Dans le paysage contemporain de la recherche en psychologie et en sciences comportementales, l’intégrité des conclusions scientifiques repose fondamentalement sur la rigueur du traitement des données empiriques et la gestion des données manquantes. La suppression par observation, fréquemment désignée sous l’appellation anglophone de casewise deletion ou analyse des cas complets, représente la méthode historique et conventionnelle la plus répandue pour traiter les valeurs absentes au sein d’une matrice empirique. Cette stratégie consiste à écarter systématiquement tout participant ou unité d’observation présentant au moins une donnée manquante sur l’ensemble des variables sélectionnées pour un modèle statistique donné. Si cette approche offre une commodité de mise en œuvre indiscutable au sein des logiciels de psychométrie, elle engendre de profondes répercussions méthodologiques sur la représentativité de l’échantillon, la puissance statistique et la validité interne des inférences psychologiques.
Suppression par observation (Casewise Deletion)
1. Définition concise
La suppression par observation désigne une procédure statistique de gestion des données manquantes consistant à éliminer intégralement de l’analyse tout sujet, individu ou cas statistique dont le protocole de mesure comporte une ou plusieurs valeurs manquantes parmi les variables analysées. Cette méthode produit un sous-ensemble homogène restreint, composé exclusivement d’observations possédant des enregistrements complets sur l’ensemble des descripteurs mobilisés dans le modèle statistique.
Dans le domaine de la modélisation psychométrique et de l’expérimentation comportementale, cette technique garantit que toutes les équations, corrélations ou matrices de variance-covariance reposent strictement sur un effectif échantillonnal invariable et identique d’un paramètre à l’autre. En contrepartie de cette standardisation computationnelle, la suppression par observation altère la composition initiale de la cohorte lorsque les mécanismes régissant la non-réponse ne sont pas purement aléatoires, introduisant ainsi des distorsions préjudiciables à l’estimation des paramètres populationnels.
D’un point de vue opératoire, la suppression par observation est fréquemment employée comme configuration par défaut dans les suites logicielles statistiques courantes, ce qui en fait l’une des démarches les plus couramment exécutées mais également l’une des plus critiquées de la méthodologie quantitative contemporaine lorsque les hypothèses sous-jacentes à sa validité ne sont pas scrupuleusement vérifiées.
2. Étymologie et origine linguistique
L’expression anglaise casewise deletion est un composé syntagmatique associant le vocable case, issu du latin casus désignant ce qui advient, un événement ou une occurrence particulière, et le suffixe adverbial -wise, d’origine germanique, signifiant « de la manière de » ou « en ce qui concerne ». Le second terme, deletion, provient du latin classique deletio, dérivé du verbe delere, signifiant « détruire », « effacer » ou « rayer ». L’assemblage sémantique renvoie donc littéralement à l’effacement ou à la radiation opérée unité par unité d’observation.
En langue française, la terminologie académique privilégie les locutions « suppression par observation », « suppression au niveau du cas », « suppression cas par cas » ou encore « analyse des cas complets » (traduction directe de complete-case analysis). Dans certains manuels francophones de biostatistique et de psychométrie, on retrouve également le terme « suppression par liste », traduction calquée sur l’anglais listwise deletion, qui met l’accent sur l’exclusion de la rangée matricielle entière.
L’intégration de ce concept dans le vocabulaire de la recherche quantitative francophone s’est opérée au cours de la seconde moitié du vingtième siècle, parallèlement à l’essor des logiciels informatiques d’analyse de données tels que SPSS, SAS et BMDP, qui ont fixé la terminologie technique opérationnelle au sein des départements universitaires de psychologie et de sciences humaines.
3. Prononciation et forme grammaticale
Sur le plan morphosyntaxique, « suppression par observation » est un syntagme nominal féminin singulier. Sa transcription phonétique en français standard s’établit selon l’Alphabet Phonétique International comme suit : /sy.pʁɛ.sjɔ̃ paʁ ɔb.zɛʁ.va.sjɔ̃/. Dans les milieux académiques bilingues où l’anglicisme technique casewise deletion est verbalisé, sa prononciation est généralement retranscrite sous la forme /ˈkeɪs.waɪz dɪˈliː.ʃən/.
Le terme s’emploie principalement comme complément d’objet ou modificateur méthodologique, par exemple dans des propositions telles que : « Les données ont été traitées par suppression par observation préalable à la modélisation en équations structurelles ». L’adjectivation est rare, mais on rencontre l’expression « approche par cas complets » pour désigner le protocole analytique qui en découle.
Au pluriel, l’expression prend la marque graphique standard aux substantifs qui la composent (« des suppressions par observation »), bien que l’usage théorique privilégie quasi systématiquement la forme singulière pour désigner la procédure algorithmique dans sa globalité conceptuelle.
4. Explication conceptuelle détaillée
Pour saisir pleinement la portée méthodologique de la suppression par observation en psychologie, il est indispensable de conceptualiser la structure matricielle standard des données empiriques. Dans une étude quantitative classique, les données se présentent sous la forme d’un tableau rectangulaire où les lignes représentent les participants (les cas) et les colonnes représentent les variables mesurées (scores psychométriques, temps de réaction, indicateurs biologiques, variables sociodémographiques). Dès lors qu’un répondant omet de renseigner ne serait-ce qu’un seul item parmi une batterie de cinquante questions, la ligne correspondante contient une cellule vide, c’est-à-dire une donnée manquante. La suppression par observation intervient alors en éliminant intégralement cette ligne de la matrice avant l’exécution du moindre calcul inférentiel.
Cette approche présente une séduisante simplicité mathématique. En limitant les calculs aux seuls participants dont le profil de réponse est irréprochablement complet, elle garantit que la taille de l’échantillon ($N$) demeure parfaitement constante à travers toutes les sous-analyses d’un modèle statistique, que l’on calcule une matrice de corrélations de Pearson, une régression linéaire multiple ou une