{"id":2764,"date":"2026-09-06T20:24:09","date_gmt":"2026-09-06T20:24:09","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-anova-deux-facteurs-stata\/"},"modified":"2026-09-06T20:24:19","modified_gmt":"2026-09-06T20:24:19","slug":"comment-effectuer-anova-deux-facteurs-stata","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-anova-deux-facteurs-stata","title":{"rendered":"Comment effectuer une ANOVA \u00e0 deux facteurs dans Stata"},"content":{"rendered":"

L’analyse de variance factorielle, couramment d\u00e9sign\u00e9e sous l’acronyme d’ANOVA \u00e0 deux facteurs (ou two-way ANOVA<\/em>), constitue l’un des piliers m\u00e9thodologiques les plus robustes et les plus r\u00e9pandus au sein de la recherche contemporaine en sciences comportementales, en psychologie exp\u00e9rimentale, en neurosciences et en m\u00e9decine clinique. Alors que l’analyse univari\u00e9e simple limite l’investigation \u00e0 l’influence isol\u00e9e d’un facteur unique sur une m\u00e9trique quantitative continue, le protocole factoriel permet d’examiner simultan\u00e9ment l’action conjointe de deux variables cat\u00e9gorielles ind\u00e9pendantes. Cette architecture analytique d\u00e9passe la simple juxtaposition de mod\u00e8les ind\u00e9pendants en ouvrant la voie \u00e0 la d\u00e9tection, \u00e0 l’estimation et \u00e0 l’interpr\u00e9tation des effets d’interaction. Ces derniers permettent de d\u00e9terminer si l’impact d’un premier facteur se trouve modalis\u00e9, att\u00e9nu\u00e9 ou exacerb\u00e9 selon les modalit\u00e9s prises par le second facteur, refl\u00e9tant ainsi la complexit\u00e9 intrins\u00e8que des ph\u00e9nom\u00e8nes biologiques et psychologiques.<\/p>\n

Dans cet \u00e9cosyst\u00e8me m\u00e9thodologique, le logiciel statistique Stata<\/a> s’impose comme une r\u00e9f\u00e9rence incontournable au sein de la communaut\u00e9 acad\u00e9mique internationale. Gr\u00e2ce \u00e0 son moteur computationnel rigoureux, sa syntaxe concise et sa panoplie d’outils d’inf\u00e9rence post-estimation, Stata offre aux chercheurs une flexibilit\u00e9 d’analyse in\u00e9gal\u00e9e. Le logiciel facilite non seulement l’estimation des mod\u00e8les lin\u00e9aires sous-jacents, mais permet \u00e9galement d’aborder avec une grande pr\u00e9cision le calcul des moyennes marginales pr\u00e9dictives, le trac\u00e9 graphique des interactions complexes, ainsi que la correction minutieuse des erreurs de type I inh\u00e9rentes aux comparaisons multiples. N\u00e9anmoins, l’ex\u00e9cution aveugle de lignes de commande sans une compr\u00e9hension profonde des principes math\u00e9matiques et des postulats de distribution expose l’analyste \u00e0 des conclusions erron\u00e9es ou \u00e0 des biais d’interpr\u00e9tation majeurs.<\/p>\n

Ce guide exhaustif a \u00e9t\u00e9 con\u00e7u pour accompagner les chercheurs, biostatisticiens et doctorants dans la mise en \u0153uvre rigoureuse d’une ANOVA factorielle \u00e0 deux facteurs sous l’environnement Stata. De la th\u00e9orisation du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral aux exigences formelles de publication selon les normes de l’American Psychological Association (APA 7e \u00e9dition), chaque \u00e9tape du pipeline analytique est minutieusement diss\u00e9qu\u00e9e. Nous explorerons les fondements th\u00e9oriques des plans factoriels, la v\u00e9rification formelle des postulats d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9 r\u00e9siduelle, l’ajustement des sommes des carr\u00e9s dans les plans d\u00e9s\u00e9quilibr\u00e9s, l’analyse fine des effets simples, la quantification normalis\u00e9e des tailles d’effet, ainsi que les strat\u00e9gies de mod\u00e9lisation alternative en pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 persistante.<\/p>\n

