Dans le paysage des sciences quantitatives contemporaines, qu’il s’agisse de la psychologie cognitive, de la biom\u00e9decine, des sciences de l’\u00e9ducation ou de l’\u00e9conom\u00e9trie appliqu\u00e9e, la mod\u00e9lisation des relations causales repose fondamentalement sur l’analyse comparative de groupes exp\u00e9rimentaux ou quasi-exp\u00e9rimentaux. Lorsqu’un chercheur manipule une variable ind\u00e9pendante \u2014 par exemple un protocole pharmacologique, une m\u00e9thode p\u00e9dagogique ou une condition d’exposition cognitive \u2014 la question centrale r\u00e9side dans l’\u00e9valuation rigoureuse de l’impact de ce facteur sur les indicateurs de r\u00e9sultat. Or, la r\u00e9alit\u00e9 empirique se caract\u00e9rise presque syst\u00e9matiquement par une complexit\u00e9 multidimensionnelle : les ph\u00e9nom\u00e8nes observ\u00e9s ne se manifestent que tr\u00e8s rarement \u00e0 travers une m\u00e9trique isol\u00e9e, mais plut\u00f4t via un faisceau de variables interd\u00e9pendantes traduisant diff\u00e9rents aspects d’un m\u00eame construit sous-jacent.<\/p>\n
Face \u00e0 cette complexit\u00e9, deux architectures analytiques dominent l’arsenal inf\u00e9rentiel du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral : l’analyse de variance univari\u00e9e (ANOVA<\/a>) et l’analyse de variance multivari\u00e9e (MANOVA<\/a>). Bien que partageant une m\u00eame filiation \u00e9pist\u00e9mologique et des fondements math\u00e9matiques communs, ces deux approches incarnent deux paradigmes distincts quant au traitement de la dimensionnalit\u00e9 des donn\u00e9es. L\u00e0 o\u00f9 l’ANOVA isole scrupuleusement une dimension unique pour en tester la sensibilit\u00e9 aux conditions exp\u00e9rimentales, la MANOVA englobe simultan\u00e9ment un vecteur de plusieurs variables d\u00e9pendantes, pr\u00e9servant ainsi la g\u00e9om\u00e9trie multidimensionnelle des observations et la matrice de leurs corr\u00e9lations intrins\u00e8ques.<\/p>\n Le choix entre l’ANOVA et la MANOVA constitue un arbitrage m\u00e9thodologique aux cons\u00e9quences profondes sur la validit\u00e9 interne et externe des conclusions scientifiques. Une s\u00e9lection inappropri\u00e9e peut exposer l’analyste soit \u00e0 une inflation dramatique de l’erreur de type I \u2014 conduisant \u00e0 proclamer faussement des d\u00e9couvertes scientifiques \u2014, soit \u00e0 un effondrement de la puissance statistique, incapable de d\u00e9celer des r\u00e9organisations vectorielles subtiles entre les populations \u00e9tudi\u00e9es. Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive, th\u00e9orique et appliqu\u00e9e, de ces deux m\u00e9thodologies, explorant leurs soubassements alg\u00e9briques, leurs postulats de validit\u00e9, leurs lignes de fracture op\u00e9rationnelles et les protocoles de d\u00e9cision rationnels permettant d’optimiser l’inf\u00e9rence statistique au sein des devis de recherche modernes.