{"id":25223,"date":"2026-11-07T22:10:24","date_gmt":"2026-11-07T22:10:24","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_comparison=effet-principal-vs-effet-d-interaction"},"modified":"2026-11-07T22:10:24","modified_gmt":"2026-11-07T22:10:24","slug":"effet-principal-vs-effet-d-interaction","status":"publish","type":"psych_comparison","link":"https:\/\/french.arabpsychology.com\/?psych_comparison=effet-principal-vs-effet-d-interaction","title":{"rendered":"Effet principal vs Effet d’interaction"},"content":{"rendered":"

Dans l’architecture de la recherche quantitative et de l’analyse statistique contemporaine, la d\u00e9composition rigoureuse de la variance constitue la pierre angulaire de l’inf\u00e9rence causale et de la mod\u00e9lisation explicative. Qu’il s’agisse d’\u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle d’une mol\u00e9cule pharmacologique, d’analyser l’impact d’une r\u00e9forme p\u00e9dagogique sur diverses cohortes socio-\u00e9conomiques ou de mod\u00e9liser les d\u00e9terminants cognitifs du comportement humain, les chercheurs sont constamment confront\u00e9s \u00e0 un d\u00e9fi analytique majeur : d\u00e9terminer dans quelle mesure une variable ind\u00e9pendante agit de mani\u00e8re autonome et invariante sur une variable r\u00e9ponse, ou si son influence d\u00e9pend intimement du contexte cr\u00e9\u00e9 par une ou plusieurs autres variables. Cette tension conceptuelle et m\u00e9thodologique s’incarne dans la distinction fondamentale entre l’effet principal<\/strong> et l’effet d’interaction<\/strong>.<\/p>\n

Historiquement formalis\u00e9e par Sir Ronald A. Fisher<\/a> au sein du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 et des plans d’exp\u00e9rience factoriels, cette dichotomie structure l’ensemble de la statistique inf\u00e9rentielle moderne, de l’analyse de variance (ANOVA) \u00e0 la r\u00e9gression lin\u00e9aire multiple et aux mod\u00e8les mixtes \u00e0 effets al\u00e9atoires. Alors que l’effet principal capture l’amplitude globale et inconditionnelle de l’action d’un facteur pris isol\u00e9ment \u2014 en moyennant ses r\u00e9percussions \u00e0 travers toutes les strates du plan d’exp\u00e9rience \u2014, l’effet d’interaction r\u00e9v\u00e8le la non-additivit\u00e9 des m\u00e9canismes sous-jacents, signalant qu’une simple sommation des influences factorielles \u00e9choue \u00e0 rendre compte de la complexit\u00e9 du ph\u00e9nom\u00e8ne observ\u00e9. La pr\u00e9sence d’une interaction remet en question la g\u00e9n\u00e9ralisabilit\u00e9 de l’effet principal, contraignant l’exp\u00e9rimentateur \u00e0 substituer une lecture conditionnelle \u00e0 une affirmation universelle.<\/p>\n

Pourtant, en d\u00e9pit d’une codification math\u00e9matique s\u00e9culaire, la coexistence de ces deux composantes au sein d’un m\u00eame mod\u00e8le statistique continue de susciter d’innombrables m\u00e9prises analytiques, interpr\u00e9tations erron\u00e9es et biais de publication. Confondre un effet moyen marginal avec une loi fonctionnelle invariante, interpr\u00e9ter un effet principal en pr\u00e9sence d’une interaction crois\u00e9e d\u00e9sordinale, ou encore n\u00e9gliger la puissance statistique requise pour d\u00e9tecter un terme mod\u00e9rateur multiplicatif sont autant d’\u00e9cueils qui fragilisent la r\u00e9plicabilit\u00e9 des sciences empiriques. Le pr\u00e9sent trait\u00e9 a pour vocation d’analyser de mani\u00e8re exhaustive les fondements \u00e9pist\u00e9mologiques, les formulations math\u00e9matiques, les repr\u00e9sentations g\u00e9om\u00e9triques et les protocoles d\u00e9cisionnels r\u00e9gissant l’effet principal et l’effet d’interaction, afin d’offrir un guide analytique d\u00e9finitif pour la recherche scientifique rigoureuse.<\/p>\n

