{"id":25218,"date":"2026-11-07T21:58:43","date_gmt":"2026-11-07T21:58:43","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_comparison=test-t-echantillons-independants-vs-apparies"},"modified":"2026-11-07T21:58:43","modified_gmt":"2026-11-07T21:58:43","slug":"test-t-echantillons-independants-vs-apparies","status":"publish","type":"psych_comparison","link":"https:\/\/french.arabpsychology.com\/?psych_comparison=test-t-echantillons-independants-vs-apparies","title":{"rendered":"Test t pour \u00e9chantillons ind\u00e9pendants vs test t pour \u00e9chantillons appari\u00e9s"},"content":{"rendered":"

Dans le vaste champ de la statistique inf\u00e9rentielle param\u00e9trique, peu d’outils ont exerc\u00e9 une influence aussi structurante et p\u00e9renne que les tests de comparaison de moyennes d\u00e9velopp\u00e9s au d\u00e9but du vingti\u00e8me si\u00e8cle. Qu’il s’agisse de mesurer l’efficacit\u00e9 diff\u00e9rentielle d’un candidat-m\u00e9dicament face \u00e0 un placebo, d’\u00e9valuer l’impact d’une refonte ergonomique sur les temps de r\u00e9action d’op\u00e9rateurs industriels, ou de quantifier l’\u00e9volution des comp\u00e9tences cognitives \u00e0 la suite d’un protocole d’apprentissage, la confrontation de deux distributions empiriques constitue le socle fondamental de la d\u00e9marche exp\u00e9rimentale. Cependant, derri\u00e8re l’apparente simplicit\u00e9 d’un calcul de valeur p<\/em> et d’un ratio confrontant un signal \u00e0 un bruit se dissimule une exigence m\u00e9thodologique primordiale : l’ad\u00e9quation parfaite entre la structure d’\u00e9chantillonnage mise en \u0153uvre et le mod\u00e8le math\u00e9matique sous-jacent.<\/p>\n

Le chercheur ou l’analyste de donn\u00e9es se trouve invariablement confront\u00e9 \u00e0 un arbitrage structural : les observations soumises \u00e0 l’\u00e9valuation proviennent-elles d’entit\u00e9s distinctes, ind\u00e9pendantes et imperm\u00e9ables les unes aux autres, ou d\u00e9coulent-elles d’une m\u00eame unit\u00e9 statistique observ\u00e9e \u00e0 des moments successifs ou dans des conditions appari\u00e9es ? Cette ligne de d\u00e9marcation, qui s\u00e9pare le test t<\/em> pour \u00e9chantillons ind\u00e9pendants du test t<\/em> pour \u00e9chantillons appari\u00e9s, ne rel\u00e8ve pas d’une simple nuance computationnelle. Elle engage la nature m\u00eame de la variance r\u00e9siduelle, la structure de covariance des variables al\u00e9atoires consid\u00e9r\u00e9es et, en d\u00e9finitive, la validit\u00e9 des conclusions scientifiques \u00e9mises. Une erreur d’appr\u00e9ciation \u00e0 ce carrefour m\u00e8ne in\u00e9luctablement \u00e0 une d\u00e9gradation de la puissance statistique ou \u00e0 une distorsion du risque d’erreur de premi\u00e8re esp\u00e8ce, compromettant la reproductibilit\u00e9 des r\u00e9sultats.<\/p>\n

Le pr\u00e9sent article propose une analyse comparative, th\u00e9orique et appliqu\u00e9e de ces deux paradigmes cardinaux de la statistique de Student. \u00c0 travers une d\u00e9composition syst\u00e9matique de leurs fondements math\u00e9matiques, de leurs postulats de validit\u00e9, de leurs comportements face aux violations des hypoth\u00e8ses distributionnelles et de leurs champs d’application concrets en sciences biom\u00e9dicales et humaines, nous fournissons un cadre d’aide \u00e0 la d\u00e9cision m\u00e9thodologique rigoureux. L’objectif est d’offrir aux chercheurs, cliniciens et praticiens de la science des donn\u00e9es les cl\u00e9s n\u00e9cessaires pour s\u00e9lectionner, mod\u00e9liser, interpr\u00e9ter et rapporter ces \u00e9preuves statistiques dans le respect scrupuleux des normes acad\u00e9miques contemporaines.<\/p>\n

1. Introduction aux tests t de Student et contextualisation m\u00e9thodologique<\/h2>\n

1.1 D\u00e9finition et fondements th\u00e9oriques des tests t<\/h3>\n

L’origine de la loi de Student et des proc\u00e9dures d’inf\u00e9rence associ\u00e9es constitue l’un des chapitres les plus c\u00e9l\u00e8bres et f\u00e9conds de l’histoire des statistiques modernes. D\u00e9velopp\u00e9e en 1908 par William Sealy Gosset, un chimiste et statisticien travaillant pour la brasserie Guinness \u00e0 Dublin sous le pseudonyme impos\u00e9 de \u00ab Student \u00bb, cette distribution th\u00e9orique a \u00e9merg\u00e9 d’un imp\u00e9ratif industriel et empirique strict : comment extraire des conclusions fiables sur la qualit\u00e9 des ingr\u00e9dients agricoles, tels que l’orge ou le houblon, \u00e0 partir d’\u00e9chantillons de tr\u00e8s petite taille ? Jusqu’aux travaux pionniers de Gosset consign\u00e9s dans son article fondateur The Probable Error of a Mean<\/a> publi\u00e9 dans la revue Biometrika<\/em>, la th\u00e9orie statistique s’appuyait de mani\u00e8re pr\u00e9dominante sur la loi normale, postul\u00e9e par le th\u00e9or\u00e8me central limite, qui exigeait la connaissance pr\u00e9alable de la variance de la population parente (σ2<\/sup>) ou le recours \u00e0 de tr\u00e8s vastes cohortes pour substituer la variance empirique \u00e0 la variance th\u00e9orique sans distorsion notable.<\/p>\n

Lorsque la taille de l’\u00e9chantillon (not\u00e9e n<\/em>) est restreinte, la substitution de la variance populationnelle inconnue σ2<\/sup> par la variance de l’\u00e9chantillon s<\/em>2<\/sup> introduit une source suppl\u00e9mentaire d’incertitude stochastique. L’estimateur de l’\u00e9cart type devient lui-m\u00eame une variable al\u00e9atoire hautement fluctuante. Gosset a r\u00e9solu ce d\u00e9fi en d\u00e9rivant la distribution exacte du ratio entre la d\u00e9viation de la moyenne de l’\u00e9chantillon et l’erreur type estim\u00e9e de cette moyenne. Cette distribution, connue sous le nom de distribution t<\/em> de Student, pr\u00e9sente des queues plus \u00e9paisses (leptokurticit\u00e9) que la distribution normale standard, refl\u00e9tant l’incertitude accrue propre \u00e0 l’estimation simultan\u00e9e de la moyenne et du param\u00e8tre d’\u00e9chelle sur de faibles effectifs. Au fur et \u00e0 mesure que les degr\u00e9s de libert\u00e9 augmentent vers l’infini, la distribution t<\/em> converge asymptotiquement vers la loi normale centr\u00e9e r\u00e9duite N<\/em>(0, 1).<\/p>\n

Sur le plan fonctionnel, l’objectif universel de toute d\u00e9clinaison du test t<\/em> r\u00e9side dans la comparaison de moyennes afin d’\u00e9valuer la significativit\u00e9 statistique d’un \u00e9cart observ\u00e9. L’\u00e9preuve confronte formellement une hypoth\u00e8se nulle (not\u00e9e H<\/em>0<\/sub>), stipulant l’absence de diff\u00e9rence r\u00e9elle entre les populations sous-jacentes ou l’\u00e9galit\u00e9 de la diff\u00e9rence \u00e0 une constante pr\u00e9d\u00e9termin\u00e9e, \u00e0 une hypoth\u00e8se alternative (not\u00e9e H<\/em>1<\/sub> ou H<\/em>a<\/sub>), postulant l’existence d’un d\u00e9calage syst\u00e9matique. En op\u00e9rant une standardisation de la diff\u00e9rence des moyennes observ\u00e9es par une mesure ad\u00e9quate de l’erreur type, le test t<\/em> produit une statistique d’\u00e9preuve dont la position relative au sein de la distribution th\u00e9orique de Student permet de d\u00e9duire une probabilit\u00e9 critique, la valeur p<\/em> (ou p-value<\/em>).<\/p>\n

Dans l’\u00e9cosyst\u00e8me de la statistique inf\u00e9rentielle param\u00e9trique, le test t<\/em> occupe une place matricielle. Il repr\u00e9sente le prototype par excellence du test param\u00e9trique bivari\u00e9, servant de passerelle conceptuelle vers des mod\u00e8les lin\u00e9aires plus complexes tels que l’analyse de variance unidirectionnelle (ANOVA), la r\u00e9gression lin\u00e9aire simple et multiple, ou encore les mod\u00e8les \u00e0 effets mixtes. Dans les sciences biom\u00e9dicales, la psychologie exp\u00e9rimentale, l’\u00e9pid\u00e9miologie et l’\u00e9conomie quantitative, le test t<\/em> demeure la m\u00e9trique d\u00e9cisionnelle la plus intens\u00e9ment sollicit\u00e9e pour valider des hypoth\u00e8ses causales ou comparatives \u00e9l\u00e9mentaires.<\/p>\n

1.2 La distinction cruciale entre ind\u00e9pendance et d\u00e9pendance observationnelle<\/h3>\n

L’application rigoureuse du formalisme de Student impose une compr\u00e9hension parfaite de la nature des unit\u00e9s exp\u00e9rimentales observ\u00e9es. La distinction entre ind\u00e9pendance et d\u00e9pendance observationnelle constitue l’axe de sym\u00e9trie autour duquel s’organise le choix de la proc\u00e9dure de calcul. Deux \u00e9chantillons sont consid\u00e9r\u00e9s comme statistiquement ind\u00e9pendants d\u00e8s lors que la s\u00e9lection, la mesure ou le comportement d’une unit\u00e9 au sein du premier groupe n’exerce aucune influence directe ou indirecte, et ne partage aucun facteur de variation latent non contr\u00f4l\u00e9, avec une quelconque observation du second groupe. Sur le plan probabiliste, cela implique que la covariance entre la variable al\u00e9atoire X<\/em>1<\/sub> du premier groupe et la variable al\u00e9atoire X<\/em>2<\/sub> du second groupe est strictement nulle : Cov(X<\/em>1<\/sub>, X<\/em>2<\/sub>) = 0<\/span>.<\/p>\n

\u00c0 l’inverse, une structure d’\u00e9chantillons d\u00e9pendants (ou appari\u00e9s) \u00e9merge d\u00e8s lors qu’il existe une liaison structurelle, temporelle, g\u00e9n\u00e9tique ou m\u00e9thodologique unissant les paires d’observations entre les deux conditions. Le cas de figure le plus arch\u00e9typal est celui des mesures r\u00e9p\u00e9t\u00e9es intra-sujet, dans lequel un m\u00eame individu est \u00e9valu\u00e9 \u00e0 deux points temporels distincts (couramment d\u00e9sign\u00e9s sous les vocables de pr\u00e9-test et post-test), ou soumis successivement \u00e0 deux conditions exp\u00e9rimentales contrast\u00e9es. La d\u00e9pendance se manifeste \u00e9galement dans les protocoles d’appariement d\u00e9lib\u00e9r\u00e9, o\u00f9 des unit\u00e9s distinctes sont assembl\u00e9es par paires selon des crit\u00e8res de confusion critiques, \u00e0 l’instar d’\u00e9tudes biom\u00e9dicales associant un sujet malade \u00e0 un sujet t\u00e9moin partageant strictement le m\u00eame \u00e2ge, le m\u00eame sexe et le m\u00eame indice de masse corporelle.<\/p>\n

