{"id":2260,"date":"2026-09-06T16:52:50","date_gmt":"2026-09-06T16:52:50","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-manova-dans-r\/"},"modified":"2026-09-06T16:52:54","modified_gmt":"2026-09-06T16:52:54","slug":"comment-realiser-manova-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-manova-dans-r","title":{"rendered":"Comment r\u00e9aliser une MANOVA dans R"},"content":{"rendered":"

L’investigation empirique des sciences comportementales, cognitives et biom\u00e9dicales se heurte de mani\u00e8re r\u00e9currente \u00e0 la nature intrins\u00e8quement multidimensionnelle de ses objets d’\u00e9tude. Qu’il s’agisse de mesurer l’efficacit\u00e9 d’une psychoth\u00e9rapie sur une constellation de sympt\u00f4mes cliniques ou d’\u00e9valuer l’impact d’une l\u00e9sion c\u00e9r\u00e9brale sur diff\u00e9rentes facettes des fonctions ex\u00e9cutives, les chercheurs ne peuvent que rarement r\u00e9sumer un ph\u00e9nom\u00e8ne complexe \u00e0 un indicateur scalaire unique. L’approche traditionnelle, qui consiste \u00e0 isoler chaque variable d\u00e9pendante dans une analyse de variance univari\u00e9e distincte, se heurte imm\u00e9diatement \u00e0 deux \u00e9cueils majeurs : la prolif\u00e9ration incontr\u00f4l\u00e9e de l’erreur de type I et l’occultation syst\u00e9matique des interd\u00e9pendances et corr\u00e9lations unissant les dimensions observ\u00e9es. Face \u00e0 ces restrictions m\u00e9thodologiques, l’analyse de variance multivari\u00e9e (MANOVA) s’impose comme une extension rigoureuse, \u00e9l\u00e9gante et puissante du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9.<\/p>\n

Au sein de l’environnement de calcul statistique R<\/a>, la conduite d’une MANOVA ne se r\u00e9sume pas \u00e0 l’ex\u00e9cution d’une fonction \u00e9l\u00e9mentaire. Elle requiert une d\u00e9marche analytique globale qui articule l’\u00e9valuation minutieuse des postulats probabilistes, la d\u00e9composition g\u00e9om\u00e9trique des matrices de dispersion, l’arbitrage entre les crit\u00e8res de d\u00e9cision canoniques et le d\u00e9ploiement d’analyses discriminantes ou univari\u00e9es compl\u00e9mentaires. Ce guide propose une immersion exhaustive dans les fondements math\u00e9matiques, les arbitrages conceptuels et l’application programmatique de la MANOVA sous R. \u00c0 travers un fil conducteur m\u00e9thodologique ancr\u00e9 dans la recherche psychologique contemporaine, nous explorerons les m\u00e9canismes sous-tendant la mod\u00e9lisation vectorielle pour doter les chercheurs et analystes de donn\u00e9es d’un cadre op\u00e9ratoire conforme aux standards de publication scientifique les plus exigeants.<\/p>\n

En abordant les \u00e9tapes successives de la pr\u00e9paration des matrices de donn\u00e9es jusqu’aux visualisations de l’espace hypoth\u00e8se-erreur (HE plots) et aux alternatives robustes ou non param\u00e9triques, cet article vise \u00e0 combler le foss\u00e9 entre la th\u00e9orie matricielle pure et l’interpr\u00e9tation concr\u00e8te des r\u00e9sultats empiriques. L’adoption des normes de la septi\u00e8me \u00e9dition de l’American Psychological Association (APA)<\/a> servira d’ancrage tout au long de notre parcours pour assurer une communicabilit\u00e9 et une reproductibilit\u00e9 optimales des inf\u00e9rences statistiques obtenues.<\/p>\n

1. Fondements th\u00e9oriques de la MANOVA et distinction avec l’ANOVA<\/h2>\n

1.1 De l’analyse univari\u00e9e \u00e0 l’approche multivari\u00e9e<\/h3>\n

L’analyse de variance univari\u00e9e (ANOVA) constitue depuis plusieurs d\u00e9cennies l’outil par excellence pour tester l’\u00e9galit\u00e9 des moyennes entre plusieurs populations r\u00e9parties sous l’effet d’une ou plusieurs variables ind\u00e9pendantes qualitatives. Pourtant, les construits psychologiques, psychiatriques et psychosociaux se caract\u00e9risent par une architecture profond\u00e9ment multifactorielle. Consid\u00e9rons un protocole destin\u00e9 \u00e0 tester l’efficacit\u00e9 d’une prise en charge de la d\u00e9pression majeure : le clinicien \u00e9value simultan\u00e9ment la d\u00e9tresse affective, l’anh\u00e9donie, les alt\u00e9rations neurov\u00e9g\u00e9tatives et les pens\u00e9es intrusives. R\u00e9duire une telle constellation s\u00e9miologique \u00e0 une note globale arbitrairement sommative implique l’hypoth\u00e8se h\u00e9ro\u00efque \u2013 et souvent fausse \u2013 que chaque sous-dimension contribue de mani\u00e8re uniforme au tableau clinique. \u00c0 l’inverse, analyser chaque dimension de mani\u00e8re totalement disjointe via des tests ANOVA isol\u00e9s m\u00e9conna\u00eet la r\u00e9alit\u00e9 psychom\u00e9trique sous-jacente.<\/p>\n

Sur le plan math\u00e9matique, l’approche multivari\u00e9e remplace la variable d\u00e9pendante scalaire unique $Y$<\/span> par un vecteur al\u00e9atoire de r\u00e9ponses multidimensionnel $\\mathbf{y}_i = [y_{i1}, y_{i2}, dots, y_{ip}]^top$<\/span>, o\u00f9 $p$<\/span> correspond au nombre de variables d\u00e9pendantes mesur\u00e9es conjointement pour chaque unit\u00e9 statistique $i$<\/span>. Cette transition implique que la dispersion n’est plus quantifi\u00e9e par une simple variance univari\u00e9e $\\sigma^2$<\/span>, mais par une matrice de variance-covariance de dimension $p \\times p$<\/span>, not\u00e9e $boldsymbol{\\Sigma}$<\/span>. Les \u00e9l\u00e9ments diagonaux de $boldsymbol{\\Sigma}$<\/span> contiennent les variances des $p$<\/span> indicateurs, tandis que les \u00e9l\u00e9ments hors-diagonale d\u00e9crivent les covariances bilat\u00e9rales entre les dimensions.<\/p>\n

\"One
One way ANOVA example<\/figcaption><\/figure>\n

L’un des avantages les plus \u00e9vidents de la mod\u00e9lisation vectorielle r\u00e9side dans le contr\u00f4le rigoureux de l’inflation de l’erreur globale de type I, \u00e9galement d\u00e9sign\u00e9e sous le vocable de taux d’erreur par famille (familywise error rate<\/em>). Lorsqu’un exp\u00e9rimentateur conduit $p$<\/span> tests univari\u00e9s au seuil nominal $\\alpha = 0{,}05$<\/span>, la probabilit\u00e9 cumulative d’engendrer au moins un faux positif s’\u00e9l\u00e8ve th\u00e9oriquement \u00e0 $1 – (1 – \\alpha)^p$<\/span>, sous l’hypoth\u00e8se d’ind\u00e9pendance statistique des mesures. Pour un vecteur de quatre variables d\u00e9pendantes, ce risque global atteint d\u00e9j\u00e0 $1 – (0{,}95)^4 \\approx 0{,}185$<\/span>, soit pr\u00e8s de 19 %, ce qui contrevient au principe fondamental de pr\u00e9caution inf\u00e9rentielle. Bien que des proc\u00e9dures d’ajustement univari\u00e9es a posteriori, telles que les corrections de Bonferroni ou de Holm-Bonferroni, permettent d’endiguer cette d\u00e9rive, elles s’accompagnent d’un co\u00fbt s\u00e9v\u00e8re en mati\u00e8re de puissance statistique en ignorant d\u00e9lib\u00e9r\u00e9ment l’espace de corr\u00e9lation intraclasse partag\u00e9 par les r\u00e9ponses.<\/p>\n

