p<\/em> dimensions. Ignorer les corr\u00e9lations inter-variables revient \u00e0 projeter artificiellement un nuage de points multidimensionnel sur des axes orthogonaux d\u00e9connect\u00e9s, d\u00e9truisant ainsi l’information topologique relative aux covariances partag\u00e9es entre les mesures.<\/p>\nCette consid\u00e9ration spatiale conf\u00e8re \u00e0 la MANOVA une propri\u00e9t\u00e9 remarquable : la capacit\u00e9 statistique de d\u00e9tecter des diff\u00e9rences intergroupes combin\u00e9es qui demeurent parfaitement invisibles lors d’analyses univari\u00e9es isol\u00e9es. Deux groupes exp\u00e9rimentaux peuvent pr\u00e9senter des moyennes marginales rigoureusement indiff\u00e9renciables sur la variable Y1 prise isol\u00e9ment, et des moyennes tout aussi \u00e9quivalentes sur la variable Y2 consid\u00e9r\u00e9e seule. Pourtant, lorsque l’on observe la distribution bidimensionnelle conjointe de (Y1, Y2), les centro\u00efdes des groupes (leurs barycentres multivari\u00e9s) peuvent s’av\u00e9rer statistiquement distincts en raison de l’orientation sp\u00e9cifique de la covariance intraclasse. La MANOVA maximise la s\u00e9paration des centro\u00efdes vectoriels, optimisant ainsi la parcimonie statistique et la puissance de d\u00e9tection globale au sein de devis exp\u00e9rimentaux hautement intriqu\u00e9s.<\/p>\n
1.2 Applications empiriques en sciences psychologiques<\/h3>\n En psychologie clinique et en psychopathologie quantitative, la d\u00e9limitation stricte des entit\u00e9s nosologiques constitue une fiction th\u00e9orique fr\u00e9quemment d\u00e9mentie par la r\u00e9alit\u00e9 clinique. La comorbidit\u00e9 entre les troubles anxieux et les \u00e9tats d\u00e9pressifs majeurs repr\u00e9sente l’exemple paradigmatique de cette imbrication : les instruments d’auto-\u00e9valuation tels que l’Inventaire de D\u00e9pression de Beck (BDI) et l’Inventaire d’Anxi\u00e9t\u00e9 Trait-\u00c9tat (STAI) partagent une variance substantielle attribuable au facteur g\u00e9n\u00e9ral d’affectivit\u00e9 n\u00e9gative. L’\u00e9valuation de l’efficacit\u00e9 diff\u00e9rentielle de protocoles psychoth\u00e9rapeutiques (par exemple, th\u00e9rapie cognitivo-comportementale versus th\u00e9rapie bas\u00e9e sur la pleine conscience versus liste d’attente) gagne une validit\u00e9 \u00e9cologique et m\u00e9thodologique immense lorsqu’elle est appr\u00e9hend\u00e9e par une MANOVA o\u00f9 la d\u00e9pression et l’anxi\u00e9t\u00e9 sont mod\u00e9lis\u00e9es conjointement comme un syst\u00e8me dynamique de r\u00e9ponses corr\u00e9l\u00e9es.<\/p>\n
Le champ des neurosciences cognitives et de la neuropsychologie offre un terrain d’application tout aussi fertile. L’investigation des fonctions ex\u00e9cutives mobilise classiquement des batteries de tests mesurant des sous-composantes distinctes mais interd\u00e9pendantes : l’inhibition de la r\u00e9ponse pr\u00e9potente (via la t\u00e2che de Stroop), la flexibilit\u00e9 mentale s\u00e9lective (via le Wisconsin Card Sorting Test) et l’actualisation de la m\u00e9moire de travail (via des t\u00e2ches de n-back). Analyser l’impact d’une l\u00e9sion du cortex pr\u00e9frontal ou d’un entra\u00eenement cognitif informatis\u00e9 sur ces fonctions requiert imp\u00e9rativement une mod\u00e9lisation multivari\u00e9e capable de pr\u00e9server l’architecture corr\u00e9lative de ces processus cognitifs de haut niveau sans les dissocier artificiellement.<\/p>\n
De mani\u00e8re analogue, la recherche en psychologie sociale et du d\u00e9veloppement s’int\u00e9resse fr\u00e9quemment \u00e0 des constellations comportementales. Lors de l’\u00e9tude des styles d’attachement chez l’adulte (s\u00e9curisant, anxieux-ambivalent, \u00e9vitant), les chercheurs mesurent simultan\u00e9ment les dimensions d’\u00e9vitement de l’intimit\u00e9 et d’anxi\u00e9t\u00e9 d’abandon sous diff\u00e9rentes conditions d’amor\u00e7age social. Enfin, dans les paradigmes de psycho-neuro-endocrinologie du stress (comme le Trier Social Stress Test<\/em>), les scientifiques \u00e9valuent simultan\u00e9ment des marqueurs physiologiques autonomes (variabilit\u00e9 de la fr\u00e9quence cardiaque, conductance cutan\u00e9e) et des r\u00e9ponses endocriniennes (s\u00e9cr\u00e9tion de cortisol salivaire). La MANOVA permet d’embrasser l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 et la synergie de ces biomarqueurs au sein d’un mod\u00e8le inf\u00e9rentiel unique et unifi\u00e9.