Dans la pratique clinique et exp\u00e9rimentale, ces postulats sont tr\u00e8s rarement respect\u00e9s. Les distributions des scores de d\u00e9pression, d’anxi\u00e9t\u00e9 ou de stress pr\u00e9sentent r\u00e9guli\u00e8rement des asym\u00e9tries positives ou n\u00e9gatives prononc\u00e9es, tandis que les temps de r\u00e9action enregistr\u00e9s lors de t\u00e2ches d’attention soutenue affichent des queues de distribution \u00e9tendues vers la droite. Par ailleurs, l’usage pr\u00e9dominant d’outils d’\u00e9valuation psychom\u00e9trique reposant sur des \u00e9chelles de Likert<\/a> g\u00e9n\u00e8re des donn\u00e9es strictement ordinales pour lesquelles la notion de moyenne arithm\u00e9tique et d’\u00e9cart-type n’a pas de l\u00e9gitimit\u00e9 math\u00e9matique formelle. Le test de Friedman r\u00e9pond avec une robustesse exemplaire \u00e0 ces impasses m\u00e9thodologiques. En ne requ\u00e9rant aucune hypoth\u00e8se sur la forme sous-jacente de la distribution de la population parente, il permet d’analyser des variables continues non normales aussi bien que des mesures discr\u00e8tes purement ordinales, conf\u00e9rant une s\u00e9curit\u00e9 analytique optimale au chercheur.<\/p>\n Pour appr\u00e9hender ad\u00e9quatement la place du test de Friedman au sein de la taxonomie des m\u00e9thodes quantitatives, il convient de le confronter aux autres outils inf\u00e9rentiels non param\u00e9triques couramment employ\u00e9s. Une distinction conceptuelle fondamentale doit \u00eatre \u00e9tablie vis-\u00e0-vis du test de Kruskal-Wallis. Bien que tous deux constituent des extensions non param\u00e9triques de l’analyse de variance \u00e0 au moins trois modalit\u00e9s (k<\/em> ≥ 3), le test de Kruskal-Wallis est r\u00e9serv\u00e9 aux devis exp\u00e9rimentaux \u00e0 groupes ind\u00e9pendants, c’est-\u00e0-dire inter-sujets, o\u00f9 chaque participant n’est assign\u00e9 qu’\u00e0 une seule et unique modalit\u00e9 du facteur. Le test de Friedman, quant \u00e0 lui, s’applique exclusivement aux devis intra-sujets (ou appari\u00e9s), dans lesquels un m\u00eame groupe de sujets traverse l’int\u00e9gralit\u00e9 des modalit\u00e9s exp\u00e9rimentales.<\/p>\n D’autre part, le test de Friedman s’articule directement avec le test des rangs sign\u00e9s de Wilcoxon. De la m\u00eame mani\u00e8re que l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es constitue la g\u00e9n\u00e9ralisation du test t<\/em> de Student pour \u00e9chantillons appari\u00e9s au-del\u00e0 de deux conditions, le test de Friedman repr\u00e9sente l’extension directe du test de Wilcoxon appari\u00e9 pour k<\/em> conditions exp\u00e9rimentales. Lorsque k<\/em> = 2, le test de Friedman fournit une conclusion asymptotiquement \u00e9quivalente \u00e0 celle du test de Wilcoxon. L’avantage d\u00e9cisif du test de Friedman r\u00e9side dans sa strat\u00e9gie op\u00e9rationnelle : plut\u00f4t que de classer globalement l’ensemble des observations de l’exp\u00e9rience, il op\u00e8re une transformation en rangs distincte pour chaque bloc individuel. Cette conversion intra-individuelle des scores continus ou ordinaux neutralise les \u00e9carts interindividuels de base, permettant de focaliser la puissance du test sur les seules fluctuations relatives induites par les conditions exp\u00e9rimentales.<\/p>\n L’assise logique de l’inf\u00e9rence statistique via le test de Friedman repose sur la formulation rigoureuse d’un couple d’hypoth\u00e8ses mutuellement exclusives. L’hypoth\u00e8se nulle, not\u00e9e H0, postule qu’il n’existe aucune diff\u00e9rence syst\u00e9matique entre les distributions des variables associ\u00e9es aux diff\u00e9rentes conditions exp\u00e9rimentales. D’un point de vue probabiliste plus pr\u00e9cis, H0 \u00e9nonce que pour chaque sujet (ou chaque bloc), les rangs attribu\u00e9s aux k<\/em> modalit\u00e9s r\u00e9sultent d’une permutation al\u00e9atoire \u00e9quiprobable. En termes simples, cela signifie que le traitement ou le passage du temps n’exerce aucun effet directionnel et que les m\u00e9dianes populationnelles sous-jacentes sont strictement \u00e9quivalentes \u00e0 travers les k<\/em> conditions de l’\u00e9tude.<\/p>\n \u00c0 l’inverse, l’hypoth\u00e8se alternative, conventionnellement d\u00e9sign\u00e9e par H1, postule qu’au moins une des conditions exp\u00e9rimentales tend \u00e0 engendrer des valeurs syst\u00e9matiquement sup\u00e9rieures ou inf\u00e9rieures aux autres modalit\u00e9s, induisant un glissement de m\u00e9diane et une distribution non al\u00e9atoire des rangs au sein des blocs. Il convient de souligner avec force que l’hypoth\u00e8se alternative du test de Friedman est une hypoth\u00e8se globale ou omnibus. Elle n’indique en aucun cas quelles sont les modalit\u00e9s sp\u00e9cifiques qui se diff\u00e9rencient mutuellement, ni la direction de ces divergences. L’obtention d’un r\u00e9sultat statistiquement significatif au terme du test de Friedman implique uniquement le rejet de l’\u00e9quiprobabilit\u00e9 des classements, rendant indispensable la mise en place subs\u00e9quente de proc\u00e9dures d’analyse post-hoc<\/em> pour localiser avec pr\u00e9cision les contrastes empiriques significatifs.