Dans le paysage contemporain de la psychologie scientifique et des sciences comportementales, la formulation d’hypothèses précises constitue le socle même de la démarche déductive et de la reproductibilité expérimentale. La comparaison a priori, également appelée contraste planifié ou comparaison planifiée, incarne cette exigence méthodologique en permettant aux chercheurs de tester des prédictions théoriques rigoureusement définies avant même la collecte et l’observation des données empiriques. En refusant l’écueil de l’exploration opportuniste des données après coup, cette approche inférentielle optimise la puissance statistique tout en préservant le contrôle de l’erreur de type I, guidant ainsi l’investigation empirique vers des conclusions robustes et théoriquement fondées.
Comparaison a priori
1. Définition concise
Une comparaison a priori désigne une technique d’inférence statistique dans laquelle des contrastes spécifiques entre les moyennes de groupes ou de conditions expérimentales sont formulés et fixés avant l’inspection des données, en stricte conformité avec un cadre théorique préétabli. Contrairement aux procédures exploratoires non planifiées, cette méthode s’inscrit au cœur d’une démarche déductive visant à valider ou réfuter une prédiction formelle.
Dans le cadre de l’analyse de la variance (ANOVA) et des modèles linéaires généraux, les comparaisons a priori permettent de décomposer la variance inter-groupes en questions de recherche ciblées. Plutôt que de s’en remettre au rejet d’une hypothèse nulle globale souvent peu informative (l’hypothèse que toutes les moyennes sont strictement identiques), le chercheur formule des combinaisons linéaires de moyennes pondérées par des coefficients dont la somme est égale à zéro. Cette stratégie permet d’attribuer précisément la variabilité observée à des mécanismes psychologiques prédéfinis.
Sur le plan épistémologique, la comparaison a priori établit une frontière méthodologique nette entre la phase de découverte inductive et la phase de justification réputationnelle. En verrouillant l’espace d’hypothèses en amont de l’analyse statistique, elle constitue l’un des remparts les plus efficaces contre le biais de confirmation et les pratiques de publication sélective qui menacent l’intégrité de la recherche en psychologie.
2. Étymologie et origine linguistique
L’expression est composée de la locution latine a priori et du substantif français comparaison. En latin scolastique et philosophique, a priori signifie littéralement « à partir de ce qui précède » ou « à partir de ce qui est en avant ». Ce syntagme, popularisé dans la philosophie occidentale moderne notamment par Emmanuel Kant dans sa Critique de la raison pure, qualifie toute connaissance ou tout jugement dont la validité est indépendante de l’expérience sensorielle immédiate et préexiste à celle-ci.
Le terme comparaison provient du latin comparatio, dérivé du verbe comparare (signifiant « accoupler », « mettre ensemble » ou « égaler », forgé à partir du préfixe com- signifiant « ensemble » et de l’adjectif par signifiant « égal » ou « pair »). Historiquement, la transposition de ce concept philosophique dans le domaine des statistiques inférentielles s’est opérée au cours du vingtième siècle au sein de l’école biométrique et agronomique anglo-saxonne, principalement sous la plume de pionniers tels que Ronald A. Fisher et George W. Snedecor.
Dans la littérature scientifique anglophone, le concept a d’abord circulé sous le nom de planned comparison ou a priori contrast. Son adoption dans la littérature francophone de psychologie expérimentale et de psychométrie a consacré l’usage indifférent des termes « comparaison a priori », « comparaison planifiée » et « contraste planifié », formalisant ainsi l’idée d’un examen statistique programmé par anticipation théorique.
3. Prononciation et forme grammaticale
Sur le plan phonétique, « comparaison a priori » se prononce en français international standard /kɔ̃.pa.ʁɛ.zɔ̃ a pʁi.jɔ.ʁi/. La locution latine a priori est généralement invariable en genre et en nombre, bien que certains guides typographiques acceptent des variations d’usage. Dans le corpus académique de langue française, l’orthographe préconisée conserve les deux mots séparés sans trait d’union, souvent composés en italique selon les normes éditoriales régissant les locutions latines : a priori.
