau 1. Distances courues (en mètres) par 283 participants au test de 12 minutes de Cooper 2429 2252 2807 2077 2220 2169 2002 2565 2489 2310 2081 1897 1970 2057 2658 2193 2158 1849 2440 2040 2254 1786 2443 2153 2007 2007 1955 2196 2122
2485 3105 2455 2464 2025 1959 2315 2051 2190 2623 2094 2478 2186 2397 2581 2504 2431 2347 2969 2050 2673 2359 2177 2323 2160 2187 2179 1998 2057
2301 1946 2031 2336 2322 2164 1765 2328 2059 1986 2799 1969 2230 2349 2323 2369 1827 2751 2160 2260 2272 2274 1824 2292 2859 2766 2094 2386 1797
3044 2679 2139 1891 2401 1991 1784 2087 2039 2282 2428 1997 1984 2357 2114 2295 2064 2169 2285 1868 2803 1838 2333 2714 1843 2670 2036 2328
2442 2964 1941 2192 3108 2051 2199 2010 2418 2731 2265 2288 2857 2400 2111 2269 1949 2582 2333 2097 1752 2757 1997 2291 2474 2147 2299 2583
2440 2218 2345 2484 2098 2059 1681 2490 2488 2349 2013 2103 2295 2646 1937 2217 2317 2490 2167 2431 2098 1960 1768 2034 2041 2287 2312 2372
2064 2064 2488 1967 2579 2867 2260 1892 2446 2341 3013 2299 2198 2935 2374 1972 2221 2538 2229 1945 2308 2160 2597 2149 2335 1874 2845 2192
2375 1983 2612 2429 1741 2496 2235 2464 2218 2362 2462 2737 1875 2469 2454 2294 1997 2062 1880 2521 1962 2418 2321 2038 1896 2311 1895 2075
2343 1655 2900 4253 2799 2232 2248 1780 2401 1814 2569 2032 2108 2122 1893 2588 2278 2137 2164 2398 1904 2329 2020 2186 2218 2548 2203 2611
1826 2389 2452 2445 2261 2626 1965 2340 2354 2467 2010 2058 2124 2062 2106 1831 1820 2047 2210 2066 2507 2025 2312 2225 2384 1795 1979 2344
obtenues s’étale d’environ 1600 à 3100 mètres, nous observons à droite une distance extravagante de 4253 mètres. Cette valeur serait en soi exceptionnelle pour une course de 12 minutes, mais elle est surtout relativement aberrante par rapport aux 282 autres données. Soit la distance « 2453 » a été notée en inversant les deux premiers chiffres, soit
13
La distribution normale et le différentiel de sélection (Section A)
45
40
35
30
25
20
15
10
5
42 50
40 50
38 50
36 50
34 50
32 50
30 50
28 50
26 50
24 50
22 50
20 50
18 50
16 50
0
X (distance en m)
Figure 2.
Distances (en mètres) courues par 283 participants durant 12 minutes (test de Cooper)
un athlète olympique s’est glissé subrepticement dans notre groupe normatif. Dans un contexte d’élaboration de normes, la décision prudente est d’écarter un tel résultat. Nous basant dès lors sur les _N = 282 données (à l’exclusion de la valeur 4253), nous obtenons les _ statistiques X = 2253,90 et sX = 284,64. L’indice d’asymétrie, ½ g1 = N 3(Xi ! X )3 / [(N ! 1) sX2 ]3/2, vaut ici 0,525 ; son erreur-type étant d’environ /(6/N) . 0,146, le test de g1 donne 0,525 / 0,146 . 3,600, confirmant la présence d’une asymétrie solide dans nos données. L’examen des données normatives, fournies au tableau 1, a fait ressortir le fait que la variable observée n’a pas une distribution normale (dans la population) et que le modèle normal ne lui sied pas vraiment. Outre l’examen visuel et le test de l’asymétrie par l’indice g1, d’autres procédures de validation sont possibles, notamment un test Khideux d’ajustement, le test dit de Kolmogorov-Smirnov sur un échantillon (avec critère de Lilliefors), le fameux test de Shapiro et Wilks, etc. Laurencelle (2001) en fait la revue exhaustive.
14
L’étalonnage et la décision psychométrique
Nous devons donc renoncer à l’hypothèse normale pour ces données, mais cela n’entraîne pas que nous devions renoncer au modèle normal pour élaborer des normes. La non-normalité des données normatives nous interdit les interprétations linéaires usuelles, telles que de dire qu’une personne est située à 1½ écart-type au-dessus de la moyenne, et l’utilisation de centiles normaux projetés (voir section mathématique). Cependant, nous pouvons toujours fabriquer des normes à distribution normale, par la technique des centiles normaux imposés (ibid.), ou encore utiliser le modèle normal pour évaluer la précision approximative des centiles de la distribution originale, obtenant ainsi des centiles semi-normaux. Le psychométricien plus curieux, ou le scientifique averti, aura supputé qu’un autre modèle mathématique sous-tend la variation des données représentées par un histogramme, à la figure 2. Parmi les modèles à variables positives (ici, la distance) et à asymétrie positive, le modèle Gamma et le modèle lognormal sont les premiers en lice (Johnson, Kotz et Balakrishnan, 1994). La variable lognormale X en est une dont le logarithme, Y = loge(X ! X0), se distribue normalement, sous les paramètres µY et σY. Prenant l’indice g1 pour critère à minimiser, nos 282 données nous permettent de ^ Y = 7,235 et σ ^ Y = 0,200. La répartition des données sur trouver X0 = 839, g1(X) . 0, et µ l’échelle transformée est illustrée à la figure 3. Une telle modélisation nous met en face 35
30
25
20
15
10
5
8, 08
7, 98
7, 88
7, 78
7, 68
7, 58
7, 48
7, 38
7, 28
7, 18
7, 08
6, 98
6, 88
6, 78
0
ln( X – 839)
Figure 3. Distances (données transformées) de 283 participants au test de Cooper
La distribution normale et le différentiel de sélection (Section A)
15
d’une alternative : utiliser maintenant le modèle lognormal ainsi défini pour servir de référence normative, ou bien opérer au niveau normal sous-jacent et, de là, projeter des normes dans l’échelle originale, en effectuant la transformation inverse, X = X0 + exp(Y). Nous illustrons ce second processus plus loin. 2. Détermination du centile 95. Il est demandé ici de fixer le centile 95 des normes de distance, en se référant au tableau 1. Centile semi-normal. L’exemple 1, ci-dessus, ayant fait ressortir que nos données ne se conforment pas au modèle normal, la méthode du centile normal projeté se trouve disqualifiée. Nous recourons donc aux statistiques d’ordre pour déterminer C95 ; appliquant la formule (7), C95 = X[r], r = 0,95 × (282 + 1) = 268,85. Or, après le tri en ordre croissant, nous avons X(268) = 2799 et X(269) = 2803, d’où X(268,85) = 2799 + (2803 ! 2799) × 0,85 = 2802,40. Quelle est l’incertitude, la variance de cette estimation ? Pour la trouver (approximativement), nous posons que la zone proximale de la statistique d’ordre étudiée a un comportement statistique semblable à celui qu’elle aurait dans une distribution normale, et nous appliquons dès lors les calculs afférents à une statistique d’ordre normale. Considérant l’expression (8) et la table A1 vis-à-vis du rang centile P = 0,950, nous trouvons les coefficients a1 = 4,46556, a2 = 26,6271 et a3 = 104,574. ^ X = sX = 284,64, nous calculons : Utilisant enfin N = 282 et σ var(C95) = 284,642 × [4,46556 / 284 + 26,6271 / 2842 + 104,574 / 2843 ]
. 1301,06, ce qui fournit une estimation d’erreur-type (σe) de /1301,06 . 36,07. Centile normal imposé. À l’instar de plusieurs praticiens, nous pouvons aussi imposer aux normes éditées un modèle, le modèle normal, en leur donnant des valeurs paramétriques de convenance. Utilisons ici l’échelle normale T, de moyenne µ = 50 et d’écart-type 10, donnée en unités entières (sans partie fractionnaire). La table A1 nous indique que, dans une distribution normale continue, le centile 95 tombe à la position z = 1,64485 ; projetée dans une distribution discrète de paramètres µ = 50 et σ = 10, cela donne T = C95 = 50 + 10 × 1,64485 . 66,4. Abandonnant la partie fractionnaire de 0,4, nous trouvons T = 66. Or il appert que la valeur T = 66 correspond, en écart-réduit, à z = (66 ! 50)/10 = 1,600 et, dans la table A2, à P(1,6) = 0,945203. Donc, utilisant P = 0,94520, nous trouvons r = 0,94520 × (282 + 1) . 267,49, Or, puisque X(267) = X(268) = 2799, nous avons C0,94520 (X) = 2799 qui correspond à T = 66, c’est-à-dire que les personnes obtenant la distance X = 2799 se voient attribuer la cote T = 66. La marge
3.
Nous traitons à nouveau ce problème dans le chapitre suivant (La conversion en cotes T et en QI), en tenant compte cette fois de l’intervalle réel attaché à chaque valeur discrète d’échelle, ici l’intervalle (65,5 à 66,6) pour T = 66.
16
L’étalonnage et la décision psychométrique
d’incertitude de cette cote T, appuyée elle aussi sur une statistique d’ordre, se calcule comme ci-dessus, en appliquant cette fois σ = 10 (plutôt que sX = 284,64) et P = 0,9452. Dans la table A1, utilisant les coefficients aj associés à 0,945 et 0,946, nous obtenons les variances standardisées de 0,015076 et 0,015259 respectivement. Nous interpolons pour P = 0,9452, obtenons 0,015113 et multiplions par σ2 = 102 pour aboutir enfin à var(T = 66) = 1,511, ou une erreur-type σe = 1,23. Sur le plan de l’interprétation, ce résultat signifie que, en raison de sa base de calcul normative, la personne recevant la cote T = 66 est sujette à une variation d’écart-type 1,23, ou qu’il y a approximativement 95 % de chances que sa vraie cote se situe dans l’intervalle (T ± 2σe) = (63,5 ; 68,5). Nous revenons sur la question des normes normalisées (à modèle imposé) dans la section suivante. Centile normal projeté après modélisation. La technique du centile projeté, de type _ Cp = X + zP × sX, a été écartée pour nos données de distance parce que leur répartition jurait avec le modèle normal4. Cependant, un modèle lognormal décent a été trouvé, de ^Y = type Y = loge(X ! 839), où Y se répartit quasi normalement, avec ^µY = 7,235 et σ 0,200. La technique de projection convient alors à ce modèle sous-jacent, la valeur projetée pouvant ensuite être re-transformée vers l’échelle originale. Ainsi, pour P = 0,95 et z = 1,64485, nous obtenons C0,95(Y) = 7,235 + 1,64485 × 0,200 . 7,5640, d’où C0,95(X) = 839 + exp(7,5640) . 2766,54. Il faut user d’un subterfuge ici pour estimer l’erreurtype. D’abord, l’erreur-type sur Y (sur échelle logarithmique) s’obtient par le calcul (15, plus bas), soit var(CY) = 0,2002/282 × [1 + 1,644852 × (4 × 2822!5 × 282) / 8(282 ! 1)2] ^ e(Y) . ^ e(Y ) . 0,018282. Ensuite, on définit les bornes C0,95(Y) ± σ . 0,00033424, ou σ (7,5640 ± 0,018282) . (7,5457 ; 7,5823), pour les transposer en X, soit [839 + exp(7,5457) ; 839 + exp(7,5823)] . (2731,59 ; 2802,14), et le demi-intervalle fournit ^ e(X) . (2802,14 ! 2731,59) / 2 . 35,28. enfin l’estimation cherchée, σ Rang centile. Comme nous l’avons vu ci-dessus (centile semi-normal) pour nos N = 282 données de distance courue, le rang centile 95 est occupé par la valeur X(268,85) . 2802,40. Cette correspondance entre valeur obtenue et rang centile constitue aussi une norme, traditionnellement désignée « normes centiles5 ». Ainsi, les personnes courant environ 2802,40 m se voient attribuer le rang centile RC = 95. La précision d’une telle norme est facile à déterminer : soit 0 < P < 1, alors : var( CP | RC) = 1002 P(1 ! P) / (N + 2) .
(9)
Ainsi, pour notre rang centile 95, var(C0,95) = 1002 × 0,95 × 0,05 / (282 + 2) . 1,673, et ^ e(C0,95) .1,29. Le lecteur aura noté que l’erreur-type d’un centile estimé varie selon P : σ 4.
La valeur projetée sur l’échelle originale, C95 = 2253,90 + 1,64485 × 284,64 . 2722,09, est trop basse ; elle correspond au rang centile 92,4 (plutôt que 95) dans la série normative. Comparativement, la norme projetée après modélisation, soit 2766,54, tombe au rang centile 94,0.
5.
Les normes centiles affichent les valeurs discrètes <1, 1, 2, 3, ..., 98, 99, >99, de sorte qu’elles occupent de facto des intervalles réels dans les données. Ainsi, le rang centile 95 s’étale de 94,5 à 95,5, de sorte que, dans nos 282 données, il couvre les valeurs de rangs (282 + 1) × (0,945 à 9,55), soit r = 267,44 à 270,27 et X(r) = 2782,17 à 2804,24.
La distribution normale et le différentiel de sélection (Section A)
17
dans les modèles normaux examinés ci-dessus, l’erreur-type augmente à mesure que P s’écarte de 0,5, son centre. Dans le cas des normes centiles, le contraire se produit, l’erreur s’amenuisant à mesure qu’on approche de P = 0 ou P = 1. 3. Augmenter le rendement de l’usine. Le concept du différentiel de sélection (∆) s’applique aux situations dans lesquelles le décideur souhaite modifier la valeur moyenne d’un ensemble d’éléments, ce en opérant par sélection. Pour notre exemple, prenons une grande usine (avec un nombre indéfini de manœuvres), dont le rendement par employé est mesuré par un critère Y, de moyenne µY = 200, d’écart-type σY = 20 et de distribution normale. Nous avons aussi à disposition un test de mesure X, normalement distribué dans la population avec µX = 50 et σX = 10 ; le coefficient de validité prédictive, ou la corrélation entre test et rendement à l’usine, est DX,Y = 0,80. Le PDG de l’entreprise souhaite augmenter de 5 % le rendement global ; que peut-on lui proposer ? Sélection par attrition et congédiement. Le rendement moyen par employé doit passer de µY = 200 à µ*Y = 210, soit 200 + 5 %, pour un différentiel, c’est-à-dire une différence standardisée, de ∆Y = (µ*Y ! µY) / σY = (210 ! 200) / 20 = 0,50. La première méthode évidente consiste à retenir seulement les employés dont le rendement assurera la nouvelle moyenne : il s’agit de fixer un seuil CY tel que les employés obtenant Y* = Y $CY aient la moyenne µ*Y voulue. Or, pour un différentiel ∆ = 0,50, la table A3 fournit c = !0,51791 et T = 0,69774, déterminant le seuil CY = µY + ∆σX = 200 ! 0,51791 × 20 . 189,64 et un taux de sélection (rétention) de 69,8 %, correspondant à un taux de rejet de 30,2 %. Sélection par recours à un test prédictif. Une autre méthode, applicable cette fois à des candidats à l’emploi, consiste à administrer à ceux-ci un test d’aptitude, statistiquement corrélé au rendement Y, et à retenir ceux dont le rendement prédit permettra l’atteinte de la moyenne escomptée µ*. Y Utilisant le test à mesure X et les valeurs déjà mentionnés, la relation prédictive entre test et rendement s’écrit : YN = bYX X + a , où bYX = DXY × σY / σX et a = µY ! bµX , relation qui s’applique aussi aux moyennes générales µY et µX comme aux moyennes altérées, µ*Y et µ*. X Donc, au lieu de retenir tous ceux à qui le test est administré, il s’agit de garder ceux obtenant X* = X $ CX tels que leur moyenne en X assure l’élévation correspondante en Y. Pour y parvenir et en coupant court, le différentiel ∆X à appliquer en X s’obtient simplement par : ∆X = ∆Y / DXY , ici ∆X = 0,50 / 0,80 . 0,625. Dans la table A3, pour ∆ = 0,60 nous lisons c = !0,33063 et T = 0,62954, pour ∆ = 0,65, c = !0,24282 et T = 0,59593, d’où l’interpolation pour ∆ = 0,625 fournit c = !0,28673 et T = 0,612746. Ainsi, CX = µX + ∆σX = 50 ! 0,28673 × 10 . 52,87, l’application de ce seuil au moment de la sélection promettant un
6.
Les valeurs exactes pour ∆ = 0,625 sont c = !0,28630 et T = 0,61268.
18
L’étalonnage et la décision psychométrique
rendement moyen de µ*Y . 210. Noter ici le taux de rétention d’environ 61,3 % : l’incertitude associée à un test prédictif à corrélation imparfaite (D = 0,80) entraîne bien sûr un taux de rejet plus élevé, ici 38,7 %. Une autre stratégie de sélection consisterait à mettre les candidats au travail durant une période d’essai, pour laquelle leur rendement Y serait directement apprécié : il est probable que, dans ces circonstances, la corrélation entre le « rendement à l’essai » et le vrai rendement soit plus forte que n’importe quel test prédictif, et qu’on puisse y baser une procédure de sélection avantageuse.
Justification mathématique La distribution normale comme réalité ou comme modèle Le modèle normal est strictement défini par sa fonction de densité (1), mathématiquement spécifiée. Que veut-on dire quand, prenant exemple sur Quételet, on affirme que la taille de quelque 20 000 personnes se répartit selon le modèle normal, avec une moyenne µ et un écart-type σ ? Il y a lieu ici de distinguer entre les valeurs réelles et les valeurs estimées des paramètres, et entre l’existence d’un modèle de répartition postulé (ou supposé) et imposé. Valeurs paramétriques réelles vs estimées. L’usage veut que les notations paramétriques « µ » et « σ », celles qui correspondent aux paramètres externes de la loi normale, désignent des données de population, une population de grandeur indéfinie ou dont le nombre d’éléments est assez grand pour être considéré infini à toutes fins pratiques. Or, les mesures prises dans les enquêtes biométriques ou au cours des standardisations psychométriques rejoignent tout au plus des échantillons, parfois des échantillons assez nombreux, comme celui des 20 000 personnes évoqué ci-dessus. Les mesures d’un tel échan_ tillon permettent le calcul d’indices statistiques tels que la moyenne X et l’écart-type sX, en plus d’autres indices relatifs à la forme de la répartition empirique des données. Or, parce que basés sur un échantillon, donc sur une partie seulement des éléments de la population décrite, ces indices en partagent eux-mêmes le caractère échantillonnal et contiennent donc une part d’incertitude, qui dépend de la taille N de l’échantillon. À taille N suffisamment élevée et si l’échantillon peut être dit représentatif de la population, il est d’usage d’égaliser paramètres et statistiques, ces dernières servant donc à estimer les valeurs paramétriques, ce _ qui est symbolisé par : ^µ = X ; σ ^ = sX ; (10) à partir de cette égalisation, tout se passe comme si nous connaissions la vraie moyenne µ et le vrai écart-type σ de la population, et nous en servions tels quels_pour les calculs ultérieurs. Notons toutefois que l’incertitude présente dans les estimateurs X et sX ne disparaît pas par ce subterfuge, et que c’est justement sur la base de cette incertitude que sera établi plus loin le concept de « norme sûre ».
La distribution normale et le différentiel de sélection (Section A)
19
Modèle postulé vs modèle imposé. Trois cas de figure se présentent en ce qui concerne la distribution de données utilisée. Le premier cas est celui d’une variable dont on sait ou dont on a vérifié qu’elle se distribue normalement dans la population : la documentation abonde de telles quantités, par exemple le poids corporel7. La vérification de la forme de distribution exige bien sûr qu’on dispose d’une base de données substantielle : s’il suffit de quelques dizaines de mesures pour rejeter l’hypothèse de distribution normale, il en faut plusieurs centaines pour la confirmer de façon rassurante. Laurencelle (2001) fait le tour des méthodes disponibles. Une fois assuré que la distribution empirique est normale, _ le calcul des statistiques X et sX et l’invocation de la loi (1) suffisent à restituer toutes les propriétés de cette distribution, permettant notamment la détermination de normes sous forme de centiles normaux projetés (voir Détermination des centiles, plus bas). L’incertitude quant à la forme réelle de la distribution empirique nous place dans le deuxième cas de figure : soit le nombre de données disponibles ne permet pas de nous prononcer, soit la forme observée est ou semble tant soit peu non normale, soit nous n’en savons rien. Dans ce cas et par une option heuristique en faveur de la loi normale, nous pouvons recourir à cette loi en en exploitant les propriétés moins globales, celles associées à ses statistiques d’ordre. Cette approche plus prudente permet cette fois de déterminer des centiles pseudo-normaux, c’est-à-dire des normes-centiles de distribution indéterminée mais dont l’incertitude est évaluée sur la base du modèle normal correspondant. L’imposition stricte de la forme normale nous donne le troisième cas de figure, celui dans lequel, quelle que soit la distribution d’origine, l’utilisateur veut produire un résultat strictement normal : c’est le cas par exemple des échelles de QI comme de bien d’autres échelles d’évaluation mentale ou psychologique. On utilise ici aussi les statistiques d’ordre de la série originale, pour les projeter sur des statistiques d’ordre régularisées d’un modèle normal, produisant ainsi des centiles normaux imposés (ou reconstitués). Le psychométricien, bien entendu, n’a pas l’obligation de recourir au modèle normal dans l’élaboration de ses normes, et tous d’ailleurs ne le font pas. Il importe cependant de signaler que le non-recours à un modèle (normal ou autre) interdit au psychométricien de déterminer l’incertitude de ses normes comme à_ l’utilisateur d’y trouver un cadre d’interprétation. Que signifie, par exemple, la norme X si l’on n’est pas assuré de la symétrie _ de la distribution (et_ si X diffère de la médiane) ? Que signifie aussi l’obtention d’un score situé à la position X + sX, i.e. un écart-type au-dessus de la moyenne, si la distribution est fortement asymétrique ? Qu’on le veuille ou non, le modèle normal agit comme un filtre d’interprétation, acquis depuis les bancs d’école, sur toutes nos appréciations normatives, et celui qui s’en éloigne doit veiller à bien tracer son chemin.
7.
En toute rigueur, le modèle normal, pour lequel une valeur de poids négative reste possible, ne convient pas et devrait être remplacé au moins par un modèle lognormal à origine positive. En pratique, cependant, la loi normale décrit presque parfaitement la distribution des poids d’individus d’âges équivalents dans une même espèce.
20
L’étalonnage et la décision psychométrique
Calcul de P La valeur P ou P(z) = Pr{ Z # z } s’obtient en intégrant la fonction (3) depuis !4 jusqu’à z. Il existe un grand nombre de méthodes, qui exactes, qui approximatives, pour ce calcul (voir Laurencelle et Dupuis, 2000), incluant la série convergente : P(z) = Φ(z) =
.
(11)
Calcul de ∆ Par définition, le différentiel de sélection (standard), ∆ ou ∆(c), dénote la moyenne des valeurs z telles que z $c. Or, puisqu’il y a T(c) = 1 ! P(c) valeurs dans cette zone, nous avons :
∆(c) =
(12)
En raison de la symétrie de la distribution normale, les tables A1 et A2 présentent seulement les valeurs ∆ correspondant à P $ 0,5 et c $ 0. Pour la partie complémentaire, i.e. P < 0,5 et c < 0, le différentiel s’obtient par l’équivalence : ∆(c) = ∆(!c) × P / (1!P ).
(13)
Le lecteur intéressé trouvera dans Laurencelle (1994) des informations sur la variance du différentiel de sélection dans une population normale, ainsi que son espérance et sa variance pour de petites séries statistiques. Détermination des centiles (ou normes de population) Les centiles et leurs valeurs constituent le matériel le plus couramment utilisé à titre de normes d’interprétation d’un test, parce qu’ils répartissent les scores obtenus au test selon les différents niveaux de réussite constatés dans la population. Pour établir les centiles, c’est-à-dire les normes d’un test, il nous faut la série statistique des données du groupe normatif, un échantillon représentatif de la population, constitué d’un nombre d’éléments suffisant pour assurer une estimation précise de toutes les parties de la distribution. La précision d’estimation est ici reflétée par l’erreur-type (ou variance) du centile, et elle dépend essentiellement du modèle d’estimation appliqué. Le centile vrai XP d’une distribution est la valeur X sous laquelle se trouve la fraction P de la population, ou Pr{ X # XP } = P ; le centile CP en est un estimateur, basé sur une série statistique de taille N. Les propriétés de biais et de variance du centile dépendent de la méthode et du modèle d’estimation ; on souhaite évidemment un biais nul et une variance minimale. Il existe deux types fondamentaux d’estimation des centiles : l’estimation basée sur les propriétés d’un modèle postulé, et l’estimation faite à partir des statistiques d’ordre
La distribution normale et le différentiel de sélection (Section A)
21
de la série observée. Dans le cas d’un modèle postulé, l’incertitude apparaît sous deux espèces, celle de la plus _ ou moins grande adéquation du modèle et celle de la valeur des estimateurs (p. ex. X et sX ) de ses paramètres (p. ex. µX et σX). Quand on utilise les statistiques d’ordre, ou les centiles empiriques de la série normative, l’incertitude émane du caractère granulaire, épars, de leur séquence sur l’axe numérique, en fait des intervalles irréguliers qui séparent les valeurs les unes des autres. Les déterminations d’incertitude suggérées plus bas tiennent compte de ces caractéristiques. Propriétés des centiles normaux projetés. Si on pose que la population étudiée est normale et que la série statistique obtenue en est représentative, on peut recourir_à la méthode ^ = sX. Le du centile projeté, en basant cette projection sur la loi (1) et en utilisant ^µ = X ; σ centile de niveau P s’obtient alors par : _ C P = X + zP × sX . (14) Malgré un léger biais imputable à l’estimateur sX , cette formule d’estimation est très précise, avec une variance d’erreur de : var (CP ) = σX2 / N × [1 + zP2 × (4N 2!5N) / 8(N ! 1)2 ] ,
(15)
. σX2 / N × [1 + zP2 /2] ;
_ l’imprécision, ici, provient de l’incertitude des estimateurs X et sX et, comme on le voit, elle augmente à mesure que la norme s’écarte du centre de la distribution. Cette technique des centiles normaux projetés permet bien sûr de spécifier d’autres _ valeurs quelconques des paramètres µ et σ, en appliquant d’abord Y = µY + σY × (X ! X ) / sX. Propriétés des centiles normaux imposés et des centiles semi-normaux. Dans le doute quant à la forme exacte de distribution de sa population, le psychométricien doit opter pour une solution prudente, qui consiste soit à calquer ses normes-centiles sur la distribution observée, en leur concédant néanmoins des propriétés d’incertitude liées au modèle normal, soit à imposer carrément le modèle _normal, c’est-à-dire en normalisant ses données. Dans ^ X = sX est encore implicite ; cependant, au lieu ^X = X ; σ le premier cas, l’égalisation µ ^ et σ ^ , les normes d’utiliser les propriétés du modèle normal (1) finalisé par les paramètres µ centiles sont établies cette fois à partir des statistiques d’ordre de la série normative, notées { X(1), X(2), ..., X(N) }. Dans ce cas, l’estimateur du centile P devient : CP = X(r) , où r = P × (N + 1) .
(16)
Le second cas consiste à substituer directement à la distribution empirique des N données originales une distribution normale reconstituée, à partir de valeurs paramétriques arbitraires µY et σY, p. ex. les valeurs µY = 100 et σY = 15 des échelles de _ QI, les valeurs µY = 50 et σY = 10 de l’échelle normale T, ou peut-être, les valeurs µX = X et σX = sX, qui produiraient un modèle normalisé calqué sur la moyenne et l’écart-type de la série originale. Pour ce cas, peut-être le plus courant, l’estimateur s’obtient par : C = µ + σ × z[P^ (X)] , (17) P
Y
Y
22
L’étalonnage et la décision psychométrique
où :
P^ (X) = rang (X) / (N +1)
(18)
et « rang (X) » indique le rang de X (de 1 à N) dans les statistiques d’ordre. Dans ce procédé, chaque valeur originale X est, selon son rang, re-localisée au même rang relatif dans une distribution normale arbitraire à paramètres imposés. Les estimateurs (16) et (17) possèdent globalement les mêmes propriétés, à savoir un biais pratiquement nul et une variance d’erreur cernée par : var (CP) = σY2 3aj(P) / (N + 2) j , j = 1, 2, 3,
(19)
les coefficients aj(P) étant fournis à la table A1 (voir David et Johnson, 1954 ; Laurencelle, 2000a). En première approximation, cette variance est donnée par : var(CP) . σY2 P(1!P)ϕ(P)!2 / N ,
(20)
où ϕ(P) est la densité (3) correspondant au rang centile P dans la loi normale standard ; l’expression P(1!P)ϕ(P)!2, dans (20), donne la valeur du coefficient a1 de la table A1. La norme centile imposée, représentée par l’expression (16), présente une variance plus grande que la norme projetée indiquée par l’expression (14) ; moins stable, elle requiert donc une base d’estimation plus grande, un N plus fort, pour atteindre la même précision. Nonobstant cet inconvénient, l’avantage insigne d’une norme associée à un modèle normal imposé est double. D’une part, l’utilisateur qui l’exploite est assuré que le modèle d’interprétation classique qu’il a en tête y est effectivement en force ; d’autre part, même si la distribution originale était asymétrique ou non normale d’une façon ou d’une autre, les centiles qui en sont produits restent essentiellement sans biais tandis que les centiles projetés deviendraient pratiquement inutilisables ou mensongers8. Le différentiel de sélection Dans une population de mesure X, le différentiel de sélection9 est simplement la moyenne (ou l’espérance mathématique) des éléments dont la valeur est égale à C ou plus grande ; en unités standardisées dénotées z, ∆(c) = E (z | z $ c) .
(21)
8.
Les centiles à modèle imposé de type (17) garantissent par définition la correspondance de rangs centiles. Ainsi, quelqu’un obtenant le score X = XP dans la mesure originale se voit attribuer, disons, le score Y = CP dans le système normatif, les rangs de X et de Y dans la population étant les mêmes (à peu de chose près). Les centiles projetés de type (14), par contre, garantissent cette équivalence par le truchement_du modèle normal. Dans une population normale, la norme C0,95 correspondra à une valeur proche de X + 1,64485 × sX (d’après la table A1). Or, si par exemple la population a une distribution à forte asymétrie positive, le vrai centile X0,95 sera situé sérieusement plus loin, à droite de la valeur projetée, constituant un biais essentiel pour cette norme (un biais semblable de sous-estimation se produira aussi pour les rangs centiles P < 0,5).
9.
Voir Laurencelle (1998a, p. 130) pour un bref historique du concept.