<\/p>\n1.3 Le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral multivari\u00e9 sous-jacent<\/h3>\n Le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral multivari\u00e9 (MGLM) repr\u00e9sente l’extension matricielle directe de la r\u00e9gression lin\u00e9aire et de l’ANOVA univari\u00e9e. Pour un \u00e9chantillon de N<\/em> observations comportant p<\/em> variables d\u00e9pendantes continues et k<\/em> variables explicatives ou colonnes de codage exp\u00e9rimental, l’\u00e9quation matricielle fondamentale s’\u00e9nonce sous la forme canonique :<\/p>\nY = X B + E<\/strong><\/p>\nDans cette formalisation rigoureuse, Y<\/strong> est une matrice de dimensions N × p<\/em> contenant les scores observ\u00e9s pour chaque individu sur l’ensemble des p<\/em> variables d\u00e9pendantes. La matrice de plan exp\u00e9rimental X<\/strong>, de dimensions N × (k + 1)<\/em>, int\u00e8gre le vecteur unit\u00e9 pour la constante ainsi que les variables indicatrices (ou contrastes) codant l’appartenance aux diff\u00e9rents groupes exp\u00e9rimentaux. La matrice B<\/strong>, de dimensions (k + 1) × p<\/em>, contient les coefficients de r\u00e9gression multivari\u00e9s inconnus \u00e0 estimer, chaque colonne de B<\/strong> correspondant aux param\u00e8tres associ\u00e9s \u00e0 une variable d\u00e9pendante sp\u00e9cifique. Enfin, la matrice E<\/strong>, de dimensions N × p<\/em>, rassemble les r\u00e9sidus ou erreurs al\u00e9atoires du mod\u00e8le multivari\u00e9.<\/p>\nL’estimation des param\u00e8tres s’op\u00e8re par la m\u00e9thode des moindres carr\u00e9s ordinaires multivari\u00e9s, aboutissant \u00e0 l’estimation classique B\u0302 = (X’X)-1<\/sup>X’Y<\/strong>. L’architecture de l’inf\u00e9rence repose sur la d\u00e9composition spectrale de la matrice de sommes des carr\u00e9s et des produits crois\u00e9s totaux (Total Sum of Squares and Cross-Products<\/em>, not\u00e9e T<\/strong> ou SSCPTotal<\/sub><\/strong>). Cette matrice globale se partitionne additivement en une matrice de sommes des carr\u00e9s et produits crois\u00e9s li\u00e9e \u00e0 l’effet du traitement ou du mod\u00e8le (H<\/strong> ou SSCPHypoth\u00e8se<\/sub><\/strong>) et une matrice r\u00e9siduelle d’erreur intraclasse (E<\/strong> ou SSCPErreur<\/sub><\/strong>) :<\/p>\nT = H + E<\/strong><\/p>\nLa diagonale principale de ces matrices carr\u00e9es d’ordre p × p<\/em> contient les sommes des carr\u00e9s scalaires univari\u00e9es classiques (SS), tandis que les \u00e9l\u00e9ments hors-diagonale renferment les sommes des produits crois\u00e9s (SP) refl\u00e9tant la covariance partag\u00e9e entre chaque paire de variables d\u00e9pendantes. La matrice de covariance r\u00e9siduelle non biais\u00e9e est ensuite estim\u00e9e par Se<\/sub> = E \/ (N – k – 1)<\/strong>. Toute l’inf\u00e9rence multivari\u00e9e repose sur l’\u00e9valuation conjointe de la magnitude relative de la matrice H<\/strong> par rapport \u00e0 la dispersion al\u00e9atoire captur\u00e9e par la matrice E<\/strong>, g\u00e9n\u00e9ralement \u00e0 travers l’\u00e9tude des valeurs propres de la matrice produit E-1<\/sup>H<\/strong>.<\/p>\n2. Postulats statistiques pr\u00e9alables \u00e0 l’ex\u00e9cution de la MANOVA<\/h2>\n2.1 Normalit\u00e9 multivari\u00e9e et distribution des r\u00e9sidus<\/h3>\n L’inf\u00e9rence statistique au sein du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral multivari\u00e9 repose sur l’hypoth\u00e8se distributionnelle fondamentale selon laquelle les vecteurs d’erreurs al\u00e9atoires suivent conjointement une loi normale multivari\u00e9e d’esp\u00e9rance nulle et de matrice de dispersion Σ, soit formellement εi<\/sub> ∼ Np<\/sub><\/em>(0<\/strong>, Σ). Il convient de souligner avec insistance une asym\u00e9trie logique majeure de la statistique multidimensionnelle : si la normalit\u00e9 multivari\u00e9e implique obligatoirement que chaque variable d\u00e9pendante prise individuellement suive une distribution normale univari\u00e9e, la r\u00e9ciproque est rigoureusement fausse. Il est tout \u00e0 fait possible d’observer des distributions univari\u00e9es parfaitement gaussiennes pour p<\/em> variables, alors m\u00eame que leur distribution conjointe pr\u00e9sente des distorsions g\u00e9om\u00e9triques s\u00e9v\u00e8res, telles qu’une distribution torique ou des concentrations d’observations non sph\u00e9riques au sein de sous-espaces de dimension inf\u00e9rieure.<\/p>\nLes cons\u00e9quences d’une d\u00e9viation de la normalit\u00e9 multivari\u00e9e varient grandement selon la nature de l’asym\u00e9trie (skewness<\/em>) et de l’aplatissement (kurtosis<\/em>). Selon les travaux pionniers de Kanti Mardia, la pr\u00e9sence d’une voussure multivari\u00e9e excessive affecte de mani\u00e8re disproportionn\u00e9e l’estimation des erreurs types et fausse le taux d’erreur de premi\u00e8re esp\u00e8ce des statistiques omnibus, tout en \u00e9rodant s\u00e9v\u00e8rement la puissance statistique du test. N\u00e9anmoins, en vertu du th\u00e9or\u00e8me central limite appliqu\u00e9 aux espaces vectoriels, la MANOVA fait preuve d’une robustesse relative remarquable face aux violations mod\u00e9r\u00e9es de la normalit\u00e9, \u00e0 la condition expresse et absolue que les tailles d’\u00e9chantillons au sein de chaque groupe exp\u00e9rimental soient strictement \u00e9quilibr\u00e9es (plans orthogonaux \u00e9quilibr\u00e9s) et que la taille totale de l’\u00e9chantillon soit suffisamment vaste (g\u00e9n\u00e9ralement N<\/em> ≥ 20 \u00e0 30 observations par cellule exp\u00e9rimentale pour assurer la stabilit\u00e9 asymptotique).