<\/p>\n La validit\u00e9 des inf\u00e9rences tir\u00e9es \u00e0 partir du test de Friedman est conditionn\u00e9e par le respect de crit\u00e8res m\u00e9thodologiques pr\u00e9cis touchant \u00e0 la nature des variables et \u00e0 la structuration du devis exp\u00e9rimental. La variable ind\u00e9pendante doit obligatoirement \u00eatre un facteur qualitatif nominal ou ordinal comportant un nombre fini k<\/em> de niveaux ou modalit\u00e9s r\u00e9p\u00e9t\u00e9es, avec la contrainte stricte que k<\/em> soit sup\u00e9rieur ou \u00e9gal \u00e0 trois. Si le chercheur dispose uniquement de deux conditions exp\u00e9rimentales, l’emploi du test des rangs sign\u00e9s de Wilcoxon pour s\u00e9ries appari\u00e9es doit \u00eatre privil\u00e9gi\u00e9, car il offre une meilleure puissance statistique exacte et une mod\u00e9lisation plus directe des diff\u00e9rences intra-paires.<\/p>\n La variable d\u00e9pendante, pour sa part, doit \u00eatre mesur\u00e9e au minimum sur une \u00e9chelle ordinale. Elle peut consister en un score sur une \u00e9chelle de type Likert (par exemple, une \u00e9chelle d’\u00e9valuation de la d\u00e9tresse psychologique en 5 ou 7 points), un rang d’ordre de pr\u00e9f\u00e9rence, ou une mesure quantitative continue d’intervalle ou de rapport (telle qu’un temps de r\u00e9action en millisecondes ou une concentration s\u00e9rique de cortisol). En outre, la structure des donn\u00e9es impose un appariement parfait : chaque bloc individuel doit avoir \u00e9t\u00e9 \u00e9valu\u00e9 sous chacune des k<\/em> conditions sans aucune exception. La pr\u00e9sence d’une seule observation manquante pour un participant donn\u00e9 invalide la structure matricielle \u00e9quilibr\u00e9e requise par le calcul des rangs de Friedman. Face \u00e0 des donn\u00e9es manquantes, le chercheur doit soit recourir \u00e0 des m\u00e9thodes d’imputation valides, soit exclure le participant de l’analyse, soit s’orienter vers des mod\u00e8les mixtes plus flexibles mais plus complexes.<\/p>\n Bien que le test de Friedman g\u00e8re explicitement la d\u00e9pendance intra-sujet inh\u00e9rente aux mesures r\u00e9p\u00e9t\u00e9es, il repose sur le postulat imp\u00e9rieux d’ind\u00e9pendance mutuelle entre les diff\u00e9rents blocs ou participants de l’\u00e9chantillon. Cela signifie que la r\u00e9ponse ou le comportement d’un sujet i<\/em> ne doit exercer aucune influence, directe ou indirecte, sur les r\u00e9ponses fournies par le sujet j<\/em>. Dans le contexte des recherches en psychologie, ce postulat requiert un protocole d’administration strict : les passations doivent s’effectuer de mani\u00e8re individuelle et isol\u00e9e, en \u00e9vitant les effets de groupe, la contagion sociale ou la communication entre sujets exp\u00e9rimentaux.<\/p>\n Parall\u00e8lement, la comparabilit\u00e9 des blocs au sein du plan exp\u00e9rimental doit \u00eatre pr\u00e9serv\u00e9e par un contr\u00f4le m\u00e9thodique rigoureux. Dans les protocoles \u00e0 mesures r\u00e9p\u00e9t\u00e9es, les donn\u00e9es sont particuli\u00e8rement vuln\u00e9rables aux menaces pesant sur la validit\u00e9 interne, telles que les effets de fatigue, de lassitude, d’habituation ou d’apprentissage moteur et cognitif. Pour s’assurer que les rangs attribu\u00e9s traduisent fid\u00e8lement l’effet de la variable ind\u00e9pendante et non un artefact li\u00e9 \u00e0 la chronologie des mesures, l’exp\u00e9rimentateur doit syst\u00e9matiquement recourir \u00e0 des proc\u00e9dures de contrebalancement des conditions, par exemple par le biais d’un carr\u00e9 latin \u00e9quilibr\u00e9 ou d’une randomisation compl\u00e8te de l’ordre d’administration des modalit\u00e9s pour chaque participant.<\/p>\n L’estimation de la probabilit\u00e9 critique (la p-valeur) associ\u00e9e au test de Friedman repose le plus fr\u00e9quemment sur une approximation asymptotique de la statistique de test par la loi du Chi-carr\u00e9 (χ²). Cette approximation n’est th\u00e9oriquement et empiriquement fiable que lorsque l’\u00e9chantillon comprend un effectif suffisant. En r\u00e8gle g\u00e9n\u00e9rale, la litt\u00e9rature m\u00e9thodologique s’accorde sur le fait que l’approximation par le Chi-carr\u00e9 est valide d\u00e8s lors que le nombre de sujets n<\/em> est sup\u00e9rieur ou \u00e9gal \u00e0 10 lorsque k<\/em> = 3 ou 4, ou d\u00e8s que k<\/em> ≥ 5 pour des \u00e9chantillons plus restreints. Lorsque la taille de l’\u00e9chantillon descend en dessous de ces seuils critiques (par exemple pour n<\/em> < 6), la distribution d’\u00e9chantillonnage exacte de la statistique de Friedman s’\u00e9carte sensiblement de la courbe continue th\u00e9orique du Chi-carr\u00e9.<\/p>\n Dans de telles configurations de petits \u00e9chantillons, l’utilisation aveugle de l’approximation par le Chi-carr\u00e9 majore le risque d’erreur de type I (rejet \u00e0 tort de l’hypoth\u00e8se nulle) ou alt\u00e8re gravement la puissance statistique du test. Bien qu’Excel utilise par d\u00e9faut la distribution continue du Chi-carr\u00e9 via ses fonctions int\u00e9gr\u00e9es, le praticien confront\u00e9 \u00e0 un tr\u00e8s petit \u00e9chantillon devra comparer sa statistique observ\u00e9e aux tables des distributions exactes de Friedman \u00e9tablies par combinatoire. En ce qui concerne la sensibilit\u00e9 analytique face aux asym\u00e9tries prononc\u00e9es, le test de Friedman conserve une excellente puissance relative par rapport aux approches param\u00e9triques standard, particuli\u00e8rement lorsque la taille d’\u00e9chantillon est mod\u00e9r\u00e9e et que les donn\u00e9es pr\u00e9sentent des tra\u00eenes distributives lourdes ou des scores plafonds\/planchers.