M ICHEL M AURIN
Le mesurage des intervalles successifs doubles, une application des distributions bivariées à marges données
Mathématiques et sciences humaines, tome 108 (1989), p. 23-34
<http://www.numdam.org/item?id=MSH_1989__108__23_0>
© Centre d’analyse et de mathématiques sociales de l’EHESS, 1989, tous droits réservés.
L’accès aux archives de la revue « Mathématiques et sciences humaines » (http://
msh.revues.org/) implique l’accord avec les conditions générales d’utilisation (http://www.
numdam.org/conditions). Toute utilisation commerciale ou impression systématique est consti- tutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
LE MESURAGE DES INTERVALLES SUCCESSIFS
DOUBLES,
UNE APPLICATION DES DISTRIBUTIONS BIVARIEES A MARGES DONNEES.MAURIN Michel *
INTRODUCTION
Comme dans les sciences
physiques [Camap]
on rencontre dans les sciences de l’Homme lesouci de travailler sur des nombres afin d’utiliser leurs
propriétés.
C’est le cas parexemple
deC. Wolff
(1742) qui "préconise
l’introduction du nombre et de la mesure dans la recherchepsychologique" [Gusdorf],
de Haldane pourqui
"une onced’algèbre
vaut mieuxqu’une
tonnede
mots",
de Boudon pourqui
"la formalisation conduit à desconséquences
inaccessibles auraisonnement
verbal",
de Bénézéqui
déclare que "d’une manière ou d’une autre il(le nombre)
doit envahir les domaines
qui
lui sont encoreétrangers" ...
Un tel souci doit naturellement
s’accompagner
de la recherche de conditions souslesquelles
il existe effectivement des
images numériques
"convenables". Ils’agit
là d’une formalisation du bon sensqui
se rencontre au niveau dudiscours, Bachelard,
Cartan[Ullmo],
et au niveau desdéveloppements techniques, Helmholtz, Hôlder, Campbell ... [Krantz
etcol., Roberts].
Cetteformalisation a
pris
un essor définitif à la fin des années 50 avec la théorie du mesurage(measu-
rement
theory),
et elle constitue un outilperformant
pour les SciencesHumaines,
notamment lapsychophysique
de Fechner[Falmagne 1974,
Krantz etcol.].
Lesgrandes lignes
et lesdévelop-
pements actuels sont par
exemple présentés
dans le numérospécial
deMathématiques,
Informa-tique
et Sciences Humaines n° 101.Quand
ils’agit
de mettre en oeuvre la théorie du mesurage, une des tâches du chercheur consiste à utiliser et/oudévelopper
des théorèmesqui
l’assurent d’unereprésentation
desdonnées observées dans une structure
mathématique.
Il est donc intéressant de reconnaître oud’adapter
des théorèmes existants sousl’angle
du mesurage afin derépondre
aux situationsexpérimentales
rencontrées. C’est cequi
est fait ci-dessous à propos d’unegénéralisation
desintervalles successifs d’Adams et de Messick.
*
INRETS-LEN, 109
Av. SalvadorAllende,
case n°24, 69675
BronCEDEX,
FRANCELes intervalles successifs proprement dits
s’appliquent lorsque
dessujets
sont soumis à unefamille de stimulations et que les
réponses
sont recueillies avec une échelle decatégories
ordon-nées
(paragraphe 1).
Nousenvisageons
ici le cas de deux échelles decatégories
ordonnées enréponse
à une famille destimulations,
lagène
etl’agressivité
du bruit parexemple,
et noussignalons
comment dans cette situation il estpossible d’acquérir
en deux temps un théorème de mesurage(paragraphe 2).
Ceci a pour effet de nous conduire vers les distributions deprobabi-
lités bivariées dont les marges sont connues, et vers une revue détaillée des
propriétés
desprincipales
distributions de cette sorte(paragraphe 3).
Le résultatprincipal
est l’énoncé d’un théorème de mesurage pour les doublesréponses
sur deux échelles decatégories, qui provient simplement
del’adaptation
d’un théorème de Mardia sur les distributions de Plackett de type C(paragraphe 4).
Ils’agit
là d’un nouvelexemple
de mesuragesusceptible
d’offrir des perspec- tives pour lapsychophysique
multidimensionnelle[Tiberghien,
Maurina].
1 - LES INTERVALLES SUCCESSIFS SIMPLES.
