{"id":1627,"date":"2026-09-05T09:28:00","date_gmt":"2026-09-05T09:28:00","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-la-p-valeur-d-une-statistique-f-dans-r\/"},"modified":"2026-09-05T09:28:00","modified_gmt":"2026-09-05T09:28:00","slug":"comment-calculer-la-p-valeur-d-une-statistique-f-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-la-p-valeur-d-une-statistique-f-dans-r","title":{"rendered":"Comment calculer la p-valeur d’une statistique F dans R"},"content":{"rendered":"

Dans l’arsenal m\u00e9thodologique du chercheur contemporain, de l’\u00e9conom\u00e8tre et du biostatisticien, l’analyse de la variance et la mod\u00e9lisation lin\u00e9aire occupent une place pr\u00e9pond\u00e9rante. Au c\u0153ur de ces d\u00e9marches inf\u00e9rentielles r\u00e9side une quantit\u00e9 pivotale : la statistique F<\/em>, con\u00e7ue initialement pour quantifier le rapport de deux variances estim\u00e9es et d\u00e9terminer si la dispersion imputable \u00e0 un mod\u00e8le explicatif d\u00e9passe de mani\u00e8re significative le bruit r\u00e9siduel al\u00e9atoire. Cependant, l’obtention de cette valeur empirique ne constitue qu’une \u00e9tape interm\u00e9diaire du processus d’\u00e9valuation scientifique. Pour transformer cette mesure brute en une d\u00e9cision statistique rigoureuse, il est indispensable de d\u00e9terminer la probabilit\u00e9 d’observer une valeur au moins aussi extr\u00eame sous l’hypoth\u00e8se de l’absence d’effet, couramment appel\u00e9e la p-valeur (ou p-value<\/em>).<\/p>\n

Le langage de programmation R<\/a> s’est impos\u00e9 au fil des d\u00e9cennies comme la r\u00e9f\u00e9rence internationale pour l’ex\u00e9cution d’analyses statistiques avanc\u00e9es, le traitement de donn\u00e9es complexes et la recherche reproductible. Gr\u00e2ce \u00e0 ses fonctions internes hautement optimis\u00e9es bas\u00e9es sur des algorithmes num\u00e9riques de pointe, R permet non seulement d’ajuster des mod\u00e8les sophistiqu\u00e9s, mais aussi de calculer avec une pr\u00e9cision analytique absolue les probabilit\u00e9s associ\u00e9es aux distributions th\u00e9oriques. La ma\u00eetrise du calcul de la p-valeur d’une statistique F<\/em> au sein de cet environnement ne se limite pas \u00e0 la simple saisie d’une commande informatique \u00e9l\u00e9mentaire ; elle implique une compr\u00e9hension intime de la distribution sous-jacente de Fisher-Snedecor, de l’alg\u00e8bre des degr\u00e9s de libert\u00e9, ainsi que des particularit\u00e9s algorithmiques propres au traitement des nombres en virgule flottante.<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une exploration exhaustive, m\u00e9thodique et didactique des fondements th\u00e9oriques, des impl\u00e9mentations algorithmiques et des applications pratiques du test F<\/em> dans l’environnement R. Con\u00e7u \u00e0 l’attention des chercheurs, analystes de donn\u00e9es et \u00e9tudiants avanc\u00e9s en m\u00e9thodes quantitatives, ce guide d\u00e9taille chaque \u00e9tape du processus, de l’\u00e9quation math\u00e9matique originelle \u00e0 l’interpr\u00e9tation des sorties de mod\u00e8les de r\u00e9gression multiple et d’analyse de variance (ANOVA), en passant par la visualisation graphique vectorielle et la r\u00e9daction acad\u00e9mique normalis\u00e9e selon les standards de l’American Psychological Association (APA).<\/p>\n