Au-del\u00e0 du seul contr\u00f4le de l’erreur de type I, la MANOVA offre une sensibilit\u00e9 analytique sup\u00e9rieure en capturant la structure des corr\u00e9lations sous-jacentes. Deux groupes exp\u00e9rimentaux peuvent ne manifester aucune divergence statistiquement perceptible sur le plan univari\u00e9 le long de l’axe $Y_1$<\/span> ou le long de l’axe $Y_2$<\/span>, tout en pr\u00e9sentant une s\u00e9paration spatiale spectaculaire lorsqu’ils sont projet\u00e9s dans le plan bivari\u00e9 form\u00e9 par l’intersection des deux mesures. La covariance entre les indicateurs modifie la g\u00e9om\u00e9trie des nuages de points ; en observant les centro\u00efdes multivari\u00e9s plut\u00f4t que les moyennes marginales, la MANOVA d\u00e9tecte des patrons de diff\u00e9renciation que l’ANOVA univari\u00e9e est incapable de discriminer.<\/p>\n

1.2 Formulation math\u00e9matique g\u00e9n\u00e9rale du mod\u00e8le lin\u00e9aire multivari\u00e9<\/h3>\n

Le mod\u00e8le lin\u00e9aire multivari\u00e9 g\u00e9n\u00e9ralise directement le formalisme matriciel de la r\u00e9gression et de l’analyse de variance classique. Soit un \u00e9chantillon de $N$<\/span> individus r\u00e9partis dans un plan exp\u00e9rimental comportant $g$<\/span> groupes ou conditions. Les observations sont rassembl\u00e9es dans une matrice de r\u00e9ponse $\\mathbf{Y}$<\/span> de dimension $N \\times p$<\/span>, tandis que l’architecture du plan exp\u00e9rimental est encod\u00e9e dans la matrice d’exp\u00e9rience $\\mathbf{X}$<\/span> de dimension $N \\times q$<\/span>, o\u00f9 $q$<\/span> repr\u00e9sente le nombre de param\u00e8tres de position estim\u00e9s (incluant l’intercept et les contrastes factoriels). Le mod\u00e8le s’\u00e9crit de mani\u00e8re synth\u00e9tique :<\/p>\n

$$\\mathbf{Y} = \\mathbf{X}\\mathbf{B} + \\mathbf{E}$$<\/span><\/p>\n

Dans cette \u00e9quation, $\\mathbf{B}$<\/span> repr\u00e9sente la matrice des coefficients de r\u00e9gression ou des effets de taille $q \\times p$<\/span>, liant chaque terme du pr\u00e9dicteur aux $p$<\/span> variables d\u00e9pendantes. La matrice $\\mathbf{E}$<\/span>, de dimension $N \\times p$<\/span>, rassemble les r\u00e9sidus multivari\u00e9s. On formule l’hypoth\u00e8se que chaque ligne du vecteur d’erreur suit une loi normale multivari\u00e9e d’esp\u00e9rance nulle et de matrice de covariance r\u00e9siduelle homog\u00e8ne : $boldsymbol{\\varepsilon}_i \\sim \\mathcal{N}_p(\\mathbf{0}, boldsymbol{\\Sigma})$<\/span>.<\/p>\n

\"One-Way
One-Way MANOVA Example<\/figcaption><\/figure>\n

L’inf\u00e9rence statistique au sein du mod\u00e8le multivari\u00e9 repose sur la d\u00e9composition spectrale de la dispersion globale en deux matrices fondamentales de sommes des carr\u00e9s et des produits crois\u00e9s (SSCP) : la matrice de l’hypoth\u00e8se, not\u00e9e $\\mathbf{H}$<\/span> (pour Hypothesis<\/em>), et la matrice de l’erreur r\u00e9siduelle, not\u00e9e $\\mathbf{E}$<\/span> (pour Error<\/em>). Ces deux matrices de dimension $p \\times p$<\/span> constituent la g\u00e9n\u00e9ralisation multidimensionnelle des sommes des carr\u00e9s inter-groupes ($SS_{\\text{inter}}$<\/span>) et intra-groupes ($SS_{\\text{intra}}$<\/span>) de l’ANOVA univari\u00e9e :<\/p>\n

$$\\mathbf{H} = \\sum_{j=1}^g n_j (\\bar{\\mathbf{y}}_j – \\bar{\\mathbf{y}}_\\cdot)(\\bar{\\mathbf{y}}_j – \\bar{\\mathbf{y}}_\\cdot)^top$$<\/span><\/p>\n

$$\\mathbf{E} = \\sum_{j=1}^g \\sum_{i=1}^{n_j} (\\mathbf{y}_{ij} – \\bar{\\mathbf{y}}_j)(\\mathbf{y}_{ij} – \\bar{\\mathbf{y}}_j)^top$$<\/span><\/p>\n

o\u00f9 $n_j$<\/span> repr\u00e9sente l’effectif du groupe $j$<\/span>, $\\bar{\\mathbf{y}}_j$<\/span> d\u00e9signe le centro\u00efde (vecteur moyen) du groupe $j$<\/span>, et $\\bar{\\mathbf{y}}_\\cdot$<\/span> figure le grand centro\u00efde global de l’\u00e9chantillon. Pour \u00e9valuer la divergence spatiale entre les groupes relativement au bruit intra-groupe, on \u00e9tudie l’op\u00e9rateur lin\u00e9aire $\\mathbf{E}^{-1}\\mathbf{H}$<\/span>. Les valeurs propres non nulles $\\lambda_1 ge \\lambda_2 ge dots ge \\lambda_s$<\/span> de cette matrice $\\mathbf{E}^{-1}\\mathbf{H}$<\/span> (avec $s = min(p, g – 1)$<\/span>) quantifient les ratios maximaux de variance inter-groupes sur la variance intra-groupes le long des axes canoniques discriminants.<\/p>\n

Il importe de distinguer clairement cette approche transversale inter-sujets de l’analyse multivari\u00e9e pour mesures r\u00e9p\u00e9t\u00e9es. Dans une MANOVA inter-sujets standard, chaque ligne de $\\mathbf{Y}$<\/span> correspond \u00e0 des construits conceptuellement h\u00e9t\u00e9rog\u00e8nes mesur\u00e9s au m\u00eame moment sur des participants ind\u00e9pendants. Dans un plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es analys\u00e9 via l’optique multivari\u00e9e (le profil d’analyse multivari\u00e9), les diff\u00e9rentes colonnes de $\\mathbf{Y}$<\/span> repr\u00e9sentent la r\u00e9p\u00e9tition temporelle d’un m\u00eame indicateur scalaire dans des conditions successives. Cette distinction structurelle conditionne l’interpr\u00e9tation des contrastes matriciels et la nature des postulats de sph\u00e9ricit\u00e9.<\/p>\n

1.3 Comparaison critique entre MANOVAs successives et s\u00e9ries d’ANOVAs<\/h3>\n

La question du choix entre le recours direct \u00e0 une MANOVA ou l’encha\u00eenement de s\u00e9ries d’ANOVAs univari\u00e9es corrig\u00e9es a suscit\u00e9 de vifs d\u00e9bats au sein de la communaut\u00e9 des statisticiens appliqu\u00e9s. Une premi\u00e8re limite de l’approche univari\u00e9e s\u00e9quentielle concerne la redondance informationnelle. Si plusieurs variables d\u00e9pendantes partagent une forte inter-corr\u00e9lation, ex\u00e9cuter des tests d’hypoth\u00e8se parall\u00e8les conduit \u00e0 tester plusieurs fois la m\u00eame parcelle de variance latente, sans apporter de clarification sur la sp\u00e9cificit\u00e9 des effets observ\u00e9s. La MANOVA traite ce faisceau de covariance de mani\u00e8re unifi\u00e9e en le condensant sur des dimensions orthogonales discriminantes.<\/p>\n