Notre contexte
expérimental
est celui des études sur les nuisancesacoustiques
dues aux moyens de transport. Bien souvent dans ces études la"gène" exprimée
par les riverains est saisie parquestionnaire
sur des échelles decatégories ordonnées,
en même temps que sont déterminés(par
mesure,
modélisation,... )
les niveaux de bruitauxquels
les riverains sont soumis[Langdon, Lassière, Schultz,
Vallet etcol.,
Vernet etcol.].
Latechnique
des intervalles successifs(simples)
d’Adams et Messick est une
technique
de mesurageaxiomatique qui
seprête
à cettesituation ;
les différentes stimulations sont notées
Si i=1,...,I ,
l’échelle deréponses comprend
Jcatégories
ordonnées notées
Cj j=1,...,J
avec habituellement J =4, 5,
7 ... Les données sont le tableau des effectifsnl~
desréponse Cj
pour une stimulationSi ,
ou encore le tableau desfréquences
conditionnelles
Mij
=n;ij /
n;. pour chacune des stimulations.De manière
générale
un théorème de mesurage conclut à l’existence d’unereprésentation
desdonnées si et seulement si les données en
question
vérifient un certain nombre de conditions(appelées
les axiomes dumesurage).
En l’occurence lareprésentation
descatégories
deréponses
est une
partition
de la droite R en intervallesadjacents [tj-1’ tj], j=l,...,J (avec to
= - oo,tJ
=+
-),
et lareprésentation
des stimulations sont deuxapplications
de l’ensemble desSi
dans R etdans R~. Une fonction de
répartition
F étantdonnée,
les axiomes d’Adams et Messicks’appli-
quent sur les données cumulées transformées
Zij
=Fl(1tij)
avec1tij = Mii 1, i=1,...,I,
j=1,...,J-1,
et s’énoncent de la manière suivante : pour touti=1,...,I, j=1,...,J-1
il existe desréels
Pik
et des réelspositifs
oclk tels que :Lorsque
ils sontvérifiés,
les bornestj qui
limitent les intervalles[tj-,, tjl
et lesimages tl(Sj) =
J.lides stimulations sont simultanément
représentées
sur R avec une même échelled’intervalle,
lesimages 6(Si)
= 61 sontreprésentées
sur R*+ avec une échelle de rapport de même unité que l’échelle d’intervalle pour lestj
et gi[Maurin
a,Suppes Zinnes].
Ces conditions
signifient
aussi que pour tout i=1,...,I et j = 1,...,J
les données cumulées1tij
suivent un modèle relatif auxprobabilités
derépondre
avec l’une descatégories
deCl
àCj
quand
lesujet
estexposé
àSi.
Laprobabilité
de cet évènement estégale
àF(zlj)
=Dans cette
application
la fonction derépartition
Fprovient
d’un choix fait en amont, cela peut être la loi normale comme on lepensait
àl’origine,
ou autre[Adams Messick].
La
représentation
d’une échelle decatégories
ordonnées2 - LES INTERVALLES SUCCESSIFS DOUBLES.
2.1 - Présentation.
Nous considérons la situation où les
sujets
sont soumis à une famille de stimulationsSi i=l,...,1
et fournissent deux
réponses
selon deux échelles decatégories
différentesC) j=1,...,J
etCul
1= 1,...,L.
Les données recueillies sont les effectifscorrespondant
autriplet Si, ct.
ou les
fréquences
deréponses Mijl
=nijl ~
ni... Comme pour les intervalles successifssimples
nous introduisons les données cumulées
1tijl
= l’-1,..,rqui
pour toute stimulationSi correspondent
auxréponses qui appartiennent
à l’une descatégories et 1
àC)
pour lapremière
échelle de
réponse,
et à l’une descatégories Cul
àCul
pour la secondeéchelle, i=1...I, j=l...J,
1=1...L. Les données cumulées
marginales
sontégales
à1tijL
et2.2 - La
genèse
de la démarche.Un théorème
adapté
à cette situation doit s’énoncer avec des axiomes relatifs aux différentsjeux
de données
ngi , (Uijl
ou1tijl .
Nous commençons par exposer lagenèse
de la démarche retenuequi s’inspire
du cassimple précédent.