1. Introduction aux fondements du test F et de la statistique F<\/h2>\n

1.1 Origine et utilit\u00e9 de la statistique F en analyse quantitative<\/h3>\n

L’histoire de la statistique moderne est indissociable des contributions pionni\u00e8res de Sir Ronald Aylmer Fisher. Au cours des ann\u00e9es 1920, alors qu’il travaillait \u00e0 la station exp\u00e9rimentale agricole de Rothamsted, Fisher s’est heurt\u00e9 \u00e0 la n\u00e9cessit\u00e9 d’\u00e9valuer simultan\u00e9ment l’effet de multiples traitements agronomiques appliqu\u00e9s \u00e0 des parcelles exp\u00e9rimentales, tout en isolant la variabilit\u00e9 naturelle inh\u00e9rente \u00e0 la composition des sols. Les tests usuels de comparaison de deux moyennes, popularis\u00e9s par William Sealy Gosset sous le pseudonyme de Student via la distribution t<\/em>, s’av\u00e9raient inadapt\u00e9s pour comparer plus de deux groupes sans gonfler dramatiquement le taux global d’erreur de premi\u00e8re esp\u00e8ce (l’erreur de type I). Pour surmonter cette limitation, Fisher d\u00e9veloppa l’analyse de la variance (ANOVA) et formalisa le rapport de variance, nomm\u00e9 ult\u00e9rieurement \u00ab statistique F<\/em> \u00bb en son honneur par George Snedecor.<\/p>\n

Le principe sous-jacent de la statistique F<\/em> repose sur une intuition math\u00e9matique d’une rare \u00e9l\u00e9gance : comparer deux estimations ind\u00e9pendantes de la variance d’une population sous l’hypoth\u00e8se de leur \u00e9galit\u00e9. Plus pr\u00e9cis\u00e9ment, dans un contexte exp\u00e9rimental ou observationnel, la statistique F<\/em> \u00e9value le ratio entre la variance inter-groupe (la variabilit\u00e9 mesur\u00e9e entre les diff\u00e9rents groupes ou conditions, attribuable aux facteurs \u00e9tudi\u00e9s) et la variance intra-groupe (la variabilit\u00e9 mesur\u00e9e au sein de chaque groupe, refl\u00e9tant l’erreur de mesure ou le bruit r\u00e9siduel al\u00e9atoire). Lorsque l’action des variables explicatives est substantielle, la variance inter-groupe surpasse consid\u00e9rablement la variance intra-groupe, propulsant le ratio F<\/em> vers des valeurs largement sup\u00e9rieures \u00e0 l’unit\u00e9.<\/p>\n

Dans le champ des sciences comportementales, de la psychologie exp\u00e9rimentale, de la sociologie quantitative et de l’\u00e9conom\u00e9trie, cette d\u00e9marche constitue la pierre angulaire de l’inf\u00e9rence. Elle autorise le chercheur \u00e0 tester la structure globale de relations complexes entre des covariables continues ou cat\u00e9gorielles et une variable r\u00e9ponse quantitative. Qu’il s’agisse de mesurer l’impact de plusieurs protocoles psychoth\u00e9rapeutiques sur des scores d’anxi\u00e9t\u00e9 ou de juger de la pertinence conjointe de multiples variables macro\u00e9conomiques sur l’inflation, la statistique F<\/em> fournit le crit\u00e8re quantitatif unifi\u00e9 permettant d’\u00e9valuer la pr\u00e9sence d’une structure pr\u00e9dictive non fortuite au sein des donn\u00e9es empiriques.<\/p>\n

1.2 Formulation des hypoth\u00e8ses statistiques nulle et alternative<\/h3>\n

La rigueur de l’inf\u00e9rence statistique repose sur une dichotomie formelle entre deux propositions exclusives : l’hypoth\u00e8se nulle, traditionnellement d\u00e9sign\u00e9e par la notation standardis\u00e9e H<\/em>0<\/sub>, et l’hypoth\u00e8se alternative, d\u00e9sign\u00e9e par H<\/em>1<\/sub> ou H<\/em>a<\/sub>. Dans le cadre g\u00e9n\u00e9ral de l’analyse de variance univari\u00e9e \u00e0 un facteur comprenant k<\/em> groupes distincts, l’hypoth\u00e8se nulle postule l’\u00e9galit\u00e9 stricte de l’ensemble des esp\u00e9rances math\u00e9matiques sous-jacentes. Elle s’\u00e9nonce math\u00e9matiquement sous la forme :<\/p>\n

