{"id":1240,"date":"2026-09-04T16:52:30","date_gmt":"2026-09-04T16:52:30","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-test-levene-excel\/"},"modified":"2026-09-04T16:52:41","modified_gmt":"2026-09-04T16:52:41","slug":"comment-effectuer-test-levene-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-test-levene-excel","title":{"rendered":"Comment effectuer le test de Levene dans Excel"},"content":{"rendered":"

Dans le paysage contemporain des sciences du comportement, de la psychologie cognitive et de la recherche biom\u00e9dicale, la rigueur m\u00e9thodologique constitue le rempart ultime contre la crise de la reproductibilit\u00e9. L’inf\u00e9rence statistique moderne repose sur des \u00e9difices th\u00e9oriques \u00e9labor\u00e9s au cours du XXe si\u00e8cle par des pionniers tels que Ronald Fisher, Jerzy Neyman et Egon Pearson. Parmi les proc\u00e9dures les plus couramment mobilis\u00e9es par les chercheurs, l’analyse de variance (ANOVA<\/a>) et les tests de comparaison de moyennes occupent une place pr\u00e9pond\u00e9rante. N\u00e9anmoins, la validit\u00e9 interne des conclusions d\u00e9duites de ces mod\u00e8les param\u00e9triques est conditionn\u00e9e par le respect d’axiomes fondamentaux, au premier rang desquels figure le postulat d’homog\u00e9n\u00e9it\u00e9 des variances, techniquement d\u00e9sign\u00e9 sous le terme d’homosc\u00e9dasticit\u00e9.<\/p>\n

Le test de Levene s’est impos\u00e9 au fil des d\u00e9cennies comme la m\u00e9thode de r\u00e9f\u00e9rence pour diagnostiquer la conformit\u00e9 d’un jeu de donn\u00e9es \u00e0 cette hypoth\u00e8se d’\u00e9galit\u00e9 des variances. Con\u00e7u initialement par le statisticien Howard Levene en 1960, ce test offre une r\u00e9ponse robuste aux faiblesses structurelles des approches ant\u00e9rieures, notamment le test de Bartlett, dont la vuln\u00e9rabilit\u00e9 extr\u00eame aux d\u00e9viations de la loi normale compromettait fr\u00e9quemment l’interpr\u00e9tation empirique. Bien que des progiciels sp\u00e9cialis\u00e9s tels que SPSS, R ou SAS ex\u00e9cutent cette proc\u00e9dure de mani\u00e8re automatis\u00e9e, comprendre ses rouages math\u00e9matiques et savoir l’impl\u00e9menter manuellement au sein d’un tableur universel comme Microsoft Excel repr\u00e9sente un atout didactique et analytique inestimable pour le chercheur rigoureux.<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive, th\u00e9orique et op\u00e9ratoire, du test de Levene appliqu\u00e9 dans l’environnement Microsoft Excel. \u00c0 travers un exemple empirique concret issu de la psychologie exp\u00e9rimentale mesurant l’impact de diff\u00e9rents niveaux de stress sur les temps de r\u00e9action cognitive, nous d\u00e9taillerons chaque \u00e9tape computationnelle : de la formalisation matricielle des donn\u00e9es \u00e0 l’\u00e9valuation des r\u00e9sidus absolus, en passant par l’exploitation de l’Utilitaire d’analyse et la mod\u00e9lisation int\u00e9grale par formules dynamiques. Ce document fournira \u00e9galement les cl\u00e9s d’arbitrage m\u00e9thodologique n\u00e9cessaires en cas de violation de l’homosc\u00e9dasticit\u00e9, tout en guidant le praticien vers une r\u00e9daction normalis\u00e9e selon les standards internationaux de l’American Psychological Association (APA 7e \u00e9dition<\/a>).<\/p>\n

1. Fondements th\u00e9oriques et importance du test de Levene en recherche psychologique<\/h2>\n

1.1 La notion d’homosc\u00e9dasticit\u00e9 dans l’exp\u00e9rimentation comportementale<\/h3>\n

L’homosc\u00e9dasticit\u00e9, \u00e9tymologiquement d\u00e9riv\u00e9e du grec ancien signifiant \u00ab dispersion \u00e9gale \u00bb, stipule que la variabilit\u00e9 de la variable d\u00e9pendante mesur\u00e9e au sein des diff\u00e9rents sous-groupes exp\u00e9rimentaux demeure constante d’un niveau \u00e0 l’autre du facteur contr\u00f4l\u00e9. Dans le cadre d’un plan factoriel en psychologie exp\u00e9rimentale, cette condition implique que la distribution des scores individuels autour de la moyenne de leur condition respective pr\u00e9sente une dispersion uniforme. Les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux reposent sur l’hypoth\u00e8se centrale selon laquelle le terme d’erreur suit une loi de distribution identique pour l’ensemble des observations, ce qui se traduit math\u00e9matiquement par l’invariance de la variance d’erreur conditionnelle.<\/p>\n

Dans l’investigation des processus comportementaux et neurocognitifs, le maintien de cette homog\u00e9n\u00e9it\u00e9 de variance s’av\u00e8re particuli\u00e8rement ardu. Par exemple, lors de l’enregistrement de biomarqueurs psychophysiologiques tels que la r\u00e9ponse \u00e9lectrodermale, la variabilit\u00e9 de la fr\u00e9quence cardiaque ou les latences de potentiels \u00e9voqu\u00e9s, les sujets soumis \u00e0 un traitement anxiog\u00e8ne ou \u00e0 une charge cognitive s\u00e9v\u00e8re manifestent fr\u00e9quemment non seulement un glissement de leur tendance centrale, mais \u00e9galement une d\u00e9multiplication de leur variance intragroupe. Alors qu’un groupe contr\u00f4le au repos affiche des r\u00e9ponses physiologiques resserr\u00e9es autour d’une ligne de base stable, le groupe exp\u00e9rimental pr\u00e9sente des r\u00e9ponses hautement idiosyncrasiques, certains individus r\u00e9agissant violemment au stresseur tandis que d’autres conservent une hom\u00e9ostasie relative.<\/p>\n

Il demeure capital d’op\u00e9rer une distinction conceptuelle nette entre la variance d’\u00e9chantillonnage, attribuable aux fluctuations al\u00e9atoires inh\u00e9rentes \u00e0 la s\u00e9lection d’un sous-ensemble fini d’individus dans une population cible, et la variance d’erreur syst\u00e9matique issue de facteurs parasites ou de l’instabilit\u00e9 du traitement exp\u00e9rimental lui-m\u00eame. Lorsque la variance d’erreur varie en fonction des modalit\u00e9s du facteur \u00e9tudi\u00e9, les r\u00e9sidus du mod\u00e8le deviennent h\u00e9t\u00e9rosc\u00e9dastiques. Cette violation alt\u00e8re le barycentre g\u00e9om\u00e9trique des distributions, compromettant irr\u00e9m\u00e9diablement l’orthogonalit\u00e9 des contrastes statistiques et l’exactitude des calculs de probabilit\u00e9 critique associ\u00e9s aux distributions th\u00e9oriques usuelles.<\/p>\n