1. Introduction : Fondements de l’analyse factorielle et distinction conceptuelle<\/h2>\n

1.1 D\u00e9finitions pr\u00e9liminaires en statistique inf\u00e9rentielle<\/h3>\n

L’analyse statistique inf\u00e9rentielle vise \u00e0 extraire des lois r\u00e9guli\u00e8res et g\u00e9n\u00e9ralisables \u00e0 partir d’\u00e9chantillons probabilistes ou exp\u00e9rimentaux pr\u00e9lev\u00e9s sur une population cible. Au c\u0153ur de cette entreprise r\u00e9side la formalisation de relations fonctionnelles entre deux classes de variables : d’une part, la variable d\u00e9pendante (VD) ou variable r\u00e9ponse, conventionnellement not\u00e9e $Y$<\/span>, qui mesure le ph\u00e9nom\u00e8ne d’int\u00e9r\u00eat sous une forme m\u00e9trique continue ou discr\u00e8te ; d’autre part, un ensemble de variables ind\u00e9pendantes (VI) ou facteurs pr\u00e9dictifs, not\u00e9s $X_1, X_2, dots, X_p$<\/span>, que le chercheur manipule exp\u00e9rimentalement ou recueille par observation quasi-exp\u00e9rimentale. Dans le cadre exp\u00e9rimental standard, les facteurs peuvent \u00eatre cat\u00e9goriels \u2014 structur\u00e9s en plusieurs modalit\u00e9s ou niveaux d’exposition \u2014 ou continus, agissant comme des covariables dimensionnelles.<\/p>\n

La notion d’effet moyen d’un facteur isol\u00e9, conceptualis\u00e9e sous la d\u00e9signation d’effet principal, renvoie \u00e0 la variation globale induite sur la variable d\u00e9pendante par le passage d’une modalit\u00e9 \u00e0 une autre de ce facteur sp\u00e9cifique, lorsque cette variation est agr\u00e9g\u00e9e et moyenn\u00e9e sur l’ensemble exhaustif des conditions d\u00e9finies par les autres facteurs du mod\u00e8le. Cette d\u00e9marche proc\u00e8de d’une volont\u00e9 d’abstraction : il s’agit d’estimer ce que produirait l’application d’un traitement $A$<\/span> comparativement \u00e0 un traitement de contr\u00f4le si toutes les autres sources de variation syst\u00e9matique \u00e9taient artificiellement neutralis\u00e9es ou balanc\u00e9es. Math\u00e9matiquement, cela implique de calculer les moyennes dites marginales, c’est-\u00e0-dire les moyennes de chaque niveau du facteur cible calcul\u00e9es sur la totalit\u00e9 des observations, sans op\u00e9rer de partitionnement conditionnel selon les niveaux des facteurs concomitants.<\/p>\n

Toutefois, la r\u00e9alit\u00e9 empirique se plie rarement \u00e0 une telle ind\u00e9pendance fonctionnelle. Tr\u00e8s fr\u00e9quemment \u00e9merge une d\u00e9pendance conditionnelle entre les pr\u00e9dicteurs, ph\u00e9nom\u00e8ne par lequel la nature, l’amplitude ou le sens de la relation liant la variable ind\u00e9pendante $X_1$<\/span> \u00e0 la variable r\u00e9ponse $Y$<\/span> devient une fonction d\u00e9pendante du niveau pris par une seconde variable ind\u00e9pendante $X_2$<\/span>. D\u00e8s lors que cette interd\u00e9pendance se manifeste, l’effet d’un facteur ne peut plus \u00eatre d\u00e9crit de mani\u00e8re univoque sans sp\u00e9cifier l’\u00e9tat d’activation ou le contexte d\u00e9fini par le second facteur. Cette \u00e9mergence conditionnelle correspond rigoureusement \u00e0 l’effet d’interaction, \u00e9galement qualifi\u00e9 de relation de mod\u00e9ration dans la litt\u00e9rature des sciences sociales et comportementales.<\/p>\n

Le r\u00f4le de ces concepts est fondamental dans les plans factoriels exp\u00e9rimentaux et quasi-exp\u00e9rimentaux. Contrairement aux approches univari\u00e9es na\u00efves qui testent les facteurs de mani\u00e8re s\u00e9quentielle et d\u00e9connect\u00e9e (\u00ab un facteur \u00e0 la fois \u00bb ou plans OFAT pour One Factor At a Time<\/em>), le plan factoriel crois\u00e9 introduit simultan\u00e9ment deux ou plusieurs variables ind\u00e9pendantes avec l’ensemble de leurs combinaisons possibles. Cette architecture permet non seulement d’\u00e9valuer l’efficience autonome de chaque facteur avec une \u00e9conomie consid\u00e9rable d’unit\u00e9s exp\u00e9rimentales, mais constitue l’unique moyen math\u00e9matique d’\u00e9valuer empiriquement si les facteurs agissent en synergie, en antagonisme ou de fa\u00e7on strictement ind\u00e9pendante.<\/p>\n