Pourchaque exposition respective
à une stimulationSi
nous introduisons des fonctions de
répartition
cumuléeslesquelles
sontchargées
dedécrire les distributions
conjointes
deprobabilité
descouples
de variables aléatoires(T,U)
de lafaçon
suivante1tijl
=HiTU(tj~ ul).
Lestj
sont les bornesqui séparent
les intervallesimages
descatégories Ct. ,
lesul les
bornesqui séparent
les intervallesimages
descatégories CUI.
Puisque
les axiomes de mesurage sur les données et les distributions ne sont pasindépendants,
ils’agit
d’introduire des distributionsqui
seprêtent
à une formulationaxiomatique
commode. Pour cela nous devons examiner les distributions
bivariées,
et afin de réduire lenombre de cas
envisageables
nous leurimposons quelques propriétés.
Les unes sont liées à destransformations affines
positives analogues
à celles du cassimple ( F(zi)
=d’autres
s’appliquent
aux distributionsmarginales
Les
paramètres gi
et ai > 0 sont desimages numériques
des stimulations lesapplications FT
et
Gu
deux fonctions derépartition
absolument continues définies sur R. Il existe de nombreuses familles de distributionsqui
vérifient cespropriétés (paragraphe 3).
Nous en déduisons les conditions nécessaires suivantes :
et
2.3 - Une démarche en deux temps.
Une telle démarche est
suggérée
par les relationsprécédentes.
En effet dans unpremier
tempsnous considérons
uniquement
les donnéesmarginales
transformées etzuil
définies àpartir
des relations
[3]
et z;m l’ensemble des
ztij , zuil m=1,...,J+L-2.
Nous reconnaissons une formequi permet d’énoncer,
sur les zim, des axiomes relatifs au mesurage des bornestj
etul , j = 1,...,J -1,
1 =1,...,L-1 analogues
à ceux d’Adams et Messick(paragraphe 1).
Cela donne ainsi lapossibilité
de mesurer simultanément les
images
gi, ai desstimulations Si
d’une part, l’ensemble desbornes tj
et ulqui séparent
lesimages
descatégories
des deux échellesC)
etCul
d’autre part. Ilfaut noter que cette
étape
ne concerne que les seuls recueilsmarginaux
des données1tijL
et 1tiJI etle choix des distributions
FT
etGu
sur R.Pour le choix de
HiTU
proprement dit etl’acquisition
d’un lot associé d’axiomes sur les donnéescomplètes,
il est alors suffisant de considérer des distributions bivariées dont les marges sont connues.Par
conséquent l’analogie
avec les intervallessuccessifs,
lespropriétés
dedépart [1]
et[2]
etl’enchainement
d’étapes qui
en résulte aboutissent à une démarcheéconomique.
Unpremier
choix concerne
uniquement
les marges de la distributionbivariée,
cequi
est là un choix de mêmenature que celui de la fonction de
répartition
F dans le modèleclassique
des intervalles succes-sifs. Dans un second temps nous pouvons nous limiter au seul sous-ensemble des distributions bivariées dont les marges sont données.
Ci-après
nous faisons la revue desprincipales
famillesde distributions de cet
ensemble,
et nous examinonscelle(s) qui
convient(conviennent)
le mieuxpour un énoncé d’axiomes de mesurage
s’appliquant
sur les données observées dans leur totalité.3 - LES FONCTIONS DE REPARTITION DETERMINEES PAR LEURS MARGES.
3.1- Les principales familles.
De manière
générale
ce sont les marges d’une distributionconjointe qui
sont déterminées àpartir
de la distribution elle-même.
Cependant
à la suite despremiers
travaux de Fréchet on s’estrégulièrement préoccupé
d’étudier dansR2
des familles de distributionsqui
sont déterminées à l’aide de leurs distributionsmarginales.
i)
nousrappellons
lesinégalités
de Fréchetqui s’appliquent
à toutes ces distributions[Johnson
Kotz
1972, Mardia] :
H-1 (t,u)
etHl(t,u)
constituent des bornes pourHTU(t,u)
en toutpoint
duplan.