L’impact du sch\u00e9ma d’\u00e9chantillonnage sur la structure de covariance des donn\u00e9es recueillies est d\u00e9terminant. Dans un plan d\u00e9pendant, les deux s\u00e9ries de mesures pr\u00e9sentent une corr\u00e9lation stochastique naturelle, g\u00e9n\u00e9ralement positive (Cov(X<\/em>1<\/sub>, X<\/em>2<\/sub>) > 0). Cette corr\u00e9lation traduit le fait qu’un sujet pr\u00e9sentant un score intrins\u00e8quement \u00e9lev\u00e9 lors de la premi\u00e8re condition aura tendance, en raison de ses d\u00e9terminants biologiques, psychologiques ou environnementaux propres, \u00e0 afficher \u00e9galement un score \u00e9lev\u00e9 lors de la seconde. Ignorer cette interd\u00e9pendance revient \u00e0 amputer le mod\u00e8le statistique d’une information fondamentale relative \u00e0 la source de la variance observ\u00e9e, assimilant les fluctuations individuelles stables \u00e0 du bruit exp\u00e9rimental al\u00e9atoire<\/span>.<\/p>\n

Dans la litt\u00e9rature scientifique empirique, la confusion entre ces deux paradigmes demeure une source majeure de m\u00e9ta-erreurs m\u00e9thodologiques. De nombreux analystes, tromp\u00e9s par la pr\u00e9sence de deux colonnes de donn\u00e9es dans leur tableur, appliquent par automatisme un test pour \u00e9chantillons ind\u00e9pendants sur des donn\u00e9es longitudinales, ou commettent l’impair inverse d’aligner artificiellement deux cohortes h\u00e9t\u00e9rog\u00e8nes au sein d’un test appari\u00e9. Ces glissements conceptuels ne rel\u00e8vent pas du d\u00e9tail d’impl\u00e9mentation : ils d\u00e9naturent les distributions d’\u00e9chantillonnage et conduisent \u00e0 des inf\u00e9rences totalement biais\u00e9es sur les populations cibles.<\/p>\n

1.3 Cons\u00e9quences m\u00e9thodologiques d’une s\u00e9lection erron\u00e9e de test<\/h3>\n

L’inad\u00e9quation entre la structure r\u00e9elle des donn\u00e9es et le mod\u00e8le statistique s\u00e9lectionn\u00e9 engendre des perturbations math\u00e9matiques s\u00e9v\u00e8res qui affectent la validit\u00e9 interne des conclusions. Lorsque des donn\u00e9es intrins\u00e8quement appari\u00e9es sont analys\u00e9es de mani\u00e8re erron\u00e9e \u00e0 l’aide d’un test t<\/em> pour \u00e9chantillons ind\u00e9pendants, la cons\u00e9quence imm\u00e9diate est une augmentation spectaculaire de l’erreur de type II (d\u00e9nomm\u00e9e β), se traduisant par un effondrement de la puissance statistique. En ignorant la corr\u00e9lation intra-sujet positive, le test ind\u00e9pendant int\u00e8gre l’ensemble de la variabilit\u00e9 interindividuelle dans le terme d’erreur r\u00e9siduelle (le d\u00e9nominateur de la statistique t<\/em>). Le d\u00e9nominateur s’en trouve artificiellement gonfl\u00e9, r\u00e9duisant l’ampleur du ratio empirique et augmentant corr\u00e9lativement la valeur p<\/em>. Des effets r\u00e9els, potentiellement critiques sur le plan clinique ou scientifique, sont alors d\u00e9clar\u00e9s non significatifs, conduisant au rejet injustifi\u00e9 d’innovations th\u00e9rapeutiques ou d’hypoth\u00e8ses novatrices.<\/p>\n

Inversement, le traitement injustifi\u00e9 d’\u00e9chantillons ind\u00e9pendants au travers d’un algorithme pour mesures appari\u00e9es entra\u00eene des distorsions conceptuelles et techniques pernicieuses. Si deux groupes distincts de patients sans aucun lien de contingence sont arbitrairement coupl\u00e9s ligne par ligne dans une feuille de calcul, la proc\u00e9dure appari\u00e9e calcule des scores de diff\u00e9rence individuels fictifs. Si, par pur hasard d’\u00e9chantillonnage, une corr\u00e9lation spurieuse n\u00e9gative \u00e9merge entre les paires artificielles, la variance des diff\u00e9rences se trouvera artificiellement accrue. Plus grave encore, le recours au test appari\u00e9 impose une r\u00e9duction drastique des degr\u00e9s de libert\u00e9 du mod\u00e8le : pour deux groupes de taille n<\/em>, le test ind\u00e9pendant exploite 2n<\/em> − 2 degr\u00e9s de libert\u00e9, tandis que la proc\u00e9dure appari\u00e9e ne conserve que n<\/em> − 1 degr\u00e9s de libert\u00e9. Cette amputation de pr\u00e8s de la moiti\u00e9 des degr\u00e9s de libert\u00e9 \u00e9largit la distribution de Student de r\u00e9f\u00e9rence, repousse les seuils critiques et majore ind\u00fbment le risque d’erreur.<\/p>\n

Dans certaines configurations pathologiques o\u00f9 une corr\u00e9lation n\u00e9gative r\u00e9elle existe sans \u00eatre mod\u00e9lis\u00e9e de mani\u00e8re appropri\u00e9e, l’utilisation d’un test inadapt\u00e9 peut provoquer une inflation incontr\u00f4l\u00e9e de l’erreur de type I (not\u00e9e α), soit la d\u00e9claration d’une significativit\u00e9 statistique en l’absence totale d’effet dans la population parente. L’alignement rigoureux du mod\u00e8le statistique sur le protocole d’\u00e9chantillonnage initial n’est donc pas une simple coquetterie de th\u00e9oricien : il constitue le garant absolu du respect des probabilit\u00e9s nominales d’erreur sur lesquelles repose l’ensemble de l’\u00e9difice de la d\u00e9cision statistique falsificationniste.<\/p>\n

2. Le test t pour \u00e9chantillons ind\u00e9pendants : principes et mod\u00e9lisation<\/h2>\n

2.1 Cadre conceptuel et architecture des donn\u00e9es<\/h3>\n

Le test t<\/em> pour \u00e9chantillons ind\u00e9pendants \u2014 \u00e9galement qualifi\u00e9 dans la litt\u00e9rature anglo-saxonne de two-sample t-test<\/em> ou de between-subjects t-test<\/em> \u2014 intervient sp\u00e9cifiquement pour comparer les moyennes empiriques de deux populations \u00e0 partir de deux sous-ensembles d’unit\u00e9s d’observation totalement disjoints et mutuellement exclusifs. L’architecture de collecte r\u00e9pond au paradigme des plans inter-sujets : un participant ou un sp\u00e9cimen n’appartient qu’\u00e0 une et une seule condition exp\u00e9rimentale. L’affectation d’un individu au groupe exp\u00e9rimental interdit de facto son apparition au sein du groupe t\u00e9moin.<\/p>\n

Ce sch\u00e9ma d’\u00e9valuation trouve son incarnation la plus pure dans l’essai contr\u00f4l\u00e9 randomis\u00e9 (ECR). Dans ce cadre, une population source est \u00e9chantillonn\u00e9e, puis chaque participant est assign\u00e9 al\u00e9atoirement \u00e0 l’un des deux bras d’intervention par le truchement d’un m\u00e9canisme stochastique garantissant l’\u00e9quiprobabilit\u00e9 d’attribution. Cette randomisation a pour vertu d’\u00e9quilibrer, au niveau des esp\u00e9rances math\u00e9matiques, l’ensemble des variables de confusion connues et inconnues entre les deux cohortes. Il en r\u00e9sulte que toute divergence ult\u00e9rieure observ\u00e9e sur la variable d\u00e9pendante continue pourra \u00eatre attribu\u00e9e avec une confiance causale \u00e9lev\u00e9e \u00e0 l’effet propre du traitement.<\/p>\n

L’absence d’association univoque entre les observations implique qu’il n’existe aucune justification th\u00e9orique ou math\u00e9matique permettant d’ordonner ou d’associer un sujet donn\u00e9 du groupe 1 \u00e0 un sujet particulier du groupe 2. Si le groupe 1 comprend n<\/em>1<\/sub> observations et le groupe 2 compte n<\/em>2<\/sub> observations, la matrice de donn\u00e9es se compose de deux vecteurs distincts de dimensions respectives (n<\/em>1<\/sub> × 1) et (n<\/em>2<\/sub> × 1), sans exigence que n<\/em>1<\/sub> soit \u00e9gal \u00e0 n<\/em>2<\/sub>. Cette flexibilit\u00e9 dimensionnelle repr\u00e9sente un atout op\u00e9rationnel majeur des plans inter-sujets, permettant d’accommoder des disparit\u00e9s d’effectifs cons\u00e9cutives \u00e0 des contraintes logistiques, financi\u00e8res ou biologiques lors du recrutement des sujets.<\/p>\n

2.2 Formulation math\u00e9matique et calcul statistique<\/h3>\n

La m\u00e9canique calculatoire du test t<\/em> pour \u00e9chantillons ind\u00e9pendants repose sur le principe universel du ratio signal\/bruit. Le \u00ab signal \u00bb est constitu\u00e9 par la diff\u00e9rence arithm\u00e9tique observ\u00e9e entre les moyennes empiriques des deux groupes, tandis que le \u00ab bruit \u00bb est repr\u00e9sent\u00e9 par l’erreur type de cette diff\u00e9rence de moyennes, mesurant la dispersion attendue sous l’hypoth\u00e8se nulle en vertu des fluctuations d’\u00e9chantillonnage. Soient X\u0304<\/em>1<\/sub> et X\u0304<\/em>2<\/sub> les moyennes des deux groupes, et n<\/em>1<\/sub>, n<\/em>2<\/sub> leurs effectifs respectifs. La statistique d’\u00e9preuve t<\/em> s’\u00e9nonce formellement comme suit :<\/p>\n

\nt<\/em> = (X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub> − Δ0<\/sub>) \/ SE<\/em>(X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub>)<\/strong><\/span>\n<\/p>\n

Dans l’immense majorit\u00e9 des applications scientifiques, la diff\u00e9rence th\u00e9orique postul\u00e9e sous l’hypoth\u00e8se nulle, Δ0<\/sub>, est fix\u00e9e \u00e0 z\u00e9ro, traduisant le postulat d’une stricte identit\u00e9 des moyennes populationnelles (μ1<\/sub> = μ2<\/sub>). Sous l’hypoth\u00e8se classique d’homosc\u00e9dasticit\u00e9 \u2014 postulant que les deux populations parentes partagent une variance commune σ2<\/sup> \u2014, l’estimation de cette variance s’effectue en combinant les sommes des carr\u00e9s des \u00e9carts des deux \u00e9chantillons pour former la variance group\u00e9e, d\u00e9sign\u00e9e sous le vocable de pooled variance<\/em> (s<\/em>p<\/sub>2<\/sup>)<\/span> :<\/p>\n

\ns<\/em>p<\/sub>2<\/sup> = [ (n<\/em>1<\/sub> − 1)s<\/em>1<\/sub>2<\/sup> + (n<\/em>2<\/sub> − 1)s<\/em>2<\/sub>2<\/sup> ] \/ (n<\/em>1<\/sub> + n<\/em>2<\/sub> − 2)<\/strong><\/span>\n<\/p>\n

Dans cette formulation, s<\/em>1<\/sub>2<\/sup> et s<\/em>2<\/sub>2<\/sup> d\u00e9signent les variances non biais\u00e9es estim\u00e9es au sein de chaque \u00e9chantillon respectif. Le d\u00e9nominateur de cette fraction correspond exactement aux degr\u00e9s de libert\u00e9 (df<\/em>) associ\u00e9s \u00e0 l’estimation du param\u00e8tre de variance, \u00e0 savoir df<\/em> = n<\/em>1<\/sub> + n<\/em>2<\/sub> − 2. Deux degr\u00e9s de libert\u00e9 sont consomm\u00e9s par l’estimation pr\u00e9alable des deux moyennes d’\u00e9chantillons X\u0304<\/em>1<\/sub> et X\u0304<\/em>2<\/sub>. L’erreur type de la diff\u00e9rence des moyennes se d\u00e9duit alors imm\u00e9diatement de la variance combin\u00e9e<\/span> :<\/p>\n