<\/p>\n2.2 Homog\u00e9n\u00e9it\u00e9 des matrices de variance-covariance<\/h3>\n Le postulat d’homoscolasticit\u00e9 multivari\u00e9e, souvent qualifi\u00e9 d’homog\u00e9n\u00e9it\u00e9 des matrices de variance-covariance, postule que la matrice de dispersion Σ des r\u00e9sidus demeure rigoureusement invariante \u00e0 travers l’ensemble des k<\/em> populations d\u00e9finies par le plan factoriel. Autrement dit, pour tout groupe j<\/em> ∈ {1, …, k<\/em>}, on doit v\u00e9rifier l’\u00e9galit\u00e9 matricielle :<\/p>\nΣ1<\/sub> = Σ2<\/sub> = … = Σk<\/sub> = Σ<\/p>\nCette condition stipule non seulement que les variances de chaque variable d\u00e9pendante doivent \u00eatre \u00e9gales entre les groupes (homog\u00e9n\u00e9it\u00e9 univari\u00e9e), mais \u00e9galement que toutes les covariances lin\u00e9aires unissant chaque paire de variables d\u00e9pendantes doivent \u00eatre identiques d’une sous-population \u00e0 l’autre. Le non-respect de ce postulat a des r\u00e9percussions d\u00e9sastreuses sur la validit\u00e9 inf\u00e9rentielle. Lorsque le plan exp\u00e9rimental est d\u00e9s\u00e9quilibr\u00e9 (tailles de groupes in\u00e9gales), l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des matrices de covariance conduit soit \u00e0 une lib\u00e9ralit\u00e9 inacceptable du test (inflation massive de l’erreur α pouvant atteindre 30 \u00e0 40 % lorsque le groupe de plus petit effectif pr\u00e9sente les variances les plus importantes), soit \u00e0 un conservatisme excessif et destructeur de puissance statistique (lorsque le plus grand groupe pr\u00e9sente les plus grandes variances).<\/p>\n
L’\u00e9valuation formelle de cette homog\u00e9n\u00e9it\u00e9 repose historiquement sur le test M<\/em> de Box. Toutefois, les chercheurs doivent \u00eatre conscients que le test de Box pr\u00e9sente une hypersensibilit\u00e9 notoire aux d\u00e9viations mineures de la normalit\u00e9 multivari\u00e9e. Une violation du test de Box peut simplement signaler la pr\u00e9sence d’un aplatissement non gaussien plut\u00f4t qu’une r\u00e9elle h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle des matrices de variance-covariance. Face \u00e0 une violation attest\u00e9e de l’homoscolasticit\u00e9 multivari\u00e9e, le statisticien devra imp\u00e9rativement privil\u00e9gier des statistiques de test robustes, comme la trace de Pillai-Bartlett, ou recourir \u00e0 des transformations math\u00e9matiques stabilisatrices de variance, voire s’orienter vers des proc\u00e9dures de mod\u00e9lisation semi-param\u00e9triques ou asymptotiques adapt\u00e9es.<\/p>\n2.3 Absence de multicolin\u00e9arit\u00e9 et lin\u00e9arit\u00e9 des relations<\/h3>\n L’efficacit\u00e9 analytique et la solvabilit\u00e9 num\u00e9rique de la MANOVA d\u00e9pendent \u00e9troitement de la structure relationnelle liant les variables d\u00e9pendantes. Id\u00e9alement, les variables d\u00e9pendantes s\u00e9lectionn\u00e9es doivent pr\u00e9senter un niveau d’intercorr\u00e9lation mod\u00e9r\u00e9, typiquement compris entre r<\/em> = 0,30 et r<\/em> = 0,70. Si les corr\u00e9lations bivari\u00e9es s’av\u00e8rent excessivement faibles ou proches de z\u00e9ro, l’int\u00e9r\u00eat statistique de mobiliser une MANOVA s’effondre face \u00e0 des analyses univari\u00e9es corrig\u00e9es, car il n’existe aucune information de covariance partag\u00e9e exploitable pour optimiser la projection multivari\u00e9e.<\/p>\n\u00c0 l’inverse, une multicolin\u00e9arit\u00e9 extr\u00eame (coefficients de corr\u00e9lation de Pearson exc\u00e9dant 0,85 ou 0,90) constitue une menace m\u00e9thodologique et computationnelle critique. Sur le plan psychom\u00e9trique, deux variables d\u00e9pendantes pr\u00e9sentant une corr\u00e9lation sup\u00e9rieure \u00e0 0,90 constituent vraisemblablement des doublons redondants mesurant le m\u00eame construit latent sous-jacent, ce qui contrevient au principe de parcimonie scientifique. Sur le plan math\u00e9matique, une colin\u00e9arit\u00e9 excessive entra\u00eene une quasi-singularit\u00e9 de la matrice de sommes des carr\u00e9s et produits crois\u00e9s d’erreur E<\/strong>. Le d\u00e9terminant matriciel |E<\/strong>| s’approche alors dangereusement de z\u00e9ro, rendant son inversion num\u00e9rique instable ou impossible (inversion d’une matrice mal conditionn\u00e9e), ce qui g\u00e9n\u00e8re des erreurs de calcul majeures sur la matrice produit E-1<\/sup>H<\/strong> et fausse int\u00e9gralement l’estimation des valeurs propres.<\/p>\nEnfin, le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral postule formellement que toutes les paires de variables d\u00e9pendantes entretiennent des relations strictement lin\u00e9aires au sein de chaque sous-groupe exp\u00e9rimental. La pr\u00e9sence d’une relation curvilin\u00e9aire (quadratique, exponentielle ou logarithmique) non mod\u00e9lis\u00e9e att\u00e9nue consid\u00e9rablement la covariance captur\u00e9e par les formes bilin\u00e9aires de la MANOVA, entra\u00eenant une perte de puissance statistique substantielle et masquant la v\u00e9ritable proximit\u00e9 g\u00e9om\u00e9trique des groupes au sein de l’espace vectoriel.<\/p>\n
