{"id":3849,"date":"2026-10-14T18:01:07","date_gmt":"2026-10-14T18:01:07","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-analyser-les-residus-modele-anova\/"},"modified":"2026-10-14T18:01:07","modified_gmt":"2026-10-14T18:01:07","slug":"comment-analyser-les-residus-modele-anova","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-analyser-les-residus-modele-anova","title":{"rendered":"Comment analyser les r\u00e9sidus dans un mod\u00e8le ANOVA"},"content":{"rendered":"

L’analyse de variance (ANOVA<\/a>) constitue l’un des piliers m\u00e9thodologiques les plus largement mobilis\u00e9s en psychologie, en sciences cognitives, en m\u00e9decine computationnelle et dans l’ensemble des sciences du comportement. D\u00e9velopp\u00e9e originellement par Sir Ronald Fisher, cette technique inf\u00e9rentielle permet d’\u00e9valuer l’effet de facteurs cat\u00e9goriels sur une variable d\u00e9pendante continue en d\u00e9composant la variance totale observ\u00e9e en composantes attribuables au traitement et en composantes relevant de la variabilit\u00e9 non expliqu\u00e9e. Cependant, l’\u00e9l\u00e9gance formelle du test F<\/em> de Fisher repose sur un ensemble d’hypoth\u00e8ses distributionnelles strictes qui gouvernent le comportement du terme d’erreur stochastique. Trop souvent rel\u00e9gu\u00e9e au rang de formalit\u00e9 m\u00e9canique ou \u00e9lud\u00e9e au profit d’un examen direct et superficiel des donn\u00e9es brutes, l’analyse diagnostique des r\u00e9sidus constitue pourtant la v\u00e9ritable cl\u00e9 de vo\u00fbte de la validit\u00e9 statistique des conclusions exp\u00e9rimentales.<\/p>\n

Dans la pratique contemporaine de la recherche, guid\u00e9e par les standards m\u00e9thodologiques croissants de l’American Psychological Association<\/em> (APA) et le mouvement pour la science ouverte et reproductible, consid\u00e9rer le mod\u00e8le lin\u00e9aire sous sa seule forme param\u00e9trique globale expose le chercheur \u00e0 des risques majeurs de biais inf\u00e9rentiels. Des distorsions graves dans les taux d’erreur de premi\u00e8re esp\u00e8ce (α) et de seconde esp\u00e8ce (β), ainsi que des surestimations ou sous-estimations substantielles de la taille d’effet, \u00e9mergent fr\u00e9quemment d\u00e8s lors que les postulats th\u00e9oriques sont transgress\u00e9s. Le mod\u00e8le ANOVA n’\u00e9value pas directement la distribution globale de la variable r\u00e9ponse agr\u00e9g\u00e9e sur tous les groupes, mais plut\u00f4t les \u00e9carts individuels autour des moyennes conditionnelles associ\u00e9es \u00e0 chaque modalit\u00e9 factorielle.<\/p>\n

Ce guide exhaustif a pour ambition de fournir aux chercheurs, doctorants et analystes de donn\u00e9es un cadre conceptuel rigoureux et une feuille de route op\u00e9rationnelle pour inspecter, diagnostiquer et traiter les r\u00e9sidus d’un mod\u00e8le ANOVA univari\u00e9, factoriel ou \u00e0 mesures r\u00e9p\u00e9t\u00e9es. En explorant successivement les fondements math\u00e9matiques, les proc\u00e9dures de calcul, les approches graphiques et inf\u00e9rentielles de la normalit\u00e9, de l’homosc\u00e9dasticit\u00e9 et de l’ind\u00e9pendance, ainsi que les alternatives robustes et modernes face aux d\u00e9viations observ\u00e9es, cet article propose une synth\u00e8se approfondie conjuguant rigueur \u00e9pist\u00e9mologique et pertinence appliqu\u00e9e.<\/p>\n

