{"id":16955,"date":"2026-10-14T17:13:09","date_gmt":"2026-10-14T17:13:09","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/anova-un-facteur-vs-anova-mesures-repetees-difference\/"},"modified":"2026-10-14T17:13:14","modified_gmt":"2026-10-14T17:13:14","slug":"anova-un-facteur-vs-anova-mesures-repetees-difference","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=anova-un-facteur-vs-anova-mesures-repetees-difference","title":{"rendered":"ANOVA \u00e0 un facteur vs ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es : La diff\u00e9rence"},"content":{"rendered":"

Dans l’arsenal m\u00e9thodologique de la recherche contemporaine en sciences humaines, sociales et biom\u00e9dicales, l’analyse de variance (ANOVA<\/a>) s’impose comme l’un des piliers fondamentaux du raisonnement inf\u00e9rentiel. D\u00e9velopp\u00e9e originellement par Sir Ronald A. Fisher au d\u00e9but du XXe si\u00e8cle, cette approche statistique a profond\u00e9ment transform\u00e9 la mani\u00e8re dont les chercheurs \u00e9valuent l’impact de variables ind\u00e9pendantes cat\u00e9gorielles sur des variables d\u00e9pendantes quantitatives continues. Qu’il s’agisse d’\u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle de protocoles psychoth\u00e9rapeutiques, de mesurer les variations de potentiels \u00e9voqu\u00e9s en neurosciences cognitives ou d’analyser l’impact de contextes p\u00e9dagogiques sur la m\u00e9morisation, l’ANOVA fournit un cadre formel et robuste pour d\u00e9terminer si les divergences observ\u00e9es entre plusieurs moyennes rel\u00e8vent de v\u00e9ritables effets exp\u00e9rimentaux ou de simples fluctuations d’\u00e9chantillonnage al\u00e9atoires.<\/p>\n

Cependant, l’application concr\u00e8te de l’analyse de variance confronte invariablement le chercheur \u00e0 un arbitrage architectural d\u00e9cisif : celui du choix entre un plan \u00e0 groupes ind\u00e9pendants (conduisant \u00e0 l’ANOVA \u00e0 un facteur inter-sujets) et un plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es (relevant de l’ANOVA intra-sujets). Bien que ces deux m\u00e9thodologies partagent une vocation commune — \u00e0 savoir partitionner la variance globale des donn\u00e9es pour tester l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des moyennes —, elles reposent sur des topologies matricielles, des postulats math\u00e9matiques et des mod\u00e9lisations de l’erreur r\u00e9siduelle radicalement divergents. Confondre ces deux paradigmes analytiques ne constitue pas une simple impr\u00e9cision technique : une telle m\u00e9prise compromet gravement la validit\u00e9 interne et externe des conclusions, soit en gonflant dramatiquement le risque d’erreur de premi\u00e8re esp\u00e8ce (α), soit en \u00e9touffant la puissance statistique par une incapacit\u00e9 \u00e0 isoler la variabilit\u00e9 interindividuelle syst\u00e9matique.<\/p>\n

Cet article propose une dissection exhaustive, conceptuelle, math\u00e9matique et computationnelle de ces deux mod\u00e8les canoniques. En explorant successivement la d\u00e9composition formelle des sommes de carr\u00e9s, les propri\u00e9t\u00e9s stochastiques des distributions du ratio F<\/em>, les postulats d’homosc\u00e9dasticit\u00e9 et de sph\u00e9ricit\u00e9, ainsi que les solutions contemporaines offertes par les mod\u00e8les mixtes et les tests de robustesse, ce guide fournit aux chercheurs, psychom\u00e9triciens et analystes de donn\u00e9es la grille d’analyse rigoureuse indispensable \u00e0 la conception de protocoles exp\u00e9rimentaux irr\u00e9prochables et \u00e0 l’interpr\u00e9tation int\u00e8gre de leurs r\u00e9sultats empiriques.<\/p>\n

1. Introduction aux mod\u00e8les d’ANOVA en psychologie quantitative<\/h2>\n

1.1 Le r\u00f4le de l’analyse de variance dans la recherche exp\u00e9rimentale<\/h3>\n

L’av\u00e8nement de la psychologie scientifique et quantitative a \u00e9t\u00e9 conditionn\u00e9 par la n\u00e9cessit\u00e9 imp\u00e9rieuse d’extraire des signaux causaux stables au milieu d’un bruit stochastique consid\u00e9rable inh\u00e9rent \u00e0 la variabilit\u00e9 humaine. D\u00e8s lors qu’un chercheur souhaite comparer les scores moyens d’une variable d\u00e9pendante continue — telle que le temps de r\u00e9action, le niveau d’anxi\u00e9t\u00e9 mesur\u00e9 par une \u00e9chelle psychom\u00e9trique standardis\u00e9e, ou le taux de r\u00e9tention m\u00e9morielle — \u00e0 travers trois conditions ou davantage, la d\u00e9marche intuitive consistant \u00e0 multiplier les tests t<\/em> de Student pour \u00e9chantillons ind\u00e9pendants s’av\u00e8re m\u00e9thodologiquement d\u00e9sastreuse. Cette r\u00e9p\u00e9tition d\u00e9sordonn\u00e9e engendre une inflation exponentielle du taux d’erreur de type I global (l’erreur de la famille d’hypoth\u00e8ses, ou family-wise error rate<\/em>). Si l’on applique c<\/em> tests t<\/em> ind\u00e9pendants avec un seuil de significativit\u00e9 nominal α fix\u00e9 \u00e0 0,05, la probabilit\u00e9 d’observer au moins un r\u00e9sultat faussement positif ne demeure pas \u00e0 5 %, mais bondit selon la formule 1 – (1 – α)c<\/em><\/sup>. Pour quatre modalit\u00e9s exp\u00e9rimentales impliquant six comparaisons bilat\u00e9rales, le risque d’erreur de type I r\u00e9el culmine d\u00e9j\u00e0 \u00e0 plus de 26 %.<\/p>\n

L’analyse de variance r\u00e9sout ce probl\u00e8me th\u00e9orique majeur en int\u00e9grant l’ensemble des donn\u00e9es au sein d’un test global (omnibus) fond\u00e9 sur la distribution du ratio F<\/em> de Fisher-Snedecor, document\u00e9e en profondeur par le National Institute of Standards and Technology<\/a>. Au lieu de diss\u00e9quer pr\u00e9matur\u00e9ment le jeu de donn\u00e9es en paires isol\u00e9es, le test F<\/em> \u00e9value simultan\u00e9ment la dispersion des moyennes observ\u00e9es par rapport \u00e0 la moyenne g\u00e9n\u00e9rale globale (le \u00ab grand mean \u00bb) au regard de la dispersion r\u00e9siduelle pr\u00e9sente \u00e0 l’int\u00e9rieur des conditions. En \u00e9tablissant ainsi un rempart strict contre les faux positifs, l’ANOVA prot\u00e8ge l’int\u00e9grit\u00e9 de la d\u00e9marche inf\u00e9rentielle fr\u00e9quentiste.<\/p>\n

Au-del\u00e0 de cette r\u00e9gulation du risque d’erreur, l’analyse de variance impose une ad\u00e9quation profonde entre le devis exp\u00e9rimental et le mod\u00e8le analytique sous-jacent. Une exp\u00e9rimentation n’est pas un agr\u00e9gat al\u00e9atoire de chiffres ; elle refl\u00e8te une chor\u00e9graphie th\u00e9orique o\u00f9 le contr\u00f4le des facteurs parasites, la standardisation des stimuli et le plan d’assignation des participants conditionnent directement la validit\u00e9 des inf\u00e9rences causales. Le mod\u00e8le d’ANOVA retenu doit ainsi \u00eatre le miroir math\u00e9matique parfait de l’architecture m\u00e9thodologique mise en \u0153uvre sur le terrain de la recherche.<\/p>\n

1.2 Origine des confusions r\u00e9currentes chez les chercheurs et \u00e9tudiants<\/h3>\n

Malgr\u00e9 sa diffusion universelle dans les programmes d’enseignement sup\u00e9rieur en statistique, l’ANOVA demeure une source chronique d’erreurs d’application et de contresens m\u00e9thodologiques chez les apprentis chercheurs et m\u00eame au sein de publications \u00e9valu\u00e9es par des pairs. L’origine de cette confusion r\u00e9side principalement dans une sym\u00e9trie de surface trompeuse : dans l’ANOVA \u00e0 un facteur inter-sujets comme dans l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es intra-sujets, le dispositif analytique mobilise une unique variable ind\u00e9pendante cat\u00e9gorielle comportant au minimum trois niveaux (ou modalit\u00e9s), et une unique variable d\u00e9pendante continue. Dans les deux cas, le logiciel statistique standard restitue un tableau d’ANOVA contenant une somme des carr\u00e9s, des degr\u00e9s de libert\u00e9, un carr\u00e9 moyen, une statistique F<\/em> et une p<\/em>-valeur associ\u00e9e. L’objectif d\u00e9clar\u00e9 semble identique : rejeter l’hypoth\u00e8se nulle fondamentale stipulant l’absence de divergence entre les conditions exp\u00e9rimentales.<\/p>\n

Cette similitude op\u00e9rationnelle occulte la c\u00e9sure \u00e9pist\u00e9mologique qui s\u00e9pare la nature des facteurs manipul\u00e9s. La terminologie elle-m\u00eame tend \u00e0 \u00e9garer les novices : qualifier un facteur de \u00ab traitement \u00bb ou de \u00ab temps \u00bb ne suffit pas \u00e0 expliciter sa structure topologique. Un facteur est dit \u00ab inter-sujets \u00bb (between-subjects<\/em>) lorsque chaque participant n’est expos\u00e9 qu’\u00e0 une et une seule modalit\u00e9 exp\u00e9rimentale, cr\u00e9ant des strates d’individus strictement disjointes. Inversement, un facteur est qualifi\u00e9 d’\u00ab intra-sujets \u00bb (within-subjects<\/em> ou mesures r\u00e9p\u00e9t\u00e9es) lorsque la m\u00eame unit\u00e9 d’\u00e9chantillonnage — g\u00e9n\u00e9ralement le m\u00eame participant — traverse successivement l’ensemble des conditions exp\u00e9rimentales ou est \u00e9valu\u00e9e \u00e0 plusieurs moments d’un continuum chronologique.<\/p>\n