<\/p>\n L’\u00e9mergence des techniques d’analyse de variance marque l’une des ruptures les plus d\u00e9cisives de l’histoire de la statistique moderne. C’est sous l’impulsion du statisticien et g\u00e9n\u00e9ticien britannique Ronald A. Fisher que cette discipline s’est formalis\u00e9e, notamment \u00e0 travers sa publication s\u00e9minale de 1918 intitul\u00e9e The Correlation Between Relatives on the Supposition of Mendelian Inheritance<\/em>, parue dans les Transactions of the Royal Society of Edinburgh<\/em>. Dans ce travail fondamental, Fisher a introduit pour la premi\u00e8re fois le terme explicite de \u00ab variance \u00bb et a pos\u00e9 le principe math\u00e9matique de la d\u00e9composition additive de la variabilit\u00e9 globale observ\u00e9e en composantes attribuables \u00e0 des causes distinctes et identifiables. Ce concept a ensuite \u00e9t\u00e9 \u00e9tendu et popularis\u00e9 dans son ouvrage de r\u00e9f\u00e9rence de 1925, Statistical Methods for Research Workers<\/em>, instaurant l’ANOVA comme le pilier de l’exp\u00e9rimentation agronomique avant de conqu\u00e9rir l’ensemble des sciences exp\u00e9rimentales.<\/p>\n Au c\u0153ur de l’analyse de variance r\u00e9side le principe de partitionnement de la somme des carr\u00e9s des \u00e9carts \u00e0 la moyenne. L’objectif fondamental de l’inf\u00e9rence statistique confirmatoire consiste \u00e0 d\u00e9terminer si les \u00e9carts observ\u00e9s entre les moyennes d’\u00e9chantillons distincts refl\u00e8tent de v\u00e9ritables disparit\u00e9s populationnelles cons\u00e9cutives \u00e0 un traitement, ou s’ils rel\u00e8vent de la simple fluctuation d’\u00e9chantillonnage inh\u00e9rente au hasard stochastique. En isolant la variance imputable aux variations syst\u00e9matiques induites par le devis exp\u00e9rimental de la variance non expliqu\u00e9e \u2014 ou variance r\u00e9siduelle \u2014, la m\u00e9thode de Fisher fournit un crit\u00e8re objectif et probabilis\u00e9 de d\u00e9cision statistique, formalis\u00e9 par la loi de distribution du ratio F.<\/p>\n Toutefois, l’\u00e9volution des protocoles de recherche au cours du XXe si\u00e8cle a rapidement confront\u00e9 les m\u00e9thodologistes aux limites de la pens\u00e9e univari\u00e9e. Sous l’impulsion de pionniers de l’alg\u00e8bre multivari\u00e9e tels que Samuel S. Wilks et Harold Hotelling, le cadre fisherien a \u00e9t\u00e9 transpos\u00e9 de l’espace scalaire \u00e0 l’espace multidimensionnel. La distinction fondamentale entre les approches univari\u00e9es et multivari\u00e9es repose sur la nature de la variable d\u00e9pendante : tandis que l’approche univari\u00e9e examine une variable scalaire $y in \\mathbb{R}$<\/span>, l’approche multivari\u00e9e traite un vecteur al\u00e9atoire $\\mathbf{y} in \\mathbb{R}^p$<\/span>, o\u00f9 $p ge 2$<\/span>. Cette transition du scalaire au vecteur transforme la simple comparaison de moyennes lin\u00e9aires en une comparaison de centro\u00efdes dans un hyperespace \u00e0 $p$<\/span> dimensions, modifiant radicalement les propri\u00e9t\u00e9s g\u00e9om\u00e9triques et probabilistes de l’\u00e9valuation du traitement exp\u00e9rimental.