1. Fondements th\u00e9oriques des r\u00e9sidus dans le mod\u00e8le ANOVA<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et conceptuelle du r\u00e9sidu<\/h3>\n

D’un point de vue formel, le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral appliqu\u00e9 \u00e0 l’analyse de variance \u00e0 un facteur s’exprime traditionnellement sous la forme de l’\u00e9quation :<\/p>\n

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

o\u00f9 Yij<\/sub><\/em> repr\u00e9sente le score individuel de l’observation i<\/em> au sein de la condition exp\u00e9rimentale j<\/em>, μ<\/em> d\u00e9signe la moyenne g\u00e9n\u00e9rale non pond\u00e9r\u00e9e de l’\u00e9chantillon ou de la population, αj<\/sub><\/em> mat\u00e9rialise l’effet sp\u00e9cifique du niveau j<\/em> du facteur exp\u00e9rimental (satisfaisant \u00e0 la contrainte d’identifiabilit\u00e9 habituelle selon laquelle la somme des αj<\/sub><\/em> est nulle), et εij<\/sub><\/em> symbolise l’erreur al\u00e9atoire th\u00e9orique non observable. Cette formulation peut \u00eatre r\u00e9\u00e9crite de fa\u00e7on \u00e9quivalente sous la forme du mod\u00e8le par moyennes de cellules, o\u00f9 μj<\/sub> = μ + αj<\/sub><\/em> incarne la moyenne conditionnelle de la modalit\u00e9 j<\/em>.<\/p>\n

Dans ce formalisme, le terme th\u00e9orique d’erreur stochastique εij<\/sub> = Yij<\/sub> – μj<\/sub><\/em> est une variable latente suppos\u00e9e r\u00e9sumer la multitude des d\u00e9terminants non contr\u00f4l\u00e9s agissant sur la mesure. Le r\u00e9sidu empirique, d\u00e9sign\u00e9 par eij<\/sub><\/em>, constitue l’estimateur par \u00e9chantillonnage de cette perturbation latente. Il est calcul\u00e9 en soustrayant du score observ\u00e9 Yij<\/sub><\/em> l’estimation de la moyenne du groupe, not\u00e9e ŷij<\/sub> = Ȳ.j<\/sub><\/em>. Le r\u00e9sidu repr\u00e9sente par cons\u00e9quent la composante de variance intra-groupe (erreur r\u00e9siduelle) isol\u00e9e de toute influence imputable aux variables ind\u00e9pendantes manipul\u00e9es. C’est pr\u00e9cis\u00e9ment sur cette grandeur que se cristallisent l’ensemble des postulats math\u00e9matiques autorisant la d\u00e9rivation exacte de la distribution F<\/em> de Fisher-Snedecor.<\/p>\n

1.2 R\u00f4le des r\u00e9sidus dans la validation des postulats du mod\u00e8le lin\u00e9aire<\/h3>\n

La validit\u00e9 des tests de signification statistiques construits sur la somme des carr\u00e9s d\u00e9pend intimement du th\u00e9or\u00e8me de Gauss-Markov et de la th\u00e9orie de la normalit\u00e9 asymptotique. Les conclusions statistiques tir\u00e9es d’une ANOVA reposent sur trois postulats capitaux : l’ind\u00e9pendance s\u00e9rielle et spatiale des erreurs, l’homog\u00e9n\u00e9it\u00e9 des variances conditionnelles (homosc\u00e9dasticit\u00e9) et la normalit\u00e9 de leur distribution. Lorsque ces conditions sont satisfaites, l’estimateur des moindres carr\u00e9s ordinaires (MCO) est le meilleur estimateur lin\u00e9aire non biais\u00e9 (BLUE<\/a>), et les ratios de variance suivent exactement une distribution F<\/em> sous l’hypoth\u00e8se nulle.<\/p>\n