1. Fondements th\u00e9oriques de l’ANOVA \u00e0 deux facteurs en sciences comportementales<\/h2>\n

1.1 D\u00e9finition et objectifs du plan factoriel<\/h3>\n

Le plan d’exp\u00e9rience factoriel \u00e0 deux variables ind\u00e9pendantes discr\u00e8tes repr\u00e9sente une modalit\u00e9 exp\u00e9rimentale o\u00f9 chaque niveau d’un premier facteur cat\u00e9goriel est crois\u00e9 avec chaque niveau d’un second facteur cat\u00e9goriel. Contrairement aux approches r\u00e9ductionnistes qui \u00e9tudient un facteur \u00e0 la fois tout en maintenant artificiellement les autres variables constantes, le plan factoriel capture l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 naturelle des contextes d’investigation. Dans un protocole factoriel complet, dit plan factoriel compl\u00e8tement crois\u00e9, l’ensemble des cellules exp\u00e9rimentales issues de la combinatoire des modalit\u00e9s des deux facteurs est renseign\u00e9 par des observations empiriques, ce qui permet d’isoler \u00e0 la fois les dynamiques propres \u00e0 chaque variable et leurs interd\u00e9pendances structurelles.<\/p>\n

D’un point de vue m\u00e9thodologique, l’emploi d’un plan factoriel pr\u00e9sente des avantages d\u00e9terminants par rapport \u00e0 la multiplication s\u00e9quentielle de tests t de Student ou d’ANOVA univari\u00e9es \u00e0 un seul facteur. En premier lieu, il permet de pr\u00e9server l’\u00e9conomie g\u00e9n\u00e9rale du protocole exp\u00e9rimental : un seul \u00e9chantillon global de participants permet de tester simultan\u00e9ment plusieurs hypoth\u00e8ses de recherche, r\u00e9duisant ainsi drastiquement les co\u00fbts humains et logistiques de l’\u00e9chantillonnage. En deuxi\u00e8me lieu, l’analyse conjointe permet de contr\u00f4ler plus efficacement la variance r\u00e9siduelle non expliqu\u00e9e. En extrayant syst\u00e9matiquement de l’erreur exp\u00e9rimentale la part de variance attribuable au second facteur ainsi qu’\u00e0 l’interaction, la pr\u00e9cision statistique du test se trouve accrue, ce qui augmente substantiellement la puissance statistique globale du dispositif.<\/p>\n

Les applications pratiques de ce paradigme abondent en psychologie clinique, en sciences cognitives et en pharmacologie exp\u00e9rimentale. Par exemple, un chercheur en neuropsychopharmacologie peut vouloir \u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle de plusieurs mol\u00e9cules th\u00e9rapeutiques (Facteur A : Mol\u00e9cule active, Placebo, Traitement de r\u00e9f\u00e9rence) selon le g\u00e9notype sp\u00e9cifique des patients (Facteur B : All\u00e8le \u00e0 risque versus All\u00e8le protecteur). De m\u00eame, en ergonomie cognitive, on mesurera le temps de r\u00e9action face \u00e0 diff\u00e9rentes interfaces num\u00e9riques selon le niveau d’expertise des utilisateurs (D\u00e9butants versus Experts). Ces paradigmes d\u00e9montrent que l’effet d’une intervention est rarement universel : il est quasi-syst\u00e9matiquement conditionn\u00e9 par les caract\u00e9ristiques individuelles ou contextuelles des sujets observ\u00e9s.<\/p>\n

Il est enfin fondamental d’op\u00e9rer une distinction conceptuelle nette entre les facteurs \u00e0 effets fixes, les facteurs \u00e0 effets al\u00e9atoires et les mod\u00e8les dits mixtes. Un facteur est qualifi\u00e9 d’effet fixe lorsque l’ensemble exhaustif des modalit\u00e9s qui int\u00e9ressent l’investigateur est inclus dans le design d’\u00e9tude (par exemple, le sexe biologique ou un nombre d\u00e9termin\u00e9 de dosages pharmacologiques). Les inf\u00e9rences statistiques tir\u00e9es du mod\u00e8le se limitent alors strictement \u00e0 ces niveaux pr\u00e9cis. Inversement, un facteur est dit \u00e0 effets al\u00e9atoires lorsque les modalit\u00e9s incluses constituent un \u00e9chantillon repr\u00e9sentatif tir\u00e9 au hasard d’une population plus vaste de modalit\u00e9s potentielles (par exemple, des classes d’\u00e9coles, des sites cliniques ou des th\u00e9rapeutes). Enfin, les plans mixtes combinent simultan\u00e9ment au moins un facteur \u00e0 effets fixes et un facteur \u00e0 effets al\u00e9atoires, n\u00e9cessitant des ajustements computationnels sp\u00e9cifiques au niveau des carr\u00e9s moyens r\u00e9siduels.<\/p>\n

