{"id":2184,"date":"2026-10-14T18:00:49","date_gmt":"2026-10-14T18:00:49","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-anova-mesures-repetees-sous-r\/"},"modified":"2026-10-14T18:00:49","modified_gmt":"2026-10-14T18:00:49","slug":"comment-realiser-anova-mesures-repetees-sous-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-anova-mesures-repetees-sous-r","title":{"rendered":"Comment r\u00e9aliser une ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es sous R"},"content":{"rendered":"

L’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es, commun\u00e9ment d\u00e9sign\u00e9e sous l’acronyme anglo-saxon d’ANOVA intra-sujets (Repeated Measures Analysis of Variance<\/em>), constitue l’un des piliers m\u00e9thodologiques et inf\u00e9rentiels les plus fondamentaux dans le domaine des sciences du comportement, des neurosciences cognitives et de la psychophysiologie exp\u00e9rimentale. Contrairement aux plans factoriels ind\u00e9pendants, o\u00f9 chaque unit\u00e9 exp\u00e9rimentale n’est expos\u00e9e qu’\u00e0 une seule modalit\u00e9 d’un facteur d’int\u00e9r\u00eat, les devis exp\u00e9rimentaux \u00e0 mesures r\u00e9p\u00e9t\u00e9es \u00e9valuent les m\u00eames participants \u00e0 travers une s\u00e9quence temporelle d\u00e9finie ou sous une batterie compl\u00e8te de conditions exp\u00e9rimentales distinctes. Cette approche paradigmatique pr\u00e9sente un avantage analytique exceptionnel : elle permet de s’affranchir de la variabilit\u00e9 interindividuelle statique, souvent consid\u00e9rable dans les populations humaines, afin de maximiser la sensibilit\u00e9 du test statistique face aux variations r\u00e9elles induites par les manipulations exp\u00e9rimentales.<\/p>\n

Dans la pratique contemporaine de la recherche universitaire et biom\u00e9dicale, l’environnement logiciel statistique libre R<\/a> s’est impos\u00e9 comme la plateforme par excellence pour conduire ces investigations quantitatives complexes. Gr\u00e2ce \u00e0 un \u00e9cosyst\u00e8me modulaire particuli\u00e8rement dynamique int\u00e9grant la philosophie du Tidyverse<\/em>, ainsi que des biblioth\u00e8ques hautement sp\u00e9cialis\u00e9es telles que rstatix<\/code>, ez<\/code> ou emmeans<\/code>, le chercheur dispose d’outils analytiques d’une flexibilit\u00e9 et d’une rigueur sans commune mesure avec les logiciels commerciaux traditionnels ferm\u00e9s. Cependant, la mise en \u0153uvre de cette technique exige une ma\u00eetrise rigoureuse de ses postulats sous-jacents, en particulier le postulat de sph\u00e9ricit\u00e9 de la matrice de covariance, dont la m\u00e9connaissance ou l’\u00e9valuation erron\u00e9e peut gravement vicier les conclusions inf\u00e9rentielles en augmentant exponentiellement le taux d’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n

Ce guide exhaustif a pour vocation d’offrir une r\u00e9f\u00e9rence m\u00e9thodologique et computationnelle d\u00e9finitive pour les \u00e9tudiants de cycle sup\u00e9rieur, les chercheurs en psychologie et les analystes de donn\u00e9es. Nous y d\u00e9cortiquerons m\u00e9ticuleusement l’ensemble de la cha\u00eene de traitement analytique : depuis la d\u00e9composition alg\u00e9brique fondamentale des sommes de carr\u00e9s et la formulation matricielle du mod\u00e8le, jusqu’\u00e0 la mod\u00e9lisation sous le langage R, le diagnostic visuel et inf\u00e9rentiel des postulats, l’ajustement automatique en cas de violations par les proc\u00e9dures d’epsilon de Greenhouse-Geisser et Huynh-Feldt, la d\u00e9composition fine des effets par contrastes post-hoc appari\u00e9s, l’estimation des grandeurs d’effet g\u00e9n\u00e9ralis\u00e9es et partielles, pour finir par la mise en forme graphique et textuelle rigoureuse conforme aux imp\u00e9ratifs de publication de l’American Psychological Association (APA, 7e \u00e9dition).<\/p>\n