La distribution normale et le différentiel de sélection (Section A)
23
Pour le modèle normal de variation aléatoire, on montre facilement10 que ∆c = ϕ(c) / [1 ! Φ(c)] ; p. ex., ∆!4 = E (z) = 0, ∆z64 6 4 et ∆0 = 2ϕ(0) = /(2/π) . 0,79788. Le lecteur aura compris qu’on peut aussi bien écrire ∆(P) = ϕ(zP) / (1! P). La symétrie du modèle normal permet de fournir seulement les valeurs de ∆ pour lesquelles c $ 0 ou P $ 0,5 ; la règle (6), qui s’applique aussi bien pour c < 0 que pour P < 0,5, supplée au reste. Le retour à l’échelle originale X s’opère simplement par µX + σX ∆. À notre connaissance, aucune étude ne permet de se prononcer sur la robustesse de la valeur du différentiel de sélection suivant une modification du modèle distributionnel. Étant donné que la quantité ∆ concerne plus particulièrement la zone de l’aile (droite) de la distribution, il est vraisemblable que sa valeur soit assez fortement altérée par une altération du modèle dans cette région. Par ailleurs, la quantité ∆ présentée ici concerne une population normale, de taille pratiquement infinie, plutôt qu’un échantillon de N éléments, une série statistique. Dans le cas d’une série échantillonnée, le différentiel est défini comme la moyenne des k statistiques d’ordre supérieures, soit : D(N,k) = 3ii == NN!k+1 z(i :N) / k ,
(22)
où P = 1 ! k / N. Il est avéré que cette quantité D(N,k) est biaisée, en fait qu’elle est déficitaire par rapport à ∆(P) et qu’elle tend vers sa valeur à mesure que N croît. Burrows11 a fourni une excellente approximation de l’espérance ∆(N,k) = 3ii == NN!k+1 µ(z(i :N)) / k , soit : ∆(N,k) . ∆(P) ! P / [2(N + 1)ϕ(zP)] ,
(23)
le second terme à droite identifiant le biais : il est apparent aussi que le biais augmente sensiblement avec P. P. ex., pour P = 0,5 ou c = 0, ∆ . 0,7979. Or, pour N = 20 et k = 10, soit P = k / N = 0,5, un calcul exact fournit ∆(20,10) . 0,7675, alors que l’approximation (23) donne 0,7680, une valeur proche du but. Noter aussi que l’approximation devient plus précise quand N croît. L’importance du biais de D(N,k) dans les applications normatives ne doit pas être exagérée, ce pour plusieurs raisons. D’abord, la « stratégie » du différentiel de sélection, si l’on peut dire, s’applique à de grands groupes et est orientée sur un effet moyen : le facteur N, dans la formule (23), va éponger rapidement le plus gros du biais. Ensuite, le biais mentionné est un biais en espérance, c’est-à-dire basé sur le calcul d’une moyenne ; or, la distribution du différentiel empirique (22), basé sur les k plus grandes statistiques d’ordre, est non normale et positivement asymétrique, une situation pour laquelle les indices habituels de moyenne et d’écart-type sont quelque peu trompeurs. Enfin, la quantité (22), qui en fait
10. En fait, dϕ(z) / dz = !z ϕ(z), d’où il appert que ϕ(z) est la primitive de la fonction d’espérance z × ϕ(z), etc. 11. « Expected selection differentials for directional selection », Biometrics, 1972, vol. 28, p. 1091-1100. Voir aussi Laurencelle (1994), p. 22-25.
24
L’étalonnage et la décision psychométrique
est un estimateur de (21), a elle-même une variance, approchée par12 : var[ D(N,k) ] .
,
(24)
où k = N × (1!P). L’incertitude de D(N,k), qui augmente elle même avec P, compte pour une bonne part du biais et le noie, pour ainsi dire, de sorte qu’il n’y a guère moyen d’y parer. Bref, faute d’une étude plus approfondie de la question, nous recommandons d’ignorer simplement le problème du biais et, dans la mesure où la taille N le justifie (p. ex. N > 50), d’aller directement à l’asymptote, en utilisant les valeurs fournies dans nos tables A1 à A3.
12. P.M. Burrows : « Variances of selection differentials in normal samples », Biometrics, 1975, vol. 31, p. 125-133. Voir aussi Laurencelle (1994), p. 22-25.
25
La distribution normale et le différentiel de sélection (Section A)
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant P 0,500 0,501 0,502 0,503 0,504 0,505 0,506 0,507 0,508 0,509 0,510 0,511 0,512 0,513 0,514 0,515 0,516 0,517 0,518 0,519 0,520 0,521 0,522 0,523 0,524 0,525 0,526 0,527 0,528 0,529 0,530 0,531 0,532 0,533 0,534 0,535 0,536 0,537 0,538 0,539 0,540 0,541 0,542 0,543 0,544 0,545 0,546 0,547 0,548 0,549
z (c)
ϕ(z)
)(P)
0,00000 0,00251 0,00501 0,00752 0,01003 0,01253 0,01504 0,01755 0,02005 0,02256 0,02507 0,02758 0,03008 0,03259 0,03510 0,03761 0,04012 0,04263 0,04513 0,04764 0,05015 0,05266 0,05517 0,05768 0,06020 0,06271 0,06522 0,06773 0,07024 0,07276 0,07527 0,07778 0,08030 0,08281 0,08533 0,08784 0,09036 0,09288 0,09540 0,09791 0,10043 0,10295 0,10547 0,10799 0,11052 0,11304 0,11556 0,11809 0,12061 0,12314
0,39894 0,39894 0,39894 0,39893 0,39892 0,39891 0,39890 0,39888 0,39886 0,39884 0,39882 0,39879 0,39876 0,39873 0,39870 0,39866 0,39862 0,39858 0,39854 0,39849 0,39844 0,39839 0,39834 0,39828 0,39822 0,39816 0,39809 0,39803 0,39796 0,39789 0,39781 0,39774 0,39766 0,39758 0,39749 0,39741 0,39732 0,39723 0,39713 0,39703 0,39694 0,39683 0,39673 0,39662 0,39651 0,39640 0,39629 0,39617 0,39605 0,39593
0,79788 0,79948 0,80108 0,80268 0,80428 0,80588 0,80748 0,80909 0,81070 0,81230 0,81391 0,81552 0,81713 0,81875 0,82036 0,82198 0,82360 0,82522 0,82684 0,82846 0,83009 0,83171 0,83334 0,83497 0,83660 0,83823 0,83986 0,84150 0,84313 0,84477 0,84641 0,84805 0,84970 0,85134 0,85299 0,85464 0,85629 0,85794 0,85959 0,86125 0,86290 0,86456 0,86622 0,86788 0,86955 0,87121 0,87288 0,87455 0,87622 0,87789
a1 1,57080 1,57080 1,57081 1,57083 1,57085 1,57089 1,57093 1,57097 1,57103 1,57109 1,57116 1,57123 1,57131 1,57140 1,57150 1,57160 1,57172 1,57183 1,57196 1,57209 1,57223 1,57238 1,57254 1,57270 1,57287 1,57304 1,57323 1,57342 1,57362 1,57382 1,57403 1,57425 1,57448 1,57472 1,57496 1,57521 1,57546 1,57573 1,57600 1,57628 1,57657 1,57686 1,57716 1,57747 1,57779 1,57811 1,57844 1,57878 1,57912 1,57948
a2 2,46740 2,46741 2,46744 2,46750 2,46757 2,46766 2,46778 2,46792 2,46808 2,46826 2,46846 2,46868 2,46892 2,46918 2,46947 2,46978 2,47010 2,47045 2,47082 2,47122 2,47163 2,47206 2,47252 2,47300 2,47349 2,47401 2,47456 2,47512 2,47570 2,47631 2,47694 2,47759 2,47826 2,47895 2,47967 2,48040 2,48116 2,48194 2,48274 2,48357 2,48441 2,48528 2,48617 2,48709 2,48802 2,48898 2,48996 2,49096 2,49199 2,49304
a3 3,46273 3,46275 3,46281 3,46290 3,46304 3,46321 3,46342 3,46368 3,46396 3,46429 3,46466 3,46506 3,46551 3,46599 3,46651 3,46707 3,46767 3,46831 3,46899 3,46970 3,47046 3,47125 3,47208 3,47296 3,47387 3,47482 3,47581 3,47684 3,47791 3,47902 3,48016 3,48135 3,48258 3,48385 3,48516 3,48651 3,48790 3,48933 3,49080 3,49231 3,49386 3,49545 3,49708 3,49876 3,50047 3,50223 3,50402 3,50586 3,50775 3,50967
26
L’étalonnage et la décision psychométrique
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P 0,550 0,551 0,552 0,553 0,554 0,555 0,556 0,557 0,558 0,559 0,560 0,561 0,562 0,563 0,564 0,565 0,566 0,567 0,568 0,569 0,570 0,571 0,572 0,573 0,574 0,575 0,576 0,577 0,578 0,579 0,580 0,581 0,582 0,583 0,584 0,585 0,586 0,587 0,588 0,589 0,590 0,591 0,592 0,593 0,594 0,595 0,596 0,597 0,598 0,599
z (c)
ϕ(z)
∆(P)
0,12566 0,12819 0,13072 0,13324 0,13577 0,13830 0,14084 0,14337 0,14590 0,14843 0,15097 0,15351 0,15604 0,15858 0,16112 0,16366 0,16620 0,16874 0,17128 0,17383 0,17637 0,17892 0,18147 0,18402 0,18657 0,18912 0,19167 0,19422 0,19678 0,19934 0,20189 0,20445 0,20701 0,20957 0,21214 0,21470 0,21727 0,21983 0,22240 0,22497 0,22754 0,23012 0,23269 0,23527 0,23785 0,24043 0,24301 0,24559 0,24817 0,25076
0,39580 0,39568 0,39555 0,39542 0,39528 0,39514 0,39501 0,39486 0,39472 0,39457 0,39442 0,39427 0,39411 0,39396 0,39380 0,39364 0,39347 0,39330 0,39313 0,39296 0,39279 0,39261 0,39243 0,39224 0,39206 0,39187 0,39168 0,39149 0,39129 0,39109 0,39089 0,39069 0,39049 0,39028 0,39007 0,38985 0,38964 0,38942 0,38920 0,38897 0,38875 0,38852 0,38829 0,38805 0,38782 0,38758 0,38734 0,38709 0,38684 0,38659
0,87957 0,88124 0,88292 0,88460 0,88628 0,88797 0,88965 0,89134 0,89303 0,89472 0,89641 0,89811 0,89981 0,90150 0,90321 0,90491 0,90661 0,90832 0,91003 0,91174 0,91345 0,91517 0,91689 0,91861 0,92033 0,92205 0,92378 0,92550 0,92723 0,92897 0,93070 0,93244 0,93417 0,93592 0,93766 0,93940 0,94115 0,94290 0,94465 0,94641 0,94816 0,94992 0,95168 0,95345 0,95521 0,95698 0,95875 0,96052 0,96230 0,96408
a1 1,57984 1,58021 1,58058 1,58097 1,58136 1,58176 1,58216 1,58258 1,58300 1,58343 1,58387 1,58431 1,58477 1,58523 1,58569 1,58617 1,58665 1,58715 1,58765 1,58815 1,58867 1,58919 1,58972 1,59026 1,59081 1,59136 1,59193 1,59250 1,59308 1,59367 1,59426 1,59486 1,59548 1,59610 1,59673 1,59736 1,59801 1,59866 1,59932 1,59999 1,60067 1,60136 1,60205 1,60276 1,60347 1,60419 1,60492 1,60566 1,60641 1,60716
a2 2,49411 2,49520 2,49632 2,49746 2,49862 2,49980 2,50101 2,50224 2,50350 2,50478 2,50608 2,50740 2,50875 2,51013 2,51152 2,51294 2,51439 2,51585 2,51735 2,51886 2,52040 2,52197 2,52356 2,52517 2,52681 2,52848 2,53017 2,53188 2,53362 2,53538 2,53718 2,53899 2,54083 2,54270 2,54459 2,54651 2,54846 2,55043 2,55243 2,55445 2,55651 2,55858 2,56069 2,56282 2,56498 2,56717 2,56939 2,57163 2,57390 2,57620
a3 3,51163 3,51364 3,51569 3,51778 3,51992 3,52209 3,52431 3,52658 3,52888 3,53123 3,53363 3,53607 3,53855 3,54107 3,54364 3,54626 3,54892 3,55162 3,55437 3,55717 3,56001 3,56289 3,56583 3,56881 3,57183 3,57490 3,57802 3,58119 3,58441 3,58767 3,59098 3,59434 3,59774 3,60120 3,60470 3,60826 3,61186 3,61552 3,61922 3,62298 3,62678 3,63064 3,63455 3,63851 3,64253 3,64659 3,65071 3,65488 3,65911 3,66339
27
La distribution normale et le différentiel de sélection (Section A)
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P
z (c)
ϕ(z)
∆(P)
0,600 0,601 0,602 0,603 0,604 0,605 0,606 0,607 0,608 0,609 0,610 0,611 0,612 0,613 0,614 0,615 0,616 0,617 0,618 0,619 0,620 0,621 0,622 0,623 0,624 0,625 0,626 0,627 0,628 0,629 0,630 0,631 0,632 0,633 0,634 0,635 0,636 0,637 0,638 0,639 0,640 0,641 0,642 0,643 0,644 0,645 0,646 0,647 0,648 0,649
0,25335 0,25594 0,25853 0,26112 0,26371 0,26631 0,26891 0,27151 0,27411 0,27671 0,27932 0,28193 0,28454 0,28715 0,28976 0,29237 0,29499 0,29761 0,30023 0,30286 0,30548 0,30811 0,31074 0,31337 0,31600 0,31864 0,32128 0,32392 0,32656 0,32921 0,33185 0,33450 0,33716 0,33981 0,34247 0,34513 0,34779 0,35045 0,35312 0,35579 0,35846 0,36113 0,36381 0,36649 0,36917 0,37186 0,37454 0,37723 0,37993 0,38262
0,38634 0,38609 0,38583 0,38557 0,38531 0,38504 0,38478 0,38451 0,38423 0,38396 0,38368 0,38340 0,38312 0,38283 0,38254 0,38225 0,38196 0,38166 0,38136 0,38106 0,38076 0,38045 0,38014 0,37983 0,37951 0,37920 0,37888 0,37855 0,37823 0,37790 0,37757 0,37724 0,37690 0,37656 0,37622 0,37588 0,37553 0,37518 0,37483 0,37447 0,37412 0,37376 0,37340 0,37303 0,37266 0,37229 0,37192 0,37154 0,37116 0,37078
0,96586 0,96764 0,96942 0,97121 0,97300 0,97479 0,97659 0,97839 0,98019 0,98199 0,98379 0,98560 0,98741 0,98922 0,99104 0,99286 0,99468 0,99650 0,99833 1,00016 1,00199 1,00382 1,00566 1,00750 1,00934 1,01119 1,01304 1,01489 1,01674 1,01860 1,02046 1,02232 1,02418 1,02605 1,02792 1,02980 1,03168 1,03356 1,03544 1,03733 1,03922 1,04111 1,04300 1,04490 1,04680 1,04871 1,05062 1,05253 1,05444 1,05636
a1 1,60793 1,60870 1,60948 1,61027 1,61107 1,61188 1,61270 1,61353 1,61436 1,61521 1,61606 1,61692 1,61780 1,61868 1,61957 1,62047 1,62138 1,62230 1,62323 1,62416 1,62511 1,62607 1,62703 1,62801 1,62900 1,62999 1,63100 1,63201 1,63304 1,63407 1,63512 1,63618 1,63724 1,63832 1,63940 1,64050 1,64161 1,64272 1,64385 1,64499 1,64614 1,64730 1,64847 1,64965 1,65084 1,65204 1,65325 1,65448 1,65571 1,65696
a2
a3
2,57853 2,58088 2,58327 2,58568 2,58812 2,59059 2,59309 2,59562 2,59818 2,60077 2,60339 2,60604 2,60872 2,61143 2,61417 2,61694 2,61975 2,62258 2,62545 2,62835 2,63128 2,63424 2,63724 2,64026 2,64332 2,64642 2,64955 2,65271 2,65590 2,65913 2,66239 2,66569 2,66903 2,67239 2,67580 2,67924 2,68271 2,68622 2,68977 2,69336 2,69698 2,70064 2,70433 2,70807 2,71184 2,71566 2,71951 2,72340 2,72733 2,73130
3,66772 3,67211 3,67655 3,68105 3,68561 3,69022 3,69488 3,69961 3,70439 3,70923 3,71413 3,71909 3,72410 3,72918 3,73431 3,73951 3,74476 3,75008 3,75546 3,76091 3,76641 3,77198 3,77761 3,78331 3,78907 3,79490 3,80079 3,80675 3,81278 3,81887 3,82504 3,83127 3,83757 3,84394 3,85038 3,85690 3,86348 3,87014 3,87687 3,88367 3,89055 3,89751 3,90454 3,91164 3,91883 3,92609 3,93343 3,94085 3,94835 3,95593
28
L’étalonnage et la décision psychométrique
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P
z (c)
0,650 0,651 0,652 0,653 0,654 0,655 0,656 0,657 0,658 0,659 0,660 0,661 0,662 0,663 0,664 0,665 0,666 0,667 0,668 0,669 0,670 0,671 0,672 0,673 0,674 0,675 0,676 0,677 0,678 0,679 0,680 0,681 0,682 0,683 0,684 0,685 0,686 0,687 0,688 0,689 0,690 0,691 0,692 0,693 0,694 0,695 0,696 0,697 0,698 0,699
0,38532 0,38802 0,39073 0,39343 0,39614 0,39886 0,40157 0,40429 0,40701 0,40974 0,41246 0,41519 0,41793 0,42066 0,42340 0,42615 0,42889 0,43164 0,43440 0,43715 0,43991 0,44268 0,44544 0,44821 0,45099 0,45376 0,45654 0,45933 0,46211 0,46490 0,46770 0,47050 0,47330 0,47610 0,47891 0,48173 0,48454 0,48736 0,49019 0,49302 0,49585 0,49869 0,50153 0,50437 0,50722 0,51007 0,51293 0,51579 0,51866 0,52153
ϕ(z) 0,37040 0,37001 0,36962 0,36923 0,36884 0,36844 0,36804 0,36764 0,36723 0,36682 0,36641 0,36600 0,36558 0,36516 0,36474 0,36431 0,36389 0,36346 0,36302 0,36259 0,36215 0,36171 0,36126 0,36082 0,36037 0,35991 0,35946 0,35900 0,35854 0,35808 0,35761 0,35714 0,35667 0,35620 0,35572 0,35524 0,35475 0,35427 0,35378 0,35329 0,35279 0,35230 0,35180 0,35129 0,35079 0,35028 0,34977 0,34925 0,34874 0,34822
∆(P) 1,05828 1,06021 1,06213 1,06407 1,06600 1,06794 1,06988 1,07182 1,07377 1,07572 1,07768 1,07964 1,08160 1,08356 1,08553 1,08750 1,08948 1,09146 1,09344 1,09543 1,09742 1,09941 1,10141 1,10341 1,10542 1,10743 1,10944 1,11146 1,11348 1,11551 1,11753 1,11957 1,12160 1,12364 1,12569 1,12774 1,12979 1,13185 1,13391 1,13597 1,13804 1,14012 1,14220 1,14428 1,14636 1,14845 1,15055 1,15265 1,15475 1,15686
a1 1,65822 1,65949 1,66077 1,66206 1,66336 1,66468 1,66600 1,66734 1,66869 1,67005 1,67143 1,67281 1,67421 1,67562 1,67704 1,67848 1,67992 1,68138 1,68285 1,68434 1,68583 1,68734 1,68887 1,69040 1,69195 1,69351 1,69509 1,69668 1,69828 1,69989 1,70152 1,70316 1,70482 1,70649 1,70817 1,70987 1,71158 1,71331 1,71505 1,71681 1,71858 1,72036 1,72216 1,72398 1,72581 1,72766 1,72952 1,73139 1,73328 1,73519
a2 2,73531 2,73936 2,74345 2,74758 2,75175 2,75597 2,76023 2,76453 2,76888 2,77326 2,77769 2,78217 2,78669 2,79126 2,79587 2,80052 2,80523 2,80998 2,81477 2,81962 2,82451 2,82945 2,83444 2,83948 2,84457 2,84971 2,85490 2,86014 2,86544 2,87078 2,87618 2,88164 2,88714 2,89270 2,89832 2,90399 2,90972 2,91550 2,92134 2,92724 2,93320 2,93922 2,94529 2,95143 2,95763 2,96389 2,97021 2,97660 2,98305 2,98956
a3 3,96359 3,97134 3,97917 3,98708 3,99508 4,00317 4,01134 4,01960 4,02794 4,03638 4,04491 4,05353 4,06224 4,07104 4,07994 4,08893 4,09802 4,10720 4,11649 4,12587 4,13536 4,14494 4,15463 4,16442 4,17432 4,18432 4,19443 4,20464 4,21497 4,22541 4,23596 4,24662 4,25740 4,26829 4,27930 4,29043 4,30168 4,31305 4,32454 4,33616 4,34790 4,35977 4,37177 4,38390 4,39617 4,40856 4,42109 4,43376 4,44657 4,45952
29
La distribution normale et le différentiel de sélection (Section A)
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P
z (c)
0,700 0,701 0,702 0,703 0,704 0,705 0,706 0,707 0,708 0,709 0,710 0,711 0,712 0,713 0,714 0,715 0,716 0,717 0,718 0,719 0,720 0,721 0,722 0,723 0,724 0,725 0,726 0,727 0,728 0,729 0,730 0,731 0,732 0,733 0,734 0,735 0,736 0,737 0,738 0,739 0,740 0,741 0,742 0,743 0,744 0,745 0,746 0,747 0,748 0,749
0,52440 0,52728 0,53016 0,53305 0,53594 0,53884 0,54174 0,54464 0,54755 0,55047 0,55338 0,55631 0,55924 0,56217 0,56511 0,56805 0,57100 0,57395 0,57691 0,57987 0,58284 0,58581 0,58879 0,59178 0,59477 0,59776 0,60076 0,60376 0,60678 0,60979 0,61281 0,61584 0,61887 0,62191 0,62496 0,62801 0,63106 0,63412 0,63719 0,64027 0,64335 0,64643 0,64952 0,65262 0,65573 0,65884 0,66196 0,66508 0,66821 0,67135
ϕ(z) 0,34769 0,34717 0,34664 0,34611 0,34557 0,34503 0,34449 0,34395 0,34340 0,34286 0,34230 0,34175 0,34119 0,34063 0,34007 0,33950 0,33893 0,33836 0,33778 0,33720 0,33662 0,33604 0,33545 0,33486 0,33427 0,33367 0,33307 0,33247 0,33187 0,33126 0,33065 0,33003 0,32941 0,32879 0,32817 0,32754 0,32691 0,32628 0,32565 0,32501 0,32437 0,32372 0,32307 0,32242 0,32177 0,32111 0,32045 0,31979 0,31912 0,31845
∆(P) 1,15898 1,16109 1,16321 1,16534 1,16747 1,16961 1,17175 1,17389 1,17604 1,17820 1,18036 1,18252 1,18469 1,18687 1,18905 1,19123 1,19342 1,19561 1,19781 1,20002 1,20223 1,20444 1,20666 1,20889 1,21112 1,21335 1,21559 1,21784 1,22009 1,22235 1,22461 1,22688 1,22916 1,23144 1,23372 1,23601 1,23831 1,24061 1,24292 1,24524 1,24756 1,24989 1,25222 1,25456 1,25690 1,25925 1,26161 1,26398 1,26635 1,26872
a1 1,73711 1,73905 1,74101 1,74298 1,74497 1,74697 1,74899 1,75103 1,75308 1,75516 1,75724 1,75935 1,76147 1,76361 1,76577 1,76795 1,77014 1,77236 1,77459 1,77684 1,77911 1,78139 1,78370 1,78603 1,78837 1,79074 1,79312 1,79552 1,79795 1,80039 1,80286 1,80534 1,80785 1,81038 1,81293 1,81550 1,81809 1,82070 1,82334 1,82599 1,82867 1,83138 1,83410 1,83685 1,83963 1,84242 1,84524 1,84809 1,85096 1,85385
a2 2,99614 3,00278 3,00949 3,01627 3,02311 3,03003 3,03701 3,04407 3,05119 3,05839 3,06566 3,07301 3,08042 3,08792 3,09549 3,10314 3,11086 3,11866 3,12655 3,13451 3,14256 3,15069 3,15890 3,16720 3,17559 3,18406 3,19262 3,20126 3,21000 3,21883 3,22776 3,23677 3,24588 3,25509 3,26440 3,27380 3,28330 3,29291 3,30262 3,31243 3,32234 3,33237 3,34250 3,35274 3,36309 3,37356 3,38414 3,39483 3,40564 3,41657
a3 4,47260 4,48584 4,49922 4,51274 4,52642 4,54025 4,55423 4,56836 4,58266 4,59711 4,61173 4,62651 4,64145 4,65656 4,67185 4,68730 4,70293 4,71874 4,73473 4,75090 4,76726 4,78380 4,80053 4,81746 4,83458 4,85190 4,86942 4,88715 4,90508 4,92322 4,94158 4,96015 4,97894 4,99795 5,01719 5,03666 5,05636 5,07629 5,09647 5,11689 5,13755 5,15847 5,17964 5,20107 5,22276 5,24472 5,26695 5,28946 5,31224 5,33531
30
L’étalonnage et la décision psychométrique
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P 0,750 0,751 0,752 0,753 0,754 0,755 0,756 0,757 0,758 0,759 0,760 0,761 0,762 0,763 0,764 0,765 0,766 0,767 0,768 0,769 0,770 0,771 0,772 0,773 0,774 0,775 0,776 0,777 0,778 0,779 0,780 0,781 0,782 0,783 0,784 0,785 0,786 0,787 0,788 0,789 0,790 0,791 0,792 0,793 0,794 0,795 0,796 0,797 0,798 0,799
z (c)
ϕ(z)
0,67449 0,67764 0,68080 0,68396 0,68713 0,69031 0,69349 0,69668 0,69988 0,70309 0,70630 0,70952 0,71275 0,71599 0,71923 0,72248 0,72574 0,72900 0,73228 0,73556 0,73885 0,74214 0,74545 0,74876 0,75208 0,75542 0,75875 0,76210 0,76546 0,76882 0,77219 0,77557 0,77897 0,78237 0,78577 0,78919 0,79262 0,79606 0,79950 0,80296 0,80642 0,80990 0,81338 0,81687 0,82038 0,82389 0,82742 0,83095 0,83450 0,83805
0,31778 0,31710 0,31642 0,31574 0,31505 0,31436 0,31367 0,31298 0,31228 0,31158 0,31087 0,31017 0,30945 0,30874 0,30802 0,30730 0,30658 0,30585 0,30512 0,30439 0,30365 0,30291 0,30216 0,30142 0,30067 0,29991 0,29916 0,29840 0,29763 0,29686 0,29609 0,29532 0,29454 0,29376 0,29298 0,29219 0,29140 0,29060 0,28981 0,28901 0,28820 0,28739 0,28658 0,28577 0,28495 0,28413 0,28330 0,28247 0,28164 0,28080
∆(P) 1,27111 1,27350 1,27589 1,27830 1,28070 1,28312 1,28554 1,28797 1,29041 1,29285 1,29530 1,29776 1,30023 1,30270 1,30518 1,30767 1,31016 1,31266 1,31517 1,31769 1,32021 1,32274 1,32528 1,32783 1,33038 1,33294 1,33552 1,33809 1,34068 1,34328 1,34588 1,34849 1,35111 1,35374 1,35638 1,35902 1,36168 1,36434 1,36702 1,36970 1,37239 1,37509 1,37780 1,38051 1,38324 1,38598 1,38873 1,39148 1,39425 1,39702
a1 1,85677 1,85971 1,86268 1,86567 1,86869 1,87174 1,87481 1,87791 1,88104 1,88419 1,88738 1,89058 1,89382 1,89709 1,90038 1,90371 1,90706 1,91045 1,91386 1,91730 1,92078 1,92429 1,92782 1,93139 1,93500 1,93863 1,94230 1,94600 1,94973 1,95350 1,95731 1,96115 1,96502 1,96893 1,97288 1,97686 1,98089 1,98494 1,98904 1,99318 1,99735 2,00157 2,00582 2,01012 2,01445 2,01883 2,02325 2,02772 2,03222 2,03678
a2 3,42762 3,43880 3,45010 3,46152 3,47307 3,48475 3,49656 3,50851 3,52059 3,53281 3,54516 3,55766 3,57030 3,58309 3,59602 3,60910 3,62234 3,63573 3,64927 3,66298 3,67684 3,69087 3,70507 3,71943 3,73397 3,74868 3,76357 3,77864 3,79389 3,80933 3,82496 3,84077 3,85679 3,87300 3,88941 3,90603 3,92286 3,93990 3,95715 3,97462 3,99232 4,01024 4,02839 4,04678 4,06541 4,08428 4,10339 4,12276 4,14238 4,16227
a3 5,35867 5,38232 5,40627 5,43052 5,45508 5,47995 5,50514 5,53065 5,55649 5,58267 5,60919 5,63605 5,66326 5,69083 5,71877 5,74707 5,77575 5,80481 5,83427 5,86411 5,89437 5,92503 5,95611 5,98762 6,01956 6,05194 6,08477 6,11806 6,15182 6,18605 6,22076 6,25597 6,29168 6,32790 6,36464 6,40191 6,43973 6,47809 6,51702 6,55653 6,59662 6,63730 6,67860 6,72051 6,76306 6,80626 6,85012 6,89465 6,93987 6,98579
31
La distribution normale et le différentiel de sélection (Section A)
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P
z (c)
0,800 0,801 0,802 0,803 0,804 0,805 0,806 0,807 0,808 0,809 0,810 0,811 0,812 0,813 0,814 0,815 0,816 0,817 0,818 0,819 0,820 0,821 0,822 0,823 0,824 0,825 0,826 0,827 0,828 0,829 0,830 0,831 0,832 0,833 0,834 0,835 0,836 0,837 0,838 0,839 0,840 0,841 0,842 0,843 0,844 0,845 0,846 0,847 0,848 0,849
0,84162 0,84520 0,84879 0,85239 0,85600 0,85962 0,86325 0,86689 0,87055 0,87422 0,87790 0,88159 0,88529 0,88901 0,89273 0,89647 0,90023 0,90399 0,90777 0,91156 0,91537 0,91918 0,92301 0,92686 0,93072 0,93459 0,93848 0,94238 0,94629 0,95022 0,95417 0,95812 0,96210 0,96609 0,97009 0,97411 0,97815 0,98220 0,98627 0,99036 0,99446 0,99858 1,00271 1,00686 1,01103 1,01522 1,01943 1,02365 1,02789 1,03215
ϕ(z) 0,27996 0,27912 0,27827 0,27742 0,27657 0,27571 0,27485 0,27398 0,27311 0,27224 0,27137 0,27049 0,26960 0,26871 0,26782 0,26693 0,26603 0,26513 0,26422 0,26331 0,26240 0,26148 0,26056 0,25964 0,25871 0,25778 0,25684 0,25590 0,25495 0,25401 0,25305 0,25210 0,25114 0,25017 0,24921 0,24823 0,24726 0,24628 0,24529 0,24430 0,24331 0,24232 0,24131 0,24031 0,23930 0,23829 0,23727 0,23625 0,23522 0,23419
∆(P) 1,39981 1,40261 1,40541 1,40823 1,41105 1,41389 1,41674 1,41960 1,42247 1,42535 1,42824 1,43114 1,43405 1,43698 1,43991 1,44286 1,44582 1,44879 1,45178 1,45477 1,45778 1,46080 1,46383 1,46687 1,46993 1,47300 1,47608 1,47918 1,48229 1,48541 1,48855 1,49170 1,49486 1,49804 1,50124 1,50444 1,50766 1,51090 1,51415 1,51742 1,52070 1,52400 1,52731 1,53064 1,53398 1,53734 1,54072 1,54411 1,54752 1,55095
a1 2,04137 2,04601 2,05070 2,05543 2,06021 2,06504 2,06992 2,07484 2,07982 2,08484 2,08992 2,09505 2,10023 2,10547 2,11076 2,11610 2,12150 2,12696 2,13247 2,13804 2,14367 2,14936 2,15512 2,16093 2,16681 2,17275 2,17875 2,18483 2,19096 2,19717 2,20344 2,20979 2,21621 2,22270 2,22926 2,23589 2,24261 2,24940 2,25627 2,26322 2,27025 2,27736 2,28456 2,29184 2,29921 2,30667 2,31422 2,32186 2,32959 2,33742
a2 4,18241 4,20283 4,22353 4,24450 4,26576 4,28731 4,30915 4,33130 4,35376 4,37652 4,39961 4,42302 4,44676 4,47084 4,49526 4,52003 4,54517 4,57066 4,59653 4,62278 4,64942 4,67645 4,70388 4,73173 4,76000 4,78869 4,81783 4,84741 4,87744 4,90795 4,93893 4,97040 5,00236 5,03483 5,06782 5,10135 5,13541 5,17003 5,20522 5,24099 5,27735 5,31432 5,35191 5,39014 5,42901 5,46856 5,50879 5,54971 5,59135 5,63373
