Vous analysez des données et vous devez résumer leur variabilité en un seul chiffre. Deux outils s’offrent à vous : la standard deviation (écart-type) et l’écart interquartile (IQR). Choisir le mauvais peut donner une image trompeuse de vos données, surtout si certaines valeurs sortent du lot. Voici comment décider.
Ce que mesure vraiment la dispersion des données
Imaginez les salaires d’une petite entreprise : huit employés gagnent entre 2 000 et 3 500 euros, et le dirigeant en gagne 25 000. Si vous calculez la moyenne, elle monte artificiellement à cause de ce seul salaire élevé. La mesure de dispersion que vous choisissez va soit refléter cette distorsion, soit l’ignorer.
L’écart-type mesure la distance moyenne de chaque valeur par rapport à la moyenne. Parce qu’il élève les écarts au carré avant de les moyenner, il accorde un poids très fort aux valeurs extrêmes. Le salaire à 25 000 euros va donc gonfler considérablement l’écart-type.
L’IQR, lui, ne regarde que la moitié centrale de vos données. Il calcule la distance entre le premier quartile (Q1, la valeur en dessous de laquelle se trouvent 25 % des observations) et le troisième quartile (Q3, au-dessus duquel se trouvent 25 % des observations). Le salaire atypique du dirigeant est tout simplement ignoré.
Valeurs aberrantes : quand l’écart-type devient trompeur
Vous avez déjà remarqué qu’une seule note catastrophique peut faire chuter la moyenne d’une classe entière ? Le même effet se produit avec l’écart-type.
Prenons vingt mesures de temps de réponse d’un site web : dix-neuf sont entre 0,3 et 0,8 seconde, et une seule atteint 15 secondes à cause d’une panne réseau. l’écart-type va sembler énorme alors que 95 % des données sont regroupées. L’IQR, calculé uniquement sur les valeurs centrales, reflète mieux la réalité quotidienne du site.
C’est pourquoi on dit que l’IQR est une mesure « robuste » : les valeurs extrêmes ne l’affectent pas. L’écart-type, lui, est dit « sensible aux outliers ».
Distribution symétrique ou asymétrique : le critère décisif
La forme de votre distribution est le premier critère à examiner avant de choisir votre mesure de dispersion.
Quand les données suivent une distribution symétrique (en cloche, dite normale), la moyenne se trouve au centre et l’écart-type décrit très bien la variabilité. La majorité des observations se situe à moins d’un ou deux écarts-types de la moyenne, et ce résumé est fiable.
Quand la distribution est asymétrique, avec une longue queue vers la droite ou vers la gauche, la moyenne est tirée vers l’extrême et l’écart-type suit. Dans ce cas, la médiane et l’IQR forment un couple plus honnête pour résumer vos données.
- Distribution symétrique (notes d’un concours bien calibré, tailles adultes) : l’écart-type est adapté. Il s’interprète directement avec la moyenne.
- Distribution asymétrique (revenus, prix immobiliers, durées d’hospitalisation) : préférez l’IQR. Associez-le à la médiane plutôt qu’à la moyenne.
- Données avec valeurs aberrantes confirmées : l’IQR est plus fiable. Mais analysez ces valeurs extrêmes avant de les écarter – elles peuvent signaler un événement réel et important.
L’IQR ne dit pas tout : ce qu’il cache sur les extrêmes
Choisir l’IQR par réflexe parce que vos données ont une queue longue n’est pas toujours suffisant. L’IQR décrit uniquement les 50 % centraux de vos observations – il peut masquer des extrêmes qui ont de l’importance dans votre contexte.
Si vous analysez des délais de livraison pour détecter les retards les plus graves, l’IQR vous dira que la moitié de vos colis arrivent dans un intervalle raisonnable. Mais les cas extrêmes, précisément ceux qui causent des réclamations, sont invisibles dans ce calcul.
Pour éviter cet angle mort, associez l’IQR aux valeurs minimale et maximale, ou tracez un graphique de distribution. aucune mesure unique ne remplace un regard complet sur vos données.
Écart-type ou IQR : comment trancher selon votre situation
Voici une règle simple pour guider votre choix. Commencez par visualiser vos données, même rapidement, avec un histogramme ou un diagramme en boîte (boxplot).
- Vos données sont à peu près symétriques et sans valeurs extrêmes évidentes : utilisez l’écart-type. Il s’intègre naturellement dans les tests statistiques classiques et dans les formules de comparaison entre groupes.
- Vos données ont une queue prononcée ou contiennent des outliers : utilisez l’IQR avec la médiane. Ce couple résiste aux distorsions et donne une image plus fidèle de la variabilité typique.
- Vous travaillez avec un petit échantillon : soyez prudent avec l’IQR aussi. Les valeurs de Q1 et Q3 peuvent varier selon la méthode de calcul retenue par le logiciel utilisé. Si la reproductibilité compte, précisez la méthode.
Un point à ne pas confondre : écart-type et erreur-type
Une confusion fréquente mérite d’être signalée. L’écart-type décrit la variabilité des valeurs individuelles dans votre jeu de données. L’erreur-type, elle, décrit l’incertitude sur une moyenne calculée à partir d’un échantillon.
Remplacer l’un par l’autre change complètement le message. l’erreur-type est toujours plus petite que l’écart-type – parfois beaucoup plus petite. Utiliser l’erreur-type pour décrire la dispersion de vos données donne une impression trompeuse de précision et de faible variabilité.
Si vous communiquez des résultats à d’autres personnes, vérifiez que vous utilisez bien le bon terme selon ce que vous souhaitez exprimer : variabilité des observations (écart-type) ou incertitude sur une estimation (erreur-type).
Quelle mesure choisir en pratique : un repère rapide
La décision n’est pas toujours binaire. Dans beaucoup d’analyses descriptives, calculer les deux mesures est utile : l’écart-type pour sa compatibilité avec les outils statistiques classiques, l’IQR pour détecter des asymétries ou signaler des valeurs extrêmes à examiner.
La règle des 1,5 fois l’IQR est souvent utilisée pour identifier automatiquement les outliers dans un jeu de données. Une valeur qui dépasse Q3 + 1,5 × IQR ou qui tombe sous Q1 – 1,5 × IQR est signalée comme potentiellement atypique. Mais ce signal ne justifie pas de supprimer la valeur sans enquête : elle peut correspondre à un événement réel que votre analyse ne doit pas effacer.
En résumé, la forme de la distribution guide le choix entre écart-type et IQR. Pour des données symétriques sans valeurs extrêmes, l’écart-type est le bon outil. Pour des distributions asymétriques ou des données avec outliers, l’IQR associé à la médiane donne une image plus honnête. Dans les deux cas, visualiser les données avant de calculer reste la meilleure façon de ne pas se tromper d’indicateur.
