{"id":1510,"date":"2026-09-04T19:48:31","date_gmt":"2026-09-04T19:48:31","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-lire-la-table-de-distribution-f\/"},"modified":"2026-09-04T19:48:37","modified_gmt":"2026-09-04T19:48:37","slug":"comment-lire-la-table-de-distribution-f","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-lire-la-table-de-distribution-f","title":{"rendered":"Comment lire la table de distribution F"},"content":{"rendered":"

L\u2019inf\u00e9rence statistique moderne constitue la pierre angulaire de la d\u00e9marche exp\u00e9rimentale en sciences du comportement et en psychologie cognitive. D\u00e8s lors qu’un chercheur souhaite \u00e9prouver une hypoth\u00e8se th\u00e9orique relative \u00e0 l’efficacit\u00e9 diff\u00e9rentielle d’interventions th\u00e9rapeutiques, aux m\u00e9canismes de m\u00e9morisation sous stress ou aux variations de performances cognitives induites par divers facteurs environnementaux, l’analyse de donn\u00e9es requiert des outils d’une pr\u00e9cision math\u00e9matique absolue. Au centre de cet attirail m\u00e9thodologique se d\u00e9ploie l’analyse de variance, popularis\u00e9e sous l’acronyme d’ANOVA<\/a>, ainsi que la r\u00e9gression lin\u00e9aire multiple. Ces approches partagent toutes un d\u00e9nominateur commun fondamental : l’utilisation du test de Fisher-Snedecor et de sa statistique associ\u00e9e, not\u00e9e canoniquement F<\/em>.<\/p>\n

Bien que l’\u00e8re num\u00e9rique contemporaine permette le traitement instantan\u00e9 de volumes d’\u00e9chantillons colossaux au moyen de suites logicielles avanc\u00e9es telles que R, SPSS, Jamovi ou JASP, l’aptitude \u00e0 appr\u00e9hender, d\u00e9crypter et manipuler directement la table statistique de la distribution F<\/em> demeure une comp\u00e9tence acad\u00e9mique incontournable. Cette ma\u00eetrise ne rel\u00e8ve nullement d’un simple traditionalisme d\u00e9suet ou d’un exercice d’archivistique math\u00e9matique ; elle incarne au contraire la compr\u00e9hension intime de la m\u00e9canique inf\u00e9rentielle, du ratio entre variance expliqu\u00e9e et r\u00e9siduelle, et de la g\u00e9om\u00e9trie sous-jacente aux zones de rejet de l’hypoth\u00e8se nulle. Sans cette vision conceptuelle incarn\u00e9e dans la structure matricielle de la table, le praticien risque de r\u00e9duire l’interpr\u00e9tation scientifique \u00e0 un automatisme m\u00e9canique aveugle centr\u00e9 de mani\u00e8re r\u00e9ductrice sur la simple valeur de p<\/em>.<\/p>\n

Ce guide exhaustif a pour vocation d’offrir une exploration int\u00e9grale et hautement didactique de la table de distribution F<\/em> de Fisher-Snedecor, pens\u00e9e sp\u00e9cifiquement pour les chercheurs, psychologues, enseignants et \u00e9tudiants engag\u00e9s dans des recherches quantitatives exigeantes. De l’\u00e9lucidation de ses bases probabilistes les plus formelles aux m\u00e9thodes d’interpolation harmonique face aux degr\u00e9s de libert\u00e9 non list\u00e9s, en passant par des protocoles pas \u00e0 pas illustr\u00e9s d’\u00e9tudes de cas cliniques et factorielles, ce trait\u00e9 expose la totalit\u00e9 des savoirs indispensables pour convertir une intersection matricielle en une d\u00e9cision scientifique rigoureuse, valide et m\u00e9thodologiquement irr\u00e9prochable.<\/p>\n