D’autre part, la MANOVA offre une sensibilit\u00e9 g\u00e9om\u00e9trique inaccessible \u00e0 l’ANOVA univari\u00e9e. Il est possible qu’aucun des tests univari\u00e9s ne franchisse le seuil de significativit\u00e9 statistique, alors m\u00eame que le test multivari\u00e9 global s’av\u00e8re hautement significatif. Cette situation \u00e9merge d\u00e8s lors que l’\u00e9cart entre les centro\u00efdes s’exprime dans une direction oblique non align\u00e9e avec les axes initiaux des coordonn\u00e9es univari\u00e9es. Dans cette configuration, la covariance r\u00e9siduelle masque l’effet lorsque les variables sont prises isol\u00e9ment, mais amplifie le signal de s\u00e9paration d\u00e8s lors que le vecteur de r\u00e9ponses est consid\u00e9r\u00e9 comme une entit\u00e9 spatiale int\u00e9gr\u00e9e.<\/p>\n

N\u00e9anmoins, la MANOVA n’est pas d\u00e9pourvue d’inconv\u00e9nients. L’incorporation inconsid\u00e9r\u00e9e d’indicateurs d\u00e9pendants d\u00e9pourvus de corr\u00e9lation th\u00e9orique ou empirique avec l’intervention exp\u00e9rimentale dilue la puissance statistique. Chaque variable d\u00e9pendante additionnelle retranche un degr\u00e9 de libert\u00e9 au niveau du d\u00e9nominateur d’erreur pour l’estimation de la matrice de covariance. Si une variable n’apporte aucune variance explicative par rapport aux groupes, elle \u00e9l\u00e8ve le seuil critique d’inf\u00e9rence sans contribuer \u00e0 la valeur propre de $\\mathbf{H}$<\/span>, r\u00e9duisant la puissance de d\u00e9tection du test global.<\/p>\n

En cons\u00e9quence, les crit\u00e8res m\u00e9thodologiques recommandent d’opter pour la MANOVA uniquement lorsque les variables d\u00e9pendantes refl\u00e8tent les dimensions corr\u00e9l\u00e9es d’un m\u00eame macro-construit th\u00e9orique sous-jacent. Si les indicateurs empiriques sont totalement orthogonaux ou s’ils r\u00e9pondent \u00e0 des questions scientifiques conceptuellement ind\u00e9pendantes, une s\u00e9rie d’ANOVAs univari\u00e9es, assortie d’un protocole d’ajustement du taux d’erreur par famille rigoureux, s’av\u00e8re plus parcimonieuse et statistiquement pr\u00e9f\u00e9rable.<\/p>\n

2. Justification m\u00e9thodologique et applications en psychologie<\/h2>\n

2.1 Construits multidimensionnels en psychologie cognitive et clinique<\/h3>\n

La recherche en psychologie clinique contemporaine a largement abandonn\u00e9 les approches nosographiques cat\u00e9gorielles monolithiques au profit de mod\u00e8les dimensionnels et transdiagnostiques, tels que le cadre Research Domain Criteria (RDoC)<\/a> ou la taxonomie HiTOP (Hierarchical Taxonomy of Psychopathology<\/em>). Dans ce contexte conceptuel, l’\u00e9valuation d’une pathologie affective ou d’un protocole d’intervention psychoth\u00e9rapeutique requiert d’appr\u00e9hender des profils s\u00e9miologiques multiformes. Par exemple, une \u00e9tude portant sur l’impact de la th\u00e9rapie d’acceptation et d’engagement (ACT) face \u00e0 un traitement cognitivo-comportemental classique \u00e9value typiquement un vecteur associant la d\u00e9pression clinique (mesur\u00e9e par le BDI-II), l’anxi\u00e9t\u00e9 \u00e9tat-trait (STAI), l’\u00e9vitement exp\u00e9rientiel (AAQ-2) et la flexibilit\u00e9 psychologique. L’interd\u00e9pendance structurelle de ces scores rend la MANOVA m\u00e9thodologiquement incontournable pour statuer sur l’efficacit\u00e9 globale du traitement avant d’en isoler les dynamiques univari\u00e9es.<\/p>\n

En neuropsychologie et en psychologie cognitive exp\u00e9rimentale, les protocoles exploitent quasi-syst\u00e9matiquement des batteries composites pour mesurer les syst\u00e8mes ex\u00e9cutifs centraux. L’\u00e9valuation de l’inhibition motrice, de la m\u00e9moire de travail et de la flexibilit\u00e9 cognitive implique la collecte synchronis\u00e9e de temps de r\u00e9action en millisecondes, de taux d’erreurs de commission, et d’indices de sensibilit\u00e9 perceptuelle ($d’$<\/span> de la th\u00e9orie de d\u00e9tection du signal). Isoler ces mesures appauvrirait consid\u00e9rablement l’analyse, car les sujets op\u00e8rent des compromis vitesse-pr\u00e9cision (speed-accuracy tradeoff<\/em>). Deux groupes exp\u00e9rimentaux peuvent sembler similaires en temps de r\u00e9action moyen, mais diverger drastiquement en tenant compte simultan\u00e9ment de l’exactitude de leurs r\u00e9ponses. La MANOVA int\u00e8gre ces arbitrages comportementaux au c\u0153ur de la statistique inf\u00e9rentielle.<\/p>\n

L’\u00e9valuation des interventions psychosociales et \u00e9ducatives tire un parti similaire de l’analyse multivari\u00e9e. Lorsque l’on \u00e9value un programme p\u00e9dagogique innovant destin\u00e9 \u00e0 des adolescents scolaris\u00e9s, les retomb\u00e9es ne se bornent pas aux performances acad\u00e9miques pures ; elles englobent la motivation intrins\u00e8que, l’auto-efficacit\u00e9 per\u00e7ue et les conduites prosociales. Le recours \u00e0 une MANOVA permet d’affirmer avec rigueur statistique si le programme modifie l’empreinte comportementale et cognitive globale des participants, tout en pr\u00e9venant les conclusions artificielles fond\u00e9es sur des sous-\u00e9chelles d\u00e9connect\u00e9es.<\/p>\n

2.2 Gestion de la multicolin\u00e9arit\u00e9 et structure des corr\u00e9lations<\/h3>\n

Le bon fonctionnement d’une MANOVA d\u00e9pend \u00e9troitement de la structure des inter-corr\u00e9lations observ\u00e9es entre les variables d\u00e9pendantes. Sur le plan psychom\u00e9trique, il existe une \u00ab zone optimale \u00bb de corr\u00e9lation lin\u00e9aire. Id\u00e9alement, les coefficients de corr\u00e9lation de Pearson $r$<\/span> entre les variables du vecteur de r\u00e9ponse doivent se situer dans une plage comprise approximativement entre $0{,}30$<\/span> et $0{,}70$<\/span>. Dans cette configuration, les variables partagent une quantit\u00e9 substantielle de variance commune relative au construit th\u00e9orique cibl\u00e9, tout en conservant une part d’information r\u00e9siduelle propre capable d’enrichir la discrimination spatiale des centro\u00efdes.<\/p>\n

Lorsque les corr\u00e9lations bivari\u00e9es franchissent le seuil critique de $0{,}80$<\/span> ou $0{,}90$<\/span>, le mod\u00e8le bascule dans une zone de multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re ou de quasi-singularit\u00e9 matricielle. D’un point de vue alg\u00e9brique, si deux variables d\u00e9pendantes sont redondantes, l’une constitue une combinaison quasi-lin\u00e9aire de l’autre. Le d\u00e9terminant de la matrice de dispersion intra-groupe $\\mathbf{E}$<\/span> s’approche dangereusement de z\u00e9ro ($|\\mathbf{E}| \\approx 0$<\/span>). L’op\u00e9ration d’inversion matricielle $\\mathbf{E}^{-1}$<\/span> n\u00e9cessaire au calcul des crit\u00e8res multivari\u00e9s devient num\u00e9riquement instable, amplifiant les erreurs d’arrondi, faussant le calcul des valeurs propres canoniques et provoquant une explosion artificielle des erreurs types des estimations.<\/p>\n