1.2 Le test de Levene comme pr\u00e9requis indispensable aux tests param\u00e9triques<\/h3>\n

Avant d’engager toute proc\u00e9dure de mod\u00e9lisation inf\u00e9rentielle param\u00e9trique, telle que l’analyse de variance uni-factorielle ou multifactorielle, ou encore le test t<\/em> de Student pour \u00e9chantillons ind\u00e9pendants, le protocole m\u00e9thodologique impose une v\u00e9rification formelle des conditions d’application. L’architecture de ces tests repose sur le rapport entre la variance expliqu\u00e9e par le mod\u00e8le (variance inter-groupes) et la variance inexpliqu\u00e9e r\u00e9siduelle (variance intra-groupes ou variance r\u00e9siduelle commune). La mise en commun de ces variances pr\u00e9suppose qu’elles constituent des estimateurs sans biais d’une seule et m\u00eame variance populationnelle sous-jacente.<\/p>\n

N\u00e9gliger de v\u00e9rifier ce pr\u00e9requis expose l’exp\u00e9rimentateur \u00e0 un biais d’interpr\u00e9tation destructeur pour la validit\u00e9 interne des conclusions scientifiques. Si l’homosc\u00e9dasticit\u00e9 n’est pas v\u00e9rifi\u00e9e, la statistique inf\u00e9rentielle calcul\u00e9e ne suit plus la loi th\u00e9orique de Fisher-Snedecor tabul\u00e9e, ce qui d\u00e9nature la signification r\u00e9elle du seuil de d\u00e9cision statistique. Le test de Levene agit d\u00e8s lors comme un point de contr\u00f4le qualit\u00e9 incontournable dans le pipeline de traitement des donn\u00e9es exp\u00e9rimentales. Il s’ins\u00e8re chronologiquement juste apr\u00e8s l’examen de la normalit\u00e9 des distributions univari\u00e9es et l’identification des aberrations m\u00e9trologiques, d\u00e9terminant la trajectoire analytique ult\u00e9rieure du chercheur.<\/p>\n

Dans l’\u00e9cosyst\u00e8me de l’analyse exploratoire des donn\u00e9es, le test de Levene permet d’objectiver la transition entre l’approche param\u00e9trique standard et des strat\u00e9gies d’estimation correctives. Omettre ce diagnostic revient \u00e0 accepter implicitement une \u00e9quation dont les termes de r\u00e9f\u00e9rence sont fauss\u00e9s. Le chercheur qui se dispenserait de cette \u00e9tape verrait ses r\u00e9sultats remis en cause lors de l’\u00e9valuation par les pairs, les revues savantes \u00e0 comit\u00e9 de lecture exigeant d\u00e9sormais la d\u00e9monstration explicite de la tenue des hypoth\u00e8ses sous-jacentes avant toute validation de d\u00e9couverte empirique.<\/p>\n

1.3 Cons\u00e9quences statistiques de la violation de l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9<\/h3>\n

L’impact d’une rupture de l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 sur les conclusions statistiques d\u00e9pend intimement de l’\u00e9quilibre des effectifs entre les diff\u00e9rents groupes exp\u00e9rimentaux. Lorsque les tailles d’\u00e9chantillons sont rigoureusement \u00e9quilibr\u00e9es (designs dits orthogonaux), l’analyse de variance pr\u00e9sente une robustesse mod\u00e9r\u00e9e face \u00e0 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances. Cependant, d\u00e8s lors que les effectifs deviennent in\u00e9gaux \u2014 une situation quasi in\u00e9vitable dans les protocoles cliniques ou les paradigmes comportementaux soumis \u00e0 l’attrition exp\u00e9rimentale \u2014, les d\u00e9r\u00e8glements computationnels deviennent majeurs.<\/p>\n

Dans le cas de figures o\u00f9 le groupe affichant le plus petit effectif pr\u00e9sente la variance la plus \u00e9lev\u00e9e, la variance r\u00e9siduelle mise en commun est substantiellement sous-estim\u00e9e. Cette sous-estimation induit une \u00e9l\u00e9vation artificielle de la valeur de la statistique F<\/em>, provoquant une inflation catastrophique du taux d’erreur de premi\u00e8re esp\u00e8ce (taux alpha). Le chercheur conclut alors \u00e0 l’existence d’un effet statistiquement significatif alors que les diff\u00e9rences observ\u00e9es rel\u00e8vent uniquement de l’instabilit\u00e9 de la variance locale. Le taux de faux positifs, th\u00e9oriquement calibr\u00e9 \u00e0 5 %, peut alors atteindre des proportions inacceptables d\u00e9passant fr\u00e9quemment 15 % \u00e0 20 %.<\/p>\n

Inversement, lorsque le groupe \u00e0 effectif restreint pr\u00e9sente une variance faible par rapport au groupe \u00e0 grand effectif, la variance r\u00e9siduelle commune se trouve surestim\u00e9e. Cela g\u00e9n\u00e8re une perte drastique de puissance statistique (augmentation de l’erreur de type II ou b\u00eata), masquant des effets exp\u00e9rimentaux pourtant r\u00e9els et th\u00e9oriquement significatifs. En outre, cette distorsion contamine les estimations des tailles d’effet empiriques (telles que le d de Cohen ou l’\u00eata-carr\u00e9 partiel) et \u00e9largit de mani\u00e8re asym\u00e9trique les intervalles de confiance associ\u00e9s, rendant caduque toute tentative de m\u00e9ta-analyse ult\u00e9rieure.<\/p>\n

2. Le cadre math\u00e9matique du test de Levene pour l’\u00e9galit\u00e9 des variances<\/h2>\n

2.1 Formalisation rigoureuse des hypoth\u00e8ses nulle et alternative<\/h3>\n

D’un point de vue inf\u00e9rentiel, le test de Levene vise \u00e0 \u00e9prouver la compatibilit\u00e9 des observations empiriques avec une hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 stricte des variances au sein des populations m\u00e8res dont sont extraits les \u00e9chantillons exp\u00e9rimentaux. Soit un ensemble de k<\/em> groupes ind\u00e9pendants d\u00e9finis par les modalit\u00e9s d’une variable ind\u00e9pendante cat\u00e9gorielle, chaque groupe i<\/em> (avec i<\/em> variant de 1 \u00e0 k<\/em>) \u00e9tant issu d’une population caract\u00e9ris\u00e9e par une variance th\u00e9orique not\u00e9e $\\sigma_i^2$<\/span>.<\/p>\n

L’hypoth\u00e8se nulle, d\u00e9sign\u00e9e conventionnellement par $H_0$<\/span>, postule une \u00e9galit\u00e9 parfaite entre l’ensemble des variances populationnelles sous-jacentes :<\/p>\n

$$H_0 : \\sigma_1^2 = \\sigma_2^2 = dots = \\sigma_k^2$$<\/span><\/p>\n

Cette proposition signifie que les fluctuations de dispersion observ\u00e9es d’un groupe \u00e0 un autre dans les donn\u00e9es d’\u00e9chantillonnage ne constituent que du bruit stochastique imputable \u00e0 l’al\u00e9a de l’\u00e9chantillonnage probabiliste.<\/p>\n