1. Fondements th\u00e9oriques de la distribution F et son r\u00f4le en psychologie exp\u00e9rimentale<\/h2>\n

1.1 Origine et d\u00e9finition math\u00e9matique de la distribution de Fisher-Snedecor<\/h3>\n

La gen\u00e8se de la distribution F<\/em> s’inscrit au c\u0153ur de l’histoire de la biom\u00e9trie et de la statistique inf\u00e9rentielle du d\u00e9but du XXe si\u00e8cle. Con\u00e7ue initialement par Sir Ronald Aylmer Fisher dans le cadre de ses travaux agronomiques \u00e0 la station exp\u00e9rimentale de Rothamsted, puis formalis\u00e9e math\u00e9matiquement et tabul\u00e9e de mani\u00e8re approfondie par George Snedecor \u2014 d’o\u00f9 sa d\u00e9signation conjointe de distribution de Fisher-Snedecor<\/a> \u2014, cette loi de probabilit\u00e9 continue mod\u00e9lise sp\u00e9cifiquement le rapport de deux variances empiriques ind\u00e9pendantes issues d’\u00e9chantillons normalement distribu\u00e9s.<\/p>\n

Sur le plan analytique, soient deux variables al\u00e9atoires ind\u00e9pendantes $U_1$<\/span> et $U_2$<\/span>, suivant respectivement des lois du khi-carr\u00e9 ($\\chi^2$<\/span>) \u00e0 $\\nu_1$<\/span> et $\\nu_2$<\/span> degr\u00e9s de libert\u00e9. La statistique F<\/em> est rigoureusement d\u00e9finie par le quotient de ces deux distributions, chacune \u00e9tant pr\u00e9alablement normalis\u00e9e par ses propres degr\u00e9s de libert\u00e9 :<\/p>\n

$$F = \\frac{U_1 \/ \\nu_1}{U_2 \/ \\nu_2}$$<\/span><\/p>\n

Dans la pratique psychom\u00e9trique et exp\u00e9rimentale, cette formulation se traduit concr\u00e8tement par le rapport de deux carr\u00e9s moyens (variances estim\u00e9es non biais\u00e9es), $s_1^2$<\/span> et $s_2^2$<\/span>, tels que $F = s_1^2 \/ s_2^2$<\/span>. Les degr\u00e9s de libert\u00e9 associ\u00e9s au num\u00e9rateur sont traditionnellement not\u00e9s $DF_1$<\/span> (ou $k – 1$<\/span>), tandis que ceux assign\u00e9s au d\u00e9nominateur sont not\u00e9s $DF_2$<\/span> (ou $N – k$<\/span>).<\/p>\n

Cette d\u00e9rivation formelle engendre des propri\u00e9t\u00e9s distributionnelles remarquables qui conditionnent l’ensemble de ses applications. Tout d’abord, la distribution F<\/em> est strictement d\u00e9finie sur l’intervalle r\u00e9el positif $[0, +\\infty[$<\/span>. En effet, une variance \u00e9tant par nature la somme de d\u00e9viations quadratiques divis\u00e9e par un entier positif, elle ne peut jamais adopter de valeur n\u00e9gative, excluant d’embl\u00e9e toute sym\u00e9trie bilat\u00e9rale autour de z\u00e9ro, \u00e0 l’oppos\u00e9 de la distribution normale centr\u00e9e r\u00e9duite ou de la loi de Student.<\/p>\n

De surcro\u00eet, la densit\u00e9 de probabilit\u00e9 de la distribution F<\/em> pr\u00e9sente une asym\u00e9trie positive prononc\u00e9e (\u00e9talement marqu\u00e9 vers la droite), particuli\u00e8rement accentu\u00e9e lorsque les degr\u00e9s de libert\u00e9 du d\u00e9nominateur et du num\u00e9rateur demeurent restreints. Au fur et \u00e0 mesure que les effectifs des cohortes exp\u00e9rimentales s’accroissent et que $DF_1$<\/span> et $DF_2$<\/span> progressent conjointement vers des valeurs substantielles, la courbe subit une r\u00e9gularisation progressive de sa morphologie. Bien qu’elle demeure intrins\u00e8quement asym\u00e9trique pour des valeurs finies, la loi de Fisher tend asymptotiquement vers la distribution normale lorsque ses degr\u00e9s de libert\u00e9 approchent de l’infini, un ph\u00e9nom\u00e8ne capital en recherche comportementale pour garantir la robustesse des inf\u00e9rences face aux l\u00e9g\u00e8res d\u00e9viations de la normalit\u00e9 univari\u00e9e.<\/p>\n