H<\/em>0<\/sub> : μ1<\/sub> = μ2<\/sub> = … = μk<\/em><\/sub><\/p>\n

Ce postulat implique que l’appartenance \u00e0 un groupe particulier n’exerce aucune influence syst\u00e9matique sur la variable d\u00e9pendante mesur\u00e9e ; toute divergence observ\u00e9e entre les moyennes \u00e9chantillonnales n’est alors imputable qu’aux fluctuations d’\u00e9chantillonnage al\u00e9atoires. Transpos\u00e9e au contexte de la mod\u00e9lisation lin\u00e9aire multiple comportant p<\/em> variables explicatives, l’hypoth\u00e8se nulle stipule que l’ensemble des coefficients de r\u00e9gression associ\u00e9s aux pr\u00e9dicteurs sont conjointement nuls :<\/p>\n

H<\/em>0<\/sub> : β1<\/sub> = β2<\/sub> = … = βp<\/em><\/sub> = 0<\/p>\n

Cette assertion \u00e9quivaut \u00e0 affirmer que le mod\u00e8le restreint, ne comportant que la constante (l’ordonn\u00e9e \u00e0 l’origine), d\u00e9crit les donn\u00e9es aussi ad\u00e9quatement que le mod\u00e8le complet int\u00e9grant l’ensemble des covariables.<\/p>\n

\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative H<\/em>1<\/sub> rev\u00eat un caract\u00e8re qualifi\u00e9 d’omnibus. Elle ne requiert nullement que toutes les moyennes diff\u00e8rent mutuellement les unes des autres, ni que l’int\u00e9gralit\u00e9 des coefficients de r\u00e9gression soient significativement non nuls. Elle pose simplement l’existence d’au moins une rupture d’\u00e9galit\u00e9 ou d’au moins une contribution pr\u00e9dictive non nulle :<\/p>\n

H<\/em>1<\/sub> : Il existe au moins une paire (i<\/em>, j<\/em>) telle que μi<\/em><\/sub> ≠ μj<\/em><\/sub> (pour l’ANOVA), ou il existe au moins un indice j<\/em> ∈ {1, …, p<\/em>} tel que βj<\/em><\/sub> ≠ 0 (pour la r\u00e9gression multiple).<\/p>\n

Le rejet statistique de l’hypoth\u00e8se nulle entra\u00eene des implications conceptuelles d\u00e9cisives pour le chercheur. Il autorise l’abandon formel du mod\u00e8le de pure dispersion al\u00e9atoire au profit d’un mod\u00e8le explicatif structur\u00e9. N\u00e9anmoins, en raison de sa nature omnibus, ce rejet n’indique en aucun cas la localisation pr\u00e9cise des divergences au sein du dispositif exp\u00e9rimental. Il sert de verrou inf\u00e9rentiel pr\u00e9liminaire : ce n’est qu’une fois H<\/em>0<\/sub> rejet\u00e9e au seuil global que le praticien est th\u00e9oriquement et m\u00e9thodologiquement fond\u00e9 \u00e0 d\u00e9ployer des proc\u00e9dures de comparaisons multiples planifi\u00e9es ou post-hoc<\/em> (telles que les tests de Tukey, de Bonferroni ou de Scheff\u00e9) ou \u00e0 examiner individuellement la significativit\u00e9 partielle de chaque coefficient β via des tests t<\/em> de Student.<\/p>\n

1.3 Importance de la p-valeur dans l’inf\u00e9rence statistique<\/h3>\n

La p-valeur occupe une position centrale dans le paradigme fr\u00e9quentiste issu de la fusion historique des approches de Fisher d’une part, et de Jerzy Neyman et Egon Pearson d’autre part. Math\u00e9matiquement, la p-valeur se d\u00e9finit de mani\u00e8re rigoureuse comme la probabilit\u00e9 conditionnelle d’obtenir, sous l’hypoth\u00e8se nulle H<\/em>0<\/sub>, une statistique de test au moins aussi extr\u00eame que celle effectivement observ\u00e9e dans l’\u00e9chantillon d’\u00e9tude. Exprim\u00e9e formellement pour le test F<\/em>, elle correspond \u00e0 l’int\u00e9grale sup\u00e9rieure de la densit\u00e9 de probabilit\u00e9 :<\/p>\n

p<\/em> = P<\/em>(F<\/em> ≥ F<\/em>obs<\/sub> | H<\/em>0<\/sub>)<\/p>\n

o\u00f9 F<\/em>obs<\/sub> repr\u00e9sente la valeur num\u00e9rique calcul\u00e9e \u00e0 partir des donn\u00e9es empiriques et F<\/em> la variable al\u00e9atoire th\u00e9orique r\u00e9gie par la distribution de Fisher-Snedecor.<\/p>\n