<\/p>\n La premi\u00e8re phase op\u00e9rationnelle pour ex\u00e9cuter le test de Friedman dans Microsoft Excel r\u00e9side dans l’agencement m\u00e9thodique et standardis\u00e9 des donn\u00e9es brutes au sein de la feuille de calcul. Contrairement au format dit \u00ab long \u00bb fr\u00e9quemment privil\u00e9gi\u00e9 dans les bases de donn\u00e9es relationnelles ou les progiciels comme R (o\u00f9 chaque ligne repr\u00e9sente une mesure unique), le calcul manuel ou semi-automatis\u00e9 sous Excel requiert imp\u00e9rativement une pr\u00e9sentation matricielle en format \u00ab large \u00bb. Dans cette configuration spatiale, les participants ou unit\u00e9s exp\u00e9rimentales sont dispos\u00e9s le long des lignes du tableau, tandis que les diff\u00e9rentes conditions exp\u00e9rimentales occupent les colonnes successives.<\/p>\n Consid\u00e9rons, \u00e0 titre d’exemple clinique appliqu\u00e9 qui servira de fil conducteur \u00e0 l’ensemble de ce guide, une \u00e9tude portant sur l’efficacit\u00e9 compar\u00e9e de trois interventions pharmacologiques distinctes (Traitement A, Traitement B et Traitement C) administr\u00e9es de mani\u00e8re crois\u00e9e \u00e0 une cohorte de dix patients souffrant de troubles de l’attention. La variable d\u00e9pendante mesur\u00e9e correspond au temps moyen d’inhibition cognitive exprim\u00e9 en millisecondes au test de Stroop. La premi\u00e8re colonne de la feuille de calcul (colonne A) recevra les identifiants univoques des sujets (de \u00ab Patient 01 \u00bb en ligne 2 \u00e0 \u00ab Patient 10 \u00bb en ligne 11). Les colonnes adjacentes B, C et D contiendront respectivement les valeurs num\u00e9riques associ\u00e9es au Traitement A, au Traitement B et au Traitement C pour chacun des participants. Il est essentiel de s’assurer du format typologique strict des cellules : celles-ci doivent \u00eatre param\u00e9tr\u00e9es en type num\u00e9rique standard et exemptes de caract\u00e8res textuels ou d’espaces invisibles susceptibles d’induire des erreurs d’\u00e9valuation lors de l’application ult\u00e9rieure des fonctions matricielles.<\/p>\n Afin de pr\u00e9server une lisibilit\u00e9 irr\u00e9prochable et de pr\u00e9venir les \u00e9cueils d’\u00e9crasement de formules, il est fortement recommand\u00e9 d’isoler la table des donn\u00e9es initiales de la zone consacr\u00e9e au traitement non param\u00e9trique. La meilleure pratique consiste \u00e0 dupliquer la structure des en-t\u00eates quelques lignes plus bas ou sur une plage lat\u00e9rale d\u00e9di\u00e9e. Nous r\u00e9serverons la plage F2:H11 pour implanter la matrice des rangs intra-individuels, o\u00f9 chaque cellule contiendra le rang relatif de la performance du patient pour la condition consid\u00e9r\u00e9e. Les en-t\u00eates de colonnes en F1, G1 et H1 reprendront fid\u00e8lement les libell\u00e9s \u00ab Rang Traitement A \u00bb, \u00ab Rang Traitement B \u00bb et \u00ab Rang Traitement C \u00bb.<\/p>\n De surcro\u00eet, la conception d’un bloc de m\u00e9tadonn\u00e9es param\u00e9triques s’av\u00e8re indispensable pour garantir le dynamisme et l’\u00e9volutivit\u00e9 du mod\u00e8le d’analyse. Dans une zone adjacente clairement d\u00e9limit\u00e9e (par exemple en cellules J2:K6), le praticien d\u00e9finira les constantes structurelles du protocole exp\u00e9rimental. La cellule K2 h\u00e9bergera le nombre d’observations ou de blocs, d\u00e9sign\u00e9 par la variable n<\/em>, calcul\u00e9 dynamiquement par la formule =NBVAL(A2:A11)<\/em> ou =NB(B2:B11)<\/em>. La cellule K3 contiendra le nombre de conditions r\u00e9p\u00e9t\u00e9es, d\u00e9sign\u00e9 par la variable k<\/em>, calcul\u00e9 via la syntaxe =COLONNES(B2:D2)<\/em>. L’int\u00e9gration pr\u00e9coce de ces r\u00e9f\u00e9rences automatis\u00e9es facilitera grandement l’\u00e9laboration des \u00e9quations arithm\u00e9tiques ult\u00e9rieures en \u00e9vitant l’encodage rigide de constantes num\u00e9riques dans les barres de formules.<\/p>\n L’op\u00e9ration fondamentale constitutive du test de Friedman r\u00e9side dans le remplacement des m\u00e9triques brutes individuelles par des rangs ordinaux attribu\u00e9s de mani\u00e8re strictement interne \u00e0 chaque bloc de sujet. Pour chaque ligne de donn\u00e9es correspondant \u00e0 un participant sp\u00e9cifique, les valeurs obtenues sous les k<\/em> conditions doivent \u00eatre ordonn\u00e9es de la plus faible \u00e0 la plus \u00e9lev\u00e9e (ou inversement, selon la m\u00e9trique psychologique \u00e9tudi\u00e9e), en assignant la valeur 1 \u00e0 la condition manifestant la magnitude minimale, la valeur 2 \u00e0 la suivante, et la valeur k<\/em> \u00e0 la condition pr\u00e9sentant la valeur la plus haute. Pour op\u00e9rer ce classement dans Microsoft Excel, l’usage de la fonction contemporaine RANG.MOYENNE<\/a> (correspondant \u00e0 RANK.AVG<\/em> dans les versions anglophones) est strictement obligatoire.<\/p>\n La syntaxe canonique de la fonction s’articule autour de trois arguments pr\u00e9cis : RANG.MOYENNE(nombre; r\u00e9f\u00e9rence; [ordre])<\/em>. Le premier argument, nombre<\/em>, d\u00e9signe la cellule dont on recherche le rang ordinal au sein de la ligne. Le second argument, r\u00e9f\u00e9rence<\/em>, d\u00e9limite l’ensemble de la s\u00e9rie de valeurs \u00e0 laquelle la cellule cible doit \u00eatre compar\u00e9e. Le troisi\u00e8me argument, facultatif mais ici capital, est l’argument ordre<\/em>. Si cet argument est omis ou fix\u00e9 \u00e0 0, Excel classe les valeurs par ordre d\u00e9croissant (attribuant le rang 1 \u00e0 la valeur la plus volumineuse). Or, dans l’immense majorit\u00e9 des devis de temps de r\u00e9action ou d’\u00e9valuation clinique, la convention scientifique requiert un classement croissant o\u00f9 une performance rapide ou un score bas re\u00e7oit le premier rang. On assignera donc explicitement la valeur 1 \u00e0 cet argument.