1.2 Origine de la confusion dans les mod\u00e8les lin\u00e9aires et factoriels<\/h3>\n

La persistance de confusions m\u00e9thodologiques autour des effets principaux et d’interaction s’explique en grande partie par une tendance cognitive naturelle : l’esprit humain privil\u00e9gie spontan\u00e9ment l’interpr\u00e9tation lin\u00e9aire, additive et isol\u00e9e des causalit\u00e9s. Dans la vie quotidienne comme dans la pens\u00e9e scientifique r\u00e9ductionniste, l’intuition incline \u00e0 concevoir le monde sous la forme d’\u00e9quations additives simples, o\u00f9 l’effet total d’un ensemble de causes serait exactement \u00e9gal \u00e0 la somme arithm\u00e9tique de leurs effets respectifs. Transpos\u00e9e \u00e0 l’analyse de donn\u00e9es, cette heuristique conduit fr\u00e9quemment les praticiens \u00e0 postuler implicitement que si un facteur $A$<\/span> produit un gain de 5 unit\u00e9s et qu’un facteur $B$<\/span> produit un gain de 3 unit\u00e9s, leur conjonction produira n\u00e9cessairement un gain de 8 unit\u00e9s, invariable quel que soit le sous-groupe consid\u00e9r\u00e9.<\/p>\n

Cette heuristique additive se heurte violemment \u00e0 la difficult\u00e9 d’appr\u00e9hender g\u00e9om\u00e9triquement et math\u00e9matiquement les non-lin\u00e9arit\u00e9s conjointes. Dans un espace multidimensionnel, la non-additivit\u00e9 se traduit par des surfaces de r\u00e9ponse gauchies, hyperboliques ou torsad\u00e9es, qui \u00e9chappent aux repr\u00e9sentations planes intuitives. Lorsqu’un mod\u00e8le de r\u00e9gression incorpore un terme de produit crois\u00e9 $X_1 X_2$<\/span>, la pente de la surface de r\u00e9gression par rapport \u00e0 $X_1$<\/span> varie en fonction continue de $X_2$<\/span>. Cette notion de \u00ab pente qui d\u00e9pend d’une autre variable \u00bb requiert le recours conceptuel aux d\u00e9riv\u00e9es partielles du second ordre, un cadre analytique qui d\u00e9passe la simple lecture directe des corr\u00e9lations bivari\u00e9es et g\u00e9n\u00e8re des erreurs r\u00e9currentes d’interpr\u00e9tation chez les analystes non rompus \u00e0 la mod\u00e9lisation multivari\u00e9e.<\/p>\n

Une autre source majeure de distorsion provient de la lecture superficielle et m\u00e9canique des tables de sortie du test d’analyse de variance (ANOVA<\/a>) fournies par les progiciels statistiques courants (SPSS, R, SAS, Stata). Les tables d’ANOVA pr\u00e9sentent traditionnellement les sommes des carr\u00e9s, les degr\u00e9s de libert\u00e9, les carr\u00e9s moyens, les valeurs $F$<\/span> et les valeurs $p$<\/span> pour chacun des effets principaux de fa\u00e7on s\u00e9quentielle, avant de faire figurer, sur une ligne subordonn\u00e9e, le terme d’interaction. Cette disposition visuelle incite inconsciemment l’utilisateur \u00e0 traiter les effets principaux comme des entit\u00e9s primordiales, universelles et ind\u00e9pendantes, et l’interaction comme une simple retouche marginale ou une curiosit\u00e9 statistique secondaire. Or, sur le plan probabiliste, la pr\u00e9sence d’une interaction statistiquement significative modifie radicalement le statut ontologique des effets principaux situ\u00e9s au-dessus d’elle dans la table.<\/p>\n