Il importe de clarifier une confusion r\u00e9currente observ\u00e9e dans la litt\u00e9rature scientifique : la p-valeur ne mesure absolument pas la probabilit\u00e9 que l’hypoth\u00e8se nulle soit vraie compte tenu des donn\u00e9es recueillies, soit P<\/em>(H<\/em>0<\/sub> | Donn\u00e9es), ce qui constituerait une inversion fallacieuse des probabilit\u00e9s conditionnelles relevant de l’inf\u00e9rence bay\u00e9sienne. De m\u00eame, la p-valeur ne quantifie en rien la magnitude ou la port\u00e9e pratique d’un ph\u00e9nom\u00e8ne exp\u00e9rimental. Un \u00e9chantillon de tr\u00e8s grande taille dot\u00e9 d’une immense puissance statistique peut produire une p-valeur infinit\u00e9simale (par exemple p<\/em> < 0,0001) en pr\u00e9sence d’un effet d’une trivialit\u00e9 absolue sur le plan th\u00e9orique ou clinique. Inversement, une \u00e9tude men\u00e9e sur un \u00e9chantillon restreint peut mettre en \u00e9vidence un effet substantiel sans atteindre le seuil de significativit\u00e9 conventionnel en raison d’une variance r\u00e9siduelle trop \u00e9lev\u00e9e.<\/p>\n

L’utilisation de seuils critiques pr\u00e9\u00e9tablis, couramment fix\u00e9s \u00e0 α = 0,05, 0,01 ou 0,001, ob\u00e9it \u00e0 la logique de contr\u00f4le du taux de faux positifs d\u00e9velopp\u00e9e par Neyman et Pearson (1933)<\/a>. Si la p-valeur empirique se r\u00e9v\u00e8le strictement inf\u00e9rieure au seuil nominal α, le chercheur rejette formellement H<\/em>0<\/sub> au b\u00e9n\u00e9fice de H<\/em>1<\/sub>. Toutefois, l’usage rigide et ritualis\u00e9 de ces seuils fait l’objet de r\u00e9serves substantielles formul\u00e9es par la communaut\u00e9 m\u00e9thodologique internationale, illustr\u00e9es notamment par les d\u00e9clarations successives de l’American Statistical Association<\/a> (ASA) relatives \u00e0 la significativit\u00e9 statistique. La p-valeur doit \u00eatre appr\u00e9hend\u00e9e comme un indicateur continu de la compatibilit\u00e9 des donn\u00e9es empiriques avec le mod\u00e8le th\u00e9orique sous-jacent, et doit syst\u00e9matiquement \u00eatre interpr\u00e9t\u00e9e conjointement avec des m\u00e9triques de taille d’effet standardis\u00e9es et leurs intervalles de confiance respectifs.<\/p>\n

2. Compr\u00e9hension th\u00e9orique de la distribution de Fisher-Snedecor<\/h2>\n

2.1 Propri\u00e9t\u00e9s math\u00e9matiques de la loi F<\/h3>\n

La distribution de Fisher-Snedecor, not\u00e9e usuellement F<\/em>(d<\/em>1<\/sub>, d<\/em>2<\/sub>), est une distribution de probabilit\u00e9 continue d\u00e9finie exclusivement sur l’intervalle des nombres r\u00e9els strictement positifs, avec un support formel born\u00e9 inf\u00e9rieurement par z\u00e9ro et s’\u00e9tendant asymptotiquement jusqu’\u00e0 l’infini : [0, +∞[. Elle d\u00e9coule structurellement du comportement al\u00e9atoire de variables suivant des lois du Chi-deux ind\u00e9pendantes. Consid\u00e9rons deux variables al\u00e9atoires ind\u00e9pendantes, U<\/em>1<\/sub> et U<\/em>2<\/sub>, distribu\u00e9es respectivement selon des lois du Chi-deux \u00e0 d<\/em>1<\/sub> et d<\/em>2<\/sub> degr\u00e9s de libert\u00e9 :<\/p>\n