1. Fondements th\u00e9oriques de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es en psychologie<\/h2>\n

1.1 D\u00e9finition et principes des plans intra-sujets<\/h3>\n

La distinction conceptuelle entre un plan inter-sujets (ou plan \u00e0 groupes ind\u00e9pendants) et un plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es (ou plan intra-sujets) repose sur l’assignation des unit\u00e9s d’observation aux conditions de l’exp\u00e9rience. Dans un plan inter-sujets classique, chaque individu s\u00e9lectionn\u00e9 dans l’\u00e9chantillon d’\u00e9tude n’est assign\u00e9 qu’\u00e0 un et un seul niveau de la variable ind\u00e9pendante manipul\u00e9e. Cette structure implique in\u00e9vitablement que la variabilit\u00e9 observ\u00e9e entre les groupes r\u00e9sulte non seulement de l’impact de la variable ind\u00e9pendante d’int\u00e9r\u00eat, mais \u00e9galement de l’ensemble disparate des diff\u00e9rences individuelles pr\u00e9existantes qui s\u00e9parent les participants composant les divers groupes, telles que leurs capacit\u00e9s cognitives basales, leurs pr\u00e9dispositions g\u00e9n\u00e9tiques, leurs traits de personnalit\u00e9 stables ou leur historique d\u00e9veloppemental.<\/p>\n

\u00c0 l’oppos\u00e9, les plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es soumettent l’ensemble des participants \u00e0 l’int\u00e9gralit\u00e9 des modalit\u00e9s de la variable ind\u00e9pendante, ou mesurent une variable d\u00e9pendante donn\u00e9e de mani\u00e8re s\u00e9rielle \u00e0 des temps successifs. Sur le plan structural, chaque participant devient ainsi son propre groupe t\u00e9moin (own control<\/em>). L’avantage m\u00e9thodologique et statistique primordial r\u00e9side dans l’\u00e9limination syst\u00e9matique de la variance interindividuelle stable du terme d’erreur statistique. Dans la mesure o\u00f9 les caract\u00e9ristiques intrins\u00e8ques d’un individu demeurent globalement invariantes tout au long de la session de test, la variance associ\u00e9e \u00e0 ces traits p\u00e9rennes peut \u00eatre statistiquement isol\u00e9e et retir\u00e9e de la variance r\u00e9siduelle non expliqu\u00e9e. Il en d\u00e9coule une r\u00e9duction substantielle du d\u00e9nominateur du ratio de Fisher, ce qui accro\u00eet la sensibilit\u00e9 globale de l’analyse face aux micro-effets exp\u00e9rimentaux.<\/p>\n

Ces dispositifs intra-sujets trouvent des applications pr\u00e9pond\u00e9rantes au sein de la psychologie cognitive, de la neuropsychologie clinique et des neurosciences comportementales. \u00c0 titre d’exemple, lors de l’\u00e9tude des processus d’attention s\u00e9lective au moyen de protocoles de chronom\u00e9trie mentale (tels que la t\u00e2che de Stroop ou la t\u00e2che de Posner), il est capital d’\u00e9valuer le m\u00eame individu dans les conditions congruentes, neutres et incongruentes pour d\u00e9celer des diff\u00e9rences de latence de l’ordre de quelques dizaines de millisecondes. En clinique, l’analyse de cin\u00e9tiques de r\u00e9cup\u00e9ration post-accident vasculaire c\u00e9r\u00e9bral ou la mesure de l’efficacit\u00e9 d’un protocole de rem\u00e9diation cognitive \u00e0 travers des s\u00e9ances de mesure avant, pendant, imm\u00e9diatement apr\u00e8s et lors d’un suivi \u00e0 six mois requi\u00e8rent imp\u00e9rativement cette mod\u00e9lisation d\u00e9pendante. Enfin, en neuropsychologie pharmacologique, o\u00f9 la variabilit\u00e9 m\u00e9tabolique individuelle est colossale, administrer successivement des agents psychotropes vari\u00e9s \u00e0 un m\u00eame panel de sujets restreint demeure l’approche la plus robuste scientifiquement.<\/p>\n