Grammaticalement, l’expression fonctionne comme un groupe nominal féminin singulier. Au pluriel, elle prend la forme « comparaisons a priori » (ou « comparaisons a priori »). Le terme désigne à la fois le concept méthodologique abstrait et l’opération de calcul algébrique correspondante. L’expression s’emploie principalement sous forme d’attribut, de complément de nom ou de sujet grammatical dans des énoncés de méthodologie expérimentale, tels que : « Les comparaisons a priori ont été sélectionnées pour contraster les conditions d’amorçage cognitif. »
4. Explication conceptuelle détaillée
La comparaison a priori se situe au carrefour de la logique déductive et du calcul des probabilités. Pour comprendre sa portée fondamentale, il convient de rappeler la structure standard d’une expérience psychologique. Lorsqu’un protocole comporte trois groupes de traitement ou plus (par exemple, un groupe témoin, un groupe recevant une thérapie cognitive standard et un groupe bénéficiant d’une thérapie enrichie), le test statistique omnibus traditionnel de l’analyse de la variance pose l’hypothèse nulle $H_0 : \mu_1 = \mu_2 = dots = \mu_k$. Ce test omnibus n’indique qu’une seule chose s’il s’avère statistiquement significatif : au moins deux moyennes diffèrent l’une de l’autre, sans que l’on sache lesquelles ni selon quel agencement théorique.
La comparaison a priori résout cette ambiguïté fondamentale en délaissant le test omnibus au profit de tests spécifiques et directionnels. Chaque comparaison prend la forme algébrique d’un contraste $\psi = \sum c_j \mu_j$, où les coefficients $c_j$ sont des valeurs scalaires rationnelles choisies telles que leur somme $\sum c_j = 0$. Par exemple, pour tester si la moyenne combinée de deux approches thérapeutiques surpasse celle d’un groupe contrôle, le chercheur assignera les coefficients $c_1 = -1$, $c_2 = 0,5$ et $c_3 = 0,5$. La valeur estimée du contraste et son erreur-type permettent d’établir un test de Student ($t$) ou un test de Fisher ($F$) possédant un seul degré de liberté au numérateur.
Le périmètre théorique de la comparaison a priori est délimité par une exigence temporelle et épistémique incontournable : les coefficients du contraste et la direction de l’effet doivent être documentés avant toute consultation de la matrice de données expérimentales. Dès l’instant où un chercheur observe les moyennes d’échantillon pour décider quels groupes opposer, le statut de la comparaison bascule instantanément vers une démarche a posteriori (ou post hoc). Ce basculement a des conséquences dramatiques sur la probabilité d’erreur de première espèce, car le test statistique ne prend plus en compte le processus de sélection sélective opéré par l’observateur.
L’avantage cardinal des comparaisons a priori réside dans leur puissance statistique supérieure. Étant donné que le chercheur ne disperse pas sa sensibilité statistique dans l’exploration de toutes les combinaisons bilatérales possibles (dont beaucoup sont théoriquement absurdes ou triviales), il est dispensé d’appliquer des corrections de multiplicité excessivement conservatrices, comme la correction de Bonferroni stricte, à condition que le nombre de contrastes demeure restreint. La comparaison planifiée offre donc un compromis optimal entre sensibilité empirique et rigueur inférentielle.
5. Développement historique
L’histoire des comparaisons a priori est intimement liée à la naissance de la statistique mathématique moderne au début du vingtième siècle. Lorsque Ronald A. Fisher développe l’analyse de la variance dans les années 1920 à la station expérimentale de Rothamsted, son objectif premier est d’évaluer l’effet global de blocs et de traitements agricoles. Fisher reconnaît rapidement que la significativité omnibus d’une table d’ANOVA ne résout pas la question de l’effet différentiel de traitements spécifiques. Dès son ouvrage classique Statistical Methods for Research Workers (1925), Fisher esquisse la possibilité de partitionner la somme des carrés des traitements en composantes élémentaires indépendantes à un seul degré de liberté.