3. Pr\u00e9paration, inspection et structuration des donn\u00e9es sous Stata<\/h2>\n3.1 Codage des variables et formatage du jeu de donn\u00e9es<\/h3>\n L’ex\u00e9cution fluide d’une MANOVA sous Stata n\u00e9cessite imp\u00e9rativement que la base de donn\u00e9es soit configur\u00e9e dans un format sp\u00e9cifique d\u00e9nomm\u00e9 structure large (wide format<\/em>). Contrairement aux mod\u00e8les mixtes longitudinaux ou aux r\u00e9gressions \u00e0 mesures r\u00e9p\u00e9t\u00e9es qui exigent fr\u00e9quemment une structure longue (long format<\/em>), la commande manova<\/code> de Stata prescrit que chaque unit\u00e9 d’observation statistique (chaque sujet participant) soit repr\u00e9sent\u00e9e sur une seule et unique ligne de donn\u00e9es. Ainsi, l’ensemble des scores obtenus sur les p<\/em> variables d\u00e9pendantes doivent \u00eatre stock\u00e9s dans p<\/em> colonnes num\u00e9riques distinctes, tandis que les facteurs exp\u00e9rimentaux ou variables ind\u00e9pendantes cat\u00e9gorielles occupent leurs propres colonnes d’encodage.<\/p>\nLa rigueur de la pr\u00e9paration des m\u00e9tadonn\u00e9es conditionne l’interpr\u00e9tabilit\u00e9 des sorties d’analyse. Les variables d\u00e9pendantes doivent imp\u00e9rativement \u00eatre format\u00e9es en tant que variables num\u00e9riques continues (types float<\/code> ou double<\/code>). Toute pr\u00e9sence accidentelle de cha\u00eenes de caract\u00e8res (strings<\/em>) r\u00e9siduelles, d’espaces typographiques ou de virgules comme s\u00e9parateurs d\u00e9cimaux bloquerait l’ex\u00e9cution de l’algorithme d’estimation matricielle. Les variables ind\u00e9pendantes cat\u00e9gorielles doivent quant \u00e0 elles \u00eatre cod\u00e9es sous forme d’entiers discrets cons\u00e9cutifs (par exemple 1, 2, 3) et \u00eatre rigoureusement document\u00e9es par l’attribution d’\u00e9tiquettes de valeurs (value labels<\/em>) via les commandes Stata label define<\/code> et label values<\/code>, garantissant ainsi que les sorties graphiques et tabulaires ult\u00e9rieures comportent explicitement les intitul\u00e9s textuels des groupes cliniques ou exp\u00e9rimentaux.<\/p>\nIl est vivement conseill\u00e9 d’ins\u00e9rer des m\u00e9tadonn\u00e9es de tra\u00e7abilit\u00e9 dans le fichier de donn\u00e9es (.dta<\/code>) en utilisant l’instruction notes<\/code>. Cette documentation contextuelle doit pr\u00e9ciser l’origine psychom\u00e9trique des \u00e9chelles, les inversions d’items pr\u00e9alables, ainsi que la date de compilation du jeu de donn\u00e9es, assurant ainsi une reproductibilit\u00e9 computationnelle absolue, conform\u00e9ment aux directives m\u00e9thodologiques contemporaines de la science ouverte.<\/p>\n3.2 Gestion des donn\u00e9es manquantes en contexte multivari\u00e9<\/h3>\n L’occurrence de valeurs manquantes soul\u00e8ve des d\u00e9fis d\u00e9cupl\u00e9s en contexte multivari\u00e9 en raison du m\u00e9canisme par d\u00e9faut appliqu\u00e9 par Stata lors de l’ex\u00e9cution de la commande manova<\/code> : l’exclusion par liste (listwise deletion<\/em> ou complete case analysis<\/em>). D\u00e8s lors qu’un individu pr\u00e9sente une seule valeur manquante sur l’une quelconque des p<\/em> variables d\u00e9pendantes ou sur l’un des facteurs de classification, l’int\u00e9gralit\u00e9 de son vecteur d’observations est impitoyablement supprim\u00e9e de l’ensemble de l’estimation multivari\u00e9e. Dans un devis comportant cinq ou six variables d\u00e9pendantes, cette \u00e9limination automatique peut r\u00e9duire dramatiquement la taille effective de l’\u00e9chantillon, \u00e9rodant la puissance statistique et introduisant un biais de s\u00e9lection s\u00e9v\u00e8re si la non-r\u00e9ponse n’est pas strictement al\u00e9atoire.<\/p>\nLe chercheur doit imp\u00e9rativement cartographier l’architecture de la compl\u00e9tude de ses donn\u00e9es avant toute tentative de mod\u00e9lisation. Sous Stata, l’exploration syst\u00e9matique repose sur la combinaison des commandes inspect<\/code>, summarize<\/code>, et plus particuli\u00e8rement la suite analytique sp\u00e9cialis\u00e9e misstable summarize<\/code> et misstable patterns<\/code>. Ces instructions permettent de quantifier avec exactitude la fr\u00e9quence et la disposition des motifs de donn\u00e9es manquantes \u00e0 travers les variables d\u00e9pendantes, et d’identifier d’\u00e9ventuels m\u00e9canismes syst\u00e9matiques sous-jacents (Missing at Random<\/em> [MAR] ou Missing Not at Random<\/em> [MNAR]).