a3 7,03242 7,07979 7,12790 7,17678 7,22643 7,27689 7,32815 7,38025 7,43319 7,48700 7,54170 7,59731 7,65384 7,71132 7,76977 7,82922 7,88968 7,95117 8,01373 8,07737 8,14213 8,20803 8,27509 8,34335 8,41284 8,48357 8,55559 8,62893 8,70361 8,77968 8,85716 8,93610 9,01652 9,09848 9,18200 9,26713 9,35391 9,44239 9,53261 9,62461 9,71844 9,81417 9,91182 10,0115 10,1132 10,2169 10,3229 10,4311 10,5415 10,6543
32
L’étalonnage et la décision psychométrique
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P 0,850 0,851 0,852 0,853 0,854 0,855 0,856 0,857 0,858 0,859 0,860 0,861 0,862 0,863 0,864 0,865 0,866 0,867 0,868 0,869 0,870 0,871 0,872 0,873 0,874 0,875 0,876 0,877 0,878 0,879 0,880 0,881 0,882 0,883 0,884 0,885 0,886 0,887 0,888 0,889 0,890 0,891 0,892 0,893 0,894 0,895 0,896 0,897 0,898 0,899
z (c)
ϕ(z)
1,03643 1,04073 1,04505 1,04939 1,05374 1,05812 1,06252 1,06694 1,07138 1,07584 1,08032 1,08482 1,08935 1,09390 1,09847 1,10306 1,10768 1,11232 1,11699 1,12168 1,12639 1,13113 1,13590 1,14069 1,14551 1,15035 1,15522 1,16012 1,16505 1,17000 1,17499 1,18000 1,18504 1,19012 1,19522 1,20036 1,20553 1,21073 1,21596 1,22123 1,22653 1,23186 1,23723 1,24264 1,24808 1,25357 1,25908 1,26464 1,27024 1,27587
0,23316 0,23212 0,23108 0,23003 0,22898 0,22792 0,22686 0,22580 0,22473 0,22365 0,22258 0,22149 0,22041 0,21932 0,21822 0,21712 0,21601 0,21490 0,21379 0,21267 0,21155 0,21042 0,20928 0,20814 0,20700 0,20585 0,20470 0,20354 0,20238 0,20121 0,20004 0,19886 0,19768 0,19649 0,19530 0,19410 0,19290 0,19169 0,19048 0,18926 0,18804 0,18681 0,18557 0,18433 0,18309 0,18184 0,18058 0,17932 0,17805 0,17678
∆(P) 1,55439 1,55785 1,56133 1,56483 1,56835 1,57188 1,57543 1,57900 1,58259 1,58620 1,58983 1,59348 1,59715 1,60084 1,60455 1,60829 1,61204 1,61581 1,61961 1,62343 1,62727 1,63113 1,63502 1,63893 1,64287 1,64683 1,65081 1,65482 1,65886 1,66292 1,66700 1,67112 1,67526 1,67943 1,68362 1,68785 1,69210 1,69638 1,70070 1,70504 1,70941 1,71382 1,71826 1,72273 1,72723 1,73177 1,73634 1,74095 1,74559 1,75027
a1 2,34534 2,35337 2,36149 2,36972 2,37805 2,38649 2,39503 2,40369 2,41246 2,42134 2,43034 2,43946 2,44870 2,45806 2,46755 2,47717 2,48692 2,49681 2,50683 2,51699 2,52730 2,53775 2,54835 2,55910 2,57001 2,58108 2,59231 2,60371 2,61527 2,62701 2,63893 2,65103 2,66332 2,67580 2,68847 2,70134 2,71442 2,72770 2,74120 2,75492 2,76887 2,78305 2,79746 2,81212 2,82703 2,84220 2,85762 2,87332 2,88930 2,90556
a2 5,67685 5,72075 5,76543 5,81093 5,85725 5,90442 5,95246 6,00140 6,05126 6,10206 6,15382 6,20658 6,26036 6,31518 6,37108 6,42808 6,48622 6,54552 6,60603 6,66776 6,73077 6,79508 6,86073 6,92776 6,99622 7,06615 7,13758 7,21056 7,28515 7,36139 7,43934 7,51904 7,60055 7,68393 7,76923 7,85653 7,94589 8,03737 8,13105 8,22700 8,32529 8,42601 8,52924 8,63507 8,74360 8,85490 8,96910 9,08628 9,20657 9,33008
a3 10,7696 10,8873 11,0076 11,1305 11,2561 11,3845 11,5159 11,6501 11,7875 11,9280 12,0718 12,2189 12,3695 12,5237 12,6816 12,8433 13,0089 13,1786 13,3525 13,5308 13,7136 13,9010 14,0932 14,2904 14,4928 14,7005 14,9137 15,1327 15,3576 15,5886 15,8261 16,0701 16,3211 16,5792 16,8447 17,1179 17,3991 17,6887 17,9869 18,2941 18,6107 18,9371 19,2736 19,6208 19,9790 20,3487 20,7305 21,1248 21,5322 21,9534
33
La distribution normale et le différentiel de sélection (Section A)
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P 0,900 0,901 0,902 0,903 0,904 0,905 0,906 0,907 0,908 0,909 0,910 0,911 0,912 0,913 0,914 0,915 0,916 0,917 0,918 0,919 0,920 0,921 0,922 0,923 0,924 0,925 0,926 0,927 0,928 0,929 0,930 0,931 0,932 0,933 0,934 0,935 0,936 0,937 0,938 0,939 0,940 0,941 0,942 0,943 0,944 0,945 0,946 0,947 0,948 0,949
z (c)
ϕ(z)
1,28155 1,28727 1,29303 1,29884 1,30469 1,31058 1,31652 1,32251 1,32854 1,33462 1,34076 1,34694 1,35317 1,35946 1,36581 1,37220 1,37866 1,38517 1,39174 1,39838 1,40507 1,41183 1,41865 1,42554 1,43250 1,43953 1,44663 1,45381 1,46106 1,46838 1,47579 1,48328 1,49085 1,49851 1,50626 1,51410 1,52204 1,53007 1,53820 1,54643 1,55477 1,56322 1,57179 1,58047 1,58927 1,59819 1,60725 1,61644 1,62576 1,63523
0,17550 0,17421 0,17292 0,17163 0,17033 0,16902 0,16770 0,16639 0,16506 0,16373 0,16239 0,16105 0,15970 0,15834 0,15698 0,15561 0,15423 0,15285 0,15146 0,15007 0,14867 0,14726 0,14584 0,14442 0,14299 0,14156 0,14011 0,13866 0,13720 0,13574 0,13427 0,13279 0,13130 0,12981 0,12830 0,12679 0,12528 0,12375 0,12222 0,12067 0,11912 0,11756 0,11600 0,11442 0,11284 0,11124 0,10964 0,10803 0,10641 0,10478
∆(P) 1,75498 1,75974 1,76453 1,76936 1,77423 1,77914 1,78409 1,78909 1,79413 1,79921 1,80434 1,80951 1,81474 1,82000 1,82532 1,83069 1,83611 1,84158 1,84711 1,85269 1,85833 1,86402 1,86978 1,87559 1,88147 1,88741 1,89341 1,89948 1,90562 1,91183 1,91811 1,92447 1,93090 1,93741 1,94400 1,95068 1,95744 1,96429 1,97122 1,97826 1,98538 1,99261 1,99994 2,00737 2,01492 2,02258 2,03035 2,03825 2,04627 2,05442
a1 2,92211 2,93896 2,95613 2,97361 2,99142 3,00957 3,02806 3,04691 3,06613 3,08573 3,10572 3,12611 3,14692 3,16816 3,18984 3,21197 3,23458 3,25768 3,28128 3,30540 3,33007 3,35529 3,38109 3,40749 3,43452 3,46218 3,49052 3,51955 3,54930 3,57980 3,61107 3,64316 3,67609 3,70990 3,74463 3,78031 3,81698 3,85469 3,89349 3,93343 3,97455 4,01692 4,06059 4,10563 4,15211 4,20009 4,24966 4,30090 4,35390 4,40875
a2 9,45692 9,58723 9,72113 9,85877 10,0003 10,1459 10,2956 10,4497 10,6084 10,7718 10,9401 11,1136 11,2924 11,4768 11,6671 11,8635 12,0662 12,2756 12,4919 12,7155 12,9468 13,1861 13,4338 13,6902 13,9559 14,2313 14,5169 14,8133 15,1209 15,4404 15,7725 16,1178 16,4771 16,8512 17,2408 17,6470 18,0707 18,5130 18,9750 19,4579 19,9631 20,4920 21,0462 21,6273 22,2372 22,8779 23,5516 24,2607 25,0076 25,7954
a3 22,3889 22,8393 23,3055 23,7881 24,2879 24,8057 25,3424 25,8990 26,4764 27,0756 27,6979 28,3443 29,0162 29,7148 30,4417 31,1983 31,9863 32,8074 33,6635 34,5566 35,4888 36,4625 37,4801 38,5443 39,6579 40,8239 42,0458 43,3270 44,6714 46,0833 47,5670 49,1275 50,7702 52,5006 54,3253 56,2508 58,2848 60,4353 62,7113 65,1224 67,6794 70,3940 73,2791 76,3490 79,6194 83,1077 86,8332 90,8173 95,0838 99,6594
34
L’étalonnage et la décision psychométrique
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P
z (c)
0,950 0,951 0,952 0,953 0,954 0,955 0,956 0,957 0,958 0,959 0,960 0,961 0,962 0,963 0,964 0,965 0,966 0,967 0,968 0,969 0,970 0,971 0,972 0,973 0,974 0,975 0,976 0,977 0,978 0,979 0,980 0,981 0,982 0,983 0,984 0,985 0,986 0,987 0,988 0,989 0,990 0,991 0,992 0,993 0,994 0,995 0,996 0,997 0,998 0,999
1,64485 1,65463 1,66456 1,67466 1,68494 1,69540 1,70604 1,71689 1,72793 1,73920 1,75069 1,76241 1,77438 1,78661 1,79912 1,81191 1,82501 1,83842 1,85218 1,86630 1,88079 1,89570 1,91104 1,92684 1,94313 1,95996 1,97737 1,99539 2,01409 2,03352 2,05375 2,07485 2,09693 2,12007 2,14441 2,17009 2,19729 2,22621 2,25713 2,29037 2,32635 2,36562 2,40892 2,45726 2,51214 2,57583 2,65207 2,74778 2,87816 3,09023
ϕ(z) 0,10314 0,10149 0,09983 0,09816 0,09648 0,09479 0,09309 0,09137 0,08965 0,08792 0,08617 0,08442 0,08265 0,08087 0,07908 0,07727 0,07545 0,07362 0,07177 0,06992 0,06804 0,06615 0,06425 0,06233 0,06040 0,05845 0,05648 0,05449 0,05249 0,05046 0,04842 0,04635 0,04427 0,04216 0,04003 0,03787 0,03569 0,03348 0,03123 0,02896 0,02665 0,02431 0,02192 0,01949 0,01700 0,01446 0,01185 0,00915 0,00634 0,00337
∆(P) 2,06271 2,07114 2,07972 2,08844 2,09732 2,10637 2,11559 2,12499 2,13458 2,14436 2,15434 2,16454 2,17497 2,18563 2,19654 2,20772 2,21917 2,23091 2,24296 2,25534 2,26807 2,28116 2,29466 2,30857 2,32295 2,33780 2,35319 2,36914 2,38570 2,40294 2,42091 2,43968 2,45934 2,47998 2,50172 2,52470 2,54906 2,57502 2,60282 2,63275 2,66521 2,70072 2,73995 2,78385 2,83381 2,89195 2,96176 3,04973 3,17010 3,36709
a1 4,46556 4,52444 4,58551 4,64890 4,71476 4,78322 4,85446 4,92866 5,00602 5,08675 5,17108 5,25927 5,35161 5,44842 5,55003 5,65683 5,76924 5,88775 6,01289 6,14524 6,28549 6,43441 6,59284 6,76178 6,94237 7,13590 7,34389 7,56810 7,81059 8,07380 8,36065 8,67461 9,01991 9,40172 9,82645 10,3021 10,8390 11,4502 12,1531 12,9713 13,9371 15,0964 16,5172 18,3046 20,6297 23,7942 28,3856 35,7315 49,6541 88,1163
a2 26,6271 27,5062 28,4364 29,4219 30,4674 31,5779 32,7590 34,0173 35,3596 36,7938 38,3289 39,9748 41,7427 43,6454 45,6972 47,9147 50,3167 52,9249 55,7640 58,8631 62,2558 65,9812 70,0856 74,6236 79,6601 85,2726 91,5550 98,6208 106,609 115,692 126,085 138,057 151,954 168,223 187,447 210,407 238,160 272,173 314,526 368,254 437,929 530,708 658,326 841,160 1117,26 1564,76 2366,60 4042,41 8624,45 31713,9
a3 104,574 109,860 115,556 121,703 128,348 135,547 143,358 151,852 161,108 171,216 182,280 194,419 207,772 222,501 238,792 256,865 276,978 299,437 324,604 352,912 384,880 421,138 462,448 509,746 564,185 627,200 700,590 786,630 888,233 1009,16 1154,33 1330,27 1545,74 1812,71 2147,84 2574,73 3127,61 3857,43 4842,16 6205,34 8150,54 11029,3 15484,6 22777,3 35612,3 60515,9 116014 269079 883265 6766989
35
La distribution normale et le différentiel de sélection (Section A)
Table A1. Intégrales, abscisses et densités normales, avec différentiels de sélection et coefficients de l’estimateur de variance du centile normal correspondant (suite) P
z (c)
0,9991 0,9992 0,9993 0,9994 0,9995 0,9996 0,9997 0,9998 0,9999
3,12139 3,15591 3,19465 3,23888 3,29053 3,35279 3,43161 3,54008 3,71902
ϕ(z)
∆(P)
a1
a2
a3
0,00306
3,39615
96,2483
38679,5
9224098
0,00274 0,00243 0,00210 0,00178 0,00145 0,00111 0,03758 0,03396
3,42838 3,46459 3,50598 3,55438 3,61283 3,68695 3,78921 3,95848
106,264 118,931 135,509 158,229 191,457 245,139 348,165 638,116
48300,7 62146,7 83157,6 117396 179123 309067 667625 2499082
13041732 19314368 30393819 51963877 100184×103 233557×103 770091×103 592180×104
36
L’étalonnage et la décision psychométrique
Table A2. Abscisses (z) et intégrales P(z) normales et différentiels de sélection ∆c z (ou c)
P(z)
∆(c)
z (c)
P(z)
∆(c)
z (c)
P(z)
∆(c)
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49
0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,79788 0,80426 0,81066 0,81708 0,82352 0,82999 0,83647 0,84298 0,84950 0,85605 0,86262 0,86921 0,87582 0,88245 0,88910 0,89577 0,90246 0,90917 0,91590 0,92265 0,92942 0,93620 0,94301 0,94984 0,95669 0,96355 0,97044 0,97734 0,98427 0,99121 0,99817 1,00514 1,01214 1,01915 1,02619 1,03324 1,04031 1,04739 1,05450 1,06162 1,06876 1,07591 1,08309 1,09028 1,09748 1,10471 1,11195 1,11921 1,12648 1,13377
0,50 0,51 0,52 0,53 0,54 0,55 0,56 0,57 0,58 0,59 0,60 0,61 0,62 0,63 0,64 0,65 0,66 0,67 0,68 0,69 0,70 0,71 0,72 0,73 0,74 0,75 0,76 0,77 0,78 0,79 0,80 0,81 0,82 0,83 0,84 0,85 0,86 0,87 0,88 0,89 0,90 0,91 0,92 0,93 0,94 0,95 0,96 0,97 0,98 0,99
0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,14108 1,14840 1,15574 1,16310 1,17047 1,17785 1,18526 1,19268 1,20011 1,20756 1,21503 1,22251 1,23000 1,23751 1,24504 1,25258 1,26013 1,26770 1,27529 1,28289 1,29050 1,29813 1,30577 1,31342 1,32109 1,32878 1,33648 1,34419 1,35191 1,35965 1,36740 1,37517 1,38295 1,39074 1,39854 1,40636 1,41419 1,42204 1,42989 1,43776 1,44564 1,45354 1,46144 1,46936 1,47729 1,48524 1,49319 1,50116 1,50914 1,51713
1,00 1,01 1,02 1,03 1,04 1,05 1,06 1,07 1,08 1,09 1,10 1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,18 1,19 1,20 1,21 1,22 1,23 1,24 1,25 1,26 1,27 1,28 1,29 1,30 1,31 1,32 1,33 1,34 1,35 1,36 1,37 1,38 1,39 1,40 1,41 1,42 1,43 1,44 1,45 1,46 1,47 1,48 1,49
0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,52514 1,53315 1,54118 1,54921 1,55726 1,56532 1,57340 1,58148 1,58957 1,59768 1,60580 1,61392 1,62206 1,63021 1,63837 1,64654 1,65472 1,66292 1,67112 1,67933 1,68755 1,69578 1,70403 1,71228 1,72054 1,72882 1,73710 1,74539 1,75369 1,76201 1,77033 1,77866 1,78700 1,79535 1,80371 1,81208 1,82046 1,82884 1,83724 1,84564 1,85406 1,86248 1,87091 1,87935 1,88780 1,89626 1,90473 1,91320 1,92168 1,93018
37
La distribution normale et le différentiel de sélection (Section A)
Table A2 (suite) z (c)
P(z)
∆(c)
z (c)
P(z)
∆(c)
z (c)
P(z)
∆(c)
1,50 1,51 1,52 1,53 1,54 1,55 1,56 1,57 1,58 1,59 1,60 1,61 1,62 1,63 1,64 1,65 1,66 1,67 1,68 1,69 1,70 1,71 1,72 1,73 1,74 1,75 1,76 1,77 1,78 1,79 1,80 1,81 1,82 1,83 1,84 1,85 1,86 1,87 1,88 1,89 1,90 1,91 1,92 1,93 1,94 1,95 1,96 1,97 1,98 1,99
0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
1,93868 1,94719 1,95570 1,96423 1,97276 1,98130 1,98985 1,99841 2,00697 2,01555 2,02413 2,03272 2,04131 2,04992 2,05853 2,06715 2,07578 2,08441 2,09305 2,10170 2,11036 2,11902 2,12769 2,13637 2,14506 2,15375 2,16245 2,17115 2,17987 2,18859 2,19731 2,20605 2,21479 2,22353 2,23229 2,24105 2,24981 2,25859 2,26737 2,27615 2,28495 2,29375 2,30255 2,31136 2,32018 2,32900 2,33783 2,34667 2,35551 2,36436
2,00 2,01 2,02 2,03 2,04 2,05 2,06 2,07 2,08 2,09 2,10 2,11 2,12 2,13 2,14 2,15 2,16 2,17 2,18 2,19 2,20 2,21 2,22 2,23 2,24 2,25 2,26 2,27 2,28 2,29 2,30 2,31 2,32 2,33 2,34 2,35 2,36 2,37 2,38 2,39 2,40 2,41 2,42 2,43 2,44 2,45 2,46 2,47 2,48 2,49
0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,37322 2,38208 2,39094 2,39981 2,40869 2,41757 2,42646 2,43536 2,44426 2,45317 2,46208 2,47100 2,47992 2,48885 2,49778 2,50672 2,51566 2,52461 2,53357 2,54253 2,55150 2,56047 2,56944 2,57842 2,58741 2,59640 2,60540 2,61440 2,62341 2,63242 2,64143 2,65046 2,65948 2,66851 2,67755 2,68659 2,69563 2,70468 2,71374 2,72280 2,73186 2,74093 2,75000 2,75908 2,76816 2,77725 2,78634 2,79543 2,80453 2,81364
2,50 2,51 2,52 2,53 2,54 2,55 2,56 2,57 2,58 2,59 2,60 2,61 2,62 2,63 2,64 2,65 2,66 2,67 2,68 2,69 2,70 2,71 2,72 2,73 2,74 2,75 2,76 2,77 2,78 2,79 2,80 2,81 2,82 2,83 2,84 2,85 2,86 2,87 2,88 2,89 2,90 2,91 2,92 2,93 2,94 2,95 2,96 2,97 2,98 2,99
0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
2,82274 2,83186 2,84097 2,85009 2,85922 2,86835 2,87748 2,88662 2,89576 2,90491 2,91406 2,92321 2,93237 2,94153 2,95070 2,95987 2,96904 2,97822 2,98740 2,99658 3,00577 3,01497 3,02416 3,03336 3,04257 3,05177 3,06098 3,07020 3,07942 3,08864 3,09787 3,10710 3,11633 3,12556 3,13480 3,14405 3,15329 3,16254 3,17180 3,18105 3,19032 3,19958 3,20885 3,21812 3,22739 3,23667 3,24595 3,25523 3,26452 3,27381
38
L’étalonnage et la décision psychométrique
Table A2 (suite) z (c)
P(z)
∆(c)
z (c)
P(z)
∆(c)
z (c)
P(z)
∆(c)
3,00 3,01 3,02 3,03 3,04 3,05 3,06 3,07 3,08 3,09 3,10 3,11 3,12 3,13 3,14 3,15 3,16 3,17 3,18 3,19
0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900 0,93032 0,93065 0,93096 0,93126 0,93155 0,93184 0,93211 0,93238 0,93264 0,93289
3,28310 3,29239 3,30169 3,31100 3,32030 3,32961 3,33892 3,34824 3,35755 3,36687 3,37620 3,38552 3,39485 3,40419 3,41352 3,42286 3,43220 3,44154 3,45089 3,46024
3,20 3,21 3,22 3,23 3,24 3,25 3,26 3,27 3,28 3,29 3,30 3,31 3,32 3,33 3,34 3,35 3,36 3,37 3,38 3,39
0,93313 0,93336 0,93359 0,93381 0,93402 0,93423 0,93443 0,93462 0,93481 0,93499 0,93517 0,93534 0,93550 0,93566 0,93581 0,93596 0,93610 0,93624 0,93638 0,93651
3,46959 3,47895 3,48830 3,49767 3,50703 3,51640 3,52576 3,53514 3,54451 3,55389 3,56327 3,57265 3,58203 3,59142 3,60081 3,61020 3,61960 3,62900 3,63840 3,64780
3,40 3,41 3,42 3,43 3,44 3,45 3,46 3,47 3,48 3,49 3,50 3,60 3,70 3,80 3,90 4,00 4,50 5,00
0,93663 0,93675 0,93687 0,93698 0,93709 0,93720 0,93730 0,93740 0,93749 0,93758 0,93767 0,93841 0,93892 0,94277 0,94519 0,94683 0,95660 0,96713
3,65720 3,66661 3,67602 3,68543 3,69485 3,70427 3,71369 3,72311 3,73253 3,74196 3,75139 3,84581 3,94046 4,03531 4,13037 4,22561 4,70432 5,18650
39
La distribution normale et le différentiel de sélection (Section A)
Table A3. Différentiels de sélection simples ∆(c), leurs seuils de sélection c et leurs taux de sélection Tc T(c)
∆
c
T(c)
∆
c
T(c)
1,00000 0,97972 0,95460 0,92676 0,89694 0,86564 0,83322 0,79997 0,76616 0,73201
2,00 2,05 2,10 2,15 2,20 2,25 2,30 2,35 2,40 2,45
1,57186 1,63009 1,68803 1,74569 1,80308 1,86021 1,91710 1,97377 2,03021 2,08645
0,05799 0,05154 0,04570 0,04043 0,03569 0,03143 0,02761 0,02420 0,02117 0,01847
4,00 4,05 4,10 4,15 4,20 4,25 4,30 4,35 4,40 4,45
3,76280 3,81547 3,86808 3,92063 3,97313 4,02558 4,07798 4,13033 4,18263 4,23488
0,04840 0,04680 0,04548 0,04442 0,04355 0,04284 0,04227 0,04181 0,04144 0,04114
0,00332 0,08076 0,15633 0,23023
0,69774 0,66353 0,62954 0,59593 0,56283 0,53038 0,49868 0,46782 0,43789 0,40896
2,50 2,55 2,60 2,65 2,70 2,75 2,80 2,85 2,90 2,95
2,14248 2,19833 2,25400 2,30949 2,36482 2,42000 2,47502 2,52990 2,58463 2,63924
0,01608 0,01396 0,01210 0,01046 0,02902 0,02776 0,02666 0,02570 0,02487 0,02415
4,50 4,55 4,60 4,65 4,70 4,75 4,80 4,85 4,90 4,95
4,28709 4,33926 4,39138 4,44346 4,49551 4,54751 4,59947 4,65140 4,70330 4,75515
0,05905 0,05715 0,05563 0,05443 0,05347 0,05271 0,05212 0,05165 0,05128 0,06991
1,00 1,05 1,10 1,15 1,20 1,25 1,30 1,35 1,40 1,45
0,30263 0,37367 0,44349 0,51218 0,57985 0,64658 0,71245 0,77753 0,84186 0,90552
0,38109 0,35432 0,32871 0,30426 0,28101 0,25895 0,23809 0,21842 0,19993 0,18259
3,00 3,05 3,10 3,15 3,20 3,25 3,30 3,35 3,40 3,45
2,69372 2,74807 2,80231 2,85644 2,91045 2,96437 3,01818 3,07189 3,12552 3,17905
0,02353 0,02300 0,02254 0,02214 0,02180 0,02152 0,02127 0,02106 0,03887 0,03739
5,00
4,80698
0,06766
1,50 1,55 1,60 1,65 1,70 1,75 1,80 1,85 1,90 1,95
0,96854 1,03098 1,09286 1,15423 1,21512 1,27555 1,33556 1,39518 1,45442 1,51331
0,16639 0,15128 0,13723 0,12420 0,11216 0,10106 0,09085 0,08148 0,07292 0,06510
3,50 3,55 3,60 3,65 3,70 3,75 3,80 3,85 3,90 3,95
3,23249 3,28586 3,33914 3,39234 3,44547 3,49852 3,55151 3,60443 3,65728 3,71007
0,03614 0,03508 0,03420 0,03346 0,03285 0,03234 0,03192 0,03156 0,03127 0,03104
∆ 0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
c
!4
!2,04806 !1,69122 !1,45206 !1,26433 !1,10602 !0,96695 !0,84151 !0,72625 !0,61891 !0,51791 !0,42210 !0,33063 !0,24282 !0,15816 !0,07623
Section B Échelles classiques de conversion normale (QI, Stanines et Stens) Introduction Les tests psychométriques diffèrent les uns des autres notamment par leurs procédés de quantification. Dans certaines épreuves, par exemple pour une habileté psychomotrice simple, la personne doit réaliser une tâche ou plusieurs essais d’une exécution perceptivomotrice, et c’est le résultat chiffré de l’exécution qui sert de base quantitative : le temps requis pour réussir 5 essais, en secondes, ou le nombre de pièces correctement traitées, en 1 minute. Dans d’autres cas, tel un test qui comporte plusieurs épreuves disparates, les « résultats » n’apparaissent pas sous une forme simple ou ils ne sont pas directement combinables ; il faut alors appliquer un scoring, une procédure d’attribution de points, essentiellement arbitraire, et le score final ainsi attribué est artificiel1. Parmi les tests à composantes multiples et disparates, se retrouvent les fameux « tests d’intelligence ». Les tests élaborés afin de mesurer les capacités mentales, le degré d’« intelligence », remontent à Alfred Binet (1857-1911) et Théodore Simon (1873-1961), au début de XXe siècle, le concept ayant évolué du « niveau mental » à l’« âge mental », au « quotient mental » (= âge mental / âge physique) ou « quotient intellectuel » (QI), pour aboutir, avec David Wechsler, à l’échelle QI moderne, basée sur le rang de réussite d’une personne par rapport aux personnes d’âge physique comparable. Les principales échelles de QI utilisées de nos jours sont artificielles et basées, comme chez Wechsler, sur l’étalement des scores dans un groupe normatif approprié : toutes ces échelles sont à centiles normaux imposés (voir section A) et utilisent explicitement le modèle normal. Les trois configurations les plus courantes sont : •
• •
la famille Wechsler (WAIS, WISC, WPPSI, ...), incluant l’Épreuve individuelle d’habileté mentale (EIHM), dont l’échelle de scores utilise une moyenne (µ) de 100 et un écart-type (σ) de 15 ; le Stanford-Binet, qui applique une moyenne de 100 et un écart-type de 16 ; le Cattell, qui applique une moyenne de 100 et un écart-type de 24.
Bernier et Pietrulewitz (1997) documentent ces épreuves.
1. Ce caractère construit du score attribué n’enlève rien, paradoxalement, à ses qualités possibles de fidélité et de validité, comme l’illustre à gogo l’histoire des tests psychométriques.
42
L’étalonnage et la décision psychométrique
À l’exemple et sous l’inspiration des échelles d’intelligence normalisées, d’autres échelles à paramètres conventionnels ont aussi été proposées, notamment la cote T normale2, de moyenne 50 et d’écart-type 10, et la cote Z normale3, de moyenne 5 et d’écart-type 1. Tout comme pour les échelles de QI, la fabrication de normes à cote T normale nécessite le recours à une grille de conversion, grâce à laquelle les valeurs paramétriques de moyenne et d’écart-type sont imposées et la forme normale est pour ainsi dire sculptée dans la distribution. Nous incluons enfin deux autres normes conventionnelles, les « stanines » (ou standard nine), incluant les cotes 0 à 9, avec moyenne 5, écart-type 2 et distribution quasi normale, et les « stens » (ou standard ten), pour les cotes 0 à 9 (ou 1 à 10), avec moyenne 4,5 (ou 5,5), écart-type 2 et distribution quasi normale. Mises sur pied naguère pour l’inscription sur une seule colonne de carte perforée informatique, ces cotes ont survécu et sont encore appliquées dans certains contextes.
Nature et présentation des tables de la section B Qu’il s’agisse des diverses échelles de QI, de la cote T ou des stanines et stens, les cotes sont toutes discrètes et ne comportent jamais de partie fractionnaire. Par exemple, la valeur 105 au QI est suivie directement de la valeur 106 et précédée de 104. Par convention et afin d’assurer la correspondance de l’échelle des cotes avec le modèle normal continu, il est postulé que chaque cote X dénote un intervalle de 1 unité, allant de X ! ½ à X + ½, les extrémités de l’intervalle constituant les bornes réelles de la cote. Ainsi, dans la logique d’attribution des cotes, quelqu’un dont le QI vaudrait, disons, X = 104,6471, se verrait décerner la cote entière X = 105, puisque sa valeur réelle occupe l’intervalle de cette cote. C’est à ces bornes réelles, selon les diverses échelles présentées dans les tables de la section B, que correspondent les rangs centiles fournis pour chaque cote. La table B1 présente les grilles de conversion « rangs centiles 6 QI », selon trois conventions d’échelle différentes, soit µ = 100 pour toutes et σ = 15 (Wechsler), 16 (Stanford-Binet) et 24 (Cattell). À l’extrémité inférieure comme à l’extrémité supérieure de chaque échelle, les grilles sont interrompues au moment où la fraction de population désignée s’évanouit, c’est-à-dire devient moindre que 1 / 1000 (. 0,001, ou rang centile . 0,10), ce qui correspond à une distance d’à peu près trois écarts-types par rapport à la
2. On utilise aussi une cote T linéaire, p. ex. dans le test diagnostique MMPI et le Jesness, cote obtenue par une _ simple transformation linéaire, soit T = 50 + 10 × (X ! X ) / sX . Cette transformation, qui ne modifie en rien la forme de la distribution des scores, n’assure pas le respect du modèle normal ni la validité des interprétations afférentes. 3. La cote Z linéaire est aussi en usage et équivaut simplement à Z = 5 + ( X − X ) / s X .