Dans les décennies 1940 et 1950, le raffinement formel de cette approche est mené par des statisticiens comme George W. Snedecor, William G. Cochran et Frank Yates. Ils établissent les conditions algébriques d’orthogonalité qui garantissent que les différentes sommes des carrés partitionnées s’additionnent exactement pour reconstituer la somme des carrés totale du modèle, sans redondance d’information probabiliste.
L’introduction de ces méthodes dans le champ de la psychologie scientifique s’accélère durant la révolution cognitive et la professionnalisation de la psychologie expérimentale aux États-Unis après la Seconde Guerre mondiale. Des auteurs de manuels fondateurs, tels que Quinn McNemar (1949), Allen L. Edwards (1950) et plus tard William L. Hays dans son monumental ouvrage Statistics for Psychologists (1963), plaident ardemment pour la supériorité épistémologique des contrastes a priori sur les tests omnibus non informatifs. Hays soutient que le test $F$ global de l’ANOVA est souvent le « refuge des chercheurs incertains de leur théorie », incitant les psychologues à formuler des questions expérimentales sous forme de comparaisons planifiées orthogonales.
À partir des années 1990 et plus encore lors de la « crise de la reproductibilité » des années 2010 en psychologie sociale et cognitive, la comparaison a priori a fait l’objet d’un regain d’intérêt massif. Des méthodologistes comme Eric-Jan Wagenmakers, Daniël Lakens et Brian Nosek ont réhabilité l’importance capitale du pré-enregistrement (preregistration), positionnant la comparaison a priori comme l’antidote privilégié au « HARKing » (Hypothesizing After the Results are Known) et au « p-hacking ».
6. Fondements théoriques
Les comparaisons a priori reposent sur deux piliers théoriques majeurs : la théorie de la décomposition des espaces vectoriels dans le cadre du modèle linéaire général et la théorie de la décision inférentielle de Neyman-Pearson.
Sur le plan géométrique et algébrique, l’espace des moyennes de $k$ groupes de traitement peut être appréhendé comme un espace vectoriel de dimension $k – 1$. Chaque contraste a priori définit un vecteur directeur dans cet espace. Deux contrastes définis par les coefficients $c_j$ et $d_j$ sont dits orthogonaux lorsque le produit scalaire de leurs coefficients pondérés par la taille des échantillons est nul, soit $\sum rac{c_j d_j}{n_j} = 0$ (ou simplement $\sum c_j d_j = 0$ dans le cas d’échantillons de tailles égales). Lorsque $k – 1$ contrastes orthogonaux mutuellement exclusifs sont spécifiés, ils réalisent une décomposition complète et non redondante de l’espace vectoriel des traitements. Chaque contraste extrait une part unique et indépendante de la variance expérimentale, régie par une distribution du $F$ ou du $t$ dénuée de colinéarité.
Sur le plan épistémologique et inférentiel, la comparaison a priori s’inscrit dans la perspective poppérienne de la réfutabilité. Karl Popper affirmait qu’une hypothèse scientifique n’acquiert de valeur que si elle court le risque d’être contredite par l’expérience. Une hypothèse omnibus ($H_0 : ext{toutes les moyennes sont égales}$) présente un contenu empirique très faible : son rejet peut être provoqué par des dizaines de motifs non théorisés. À l’opposé, une comparaison a priori spécifie précisément la géométrie attendue des résultats (par exemple, un profil linéaire d’amélioration de la mémoire en fonction du dosage d’un stimulus mnémotechnique, avec les coefficients $-3, -1, +1, +3$). Si les données dévient de cette trajectoire géométrique précise, l’hypothèse est falsifiée.
Dans le paradigme néo-fisherien et neyman-pearsonien de la régulation de l’erreur d’échantillonnage, la planification préalable protège le chercheur contre l’inflation mécanique du taux d’erreur de type I familial (family-wise error rate, FWER). Lorsque le nombre de comparaisons a priori est restreint au nombre de degrés de liberté du facteur ($k – 1$), et en particulier lorsqu’elles sont orthogonales, la probabilité cumulée de déclarer par hasard un résultat significatif demeure sous un contrôle mathématique strict sans exiger de pénalités statistiques excessives qui ruineraient la puissance du test.