<\/p>\nSi les donn\u00e9es sont caract\u00e9ris\u00e9es comme \u00e9tant manquantes au hasard (MAR) et que la d\u00e9perdition d’unit\u00e9s exp\u00e9rimentales menace la validit\u00e9 de l’\u00e9tude, l’exclusion par liste doit \u00eatre rejet\u00e9e au profit d’approches de compensation fond\u00e9es sur des principes statistiques rigoureux. L’imputation multiple par \u00e9quations cha\u00een\u00e9es (MICE), impl\u00e9ment\u00e9e sous Stata via la commande mi impute chained<\/code>, constitue une alternative de premier choix. Elle permet d’engendrer plusieurs jeux de donn\u00e9es imput\u00e9s tenant compte des covariances inter-variables, sur lesquels la MANOVA peut ensuite \u00eatre ajust\u00e9e, bien que la recombinaison matricielle globale des tests d’hypoth\u00e8ses multivari\u00e9s selon les r\u00e8gles de Rubin requi\u00e8re une vigilance m\u00e9thodologique accrue lors de l’extraction des crit\u00e8res de d\u00e9cision omnibus.<\/p>\n3.3 D\u00e9tection syst\u00e9matique des valeurs aberrantes multivari\u00e9es<\/h3>\n Une observation individuelle peut tout \u00e0 fait se situer \u00e0 l’int\u00e9rieur des bornes d’acceptabilit\u00e9 univari\u00e9e sur chacune des variables d\u00e9pendantes (par exemple, \u00e0 1,5 \u00e9cart-type de la moyenne pour Y1 et \u00e0 1,8 \u00e9cart-type pour Y2) tout en constituant une valeur aberrante multivari\u00e9e extr\u00eame (multivariate outlier<\/em>) en raison de sa d\u00e9viation ph\u00e9nom\u00e9nale par rapport \u00e0 la structure de covariance conjointe du nuage de points. De tels vecteurs atypiques exercent un effet de levier d\u00e9mesur\u00e9 sur la matrice de dispersion Se<\/sub><\/strong>, artificiellement gonfl\u00e9e ou d\u00e9form\u00e9e, ce qui d\u00e9stabilise gravement le calcul du d\u00e9terminant matriciel et alt\u00e8re tant la significativit\u00e9 statistique que la direction des axes canoniques de s\u00e9paration.<\/p>\nLa m\u00e9thode de diagnostic de r\u00e9f\u00e9rence pour identifier ces observations excentriques repose sur le calcul de la distance de Mahalanobis<\/a> (D2<\/sup><\/em>). Cette m\u00e9trique quantifie l’\u00e9loignement spatial d’un vecteur de scores individuel yi<\/sub><\/strong> par rapport au vecteur centro\u00efde y\u0304<\/strong> des moyennes de l’\u00e9chantillon (ou du groupe d’appartenance), en standardisant la distance par l’inverse de la matrice de covariance \u00e9chantillonnale S<\/strong> :<\/p>\nD2<\/sup>i<\/sub><\/em> = (yi<\/sub><\/strong> – y\u0304<\/strong>)’ S<\/strong>-1<\/sup> (yi<\/sub><\/strong> – y\u0304<\/strong>)<\/p>\nSous l’hypoth\u00e8se de normalit\u00e9 multivari\u00e9e, la distance de Mahalanobis suit asymptotiquement une loi de probabilit\u00e9 du Chi-deux dont les degr\u00e9s de libert\u00e9 correspondent au nombre de variables d\u00e9pendantes : D2<\/sup><\/em> ∼ χ2<\/sup>(p<\/em>). Sous Stata, le calcul s’effectue couramment apr\u00e8s une mod\u00e9lisation par r\u00e9gression ou via des programmes d’\u00e9valuation de distances vectorielles, permettant d’extraire les valeurs de D2<\/sup><\/em> pour chaque sujet et de calculer la valeur p<\/em> associ\u00e9e avec la fonction chi2tail(p, D2)<\/code>. Conform\u00e9ment aux conventions m\u00e9thodologiques les plus rigoureuses de la psychologie acad\u00e9mique (Tabachnick & Fidell, 2019), une observation est formellement class\u00e9e comme valeur aberrante multivari\u00e9e si sa probabilit\u00e9 est inf\u00e9rieure au seuil ultra-conservateur de p<\/em> < 0,001.<\/p>\nL’\u00e9limination d’une observation aberrante ne doit jamais \u00eatre automatique ou dogmatique. Le chercheur doit inspecter minutieusement l’observation pour exclure une erreur d’encodage num\u00e9rique ou de saisie mat\u00e9rielle. Si l’observation repr\u00e9sente une valeur authentique issue d’un participant valide, il convient de proc\u00e9der \u00e0 une analyse de sensibilit\u00e9 : comparer les r\u00e9sultats de la MANOVA avec et sans l’observation litigieuse. Si les conclusions inf\u00e9rentielles fondamentales s’av\u00e8rent divergentes, les deux estimations doivent \u00eatre document\u00e9es en toute transparence dans le rapport de recherche.<\/p>\n
