📊 statistics

Estimated Ranking Tables and Uncertainty

Cet article propose une méthode de construction de tableaux de classement estimés avec des régions de confiance conjointes pour le classement réel de K populations, en utilisant des hypothèses de normalité et des erreurs types afin de communiquer visuellement l'incertitude du classement et de fournir des ensembles de confiance marginaux pour les rangs individuels.

Auteurs originaux : Tommy Wright

Publié 2026-07-30

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tommy Wright

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez à une immense foire scientifique avec des centaines de stands, chacun présentant un projet différent. Si vous vous contentiez de parcourir les allées en lisant les noms des écoles par ordre alphabétique, vous devriez faire des allers-retours incessants pour découvrir quel projet a réellement remporté la première place. Vous devriez plisser les yeux, comparer les chiffres et deviner qui est le « meilleur ». C'est exactement le genre de confusion qui survient lorsque les statisticiens publient des tableaux de données. Ils listent souvent les pays, les États ou les villes par ordre alphabétique, ce qui est excellent pour trouver un nom spécifique, mais terrible pour voir qui gagne ou qui perd lors d'une compétition.

Ce document s'inscrit dans le monde de la statistique, plus précisément dans la branche qui traite de la manière dont nous mesurons les choses à partir d'un échantillon (comme interroger 1 000 personnes sur leur trajet domicile-travail) pour deviner ce que fait l'ensemble de la population. L'idée centrale ici est l'incertitude. Parce que nous devinons à partir d'un échantillon, nos chiffres ne sont pas des faits parfaits ; ce sont des estimations avec une petite marge de « flottement ». Si l'État A a un trajet moyen de 30 minutes et l'État B de 30,1 minutes, l'État B est-il vraiment plus lent, ou est-ce simplement un coup de chance dû à l'enquête ? Le document soutient que nous avons besoin d'une nouvelle façon de présenter ces classements qui ne se contente pas de lister des noms, mais qui nous montre réellement à quel point nous sommes certains (ou incertains) de qui est en première, deuxième ou dernière place.

Le Grand Remaniement des Classements

Tommy Wright, un chercheur du Bureau du recensement des États-Unis, est en mission pour corriger la façon dont nous regardons les tableaux de données. Il estime que lorsqu'une agence gouvernementale publie une liste de chiffres — comme le temps qu'il faut aux gens pour se rendre au travail dans différents États — elle ne devrait pas simplement les lister de A à Z. Au lieu de cela, elle devrait les présenter sous la forme d'un Tableau de Classement Estimé.

Voyez cela comme une ligue sportive. Si vous listez simplement les équipes par ordre alphabétique, vous devez faire le calcul vous-même pour voir qui est en tête du classement. Wright dit : « Montrons simplement le classement ! » Mais attention : dans la réalité, le classement n'est pas un fait fixe et immuable. C'est un instantané basé sur un échantillon, et il s'accompagne d'un nuage d'incertitude.

Le document de Wright aborde une question simple mais immense : « Un tableau de données doit-il être présenté explicitement comme un tableau de classement estimé ? » Sa réponse est un « Oui » retentissant. Il soutient que presque chaque tableau présentant des chiffres pour différents groupes devrait être trié du plus haut vers le plus bas, et qu'il devrait être accompagné d'un guide visuel montrant le « brouillard » d'incertitude autour de ces classements.

Le « Brouillard » de l'Incertitude

Pour comprendre la solution de Wright, imaginez que vous essayiez de classer vos amis par taille. Vous les mesurez avec une règle, mais votre règle est un peu bancale. Vous pensez que votre amie Alice mesure 1m67 et Bob 1m66. Mais parce que votre règle vacille, peut-être que Bob mesure en réalité 1m66,5 et Alice 1m66,4. Si vous écrivez simplement « Alice est n°1, Bob est n°2 », vous mentez sur votre degré de certitude.

Wright introduit une méthode appelée la Région de Confiance Conjointe DIFF. « DIFF » signifie « différences ». Au lieu de regarder seulement la taille d'une personne, cette méthode examine la différence entre chaque paire de personnes. Elle demande : « L'écart entre Alice et Bob est-il assez grand pour que nous soyons sûrs qu'Alice est plus grande, ou l'écart est-il si faible qu'ils pourraient être à égalité ? »

Il utilise un outil visuel qui ressemble à une grille ou une échelle.