Les cons\u00e9quences inf\u00e9rentielles d’un mauvais aiguillage entre ces deux mod\u00e8les s’av\u00e8rent d\u00e9l\u00e9t\u00e8res. Traiter des mesures r\u00e9p\u00e9t\u00e9es comme si elles provenaient de groupes ind\u00e9pendants viole l’un des postulats les plus sacr\u00e9s du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral : l’ind\u00e9pendance conditionnelle des r\u00e9sidus. Cette violation induit une estimation biais\u00e9e — et le plus souvent dramatiquement gonfl\u00e9e — de la variance d’erreur, ce qui affaiblit consid\u00e9rablement la puissance du test statistique (erreur de type II). \u00c0 l’inverse, mod\u00e9liser des groupes ind\u00e9pendants \u00e0 travers un algorithme de mesures r\u00e9p\u00e9t\u00e9es conduit \u00e0 incorporer des pseudo-d\u00e9pendances artificielles, d\u00e9truisant la validit\u00e9 nominale du test F<\/em> et produisant des r\u00e9sultats ininterpr\u00e9tables qui violent l’\u00e9thique de la rigueur scientifique.<\/p>\n

1.3 D\u00e9finition synth\u00e9tique des deux approches d’inf\u00e9rence<\/h3>\n

Pour dissiper ces ambigu\u00eft\u00e9s structurelles, il convient de poser avec nettet\u00e9 les axiomes d\u00e9finitoires de chaque modalit\u00e9 de l’analyse de variance \u00e0 un facteur. L’ANOVA \u00e0 un facteur inter-sujets (souvent d\u00e9sign\u00e9e sous le terme d’ANOVA unidirectionnelle classique ou One-Way Independent ANOVA<\/em>) est un mod\u00e8le lin\u00e9aire destin\u00e9 \u00e0 tester l’\u00e9galit\u00e9 des moyennes de k<\/em> populations ind\u00e9pendantes (avec k<\/em> ≥ 3). Dans cette configuration, chaque participant appartient exclusivement \u00e0 un groupe unique ; les sous-\u00e9chantillons sont mutuellement exclusifs et exhaustivement s\u00e9par\u00e9s. L’objectif fondamental consiste \u00e0 comparer la variance existant entre<\/em> les groupes (due \u00e0 la fois \u00e0 l’effet putatif du traitement exp\u00e9rimental et aux variations al\u00e9atoires) \u00e0 la variance interne<\/em> aux groupes (qui ne capture que les variations individuelles idiosyncrasiques et l’erreur de mesure al\u00e9atoire).<\/p>\n

En miroir, l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es \u00e0 un facteur (One-Way Repeated Measures ANOVA<\/em>) \u00e9value les modifications de la moyenne d’une variable quantitative mesur\u00e9e sous k<\/em> conditions diff\u00e9rentes ou \u00e0 k<\/em> points d’ancrage temporels distincts sur la m\u00eame<\/strong> cohorte d’unit\u00e9s exp\u00e9rimentales. Ici, les k<\/em> vecteurs de donn\u00e9es ne repr\u00e9sentent pas des populations d’individus disjointes, mais les facettes multidimensionnelles d’un profil de r\u00e9ponse individuel. Le paradigme analytique change de nature : il ne s’agit plus d’opposer les variations entre individus \u00e0 l’effet exp\u00e9rimental, mais de neutraliser la variabilit\u00e9 interindividuelle globale en observant comment chaque individu d\u00e9vie de sa propre ligne de base sous l’effet du traitement.<\/p>\n

\"\"<\/figure>\n

Cette dissemblance conceptuelle s’incarne mat\u00e9riellement dans la structure matricielle des donn\u00e9es manipul\u00e9es par les logiciels statistiques. Dans le cadre inter-sujets, la matrice se structure conventionnellement sous forme d’une table bidimensionnelle o\u00f9 chaque ligne correspond \u00e0 un sujet singulier, compl\u00e9t\u00e9e par une variable d’identification de groupe et la mesure d\u00e9pendante. En mesures r\u00e9p\u00e9t\u00e9es, la manipulation impose une distinction cardinale entre le \u00ab format large \u00bb (wide format<\/em>), o\u00f9 chaque sujet occupe une ligne unique comportant k<\/em> colonnes correspondant aux diff\u00e9rentes conditions r\u00e9p\u00e9t\u00e9es, et le \u00ab format long \u00bb (long format<\/em>), requis par les moteurs d’estimation modernes comme la fonction lmer<\/code> sous The R Project for Statistical Computing<\/a>, o\u00f9 chaque sujet est r\u00e9p\u00e9t\u00e9 sur k<\/em> lignes successives, appari\u00e9es par un identifiant univoque.<\/p>\n

2. Fondements th\u00e9oriques de l’ANOVA \u00e0 un facteur (plan inter-sujets)<\/h2>\n

2.1 Architecture conceptuelle du plan inter-sujets<\/h3>\n

L’architecture du plan inter-sujets repose sur un imp\u00e9ratif fondamental : le postulat d’ind\u00e9pendance stochastique stricte de l’ensemble des observations. Chaque mesure recueillie doit \u00eatre totalement d\u00e9corr\u00e9l\u00e9e des autres mesures du jeu de donn\u00e9es. Pour satisfaire cette exigence d’ind\u00e9pendance, la m\u00e9thodologie exp\u00e9rimentale s’appuie sur la proc\u00e9dure de randomisation (ou assignation al\u00e9atoire). Des participants recrut\u00e9s au sein d’une population cible sont r\u00e9partis par tirage au sort probabiliste dans les k<\/em> modalit\u00e9s du facteur exp\u00e9rimental. Cette randomisation a pour vocation de neutraliser les biais de confusion syst\u00e9matiques : en moyenne, toutes les caract\u00e9ristiques pr\u00e9existantes (traits de personnalit\u00e9, intelligence g\u00e9n\u00e9rale, bagage g\u00e9n\u00e9tique, ant\u00e9c\u00e9dents socio-\u00e9ducatifs) se distribuent de mani\u00e8re \u00e9quivalente entre les diff\u00e9rents bras de l’exp\u00e9rimentation.<\/p>\n

Dans ce mod\u00e8le univari\u00e9 simple, chaque participant apporte une contribution informationnelle unique et irr\u00e9vocable : un point de donn\u00e9e scalaire isol\u00e9. Si l’exp\u00e9rimentation comporte trois conditions (par exemple : placebo, mol\u00e9cule active A, mol\u00e9cule active B) et que 20 sujets sont assign\u00e9s \u00e0 chaque condition, l’\u00e9chantillon global comprend N<\/em> = 60 individus distincts, g\u00e9n\u00e9rant 60 observations ind\u00e9pendantes. L’erreur r\u00e9siduelle non expliqu\u00e9e par le mod\u00e8le — le d\u00e9nominateur de la future statistique de test — est alors compos\u00e9e de l’int\u00e9gralit\u00e9 des diff\u00e9rences individuelles qui subsistent entre les sujets au sein de chaque groupe, additionn\u00e9e aux erreurs de mesure instrumentales inh\u00e9rentes au protocole.<\/p>\n

Ce devis exp\u00e9rimental pr\u00e9sente une puret\u00e9 conceptuelle remarquable, particuli\u00e8rement protectrice contre les contaminations cognitives ou physiologiques : aucun sujet n’\u00e9tant confront\u00e9 \u00e0 plus d’une condition, les risques d’effets d’apprentissage ou de lassitude sont structurellement \u00e9vacu\u00e9s. Toutefois, son co\u00fbt m\u00e9thodologique r\u00e9side dans une vuln\u00e9rabilit\u00e9 directe au bruit interindividuel : si les participants d’un m\u00eame groupe pr\u00e9sentent une forte h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 naturelle, la variance interne gonfle, masquant potentiellement les effets r\u00e9els les plus discrets de la variable ind\u00e9pendante.<\/p>\n

2.2 Formulation du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral<\/h3>\n

D’un point de vue math\u00e9matique formel, l’ANOVA \u00e0 un facteur inter-sujets s’inscrit pleinement dans la th\u00e9orie du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 (Wolfram MathWorld ANOVA<\/a>). Pour une observation quelconque not\u00e9e Yij<\/sub><\/em>, repr\u00e9sentant le score obtenu par le j<\/em>-i\u00e8me participant (avec j<\/em> allant de 1 \u00e0 ni<\/sub><\/em>) assign\u00e9 au i<\/em>-i\u00e8me niveau du traitement (avec i<\/em> allant de 1 \u00e0 k<\/em>), l’\u00e9quation de d\u00e9composition s’\u00e9nonce comme suit :<\/p>\n

Yij<\/sub><\/em> = μ + αi<\/em><\/sub> + εij<\/em><\/sub><\/p>\n

Dans cette formulation canonique, μ repr\u00e9sente la moyenne g\u00e9n\u00e9rale th\u00e9orique (ou grand mean) de la population parente, d\u00e9finie comme l’esp\u00e9rance math\u00e9matique globale de la variable \u00e9tudi\u00e9e en l’absence de tout effet diff\u00e9renciateur. Le terme αi<\/em><\/sub> d\u00e9signe l’effet fixe sp\u00e9cifique associ\u00e9 \u00e0 l’appartenance \u00e0 la i<\/em>-i\u00e8me condition de traitement ; il se d\u00e9finit alg\u00e9briquement comme l’\u00e9cart entre l’esp\u00e9rance de la modalit\u00e9 i<\/em> et la moyenne g\u00e9n\u00e9rale (αi<\/em><\/sub> = μi<\/em><\/sub> – μ). Sous la contrainte d’identifiabilit\u00e9 standard des mod\u00e8les \u00e0 effets fixes, la somme pond\u00e9r\u00e9e des effets du traitement est nulle (∑ ni<\/sub><\/em>αi<\/em><\/sub> = 0). Enfin, le terme εij<\/em><\/sub> incarne l’erreur r\u00e9siduelle al\u00e9atoire, c’est-\u00e0-dire la d\u00e9viation sp\u00e9cifique du participant j<\/em> par rapport \u00e0 la moyenne de son propre groupe (εij<\/em><\/sub> = Yij<\/sub><\/em> – μi<\/em><\/sub>).<\/p>\n

Ce formalisme permet d’exprimer avec une parfaite rigueur l’hypoth\u00e8se nulle (H<\/em>0<\/sub>) soumise \u00e0 l’\u00e9preuve des faits empiriques :<\/p>\n