Les cons\u00e9quences th\u00e9oriques d’une mauvaise d\u00e9composition de la variance sont particuli\u00e8rement d\u00e9l\u00e9t\u00e8res pour l’avancement des connaissances. Attribuer abusivement de la variance expliqu\u00e9e \u00e0 un effet principal lorsque celle-ci rel\u00e8ve en r\u00e9alit\u00e9 d’une interaction d’ordre sup\u00e9rieur conduit \u00e0 formuler des pr\u00e9dictions erron\u00e9es sur l’ensemble de la population. Une telle b\u00e9vue peut amener des \u00e9quipes de recherche \u00e0 conclure \u00e0 l’universalit\u00e9 d’une th\u00e9rapeutique qui se r\u00e9v\u00e8le en fait inop\u00e9rante, voire n\u00e9faste, chez un sous-groupe sp\u00e9cifique de patients, ou inversement \u00e0 rejeter une intervention prometteuse sous pr\u00e9texte que son effet moyen global est nul, masquant ainsi un b\u00e9n\u00e9fice massif mais strictement restreint \u00e0 une sous-population d\u00e9termin\u00e9e.<\/p>\n

1.3 Importance m\u00e9thodologique de la dissociation des effets<\/h3>\n

La dissociation rigoureuse entre l’effet principal et l’effet d’interaction conditionne directement la validit\u00e9 interne des conclusions scientifiques issues de plans exp\u00e9rimentaux et quasi-exp\u00e9rimentaux. La validit\u00e9 interne renvoie \u00e0 la certitude avec laquelle une relation de cause \u00e0 effet postul\u00e9e entre une variable ind\u00e9pendante et une variable d\u00e9pendante n’est pas le produit de biais m\u00e9thodologiques, de variables confondantes ou d’artefacts computationnels. Si une interaction substantielle n’est pas convenablement sp\u00e9cifi\u00e9e et isol\u00e9e au sein du mod\u00e8le statistique, la variance r\u00e9siduelle se trouve artificiellement gonfl\u00e9e, ce qui d\u00e9forme l’estimation des erreurs types et fausse l’attribution causale des variations observ\u00e9es.<\/p>\n

Sur le plan translationnel et pragmatique, cette dissociation constitue le rempart m\u00e9thodologique le plus efficace contre les g\u00e9n\u00e9ralisations abusives quant \u00e0 l’efficacit\u00e9 d’un traitement. Dans les domaines appliqu\u00e9s, tels que la pharmacologie, la m\u00e9decine fond\u00e9e sur les preuves, la psychologie clinique ou les sciences de gestion, une intervention n’est presque jamais uniform\u00e9ment efficace. La dissociation factorielle permet d’identifier pr\u00e9cis\u00e9ment les segments de la population pour lesquels une politique publique, une psychoth\u00e9rapie ou un protocole d’ing\u00e9nierie produit les r\u00e9sultats escompt\u00e9s, \u00e9vitant ainsi le d\u00e9ploiement dispendieux et potentiellement pr\u00e9judiciable de protocoles uniformis\u00e9s fond\u00e9s sur de simples moyennes marginales artificielles.<\/p>\n

En outre, la sp\u00e9cification ad\u00e9quate des effets principaux et interactifs optimise la puissance statistique du dispositif exp\u00e9rimental tout en minimisant les risques conjoints d’erreurs de type I (faux positifs) et de type II (faux n\u00e9gatifs). L’inclusion d’un terme d’interaction pertinent extrait une part substantielle de la variance non expliqu\u00e9e pour la transf\u00e9rer de la somme des carr\u00e9s de l’erreur vers la somme des carr\u00e9s du mod\u00e8le. Il en r\u00e9sulte une diminution m\u00e9canique du carr\u00e9 moyen r\u00e9siduel, ce qui augmente le ratio $F$<\/span> et la sensibilit\u00e9 des tests d’hypoth\u00e8ses subs\u00e9quents. \u00c0 l’inverse, tester un effet principal en omettant une interaction puissante expose le chercheur \u00e0 une inflation dramatique de l’erreur de type II : l’effet r\u00e9el de la variable ind\u00e9pendante peut \u00eatre ind\u00e9tectable au niveau moyen agr\u00e9g\u00e9, conduisant au rejet injustifi\u00e9 d’une hypoth\u00e8se de travail pourtant scientifiquement valide.<\/p>\n