L’autre atout d\u00e9cisif de cette architecture m\u00e9thodologique est d’ordre pragmatique et concerne l’\u00e9conomie d’\u00e9chantillonnage et la puissance statistique. Dans les domaines cliniques o\u00f9 le recrutement de patients porteurs de l\u00e9sions c\u00e9r\u00e9brales sp\u00e9cifiques ou de pathologies psychiatriques rares s’av\u00e8re particuli\u00e8rement ardu et chronophage, requ\u00e9rir quarante participants pour un plan inter-sujets \u00e0 quatre modalit\u00e9s constitue une contrainte fr\u00e9quemment r\u00e9dhibitoire. Le plan intra-sujets permet d’obtenir une puissance statistique \u00e9gale, voire sup\u00e9rieure, avec seulement dix participants \u00e9valu\u00e9s dans les quatre conditions, en maximisant le rendement informationnel par sujet tout en respectant les imp\u00e9ratifs de rationalisation \u00e9thique des ressources humaines de recherche.<\/p>\n

1.2 D\u00e9composition math\u00e9matique de la variance intra-sujet<\/h3>\n

Pour appr\u00e9hender l’essence computationnelle de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es, il convient d’examiner le partitionnement formel de la somme des carr\u00e9s totale ($SS_{totale}$<\/span>). Dans un mod\u00e8le standard \u00e0 mesures ind\u00e9pendantes \u00e0 un facteur, la variation globale de la variable d\u00e9pendante est simplement scind\u00e9e en deux composantes orthogonales : la somme des carr\u00e9s inter-groupes ($SS_{traitement}$<\/span>) qui capte l’effet des modalit\u00e9s exp\u00e9rimentales, et la somme des carr\u00e9s intra-groupes ($SS_{erreur}$<\/span>), qui agr\u00e8ge indiff\u00e9remment les idiosyncrasies individuelles et les erreurs de mesure fortuites. Le mod\u00e8le intra-sujet raffine cette d\u00e9composition en fracturant le terme d’erreur g\u00e9n\u00e9ralis\u00e9 en composantes distinctes et identifiables.<\/p>\n

Dans un plan \u00e0 un facteur intra-sujet, la somme des carr\u00e9s totale s’exprime comme suit :
\n$$SS_{totale} = \\sum_{i=1}^{n}\\sum_{j=1}^{k}(Y_{ij} – \\bar{Y}_{..})^2$$<\/span>
\nO\u00f9 $Y_{ij}$<\/span> d\u00e9signe l’observation du participant $i$<\/span> sous la modalit\u00e9 $j$<\/span>, $\\bar{Y}_{..}$<\/span> repr\u00e9sente la moyenne g\u00e9n\u00e9rale calcul\u00e9e sur l’int\u00e9gralit\u00e9 des observations, $n$<\/span> est le nombre total de sujets uniques, et $k$<\/span> correspond au nombre total de conditions r\u00e9p\u00e9t\u00e9es. Cette quantit\u00e9 scalaire globale est d’abord divis\u00e9e en deux sous-ensembles majeurs : la somme des carr\u00e9s inter-sujets ($SS_{entre-sujets}$<\/span>), qui quantifie l’\u00e9cart des moyennes individuelles de chaque sujet par rapport \u00e0 la moyenne globale, et la somme des carr\u00e9s intra-sujets ($SS_{intra-sujets}$<\/span>), qui mesure la dispersion des observations d’un sujet autour de sa propre moyenne individuelle :
\n$$SS_{entre-sujets} = k \\sum_{i=1}^{n}(\\bar{Y}_{i.} – \\bar{Y}_{..})^2$$<\/span>
\n$$SS_{intra-sujets} = \\sum_{i=1}^{n}\\sum_{j=1}^{k}(Y_{ij} – \\bar{Y}_{i.})^2$$<\/span><\/p>\n