<\/p>\n Malgr\u00e9 une litt\u00e9rature m\u00e9thodologique abondante, la distinction entre ANOVA et MANOVA demeure l’une des zones d’ombre les plus fr\u00e9quentes dans la pratique de la recherche empirique. Cette confusion provient d’abord d’une parent\u00e9 linguistique trompeuse : le pr\u00e9fixe \u00ab M \u00bb pour multivari\u00e9 est souvent interpr\u00e9t\u00e9, \u00e0 tort, comme l’indication d’une simple pluralit\u00e9 technique plut\u00f4t que d’un changement paradigmatique de g\u00e9om\u00e9trie vectorielle. Nombreux sont les praticiens qui confondent une \u00e9tude factorielle comportant plusieurs variables ind\u00e9pendantes \u2014 telle qu’une ANOVA factorielle bidirectionnelle ou tridirectionnelle \u2014 avec une authentique mod\u00e9lisation multivari\u00e9e, laquelle requiert imp\u00e9rativement une pluralit\u00e9 de variables d\u00e9pendantes mod\u00e9lis\u00e9es de fa\u00e7on conjointe.<\/p>\n Une d\u00e9rive m\u00e9thodologique particuli\u00e8rement pernicieuse consiste \u00e0 consid\u00e9rer la MANOVA comme une simple enveloppe administrative pr\u00e9liminaire, destin\u00e9e \u00e0 \u00eatre imm\u00e9diatement d\u00e9mantel\u00e9e en une succession d’ANOVA univari\u00e9es. Dans cette perspective r\u00e9ductrice, le chercheur applique un test multivari\u00e9 omnibus dans le seul but de \u00ab valider \u00bb le droit de conduire une s\u00e9rie de tests F ind\u00e9pendants sur chaque dimension, sans tenir compte du fait que l’espace canonique multivari\u00e9 peut identifier des variations syst\u00e9matiques qui \u00e9chappent compl\u00e8tement aux projections marginales univari\u00e9es, ou inversement, masquer des sp\u00e9cificit\u00e9s univari\u00e9es sous l’effet du bruit multidimensionnel.<\/p>\n L’arbitrage devient singuli\u00e8rement complexe en pr\u00e9sence de jeux de donn\u00e9es int\u00e9grant de multiples variables d\u00e9pendantes mod\u00e9r\u00e9ment corr\u00e9l\u00e9es entre elles. Face \u00e0 une batterie de tests neuropsychologiques ou \u00e0 un ensemble de biomarqueurs m\u00e9taboliques, le praticien h\u00e9site souvent entre deux \u00e9cueils : ignorer la structure de corr\u00e9lation par commodit\u00e9 analytique en r\u00e9alisant des ANOVA s\u00e9par\u00e9es, au risque d’une fragmentation interpr\u00e9tative et d’une perte d’information relationnelle, ou mobiliser une MANOVA dont les postulats d’application stricts \u2014 notamment l’homog\u00e9n\u00e9it\u00e9 des matrices de covariance \u2014 sont particuli\u00e8rement vuln\u00e9rables aux singularit\u00e9s empiriques.<\/p>\n Ce document vise \u00e0 clarifier ces confusions en fournissant une \u00e9tude comparative rigoureuse de l’ANOVA et de la MANOVA, tant sur le plan th\u00e9orique qu’op\u00e9rationnel. Il s’agit de d\u00e9passer les recettes proc\u00e9durales standardis\u00e9es pour exposer les fondements math\u00e9matiques sous-jacents qui dictent le comportement de ces outils d’analyse sous diverses conditions de distribution, de corr\u00e9lation et de taille d’\u00e9chantillon.<\/p>\n Un axe central de notre d\u00e9marche concerne l’analyse des compromis entre la pr\u00e9servation de la puissance statistique et la ma\u00eetrise stricte du taux d’erreur globale de type I ($\\alpha$<\/span>). Nous examinerons de mani\u00e8re critique les m\u00e9canismes par lesquels la r\u00e9p\u00e9tition d’analyses univari\u00e9es d\u00e9grade la protection probabiliste contre les faux positifs, tout en d\u00e9montrant dans quelles configurations g\u00e9om\u00e9triques la MANOVA maximise ou, au contraire, d\u00e9grade la puissance du test en consommant excessivement des degr\u00e9s de libert\u00e9 face \u00e0 des variables non informatives.