Une confusion r\u00e9currente parmi les praticiens consiste \u00e0 v\u00e9rifier la normalit\u00e9 ou l’absence d’asym\u00e9trie sur la variable d\u00e9pendante globale sans tenir compte de la structure factorielle. Si les moyennes de groupes sont tr\u00e8s dissemblables, la variable d\u00e9pendante globale pr\u00e9sentera une distribution multimodale ou asym\u00e9trique, quand bien m\u00eame les erreurs au sein de chaque groupe seraient parfaitement gaussiennes et homosc\u00e9dastiques. L’analyse diagnostique moderne op\u00e8re un d\u00e9centrement m\u00e9thodologique indispensable : elle quitte l’examen superficiel des variables marginales pour se focaliser exclusivement sur le comportement des erreurs de pr\u00e9diction conditionnelles, c’est-\u00e0-dire les r\u00e9sidus. Ce n’est qu’en inspectant la structure fine des r\u00e9sidus que l’analyste peut s’assurer que le mod\u00e8le ne souffre pas de sous-sp\u00e9cification ou de violations distributives invalidant la m\u00e9trique inf\u00e9rentielle.<\/p>\n

1.3 Sp\u00e9cificit\u00e9s des r\u00e9sidus en recherche psychologique et comportementale<\/h3>\n

Les donn\u00e9es collig\u00e9es dans le champ des sciences comportementales, cognitives et cliniques poss\u00e8dent des propri\u00e9t\u00e9s particuli\u00e8res qui augmentent la probabilit\u00e9 d’irr\u00e9gularit\u00e9s r\u00e9siduelles. Les variables psychom\u00e9triques (\u00e9chelles d’anxi\u00e9t\u00e9, inventaires de personnalit\u00e9, indices de d\u00e9pression de Beck) sont souvent construites sur des \u00e9chelles discr\u00e8tes ou de type Likert, introduisant par nature une granularit\u00e9 et des effets de plancher ou de plafond susceptibles d’alt\u00e9rer la normalit\u00e9 des erreurs. De plus, les donn\u00e9es chronom\u00e9triques (temps de r\u00e9action en millisecondes dans les paradigmes d’inhibition cognitive ou d’amor\u00e7age s\u00e9mantique) exhibent quasi-syst\u00e9matiquement des distributions fortement asym\u00e9triques positives, engendrant des r\u00e9sidus \u00e9tir\u00e9s vers les valeurs \u00e9lev\u00e9es.<\/p>\n

Le bruit de mesure en recherche comportementale est \u00e9galement aliment\u00e9 par la fluctuation attentionnelle des sujets, les erreurs de consigne, la fatigue exp\u00e9rimentale et une forte h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interindividuelle constitutive de la complexit\u00e9 psychologique. Ces sources de variance non contr\u00f4l\u00e9es s’agglom\u00e8rent directement au sein des r\u00e9sidus. D\u00e8s lors, analyser rigoureusement les r\u00e9sidus en psychologie exp\u00e9rimentale n’est pas uniquement un imp\u00e9ratif d’ajustement math\u00e9matique : c’est un outil heuristique majeur. Un r\u00e9sidu anormalement \u00e9lev\u00e9 ne refl\u00e8te pas simplement une d\u00e9faillance de distribution, il peut signaler une strat\u00e9gie cognitive atypique chez un participant, une incompr\u00e9hension de la t\u00e2che ou la pr\u00e9sence d’un sous-groupe psychopathologique m\u00e9connu au sein de l’\u00e9chantillon.<\/p>\n