\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative, not\u00e9e $H_1$<\/span>, rejette cette \u00e9quivalence globale en affirmant l’existence d’au moins une divergence significative :<\/p>\n

$$H_1 : \\exists , (i, j) \\quad \\text{tel que} \\quad \\sigma_i^2 \\neq \\sigma_j^2 \\quad \\text{pour} \\quad i \\neq j$$<\/span><\/p>\n

Le test de Levene est un test omnidirectionnel (omnibus) : il ne sp\u00e9cifie pas a priori quel groupe particulier d\u00e9vie des autres, ni dans quelle amplitude ou direction. Il s’agit d’un test global bilat\u00e9ral appliqu\u00e9 aux r\u00e9sidus transform\u00e9s, dont le rejet formel impose une analyse approfondie de la structure des variances locales.<\/p>\n

2.2 M\u00e9canisme algorithmique : de l’\u00e9cart absolu \u00e0 la statistique F<\/h3>\n

L’ing\u00e9niosit\u00e9 math\u00e9matique de Howard Levene a consist\u00e9 \u00e0 convertir le probl\u00e8me complexe de la comparaison de variances en un probl\u00e8me classique de comparaison de moyennes d’\u00e9carts absolus, permettant le recyclage direct des propri\u00e9t\u00e9s calculatoires de l’ANOVA de Fisher. Soit $Y_{ij}$<\/span> l’observation relative au $j$<\/span>-i\u00e8me sujet du $i$<\/span>-i\u00e8me groupe, avec $i in {1, dots, k}$<\/span> et $j in {1, dots, n_i}$<\/span>, o\u00f9 $n_i$<\/span> repr\u00e9sente l’effectif du groupe $i$<\/span> et $N = \\sum n_i$<\/span> l’effectif global combin\u00e9.<\/p>\n

La premi\u00e8re phase computationnelle consiste \u00e0 transformer chaque valeur brute $Y_{ij}$<\/span> en une variable d\u00e9riv\u00e9e, not\u00e9e $Z_{ij}$<\/span>, correspondant \u00e0 la valeur absolue de l’\u00e9cart entre le score individuel et la moyenne arithm\u00e9tique de son groupe d’appartenance ($\\bar{Y}_{i\\cdot}$<\/span>) :<\/p>\n

$$Z_{ij} = |Y_{ij} – \\bar{Y}_{i\\cdot}|$$<\/span><\/p>\n

Ces scores $Z_{ij}$<\/span> mesurent la dispersion individuelle par rapport au barycentre local de la distribution. Plus une observation s’\u00e9carte de sa moyenne de groupe, plus la valeur de $Z_{ij}$<\/span> est \u00e9lev\u00e9e.<\/p>\n

La seconde phase consiste \u00e0 appliquer une analyse de variance standard \u00e0 un facteur sur cette nouvelle variable composite $Z_{ij}$<\/span>. La variabilit\u00e9 totale des r\u00e9sidus est d\u00e9compos\u00e9e en deux sommes de carr\u00e9s distinctes : la somme des carr\u00e9s inter-groupes ($SSB_Z$<\/span>) et la somme des carr\u00e9s intra-groupes ($SSW_Z$<\/span>) :<\/p>\n

$$SSB_Z = \\sum_{i=1}^k n_i (\\bar{Z}_{i\\cdot} – \\bar{Z}_{\\cdot\\cdot})^2$$<\/span><\/p>\n

$$SSW_Z = \\sum_{i=1}^k \\sum_{j=1}^{n_i} (Z_{ij} – \\bar{Z}_{i\\cdot})^2$$<\/span><\/p>\n

o\u00f9 $\\bar{Z}_{i\\cdot}$<\/span> est la moyenne des r\u00e9sidus absolus du groupe $i$<\/span>, et $\\bar{Z}_{\\cdot\\cdot}$<\/span> est la grande moyenne de l’ensemble des r\u00e9sidus du jeu de donn\u00e9es.<\/p>\n

La statistique finale du test de Levene, not\u00e9e $W$<\/span> ou $F_{\\text{Levene}}$<\/span>, correspond au ratio des variances moyennes (carr\u00e9s moyens) obtenues en divisant chaque somme de carr\u00e9s par ses degr\u00e9s de libert\u00e9 respectifs :<\/p>\n

$$W = \\frac{SSB_Z \/ (k – 1)}{SSW_Z \/ (N – k)} = \\frac{MSB_Z}{MSW_Z}$$<\/span><\/p>\n

Sous l’hypoth\u00e8se nulle d’homosc\u00e9dasticit\u00e9, cette quantit\u00e9 $W$<\/span> suit asymptotiquement une distribution de Fisher \u00e0 $df_1 = k – 1$<\/span> et $df_2 = N – k$<\/span> degr\u00e9s de libert\u00e9.<\/p>\n

2.3 Robustesse intrins\u00e8que face aux d\u00e9viations de la normalit\u00e9<\/h3>\n

Historiquement, l’\u00e9valuation de l’homosc\u00e9dasticit\u00e9 s’appuyait sur le test du rapport de variance maximale ou sur le test de Bartlett. Toutefois, le test de Bartlett pr\u00e9sente une sensibilit\u00e9 excessive aux \u00e9carts \u00e0 la distribution normale : lorsqu’un \u00e9chantillon pr\u00e9sente une asym\u00e9trie marqu\u00e9e ou un aplatissement important (kurtosis prononc\u00e9e), le test de Bartlett rejette fr\u00e9quemment l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des variances, non pas en raison d’une divergence effective des dispersions, mais du simple fait de la non-normalit\u00e9 des donn\u00e9es parentes.<\/p>\n

Le test de Levene r\u00e9sout cette vuln\u00e9rabilit\u00e9 en substituant aux carr\u00e9s des \u00e9carts (qui amplifient consid\u00e9rablement les scores situ\u00e9s dans les queues de distribution) la valeur absolue simple des r\u00e9sidus. Cette lin\u00e9arisation conf\u00e8re \u00e0 la statistique $W$<\/span> une stabilit\u00e9 remarquable face aux distributions mod\u00e9r\u00e9ment dissym\u00e9triques ou pr\u00e9sentant un l\u00e9ger coefficient d’aplatissement. Selon les travaux de simulation empiriques de NIST\/SEMATECH<\/a>, le taux d’erreur de premi\u00e8re esp\u00e8ce de Levene demeure remarquablement proche du seuil nominal m\u00eame lorsque les donn\u00e9es sont issues de lois de probabilit\u00e9 non gaussiennes.<\/p>\n

