{"id":1501,"date":"2026-10-14T18:00:42","date_gmt":"2026-10-14T18:00:42","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-test-scheffe-dans-excel\/"},"modified":"2026-10-14T18:00:42","modified_gmt":"2026-10-14T18:00:42","slug":"comment-realiser-test-scheffe-dans-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-test-scheffe-dans-excel","title":{"rendered":"Comment r\u00e9aliser le test de Scheff\u00e9 dans Excel"},"content":{"rendered":"

L’analyse statistique dans le champ des sciences comportementales, de la neuropsychologie et de la psychologie clinique exige une rigueur m\u00e9thodologique sans compromis. Lorsqu’une recherche exp\u00e9rimentale met en jeu plus de deux groupes de participants \u2014 par exemple pour \u00e9valuer l’efficacit\u00e9 compar\u00e9e de divers protocoles de psychoth\u00e9rapie face \u00e0 un groupe contr\u00f4le \u2014, l’analyse de variance unidirectionnelle (ANOVA<\/a>) s’impose comme le mod\u00e8le standard d’\u00e9valuation inf\u00e9rentielle. Cependant, l’ANOVA ne constitue qu’une premi\u00e8re \u00e9tape diagnostique : un test F<\/em> omnibus significatif indique simplement qu’au moins deux des moyennes sous-jacentes diff\u00e8rent dans la population, sans jamais d\u00e9signer pr\u00e9cis\u00e9ment la localisation ni la nature clinique de ces divergences.<\/p>\n

Pour contourner ce flou intrins\u00e8que \u00e0 la d\u00e9cision globale, les chercheurs ont recours aux proc\u00e9dures d’analyse post-hoc, dont la vocation est d’explorer a posteriori les donn\u00e9es tout en jugulant l’in\u00e9vitable d\u00e9rive de l’erreur de type I. Parmi la panoplie des techniques disponibles, la m\u00e9thode d\u00e9velopp\u00e9e par le statisticien Henry Scheff\u00e9 occupe une position d’exception. R\u00e9put\u00e9e pour son conservatisme exemplaire, sa robustesse face aux violations des postulats d’\u00e9chantillonnage et sa flexibilit\u00e9 th\u00e9orique totale, elle demeure la seule approche permettant d’investiguer \u00e0 la fois des comparaisons simples par paires et des contrastes lin\u00e9aires complexes englobant des regroupements de conditions exp\u00e9rimentales.<\/p>\n

Bien que des progiciels sp\u00e9cialis\u00e9s tels que SPSS, R, SAS ou JASP int\u00e8grent cette proc\u00e9dure de mani\u00e8re automatis\u00e9e, la compr\u00e9hension intime de ses m\u00e9canismes math\u00e9matiques s’acquiert avec une acuit\u00e9 in\u00e9gal\u00e9e lors de son impl\u00e9mentation pas \u00e0 pas dans un tableur comme Microsoft Excel. Ma\u00eetriser le calcul matriciel, l’extraction du carr\u00e9 moyen r\u00e9siduel, le param\u00e9trage des fonctions de distribution F<\/em> et l’\u00e9tablissement d’intervalles de confiance simultan\u00e9s sous Excel conf\u00e8re au chercheur et \u00e0 l’analyste de donn\u00e9es une autonomie absolue, lib\u00e9r\u00e9e des bo\u00eetes noires logicielles. Ce guide exhaustif d\u00e9ploie l’ensemble des fondements th\u00e9oriques, des formalisations alg\u00e9briques et des protocoles pratiques requis pour ex\u00e9cuter le test de Scheff\u00e9 dans l’environnement Excel avec une pr\u00e9cision scientifique irr\u00e9prochable.<\/p>\n