U<\/em>1<\/sub> ~ χ2<\/sup>(d<\/em>1<\/sub>) et U<\/em>2<\/sub> ~ χ2<\/sup>(d<\/em>2<\/sub>)<\/p>\n

La variable al\u00e9atoire r\u00e9sultant du rapport de ces deux entit\u00e9s, chacune pr\u00e9alablement standardis\u00e9e par ses propres degr\u00e9s de libert\u00e9, suit par d\u00e9finition une distribution de Fisher-Snedecor :<\/p>\n

F<\/em> = (U<\/em>1<\/sub> \/ d<\/em>1<\/sub>) \/ (U<\/em>2<\/sub> \/ d<\/em>2<\/sub>) ~ F<\/em>(d<\/em>1<\/sub>, d<\/em>2<\/sub>)<\/p>\n

Sur le plan topologique, la fonction de densit\u00e9 de probabilit\u00e9 de la loi F<\/em> se caract\u00e9rise par une forte asym\u00e9trie positive (\u00e9talement prononc\u00e9 de la distribution vers la droite). La forme exacte de sa courbe d\u00e9pend int\u00e9gralement du couple de param\u00e8tres (d<\/em>1<\/sub>, d<\/em>2<\/sub>). Pour des valeurs modestes de d<\/em>1<\/sub> (en particulier lorsque d<\/em>1<\/sub> = 1 ou d<\/em>1<\/sub> = 2), la densit\u00e9 culmine rapidement pr\u00e8s de l’origine avant de d\u00e9cliner de mani\u00e8re exponentielle. Lorsque d<\/em>1<\/sub> exc\u00e8de 2, la densit\u00e9 admet un mode unique situ\u00e9 strictement \u00e0 :<\/p>\n

Mode = ( (d<\/em>1<\/sub> – 2) \/ d<\/em>1<\/sub> ) × ( d<\/em>2<\/sub> \/ (d<\/em>2<\/sub> + 2) ) pour d<\/em>1<\/sub> > 2<\/p>\n

L’esp\u00e9rance math\u00e9matique d’une variable distribu\u00e9e selon la loi F<\/em> ne d\u00e9pend de mani\u00e8re remarquable que des degr\u00e9s de libert\u00e9 du d\u00e9nominateur d<\/em>2<\/sub>, \u00e0 condition expresse que ceux-ci soient strictement sup\u00e9rieurs \u00e0 2 :<\/p>\n

E<\/em>(F<\/em>) = d<\/em>2<\/sub> \/ (d<\/em>2<\/sub> – 2) pour d<\/em>2<\/sub> > 2<\/p>\n

On constate imm\u00e9diatement que lorsque la taille de l’\u00e9chantillon s’accro\u00eet, faisant tendre d<\/em>2<\/sub> vers l’infini, l’esp\u00e9rance math\u00e9matique converge asymptotiquement vers l’unit\u00e9 exacte (1,00). Cette propri\u00e9t\u00e9 fournit un rep\u00e8re mn\u00e9monique indispensable : sous l’hypoth\u00e8se nulle d’absence d’effet, la statistique F<\/em> fluctue de fa\u00e7on typique autour de 1. Toute d\u00e9viation positive majeure au-del\u00e0 de cette valeur sugg\u00e8re une invalidation de la stochasticit\u00e9 pure.<\/p>\n

2.2 R\u00f4le des degr\u00e9s de libert\u00e9 du num\u00e9rateur et du d\u00e9nominateur<\/h3>\n

Les deux param\u00e8tres fondamentaux r\u00e9gissant la morphologie de la distribution F<\/em> sont les degr\u00e9s de libert\u00e9 du num\u00e9rateur (df<\/em>1<\/sub> ou d<\/em>1<\/sub>) et les degr\u00e9s de libert\u00e9 du d\u00e9nominateur (df<\/em>2<\/sub> ou d<\/em>2<\/sub>). Chacun d’eux renvoie \u00e0 une dimension g\u00e9om\u00e9trique pr\u00e9cise de l’espace vectoriel dans lequel s’effectuent les projections des donn\u00e9es empiriques lors de l’ajustement du mod\u00e8le statistique.<\/p>\n