Échelles classiques de conversion normale (Section B)
43
moyenne. Inutile d’aller plus loin, car les prolongements exigeraient l’exploitation d’un groupe normatif de plus de mille personnes (par tranche d’âge), ce qui est largement inusité. La table B2, pour l’échelle T normale, est confectionnée de la même manière. Quant aux échelles quasi normales des stanines et des stens, présentées dans la table B3, elles se distinguent des précédentes en ce qu’il s’agit ici d’échelles fermées, et dont les valeurs s’arrêtent aux cotes extrêmes (p. ex. 1 et 9) présentées, ce quelle que soit la taille du groupe normatif. Telles que fournies, les grilles garantissent la moyenne et l’écart-type spécifiés, et la répartition des cotes singe le modèle normal, avec cependant une fraction de population tant soit peu gonflée aux deux extrémités.
Exercices de lecture des tables 1. Selon l’échelle du Wechsler, quelle valeur de QI se mériterait quelqu’un occupant le rang centile 90 par rapport au groupe normatif ? Dans la table B1, aux colonnes Wechsler (σ = 15), nous repérons l’intervalle de rangs centiles (89,12 ; 90,32) dans lequel s’inscrit notre 90, vis-à-vis de quoi on lit QI = 119. 2. Robert prétend avoir obtenu un QI de 148 dans un test américain traduit, qui serait le Cattell. Quel aurait été son score équivalent s’il avait passé le EIHM québécois? La table B1 indique que, pour obtenir QI = 148 au test de Cattell, la personne doit se loger dans l’intervalle centile (97,61 ; 97,84). Cet intervalle se retrouve presque équivalent dans la colonne Wechsler (appropriée au EIHM), soit (97,54 ; 97,90), pour un QI de 130. Le lecteur notera que, dans les deux cas, la personne se situe précisément à 2 écarts-types au-dessus de la moyenne normative correspondante. 3. Dans un test d’habileté manuelle standardisé, Lucie obtient la cote T = 35. Comment se situe-t-elle par rapport à la population? En admettant que le modèle normal s’applique, la cote T = 35 correspond, dans la table B2, à l’intervalle centile (6,06 ; 7,35), de sorte qu’on peut affirmer que Lucie se classe peu favorablement, soit parmi les 7 % inférieurs de la population. 4. Quel stanine obtiendrait quelqu’un situé dans les meilleurs 15 % de la population? La table B3 indique, pour une personne située au 85e rang centile, c’est-à-dire dans l’intervalle (76,52 ; 88,59), le stanine approprié est 7.
44
L’étalonnage et la décision psychométrique
Exemples élaborés 1. Élaboration d’une échelle en cotes T. L’exercice proposé ici consiste à élaborer une grille de conversion en cotes T pour les données de distance au test de Cooper déjà présentées dans la section A. Les opérations peuvent être effectuées « à la main » (avec calculette) ou programmées (sur chiffrier de type Excelmd ou dans un langage de programmation plus classique), la première consistant à mettre les données en ordre numérique croissant, en indiquant leur rang individuel. Le tableau 1, à la page suivante, reproduit ces données. Noter que, du seul point de vue mathématique, l’apparition de rangs consécutifs distincts pour deux ou plusieurs valeurs égales ne crée pas de paradoxe, puisqu’en fait l’égalité absolue de deux mesures, ici des distances courues, est théoriquement impossible : tout n’est qu’affaire de précision. Les cas litigieux d’attribution, qui restent possibles, doivent être réglés à la pièce, le plus souvent arbitrairement. L’intervalle de valeurs (de distance) à associer à une cote T particulière se trouve grâce aux quatre étapes suivantes : 1) Déterminer les bornes réelles de la cote, ici T ! ½ et T + ½ ; 2) Trouver, dans le modèle normal voulu, ici N(µ = 50, σ = 10), les intégrales (ou rangs centiles) correspondantes, disons Pinf et Psup ; 3) convertir les rangs centiles en rangs dans la série des N statistiques d’ordre, soit : rang = P × (N + 1) , 4) finalement, trouver (par interpolation) la statistique d’ordre dénotée par X(rang). La table B2 concrétise déjà les résultats des deux premières étapes. Ainsi, pour trouver l’intervalle approprié à la cote T = 40, les rangs centiles affichés à la table B2 sont Pinf = 14,69 et Psup = 17,11. Utilisant N = 282, nous trouvons les rangs bruts 14,69 % × (282 + 1) . 41,57 et 17,11 % × (282 + 1) . 48,42 respectivement. Pour la borne inférieure et en nous référant au tableau 1, nous déterminons X(41,57) = X(41) + 0,57 × (X42)!X(41)) = 1965 + 0,57 × (1967!1965) . 1966,14. La borne supérieure fournit semblablement 1984,84. Par ce procédé, nous obtenons : T
X inf.
X sup.
38
1896,88
1947,20
39
1947,20
1966,14
40
1966,14
1984,84
41
1984,84
2006,75
42
2006,75
2031,13
45
Échelles classiques de conversion normale (Section B)
Tableau 1. Distances (en mètres) de 283 participants au test de Cooper, en ordre croissant 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
1655 1681 1741 1752 1765 1768 1780 1784 1786 1795 1797 1814 1820 1824 1826 1827 1831 1838 1843 1849 1868 1874 1875 1880 1891 1892 1893 1895 1896 1897 1904 1937 1941 1945 1946 1949 1955 1959 1960 1962 1965 1967 1969 1970 1972 1979 1983 1984 1986
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
1991 1997 1997 1997 1998 2002 2007 2007 2010 2010 2013 2020 2025 2025 2031 2032 2034 2036 2038 2039 2040 2041 2047 2050 2051 2051 2057 2057 2058 2059 2059 2062 2062 2064 2064 2064 2066 2075 2077 2081 2087 2094 2094 2097 2098 2098 2103 2106 2108
99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147
2111 2114 2122 2122 2124 2137 2139 2147 2149 2153 2158 2160 2160 2160 2164 2164 2167 2169 2169 2177 2179 2186 2186 2187 2190 2192 2192 2193 2196 2198 2199 2203 2210 2217 2218 2218 2218 2220 2221 2225 2229 2230 2232 2235 2248 2252 2254 2260 2260
148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196
2261 2265 2269 2272 2274 2278 2282 2285 2287 2288 2291 2292 2294 2295 2295 2299 2299 2301 2308 2310 2311 2312 2312 2315 2317 2321 2322 2323 2323 2328 2328 2329 2333 2333 2335 2336 2340 2341 2343 2344 2345 2347 2349 2349 2354 2357 2359 2362 2369
197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245
2372 2374 2375 2384 2386 2389 2397 2398 2400 2401 2401 2418 2418 2428 2429 2429 2431 2431 2440 2440 2442 2443 2445 2446 2452 2454 2455 2462 2464 2464 2467 2469 2474 2478 2484 2485 2488 2488 2489 2490 2490 2496 2504 2507 2521 2538 2548 2565 2569
246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283
2579 2581 2582 2583 2588 2597 2611 2612 2623 2626 2646 2658 2670 2673 2679 2714 2731 2737 2751 2757 2766 2799 2799 2803 2807 2845 2857 2859 2867 2900 2935 2964 2969 3013 3044 3105 3108 4253
46
L’étalonnage et la décision psychométrique
La résolution des bordures d’intervalles peut se faire simplement, en profitant ici de l’élimination de la partie fractionnaire des nombres : arrondir vers le haut la borne inférieure, tronquer la borne supérieure. Ainsi, pour T = 38, l’intervalle (1896,88 ; 1947,20) devient (1897 ; 1947). Le tableau 2 (préparé par programmation informatique) fournit la grille complète.
Tableau 2. Grille de conversion en cotes T pour les distances courues au test de Cooper (données fictives) T
X inf
23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
! 1659 1669 1683 1721 1747 1759 1768 1781 1787 1803 1825 1832 1865 1892 1897 1948 1967 1985 2007 2032 2050 2063 2096 2124 2164 2192 2220
à à à à à à à à à à à à à à à à à à à à à à à à à à à à
X sup
T
X inf
1658 1668 1682 1720 1746 1758 1767 1780 1786 1802 1824 1831 1864 1891 1896 1947 1966 1984 2006 2031 2049 2062 2095 2123 2164 2192 2219 2260
51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77
2261 2292 2312 2333 2349 2386 2429 2445 2468 2489 2529 2582 2614 2670 2733 2765 2803 2853 2867 2927 2966 2993 3030 3065 3104 3107 3108
X sup à à à à à à à à à à à à à à à à à à à à à à à à à à à
2291 2312 2333 2349 2385 2428 2444 2467 2488 2528 2581 2613 2669 2732 2764 2802 2852 2866 2926 2965 2992 3029 3064 3103 3106 3107
!
Échelles classiques de conversion normale (Section B)
47
2. Déterminer quelques erreurs-types représentatives pour la grille élaborée au tableau 2. En fait, dans un exercice de la section A (« Détermination du centile 95 »), nous avons déjà illustré le calcul de la marge d’incertitude associée à un centile normalisé, soit la cote T = 66 (pour laquelle nous avons obtenu l’erreur-type σe . 1,23). Un calcul du même type peut être réitéré pour les cotes T = 50, 60, 70 et 75. Noter que les cotes inférieures 40, 30 et 25 auront, par symétrie du modèle normal, les mêmes erreurs-types que les cotes 60, 70 et 75 respectivement. Les cotes 50, 60, 70 et 75 délimitent (au point-milieu de l’intervalle T ! ½ à T + ½) les intégrales P = 0,50000, 0,84134, 0,97725 et 0,99379, respectivement. Nous référant encore à la table A1, ligne 0,500, la variance sur T = 50 est obtenue par : var (T = 50) = 102 × [ 1,57080 / 284 + 2,46740 / 2842 + 3,46273 / 2843 ]
. 0,556 , ce qui donne une erreur-type σe = /0,556 . 0,75. Pour T = 60, l’intégrale P = 0,84134 nous amène à interpoler entre 0,841 et 0,842 à la table A1, produisant var . 0,809 et σe . 0,90. Les erreurs-types de T = 70 et T = 75 sont ensuite de 1,68 et 2,92. Comme on peut voir, la marge d’incertitude augmente dramatiquement aux extrémités de l’échelle normale ; les psychométriciens tentés de déborder les rangs centiles relatifs aux bornes 1 / (N + 1) et N / (N + 1), c’est-à-dire en extrapolant au-delà de la série normative, devraient y penser à deux fois! 3. Grilles de conversion pour des distributions compactes. Prenons l’exemple d’une grille pour l’échelle T, à bâtir à partir d’un échantillon normatif de N = 150 participants. Les bornes de l’échelle sont déterminées à partir des rangs centiles extrêmes, soit 100 × 1/(N + 1) . 0,66 et 100 × N /(N + 1) . 99,34, ce qui délimite l’étendue T = (25 ; 75), qui comprend donc 51 cotes T distinctes. Or, selon le type de mesure prise pour les N = 150 sujets, il se peut que ceux-ci se partagent non pas N valeurs distinctes, mais beaucoup moins que N, disons NN, et que, éventuellement, NN < 51. Le fait qu’il y ait moins de mesures distinctes que de cotes à attribuer va obliger le psychométricien à une gymnastique pénible et approximative, que nous illustrons dans les deux cas suivants. Attribution de stanines à partir de NN = 7 valeurs distinctes. Nous supposons ici que N = 90 personnes mesurées ont donné lieu à la distribution de scores présentée à la page suivante (« f » dénote le nombre de personnes ayant obtenu chaque score X) :
48
L’étalonnage et la décision psychométrique
Score X
f
RC inf
RC sup
Stanine
0
3
1,10
3,30
1
1
4
4,40
7,69
2
2
26
8,79
36,26
3
3
33
37,36
72,53
5
4
17
73,63
91,21
7
5
4
92,31
95,60
8
6
3
96,70
98,90
9
Comme on le voit, impossible d’attribuer 9 stanines différents alors qu’il n’y a que 7 scores X distincts. L’attribution se fait en tentant de faire concorder les intervalles centiles de la distribution normative et la grille appropriée, à la table B3. [Les rangs centiles, RC, indiqués au tableau ci-dessus correspondent respectivement à la première et la dernière observation de chaque ligne. Par exemple, la valeur X = 2 apparaît en 8e position et occupe les positions suivantes jusqu’à la 33e, d’où les rangs centiles 100 × 8 / (90+1) . 8,79 et 36,26.] La valeur X = 3, qui campe à la médiane de la distribution, se voit facilement attribuer la cote S = 5. Quant à X = 2 maintenant, les stanines S = 3 et S = 4 couvrent les intervalles centiles (11,41 ; 23,48) et (23,48 ; 40,48) ; les deux ne pouvant être attribués, nous suggérons d’opter pour S = 3, dont l’intervalle est totalement inclus dans celui du score X = 2. Des raisonnements semblables président à l’attribution des autres cotes, en gardant à l’esprit qu’il faut aussi respecter l’étendue complète des stanines. Sur l’échelle des cotes stanines, le lecteur peut vérifier que les 90 données normatives génèrent une moyenne de 4,800 et un écart-type de 1,944 : une belle réussite, vu les circonstances. Attribution de stanines à partir de NN = 6 données distinctes. Le tableau suivant offre une seconde illustration du processus d’attribution de cotes à partir d’une distribution normative qui pose certains problèmes, notamment dans la partie basse de la distribution.
X
0
1
2
3
4
5
f
30
25
15
15
3
2
S
3
5
6
7
8
9
Échelles classiques de conversion normale (Section B)
49
La solution présentée, que nous invitons le lecteur à étudier, donne pour moyenne 5,022 et pour écart-type 1,689. Signalons en outre que, en raison du peu d’espace de transformation dans l’échelle originale, l’échelle de stanines produite reste légèrement asymétrique (g1 . 0,208), en écho à la forme initiale (g1 . 0,753). Ces problèmes d’attribution, qui sont malheureusement assez fréquents et qui mettent en échec le pouvoir transformant des grilles normales, découlent du manque de « capacité discriminante » (Laurencelle, 1997) de la mesure, et ils nuisent considérablement aux qualités métrologiques (normalité, additivité, corrélation, précision) habituellement recherchées. Le moyen d’y échapper ? Les solutions possibles sont nombreuses et devraient être envisagées par les constructeurs de test : augmenter le nombre d’items ou d’essais dans le test, augmenter/ diminuer/varier le niveau de difficulté, augmenter si possible la précision (le nombre de décimales) de la mesure, mesurer le temps de réussite plutôt que le nombre d’items réussis, etc., tout cela dans le but de générer un plus grand nombre de scores bruts distincts. Nous revenons sur le sujet dans la section mathématique suivante.
Justification mathématique Élaboration des grilles de conversion normale : cas général Quelle que soit la forme de la distribution des N données normatives brutes, ces données varient entre elles et on peut les réarranger en ordre numérique croissant, obtenant ainsi les « statistiques d’ordre ». Ces N statistiques d’ordre découpent, pour ainsi dire, la population représentée par le groupe normatif en N + 1 tranches, ou strates, tranches qui comportent un individu chacune et représentent chacune une proportion 1 / N de la population. C’est sur cette correspondance de rangs entre, d’une part, les N + 1 tranches délimitées par les statistiques d’ordre et les fractions équivalentes du modèle normal qu’est basée la conversion normale des échelles comme le QI et le T. Ainsi, chacune des données normatives Xi, après réarrangement en ordre croissant, dénote une statistique d’ordre X(i), dont la place i dans la série varie de 1 à N et sert à déterminer (approximativement) le rang centile. En fait, correspondant à la formule (A.16), le rang centile RCX = 100 PX est calculé par4 : RC(X(i)) = 100 × i / (N + 1) .
(1)
Or, pour attribuer, par exemple, la valeur 70 dans l’échelle QI de Wechsler (avec σ = 15),
4. D’autres formules existent, toutes statistiquement consistantes, celle-ci ayant l’avantage de fournir un estimateur non biaisé du quantile correspondant de la population, ce qui justifie en retour (mais approximativement) la formule inverse (A.16).
50
L’étalonnage et la décision psychométrique
il faut préciser l’intervalle, c.-à-d. la tranche de rangs centiles, qui dans le modèle normal N(µ = 100, σ = 15) inclura « 70 ». La valeur discrète « 70 » occupe l’espace unitaire dont les bornes sont respectivement 69,5 et 70,5, lesquelles correspondent aux écarts-réduits : zinf = (69,5 !100) / 15 = !2,0333 zsup = (70,5 !100) / 15 = !1,9667 . Pour ces bornes exprimées dans le modèle de la loi normale standard, le calcul5 indique P(z = !2,03) = 0,02101 et P(z = !1,97) = 0,02461, correspondant aux rangs centiles approximatifs 2,10 et 2,46, ou à l’intervalle (2,10 ; 2,46). Les grilles fournies dans la table B1 assurent la moyenne normative µ = 100. Quant à l’écart-type, chaque grille, par son caractère et discret et indéfini, ne peut le garantir précisément. Si par exemple la grille était appliquée avec une série normative de N = 200 données, la fraction minimale de 1 / N, soit 0,005, ciblerait le rang centile 0,50 (ou, plus précisément, 100 × 1 /(N + 1) = 0,4975 . 0,50) ; ainsi, dans l’échelle Wechsler, le QI le plus bas attribuable serait 61 (ou 62), de même que le plus élevé serait 139. Cette étendue, de 61 à 139, n’est qu’un intervalle partiel de l’ensemble (potentiellement infini) du modèle normal, cet état de faits correspondant à une troncature bilatérale du modèle et par conséquent à la réduction de l’écart-type, lequel dans ce cas vaut à peu près 14,50 (plutôt que 15). Un même raisonnement s’applique à la grille des cotes T. Néanmoins, ce déficit de l’écart-type calculé n’affecte pas la validité des échelles puisque l’interprétation des cotes attribuées repose sur leur équivalence à des rangs centiles, laquelle est préservée par l’application de la grille de conversion. Élaboration des grilles quasi normales (stanines, stens) Les échelles quasi normales fermées, par exemple, les stanines et les stens, constituent un cas particulier des échelles normalisées puisque les quelques différentes valeurs d’échelle enferment toute la population, ce quelle que soit la taille de la série normative. C’est cette propriété de fermeture qui leur donne leur statut d’échelles quasi normales. Nous avons défini les stanines et stens de la table B3 en leur imposant un écart-type effectif de 2. Prenons l’exemple des stanines pour rendre compte de la procédure suivie. Supposons que nous définissons une échelle normale discrète selon µ = 5 et σgén = 2, où σgén indique l’écart-type générique appliqué pour repérer les rangs centiles appropriés (sous le modèle normal). Ainsi, pour le stanine S = 3, la borne inférieure 2,5 fournira l’écart réduit z = (2,5 ! 5) / 2 = !1,25 puis le rang centile (RC) 10,57, la borne supérieure correspondant au RC = 22,66 ; etc. Nous déterminons aussi les bornes de S = 8, la borne supérieure 8,5 correspondant au RC = 95,99. Or, cette borne supérieure de S = 8 coïncide avec la borne
5. Si on utilise la table A2 et la valeur z réduite à 2 décimales, on obtient P(z = !2,03) = 1 ! 0,97882 = 0,02118 et P(z = !1,97) = 1 ! 0,97558 = 0,02442, les différences d’avec les valeurs exactes apparaissant négligeables.
51
Échelles classiques de conversion normale (Section B)
inférieure de S = 9, le plus haut stanine, dont la borne supérieure virtuelle est +4 et correspond donc au RC = 100,0 ; le même phénomène d’entassement du pourcentage se produit au niveau de la cote la plus basse, le stanine 1. La grille ainsi produite subdivise la population en 9 strates, dont les intervalles de rangs centiles dénotent l’importance numérique : la moyenne résultante calculée est bien 5, mais l’écart-type effectif n’est que 1,944. Qu’est-ce qui affecte l’écart-type calculé à partir de la grille de conversion des stanines et des cotes quasi normales comparables? Deux facteurs interviennent. Le plus important revient à la troncature, c.-à-d. au fait d’arrêter la distribution aux valeurs extrêmes 1 et 9, en y entassant les pourcentages excédentaires du modèle normal, ce facteur amenant une réduction de l’écart-type effectif. L’autre facteur ressortit à l’effet de groupement de Sheppard, par lequel toutes les valeurs intermédiaires de l’intervalle de la cote brute, i.e. de S ! ½ à S + ½, sont traitées comme étant de probabilité égale, ce qui n’est pas le cas sous le modèle normal continu, ce facteur ayant pour impact un léger accroissement de l’écarttype effectif 6,7. Ainsi, en raison de la relation complexe qui relie l’écart-type appliqué pour générer les intervalles centiles et l’écart-type résultant, nous devons procéder par essai et erreur afin d’assurer une valeur prescrite de l’écart-type. Pour l’échelle des stanines, nous avons trouvé σgén = 2,0743, et σgén = 2,0240 pour l’échelle des stens, obtenant dans les deux cas σeff . 2,000. Capacité discriminante et étalement de la série normative L’exemple 3 ci-dessus a soulevé le problème, hélas souvent rencontré, de l’insuffisance du nombre de valeurs normatives (brutes) distinctes pour élaborer et appliquer correctement une conversion en cotes normales. En effet, même si l’on avait une série basée sur N = 1000 participants, comment attribuer, disons, les 55 cotes T (de 23 à 77), comme au tableau 2, si les 1000 participants n’ont produit que 15 valeurs différentes! Ce problème du nombre de catégories numériques (attribuées aux objets mesurés) ressortit à la « capacité discriminante » (Laurencelle, 1998a) de la mesure. Dans son développement du concept de capacité discriminante, Laurencelle (1997) réutilise le « coefficient de discrimination » de G. A. Ferguson, D = f1 × f2 + f1 × f3 + ... fk!1 × fk =
,
(2)
6. Soit u, la longueur d’intervalle entre les cotes (ici, u = 1), alors l’effet de groupement sur l’écart-type (attribué à Sheppard) est conventionnellement égal à σeff(u) = /(σ2 + u 2/12). 7. L’effet de groupement affecte aussi, bien sûr, les échelles discrètes de QI, mais il y a un impact minuscule, augmentant σgén = 15 à σeff .15,0020 pour les grilles de type Wechsler.
52
L’étalonnage et la décision psychométrique
qui dénote le nombre de comparaisons (ou classements) deux à deux que permet la distribution des N observations, lesquelles sont réparties en k valeurs (ou catégories) distinctes de fj observations chacune. Cette quantité (D) dépend, on le voit, de trois paramètres : le nombre total d’observations (N), le nombre de valeurs attribuées distinctes (k) et la série des fréquences d’attribution { fj }. Si toutes les valeurs attribuées étaient distinctes, i.e. k = N, nous aurions D = = N(N ! 1)/2. Cependant, comme il arrive souvent, k < N. Or, pour un nombre donné de valeurs k distinctes, le nombre de discriminations possibles dépend de la forme de la série { fj }et il est maximal lorsque sa répartition est égalitaire, soit f1 = f2 = ... = fk. Enfin, il est possible de déterminer la quantité k* telle que, pour une valeur donnée de N, l’indice observé D correspondrait à son maximum, en faisant comme si les k* fréquences étaient égales, l’indice k* correspondant alors au nombre de catégories (ou valeurs) efficaces de la distribution. Cet indice est obtenu par : k* =
.
(3)
C’est donc, en fait, à ce nombre k* de catégories de mesure efficaces que doit être confrontée la grille de cotes normales à attribuer. Prenons, par exemple, le tableau présentant k = (NN =) 7 valeurs distinctes, à l’exemple 3 ci-dessus. Le calcul de (2) pour ce cas indique D = 2998, et l’estimation (3) fournit à son tour k* . 3,85, c’est-à-dire que, par rapport à sa capacité à séparer les participants les uns des autres, cette série de N = 90 observations comporte non pas 7, mais environ 4 valeurs distinctes efficaces. [À cette base comparative inspirée de Ferguson, Laurencelle (1997) ajoute la contribution de l’erreur de mesure, via l’erreur-type σe, ainsi que le modèle de la répartition normale des fréquences fj afin d’achever son concept de capacité discriminante.]
53
Échelles classiques de conversion normale (Section B)
Table B1. Grilles de conversion de rangs centiles pour trois échelles de type QI : Wechsler (: = 100, σ = 15), Stanford-Binet (µ = 100, σ = 16) et Cattell (µ = 100, σ = 24) QI 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
Wechsler (σ = 15) de à
0,10 0,12 0,15 0,19 0,23 0,28 0,35 0,42 0,51 0,62 0,75
0,10 0,12 0,15 0,19 0,23 0,28 0,35 0,42 0,51 0,62 0,75 0,90
Stanford-Binet (σ = 16) de à
0,10 0,12 0,15 0,18 0,22 0,27 0,33 0,40 0,47 0,57 0,68 0,81 0,95 1,13
0,10 0,12 0,15 0,18 0,22 0,27 0,33 0,40 0,47 0,57 0,68 0,81 0,95 1,13 1,33
Cattell (σ = 24) de à 0,10 0,11 0,13 0,14 0,17 0,19 0,22 0,25 0,28 0,32 0,36 0,41 0,46 0,52 0,59 0,66 0,74 0,83 0,93 1,04 1,16 1,29 1,44 1,59 1,77 1,96 2,16 2,39 2,63 2,90 3,19 3,50 3,83 4,19 4,58 4,99 5,43 5,91 6,42
0,10 0,11 0,13 0,14 0,17 0,19 0,22 0,25 0,28 0,32 0,36 0,41 0,46 0,52 0,59 0,66 0,74 0,83 0,93 1,04 1,16 1,29 1,44 1,59 1,77 1,96 2,16 2,39 2,63 2,90 3,19 3,50 3,83 4,19 4,58 4,99 5,43 5,91 6,42 6,95
QI 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
54
L’étalonnage et la décision psychométrique
Table B1. Grilles de conversion de rangs centiles pour trois échelles de type QI (suite) QI 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104
Wechsler (σ = 15) de à 0,90 1,07 1,28 1,51 1,79 2,10 2,46 2,87 3,34 3,86 4,46 5,12 5,86 6,68 7,59 8,59 9,68 10,87 12,17 13,57 15,07 16,69 18,41 20,23 22,16 24,20 26,33 28,55 30,85 33,24 35,69 38,21 40,78 43,38 46,02 48,67 51,33 53,98 56,62 59,22
1,07 1,28 1,51 1,79 2,10 2,46 2,87 3,34 3,86 4,46 5,12 5,86 6,68 7,59 8,59 9,68 10,87 12,17 13,57 15,07 16,69 18,41 20,23 22,16 24,20 26,33 28,55 30,85 33,24 35,69 38,21 40,78 43,38 46,02 48,67 51,33 53,98 56,62 59,22 61,79
Stanford-Binet (σ = 16) de à 1,33 1,55 1,81 2,11 2,45 2,83 3,26 3,74 4,28 4,88 5,55 6,29 7,10 7,98 8,95 10,01 11,15 12,38 13,70 15,12 16,63 18,24 19,94 21,73 23,61 25,58 27,63 29,76 31,96 34,23 36,55 38,93 41,34 43,79 46,27 48,75 51,25 53,73 56,21 58,66
1,55 1,81 2,11 2,45 2,83 3,26 3,74 4,28 4,88 5,55 6,29 7,10 7,98 8,95 10,01 11,15 12,38 13,70 15,12 16,63 18,24 19,94 21,73 23,61 25,58 27,63 29,76 31,96 34,23 36,55 38,93 41,34 43,79 46,27 48,75 51,25 53,73 56,21 58,66 61,07
Cattell (σ = 24) de à 6,95 7,53 8,14 8,78 9,47 10,19 10,95 11,75 12,59 13,48 14,40 15,37 16,37 17,43 18,52 19,65 20,83 22,04 23,29 24,59 25,92 27,29 28,69 30,12 31,59 33,09 34,61 36,16 37,73 39,33 40,94 42,56 44,20 45,85 47,51 49,17 50,83 52,49 54,15 55,80
7,53 8,14 8,78 9,47 10,19 10,95 11,75 12,59 13,48 14,40 15,37 16,37 17,43 18,52 19,65 20,83 22,04 23,29 24,59 25,92 27,29 28,69 30,12 31,59 33,09 34,61 36,16 37,73 39,33 40,94 42,56 44,20 45,85 47,51 49,17 50,83 52,49 54,15 55,80 57,44
QI 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104
55
Échelles classiques de conversion normale (Section B)
Table B1. Grilles de conversion de rangs centiles pour trois échelles de type QI (suite) QI 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
Wechsler (σ = 15) de à 61,79 64,31 66,76 69,15 71,45 73,67 75,80 77,84 79,77 81,59 83,31 84,93 86,43 87,83 89,13 90,32 91,41 92,41 93,32 94,14 94,88 95,54 96,14 96,66 97,13 97,54 97,90 98,21 98,49 98,72 98,93 99,10 99,25 99,38 99,49 99,58 99,65 99,72 99,77 99,81
64,31 66,76 69,15 71,45 73,67 75,80 77,84 79,77 81,59 83,31 84,93 86,43 87,83 89,13 90,32 91,41 92,41 93,32 94,14 94,88 95,54 96,14 96,66 97,13 97,54 97,90 98,21 98,49 98,72 98,93 99,10 99,25 99,38 99,49 99,58 99,65 99,72 99,77 99,81 99,85
Stanford-Binet (σ = 16) de à 61,07 63,45 65,77 68,04 70,24 72,37 74,42 76,39 78,27 80,06 81,76 83,37 84,88 86,30 87,62 88,85 89,99 91,05 92,02 92,90 93,71 94,45 95,12 95,72 96,26 96,74 97,17 97,55 97,89 98,19 98,45 98,67 98,87 99,05 99,19 99,32 99,43 99,53 99,60 99,67
63,45 65,77 68,04 70,24 72,37 74,42 76,39 78,27 80,06 81,76 83,37 84,88 86,30 87,62 88,85 89,99 91,05 92,02 92,90 93,71 94,45 95,12 95,72 96,26 96,74 97,17 97,55 97,89 98,19 98,45 98,67 98,87 99,05 99,19 99,32 99,43 99,53 99,60 99,67 99,73
Cattell (σ = 24) de à 57,44 59,06 60,67 62,27 63,84 65,39 66,91 68,41 69,88 71,31 72,71 74,08 75,41 76,71 77,96 79,17 80,35 81,48 82,57 83,63 84,63 85,60 86,52 87,41 88,25 89,05 89,81 90,53 91,22 91,86 92,47 93,05 93,58 94,09 94,57 95,01 95,42 95,81 96,17 96,50
59,06 60,67 62,27 63,84 65,39 66,91 68,41 69,88 71,31 72,71 74,08 75,41 76,71 77,96 79,17 80,35 81,48 82,57 83,63 84,63 85,60 86,52 87,41 88,25 89,05 89,81 90,53 91,22 91,86 92,47 93,05 93,58 94,09 94,57 95,01 95,42 95,81 96,17 96,50 96,81
QI 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
56
L’étalonnage et la décision psychométrique
Table B1. Grilles de conversion de rangs centiles pour trois échelles de type QI (suite) QI 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176
Wechsler (σ = 15) de à 99,85 99,88 99,90 99,92
99,88 99,90 99,92 100,0
Stanford-Binet (σ = 16) de à 99,73 99,78 99,82 99,85 99,88 99,90 99,92
99,78 99,82 99,85 99,88 99,90 99,92 100,0
Cattell (σ = 24) de à
QI
96,81 97,10 97,37 97,61 97,84 98,04 98,23 98,41 98,56 98,71 98,84 98,96 99,07 99,17 99,26 99,34 99,41 99,48 99,54 99,59 99,64 99,68 99,72 99,75 99,78 99,81 99,83 99,86 99,87 99,89 99,90 99,92
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176
97,10 97,37 97,61 97,84 98,04 98,23 98,41 98,56 98,71 98,84 98,96 99,07 99,17 99,26 99,34 99,41 99,48 99,54 99,59 99,64 99,68 99,72 99,75 99,78 99,81 99,83 99,86 99,87 99,89 99,90 99,92 100,0
57
Échelles classiques de conversion normale (Section B)
Table B2. Grille de conversion de rangs centiles pour l’échelle T (µ = 50, σ = 10) T
de
à
T
de
à
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
0,058 0,082 0,114 0,159 0,219 0,298 0,402 0,539 0,714 0,938 1,22 1,58 2,02 2,56 3,22 4,01 4,95 6,06 7,35 8,85 10,56 12,51 14,69 17,11 19,77 22,66 25,78 29,12 32,64 36,32 40,13 44,04
0,082 0,114 0,159 0,219 0,298 0,402 0,539 0,714 0,938 1,22 1,58 2,02 2,56 3,22 4,01 4,95 6,06 7,35 8,85 10,56 12,51 14,69 17,11 19,77 22,66 25,78 29,12 32,64 36,32 40,13 44,04 48,01
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82
48,01 51,99 55,96 59,87 63,68 67,36 70,88 74,22 77,34 80,23 82,89 85,31 87,48 89,44 91,15 92,65 93,94 95,05 95,98 96,78 97,44 97,98 98,42 98,78 99,06 99,29 99,45 99,59 99,70 99,78 99,84 99,89 99,92
51,99 55,96 59,87 63,68 67,36 70,88 74,22 77,34 80,23 82,89 85,31 87,48 89,44 91,15 92,65 93,94 95,05 95,98 96,78 97,44 97,98 98,42 98,78 99,06 99,29 99,45 99,59 99,70 99,78 99,84 99,89 99,92 99,94
58
L’étalonnage et la décision psychométrique
Table B3. Grilles de conversion de rangs centiles pour l’échelle Stanine et l’échelle Sten† Stanines Cote 1 2 3 4 5 6 7 8 9
de
Stens à
0,00 4,58 4,58 11,41 11,41 23,48 23,48 40,48 40,48 59,52 59,52 76,52 76,52 88,59 88,59 95,42 95,42 100,00
Cote 0 (1) 1(2) 2(3) 3(4) 4(5) 5(6) 6(7) 7(8) 8(9) 9(10)
de
à
0,00 2,41 2,41 6,91 6,91 16,15 16,15 31,06 31,06 50,00 50,00 68,94 68,94 83,85 83,85 93,09 93,09 97,59 97,59 100,00
† Les échelles sont définies de telle façon que l’écart-type nominal de 2 soit respecté. Voir la section mathématique.