4. Proc\u00e9dure empirique de v\u00e9rification des hypoth\u00e8ses dans Stata<\/h2>\n4.1 Tests empiriques de la normalit\u00e9 univari\u00e9e et multivari\u00e9e<\/h3>\n L’\u00e9valuation empirique des postulats distributionnels dans Stata s’articule selon une s\u00e9quence m\u00e9thodique d\u00e9butant par le criblage univari\u00e9 des r\u00e9sidus avant de s’\u00e9tendre \u00e0 l’\u00e9valuation conjointe multivari\u00e9e. Pour examiner la normalit\u00e9 univari\u00e9e de chaque variable d\u00e9pendante au sein de chaque strate exp\u00e9rimentale, on recourt classiquement aux tests de Shapiro-Wilk et de Shapiro-Francia, impl\u00e9ment\u00e9s respectivement via les commandes swilk<\/code> et sfrancia<\/code>. La commande by groupe: swilk y1 y2 y3<\/code> permet de v\u00e9rifier de mani\u00e8re concise si les sous-populations pr\u00e9sentent des distributions conformes \u00e0 la loi normale univari\u00e9e. N\u00e9anmoins, en pr\u00e9sence de grands \u00e9chantillons, ces tests formels deviennent hypersensibles \u00e0 des d\u00e9viations minuscules et th\u00e9oriquement insignifiantes, ce qui rend indispensable une corroboration visuelle par des diagrammes quantile-quantile (qnorm<\/code>) ou des trac\u00e9s de densit\u00e9 par noyau (kdensity<\/code>).<\/p>\nPour statuer formellement sur la normalit\u00e9 conjointe multivari\u00e9e au niveau de l’\u00e9chantillon global ou conditionnellement aux groupes, Stata dispose d’une suite d\u00e9di\u00e9e au sein de la commande mvtest<\/code>. La syntaxe canonique est la suivante :<\/p>\nmvtest normality y1 y2 y3, all<\/code><\/p>\nCette instruction puissante calcule et affiche simultan\u00e9ment trois crit\u00e8res multivari\u00e9s fondamentaux : le test de Mardia pour l’asym\u00e9trie multivari\u00e9e (skewness<\/em>), le test de Mardia pour l’aplatissement multivari\u00e9 (kurtosis<\/em>), ainsi que le test omnibus de Doornik-Hansen. Le coefficient d’asym\u00e9trie de Mardia \u00e9value la sym\u00e9trie tridimensionnelle du nuage de points et suit asymptotiquement une loi du χ2<\/sup>, tandis que le coefficient d’aplatissement de Mardia suit asymptotiquement une loi normale centr\u00e9e r\u00e9duite N<\/em>(0,1). Le test de Doornik-Hansen, particuli\u00e8rement recommand\u00e9 pour ses propri\u00e9t\u00e9s de puissance dans les \u00e9chantillons de taille moyenne, transforme les coefficients de sym\u00e9trie et d’aplatissement en variables gaussiennes corr\u00e9l\u00e9es avant de combiner leurs statistiques en une d\u00e9viation globale distribu\u00e9e selon le χ2<\/sup>. L’obtention d’une valeur de p<\/em> > 0,05 sur ces statistiques permet de retenir l’hypoth\u00e8se de normalit\u00e9 multivari\u00e9e.<\/p>\n4.2 \u00c9valuation formelle de l’homog\u00e9n\u00e9it\u00e9 des covariances<\/h3>\n Le contr\u00f4le de l’homoscolasticit\u00e9 multivari\u00e9e s’effectue sous Stata gr\u00e2ce \u00e0 l’impl\u00e9mentation native du test M<\/em> de Box au sein de la suite multivari\u00e9e. La commande prend la forme :<\/p>\nmvtest covariances y1 y2 y3, by(groupe)<\/code><\/p>\nCette proc\u00e9dure calcule la matrice de covariance \u00e9chantillonnale propre \u00e0 chaque niveau du facteur cat\u00e9goriel groupe<\/code>, calcule leurs d\u00e9terminants respectifs, et synth\u00e9tise l’\u00e9cart global d’homog\u00e9n\u00e9it\u00e9 sous la statistique M<\/em> de Box, laquelle est transform\u00e9e par l’algorithme de Stata en une approximation F<\/em> de Fisher particuli\u00e8rement pr\u00e9cise. Compte tenu de l’extr\u00eame sensibilit\u00e9 du test de Box aux moindres \u00e9carts \u00e0 la normalit\u00e9 conjointe, la litt\u00e9rature m\u00e9thodologique sp\u00e9cialis\u00e9e recommande d’adopter un seuil alpha ajust\u00e9 et conservateur fix\u00e9 \u00e0 α = 0,001<\/strong> au lieu du seuil traditionnel de 0,05. Ainsi, une violation de l’homoscolasticit\u00e9 ne sera d\u00e9clar\u00e9e statistiquement significative et pr\u00e9occupante que si la valeur p<\/em> r\u00e9sultante est strictement inf\u00e9rieure \u00e0 0,001.<\/p>\nEn compl\u00e9ment indispensable du test de Box, le chercheur doit analyser l’\u00e9galit\u00e9 des variances univari\u00e9es pour chaque variable d\u00e9pendante au moyen du test de Levene ou du test de Brown-Forsythe, accessible via la commande robvar y1, by(groupe)<\/code>. En cas de violation mod\u00e9r\u00e9e du test de Box (0,001 < p<\/em> < 0,05), il est recommand\u00e9 de proc\u00e9der \u00e0 une inspection visuelle crois\u00e9e des d\u00e9terminants des matrices de covariance par groupe. Des d\u00e9terminants de magnitude comparable sugg\u00e8rent une divergence g\u00e9om\u00e9trique b\u00e9nigne, autorisant la poursuite de l’analyse multivari\u00e9e sous r\u00e9serve de privil\u00e9gier des statistiques de test robustes.<\/p>\n4.3 Diagnostic graphique de la lin\u00e9arit\u00e9 et des intercorr\u00e9lations<\/h3>\n L’examen pr\u00e9alable de la structure des intercorr\u00e9lations et de la lin\u00e9arit\u00e9 des associations bivari\u00e9es se r\u00e9alise id\u00e9alement par une approche mixte, combinant coefficients param\u00e9triques et cartographie graphique. La premi\u00e8re \u00e9tape consiste \u00e0 g\u00e9n\u00e9rer la matrice des corr\u00e9lations de Pearson entre l’ensemble des variables d\u00e9pendantes candidates en ex\u00e9cutant la commande correlate y1 y2 y3<\/code>, \u00e9ventuellement enrichie des niveaux de significativit\u00e9 univari\u00e9s via pwcorr y1 y2 y3, sig<\/code>.