Il existe n\u00e9anmoins des limites structurelles \u00e0 cette robustesse. Lorsque les donn\u00e9es exp\u00e9rimentales pr\u00e9sentent des distributions hautement leptocurtiques (pr\u00e9sence de valeurs extr\u00eames tr\u00e8s distantes) ou une forte multimodalit\u00e9, le calcul de la moyenne de groupe comme point de r\u00e9f\u00e9rence centrale devient instable. Dans ces configurations particuli\u00e8rement d\u00e9grad\u00e9es, les variantes fond\u00e9es sur des estimateurs plus robustes, telles que la m\u00e9diane ou la moyenne tronqu\u00e9e, s’av\u00e8rent pr\u00e9f\u00e9rables.<\/p>\n

3. Pr\u00e9paration m\u00e9thodologique des donn\u00e9es exp\u00e9rimentales dans Microsoft Excel<\/h2>\n

3.1 Choix de la structure tabulaire : format large versus format long<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle d’analyses statistiques dans un environnement tabulaire comme Microsoft Excel exige une r\u00e9flexion pr\u00e9liminaire sur l’agencement structural des variables. En science des donn\u00e9es, deux paradigmes d’organisation coexistent : le format long (ou format \u00ab tidy \u00bb) et le format large (ou \u00ab unstacked \u00bb).<\/p>\n

Dans un format long, chaque ligne du classeur repr\u00e9sente une unit\u00e9 d’observation unique, une colonne \u00e9tant allou\u00e9e \u00e0 l’identification du facteur exp\u00e9rimental (par exemple \u00ab Condition_Stress \u00bb) et une seconde colonne contenant la valeur m\u00e9trique mesur\u00e9e (par exemple \u00ab Temps_Reaction \u00bb). Ce format est optimal pour les requ\u00eates de bases de donn\u00e9es, les tableaux crois\u00e9s dynamiques et les progiciels script\u00e9s comme R ou Python. En revanche, pour une d\u00e9composition p\u00e9dagogique et manuelle du test de Levene sous Excel, le format large s’av\u00e8re nettement sup\u00e9rieur.<\/p>\n

\"\"<\/figure>\n

Le format large alloue une colonne distincte \u00e0 chaque modalit\u00e9 de la variable ind\u00e9pendante. Ainsi, les donn\u00e9es du groupe Contr\u00f4le figurent dans la colonne A, celles du groupe Stress Mod\u00e9r\u00e9 dans la colonne B, et celles du groupe Stress \u00c9lev\u00e9 dans la colonne C. Cette disposition spatiale contigu\u00eb facilite grandement la manipulation des formules arithm\u00e9tiques, garantit une lisibilit\u00e9 imm\u00e9diate des distributions marginales et s’interface harmonieusement avec le module Utilitaire d’analyse d’Excel, dont l’algorithme d’ANOVA \u00e0 un facteur traite nativement les s\u00e9ries dispos\u00e9es en colonnes adjacentes.<\/p>\n

3.2 Diagnostic initial : identification des valeurs aberrantes et aberrances de saisie<\/h3>\n

Avant d’engager toute transformation matricielle, une inspection rigoureuse des donn\u00e9es brutes s’impose pour rep\u00e9rer d’\u00e9ventuelles valeurs aberrantes (outliers) ou des erreurs mat\u00e9rielles de frappe. \u00c9tant donn\u00e9 que le test de Levene classique calcule les \u00e9carts par rapport \u00e0 la moyenne arithm\u00e9tique de chaque modalit\u00e9, la pr\u00e9sence d’une seule valeur extr\u00eame non contr\u00f4l\u00e9e peut d\u00e9caler artificiellement le barycentre du sous-groupe, gonflant d\u00e9mesur\u00e9ment l’ensemble des r\u00e9sidus de cette condition.<\/p>\n

Le chercheur doit distinguer m\u00e9ticuleusement la variabilit\u00e9 biologique ou comportementale l\u00e9gitime de l’erreur instrumentale ou typographique. Un score de temps de r\u00e9action n\u00e9gatif ou exc\u00e9dant de plusieurs ordres de grandeur les seuils physiologiques humains (par exemple, 12 000 millisecondes au lieu de 400 millisecondes sur une t\u00e2che de discrimination simple) rel\u00e8ve incontestablement d’une panne d’enregistrement ou d’une d\u00e9faillance d’encodage. Une exploration visuelle via les diagrammes en bo\u00eete (bo\u00eetes \u00e0 moustaches int\u00e9gr\u00e9es dans Excel depuis la version 2016) combin\u00e9e au calcul des scores standardis\u00e9s Z<\/em> permet de localiser les observations situ\u00e9es au-del\u00e0 de trois \u00e9carts-types de la moyenne locale.<\/p>\n

Sur le plan d\u00e9ontologique et m\u00e9thodologique, l’\u00e9limination d’une observation ne doit jamais \u00eatre effectu\u00e9e dans le dessein d’arranger les r\u00e9sultats statistiques au b\u00e9n\u00e9fice de l’hypoth\u00e8se de recherche. Toute exclusion doit \u00eatre motiv\u00e9e par des crit\u00e8res m\u00e9thodologiques formul\u00e9s a priori, document\u00e9e avec transparence dans la section m\u00e9thodologique du rapport et id\u00e9alement compens\u00e9e par une analyse de sensibilit\u00e9 comparant les conclusions obtenues avec et sans les donn\u00e9es marginales.<\/p>\n

3.3 Pr\u00e9sentation du cas pratique psychologique appliqu\u00e9 dans le tutoriel<\/h3>\n

Afin de concr\u00e9tiser l’ensemble de notre d\u00e9monstration tout au long des chapitres suivants, nous mod\u00e9liserons une recherche empirique conduite au sein d’un laboratoire de psychologie cognitive exp\u00e9rimentale. L’\u00e9tude s’int\u00e9resse \u00e0 l’impact aigu de la pression \u00e9valuative (stress psychologique induit) sur la vitesse de traitement de l’information, mesur\u00e9e par une t\u00e2che informatis\u00e9e de temps de r\u00e9action au choix (en millisecondes).<\/p>\n

Le plan d’exp\u00e9rience repose sur un protocole inter-sujets comportant trois conditions exp\u00e9rimentales distinctes (k<\/em> = 3) :\n<\/p>\n

    \n
  • Groupe 1 (Contr\u00f4le \/ Stress Nul) :<\/strong> Les participants r\u00e9alisent la t\u00e2che cognitive dans un environnement neutre, rassurant et sans enjeu de performance externe.<\/li>\n
  • Groupe 2 (Stress Mod\u00e9r\u00e9) :<\/strong> Les participants sont inform\u00e9s que leur performance sera chronom\u00e9tr\u00e9e et compar\u00e9e \u00e0 une moyenne normative de r\u00e9f\u00e9rence.<\/li>\n
  • Groupe 3 (Stress S\u00e9v\u00e8re) :<\/strong> Les participants sont confront\u00e9s au protocole d’\u00e9valuation sociale de Trier modifi\u00e9 (pr\u00e9sence d’un jury d’experts impassibles observant leurs erreurs et r\u00e9troaction visuelle d\u00e9stabilisante en temps r\u00e9el).<\/li>\n<\/ul>\n