1.2 Pertinence \u00e9pist\u00e9mologique du test F en sciences psychologiques<\/h3>\n

L’int\u00e9gration de la distribution F<\/em> dans le corpus m\u00e9thodologique de la psychologie scientifique a marqu\u00e9 un tournant \u00e9pist\u00e9mologique majeur : le passage d’une d\u00e9marche descriptive intuitive \u00e0 une mod\u00e9lisation inf\u00e9rentielle probabiliste capable de diss\u00e9quer la complexit\u00e9 du comportement humain. Dans tout dispositif exp\u00e9rimental, la variabilit\u00e9 observ\u00e9e sur une variable d\u00e9pendante \u2014 qu’il s’agisse du temps de r\u00e9action face \u00e0 un stimulus anxiog\u00e8ne, de scores \u00e0 une \u00e9chelle d’\u00e9valuation de la d\u00e9pression ou d’indices d’empathie \u2014 d\u00e9coule inexorablement de multiples sources concurrentes.<\/p>\n

Le test F<\/em> permet pr\u00e9cis\u00e9ment d’op\u00e9rer la dichotomie fondamentale entre deux fractions de cette variabilit\u00e9 totale. D’une part, la variance dite inter-groupes (ou variance syst\u00e9matique), qui capture les variations directement attribuables aux manipulations exp\u00e9rimentales introduites par le chercheur, telles que l’administration de protocoles th\u00e9rapeutiques distincts ou la modulation de la charge mn\u00e9sique. D’autre part, la variance intra-groupe (ou variance d’erreur, r\u00e9siduelle), qui agr\u00e8ge l’ensemble des fluctuations individuelles al\u00e9atoires, des erreurs de mesure psychom\u00e9trique et du bruit biologique non contr\u00f4l\u00e9.<\/p>\n

\u00c9pist\u00e9mologiquement, l’apport le plus d\u00e9terminant de la statistique F<\/em> r\u00e9side dans sa capacit\u00e9 \u00e0 juguler l’inflation exponentielle de l’erreur de premi\u00e8re esp\u00e8ce (le risque alpha de rejeter \u00e0 tort l’hypoth\u00e8se nulle d’absence d’effet). Avant la g\u00e9n\u00e9ralisation de l’ANOVA par Fisher, la comparaison de multiples groupes contraignait les chercheurs \u00e0 r\u00e9p\u00e9ter des tests t<\/em> de Student pour chaque paire de conditions. Dans une recherche \u00e9valuant quatre conditions psychologiques, le nombre de comparaisons bilat\u00e9rales s’\u00e9l\u00e8ve \u00e0 $\\binom{4}{2} = 6$<\/span>. Le risque cumul\u00e9 d’identifier au moins un r\u00e9sultat fallacieusement significatif bondit alors selon la formule $1 – (1 – \\alpha)^c$<\/span>, atteignant pr\u00e8s de 26,5 % pour un seuil nominal initial de 0,05.<\/p>\n

Le test F<\/em> op\u00e8re comme un test omnibus : il \u00e9value globalement, en une seule proc\u00e9dure unifi\u00e9e, l’\u00e9galit\u00e9 simultan\u00e9e de l’ensemble des moyennes des populations consid\u00e9r\u00e9es, maintenant ainsi l’erreur de type I au niveau pr\u00e9\u00e9tabli par l’exp\u00e9rimentateur, apportant ainsi une base causale in\u00e9branlable aux d\u00e9ductions relatives au fonctionnement psychique.<\/p>\n

1.3 Distinction fondamentale entre statistique F empirique et valeur critique F<\/h3>\n

La pratique rigoureuse des tests d’hypoth\u00e8ses en psychom\u00e9trie repose sur une distinction sans \u00e9quivoque entre deux grandeurs quantitatives souvent confondues par les n\u00e9ophytes : la statistique calcul\u00e9e, dite empirique ou observ\u00e9e ($F_{\\text{obs}}$<\/span> ou $F_{\\text{calc}}$<\/span>), et le seuil th\u00e9orique, d\u00e9sign\u00e9 sous le terme de valeur critique ($F_{\\text{crit}}$<\/span> ou $F_{\\text{table}}$<\/span>).<\/p>\n