7. Composantes clés, types et dimensions
Pour structurer l’analyse statistique planifiée, les comparaisons a priori se déclinent selon plusieurs dimensions méthodologiques et mathématiques :
- Contrastes simples ou bilatéraux planifiés : Opposent directement deux moyennes spécifiques parmi l’ensemble des groupes expérimentaux ($c_1 = 1, c_2 = -1, c_3 = 0$), ignorant volontairement les groupes tiers non pertinents pour l’hypothèse ciblée.
- Contrastes complexes : Comparent un groupe ou une combinaison de groupes à un autre ensemble de groupes (par exemple, la moyenne de deux thérapies actives contre un groupe témoin sur liste d’attente, coefficients : $c_1 = -1, c_2 = 0,5, c_3 = 0,5$).
- Contrastes orthogonaux : Ensemble de comparaisons dont les coefficients satisfont l’indépendance statistique stricte ($\sum c_j d_j = 0$). Un ensemble complet de $k – 1$ contrastes orthogonaux partitionne la totalité de la somme des carrés inter-groupes sans résidu ni chevauchement statistique.
- Contrastes non orthogonaux : Séries de comparaisons planifiées d’intérêt théorique qui partagent une partie de l’information statistique ($sum c_j d_j
eq 0$). Bien que légitimes sur le plan conceptuel, ils requièrent généralement une régulation du taux d’erreur familial (par exemple via la méthode de Holm-Bonferroni). - Contrastes polynomiaux de tendance : Utilisés lorsque la variable indépendante est quantitative ordonnée (temps, dosage, intensité d’exposition). Ils décomposent l’effet en composantes géométriques : tendance linéaire (croissance ou décroissance constante), quadratique (forme en U ou en U inversé), cubique, etc.
- Contrastes d’interaction planifiés : Déployés dans les plans factoriels pour tester des modérations spécifiques (par exemple, tester si l’effet d’une intervention cognitive diffère entre un groupe jeune et un groupe âgé, en croisant les coefficients des effets principaux).
8. Exemples et cas illustratifs
Considérons une étude clinique en neuropsychologie évaluant l’efficacité d’un protocole d’entraînement de la mémoire de travail chez des patients présentant un trouble neurocognitif léger. L’expérimentateur constitue quatre groupes équivalents : un groupe contrôle passif (liste d’attente, $G_1$), un groupe contrôle actif (jeux vidéo récréatifs non structurés, $G_2$), un groupe recevant un entraînement cognitif informatisé standard ($G_3$), et un groupe recevant un entraînement cognitif associé à une stimulation transcrânienne à courant continu (tDCS, $G_4$).
Dans une approche non planifiée, le chercheur réaliserait une ANOVA unidirectionnelle globale à quatre niveaux, puis, en cas de $p < 0,05$, procéderait à des tests post hoc de Tukey explorant les six paires possibles ($G_1$ vs $G_2$, $G_1$ vs $G_3$, $G_1$ vs $G_4$, $G_2$ vs $G_3$, $G_2$ vs $G_4$, $G_3$ vs $G_4$). Cette démarche dispersive dilue la puissance statistique et ne reflète pas les prédictions réelles de l’investigateur.
Dans une approche a priori, le chercheur formule trois contrastes orthogonaux mutuellement exclusifs correspondant rigoureusement à sa théorie neurobiologique :
Le Contraste 1 évalue l’effet placebo et l’engagement non spécifique en comparant le contrôle passif au contrôle actif : $c_1 = -1, c_2 = +1, c_3 = 0, c_4 = 0$.
Le Contraste 2 teste l’hypothèse centrale selon laquelle les deux interventions actives ciblées surpassent l’engagement actif non ciblé : $c_1 = 0, c_2 = -1, c_3 = +0,5, c_4 = +0,5$.
Le Contraste 3 teste l’effet synergique additionnel de la neurostimulation par rapport à l’entraînement standard seul : $c_1 = 0, c_2 = 0, c_3 = -1, c_4 = +1$.