Ce sontégalement
des fonctions derépartition qui possèdent
les mêmes margesFT
etGu,
de même que la fonction derépartition Ho
=FT Gu qui
est la distribution duproduit indépendant
des marges.Par
conséquent
l’ensemble des combinaisons convexesHTU = H-1
avec a,
b,
1- a - bpositifs
ou nuls est une famille de distributions bivariées dont les marges sontFT
etGu ,
etqui
atteint les bornes de Fréchet.ii)
d’autres distributionspossèdent
uneexpression paramétrée plus analytique,
lesprincipales
familles sont les suivantes
[Genest,
GenestMacKay,
Johnson Kotz1972, 1977,
KimeldorfSampson, Mardia] :
* la famille de
Morgenstern :
* la famille de Farlie :
HTU
=FT Gu [1
+ af(FT) g(Gu)] ,
les conditions sur a ,
f ,
g sontindiquées
dans[Mardia] ;
* la famille de Ali Mikhail
Haq :
* la famille de Mardia Nataf :
avec
~2(.,,,.)
la fonction derépartition
de la loi normale à deux variables centrées réduites de coefficient de corrélation p, etQ~1(.)
celle de la loi normale scalaire centréeréduite ;
* la famille de Gumbel :
* la famille de Cook et Johnson
généralisée :
* la famille de Franck :
ou
* la famille du
type-C
de Plackett définie par la conditionqu’en
toutpoint (t,u)
le"birapport"
est constant :* dans les
exemples
ci-dessus les margesFT
etGu
sontquelconques ; lorsque
les margessont des lois des extrêmes de Fréchet Fisher
Tippett,
il existe encore les famillesparticulières d’Oliveira, Sibuya,
Mustafi.3.2 - Discussion.
Chaque
famillepossède
despropriétés spécifiques.
Parexemple
les bornes de Fréchet et la distributionproduit
des marges sont atteintes dansquelques
cas ; pour certaines familles lesexpressions
des courbes derégression
sont connues ; les formulesgénérales
=aHTU /aGu
et
GU[r
=aHTU /aFT qui
permettent d’obtenir les fonctions derépartition
des distributions conditionnelles[Mardia]
conduisent dans d’autres cas à desexpressions simples
pour lesrégres-
sions-médianes ;
il estégalement possible
dansquelques
familles de calculersimplement
la cova-riance et le coefficient de corrélation entre les deux variables.
Naturellement le choix d’une famille
dépend
de cespropriétés particulières.
Pour notrepropos nous avons retenu trois critères
qui
tiennent compte à la fois dupoint
de vuethéorique
comme le font Kimeldorf
Sampson,
et dupoint
de vuepratique
lié aux commodités de calcul de laquestion.
Lepremier
concerne lapossibilité
d’atteindre les bornes deFréchet,
il estpréférable
en effet de
disposer
d’une famillequi
parcourt leplus large
éventailpossible.
Le second estrelatif à la connaissance
explicite
des courbes derégression
ou derégressions-médianes, lesquelles
donnent desrenseignements
utiles sur les variationsconjointes
des variables T et U.Le dernier critère est relatif à la recherche en cours, il concerne la facilité avec
laquelle
une familleconduit à des
jeux
de conditions tels que[ 1]
ou[4].
L’examen des famillesrappelées
ci-dessusdonne les résultats suivants :
i)
les familles deFranck,
MardiaNataf,
Cook Johnsongénéralisée
et Plackett de type C attei- gnent les bornes deFréchet ;
ii)
les courbes derégressions
sont notamment connues pour les familles deMorgenstern, Farlie, Franck ;
les courbes derégressions
médianes sont connues pour les familles de Plackett de typeC, Franck,
et pour Mardia Nataf de manièreapprochée ;
iii)
la famille deMorgenstern
peut être mise facilement sous la forme suivante :Cela permet d’isoler le
paramètre
de la famille et d’obtenir des relationssimples
entre les données icijl etnijl ,
cequi
estprécisément l’objet
de notre examen. Parconséquent
cette famille seprête
auproblème,
et il en est de même avec les familles de Ali MikhailHaq
et de Plackett de type Cqui
se mettent sous les formesalgébriques simples :
Ali et col. :
Plackett-C :
Il ne semble pas
qu’il
soit aussi aisé d’isoler leparamètre
et d’obtenir des relationssimples
entreles
1tijl
pour les autres familles.En conclusion la famille de Plackett de type C se
signale
à l’attentionpuisque
c’est la seule àêtre bien
placée
pour chacun des trois critères retenus. Mais en outre nous connaissons à sonsujet
une assez bonneapproximation
du coefficient de corrélation(cf. 4.2),
et surtout nousdisposons
pour elle d’un théorème de Mardia sous forme de condition suffisante àpartir
de[5]
ou
[5’] (cf. 4.1).