La statistique $F_{\\text{obs}}$<\/span> d\u00e9coule directement des donn\u00e9es collect\u00e9es aupr\u00e8s des participants humains au terme du protocole de recueil. Elle est le fruit d’une cha\u00eene algorithmique pr\u00e9cise : sommation des carr\u00e9s des \u00e9carts, calcul des degr\u00e9s de libert\u00e9 respectifs, d\u00e9rivation des carr\u00e9s moyens inter-groupes ($MS_{\\text{between}}$<\/span>) et intra-groupes ($MS_{\\text{within}}$<\/span>), puis calcul de leur ratio :<\/p>\n

$$F_{\\text{obs}} = \\frac{MS_{\\text{inter}}}{MS_{\\text{r\u00e9siduelle}}}$$<\/span><\/p>\n

Ce chiffre brut quantifie empiriquement \u00e0 quel point la variabilit\u00e9 g\u00e9n\u00e9r\u00e9e par la condition exp\u00e9rimentale surpasse le bruit de fond inh\u00e9rent aux diff\u00e9rences interindividuelles au sein des groupes.<\/p>\n

\u00c0 l’oppos\u00e9, la valeur critique $F_{\\text{crit}}$<\/span> est une constante math\u00e9matique pure, ind\u00e9pendante des donn\u00e9es particuli\u00e8res de l’\u00e9chantillon, mais tributaire exclusive des param\u00e8tres th\u00e9oriques du test : le seuil d’erreur tol\u00e9r\u00e9 $\\alpha$<\/span> (g\u00e9n\u00e9ralement 0,05 ou 0,01), les degr\u00e9s de libert\u00e9 du num\u00e9rateur $DF_1$<\/span> et ceux du d\u00e9nominateur $DF_2$<\/span>. C’est cette valeur sp\u00e9cifique qui est tabul\u00e9e dans les matrices imprim\u00e9es de Fisher-Snedecor.<\/p>\n

La r\u00e8gle d\u00e9cisionnelle formelle de Neyman-Pearson s’\u00e9nonce avec une intransigeance absolue : si $F_{\\text{obs}} > F_{\\text{crit}}$<\/span>, la probabilit\u00e9 d’obtenir un tel \u00e9cart sous l’hypoth\u00e8se nulle ($H_0$<\/span>) est strictement inf\u00e9rieure au seuil $\\alpha$<\/span> choisi. L’exp\u00e9rimentateur rejette formellement $H_0$<\/span> et accorde sa confiance scientifique \u00e0 l’hypoth\u00e8se alternative ($H_1$<\/span>), validant l’existence d’une influence significative du facteur exp\u00e9rimental sur le fonctionnement cognitif ou comportemental \u00e9tudi\u00e9. Si, inversement, $F_{\\text{obs}} le F_{\\text{crit}}$<\/span>, l’hypoth\u00e8se nulle ne peut \u00eatre rejet\u00e9e ; les divergences observ\u00e9es entre les moyennes d’\u00e9chantillons sont alors attribu\u00e9es aux seules fluctuations d’\u00e9chantillonnage.<\/p>\n

2. Architecture et structure matricielle de la table de distribution F<\/h2>\n

2.1 Organisation en axes des degr\u00e9s de libert\u00e9<\/h3>\n

Toute table de distribution F<\/em> se pr\u00e9sente sous la forme d’une matrice bidimensionnelle savamment organis\u00e9e, con\u00e7ue pour guider l’\u0153il du chercheur vers la valeur seuil ad\u00e9quate par le croisement orthogonal de deux param\u00e8tres cardinaux. La rang\u00e9e horizontale sup\u00e9rieure, constituant l’axe des abscisses de la matrice, est invariablement d\u00e9volue aux degr\u00e9s de libert\u00e9 associ\u00e9s au num\u00e9rateur, usuellement d\u00e9sign\u00e9s par $DF_1$<\/span>, $\\nu_1$<\/span>, ou encore $df_{\\text{num}}$<\/span>. Dans le cadre d’un protocole unifactoriel inter-sujets, cet axe refl\u00e8te le nombre de niveaux de traitement ou de groupes exp\u00e9rimentaux moins un ($k – 1$<\/span>).<\/p>\n