<\/p>\n Enfin, cette \u00e9tude s’assigne pour mission d’outiller m\u00e9thodologiquement les chercheurs confront\u00e9s \u00e0 des devis exp\u00e9rimentaux, quasi-exp\u00e9rimentaux et corr\u00e9lationnels complexes. En formalisant un arbre d\u00e9cisionnel structur\u00e9 et des r\u00e8gles d’interpr\u00e9tation a posteriori fond\u00e9es sur les avanc\u00e9es les plus robustes de la statistique contemporaine, nous offrons un guide de r\u00e9f\u00e9rence pour naviguer avec discernement entre la pr\u00e9cision analytique de l’approche univari\u00e9e et la vision syst\u00e9mique du paradigme multivari\u00e9.<\/p>\n L’analyse de variance univari\u00e9e repose sur la mod\u00e9lisation lin\u00e9aire classique d’une variable quantitative continue unique en fonction d’un ou plusieurs facteurs qualitatifs discrets. Dans sa formulation la plus \u00e9l\u00e9mentaire \u2014 le mod\u00e8le \u00e0 un facteur fixe \u2014, l’observation individuelle $y_{ij}$<\/span> correspondant au $i$<\/span>-i\u00e8me sujet au sein du $j$<\/span>-i\u00e8me groupe de traitement s’exprime selon l’\u00e9quation lin\u00e9aire :<\/p>\n $$y_{ij} = \\mu + \\alpha_j + \\epsilon_{ij}$$<\/span><\/p>\n o\u00f9 $\\mu$<\/span> repr\u00e9sente la moyenne g\u00e9n\u00e9rale de la population parente, $\\alpha_j = \\mu_j – \\mu$<\/span> d\u00e9signe l’effet diff\u00e9rentiel fixe associ\u00e9 au niveau $j$<\/span> du facteur exp\u00e9rimental, et $\\epsilon_{ij}$<\/span> constitue l’erreur al\u00e9atoire r\u00e9siduelle associ\u00e9e \u00e0 l’observation, suppos\u00e9e ind\u00e9pendante et identiquement distribu\u00e9e selon une loi normale centr\u00e9e d’\u00e9cart-type $\\sigma$<\/span>. L’hypoth\u00e8se nulle fondamentale stipule l’absence totale d’effet de traitement, soit $H_0: \\alpha_1 = \\alpha_2 = dots = \\alpha_k = 0$<\/span>, ce qui \u00e9quivaut \u00e0 l’\u00e9galit\u00e9 parfaite des esp\u00e9rances math\u00e9matiques des $k$<\/span> populations d’origine : $H_0: \\mu_1 = \\mu_2 = dots = \\mu_k$<\/span>.<\/p>\n La m\u00e9canique inf\u00e9rentielle de l’ANOVA s’articule autour de l’identit\u00e9 fondamentale de la d\u00e9composition de la somme des carr\u00e9s totaux ($SS_{Total}$<\/span>). La variabilit\u00e9 totale des observations autour de la moyenne arithm\u00e9tique globale $\\bar{y}_{\\cdot\\cdot}$<\/span> se subdivise rigoureusement en deux composantes mutuellement orthogonales :<\/p>\n $$SS_{Total} = SS_{Between} + SS_{Within}$$<\/span><\/p>\n La somme des carr\u00e9s intergroupe ($SS_{Between}$<\/span> ou somme des carr\u00e9s de l’effet) quantifie la dispersion des moyennes empiriques de chaque groupe $\\bar{y}_{\\cdot j}$<\/span> autour de la moyenne globale :<\/p>\n $$SS_{Between} = \\sum_{j=1}^k n_j (\\bar{y}_{\\cdot j} – \\bar{y}_{\\cdot\\cdot})^2$$<\/span><\/p>\n Tandis que la somme des carr\u00e9s intragroupe ($SS_{Within}$<\/span> ou somme des carr\u00e9s r\u00e9siduelle) capture la d\u00e9viation des scores individuels par rapport \u00e0 la moyenne de leur propre sous-population d’appartenance :<\/p>\n $$SS_{Within} = \\sum_{j=1}^k \\sum_{i=1}^{n_j} (y_{ij} – \\bar{y}_{\\cdot j})^2$$<\/span><\/p>\n Pour convertir ces grandeurs cumulatives en estimateurs sans biais de la variance, chaque somme de carr\u00e9s est divis\u00e9e par ses degr\u00e9s de libert\u00e9 associ\u00e9s respectifs, g\u00e9n\u00e9rant ainsi les carr\u00e9s moyens. Les degr\u00e9s de libert\u00e9 pour l’effet intergroupe s’\u00e9tablissent \u00e0 $df_{Between} = k – 1$<\/span>, alors que pour l’erreur intragroupe, ils s’\u00e9l\u00e8vent \u00e0 $df_{Within} = N – k$<\/span>, o\u00f9 $N = \\sum n_j$<\/span> repr\u00e9sente l’effectif total agr\u00e9g\u00e9 de l’\u00e9chantillon. Le ratio $F$<\/span> de Fisher-Snedecor est alors formul\u00e9 par le quotient du carr\u00e9 moyen intergroupe ($MS_{Between}$<\/span>) sur le carr\u00e9 moyen r\u00e9siduel ($MS_{Within}$<\/span>) :<\/p>\n $$F = \\frac{MS_{Between}}{MS_{Within}} = \\frac{SS_{Between} \/ (k – 1)}{SS_{Within} \/ (N – k)}$$<\/span><\/p>\n Sous l’hypoth\u00e8se nulle $H_0$<\/span>, ce ratio suit exactement une distribution th\u00e9orique $F$<\/span> \u00e0 $(k – 1)$<\/span> et $(N – k)$<\/span> degr\u00e9s de libert\u00e9. Si la variabilit\u00e9 induite par les \u00e9carts de moyennes d\u00e9passe substantiellement le niveau de bruit attribuable aux al\u00e9as de l’\u00e9chantillonnage, la valeur observ\u00e9e de $F$<\/span> se situe dans la r\u00e9gion de rejet critique d\u00e9finie au seuil de signification $\\alpha$<\/span>, conduisant \u00e0 r\u00e9futer la pr\u00e9somption d’\u00e9quivalence des groupes.<\/p>\n Ce canevas algorithmique se d\u00e9cline sous de multiples formes structurelles. L’ANOVA factorielle int\u00e8gre simultan\u00e9ment plusieurs variables ind\u00e9pendantes qualitatives, permettant d’isoler non seulement les effets principaux de chaque variable, mais \u00e9galement leurs effets d’interaction multiplicative. Parall\u00e8lement, l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es \u00e9value l’\u00e9volution intra-individuelle d’une m\u00eame m\u00e9trique \u00e0 travers le temps ou diff\u00e9rentes conditions d’exposition, exigeant une mod\u00e9lisation additionnelle de la structure de d\u00e9pendance des donn\u00e9es par le respect du postulat de sph\u00e9ricit\u00e9 de la matrice de covariance.<\/p>\n La validit\u00e9 des conclusions issues d’une ANOVA repose sur un ensemble de postulats probabilistes bien d\u00e9finis. La premi\u00e8re condition impose que les r\u00e9sidus du mod\u00e8le soient distribu\u00e9s selon une loi normale au sein de chaque strate d\u00e9finie par les modalit\u00e9s de la variable ind\u00e9pendante :<\/p>\n $$\\epsilon_{ij} \\sim \\mathcal{N}(0, \\sigma^2)$$<\/span><\/p>\n Cette hypoth\u00e8se peut \u00eatre \u00e9valu\u00e9e empiriquement \u00e0 l’aide de tests d’ad\u00e9quation tels que le test de Shapiro-Wilk ou le test d’Anderson-Darling, compl\u00e9t\u00e9s par l’inspection visuelle des diagrammes quantile-quantile (Q-Q plots). Bien que le th\u00e9or\u00e8me central limite conf\u00e8re \u00e0 l’ANOVA une robustesse asymptotique satisfaisante face aux d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9 d\u00e8s lors que la taille des \u00e9chantillons est substantielle ($N > 30$<\/span> par groupe), de fortes asym\u00e9tries associ\u00e9es \u00e0 des queues de distribution \u00e9paisses peuvent alt\u00e9rer le niveau $\\alpha$<\/span> nominal et affaiblir la puissance du test.