    L’\u00e9chantillon totalise $N = 30$<\/span> participants adultes volontaires, assign\u00e9s de mani\u00e8re strictement al\u00e9atoire \u00e0 raison de $n_1 = 10$<\/span>, $n_2 = 10$<\/span> et $n_3 = 10$<\/span> individus par modalit\u00e9. La variable d\u00e9pendante continue correspond au temps de r\u00e9action moyen de chaque sujet calcul\u00e9 sur 50 essais d’\u00e9valuation (exprim\u00e9 en millisecondes, ms). Notre mission statistique consiste \u00e0 d\u00e9terminer avec une rigueur absolue si la variance des temps de r\u00e9action est homog\u00e8ne entre ces trois groupes avant d’autoriser l’ex\u00e9cution de l’analyse de variance comparative classique.<\/p>\n

    4. \u00c9tape 1 : Encodage et structuration des donn\u00e9es brutes dans le tableur<\/h2>\n

    4.1 Disposition ordonn\u00e9e des colonnes exp\u00e9rimentales<\/h3>\n

    Ouvrez un nouveau classeur vierge dans Microsoft Excel et renommez le premier onglet en \u00ab Test_Levene_Complet \u00bb. La premi\u00e8re \u00e9tape op\u00e9ratoire consiste \u00e0 formaliser le tableau r\u00e9cepteur des donn\u00e9es brutes selon les normes de clart\u00e9 documentaire scientifique. L’organisation spatiale doit r\u00e9server les premi\u00e8res lignes aux informations d’identification m\u00e9tadonn\u00e9es pour \u00e9viter toute confusion ult\u00e9rieure.<\/p>\n

    Positionnez-vous sur la cellule A1 et saisissez le libell\u00e9 de la premi\u00e8re condition : Controle<\/code>. Dans la cellule B1, encodez Stress_Modere<\/code>, puis dans la cellule C1, inscrivez Stress_Severe<\/code>. Cette premi\u00e8re ligne d’en-t\u00eate constitue la r\u00e9f\u00e9rence qui sera ult\u00e9rieurement reconnue comme plage d’\u00e9tiquettes par les modules automatis\u00e9s du tableur. Il convient de proscrire l’usage d’espaces simples ou de caract\u00e8res accentu\u00e9s complexes dans les noms de colonnes afin de pr\u00e9venir tout conflit lors de l’appel de ces plages au sein de formules textuelles ou de macros Visual Basic.<\/p>\n

    \"\"<\/figure>\n

    Saisissez scrupuleusement les observations empiriques obtenues dans les cellules sous-jacentes (de la ligne 2 \u00e0 la ligne 11) :<\/p>\n

      \n
    • Groupe Contr\u00f4le (Plage A2:A11) :<\/strong> 452, 468, 445, 470, 458, 462, 449, 455, 465, 451.<\/li>\n
    • Groupe Stress Mod\u00e9r\u00e9 (Plage B2:B11) :<\/strong> 485, 492, 478, 510, 465, 498, 505, 472, 488, 495.<\/li>\n
    • Groupe Stress S\u00e9v\u00e8re (Plage C2:C11) :<\/strong> 520, 580, 460, 610, 490, 565, 430, 640, 515, 590.<\/li>\n<\/ul>\n

      On constate d’embl\u00e9e, par une simple inspection visuelle, que les scores du groupe Contr\u00f4le sont particuli\u00e8rement resserr\u00e9s (amplitude faible de 445 \u00e0 470 ms), tandis que les scores du groupe Stress S\u00e9v\u00e8re pr\u00e9sentent une amplitude consid\u00e9rable (de 430 \u00e0 640 ms), sugg\u00e9rant une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 potentielle qu’il conviendra de quantifier math\u00e9matiquement.<\/p>\n

      4.2 Contr\u00f4le typologique et formatage des cellules<\/h3>\n

      L’une des sources les plus fr\u00e9quentes de dysfonctionnement dans les calculs statistiques sous Excel r\u00e9side dans la pr\u00e9sence masqu\u00e9e de valeurs textuelles au sein de plages num\u00e9riques. Lorsqu’un chiffre est accidentellement encod\u00e9 avec une apostrophe initiale, un point au lieu d’une virgule d\u00e9cimale selon les param\u00e8tres r\u00e9gionaux du syst\u00e8me d’exploitation, ou un espace ins\u00e9cable, Excel consid\u00e8re l’entr\u00e9e comme une cha\u00eene de caract\u00e8res alphab\u00e9tiques. Par d\u00e9faut, ces cellules textuelles sont ignor\u00e9es silencieusement par des fonctions comme MOYENNE()<\/code>, ce qui fausse le d\u00e9nominateur de l’effectif sans g\u00e9n\u00e9rer de message d’alerte explicite.<\/p>\n

      Pour garantir l’int\u00e9grit\u00e9 du typage des donn\u00e9es, s\u00e9lectionnez l’int\u00e9gralit\u00e9 de la matrice empirique A2:C11. Dans le ruban sup\u00e9rieur d’Excel, acc\u00e9dez \u00e0 l’onglet Accueil<\/em>, section Nombre<\/em>, et forcez le formatage des cellules en s\u00e9lectionnant la cat\u00e9gorie Nombre<\/code>. D\u00e9finissez le nombre de d\u00e9cimales affich\u00e9es sur z\u00e9ro dans la mesure o\u00f9 les millisecondes sont ici mesur\u00e9es sous forme d’entiers naturels. V\u00e9rifiez visuellement que l’ensemble des donn\u00e9es s’aligne automatiquement sur le bord droit de chaque cellule ; un alignement spontan\u00e9 sur le bord gauche constitue le signalement d’un format texte qu’il faut imp\u00e9rativement corriger.<\/p>\n

      Activez \u00e9galement le v\u00e9rificateur d’erreurs en arri\u00e8re-plan en naviguant dans Fichier > Options > Formules<\/em> et en vous assurant que la case \u00ab Activer la v\u00e9rification des erreurs en arri\u00e8re-plan \u00bb est d\u00fbment coch\u00e9e. Cette pr\u00e9caution garantit qu’aucun avertissement r\u00e9siduel (triangle vert dans le coin sup\u00e9rieur gauche de la cellule) relatif \u00e0 des \u00ab nombres stock\u00e9s sous forme de texte \u00bb ne subsiste au sein de votre matrice op\u00e9rationnelle.<\/p>\n

      4.3 S\u00e9curisation et verrouillage de la matrice de donn\u00e9es<\/h3>\n

      La tra\u00e7abilit\u00e9 scientifique impose d’isoler les donn\u00e9es d’enregistrement brutes de toute manipulation destructrice ult\u00e9rieure. Une fois la saisie valid\u00e9e, nous recommandons de nommer explicitement ces plages cellulaires via le gestionnaire de noms. Cette convention am\u00e9liore la clart\u00e9 syntaxique des formules et pr\u00e9vient les erreurs de glissement de r\u00e9f\u00e9rences lors de futures modifications structurelles de la feuille de calcul.<\/p>\n