Cette accumulationd’avantages techniques
est très favorable etdécisive,
lafamille de Plackett de type C est la famille que nous retenons ici.
4 - UN THEOREME DE MESURAGE POUR DEUX ECHELLES DE CATEGORIES.
4.1 - Dans les intervalles successifs
doubles,
les donnéesrnijl
sont lesfréquences
deréponses
dans deux échelles de
catégories C t j j=1 ,... ,J
etCul 1=1,...,L pour
toute stimulationSi
DÉFINITION :
Unsystème
defréquences
deréponses Mii,
ouicijl
=I.j’==i...j ;
r=i...iMij.j.
avecles fonctions de
répartitions FT , Gu
absolument continues surR, J=1.-.J-1, zuil
=1=1,...,L-1,
Zim =(ztij’ zuil), m=1,...,J+L-2,
est dit de Mardia Plackett si etseulement si les conditions suivantes sont vérifiées :
.
THEOREME : Si un
système
defréquences
deréponses
est unsystème
de MardiaPlackett,
lesbornes
tj qui
limitent les intervallesimages
de l’échelleCt. ,
lesbomes ul qui
limitent les inter-valles
images
de l’échelleCul
et lesimages
des stimulations sont simultanémentreprésen-
tées dans R avec une même échelle
d’intervalle,
lesimages a(Si)
sontreprésentées
dansR.’
avec une échelle de rapport de même unité. Les données cumulées vérifient aussi
avec les distributions bivariées de Plackett de type C suivantes :
dans laquelle
Démonstration :
- Le
premier point
est uneadaptation
du théorème d’Adams et Messick sur l’ensemble desm=1,...,J+L-2 ;
-
lorsque
la conditionFT Gu) / (HTU - FT) Gu) =
y est vérifiée en toutpoint,
Mardia a montré l’existence et l’unicité de la distribution
ou
dont les marges sont
FT
etGu ,
avec[Mardia] .
Par
conséquent
pourchaque
i nous connaissons la distributionconjointe Hyyu
de margesFT
etGu ; puisque nijl
=FT«tj - Jli) 1 que)
et 1tn =GU((ul - / ci)
nous vérifions queL’unicité de
chaque
entraine que les yj sont mesurés sur échelle absolue.Commentaires :
- les axiomes * de la définition sont une extension des conditions usuelles d’un
système
desintervalles successifs d’Adams et Messick
appliquées
au tableau des(zBj’
1=1,...,L-1 ;
- les axiomes ** sont
originaux,
ilspeuvent
êtrebaptisés
axiomes de Mardia Plackett dans cetteapplication
de la théorie du mesurage ;- les distributions
marginales FT
etGu
sont au choix de l’utilisateur de la mêmefaçon
que l’est F dans les intervalles successifsclassiques ;
- le choix de la distribution
conjointe
n’est pas de la même nature que celui des marges. Celles-ci interviennent "enmarge"
de l’axiomatisation alors que le choix deHiTu
est un choixtechnique
liéà l’énoncé des axiomes. Le choix des marges
(et
deF) peut-être
dû à des raisonsthématiques [Thompson Singh].
4.2 - Le théorème
précédent
utilise un résultat de Mardia et bénéficie d’une bonne commodité pourexprimer
les axiomes de mesurage ; nousrappelons
lesprincipales
autrespropriétés
de lafamille de Plackett de
type-C (cf.
les deuxpremiers
critères en3.2).