\nSE<\/em>(X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub>) = √[ s<\/em>p<\/sub>2<\/sup> × ( (1 \/ n<\/em>1<\/sub>) + (1 \/ n<\/em>2<\/sub>) ) ]<\/strong><\/span>\n<\/p>\n

La statistique t<\/em> r\u00e9sultante suit rigoureusement une loi de Student \u00e0 n<\/em>1<\/sub> + n<\/em>2<\/sub> − 2 degr\u00e9s de libert\u00e9 sous H<\/em>0<\/sub>. La d\u00e9cision statistique s’op\u00e8re en confrontant la valeur absolue du t<\/em> empirique obtenu \u00e0 la valeur critique tabul\u00e9e pour un niveau de risque α donn\u00e9 (typiquement 0,05) ou, plus couramment dans les logiciels modernes, par l’\u00e9valuation directe de la probabilit\u00e9 d’obtenir une valeur au moins aussi extr\u00eame que celle calcul\u00e9e si H<\/em>0<\/sub> est vraie (la valeur p<\/em> bilat\u00e9rale).<\/p>\n

2.3 Postulats fondamentaux et adaptation de Welch<\/h3>\n

La d\u00e9rivation exacte de la statistique de Student classique pour \u00e9chantillons ind\u00e9pendants repose sur un ensemble de trois postulats distributionnels et structurels fondamentaux :<\/p>\n

    \n
  • L’ind\u00e9pendance stricte des observations :<\/strong> Les r\u00e9sidus individuels doivent \u00eatre stochastiquement ind\u00e9pendants au sein de chaque groupe et entre les groupes. La pr\u00e9sence d’une structure hi\u00e9rarchique, spatiale ou temporelle (par exemple, des patients trait\u00e9s par le m\u00eame praticien ou des animaux issus d’une m\u00eame port\u00e9e) viole ce postulat et requiert des mod\u00e8les hi\u00e9rarchiques ou multiniveaux.<\/li>\n
  • La normalit\u00e9 de la distribution de la variable d\u00e9pendante :<\/strong> Dans chacune des deux populations parentes, la variable d’int\u00e9r\u00eat doit suivre une loi normale. Ce postulat est traditionnellement \u00e9valu\u00e9 par l’examen visuel des diagrammes quantile-quantile (Q-Q plots) et par des tests formels d’ad\u00e9quation, tels que le test de Shapiro-Wilk ou le test de Kolmogorov-Smirnov corrig\u00e9 par Lilliefors.<\/li>\n
  • L’homog\u00e9n\u00e9it\u00e9 des variances (homosc\u00e9dasticit\u00e9) :<\/strong> Les variances th\u00e9oriques des deux populations doivent \u00eatre \u00e9gales (σ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup>). Cette \u00e9quivalence est classiquement test\u00e9e au moyen du test de Levene (fond\u00e9 sur les d\u00e9viations absolues par rapport \u00e0 la moyenne ou \u00e0 la m\u00e9diane) ou du test de Bartlett<\/span>.<\/li>\n<\/ul>\n

    Lorsque le postulat d’homog\u00e9n\u00e9it\u00e9 des variances est invalid\u00e9 (σ1<\/sub>2<\/sup> ≠ σ2<\/sub>2<\/sup>) \u2014 une situation ubiquitaire en pratique exp\u00e9rimentale o\u00f9 un traitement peut \u00e0 la fois d\u00e9placer la moyenne et modifier la variabilit\u00e9 biologique des sujets \u2014, le test t<\/em> de Student classique subit une distorsion s\u00e9v\u00e8re. Si les effectifs sont in\u00e9gaux (n<\/em>1<\/sub> ≠ n<\/em>2<\/sub>), le test devient anti-conservateur (taux d’erreur de type I bien sup\u00e9rieur au niveau α nominal) lorsque le plus petit groupe pr\u00e9sente la plus grande variance, ou excessivement conservateur lorsque le plus grand groupe pr\u00e9sente la variance la plus forte<\/span>.<\/p>\n

    Pour r\u00e9soudre cette vuln\u00e9rabilit\u00e9 majeure, Bernard Lewis Welch a d\u00e9velopp\u00e9 en 1947 une correction statistique magistrale, universellement reconnue sous le nom de test t<\/em> de Welch (ou test t<\/em> de Welch-Satterthwaite). Cette proc\u00e9dure n’utilise pas de variance group\u00e9e. L’erreur type de la diff\u00e9rence est calcul\u00e9e directement \u00e0 partir des variances empiriques distinctes :<\/p>\n

    \nSE<\/em>Welch<\/sub> = √[ (s<\/em>1<\/sub>2<\/sup> \/ n<\/em>1<\/sub>) + (s<\/em>2<\/sub>2<\/sup> \/ n<\/em>2<\/sub>) ]<\/strong><\/span>\n<\/p>\n

    La statistique t<\/em> qui en d\u00e9coule ne suit plus exactement une loi de Student standard, mais son comportement asymptotique est remarquablement approch\u00e9 en ajustant les degr\u00e9s de libert\u00e9 par l’\u00e9quation d’approximation de Welch-Satterthwaite :<\/p>\n

    \ndf<\/em>Welch<\/sub> = [ (s<\/em>1<\/sub>2<\/sup> \/ n<\/em>1<\/sub>) + (s<\/em>2<\/sub>2<\/sup> \/ n<\/em>2<\/sub>) ]2<\/sup> \/ [ ( (s<\/em>1<\/sub>2<\/sup> \/ n<\/em>1<\/sub>)2<\/sup> \/ (n<\/em>1<\/sub> − 1) ) + ( (s<\/em>2<\/sub>2<\/sup> \/ n<\/em>2<\/sub>)2<\/sup> \/ (n<\/em>2<\/sub> − 1) ) ]<\/strong><\/span>\n<\/p>\n

    Les degr\u00e9s de libert\u00e9 r\u00e9sultants ne sont g\u00e9n\u00e9ralement pas des entiers. En raison de sa robustesse exceptionnelle et de son absence quasi totale de perte de puissance lorsque les variances sont en r\u00e9alit\u00e9 \u00e9gales, de nombreux m\u00e9thodologistes contemporains pr\u00e9conisent d’utiliser le test t<\/em> de Welch par d\u00e9faut en lieu et place du test de Student standard, rendant superflue l’\u00e9tape pr\u00e9alable et fragile du test pr\u00e9liminaire d’homosc\u00e9dasticit\u00e9.<\/p>\n

    3. Le test t pour \u00e9chantillons appari\u00e9s : architecture et sp\u00e9cificit\u00e9s<\/h2>\n

    3.1 Principes des mesures r\u00e9p\u00e9t\u00e9es et appariement par paire<\/h3>\n

    Le test t<\/em> pour \u00e9chantillons appari\u00e9s \u2014 \u00e9galement d\u00e9nomm\u00e9 paired t-test<\/em>, test pour mesures r\u00e9p\u00e9t\u00e9es ou test t<\/em> pour \u00e9chantillons d\u00e9pendants \u2014 s’applique \u00e0 une architecture exp\u00e9rimentale profond\u00e9ment distincte. Au lieu de comparer deux agr\u00e9gats s\u00e9par\u00e9s d’individus, ce mod\u00e8le \u00e9value la variation moyenne observ\u00e9e au sein des m\u00eames unit\u00e9s exp\u00e9rimentales soumises \u00e0 deux conditions diff\u00e9rentes, ou entre des paires d’unit\u00e9s unies par un lien d’\u00e9quivalence m\u00e9thodologique indissoluble.<\/p>\n

    Le cas paradigmatique est celui de l’\u00e9valuation pr\u00e9-test \/ post-test dans les protocoles longitudinaux. Un ensemble d’individus est soumis \u00e0 une mesure de base (baseline<\/em>), subit une manipulation exp\u00e9rimentale ou un traitement d’int\u00e9r\u00eat, puis fait l’objet d’une seconde mesure identique. Dans cette configuration, chaque participant constitue son propre t\u00e9moin (self-controlled study<\/em>). Cette conception neutralise l’impact d\u00e9l\u00e9t\u00e8re de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 biologique ou psychologique interindividuelle. Des traits stables tels que le patrimoine g\u00e9n\u00e9tique, le niveau socio-\u00e9conomique, la personnalit\u00e9 ou le m\u00e9tabolisme de base demeurent constants entre les deux prises de mesure.<\/p>\n

    Une architecture similaire s’observe dans les protocoles d’appariement par dyades (matched-pairs design<\/em>). Lorsque l’administration successive de deux traitements \u00e0 un m\u00eame individu s’av\u00e8re impossible en raison d’un effet de r\u00e9manence (carry-over effect<\/em>) ou d’irr\u00e9versibilit\u00e9 (par exemple, un protocole chirurgical curatif), les chercheurs recrutent des paires de sujets quasi-clones sur des dimensions critiques. C’est le cas des \u00e9tudes sur des jumeaux homozygotes, ou des \u00e9tudes cas-t\u00e9moins appari\u00e9es o\u00f9 chaque patient souffrant d’une pathologie rare est jumel\u00e9 avec un sujet sain pr\u00e9sentant des caract\u00e9ristiques physiologiques identiques.<\/p>\n

    Cette structure observationnelle induit une d\u00e9pendance bivari\u00e9e intrins\u00e8que. Math\u00e9matiquement, les observations ne constituent plus deux vecteurs libres de circuler dans des espaces ind\u00e9pendants, mais une suite de couples ordonn\u00e9s (X<\/em>1i<\/em><\/sub>, X<\/em>2i<\/em><\/sub>) pour i<\/em> allant de 1 \u00e0 n<\/em>. La pr\u00e9sence d’une covariance stochastique positive entre X<\/em>1<\/sub> et X<\/em>2<\/sub> est non seulement attendue, mais recherch\u00e9e, car elle constitue le moteur m\u00eame de l’efficience statistique de ce plan d’exp\u00e9rience.<\/p>\n

    3.2 D\u00e9rivation math\u00e9matique fond\u00e9e sur les scores de diff\u00e9rence<\/h3>\n

    L’\u00e9l\u00e9gance math\u00e9matique du test t<\/em> pour \u00e9chantillons appari\u00e9s r\u00e9side dans sa r\u00e9duction imm\u00e9diate d’un probl\u00e8me bivari\u00e9 complexe \u00e0 une analyse univari\u00e9e sur \u00e9chantillon unique. La proc\u00e9dure d\u00e9bute par une transformation alg\u00e9brique simple consistant \u00e0 calculer, pour chaque unit\u00e9 ou dyade i<\/em>, la diff\u00e9rence arithm\u00e9tique individuelle entre ses deux mesures :<\/p>\n

    \nD<\/em>i<\/em><\/sub> = X<\/em>1i<\/em><\/sub> − X<\/em>2i<\/em><\/sub><\/strong><\/span>\n<\/p>\n

    Une fois le vecteur des diff\u00e9rences D<\/em><\/strong> g\u00e9n\u00e9r\u00e9, l’ensemble des donn\u00e9es d’origine (X<\/em>1<\/sub> et X<\/em>2<\/sub>) peut \u00eatre mis de c\u00f4t\u00e9. Le test statistique se ram\u00e8ne formellement \u00e0 un test t<\/em> pour \u00e9chantillon unique \u00e9valuant si l’esp\u00e9rance math\u00e9matique de la variable de diff\u00e9rence, not\u00e9e μD<\/em><\/sub>, diff\u00e8re significativement d’une constante Δ0<\/sub> (presque syst\u00e9matiquement fix\u00e9e \u00e0 0 sous H<\/em>0<\/sub>) :<\/p>\n

    \nH<\/em>0<\/sub> : μD<\/em><\/sub> = 0     contre     H<\/em>1<\/sub> : μD<\/em><\/sub> ≠ 0<\/strong><\/span>\n<\/p>\n

    La moyenne empirique des diff\u00e9rences individuelles, not\u00e9e D\u0304<\/em>, est calcul\u00e9e de mani\u00e8re classique :<\/p>\n

    \nD\u0304<\/em> = (1 \/ n<\/em>) × ∑i<\/em>=1<\/sub>n<\/em><\/sup> D<\/em>i<\/em><\/sub> = X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub><\/strong><\/span>\n<\/p>\n