      S\u00e9lectionnez la plage A2:A11, puis dans la zone de texte situ\u00e9e \u00e0 gauche de la barre de formule (la zone de nom), saisissez Data_Controle<\/code> et appuyez sur la touche Entr\u00e9e. R\u00e9p\u00e9tez l’op\u00e9ration pour la plage B2:B11 en lui attribuant l’identifiant Data_Modere<\/code>, et enfin pour la plage C2:C11 avec le nom Data_Severe<\/code>. Vous disposez ainsi de variables matricielles exploitables directement dans la grammaire des fonctions int\u00e9gr\u00e9es du tableur.<\/p>\n

      Il est en outre prudent de prot\u00e9ger visuellement cette matrice initiale. Appliquez une couleur de fond sobre (par exemple un gris tr\u00e8s clair) aux en-t\u00eates et bordez la table de lignes d\u00e9limitatrices fines. Dupliquez \u00e9ventuellement cette feuille dans le m\u00eame classeur sous le nom \u00ab Sauvegarde_Source \u00bb afin de disposer d’une r\u00e9f\u00e9rence immuable en cas de manipulation inad\u00e9quate au cours des phases de calcul subs\u00e9quentes.<\/p>\n

      5. \u00c9tape 2 : Calcul des moyennes de groupe par fonctions Excel natives<\/h2>\n

      5.1 Impl\u00e9mentation rigoureuse de la fonction MOYENNE()<\/h3>\n

      Le calcul des moyennes locales constitue le socle indispensable \u00e0 la d\u00e9rivation ult\u00e9rieure des scores d’\u00e9cartement. Sous Microsoft Excel, l’esp\u00e9rance arithm\u00e9tique d’une s\u00e9rie num\u00e9rique est calcul\u00e9e via la fonction native MOYENNE()<\/code>. Cette fonction somme l’int\u00e9gralit\u00e9 des scalaires contenus dans la plage sp\u00e9cifi\u00e9e et divise cette somme par le nombre total de cellules contenant des valeurs chiffr\u00e9es valides.<\/p>\n

      Positionnez-vous dans la cellule A13, imm\u00e9diatement sous la colonne du groupe Contr\u00f4le, en laissant la ligne 12 vierge pour a\u00e9rer la mise en page. Dans la cellule A13, entrez la formule suivante :<\/p>\n

      =MOYENNE(A2:A11)<\/code><\/p>\n

      Appuyez sur la touche Entr\u00e9e. Excel affiche instantan\u00e9ment la valeur 458,5<\/code> (ou 458,50 si deux d\u00e9cimales sont configur\u00e9es). Dans la cellule voisine B13, tapez la formule correspondante pour le deuxi\u00e8me sous-groupe :<\/p>\n

      =MOYENNE(B2:B11)<\/code><\/p>\n

      Le r\u00e9sultat g\u00e9n\u00e9r\u00e9 s’\u00e9tablit \u00e0 488,8<\/code>. Enfin, dans la cellule C13, appliquez la fonction au troisi\u00e8me niveau :<\/p>\n

      =MOYENNE(C2:C11)<\/code><\/p>\n

      Le tableur retourne la valeur 540,0<\/code>.<\/p>\n

      \"\"<\/figure>\n

      Pour clarifier la structure du tableau, saisissez l’\u00e9tiquette explicative Moyenne_Groupe<\/code> dans la cellule adjacente gauche, soit en A12 ou dans une colonne d’annotation r\u00e9serv\u00e9e. Veillez scrupuleusement \u00e0 ce qu’aucune cellule vide n’ait \u00e9t\u00e9 incluse par erreur au sein de ces plages, car si la fonction MOYENNE()<\/code> ignore judicieusement les cellules totalement vierges, elle int\u00e8gre en revanche les cellules contenant le chiffre z\u00e9ro, ce qui fausserait irr\u00e9m\u00e9diablement le d\u00e9nominateur effectif en cas de saisie tronqu\u00e9e.<\/p>\n

      5.2 Gestion des r\u00e9f\u00e9rences de cellules pour l’automatisation<\/h3>\n

      Dans un contexte d’analyse statistique multivari\u00e9e impliquant des dizaines de conditions exp\u00e9rimentales, l’encodage cellule par cellule devient fastidieux et g\u00e9n\u00e9rateur de risques typographiques. La ma\u00eetrise des types d’adressage sous Excel \u2014 r\u00e9f\u00e9rences relatives versus r\u00e9f\u00e9rences absolues ou mixtes \u2014 s’av\u00e8re indispensable pour automatiser ces phases pr\u00e9liminaires en toute s\u00e9r\u00e9nit\u00e9.<\/p>\n

      Lorsque vous avez r\u00e9dig\u00e9 la formule dans la cellule A13 (=MOYENNE(A2:A11)<\/code>), les lettres de colonnes et les num\u00e9ros de lignes \u00e9taient en mode relatif, sans le symbole du dollar ($<\/code>). Cette libert\u00e9 syntaxique autorise l’usage de la poign\u00e9e de recopie incr\u00e9ment\u00e9e : s\u00e9lectionnez la cellule A13, cliquez sur le petit carr\u00e9 noir situ\u00e9 \u00e0 l’angle inf\u00e9rieur droit du cadre de s\u00e9lection, et faites glisser le curseur horizontalement vers la droite jusqu’\u00e0 la cellule C13. Excel adapte dynamiquement la formule en incr\u00e9mentant l’indexation alphab\u00e9tique : la formule devient =MOYENNE(B2:B11)<\/code> en B13 et =MOYENNE(C2:C11)<\/code> en C13.<\/p>\n

      Proc\u00e9dez syst\u00e9matiquement \u00e0 un contr\u00f4le de coh\u00e9rence en s\u00e9lectionnant la cellule C13 et en appuyant sur la touche de fonction F2 (ou en consultant la barre de formule). Les plages color\u00e9es mises en surbrillance par l’interface doivent encadrer pr\u00e9cis\u00e9ment les dix scores du groupe Stress S\u00e9v\u00e8re. Cette v\u00e9rification rapide pr\u00e9vient tout d\u00e9calage d’adressage susceptible de contaminer l’\u00e9tape suivante de d\u00e9rivation des r\u00e9sidus.<\/p>\n

      5.3 Calcul compl\u00e9mentaire des \u00e9carts-types pr\u00e9liminaires<\/h3>\n

      Avant m\u00eame d’engager le protocole formalis\u00e9 du test de Levene, l’estimation des \u00e9carts-types d’\u00e9chantillon fournit une indication heuristique fondamentale quant \u00e0 l’ampleur de la dispersion respective de chaque groupe. Dans la ligne 14, nous allons impl\u00e9menter la fonction d’estimation de l’\u00e9cart-type non biais\u00e9 sur \u00e9chantillon.<\/p>\n