L'axe vertical est le Rang (1ère place, 2ème place, etc.).
L'axe horizontal liste les groupes (comme les États ou les pays) triés selon leur meilleure estimation du chiffre.
Les boîtes montrent où un groupe pourrait se situer.

Si un État est clairement le vainqueur, sa boîte sera un carré unique et solide tout en haut. Mais si deux États sont très proches, leurs boîtes se chevaucheront, créant un « nuage » de possibilités. Ce nuage vous dit : « Hé, l'État A est probablement n°1, mais il pourrait en fait être n°2, et l'État B pourrait être n°1 à la place. »

Les Trois Exemples : Des Trajets aux Scores de Mathématiques

Wright ne se contente pas de parler de théorie ; il teste son idée avec trois exemples du monde réel pour montrer comment elle fonctionne.

1. Le Chaos des Trajets (États des USA)
Il a examiné le temps moyen pour se rendre au travail dans les 51 États américains (incluant Washington D.C.). Dans un tableau alphabétique traditionnel, vous devriez chercher le Maryland et le Dakota du Nord pour voir qui a les trajets les plus longs et les plus courts. Dans le tableau de classement de Wright, le Maryland est clairement en tête avec un trajet de 32,2 minutes, et le Dakota du Nord et le Dakota du Sud sont en bas avec 16,9 minutes.
Le plus intéressant est le « brouillard ». Les États tout en haut et tout en bas ont des nuages très petits, ce qui signifie que nous sommes très sûrs qu'ils sont les plus rapides et les plus lents. Mais au milieu, là où beaucoup d'États ont des temps similaires (autour de 23 à 25 minutes), les nuages sont énormes. Cela nous indique que si nous pouvons dire « le Maryland est le plus lent », nous ne pouvons pas être sûrs à 100 % si, par exemple, l'Illinois est le 5ème ou le 6ème. Le tableau admet : « Nous ne savons pas avec certitude au milieu ! »

2. La Frénésie de Dépense (Inde)
Ensuite, il a examiné combien d'argent les gens de 18 États majeurs de l'Inde dépensent chaque mois pour la nourriture et les biens. Le plus gros dépensier était le Telangana à 8 158 (unités monétaires), et le plus bas était le Chhattisgarh à 4 483. Là encore, le tableau de classement montrait que le haut et le bas étaient clairs, mais les États du milieu présentaient beaucoup de chevauchements. Cela aide les décideurs politiques à voir que si certains États sont clairement plus riches ou plus pauvres, ceux du milieu sont trop proches pour trancher sans plus de données.

3. Le Duel de Mathématiques (Pays de l'OCDE)
Enfin, il a examiné les scores de mathématiques de 15 ans dans 37 pays issus des tests PISA. Le Japon et la Corée sont les leaders clairs avec des scores de 536 et 527. Le bas de la liste comprenait la Colombie, le Costa Rica et le Mexique. Le visuel montrait que les pays de tête étaient distincts, mais le groupe intermédiaire de pays (scores autour de 470–490) formait un nuage massif et confus. Cela signifie que dire « le Pays X est meilleur que le Pays Y » au milieu du peloton est souvent une supposition, pas un fait.

Pourquoi cela importe

Le papier de Wright suggère que nous devons cesser de prétendre qu'un chiffre unique est la vérité absolue. En utilisant ces Tableaux de Classement Estimés, les agences statistiques peuvent communiquer plus vite et plus clairement. Au lieu de forcer les utilisateurs à chercher dans une liste alphabétique, le tableau montre immédiatement le « vainqueur » et le « perdant ». Plus important encore, il montre l'incertitude.

Il soutient que nous devrions passer de classements « implicites » (où vous devez deviner l'ordre) à des classements « explicites » (où l'ordre est montré, accompagné du brouillard du doute). Il pense que si nous faisons cela, nous cessons de faire des affirmations fausses sur qui est « meilleur » ou « pire » quand les données sont en réalité trop floues pour le dire.