Enfin, cette s\u00e9paration conceptuelle est indispensable \u00e0 l’\u00e9dification de mod\u00e8les explicatifs sophistiqu\u00e9s au sein des sciences humaines, biom\u00e9dicales et sociales. Les th\u00e9ories contemporaines ont depuis longtemps d\u00e9pass\u00e9 les architectures causales lin\u00e9aires simplistes pour embrasser la complexit\u00e9 syst\u00e9mique. Dans ces disciplines, les facteurs environnementaux, biologiques, sociologiques et psychologiques interagissent de fa\u00e7on permanente au sein de r\u00e9seaux dynamiques. Ma\u00eetriser la distinction entre effets principaux et effets de mod\u00e9ration permet aux chercheurs de tester des hypoth\u00e8ses th\u00e9oriques avanc\u00e9es portant sur les conditions limites, les fen\u00eatres de vuln\u00e9rabilit\u00e9 et les seuils d’activation des processus sous examen.<\/p>\n

2. Comprendre l’effet principal : D\u00e9finition, mod\u00e9lisation et port\u00e9e<\/h2>\n

2.1 D\u00e9finition th\u00e9orique et formulation math\u00e9matique<\/h3>\n

L’effet principal d\u00e9signe l’influence globale, autonome et directe qu’exerce une variable ind\u00e9pendante sur une variable r\u00e9ponse, consid\u00e9r\u00e9e ind\u00e9pendamment des fluctuations attribuables aux autres variables pr\u00e9dictives int\u00e9gr\u00e9es dans le mod\u00e8le. Dans la perspective de l’analyse de variance, l’effet principal d’un facteur $A$<\/span> correspond \u00e0 la dispersion des moyennes des diff\u00e9rents niveaux de $A$<\/span> autour de la moyenne g\u00e9n\u00e9rale (ou grand-mean), apr\u00e8s neutralisation des variations induites par les autres facteurs. Ce concept postule implicitement que l’impact observ\u00e9 entre deux modalit\u00e9s donn\u00e9es d’un facteur demeure constant et homog\u00e8ne, quel que soit l’\u00e9tat d’activation des autres composantes du dispositif exp\u00e9rimental.<\/p>\n

Pour formaliser math\u00e9matiquement cette notion dans le cadre d’un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 appliqu\u00e9 \u00e0 un plan factoriel crois\u00e9 \u00e0 deux facteurs fixes $A$<\/span> (comportant $I$<\/span> modalit\u00e9s index\u00e9es par $i = 1, dots, I$<\/span>) et $B$<\/span> (comportant $J$<\/span> modalit\u00e9s index\u00e9es par $j = 1, dots, J$<\/span>), chaque observation $Y_{ijk}$<\/span> (avec $k = 1, dots, n$<\/span> r\u00e9p\u00e9titions par cellule) est mod\u00e9lis\u00e9e selon l’\u00e9quation de d\u00e9composition classique :<\/p>\n

$$Y_{ijk} = \\mu + \\alpha_i + \\beta_j + (\\alpha\\beta)_{ij} + \\epsilon_{ijk}$$<\/span><\/p>\n

Dans cette formulation param\u00e9trique sous contraintes d’identifiabilit\u00e9 de type somme nulle ($\\sum_{i=1}^I \\alpha_i = 0$<\/span>, $\\sum_{j=1}^J \\beta_j = 0$<\/span>, $\\sum_{i=1}^I (\\alpha\\beta)_{ij} = 0$<\/span>, $\\sum_{j=1}^J (\\alpha\\beta)_{ij} = 0$<\/span>), le param\u00e8tre $\\mu$<\/span> repr\u00e9sente la moyenne g\u00e9n\u00e9rale inconditionnelle de la population. Le param\u00e8tre $\\alpha_i$<\/span> quantifie l’effet principal de la modalit\u00e9 $i$<\/span> du facteur $A$<\/span>. Il est rigoureusement d\u00e9fini comme l’\u00e9cart math\u00e9matique entre l’esp\u00e9rance marginale de la variable r\u00e9ponse conditionnellement \u00e0 la modalit\u00e9 $i$<\/span> du facteur $A$<\/span> et la moyenne g\u00e9n\u00e9rale globale de l’exp\u00e9rience :<\/p>\n

$$\\alpha_i = \\mu_{i\\cdot} – \\mu$$<\/span><\/p>\n

De fa\u00e7on strictement sym\u00e9trique, l’effet principal $\\beta_j$<\/span> associ\u00e9 \u00e0 la modalit\u00e9 $j$<\/span> du facteur $B$<\/span> s’exprime sous la forme :<\/p>\n