\u00c0 l’inverse, si les variables d\u00e9pendantes affichent des corr\u00e9lations proches de z\u00e9ro ($r \\approx 0{,}00$<\/span>), l’apport math\u00e9matique de la MANOVA s’\u00e9vanouit. Lorsque les indicateurs sont rigoureusement orthogonaux, la matrice $\\mathbf{E}$<\/span> devient une matrice diagonale. Dans cette \u00e9ventualit\u00e9, la statistique multivari\u00e9e globale ne fait que reproduire la somme des statistiques $F$<\/span> univari\u00e9es, tout en subissant une p\u00e9nalisation en degr\u00e9s de libert\u00e9 due \u00e0 l’\u00e9valuation conjointe. L’analyste se retrouve alors dans une situation d\u00e9favorable o\u00f9 la MANOVA perd de sa puissance statistique sans apporter de gain conceptuel par rapport \u00e0 une batterie d’analyses univari\u00e9es ind\u00e9pendantes corrig\u00e9es.<\/p>\n

2.3 Consid\u00e9rations relatives \u00e0 la taille d’\u00e9chantillon et \u00e0 la puissance<\/h3>\n

La planification d’une MANOVA exige une r\u00e9flexion rigoureuse quant \u00e0 la puissance statistique prospective et \u00e0 l’effectif requis par cellule exp\u00e9rimentale. Une r\u00e8gle empirique minimale, solidement ancr\u00e9e dans la litt\u00e9rature psychom\u00e9trique, stipule que le nombre d’observations par cellule (groupe) doit imp\u00e9rativement exc\u00e9der le nombre total de variables d\u00e9pendantes ($n_j > p$<\/span>). Si cette condition fondamentale n’est pas satisfaite, la matrice de variance-covariance d’\u00e9chantillon ne dispose pas d’un rang suffisant ; elle devient singuli\u00e8re, rendant l’ex\u00e9cution formelle du test impossible. Pour garantir une robustesse raisonnable des estimations des covariances, de nombreux auteurs pr\u00e9conisent un minimum absolu de $20$ \u00e0 $30$ sujets par cellule exp\u00e9rimentale lorsque le mod\u00e8le inclut 3 \u00e0 5 variables d\u00e9pendantes.<\/p>\n

Le calcul formel de puissance statistique a priori pour une MANOVA peut \u00eatre conduit \u00e0 l’aide de logiciels d\u00e9di\u00e9s comme G*Power<\/a> ou au moyen d’outils R sp\u00e9cialis\u00e9s. Contrairement \u00e0 l’ANOVA univari\u00e9e o\u00f9 la taille d’effet est caract\u00e9ris\u00e9e par le $f$<\/span> de Cohen ou le $\\eta^2$<\/span>, la puissance multivari\u00e9e d\u00e9pend non seulement de l’\u00e9cart spatial entre les centro\u00efdes, mais \u00e9galement de la matrice de corr\u00e9lation r\u00e9siduelle et de la directionnalit\u00e9 de l’effet le long des vecteurs propres. En r\u00e8gle g\u00e9n\u00e9rale, la taille d’effet multivari\u00e9e est d\u00e9finie par le $V$<\/span> de Cramer ou le $f^2$<\/span> multivari\u00e9 d\u00e9riv\u00e9 de la trace de Pillai ou du Lambda de Wilks. Pour un effet moyen attendu ($f^2 = 0{,}15$<\/span>), avec une puissance cible $1 – \\beta = 0{,}80$<\/span> et un seuil $\\alpha = 0{,}05$<\/span>, le dimensionnement d’un plan \u00e0 3 groupes et 4 variables d\u00e9pendantes requiert un effectif global d’au moins 120 \u00e0 150 participants.<\/p>\n

L’impact du d\u00e9s\u00e9quilibre des effectifs entre les groupes (plans non orthogonaux) constitue un facteur aggravant qui compromet la puissance et la robustesse de la MANOVA. Lorsque les tailles de cellules diff\u00e8rent de mani\u00e8re substantielle ($n_{\\max} \/ n_{\\min} > 1{,}5$<\/span>), la mod\u00e9lisation standard bas\u00e9e sur les sommes de carr\u00e9s de Type I g\u00e9n\u00e8re des r\u00e9sultats s\u00e9quentiels biais\u00e9s d\u00e9pendant de l’ordre d’introduction des variables. De surcro\u00eet, le d\u00e9s\u00e9quilibre des effectifs exacerbe consid\u00e9rablement la vuln\u00e9rabilit\u00e9 du mod\u00e8le face aux violations de l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 des matrices de covariance, entra\u00eenant des taux de rejet empiriques impr\u00e9visibles.<\/p>\n

3. Pr\u00e9requis et hypoth\u00e8ses statistiques fondamentales<\/h2>\n

3.1 Ind\u00e9pendance des observations et plan d’\u00e9chantillonnage<\/h3>\n

L’ind\u00e9pendance statistique des r\u00e9sidus constitue le postulat le plus d\u00e9terminant de la mod\u00e9lisation lin\u00e9aire multivari\u00e9e. Cette hypoth\u00e8se impose que l’erreur de mesure associ\u00e9e \u00e0 l’observation $i$<\/span> n’entretienne aucune d\u00e9pendance probabiliste avec l’erreur de mesure associ\u00e9e \u00e0 l’observation $k$<\/span>, que ce soit au sein d’une m\u00eame cellule ou entre des cellules distinctes. La violation de cette condition alt\u00e8re l’estimation des erreurs types matricielles, ce qui se traduit presque invariablement par une inflation dramatique de l’erreur de type I, pouvant porter le taux de faux positifs effectif \u00e0 30 % ou 50 % au lieu des 5 % th\u00e9oriques pr\u00e9vus par le seuil nominal.<\/p>\n

Dans la pratique exp\u00e9rimentale, le respect de cette hypoth\u00e8se repose sur la mise en \u0153uvre de proc\u00e9dures d’\u00e9chantillonnage probabiliste et sur l’assignation al\u00e9atoire des participants aux conditions exp\u00e9rimentales. Les biais d’interd\u00e9pendance surgissent classiquement lors de l’\u00e9valuation de sujets regroup\u00e9s par clusters spatiaux ou temporels \u2013 par exemple, des \u00e9l\u00e8ves au sein d’une m\u00eame classe, des patients trait\u00e9s par le m\u00eame th\u00e9rapeute, ou des donn\u00e9es recueillies en dyades relationnelles. Dans ces situations, la corr\u00e9lation intra-classe attribuable au contexte partag\u00e9 invalide l’hypoth\u00e8se d’ind\u00e9pendance de la MANOVA standard. Si ces structures de d\u00e9pendance existent, le chercheur doit se r\u00e9orienter vers des mod\u00e8les mixtes multivari\u00e9s (multivariate linear mixed-effects models<\/em>) ou la mod\u00e9lisation par \u00e9quations structurelles multi-niveaux.<\/p>\n

Il est \u00e9galement capital de pr\u00e9server une distinction claire entre les variables ind\u00e9pendantes cat\u00e9gorielles, qui d\u00e9finissent les partitions d’\u00e9chantillonnage, et les covariables continues potentielles. Les variables ind\u00e9pendantes doivent \u00eatre assign\u00e9es ou constat\u00e9es sans r\u00e9troaction issue de la mesure du vecteur d\u00e9pendant, sous peine d’induire une endog\u00e9n\u00e9it\u00e9 structurelle qui compromettrait l’interpr\u00e9tabilit\u00e9 causale des inf\u00e9rences multivari\u00e9es.<\/p>\n