    Bien que la moyenne des diff\u00e9rences D\u0304<\/em> soit strictement \u00e9quivalente \u00e0 la diff\u00e9rence des moyennes d’\u00e9chantillons (X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub>) en vertu de la lin\u00e9arit\u00e9 de l’op\u00e9rateur d’esp\u00e9rance, l’estimation de l’erreur type ob\u00e9it \u00e0 une logique radicalement distincte. La variance non biais\u00e9e des scores de diff\u00e9rence, not\u00e9e s<\/em>D<\/em><\/sub>2<\/sup>, est d\u00e9finie par :<\/p>\n

    \ns<\/em>D<\/em><\/sub>2<\/sup> = [ 1 \/ (n<\/em> − 1) ] × ∑i<\/em>=1<\/sub>n<\/em><\/sup> (D<\/em>i<\/em><\/sub> − D\u0304<\/em>)2<\/sup><\/strong><\/span>\n<\/p>\n

    L’erreur type de la moyenne des diff\u00e9rences correspond alors au quotient de l’\u00e9cart type des diff\u00e9rences par la racine carr\u00e9e du nombre de paires valides :<\/p>\n

    \nSE<\/em>(D\u0304<\/em>) = s<\/em>D<\/em><\/sub> \/ √n<\/em><\/strong><\/span>\n<\/p>\n

    La statistique de test t<\/em> pour \u00e9chantillons appari\u00e9s s’\u00e9crit d\u00e8s lors sous la forme condens\u00e9e :<\/p>\n

    \nt<\/em> = (D\u0304<\/em> − Δ0<\/sub>) \/ [ s<\/em>D<\/em><\/sub> \/ √n<\/em> ]<\/strong><\/span>\n<\/p>\n

    Cette statistique suit rigoureusement une distribution t<\/em> de Student \u00e0 df<\/em> = n<\/em> − 1<\/strong> degr\u00e9s de libert\u00e9, o\u00f9 n<\/em> repr\u00e9sente le nombre total de paires compl\u00e8tes d’observations. L’inf\u00e9rence est conduite selon les r\u00e8gles habituelles d’\u00e9valuation de la distribution de Student univari\u00e9e<\/span>.<\/p>\n

    3.3 Postulats sp\u00e9cifiques et contr\u00f4le de la variance interindividuelle<\/h3>\n

    La conversion du probl\u00e8me bivari\u00e9 en un vecteur de diff\u00e9rences modifie profond\u00e9ment la nature et la s\u00e9v\u00e9rit\u00e9 des postulats distributionnels. L’une des m\u00e9connaissances les plus fr\u00e9quentes concerne le postulat de normalit\u00e9 : le test t<\/em> pour \u00e9chantillons appari\u00e9s n’exige aucunement que les distributions marginales des variables brutes X<\/em>1<\/sub> et X<\/em>2<\/sub> soient normalement distribu\u00e9es<\/strong>. Il requiert exclusivement que la variable r\u00e9sultante des diff\u00e9rences D<\/em> suive une loi normale au sein de la population parente :<\/p>\n

    \nD<\/em> ~ N<\/em>(μD<\/em><\/sub>, σD<\/em><\/sub>2<\/sup>)<\/strong>\n<\/p>\n

    Il est fr\u00e9quent que deux distributions asym\u00e9triques ou bimodales de m\u00eame nature s’annulent lors de la soustraction point \u00e0 point, engendrant une distribution des diff\u00e9rences parfaitement sym\u00e9trique et conforme \u00e0 la loi de Gauss. Le contr\u00f4le de la normalit\u00e9 ne doit donc jamais \u00eatre ex\u00e9cut\u00e9 sur les conditions pr\u00e9-test et post-test de mani\u00e8re isol\u00e9e, mais imp\u00e9rativement sur le vecteur des \u00e9carts calcul\u00e9s.<\/p>\n

    Le grand m\u00e9rite th\u00e9orique du test appari\u00e9 r\u00e9side dans son contr\u00f4le intrins\u00e8que de la variance interindividuelle. Sur le plan alg\u00e9brique, la variance de la diff\u00e9rence entre deux variables al\u00e9atoires est r\u00e9gie par la relation fondamentale d’addition des variances :<\/p>\n

    \nVar(X<\/em>1<\/sub> − X<\/em>2<\/sub>) = Var(X<\/em>1<\/sub>) + Var(X<\/em>2<\/sub>) − 2 × Cov(X<\/em>1<\/sub>, X<\/em>2<\/sub>)<\/strong><\/span>\n<\/p>\n

    En exprimant la covariance sous sa forme standardis\u00e9e \u00e0 travers le coefficient de corr\u00e9lation lin\u00e9aire de Pearson r<\/em> :<\/p>\n

    \nσD<\/em><\/sub>2<\/sup> = σ1<\/sub>2<\/sup> + σ2<\/sub>2<\/sup> − 2 × r<\/em> × σ1<\/sub> × σ2<\/sub><\/strong><\/span>\n<\/p>\n

    D\u00e8s lors que la corr\u00e9lation intra-sujet r<\/em> est positive (ce qui est la norme dans les mesures r\u00e9p\u00e9t\u00e9es o\u00f9 un sujet maintient sa trajectoire g\u00e9n\u00e9rale), le terme soustractif −2r<\/em>σ1<\/sub>σ2<\/sub> compresse consid\u00e9rablement la variance de l’erreur σD<\/em><\/sub>2<\/sup>. Les variations individuelles stables sont ainsi retir\u00e9es de la variance d’erreur, conf\u00e9rant au test une pr\u00e9cision analytique incomparable.<\/p>\n

    N\u00e9anmoins, cette architecture pr\u00e9sente un talon d’Achille op\u00e9rationnel : sa vuln\u00e9rabilit\u00e9 absolue aux donn\u00e9es manquantes. Puisque le calcul exige un couple ordonn\u00e9 (X<\/em>1i<\/em><\/sub>, X<\/em>2i<\/em><\/sub>), la d\u00e9faillance d’une seule mesure entra\u00eene le rejet complet de la paire associ\u00e9e dans les analyses standards par suppression des cas incomplets (listwise deletion<\/em>). Cette sensibilit\u00e9 requiert une attention logistique extr\u00eame lors de la conduite d’\u00e9tudes longitudinales afin d’endiguer l’attrition des participants.<\/p>\n

    4. Diff\u00e9rences cl\u00e9s entre \u00e9chantillons ind\u00e9pendants et appari\u00e9s<\/h2>\n

    4.1 Structure observationnelle et degr\u00e9s de libert\u00e9<\/h3>\n

    L’\u00e9cart fondamental qui s\u00e9pare les mod\u00e8les ind\u00e9pendants et appari\u00e9s r\u00e9side dans l’organisation dimensionnelle de l’\u00e9chantillonnage et l’allocation subs\u00e9quente des degr\u00e9s de libert\u00e9. Dans le cadre d’un test ind\u00e9pendant men\u00e9 sur deux cohortes d’effectifs respectifs N<\/em>1<\/sub> et N<\/em>2<\/sub>, l’exp\u00e9rience mobilise un total de N<\/em>total<\/sub> = N<\/em>1<\/sub> + N<\/em>2<\/sub> individus physiques distincts. L’estimation des deux moyennes ind\u00e9pendantes pr\u00e9l\u00e8ve 2 param\u00e8tres sur l’\u00e9chantillon global, laissant une r\u00e9serve de N<\/em>1<\/sub> + N<\/em>2<\/sub> − 2 degr\u00e9s de libert\u00e9 pour estimer la variance r\u00e9siduelle<\/span>.<\/p>\n

    Dans le test appari\u00e9, la m\u00e9trique de r\u00e9f\u00e9rence n’est pas le nombre d’individus isol\u00e9s, mais le nombre de dyades ou d’unit\u00e9s de r\u00e9p\u00e9tition n<\/em>. L’exp\u00e9rience peut impliquer n<\/em> individus mesur\u00e9s deux fois (soit 2n<\/em> actes d’observation) ou n<\/em> paires de jumeaux (soit 2n<\/em> participants). Pourtant, la transformation univari\u00e9e en un unique vecteur de diff\u00e9rences r\u00e9duit l’information \u00e0 n<\/em> points de donn\u00e9es ind\u00e9pendants. La consommation d’un degr\u00e9 de libert\u00e9 pour d\u00e9river la moyenne D\u0304<\/em> laisse l’estimation de l’\u00e9cart type avec seulement n<\/em> − 1 degr\u00e9s de libert\u00e9.<\/p>\n

    Cette distinction engendre une contrainte structurelle majeure : dans le paradigme appari\u00e9, l’effectif des deux conditions est obligatoirement rigoureusement identique. Il est conceptuellement impossible de concevoir un test t<\/em> pour \u00e9chantillons appari\u00e9s pr\u00e9sentant 30 mesures pr\u00e9-test et 25 mesures post-test sans recourir \u00e0 des proc\u00e9dures d’imputation de donn\u00e9es ou sans tronquer l’\u00e9chantillon aux 25 paires compl\u00e8tes. \u00c0 l’oppos\u00e9, le mod\u00e8le ind\u00e9pendant g\u00e8re nativement des configurations asym\u00e9triques o\u00f9 N<\/em>1<\/sub> = 15 et N<\/em>2<\/sub> = 400<\/span>.<\/p>\n

    4.2 Gestion de la variance et puissance statistique<\/h3>\n

    Le traitement des composantes de la variance constitue la divergence la plus spectaculaire sur le plan math\u00e9matique et fonctionnel. Le test ind\u00e9pendant agr\u00e8ge l’ensemble de la dispersion naturelle des sujets \u00e0 l’int\u00e9rieur de chaque groupe dans son terme de variance group\u00e9e s<\/em>p<\/sub>2<\/sup>. Cette quantit\u00e9 englobe \u00e0 la fois la variabilit\u00e9 caus\u00e9e par l’effet du traitement et celle d\u00e9coulant de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 biologique, g\u00e9n\u00e9tique et environnementale des participants.<\/p>\n

    Le test appari\u00e9 neutralise la variance inter-sujets par la soustraction diff\u00e9rentielle. L’\u00e9quation d\u00e9taill\u00e9e pr\u00e9c\u00e9demment (σD<\/em><\/sub>2<\/sup> = σ1<\/sub>2<\/sup> + σ2<\/sub>2<\/sup> − 2r<\/em>σ1<\/sub>σ2<\/sub>) d\u00e9montre que lorsque la corr\u00e9lation test-retest r<\/em> exc\u00e8de la valeur seuil de 0, la variance du d\u00e9nominateur du test appari\u00e9 est strictement inf\u00e9rieure \u00e0 la somme des variances individuelles mobilis\u00e9es dans le test ind\u00e9pendant. Si les variances sont approximativement \u00e9gales (σ1<\/sub> ≈ σ2<\/sub> = σ), cette \u00e9quation se simplifie de mani\u00e8re \u00e9loquente<\/span> :<\/p>\n

    \nσD<\/em><\/sub>2<\/sup> ≈ 2σ2<\/sup> × (1 − r<\/em>)<\/strong><\/span>\n<\/p>\n

    Si la corr\u00e9lation intra-sujet atteint par exemple r<\/em> = 0,80 \u2014 une valeur courante dans les tests physiologiques ou psychom\u00e9triques standardis\u00e9s \u2014, la variance de la diff\u00e9rence ne repr\u00e9sente plus que 20 % de la somme des variances initiales. L’erreur type s’en trouve comprim\u00e9e d’un facteur √(1 − 0,80) = √0,20 ≈ 0,447, soit une r\u00e9duction de plus de 55 % du bruit exp\u00e9rimental. La statistique t<\/em> se trouve corr\u00e9lativement multipli\u00e9e par plus de deux pour un m\u00eame \u00e9cart de moyenne, induisant un accroissement substantiel de la puissance statistique du test<\/span>.<\/p>\n