<\/p>\n Le second postulat concerne l’homosc\u00e9dasticit\u00e9, c’est-\u00e0-dire l’homog\u00e9n\u00e9it\u00e9 stricte des variances r\u00e9siduelles entre l’ensemble des groupes exp\u00e9rimentaux compar\u00e9s :<\/p>\n $$\\sigma_1^2 = \\sigma_2^2 = dots = \\sigma_k^2 = \\sigma^2$$<\/span><\/p>\n La v\u00e9rification de cette contrainte repose traditionnellement sur le test de Levene, centr\u00e9 sur la moyenne ou sur la m\u00e9diane (test de Brown-Forsythe, plus r\u00e9sistant aux non-normalit\u00e9s), ou sur le test de Bartlett, bien que ce dernier pr\u00e9sente une sensibilit\u00e9 excessive aux \u00e9carts \u00e0 la loi normale. La violation de l’homosc\u00e9dasticit\u00e9 entra\u00eene des distorsions asym\u00e9triques du taux d’erreur de premi\u00e8re esp\u00e8ce, tout particuli\u00e8rement dans le cadre de devis non \u00e9quilibr\u00e9s : si les groupes de petite taille pr\u00e9sentent les variances les plus importantes, le test $F$<\/span> devient lib\u00e9ral (sur-rejet de l’hypoth\u00e8se nulle), tandis que si les grands groupes poss\u00e8dent les plus fortes variances, le test s’av\u00e8re conservateur (perte sensible de puissance).<\/p>\n Le troisi\u00e8me postulat, de loin le plus intransigeant, r\u00e9side dans l’ind\u00e9pendance statistique stricte des erreurs de mesure entre toutes les unit\u00e9s d’observation :<\/p>\n $$\\text{Cov}(\\epsilon_{ij}, \\epsilon_{i’j’}) = 0 \\quad \\forall (i, j) \\neq (i’, j’)$$<\/span><\/p>\n Contrairement aux entorses \u00e0 la normalit\u00e9 ou \u00e0 l’homosc\u00e9dasticit\u00e9, qui peuvent \u00eatre palli\u00e9es par des ajustements de degr\u00e9s de libert\u00e9 (tels que les corrections de Welch ou de Brown-Forsythe) ou par des transformations de variables (logarithmiques, Box-Cox), l’absence d’ind\u00e9pendance invalide structurellement le test standard. Une autocorr\u00e9lation r\u00e9siduelle positive, induite par des facteurs parasites tels que des effets de grappe, des mesures s\u00e9quentielles non contr\u00f4l\u00e9es ou l’influence d’un exp\u00e9rimentateur unique sur un sous-ensemble de sujets, gonfle artificiellement la statistique $F$<\/span> observ\u00e9e et g\u00e9n\u00e8re un taux massif d’erreurs de type I.<\/p>\n Il convient de souligner que l’\u00e9quilibre du plan exp\u00e9rimental \u2014 caract\u00e9ris\u00e9 par des effectifs strictement \u00e9gaux au sein de chaque condition ($n_1 = n_2 = dots = n_k$<\/span>) \u2014 conf\u00e8re \u00e0 l’ANOVA une remarquable tol\u00e9rance face aux d\u00e9viations mod\u00e9r\u00e9es des deux premiers postulats. En situation de stricte \u00e9quicellularit\u00e9, la statistique $F$<\/span> pr\u00e9serve une robustesse op\u00e9rationnelle ad\u00e9quate, limitant les distorsions du risque $\\alpha$<\/span> r\u00e9el par rapport au risque nominal s\u00e9lectionn\u00e9 par l’analyste.