H<\/em>0<\/sub> : μ1<\/sub> = μ2<\/sub> = … = μk<\/em><\/sub> (ou, de mani\u00e8re \u00e9quivalente, α1<\/sub> = α2<\/sub> = … = αk<\/em><\/sub> = 0)<\/p>\n

L’hypoth\u00e8se alternative (H<\/em>1<\/sub>) n’affirme pas que l’ensemble des moyennes divergent syst\u00e9matiquement les unes des autres, mais postule l’existence d’au moins une paire de conditions dont les esp\u00e9rances math\u00e9matiques sont significativement non congruentes :<\/p>\n

H<\/em>1<\/sub> : ∃ (i<\/em>, m<\/em>) tel que μi<\/em><\/sub> ≠ μm<\/em><\/sub> pour i<\/em> ≠ m<\/em><\/p>\n

2.3 D\u00e9composition des sommes de carr\u00e9s inter-sujets<\/h3>\n

Le g\u00e9nie algorithmique de l’ANOVA r\u00e9side dans la partition alg\u00e9brique de la d\u00e9viation totale des observations en composantes additives orthogonales. La somme totale des carr\u00e9s des \u00e9carts (not\u00e9e SS<\/em>Total<\/sub> ou SST<\/em>) quantifie l’ensemble de la variabilit\u00e9 pr\u00e9sente dans le jeu de donn\u00e9es par rapport \u00e0 la moyenne g\u00e9n\u00e9rale globale empirique (Y\u0304<\/em>..<\/sub>) :<\/p>\n

SS<\/em>Total<\/sub> = ∑i<\/em>=1<\/sub>k<\/em><\/sup> ∑j<\/em>=1<\/sub>ni<\/sub><\/em><\/sup> (Yij<\/sub><\/em> – Y\u0304<\/em>..<\/sub>)2<\/sup><\/p>\n

Cette variabilit\u00e9 globale se scinde de mani\u00e8re exacte en deux termes distincts et non recouvrants : la somme des carr\u00e9s intergroupes (not\u00e9e SS<\/em>Between<\/sub> ou SSB<\/em>), et la somme des carr\u00e9s intragroupes (not\u00e9e SS<\/em>Within<\/sub>, SSW<\/em> ou somme des carr\u00e9s r\u00e9siduelle SS<\/em>Residual<\/sub>) :<\/p>\n

SS<\/em>Total<\/sub> = SS<\/em>Between<\/sub> + SS<\/em>Within<\/sub><\/p>\n

La somme des carr\u00e9s intergroupes (SSB<\/em>) mesure la dispersion des moyennes observ\u00e9es des k<\/em> groupes (Y\u0304<\/em>i<\/em>.<\/sub>) autour de la moyenne g\u00e9n\u00e9rale, pond\u00e9r\u00e9e par la taille respective de chaque groupe (ni<\/sub><\/em>) :<\/p>\n

SS<\/em>Between<\/sub> = ∑i<\/em>=1<\/sub>k<\/em><\/sup> ni<\/sub><\/em> (Y\u0304<\/em>i<\/em>.<\/sub> – Y\u0304<\/em>..<\/sub>)2<\/sup><\/p>\n

Parall\u00e8lement, la somme des carr\u00e9s intragroupes (SSW<\/em>) agr\u00e8ge les \u00e9carts quadratiques de chaque individu par rapport \u00e0 la moyenne sp\u00e9cifique du groupe auquel il appartient. Elle constitue l’estimation de la variance r\u00e9siduelle non attribuable \u00e0 la variable manipul\u00e9e :<\/p>\n

SS<\/em>Within<\/sub> = ∑i<\/em>=1<\/sub>k<\/em><\/sup> ∑j<\/em>=1<\/sub>ni<\/sub><\/em><\/sup> (Yij<\/sub><\/em> – Y\u0304<\/em>i<\/em>.<\/sub>)2<\/sup><\/p>\n

\"\"<\/figure>\n

\u00c0 chacune de ces sommes de carr\u00e9s sont assign\u00e9s des degr\u00e9s de libert\u00e9 (ddl<\/em> ou df<\/em>) refl\u00e9tant le nombre d’informations ind\u00e9pendantes mobilis\u00e9es pour leur estimation. Pour SS<\/em>Total<\/sub>, les degr\u00e9s de libert\u00e9 sont de N<\/em> – 1 (o\u00f9 N<\/em> repr\u00e9sente l’effectif global cumul\u00e9). Pour SS<\/em>Between<\/sub>, ils s’\u00e9l\u00e8vent \u00e0 k<\/em> – 1. Enfin, pour SS<\/em>Within<\/sub>, ils sont \u00e9gaux \u00e0 N<\/em> – k<\/em>. L’additivit\u00e9 des sommes de carr\u00e9s s’accompagne d’une stricte additivit\u00e9 de leurs degr\u00e9s de libert\u00e9 respectifs : (N<\/em> – 1) = (k<\/em> – 1) + (N<\/em> – k<\/em>).<\/p>\n

3. Fondements th\u00e9oriques de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es (plan intra-sujets)<\/h2>\n

3.1 Architecture conceptuelle du plan intra-sujets<\/h3>\n

L’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es incarne un changement de paradigme fondamental en substituant \u00e0 la logique de comparaison entre individus distincts le principe \u00e9l\u00e9gant de l’auto-r\u00e9f\u00e9rencement : chaque sujet devient son propre t\u00e9moin (contr\u00f4le intra-individuel). Dans ce type de plan d’exp\u00e9rience, les n<\/em> participants recrut\u00e9s sont successivement expos\u00e9s \u00e0 la totalit\u00e9 des k<\/em> niveaux de la variable ind\u00e9pendante, ou sont observ\u00e9s de mani\u00e8re r\u00e9p\u00e9t\u00e9e \u00e0 travers le temps (\u00e9tudes longitudinales, cin\u00e9tiques pharmacologiques, courbes d’apprentissage moteur). La cons\u00e9quence statistique imm\u00e9diate de ce devis est l’\u00e9mergence d’une d\u00e9pendance structur\u00e9e in\u00e9vitable : les scores d’un individu sous la condition 1 corr\u00e8lent syst\u00e9matiquement avec ses scores sous les conditions 2 et 3.<\/p>\n

Cette non-ind\u00e9pendance, loin de constituer une entrave, repr\u00e9sente l’atout majeur du plan intra-sujets. Dans l’esp\u00e8ce humaine, les diff\u00e9rences stables entre individus — le profil cognitif g\u00e9n\u00e9ral, l’excitabilit\u00e9 neuronale de base, le m\u00e9tabolisme, l’optimisme dispositionnel — g\u00e9n\u00e8rent une dispersion colossale des scores. Dans un plan inter-sujets, cette dispersion s’agr\u00e8ge indistinctement dans le terme d’erreur intragroupe (SSW<\/em>), obscurcissant le signal exp\u00e9rimental. Dans le plan intra-sujets, puisque ces caract\u00e9ristiques demeurent stables d’une condition \u00e0 l’autre chez un sujet donn\u00e9, il devient math\u00e9matiquement possible de quantifier cette variabilit\u00e9 interindividuelle globale et de la soustraire analytiquement du terme d’erreur r\u00e9siduel.<\/p>\n

Cette architecture conf\u00e8re une rentabilit\u00e9 exp\u00e9rimentale remarquable. D’une part, elle permet une \u00e9conomie substantielle de ressources humaines : pour \u00e9valuer 4 conditions avec 20 observations par cellule, un plan inter-sujets exige N<\/em> = 80 participants distincts, tandis qu’un plan intra-sujets n’en requiert que 20 au total. D’autre part, en \u00e9purant l’erreur de mesure de la variabilit\u00e9 stable propre aux personnes, le plan intra-sujets optimise drastiquement la sensibilit\u00e9 du dispositif exp\u00e9rimental.<\/p>\n

3.2 Formulation math\u00e9matique du mod\u00e8le \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n

Pour capturer analytiquement cette stratification, le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es int\u00e8gre explicitement un param\u00e8tre al\u00e9atoire d\u00e9di\u00e9 au sujet. Pour une mesure Yij<\/sub><\/em> collect\u00e9e aupr\u00e8s du i<\/em>-i\u00e8me sujet (avec i<\/em> allant de 1 \u00e0 n<\/em>) soumis \u00e0 la j<\/em>-i\u00e8me condition exp\u00e9rimentale (avec j<\/em> allant de 1 \u00e0 k<\/em>), l’\u00e9quation structurelle s’\u00e9tablit ainsi :<\/p>\n

Yij<\/sub><\/em> = μ + πi<\/em><\/sub> + αj<\/em><\/sub> + εij<\/em><\/sub><\/p>\n

Dans ce mod\u00e8le d’analyse \u00e0 effets mixtes (o\u00f9 les conditions exp\u00e9rimentales constituent un facteur fixe et les participants un facteur al\u00e9atoire), μ d\u00e9signe la constante correspondant au niveau moyen global du ph\u00e9nom\u00e8ne dans la population. Le param\u00e8tre αj<\/em><\/sub> repr\u00e9sente l’effet fixe propre \u00e0 la j<\/em>-i\u00e8me condition de mesure r\u00e9p\u00e9t\u00e9e, soumis \u00e0 la contrainte standard ∑ αj<\/em><\/sub> = 0. Le terme novateur r\u00e9side dans πi<\/em><\/sub>, qui mod\u00e9lise l’effet al\u00e9atoire invariant du i<\/em>-i\u00e8me participant. Ce terme πi<\/em><\/sub> suit une distribution normale th\u00e9orique d’esp\u00e9rance nulle et de variance σπ<\/sub>2<\/sup> ; il formalise le fait structurel que certains individus pr\u00e9sentent syst\u00e9matiquement des scores sup\u00e9rieurs ou inf\u00e9rieurs \u00e0 la moyenne, ind\u00e9pendamment du traitement administr\u00e9.<\/p>\n

Le dernier terme, εij<\/em><\/sub>, correspond \u00e0 l’erreur r\u00e9siduelle pure. Dans la formulation d’un plan \u00e0 un facteur r\u00e9p\u00e9t\u00e9 sans r\u00e9plications au sein des cellules, ce r\u00e9sidu est indissociable de l’interaction sp\u00e9cifique entre le sujet et le traitement (πα)ij<\/em><\/sub>. Ainsi, le terme d’erreur n’exprime plus la dispersion brute des individus, mais l’inconstance de la r\u00e9ponse des participants d’une modalit\u00e9 \u00e0 l’autre — c’est-\u00e0-dire l’incapacit\u00e9 d’un participant particulier \u00e0 r\u00e9pondre \u00e0 la condition j<\/em> exactement de la m\u00eame mani\u00e8re que la tendance moyenne de la cohorte.<\/p>\n