En vérifiant les produits scalaires, on constate que le Contraste 1 et le Contraste 2 sont orthogonaux ($(-1 imes 0) + (1 imes -1) + (0 imes 0,5) + (0 imes 0,5) = -1 + 0 = -1$ ajusté par les coefficients ; ou plus simplement sous forme normalisée, l’ensemble partitionne exactement les trois degrés de liberté inter-groupes). Cette structure d’analyse offre une puissance maximale pour détecter l’effet additif de la tDCS tout en répondant exactement aux questions posées par la modélisation sous-jacente.
9. Mesure et évaluation
L’estimation et le test statistique d’une comparaison a priori s’effectuent par le calcul de la valeur du contraste, notée conventionnellement $\hat{\psi}$ ou $L$ :$$\hat{\psi} = \sum_{j=1}^{k} c_j ar{X}_j$$où $ar{X}_j$ représente la moyenne observée de l’échantillon $j$ et $c_j$ le coefficient du contraste pour ce groupe. La variance d’échantillonnage théorique de cette somme pondérée est donnée par :$$\sigma_{\hat{\psi}}^2 = MS_{ ext{résiduelle}} \sum_{j=1}^{k} rac{c_j^2}{n_j}$$où $MS_{ ext{résiduelle}}$ (carré moyen de l’erreur) est issu de l’ensemble du modèle d’analyse de la variance, ce qui permet de bénéficier d’une estimation de la variance intra-groupe plus stable et basée sur un plus grand nombre de degrés de liberté que dans un simple test $t$ restreint à deux échantillons isolés.
La statistique inférentielle de test prend alors la forme d’un ratio de Student :$$t = rac{\hat{\psi}}{\sqrt{MS_{ ext{résiduelle}} \sum rac{c_j^2}{n_j}}}$$avec des degrés de liberté correspondant à ceux de la somme des carrés résiduelle ($N – k$). De manière équivalente, la statistique peut être exprimée sous forme de test $F$ à un degré de liberté au numérateur : $F = t^2$.
Au-delà de la significativité statistique ($p$-valeur), l’évaluation contemporaine des comparaisons a priori exige le calcul de l’amplitude de l’effet. Deux métriques standardisées sont couramment rapportées : le $d$ de Cohen adapté aux contrastes (qui rapporte la différence pondérée des moyennes à l’écart-type résiduel regroupé) et le coefficient de détermination partiel ($\eta_p^2$ ou $r_{ ext{contraste}}$), qui quantifie la proportion de variance du phénomène expliquée spécifiquement par cette comparaison vectorielle.
10. Applications et portée pratique
La mise en œuvre des comparaisons a priori trouve des applications cardinales dans tous les domaines appliqués et fondamentaux de la psychologie contemporaine :
En psychologie clinique et psychothérapie comparée, les essais contrôlés randomisés recourent aux comparaisons planifiées pour évaluer des modèles d’efficacité différentielle hiérarchique. Plutôt que de confronter anarchiquement quatre ou cinq protocoles thérapeutiques, les chercheurs planifient des contrastes opposant d’abord les thérapies actives aux listes d’attente, puis les thérapies comportementales aux thérapies humanistes, décomposant l’action thérapeutique en composants actifs précis.
En psychologie du travail et des organisations, les contrastes a priori permettent de tester des gradients d’efficacité dans les programmes de leadership ou de bien-être au travail. On peut ainsi évaluer si l’introduction progressive d’autonomie organisationnelle génère un gain linéaire sur la satisfaction au travail ou si un seuil de saturation quadratique apparaît dès le deuxième niveau de délégation.
En neurosciences cognitives et psycholinguistique, lors de l’enregistrement de potentiels évoqués (ERP) ou de signaux IRMf, les paradigmes de violation syntaxique ou sémantique (par exemple l’onde N400 ou P600) s’appuient systématiquement sur des contrastes a priori pour comparer la réponse neuronale à des stimuli congruents versus incongruents selon des degrés calibrés de violation linguistique.