3.2 Normalit\u00e9 multivari\u00e9e et d\u00e9tection des valeurs aberrantes<\/h3>\n

La MANOVA postule que le vecteur conjoint des r\u00e9sidus suit une distribution normale multivari\u00e9e au sein de chaque groupe exp\u00e9rimental. La normalit\u00e9 multivari\u00e9e impose non seulement que chaque variable d\u00e9pendante affiche isol\u00e9ment une distribution normale univari\u00e9e (avec une asym\u00e9trie et un aplatissement conformes aux attentes gaussiennes), mais requiert \u00e9galement que toute combinaison lin\u00e9aire des variables d\u00e9pendantes suive une loi normale univari\u00e9e. Il s’ensuit que la v\u00e9rification de la normalit\u00e9 sur chaque axe de mani\u00e8re disjointe est une condition n\u00e9cessaire mais rigoureusement insuffisante pour attester de la normalit\u00e9 multivari\u00e9e conjointe.<\/p>\n

L’existence de valeurs aberrantes multivari\u00e9es (multivariate outliers<\/em>) repr\u00e9sente une menace directe pour la validit\u00e9 du mod\u00e8le. Un sujet peut pr\u00e9senter des valeurs parfaitement acceptables et plausibles sur chacune des \u00e9chelles consid\u00e9r\u00e9es isol\u00e9ment, tout en manifestant une configuration bivari\u00e9e ou multivari\u00e9e hautement aberrante compte tenu de la structure de corr\u00e9lation g\u00e9n\u00e9rale. La m\u00e9trique de r\u00e9f\u00e9rence pour quantifier cet \u00e9loignement g\u00e9om\u00e9trique est la distance de Mahalanobis ($D^2$<\/span>), d\u00e9finie pour un individu $i$<\/span> par :<\/p>\n

$$D_i^2 = (\\mathbf{y}_i – \\bar{\\mathbf{y}})^top \\mathbf{S}^{-1} (\\mathbf{y}_i – \\bar{\\mathbf{y}})$$<\/span><\/p>\n

o\u00f9 $\\bar{\\mathbf{y}}$<\/span> repr\u00e9sente le vecteur moyen et $\\mathbf{S}^{-1}$<\/span> est l’inverse de la matrice de variance-covariance de l’\u00e9chantillon. En l’absence de d\u00e9viation par rapport \u00e0 la normalit\u00e9 multivari\u00e9e, les distances de Mahalanobis se distribuent selon une loi du Chi-deux avec un nombre de degr\u00e9s de libert\u00e9 \u00e9gal au nombre de variables d\u00e9pendantes ($\\chi^2_p$<\/span>). Une observation pr\u00e9sentant une distance de Mahalanobis associ\u00e9e \u00e0 une probabilit\u00e9 d’occurrence inf\u00e9rieure \u00e0 $p < 0{,}001$<\/span> est g\u00e9n\u00e9ralement qualifi\u00e9e de valeur aberrante multivari\u00e9e.<\/p>\n

Sur le plan formel, l’\u00e9valuation de la normalit\u00e9 multivari\u00e9e repose sur des tests probabilistes robustes, notamment le test d’asym\u00e9trie et d’aplatissement de Mardia. L’asym\u00e9trie multivari\u00e9e de Mardia quantifie la projection tridimensionnelle des moments d’ordre 3, tandis que le coefficient d’aplatissement \u00e9value le comportement des queues de distribution multidimensionnelles. Des d\u00e9viations substantielles de la normalit\u00e9 multivari\u00e9e affectent la taille r\u00e9elle des tests d’hypoth\u00e8se multivari\u00e9s, en particulier lorsque la non-normalit\u00e9 d\u00e9coule de la pr\u00e9sence de queues lourdes ou d’observations influentes extr\u00eames.<\/p>\n

3.3 Homog\u00e9n\u00e9it\u00e9 des matrices de variance-covariance<\/h3>\n

L’homog\u00e9n\u00e9it\u00e9 des matrices de variance-covariance \u00e0 travers les diff\u00e9rentes strates de la variable ind\u00e9pendante constitue l’\u00e9quivalent multivari\u00e9 du postulat d’homosc\u00e9dasticit\u00e9 de l’ANOVA classique. Cette exigence impose que chaque groupe $j$<\/span> partage la m\u00eame matrice de dispersion th\u00e9orique :<\/p>\n

$$boldsymbol{\\Sigma}_1 = boldsymbol{\\Sigma}_2 = dots = boldsymbol{\\Sigma}_g = boldsymbol{\\Sigma}$$<\/span><\/p>\n

Cette \u00e9galit\u00e9 signifie non seulement que les variances univari\u00e9es de chaque variable d\u00e9pendante doivent \u00eatre identiques d’un groupe \u00e0 l’autre, mais \u00e9galement que les coefficients de covariance (et donc les corr\u00e9lations) reliant les variables deux \u00e0 deux doivent \u00eatre strictement constants \u00e0 travers l’ensemble des conditions exp\u00e9rimentales.<\/p>\n

Le test statistique standard utilis\u00e9 pour \u00e9valuer cette \u00e9galit\u00e9 est le test $M$<\/span> de Box. Ce test exploite un ratio fond\u00e9 sur les d\u00e9terminants des matrices de variance-covariance des sous-groupes compar\u00e9s au d\u00e9terminant de la matrice de covariance r\u00e9siduelle pool\u00e9e :<\/p>\n

$$M = (N – g) \\ln |\\mathbf{S}_p| – \\sum_{j=1}^g (n_j – 1) \\ln |\\mathbf{S}_j|$$<\/span><\/p>\n

o\u00f9 $\\mathbf{S}_p$<\/span> est la matrice de covariance group\u00e9e et $\\mathbf{S}_j$<\/span> celle du groupe $j$<\/span>. Toutefois, le test $M$<\/span> de Box se caract\u00e9rise par une hypersensibilit\u00e9 notoire aux violations de la normalit\u00e9 multivari\u00e9e. Sous des conditions de non-normalit\u00e9 mod\u00e9r\u00e9e, le test $M$<\/span> rejette fr\u00e9quemment l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 \u00e0 tort, identifiant une fausse h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 qui refl\u00e8te simplement l’asym\u00e9trie des distributions.<\/p>\n

Les cons\u00e9quences d’une violation de cette hypoth\u00e8se d\u00e9pendent directement de l’\u00e9quilibre des tailles de groupes. Lorsque les effectifs sont rigoureusement \u00e9quilibr\u00e9s ($n_1 = n_2 = dots = n_g$<\/span>), les crit\u00e8res de d\u00e9cision de la MANOVA manifestent une robustesse remarquable, limitant la distorsion du taux d’erreur de type I. \u00c0 l’oppos\u00e9, en pr\u00e9sence d’un plan d\u00e9s\u00e9quilibr\u00e9, la violation du postulat induit des distorsions asym\u00e9triques pr\u00e9judiciables : si les groupes aux effectifs les plus r\u00e9duits affichent les variances et covariances les plus larges, le test devient excessivement lib\u00e9ral (taux d’erreur de type I r\u00e9el tr\u00e8s sup\u00e9rieur au seuil nominal). Si les groupes \u00e0 grand effectif pr\u00e9sentent les variances les plus importantes, le test devient excessivement conservateur, causant un effondrement de la puissance statistique.<\/p>\n