3.3 D\u00e9composition de la variance en mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n

La partition de la variance en mesures r\u00e9p\u00e9t\u00e9es franchit une \u00e9tape suppl\u00e9mentaire par rapport au sch\u00e9ma inter-sujets classique. La somme des carr\u00e9s totale (SS<\/em>Total<\/sub>) demeure d\u00e9finie par la dispersion de l’ensemble des n<\/em> × k<\/em> mesures par rapport \u00e0 la moyenne globale :<\/p>\n

SS<\/em>Total<\/sub> = ∑i<\/em>=1<\/sub>n<\/em><\/sup> ∑j<\/em>=1<\/sub>k<\/em><\/sup> (Yij<\/sub><\/em> – Y\u0304<\/em>..<\/sub>)2<\/sup>, avec ddl<\/em> = (n<\/em> × k<\/em>) – 1<\/p>\n

La d\u00e9composition primaire s\u00e9pare cette variabilit\u00e9 globale en une composante \u00ab entre sujets \u00bb (SS<\/em>Between-Subjects<\/sub> ou SS<\/em>Sujets<\/sub>) et une composante \u00ab intra-sujets \u00bb (SS<\/em>Within-Subjects<\/sub>) :<\/p>\n

SS<\/em>Total<\/sub> = SS<\/em>Sujets<\/sub> + SS<\/em>Within-Subjects<\/sub><\/p>\n

La somme des carr\u00e9s entre sujets (SS<\/em>Sujets<\/sub>) capture l’ampleur des diff\u00e9rences chroniques et stables qui s\u00e9parent les participants, en mesurant l’\u00e9cart entre la moyenne individuelle de chaque participant (Y\u0304<\/em>i<\/em>.<\/sub>) et le grand mean :<\/p>\n

SS<\/em>Sujets<\/sub> = k<\/em> ∑i<\/em>=1<\/sub>n<\/em><\/sup> (Y\u0304<\/em>i<\/em>.<\/sub> – Y\u0304<\/em>..<\/sub>)2<\/sup>, avec ddl<\/em> = n<\/em> – 1<\/p>\n

C’est au sein de la fraction restante — la somme des carr\u00e9s intra-sujets (SS<\/em>Within-Subjects<\/sub>) — que s’op\u00e8re l’isolement du signal exp\u00e9rimental. Cette variabilit\u00e9 intra-sujets se scinde \u00e0 son tour rigoureusement en deux fractions orthogonales : la variabilit\u00e9 directement induite par le traitement r\u00e9p\u00e9t\u00e9 (SS<\/em>Traitement<\/sub>) et la variabilit\u00e9 d’erreur r\u00e9siduelle \u00e9pur\u00e9e (SS<\/em>Erreur<\/sub>) :<\/p>\n

SS<\/em>Within-Subjects<\/sub> = SS<\/em>Traitement<\/sub> + SS<\/em>Erreur<\/sub><\/p>\n

La somme des carr\u00e9s du traitement (SS<\/em>Traitement<\/sub>) s’exprime par la d\u00e9viation des moyennes de chaque condition (Y\u0304<\/em>.j<\/em><\/sub>) par rapport \u00e0 la moyenne globale :<\/p>\n

SS<\/em>Traitement<\/sub> = n<\/em> ∑j<\/em>=1<\/sub>k<\/em><\/sup> (Y\u0304<\/em>.j<\/em><\/sub> – Y\u0304<\/em>..<\/sub>)2<\/sup>, avec ddl<\/em> = k<\/em> – 1<\/p>\n

Enfin, la somme des carr\u00e9s d’erreur r\u00e9siduelle (SS<\/em>Erreur<\/sub>), qui servira de terme d’\u00e9valuation au test F<\/em>, est obtenue par soustraction directe (SS<\/em>Erreur<\/sub> = SS<\/em>Within-Subjects<\/sub> – SS<\/em>Traitement<\/sub>). Alg\u00e9briquement, elle se formalise par :<\/p>\n

SS<\/em>Erreur<\/sub> = ∑i<\/em>=1<\/sub>n<\/em><\/sup> ∑j<\/em>=1<\/sub>k<\/em><\/sup> (Yij<\/sub><\/em> – Y\u0304<\/em>i<\/em>.<\/sub> – Y\u0304<\/em>.j<\/em><\/sub> + Y\u0304<\/em>..<\/sub>)2<\/sup><\/p>\n

Les degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 cette erreur \u00e9pur\u00e9e r\u00e9sultent du produit arithm\u00e9tique des degr\u00e9s de libert\u00e9 des deux sources crois\u00e9es : ddl<\/em>Erreur<\/sub> = (n<\/em> – 1)(k<\/em> – 1). Cette extraction formelle de SS<\/em>Sujets<\/sub> constitue la cl\u00e9 de vo\u00fbte de l’avantage inf\u00e9rentiel des plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es.<\/p>\n

4. La distinction fondamentale : Groupes ind\u00e9pendants vs Sujets appari\u00e9s<\/h2>\n

4.1 Origine de la variance r\u00e9siduelle dans les deux plans<\/h3>\n

La divergence cardinale entre les plans inter-sujets et intra-sujets ne r\u00e9side pas dans la quantification de l’effet exp\u00e9rimental — qui, au plan descriptif, compare toujours des moyennes de conditions — mais dans l’anatomie intime du terme d’erreur r\u00e9siduel plac\u00e9 au d\u00e9nominateur du ratio de Fisher. Dans le cadre de l’ANOVA inter-sujets, l’erreur r\u00e9siduelle (SSW<\/em>) agr\u00e8ge sans distinction toutes les sources de variation qui ne rel\u00e8vent pas de l’appartenance au groupe. Elle incorpore donc l’int\u00e9gralit\u00e9 des diff\u00e9rences g\u00e9n\u00e9tiques, cognitives, m\u00e9taboliques, biographiques et motivationnelles des participants. Si un sujet du groupe \u00ab Traitement A \u00bb pr\u00e9sente un QI de 135 et un sujet du groupe \u00ab Traitement B \u00bb un QI de 95, cette disparit\u00e9 naturelle vient massivement accro\u00eetre la somme des carr\u00e9s intragroupes, cr\u00e9ant un bruit statistique consid\u00e9rable qui diminue la valeur du ratio F<\/em>.<\/p>\n

\"\"<\/figure>\n

\u00c0 l’oppos\u00e9, l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es r\u00e9alise une v\u00e9ritable purification statistique du bruit de fond. En mod\u00e9lisant explicitement la performance moyenne de chaque participant \u00e0 travers ses k<\/em> passages, l’algorithme retire du terme d’erreur l’ensemble de la variance attribuable aux caract\u00e9ristiques interindividuelles stables. La variance r\u00e9siduelle (SS<\/em>Erreur<\/sub>) ne mesure plus \u00ab combien les individus diff\u00e8rent les uns des autres \u00bb, mais uniquement \u00ab \u00e0 quel point la trajectoire diff\u00e9rentielle d’un individu s’\u00e9carte de la trajectoire diff\u00e9rentielle moyenne du groupe \u00bb. Tout ce qui constitue un profil stable — le fait d’\u00eatre chroniquement plus lent, plus anxieux, ou plus performant — est enti\u00e8rement neutralis\u00e9.<\/p>\n

Cette soustraction analytique a un impact direct et massif sur la pr\u00e9cision de l’estimation. Le d\u00e9nominateur du test F<\/em> s’en trouve g\u00e9n\u00e9ralement drastiquement amoindri. D\u00e8s lors, pour un m\u00eame diff\u00e9rentiel observ\u00e9 entre les moyennes des conditions, le test \u00e0 mesures r\u00e9p\u00e9t\u00e9es affichera une valeur de F<\/em> substantiellement sup\u00e9rieure, conf\u00e9rant \u00e0 l’exp\u00e9rimentateur une acuit\u00e9 accrue pour rejeter l’hypoth\u00e8se nulle lorsque celle-ci est fausse en r\u00e9alit\u00e9.<\/p>\n

4.2 Cons\u00e9quences sur l’\u00e9chantillonnage et la repr\u00e9sentativit\u00e9<\/h3>\n

Ce partitionnement diff\u00e9renci\u00e9 induit des r\u00e9percussions logistiques et \u00e9pist\u00e9mologiques profondes sur les strat\u00e9gies d’\u00e9chantillonnage. En premier lieu, la demande volum\u00e9trique brute en participants varie du simple au multiple. Si une analyse de puissance a priori prescrit la collecte de 30 observations par cellule pour d\u00e9tecter une taille d’effet mod\u00e9r\u00e9e \u00e0 travers 4 modalit\u00e9s exp\u00e9rimentales, le plan inter-sujets impose le recrutement, l’accueil et la prise en charge de 120 individus distincts (n<\/em> = 30 × 4). Le plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es permet d’atteindre le m\u00eame nombre d’observations cellulaires avec seulement 30 participants uniques (N<\/em> = 30).<\/p>\n

Cependant, cette \u00e9conomie d’\u00e9chantillonnage s’accompagne d’une vuln\u00e9rabilit\u00e9 accrue \u00e0 un fl\u00e9au m\u00e9thodologique majeur : l’attrition exp\u00e9rimentale (ou abandons de recherche). Dans un plan inter-sujets, si le quaranti\u00e8me participant omet de se pr\u00e9senter \u00e0 la session de test ou si ses donn\u00e9es sont corrompues, seule cette observation isol\u00e9e est retranch\u00e9e de l’analyse, r\u00e9duisant marginalement la taille du groupe concern\u00e9 (n<\/em> = 29 au lieu de 30), sans vicier fondamentalement la structure orthogonale du mod\u00e8le. En mesures r\u00e9p\u00e9t\u00e9es classiques, la structure matricielle matricielle est rigide : si un participant r\u00e9alise les conditions 1, 2 et 3 mais fait d\u00e9fection avant la condition 4, l’algorithme standard d’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es — fond\u00e9 sur le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral par moindres carr\u00e9s ordinaires — rejette l’int\u00e9gralit\u00e9 du profil de l’individu par suppression par liste (listwise deletion<\/em>). L’abandon d’un sujet entra\u00eene ainsi l’amputation de 3 points de donn\u00e9es valides d\u00e9j\u00e0 enregistr\u00e9s.<\/p>\n