11. Recherche et données empiriques
De nombreuses recherches en métascience et en méthodologie statistique ont démontré l’avantage empirique des comparaisons a priori sur les approches exploratoires globales. Une étude méthodologique classique menée par Rosenthal et Rosnow (1985) a mis en lumière un paradoxe récurrent dans la littérature : des chercheurs échouaient fréquemment à rejeter l’hypothèse nulle avec un test $F$ omnibus de l’ANOVA (par exemple $F(3, 76) = 2,15, p = 0,10$), alors qu’un contraste a priori linéaire ciblant précisément la prédiction théorique était hautement significatif ($F(1, 76) = 6,20, p = 0,015$).
Ce phénomène s’explique par le fait que le test omnibus calcule une moyenne des variations sur l’ensemble des degrés de liberté inter-groupes. Si l’effet théorique est concentré sur une direction vectorielle spécifique tandis que les autres degrés de liberté ne capturent que du bruit d’échantillonnage, le test omnibus noie le signal dans le bruit. Les travaux de Maxwell, Delaney et Kelley (2018) confirment par des simulations de Monte-Carlo que le recours systématique aux comparaisons a priori améliore la puissance statistique de 15 % à plus de 40 % par rapport aux stratégies fondées sur un test omnibus préliminaire suivi de tests post hoc conservateurs.
En outre, les enquêtes menées dans le sillage de l’initiative Open Science Collaboration (2015) ont établi que les protocoles pré-enregistrant leurs comparaisons a priori affichent un taux de réplication significativement plus élevé. Cette robustesse découle de l’élimination des degrés de liberté non déclarés de l’expérimentateur, démontrant que la spécification a priori constitue un filtre écologique contre les faux positifs scientifiques.
12. Considérations culturelles et transculturelles
Bien que la comparaison a priori soit une technique mathématique universelle dans sa formulation algébrique, son implémentation dans la recherche psychologique transculturelle soulève des enjeux théoriques et méthodologiques considérables.
Dans les comparaisons interculturelles portant sur des variables cognitives ou axiologiques (par exemple l’évaluation de l’individualisme et du collectivisme selon les modèles d’Hofstede ou de Markus et Kitayama), formuler une comparaison a priori nécessite d’établir préalablement l’invariance de mesure (ou équivalence transculturelle de mesure). Si un instrument psychométrique ne présente pas une invariance métrique et scalaire stricte entre les différents groupes culturels, les coefficients du contraste ($c_j$) assignés aux moyennes nationales ou ethniques perdent leur validité sémantique, mesurant des artéfacts de traduction ou de biais de réponse plutôt que de réelles disparités psychologiques.
Par ailleurs, la sélection des cultures comparées souffre souvent d’un biais historique majeur, connu sous l’acronyme WEIRD (Western, Educated, Industrialized, Rich, Democratic). Durant des décennies, des contrastes a priori simplistes ont systématiquement opposé des pays occidentaux anglophones à des pays d’Asie de l’Est considérés comme homogènes. Les chercheurs en psychologie transculturelle contemporaine insistent sur la nécessité de formuler des comparaisons a priori non plus basées sur des frontières géopolitiques commodes, mais sur des gradients théoriques spécifiques, tels que la précarité écologique, la densité relationnelle ou l’exposition aux risques infectieux.
13. Critiques, débats et limites
Malgré sa supériorité méthodologique reconnue, l’usage des comparaisons a priori suscite des débats techniques et épistémologiques persistants :
Le premier point de friction concerne la gestion du risque d’erreur de première espèce ($ lpha $) lors de comparaisons multiples. Si les puristes de l’école fisherienne affirment que des comparaisons orthogonales déduites d’une théorie ne requièrent aucun ajustement du seuil alpha (considérant que chaque test répond à une hypothèse distincte formulée avant la collecte des données), l’école contemporaine de la modélisation statistique préconise souvent une correction modérée (comme le contrôle du taux de fausse découverte ou False Discovery Rate de Benjamini-Hochberg) dès lors que le nombre de contrastes a priori excède $k – 1$. L’absence de consensus dogmatique conduit parfois à des divergences d’évaluation entre pairs lors des processus de publication.