<\/p>\nPour \u00e9carter formellement tout risque de colin\u00e9arit\u00e9 excessive ou de singularit\u00e9 matricielle, le statisticien v\u00e9rifie que le d\u00e9terminant de la matrice de corr\u00e9lation R<\/strong> est substantiellement \u00e9loign\u00e9 de z\u00e9ro. Ce calcul matriciel peut \u00eatre ex\u00e9cut\u00e9 de fa\u00e7on interactive dans l’environnement de programmation matricielle Mata de Stata en extrayant la matrice et en sollicitant la fonction de d\u00e9terminant det()<\/code>.<\/p>\nL’exploration des postulats de lin\u00e9arit\u00e9 requiert une repr\u00e9sentation visuelle sous la forme d’une matrice de diagrammes de dispersion crois\u00e9s. Sous Stata, la commande graph matrix<\/code> offre une polyvalence graphique exceptionnelle :<\/p>\ngraph matrix y1 y2 y3, by(groupe) half<\/code><\/p>\nL’utilisation de l’option half<\/code> permet de restreindre l’affichage au triangle inf\u00e9rieur de la matrice, all\u00e9geant la charge cognitive visuelle en \u00e9liminant les graphiques redondants sym\u00e9triques. Pour d\u00e9celer d’\u00e9ventuelles relations non lin\u00e9aires, il est hautement profitable d’ajuster des courbes de lissage non param\u00e9trique localement pond\u00e9r\u00e9es (lowess smoothing<\/em>) sur les nuages de points bivari\u00e9s. Toute inflexion prononc\u00e9e ou forme en U invers\u00e9 sur ces courbes trahirait une violation de la lin\u00e9arit\u00e9, signalant la n\u00e9cessit\u00e9 d’une transformation pr\u00e9alable des \u00e9chelles ou d’une re-sp\u00e9cification du mod\u00e8le th\u00e9orique.<\/p>\n5. Syntaxe fondamentale et options de la commande manova dans Stata<\/h2>\n5.1 Structure g\u00e9n\u00e9rale de l’instruction manova<\/h3>\n Dans l’\u00e9cosyst\u00e8me analytique de Stata, l’instruction manova<\/code> constitue la commande ma\u00eetresse pour l’ajustement du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 multivari\u00e9. Sa sp\u00e9cification syntaxique canonique respecte une structure d’une grande limpidit\u00e9 logique :<\/p>\nmanova depvars = factorlist [if] [in] [weight] [, options]<\/code><\/p>\nDans cette formulation, le terme depvars<\/code> d\u00e9signe la liste ordonn\u00e9e des p<\/em> variables d\u00e9pendantes continues qui constituent le vecteur conjoint des r\u00e9ponses (par exemple depvars : anxi\u00e9t\u00e9 d\u00e9pression somatisation<\/code>). Le signe d’\u00e9galit\u00e9 s\u00e9pare formellement le vecteur des r\u00e9ponses de la liste des variables explicatives factorlist<\/code>. Stata int\u00e8gre pleinement le syst\u00e8me de notation des facteurs de variables (factor variables<\/em>) introduit pour la premi\u00e8re fois avec Stata 11. D\u00e8s lors, il est imp\u00e9ratif de pr\u00e9fixer les variables cat\u00e9gorielles par l’op\u00e9rateur i.<\/code> (par exemple i.groupe<\/code>) pour signifier explicitement au processeur syntaxique que la variable doit \u00eatre trait\u00e9e comme un facteur discret \u00e0 plusieurs modalit\u00e9s, g\u00e9n\u00e9rant automatiquement les variables indicatrices internes correspondantes.<\/p>\n\u00c0 l’inverse, si des pr\u00e9dicteurs continus ou des covariables de contr\u00f4le sont int\u00e9gr\u00e9s dans l’\u00e9quation pour concevoir une analyse de covariance multivari\u00e9e (MANCOVA), ceux-ci doivent \u00eatre explicitement pr\u00e9fix\u00e9s par l’op\u00e9rateur c.<\/code> (par exemple c.age<\/code>). L’omission de ces op\u00e9rateurs de notation factorielle est l’une des erreurs les plus fr\u00e9quentes en programmation Stata, induisant des erreurs de param\u00e9trisation ou un traitement erron\u00e9 d’une variable qualitative polytomique comme une r\u00e9gression lin\u00e9aire simple sur ses codes num\u00e9riques arbitraires.<\/p>\n5.2 Mod\u00e9lisation d’une MANOVA \u00e0 un facteur fixe<\/h3>\n Consid\u00e9rons un protocole de recherche classique en neuropsychologie clinique dans lequel trois groupes d’individus distincts (groupe<\/code> : 1 = T\u00e9moins sains, 2 = Traumatis\u00e9s cr\u00e2niens l\u00e9gers, 3 = Traumatis\u00e9s cr\u00e2niens mod\u00e9r\u00e9s \u00e0 s\u00e9v\u00e8res) sont compar\u00e9s simultan\u00e9ment sur trois mesures de performances cognitives : le score d’inhibition ex\u00e9cutive (inhibition<\/code>), la vitesse de traitement de l’information (vitesse<\/code>) et la capacit\u00e9 de rappel mn\u00e9sique diff\u00e9r\u00e9 (memoire<\/code>). La syntaxe de base pour ajuster ce mod\u00e8le multivari\u00e9 \u00e0 un facteur fixe s’\u00e9nonce comme suit :<\/p>\nmanova inhibition vitesse memoire = i.groupe<\/code><\/p>\nMANOVA example in Stata<\/figcaption><\/figure>\nD\u00e8s l’ex\u00e9cution de cette commande, Stata calcule les projections matricielles et produit instantan\u00e9ment une table d’estimation multivari\u00e9e structur\u00e9e. Cette sortie pr\u00e9sente le d\u00e9compte rigoureux des observations analys\u00e9es, le rang de la matrice du mod\u00e8le, ainsi que la d\u00e9composition fondamentale des degr\u00e9s de libert\u00e9. Les degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 l’effet de groupe correspondent \u00e0 k – 1<\/em> (soit 3 – 1 = 2 dl), tandis que les degr\u00e9s de libert\u00e9 r\u00e9siduels multivari\u00e9s sont donn\u00e9s par N – k<\/em> (pour un \u00e9chantillon total de N<\/em> = 150 participants r\u00e9partis \u00e9galement, les degr\u00e9s de libert\u00e9 r\u00e9siduels s’\u00e9l\u00e8vent \u00e0 150 – 3 = 147 dl).