Par ailleurs, le plan inter-sujets demeure expos\u00e9 au spectre de l’\u00e9chec d’assignation al\u00e9atoire. En d\u00e9pit de la rigueur de la randomisation probabiliste, des cohortes de petite taille (par exemple n<\/em> ≤ 15 par groupe) peuvent fortuitement h\u00e9riter de d\u00e9s\u00e9quilibres flagrants sur des variables parasites non mesur\u00e9es. Le plan intra-sujets, par essence, assure un contr\u00f4le \u00e9cologique parfait de ces covariables latentes, puisque chaque participant conserve son profil g\u00e9n\u00e9tique et son pass\u00e9 exp\u00e9rientiel invariable d’une condition \u00e0 la suivante.<\/p>\n

4.3 Comparaison synth\u00e9tique des caract\u00e9ristiques structurelles<\/h3>\n

L’analyse des diff\u00e9rences fondamentales entre ces deux d\u00e9marches gagne \u00e0 \u00eatre synth\u00e9tis\u00e9e selon une grille de lecture multidimensionnelle, contrastant leurs sp\u00e9cificit\u00e9s structurelles, conceptuelles et op\u00e9rationnelles :<\/p>\n\n\n\n\n\n\n\n\n\n\n\n
Tableau 1 : Comparaison structurelle entre plan inter-sujets et plan intra-sujets<\/caption>\n
Param\u00e8tre de comparaison<\/th>\nANOVA \u00e0 un facteur (Inter-sujets)<\/th>\nANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es (Intra-sujets)<\/th>\n<\/tr>\n<\/thead>\n
Structure de l’\u00e9chantillon<\/strong><\/td>\nGroupes de participants distincts et mutuellement exclusifs.<\/td>\nCohorte unique de participants traversant toutes les conditions.<\/td>\n<\/tr>\n
Ind\u00e9pendance des observations<\/strong><\/td>\nStricte : corr\u00e9lation nulle requise entre toutes les mesures.<\/td>\nD\u00e9pendance positive structur\u00e9e entre les mesures d’un m\u00eame sujet.<\/td>\n<\/tr>\n
Origine du terme d’erreur<\/strong><\/td>\nVariance intragroupe globale (diff\u00e9rences individuelles + erreur de mesure).<\/td>\nInteraction sujet × condition (r\u00e9sidu \u00e9pur\u00e9 de la variance entre sujets).<\/td>\n<\/tr>\n
Sensibilit\u00e9 \u00e0 l’attrition<\/strong><\/td>\nMod\u00e9r\u00e9e : perte restreinte \u00e0 l’observation manquante.<\/td>\nS\u00e9v\u00e8re : perte fr\u00e9quente de l’ensemble du sujet en cas de cellule manquante.<\/td>\n<\/tr>\n
Menaces majeures \u00e0 la validit\u00e9<\/strong><\/td>\nBiais d’\u00e9chantillonnage, d\u00e9s\u00e9quilibre fortuit des covariables parasites.<\/td>\nEffets d’ordre, effets de p\u00e9riode, lassitude, apprentissage, report.<\/td>\n<\/tr>\n
Degr\u00e9s de libert\u00e9 de l’erreur<\/strong><\/td>\n\u00c9lev\u00e9s : N<\/em> – k<\/em>.<\/td>\nR\u00e9duits : (n<\/em> – 1)(k<\/em> – 1).<\/td>\n<\/tr>\n
Hypoth\u00e8se de variance sp\u00e9cifique<\/strong><\/td>\nHomosc\u00e9dasticit\u00e9 (homog\u00e9n\u00e9it\u00e9 des variances intergroupes).<\/td>\nSph\u00e9ricit\u00e9 (homog\u00e9n\u00e9it\u00e9 des variances des diff\u00e9rences par paires).<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Cette distinction mat\u00e9rialise l’arbitrage fondamental de l’exp\u00e9rimentateur : opter pour la robustesse logistique et l’immunit\u00e9 contre les effets de contamination temporelle (inter-sujets), ou maximiser l’\u00e9conomie d’\u00e9chantillonnage et la sensibilit\u00e9 statistique en acceptant des contraintes m\u00e9thodologiques d’ordonnancement s\u00e9v\u00e8res (intra-sujets).<\/p>\n

5. Analyse comparative approfondie des formules et calculs du test F<\/h2>\n

5.1 Calcul du ratio F dans l’ANOVA \u00e0 un facteur<\/h3>\n

L’\u00e9valuation statistique de l’hypoth\u00e8se nulle repose sur le ratio de variance F<\/em>, construit de telle sorte que son comportement probabiliste sous H<\/em>0<\/sub> soit parfaitement mod\u00e9lis\u00e9 par la loi th\u00e9orique de Fisher-Snedecor. Dans le plan inter-sujets, la m\u00e9canique calculatoire proc\u00e8de par conversion des sommes de carr\u00e9s en \u00ab carr\u00e9s moyens \u00bb (Mean Squares<\/em> ou MS<\/em>), obtenus en divisant chaque somme quadratique par ses degr\u00e9s de libert\u00e9 correspondants :<\/p>\n

MS<\/em>Between<\/sub> = SS<\/em>Between<\/sub> \/ (k<\/em> – 1)<\/p>\n

MS<\/em>Within<\/sub> = SS<\/em>Within<\/sub> \/ (N<\/em> – k<\/em>)<\/p>\n

Le carr\u00e9 moyen intergroupes (MS<\/em>Between<\/sub> ou MSB<\/em>) estime th\u00e9oriquement la variance de l’erreur r\u00e9siduelle augment\u00e9e de la composante attribuable au diff\u00e9rentiel moyen des traitements, pond\u00e9r\u00e9e par l’effectif des groupes : E<\/em>[MSB<\/em>] = σε<\/sub>2<\/sup> + [(∑ ni<\/sub><\/em> αi<\/em><\/sub>2<\/sup>) \/ (k<\/em> – 1)]. Le carr\u00e9 moyen intragroupe (MS<\/em>Within<\/sub> ou MSW<\/em>) constitue quant \u00e0 lui une estimation sans biais exclusive de la variance r\u00e9siduelle al\u00e9atoire de la population : E<\/em>[MSW<\/em>] = σε<\/sub>2<\/sup>. La statistique F<\/em> est alors le quotient direct :<\/p>\n

F<\/em>Inter<\/sub> = MS<\/em>Between<\/sub> \/ MS<\/em>Within<\/sub><\/p>\n

Lorsque l’hypoth\u00e8se nulle est scrupuleusement v\u00e9rifi\u00e9e dans la population (αi<\/em><\/sub> = 0 pour tout i<\/em>), la composante de traitement s’\u00e9vanouit et le num\u00e9rateur n’est plus qu’une seconde estimation ind\u00e9pendante de σε<\/sub>2<\/sup>. En cons\u00e9quence, le ratio F<\/em> gravite autour d’une esp\u00e9rance math\u00e9matique proche de l’unit\u00e9 (plus pr\u00e9cis\u00e9ment ddl<\/em>erreur<\/sub> \/ (ddl<\/em>erreur<\/sub> – 2)). La distribution th\u00e9orique associ\u00e9e est formellement une distribution F<\/em> poss\u00e9dant ν1<\/sub> = k<\/em> – 1 et ν2<\/sub> = N<\/em> – k<\/em> degr\u00e9s de libert\u00e9. Si la statistique calcul\u00e9e empiriquement surpasse la valeur critique d\u00e9finie au seuil α, le chercheur conclut au rejet de l’hypoth\u00e8se d’invariance des moyennes.<\/p>\n

5.2 Calcul du ratio F dans l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n

En mesures r\u00e9p\u00e9t\u00e9es, l’\u00e9quation d’estimation du ratio F<\/em> subit une transformation capitale command\u00e9e par la nouvelle structure d’erreur. Les sommes de carr\u00e9s pertinentes sont pr\u00e9alablement r\u00e9duites \u00e0 leurs carr\u00e9s moyens respectifs :<\/p>\n

MS<\/em>Traitement<\/sub> = SS<\/em>Traitement<\/sub> \/ (k<\/em> – 1)<\/p>\n

MS<\/em>Erreur<\/sub> = SS<\/em>Erreur<\/sub> \/ [(n<\/em> – 1)(k<\/em> – 1)]<\/p>\n

L’esp\u00e9rance math\u00e9matique du carr\u00e9 moyen du traitement s’\u00e9nonce : E<\/em>[MS<\/em>Traitement<\/sub>] = σε<\/sub>2<\/sup> + n<\/em> [(∑ αj<\/em><\/sub>2<\/sup>) \/ (k<\/em> – 1)]. En revanche, le d\u00e9nominateur n’est plus constitu\u00e9 par la dispersion globale des sujets, mais par le r\u00e9sidu pur d’interaction entre les participants et les conditions exp\u00e9rimentales. L’esp\u00e9rance math\u00e9matique du terme d’erreur \u00e9pur\u00e9 s’\u00e9tablit \u00e0 : E<\/em>[MS<\/em>Erreur<\/sub>] = σε<\/sub>2<\/sup>. La statistique de test prend d\u00e8s lors la forme :<\/p>\n

F<\/em>R\u00e9p\u00e9t\u00e9<\/sub> = MS<\/em>Traitement<\/sub> \/ MS<\/em>Erreur<\/sub><\/p>\n

Cette statistique empirique est r\u00e9gie par une distribution th\u00e9orique de Fisher affichant des degr\u00e9s de libert\u00e9 modifi\u00e9s : ν1<\/sub> = k<\/em> – 1 au num\u00e9rateur, et ν2<\/sub> = (n<\/em> – 1)(k<\/em> – 1) au d\u00e9nominateur. La cons\u00e9quence de cette structure r\u00e9side dans la double modification du d\u00e9nominateur par rapport au plan inter-sujets : la valeur num\u00e9rique de MS<\/em>Erreur<\/sub> est substantiellement amoindrie d\u00e8s lors que les scores des participants sont positivement corr\u00e9l\u00e9s entre les sessions, mais les degr\u00e9s de libert\u00e9 r\u00e9siduels sont \u00e9galement r\u00e9duits, imposant une valeur critique de F<\/em> th\u00e9orique l\u00e9g\u00e8rement plus exigeante pour franchir le seuil de rejet conventionnel.<\/p>\n