i)
Les bornes de Fréchet sont atteintes dans les conditions suivantes :et pour
ii)
Les courbes derégressions-médianes
ont pourexpression,
elles se coupent au
point
dont les coordonnées sont solutions deiii)
Le coefficient de corrélation estégal
à :Cette
expression
n’est pas calculable dans le casgénéral. Cependant
ce coefficient estégal
à{ y ( y
+2) - 2( y
+1) ln(
y +1 ) }
/y~
pour les loismarginales
uniformes sur[0 1] ,
et Mardia aétabli que c’est une bonne
approximation
pour des marges normales.4.3 -
Remarques complémentaires :
i)
l’énoncé des axiomes se fait àpartir
desfréquences
deréponses 1tijl ,
c’est une formequi
seprête
tout à fait à desdéveloppements
de mesurageprobabiliste [Hamerle Tutz,
Maurinb],
lescalculs
correspondants
sont en cours ;ii)
on peutgénéraliser
encore etimaginer
le cas où lesréponses
sont données surplus
de deuxéchelles de
catégories CQ q=1,...,n ,
n > 2. Apartir
depropriétés
initialesanalogues
à[1]
et[2]
on obtient de la mêmefaçon
unsystème
d’Adams et Messick pour les distributionsmargi- nales,
cequi
conduit en second à étudier dans Rn les distributions définies par leurs marges.Quelques
distributionsparticulières
sont connues(normales, [Cook Johnson,
Johnson Kotz1975, 1977]),
et l’on sait que defaçon générale
leproblème
est résolu à l’aide descopules (++)
définies sur
[0 ll’, lesquelles
admettent les bornesMax(xl+...+
xn - n+1, 0)
etHn,l
=
Min(xl,
...,xn),
01, q=1,...,n, [Sklar]. Cependant
il ne semble pas que l’onconnaisse de
copules
dansRn qui
conduisent à des distributionscomparables
à celles de Plackett de type C dansR2 .
CONCLUSIONS.
Le mesurage d’observations
qualitatives
est unepréoccupation répandue.
Sur leplan technique
lathéorie du mesurage fait
appel
à des connaissancesmathématiques
variées pourrépondre
à cetteattente. Pour la mise en oeuvre
particulière qui
estprésentée
ici ce sont les distributions bivariées déterminées par leurs margesqui
constituent l’outiladéquat.
Le résultatprésenté
n’est sans doutepas
unique
en son genre,peut-être pourrait-on développer quelque
chosed’analogue
avec lafamille de
Morgenstern,
celle de Ali etcol.,
voire avecd’autres,
ou mêmepartir
de conditionsinitiales différentes de
[ 1 ]
et[2]. Cependant
les distributions de Plackett detype
C cumulent ungrand
nombred’avantages techniques
et constituent de ce fait une familleperformante
pour leproblème
abordé.C’est un nouvel
exemple d’application
du mesurage. Le chercheur n’est donc pas entière-ment démuni
lorsqu’il
désire étudier une doubleréponse
sur échelles decatégories
à un seuljeu
de
stimulations,
et cela ouvre d’autrespossibilités
dedéveloppement
pour lapsychophysique
multidimensionnelle.
++ fonction de
répartition
sur[01]n
dont les marges sont uniformes sur[01].
BIBLIOGRAPHIE
[1]
ADAMSE.,
MESSICKS.,
"An axiomatic formulation andgeneralisation
of successive intervalsscaling", Psychometrika,
23n°4, (1958),
355-368.[2]
BENEZEG.,
Le nombre dans les sciencesexpérimentales, Paris,
Presses Universitaires deFrance,
(1961).
[3]
BOUDONR., L’analyse mathématique des faits sociaux, Paris, Plon, (1967).
[4]
CARNAPR.,
Lesfondements philosophiques
de laphysique,
A.Colin, (1973).
[5]
COOKR.D.,
JOHNSONM.E.,
"Afamily
of distributions formodelling nonelliptically symmetric
multivariatedata",
J.Roy.
Statist.Soc.,
SérieB, 43, (1981),
210-218.[6]
DOIGNONJ.P.,
"Sur lesreprésentations
minimales des semi ordres et des ordres d’inter-valles", Mathématiques, Informatique
et SciencesHumaines,
n°101, (1988),
49-59.[7]
FALMAGNEJ.C.,
"Foundations of fechnerianpsychophysics",
inKRANTZ, ATKINSON, LUCE, SUPPES, Contemporary developments
in mathematicalpsychology,
volII,
SanFrancisco, Freeman, (1974),
127-159.[8]
FALMAGNEJ.C.,
"Probabilistic choice behaviortheory :
axioms as constraints inoptimisation",
inCASTELLANE, RESTLE, Cognitive theory,
vol3,
L. Elbaum Ass.Pub., (1978), 93-114.
[9]
FALMAGNEJ.C., "Propos
sur la théorie dumesurage", Mathématiques, Informatique
etSciences
Humaines,
n°101, (1988),
7-34.[10]
GENESTC., 1987,
"Franck’sfamily
of bivariatedistributions", Biometrika,
74 n°3, (1987),
549-555.[11]
GENESTC.,
MACKAY R.J., "Copules
archimédiennes et familles de loisbidimensionnelles dont les marges sont
données",
La revue Canadienne deStatistique,
vol
14, (1986),
145-159.[12]
GUSDORFG.,
De l’histoire des sciences à l’histoire de lapensée, Paris, Payot, (1977).