1. Fondements th\u00e9oriques de l’ANOVA et n\u00e9cessit\u00e9 des tests post-hoc en psychologie<\/h2>\n

1.1 Le r\u00f4le de l’ANOVA unidirectionnelle dans l’exp\u00e9rimentation comportementale<\/h3>\n

L’exp\u00e9rimentation en psychologie cognitive, sociale ou clinique repose quasi syst\u00e9matiquement sur la manipulation de variables ind\u00e9pendantes cat\u00e9gorielles \u00e0 modalit\u00e9s multiples. Qu’il s’agisse d’\u00e9valuer l’impact de plusieurs intensit\u00e9s d’un stimulus visuel sur le temps de r\u00e9action, de mesurer les scores de r\u00e9miniscence mn\u00e9sique en fonction de divers contextes d’encodage, ou de jauger la diminution de l’\u00e9chelle d’anxi\u00e9t\u00e9 sous trois formes de th\u00e9rapies br\u00e8ves, le chercheur fait face \u00e0 un probl\u00e8me d’inf\u00e9rence multigroupes. Le test F<\/em> global de l’ANOVA unidirectionnelle (ou \u00e0 un facteur) permet d’\u00e9prouver l’hypoth\u00e8se nulle globale selon laquelle toutes les moyennes de population sont rigoureusement identiques :<\/p>\n

H\u2080 : \u03bc\u2081 = \u03bc\u2082 = \u03bc\u2083 = … = \u03bc\u2096<\/em><\/p>\n

L’architecture fondamentale de ce test repose sur le partitionnement de la variance totale observ\u00e9e au sein de l’\u00e9chantillon global en deux composantes mutuellement exclusives : la variance inter-groupes (due aux effets du traitement ou des conditions exp\u00e9rimentales) et la variance intra-groupe (refl\u00e9tant l’erreur d’\u00e9chantillonnage al\u00e9atoire et les diff\u00e9rences interindividuelles). La statistique F<\/em> de Fisher-Snedecor est formalis\u00e9e par le ratio du Carr\u00e9 Moyen Inter-groupes (Mean Square Between, not\u00e9 MSB<\/em>) sur le Carr\u00e9 Moyen Intra-groupe (Mean Square Within ou Carr\u00e9 Moyen R\u00e9siduel, not\u00e9 MSW<\/em>). Lorsque ce ratio d\u00e9passe substantiellement l’unit\u00e9 et franchit le seuil critique th\u00e9orique, l’hypoth\u00e8se nulle est rejet\u00e9e.<\/p>\n

N\u00e9anmoins, la limitation inh\u00e9rente de ce r\u00e9sultat omnibus r\u00e9side dans son asym\u00e9trie d’information : un test F<\/em> statistiquement significatif autorise l’analyste \u00e0 affirmer qu’il existe une diff\u00e9rence quelque part dans la matrice de donn\u00e9es, mais il s’av\u00e8re parfaitement muet quant \u00e0 l’identification des sous-populations concern\u00e9es. La condition A surpasse-t-elle la condition B ? La condition C diff\u00e8re-t-elle uniquement du groupe contr\u00f4le ? Ou bien est-ce la moyenne combin\u00e9e des th\u00e9rapies actives qui surpasse significativement celle du groupe sous placebo ? Face \u00e0 cette incertitude, le recours aux analyses de comparaisons multiples devient imp\u00e9ratif.<\/p>\n

1.2 La probl\u00e9matique de l’inflation de l’erreur de type I<\/h3>\n

Face \u00e0 la n\u00e9cessit\u00e9 de diss\u00e9quer un r\u00e9sultat omnibus, une tentation intuitive consisterait \u00e0 r\u00e9aliser une s\u00e9rie de tests t<\/em> de Student ind\u00e9pendants pour chaque paire possible d’\u00e9chantillons. Cette d\u00e9marche empirique na\u00efve engendre une impasse statistique majeure connue sous le nom d’inflation du taux d’erreur par famille de comparaisons, ou Family-Wise Error Rate (FWER)<\/a>. Lorsqu’un chercheur fixe le seuil de signification alpha (\u03b1) \u00e0 0,05 pour un test isol\u00e9, la probabilit\u00e9 de ne pas commettre d’erreur de type I (faux positif) est de 0,95. Or, si ce chercheur effectue c<\/em> comparaisons mutuellement ind\u00e9pendantes, la probabilit\u00e9 cumul\u00e9e de commettre au moins une erreur de type I sur l’ensemble de l’exp\u00e9rience explose selon la formule probabiliste :<\/p>\n

\u03b1_global = 1 – (1 – \u03b1)\u1d9c<\/em><\/p>\n

Dans le cadre d’un plan d’exp\u00e9rience standard comportant seulement quatre groupes exp\u00e9rimentaux (par exemple : contr\u00f4le, th\u00e9rapie comportementale, th\u00e9rapie cognitive et psychopharmacologie), le nombre total de comparaisons par paires possibles s’\u00e9l\u00e8ve \u00e0 c = k(k – 1) \/ 2 = 4(3) \/ 2 = 6<\/em>. D\u00e8s lors, le taux d’erreur global devient :<\/p>\n