Section C Les taux et rapports de sélection Introduction Dans une population donnée, pour sélectionner les candidats les plus qualifiés, il faudrait connaître à l’avance leur rendement à l’emploi et engager ceux qui satisfont un certain critère. Le cas étant rare, le bureau du personnel va plutôt soumettre les candidats à un test, ou à une batterie de tests, dont le résultat possède une certaine capacité prédictive du rendement. Si le taux de qualification dans la population est connu de même que la relation prédictive entre le test et le rendement, quelle proportion d’individus qualifiés obtiendronsnous si nous retenons une fraction déterminée des meilleurs candidats au test ? C’est à des questions de cet ordre qu’est adressé le présent chapitre. Nous supposons une population virtuelle de candidats. Dans cette population, le test utilisé pour la sélection, à mesure résultante X, a une corrélation ρ (0 # ρ # 1) avec le rendement de mesure Y. Le taux de qualification des personnes, selon que Yi $ YQ, est dénoté fQ (0 < fQ < 1), et la fraction de sélection fS, selon que Xi $ XC. Enfin, parmi les candidats sélectionnés, la proportion d’individus qualifiés, c.-à-d. pour lesquels Xi $ XC et Yi $ YQ, est notée ici fSQ : le tableau 1 illustre ces subdivisions.
Tableau 1. Répartition d’une population selon que les individus sont sélectionnés ou non et qu’ils sont qualifiés ou non Qualification
Sélection
Y $ YQ
Y < YQ a
X $ XC
b
fSQ
fS c
X < XC fQ
d
60
L’étalonnage et la décision psychométrique
Si aucun test de sélection n’est appliqué ou si tous les candidats sont retenus, selon fS = 1, alors la proportion de candidats qualifiés (fSQ) restera fQ, ce qui en retour suppose une proportion 1 ! fQ de candidats non qualifiés. Le but de la sélection est, bien sûr, de réduire voire d’annuler cette proportion, nuisible au rendement de l’entreprise. De même, si un test de sélection est administré mais qu’il n’entretient aucune relation (ρ = 0) avec le rendement, alors évidemment fSQ = fS × fQ, et le rapport de sélection, RS = fSQ / fS ,
(1)
reste égal à fQ. D’autre part, la présence d’une corrélation positive (ρ > 0) entre X et Y va contribuer à engraisser le taux de sélection correcte fSQ : à la limite, avec une corrélation parfaite (ρ = 1), on aura fSQ = min( fS, fQ), de sorte que le rapport de sélection pourra atteindre 1. Outre les indices simples déjà mentionnés, soit fSQ et RS, la littérature présente d’autres indices semblables, parmi lesquels la « proportion de classements corrects » : PCC = 1 ! fS ! fQ + 2 × fSQ
(2)
et l’« avantage de sélection prédictive » : ASP =
(3)
méritent d’être signalés.
Nature et présentation de la table de la section C Une seule table, la table C, suffit pour cette section : on y présente la quantité fSQ, soit la fraction de population sélectionnée qui est à la fois qualifiée, pour différentes combinaisons des paramètres fQ (le taux de qualification dans la population), fS (le taux ou la fraction de sélection) et ρ (la corrélation entre le score résultant du test de sélection et la mesure du rendement) : la table suppose que les mesures X et Y ont une distribution bivariée normale à corrélation ρ. La lecteur aura remarqué que, pour ρ = 0, la valeur tabulée s’obtient directement par l’équation : fSQ = fS × fQ, alors que pour ρ = 1, le cas optimal, nous avons plutôt fSQ = min(fS, fQ) ; par ailleurs, la fonction fSQ est symétrique dans ses arguments fS et fQ, de sorte que, par exemple, la valeur de fSQ pour fQ > fS s’obtienne simplement en intervertissant les paramètres. Le cas d’une valeur négative de la corrélation (ρ < 0) n’est pas pertinent dans le présent contexte ; advenant le cas d’un test de sélection à scoring négatif (p. ex. une mesure du temps de réalisation d’une tâche) et à corrélation négative, il suffira d’inverser le score (i.e. !X) pour revenir dans le cadre paramétrique de la table C.
Les taux et rapports de sélection (Section C)
61
Exercices de lecture de la table 1. Trouver la valeur de la fraction fSQ correspondant à fS = fQ = 0,70 et ρ = 0,8. La seconde page de la table C fournit tout de suite fSQ = 0,611. 2. Utilisant fS = 0,20, fQ = 0,50 et ρ = 0,6, calculer les indices RS, PCC et ASP. La table C étant organisée selon fQ # fS, nous intervertissons d’abord fQ et fS pour obtenir (à la ligne fQ = 0,20 et fS = 0,50) fSQ = 0,168. Appliquant les formules (1) à (3) ci-dessus, nous obtenons RS = 0,168 / 0,2 = 0,84, PCC = 1!0,20 ! 0,50 + 2 × 0,168 = 0,636 et ASP = (0,168 ! 0,20 × 0,50) / (min(0,20 ; 0,50) ! 0,20 × 0,50) = 0,342. 3. Soit une fraction de sélection fS = 0,65, un taux de qualification fQ = 0,45 et une corrélation ρ = 0,45 : quelle valeur peut-on attribuer à fSQ ? Aucune des valeurs paramétriques demandées n’apparaît dans la table C. Cependant, nous pouvons repérer d’autres valeurs (fS = 0,60 et 0,70 ; fQ = 0,40 et 0,50 ; ρ = 0,40 et 0,50) dans l’intervalle desquelles la valeur cherchée se trouve. En procédant par interpolation simple, nous obtenons fSQ . (0,316 + 0,347 + 0,380 + 0,422 + 0,333 + 0,360 + 0,399 + 0,437) / 8 . 0,37425, la valeur directement calculée étant 0,37273, une différence d’à peine 0,4 %. L’exemple 2, plus bas, détaille la méthode d’interpolation.
Exemples élaborés 1. Calcul de bénéfice à l’emploi. Imaginons une entreprise qui, par le roulement du personnel qui part à la retraite après 25 ans de service, engage régulièrement de nouveaux candidats. Peut-on établir une base de calcul pour chiffrer l’avantage de l’embauche de personnel par test de sélection ? La procédure d’engagement d’un nouvel employé dans une entreprise implique des coûts (testing et entraînement) et des bénéfices escomptés. Énumérons les éléments suivants (les montants indiqués, en dollars, sont purement illustratifs) : • • • •
T$, le coût global du testing d’un candidat (500 $) ; E$, le bénéfice global au rendement, en période d’entraînement, incluant les coûts associés (!2000 $) ; BQ$, le bénéfice annuel au rendement à long terme pour un candidat qualifié (10 000 $) ; BNQ$, le bénéfice annuel au rendement à long terme pour un candidat non qualifié (6000 $) ;
62
L’étalonnage et la décision psychométrique
• • •
P$, la pénalité de renvoi (payée au candidat non qualifié) (10 000 $) ; hQ et hNQ, l’horizon d’emploi, en nombre d’années, pour un candidat qualifié et non qualifié respectivement (hQ = 25 ; hNQ = 0,5) ; G$, le bénéfice global (annualisé) pour l’entreprise.
Ces ingrédients étant admis, une formule de calcul possible est : hQG$ = !T$ +{ fS E$ + fSQhQBQ$ + (fS ! fSQ)(hNQBNQ$ ! P$) } / fS
(4)
Toujours pour illustrer le calcul, supposons maintenant un taux de qualification fQ = 0,30 et une fraction de sélection fS = 0,10. Sans sélection ou avec une sélection aléatoire (p. ex. selon ρ = 0), nous obtiendrions fSQ = fS × fQ = 0,10 × 0,30 = 0,03 et la formule (4) indique alors hQG$ = 67600 $, ou G$ = 67600 $ / 25 = 2704 $ à titre de bénéfice annualisé, par employé. Par le moyen d’un test de sélection pour lequel ρ = 0,70, la table C indique (vis-à-vis de fQ = 0,10 et fS = 0,30) fSQ = 0,082, d’où on obtient G$ = 8049,60 $. Si la sélection avait été parfaite, avec ρ = 1 et fSQ = fS = 0,10, alors G$ = 9900 $. L’interprétation de cette approche, où l’on doit tenir compte aussi des valeurs (arbitraires) fournies pour les différents paramètres, est laissée au lecteur. 2. Interpolation dans la table C. Quelle est la valeur de la fraction fSQ pour fQ = 0,50, fS = 0,33 et ρ = 0,8 ? Quels sont les indices RS, PCC et ASP pour fQ = 0,25, fS = 0,40 et ρ = 0,77 ? Considérons le premier cas. La fonction fSQ étant symétrique dans les arguments fS et fQ, nous pouvons les intervertir et posons fQ = 0,33 et fS = 0,50. Lisant vis-à-vis de ρ = 0,8, le couple (0,30 ; 0,50) donne 0,271 et (0,40 ; 0,50) donne 0,341. Interpolant sur le premier paramètre pour repérer (0,33 ; 0,50), nous avons fSQ . 0,271 + (0,33 ! 0,30) / (0,40 ! 0,30) × (0,341 ! 0,271) = 0,292, un résultat proche de la valeur exacte qui est 0,294. Dans le second cas, le triplet (0,25 ; 0,40 ; 0,77) est inscrit dans l’intervalle borné par (0,20 ; 0,40 ; 0,7), (0,30 ; 0,40 ; 0,7), (0,20 ; 0,40 ; 0,8) et (0,30 ; 0,40 ; 0,8). Interpolant d’abord sur le premier paramètre ( fS), nous avons fSQ(0,25 ; 0,40 ; 0,7) . (0,165 + 0,227) / 2 = 0,196, puis fSQ(0,25 ; 0,40 ; 0,8) . (0,179 + 0,247) / 2 = 0,213. Enfin, l’interpolation sur le troisième paramètre (ρ) fournit fSQ(0,25 ; 0,40 ; 0,77) . 0,196 + (0,77 ! 0,7) / (0,8 ! 0,7) × (0,213 ! 0,196) . 0,208, le résultat exact à 3 décimales étant 0,209. Par conséquent, le rapport de sélection devient (approximativement) RS = 0,208 / 0,25 . 0,832, la proportion de classements corrects PCC = 1 ! 0,25 ! 0,40 + 2 × 0,208 = 0,766, et l’avantage de sélection prédictive ASP = (0,208 ! 0,25 × 0,40) / ( min(0,25 ; 0,40) ! 0,25 × 0,40) = 0,108 / 0,150 = 0,720.
63
Les taux et rapports de sélection (Section C)
3. Estimation de fSQ par inversion de la corrélation tétrachorique. La section mathématique présente une méthode d’approximation de l’intégrale fSQ par l’inversion de la formule « cos-pi » proposée par K. Pearson pour estimer la corrélation à partir d’une double dichotomisation de la population bivariée normale. Soit les paramètres fS = 0,40, fQ = 0,60 et ρ = 0,8. La table C indique fSQ = 0,369. Que donne l’estimation proposée par l’équation (9) ? Nous obtenons S = 0,4 + 0,6 = 1, U = (π / cos!10,8 ! 1)2 = 3,1416 / 0,6435 ! 1)2 . 15,07 et V = 0,4 × 0,6 = 0,24. L’application de (9) donne alors : fSQ . •1 × (15,07!1) + 1 !/{[1 × (15,07 ! 1) +1]2 ! 4 × 15,07 × 0,24 × (15,070 ! 1)}œ / 2 × (15,07!1) = 0,363,
une valeur assez juste. À notre connaissance, les mérites ou les failles de cette approximation n’ont pas été étudiées.
Justification mathématique Calcul direct de la quantité fSQ Par sa définition, soit fSQ = Pr{ X $ XC, Y > YQ }, la quantité fSQ apparaît comme une probabilité dans une distribution bivariée, soit l’aire d’un quadrant positif extrême. Dans le contexte convenu de la distribution normale bivariée standard, nous posons donc : fSQ =
.
(5)
Hormis les cas extrêmes déjà mentionnés (pour ρ = 0 et ρ = 1), seule vaut la peine d’être signalée l’équivalence suivante : fSQ(xC = 0 ; yQ = 0 ; ρ) = ¼ + (sin!1ρ) / 2π. Le calcul explicite de la double intégrale (5) n’est pas banal mais il existe tout de même plusieurs procédés, notamment par la fonction tétrachorique (Kendall et Stuart, 1979) ou la fonction T de Owen (1962). En vertu de celle-ci et rappelant la fonction de répartition normale Φ(z) de la section A, nous avons : fSQ = 1 ! ½[Φ(xC) + Φ(yQ)] ! T(xC, ay) ! T(yQ, ax) !K ,
(6)
où K = 0 si xC × yQ $ 0 et K = ½ sinon, ay = (y !ρx) / x /(1!ρ2), ax = (x !ρy) / y /(1!ρ2), et : T(x, ay) =
.
(7)
64
L’étalonnage et la décision psychométrique
Pour fins de calcul, notons aussi T(x,0) = 0, T(0, a) = (tan!1 a) / 2π, T(!x, a) = T(x,a), T(x,!a) = !T(x,a) et T(x,a) = ½[Φ(x) + Φ(xa)] ! Φ(x)Φ(xa) ! T(xa,1/a). Owen1 fournit aussi un calcul en série convergente pour l’intégrale (7). Le calcul direct illustré ici ou celui approximatif décrit plus bas se réfèrent tous deux à un contexte paramétrique, dans lequel les valeurs réelles des paramètres (XC ou fC, YQ ou fQ, µX, σX, µY, σY, ρ) sont connues et utilisées. Dans les cas pratiques, ces valeurs ne sont pas connues et doivent être estimées à partir de séries statistiques, en y calculant par exemple r(X,Y) pour estimer ρ. Owen et Li2, en plus de brosser une vue d’ensemble sur la sélection prédictive, scrutent les cas où l’un ou l’autre ou plusieurs de ces paramètres doivent être empiriquement estimés, et ils en dérivent certaines procédures permettant de pallier au problème. Ni ces auteurs ni d’autres, à notre connaissance, n’ont établi systématiquement le biais engendré par la substitution de statistiques (i.e. utiliser rX,Y pour ρ) ni la grandeur N de la série statistique suffisante pour pulvériser à toutes fins pratiques ce biais. Calcul approximatif de fSQ La population bivariée normale à corrélation ρ est divisée en quatre parties par les seuils de sélection XC et de qualification YQ, produisant un tableau de répartition tel que le tableau 1, avec les proportions indiquées a, b, c et d, où a + b + c + d = 1 et a = fSQ = Pr{ X $ XC, Y $ YQ }. Un tel tableau, exprimé par le quadruplet (a, b, c, d ), permet d’obtenir exactement la valeur de ρ par la fonction tétrachorique, la valeur obtenue étant parfois appelée « corrélation tétrachorique », ou ρt. Réciproquement, la connaissance de fS = a + b, fQ = a + c et ρ permet d’inférer a, en inversant la fonction tétrachorique. Or, K. Pearson a proposé une très bonne approximation de la corrélation ρt, soit la célèbre formule « cos-pi », ρt =
.
(8)
Cette formule peut être inversée, pour obtenir (voir Laurencelle 1998a) : fSQ .
,
(9)
où S = fS + fQ, U = (π / cos!1ρ ! 1)2 et V = fC × fQ. L’exemple 3 ci-dessus illustre le calcul.
1. D.B. Owen : « Tables for computing bivariate normal probabilities », dans Annals of mathematical statistics, 1956, vol. 27, p. 1075-1090. 2. D.B. Owen et L. Li : « The use of cutting scores in selection procedures », dans Journal of educational statistics, 1980, vol. 5, p. 157-168.
65
Les taux et rapports de sélection (Section C)
Table C.
fQ
Fraction sélectionnée et qualifiée (fSQ) dans une population selon la fraction de sélection (fS), la fraction de qualification (fQ) et la corrélation (ρ) entre les mesures de sélection et de qualification Valeurs de ρ 0,4 0,5 0,6
fS
0,0
0,1
0,2
0,3
0,7
0,8
0,9
0,95
1,0
,05 ,05 ,10 ,20 ,30 ,40 ,50 ,60 ,70 ,80 ,90 ,95
0,0225 0,0250 0,010 0,015 0,020 0,025 0,030 0,035 0,040 0,045 0,048
0,0237 0,0270 0,013 0,019 0,024 0,029 0,034 0,038 0,043 0,047 0,048
0,0253 0,0294 0,017 0,023 0,028 0,033 0,038 0,041 0,045 0,048 0,049
0,0271 0,012 0,020 0,027 0,032 0,037 0,041 0,044 0,047 0,049 0,050
0,0294 0,016 0,025 0,031 0,037 0,041 0,044 0,046 0,048 0,049 0,050
0,012 0,019 0,029 0,036 0,041 0,044 0,046 0,048 0,049 0,050 0,050
0,016 0,024 0,034 0,040 0,044 0,047 0,048 0,049 0,050 0,050 0,050
0,020 0,029 0,039 0,044 0,047 0,049 0,049 0,050 0,050 0,050 0,050
0,025 0,035 0,044 0,048 0,049 0,050 0,050 0,050 0,050 0,050 0,050
0,032 0,043 0,049 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050
0,037 0,047 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050
0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050
,10 ,10 ,20 ,30 ,40 ,50 ,60 ,70 ,80 ,90 ,95
0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090 0,095
0,013 0,025 0,036 0,047 0,057 0,067 0,076 0,085 0,093 0,097
0,017 0,031 0,043 0,054 0,064 0,073 0,081 0,089 0,095 0,098
0,022 0,037 0,050 0,061 0,071 0,079 0,086 0,092 0,097 0,099
0,027 0,044 0,058 0,068 0,077 0,085 0,091 0,095 0,098 0,099
0,032 0,051 0,065 0,076 0,084 0,090 0,094 0,097 0,099 0,100
0,039 0,060 0,074 0,083 0,090 0,094 0,097 0,099 0,100 0,100
0,047 0,069 0,082 0,090 0,095 0,097 0,099 0,100 0,100 0,100
0,056 0,079 0,090 0,096 0,098 0,099 0,100 0,100 0,100 0,100
0,069 0,091 0,098 0,100 0,100 0,100 0,100 0,100 0,100 0,100
0,078 0,097 0,100 0,100 0,100 0,100 0,100 0,100 0,100 0,100
0,100 0,100 0,100 0,100 0,100 0,100 0,100 0,100 0,100 0,100
,20 ,20 ,30 ,40 ,50 ,60 ,70 ,80 ,90 ,95
0,040 0,060 0,080 0,100 0,120 0,140 0,160 0,180 0,190
0,048 0,070 0,091 0,111 0,131 0,150 0,168 0,185 0,193
0,057 0,080 0,102 0,122 0,141 0,159 0,175 0,189 0,195
0,066 0,091 0,114 0,134 0,151 0,167 0,181 0,192 0,197
0,076 0,103 0,126 0,145 0,162 0,175 0,187 0,195 0,198
0,087 0,115 0,138 0,156 0,171 0,183 0,192 0,197 0,199
0,099 0,129 0,151 0,168 0,181 0,190 0,196 0,199 0,200
0,113 0,143 0,165 0,179 0,189 0,195 0,198 0,200 0,200
0,129 0,160 0,179 0,190 0,196 0,199 0,200 0,200 0,200
0,150 0,180 0,193 0,198 0,200 0,200 0,200 0,200 0,200
0,165 0,192 0,199 0,200 0,200 0,200 0,200 0,200 0,200
0,200 0,200 0,200 0,200 0,200 0,200 0,200 0,200 0,200
,30 ,30 ,40 ,50 ,60 ,70 ,80 ,90 ,95
0,090 0,120 0,150 0,180 0,210 0,240 0,270 0,285
0,102 0,134 0,164 0,193 0,222 0,250 0,276 0,288
0,115 0,147 0,178 0,207 0,234 0,259 0,281 0,291
0,128 0,162 0,192 0,220 0,245 0,267 0,286 0,294
0,142 0,176 0,207 0,233 0,256 0,275 0,291 0,296
0,157 0,192 0,222 0,247 0,267 0,283 0,294 0,298
0,173 0,209 0,237 0,260 0,277 0,290 0,297 0,299
0,191 0,227 0,254 0,273 0,287 0,295 0,299 0,300
0,211 0,247 0,271 0,286 0,295 0,299 0,300 0,300
0,238 0,272 0,290 0,297 0,299 0,300 0,300 0,300
0,256 0,287 0,298 0,300 0,300 0,300 0,300 0,300
0,300 0,300 0,300 0,300 0,300 0,300 0,300 0,300
66
L’étalonnage et la décision psychométrique
Table C (suite)
fQ
Valeurs de ρ 0,4 0,5 0,6
fS
0,0
0,1
0,2
0,3
0,7
0,8
0,9
0,95
1,0
,40 ,40 ,50 ,60 ,70 ,80 ,90 ,95
0,160 0,200 0,240 0,280 0,320 0,360 0,380
0,175 0,215 0,255 0,293 0,331 0,367 0,384
0,190 0,231 0,270 0,307 0,341 0,373 0,388
0,206 0,247 0,285 0,320 0,351 0,379 0,391
0,222 0,263 0,300 0,333 0,362 0,385 0,394
0,239 0,280 0,316 0,347 0,371 0,390 0,396
0,257 0,299 0,333 0,360 0,381 0,394 0,398
0,278 0,319 0,350 0,373 0,389 0,397 0,399
0,301 0,341 0,369 0,386 0,396 0,399 0,400
0,331 0,368 0,388 0,397 0,400 0,400 0,400
0,351 0,385 0,397 0,400 0,400 0,400 0,400
0,400 0,400 0,400 0,400 0,400 0,400 0,400
,50 ,50 ,60 ,70 ,80 ,90 ,95
0,250 0,300 0,350 0,400 0,450 0,475
0,266 0,315 0,364 0,411 0,457 0,479
0,282 0,331 0,378 0,422 0,464 0,483
0,298 0,347 0,392 0,434 0,471 0,487
0,315 0,363 0,407 0,445 0,477 0,491
0,333 0,380 0,422 0,456 0,484 0,494
0,352 0,399 0,437 0,468 0,490 0,497
0,373 0,419 0,454 0,479 0,495 0,499
0,398 0,441 0,471 0,490 0,498 0,500
0,428 0,468 0,490 0,498 0,500 0,500
0,449 0,485 0,498 0,500 0,500 0,500
0,500 0,500 0,500 0,500 0,500 0,500
,60 ,60 ,70 ,80 ,90 ,95
0,360 0,420 0,480 0,540 0,570
0,375 0,434 0,491 0,547 0,574
0,390 0,447 0,502 0,554 0,578
0,406 0,462 0,514 0,561 0,582
0,422 0,476 0,526 0,568 0,587
0,439 0,492 0,538 0,576 0,591
0,457 0,509 0,551 0,583 0,594
0,478 0,527 0,565 0,590 0,597
0,501 0,547 0,579 0,596 0,599
0,531 0,572 0,593 0,600 0,600
0,551 0,587 0,599 0,600 0,600
0,600 0,600 0,600 0,600 0,600
,70 ,70 ,80 ,90 ,95
0,490 0,560 0,630 0,665
0,502 0,570 0,636 0,669
0,515 0,580 0,643 0,673
0,528 0,591 0,650 0,677
0,542 0,603 0,658 0,681
0,557 0,615 0,665 0,686
0,573 0,629 0,674 0,690
0,591 0,643 0,682 0,694
0,611 0,660 0,690 0,698
0,638 0,680 0,698 0,700
0,656 0,692 0,700 0,700
0,700 0,700 0,700 0,700
,80 ,80 ,90 ,95
0,640 0,648 0,657 0,666 0,676 0,687 0,699 0,713 0,729 0,750 0,765 0,800 0,720 0,725 0,731 0,737 0,744 0,751 0,760 0,769 0,779 0,791 0,797 0,800 0,760 0,763 0,767 0,770 0,775 0,779 0,784 0,789 0,794 0,799 0,800 0,800
,90 ,90 ,95
0,810 0,813 0,817 0,822 0,827 0,832 0,839 0,847 0,856 0,869 0,878 0,900 0,855 0,857 0,859 0,862 0,866 0,869 0,874 0,879 0,885 0,893 0,897 0,900
,95 ,95
0,902 0,904 0,905 0,907 0,909 0,912 0,916 0,920 0,925 0,932 0,937 0,950
Section D Seuils et taux de sélection multinormaux Introduction La sélection des personnes, dans un contexte d’embauche, de diagnostic ou de qualification pour une fonction, est un processus souvent complexe, en plusieurs phases, pour lequel l’application de tests de sélection normés constitue une phase clé. Le but ordinaire de ces tests est de déterminer, estimer ou prédire si la personne évaluée appartient ou non à une fraction donnée de la population, soit les 100 α % supérieurs (0 < α < 1). Parfois, un seul test fera l’affaire mais, la plupart du temps, l’agence de sélection mettra en œuvre deux ou plusieurs tests afin de cerner les qualités à évaluer. Or, l’exploitation concomitante de plusieurs tests place l’utilisateur dans une démarche d’interprétation particulière, qui diffère de la démarche habituelle associée à l’utilisation d’un seul test. La démarche appropriée dans ce contexte doit prendre en compte les interactions particulières entre les tests, en fonction notamment de leurs intercorrélations, ce en invoquant une distribution statistique multivariée, ici la distribution multinormale. Dans cette section, nous considérons la détermination des seuils multinormaux et des taux de sélection correspondants, alors que la section suivante abordera les différentiels de sélection multiples, une généralisation multivariée du différentiel de sélection présenté dans la section A. Lorsqu’un seul test est en jeu, disons X1, la détermination d’un seuil et d’un taux de sélection est une affaire simple. Il s’agit de résoudre pour c l’équation : α = Pr{ X1 $ c }
(1)
en se référant à une distribution (univariée) quelconque. Dans le cas conventionnel de la loi normale standard (voir section A), nous aurons évidemment : c = Φ!1(1 ! α) ;
(2)
par exemple, pour un taux de sélection α = 0,10, nous obtenons le seuil c = Φ!1(0,90) . 1,282. Prenons maintenant le cas de k = 3 tests, disons X1, X2 et X3, les scores étant exprimés en unités standardisées (de moyenne 0 et variance 1), et appliquons à chacun le seuil c = 1,282. Le contexte défini par ce cas permet maintenant l’application de trois stratégies de sélection distinctes, ou règles, soit :
68
L’étalonnage et la décision psychométrique
1. Retenir le sujet si X1 $ c ou X2 $ c ou X3 $ c (règle d’union) ;
(3)
2. Retenir le sujet si X1 $ c et X2 $ c et X3 $ c (règle d’intersection) ; 3. Retenir le sujet si (X1 $ c et X2 $ c) ou (X1 $ c et X3 $ c) ou (X2 $ c et X3 $ c). On peut résumer verbalement ces règles par l’exigence d’une qualification dans au moins l’un des tests, dans tous les tests ou dans au moins deux des tests. Or, de façon générale, les personnes repérées par l’une de ces règles ne sont pas forcément les mêmes que celles trouvées par une autre, et leur nombre diffère aussi. Ainsi, la personne sélectionnée par la règle 2 doit se qualifier à la fois aux tests 1, 2 et 3, ce qui apparaît plus exigeant et « rare » que celle qui, dans la règle 1, n’a à se qualifier qu’à l’un des tests. De plus, la possibilité de se qualifier dans plus d’un test à la fois dépend essentiellement de la corrélation qu’il y a entre les tests, un paramètre dont il nous faudra tenir compte. Avec seulement k = 2 tests utilisés en concomitance, seules les règles 1 et 2 ci-dessus s’appliquent, la règle 3 s’y confondant avec la règle 2. Avec k > 3 tests, la règle 3 ci-dessus pourrait s’assouplir et se généraliser en exigeant que le sujet se qualifie dans au moins r parmi les k tests. Dans cette section, nous explorons des situations comportant de k = 2 à k = 5 tests, en nous en tenant toutefois aux règles de sélection 1, 2 et 3 énoncées ci-dessus. La sélection dans un contexte de testing multivarié, parce qu’elle comporte de nombreux ingrédients (les tests et leurs caractéristiques psychométriques) et leurs interactions, peut atteindre un niveau de complexité inabordable, ou qui dépasse en tout cas le traitement que nous avons prévu y consacrer ici1. À toutes fins utiles, nous nous voyons contraint d’adopter un cadre général simplifié, qui sera utilisé dans tous nos calculs. D’abord, le modèle normal est encore mis à contribution, cette fois sous forme de la distribution normale multivariée homogène standard, notée N(0k, 1k ; ρ), désignant une population mesurée sur k critères ou tests, chacun étant ramené à moyenne 0 et écart-type 1, et tous ayant des intercorrélations égales à une même valeur ρ. Le contexte de sélection nous permet de restreindre le domaine de ρ à l’intervalle positif [0 ..1]. De plus, le seuil de sélection c (en valeur standardisée) sera le même pour chaque test, tel que le montrent les exemples ayant servi à illustrer les règles de sélection (3). Nature et présentation des tables de la section D Les tables de cette section mettent en jeu les relations complexes entre le nombre de tests (k), la corrélation commune entre les tests (ρ), le seuil de sélection appliqué à chaque test (c, en valeur standardisée), la règle de sélection et la fraction de sélection visée, dénotée « α ».
1. Noter cependant que même les situations statistiques les plus complexes peuvent être domestiquées en vue d’une solution numérique, en recourant à l’approche dite de Monte Carlo : voir Laurencelle (2001).