    Toutefois, il existe un point de bascule th\u00e9orique li\u00e9 au sacrifice des degr\u00e9s de libert\u00e9. Passer de 2n<\/em> − 2 \u00e0 n<\/em> − 1 degr\u00e9s de libert\u00e9 augmente la valeur critique de t<\/em> n\u00e9cessaire pour atteindre la significativit\u00e9. Lorsque le coefficient de corr\u00e9lation r<\/em> est nul ou n\u00e9gatif, le test appari\u00e9 devient contre-productif : il conserve un terme d’erreur \u00e9lev\u00e9 tout en subissant la p\u00e9nalisation d’une distribution de Student plus \u00e9vas\u00e9e. En pratique, l’existence d’une corr\u00e9lation positive entre mesures r\u00e9p\u00e9t\u00e9es compense tr\u00e8s largement la minoration des degr\u00e9s de libert\u00e9 d\u00e8s que la taille de l’\u00e9chantillon d\u00e9passe une dizaine de paires.<\/p>\n

    4.3 Sensibilit\u00e9 aux violations des postulats et robustesse<\/h3>\n

    Les deux tests pr\u00e9sentent des profils de tol\u00e9rance divergents face aux \u00e9carts par rapport \u00e0 leurs conditions d’application th\u00e9oriques :<\/p>\n

      \n
    • Sensibilit\u00e9 \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 :<\/strong> Le test pour \u00e9chantillons ind\u00e9pendants classique est hypersensible \u00e0 l’in\u00e9galit\u00e9 des variances lorsque les tailles de groupes sont in\u00e9gales, imposant le basculement syst\u00e9matique vers l’approximation de Welch. En revanche, le test pour \u00e9chantillons appari\u00e9s contourne int\u00e9gralement la question de l’homog\u00e9n\u00e9it\u00e9 des variances entre les temps de mesure. Puisqu’il op\u00e8re sur un vecteur scalaire unique de diff\u00e9rences, le concept m\u00eame d’homog\u00e9n\u00e9it\u00e9 des variances intergroupes s’\u00e9vapore : il n’y a qu’une seule variance r\u00e9siduelle \u00e0 estimer, celle des scores de diff\u00e9rence.<\/li>\n
    • Impact des valeurs aberrantes (outliers) :<\/strong> Dans un \u00e9chantillon ind\u00e9pendant, une observation extr\u00eame affecte la moyenne et la variance de son groupe de mani\u00e8re unilat\u00e9rale. Dans un plan appari\u00e9, l’effet d’une valeur aberrante d\u00e9pend de sa coh\u00e9rence intra-sujet. Si un participant affiche un profil aberrant mais constant sur ses deux mesures (par exemple, un individu pr\u00e9sentant une hypertension s\u00e9v\u00e8re stable avant et apr\u00e8s l’administration d’un placebo), la soustraction diff\u00e9rentielle annule totalement cette valeur aberrante, pr\u00e9servant la distribution des D<\/em>i<\/em><\/sub>. En revanche, si une aberration survient de mani\u00e8re asym\u00e9trique sur une seule mesure (due \u00e0 une erreur de transcription ou un art\u00e9fact passager), le score de diff\u00e9rence r\u00e9sultant sera doublement biais\u00e9, exer\u00e7ant un effet d\u00e9stabilisateur massif sur l’\u00e9cart type s<\/em>D<\/em><\/sub>.<\/li>\n
    • Tol\u00e9rance \u00e0 la non-normalit\u00e9 :<\/strong> Les deux tests s’appuient asymptotiquement sur le th\u00e9or\u00e8me central limite, mais leurs exigences sur petits \u00e9chantillons divergent d’objet. Le test ind\u00e9pendant requiert une sym\u00e9trie et une normalit\u00e9 bimodale conjointe au sein de chaque population, tandis que le test appari\u00e9 tol\u00e8re des asym\u00e9tries prononc\u00e9es sur les variables initiales d\u00e8s lors que le processus g\u00e9n\u00e9rateur des diff\u00e9rences r\u00e9siduelles pr\u00e9serve la normalit\u00e9.<\/li>\n<\/ul>\n

      Tableau comparatif synth\u00e9tique des deux paradigmes<\/h3>\n

      Le tableau ci-dessous r\u00e9capitule les caract\u00e9ristiques structurelles, computationnelles et inf\u00e9rentielles d\u00e9partageant le test t<\/em> pour \u00e9chantillons ind\u00e9pendants et le test t<\/em> pour \u00e9chantillons appari\u00e9s :<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
      Dimension d’analyse<\/th>\nTest t pour \u00e9chantillons ind\u00e9pendants<\/th>\nTest t pour \u00e9chantillons appari\u00e9s<\/th>\n<\/tr>\n<\/thead>\n
      Structure des groupes<\/strong><\/td>\nDeux cohortes mutuellement exclusives d’unit\u00e9s ind\u00e9pendantes (plan inter-sujets).<\/td>\nUne cohorte unique \u00e9valu\u00e9e deux fois ou des paires appari\u00e9es par dyades (plan intra-sujet).<\/td>\n<\/tr>\n
      D\u00e9pendance stochastique<\/strong><\/td>\nCovariance th\u00e9oriquement nulle entre les groupes : Cov(X<\/em>1<\/sub>, X<\/em>2<\/sub>) = 0<\/span>.<\/td>\nCovariance th\u00e9oriquement non nulle (usuellement positive) : Cov(X<\/em>1<\/sub>, X<\/em>2<\/sub>) > 0<\/span>.<\/td>\n<\/tr>\n
      Transformation des donn\u00e9es<\/strong><\/td>\nAucune : analyse comparative directe des distributions X<\/em>1<\/sub> et X<\/em>2<\/sub>.<\/td>\nTransformation univari\u00e9e pr\u00e9alable par soustraction diff\u00e9rentielle : D<\/em> = X<\/em>1<\/sub> − X<\/em>2<\/sub><\/span>.<\/td>\n<\/tr>\n
      Degr\u00e9s de libert\u00e9 (df)<\/strong><\/td>\ndf<\/em> = n<\/em>1<\/sub> + n<\/em>2<\/sub> − 2 (ou ajustement de Welch d\u00e9cimal)<\/span>.<\/td>\ndf<\/em> = n<\/em> − 1 (o\u00f9 n<\/em> est le nombre total de paires de mesures compl\u00e8tes)<\/span>.<\/td>\n<\/tr>\n
      \u00c9quilibre dimensionnel<\/strong><\/td>\nTol\u00e8re parfaitement des tailles de groupes asym\u00e9triques (n<\/em>1<\/sub> ≠ n<\/em>2<\/sub>)<\/span>.<\/td>\nExige une parit\u00e9 absolue : chaque mesure X<\/em>1i<\/em><\/sub> requiert obligatoirement son X<\/em>2i<\/em><\/sub>.<\/td>\n<\/tr>\n
      Postulat d’homosc\u00e9dasticit\u00e9<\/strong><\/td>\nExig\u00e9 (σ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup>) sous Student classique ; contourn\u00e9 par l’adaptation de Welch<\/span>.<\/td>\nNon applicable (absence de comparaison de variances intergroupes).<\/td>\n<\/tr>\n
      Postulat de normalit\u00e9<\/strong><\/td>\nExig\u00e9 sur la variable d\u00e9pendante au sein de chacun des deux groupes parentaux.<\/td>\nExig\u00e9 exclusivement sur le vecteur univari\u00e9 des scores de diff\u00e9rence individuels.<\/td>\n<\/tr>\n
      Composante d’erreur r\u00e9siduelle<\/strong><\/td>\nEnglobe la variance interindividuelle totale des sujets dans l’erreur type.<\/td>\n\u00c9limine la variance interindividuelle stable en soustrayant le terme de covariance.<\/td>\n<\/tr>\n
      Puissance statistique<\/strong><\/td>\nMod\u00e9r\u00e9e ; d\u00e9pendante de l’ampleur de la dispersion interindividuelle globale.<\/td>\n\u00c9lev\u00e9e d\u00e8s lors que la corr\u00e9lation test-retest positive est mod\u00e9r\u00e9e \u00e0 forte.<\/td>\n<\/tr>\n
      Sensibilit\u00e9 aux donn\u00e9es manquantes<\/strong><\/td>\nFaible : la perte d’une observation ne retire qu’un seul point de donn\u00e9es global.<\/td>\n\u00c9lev\u00e9e : une seule mesure manquante invalide la paire enti\u00e8re en analyse compl\u00e8te.<\/td>\n<\/tr>\n
      Alternative non param\u00e9trique standard<\/strong><\/td>\nTest U<\/em> de Mann-Whitney (ou test des rangs de Wilcoxon pour \u00e9chantillons ind\u00e9pendants).<\/td>\nTest des rangs sign\u00e9s de Wilcoxon (Wilcoxon signed-rank test<\/em>).<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

      5. Similitudes et points de convergence th\u00e9oriques<\/h2>\n

      5.1 Cadre inf\u00e9rentiel et logique de d\u00e9cision statistique<\/h3>\n

      Au-del\u00e0 de leurs divergences structurelles, ces deux \u00e9preuves partagent une architecture \u00e9pist\u00e9mologique identique ancr\u00e9e dans la th\u00e9orie de la d\u00e9cision statistique propos\u00e9e par Jerzy Neyman et Egon Pearson, enrichie par l’approche de la signification de Ronald Aylmer Fisher. Dans les deux cas, le processus de test ob\u00e9it \u00e0 la m\u00eame formalisation algorithmique :<\/p>\n

        \n
      1. Formulation a priori d’une hypoth\u00e8se nulle d’invariance et d’une hypoth\u00e8se alternative uni- ou bilat\u00e9rale.<\/li>\n
      2. D\u00e9finition d’un seuil de risque de premi\u00e8re esp\u00e8ce nominal α, fix\u00e9 par convention acad\u00e9mique \u00e0 0,05 ou 0,01.<\/li>\n
      3. G\u00e9n\u00e9ration d’une statistique d’\u00e9preuve t<\/em> empirique dont la distribution d’\u00e9chantillonnage th\u00e9orique est connue sous l’hypoth\u00e8se nulle.<\/li>\n
      4. D\u00e9rivation de la probabilit\u00e9 critique (valeur p<\/em>) repr\u00e9sentant l’int\u00e9grale des queues de la distribution de Student au-del\u00e0 de la valeur absolue de la statistique calcul\u00e9e.<\/li>\n
      5. R\u00e8gle de d\u00e9cision dichotomique : si p<\/em> ≤ α, rejet formel de H<\/em>0<\/sub> au profit de H<\/em>1<\/sub> ; si p<\/em> > α, maintien de l’hypoth\u00e8se nulle par d\u00e9faut de preuve empirique suffisante<\/span>.<\/li>\n<\/ol>\n

        De surcro\u00eet, les deux tests partagent une relation math\u00e9matique de dualit\u00e9 parfaite avec l’estimation par intervalle de confiance. L’intervalle de confiance \u00e0 100(1 − α) % autour de la diff\u00e9rence de moyenne empirique s’\u00e9crit sous la forme unifi\u00e9e :<\/p>\n

        \nIC<\/em>1−α<\/sub> = [ (X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub>) ± t<\/em>critique, df<\/em><\/sub> × SE<\/em> ]<\/strong><\/span>\n<\/p>\n

        Dans cette formulation g\u00e9n\u00e9rique, le terme SE<\/em> prend la forme de l’erreur type group\u00e9e (ou de Welch) pour les \u00e9chantillons ind\u00e9pendants, et de l’erreur type de la diff\u00e9rence (s<\/em>D<\/em><\/sub> \/ √n<\/em>) pour le test appari\u00e9. L’hypoth\u00e8se nulle Δ0<\/sub> = 0 est rejet\u00e9e au seuil α si et seulement si l’intervalle de confiance calcul\u00e9 exclut la valeur z\u00e9ro de son \u00e9tendue<\/span>.<\/p>\n

        5.2 M\u00e9triques de taille d’effet standardis\u00e9es<\/h3>\n

        L’interpr\u00e9tation contemporaine de la significativit\u00e9 statistique exige de ne jamais dissocier la valeur p<\/em> \u2014 qui d\u00e9pend \u00e9troitement de la taille de l’\u00e9chantillon \u2014 de l’\u00e9valuation de la pertinence pratique de l’effet mesur\u00e9. La famille des m\u00e9triques de taille d’effet du d<\/em> de Jacob Cohen s’applique aux deux paradigmes, bien que sa standardisation doive \u00eatre modul\u00e9e scrupuleusement sous peine de fausser les m\u00e9ta-analyses.<\/p>\n