\u03b1_global = 1 – (1 – 0,05)\u2076 = 1 – 0,735 = 0,265 (soit 26,5 %)<\/em><\/p>\n

Autoriser un risque de plus d’une chance sur quatre de d\u00e9clarer fallacieusement l’efficacit\u00e9 d’un protocole clinique est rigoureusement inacceptable au regard des standards scientifiques modernes. Les inf\u00e9rences erron\u00e9es qui en d\u00e9coulent polluent la litt\u00e9rature empirique en sciences humaines, m\u00e8nent \u00e0 la publication d’artefacts exp\u00e9rimentaux et contribuent directement \u00e0 la crise de la r\u00e9plicabilit\u00e9. Un ajustement m\u00e9thodologique strict des seuils de d\u00e9cision ou des statistiques de test s’impose donc afin de maintenir l’erreur de type I \u00e0 un niveau nominal constant (g\u00e9n\u00e9ralement 5 %) pour l’ensemble exhaustif des comparaisons men\u00e9es au sein de l’exp\u00e9rience.<\/p>\n

1.3 Introduction au test post-hoc de Scheff\u00e9<\/h3>\n

D\u00e9velopp\u00e9 au d\u00e9but des ann\u00e9es 1950 par le statisticien am\u00e9ricain Henry Scheff\u00e9<\/a>, le test \u00e9ponyme est une proc\u00e9dure a posteriori con\u00e7ue pour pallier cette d\u00e9rive statistique avec une puissance formelle unique. Contrairement \u00e0 la majorit\u00e9 des tests concurrents dont le champ d’application est strictement restreint \u00e0 la comparaison de paires de moyennes isol\u00e9es, la m\u00e9thode de Scheff\u00e9 a \u00e9t\u00e9 math\u00e9matiquement calibr\u00e9e pour pr\u00e9server le taux d’erreur par famille pour l’infinit\u00e9 des contrastes lin\u00e9aires envisageables au sein d’un plan factoriel.<\/p>\n

La caract\u00e9ristique saillante de cette m\u00e9thode r\u00e9side dans son niveau de conservatisme \u00e9lev\u00e9. Scheff\u00e9 garantit que le risque de commettre ne serait-ce qu’une seule fausse d\u00e9claration positive parmi toutes les combinaisons possibles de moyennes ne d\u00e9passera jamais le seuil \u03b1 fix\u00e9, quelle que soit la complexit\u00e9 de l’exploration a posteriori effectu\u00e9e par le chercheur. Cette propri\u00e9t\u00e9 conf\u00e8re au test de Scheff\u00e9 un statut protecteur absolu dans le cadre d’investigations exploratoires o\u00f9 l’investigateur examine ses r\u00e9sultats pour formuler des hypoth\u00e8ses de novo apr\u00e8s inspection empirique des donn\u00e9es.<\/p>\n

Par ailleurs, le test de Scheff\u00e9 pr\u00e9sente une flexibilit\u00e9 exceptionnelle \u00e0 l’\u00e9gard de la structure des effectifs. Tandis que de nombreux tests post-hoc pr\u00e9supposent des tailles d’\u00e9chantillons parfaitement \u00e9quilibr\u00e9es (ou plans orthogonaux), la m\u00e9thode de Scheff\u00e9 s’ajuste avec une fluidit\u00e9 alg\u00e9brique remarquable aux plans d\u00e9s\u00e9quilibr\u00e9s, fr\u00e9quents en psychologie o\u00f9 l’attrition des participants, les abandons th\u00e9rapeutiques et les donn\u00e9es manquantes sont r\u00e9currents. Son ancrage direct dans la distribution F<\/em> en fait un prolongement naturel, coh\u00e9rent et \u00e9l\u00e9gant de l’ANOVA univari\u00e9e.<\/p>\n