5.3 D\u00e9monstration de l’impact de l’extraction de variance sur la statistique de test<\/h3>\n

Pour appr\u00e9hender concr\u00e8tement la puissance du m\u00e9canisme d’\u00e9puration, consid\u00e9rons une exp\u00e9rience impliquant k<\/em> = 3 conditions administr\u00e9es \u00e0 n<\/em> = 10 sujets. Supposons que l’effet exp\u00e9rimental produise une somme des carr\u00e9s de traitement SS<\/em>Traitement<\/sub> = 120 (donc MS<\/em>Traitement<\/sub> = 120 \/ 2 = 60). Admettons que la somme des carr\u00e9s intra-sujets totale SS<\/em>Within-Subjects<\/sub> s’\u00e9l\u00e8ve \u00e0 250. Dans cette situation, si les caract\u00e9ristiques individuelles des participants sont fortement discriminantes, une vaste part de cette dispersion sera capt\u00e9e par SS<\/em>Sujets<\/sub>, par exemple 190. La somme des carr\u00e9s d’erreur r\u00e9siduelle r\u00e9siduelle tombe alors \u00e0 SS<\/em>Erreur<\/sub> = 250 – 190 = 60.<\/p>\n

Calculons le carr\u00e9 moyen d’erreur : avec (10 – 1)(3 – 1) = 18 degr\u00e9s de libert\u00e9, MS<\/em>Erreur<\/sub> = 60 \/ 18 ≈ 3,33. La statistique F<\/em> en mesures r\u00e9p\u00e9t\u00e9es s’\u00e9l\u00e8ve alors \u00e0 :<\/p>\n

F<\/em>R\u00e9p\u00e9t\u00e9<\/sub> = 60 \/ 3,33 = 18,02 (avec p<\/em> < 0,001).<\/p>\n

Imaginons d\u00e9sormais que ces m\u00eames donn\u00e9es proviennent d’un plan inter-sujets comportant 3 groupes distincts de 10 participants, produisant les m\u00eames moyennes et la m\u00eame variance globale. Dans ce cas, les 190 points de variabilit\u00e9 individuelle ne peuvent pas \u00eatre isol\u00e9s : ils demeurent int\u00e9gr\u00e9s au terme d’erreur SS<\/em>Within<\/sub>, lequel cumule 190 + 60 = 250. Les degr\u00e9s de libert\u00e9 r\u00e9siduels s’\u00e9l\u00e8vent \u00e0 N<\/em> – k<\/em> = 30 – 3 = 27. Le carr\u00e9 moyen intragroupe devient alors : MS<\/em>Within<\/sub> = 250 \/ 27 ≈ 9,26. La statistique F<\/em> inter-sujets s’\u00e9tablit \u00e0 :<\/p>\n

F<\/em>Inter<\/sub> = 60 \/ 9,26 = 6,48 (avec p<\/em> ≈ 0,005).<\/p>\n

Le ratio F<\/em> a \u00e9t\u00e9 quasiment tripl\u00e9 en mesures r\u00e9p\u00e9t\u00e9es (18,02 contre 6,48) en vertu de l’\u00e9limination de la composante SS<\/em>Sujets<\/sub>. Le cas limite th\u00e9orique appara\u00eet lorsque la corr\u00e9lation intra-classe entre les conditions r\u00e9p\u00e9t\u00e9es est strictement nulle (les individus ne pr\u00e9sentent aucune stabilit\u00e9 relative dans leurs scores). Dans ce sc\u00e9nario pathologique singulier, SS<\/em>Sujets<\/sub> tend vers sa valeur d’esp\u00e9rance al\u00e9atoire, l’extraction de variance ne compense plus la d\u00e9flation m\u00e9canique des degr\u00e9s de libert\u00e9 au d\u00e9nominateur, et le plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es perd alors son avantage statistique.<\/p>\n

6. Hypoth\u00e8ses sous-jacentes et conditions d’application respectives<\/h2>\n

6.1 Postulats partag\u00e9s par les deux mod\u00e8les<\/h3>\n

L’utilisation int\u00e8gre des mod\u00e8les d’analyse de variance repose sur un socle de postulats param\u00e9triques universels qui conditionnent la fid\u00e9lit\u00e9 de l’inf\u00e9rence. Le premier postulat r\u00e9side dans la m\u00e9trique de la variable d\u00e9pendante : celle-ci doit obligatoirement \u00eatre quantitative continue, mesur\u00e9e selon une \u00e9chelle d’intervalles ou de rapports. Appliquer une ANOVA \u00e0 des \u00e9chelles ordinales courtes (comme des \u00e9chelles de Likert \u00e0 3 ou 4 points) sans pr\u00e9caution expose \u00e0 des distorsions m\u00e9triques substantielles, bien que la litt\u00e9rature montre une tol\u00e9rance pragmatique lorsque les distributions approchent la sym\u00e9trie.<\/p>\n

Le second postulat partag\u00e9 concerne la normalit\u00e9 de la distribution des r\u00e9sidus d’erreur dans la population. Il ne s’agit pas d’exiger que l’\u00e9chantillon brut global suive une loi normale, mais de v\u00e9rifier que les r\u00e9sidus ε — c’est-\u00e0-dire les d\u00e9viations individuelles par rapport \u00e0 la moyenne conditionnelle — ob\u00e9issent \u00e0 une distribution gaussienne th\u00e9orique N<\/em>(0, σ2<\/sup>). L’\u00e9valuation de cette conformit\u00e9 ne doit pas reposer uniquement sur des tests formels d’ad\u00e9quation tels que le test de Shapiro-Wilk<\/a> ou de Kolmogorov-Smirnov, dont la puissance excessive sur de grands \u00e9chantillons conduit \u00e0 rejeter la normalit\u00e9 pour des \u00e9carts insignifiants. Le diagnostic gagne \u00e0 s’appuyer sur l’inspection graphique des diagrammes quantile-quantile (Q-Q plots<\/em>), compl\u00e9t\u00e9e par les indices d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>).<\/p>\n

Enfin, la pr\u00e9sence de valeurs aberrantes (outliers<\/em>) non repr\u00e9sentatives constitue une menace partag\u00e9e pour les deux d\u00e9marches. En raison de l’utilisation de termes quadratiques dans la somme des carr\u00e9s, un unique score d\u00e9viant de plusieurs \u00e9carts-types est susceptible de gonfler artificiellement les moyennes conditionnelles ou de surdimensionner la variance d’erreur r\u00e9siduelle, induisant indiff\u00e9remment des erreurs d’interpr\u00e9tation de type I ou de type II.<\/p>\n

6.2 L’homog\u00e9n\u00e9it\u00e9 des variances (Homosc\u00e9dasticit\u00e9) pour le plan inter-sujets<\/h3>\n

Dans l’ANOVA inter-sujets, la validit\u00e9 du ratio F<\/em> est tributaire du respect imp\u00e9rieux de l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 : les variances de la variable d\u00e9pendante au sein de chacune des k<\/em> populations doivent \u00eatre strictement \u00e9quivalentes (σ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup> = … = σk<\/em><\/sub>2<\/sup> = σ2<\/sup>). Cette condition est n\u00e9cessaire car le d\u00e9nominateur MS<\/em>Within<\/sub> repose sur une agr\u00e9gation globale (un \u00ab pool \u00bb) des variances internes \u00e0 chaque groupe. Si les dispersions intrins\u00e8ques divergent profond\u00e9ment, cette estimation commune perd sa signification probabiliste.<\/p>\n

Pour contr\u00f4ler ce postulat, les chercheurs recourent classiquement au test de Levene (pr\u00e9f\u00e9rable au test de Bartlett en raison de sa moindre sensibilit\u00e9 aux entorses \u00e0 la normalit\u00e9 pure). Le test de Levene standard \u00e9value l’\u00e9galit\u00e9 des variances en appliquant une ANOVA sur les \u00e9carts absolus des scores par rapport \u00e0 la moyenne du groupe ; la variante robuste d\u00e9velopp\u00e9e par Brown et Forsythe substitue la m\u00e9diane \u00e0 la moyenne pour un comportement optimal en pr\u00e9sence d’asym\u00e9trie.<\/p>\n

L’impact de la violation de l’homosc\u00e9dasticit\u00e9 d\u00e9pend intimement de l’\u00e9quilibre des effectifs (sample sizes<\/em>). Lorsque le plan d’exp\u00e9rience est parfaitement \u00e9quilibr\u00e9 (n<\/em>1<\/sub> = n<\/em>2<\/sub> = … = n<\/em>k<\/em><\/sub>), le test F<\/em> fait preuve d’une robustesse exceptionnelle face \u00e0 des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s mod\u00e9r\u00e9es des variances. En revanche, si le plan est d\u00e9s\u00e9quilibr\u00e9, la violation devient fatale : l’association d’un petit \u00e9chantillon \u00e0 une grande variance produit une inflation massive du taux d’erreur de premi\u00e8re esp\u00e8ce (α effectif pouvant atteindre 0,15 pour un seuil nominal de 0,05). \u00c0 l’inverse, l’association d’un grand \u00e9chantillon \u00e0 une grande variance bride ind\u00fbment la puissance du test. En cas d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 av\u00e9r\u00e9e en plan non balanc\u00e9, le recours direct \u00e0 l’ajustement de Welch ou \u00e0 l’ANOVA de Brown-Forsythe s’impose comme une n\u00e9cessit\u00e9 algorithmique.<\/p>\n

6.3 L’hypoth\u00e8se de sph\u00e9ricit\u00e9 pour le plan intra-sujets<\/h3>\n

Dans l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es, l’exigence d’homog\u00e9n\u00e9it\u00e9 ne se limite pas \u00e0 l’\u00e9galit\u00e9 des variances univari\u00e9es de chaque condition ; elle s’\u00e9tend \u00e0 la structure de covariance multivari\u00e9e \u00e0 travers le concept capital de sph\u00e9ricit\u00e9 (ou circularit\u00e9). Formalis\u00e9e par Box, la sph\u00e9ricit\u00e9 stipule que les variances de toutes les diff\u00e9rences possibles calcul\u00e9es par paires de conditions doivent \u00eatre strictement \u00e9gales<\/strong>. Pour trois conditions A, B et C, la sph\u00e9ricit\u00e9 requiert que :<\/p>\n