<\/p>\n En d\u00e9pit de sa rigueur et de son \u00e9l\u00e9gance math\u00e9matique, l’ANOVA univari\u00e9e souffre d’une limitation \u00e9pist\u00e9mologique majeure : elle est incapable d’appr\u00e9hender de mani\u00e8re int\u00e9gr\u00e9e des construits scientifiques complexes et multidimensionnels. Dans les domaines du comportement humain, de la physiopathologie ou des dynamiques sociales, une variable d\u00e9pendante isol\u00e9e ne constitue presque jamais une expression exhaustive du ph\u00e9nom\u00e8ne \u00e0 l’\u00e9tude. Qu’il s’agisse de mesurer la d\u00e9pression clinique (qui agr\u00e8ge des sympt\u00f4mes affectifs, somatiques et cognitifs), la performance motrice ou la toxicit\u00e9 m\u00e9tabolique, l’isolement artificiel d’une dimension unique expose le chercheur \u00e0 une vision fragmentaire de la causalit\u00e9 exp\u00e9rimentale.<\/p>\n Pour contourner cette contrainte dimensionnelle, une pratique r\u00e9pandue consiste \u00e0 conduire des ANOVA ind\u00e9pendantes sur chaque variable mesur\u00e9e dans le cadre d’une m\u00eame exp\u00e9rimentation. Cette strat\u00e9gie analytique fragment\u00e9e induit toutefois une d\u00e9faillance m\u00e9thodologique majeure : l’inflation probabiliste exponentielle du risque d’erreur de type I global, \u00e9galement d\u00e9sign\u00e9e sous le terme d’erreur par famille d’hypoth\u00e8ses ($familywise error rate$<\/span>, FWER). Pour une constellation de $p$<\/span> variables d\u00e9pendantes analys\u00e9es ind\u00e9pendamment au seuil alpha unitaire $\\alpha_{nominal}$<\/span>, le risque cumul\u00e9 de rejeter au moins une hypoth\u00e8se nulle \u00e0 tort s’exprime, sous l’hypoth\u00e8se d’ind\u00e9pendance mutuelle des variables, par la formule :<\/p>\n $$\\alpha_{global} = 1 – (1 – \\alpha_{nominal})^p$$<\/span><\/p>\n D\u00e8s lors qu’un protocole int\u00e8gre cinq variables d\u00e9pendantes \u00e9valu\u00e9es \u00e0 un seuil standard de $\\alpha = 0,05$<\/span>, la probabilit\u00e9 d’obtenir au minimum un faux positif sans qu’aucun effet r\u00e9el ne s’exerce sur aucune variable atteint th\u00e9oriquement $1 – (0,95)^5 \\approx 0,226$<\/span>, soit plus de 22,6 %. Ce ph\u00e9nom\u00e8ne s’aggrave rapidement \u00e0 mesure que le nombre d’indicateurs augmente, compromettant l’int\u00e9grit\u00e9 inf\u00e9rentielle de l’\u00e9tude.<\/p>\n Par ailleurs, l’approche s\u00e9quentielle univari\u00e9e ignore totalement les structures de corr\u00e9lation sous-jacentes qui unissent les variables d\u00e9pendantes. Deux variables peuvent ne pr\u00e9senter aucune modification statistiquement significative de leurs moyennes respectives lorsqu’elles sont examin\u00e9es s\u00e9par\u00e9ment, mais manifester une r\u00e9organisation flagrante de leur structure de d\u00e9pendance ou de leur configuration vectorielle relative. L’ANOVA univari\u00e9e projette l’ensemble des donn\u00e9es sur un axe unique, effa\u00e7ant ainsi les covariances et les dynamiques g\u00e9om\u00e9triques obliques op\u00e9rant dans le plan ou le volume de l’espace multivari\u00e9 original.