        Pour le test t<\/em> pour \u00e9chantillons ind\u00e9pendants, le d<\/em> de Cohen standardise la diff\u00e9rence des moyennes en la divisant par l’\u00e9cart type combin\u00e9 des deux groupes :<\/p>\n

        \nd<\/em>s<\/sub> = (X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub>) \/ s<\/em>p<\/sub><\/strong><\/span>\n<\/p>\n

        Lorsque les tailles d’\u00e9chantillons sont tr\u00e8s restreintes (n<\/em> < 20), cette estimation souffre d’un l\u00e9ger biais positif que la correction non biais\u00e9e de Larry Hedges \u2014 connue sous le nom de g<\/em> de Hedges \u2014 neutralise par un facteur d’ajustement polynomial fond\u00e9 sur les degr\u00e9s de libert\u00e9<\/span>.<\/p>\n

        Pour le test t<\/em> pour \u00e9chantillons appari\u00e9s, la formulation du d<\/em> de Cohen est l’objet de confusions r\u00e9currentes dans la pratique empirique. Deux approches concurrentes coexistent dans la litt\u00e9rature m\u00e9thodologique :<\/p>\n

          \n
        • Le d<\/em> intra-sujet bas\u00e9 sur la diff\u00e9rence (not\u00e9 d<\/em>z<\/em><\/sub>) :<\/strong> Il standardise la moyenne des diff\u00e9rences directement par l’\u00e9cart type des diff\u00e9rences :\n
          d<\/em>z<\/em><\/sub> = D\u0304<\/em> \/ s<\/em>D<\/em><\/sub> = t<\/em> \/ √n<\/em><\/strong><\/span><\/div>\n

          \n Cette m\u00e9trique refl\u00e8te fid\u00e8lement la significativit\u00e9 et la puissance du test statistique r\u00e9alis\u00e9. Cependant, comme s<\/em>D<\/em><\/sub> d\u00e9pend intimement de la corr\u00e9lation r<\/em> intra-sujet, la valeur de d<\/em>z<\/em><\/sub> augmente artificiellement \u00e0 mesure que r<\/em> s’approche de 1, ce qui la rend incommensurable avec le d<\/em>s<\/sub> issu d’\u00e9tudes ind\u00e9pendantes.<\/li>\n

        • Le d<\/em> standardis\u00e9 par la variance brute des mesures (not\u00e9 d<\/em>av<\/sub> ou d<\/em>rm<\/sub>) :<\/strong> Pr\u00e9conis\u00e9 notamment par Geoff Cumming et Dani\u00ebl Lakens, il standardise la diff\u00e9rence de moyenne par la moyenne des \u00e9carts types des deux temps de mesure :\n
          d<\/em>av<\/sub> = (X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub>) \/ [ (s<\/em>1<\/sub> + s<\/em>2<\/sub>) \/ 2 ]<\/strong><\/span><\/div>\n

          \n Cette m\u00e9trique pr\u00e9sente l’avantage fondamental de r\u00e9introduire la m\u00e9trique originelle de la population, permettant une int\u00e9gration directe et non biais\u00e9e des r\u00e9sultats issus de devis appari\u00e9s au sein de m\u00e9ta-analyses compilant des \u00e9tudes transversales ind\u00e9pendantes.<\/li>\n<\/ul>\n

          5.3 Propri\u00e9t\u00e9s asymptotiques et th\u00e9or\u00e8me central limite<\/h3>\n

          Une analogie structurelle essentielle r\u00e9side dans la convergence asymptotique de ces deux \u00e9preuves statistiques face \u00e0 de larges volumes de donn\u00e9es. Bien que formul\u00e9s historiquement pour surmonter les limitations des faibles effectifs, les tests t<\/em> voient leurs postulats distributionnels s’assouplir progressivement au fur et \u00e0 mesure que la taille de l’\u00e9chantillon s’\u00e9l\u00e8ve, sous l’effet stabilisateur du th\u00e9or\u00e8me central limite (TCL).<\/p>\n

          Le th\u00e9or\u00e8me central limite postule que la distribution d’\u00e9chantillonnage de la moyenne d’une variable al\u00e9atoire d’esp\u00e9rance μ et de variance finie σ2<\/sup> tend vers une distribution normale lorsque la taille d’\u00e9chantillon n<\/em> s’approche de l’infini, quelle que soit la forme distributionnelle de la population d’origine. Dans le cas du test ind\u00e9pendant, le th\u00e9or\u00e8me s’applique ind\u00e9pendamment aux deux moyennes d’\u00e9chantillons (X\u0304<\/em>1<\/sub> et X\u0304<\/em>2<\/sub>). Par cons\u00e9quent, la distribution d’\u00e9chantillonnage de leur diff\u00e9rence converge vers la normalit\u00e9 d\u00e8s que les effectifs n<\/em>1<\/sub> et n<\/em>2<\/sub> franchissent le seuil empirique traditionnel de 30 observations par groupe.<\/p>\n

          Dans le test appari\u00e9, le m\u00eame ph\u00e9nom\u00e8ne r\u00e9git le comportement de la moyenne diff\u00e9rentielle D\u0304<\/em>. M\u00eame si le vecteur des diff\u00e9rences individuelles D<\/em> pr\u00e9sente des d\u00e9viations notables par rapport \u00e0 la courbe de Gauss (l\u00e9g\u00e8re asym\u00e9trie ou aplatissement non canonique), la distribution de la moyenne D\u0304<\/em> converge rapidement vers une gaussienne d\u00e8s lors que le nombre de paires n<\/em> exc\u00e8de une trentaine d’unit\u00e9s.<\/p>\n

          Cette convergence implique que pour les cohortes larges, la statistique t<\/em> empirique tend asymptotiquement vers la statistique z<\/em> de la loi normale centr\u00e9e r\u00e9duite. \u00c0 ce stade, la robustesse des deux tests face aux violations mod\u00e9r\u00e9es de la normalit\u00e9 devient remarquable. En revanche, ni le volume de donn\u00e9es ni le th\u00e9or\u00e8me central limite ne peuvent immuniser le test ind\u00e9pendant contre les effets asym\u00e9triques d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 s\u00e9v\u00e8re des variances combin\u00e9e \u00e0 un d\u00e9s\u00e9quilibre d’effectif, ce qui justifie une fois de plus la supr\u00e9matie de la mod\u00e9lisation de Welch dans le traitement des grands \u00e9chantillons transversaux.<\/p>\n

          6. Crit\u00e8res de s\u00e9lection m\u00e9thodologique et cas d’usage pratiques<\/h2>\n

          6.1 Typologie des protocoles exp\u00e9rimentaux inter-sujets<\/h3>\n

          L’affectation des questions de recherche au paradigme des \u00e9chantillons ind\u00e9pendants r\u00e9pond \u00e0 des contraintes logiques inh\u00e9rentes \u00e0 la nature des variables explicatives ou \u00e0 l’\u00e9cologie de l’intervention \u00e9tudi\u00e9e. Les plans inter-sujets constituent l’option m\u00e9thodologique obligatoire dans trois configurations empiriques majeures :<\/p>\n

            \n
          • Les interventions irr\u00e9versibles ou \u00e0 r\u00e9manence prolong\u00e9e :<\/strong> Dans les essais cliniques pharmacologiques, l’\u00e9valuation de deux principes actifs chez le m\u00eame patient soul\u00e8ve le spectre d’effets r\u00e9manents (carry-over effects<\/em>). Si un traitement de premi\u00e8re ligne modifie de mani\u00e8re permanente l’architecture tissulaire, gu\u00e9rit la pathologie cibl\u00e9e ou pr\u00e9sente une demi-vie d’\u00e9limination tr\u00e8s \u00e9tendue, il est impossible de r\u00e9initialiser le syst\u00e8me biologique pour la phase suivante. Le plan \u00e0 deux bras parall\u00e8les ind\u00e9pendants (groupe actif vs groupe placebo) demeure le standard d’or pour pr\u00e9server l’imperm\u00e9abilit\u00e9 des conditions exp\u00e9rimentales.<\/li>\n
          • L’\u00e9tude de facteurs diff\u00e9rentiels non manipulables :<\/strong> Lorsque la variable ind\u00e9pendante est une variable quasi-exp\u00e9rimentale ou invoqu\u00e9e, attach\u00e9e \u00e0 la constitution intrins\u00e8que des sujets (le sexe biologique, un profil g\u00e9n\u00e9tique particulier, une typologie de pathologie ou une cat\u00e9gorie socio-professionnelle), il est structurellement impossible de soumettre la m\u00eame unit\u00e9 \u00e0 deux \u00e9tats mutuellement exclusifs. Une comparaison de biomarqueurs immunitaires entre individus diab\u00e9tiques et t\u00e9moins sains s’inscrit invariablement dans le cadre des \u00e9chantillons ind\u00e9pendants.<\/li>\n
          • Les \u00e9tudes organisationnelles et g\u00e9ographiques :<\/strong> Lorsque l’unit\u00e9 d’analyse rel\u00e8ve d’entit\u00e9s macroscopiques distinctes (par exemple, confronter les m\u00e9triques de productivit\u00e9 ou de sinistralit\u00e9 entre deux usines de production situ\u00e9es dans des bassins industriels s\u00e9par\u00e9s), la randomisation ou l’appariement intra-entit\u00e9 devient impraticable. Les protocoles transversaux ind\u00e9pendants offrent alors le cadre d’analyse naturel pour quantifier les divergences entre ces collectifs.<\/li>\n<\/ul>\n

            6.2 Typologie des protocoles exp\u00e9rimentaux intra-sujets<\/h3>\n

            Le paradigme des mesures appari\u00e9es s’impose d\u00e8s lors que le ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 autorise l’observation successive des m\u00eames unit\u00e9s ou lorsqu’une strat\u00e9gie d’appariement pr\u00e9cis neutralise des facteurs confondants massifs :<\/p>\n

              \n
            • L’\u00e9valuation d’interventions th\u00e9rapeutiques longitudinales :<\/strong> Le sch\u00e9ma classique pr\u00e9-test \/ intervention \/ post-test constitue le domaine de pr\u00e9dilection du test appari\u00e9. Prenons l’exemple d’un essai de phase II \u00e9valuant l’action d’un nouvel inhibiteur enzymatique sur la pression art\u00e9rielle systolique. La mesure de la pression de base de 40 patients hypertendus suivie d’une seconde mesure standardis\u00e9e apr\u00e8s huit semaines de traitement constitue un plan appari\u00e9 optimal. Chaque sujet sert de r\u00e9f\u00e9rence \u00e0 lui-m\u00eame, absorbant l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 consid\u00e9rable des pressions art\u00e9rielles de d\u00e9part.<\/li>\n
            • L’ergonomie et la psychologie cognitive exp\u00e9rimentale :<\/strong> Dans l’\u00e9valuation d’interfaces utilisateur, il est fr\u00e9quent de soumettre chaque participant \u00e0 deux environnements interactifs concurrents (interface logicielle A versus interface logicielle B) pour chronom\u00e9trer la vitesse d’ex\u00e9cution d’une t\u00e2che. Afin de contr\u00f4ler les biais d’apprentissage ou de fatigue, l’ordre d’exposition aux deux conditions est rigoureusement contrebalanc\u00e9 de mani\u00e8re al\u00e9atoire (la moiti\u00e9 commence par A, l’autre par B). Le traitement statistique subs\u00e9quent rel\u00e8ve pleinement du test t<\/em> pour \u00e9chantillons appari\u00e9s, mesurant l’\u00e9cart de performance individuel d’un syst\u00e8me \u00e0 l’autre.<\/li>\n
            • L’appariement biologique de tissus homologues :<\/strong> En oncologie mol\u00e9culaire, les analyses d’expression g\u00e9nique ou de charge mutationnelle exploitent intensivement l’appariement anatomique. L’analyse conjointe d’un \u00e9chantillon de tissu tumoral et d’un pr\u00e9l\u00e8vement de tissu sain adjacent pr\u00e9lev\u00e9 chez le m\u00eame patient constitue un devis d’\u00e9chantillons appari\u00e9s hautement contr\u00f4l\u00e9, garantissant que le profil g\u00e9nomique constitutionnel est parfaitement invariable entre les deux sp\u00e9cimens.<\/li>\n<\/ul>\n