3.4 Absence de multicolin\u00e9arit\u00e9 parfaite et lin\u00e9arit\u00e9 bivari\u00e9e<\/h3>\n

La validit\u00e9 des solutions g\u00e9om\u00e9triques g\u00e9n\u00e9r\u00e9es par la MANOVA suppose que les relations entretenues par les variables d\u00e9pendantes deux \u00e0 deux soient approximativement lin\u00e9aires au sein de chaque groupe exp\u00e9rimental. La mod\u00e9lisation lin\u00e9aire multivari\u00e9e cherche \u00e0 optimiser la s\u00e9paration des centro\u00efdes via des combinaisons lin\u00e9aires des indicateurs observ\u00e9s. Si la trajectoire bivalente unissant deux variables pr\u00e9sente une courbure curvilin\u00e9aire prononc\u00e9e (par exemple, une fonction quadratique ou exponentielle), la projection matricielle \u00e9chouera \u00e0 capturer la totalit\u00e9 de l’interd\u00e9pendance partag\u00e9e, affaiblissant la capacit\u00e9 du mod\u00e8le \u00e0 isoler l’effet de groupe.<\/p>\n

De plus, l’absence de multicolin\u00e9arit\u00e9 parfaite ou quasi-parfaite demeure un imp\u00e9ratif technique absolu. La multicolin\u00e9arit\u00e9 parfaite se produit lorsque l’une des variables d\u00e9pendantes n’est rien d’autre qu’une combinaison arithm\u00e9tique directe d’autres variables pr\u00e9sentes dans l’analyse (par exemple, inclure simultan\u00e9ment les scores \u00e0 trois sous-\u00e9chelles d’un test psychom\u00e9trique et le score global calcul\u00e9 par leur somme directe). Dans un tel sc\u00e9nario, le rang math\u00e9matique de la matrice $\\mathbf{Y}$<\/span> devient d\u00e9ficient ($rg(\\mathbf{Y}) < p$<\/span>), et le d\u00e9terminant de la matrice r\u00e9siduelle s'annule rigoureusement ($|\\mathbf{E}| = 0$<\/span>). L'inversion matricielle devient strictement impossible.<\/p>\n

Pour pr\u00e9venir cet \u00e9cueil, l’analyste doit contr\u00f4ler le d\u00e9terminant de la matrice de corr\u00e9lation r\u00e9siduelle et examiner les facteurs d’inflation de la variance (VIF – Variance Inflation Factor<\/em>) adapt\u00e9s au cadre multivari\u00e9. Des valeurs de VIF exc\u00e9dant le seuil conventionnel de 5 ou 10 signalent une redondance structurelle incompatible avec l’exploitation s\u00e9curis\u00e9e des algorithmes de d\u00e9composition spectrale.<\/p>\n

4. Pr\u00e9paration de l’environnement de travail et importation des donn\u00e9es dans R<\/h2>\n

4.1 S\u00e9lection et installation des packages sp\u00e9cialis\u00e9s<\/h3>\n

L’\u00e9cosyst\u00e8me open-source R propose une architecture modulaire particuli\u00e8rement performante pour le calcul matriciel, l’estimation des mod\u00e8les multivari\u00e9s et les repr\u00e9sentations graphiques diagnostiques. Pour mener \u00e0 bien l’ensemble du pipeline analytique d’une MANOVA, la mise en place d’un environnement int\u00e9grant plusieurs packages compl\u00e9mentaires est n\u00e9cessaire. Le socle moderne de manipulation de donn\u00e9es s’articule autour du m\u00e9tapackage tidyverse<\/code>, dont les composants dplyr<\/code> et tidyr<\/code> simplifient le pr\u00e9traitement matriciel, et ggplot2<\/code> qui g\u00e8re les repr\u00e9sentations graphiques personnalis\u00e9es.<\/p>\n

Pour la mod\u00e9lisation statistique avanc\u00e9e, le package car<\/code> (Companion to Applied Regression<\/em>) d\u00e9velopp\u00e9 par John Fox constitue un outil indispensable. Contrairement \u00e0 la fonction native de R qui privil\u00e9gie les sommes de carr\u00e9s de type I, le package car<\/code> int\u00e8gre la fonction Manova()<\/code> qui permet d’extraire les sommes de carr\u00e9s de Type II et de Type III, cruciales pour traiter les plans factoriels d\u00e9s\u00e9quilibr\u00e9s. Le package MASS<\/code> fournit quant \u00e0 lui les fonctions requises pour l’analyse discriminante lin\u00e9aire compl\u00e9mentaire via lda()<\/code>.<\/p>\n

L’\u00e9valuation des hypoth\u00e8ses probabilistes et la visualisation diagnostique n\u00e9cessitent des biblioth\u00e8ques d\u00e9di\u00e9es aux donn\u00e9es multidimensionnelles. Le package MVN<\/code> constitue l’outil le plus complet pour ex\u00e9cuter les tests de normalit\u00e9 multivari\u00e9e (Mardia, Royston, Henze-Zirkler). Le package biotools<\/code> renferme l’algorithme standard du test $M$<\/span> de Box avec la fonction boxM()<\/code>. Enfin, le package heplots<\/code> fournit une suite de fonctions graphiques projetant visuellement les ellipso\u00efdes de variance d’hypoth\u00e8se et d’erreur dans les espaces \u00e0 deux et trois dimensions. Les extensions psych<\/code> et broom<\/code> facilitent quant \u00e0 elles l’extraction des statistiques descriptives et la conversion des sorties d’analyse en structures de donn\u00e9es ordonn\u00e9es.<\/p>\n

4.2 Structuration et typage du jeu de donn\u00e9es<\/h3>\n

L’ex\u00e9cution d’une MANOVA dans R exige que le jeu de donn\u00e9es d’origine soit format\u00e9 selon une structure rectangulaire stricte en format large (wide format<\/em>). Dans cette disposition tabulaire, chaque ligne doit repr\u00e9senter de mani\u00e8re univoque une unit\u00e9 exp\u00e9rimentale unique (un participant ind\u00e9pendant), tandis que chaque colonne encode soit un pr\u00e9dicteur factoriel, soit une covariable continue, soit l’une des composantes num\u00e9riques du vecteur d\u00e9pendant. Cette organisation tranche avec le format long (long format<\/em>) traditionnellement requis pour les mod\u00e8les mixtes ou les ANOVAs univari\u00e9es \u00e0 mesures r\u00e9p\u00e9t\u00e9es.<\/p>\n

Le typage explicite des colonnes au sein du data.frame<\/code> ou du tibble<\/code> R constitue une \u00e9tape pr\u00e9liminaire d\u00e9terminante. Les variables ind\u00e9pendantes doivent imp\u00e9rativement \u00eatre instanci\u00e9es en tant que facteurs (factor<\/code>), et non comme des vecteurs num\u00e9riques ou des cha\u00eenes de caract\u00e8res brutes (character<\/code>). L’encodage explicite via les commandes factor()<\/code> ou as.factor()<\/code> garantit que le moteur lin\u00e9aire construira correctement la matrice de contrastes exp\u00e9rimentaux $\\mathbf{X}$<\/span> (par exemple via contr.sum<\/code> ou contr.treatment<\/code>). Les variables d\u00e9pendantes doivent obligatoirement pr\u00e9senter le type num\u00e9rique \u00e0 virgule flottante (numeric<\/code> ou double<\/code>).<\/p>\n

La gestion rigoureuse des donn\u00e9es manquantes (NA<\/code>) s’av\u00e8re critique en analyse multivari\u00e9e. Par d\u00e9faut, les fonctions R ex\u00e9cutent une suppression cas par cas (listwise deletion<\/em>). D\u00e8s lors qu’une seule valeur d\u00e9pendante manque sur un vecteur de 5 dimensions, le participant est int\u00e9gralement exclu de l’estimation de l’ensemble des matrices $\\mathbf{H}$<\/span> et $\\mathbf{E}$<\/span>. Cette attrition peut r\u00e9duire l’\u00e9chantillon utile de fa\u00e7on d\u00e9mesur\u00e9e. Le chercheur doit \u00e9valuer le patron des donn\u00e9es manquantes \u00e0 l’aide de packages d\u00e9di\u00e9s (tels que mice<\/code> ou VIM<\/code>). Si le m\u00e9canisme de perte respecte le postulat de donn\u00e9es manquantes al\u00e9atoires (MAR – Missing At Random<\/em>), le recours \u00e0 l’imputation multiple par \u00e9quations cha\u00een\u00e9es avant la mod\u00e9lisation multivari\u00e9e doit \u00eatre syst\u00e9matiquement envisag\u00e9 pour pr\u00e9venir l’\u00e9rosion de la puissance statistique.<\/p>\n