Seuils et taux de sélection multinormaux (Section D)
69
Cette relation, qu’on peut symboliser par : α = f { k, ρ, c, Règle }, fait ressortir le fait que la fraction α de population sélectionnée en vertu d’une règle donnée diffère généralement de la fraction retenue par chaque test, laquelle est une fonction simple du seuil de sélection c, ou T = 1 ! Φ(c) (voir section A). Rappelons que les calculs sousjacents aux valeurs tabulées reposent sur le modèle multinormal homogène, documenté à la section mathématique. Les tables D1 à D3 fournissent les seuils individuels c, applicables à chaque test, afin d’espérer une fraction de sélection α, ce pour les trois règles de sélection identifiées plus haut, en (3). Les tables D4 à D6 sont complémentaires, fournissant cette fois la fraction α correspondant à différentes valeurs du seuil de sélection c.
Exercices de lecture des tables 1. Quels seuils doit-on appliquer avec 4 tests normés en cotes T (µ = 50, σ = 10) et à corrélations mutuelles de 0,70, si on souhaite sélectionner les 10 % meilleurs selon la règle 1 (union) ? La table D1 fournit un jeu de seuils d’union. Pour k = 4 tests, ρ = 0,70 et α = 0,10, le seuil standardisé trouvé est c = 1,745 ; cette valeur équivaut à un taux de sélection par test d’environ T = 1 ! Φ(1,745) . 0,0405 (voir table A2). Transposé en cote T, le seuil c devient TC = µ + c × σ = 50 + 1,745 × 10 = 67,452. 2. Quelle est la fraction de population attendue si les candidats doivent excéder la borne d’un écart-type (i.e. Xi > µ + σ) pour 3 tests à corrélations ρi,j = 0,5, 0,6 et 0,7 respectivement ? Ce sont les tables D4 à D6 qui nous informent de la fraction attendue sous différentes conditions ; ici, l’exigence de se qualifier à chacun de 3 tests (règle 2) nous amène à la table D5b. Nous avons évidemment c = 1 (puisque le seuil à battre est situé à +1σ au-delà de µ). Quant à ρ, les valeurs fournies étant assez proches l’une de _ l’autre, nous suggérons d’appliquer la moyenne, ρ = (0,5 + 0,6 + 0,7) / 3 = 0,6. La _ fraction trouvée est α(ρ ) = 0,04447. Une autre stratégie eût été de trouver la fraction _ moyenne, α = a [ α(0,5) + α(0,6) + α(0,7) ] . 0,04528. L’estimation de la fraction α réelle par simulation Monte Carlo (basée sur 2 × 106 échantillons) indique _ α . 0,04449, donnant nettement l’avantage à l’estimateur α(ρ ).
2. Dans cet exemple comme ailleurs dans le texte, c’est le contexte qui permettra au lecteur de discriminer le taux de sélection T et la cote T conventionnelle, les deux objets étant notés identiquement.
70
L’étalonnage et la décision psychométrique
En continuation de cet exercice, posant les corrélations ρi,j = 0,4, 0,6 et 0,8, _ _ l’estimateur recommandé indique encore α(ρ ) = 0,04447, alors que α . 0,04789 ; _ l’estimateur Monte Carlo donne ici α . 0,04462, l’avantage allant encore à α(ρ ). En sur-continuation de cet exercice, des calculs semblables mais appliqués pour la règle d’union (en utilisant les tables D4), donnent maintenant l’avantage à _ _ l’estimateur α plutôt qu’à α(ρ ). Des études complémentaires sur ces approximations sont bien sûr de mise. 3. Quels seuils (standardisés) devrait-on exiger avec k = 5 tests pour des candidats qui n’ont à se qualifier qu’à l’un d’entre eux si l’on veut écrémer les meilleurs 2 % de la population ? Le problème est posé pour des intercorrélations de ρ = 1 ; de ρ = 0 ; de ρ = 0,7. La table des seuils d’union (table D1) ne présente pas de valeurs pour une fraction de 2 %. On peut toutefois s’en tirer en utilisant certains moyens. D’abord, pour ρ = 1, la règle n’y est pour rien, tous les tests rendant la même information. Nous nous basons ainsi sur T = α = 2 %, et le seuil à appliquer est simplement c = Φ!1(1 !T) = Φ!1(0,98) . 2,054. Quant au cas ρ = 0, le calcul de probabilité montre que k 5 T = 1! /(1 ! α), soit T = 1 ! /0,98 . 0,0040324, d’où c = Φ!1(1 !T ) . 2,649. Les astuces déployées ci-dessus pour ρ = 0 et ρ = 1 ne conviennent pas au cas ρ = 0,7. À défaut de procéder à l’évaluation complexe des intégrales concernées (voir section mathématique), il nous faut songer à l’interpolation. Il s’agirait donc d’interpoler entre les couples (α = 0,05 ; c = 2,144) et (α = 0,01 ; c = 2,776) pour trouver le seuil approprié à α = 0,02. L’interpolation linéaire simple n’y valant rien, nous suggérons de transformer d’abord α en αN, selon αN = /(!ln α), puis de faire l’interpolation linéaire sur αN. Pour notre exemple, αN(0,05) = /(!ln 0,05) . 1,7308, αN(0,01) . 2,1460 et αN(0,02) . 1,9779, d’où : c(0,02) = c(0,01) + [c(0,05)!c(0,01)] × [αN(0,02)!αN(0,01)] / [αN(0,05)!αN(0,01)] = 2,776 + [2,144 ! 2,776] × [1,9779!2,1460] / [1,7308!2,1460]
. 2,520, la valeur exacte étant 2,523. Pour accréditer encore cette méthode d’interpolation, notons que la valeur interpolée pour ρ = 0 serait de 2,651 (vs 2,649) et, pour ρ = 1, de 2,051 (vs 2,054). 4. Quelle est la fraction retenue si, en appliquant la règle d’union et 3 tests à corrélation de 0,3, on utilise un taux de sélection de 10 % ? Il s’agit donc ici de retenir tout candidat qui se classe dans les T = 10 % meilleurs de la population à n’importe quel des 3 tests, les tests étant intercorrélés à ρ = 0,3. Le seuil appliqué, c = Φ!1(0,10), est 1,28155 (voir table A1). La table D4b fournit la
Seuils et taux de sélection multinormaux (Section D)
71
fraction α pour c = 1 (α = 0,35736) et c = 1,5 (α = 0,16951). L’interpolation directe fournirait α . 0,25158, avec une erreur de +3,9 % par rapport à la vraie valeur de 0,24209. Nous recommandons plutôt une interpolation sur variable transformée, comme à l’exercice précédent. Soit αN(0,35736) = 1,01440 et αN(0,16951) = 1,33223, l’interpolation linéaire pour c = 1,28155 fournit αN = 1,19337 et α = exp(!αN2 ) . 0,24072, l’erreur étant ici de !0,6 %.
Exemples élaborés 1. Un concours de douance dans une commission scolaire. Une commission scolaire, qui gère 16 écoles primaires et N = 8000 élèves, veut favoriser l’effort en encourageant les jeunes à se dépasser. La direction pédagogique met sur pied un concours de douance, basé sur l’utilisation de quatre épreuves normées, l’une sur la compétence en langue maternelle, l’une sur les mathématiques, l’une sur l’expression artistique et enfin l’une sur le sport ; la corrélation entre les épreuves est d’environ 0,6. La commission souhaite récompenser environ 400 élèves. Comment procéder ? « Être doué » signifie d’abord montrer un talent exceptionnel dans un domaine particulier ; dans le contexte du concours, cela revient à se démarquer dans au moins l’une des quatre épreuves imposées. Ainsi, pour distinguer 400 élèves parmi 8000, soit α = 0,05, avec k = 4 et ρ . 0,6, le seuil d’union approprié, à la table D1, est c = 2,127. Le taux de sélection par épreuve, T, est donc de 1 ! Φ(2,127) . 0,01671, soit environ 134 élèves. L’application d’un tel seuil ne garantit le nombre de lauréats qu’en espérance, l’erreur-type de cette estimation étant /[Nα(1!α)] . 19,49 ; on peut donc espérer obtenir 400 ± 20 lauréats dans ce concours. Parmi les lauréats, retenus pour s’être distingués à l’une des épreuves. certains l’auront fait à plus d’une, voire à toutes les épreuves. La direction pédagogique entend couronner de façon particulière ces génies potentiels. Le nombre attendu de ceux-là peut être estimé en trouvant la fraction α résultant d’une sélection par la règle 2 (intersection), k = 4 et c = 2,127. La table D5c fournit, pour ρ = 0,6 et c = 2, α = 0,00132, et pour c = 2,5, α = 0,000170. Utilisant l’interpolation sur αN, comme à l’Exercice 3, nous trouvons αN(c = 2) = /(!ln α) = 2,57490, αN(c = 2,5) = 2,94614, puis par interpolation, αN(c = 2,127) . 2,66919 et α . 0,00081. Multipliant par N = 8000, le nombre escompté de « génies » serait de 6,5 ± 2,5, soit de 4 à 9.
72
L’étalonnage et la décision psychométrique
2. En exigeant une qualification à deux tests corrélés à 0,50, quel seuil doit-on imposer à chacun pour s’assurer d’obtenir au moins 1 gagnant sans déborder le nombre de 50 candidats ? Cette question, à la fois curieuse et complexe, permet d’explorer d’autres aspects de la sélection. D’abord, la phrase « assurer d’obtenir au moins 1 gagnant » demande une spécification en termes de probabilité, l’assurance étant un coefficient de probabilité A (0 < A < 1) : nous choisirons (par exemple) A = 0,90. Ensuite, nous devons fixer le processus statistique en vertu duquel les candidats sont testés jusqu’au candidat gagnant : ce procédé nous fournira la fraction échantillonnale α à appliquer. Enfin, il s’agira de déterminer le seuil standardisé c, en considérant k = 2 et ρ = 0,50. Soit p = α, la probabilité pour chaque candidat de se qualifier aux deux tests. La probabilité que le je candidat se qualifie (alors que les précédents ne l’ont pas fait) est (1!p) j!1 × p, soit un élément de la loi géométrique, dont les premiers éléments sont p, (1!p) p, (1!p)2 p, (1!p)3 p, etc. La probabilité de trouver un gagnant parmi les K premiers candidats, c’est-à-dire notre « assurance » A, est la somme : A = p + (1 ! p) p + (1 ! p)2 p + (1 ! p)3 p + (1 ! p)K!1 = 1 ! (1 ! p)K . Posant A = 1 ! (1! p)K = 0,90 et K = 50, nous trouvons α = p = 1 ! /(1!A) = 1 ! 50 /0,10 . 0,04501. k
Muni à présent de la fraction α, nous pouvons nous tourner vers la table D2. Pour k = 2 et ρ = 0,50, nous trouvons c = 1,100 pour α = 0,05 et c = 1,712 pour α = 0,01. L’interpolation à faire pour α = 0,04501 peut encore utiliser la transformation αN = /(!ln α), le résultat3 étant c . 1,144 (la valeur exacte serait 1,145). En résumé, si sur deux tests à corrélation 0,50 on impose un seuil c de 1,144, il y a 90 % de chances de trouver un gagnant (se qualifiant aux deux tests) dans les 50 premiers candidats. Si la sélection s’arrête à l’obtention d’un gagnant, tout est dit. Si elle se poursuit jusqu’à N = 50 candidats, alors il y a environ 2 chances sur 3 de trouver 2 gagnants4 et le nombre espéré de gagnants est simplement p × N = 0,04501 × 50 . 2,25.
3. En fait, nous voulons interpoler sur c pour αN(0,04501) = 1,76093, à partir de αN(c = 1,100) = 1,73082 et αN(c = 1,712) = 2,14597, soit c(0,04501) = 1,100 + (1,712 ! 1,100) × (1,76093 ! 1,73082)/(2,14597 ! 1,73082) . 1,144. 4. Le nombre N étant alors fixé (= 50), nous avons affaire à un processus binomial, de probabilité x N!x . La probabilité d’obtenir au moins 1 gagnant est 1!p(0) . 0,900, celle d’en obtenir au moins NCx p (1 ! p) 2 est 1 ! p(0) !p(1) . 0,664.
73
Seuils et taux de sélection multinormaux (Section D)
Justification mathématique La loi multinormale homogène La loi normale multivariée standard, ou loi multinormale, a pour fonction de densité : f (x1, x2,, ... , xk) =
,
(4)
où les variables sont xN = { x1, x2,, ... , xk } et R est la matrice des variances-covariances, ici une matrice homogène correspondant à :
R=
,
(5)
de sorte que la densité (4) peut être réécrite explicitement, soit :
f (x1, x2,, ... , xk) =
. (6)
Quant aux intégrations requises pour l’application de nos règles de sélection, elles concernent toutes un secteur de dimension 1 à k de l’hypervolume formé par la distribution (6) ci-dessus. La méthode la plus simple que nous ayons trouvée consiste à évaluer l’aire définie à gauche par x1 < c, x2 < c, ..., xk < c au moyen de (Kotz, Balakrishnan et Johnson, 2000 ; Laurencelle, 1998b) : bk(c, ρ) = Pr{ x1 < c, x2 < c, ..., xk < c } =
.
(7)
Calcul de la fraction sélectionnée (α α) Le lecteur aura réalisé que, pour k = 1, l’intégrale bk(c, ρ) équivaut à Φ(c), voire que 1 ! b1(c) = α = T, où T représente toujours le taux de sélection par test. Pour k $ 2, la détermination de la fraction α et, corrélativement, celle du taux de sélection T par test, dépendent essentiellement de la règle de sélection (voir Laurencelle, 1998a).
74
L’étalonnage et la décision psychométrique
Règle d’union (règle 1). Pour être retenu par la règle 1, dite d’union, un candidat n’a besoin de se qualifier qu’à l’un des tests, nonobstant ses résultats aux autres tests. Ainsi, s’il y a deux tests (k = 2), il sera recruté si (x1 $ c et x2 < c) ou (x1 < c et x2 $ c) ou (x1 $ c et x2 $ c), et il ne le sera pas si (x1 < c et x2 < c). La fraction de sélection, on le voit, est le complément de la fraction de population ne se qualifiant à aucun test, d’où généralement (Règle 1)
α = 1 ! bk .
(8) k
Lorsque ρ = 0, nous observons bk = b1k, d’où α = 1 ! b1k et T =1 ! /(1 ! α). Lorsque ρ = 1, nous avons encore α = hk = h1 = T. Règle d’intersection (règle 2). Cette règle demande que le candidat sélectionné se qualifie aux k tests à la fois. Soit α = hk = Pr{ x1 $ c, x2 $ c, ..., xk $ c }, la fraction cherchée. Il est évident que, avec un seul test en jeu, on a α = h1 = 1 ! b1 = T. Pour k = 2, la fraction α = h2 désigne les cas (x1 $ c et x2 $ c). La portion 1!b1(x1) nous fournit (x1 $ c et tout x2), de même que 1!b1(x2) fournit (tout x1 et x2 $ c) ; ces deux portions combinées incluent donc les cas (x1 $ c et x2 $ c) mais on y soustrait deux fois les cas (x1 < c et x2 < c), de fraction b2, d’où h2 = 1 ! 2b1 + b2. Par induction, on montre que : (Règle 2)
α = hk = (1 ! bu)(k) ,
(9)
expression dont le développement imite le développement binomial, soit 1 ! k×b1 + ‡ 2k ×b2 ! ‡ 3k × b3 + ... (!1)k ‡ kk × bk. Lorsque ρ = 0, les qualifications auxk critères (xi $ c) sont mutuellement indépendantes et alors α = hk = h1k = (1 ! b1)k, et T = /α ; lorsque ρ = 1, les qualifications sont simultanément toutes satisfaites, d’où α = hk = h1 = T. Règle du 2 sur k (règle 3). La règle 3 exige du candidat qu’il se qualifie sur au moins 2 tests sur k. L’exigence d’obtenir au moins r succès sur k est une généralisation de la règle d’union, dont la règle du 2 sur k constitue un autre cas particulier. D’obtenir au moins r succès est équivalent au fait de ne pas obtenir r!1 succès ou moins, soit Pr{ t $ r } = 1 ! Pr{ t < r }, d’où : x=r!1 Pr{ t $ r | k } = 1 ! 3x=0 p(x | k) ,
(10)
où p(x | k) dénote la probabilité d’obtenir exactement x succès en k occasions ou tests. Par définition, p(0 | k) = bk et, en général : p(x | k) = bk!x+u(1 ! 1)(x) ,
(11)
soit, par exemple, pour x = 3, (1 ! 1)3 = 1 ! 3 + 3 ! 1 et bk!x+u(1 ! 1)(3) = bk!3 !3bk!2 + 3bk!1 ! bk. La combinaison des expressions (10) et (11) aboutit, pour la règle du 2 sur k, à l’expression : (Règle 3)
α = 1 !k bk!1 + (k !1)bk .
(12)
Seuils et taux de sélection multinormaux (Section D)
75
Laurencelle (1998a) donne une autre dérivation de la règle. La valeur α étant fixée, il s’agit alors de trouver par repérage b1 et c = Φ!1(b1) tels que bk !1 et bk satisfont (12).
Biais et approximations Les calculs démontrés ci-dessus, calculs qui ont permis l’élaboration des tables de la section, sont hypothétiques et basés sur les paramètres d’une population fictive plutôt que sur des estimations et des séries statistiques observées de grandeur N. Chaque cas concret correspond pourtant à l’utilisation de telles séries, lesquelles sont gouvernées par la loi t multivariée5 plutôt que par la loi multinormale appliquée ici. De cette différence de contextes, découlent deux conséquences probables : une marge d’incertitude, qui doit être considérée autour des seuils et des taux de sélection proposés, et des biais d’échantillonnage, ceux surtout associés aux statistiques d’ordre extrêmes et aux écarts d’approximation entre la valeur estimée (r) et la valeur réelle (ρ) de la corrélation. Difficile d’affirmer si ces conséquences sont sérieuses ou préjudiciables, surtout lorsque la grandeur N des séries statistiques atteint un niveau confortable (p. ex. N > 500). Seules des études Monte Carlo systématiques pourraient nous renseigner là-dessus. La section H, partie 5, documente ce problème. L’utilisation d’un modèle multinormal homogène entraîne aussi certaines difficultés, puisque ce modèle impose des corrélations toutes égales entre elles (ρi,j = ρ) entre les k variables ou tests. En supposant des corrélations ρi,j toutes positives, est-ce que _ l’exploitation de leur moyenne ρ introduit un biais important, par exemple, en modifiant la fraction sélectionnée réelle (α) ? Les tables présentées imposent aussi le même taux de sélection (T ) et le même seuil (standardisé) c à chaque test (voir par contre la table C, concernant k = 2 tests, dans laquelle un jeu de taux différents est appliqué aux deux mesures). C’est la situation la plus plausible, et celle aussi dont la solution mathématique (via l’expression (7)) était la plus commode. L’application de seuils différents, soit (c1, c2, ..., ck), engendre certainement une variation de la fraction sélectionnée α : l’utilisateur intéressé devra se retrousser les manches pour en venir à bout.
5. On trouve un traitement de cette loi dans l’édition 1972 de N.L. Johnson et S. Kotz, Continuous multivariate distributions, chez Wiley.
76
L’étalonnage et la décision psychométrique
Table D1. Seuils (c) multinormaux d’union (1 sur k) k=2 ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
k=3
α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 0,000 0,126 0,178 0,251 0,307 0,353 0,394 0,430 0,462 0,492 0,520 0,545
0,675 0,795 0,842 0,904 0,949 0,985 1,014 1,039 1,060 1,078 1,094 1,108
1,282 1,398 1,440 1,493 1,529 1,556 1,577 1,594 1,607 1,617 1,626 1,632
1,645 1,758 1,798 1,846 1,877 1,900 1,916 1,929 1,939 1,946 1,951 1,955
2,326 2,435 2,469 2,509 2,532 2,548 2,558 2,565 2,569 2,572 2,574 2,575
0,000 0,189 0,267 0,377 0,461 0,531 0,592 0,646 0,695 0,740 0,782 0,819
0,675 0,856 0,927 1,022 1,090 1,144 1,189 1,228 1,260 1,288 1,312 1,332
1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
1,645 1,816 1,877 1,952 2,001 2,036 2,062 2,082 2,097 2,108 2,116 2,121
2,326 2,491 2,544 2,607 2,644 2,668 2,685 2,696 2,703 2,708 2,710 2,712
α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 0,000 0,230 0,325 0,459 0,561 0,646 0,721 0,787 0,847 0,902 0,953 0,998
0,675 0,896 0,982 1,099 1,183 1,250 1,306 1,353 1,393 1,427 1,456 1,480
1,282 1,495 1,574 1,676 1,745 1,797 1,838 1,871 1,896 1,917 1,932 1,943
ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
k=5
k=4 ρ
1,282 1,457 1,521 1,603 1,659 1,701 1,734 1,759 1,780 1,796 1,809 1,818
1,645 1,854 1,929 2,022 2,083 2,127 2,160 2,185 2,204 2,218 2,228 2,234
2,326 2,528 2,594 2,672 2,719 2,750 2,772 2,786 2,795 2,801 2,804 2,806
0,000 0,260 0,367 0,519 0,634 0,731 0,815 0,890 0,959 1,021 1,078 1,129
0,675 0,925 1,023 1,115 1,251 1,328 1,391 1,445 1,491 1,530 1,563 1,590
1,282 1,524 1,614 1,730 1,809 1,869 1,916 1,954 1,983 2,007 2,024 2,036
1,645 1,882 1,967 2,074 2,144 2,195 2,234 2,263 2,285 2,301 2,312 2,319
2,326 2,555 2,631 2,721 2,776 2,812 2,837 2,854 2,864 2,871 2,875 2,877
ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
77
Seuils et taux de sélection multivariés (Section D)
Table D2. Seuils (c) multinormaux d’intersection (k sur k) k=3
k=2 ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 0,000 -0,126 -0,178 -0,251 -0,307 -0,353 -0,394 -0,430 -0,462 -0,492 -0,520 -0,545
0,675 0,543 0,485 0,401 0,334 0,275 0,222 0,173 0,127 0,083 0,041 0,000
1,282 1,145 1,082 0,987 0,908 0,838 0,772 0,710 0,650 0,592 0,535 0,478
1,645 1,505 1,439 1,337 1,251 1,173 1,100 1,030 0,961 0,894 0,827 0,760
2,326 2,181 2,109 1,994 1,894 1,801 1,712 1,626 1,540 1,454 1,369 1,282
0,000 -0,189 -0,267 -0,367 -0,461 -0,531 -0,592 -0,646 -0,695 -0,740 -0,782 -0,819
0,675 0,478 0,392 0,266 0,166 0,079 0,000 -0,073 -0,142 -0,208 -0,271 -0,332
1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
1,645 1,437 1,340 1,190 1,064 0,950 0,842 0,739 0,638 0,538 0,437 0,336
2,326 2,111 2,005 1,837 1,692 1,558 1,429 1,302 1,176 1,050 0,921 0,788
α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 0,000 -0,230 -0,325 -0,459 -0,561 -0,646 -0,721 -0,787 -0,847 -0,902 -0,953 -0,998
0,675 0,436 0,332 0,180 0,058 -0,047 -0,142 -0,231 -0,315 -0,394 -0,471 -0,545
1,282 1,035 0,923 0,753 0,614 0,489 0,373 0,263 0,156 0,052 -0,052 -0,157
1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
k=5
k=4 ρ
1,282 1,078 0,985 0,844 0,728 0,624 0,528 0,436 0,348 0,261 0,175 0,090
ρ
1,645 1,393 1,276 1,096 0,945 0,809 0,680 0,556 0,435 0,314 0,192 0,068
2,326 2,056 1,939 1,738 1,566 1,406 1,252 1,102 0,951 0,799 0,642 0,478
0,000 -0,260 -0,367 -0,519 -0,634 -0,731 -0,815 -0,890 -0,959 -1,021 -1,078 -1,129
0,675 0,405 0,288 0,177 -0,020 -0,138 -0,246 -0,345 -0,439 -0,529 -0,616 -0,699
1,282 1,004 0,878 0,687 0,531 0,392 0,262 0,139 0,019 -0,099 -0,216 -0,334
1,645 1,362 1,230 1,029 0,860 0,708 0,564 0,426 0,290 0,154 0,017 -0,124
2,326 2,033 1,891 1,668 1,476 1,298 1,127 0,960 0,792 0,621 0,445 0,258
ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
78
L’étalonnage et la décision psychométrique
Table D3. Seuils (c) multinormaux mixtes (2 sur k) k=2 ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
k=3
α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 0,000 -0,126 -0,178 -0,251 -0,307 -0,353 -0,394 -0,430 -0,462 -0,492 -0,520 -0,545
0,675 0,543 0,485 0,401 0,334 0,275 0,222 0,173 0,127 0,083 0,041 0,000
1,282 1,145 1,082 0,987 0,908 0,838 0,772 0,710 0,650 0,592 0,535 0,478
1,645 1,505 1,439 1,337 1,251 1,173 1,100 1,030 0,961 0,894 0,827 0,760
2,326 2,181 2,109 1,994 1,894 1,801 1,712 1,626 1,540 1,454 1,369 1,282
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,675 0,665 0,656 0,636 0,616 0,595 0,574 0,551 0,528 0,503 0,478 0,450
1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
1,645 1,622 1,599 1,552 1,503 1,452 1,400 1,345 1,289 1,230 1,167 1,101
2,326 2,294 2,261 2,194 2,125 2,054 1,981 1,904 1,825 1,742 1,655 1,564
α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 α=0,50 α=0,25 α=0,10 α=0,05 α=0,01 0,000 0,066 0,094 0,133 0,162 0,187 0,209 0,228 0,246 0,262 0,277 0,290
0,675 0,730 0,746 0,763 0,769 0,769 0,765 0,758 0,748 0,734 0,717 0,697
1,282 1,327 1,334 1,330 1,315 1,294 1,268 1,237 1,202 1,163 1,119 1,069
ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
k=5
k=4 ρ
1,282 1,264 1,246 1,209 1,171 1,131 1,090 1,048 1,004 0,957 0,908 0,857
1,645 1,685 1,685 1,669 1,642 1,608 1,569 1,524 1,475 1,421 1,361 1,295
2,326 2,355 2,345 2,307 2,256 2,199 2,135 2,065 1,990 1,909 1,822 1,728
0,000 0,111 0,156 0,221 0,270 0,312 0,348 0,381 0,411 0,438 0,463 0,485
0,675 0,773 0,807 0,848 0,872 0,887 0,895 0,899 0,897 0,891 0,881 0,864
1,282 1,370 1,393 1,412 1,413 1,405 1,389 1,366 1,338 1,304 1,263 1,215
1,645 1,744 1,749 1,737 1,715 1,685 1,648 1,604 1,553 1,496 1,429 0,124
2,326 2,397 2,402 2,383 2,346 2,298 2,242 2,177 2,106 2,026 1,939 1,843
ρ 1 0,95 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
79
Seuils et taux de sélection multivariés (Section D)
Table D4a. Taux de sélection par l’atteinte d’au moins 1 sur 2 tests (union) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 4
9 614 94196 93849 93738 93571 93331 99899 99851 99783 99678 99595 99379
!2 3
9 482 93128 99863 99796 99708 99595 99450 99264 99017 98664 98376 97725
!1,5
!1
!0,5
0
0,5
1
1,5
2
2,5
c/ρ
99554 99367 99139 98867 98546 98168 97721 97183 96514 95605 94945 93319
97483 96868 96193 95454 94644 93749 92747 91602 90236 88451 87187 84134
90480 89224 87298 86582 85169 83668 82044 80240 78144 75467 73602 69146
75000 73406 71795 70151 68451 66667 64758 62659 60242 57178 55054 50000
52188 50932 49636 48290 46877 45376 43751 41947 39851 37175 35309 30854
29214 28599 27924 27185 26375 25480 24478 23333 21967 20182 18918 15866
12915 12728 12500 12228 11907 11529 11082 10545 09876 08967 08306 06681
04498 04463 04413 04346 04258 04145 04000 03814 03568 03214 02948 02275
01238 01234 01227 01216 01199 01175 01141 01094 01025 00920 00837 00621
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
Table D4b. Taux de sélection par l’atteinte d’au moins 1 sur 3 tests (union) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 6
9 761 95817 95159 94721 94256 93829 93648 93326 99876 99770 99674 99379
!2 4
9 882 94449 93850 93640 93259 99863 99763 99611 99376 98987 98660 97725
!1,5 3
9 702 93210 99832 99692 99487 99201 98814 98290 97566 96478 95623 93319
!1
!0,5
0
0,5
1
1,5
2
2,5
c/ρ
99601 99264 98808 98223 97500 96620 95553 94244 92581 90266 88544 84134
97063 95838 94467 92948 91274 89420 87343 84963 82117 78376 75706 69146
87500 85109 82693 80226 77676 75000 72138 68989 65362 60767 57581 50000
66940 64395 61880 59359 56795 54145 51350 48318 44876 40588 37661 30854
40444 38936 37368 35736 34027 32222 30285 28158 25725 22683 20613 15866
18733 18221 17627 16951 16192 15344 14390 13302 12019 10380 09253 06681
06671 06569 06429 06249 06023 05747 05412 05006 04502 03830 03358 02275
01851 01839 01818 01787 01742 01679 01595 01485 01337 01127 00975 00621
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
80
L’étalonnage et la décision psychométrique
Table D4c. Taux de sélection par l’atteinte d’au moins 1 sur 4 tests (union) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 8
9 851 97345 96190 95496 94793 94351 93830 93605 93143 99816 99717 99379
!2 6
9 732 95603 94754 94061 93732 93367 99868 99748 99540 99156 98808 97725
!1,5 4
9 801 93877 93568 99889 99766 99564 99253 98790 98093 96961 96020 93319
!1 3
9 366 99801 99551 99160 98606 97858 96875 95588 93859 91325 89366 84134
!0,5
0
0,5
1
1,5
2
2,5
c/ρ
99094 98254 97160 95823 94237 92383 90214 87636 84457 80156 77022 69146
93750 91291 88699 85969 83083 80000 76655 72931 68601 63069 59212 50000
77140 73660 70280 66936 63572 60126 56520 52638 48268 42873 39224 30854
49893 47414 44941 42455 39929 37330 34608 31685 28415 24428 21773 15866
24162 23226 22184 21046 19815 18487 17045 15453 13638 11404 09919 06681
08794 08597 08336 08010 07617 07155 06617 05989 05241 04292 03654 02275
02461 02436 02396 02337 02254 02144 02002 01823 01594 01288 01077 00621
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
Table D4d. Taux de sélection par l’atteinte d’au moins 1 sur 5 tests (union) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 11
9 077 97664 96885 95872 95239 94690 94017 93735 93349 99843 99745 99379
!2 8
9 391 96590 95465 94683 93880 93652 93158 99818 99633 99262 98907 97725
!1,5 5
9 867 94771 93864 93520 99875 99728 99477 99070 98412 97276 96289 93319
!1 3
9 899 93394 99806 99549 99130 98506 97625 96402 94678 92039 89936 84134
!0,5
0
0,5
1
1,5
2
2,5
c/ρ
99720 99214 98414 97313 95900 94150 92011 89379 86038 81399 77956 69146
96875 94714 92259 89547 86581 83333 79741 75681 70900 64726 60394 50000
84193 80180 76275 72406 68509 64514 60335 55839 50786 44569 40381 30854
57843 54430 51129 47889 44661 41392 38018 34443 30498 25759 22648 15866
29229 27801 26267 24646 22945 21157 19261 17217 14940 12207 10431 06681
10869 10551 10144 09650 09073 08415 07672 06830 05857 04664 03886 02275
03067 03026 02962 02868 02741 02577 02372 02122 01815 01420 01158 00621
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
81
Seuils et taux de sélection multivariés (Section D)
Table D5a. Taux de sélection par l’atteinte de 2 sur 2 tests (intersection) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 98762 98766 98773 98784 98801 98825 98859 98907 98975 99080 99163 99379
!2 95502 95537 95587 95654 95742 95855 96000 96186 96432 96786 97052 97725
!1,5 87085 87272 87500 87772 88093 88471 88918 89455 90124 91033 91694 93319
!1 70786 71401 72076 72815 73625 74520 75522 76667 78033 79818 81082 84134
!0,5 47812 49068 50364 51710 53123 54624 56249 58053 60149 62825 64691 69146
0 25000 26594 28205 29849 31549 33333 35242 37341 39758 42822 44946 50000
0,5 09520 10776 12072 13418 14831 16332 17956 19760 21856 24533 26398 30854
1 02517 03132 03807 04546 05356 06251 07253 08398 09764 11549 12813 15866
1,5 00446 00633 00861 01133 01454 01832 02279 02817 03486 04395 05055 06681
2 3
0 518 03872 00137 00204 00292 00405 00550 00736 00983 01336 01602 02275
2,5 4
0 386 04804 03151 03262 03429 03669 00101 00149 00217 00322 00405 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