<\/p>\n Pour concr\u00e9tiser cette transformation ordinale dans notre matrice d’analyse, positionnez le curseur sur la cellule F2, destin\u00e9e \u00e0 recevoir le rang du premier patient pour le Traitement A. La formule exacte \u00e0 saisir s’\u00e9nonce comme suit : =RANG.MOYENNE(B2; $B2:$<\/span>D2; 1)<\/em>. L’analyse de cette \u00e9criture r\u00e9v\u00e8le un d\u00e9tail technique d’une importance capitale : l’usage rigoureux d’une r\u00e9f\u00e9rence semi-absolue pour la plage de comparaison $B2:$<\/span>D2<\/em>. Le verrouillage des colonnes par le pr\u00e9fixe dollar ($B et$<\/span>D) garantit que lors de l’\u00e9tirement horizontal de la formule vers la droite (en colonnes G et H), la plage de r\u00e9f\u00e9rence demeure inalt\u00e9rable et circonscrite aux trois traitements du patient 1, tout en autorisant l’incr\u00e9mentation automatique de la ligne lors de l’\u00e9tirement vertical vers le bas.<\/p>\n Une fois la formule saisie et valid\u00e9e en F2, il suffit de la copier horizontalement jusqu’\u00e0 la cellule H2. \u00c0 ce stade, la cellule G2 contiendra =RANG.MOYENNE(C2; $B2:$<\/span>D2; 1)<\/em> et la cellule H2 affichera =RANG.MOYENNE(D2; $B2:$<\/span>D2; 1)<\/em>. Les trois cellules de la plage F2:H2 affichent alors la permutation des rangs (allant de 1 \u00e0 3) pour le Patient 01. L’\u00e9tape suivante consiste \u00e0 s\u00e9lectionner le bloc F2:H2 et \u00e0 le recopier verticalement vers le bas jusqu’\u00e0 la ligne 11. En une fraction de seconde, l’ensemble de la matrice de donn\u00e9es quantitatives est converti en une matrice ordinale intra-sujet rigoureuse, standardis\u00e9e et enti\u00e8rement dynamique.<\/p>\n Avant d’engager les calculs d’agr\u00e9gation d’ordre sup\u00e9rieur, une validation m\u00e9thodologique de la matrice des rangs nouvellement g\u00e9n\u00e9r\u00e9e s’impose. En vertu des lois fondamentales de la combinatoire arithm\u00e9tique, la somme des entiers successifs de 1 \u00e0 k<\/em> pour n’importe quelle s\u00e9quence non r\u00e9p\u00e9t\u00e9e est invariablement \u00e9gale \u00e0 la constante th\u00e9orique d\u00e9finie par la relation :<\/p>\n Somme th\u00e9orique = k * (k + 1) \/ 2<\/em><\/p>\n Dans le cadre de notre \u00e9tude o\u00f9 k<\/em> = 3 conditions exp\u00e9rimentales, chaque ligne individuelle de la matrice des rangs doit imp\u00e9rativement produire une somme \u00e9gale \u00e0 3 * (3 + 1) \/ 2 = 6, et ce, qu’il existe ou non des valeurs ex \u00e6quo (puisque le partage des rangs moyens conserve strictement la masse totale des rangs). Pour v\u00e9rifier ce postulat de mani\u00e8re syst\u00e9matique, nous ins\u00e9rons une colonne de contr\u00f4le en colonne I, intitul\u00e9e \u00ab Validation Ligne \u00bb. En cellule I2, impl\u00e9mentez la formule logique suivante : =SOMME(F2:H2)=($K$<\/span>3*($K$<\/span>3+1)\/2)<\/em>. En \u00e9tirant cette formule jusqu’\u00e0 la cellule I11, chaque cellule doit imp\u00e9rativement renvoyer la valeur bool\u00e9enne VRAI<\/em>. L’apparition d’un indicateur FAUX<\/em> signalerait une alt\u00e9ration fatale dans l’adressage des cellules lors de l’\u00e9tirement de la formule RANG.MOYENNE, n\u00e9cessitant une correction imm\u00e9diate avant toute poursuite analytique.<\/p>\n Dans l’\u00e9valuation psychom\u00e9trique ou chronom\u00e9trique des comportements humains, la survenue de scores rigoureusement identiques pour un m\u00eame sujet \u00e0 travers diff\u00e9rentes conditions est un \u00e9v\u00e9nement fr\u00e9quent, tout particuli\u00e8rement lorsque la variable d\u00e9pendante est mesur\u00e9e sur une \u00e9chelle ordinale discr\u00e8te \u00e0 faible amplitude (comme une \u00e9chelle de Likert en 5 points). Lorsqu’une telle \u00e9galit\u00e9 (ou ex \u00e6quo) se produit au sein d’une ligne, la fonction statistique historique d’Excel RANG<\/em> ou sa d\u00e9clinaison contemporaine RANG.EQ<\/em> assigne le rang le plus \u00e9lev\u00e9 \u00e0 toutes les valeurs concordantes, faussant ainsi artificiellement la somme des rangs et la variance de l’\u00e9chantillon.<\/p>\n C’est pr\u00e9cis\u00e9ment ici que r\u00e9side la sup\u00e9riorit\u00e9 m\u00e9thodologique de la fonction RANG.MOYENNE<\/em>. En cas d’ex \u00e6quo, celle-ci calcule la moyenne arithm\u00e9tique exacte des rangs th\u00e9oriques que ces observations auraient occup\u00e9s si elles avaient \u00e9t\u00e9 infinit\u00e9simalement distinctes. Si un patient obtient un score identique pour deux conditions qui auraient d\u00fb occuper les rangs 1 et 2, la fonction leur assigne \u00e0 chacune le rang moyen de (1 + 2) \/ 2 = 1,5. Si trois conditions s’av\u00e8rent strictement indiscernables pour les rangs 1, 2 et 3, le rang (1 + 2 + 3) \/ 3 = 2 sera allou\u00e9 aux trois cellules. Ce comportement pr\u00e9serve scrupuleusement la somme th\u00e9orique marginale de chaque bloc, garantissant la stabilit\u00e9 math\u00e9matique des \u00e9tapes ult\u00e9rieures de l’algorithme de Friedman.