4.3 Constitution de la matrice des variables d\u00e9pendantes<\/h3>\n

Dans la syntaxe du langage R, l’\u00e9valuation conjointe de plusieurs variables d\u00e9pendantes au sein de la fonction mod\u00e8le requiert la cr\u00e9ation d’un objet matriciel \u00e0 l’aide de l’op\u00e9rateur de concat\u00e9nation de colonnes cbind()<\/code>. Cet op\u00e9rateur assemble les colonnes s\u00e9lectionn\u00e9es au sein d’une matrice bidimensionnelle de dimensions $N \\times p$<\/span>. Par exemple, si l’on \u00e9value l’inhibition motrice (Inhibition<\/code>), la flexibilit\u00e9 attentionnelle (Flexibility<\/code>) et la mise \u00e0 jour mn\u00e9sique (Updating<\/code>), la matrice de r\u00e9ponse se d\u00e9clare sous la forme :<\/p>\n

# D\u00e9finition formelle de la matrice de variables d\u00e9pendantes\nY <- cbind(donnees$Inhibition, donnees$<\/span>Flexibility, donnees$Updating)\n<\/code><\/pre>\n
La question de la standardisation pr\u00e9alable des \u00e9chelles de mesure constitue un arbitrage m\u00e9thodologique important. La MANOVA repose th\u00e9oriquement sur le principe d’invariance par transformation affine : l’application d’une multiplication par une constante ou l’addition d’un scalaire sur l’une des variables d\u00e9pendantes ne modifie aucunement la valeur propre $lambda$<\/span> de $\\mathbf{E}^{-1}\\mathbf{H}$<\/span>, ni les statistiques de test canoniques (Wilks, Pillai). Par cons\u00e9quent, transformer les variables en scores centr\u00e9s-r\u00e9duits ($z$<\/span>-scores) au moyen de la fonction scale()<\/code> ne modifie pas les valeurs de $p$<\/span> multivari\u00e9es.<\/p>\n
N\u00e9anmoins, la standardisation pr\u00e9alable offre des avantages substantiels lors des \u00e9tapes d’analyse subs\u00e9quentes. Elle harmonise l’\u00e9chelle d’affichage des graphiques bivari\u00e9s, \u00e9limine les distorsions visuelles caus\u00e9es par des amplitudes d’\u00e9chelles divergentes (par exemple, un temps de r\u00e9action oscillant entre 400 et 900 ms compar\u00e9 \u00e0 un taux d’exactitude variant de 0 \u00e0 1), et simplifie grandement l’interpr\u00e9tation des coefficients discriminants standardis\u00e9s lors de l’analyse canonique post-hoc.<\/p>\n
5. Exploration visuelle et analyse pr\u00e9liminaire des donn\u00e9es multivari\u00e9es<\/h2>\n
5.1 Statistiques descriptives group\u00e9es et bivari\u00e9es<\/h3>\n
L’exploration analytique des donn\u00e9es multivari\u00e9es d\u00e9bute syst\u00e9matiquement par l’estimation des m\u00e9triques de tendance centrale et de dispersion s\u00e9par\u00e9ment pour chaque cellule du plan exp\u00e9rimental. \u00c0 l’aide du package dplyr<\/code>, l’analyste calcule de mani\u00e8re vectorielle les moyennes empiriques, les \u00e9carts-types, ainsi que les intervalles de confiance \u00e0 95 % pour chaque dimension d\u00e9pendante \u00e0 travers les niveaux du facteur inter-sujets. Cette premi\u00e8re synth\u00e8se num\u00e9rique permet de v\u00e9rifier l’absence d’incoh\u00e9rences de saisie, de v\u00e9rifier les bornes th\u00e9oriques de chaque test psychom\u00e9trique et d’identifier de prime abord les variables qui semblent manifester des contrastes univari\u00e9s perceptibles.<\/p>\n
Dans un second temps, il est indispensable de g\u00e9n\u00e9rer la matrice des corr\u00e9lations bivari\u00e9es de Pearson sur l’ensemble de l’\u00e9chantillon, puis au sein de chaque groupe exp\u00e9rimental s\u00e9par\u00e9ment. L’examen des matrices de corr\u00e9lation permet de v\u00e9rifier si les associations empiriques s’inscrivent bien dans l’intervalle m\u00e9thodologiquement pertinent (typiquement entre $r = 0{,}30$<\/span> et $r = 0{,}70$<\/span>). Une corr\u00e9lation intra-groupe stable entre deux mesures confirme la pertinence de leur agr\u00e9gation dans un vecteur d\u00e9pendant conjoint. La fonction corr.test()<\/code> du package psych<\/code> fournit simultan\u00e9ment la matrice des coefficients de Pearson et la matrice associ\u00e9e des niveaux de significativit\u00e9 corrig\u00e9s.<\/p>\n
L’\u00e9valuation des statistiques descriptives group\u00e9es offre \u00e9galement une premi\u00e8re fen\u00eatre diagnostique sur l’homog\u00e9n\u00e9it\u00e9 des variances univari\u00e9es. Si le rapport entre la variance maximale et la variance minimale pour une variable d\u00e9pendante donn\u00e9e exc\u00e8de un ratio de 4:1 (soit un ratio d’\u00e9carts-types sup\u00e9rieur \u00e0 2:1) entre les cellules, l’analyste doit redoubler de prudence, particuli\u00e8rement si ce d\u00e9s\u00e9quilibre de variance co\u00efncide avec des effectifs de groupes in\u00e9gaux.<\/p>\n
5.2 Visualisations bivari\u00e9es et projections multidimensionnelles<\/h3>\n
La repr\u00e9sentation graphique pr\u00e9liminaire en contexte multivari\u00e9 ne peut se cantonner aux traditionnels diagrammes en barres ou bo\u00eetes \u00e0 moustaches univari\u00e9es. L’outil diagnostique de pr\u00e9dilection est la matrice de nuages de points bivari\u00e9s (pairs plot<\/em>), g\u00e9n\u00e9r\u00e9e par des fonctions telles que pairs()<\/code> du syst\u00e8me de base de R, ggpairs()<\/code> du package GGally<\/code>, ou la fonction sp\u00e9cialis\u00e9e scatterplotMatrix()<\/code> du package car<\/code>. Cet agencement affiche sur sa diagonale les densit\u00e9s de distribution univari\u00e9es pour chaque groupe, tandis que les cellules hors-diagonale projettent les nuages de dispersion bivari\u00e9s croisant chaque paire de variables d\u00e9pendantes avec un code couleur identifiant les modalit\u00e9s exp\u00e9rimentales.<\/p>\n
\"gplots
gplots plot_means() function in R<\/figcaption><\/figure>\n
L’incorporation d’ellipses de confiance \u00e0 95 % superpos\u00e9es sur les diagrammes de dispersion bivari\u00e9s constitue un moyen efficace d’appr\u00e9hender la forme et l’orientation des nuages de points. La g\u00e9om\u00e9trie de ces ellipses refl\u00e8te directement la matrice de covariance intra-groupe : la longueur des axes principaux traduit l’amplitude des variances, tandis que l’angle d’inclinaison de l’ellipse mat\u00e9rialise la direction et l’intensit\u00e9 de la corr\u00e9lation bivari\u00e9e. Une superposition quasi-totale des ellipses de diff\u00e9rents groupes signale une absence d’effet de s\u00e9paration, tandis qu’un d\u00e9calage spatial prononc\u00e9 de leurs centres mat\u00e9rialise une divergence des centro\u00efdes.<\/p>\n