Table D5b. Taux de sélection par l’atteinte de 3 sur 3 tests (intersection) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 98149 98161 98182 98213 98258 98321 98405 98515 98663 98873 99025 99379
!2 93329 93431 93571 93751 93977 94253 94588 94994 95498 96170 96642 97725
!1,5 81267 81779 82373 83049 83808 84656 85610 86698 87981 89620 90747 93319
!1 59556 61064 62632 64264 65973 67778 69715 71842 74275 77317 79387 84134
!0,5 33060 35605 38120 40641 43205 45855 48650 51682 55124 59412 62339 69146
0 12500 14891 17307 19774 22324 25000 27862 31011 34638 39233 42419 50000
0,5 02937 04162 05533 07052 08726 10580 12657 15037 17883 21624 24294 30854
1 00399 00736 01192 01777 02500 03380 04447 05756 07419 09734 11456 15866
1,5 3
0 298 03790 00168 00308 00513 00799 01186 01710 02434 03522 04377 06681
2 4
0 118 04501 03150 03360 03741 00137 00237 00389 00624 01013 01340 02275
2,5 6
0 239 05183 05841 04279 04744 03171 03352 03674 00124 00230 00326 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
82
L’étalonnage et la décision psychométrique
Table D5c. Taux de sélection par l’atteinte de 4 sur 4 tests (intersection) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 97539 97564 97604 97663 97746 97856 97998 98177 98406 98712 98923 99379
!2 91206 91403 91664 91990 92383 92845 93383 94011 94759 95708 96346 97725
!1,5 75838 76774 77816 78954 80185 81513 82955 84547 86362 88596 90081 93319
!1 50107 52586 55059 57545 60071 62670 65392 68315 71585 75572 78227 84134
!0,5 22860 26340 29720 33064 36428 39874 43480 47362 51732 57127 60776 69146
0 06250 08709 11301 14031 16917 20000 23345 27069 31399 36931 40788 50000
0,5 00906 01746 02840 04177 05763 07617 09786 12364 15543 19844 22978 30854
1 3
0 634 00199 00449 00840 01394 02142 03125 04412 06141 08675 10634 15866
1,5 4
0 199 03123 03432 00111 00234 00436 00747 01210 01907 03039 03980 06681
2 6
0 268 05397 04246 04939 03268 03633 00132 00252 00460 00844 01192 02275
2,5 8
0 149 07655 06810 05504 04207 04649 03170 03395 03857 00184 00283 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
Table D5d. Taux de sélection par l’atteinte de 5 sur 5 tests (intersection) en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 96933 96974 97038 97132 97259 97423 97628 97878 98185 98580 98842 99379
!2 89131 89449 89856 90350 90927 91585 92328 93170 94143 95336 96114 97725
!1,5 70771 72199 73733 75354 77055 78843 80739 82783 85060 87793 89569 93319
!1 42157 45570 48871 52111 55339 58608 61982 65557 69502 74241 77352 84134
!0,5 15807 19820 23725 27594 31491 35486 39665 44161 49214 55431 59619 69146
0 03125 05286 07741 10453 13419 16667 20259 24319 29100 35274 39606 50000
0,5 00280 00786 01586 02687 04100 05850 07989 10621 13962 18601 22044 30854
1 3
0 101 03606 00194 00451 00870 01494 02375 03598 05322 07961 10064 15866
1,5 5
0 133 04229 03136 03480 00125 00272 00523 00930 01588 02724 03711 06681
2 8
0 609 06410 05535 04317 03120 03348 03842 00182 00367 00738 01093 02275
2,5 11
0 923 08336 06115 05128 05761 04310 04983 03265 03651 00157 00255 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
83
Seuils et taux de sélection multivariés (Section D)
Table D6a. Taux de sélection par l’atteinte de (au moins) 2 sur 2 tests en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 98762 98766 98773 98784 98801 98825 98859 98907 98975 99080 99163 99379
!2 95502 95537 95587 95654 95742 95855 96000 96186 96432 96786 97052 97725
!1,5 87085 87272 87500 87772 88093 88471 88918 89455 90124 91033 91694 93319
!1 70786 71401 72076 72815 73625 74520 75522 76667 78033 79818 81082 84134
!0,5 47812 49068 50364 51710 53123 54624 56249 58053 60149 62825 64691 69146
0 25000 26594 28205 29849 31549 33333 35242 37341 39758 42822 44946 50000
0,5 09520 10776 12072 13418 14831 16332 17956 19760 21856 24533 26398 30854
1 02517 03132 03807 04546 05356 06251 07253 08398 09764 11549 12813 15866
1,5 00446 00633 00861 01133 01454 01832 02279 02817 03486 04395 05055 06681
2 3
0 518 03872 00137 00204 00292 00405 00550 00736 00983 01336 01602 02275
2,5 4
0 386 04804 03151 03262 03429 03669 00101 00149 00217 00322 00405 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
Table D6b. Taux de sélection par l’atteinte d’au moins 2 sur 3 tests en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 3
9 885 93763 93563 93268 99886 99833 99768 99689 99598 99494 99438 99379
!2 99847 99748 99619 99460 99272 99059 98824 98570 98301 98018 97873 97725
!1,5 98721 98258 97752 97217 96663 96100 95534 94970 94411 93860 93588 93319
!1 93247 92075 90964 89916 88931 88005 87135 86317 85547 84821 84473 84134
!0,5 77316 75996 74852 73849 72960 72164 71446 70794 70198 69651 69394 69146
0 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000
0,5 22684 24004 25148 26151 27040 27836 28554 29206 29802 30349 30606 30854
1 06753 07925 09036 10084 11069 11995 12865 13683 14453 15179 15527 15866
1,5 01279 01742 02248 02786 03337 03900 04466 05030 05589 06140 06412 06681
2 00153 00252 00381 00540 00728 00941 01176 01430 01699 01982 02127 02275
2,5 3
0 115 03237 03436 03732 00114 00167 00232 00311 00402 00506 00562 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
84
L’étalonnage et la décision psychométrique
Table D6c. Taux de sélection par l’atteinte d’au moins 2 sur 4 tests en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 6
9 047 95286 94688 94035 93764 93512 93104 99849 99761 99634 99545 99379
!2 4
9 537 93812 93473 99884 99784 99640 99447 99198 98884 98479 98215 97725
!1,5 99887 99721 99459 99101 98651 98114 97494 96790 95986 95028 94432 93319
!1 98593 97654 96579 95412 94184 92908 91588 90213 88747 87091 86079 84134
!0,5 90970 88593 86386 84326 82384 80531 78732 76943 75096 73034 71758 69146
0 68750 66561 64675 62996 61454 60000 58586 57161 55645 53864 52690 50000
0,5 36339 36602 36681 36627 36465 36204 35840 35356 34701 33732 32971 30854
1 12098 13503 14651 15580 16322 16898 17317 17578 17653 17450 17134 15866
1,5 02445 03205 03955 04667 05324 05914 06427 06851 07163 07308 07255 06681
2 00301 00484 00709 00965 01240 01522 01798 02057 02282 02443 02470 02275
2,5 3
0 229 03468 03842 00137 00204 00285 00375 00471 00565 00645 00669 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
Table D6d. Taux de sélection par l’atteinte d’au moins 2 sur 5 tests en fonction de c et de ρ (virgule décimale omise) ρ\c 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
!2,5 8
9 260 96286 95641 94799 94270 93799 93543 93085 99832 99705 99606 99379
!2 5
9 868 94818 93899 93657 93141 99822 99678 99467 99166 98730 98415 97725
!1,5 4
9 057 93477 99389 99638 99330 98907 98359 97673 96817 95700 94942 93319
!1 99723 99247 98529 97605 96509 95263 93875 92333 90854 88466 87083 84134
!0,5 96587 94412 92145 89863 87589 85318 83026 80664 78134 75185 73285 69146
0 81250 77601 74459 71659 69091 66667 64310 61934 59409 56439 54483 50000
0,5 48928 47581 46300 45058 43826 42573 41261 39834 38195 36091 34597 30854
1 18095 19349 20187 20716 21001 21081 20968 20652 20084 19103 18272 15866
1,5 03896 04928 05852 06643 07294 07807 08177 08395 08431 08194 07871 06681
2 00494 00777 01104 01450 01793 02114 02397 02626 02778 02806 02727 02275
2,5 3
0 381 03768 00135 00214 00308 00413 00521 00624 00710 00759 00752 00621
c/ρ 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95 1
Section E Différentiels de sélection multivariés Introduction Le « différentiel de sélection », déjà rencontré dans la section A, dénote l’augmentation de rendement due au recrutement de personnes sélectionnées. En fait, les candidats, évalués par une procédure produisant un score X, donneront éventuellement un rendement de mesure Y, la corrélation entre les deux étant le coefficient de validité prédictive, ρ(X,Y). Il existe donc un lien entre test de sélection (X) et rendement (Y), représenté par l’équation linéaire : Y^ = b X + a , (1) où b = ρ(X,Y) σY / σX et a = µY ! b µX . La sélection suppose qu’on retienne seulement les candidats atteignant un score seuil XC, soit ceux pour qui X $ XC, de sorte que, pour eux, la valeur attendue de rendement µ*Y, soit µ* = E{ Y^ * } = E{ b X + a | X $ X } (2) Y
C
soit améliorée. La valeur de cette amélioration, µ*Y ! µY, dépend donc à la fois de l’avantage de sélection, en X, et du coefficient ρ(X,Y) :
où :
µ*Y ! µY = σY × ρ(X,Y) × ∆ ,
(3)
∆ = (µ*X ! µX) / σX ,
(4)
∆ étant le différentiel de sélection simple. S’inspirant d’une proposition faite par Brogden en 1951, Laurencelle (1998a,b) développe le concept de différentiel de sélection et l’étend à une procédure de sélection qui comporte plusieurs tests prédictifs correspondant à autant d’emplois : c’est le concept de différentiel de sélection multiple. Pour l’agence de sélection comme pour l’employeur éventuel, l’approche multivariée a pour intérêt spécifique de répartir les candidats de manière plus profitable que si on recourait à une approche univariée habituelle. Pour illustrer la chose, imaginons une situation dans laquelle trois catégories d’emploi sont en jeu et trois tests appropriés disponibles. Notons que, par « test approprié », on entend toute procédure comportant une ou plusieurs sources d’information quantitative et résultant éventuellement en un score, le prédicteur, qui entretient une relation linéaire, une corrélation, avec l’emploi visé. Les trois tests produisent chacun un score : X1, X2, X3, chacun avec un seuil à atteindre : C1, C2, C3, et un rendement espéré : Y^1, Y^2, Y^3 pour les trois emplois en concours, ce en fonction de leurs coefficients de validité prédictive respectifs : ρ(X1,Y1), ρ(X2,Y2), ρ(X3,Y3).
86
L’étalonnage et la décision psychométrique
Soumis aux trois tests, un candidat donné obtient les scores X1, X2, X3. S’il échoue aux trois tests, il est remercié. S’il réussit un seul test, disons le test 1 en obtenant X1 > C1, alors il est assigné à l’emploi 1, et l’avantage de rendement pour l’employeur est, en espérance, estimé par l’expression (3). Si, cependant, il réussit à deux ou trois tests, l’agence de sélection peut recommander son recrutement dans l’emploi pour lequel il obtient la meilleure qualification, et alors l’avantage de rendement pour l’employeur sera supérieur à celui estimé par l’expression (3). L’avantage de rendement par l’attribution de candidats à l’emploi pour lequel ils se qualifient le plus dépend alors de la règle d’attribution appliquée et définit trois catégories de différentiels de sélection multivariés.
Le contexte multivarié de la sélection, avec k catégories d’emplois à combler et k tests de qualification, permet d’envisager trois stratégies différentes d’attribution, chacune avec son avantage de rendement propre, son « différentiel » : 1. Différentiel de sélection multiple (∆). Chaque candidat, soumis aux k tests de qualification, est retenu s’il se qualifie au moins à l’un des tests, et il est attribué à l’emploi pour lequel il se qualifie le plus. 2. Différentiel de sélection polyvalent (∆p). Un candidat n’est retenu que s’il se qualifie aux k tests, et il est alors attribué à l’emploi pour lequel il se qualifie le plus. 3. Différentiel de sélection conjoint (∆c). Un candidat n’est retenu que s’il se qualifie aux k tests, et il est attribué au hasard ou comme au hasard à l’un des k emplois. La règle la plus souple, celle du différentiel multiple, permet de recruter quelqu’un dès qu’il se qualifie pour l’un des emplois, mais elle tire avantage du contexte de testing multivarié en discriminant le meilleur score du candidat aux tests et en le recrutant dans l’emploi où son rendement espéré est le plus grand. Pour les deux autres règles, seuls sont retenus les candidats multi-qualifiés, donc mutables d’un emploi à l’autre : la règle « polyvalente » attribue tout de même le candidat à l’emploi qui lui sied le mieux, au contraire de la règle « conjointe » qui ne fait pas la différence d’un emploi à l’autre. Pour arriver à fournir des estimations de l’avantage de rendement correspondant aux règles ci-dessus et aux conditions de testing et d’emploi qui s’y appliquent, plusieurs simplifications s’imposent, dont voici les principales : (a)
Population de candidats infinie. Les calculs réfèrent à une population hypothétique, en fait un « bassin de candidats », dont les caractéristiques psychométriques sont établies, notamment celles relatives aux scores (Xi) des tests de sélection et aux mesures (Yi) de rendement à l’emploi.
Différentiels de sélection multivariés (Section E)
87
(b)
Distribution multinormale homogène des scores aux tests. La loi normale multivariée à corrélations homogènes, égales à ρ, sert de modèle pour la distribution conjointe des scores des k tests, la valeur du paramètre ρ pouvant varier de 0 à 1.
(c)
Relation linéaire entre le rendement à l’emploi et le score au test. Cette relation, supposée linéaire, est représentée pour chaque emploi par le coefficient de validité prédictive ρ(Xi,Yi).
(d)
Égalité des coefficients de validité prédictive. Les relations prédictives entre le score au test et le rendement à l’emploi sont supposées de même force d’un emploi à l’autre.
Ces différentes simplifications, dont les implications pour une situation de sélection réelle doivent être sérieusement considérées, permettent de ramener le calcul de l’avantage de rendement (en Y) au calcul de l’avantage de sélection (en X) : l’expression (3), ci-dessus, pivote alors sur son élément essentiel, le différentiel lui-même, qu’il soit de type ∆, ∆p ou ∆c.
Nature et présentation des tables de la section E Les tables E1 à E4 présentent les différentiels de sélection multiples pour des situations de k = 2 à k = 5 emplois respectivement : la partie a de la table détaille les valeurs ∆(P), c’est-àdire selon la fraction P de population sollicitée, tandis que la partie b le fait pour ∆(c), selon le seuil de sélection standardisé c, équivalant à (XC ! X) / σX. Les tables E5 à E8 présentent les différentiels polyvalents ∆p(P) et ∆p(c) correspondants. Quant aux différentiels conjoints, de type ∆c, ce sont en fait des différentiels simples (voir tables A1 et A2), correspondant aux fractions P ou seuils c déterminés pour les différentiels polyvalents ∆p : nous n’en avons pas élaboré une nouvelle table. La table E9, enfin, présente certaines statistiques intéressantes émanant de la loi multinormale homogène, soit l’espérance du maximum de k variables normales corrélées à ρ et bornées depuis c, de même que l’aire du volume de probabilité borné inférieurement par l’hyperplan (c, c, .. , c). Les différentes formes du différentiel de sélection multivarié sont gouvernées par trois paramètres, soit la dimension (ou nombre de tests) k, la corrélation commune entre les tests prédictifs ρ, et le taux de sélection, sous forme du seuil c ou de la fraction P de population sollicitée. Les valeurs de P et de c proposées semblent représentatives des besoins en matière de sélection. Le lecteur remarquera que les seuils c égaux à 1,2816, 1,6449 et 2,3263 correspondent respectivement à des taux de sélection univariée (T ) de 0,10, 0,05 et 0,01.
88
L’étalonnage et la décision psychométrique
Notons d’une part que ρ, la corrélation supposée égale entre les k tests, peut vraisemblablement varier entre 0 et 1. Avec ρ = 0, les tests (et les emplois) seraient statistiquement indépendants entre eux ; avec ρ = 1 par contre, les k tests seraient essentiellement interchangeables, et tous les différentiels se confondraient alors avec les différentiels simples présentés dans la section A. Le paramètre du taux de sélection, d’autre part, mérite une discussion particulière dans le présent contexte multivarié. Pour le différentiel de sélection simple (univarié), les relations entre seuil de sélection c, taux de sélection T par test et fraction P de population sollicitée sont simples, soit : P = T = 1 ! Φ(c) , mais ce n’est plus le cas en mode multivarié, avec k $ 2 et ρ < 1. Prenons l’exemple de k = 3 tests à corrélation mutuelle ρ = 0,6. Pour le différentiel multiple, le taux de rétention selon le test 1 (en appliquant p. ex. x1 $ c) sera T1 (le « 1 » en indice réfère ici à la qualification par un seul test). De plus, cependant, il est possible que la personne non qualifiée au test 1 le devienne par le test 2, définissant encore le taux T1 pour ce test doté du même seuil c. Or, cette seconde fraction T1, découlant du test 2, n’est pas la même que celle attachée au test 1 ; elle en est partiellement indépendante, le degré de recoupement des qualifications étant déterminé par la corrélation ρ (= 0,6 dans le cas présent) entre les tests. Possiblement aussi, la personne peut se qualifier à la fois au test 1 et au test 2, selon un taux de qualification conjointe T2, lequel dépend du seuil c et de la corrélation ρ. La même possibilité advient aussi pour le test 3, et cætera, de sorte que, au total, la fraction de population sollicitée se situera entre T1 et k × T1 : c’est cette fraction totale que nous désignons P, satisfaisant l’expression générale : P $ T1 = 1 ! Φ(c) .
(5)
La section mathématique, plus bas, explicite ces relations.
Exercices de lecture des tables 1. Avec trois emplois et trois tests à intercorrélation ρ = 0,6, on veut retenir les candidats débordant la moyenne normative d’un écart-type, soit c = 1. Trouver le différentiel de sélection multiple approprié ainsi que la fraction de population rejointe. Les différentiels multiples apparaissant dans les tables E1-E4, nous trouvons dans la table E2b, pour c = 1 et ρ = 0,6, le différentiel ∆ = 1,7141 et la fraction P = 0,3029. Ainsi, le gain de rendement espéré (µ*Y ! µY) serait estimé par = σY × ρ(X,Y) × 1,7141 pour chaque emploi, en sollicitant un peu plus de 30 % (~ 0,3029) de la population. Si on avait procédé en mode univarié, un emploi à la fois, la fraction sollicitée par
Différentiels de sélection multivariés (Section E)
89
test eût été de 1 ! Φ(c) = 1 ! 0,84134 = 0,15866, avec un différentiel de 1,52514 (voir table A2). 2. Nous avons k = 4 tests à intercorrélation ρ = 0,6 et souhaitons obtenir un avantage ∆ . 2. Quel seuil c devrions-nous appliquer ? La ligne ρ = 0,6 de la table E3b indique ∆ = 1,9622 pour c = 1,2816 et ∆ = 2,2158 pour c = 1,6449. Pour estimer c tel que ∆(c) . 2, l’interpolation linéaire convient ici, soit c = 1,2816 + (1,6449 ! 1,2816) × [(2 ! 1,9622)/(2,2158 ! 1,9622) .1,3358. [Le seuil plus précis pour ∆ = 2 eût été c = 1,3396, tandis que ∆(c = 1,3358) . 1,9974.] 3. Quels sont les différentiels polyvalents et conjoints applicables avec 3 tests à corrélation 0,4, pour P = 0,10 ? Pour P = 0,02 ? Nous devons consulter à présent les tables E5-E8, notamment la table E6a dans laquelle, pour P = 0,10, nous trouvons tout de suite c = 0,4363 (vis-à-vis de ρ = 0,4) et ∆p = 1,7367 pour le différentiel polyvalent ; quant au différentiel conjoint, c.-à-d. le différentiel simple convenant à c = 0,4363, la table A2 indique ∆ = 1,09028 pour c = 0,43 et ∆ = 1,09748 pour c = 0,44, d’où, par interpolation linéaire, ∆c . 1,0948, la valeur juste. Les tables ne fournissent rien pour P = 0,02, cependant les valeurs des seuils et des différentiels varient presque linéairement avec u(P) = − ln( P ) . Nous repérons c = 0,7389 pour P = 0,05 et c = 1,3022 pour P = 0,01. Interpolant avec u(P), nous calculons 0,7389 + (1,3022 ! 0,7389) × (u(0,02) ! u(0,05)) / (u(0,01) ! u(0,05) . 1,0741 ; le même procédé fournit ∆p = 2,1769. Utilisant encore c = 1,0741 et consultant la table A2, nous obtenons ∆c . 1,5848 comme estimation du différentiel conjoint. [Les valeurs exactes seraient ici c = 1,0775, ∆p = 2,1860 et ∆c = 1,5876.] 4. Trouver l’espérance du maximum de 4 variables normales standards à corrélation ρ = 0,7 ; trouver le maximum si chaque variable est bornée inférieurement à c = 1,5. La table E9 fournit en fait l’information de base utile à la détermination des différentiels de sélection polyvalents, soit l’espérance du maximum de k variables normales corrélées et sélectionnées à partir d’un seuil c. La table E9h, pour ρ = 0,7, fournit m = 0,56420 comme maximum de 4 variables normales corrélées (sans restriction, c.-à-d. c = !4) et m = 2,67074 si l’échantillonnage débute au-delà de c = 1,5.
90
L’étalonnage et la décision psychométrique
Exemples élaborés 1. Détermination du gain espéré après sélection. En sélectionnant les meilleurs 10 % parmi les candidats à deux emplois, le bureau de la gestion du personnel s’interroge sur le gain de production espéré. Les coefficients de corrélation (ou de validité prédictive) entre chaque test d’admission et l’emploi correspondant sont de ρ1 = 0,65 et ρ2 = 0,75 respectivement, et la corrélation entre les deux tests, ρ1,2 = 0,6. En première interprétation, « les meilleurs 10 % » réfèrent vraisemblablement aux candidats qui se classent parmi les 10 % meilleurs à chaque test, soit au-delà du seuil standard c = 1,2816. Considérant la table E1b, avec l’intercorrélation ρ = 0,6, nous trouvons ∆2 = 1,8392 et P = 0,1610. Cela indique d’abord que le taux de rétention global de candidats sera (approximativement) de 16 %. Ensuite, en moyennant les coefficients de validité prédictive selon ρ(X,Y) = (0,65 + 0,75) / 2 = 0,70, le gain moyen espéré pour les deux emplois est de ∆ × ρ(X,Y) = 1,8392 × 0,70 . 1,287 en valeurs standardisées, l’emploi 1 avec 1,195 et l’emploi 2 avec 1,379. En seconde interprétation, « les meilleurs 10 % » pourraient désigner la fraction supérieure de 10 % dans la population, donc une sélection plus sévère que celle touchant les 16,10 % de tantôt. La table E1a indique cette fois c = 1,5560 et ∆2 = 2,0527, avec un gain espéré moyen ∆2 de 1,437, soit 1,334 et 1,540 pour les emplois 1 et 2. 2. Repérage du seuil à appliquer en vue d’un gain de rendement déterminé. Une usine de recyclage de produits électroniques emploie des personnes qui trient (à la main) de petits composants, selon la taille, la forme ou la couleur. Les statistiques de production à l’heure sont de (µY =) 350, 560 et 470 pièces, avec des écarts-types de (σY =) 60, 100 et 80 pièces, pour le tri en taille, forme et couleur respectivement. Des tests d’habileté oculomanuelle, normés chacun avec une moyenne (µX) de 500 et un écart-type (σX) de 150, ont une corrélation prédictive de 0,70, 0,75 et 0,80 avec les rendements respectifs correspondants, leurs intercorrélations étant de 0,80, 0,85 et 0,90. Quel seuil de sélection devrait-on appliquer aux tests oculomanuels dans le but de hausser la production de 15 % ? Les scénarios de situations réelles, telles que celle décrite ici, doivent être quelque peu simplifiés pour trouver solution. Nous pouvons procéder comme suit. 1) Augmenter la production des trieurs de taille de 15 % équivaut à 15 % de 350 pièces, soit 52,5 pièces. Divisant par l’écart-type σY = 60 et encore par le coefficient de validité prédictive ρ(X,Y) = 0,70, le différentiel de sélection souhaité sera de 52,5 / (60 × 0,70) = 1,25. Les mêmes calculs donnent ∆ = 1,12 pour la forme et ∆ = 1,1015625 pour la couleur. Enfin, le ∆ moyen espéré est d’à peu près 1,1572.
91
Différentiels de sélection multivariés (Section E)
2) Les corrélations entre les tests d’habileté (0,80, 0,85, 0,90) ont un coefficient moyen de 0,85. Les tables E2a et E2b fournissent des ∆3 selon ρ = 0,8 et ρ = 0,9 : l’interpolation linéaire entre les deux devrait convenir. Interpolant donc pour ρ = 0,85, nous aurions ∆ . 1,1189 pour c = 0 et ∆ . 1,7601 pour c = 1 d’où, linéairement encore, c . 0,0597 pour ∆ = 1,1572. Appliquant enfin le seuil standardisé c = 0,0597, le score minimal à exiger pour les tests oculomanuels sera de XC = 500 + 150 × 0,0597 = 508,955 . 509. Des interpolations semblables indiquent un taux de sélection global (P) d’environ 61 %. 3) Une autre stratégie pour atteindre la hausse de productivité désirée consisterait à exiger du personnel qu’il soit polyvalent, chaque employé pouvant être affecté à une table de tri ou à l’autre, selon sa meilleure aptitude. La hausse de rendement référerait ici aux différentiels polyvalents des tables E6a et E6b. À la table E6a, nous retrouvons le sous-tableau suivant, sur lequel baser nos interpolations. P = 0,50
P = 0,10
ρ
c
∆p3
c
∆p3
0,9
!0,2671
1,0156
0,9850
1,9164
0,8
!0,3770
1,0747
0,8443
1,9201
0,85
%0,32205
1,04515
0,91465
1,91825
Nous interpolons d’abord pour c et ∆c en vue d’une intercorrélation moyenne de ρ = 0,85. Ensuite, l’interpolation linéaire pour ∆ = 1,1572 (entre ∆ = 1,04515 et 1,91825) donne c . !0,1633 et un critère XC d’au moins 500 + 150 × (!0,1633) = 475,505 . 4761, à satisfaire dans les trois tests à la fois. Même si le score liminaire par test est moins sévère, le taux de sélection l’est davantage. En fait, interpolant pour ∆ = 1,1572 sur u(P) = − ln P, à partir de u(0,50) . 0,833 et u(0,10) . 1,517, nous obtenons u . 0,92045 et P = exp(!u2) . 0,4286, soit un taux de sélection de 43 %. 4) Ne retenir que ceux qui se qualifient aux trois tests mais en les attribuant au hasard aux trois emplois (dans un but de polyvalence accrue) implique le différentiel conjoint ∆c, qu’on doit interpréter comme un différentiel simple. Consultant la table A3, nous trouvons c = 0,51218 pour ∆ = 1,15 et c = 0,57985 pour ∆ = 1,16, d’où l’interpolation linéaire pour ∆c = 1,1572 donne c = 0,5219, puis XC = 578. Un tel seuil entraîne évidemment un taux de sélection plus sérieux, qu’on peut estimer par les données P de la table E6b. Transformant les quantités P en u(P), nous obtenons d’abord, pour c = 0, u(0,3923) . 0,96733 avec ρ = 0,8 et u(0,3464) . 1,02964 avec ρ = 0,9, d’où
1. Pour ρ = 0,85 et ∆p3 = 1,1572, le seuil précis applicable est c = !0,1533, aboutissant à XC . 477.
92
L’étalonnage et la décision psychométrique
u1 . 0,99849 pour ρ = 0,85 ; puis, de la même manière, u2 = 1,56957 pour c = 1,56959. Enfin, interpolant entre u1 et u2 pour c = 0,5219, nous obtenons u . 1,29654 puis P . 0,18622, soit un taux de sélection estimé de 19 %, un coût plutôt élevé mais qui garantit un surcroît de production de 15 % sur une base parfaitement polyvalente d’employés.
Justification mathématique Théorie des différentiels de sélection multivariés Trois paramètres et trois règles d’évaluation déterminent la théorie des différentiels de sélection multivariés, tous basés sur la loi normale multivariée homogène (section D, éq. 4-6) : les paramètres du seuil de sélection c, de la fraction de population sélectionnée P et du différentiel obtenu « ∆ » , et les règles du différentiel multiple (∆), polyvalent (∆p) et conjoint (∆c). La loi multinormale elle-même se caractérise par son ordre k (correspondant au nombre de tests/emplois considérés) et sa corrélation ρ (la valeur commune d’intercorrélation entre les k tests). La fixation des seuils c selon différents critères d’échantillonnage est exposée à la section D. Théorie du différentiel multiple. La règle qui définit le différentiel de sélection multiple spécifie que le candidat sera retenu s’il rencontre le seuil d’au moins un parmi les k tests, et qu’il sera attribué à l’emploi correspondant au test auquel il s’est le mieux qualifié. C’est donc la « règle d’union » (section D, éq. 8) qui s’applique ici, symbolisée par : P = 1 ! bk,ρ(c) ,
(6)
où, rappelons-le, bk,ρ(c) est l’hyper-volume inférieur de probabilité défini par Pr{ x1 < c, x2 < c, ..., xk < c }, le taux de sélection par test T (= T1) étant alors T = 1 ! Φ(c).
(7)
Or, la détermination du gain de rendement, ∆, est basée sur une répartition optimale de l’ensemble des candidats recrutés. •
Certains candidats ne se qualifiant qu’à un seul test apporteront une contribution au rendement égale au différentiel simple ∆(c), tel que présenté dans la section A.
•
D’autres candidats, qualifiés sur deux des k tests, seront assignés à l’emploi pour lequel ils obtiennent le meilleur score. Leur contribution correspond alors au maximum de 2 scores supraliminaires, i.e. max (x1, x2), où x1, x2 $ c, l’espérance étant dénotée ici m2(c).