La subtilit\u00e9 fondamentale du plan r\u00e9side dans la partition ult\u00e9rieure de cette somme des carr\u00e9s intra-sujets. Cette derni\u00e8re est segment\u00e9e en deux entit\u00e9s mutuellement exclusives : la somme des carr\u00e9s due au traitement exp\u00e9rimental ($SS_{traitement}$<\/span> ou $SS_{condition}$<\/span>), refl\u00e9tant la variabilit\u00e9 imputable aux diff\u00e9rentes modalit\u00e9s de l’intervention, et la somme des carr\u00e9s de l’erreur r\u00e9siduelle ($SS_{erreur}$<\/span> ou $SS_{r\u00e9siduelle}$<\/span>), qui correspond formellement \u00e0 l’interaction entre les participants et les traitements ($Sujet \\times Traitement$<\/span>) :
\n$$SS_{traitement} = n \\sum_{j=1}^{k}(\\bar{Y}_{.j} – \\bar{Y}_{..})^2$$<\/span>
\n$$SS_{erreur} = \\sum_{i=1}^{n}\\sum_{j=1}^{k}(Y_{ij} – \\bar{Y}_{i.} – \\bar{Y}_{.j} + \\bar{Y}_{..})^2$$<\/span>
\nCette interaction participant-traitement repr\u00e9sente l’inconsistance de la r\u00e9ponse des sujets face aux conditions : si tous les sujets r\u00e9agissent de fa\u00e7on rigoureusement proportionnelle et identique au changement de condition, cette quantit\u00e9 r\u00e9siduelle tend vers z\u00e9ro.<\/p>\n

D\u00e8s lors, le calcul du ratio $F$<\/span> de Fisher s’effectue en rapportant le carr\u00e9 moyen du traitement exp\u00e9rimental ($MS_{traitement}$<\/span>) non pas \u00e0 l’ensemble de la variabilit\u00e9 r\u00e9siduelle, mais strictement au carr\u00e9 moyen de l’erreur r\u00e9siduelle ($MS_{erreur}$<\/span>), o\u00f9 chaque carr\u00e9 moyen est obtenu en divisant la somme des carr\u00e9s par ses degr\u00e9s de libert\u00e9 ($df$<\/span>) respectifs :
\n$$df_{traitement} = k – 1$$<\/span>
\n$$df_{erreur} = (n – 1)(k – 1)$$<\/span>
\n$$F = \\frac{MS_{traitement}}{MS_{erreur}} = \\frac{SS_{traitement} \/ (k – 1)}{SS_{erreur} \/ ((n – 1)(k – 1))}$$<\/span>
\nCette construction math\u00e9matique met en lumi\u00e8re le m\u00e9canisme d’amplification de puissance de l’ANOVA intra-sujets : en soustrayant $SS_{entre-sujets}$<\/span> du d\u00e9nominateur, la statistique de test $F$<\/span> subit une \u00e9l\u00e9vation substantielle, \u00e0 condition que les scores des participants soient positivement corr\u00e9l\u00e9s \u00e0 travers les conditions r\u00e9p\u00e9t\u00e9es, ce qui est la r\u00e8gle absolue en psychologie empirique.<\/p>\n

1.3 Pr\u00e9sentation du paradigme exp\u00e9rimental d’illustration<\/h3>\n

Afin d’ancrer de mani\u00e8re pragmatique les d\u00e9monstrations th\u00e9oriques, computationnelles et d’analyse de code de cet article, nous formalisons un paradigme exp\u00e9rimental standard issu du champ de la neuropsychopharmacologie cognitive. L’investigation porte sur l’\u00e9valuation de l’impact diff\u00e9rentiel de quatre substances psychotropes distinctes sur la vitesse de traitement de l’information et la vigilance psychomotrice, quantifi\u00e9es au moyen d’un chronom\u00e8tre num\u00e9rique de haute pr\u00e9cision mesurant le temps de r\u00e9action (exprim\u00e9 en millisecondes) lors d’une \u00e9preuve d’inhibition motrice de type Go\/No-Go informatis\u00e9e.<\/p>\n

L’\u00e9chantillon d’\u00e9tude comprend une cohorte homog\u00e8ne de cinq patients diagnostiqu\u00e9s avec des troubles l\u00e9gers de l’attention (identifi\u00e9s de fa\u00e7on anonyme par les codes P1<\/code>, P2<\/code>, P3<\/code>, P4<\/code> et P5<\/code>). Chaque participant a \u00e9t\u00e9 soumis \u00e0 l’ensemble des quatre conditions pharmacologiques suivantes, administr\u00e9es selon une m\u00e9thodologie en double aveugle crois\u00e9 avec une p\u00e9riode de sevrage et de clairance biologique (washout<\/em>) ad\u00e9quate entre chaque session pour pr\u00e9venir tout effet de report ou d’accumulation m\u00e9tabolique r\u00e9manente :<\/p>\n