1.2 Effets principaux et effet d’interaction<\/h3>\n

L’architecture logique de l’ANOVA \u00e0 deux facteurs repose sur la partition tripartite de la variance expliqu\u00e9e entre les effets principaux des deux facteurs et leur terme d’interaction. L’effet principal d’un premier facteur repr\u00e9sente l’impact moyen global de cette variable ind\u00e9pendante sur la variable d\u00e9pendante continue, calcul\u00e9 en agr\u00e9geant l’ensemble des modalit\u00e9s du second facteur. Math\u00e9matiquement, cela revient \u00e0 comparer les moyennes marginales de chaque modalit\u00e9 du facteur consid\u00e9r\u00e9 comme si le second facteur n’exer\u00e7ait aucune influence modulatrice ou \u00e9tait parfaitement \u00e9quilibr\u00e9. L’analyste examine ici la question fondamentale suivante : ind\u00e9pendamment de toute autre variable consid\u00e9r\u00e9e dans l’\u00e9tude, existe-t-il une divergence statistiquement significative entre les niveaux de ce facteur ?<\/p>\n

De mani\u00e8re rigoureusement analogue, l’effet principal du second facteur appr\u00e9hende l’action moyenne isol\u00e9e de cette seconde variable sur la r\u00e9ponse observ\u00e9e, apr\u00e8s avoir neutralis\u00e9 les fluctuations induites par les diff\u00e9rents paliers du premier pr\u00e9dicteur. Bien que ces effets principaux offrent une vision globale du ph\u00e9nom\u00e8ne, leur interpr\u00e9tation isol\u00e9e peut s’av\u00e9rer trompeuse en pr\u00e9sence d’une interd\u00e9pendance fonctionnelle entre les variables explicatives. C’est pr\u00e9cis\u00e9ment l\u00e0 qu’intervient le concept math\u00e9matique et conceptuel de l’interaction bidirectionnelle, formalis\u00e9 par le produit crois\u00e9 des deux facteurs dans l’\u00e9quation lin\u00e9aire.<\/p>\n

L’interaction statistique quantifie la mesure dans laquelle l’effet d’un facteur varie en amplitude ou en direction en fonction du niveau auquel se situe le second facteur. Sur le plan th\u00e9orique, l’existence d’une interaction indique que les deux facteurs ne se contentent pas d’additionner leurs influences respectives de mani\u00e8re ind\u00e9pendante, mais agissent de concert pour produire un r\u00e9sultat singulier. Deux grandes typologies d’interactions m\u00e9ritent une attention analytique rigoureuse : les interactions ordinales et les interactions crois\u00e9es (ou non-ordinales).<\/p>\n

Dans une interaction ordinale, l’amplitude de l’effet d’un facteur varie selon les niveaux de l’autre, mais la hi\u00e9rarchie relative des moyennes demeure constante : les courbes de profil repr\u00e9sent\u00e9es graphiquement ne se coupent pas, conservant le m\u00eame sens de pente bien que l’\u00e9cart entre elles fluctue. En revanche, dans une interaction crois\u00e9e, les droites ou courbes de r\u00e9ponse se croisent de mani\u00e8re flagrante : l’effet d’un facteur peut \u00eatre hautement positif sous une condition donn\u00e9e, devenir totalement nul sous une autre, voire s’inverser compl\u00e8tement sous une troisi\u00e8me condition. La pr\u00e9sence d’une interaction crois\u00e9e invalide l’interpr\u00e9tation substantielle des effets principaux pris isol\u00e9ment, car affirmer qu’un facteur produit un effet global moyen occulte le fait empirique que son action est diam\u00e9tralement oppos\u00e9e selon le sous-groupe consid\u00e9r\u00e9.<\/p>\n