<\/p>\n Bien que l’usage de RANG.MOYENNE<\/em> neutralise la d\u00e9rive de la somme des rangs, la pr\u00e9sence d’un volume significatif d’ex \u00e6quo induit une r\u00e9duction syst\u00e9matique de la variance intra-bloc des classements. Pour pallier cette sous-estimation de la dispersion qui tend \u00e0 rendre le test de Friedman artificiellement conservateur (diminuant ind\u00fbment la puissance statistique du test et augmentant le risque d’erreur de type II), la litt\u00e9rature statistique standard (Siegel & Castellan, 1988) a formalis\u00e9 un facteur correctif d’ex \u00e6quo. Ce coefficient d’ajustement, d\u00e9sign\u00e9 par C<\/em>, est mod\u00e9lis\u00e9 par l’expression math\u00e9matique :<\/p>\n C = 1 – [ Σ(t_i^3 – t_i) \/ (n * k * (k^2 – 1)) ]<\/em><\/p>\n Dans cette \u00e9quation, t_i<\/em> repr\u00e9sente le nombre d’observations li\u00e9es (\u00e9galit\u00e9s) au sein d’un groupe d’ex \u00e6quo donn\u00e9 pour un bloc sp\u00e9cifique. Lorsque l’ensemble des rangs est constitu\u00e9 d’entiers distincts sans aucun lien, le terme de sommation Σ(t_i^3 – t_i) s’annule rigoureusement, et le facteur C<\/em> prend exactement la valeur 1. En revanche, lorsque des n\u0153uds d’ex \u00e6quo se multiplient, C<\/em> devient strictement inf\u00e9rieur \u00e0 1. La statistique de Friedman non corrig\u00e9e devra alors \u00eatre divis\u00e9e par ce coefficient C<\/em>, ce qui rehaussera m\u00e9caniquement la valeur du test pour restaurer sa pleine sensibilit\u00e9 analytique. Dans Excel, si vos donn\u00e9es comportent une proportion marginale d’\u00e9galit\u00e9s (par exemple un seul ex \u00e6quo sur toute la matrice), l’omission du facteur n’aura qu’une r\u00e9percussion infinit\u00e9simale sur la p-valeur. N\u00e9anmoins, pour des donn\u00e9es massives issues d’\u00e9chelles ordinales courtes, l’impl\u00e9mentation de ce calcul d’ajustement via des cellules auxiliaires devient indispensable pour atteindre une conformit\u00e9 acad\u00e9mique absolue.<\/p>\n La deuxi\u00e8me grande \u00e9tape proc\u00e9durale du calcul consiste \u00e0 agr\u00e9ger les classements individuels au niveau de chaque condition exp\u00e9rimentale pour quantifier la tendance globale de l’effet de traitement. Cette m\u00e9trique d’int\u00e9r\u00eat central, d\u00e9sign\u00e9e conventionnellement par la notation R_j<\/em>, repr\u00e9sente la somme marginale des rangs obtenus par la condition exp\u00e9rimentale j<\/em> \u00e0 travers l’ensemble des n<\/em> participants de l’\u00e9chantillon. Dans notre mod\u00e8le de feuille de calcul, cette op\u00e9ration s’ex\u00e9cute directement \u00e0 la base de la matrice ordinale.<\/p>\n Positionnez-vous sur la ligne imm\u00e9diatement inf\u00e9rieure au dernier sujet, \u00e0 savoir la ligne 12. Dans la cellule F12, correspondant au Traitement A, ins\u00e9rez la formule de sommation \u00e9l\u00e9mentaire : =SOMME(F2:F11)<\/em>. Copiez ensuite cette formule par \u00e9tirement horizontal vers les cellules adjacentes G12 (Traitement B) et H12 (Traitement C). Les trois cellules r\u00e9sultantes affichent respectivement les valeurs de R_1<\/em>, R_2<\/em> et R_3<\/em>. Pour s’assurer de l’infaillibilit\u00e9 math\u00e9matique de cette sommation globale, une v\u00e9rification imm\u00e9diate de fermeture alg\u00e9brique s’impose. La somme cumulative de toutes les valeurs R_j<\/em> doit imp\u00e9rativement correspondre au produit du nombre de participants par la constante de somme d’une ligne, mod\u00e9lis\u00e9 par :<\/p>\n Somme totale des rangs = n * k * (k + 1) \/ 2<\/em><\/p>\n Dans notre cas de figure avec n<\/em> = 10 et k<\/em> = 3, la sommation globale des cellules F12, G12 et H12 doit \u00e9galer rigoureusement 10 * 3 * 4 \/ 2 = 60. Vous pouvez valider cette identit\u00e9 dans une cellule p\u00e9riph\u00e9rique en programmant : =SOMME(F12:H12)=($K$<\/span>2*$K$<\/span>3*($K$<\/span>3+1)\/2)<\/em>. L’obtention de la valeur VRAI<\/em> confirme que la masse totale des classements est parfaitement r\u00e9partie entre les conditions exp\u00e9rimentales sans la moindre d\u00e9perdition m\u00e9trique.<\/p>\n Dans la logique de l’analyse de variance sur rangs, la d\u00e9tection d’un effet syst\u00e9matique de traitement repose sur l’\u00e9valuation de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des sommes marginales R_j<\/em>. Si l’hypoth\u00e8se nulle est vraie, les rangs moyens de chaque condition devraient \u00eatre approximativement \u00e9quivalents et osciller autour d’une valeur centrale th\u00e9orique \u00e9gale \u00e0 n * (k + 1) \/ 2<\/em> (soit 10 * 4 \/ 2 = 20 dans notre exemple). \u00c0 l’inverse, si l’hypoth\u00e8se alternative se v\u00e9rifie, certaines conditions accumuleront des rangs tr\u00e8s faibles tandis que d’autres concentreront des rangs particuli\u00e8rement \u00e9lev\u00e9s, engendrant une dispersion substantielle de leurs sommes marginales.<\/p>\n Pour quantifier cette variabilit\u00e9 inter-conditions, l’algorithme de Friedman impose d’\u00e9lever au carr\u00e9 la somme des rangs de chaque modalit\u00e9, produisant les termes not\u00e9s R_j^2<\/em>. Sur la ligne 13 de notre tableau Excel, ins\u00e9rez en cellule F13 l’instruction : =F12^2<\/em>. \u00c9tirez cette commande sur les cellules G13 et H13 pour obtenir respectivement R_B^2<\/em> et R_C^2<\/em>. Enfin, l’\u00e9l\u00e9ment d’entr\u00e9e d\u00e9terminant pour l’\u00e9quation finale r\u00e9side dans la sommation de ces carr\u00e9s marginaux, d\u00e9sign\u00e9e math\u00e9matiquement par l’expression Σ(R_j^2). Dans la cellule I13 ou dans une cellule r\u00e9capitulative d\u00e9di\u00e9e, vous pouvez accomplir cette agr\u00e9gation soit en \u00e9crivant =SOMME(F13:H13)<\/em>, soit directement en combinant les \u00e9tapes ant\u00e9rieures \u00e0 l’aide de la formule matricielle native : =SOMME.CARRES(F12:H12)<\/em>. Cette valeur num\u00e9rique condens\u00e9e constitue le moteur arithm\u00e9tique de la statistique de d\u00e9cision.