<\/p>\nIl est vivement conseill\u00e9 de conserver imm\u00e9diatement en m\u00e9moire syst\u00e8me l’ensemble de la structure d’estimation r\u00e9sultante afin de faciliter l’ex\u00e9cution de tests post-estimation ult\u00e9rieurs sans avoir \u00e0 recalculer le mod\u00e8le complet. Cette sauvegarde s’op\u00e8re via la commande :<\/p>\n
estimates store modele_manova1<\/code><\/p>\nCette pr\u00e9caution computationnelle permet de rappeler \u00e0 tout moment le mod\u00e8le estim\u00e9 \u00e0 l’aide de l’instruction estimates restore modele_manova1<\/code>, optimisant les flux de travail lors de scripts d’analyse volumineux.<\/p>\n5.3 Options avanc\u00e9es de sp\u00e9cification du terme d’erreur<\/h3>\n Par d\u00e9faut, l’instruction manova<\/code> de Stata utilise la matrice de sommes des carr\u00e9s et des produits crois\u00e9s des r\u00e9sidus standards (la matrice E<\/strong> intracellulaire globale) comme d\u00e9nominateur d’erreur pour tester l’ensemble des effets du mod\u00e8le exp\u00e9rimental. Toutefois, dans les devis exp\u00e9rimentaux complexes tels que les plans hi\u00e9rarchis\u00e9s (nested designs<\/em>), les plans \u00e0 parcelles subdivis\u00e9es (split-plot designs<\/em>) ou les \u00e9tudes int\u00e9grant des facteurs al\u00e9atoires et des mesures partiellement r\u00e9p\u00e9t\u00e9es, l’utilisation de l’erreur r\u00e9siduelle standard est statistiquement invalide et entra\u00eene une inflation majeure des erreurs d’inf\u00e9rence.<\/p>\nStata permet de red\u00e9finir avec une flexibilit\u00e9 chirurgicale les termes d’erreur appropri\u00e9s en utilisant la barre oblique de fractionnement (\/<\/code>) dans la sp\u00e9cification du mod\u00e8le exp\u00e9rimental. Par exemple, si des participants sont embo\u00eet\u00e9s au sein de diff\u00e9rentes cliniques th\u00e9rapeutiques dans un plan hi\u00e9rarchis\u00e9 multivari\u00e9, le mod\u00e8le s’\u00e9crira :<\/p>\nmanova y1 y2 y3 = ecole \/ classe|ecole<\/code><\/p>\nDans cette mod\u00e9lisation sophistiqu\u00e9e, l’effet du facteur de plus haut niveau (ecole<\/code>) n’est plus test\u00e9 contre le r\u00e9sidu individuel global, mais sp\u00e9cifiquement contre la matrice de sommes des carr\u00e9s et des produits crois\u00e9s associ\u00e9e \u00e0 la variabilit\u00e9 des classes embo\u00eet\u00e9es dans les \u00e9coles (classe|ecole<\/code>). Cette syntaxe permet d’extraire des tests F<\/em> multivari\u00e9s rigoureusement calibr\u00e9s pour les structures de donn\u00e9es hi\u00e9rarchiques, \u00e9vitant les biais inh\u00e9rents \u00e0 l’agr\u00e9gation non contr\u00f4l\u00e9e des unit\u00e9s d’\u00e9chantillonnage.<\/p>\nPar ailleurs, le chercheur peut interroger directement les matrices internes produites par l’algorithme apr\u00e8s l’estimation multivari\u00e9e. La commande matrix list e(SSCP_W)<\/code> renvoie la matrice de sommes des carr\u00e9s et produits crois\u00e9s d’erreur r\u00e9siduelle (E<\/strong>), tandis que la commande matrix list e(SSCP_b)<\/code> restitue la matrice d’hypoth\u00e8se (H<\/strong>). Cette transparence matricielle permet aux m\u00e9thodologistes d’examiner avec pr\u00e9cision les valeurs num\u00e9riques diagonales et extradiagonales pr\u00e9sidant aux tests d’hypoth\u00e8ses omnibus.<\/p>\n6. Interpr\u00e9tation exhaustive des quatre statistiques multivari\u00e9es<\/h2>\n6.1 Le Lambda de Wilks (Wilks’ Λ)<\/h3>\n La sortie standard g\u00e9n\u00e9r\u00e9e par la commande manova<\/code> sous Stata ne se limite pas \u00e0 un test unique, mais expose simultan\u00e9ment quatre crit\u00e8res statistiques multivari\u00e9s traditionnels, dont le plus c\u00e9l\u00e8bre et universellement rapport\u00e9 demeure le Lambda de Wilks (Λ). Sur le plan math\u00e9matique, le Lambda de Wilks est d\u00e9fini comme le rapport entre le d\u00e9terminant de la matrice des sommes des carr\u00e9s et produits crois\u00e9s de l’erreur (E<\/strong>) et le d\u00e9terminant de la matrice totale (H + E<\/strong>) :<\/p>\nΛ = |E<\/strong>| \/ |H + E<\/strong>| = ∏i=1<\/sub>s<\/sup> [ 1 \/ (1 + λi<\/sub>) ]<\/p>\no\u00f9 λi<\/sub> repr\u00e9sente la i<\/em>-\u00e8me valeur propre (eigenvalue<\/em>) non nulle de la matrice produit E-1<\/sup>H<\/strong>, et s<\/em> = min(p<\/em>, df
![\"MANOVA](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/manovaStata2.png\")