1.3 Le mod\u00e8le lin\u00e9aire sous-jacent<\/h3>\n

Sur le plan formel, l’ANOVA factorielle \u00e0 deux facteurs s’enracine pleinement dans le cadre unifi\u00e9 du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral<\/a>. Pour une observation individuelle donn\u00e9e, identifi\u00e9e par l’indice k<\/em>, appartenant au niveau i<\/em> du premier facteur (comportant I<\/em> modalit\u00e9s) et au niveau j<\/em> du second facteur (comportant J<\/em> modalit\u00e9s), l’\u00e9quation fondamentale du mod\u00e8le s’\u00e9nonce sous sa forme param\u00e9trique classique :<\/p>\n

Yijk<\/sub> = \u03bc + \u03b1i<\/sub> + \u03b2j<\/sub> + (\u03b1\u03b2)ij<\/sub> + \u03b5ijk<\/sub><\/em><\/p>\n

Dans cette formulation, Yijk<\/sub><\/em> repr\u00e9sente la valeur observ\u00e9e de la variable continue d\u00e9pendante pour le k<\/em>-i\u00e8me sujet au sein de la cellule (i, j<\/em>). Le param\u00e8tre \u03bc<\/em> d\u00e9signe la moyenne g\u00e9n\u00e9rale th\u00e9orique (ou grand mean) de l’ensemble de la population statistique. Le terme \u03b1i<\/sub><\/em> correspond \u00e0 l’effet sp\u00e9cifique du niveau i<\/em> du facteur A, mesur\u00e9 comme l’\u00e9cart diff\u00e9rentiel par rapport \u00e0 la moyenne globale sous la contrainte d’identifiabilit\u00e9 usuelle voulant que la somme des \u03b1i<\/sub><\/em> soit \u00e9gale \u00e0 z\u00e9ro. De m\u00eame, \u03b2j<\/sub><\/em> mat\u00e9rialise l’effet propre au niveau j<\/em> du facteur B, sous la contrainte \u00e9quivalente que la somme des \u03b2j<\/sub><\/em> s’annule. Le terme (\u03b1\u03b2)ij<\/sub><\/em> repr\u00e9sente la composante d’interaction non additive sp\u00e9cifique \u00e0 la cellule (i, j<\/em>), mesurant la d\u00e9viation de la moyenne de cellule par rapport aux pr\u00e9dictions purement additives des effets principaux. Enfin, \u03b5ijk<\/sub><\/em> incarne le terme d’erreur r\u00e9siduelle al\u00e9atoire, postul\u00e9e ind\u00e9pendante et identiquement distribu\u00e9e selon une loi normale d’esp\u00e9rance nulle et de variance constante.<\/p>\n

L’estimation des param\u00e8tres repose sur la d\u00e9composition arithm\u00e9tique rigoureuse de la variance totale observ\u00e9e, exprim\u00e9e sous la forme de la somme des carr\u00e9s totale (Total Sum of Squares, SST). Cette variabilit\u00e9 globale est scind\u00e9e en deux macro-composantes orthogonales : la somme des carr\u00e9s inter-groupes ou du mod\u00e8le (Model Sum of Squares, SSM) et la somme des carr\u00e9s intra-groupes ou r\u00e9siduelle (Error Sum of Squares, SSE). La composante du mod\u00e8le est elle-m\u00eame subdivis\u00e9e pour isoler la contribution unique de chaque source de variation :<\/p>\n

SST = SSA + SSB + SSAB + SSE<\/em><\/p>\n

Chacune de ces sommes de carr\u00e9s est indissociable d’un nombre sp\u00e9cifique de degr\u00e9s de libert\u00e9 (ddl), refl\u00e9tant le nombre de comparaisons ind\u00e9pendantes possibles au sein de la matrice factorielle. Si l’on note N<\/em> l’effectif total d’observations, la distribution des degr\u00e9s de libert\u00e9 s’\u00e9tablit comme suit :<\/p>\n