<\/p>\n La statistique de d\u00e9cision du test de Friedman, historiquement d\u00e9sign\u00e9e par la lettre Q<\/em> ou par la notation χ²_F<\/em> (pour souligner son assimilation asymptotique \u00e0 une distribution du Chi-carr\u00e9), repose sur une formulation alg\u00e9brique \u00e9l\u00e9gante d\u00e9composant la d\u00e9viation quadratique des rangs observ\u00e9s par rapport aux rangs attendus sous l’hypoth\u00e8se nulle. Dans sa version standardis\u00e9e classique (sans ajustement d’ex \u00e6quo), l’\u00e9quation formelle s’articule comme suit :<\/p>\n Q = [ 12 \/ (n * k * (k + 1)) ] * Σ(R_j^2) – [ 3 * n * (k + 1) ]<\/em><\/p>\n Cette expression math\u00e9matique se subdivise en trois composantes distinctes hautement significatives :<\/p>\n L’impl\u00e9mentation de cette \u00e9quation dans Microsoft Excel doit \u00eatre men\u00e9e avec une rigueur absolue quant \u00e0 l’ordre de priorit\u00e9 des op\u00e9rateurs arithm\u00e9tiques et \u00e0 l’encapsulation des parenth\u00e8ses. Nous assignerons la cellule K8 de notre bloc de r\u00e9sultats pour h\u00e9berger la statistique Q<\/em> brute. En exploitant les cellules de param\u00e8tres n<\/em> (cellule K2), k<\/em> (cellule K3) et la somme des carr\u00e9s des rangs calcul\u00e9e en I13, la syntaxe Excel la plus transparente et la plus robuste s’\u00e9crit :<\/p>\n =(12 \/ ($K$<\/span>2 * $K$<\/span>3 * ($K$<\/span>3 + 1))) * I13 – (3 * $K$<\/span>2 * ($K$<\/span>3 + 1))<\/em><\/p>\n Pour illustrer concr\u00e8tement ce calcul \u00e0 partir de donn\u00e9es num\u00e9riques r\u00e9alistes, supposons que notre exp\u00e9rience sur les 10 patients (n<\/em> = 10, k<\/em> = 3) produise les sommes de rangs suivantes : R_A<\/em> = 12 (Traitement A tr\u00e8s efficace avec des temps de r\u00e9action rapides), R_B<\/em> = 19 (Traitement B interm\u00e9diaire) et R_C<\/em> = 29 (Traitement C peu performant avec des temps tr\u00e8s \u00e9lev\u00e9s). La somme totale des rangs v\u00e9rifie parfaitement 12 + 19 + 29 = 60. Les carr\u00e9s des sommes marginales sont respectivement 12^2 = 144, 19^2 = 361 et 29^2 = 841. La sommation des carr\u00e9s Σ(R_j^2) en cellule I13 est donc \u00e9gale \u00e0 144 + 361 + 841 = 1346.<\/p>\n En substituant ces m\u00e9triques dans notre \u00e9quation au sein d’Excel :<\/p>\n La cellule K8 affiche ainsi avec une nettet\u00e9 totale la valeur empirique Q<\/em> = 14,60.<\/p>\n Si la matrice ordinale comporte des ex \u00e6quo, la statistique Q<\/em> brute calcul\u00e9e ci-dessus tend \u00e0 \u00eatre l\u00e9g\u00e8rement sous-estim\u00e9e. Pour parvenir \u00e0 une pr\u00e9cision math\u00e9matique irr\u00e9prochable identique \u00e0 celle d\u00e9livr\u00e9e par les moteurs computationnels de R ou de SPSS, la statistique corrig\u00e9e des \u00e9galit\u00e9s (not\u00e9e Q_corrig\u00e9<\/em>) est calcul\u00e9e en divisant la valeur brute de Q<\/em> par le facteur correctif C<\/em> d\u00e9crit pr\u00e9c\u00e9demment \u00e0 la sous-section 5.2 :<\/p>\n Q_corrig\u00e9 = Q \/ C<\/em><\/p>\n Dans l’\u00e9ventualit\u00e9 o\u00f9 aucun ex \u00e6quo n’est pr\u00e9sent dans le tableau de donn\u00e9es, le coefficient C<\/em> vaut exactement 1, ce qui rend Q_corrig\u00e9<\/em> strictement identique \u00e0 Q<\/em>. Dans notre exemple des 10 patients sous les trois traitements psychotropes, si aucune \u00e9galit\u00e9 de score n’a \u00e9t\u00e9 enregistr\u00e9e au sein d’un m\u00eame patient, la statistique observ\u00e9e finale demeure 14,60. Dans le cas contraire, si quelques \u00e9galit\u00e9s ont n\u00e9cessit\u00e9 l’usage de rangs moyens (par exemple des rangs 1,5), la valeur de C<\/em> s’abaisserait l\u00e9g\u00e8rement (par exemple \u00e0 0,985), portant la statistique Q_corrig\u00e9<\/em> \u00e0 14,60 \/ 0,985 = 14,82. La cellule K9 de notre tableau r\u00e9capitulatif pourra ainsi accueillir la formule conditionnelle : =SI(C=1; K8; K8\/C)<\/em>, offrant une adaptabilit\u00e9 algorithmique sans faille \u00e0 toute \u00e9ventualit\u00e9 empirique.<\/p>\n Pour d\u00e9terminer si la statistique de d\u00e9cision Q<\/em> obtenue t\u00e9moigne d’un effet scientifiquement significatif ou si elle rel\u00e8ve simplement de fluctuations d’\u00e9chantillonnage al\u00e9atoires, il est imp\u00e9ratif de situer cette valeur au sein de la distribution th\u00e9orique appropri\u00e9e. Sous l’hypoth\u00e8se nulle et sous r\u00e9serve que la taille de l’\u00e9chantillon soit ad\u00e9quate, la statistique Q<\/em> de Friedman suit asymptotiquement la distribution de probabilit\u00e9 continue du Chi-carr\u00e9 (χ²). Cette distribution th\u00e9orique est param\u00e9tr\u00e9e par un indicateur fondamental : les degr\u00e9s de libert\u00e9 (not\u00e9s ddl<\/em> ou df<\/em> pour degrees of freedom<\/em>).<\/p>\n Dans le test de Friedman, le nombre de degr\u00e9s de libert\u00e9 est exclusivement d\u00e9termin\u00e9 par le nombre de conditions r\u00e9p\u00e9t\u00e9es k<\/em>, ind\u00e9pendamment de la taille de l’\u00e9chantillon n<\/em>. L’\u00e9quation canonique s’\u00e9nonce simplement :<\/p>\n ddl = k – 1<\/em><\/p>\n Cette propri\u00e9t\u00e9 s’explique ais\u00e9ment par la structure du devis : puisque la somme des rangs attribu\u00e9s au sein de chaque ligne individuelle est rigoureusement contrainte par la constante k(k+1)\/2<\/em>, d\u00e8s lors que les rangs de k<\/em> – 1 conditions sont allou\u00e9s, le rang de la derni\u00e8re condition est math\u00e9matiquement d\u00e9termin\u00e9 et d\u00e9pourvu de toute libert\u00e9 de variation. Dans notre mod\u00e8le Excel, nous impl\u00e9mentons ce calcul en cellule K10 au moyen de la formule \u00e9l\u00e9mentaire : =$K$<\/span>3 – 1<\/em>. Pour notre \u00e9tude portant sur 3 traitements, nous obtenons donc rigoureusement ddl<\/em> = 3 – 1 = 2 degr\u00e9s de libert\u00e9.