Les degr\u00e9s de libert\u00e9 du num\u00e9rateur (df<\/em>1<\/sub>), \u00e9galement d\u00e9nomm\u00e9s degr\u00e9s de libert\u00e9 du mod\u00e8le ou du traitement, refl\u00e8tent le nombre de restrictions lin\u00e9aires ind\u00e9pendantes impos\u00e9es par l’hypoth\u00e8se nulle, ou de mani\u00e8re \u00e9quivalente, le nombre de param\u00e8tres libres additionnels accord\u00e9s au mod\u00e8le complet par rapport au mod\u00e8le restreint. Dans une analyse de variance factorielle comportant k<\/em> modalit\u00e9s de traitement, df<\/em>1<\/sub> = k<\/em> – 1. Dans une r\u00e9gression lin\u00e9aire multiple incluant p<\/em> covariables explicatives continues ou indicatrices, df<\/em>1<\/sub> = p<\/em>. Une valeur de df<\/em>1<\/sub> \u00e9lev\u00e9e \u00e9largit la portion initiale de la densit\u00e9 et modifie la pente ascendante de la courbe aux abords de l’origine.<\/p>\n

Les degr\u00e9s de libert\u00e9 du d\u00e9nominateur (df<\/em>2<\/sub>), syst\u00e9matiquement associ\u00e9s \u00e0 la somme des carr\u00e9s des erreurs r\u00e9siduelles, correspondent \u00e0 la quantit\u00e9 d’informations ind\u00e9pendantes disponibles pour estimer la variance de l’erreur pure (σ2<\/sup>). Ils se calculent g\u00e9n\u00e9ralement selon la relation :<\/p>\n

df<\/em>2<\/sub> = N<\/em> – p<\/em> – 1 (pour la r\u00e9gression) ou df<\/em>2<\/sub> = N<\/em> – k<\/em> (pour l’ANOVA \u00e0 un facteur)<\/p>\n

o\u00f9 N<\/em> symbolise la taille totale de l’\u00e9chantillon d’observations. L’importance de df<\/em>2<\/sub> sur le comportement inf\u00e9rentiel est capitale : il d\u00e9termine la stabilit\u00e9 num\u00e9rique de l’estimation de l’erreur r\u00e9siduelle et dicte l’\u00e9paisseur de la queue droite de distribution. Pour de faibles valeurs de df<\/em>2<\/sub>, l’incertitude sur l’estimation de l’al\u00e9a r\u00e9siduel est pr\u00e9gnante, ce qui engendre une queue de distribution lourde et \u00e9tir\u00e9e, n\u00e9cessitant des valeurs empiriques de F<\/em> extr\u00eamement \u00e9lev\u00e9es pour franchir les seuils de significativit\u00e9. \u00c0 mesure que df<\/em>2<\/sub> cro\u00eet vers de grands effectifs, la variance d’\u00e9chantillonnage de l’estimateur de l’erreur diminue, la distribution s’amincit et se stabilise, diminuant ainsi le seuil critique requis pour rejeter l’hypoth\u00e8se nulle.<\/p>\n

2.3 Nature unilat\u00e9rale droite du test F<\/h3>\n

Une particularit\u00e9 th\u00e9orique du test F<\/em> r\u00e9side dans la configuration spatiale de sa r\u00e9gion critique : bien que testant souvent des hypoth\u00e8ses non directionnelles (comme l’in\u00e9galit\u00e9 globale de multiples moyennes sans ordonnancement pr\u00e9alable), le test F<\/em> s’effectue syst\u00e9matiquement sous la forme d’un test unilat\u00e9ral sup\u00e9rieur, localis\u00e9 exclusivement dans la queue droite de la distribution th\u00e9orique.<\/p>\n

Cette sp\u00e9cificit\u00e9 s’explique par la construction quadratique des sommes de carr\u00e9s intervenant au num\u00e9rateur et au d\u00e9nominateur du ratio. La statistique F<\/em> est structur\u00e9e de mani\u00e8re \u00e0 situer la variance expliqu\u00e9e par le mod\u00e8le au num\u00e9rateur et la variance r\u00e9siduelle au d\u00e9nominateur :<\/p>\n