En résumé, Wright nous dit : « Ne nous donnez pas seulement une liste de chiffres. Donnez-nous un classement qui admet quand la course est trop serrée pour être tranchée. » C'est une façon d'être honnête sur ce que nous savons et sur ce que nous ne faisons que deviner, faisant de la donnée non plus une simple liste de faits, mais une histoire sur la certitude de ces faits.

Résumé technique : Tableaux de classement estimés et incertitude

Énoncé du problème
Les agences nationales de statistiques publient fréquemment des tableaux contenant des estimations d'échantillons pour $K$ populations (par exemple, des États, des pays ou des districts). Traditionnellement, ces tableaux sont ordonnés par ordre alphabétique ou selon un critère non quantitatif, les lignes contenant les estimations primaires et les mesures d'incertitude associées (par exemple, les erreurs types). L'auteur soutient que cette présentation crée des « classements estimés implicites », forçant les utilisateurs à rechercher manuellement les plus petites ou les plus grandes estimations pour déterminer les positions relatives. Ce processus est inefficace, particulièrement lorsque $K$ est grand (par exemple, 51 États américains), et ne parvient pas à communiquer explicitement l'incertitude inhérente au classement lui-même. Bien que les utilisateurs réordonnent souvent les données pour créer des classements « explicites », ces tableaux générés par les utilisateurs manquent généralement de déclarations statistiques concernant l'incertitude du nouveau classement. Le document postule que les tableaux produits par les agences statistiques devraient être présentés explicitement comme des tableaux de classement estimés, où les lignes sont ordonnées par la magnitude des estimations, et où le tableau inclut des mesures d'incertitude pour le classement global.

Méthodologie
Le document propose un cadre pour construire et visualiser un Tableau de classement estimé accompagné d'une Région de confiance jointe DIFF pour le classement réel de $K$ populations.

Définitions et hypothèses :
- Rang : Le rang réel $r_k$ d'une population $k$ est défini comme 1 plus le nombre d'autres populations dont les moyennes sont inférieures ou égales à $\bar{Y}_k$ .
- Estimations : Le document suppose $K$ échantillons probabilistes indépendants produisant des estimations $\bar{y}_k$ avec des erreurs types connues $SE(\bar{y}_k)$ .
- Normalité : Il suppose que $\bar{y}_k \sim N(\bar{Y}_k, SD(\bar{y}_k))$ .
- Principe d'ordonnancement : Le document préconise le « Principe du premier quadrant », où les estimations plus élevées sont placées visuellement plus haut (ou plus bas, selon l'orientation de l'axe, mais de manière cohérente avec la corrélation) pour assurer l'harmonie entre la magnitude de l'estimation et l'ordre de rang assigné.
La Région de confiance jointe DIFF :
La méthodologie centrale repose sur la construction d'une région de confiance jointe pour le vecteur des rangs réels $(r_1, \dots, r_K)$ en utilisant les différences entre les paramètres des populations.
- Intervalles par paires : La méthode construit $\binom{K}{2}$ intervalles de confiance joints pour les différences $\bar{Y}_k - \bar{Y}_{k'}$ .
- Correction de Bonferroni : Pour obtenir un niveau de confiance joint global de $100(1-\alpha)\%$ , une correction de Bonferroni est appliquée. Le niveau de confiance individuel est ajusté à $1 - \gamma^*$ , où $\gamma^* = \alpha / \binom{K}{2}$ . Les intervalles sont :
  $(\bar{y}_k - \bar{y}_{k'}) \pm z_{\gamma^*/2} \sqrt{SE(\bar{y}_k)^2 + SE(\bar{y}_{k'})^2}$
- Classification des différences : Pour chaque population $k$ $k$ , les intervalles pour $\bar{Y}_k - \bar{Y}_{k'}$ $\overset{ˉ}{Y}_{k} - \overset{ˉ}{Y}_{k^{'}}$ sont classés en trois ensembles basés sur leur position par rapport à 0 :
  - $AR_k$ : Intervalles situés entièrement à droite de 0 (impliquant $\bar{Y}_k > \bar{Y}_{k'}$ ).
  - $AL_k$ : Intervalles situés entièrement à gauche de 0 (impliquant $\bar{Y}_k < \bar{Y}_{k'}$ ).
  - $AO_k$ : Intervalles chevauchant 0 (impliquant que l'ordre est indéterminé).
- Ensembles de rangs : Sur la base du Théorème 1, l'ensemble des rangs réels possibles pour la population $k$ est :
  $\{ |AR_k| + 1, |AR_k| + 2, \dots, |AR_k| + |AO_k| + 1 \}$
- Région jointe : La région de confiance jointe est le produit cartésien de ces ensembles de rangs individuels, contraint par l'exigence que les rangs soient uniques (une permutation). La représentation visuelle est une grille où les colonnes représentent les populations (ordonnées par taille estimée) et les lignes représentent les rangs. Les cellules contiennent l'abréviation de la population si celle-ci peut occuper ce rang dans la région de confiance.
Visualisation :
Le document introduit un visuel basé sur la théorie (une grille de type nuage de points) qui affiche simultanément :
- Le classement estimé (entrées en gras).
- L'incertitude dans le classement (entrées non grasses).
- Les ensembles de confiance marginaux pour le rang réel de chaque population.
- Les ensembles de confiance marginaux pour chaque rang (quelles populations pourraient l'occuper).
- La « compacité » de la région, définie par $T^* = (K^2 - OP) / (K^2 - K)$ , où $OP$ est le nombre de cellules occupées.