\u00c0 la perpendiculaire, la colonne verticale situ\u00e9e sur le bord gauche de la page repr\u00e9sente l’axe des degr\u00e9s de libert\u00e9 du d\u00e9nominateur, commun\u00e9ment identifi\u00e9s sous les symboles $DF_2$<\/span>, $\\nu_2$<\/span>, ou $df_{\\text{d\u00e9n}}$<\/span> (parfois d\u00e9sign\u00e9s par $df_{\\text{erreur}}$<\/span> ou $df_{\\text{r\u00e9siduel}}$<\/span>). Ces degr\u00e9s de libert\u00e9 incarnent la taille globale de l’effectif exp\u00e9rimental corrig\u00e9e du nombre de param\u00e8tres estim\u00e9s dans le mod\u00e8le, soit typiquement $N – k$<\/span> pour un plan simple \u00e0 $k$<\/span> groupes ind\u00e9pendants regroupant $N$<\/span> participants au total.<\/p>\n

L’intersection rigoureuse de la colonne s\u00e9lectionn\u00e9e pour $DF_1$<\/span> et de la ligne correspondant \u00e0 $DF_2$<\/span> d\u00e9termine une cellule matricielle unique. Cette cellule abrite pr\u00e9cis\u00e9ment la valeur critique $F_{\\text{crit}}$<\/span> recherch\u00e9e. Selon les manuels de r\u00e9f\u00e9rence en psychostatistique (comme ceux d’Howell, de Kirk ou de Winer), les d\u00e9nominations formelles peuvent fluctuer l\u00e9g\u00e8rement : certains auteurs utilisent les notations anglo-saxonnes $df_1$<\/span> et $df_2$<\/span>, d’autres emploient les lettres grecques $\\nu_1$<\/span> et $\\nu_2$<\/span>, tandis que des trait\u00e9s francophones adoptent parfois les termes $ddl_{\\text{inter}}$<\/span> et $ddl_{\\text{intra}}$<\/span>. Nonobstant ces nuances s\u00e9miotiques, l’organisation spatiale demeure universellement immuable : les degr\u00e9s de libert\u00e9 de la variance expliqu\u00e9e tr\u00f4nent en haut, ceux de la variance r\u00e9siduelle se parcourent verticalement \u00e0 gauche.<\/p>\n

2.2 Structuration des tables selon les niveaux de signification alpha<\/h3>\n

L’une des particularit\u00e9s structurelles les plus saillantes des tables de Fisher r\u00e9side dans la gestion de la troisi\u00e8me variable du test : le risque d’erreur de premi\u00e8re esp\u00e8ce $\\alpha$<\/span>. Puisqu’une matrice imprim\u00e9e sur une feuille plane ne peut ais\u00e9ment repr\u00e9senter trois dimensions simultan\u00e9es, les typographes et statisticiens ont d\u00e9velopp\u00e9 deux modes d’agencement distincts selon les \u00e9ditions acad\u00e9miques.<\/p>\n

Le premier mode d’organisation, privil\u00e9gi\u00e9 dans les annexes de nombreux manuels universitaires exhaustifs, consiste \u00e0 attribuer une pleine page distincte (ou une double page) \u00e0 chaque seuil de signification sp\u00e9cifique. Ainsi, le chercheur trouvera cons\u00e9cutivement une table int\u00e9grale \u00e9tablie pour $\\alpha = 0{,}10$<\/span>, suivie d’une table pour $\\alpha = 0{,}05$<\/span>, puis d’autres sections pour $\\alpha = 0{,}025$<\/span>, $\\alpha = 0{,}01$<\/span> et enfin $\\alpha = 0{,}001$<\/span>.<\/p>\n