Var(A – B) ≈ Var(A – C) ≈ Var(B – C)<\/p>\n

Une condition suffisante (quoique non strictement n\u00e9cessaire) pour que la sph\u00e9ricit\u00e9 soit respect\u00e9e est la sym\u00e9trie compos\u00e9e (compound symmetry<\/em>), qui postule \u00e0 la fois l’homog\u00e9n\u00e9it\u00e9 des variances de chaque condition et l’\u00e9galit\u00e9 parfaite des covariances entre toutes les paires de conditions. Dans les recherches empiriques en psychologie, cette exigence est tr\u00e8s fr\u00e9quemment viol\u00e9e. Dans une \u00e9tude longitudinale, par exemple, deux points de mesure temporellement contigus (semaine 1 et semaine 2) corr\u00e8lent presque syst\u00e9matiquement davantage que deux points de mesure chronologiquement distants (semaine 1 et semaine 8). Cette d\u00e9rive structurelle rompt l’\u00e9galit\u00e9 des variances des diff\u00e9rences, induisant une d\u00e9faillance de la sph\u00e9ricit\u00e9.<\/p>\n

Le diagnostic universel de ce postulat est op\u00e9r\u00e9 au moyen du test de sph\u00e9ricit\u00e9 de Mauchly<\/a>. L’hypoth\u00e8se nulle du test de Mauchly pose que la matrice de variance-covariance des diff\u00e9rences est proportionnelle \u00e0 une matrice identit\u00e9. Si la valeur p<\/em> associ\u00e9e au W<\/em> de Mauchly franchit le seuil critique (p<\/em> < 0,05), l’hypoth\u00e8se de sph\u00e9ricit\u00e9 est formellement rejet\u00e9e. La sanction statistique de cette violation est imm\u00e9diate : le ratio F<\/em> ne suit plus la distribution th\u00e9orique pr\u00e9sum\u00e9e sous H<\/em>0<\/sub>, provoquant une augmentation substantielle du taux d’erreur de type I (rejet intempestif de l’hypoth\u00e8se nulle en l’absence d’effet r\u00e9el).<\/p>\n

7. Puissance statistique et contr\u00f4le de la variabilit\u00e9 interindividuelle<\/h2>\n

7.1 Le m\u00e9canisme d’amplification de la puissance statistique en mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n

La puissance statistique — d\u00e9finie comme la probabilit\u00e9 (1 – β) de rejeter l’hypoth\u00e8se nulle lorsqu’elle est effectivement fausse — constitue le crit\u00e8re supr\u00eame de performance d’un protocole de recherche. Dans cette perspective, l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es dispose d’un avantage comparatif intrins\u00e8que sur les plans inter-sujets gr\u00e2ce \u00e0 l’\u00e9limination syst\u00e9matique de la variance interindividuelle stable du terme d’erreur r\u00e9siduel.<\/p>\n

L’intensit\u00e9 de ce gain de puissance d\u00e9pend directement du coefficient de corr\u00e9lation intra-classe (ICC<\/em>) liant les observations r\u00e9p\u00e9t\u00e9es chez les m\u00eames sujets. Plus les caract\u00e9ristiques intrins\u00e8ques des participants influencent de mani\u00e8re homog\u00e8ne leurs scores d’un essai \u00e0 l’autre (se traduisant par de fortes corr\u00e9lations bivari\u00e9es positives, par exemple r<\/em> ≥ 0,70), plus la proportion de variance soustraite (SS<\/em>Sujets<\/sub>) est importante. En cons\u00e9quence, la variance r\u00e9siduelle MS<\/em>Erreur<\/sub> s’effondre, amplifiant m\u00e9caniquement la statistique F<\/em> empirique. Il devient d\u00e8s lors possible de d\u00e9tecter des tailles d’effet t\u00e9nues — typiques des processus cognitifs subtils ou des micro-variations physiologiques — qui demeureraient irr\u00e9m\u00e9diablement ensevelies sous le bruit interindividuel au sein d’un devis inter-sujets standard.<\/p>\n

Cette sensibilit\u00e9 amplifi\u00e9e transforme l’\u00e9quation logistique de la recherche exp\u00e9rimentale. \u00c0 niveau de puissance vis\u00e9 \u00e9gal (par exemple 1 – β = 0,80 avec α = 0,05), le plan intra-sujets permet de diviser fr\u00e9quemment le recrutement n\u00e9cessaire par un facteur deux, trois, voire quatre, rendant viables des \u00e9tudes portant sur des populations cliniques rares (patients c\u00e9r\u00e9brol\u00e9s\u00e9s, syndromes g\u00e9n\u00e9tiques orphelins) o\u00f9 le recrutement de cohortes pl\u00e9thoriques rel\u00e8ve de l’impossibilit\u00e9 pratique.<\/p>\n

7.2 Le compromis co\u00fbt-b\u00e9n\u00e9fice des degr\u00e9s de libert\u00e9<\/h3>\n

L’avantage du plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es n’est toutefois pas absolu et r\u00e9sulte d’un compromis formel entre la r\u00e9duction de la somme des carr\u00e9s r\u00e9siduelle et la perte arithm\u00e9tique de degr\u00e9s de libert\u00e9 au d\u00e9nominateur du test F<\/em>. Dans un plan inter-sujets comprenant k<\/em> conditions de n<\/em> participants, les degr\u00e9s de libert\u00e9 r\u00e9siduels s’\u00e9l\u00e8vent \u00e0 N<\/em> – k<\/em> = k<\/em>(n<\/em> – 1). Dans un plan intra-sujets mobilisant un \u00e9chantillon global de n<\/em> sujets traversant les m\u00eames k<\/em> conditions, les degr\u00e9s de libert\u00e9 r\u00e9siduels chutent \u00e0 (n<\/em> – 1)(k<\/em> – 1). Pour une \u00e9tude \u00e0 3 conditions mobilisant 10 participants par modalit\u00e9, le plan inter-sujets b\u00e9n\u00e9ficie de 30 – 3 = 27 ddl<\/em> d’erreur, alors que le plan intra-sujets (avec 10 participants au total) n’en dispose plus que de (10 – 1)(3 – 1) = 18.<\/p>\n

Or, dans la distribution de Fisher-Snedecor, une amputation des degr\u00e9s de libert\u00e9 r\u00e9siduels \u00e9largit la queue de distribution, ce qui rehausse la valeur critique de F<\/em> requise pour atteindre la significativit\u00e9 statistique. Pour que le plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es soit statistiquement avantageux par rapport au plan inter-sujets, le b\u00e9n\u00e9fice issu de l’extraction de variance doit surpasser cette p\u00e9nalit\u00e9 de degr\u00e9s de libert\u00e9. Ce seuil de rentabilit\u00e9 est pr\u00e9cis\u00e9ment gouvern\u00e9 par la corr\u00e9lation test-retest moyenne existant entre les conditions :<\/p>\n

Si la corr\u00e9lation intra-sujet moyenne r\u0304<\/em> est strictement positive et substantielle (typiquement r\u0304<\/em> > 0,20 ou 0,30 selon les devis), le gain d’\u00e9puration de la variance surclasse tr\u00e8s largement la perte de degr\u00e9s de libert\u00e9, et la puissance globale s’accro\u00eet. En revanche, si la mesure r\u00e9p\u00e9t\u00e9e est bruit\u00e9e au point que la corr\u00e9lation inter-conditions soit quasi nulle ou n\u00e9gative, l’extraction de variance \u00e9choue, la perte des degr\u00e9s de libert\u00e9 handicape lourdement le mod\u00e8le, et l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es devient paradoxalement moins<\/em> puissante que ne l’aurait \u00e9t\u00e9 un plan inter-sujets \u00e9quivalent.<\/p>\n

7.3 Calcul de la taille d’effet : Eta-carr\u00e9 vs Eta-carr\u00e9 partiel<\/h3>\n

La seule observation de la valeur p<\/em> est incapable de renseigner le chercheur sur l’amplitude substantive de l’effet d\u00e9couvert. L’analyse contemporaine impose l’estimation rigoureuse de la taille d’effet. Dans le cadre de l’ANOVA \u00e0 un facteur inter-sujets, la m\u00e9trique canonique est l’\u00cata-carr\u00e9 classique (η2<\/sup>), qui exprime le ratio de la somme des carr\u00e9s de traitement sur la somme des carr\u00e9s totale :<\/p>\n

η2<\/sup> = SS<\/em>Between<\/sub> \/ SS<\/em>Total<\/sub><\/p>\n

Ce ratio s’interpr\u00e8te directement comme le pourcentage de variance totale de la variable d\u00e9pendante expliqu\u00e9 par le facteur exp\u00e9rimental. Toutefois, dans les mod\u00e8les \u00e0 mesures r\u00e9p\u00e9t\u00e9es, l’application de cette formule brute produit des valeurs artificiellement comprim\u00e9es en raison de la pr\u00e9sence de la composante SS<\/em>Sujets<\/sub> dans le d\u00e9nominateur total. Pour neutraliser cette distorsion m\u00e9trique, la litt\u00e9rature pr\u00e9conise l’utilisation syst\u00e9matique de l’\u00cata-carr\u00e9 partiel (ηp<\/em><\/sub>2<\/sup>), document\u00e9 par les recommandations de l’American Psychological Association<\/a> :<\/p>\n

ηp<\/em><\/sub>2<\/sup> = SS<\/em>Traitement<\/sub> \/ (SS<\/em>Traitement<\/sub> + SS<\/em>Erreur<\/sub>)<\/p>\n

Dans l’ANOVA inter-sujets \u00e0 un facteur, η2<\/sup> et ηp<\/em><\/sub>2<\/sup> sont rigoureusement identiques puisque SS<\/em>Total<\/sub> = SS<\/em>Between<\/sub> + SS<\/em>Within<\/sub>. Dans l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es, en revanche, ηp<\/em><\/sub>2<\/sup> exclut d\u00e9lib\u00e9r\u00e9ment la variance SS<\/em>Sujets<\/sub> du d\u00e9nominateur, mesurant la part de variance expliqu\u00e9e par le traitement au sein de la seule variabilit\u00e9 non li\u00e9e aux disparit\u00e9s interindividuelles stables. Il en r\u00e9sulte un risque critique de surinterpr\u00e9tation : un ηp<\/em><\/sub>2<\/sup> de 0,30 obtenu en mesures r\u00e9p\u00e9t\u00e9es ne traduit aucunement la m\u00eame force associative qu’un η2<\/sup> de 0,30 obtenu en inter-sujets. Pour pallier les biais de surestimation inh\u00e9rents \u00e0 l’\u00cata-carr\u00e9 sur de petits \u00e9chantillons, les m\u00e9thodologistes recommandent fr\u00e9quemment l’Om\u00e9ga-carr\u00e9 partiel (ωp<\/em><\/sub>2<\/sup>), estimateur ajust\u00e9 moins biais\u00e9 de la v\u00e9ritable proportion de variance expliqu\u00e9e dans la population parente.<\/p>\n