      Dans la cellule A14, saisissez la formule :<\/p>\n

      =ECARTYPE.STANDARD(A2:A11)<\/code><\/p>\n

      \u00c9tendez cette formule par recopie horizontale jusqu’\u00e0 la cellule C14. Les r\u00e9sultats obtenus s’affichent ainsi :\n<\/p>\n

        \n
      • \u00c9cart-type du Groupe Contr\u00f4le (A14) : 8,18<\/code> ms (variance approximative de 66,94).<\/li>\n
      • \u00c9cart-type du Groupe Stress Mod\u00e9r\u00e9 (B14) : 14,48<\/code> ms (variance approximative de 209,73).<\/li>\n
      • \u00c9cart-type du Groupe Stress S\u00e9v\u00e8re (C14) : 64,33<\/code> ms (variance approximative de 4 137,78).<\/li>\n<\/ul>\n

        Une heuristique classique largement document\u00e9e en statistiques appliqu\u00e9es (par exemple chez Howell ou Tabachnick & Fidell) sugg\u00e8re que l’analyse de variance classique demeure robuste si le rapport entre la variance maximale observ\u00e9e et la variance minimale n’exc\u00e8de pas un facteur de 3 ou 4. Dans notre cas d’\u00e9cole empirique, le ratio des variances maximales sur minimales s’\u00e9l\u00e8ve \u00e0 :<\/p>\n

        $$\\frac{s_{\\max}^2}{s_{\\min}^2} = \\frac{4137,78}{66,94} \\approx 61,81$$<\/span><\/p>\n

        Ce ratio titanesque de 61,8 d\u00e9passe tr\u00e8s largement le seuil de tol\u00e9rance usuel. Cette simple observation exploratoire met en exergue l’imp\u00e9rieuse n\u00e9cessit\u00e9 d’un test inf\u00e9rentiel rigoureux pour statuer formellement sur l’invalidation de l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9.<\/p>\n

        6. \u00c9tape 3 : D\u00e9rivation des r\u00e9sidus absolus pour chaque observation<\/h2>\n

        6.1 Concept et justification de la transformation en \u00e9carts absolus<\/h3>\n

        Le c\u0153ur conceptuel du test de Levene r\u00e9side dans le d\u00e9placement de la variable d’int\u00e9r\u00eat : nous d\u00e9laissons les scores bruts pour nous focaliser sur les amplitudes d’\u00e9cartement individuel par rapport \u00e0 la tendance centrale de r\u00e9f\u00e9rence. Pour chaque sujet $j$<\/span> appartenant \u00e0 la condition $i$<\/span>, le r\u00e9sidu alg\u00e9brique simple est d\u00e9fini par la diff\u00e9rence :<\/p>\n

        $$e_{ij} = Y_{ij} – \\bar{Y}_{i\\cdot}$$<\/span><\/p>\n

        Cependant, par d\u00e9finition m\u00eame de la moyenne arithm\u00e9tique, la somme des \u00e9carts alg\u00e9briques simples d’un ensemble de valeurs \u00e0 sa moyenne est rigoureusement nulle : $\\sum_{j=1}^{n_i} (Y_{ij} – \\bar{Y}_{i\\cdot}) = 0$<\/span>. Il est donc math\u00e9matiquement impossible de comparer directement ces \u00e9carts simples sous peine d’obtenir une moyenne r\u00e9siduelle syst\u00e9matiquement \u00e9gale \u00e0 z\u00e9ro pour chaque condition.<\/p>\n

        Pour neutraliser le signe n\u00e9gatif des observations situ\u00e9es en de\u00e7\u00e0 de la moyenne, deux approches sont envisageables : l’\u00e9l\u00e9vation au carr\u00e9 $(Y_{ij} – \\bar{Y}_{i\\cdot})^2$<\/span>, qui est le fondement de la variance conventionnelle, ou la prise de la valeur absolue $|Y_{ij} – \\bar{Y}_{i\\cdot}|$<\/span>. Comme soulign\u00e9 dans les fondements th\u00e9oriques, l’\u00e9l\u00e9vation au carr\u00e9 surpond\u00e8re de mani\u00e8re exponentielle les points extr\u00eames, fragilisant le test en cas de queues de distribution \u00e9paisses. Le test de Levene privil\u00e9gie donc l’\u00e9cart absolu simple, transformant chaque observation en une distance euclidienne univari\u00e9e refl\u00e9tant sa contribution \u00e0 la dispersion globale du groupe.<\/p>\n

        6.2 Syntaxe et application de la fonction ABS()<\/h3>\n

        Pour op\u00e9rationnaliser cette d\u00e9rivation dans l’environnement Excel, nous exploitons la fonction math\u00e9matique native ABS()<\/code>, qui extrait la valeur absolue de l’argument num\u00e9rique pass\u00e9 entre ses parenth\u00e8ses. Nous devons soustraire la moyenne du groupe \u00e0 chaque observation brute, tout en bloquant la ligne de r\u00e9f\u00e9rence de la moyenne pour permettre un \u00e9tirement fluide des formules.<\/p>\n

        Positionnez-vous dans la cellule E2 pour initier la premi\u00e8re colonne de la matrice miroir des r\u00e9sidus absolus. Dans la cellule E2, tapez tr\u00e8s pr\u00e9cis\u00e9ment la formule suivante :<\/p>\n

        =ABS(A2 - A$13)<\/code><\/p>\n

        Analysez avec minutie la structure syntaxique de cette instruction :<\/p>\n

          \n
        • A2<\/code> est une r\u00e9f\u00e9rence enti\u00e8rement relative au score brut du premier participant du groupe Contr\u00f4le (452).<\/li>\n
        • Le signe de soustraction -<\/code> calcule l’\u00e9cart direct.<\/li>\n
        • A$13<\/code> fait r\u00e9f\u00e9rence \u00e0 la moyenne arithm\u00e9tique calcul\u00e9e pr\u00e9c\u00e9demment pour ce m\u00eame groupe (458,5). Le symbole du dollar $<\/code> plac\u00e9 imp\u00e9rativement devant le chiffre 13 fige la ligne de la moyenne. Ainsi, lorsque vous \u00e9tirerez la cellule vers le bas, la r\u00e9f\u00e9rence \u00e0 la ligne 13 restera immuable, tandis que l’indice de ligne des donn\u00e9es brutes passera successivement de 2 \u00e0 11.<\/li>\n
        • La fonction ABS(...)<\/code> convertit l’\u00e9cart alg\u00e9brique initial ($452 – 458,5 = -6,5$<\/span>) en sa valeur positive absolue : 6,5<\/code>.<\/li>\n<\/ul>\n
          \"\"<\/figure>\n

          Validez par Entr\u00e9e. \u00c9tirez ensuite la formule de la cellule E2 vers le bas jusqu’\u00e0 la cellule E11. Pour contr\u00f4ler visuellement, s\u00e9lectionnez la cellule E3 : la formule doit afficher =ABS(A3 - A$13)<\/code>, g\u00e9n\u00e9rant la valeur $|468 – 458,5| = 9,5$<\/span>. R\u00e9p\u00e9tez l’op\u00e9ration pour les autres groupes :<\/p>\n