F<\/em> = Carr\u00e9 Moyen du Mod\u00e8le \/ Carr\u00e9 Moyen R\u00e9siduel = MS<\/em>mod\u00e8le<\/sub> \/ MS<\/em>r\u00e9siduel<\/sub><\/p>\n

Lorsque l’effet d’un traitement s’intensifie ou que la capacit\u00e9 pr\u00e9dictive des covariables s’accro\u00eet, la dispersion inter-groupes s’\u00e9l\u00e8ve de mani\u00e8re quadratique, ce qui augmente m\u00e9caniquement la valeur num\u00e9rique de MS<\/em>mod\u00e8le<\/sub>. L’erreur r\u00e9siduelle MS<\/em>r\u00e9siduel<\/sub>, quant \u00e0 elle, demeure un estimateur sans biais de la variance intrins\u00e8que non expliqu\u00e9e. En cons\u00e9quence directe de cette formulation fractionnaire, toute pr\u00e9sence d’un effet syst\u00e9matique se traduit obligatoirement par une translation du ratio F<\/em> vers des valeurs largement sup\u00e9rieures \u00e0 1. Les valeurs proches de z\u00e9ro ne traduisent jamais un effet exp\u00e9rimental majeur, mais refl\u00e8tent au contraire un mod\u00e8le dont le pouvoir pr\u00e9dictif est inf\u00e9rieur aux attentes probabilistes moyennes (situation susceptible d’indiquer une sur-sp\u00e9cification ou une violation m\u00e9thodologique des conditions d’ind\u00e9pendance).<\/p>\n

Contrairement aux tests de Student (statistique t<\/em>) ou aux tests normaux centr\u00e9s r\u00e9duits (statistique z<\/em>), o\u00f9 les d\u00e9viations par rapport \u00e0 l’hypoth\u00e8se nulle peuvent survenir dans les deux directions polaires de l’espace r\u00e9el (justifiant une r\u00e9partition bilat\u00e9rale sym\u00e9trique du risque alpha en α\/2 de chaque c\u00f4t\u00e9), l’espace de rejet de la distribution F<\/em> est donc int\u00e9gralement concentr\u00e9 sur l’asymptote droite. L’\u00e9valuation informatique de la p-valeur consiste ainsi sans ambigu\u00eft\u00e9 \u00e0 calculer l’int\u00e9grale d\u00e9finie de la fonction de densit\u00e9 entre la borne inf\u00e9rieure F<\/em>obs<\/sub> et la borne sup\u00e9rieure infinie +∞.<\/p>\n

3. Syntaxe et fonctionnement de la fonction pf() dans l’environnement R<\/h2>\n

3.1 D\u00e9composition des arguments de la fonction pf()<\/h3>\n

L’environnement statistique R int\u00e8gre nativement une famille coh\u00e9rente de quatre fonctions sp\u00e9cialis\u00e9es d\u00e9di\u00e9es \u00e0 la manipulation de la distribution de Fisher-Snedecor : df()<\/code> pour la densit\u00e9 de probabilit\u00e9, pf()<\/code> pour la fonction de r\u00e9partition cumulative (probabilit\u00e9), qf()<\/code> pour la fonction quantile inverse, et rf()<\/code> pour la g\u00e9n\u00e9ration de nombres pseudo-al\u00e9atoires distribu\u00e9s selon la loi F<\/em>. Pour d\u00e9terminer avec une rigueur analytique la p-valeur associ\u00e9e \u00e0 une statistique de test empirique, c’est la fonction de distribution cumulative pf()<\/code> qui doit \u00eatre mobilis\u00e9e.<\/p>\n

La signature compl\u00e8te de cette fonction se structure formellement selon la syntaxe suivante :<\/p>\n

pf(q, df1, df2, ncp, lower.tail = TRUE, log.p = FALSE)<\/code><\/p>\n

La ma\u00eetrise op\u00e9rationnelle de cette commande implique l’assimilation pr\u00e9cise de chacun de ses param\u00e8tres constitutifs :<\/p>\n