<\/p>\n L’estimation de la probabilit\u00e9 critique (la fameuse p-valeur<\/em>) consiste \u00e0 d\u00e9terminer la probabilit\u00e9 d’obtenir, par pur hasard sous la validit\u00e9 de l’hypoth\u00e8se nulle, une statistique de test au moins aussi extr\u00eame que la valeur empirique Q<\/em> observ\u00e9e dans notre \u00e9chantillon. Puisque toute divergence entre les distributions des traitements majore positivement la sommation des carr\u00e9s des rangs, le test de Friedman est par essence un test unilat\u00e9ral \u00e0 droite : la zone de rejet de l’hypoth\u00e8se nulle se situe exclusivement dans la queue sup\u00e9rieure de la distribution du Chi-carr\u00e9.<\/p>\n Dans Microsoft Excel, l’estimation de cette probabilit\u00e9 de d\u00e9passement s’effectue avec une pr\u00e9cision exemplaire gr\u00e2ce \u00e0 la fonction contemporaine LOI.KHIDEUX.DROITE<\/a> (disponible depuis Excel 2010 pour remplacer l’ancienne fonction LOI.KHIDEUX<\/em>). La syntaxe de cette fonction requiert deux arguments : LOI.KHIDEUX.DROITE(x; degr\u00e9s_libert\u00e9)<\/em>. Dans la cellule K11 de notre feuille, nous saisissons l’instruction :<\/p>\n =LOI.KHIDEUX.DROITE(K8; K10)<\/em><\/p>\n En injectant notre statistique Q<\/em> = 14,60 et nos ddl<\/em> = 2, la fonction calcule avec exactitude l’int\u00e9grale de la fonction de densit\u00e9 de probabilit\u00e9 du Chi-carr\u00e9 de 14,60 \u00e0 l’infini. Le r\u00e9sultat renvoy\u00e9 par Excel affiche la valeur p<\/em> = 0,000675 (soit p<\/em> < 0,001). Cette probabilit\u00e9 infinit\u00e9simale d\u00e9montre qu’il n’y a qu’environ 7 chances sur 10 000 d’observer une telle disparit\u00e9 dans l’ordonnancement des temps de r\u00e9action sous l’hypoth\u00e8se d’une stricte \u00e9quivalence d’action des trois traitements psychotropes.<\/p>\n Pour enrichir la grille d’analyse et satisfaire aux exigences p\u00e9dagogiques traditionnelles, il est hautement formateur de confronter la statistique observ\u00e9e \u00e0 la valeur critique th\u00e9orique du Chi-carr\u00e9 correspondant au seuil de risque α choisi a priori<\/em> (conventionnellement fix\u00e9 \u00e0 α = 0,05 dans les sciences humaines et biom\u00e9dicales). Cette valeur critique d\u00e9limite la fronti\u00e8re g\u00e9om\u00e9trique exacte au-del\u00e0 de laquelle la zone de rejet de l’hypoth\u00e8se nulle est enclench\u00e9e.<\/p>\n Dans Excel, l’extraction de ce point de coupure th\u00e9orique est r\u00e9alis\u00e9e via la fonction r\u00e9ciproque LOI.KHIDEUX.INVERSE.DROITE<\/a>, dont la syntaxe s’\u00e9nonce : LOI.KHIDEUX.INVERSE.DROITE(probabilit\u00e9; degr\u00e9s_libert\u00e9)<\/em>. En cellule K12, fixez le seuil alpha \u00e0 0,05, puis programmez en cellule K13 :<\/p>\n =LOI.KHIDEUX.INVERSE.DROITE(K12; K10)<\/em><\/p>\n Pour un seuil α = 0,05 et 2 degr\u00e9s de libert\u00e9, Excel restitue la valeur critique th\u00e9orique standard : χ²_critique = 5,991. La r\u00e8gle de d\u00e9cision inf\u00e9rentielle formelle s’\u00e9nonce alors selon une double formulation rigoureusement \u00e9quivalente :<\/p>\n L’aboutissement de la phase inf\u00e9rentielle r\u00e9side dans la formulation d’une conclusion scientifique rigoureuse \u00e9tay\u00e9e par les crit\u00e8res de d\u00e9cision statistique pr\u00e9alablement \u00e9tablis. Dans le cadre de notre \u00e9tude empirique sur l’inhibition cognitive sous l’effet de diff\u00e9rents psychotropes, la p-valeur observ\u00e9e de 0,000675 se situe largement sous le seuil d’erreur de premi\u00e8re esp\u00e8ce (α = 0,05 et m\u00eame sous le seuil tr\u00e8s strict de α = 0,001). Par cons\u00e9quent, le chercheur rejette cat\u00e9goriquement l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des distributions conditionnelles.<\/p>\n D’un point de vue clinique et comportemental, ce rejet implique qu’il existe une diff\u00e9rence statistiquement significative et hautement reproductible entre les temps d’inhibition des dix patients selon le traitement administr\u00e9. Les trois mol\u00e9cules pharmacologiques n’induisent pas un niveau de performance \u00e9quivalent sur les processus d’attention s\u00e9lective. Toutefois, comme mentionn\u00e9 lors de l’expos\u00e9 des fondements th\u00e9oriques, la statistique globale Q<\/em> de Friedman est une analyse omnibus : \u00e0 ce stade de l’investigation, nous pouvons affirmer avec certitude qu’au moins une condition diff\u00e8re des autres, mais il nous est rigoureusement impossible d’isoler si le Traitement A surpasse individuellement le Traitement B, si le Traitement B surpasse le C, ou si seul le Traitement A se dissocie du Traitement C.<\/p>\n La simple d\u00e9claration d’une significativit\u00e9 statistique (p<\/em> < 0,05) est notoirement insuffisante dans la pratique scientifique contemporaine, dans la mesure o\u00f9 la p-valeur est fortement tributaire de la taille de l’\u00e9chantillon n<\/em>. Un effet minime et sans aucune pertinence clinique peut devenir statistiquement significatif au sein d’un tr\u00e8s large \u00e9chantillon, tandis qu’un effet massif peut \u00e9chouer \u00e0 franchir le seuil alpha au sein d’un groupe restreint. Pour \u00e9valuer la magnitude concr\u00e8te de l’effet de traitement et faciliter les comparaisons m\u00e9ta-analytiques, l’estimation d’une taille d’effet<\/a> standardis\u00e9e est imp\u00e9rative.