              6.3 Alternatives non param\u00e9triques en cas de violation des conditions<\/h3>\n

              Lorsque la taille des \u00e9chantillons est restreinte (n<\/em> < 30) et que les contr\u00f4les de distribution r\u00e9v\u00e8lent des violations substantielles du postulat de normalit\u00e9 (asym\u00e9tries s\u00e9v\u00e8res, distributions multimodales ou pr\u00e9sence d’outliers irr\u00e9ductibles), le maintien d’une proc\u00e9dure param\u00e9trique de Student expose \u00e0 des conclusions erratiques. L’analyste doit alors orienter sa d\u00e9marche vers les \u00e9preuves d’inf\u00e9rence non param\u00e9trique fond\u00e9es sur les rangs<\/span> :<\/p>\n

                \n
              • Alternative au test ind\u00e9pendant : le test U de Mann-Whitney :<\/strong> \u00c9galement d\u00e9nomm\u00e9 test des rangs de Wilcoxon pour \u00e9chantillons ind\u00e9pendants, ce test regroupe l’ensemble des observations des deux cohortes au sein d’une s\u00e9rie ordonn\u00e9e unique afin d’assigner des rangs croissants aux valeurs. La statistique d’\u00e9preuve \u00e9value si la somme des rangs d’un groupe s’\u00e9carte de mani\u00e8re significative de l’esp\u00e9rance attendue sous une r\u00e9partition al\u00e9atoire. Il ne teste pas formellement l’\u00e9galit\u00e9 des moyennes arithm\u00e9tiques, mais l’\u00e9galit\u00e9 des distributions stochastiques (et, sous condition de formes de distribution identiques, l’\u00e9galit\u00e9 des m\u00e9dianes).<\/li>\n
              • Alternative au test appari\u00e9 : le test des rangs sign\u00e9s de Wilcoxon :<\/strong> D\u00e9velopp\u00e9 par Frank Wilcoxon en 1945, ce test s’applique directement au vecteur des scores de diff\u00e9rence individuels D<\/em>i<\/em><\/sub>. Les diff\u00e9rences nulles sont \u00e9limin\u00e9es, la valeur absolue des diff\u00e9rences restantes est convertie en rangs ordonn\u00e9s, puis les signes positifs ou n\u00e9gatifs d’origine sont r\u00e9attribu\u00e9s aux rangs. Le test \u00e9value la sym\u00e9trie de la distribution des rangs sign\u00e9s par rapport \u00e0 z\u00e9ro, neutralisant l’impact disproportionn\u00e9 des valeurs aberrantes extr\u00eames sur la moyenne de diff\u00e9rence univari\u00e9e.<\/li>\n
              • Techniques de r\u00e9\u00e9chantillonnage par bootstrap :<\/strong> Dans le paysage computationnel contemporain, les tests de permutation et les intervalles de confiance bas\u00e9s sur le bootstrap constituent une alternative moderne et robuste aux m\u00e9thodes de rangs. En g\u00e9n\u00e9rant des milliers de sous-\u00e9chantillons avec remise \u00e0 partir des donn\u00e9es empiriques observ\u00e9es, le bootstrap construit une distribution d’\u00e9chantillonnage empirique pour la diff\u00e9rence de moyennes sans formuler aucune hypoth\u00e8se a priori quant \u00e0 la distribution math\u00e9matique de la population parente.<\/li>\n<\/ul>\n

                7. Foire aux questions m\u00e9thodologiques<\/h2>\n

                7.1 Peut-on utiliser un test pour \u00e9chantillons ind\u00e9pendants avec des tailles de groupes in\u00e9gales ?<\/h3>\n

                Il s’agit d’une interrogation centrale en pratique de recherche, et la r\u00e9ponse statistique est formellement positive : le test t<\/em> pour \u00e9chantillons ind\u00e9pendants est parfaitement capable de traiter des cohortes affichant des effectifs distincts (n<\/em>1<\/sub> ≠ n<\/em>2<\/sub>). La machinerie alg\u00e9brique du test pond\u00e8re naturellement la variance combin\u00e9e par les degr\u00e9s de libert\u00e9 propres \u00e0 chaque \u00e9chantillon<\/span> :<\/p>\n

                \ns<\/em>p<\/sub>2<\/sup> = [ (n<\/em>1<\/sub> − 1)s<\/em>1<\/sub>2<\/sup> + (n<\/em>2<\/sub> − 1)s<\/em>2<\/sub>2<\/sup> ] \/ (n<\/em>1<\/sub> + n<\/em>2<\/sub> − 2)<\/strong><\/span>\n<\/p>\n

                Le terme multiplicatif de l’erreur type, (1\/n<\/em>1<\/sub> + 1\/n<\/em>2<\/sub>), refl\u00e8te proportionnellement l’information fournie par chaque groupe. La validit\u00e9 du test d’hypoth\u00e8se demeure ainsi intacte sous des effectifs asym\u00e9triques.<\/p>\n

                Cependant, une mise en garde m\u00e9thodologique majeure s’impose : la sensibilit\u00e9 du test t<\/em> classique pour \u00e9chantillons ind\u00e9pendants aux violations du postulat d’homog\u00e9n\u00e9it\u00e9 des variances devient aigu\u00eb en pr\u00e9sence de tailles d’\u00e9chantillons in\u00e9gales<\/strong>. Lorsque les effectifs sont identiques (n<\/em>1<\/sub> = n<\/em>2<\/sub>), le test classique de Student poss\u00e8de une propri\u00e9t\u00e9 de robustesse naturelle remarquable contre les disparit\u00e9s mod\u00e9r\u00e9es de variance. D\u00e8s que ce parall\u00e9lisme s’effondre, toute rupture d’homosc\u00e9dasticit\u00e9 fausse gravement le contr\u00f4le de l’erreur α nominale<\/span> :<\/p>\n

                  \n
                • Si le groupe de petit effectif poss\u00e8de la variance la plus forte, la variance group\u00e9e sous-estime l’erreur type globale, provoquant un test lib\u00e9ral et une inflation s\u00e9v\u00e8re des faux positifs (l’erreur α r\u00e9elle pouvant grimper \u00e0 15 ou 20 % pour un seuil nominal fix\u00e9 \u00e0 5 %).<\/li>\n
                • Si le groupe le plus volumineux pr\u00e9sente la variance la plus \u00e9lev\u00e9e, le test devient ultra-conservateur, causant un effondrement de la puissance statistique (erreur β).<\/li>\n<\/ul>\n

                  Par cons\u00e9quent, d\u00e8s lors que les tailles d’\u00e9chantillons sont asym\u00e9triques, l’adoption syst\u00e9matique du test t<\/em> de Welch devient une exigence absolue de rigueur d’analyse, pr\u00e9servant le taux nominal d’erreur quelle que soit la configuration des variances empiriques.<\/p>\n

                  7.2 Comment g\u00e9rer les donn\u00e9es manquantes dans un devis d’\u00e9chantillons appari\u00e9s ?<\/h3>\n

                  La pr\u00e9sence d’observations manquantes constitue le talon d’Achille des protocoles \u00e0 mesures r\u00e9p\u00e9t\u00e9es analys\u00e9s via le test t<\/em> classique. Dans la formulation \u00e9l\u00e9mentaire du test t<\/em> appari\u00e9, chaque point statistique requiert le couple ordonn\u00e9 complet (X<\/em>1i<\/em><\/sub>, X<\/em>2i<\/em><\/sub>) pour pouvoir calculer le score diff\u00e9rentiel D<\/em>i<\/em><\/sub>. Par d\u00e9faut, tous les progiciels de statistique (tels que R, SPSS, SAS ou Stata) proc\u00e8dent \u00e0 une analyse par suppression des cas incomplets (listwise deletion<\/em>) : tout participant auquel il manque soit la valeur pr\u00e9-test, soit la valeur post-test, est int\u00e9gralement \u00e9vinc\u00e9 de l’\u00e9preuve statistique.<\/p>\n

                  Cette suppression automatique engendre deux pr\u00e9judices majeurs :<\/p>\n

                    \n
                  • Une amputation substantielle de la puissance d’\u00e9chantillonnage :<\/strong> Si, au cours d’un suivi longitudinal comprenant 100 patients, 20 individus manquent la seconde consultation pour des raisons logistiques ind\u00e9pendantes, l’\u00e9chantillon d’analyse effectif chute \u00e0 n<\/em> = 80 paires. L’ensemble des donn\u00e9es collect\u00e9es lors de la premi\u00e8re vague chez ces 20 sujets est d\u00e9finitivement perdu pour l’estimation de l’effet<\/span>.<\/li>\n
                  • L’introduction d’un biais d’attrition syst\u00e9matique :<\/strong> Si la perte de donn\u00e9es ne s’op\u00e8re pas selon le r\u00e9gime purement fortuit des donn\u00e9es manquantes compl\u00e8tement au hasard (Missing Completely at Random<\/em>, MCAR), mais r\u00e9pond \u00e0 une logique de donn\u00e9es manquantes au hasard (Missing at Random<\/em>, MAR) ou non au hasard (Missing Not at Random<\/em>, MNAR), l’exclusion des sujets incomplets biaise dramatiquement l’estimation de la moyenne. Dans un essai th\u00e9rapeutique, les patients exclus pour indisponibilit\u00e9 post-test peuvent \u00eatre pr\u00e9cis\u00e9ment ceux qui ont abandonn\u00e9 l’\u00e9tude en raison d’effets ind\u00e9sirables massifs ou d’une d\u00e9gradation de leur \u00e9tat de sant\u00e9.<\/li>\n<\/ul>\n

                    Pour surmonter cette impasse m\u00e9thodologique, la pratique contemporaine de l’analyse longitudinale s’est affranchie du test t<\/em> appari\u00e9 \u00e9l\u00e9mentaire pour se tourner vers la mod\u00e9lisation mixte lin\u00e9aire (Linear Mixed Models<\/em>, LMM)<\/strong>. Dans un mod\u00e8le mixte univari\u00e9 int\u00e9grant un intercept al\u00e9atoire par sujet, le param\u00e8tre d\u00e9crivant l’effet du temps ou du traitement est estim\u00e9 \u00e0 l’aide de l’algorithme du maximum de vraisemblance restreint (REML). Cette mod\u00e9lisation permet d’int\u00e9grer l’ensemble des mesures collect\u00e9es chez tous les individus, qu’ils disposent d’une seule ou de deux \u00e9valuations temporelles. Les sujets incomplets contribuent \u00e0 la calibration de la variance interindividuelle et de l’ordonn\u00e9e \u00e0 l’origine sans \u00eatre censur\u00e9s, maximisant ainsi l’efficience statistique sous l’hypoth\u00e8se de donn\u00e9es manquantes MAR.<\/p>\n

                    7.3 Pourquoi un test appari\u00e9 est-il g\u00e9n\u00e9ralement plus puissant qu’un test ind\u00e9pendant ?<\/h3>\n

                    L’avantage fondamental de puissance dont jouit le test appari\u00e9 trouve sa source directe dans la g\u00e9om\u00e9trie de la variance et l’isolation des sources de bruit exp\u00e9rimental. Au sein de toute population biologique, clinique ou comportementale, les individus manifestent une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 basale consid\u00e9rable : les scores d’expression g\u00e9nique, les capacit\u00e9s m\u00e9morielles ou les seuils de douleur varient d’un sujet \u00e0 un autre sur une amplitude souvent bien plus vaste que le d\u00e9calage inductible par une manipulation exp\u00e9rimentale donn\u00e9e.<\/p>\n

                    Lors de la mise en \u0153uvre d’un test t<\/em> pour \u00e9chantillons ind\u00e9pendants, cette h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 naturelle traverse int\u00e9gralement l’analyse. Chaque groupe rassemble des individus g\u00e9n\u00e9tiquement ou physiologiquement h\u00e9t\u00e9rog\u00e8nes. La variance de chaque \u00e9chantillon (s<\/em>1<\/sub>2<\/sup> et s<\/em>2<\/sub>2<\/sup>) int\u00e8gre cette variabilit\u00e9 inter-sujets dans le calcul de l’erreur type group\u00e9e. L’effet du traitement (la diff\u00e9rence X\u0304<\/em>1<\/sub> − X\u0304<\/em>2<\/sub>) doit d\u00e8s lors s’extraire d’un d\u00e9nominateur imposant, ce qui exige des tailles d’\u00e9chantillons importantes pour franchir le mur du bruit de fond.<\/p>\n