$$\\beta_j = \\mu_{\\cdot j} – \\mu$$<\/span><\/p>\n

Lorsque les variables ind\u00e9pendantes sont trait\u00e9es de mani\u00e8re continue dans un cadre de r\u00e9gression lin\u00e9aire multiple sans terme de produit crois\u00e9, le mod\u00e8le s’\u00e9crit $Y_i = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + \\epsilon_i$<\/span>. Dans ce contexte sans interaction, les coefficients de r\u00e9gression partiels $\\beta_1$<\/span> et $\\beta_2$<\/span> incarnent directement les effets principaux des covariables : ils mesurent l’accroissement attendu de l’esp\u00e9rance math\u00e9matique de $Y$<\/span> pour une variation unitaire du pr\u00e9dicteur correspondant, sous l’hypoth\u00e8se stricte que l’autre pr\u00e9dicteur demeure rigoureusement invariant (condition ceteris paribus<\/em>).<\/p>\n

L’\u00e9valuation de l’effet principal repose fondamentalement sur le calcul de la variance expliqu\u00e9e inter-groupes associ\u00e9e \u00e0 ce facteur unique. L’hypoth\u00e8se nulle ($H_0$<\/span>) test\u00e9e postule que toutes les esp\u00e9rances marginales associ\u00e9es aux modalit\u00e9s du facteur sont strictement identiques entre elles et \u00e9gales \u00e0 la moyenne globale, c’est-\u00e0-dire :<\/p>\n

$$H_0 : \\alpha_1 = \\alpha_2 = dots = \\alpha_I = 0 iff \\mu_{1\\cdot} = \\mu_{2\\cdot} = dots = \\mu_{I\\cdot} = \\mu$$<\/span><\/p>\n

Le rejet de cette hypoth\u00e8se nulle indique que le facteur test\u00e9 induit une s\u00e9paration significative des moyennes marginales, ce qui autorise le statisticien \u00e0 affirmer l’existence d’une action globale du facteur sur le syst\u00e8me \u00e9tudi\u00e9, sous r\u00e9serve d’un examen approfondi de l’\u00e9ventuelle interaction concomitante.<\/p>\n

2.2 Estimation statistique et calcul des moyennes marginales<\/h3>\n

L’estimation ponctuelle des param\u00e8tres d’effet principal requiert le calcul pr\u00e9cis des moyennes marginales au sein de la matrice de donn\u00e9es factorielle. La moyenne marginale non pond\u00e9r\u00e9e de la $i$<\/span>-\u00e8me modalit\u00e9 du facteur $A$<\/span>, conventionnellement d\u00e9sign\u00e9e sous le terme de moyenne marginale estim\u00e9e (ou estimated marginal mean<\/em> \/ least-squares mean<\/em>), est d\u00e9finie comme la moyenne arithm\u00e9tique simple des moyennes observ\u00e9es \u00e0 travers l’ensemble des $J$<\/span> niveaux du facteur concomitant $B$<\/span> :<\/p>\n

$$\\bar{Y}_{i\\cdot} = \\frac{1}{J} \\sum_{j=1}^J \\bar{Y}_{ij}$$<\/span><\/p>\n

Dans un plan factoriel strictement \u00e9quilibr\u00e9 \u2014 o\u00f9 le nombre d’observations par cellule est parfaitement constant ($n_{ij} = n$<\/span>) \u2014, la moyenne marginale non pond\u00e9r\u00e9e co\u00efncide exactement avec la moyenne marginale pond\u00e9r\u00e9e brute (la somme de toutes les observations de la ligne $i$<\/span> divis\u00e9e par la taille de la sous-population $J \\times n$<\/span>). En revanche, d\u00e8s lors que le plan devient d\u00e9s\u00e9quilibr\u00e9 ($n_{ij} \\neq n_{i’j’}$<\/span>), cette \u00e9quivalence s’effondre. Les moyennes brutes subissent alors l’influence disproportionn\u00e9e des cellules exp\u00e9rimentales sur-repr\u00e9sent\u00e9es, introduisant un biais structurel majeur. L’analyste doit imp\u00e9rativement recourir aux moyennes marginales estim\u00e9es (obtenues via la mod\u00e9lisation lin\u00e9aire) afin d’\u00e9valuer l’effet principal ind\u00e9pendamment des fluctuations d’\u00e9chantillonnage.<\/p>\n

Cette distinction entre plans \u00e9quilibr\u00e9s et d\u00e9s\u00e9quilibr\u00e9s gouverne directement le choix du type de somme des carr\u00e9s (Sum of Squares<\/a>, not\u00e9e $SS$<\/span>) \u00e0 employer pour isoler l’effet principal :<\/p>\n