2. La valeur précise calculée pour c = 0,5219 et ρ = 0,85 est de P = 0,1897.
93
Différentiels de sélection multivariés (Section E)
•
En général, certains se qualifieront dans r parmi les k tests, et ils seront assignés selon le meilleur score, avec une contribution dénotée mr(c), soit l’espérance du maximum de r variables multinormales standards corrélées, chacune bornée à c : mr(c) = E{ max(x1, x2, ..., xr) | x1, x2, ..., xr $ c }
(8)
Notons que, évidemment, c < ∆(c) = m1(c) # m2( c) # ... # mr(c), l’égalité des espérances se produisant seulement lorsque ρ = 1. La proportion de candidats se qualifiant dans 1, 2, ou r tests varie selon r et ρ. Par exemple, lorsque ρ = 1, le fait de se qualifier dans 1 test implique qu’on se qualifie aussi dans tous les autres, alors que, si ρ = 0, les coqualifications se produisent au hasard. Le gain total, basé sur la fraction P de population, repose sur le gain obtenu pour chaque catégorie de candidats. Il y a, disons, T = T1 candidats (en proportion de la population) qualifiés à 1 test, T2 à 2 tests, etc. Dans la situation impliquant, disons, k = 3 tests, il y aurait T3 candidats qualifiés aux 3 tests à la fois, candidats dont l’apport spécifique est dénoté m3. Quant à ceux qualifiés à 2 tests, il y en a T2 aux tests 1 et 2, T2 encore aux tests 1 et 3, et T2 aux tests 2 et 3. Cependant, parmi les T2 qualifiés à 1 et 2, par exemple, il y a une portion T3 qui l’est aussi au test 3, portion qu’il faut exclure ; le total des candidats qualifiés seulement à 2 tests, quels qu’ils soient, sera donc 3T2 ! 3T3, ce contingent apportant un gain de rendement dénoté m2. Enfin, il reste à déterminer les candidats qualifiés à un seul parmi les 3 tests. Au test 1, par exemple, la portion qualifiée serait T1 = T, mais elle inclut ceux qui sont qualifiés aussi au test 2 (T2) et au test 3 (T2). En éliminant ces 2 derniers sous-groupes, par T ! 2T2, on se trouve à éliminer aussi deux fois les T3 personnes qualifiées aux 3 trois tests, opération qu’il faut corriger, pour obtenir T ! 2T2 + T3 pour chaque test, d’où, au total, 3T ! 6T2 + 3T3 pour les individus qualifiés à un seul test et contribuant au rendement global par la quantité m1 = ∆(c). Le gain global est alors une moyenne pondérée des gains spécifiques des sousgroupes, la part de chacun servant de pondération : ∆3 =
.
(9)
L’expression générique suivante, inspirée de Laurencelle (1998b), fournit la solution générale :
∆k,r(P) =
. (10)
94
L’étalonnage et la décision psychométrique
Le développement binomial « (1 ! 1)r » donne « 1 ! r + ‡ 2r ! ... ± 1 », l’indice u variant de 0 à r et déterminant la fraction T correspondante. Ainsi, pour le premier terme à gauche avec k = 3, le coefficient est ‡ 31 [T1+u(1 ! 1)2] = ‡ 31 [T1+u(1 ! 2 + 1)] = 3[1 × T1 ! 2 × T2 + 1 × T3] = 3T1 ! 6T2 + 3T3, tel que dans l’expression (9) ci-dessus. Il est intéressant de noter que la fraction globale de population3 engagée dans le calcul du différentiel ∆, la fraction P, définie par (6), peut s’obtenir autrement. Considérons que Tk désigne la fraction de population qualifiée sur k tests, c’est-à-dire l’hyper-volume supérieur de probabilité hk,r(c) défini par Pr{ x1 > c, x2 > c, ..., xk > c } et opposé à bk,r(c), alors : P = 1 ! bu,ρ(c) = 1 ! [1 !hu,ρ(c)](k)
(11)
= 1 ! [1 ! k × h1,ρ(c) + ‡ 2k h2,ρ(c) ! ... ± hk,ρ(c)] = k × h1,ρ(c) ! ‡ 2k h2,ρ(c) + ... ± hk,ρ(c) . Ainsi, pour l’exemple du cas k = 3, nous obtenons P = 3h1!3h2 + h3, correspondant à la somme des coefficients dans (9) est 3T1 ! 6T2 + 3T3 + 3T2 ! 3T3 + T3 = 3T1 ! 3T2 + T3. La détermination des valeurs numériques des différentiels multiples dépend enfin du calcul des quantités bk,ρ(c) et hk,ρ(c), déjà considérées à la section D, et des quantités (8), les mr(c), que nous considérons plus loin. Théorie du différentiel polyvalent. Pour être recruté, chaque candidat doit rencontrer le critère Xi $ Ci à chacun des k tests, et il est ensuite attribué à l’emploi pour lequel il s’est le plus qualifié. La « règle d’intersection » (section D, éq. 9) s’applique donc ici, et la fraction, P = hk,ρ(c), de population concernée, celle occupant le coin supérieur droit de l’hyper-volume normal, peut s’obtenir par : P = hk,ρ(c) = [1 ! bu,ρ(c)](k)
(12)
= 1 ! k × b1(c) + ‡ 2k b2,ρ(c) ! ... ± bk,ρ(c) . Quant au gain de rendement espéré, il émane exclusivement de ce groupe de candidats et correspond ainsi directement au maximum des k scores qualifiés obtenus, soit ∆p = mk,ρ(c). Théorie du différentiel conjoint. Le recrutement hautement sélectif, consistant à retenir les seuls candidats satisfaisant aux k tests à la fois, est appliqué comme dans le cas du différentiel polyvalent, hormis que, ici, les candidats sont distribués au hasard parmi les k emplois, sans égard pour leur profil particulier de qualifications. Ainsi, la fraction de population visée est encore P = hk,ρ(c) ; toutefois, comme l’attribution aux emplois s’opère 3. Le concept de la fraction P trouvé dans Laurencelle (1998a, b), confus et confusément appliqué, a donné lieu à des calculs impropres et des valeurs erronées des différentiels multiples et polyvalents. Le document présent rectifie ces erreurs.
95
Différentiels de sélection multivariés (Section E)
au hasard, le gain espéré n’est plus un maximum mais une moyenne et correspond ici au différentiel de sélection simple, soit ∆c = m1(c) = ∆(c), tel qu’on le retrouve à la section A. Le calcul des quantités mk,ρρ(c) La densité de la loi multinormale homogène. La loi multinormale standard à corrélation ρ homogène donne lieu à une densité relativement simple (section D, éq. 6), qui permet notamment une intégration unidimensionnelle de la quantité bk,ρ(c) (section D, éq. 7) déjà considérée. La densité du maximum de k variables multinormales homogènes. Soit y = max (x1, x2, ..., xk), où les xi obéissent à la densité multinormale f (x1, x2, ..., xk), donnée à la section D, éq. 6, sous la contrainte que x1 $ c, x2 $ c, ... xk $ c. Alors, la densité de y est généralement donnée par : gk(y) =
/ hk,ρ(c)
(13)
et l’espérance mk,ρ(c), par : mk,ρ(c) =
.
(14)
Certains cas spéciaux méritent d’être considérés. Pour k = 2, Laurencelle (1998b) rapporte la densité unidimensionnelle, g2(y) =
,
(15)
qu’on peut intégrer numériquement. Pour k = 3, le maximum sur 3 variables peut d’abord être réduit par : y
t( y, x1) = I f ( y, x1, x2) dx2 c
=
(16)
,
puis la densité g3(y) peut être obtenue par intégration numérique de t(y, x1) sur x1 dans l'intervalle [c, y] pour finalement être incorporée dans (14) afin de déterminer m3. Pour
96
L’étalonnage et la décision psychométrique
k = 4 et plus, nous avons procédé par intégration numérique directe de la densité (13), dans une procédure récursive programmée qui garantit à peu près quatre décimales de précision pour mk,ρ(c). Laurencelle (1998b) présente aussi une approche d’estimation par échantillonnage Monte Carlo. Un dernier cas spécial intéressant à considérer concerne la loi multinormale à corrélation nulle (ρ = 0). La densité (éq. 6, section D) se simplifie alors considérablement. De plus, grâce à un théorème connu, la densité du maximum prend une forme unidimensionnelle particulièrement simple, soit : gk(y) = qui s’intègre numériquement.
, y $ c,
(17)
97
Différentiels de sélection multivariés (Section E)
Table E1a. Différentiels de sélection d’ordre 2, ∆2,ρ(P) P = 0,50
P = 0,10
P = 0,05
P = 0,01
ρ
c
∆
c
∆
c
∆
c
∆
1
0
0,7979
1,2816
1,755
1,6449
2,0627
2,3263
2,6652
0,95
0,126
0,9812
1,3796
1,9728
1,7581
2,2717
2,4346
2,8563
0,9
0,178
1,0948
1,4397
2,0131
1,7976
2,3055
2,4694
2,8796
0,8
0,2511
1,1593
1,4931
2,0418
1,846
2,3269
2,5091
2,8907
0,7
0,3067
1,1899
1,5292
2,0504
1,8773
2,332
2,5324
2,8917
0,6
0,3531
1,2056
1,556
2,0527
1,8997
2,3328
2,5476
2,8912
0,5
0,3935
1,2134
1,577
2,0532
1,9163
2,3327
2,5578
2,8906
0,4
0,4296
1,217
1,5936
2,0533
1,8289
2,3326
2,5647
2,8905
0,3
0,4623
1,2185
1,6069
2,0537
1,9385
2,333
2,5692
2,8906
0,2
0,4922
1,2192
1,6175
2,0545
1,9456
2,3335
2,5722
2,8909
0,1
0,5196
1,22
1,6258
2,0556
1,9508
2,3343
2,5739
2,8912
0
0,545
1,2215
1,6322
2,057
1,9545
2,3353
2,575
2,8916
Table E1b, Différentiels de sélection d’ordre 2, ∆2,ρ(c) c = 0,0
c = 1,2816
c = 1,0
c = 1,6449
c = 2,3263
ρ
P
∆
P
∆
P
∆
P
∆
P
∆
1
0,5
0,7979
0,1587
1,5251
0,1
1,755
0,05
2,0627
0,01
2,6652
0,95
0,5505
0,9495
0,1892
1,6564
0,1221
1,8789
0,0629
2,1767
0,0133
2,761
0,9
0,5718
0,9843
0,2018
1,6704
0,1311
1,8876
0,0681
2,1794
0,0146
2,755
0,8
0,6024
1,0105
0,2197
1,666
0,1438
1,8771
0,0752
2,1629
0,0162
2,7322
0,7
0,6266
1,0147
0,2333
1,6499
0,1533
1,8584
0,0801
2,1425
0,0173
2,7121
0,6
0,6476
1,0088
0,2448
1,6313
0,161
1,8392
0,0845
2,1238
0,0181
2,6967
0,5
0,6667
0,9974
0,2548
1,6129
0,1676
1,8215
0,0878
2,1081
0,0187
2,6856
0,4
0,6845
0,9825
0,2638
1,5958
0,1734
1,806
0,0906
2,0952
0,0194
2,6778
0,3
0,7015
0,9654
0,2719
1,5803
0,1784
1,7928
0,0929
2,0851
0,0194
2,6725
0,2
0,718
0,947
0,2792
1,5667
0,1828
1,7819
0,0948
2,0773
0,0197
2,6691
0,1
0,7341
0,9277
0,286
1,5552
0,1867
1,7732
0,0963
2,0716
0,0198
2,6671
0
0,75
0,908
0,2921
1,5456
0,19
1,7664
0,0975
2,0677
0,0199
2,666
98
L’étalonnage et la décision psychométrique
Table E2a. Différentiels de sélection d’ordre 3, ∆3,ρ(P) P = 0,50
P = 0,10
P = 0,05
P = 0,01
ρ
c
∆
c
∆
c
∆
c
∆
1
0
0,7979
1,2816
1,7550
1,6449
2,0627
2,3263
2,6652
0,95
0,1891
1,1539
1,4567
2,0887
1,8162
2,3856
2,4906
2,9636
0,9
0,2671
1,2563
1,5209
2,1553
1,8767
2,4412
2,5444
3,0019
0,8
0,3770
1,3587
1,6031
2,2002
1,9516
2,4773
2,6068
3,0173
0,7
0,4607
1,4062
1,6589
2,2135
2,0005
2,4818
2,6440
3,0188
0,6
0,5307
1,4285
1,7008
2,2163
2,0358
2,4813
2,6684
3,0174
0,5
0,5917
1,4230
1,7335
2,2157
2,0621
2,4824
2,6849
3,0157
0,4
0,6462
1,4400
1,7595
2,2052
2,0820
2,4801
2,6959
3,0163
0,3
0,6955
1,4396
1,7801
2,2151
2,0969
2,4804
2,7032
3,0161
0,2
0,7405
1,4384
1,7964
2,2162
2,1080
2,4811
2,7078
3,0162
0,1
0,7817
1,4382
1,8089
2,2177
2,1158
2,4828
2,7105
3,0165
0
0,8193
1,4404
1,8183
2,2198
2,1212
2,4840
2,7119
3,0176
Table E2b. Différentiels de sélection d’ordre 3, ∆3,ρ(c) c = 0,0
c = 1,2816
c = 1,0
c = 1,6449
c = 2,3263
D
P
D
P
∆
P
∆
P
∆
P
∆
1
,5000
0,7979
,1587
1,5251
,1000
1,7550
,0500
2,0627
,0100
2,6652
0,95
,5758
1,0332
,2061
1,7319
,1347
1,9502
,0705
2,2434
,0154
2,8137
0,9
,6077
1,0928
,2268
1,7590
,1498
1,9696
,0795
2,2506
,0177
2,8137
0,8
,6536
1,1450
,2572
1,7611
,1721
1,9602
,0926
2,2321
,0209
2,7851
0,7
,6899
1,1617
,2816
1,7406
,1897
1,9348
,1026
2,2044
,0233
2,7457
0,6
,7214
1,1612
,3029
1,7141
,2048
1,9063
,1111
2,1740
,0251
2,7207
0,5
,7500
1,1502
,3222
1,6856
,2184
1,8770
,1184
2,1459
,0265
2,7015
0,4
,7768
1,1317
,3403
1,6566
,2307
1,8502
,1247
2,1249
,0276
2,6871
0,3
,8023
1,1080
,3574
1,6299
,2421
1,8277
,1303
2,1061
,0284
2,6800
0,2
,8269
1,0802
,3737
1,6057
,2526
1,8072
,1351
2,0920
,0290
2,6739
0,1
,8511
1,0490
,3894
1,5847
,2622
1,7917
,1392
2,0810
,0294
2,6718
0
,8750
1,0150
,4044
1,5662
,2710
1,7778
,1426
2,0729
,0297
2,6673
99
Différentiels de sélection multivariés (Section E)
Table E3a. Différentiels de sélection d’ordre 4, ∆4,ρ(P) P = 0,50
P = 0,10
P = 0,05
P = 0,01
D
c
∆
c
∆
c
∆
c
∆
1
0
0,7979
1,2816
1,7550
1,6449
2,0627
2,3263
2,6652
0,95
0,2300
1,2362
1,4954
2,1730
1,8543
2,4574
2,5276
3,0290
0,9
0,3250
1,3651
1,5744
2,2507
1,9289
2,5217
2,5943
3,0749
0,8
0,4588
1,4940
1,6759
2,3133
2,0219
2,5764
2,6724
3,0974
0,7
0,5609
1,5534
1,7452
2,3249
2,0830
2,5846
2,7194
3,1073
0,6
0,6462
1,5802
1,7974
2,3290
2,1272
2,5833
2,7505
3,1053
0,5
0,7207
1,5891
1,8383
2,3269
2,1603
2,5824
2,7716
3,1024
0,4
0,7873
1,5897
1,8707
2,3242
2,1854
2,5806
2,7857
3,1025
0,3
0,8475
1,5870
1,8965
2,3246
2,2042
2,5818
2,7950
3,1022
0,2
0,9024
1,5839
1,9167
2,3250
2,2180
2,5818
2,8008
3,1023
0,1
0,9526
1,5911
1,9320
2,3273
2,2276
2,5838
2,8041
3,1032
0
0,9981
1,5862
1,9432
2,3300
2,2340
2,5859
2,8058
3,1040
Table E3b. Différentiels de sélection d’ordre 4, ∆4,ρ(c) c = 0,0
c = 1,2816
c = 1,0
c = 1,6449
c = 2,3263
D
P
∆
P
∆
P
∆
P
∆
P
∆
1
,5000
,7979
,1587
1,5251
,1000
1,7550
,0500
2,0627
,0100
2,6652
0,95
,5921
1,0896
,2177
1,7833
,1434
1,9999
,0759
2,2895
,0169
2,8579
0,9
,6307
1,1679
,2443
1,8218
,1632
2,0280
,0879
2,3051
,0201
2,8573
0,8
,6860
1,2422
,2841
1,8320
,1930
2,0251
,1058
2,2860
,0248
2,8145
0,7
,7293
1,2723
,3169
1,8120
,2173
1,9959
,1203
2,2537
,0283
2,7819
0,6
,7665
1,2803
,3461
1,7825
,2389
1,9622
,1329
2,2158
,0312
2,7452
0,5
,8000
1,2739
,3733
1,7474
,2588
1,9259
,1441
2,1799
,0336
2,7156
0,4
,8308
1,2569
,3993
1,7111
,2775
1,8899
,1543
2,1501
,0354
2,7034
0,3
,8597
1,2316
,4245
1,6765
,2952
1,8605
,1635
2,1255
,0369
2,6888
0,2
,8870
1,1992
,4494
1,6436
,3122
1,8321
,1718
2,1053
,0381
2,6742
0,1
,9129
1,1605
,4741
1,6140
,3284
1,8091
,1792
2,0889
,0389
2,6689
0
,9375
1,1155
,4989
1,5867
,3439
1,7895
,1855
2,0775
,0394
2,6683
100
L’étalonnage et la décision psychométrique
Table E4a. Différentiels de sélection d’ordre 5, ∆5,ρ(P) P = 0,50
P = 0,10
P = 0,05
P = 0,01
D
c
∆
c
∆
c
∆
c
∆
1
0
0,7979
1,2816
1,7550
1,6449
2,0627
2,3263
2,6652
0,95
0,2599
1,2978
1,5239
2,2281
1,8823
2,5168
2,5548
3,0880
0,9
0,3673
1,4462
1,6137
2,3256
1,9674
2,5998
2,6313
3,1467
0,8
0,5186
1,5958
1,7296
2,3909
2,0740
2,5909
2,7213
3,1592
0,7
0,6340
1,6640
1,8091
2,4102
2,1443
2,6659
2,7759
3,1718
0,6
0,7307
1,6942
1,8691
2,4126
2,1954
2,6548
2,8123
3,1716
0,5
0,8150
1,7033
1,9162
2,4093
2,2338
2,6599
2,8370
3,1682
0,4
0,8904
1,7023
1,9537
2,4082
2,2629
2,6566
2,8536
3,1679
0,3
0,9587
1,6965
1,9834
2,4070
2,2847
2,6569
2,8645
3,1675
0,2
1,0210
1,6917
2,0065
2,4085
2,3006
2,6575
2,8712
3,1673
0,1
1,0777
1,6898
2,0240
2,4098
2,3116
2,6607
2,8750
3,1685
0
1,1290
1,6932
2,0365
2,4127
2,3187
2,6616
2,8769
3,1694
Table E4b. Différentiels de sélection d’ordre 5, ∆5,ρ(c) c = 0,0
c = 1,2816
c = 1,0
c = 1,6449
c = 2,3263
ρ
P
∆
P
∆
P
∆
P
∆
P
∆
1
,5000
0,7979
,1587
1,5251
,1000
1,7550
,0500
2,0627
,0100
2,6652
0,95
,6039
1,1320
,2265
1,8216
,1501
2,0359
,0801
2,3261
,0181
2,8901
0,9
,6473
1,2247
,2576
1,8701
,1735
2,0738
,0945
2,3485
,0220
2,9025
0,8
,7090
1,3177
,3050
1,8879
,2095
2,0747
,1166
2,3312
,0280
2,8520
0,7
,7568
1,3605
,3444
1,8710
,2396
2,0455
,1350
2,2909
,0328
2,8013
0,6
,7974
1,3775
,3802
1,8393
,2667
2,0089
,1513
2,2525
,0367
2,7653
0,5
,8333
1,3775
,4139
1,8019
,2922
1,9691
,1663
2,2101
,0401
2,7313
0,4
,8658
1,3645
,4466
1,7605
,3167
1,9281
,1803
2,1742
,0428
2,7116
0,3
,8955
1,3404
,4789
1,7196
,3404
1,8910
,1933
2,1434
,0451
2,6917
0,2
,9226
1,3063
,5113
1,6793
,3638
1,8556
,2053
2,1187
,0468
2,6829
0,1
,9471
1,2622
,5443
1,6424
,3868
1,8262
,2164
2,0978
,0481
2,6748
0
,9688
1,2074
,5784
1,6081
,4095
1,8012
,2262
2,0828
,0490
2,6695
101
Différentiels de sélection multivariés (Section E)
Table E5a. Différentiels de sélection polyvalents d’ordre 2, )p2,D(P)’ P = 0,50
P = 0,10
P = 0,05
P = 0,01
D
c
)
c
)
c
)
c
)p2
1
0
0,7979
1,2816
1,7550
1,6449
2,0627
2,3263
2,6652
,95
!0,1260
0,9031
1,1451
1,8366
1,5053
2,1370
2,1810
2,7255
,9
!0,1780
0,9341
1,0823
1,8450
1,4393
2,1385
2,1088
2,7142
,8
!0,2511
0,9647
0,9869
1,8317
1,3372
2,1124
1,9936
2,6641
,7
!0,3067
0,9770
0,9081
1,8012
1,2513
2,0695
1,8938
2,5985
,6
!0,3531
0,9792
0,8376
1,7611
1,1733
2,0174
1,8011
2,5245
,5
!0,3935
0,9743
0,7721
1,7142
1,0999
1,9588
1,7123
2,4444
,4
!0,4296
0,9640
0,7099
1,6619
1,0295
1,8949
1,6256
2,3593
,3
!0,4623
0,9489
0,6501
1,6049
0,9610
1,8263
1,5400
2,2697
,2
!0,4922
0,9297
0,5919
1,5434
0,8936
1,7532
1,4545
2,1754
,1
!0,5196
0,9066
0,5347
1,4775
0,8268
1,6756
1,3686
2,0765
0
!0,5450
0,8796
0,4783
1,4071
0,7601
1,5934
1,2816
1,9726
p 2
p 2
p 2
Table E5b. Différentiels de sélection polyvalents d’ordre 2, )p2,D(c) c=0
c=1
c = 1,2816
c = 1,6449
c =2,3263
D
P
)
P
)
P
)
P
)
P
)p2
1
,5000
0,7979
,1587
1,5251
,1000
1,7550
,0500
2,0627
,0100
2,6652
,95 ,9 ,8 ,7 ,6 ,5 ,4 ,3
,4495 ,4282 ,3976 ,3734 ,3524 ,3333 ,31545 ,2985
p 2
0,9836 1,0468 1,1200 1,1616 1,1855 1,1968 1,1984 1,1917
,1281 ,1155 ,0976 ,0840 ,0725 ,0625 ,0536 ,0455
p 2
1,7190 1,7790 1,8420 1,8719 1,8836 1,8830 1,8729 1,855
,0779 ,0689 ,0562 ,0468 ,0390 ,0324 ,0267 ,0216
p 2
1,9491 2,0075 2,0671 2,0973 2,1025 2,0993 2,0870 2,0673
,0371 ,0318 ,0247 ,0196 ,0155 ,0122 2
,0 943 2
,0 713 2
p 2
2,2562 2,3123 2,3674 2,3900 2,3954 2,3894 2,3749 2,3536
2
2,8554
2
2,9067
2
2,9535
2
2,9695
2
2,9695
2
2,9427
3
2,9427
3
2,9200
3
,0 670 ,0 542 ,0 377 ,0 267 ,0 188 ,0 129 ,0 866 ,0 556
,2
,2821
1,1775
,0381
1,8303
,0172
2,0413
,0 524
2,3266
,0 339
2,8926
,1
,2659
1,1563
,0313
1,7995
,0133
2,0096
,02371
2,2945
,03193
2,8614
0
,2500
1,1284
,0252
1,7628
,0100
1,9726
2
,0 250
2,2578
3
,0 100
2,8267
102
L’étalonnage et la décision psychométrique
Table E6a. Différentiels de sélection polyvalents d’ordre 3, )p3,D(P) P = 0,50
P = 0,10
P = 0,05
P = 0,01
D
c
)p3
c
)p3
c
)p3
c
)p3
1
0
0,7979
1,2816
1,7550
1,6449
2,0627
2,3263
2,6652
,95
!0,1891
0,9624
1,0780
1,8911
1,4371
2,1899
2,1106
2,7752
,9
!0,2671
1,0156
0,9850
1,9164
1,3398
2,2067
2,0048
2,7757
,8
!0,3770
1,0747
0,8443
1,9201
1,1897
2,1935
1,8370
2,7309
,7
!0,4607
1,1059
0,7283
1,8956
1,0639
2,1524
1,6921
2,6586
,6
!0,5307
1,1215
0,6245
1,8545
0,9498
2,0947
1,5577
2,5697
,5
!0,5917
1,1260
0,5281
1,8011
0,8423
2,0242
1,4286
2,4677
,4
!0,6462
1,1215
0,4363
1,7367
0,7389
1,9426
1,3022
2,3541
,3
!0,6955
1,1090
0,3477
1,6621
0,6378
1,8502
1,1765
2,2288
,2
!0,7405
1,0890
0,2611
1,5770
0,5376
1,7464
1,0498
2,0911
,1
!0,7817
1,0614
0,1754
1,4802
0,4375
1,6302
0,9208
1,9394
0
!0,8193
1,0257
0,0900
1,3700
0,3361
1,4994
0,7877
1,7709
Table E6b. Différentiels de sélection polyvalents d’ordre 3, )p3,D(c) c=0
c = 1,2816
c=1
c = 1,6449
c =2,3263
D
P
)p3
P
)p3
P
)p3
P
)p3
P
)p3
1
,5000
0,7979
,1587
1,5251
,1000
1,7550
,0500
2,0627
,0100
2,6652
,95 ,9 ,8 ,7 ,6 ,5 ,4 ,3 ,2 ,1 0
,4242 ,3923 ,3464 ,3101 ,2786 ,2500 ,2232 ,1977 ,1731 ,1489 ,1250
1,0842 1,1864 1,3100 1,3846 1,4307 1,4558 1,4632 1,4544 1,4296 1,3877 1,3264
,1145 ,0973 ,0742 ,0576 ,0445 ,0338 ,0250 ,0178 ,0119 2
,0 736 2
,0 399
1,8277 1,9284 2,0420 2,1027 2,1327 2,1403 2,1292 2,1010 2,0560 1,9936 1,9120
,0684 ,0565 ,0408 ,0300 ,0219 ,0156 ,0107 2
,0 694 2
,0 417 2
,0 223 2
,0 100
2,0591 2,1584 2,2680 2,3244 2,3502 2,3536 2,3385 2,3066 2,2583 2,1933 2,1104
,0318 ,0252 ,0169 ,0115 2
,0 767 2
,0 496 2
,0 304 2
,0 172 3
,0 873 3
,0 376 3
,0 125
2,3675 2,4643 2,5686 2,6196 2,6401 2,6387 2,6192 2,5835 2,5323 2,4655 2,3825
2
2,9679
2
3,0594
2
3,1532
2
3,1945
3
3,2065
3
3,1975
3
3,1719
4
3,1316
4
3,0777
5
3,0109
5
3,9311
,0 547 ,0 396 ,0 224 ,0 128 ,0 706 ,0 366 ,0 172 ,0 711 ,0 242 ,0 616 ,0 100
103
Différentiels de sélection multivariés (Section E)
Table E7a. Différentiels de sélection polyvalents d’ordre 4, )4,p D(P) P = 0,50
P = 0,10
P = 0,05
P = 0,01
D
c
)p4
c
)p4
c
)p4
c
)p4
1
0
0,7979
1,2816
1,7550
1,6449
2,0627
2,3263
2,6652
,95
!0,2300
1,0022
1,0349
1,8007
1,3933
2,2277
2,0657
2,8120
,9
!0,3250
1,0712
0,9227
1,9688
1,2761
2,2579
1,9388
2,8246
,8
!0,4588
1,1516
0,7532
1,9896
1,0960
2,2604
1,7383
2,7923
,7
!0,5609
1,1981
0,6138
1,9754
0,9454
2,2278
1,5658
2,7247
,6
!0,6462
1,2256
0,4892
1,9402
0,8088
2,1737
1,4059
2,6351
,5
!0,7207
1,2394
0,3734
1,8888
0,6801
2,1028
1,2524
2,5278
,4
!0,7873
1,2419
0,2631
1,8231
0,5562
2,0168
1,1017
2,4037
,3
!0,8475
1,2344
0,1563
1,7431
0,4347
1,9154
0,9512
2,2624
,2
!0,9024
1,2171
0,0516
1,6477
0,3140
1,7972
0,7988
2,1017
,1
!0,9526
1,1894
!0,0524
1,5344
0,1923
1,6590
0,6422
1,9177
0
!0,9981
1,1504
!0,1569
1,3985
0,0681
1,4954
0,4783
1,7033
Table E7b. Différentiels de sélection polyvalents d’ordre 4, )4,p D(c) c=0
c=1
c = 1,2816
c = 1,6449
c =2,3263
D
P
)
P
)
P
)
P
)
P
)p4
1
,5000
0,7979
,1587
1,5251
,1000
1,7550
,0500
2,0627
,0100
2,6652
,95 ,9 ,8 ,7 ,6 ,5 ,4 ,3 ,2 ,1 0
,4079 ,3693 ,3140 ,2707 ,2335 ,2000 ,1692 ,1403 ,1130 ,0871 ,0625
p 4
1,1514 1,2809 1,4414 1,5418 1,6067 1,6447 1,6594 1,6515 1,6197 1,5601 1,4647
,1063 ,0868 ,0614 ,0441 ,0313 ,0214 ,0139 2
,0 840 2
,0 449 2
,0 199 3
,0 634
p 4
1,9010 2,0311 2,1835 2,2703 2,3182 2,3367 2,3293 2,2968 2,2375 2,1475 2,0192
,0628 ,0494 ,0328 ,0220 ,0145 2
,0 911 2
,0 535 2
,0 283 2
,0 128 3
,0 449 3
,0 100
p 4
2,1336 2,2625 2,4112 2,4936 2,5367 2,5502 2,5377 2,5000 2,4357 2,3412 2,2099
,0287 ,0215 ,0130 2
,0 790 2
,0 466 2
,0 258 2
,0 130 3
,0 568 3
,0 199 4
,0 487 5
,0 625
p 4
2,4431 2,5699 2,7133 2,7900 2,8272 2,8340 2,8162 2,7729 2,7037 2,6055 2,4731
2
3,0451
2
3,1669
2
3,2996
3
3,3655
3
3,3924
3
3,3901
4
3,3628
4
3,3118
5
3,2369
6
3,1365
7
3,0077
,0 479 ,0 321 ,0 158 ,0 777 ,0 359 ,0 149 ,0 527 ,0 147 ,0 282 ,0 295 ,0 100
104
L’étalonnage et la décision psychométrique
Table E8a. Différentiels de sélection polyvalents d’ordre 5, )5,p D(P) P = 0,50
P = 0,10
P = 0,05
P = 0,01
D
c
)p5
c
)p5
c
)p5
c
)p5
1
0
0,7979
1,2816
1,7550
1,6449
2,0627
2,3263
2,6652
,95
!0,2599
1,0317
1,0036
1,9584
1,3616
2,2565
2,0332
2,8402
,9
!0,3673
1,1129
0,8775
2,0090
1,2301
2,2976
1,8913
2,8633
,8
!0,5186
1,2096
0,6875
2,0446
1,0286
2,3142
1,6677
2,8437
,7
!0,6340
1,2684
0,5314
2,0402
0,8603
2,2906
1,4757
2,7832
,6
!0,7307
1,3055
0,3919
2,0118
0,7078
2,2422
1,2980
2,6971
,5
!0,8150
1,3273
0,2622
1,9648
0,5642
2,1744
1,1274
2,5898
,4
!0,8904
1,3363
0,1387
1,9009
0,4258
2,0885
0,9597
2,46