                    Le plan appari\u00e9 court-circuite cette dispersion en exploitant le participant comme sa propre unit\u00e9 de contr\u00f4le. Math\u00e9matiquement, l’op\u00e9ration de soustraction diff\u00e9rentielle D<\/em>i<\/em><\/sub> = X<\/em>1i<\/em><\/sub> − X<\/em>2i<\/em><\/sub> soustrait la composante d’effet fixe idiosyncrasique propre \u00e0 chaque sujet<\/span> :<\/p>\n

                    \nX<\/em>1i<\/em><\/sub> = μ1<\/sub> + u<\/em>i<\/em><\/sub> + ε1i<\/em><\/sub>     et     X<\/em>2i<\/em><\/sub> = μ2<\/sub> + u<\/em>i<\/em><\/sub> + ε2i<\/em><\/sub><\/strong><\/span>\n<\/p>\n

                    Dans ce mod\u00e8le conceptuel, u<\/em>i<\/em><\/sub> repr\u00e9sente l’\u00e9cart invariant caract\u00e9ristique du sujet i<\/em> par rapport \u00e0 la moyenne de la population (sa tendance constitutionnelle de long terme), tandis que ε1i<\/em><\/sub> et ε2i<\/em><\/sub> d\u00e9signent les erreurs de mesure purement al\u00e9atoires propres \u00e0 chaque prise. En formant la diff\u00e9rence individuelle, le terme de variation interindividuelle u<\/em>i<\/em><\/sub> dispara\u00eet par \u00e9limination alg\u00e9brique :<\/p>\n

                    \nD<\/em>i<\/em><\/sub> = ( μ1<\/sub> + u<\/em>i<\/em><\/sub> + ε1i<\/em><\/sub> ) − ( μ2<\/sub> + u<\/em>i<\/em><\/sub> + ε2i<\/em><\/sub> ) = ( μ1<\/sub> − μ2<\/sub> ) + ( ε1i<\/em><\/sub> − ε2i<\/em><\/sub> )<\/strong><\/span>\n<\/p>\n

                    La variance des scores diff\u00e9rentiels ne conserve d\u00e8s lors que la variance des fluctuations r\u00e9siduelles instables (ε), ayant totalement expurg\u00e9 la dispersion massive issue de u<\/em>i<\/em><\/sub>. D\u00e8s lors que les mesures successives sont corr\u00e9l\u00e9es positivement en raison de cette stabilit\u00e9 individuelle (r<\/em> > 0), le terme −2r<\/em>σ1<\/sub>σ2<\/sub> d\u00e9gonfle le d\u00e9nominateur de la statistique t<\/em>. Le signal exp\u00e9rimental ressort avec une nettet\u00e9 d\u00e9cupl\u00e9e, octroyant au chercheur la capacit\u00e9 de rejeter l’hypoth\u00e8se nulle avec une cohorte de sujets fr\u00e9quemment deux \u00e0 quatre fois inf\u00e9rieure \u00e0 celle requise par un devis inter-sujets \u00e9quivalent<\/span>.<\/p>\n

                    8. Conclusion et recommandations pour la pratique de recherche<\/h2>\n

                    8.1 Synth\u00e8se comparative des deux paradigmes d’inf\u00e9rence<\/h3>\n

                    L’exploration minutieuse des tests t<\/em> pour \u00e9chantillons ind\u00e9pendants et appari\u00e9s met en lumi\u00e8re une dualit\u00e9 m\u00e9thodologique guid\u00e9e par la nature fondamentale du sch\u00e9ma de g\u00e9n\u00e9ration des donn\u00e9es. Aucun de ces tests ne saurait \u00eatre qualifi\u00e9 de \u00ab sup\u00e9rieur \u00bb \u00e0 l’autre dans l’absolu ; ils constituent les r\u00e9ponses math\u00e9matiques distinctes et adapt\u00e9es \u00e0 deux philosophies d’exp\u00e9rimentation compl\u00e9mentaires.<\/p>\n

                    Le test t<\/em> pour \u00e9chantillons ind\u00e9pendants s’affirme comme le v\u00e9hicule par excellence des protocoles transversaux et des essais comparatifs stricts dans lesquels l’imperm\u00e9abilit\u00e9 des groupes exp\u00e9rimentaux doit \u00eatre pr\u00e9serv\u00e9e \u00e0 tout prix pour conjurer les ph\u00e9nom\u00e8nes de confusion, d’apprentissage ou de contamination r\u00e9siduelle. Associ\u00e9 \u00e0 la robuste correction de Welch, il affronte avec souplesse les d\u00e9s\u00e9quilibres d’effectifs et les disparit\u00e9s de variance, apportant une r\u00e9ponse inf\u00e9rentielle fiable pour comparer des cohortes humaines ou biologiques autonomes.<\/p>\n

                    Le test t<\/em> pour \u00e9chantillons appari\u00e9s mat\u00e9rialise l’id\u00e9al de pr\u00e9cision des protocoles longitudinaux et des mesures r\u00e9p\u00e9t\u00e9es intra-sujet. En \u00e9liminant alg\u00e9briquement la variabilit\u00e9 interindividuelle, il parvient \u00e0 une efficience analytique et une puissance statistique que les plans transversaux ne peuvent \u00e9galer qu’au prix d’une d\u00e9multiplication massive des cohortes recrut\u00e9es. Sa mise en \u0153uvre exige n\u00e9anmoins une discipline d’\u00e9chantillonnage rigoureuse, mat\u00e9rialis\u00e9e par un \u00e9quilibre strict des mesures par paire et une vigilance pr\u00e9ventive contre toute cause d’attrition de donn\u00e9es.<\/p>\n

                    8.2 Directives pour un reporting statistique rigoureux<\/h3>\n

                    Afin de s’aligner sur les exigences de transparence et de reproductibilit\u00e9 formul\u00e9es par l’American Psychological Association (normes APA 7e<\/sup> \u00e9dition) ainsi que par les directives internationales pour les essais cliniques (lignes directrices CONSORT), la communication de toute analyse reposant sur un test t<\/em> doit se conformer \u00e0 un standard de rigueur documentaire absolu :<\/p>\n

                      \n
                    • Identification explicite de la proc\u00e9dure d’inf\u00e9rence :<\/strong> Le texte m\u00e9thodologique doit mentionner sans \u00e9quivoque la variante de test employ\u00e9e (par exemple, \u00ab test t de Student standard pour \u00e9chantillons ind\u00e9pendants \u00bb<\/em>, \u00ab test t de Welch avec correction des degr\u00e9s de libert\u00e9 pour variances in\u00e9gales \u00bb<\/em>, ou \u00ab test t de Student pour \u00e9chantillons appari\u00e9s \/ mesures r\u00e9p\u00e9t\u00e9es \u00bb<\/em>).<\/li>\n
                    • Divulgation de l’\u00e9valuation diagnostique pr\u00e9alable :<\/strong> L’article doit consigner les proc\u00e9dures mobilis\u00e9es pour valider les postulats d’application. Il convient de mentionner formellement les r\u00e9sultats des tests de normalit\u00e9 (test de Shapiro-Wilk) appliqu\u00e9s soit aux distributions de chaque groupe, soit au vecteur diff\u00e9rentiel univari\u00e9, ainsi que les conclusions du test d’homosc\u00e9dasticit\u00e9 de Levene pour les plans transversaux.<\/li>\n
                    • Typographie canonique des r\u00e9sultats inf\u00e9rentiels :<\/strong> L’\u00e9criture de la statistique d’\u00e9preuve doit syst\u00e9matiquement compiler le symbole du test, les degr\u00e9s de libert\u00e9 exacts plac\u00e9s entre parenth\u00e8ses, la valeur num\u00e9rique calcul\u00e9e de la statistique t<\/em>, la probabilit\u00e9 critique exacte (valeur p<\/em>) rapport\u00e9e \u00e0 trois d\u00e9cimales (sans \u00e9crire \u00ab p = 0,000 \u00bb<\/em>, mais rigoureusement \u00ab p < 0,001 \u00bb<\/em>), ainsi que la m\u00e9trique de taille d’effet standardis\u00e9e assortie de son intervalle de confiance \u00e0 95 %<\/span>.\n

                      Exemple canonique pour \u00e9chantillons ind\u00e9pendants (Welch) :<\/em>
                      \n
                      \n t<\/em>(47,32) = 2,84, p<\/em> = 0,007, d<\/em>s<\/sub> = 0,78, IC \u00e0 95 % [0,22, 1,34]<\/span>.<\/p>\n

                      Exemple canonique pour \u00e9chantillons appari\u00e9s :<\/em>
                      \n
                      \n t<\/em>(29) = 4,12, p<\/em> < 0,001, d<\/em>av<\/sub> = 0,65, IC \u00e0 95 % [0,31, 0,99]<\/span>.<\/li>\n

                    • Association syst\u00e9matique des statistiques descriptives compl\u00e8tes :<\/strong> Aucun test inf\u00e9rentiel ne doit \u00eatre rapport\u00e9 isol\u00e9ment. Les r\u00e9sultats doivent int\u00e9grer, pour chaque condition ou temps d’\u00e9valuation, la moyenne arithm\u00e9tique (ou la m\u00e9diane), l’\u00e9cart type empirique (SD<\/em>), la taille effective d’\u00e9chantillon valide (n<\/em>), ainsi que la moyenne des diff\u00e9rences appari\u00e9es et son \u00e9cart type propre dans le cadre d’un plan d\u00e9pendant.<\/li>\n<\/ul>\n

                      En respectant ces principes fondamentaux d’articulation entre architecture de collecte, mod\u00e9lisation math\u00e9matique et communication formelle, la communaut\u00e9 scientifique garantit l’int\u00e9grit\u00e9 de ses d\u00e9marches empiriques, assurant une transition solide entre le recueil de donn\u00e9es exp\u00e9rimentales et la d\u00e9couverte de r\u00e9gularit\u00e9s statistiques robustes et r\u00e9plicables.<\/p>\n

                      R\u00e9f\u00e9rences<\/h2>\n
                        \n
                      • Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences<\/em> (2nd ed.). Lawrence Erlbaum Associates.<\/li>\n
                      • Cumming, G. (2012). Understanding the New Statistics: Effect Sizes, Confidence Intervals, and Meta-Analysis<\/em>. Routledge.<\/li>\n
                      • Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology<\/em>, 4, Article 863. https:\/\/doi.org\/10.3389\/fpsyg.2013.00863<\/li>\n
                      • Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to Probability and Statistics: Essays in Honor of Harold Hotelling<\/em> (pp. 278\u2013292). Stanford University Press.<\/li>\n
                      • Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics<\/em>, 18(1), 50\u201360. https:\/\/doi.org\/10.1214\/aoms\/1177730491<\/li>\n
                      • Student. (1908). The probable error of a mean. Biometrika<\/em>, 6(1), 1\u201325. https:\/\/doi.org\/10.1093\/biomet\/6.1.1<\/li>\n
                      • Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika<\/em>, 34(1\/2), 28\u201335. https:\/\/doi.org\/10.2307\/2332510<\/li>\n
                      • Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin<\/em>, 1(6), 80\u201383. https:\/\/doi.org\/10.2307\/3001968<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"

                        Comparatif m\u00e9thodologique complet entre le test t pour \u00e9chantillons ind\u00e9pendants et le test t pour \u00e9chantillons appari\u00e9s : principes, calculs et applications.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[304,1838],"tags":[2287,42439,1834,5667,3321],"class_list":["post-25218","psych_comparison","type-psych_comparison","status-publish","hentry","category-methodologie-de-recherche","category-statistiques","tag-echantillons-apparies","tag-echantillons-independants","tag-statistique-inferentielle","tag-taille-d-effet","tag-test-t-de-student"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_comparison\/25218","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_comparison"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_comparison"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=25218"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_comparison\/25218\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=25218"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=25218"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=25218"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}