[ 13]
HAMERLEA.,
TUTZG.,
"Goodness of fit tests forprobabilistic
measurementmodels",
J.
of
Math.Psychology, 21, (1980),
153-167.[14]
JOHNSONN.L.,
KOTZS.,
Distributions in Statistics: Continuous Multivariate Distribu-tions, New-York,
J.Wiley
and sons,(1972).
[15]
JOHNSONN.L.,
KOTZS.,
"On somegeneralized Farlie-Gumbel-Morgenstren distributions",
Communications inStatistics, 4(5), (1975),
415-427.[16]
JOHNSONN.L.,
KOTZS.,
"On somegeneralized Farlie-Gumbel-Morgenstren
distributions - II
regression,
correlation and furthergeneralisations",
Communications in Statistics -Theory
andMethods, A6(6), (1977),
485-496.[ 17]
KRANTZD.,
LUCED.,
SUPPESP.,
TVERSKYA.,
Foundationsof measurement,
vol1, New-York,
AcademicPress, (1971).
[18]
KIMELDORFG.,
SAMPSONA.,
"One parameter families of bivariate distributions with fixedmarginals",
Communications inStatistics, 4(3), (1975),
293-301.[ 19]
LANGDONF.J.,
"Theproblem of measuring
the effects of trafficnoise",
inALEXANDRE, BARDE, LAMURE, LANGDON,
Roadtraffic noise, Applied Science, (1975),
27-69.[20]
LASSIEREA.,
The environmental evaluationof transport plans, London, Department
ofthe
environment, (1976).
[21]
LUCE R.D., "Measurementrepresentations
ofordered,
relational structures witharchimedean ordered
translations", Mathématiques, Informatique
et Sciences Humaines,n°
101, (1988),
35-47.[22]
LUCER.D.,
GALANTERE., "Discrimination, Psychological scaling",
inLUCE, BUSH, GALANTER,
Handbookof mathematical psychology,
vol1, New-York,
J.Wiley
andsons,
(1963), 191-243, 245-307.
[23]
MARDIAK.V.,
Familiesof
bivariatedistributions, London, Griffin, (1970).
[24]
MAURINM.,
a , "L’association du mesurage additifconjoint
et des intervallessuccessifs", Mathématiques
et SciencesHumaines,
n°96, (1986),
5-29.[25]
MAURINM., b, "Topics
on successiveintervals", European
MathematicalPsychology Group,
17thmeeting, Osnabrueck, RFA, (1986).
[26]
NARENSL., "Meaningfulness
and theErlanger
program of FelixKlein", Mathématiques, Informatique
et SciencesHumaines,
n°101, (1988), 61-71.
[27]
ROBERTSF.J.,
Measurementtheory, Reading Massachussetts, London, Addison-Wesley Publishing Company, (1979).
[28]
SCHULTZT.J., "Synthesis
of social surveys on noiseannoyance",
J. Acoust. Soc.Am.,
vol 60
n°3, (1978).
[29]
SKLARA.,
"Fonctions derépartitions
à n dimensions et leursmarges",
Publ. Inst. Statist.Univ. Paris,
8, (1959), 229-231.
[30]
SUPPESP.,
ZINNESJ.L.,
"Basic measurementtheory",
inLUCE, BUSH, GALANTER,
Handbookof mathematical psychology,
vol1, New-York,
J.Wiley
and sons,(1963),
1-76.
[31]
THOMPSONW.A.,
SINGHJ.,
"The use of limit theorems inpaired comparison
modelbuilding", Psychometrika,
32 n°3, (1967),
255-264.[32]
TIBERGHIENG.,
Initiation à laPsychophysique, Paris,
Presses Universitaires deFrance, (1984).
[33]
ULLMOJ.,
Lapensée scientifique moderne, Paris, Flammarion, (1969).
[34]
VALLETM.,
MAURINM.,
PAGEM.A.,
FAVREB.,
PACHIAUDIG., "Annoyance
from and habituation to road traffic noise from urban