<\/p>\n Pour le test de Friedman, l’indice de taille d’effet par excellence est le coefficient de concordance W<\/em> de Kendall. Cet indice refl\u00e8te le degr\u00e9 d’accord ou de consensus entre les diff\u00e9rents participants dans leur fa\u00e7on de classer les conditions exp\u00e9rimentales. Le W<\/em> de Kendall est math\u00e9matiquement li\u00e9 \u00e0 la statistique Q<\/em> de Friedman par la relation biunivoque suivante :<\/p>\n W = Q \/ [ n * (k – 1) ]<\/em><\/p>\n Le coefficient W<\/em> est une m\u00e9trique born\u00e9e variant de 0 (absence totale d’accord entre les sujets, distribution anarchique et purement al\u00e9atoire des rangs) \u00e0 1 (accord unanime et parfait de l’ensemble des n<\/em> participants sur le classement hi\u00e9rarchique absolu des k<\/em> conditions). Dans notre feuille Excel, impl\u00e9mentez ce calcul en cellule K14 par la syntaxe directe : =K8 \/ ($K$<\/span>2 * ($K$<\/span>3 – 1))<\/em>. Dans notre exemple appliqu\u00e9, nous obtenons :<\/p>\n W = 14,60 \/ [ 10 * (3 – 1) ] = 14,60 \/ 20 = 0,730<\/em><\/p>\n Pour interpr\u00e9ter l’ampleur de ce coefficient, la communaut\u00e9 scientifique se r\u00e9f\u00e8re couramment \u00e0 la grille d’interpr\u00e9tation conventionnelle adapt\u00e9e des travaux de Cohen :<\/p>\n Avec un indice W<\/em> = 0,730, nous pouvons conclure que l’effet des traitements psychotropes sur l’inhibition cognitive est particuli\u00e8rement puissant : 73 % de la concordance maximale th\u00e9orique observable dans le classement des performances est effectivement constat\u00e9e dans notre \u00e9chantillon clinique.<\/p>\n Lorsque le test omnibus de Friedman conclut \u00e0 un rejet hautement significatif de l’hypoth\u00e8se nulle (comme dans notre exemple o\u00f9 p<\/em> = 0,000675), le travail analytique du chercheur n’est que partiellement achev\u00e9. Il devient indispensable d’identifier les paires sp\u00e9cifiques de conditions qui manifestent des divergences statistiquement fiables. Cette exploration est d\u00e9volue aux proc\u00e9dures de tests d’hypoth\u00e8se dits post-hoc<\/em> (comparaisons multiples a posteriori<\/em>).<\/p>\n Cependant, la conduite d’une s\u00e9rie de tests d’hypoth\u00e8se successifs sur un m\u00eame jeu de donn\u00e9es expose l’analyste \u00e0 un p\u00e9ril m\u00e9thodologique redoutable : l’inflation cumulative de l’erreur de premi\u00e8re esp\u00e8ce (α), commun\u00e9ment d\u00e9sign\u00e9e sous le terme de risque d’erreur par famille d’hypoth\u00e8ses (family-wise error rate<\/em>). Si un chercheur conduit m<\/em> tests statistiques ind\u00e9pendants au seuil nominal α = 0,05, la probabilit\u00e9 globale de commettre au moins une fausse alerte (rejeter ind\u00fbment au moins une hypoth\u00e8se nulle vraie) s’\u00e9l\u00e8ve \u00e0 1 – (1 – α)^1.2 Diff\u00e9renciation avec les autres tests statistiques d’hypoth\u00e8se<\/h3>\n
1.3 Formulation des hypoth\u00e8ses statistiques nulle et alternative<\/h3>\n
2. Conditions d’application et postulats m\u00e9thodologiques<\/h2>\n
2.1 Structure des donn\u00e9es et plan d’\u00e9chantillonnage<\/h3>\n
2.2 Ind\u00e9pendance inter-sujets et homog\u00e9n\u00e9it\u00e9 des blocs<\/h3>\n
2.3 Consid\u00e9rations relatives \u00e0 la taille de l’\u00e9chantillon<\/h3>\n
3. Structuration et organisation de la feuille de calcul Excel<\/h2>\n
3.1 Disposition matricielle standardis\u00e9e des observations<\/h3>\n
![\"Raw](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedman1.png\")
3.2 Cr\u00e9ation d’une zone d\u00e9di\u00e9e \u00e0 l’analyse non param\u00e9trique<\/h3>\n
4. \u00c9tape 1 : Calcul des rangs intra-sujets avec la fonction RANG.MOYENNE<\/h2>\n
4.1 Syntaxe et logique de la fonction de classement<\/h3>\n
4.2 Impl\u00e9mentation technique de la formule ligne par ligne<\/h3>\n
![\"Average](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedman2.png\")
4.3 Contr\u00f4le de conformit\u00e9 de la matrice des rangs<\/h3>\n
5. Gestion math\u00e9matique des ex \u00e6quo dans Microsoft Excel<\/h2>\n
5.1 Comportement natif de RANG.MOYENNE face aux \u00e9galit\u00e9s<\/h3>\n
5.2 Formule de correction pour les ex \u00e6quo fr\u00e9quents<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedman3.png\")
<\/figure>\n6. \u00c9tape 2 : Agr\u00e9gation des rangs et calcul des sommes marginales<\/h2>\n
6.1 Calcul de la somme des rangs par condition<\/h3>\n
6.2 \u00c9l\u00e9vation au carr\u00e9 des sommes marginales<\/h3>\n
7. \u00c9tape 3 : Calcul de la statistique de test Q de Friedman<\/h2>\n
7.1 D\u00e9composition alg\u00e9brique de l’\u00e9quation standard<\/h3>\n
\n
7.2 Traduction syntaxique directe dans la barre de formule Excel<\/h3>\n
\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedman4.png\")
<\/figure>\n7.3 Prise en compte du facteur de correction des liens<\/h3>\n
8. \u00c9tape 4 : D\u00e9termination des degr\u00e9s de libert\u00e9 et d\u00e9duction de la p-valeur<\/h2>\n
8.1 Calcul des degr\u00e9s de libert\u00e9 du mod\u00e8le<\/h3>\n
8.2 Calcul de la probabilit\u00e9 critique unilat\u00e9rale sous Excel<\/h3>\n
![\"Friedman](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedman5.png\")
8.3 Extraction de la valeur critique th\u00e9orique<\/h3>\n
\n
9. Interpr\u00e9tation statistique et calcul de la taille d’effet<\/h2>\n
9.1 Crit\u00e8res de d\u00e9cision statistique et seuil alpha<\/h3>\n
9.2 Estimation de la taille d’effet par le W de Kendall<\/h3>\n
\n
10. Proc\u00e9dures de tests post-hoc et comparaisons multiples<\/h2>\n
10.1 N\u00e9cessit\u00e9 de tests post-hoc apr\u00e8s rejet de l’hypoth\u00e8se nulle<\/h3>\n