Une seconde limite concerne l’inflexibilité du cadre a priori face à des découvertes fortuites. En verrouillant l’analyse statistique sur un ensemble restreint de contrastes prévus, le chercheur risque d’ignorer un effet inattendu mais crucial émergeant des données. Il convient donc de maintenir un équilibre transparent : les analyses a priori doivent être traitées avec la rigueur confirmatoire idoine, tandis que tout examen complémentaire d’effets imprévus doit être explicitement qualifié d’analyse post hoc exploratoire.
Enfin, la tentation de dissimuler des analyses exploratoires sous l’appellation d’analyses a priori demeure une source de préoccupation éthique. Avant la généralisation des plateformes publiques de pré-enregistrement (telles que le Center for Open Science ou AsPredicted), un auteur pouvait examiner sa matrice de résultats, identifier les contrastes s’avérant significatifs, puis réécrire son introduction en prétendant avoir formulé ces comparaisons de longue date. Cette pratique déloyale pervertit le principe probabiliste sous-tendant la comparaison planifiée.
14. Termes connexes et distinctions
Pour éviter toute confusion conceptuelle, il est nécessaire de délimiter la comparaison a priori par rapport aux notions méthodologiques voisines :
- Comparaison a posteriori (ou test post hoc) : S’effectue après examen des données empiriques sans hypothèse directive préalable. Les tests post hoc (Tukey HSD, Scheffé, Dunnett) intègrent des pénalités mathématiques très sévères pour corriger l’inflation de l’erreur alpha résultant de la recherche opportuniste de différences significatives parmi toutes les paires envisageables.
- Test omnibus : Évalue l’hypothèse globale selon laquelle l’ensemble des moyennes d’une expérience proviennent de la même population théorique ($H_0 : \mu_1 = \mu_2 = dots = \mu_k$). Contrairement à la comparaison a priori, le test omnibus est non directionnel et incapable d’isoler la dynamique spécifique liant des sous-groupes de traitement.
- Pré-enregistrement (Preregistration) : Acte formel d’enregistrement public du protocole, des hypothèses et du plan d’analyse statistique avant l’acquisition des données. Il constitue la garantie méthodologique certifiant le caractère authentiquement a priori des comparaisons sélectionnées.
- Contraste polynomial : Type spécifique de comparaison a priori adapté aux variables indépendantes continues discrétisées, visant à tester la courbure mathématique de la réponse psychologique (linéarité, quadracité, etc.).
15. Synthèse et points clés
La comparaison a priori constitue le standard d’excellence de la statistique inférentielle déductive en psychologie expérimentale et clinique. Elle permet d’aligner étroitement la structure mathématique de l’analyse empirique sur les prédictions substantielles formulées par les modèles conceptuels.
Ses points cardinaux se résument comme suit :
- Elle est spécifiée, formalisée et documentée avant toute inspection ou analyse des données recueillies.
- Elle décompose la variance expérimentale via des combinaisons linéaires de moyennes dont la somme des coefficients pondérés est nulle ($\sum c_j = 0$).
- Elle surpasse le test omnibus traditionnel en termes de puissance statistique et de clarté interprétative.
- Elle autorise l’utilisation de tests statistiques ciblés en réduisant au minimum la nécessité de pénalités de multiplicité conservatrices lorsqu’elle est restreinte à un nombre limité de contrastes orthogonaux.
- Sa légitimité épistémique repose désormais sur la transparence et le pré-enregistrement public des protocoles de recherche.
Références
- Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd. https://fr.wikipedia.org/wiki/Ronald_Aylmer_Fisher
- Hays, W. L. (1994). Statistics (5e éd.). Harcourt Brace College Publishers. https://en.wikipedia.org/wiki/Analysis_of_variance
- Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing Experiments and Analyzing Data: A Model Comparison Perspective (3e éd.). Routledge. https://www.routledge.com/9781138892309
- Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600-2606. https://doi.org/10.1073/pnas.1708274114
- Rosenthal, R., & Rosnow, R. L. (1985). Contrast analysis: Focused comparisons in the analysis of variance. Cambridge University Press. https://doi.org/10.1017/CBO9780511804427