2. Principes math\u00e9matiques et sp\u00e9cificit\u00e9s statistiques de la m\u00e9thode de Scheff\u00e9<\/h2>\n

2.1 La distribution d’\u00e9chantillonnage et la valeur critique F de Scheff\u00e9<\/h3>\n

La d\u00e9rivation math\u00e9matique \u00e9labor\u00e9e par Henry Scheff\u00e9 repose sur les propri\u00e9t\u00e9s g\u00e9om\u00e9triques de la projection dans l’espace euclidien des estimateurs des moindres carr\u00e9s. Plus sp\u00e9cifiquement, elle s’appuie sur la distribution de la forme quadratique associ\u00e9e \u00e0 l’ensemble des contrastes lin\u00e9aires possibles dans un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Alors que la statistique de Student classique compare deux moyennes en \u00e9valuant le rapport de leur diff\u00e9rence \u00e0 une erreur type, Scheff\u00e9 op\u00e8re une transformation directe \u00e0 partir de la distribution F<\/em> de Fisher-Snedecor.<\/p>\n

Dans un dispositif exp\u00e9rimental comportant k<\/em> groupes ind\u00e9pendants et un nombre total d’observations \u00e9gal \u00e0 N<\/em>, la distribution F<\/em> omnibus poss\u00e8de df\u2081 = k – 1<\/em> degr\u00e9s de libert\u00e9 au num\u00e9rateur (inter-groupes) et df\u2082 = N – k<\/em> degr\u00e9s de libert\u00e9 au d\u00e9nominateur (intra-groupe ou r\u00e9siduel). Pour n’importe quel contraste \u00e9valu\u00e9, la statistique calcul\u00e9e \u2014 d\u00e9sign\u00e9e sous la forme d’un F<\/em> de contraste ou du carr\u00e9 d’une statistique t<\/em> pond\u00e9r\u00e9e \u2014 n’est pas compar\u00e9e au seuil critique standard de Student ou au F<\/em> critique ordinaire avec un seul degr\u00e9 de libert\u00e9 au num\u00e9rateur. Elle est imp\u00e9rativement compar\u00e9e \u00e0 une valeur seuil ajust\u00e9e, not\u00e9e S<\/em>\u00b2, d\u00e9finie par l’\u00e9quation fondamentale :<\/p>\n

S\u00b2 = (k – 1) \u00d7 F_critique(\u03b1 ; k – 1, N – k)<\/em><\/p>\n

Cette pond\u00e9ration par le facteur (k – 1)<\/em> constitue la cl\u00e9 de vo\u00fbte du conservatisme de Scheff\u00e9. En multipliant la valeur critique issue de la table de Fisher par les degr\u00e9s de libert\u00e9 du traitement global, Scheff\u00e9 \u00e9rige une fronti\u00e8re statistique rigoureuse qui compense la libert\u00e9 d’exploration conf\u00e9r\u00e9e au chercheur. Un contraste sera d\u00e9clar\u00e9 statistiquement significatif au seuil \u03b1 si et seulement si la valeur de sa propre statistique F_observ\u00e9<\/em> v\u00e9rifie la condition :<\/p>\n

F_observ\u00e9 > S\u00b2<\/em><\/p>\n

2.2 Formulation des contrastes lin\u00e9aires simples et complexes<\/h3>\n

Pour appr\u00e9hender la port\u00e9e du test de Scheff\u00e9, il convient de ma\u00eetriser la notion formelle de contraste lin\u00e9aire. Un contraste, couramment not\u00e9 L<\/em> ou \u03c8<\/em> (psi), est une combinaison lin\u00e9aire des moyennes th\u00e9oriques de population pond\u00e9r\u00e9es par un vecteur de coefficients constants c\u2081, c\u2082, …, c\u2096<\/em>, soumis \u00e0 la contrainte indispensable de nullit\u00e9 de leur somme alg\u00e9brique :<\/p>\n

L = \u2211 (c\u1d62 \u00d7 \u03bc\u1d62) = c\u2081\u03bc\u2081 + c\u2082\u03bc\u2082 + … + c\u2096\u03bc\u2096<\/em>     avec     \u2211 c\u1d62 = 0<\/em><\/p>\n

L’estimateur ponctuel non biais\u00e9 de ce contraste au niveau de l’\u00e9chantillon empirique est obtenu en substituant les moyennes de groupe observ\u00e9es (M\u1d62<\/em> ou X\u0304\u1d62<\/em>) aux moyennes de population :<\/p>\n

L\u0302 = \u2211 (c\u1d62 \u00d7 M\u1d62)<\/em><\/p>\n

Les contrastes se scindent en deux cat\u00e9gories fondamentales :<\/p>\n