\"F
F distribution table for alpha = 0.1<\/figcaption><\/figure>\n

Le second mode, fr\u00e9quent dans les fascicules d’examen ou les formulaires condens\u00e9s, regroupe plusieurs niveaux de signification au sein d’une seule et m\u00eame cellule d’intersection. Chaque case de la matrice comporte alors une pile verticale de deux \u00e0 quatre valeurs num\u00e9riques distinctes. Une l\u00e9gende typographique situ\u00e9e en en-t\u00eate pr\u00e9cise scrupuleusement la correspondance : par exemple, le premier chiffre en corps de texte ordinaire renvoie au seuil $\\alpha = 0{,}05$<\/span>, tandis que le chiffre imm\u00e9diatement inf\u00e9rieur, compos\u00e9 en caract\u00e8res gras ou en italique, correspond au seuil $\\alpha = 0{,}01$<\/span>. D’autres tables int\u00e8grent un indice de seuil en exposant ou une colonne scind\u00e9e.<\/p>\n

Cette condensation spatiale impose une vigilance m\u00e9thodologique extr\u00eame : une confusion typographique conduisant \u00e0 extraire par m\u00e9garde le seuil de 0,10 au lieu de 0,05 fragiliserait l’ensemble des conclusions scientifiques en autorisant un taux d’erreur inacceptable pour la publication acad\u00e9mique.<\/p>\n

2.3 Particularit\u00e9s graphiques et ergonomie de consultation<\/h3>\n

La lecture efficace des tables de distribution F<\/em> requiert une familiarisation pr\u00e9alable avec plusieurs singularit\u00e9s graphiques dict\u00e9es par des imp\u00e9ratifs d’espace et par la th\u00e9orie des distributions asymptotiques. D\u00e8s les premi\u00e8res lignes de la table, les valeurs de $DF_2$<\/span> se succ\u00e8dent d’unit\u00e9 en unit\u00e9 : 1, 2, 3, jusqu’\u00e0 30 ou 40 environ. Au-del\u00e0 de ces effectifs modestes, la variation des quantiles critiques d’un degr\u00e9 de libert\u00e9 \u00e0 l’autre devient infinit\u00e9simale. D\u00e8s lors, les \u00e9diteurs introduisent des discontinuit\u00e9s programm\u00e9es, les lignes progressant par sauts : 40, 60, 120, pour s’achever invariablement sur le symbole de l’infini ($\\infty$<\/span>).<\/p>\n

Cette derni\u00e8re ligne associ\u00e9e \u00e0 $DF_2 = \\infty$<\/span> rev\u00eat une port\u00e9e th\u00e9orique de premier ordre. Elle correspond \u00e0 une situation id\u00e9ale o\u00f9 l’estimation de la variance intra-groupe (r\u00e9siduelle) n’est plus soumise \u00e0 la moindre incertitude d’\u00e9chantillonnage, la taille de la cohorte \u00e9tant conceptuellement infinie. \u00c0 cette asymptote, la distribution F<\/em> normalis\u00e9e correspond exactement au comportement du chi-carr\u00e9 divis\u00e9 par ses degr\u00e9s de libert\u00e9, ou, lorsque $DF_1 = 1$<\/span>, au carr\u00e9 parfait de la distribution normale centr\u00e9e r\u00e9duite ($Z^2$<\/span>).<\/p>\n

Enfin, sur le plan g\u00e9om\u00e9trique, toutes les tables F<\/em> standard sont construites unilat\u00e9ralement \u00e0 droite. Le diagramme de densit\u00e9 ins\u00e9r\u00e9 en frontispice met syst\u00e9matiquement en exergue une surface hachur\u00e9e cantonn\u00e9e \u00e0 la queue extr\u00eame droite de la courbe. Cette configuration ergonomique rappelle sans cesse \u00e0 l’op\u00e9rateur que le test F<\/em> rejette l’hypoth\u00e8se nulle exclusivement lorsque la statistique calcul\u00e9e est excessivement grande, ce qui traduit une sup\u00e9riorit\u00e9 notable de la variance inter-groupes sur la variance intra-groupes.<\/p>\n