            \n
          • En cellule F2 : encodez =ABS(B2 - B$13)<\/code> et \u00e9tirez jusqu’en F11.<\/li>\n
          • En cellule G2 : encodez =ABS(C2 - C$13)<\/code> et \u00e9tirez jusqu’en G11.<\/li>\n<\/ul>\n

            6.3 Organisation de la matrice secondaire des d\u00e9viations<\/h3>\n

            Afin de pr\u00e9server une lisibilit\u00e9 m\u00e9thodologique optimale sur votre feuille de calcul, structurez cette nouvelle matrice avec la m\u00eame rigueur que la table des donn\u00e9es brutes. En ligne 1, saisissez des en-t\u00eates explicites au-dessus de vos s\u00e9ries de r\u00e9sidus absolus :<\/p>\n

              \n
            • En E1 : Residus_Controle<\/code><\/li>\n
            • En F1 : Residus_Modere<\/code><\/li>\n
            • En G1 : Residus_Severe<\/code><\/li>\n<\/ul>\n

              Voici la table compl\u00e8te des valeurs de r\u00e9sidus absolus ($Z_{ij}$<\/span>) que vous devez obtenir dans la plage E2:G11 :<\/p>\n

                \n
              • Colonne E (Contr\u00f4le) :<\/strong> 6,5 ; 9,5 ; 13,5 ; 11,5 ; 0,5 ; 3,5 ; 9,5 ; 3,5 ; 6,5 ; 7,5.<\/li>\n
              • Colonne F (Stress Mod\u00e9r\u00e9) :<\/strong> 3,8 ; 3,2 ; 10,8 ; 21,2 ; 23,8 ; 9,2 ; 16,2 ; 16,8 ; 0,8 ; 6,2.<\/li>\n
              • Colonne G (Stress S\u00e9v\u00e8re) :<\/strong> 20,0 ; 40,0 ; 80,0 ; 70,0 ; 50,0 ; 25,0 ; 110,0 ; 100,0 ; 25,0 ; 50,0.<\/li>\n<\/ul>\n

                Pour v\u00e9rifier l’exactitude arithm\u00e9tique de votre transformation, calculez la moyenne des r\u00e9sidus absolus pour chaque colonne en ins\u00e9rant en E13 la formule =MOYENNE(E2:E11)<\/code> et en l’\u00e9tirant jusqu’en G13. Les moyennes obtenues sont respectivement de 7,20<\/code> pour le groupe Contr\u00f4le, 11,20<\/code> pour le groupe Stress Mod\u00e9r\u00e9, et 57,00<\/code> pour le groupe Stress S\u00e9v\u00e8re. Ces moyennes correspondent exactement aux \u00e9carts absolus moyens (Mean Absolute Deviations) de chaque sous-groupe empirique.<\/p>\n

                7. \u00c9tape 4 : Ex\u00e9cution de l’ANOVA \u00e0 un facteur via l’Utilitaire d’analyse<\/h2>\n

                7.1 Activation pr\u00e9alable du macro-compl\u00e9ment Utilitaire d’analyse<\/h3>\n

                L’Utilitaire d’analyse (Analysis ToolPak) est un module d’extension officiel d\u00e9velopp\u00e9 par Microsoft, int\u00e9gr\u00e9 nativement dans toutes les distributions modernes d’Excel, mais d\u00e9sactiv\u00e9 par d\u00e9faut lors de l’installation du logiciel. Ce compl\u00e9ment fournit un ensemble d’algorithmes statistiques avanc\u00e9s permettant de g\u00e9n\u00e9rer des sorties d’analyse de variance complexes sans requ\u00e9rir de codage manuel.<\/p>\n

                Pour v\u00e9rifier sa disponibilit\u00e9 ou proc\u00e9der \u00e0 son activation imm\u00e9diate, suivez le cheminement pas \u00e0 pas suivant :<\/p>\n

                  \n
                1. Cliquez sur l’onglet Fichier<\/strong> situ\u00e9 dans l’angle sup\u00e9rieur gauche du ruban Office, puis s\u00e9lectionnez l’entr\u00e9e Options<\/strong> tout en bas du menu contextuel vertical.<\/li>\n
                2. Dans la bo\u00eete de dialogue des Options Excel<\/em>, cliquez sur la cat\u00e9gorie Compl\u00e9ments<\/strong> dans le panneau de navigation gauche.<\/li>\n
                3. Au bas de la fen\u00eatre principale, localisez le menu d\u00e9roulant intitul\u00e9 G\u00e9rer :<\/strong>, assurez-vous que l’\u00e9l\u00e9ment s\u00e9lectionn\u00e9 est Compl\u00e9ments Excel<\/code>, puis cliquez sur le bouton Atteindre…<\/strong>.<\/li>\n
                4. Une nouvelle petite fen\u00eatre contextuelle intitul\u00e9e Macros compl\u00e9mentaires<\/em> appara\u00eet \u00e0 l’\u00e9cran. Cochez explicitement la case nomm\u00e9e Utilitaire d’analyse<\/strong> (Analysis ToolPak). Il est inutile de cocher l’Utilitaire d’analyse VBA sauf si vous pr\u00e9voyez d’automatiser vos routines via des macros script\u00e9es.<\/li>\n
                5. Validez en cliquant sur le bouton OK<\/strong>.<\/li>\n<\/ol>\n
                  \"\"<\/figure>\n

                  Pour constater la prise en compte effective du module, rendez-vous sur l’onglet Donn\u00e9es<\/strong> du ruban principal d’Excel. \u00c0 l’extr\u00e9mit\u00e9 droite de ce ruban, un nouveau groupe d’outils intitul\u00e9 Analyse<\/em> doit d\u00e9sormais figurer, arborant l’ic\u00f4ne Utilitaire d’analyse<\/strong> (ou Analyse de donn\u00e9es<\/strong> selon les versions linguistiques du syst\u00e8me).<\/p>\n

                  7.2 Configuration des param\u00e8tres de l’ANOVA \u00e0 1 facteur<\/h3>\n

                  Maintenant que l’environnement technique est op\u00e9rationnel, nous pouvons lancer l’analyse de variance sur notre matrice d\u00e9riv\u00e9e de r\u00e9sidus absolus. Cliquez sur l’ic\u00f4ne Utilitaire d’analyse<\/strong> dans l’onglet Donn\u00e9es. Une bo\u00eete de dialogue d\u00e9file affichant une panoplie de proc\u00e9dures statistiques. S\u00e9lectionnez la premi\u00e8re ligne intitul\u00e9e Analyse de variance : un facteur<\/strong>, puis cliquez sur le bouton OK<\/em>.<\/p>\n

                  La fen\u00eatre de param\u00e9trage de l’ANOVA \u00e0 un facteur s’affiche. Configurez rigoureusement les options comme suit :<\/p>\n