8. Biais exp\u00e9rimentaux et menaces sp\u00e9cifiques \u00e0 la validit\u00e9 interne<\/h2>\n

8.1 Menaces inh\u00e9rentes aux plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n

Si le plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es brille par son \u00e9l\u00e9gance statistique, il se heurte \u00e0 des menaces redoutables pesant sur sa validit\u00e9 interne. L’exposition cons\u00e9cutive d’un \u00eatre humain \u00e0 plusieurs conditions exp\u00e9rimentales n’est jamais neutre. La premi\u00e8re de ces menaces r\u00e9side dans les effets d’ordre et de s\u00e9quence : la simple position chronologique d’une t\u00e2che dans le protocole influence la performance finale, ind\u00e9pendamment de la nature intrins\u00e8que de la t\u00e2che. Ces effets se manifestent de mani\u00e8re bipolaire : sous forme d’effets d’apprentissage et de familiarisation (am\u00e9lioration graduelle des scores au fil des essais par ma\u00eetrise cognitive du dispositif) ou sous forme d’effets de fatigue, de lassitude attentionnelle et de d\u00e9motivation (d\u00e9gradation graduelle des scores au fil du temps).<\/p>\n

Une menace encore plus insidieuse concerne les effets de report r\u00e9siduels (carryover effects<\/em>). Il y a report lorsqu’un traitement administr\u00e9 lors de la condition j<\/em> produit des alt\u00e9rations physiologiques ou cognitives persistantes qui contaminent la mesure recueillie lors de la condition suivante j<\/em>+1. Ce ph\u00e9nom\u00e8ne est omnipr\u00e9sent dans les recherches pharmacologiques (cin\u00e9tique d’\u00e9limination lente d’une mol\u00e9cule) ou dans les protocoles de psychologie cognitive mobilisant des strat\u00e9gies de r\u00e9solution de probl\u00e8mes dont le sujet ne peut faire abstraction lors des t\u00e2ches subs\u00e9quentes.<\/p>\n

Pour neutraliser ces artefacts sans d\u00e9truire le plan intra-sujets, la m\u00e9thode reine consiste \u00e0 recourir au contrebalancement des conditions. Lorsque le nombre de modalit\u00e9s est r\u00e9duit, le chercheur applique un contrebalancement complet, attribuant al\u00e9atoirement les sujets \u00e0 l’ensemble des k<\/em>! permutations factorielles possibles. Lorsque le nombre de modalit\u00e9s s’accro\u00eet, rendant les permutations exponentiellement impraticables, l’exp\u00e9rimentateur adopte un plan en carr\u00e9 latin<\/a> \u00e9quilibr\u00e9. Dans cette configuration g\u00e9om\u00e9trique formalis\u00e9e, chaque modalit\u00e9 appara\u00eet une fois et une seule \u00e0 chaque position s\u00e9quentielle, et chaque modalit\u00e9 pr\u00e9c\u00e8de et suit imm\u00e9diatement chacune des autres un nombre rigoureusement \u00e9gal de fois, annulant statistiquement les effets de report lin\u00e9aire.<\/p>\n

8.2 Menaces inh\u00e9rentes aux plans inter-sujets<\/h3>\n

Les plans inter-sujets ne sont pas exempts de failles m\u00e9thodologiques majeures ; leurs vuln\u00e9rabilit\u00e9s s’expriment simplement dans un registre m\u00e9thodologique diff\u00e9rent. Le talon d’Achille de ces plans r\u00e9side dans le risque persistant d’in\u00e9galit\u00e9 initiale entre les groupes de traitement. Si le tirage au sort probabiliste fonctionne de mani\u00e8re optimale sur de grands volumes asymptotiques, les \u00e9chantillons restreints — fr\u00e9quents en neurosciences ou en psychologie clinique — \u00e9chouent souvent \u00e0 \u00e9quilibrer les d\u00e9terminants individuels profonds des participants.<\/p>\n

Cette contingence g\u00e9n\u00e8re un risque majeur de confusion m\u00e9thodologique : si, au gr\u00e9 de la randomisation, le groupe assign\u00e9 \u00e0 la m\u00e9thode didactique innovante se trouve accidentellement concentrer des sujets poss\u00e9dant un niveau socio-\u00e9conomique ou des aptitudes m\u00e9tacognitives sup\u00e9rieures \u00e0 ceux du groupe t\u00e9moin, l’\u00e9cart observ\u00e9 en post-test sera imprudemment attribu\u00e9 \u00e0 l’intervention p\u00e9dagogique, alors qu’il ne refl\u00e8te que l’asym\u00e9trie structurelle des cohortes initiales. L’analyse de variance \u00e0 un facteur est incapable de d\u00e9m\u00ealer cette intrication si ces variables d’ancrage n’ont pas \u00e9t\u00e9 identifi\u00e9es et int\u00e9gr\u00e9es a priori sous forme de covariables au sein d’une ANCOVA.<\/p>\n

De plus, cette sensibilit\u00e9 au bruit de fond impose aux chercheurs la collecte de cohortes volumineuses afin de diluer statistiquement ces idiosyncrasies individuelles. Cette contrainte volum\u00e9trique peut induire des d\u00e9rives logistiques : \u00e9talement du recrutement sur de longs mois, rotation des exp\u00e9rimentateurs, variations temporelles et saisonni\u00e8res des conditions de passation — autant de macro-variations d’environnement qui r\u00e9injectent subrepticement de nouvelles sources d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 r\u00e9siduelle dans le terme d’erreur de l’ANOVA inter-sujets.<\/p>\n

8.3 Crit\u00e8res de s\u00e9lection m\u00e9thodologique bas\u00e9s sur les menaces de validit\u00e9<\/h3>\n

Le choix d\u00e9cisionnel entre un devis inter-sujets et un devis \u00e0 mesures r\u00e9p\u00e9t\u00e9es ne doit ainsi jamais \u00eatre guid\u00e9 exclusivement par la qu\u00eate opportuniste d’une plus grande puissance statistique, mais par une \u00e9valuation lucide des contraintes de validit\u00e9 interne inh\u00e9rentes \u00e0 la manipulation envisag\u00e9e. Il existe des situations exp\u00e9rimentales o\u00f9 le plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es s’av\u00e8re m\u00e9thodologiquement prohib\u00e9. C’est le cas d\u00e8s lors que la variable manipul\u00e9e induit un changement d\u00e9veloppemental, cognitif ou neurobiologique irr\u00e9versible. Une recherche \u00e9valuant l’efficacit\u00e9 d’une m\u00e9thode d’alphab\u00e9tisation ou d’une technique de rem\u00e9diation cognitive apr\u00e8s un accident vasculaire c\u00e9r\u00e9bral ne peut \u00eatre test\u00e9e en mesures r\u00e9p\u00e9t\u00e9es : un participant ayant acquis une comp\u00e9tence mn\u00e9motechnique ou linguistique ne peut \u00eatre \u00ab d\u00e9programm\u00e9 \u00bb pour servir de propre contr\u00f4le sous la modalit\u00e9 placebo.<\/p>\n

De m\u00eame, dans les protocoles d’\u00e9valuation pharmacologique o\u00f9 les compos\u00e9s pr\u00e9sentent une demi-vie prolong\u00e9e ou un m\u00e9tabolisme complexe susceptible de modifier durablement la sensibilit\u00e9 des r\u00e9cepteurs cibles, l’utilisation de groupes ind\u00e9pendants est une exigence de s\u00e9curit\u00e9 scientifique incontournable pour \u00e9carter tout effet r\u00e9siduel persistant.<\/p>\n

\u00c0 l’inverse, d\u00e8s lors que les effets \u00e9tudi\u00e9s sont \u00e9ph\u00e9m\u00e8res, r\u00e9versibles et caract\u00e9ris\u00e9s par une cin\u00e9tique de r\u00e9cup\u00e9ration quasi instantan\u00e9e — comme l’\u00e9valuation de seuils perceptifs visuels en psychophysique, l’analyse de temps de fixation oculaire sous diff\u00e9rents contrastes chromatiques ou l’enregistrement de r\u00e9ponses \u00e9lectrodermales face \u00e0 des stimuli \u00e9motionnels —, le plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es s’impose comme le standard d’excellence, combinant une neutralisation maximale du bruit interindividuel \u00e0 une efficience logistique optimale.<\/p>\n

9. \u00c9tude de cas empirique : \u00c9valuation de trois techniques d’apprentissage<\/h2>\n

9.1 Sc\u00e9nario A : Exp\u00e9rimentation inter-sujets avec groupes ind\u00e9pendants<\/h3>\n

Afin d’illustrer la divergence fonctionnelle des deux paradigmes, d\u00e9ployons une \u00e9tude empirique comparant trois m\u00e9thodes p\u00e9dagogiques destin\u00e9es \u00e0 favoriser l’apprentissage du vocabulaire d’une langue \u00e9trang\u00e8re : la m\u00e9thode par simple r\u00e9p\u00e9tition m\u00e9canique (Modalit\u00e9 1), la m\u00e9thode par fiches mn\u00e9motechniques ou cartes m\u00e9moire (Modalit\u00e9 2), et la m\u00e9thode par auto-explication \u00e9laborative (Modalit\u00e9 3). La variable d\u00e9pendante est constitu\u00e9e par le score obtenu \u00e0 un examen standardis\u00e9 de r\u00e9tention m\u00e9morielle (not\u00e9 de 0 \u00e0 100).<\/p>\n

Dans le Sc\u00e9nario A<\/strong>, le chercheur met en \u0153uvre un plan inter-sujets classique. Il recrute 15 \u00e9tudiants distincts et les assigne al\u00e9atoirement, par groupes \u00e9gaux de 5, \u00e0 l’une des trois conditions d’apprentissage. La matrice de donn\u00e9es univari\u00e9e se pr\u00e9sente sous la forme d’un tableau de 15 lignes, comprenant une variable cat\u00e9gorielle de groupe et le score d’examen associ\u00e9 :<\/p>\n