3. Les trois param\u00e8tres indispensables avant l’ouverture de la table F<\/h2>\n

3.1 Le seuil de signification alpha (\u03b1)<\/h3>\n

Avant d’ouvrir une table de distribution F<\/em>, l’exp\u00e9rimentateur doit avoir arr\u00eat\u00e9 avec une rigueur absolue la valeur de ses param\u00e8tres de d\u00e9cision statistique. Le premier d’entre eux est le seuil nominal de signification, universellement d\u00e9sign\u00e9 par la lettre grecque $\\alpha$<\/span>. Ce param\u00e8tre quantifie le risque maximal acceptable de commettre une erreur de premi\u00e8re esp\u00e8ce, c’est-\u00e0-dire de rejeter l’hypoth\u00e8se nulle $H_0$<\/span> alors m\u00eame que celle-ci est parfaitement vraie dans la population parente.<\/p>\n

En psychologie exp\u00e9rimentale et dans la vaste majorit\u00e9 des sciences sociales, la convention canonique \u00e9tablie par Fisher fixe ce seuil \u00e0 $\\alpha = 0{,}05$<\/span>. Adopter ce point de rupture signifie que le chercheur accepte une probabilit\u00e9 de 5 % de d\u00e9clarer \u00e0 tort l’existence d’une diff\u00e9rence psychologique ou comportementale significative induite par de simples fluctuations d’\u00e9chantillonnage al\u00e9atoires.<\/p>\n

N\u00e9anmoins, le contexte \u00e9pist\u00e9mique impose parfois des exigences beaucoup plus restrictives. Dans les investigations en neuropsychologie clinique, lors du test d’effets ind\u00e9sirables de mol\u00e9cules psychotropes, ou dans les protocoles de g\u00e9n\u00e9tique comportementale confront\u00e9s au crible de milliers de marqueurs, le risque de faux positif commande l’abaissement d\u00e9lib\u00e9r\u00e9 du seuil \u00e0 $\\alpha = 0{,}01$<\/span>, voire $\\alpha = 0{,}001$<\/span>.<\/p>\n

Ce choix ne constitue jamais un d\u00e9tail technique secondaire : il scelle l’arbitrage th\u00e9orique indissociable entre le risque de type I ($\\alpha$<\/span>) et le risque de type II ($\\beta$<\/span>, soit la non-d\u00e9tection d’un effet pourtant r\u00e9el). Ce calibrage doit imp\u00e9rativement \u00eatre arr\u00eat\u00e9 a priori, au stade de l’\u00e9laboration du protocole de recherche pr\u00e9-enregistr\u00e9, afin de pr\u00e9munir l’analyse contre les d\u00e9rives de falsification r\u00e9trospective consistant \u00e0 adapter le seuil aux donn\u00e9es empiriques obtenues.<\/p>\n

3.2 Les degr\u00e9s de libert\u00e9 du num\u00e9rateur (DF1)<\/h3>\n

Le deuxi\u00e8me param\u00e8tre fondamental conditionnant l’acc\u00e8s \u00e0 la table matricielle r\u00e9side dans les degr\u00e9s de libert\u00e9 affect\u00e9s au num\u00e9rateur, symbolis\u00e9s par $DF_1$<\/span>. Ce nombre entier positif refl\u00e8te directement la dimensionnalit\u00e9 math\u00e9matique de la source de variabilit\u00e9 que le chercheur tente d’\u00e9valuer dans son mod\u00e8le d’analyse.<\/p>\n

Dans le sch\u00e9ma classique d’une ANOVA \u00e0 un facteur inter-sujets comportant $k$<\/span> modalit\u00e9s de traitement ou $k$<\/span> groupes ind\u00e9pendants d’individus, ce param\u00e8tre s’obtient instantan\u00e9ment par la soustraction triviale :<\/p>\n

$$DF_1 = k – 1$$<\/span><\/p>\n

Cette valeur de $k – 1$<\/span> incarne le nombre de comparaisons ind\u00e9pendantes (ou de contrastes orthogonaux) qu’il est conceptuellement possible d’extraire \u00e0 partir des $k$<\/span> moyennes de groupes pour caract\u00e9riser l’effet du facteur exp\u00e9rimental.<\/p>\n

Lorsque le plan de recherche se complexifie pour int\u00e9grer plusieurs facteurs concomitants (plans factoriels crois\u00e9s), le calcul de $DF_1$<\/span> s’ajuste selon la nature de l’effet examin\u00e9 :<\/p>\n