<\/p>\n L’analyse de variance multivari\u00e9e transcende les restrictions scalaires de l’ANOVA en \u00e9tendant le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral \u00e0 des matrices d’observations. Dans le paradigme de la MANOVA, chaque unit\u00e9 d’\u00e9chantillonnage ne fournit plus un score scalaire unique, mais un vecteur ligne de $p$<\/span> dimensions repr\u00e9sentant ses r\u00e9alisations sur $p$<\/span> variables d\u00e9pendantes quantitatives distinctes : $\\mathbf{y}_{ij}’ = [y_{ij1}, y_{ij2}, dots, y_{ijp}]$<\/span>. L’\u00e9quation matricielle fondamentale du mod\u00e8le multivari\u00e9 s’\u00e9tablit selon la syntaxe compacte :<\/p>\n $$\\mathbf{Y} = \\mathbf{X}\\mathbf{B} + \\mathbf{U}$$<\/span><\/p>\n o\u00f9 $\\mathbf{Y}$<\/span> repr\u00e9sente une matrice de donn\u00e9es de dimension $N \\times p$<\/span>, $\\mathbf{X}$<\/span> symbolise la matrice de plan exp\u00e9rimental (ou matrice de dessin) de dimension $N \\times q$<\/span> codant l’appartenance des sujets aux diff\u00e9rents groupes ou conditions de traitement, $\\mathbf{B}$<\/span> constitue la matrice des param\u00e8tres de r\u00e9gression multivari\u00e9e de dimension $q \\times p$<\/span>, et $\\mathbf{U}$<\/span> d\u00e9signe la matrice des erreurs r\u00e9siduelles al\u00e9atoires de dimension $N \\times p$<\/span>. L’hypoth\u00e8se nulle multivari\u00e9e postule l’identit\u00e9 stricte des centro\u00efdes \u2014 c’est-\u00e0-dire des vecteurs de moyennes multivari\u00e9es \u2014 entre l’ensemble des $k$<\/span> groupes sous observation :<\/p>\n $$H_0: boldsymbol{\\mu}_1 = boldsymbol{\\mu}_2 = dots = boldsymbol{\\mu}_k$$<\/span><\/p>\n o\u00f9 chaque $boldsymbol{\\mu}_j$<\/span> repr\u00e9sente un vecteur de taille $p \\times 1$<\/span> regroupant l’ensemble des moyennes attendues pour le groupe $j$<\/span> sur chaque dimension observ\u00e9e.<\/p>\n Le fondement op\u00e9rationnel de la MANOVA repose sur la cr\u00e9ation alg\u00e9brique d’une variable synth\u00e9tique lin\u00e9aire latente, parfois d\u00e9sign\u00e9e sous le terme de fonction discriminante ou de composante canonique. Cette variable composite se formalise par une combinaison lin\u00e9aire vectorielle des variables d\u00e9pendantes initiales :<\/p>\n $$z = a_1 y_1 + a_2 y_2 + dots + a_p y_p = \\mathbf{a}’\\mathbf{y}$$<\/span><\/p>\n Les coefficients de pond\u00e9ration vectoriels $\\mathbf{a}$<\/span> sont calcul\u00e9s au moyen des techniques de l’alg\u00e8bre lin\u00e9aire afin d’optimiser le ratio de variance intergroupe sur la variance r\u00e9siduelle pour la nouvelle dimension synth\u00e9tique $z$<\/span>, r\u00e9solvant ainsi un probl\u00e8me d’optimisation analogue \u00e0 la maximisation du quotient de Rayleigh.<\/p>\n1. Introduction aux mod\u00e8les d’analyse de variance<\/h2>\n
1.1 D\u00e9finition g\u00e9n\u00e9rale et contextualisation statistique<\/h3>\n
1.2 Origine des confusions r\u00e9currentes dans la recherche empirique<\/h3>\n
1.3 Objectifs et port\u00e9e comparative de l’\u00e9tude<\/h3>\n
2. L’ANOVA univari\u00e9e : architecture conceptuelle et postulats<\/h2>\n
2.1 Principe fondamental et d\u00e9composition de la variance<\/h3>\n
2.2 Postulats m\u00e9thodologiques et conditions de validit\u00e9<\/h3>\n
2.3 Limites inh\u00e9rentes \u00e0 l’approche univari\u00e9e<\/h3>\n
3. La MANOVA multivari\u00e9e : extension matricielle et mod\u00e9lisation<\/h2>\n
3.1 Principe math\u00e9matique et cr\u00e9ation de composites canoniques<\/h3>\n