L’inspection attentive de ces nuages de points permet d’identifier visuellement les ruptures de lin\u00e9arit\u00e9 bivari\u00e9e ou la pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 multivari\u00e9e. Si l’ellipse d’un groupe exp\u00e9rimental appara\u00eet circulaire tandis que celle d’un autre groupe pr\u00e9sente un profil hyper-elliptique fortement \u00e9tir\u00e9 et oblique, cela indique que la structure de corr\u00e9lation fluctue sous l’effet du traitement exp\u00e9rimental, pr\u00e9sageant un rejet potentiel du postulat d’homog\u00e9n\u00e9it\u00e9 des matrices de covariance.<\/p>\n
6. V\u00e9rification empirique des postulats sous R<\/h2>\n
6.1 Contr\u00f4le des valeurs aberrantes multivari\u00e9es sous R<\/h3>\n
La recherche de valeurs aberrantes multivari\u00e9es requiert le calcul formel des distances de Mahalanobis pour chaque observation par rapport au centro\u00efde multivari\u00e9 moyen. Bien que la fonction native mahalanobis()<\/code> de R permette cette op\u00e9ration, elle doit \u00eatre calcul\u00e9e de pr\u00e9f\u00e9rence sur les matrices r\u00e9siduelles ou au sein de chaque groupe exp\u00e9rimental pris individuellement, afin que la distance d’un individu soit \u00e9valu\u00e9e par rapport au centro\u00efde de son propre groupe et non par rapport \u00e0 la moyenne g\u00e9n\u00e9rale de l’\u00e9chantillon global.<\/p>\n
La syntaxe de programmation pour isoler et identifier les observations aberrantes au sein d’un jeu de donn\u00e9es s’articule comme suit :<\/p>\n
# Calcul de la distance de Mahalanobis groupe par groupe\ncalculer_mahalanobis <- function(df, variables, groupe) {\n  df %>%\n    dplyr::group_by(across(all_of(groupe))) %>%\n    dplyr::mutate(\n      d2 = mahalanobis(\n        x = pick(all_of(variables)),\n        center = colMeans(pick(all_of(variables))),\n        cov = cov(pick(all_of(variables)))\n      ),\n      p_val_d2 = pchisq(d2, df = length(variables), lower.tail = FALSE)\n    ) %>%\n    dplyr::ungroup()\n}\n<\/code><\/pre>\n
Le seuil d\u00e9cisionnel canonique d’exclusion ou d’investigation approfondie repose sur un niveau de significativit\u00e9 tr\u00e8s conservateur de $\\alpha = 0{,}001$<\/span> appliqu\u00e9 \u00e0 la distribution $\\chi^2$<\/span> \u00e0 $p$<\/span> degr\u00e9s de libert\u00e9. Toute observation affichant une probabilit\u00e9 $p_{\\text{val_d2}} < 0{,}001$<\/span> doit faire l'objet d'une analyse clinique et m\u00e9thodologique d\u00e9taill\u00e9e. L'exclusion d'un participant ne doit jamais \u00eatre automatique ; le chercheur doit consigner rigoureusement s'il s'agit d'une erreur d'enregistrement, d'une anomalie proc\u00e9durale ou d'une variabilit\u00e9 ph\u00e9notypique r\u00e9elle mais extr\u00eame.<\/p>\n
6.2 Test de la normalit\u00e9 multivari\u00e9e avec le package MVN<\/h3>\n
L’\u00e9valuation inf\u00e9rentielle de la normalit\u00e9 multivari\u00e9e dans l’environnement R est grandement optimis\u00e9e par l’utilisation du package MVN<\/code>. La fonction centrale mvn()<\/code> centralise les algorithmes d’estimation de Mardia, de Royston et de Henze-Zirkler, tout en produisant simultan\u00e9ment les tests univari\u00e9s de Shapiro-Wilk pour chaque composante vectorielle :<\/p>\n
library(MVN)\n\n# Ex\u00e9cution des tests de normalit\u00e9 multivari\u00e9e par groupe exp\u00e9rimental\nresultats_mvn <- mvn(\n  data = donnees[, c(\"Inhibition\", \"Flexibility\", \"Updating\")],\n  subset = donnees$Groupe,\n  mvnTest = \"mardia\",\n  univariateTest = \"SW\",\n  multivariatePlot = \"qq\"\n)\n<\/code><\/pre>\n
Le test d’asym\u00e9trie multivari\u00e9e de Mardia \u00e9value si les d\u00e9formations obliques du nuage multidimensionnel d\u00e9passent les fluctuations d’\u00e9chantillonnage attendues sous la loi normale, tandis que le test d’aplatissement de Mardia \u00e9value la lourdeur des queues de distribution conjointe. L’obtention d’une valeur de $p > 0{,}05$<\/span> pour ces deux indices indique la conformit\u00e9 des donn\u00e9es avec le postulat de normalit\u00e9 multivari\u00e9e.<\/p>\n
En compl\u00e9ment des indicateurs num\u00e9riques, la fonction g\u00e9n\u00e8re un graphique quantile-quantile multivari\u00e9 (Chi-square Q-Q plot<\/em>). Ce diagnostic visuel projette les distances de Mahalanobis empiriques en fonction des quantiles th\u00e9oriques issus de la distribution du Chi-deux. La normalit\u00e9 multivari\u00e9e est valid\u00e9e lorsque les points empiriques s’alignent rigoureusement le long de la diagonale de r\u00e9f\u00e9rence \u00e0 45 degr\u00e9s. Si les donn\u00e9es s’\u00e9cartent mod\u00e9r\u00e9ment de la lin\u00e9arit\u00e9 mais que l’\u00e9chantillon comporte plus de 30 observations par cellule sans asym\u00e9trie univari\u00e9e s\u00e9v\u00e8re, le th\u00e9or\u00e8me central limite multivari\u00e9 assure une robustesse relative des statistiques de test, notamment pour la trace de Pillai.<\/p>\n
6.3 \u00c9valuation de l’homog\u00e9n\u00e9it\u00e9 des covariances avec le test M de Box<\/h3>\n
La v\u00e9rification de l’\u00e9galit\u00e9 structurelle des matrices de variance-covariance s’effectue au moyen de la fonction boxM()<\/code> accessible via le package biotools<\/code>. Cette fonction prend en arguments la matrice des variables d\u00e9pendantes et le facteur d\u00e9finissant les groupes exp\u00e9rimentaux :<\/p>\n
library(biotools)\n\n# Ex\u00e9cution formelle du test M de Box\ntest_box <- boxM(\n  data = donnees[, c(\"Inhibition\", \"Flexibility\", \"Updating\")],\n  grouping = donnees$Groupe\n)\nprint(test_box)\n<\/code><\/pre>\n
L’interpr\u00e9tation de la sortie du test $M$<\/span> de Box requiert une rigueur m\u00e9thodologique particuli\u00e8re. En raison de sa sensibilit\u00e9 extr\u00eame \u00e0 d’infimes d\u00e9viations de la normalit\u00e9 multivari\u00e9e sans impact pratique sur les taux d’erreur du mod\u00e8le lin\u00e9aire, les statisticiens recommandent de mani\u00e8re unanime d’adopter un seuil alpha ajust\u00e9 hautement restrictif, fix\u00e9 \u00e0 $\\alpha = 0{,}001$<\/span>. Par cons\u00e9quent, l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 des matrices de covariance n’est rejet\u00e9e que si la $p$<\/span>-valeur associ\u00e9e \u00e0 la statistique $M$<\/span> est strictement inf\u00e9rieure \u00e0 $0{,}001$<\/span>.<\/p>\n
Dans l’\u00e9ventualit\u00e9 o\u00f9 le test $M$<\/span> de Box s’av\u00e8re statistiquement significatif au seuil de $0{,}001$<\/span> :<\/p>\n