Résultats clés et exemples
Le document illustre la méthodologie à l'aide de trois ensembles de données réels :

États américains (K=51) : Utilisation des données de l'American Community Survey 2011 sur le temps moyen de trajet domicile-travail. La région de confiance jointe DIFF à 90 % révèle que l'incertitude est la plus faible aux extrêmes (rangs supérieurs et inférieurs) et la plus élevée dans les rangs intermédiaires. Les États présentant des caractéristiques fortement urbanisées et à forte population (Groupe 1) ont montré l'incertitude la plus faible, tandis que les États aux caractéristiques mixtes urbaines/rurales (Groupe 3) ont montré la plus grande.
États indiens (K=18) : Utilisation des données de l'enquête nationale d'échantillonnage 2022-23 sur la dépense mensuelle de consommation par tête (MPCE). Le visuel démontre comment la méthode gère les variations d'erreurs types et de distributions d'estimations à travers 18 principaux États indiens.
Pays de l'OCDE (K=37) : Utilisation des scores PISA 2022 en mathématiques. La région visualise l'incertitude du classement mondial des systèmes éducatifs, montrant quels pays pourraient raisonnablement échanger leurs rangs compte tenu de l'erreur d'échantillonnage.

Dans tous les cas, le document compare la « Table de classement estimé » proposée (ordonnée par magnitude) aux « Tableaux alphabétiques » traditionnels, affirmant que le premier permet une comparaison visuelle immédiate des positions relatives.

Signification et revendications
Le document affirme que présenter les données sous forme de tableaux de classement estimés explicites avec des régions de confiance conjointes associées offre plusieurs avantages :

Efficacité : Cela réduit la charge cognitive des utilisateurs en éliminant la nécessité de trier manuellement les données pour trouver les positions relatives.
Transparence : Cela communique explicitement l'incertitude du classement, empêissant la mauvaise interprétation de petites différences d'estimations comme des différences de rang définitives.
Incertitude complète : Contraque les méthodes qui ne fournissent que des intervalles de confiance pour les rangs individuels, la région de confiance jointe DIFF offre une vue cohérente de la structure entière du classement, révélant les classements réels alternatifs possibles.
Clarté visuelle : La visualisation proposée permet aux utilisateurs de voir d'un coup d'œil quelles populations sont statistiquement indiscernables en termes de rang et lesquelles sont distinctes.

L'auteur note que bien que des efforts précédents (tels que la méthode INDI/KWW) aient fourni des informations similaires, la méthode DIFF offre une région de confiance jointe plus « serrée », fournissant des limites plus précises sur les classements réels possibles. Le document conclut que les agences statistiques devraient maximiser l'utilisation de tableaux de classement estimés explicites et minimiser l'utilisation de tableaux ordonnés par ordre alphabétique pour mieux servir les utilisateurs de données.

Le Grand Remaniement des Classements

Le « Brouillard » de l'Incertitude

Les Trois Exemples : Des Trajets aux Scores de Mathématiques

Pourquoi cela importe

Articles similaires