2. Calcul et typologie des r\u00e9sidus en ANOVA<\/h2>\n

2.1 Proc\u00e9dure de calcul manuel des r\u00e9sidus bruts<\/h3>\n

Le calcul des r\u00e9sidus bruts au sein d’une ANOVA \u00e0 un facteur repose sur une arithm\u00e9tique simple mais exigeante quant \u00e0 sa coh\u00e9rence conceptuelle. Consid\u00e9rons une exp\u00e9rience psychologique comportant trois conditions th\u00e9rapeutiques distinctes (par exemple : Groupe Contr\u00f4le Liste d’attente, Groupe Th\u00e9rapie Cognitivo-Comportementale, Groupe M\u00e9ditation de Pleine Conscience) con\u00e7ue pour moduler un score de d\u00e9tresse psychologique. Soit Yij<\/sub><\/em> le score obtenu par l’individu i<\/em> appartenant au groupe j<\/em>. La premi\u00e8re \u00e9tape consiste \u00e0 d\u00e9terminer avec pr\u00e9cision la moyenne empirique de chaque cellule exp\u00e9rimentale :<\/p>\n

Ȳ.j<\/sub> = (1 \/ nj<\/sub>) ∑i=1<\/sub>nj<\/sub><\/sup> Yij<\/sub><\/em><\/p>\n

Une fois ces moyennes de sous-groupes obtenues, le r\u00e9sidu brut associ\u00e9 \u00e0 chaque observation individuelle est g\u00e9n\u00e9r\u00e9 par soustraction directe :<\/p>\n

eij<\/sub> = Yij<\/sub> – Ȳ.j<\/sub><\/em><\/p>\n

Une propri\u00e9t\u00e9 alg\u00e9brique fondamentale de l’estimation par les moindres carr\u00e9s ordinaires r\u00e9side dans le fait que la somme alg\u00e9brique des r\u00e9sidus au sein de chaque niveau de traitement est strictement \u00e9gale \u00e0 z\u00e9ro :<\/p>\n

∑i=1<\/sub>nj<\/sub><\/sup> eij<\/sub> = ∑i=1<\/sub>nj<\/sub><\/sup> (Yij<\/sub> – Ȳ.j<\/sub>) = ∑ Yij<\/sub> – nj<\/sub> Ȳ.j<\/sub> = 0<\/em><\/p>\n

Par voie de cons\u00e9quence, la somme totale des r\u00e9sidus sur l’ensemble de l’exp\u00e9rience est \u00e9galement nulle. Cette propri\u00e9t\u00e9 d\u00e9montre que le r\u00e9sidu brut est centr\u00e9 sur z\u00e9ro au sein de chaque groupe. La variance de ces r\u00e9sidus bruts fournit l’estimateur de la variance d’erreur intra-groupe, couramment d\u00e9nomm\u00e9e carr\u00e9 moyen r\u00e9siduel (CMR<\/em> ou MSerror<\/sub><\/em>), qui servira de d\u00e9nominateur au test F<\/em>.<\/p>\n

2.2 R\u00e9sidus standardis\u00e9s et r\u00e9sidus studentis\u00e9s<\/h3>\n

Bien que les r\u00e9sidus bruts fournissent une mesure directe de l’\u00e9cart dans l’unit\u00e9 originale de la variable d\u00e9pendante, ils pr\u00e9sentent une limite m\u00e9thodologique s\u00e9v\u00e8re : leur amplitude d\u00e9pend intrins\u00e8quement de l’\u00e9chelle de mesure employ\u00e9e, ce qui interdit toute comparaison objective entre des instruments psychom\u00e9triques diff\u00e9rents ou entre des mod\u00e8les distincts. Pour surmonter cet obstacle, la statistique inf\u00e9rentielle recourt \u00e0 la standardisation et \u00e0 la studentisation des erreurs.<\/p>\n

Le r\u00e9sidu standardis\u00e9 (ou r\u00e9sidu semi-\u00e9tudiantis\u00e9) est obtenu en divisant le r\u00e9sidu brut par la racine carr\u00e9e du carr\u00e9 moyen de l’erreur du mod\u00e8le global :<\/p>\n

zij<\/sub> = eij<\/sub> \/ √(CMR)<\/em><\/p>\n

Cependant, cette standardisation \u00e9l\u00e9mentaire n\u00e9glige le fait que les r\u00e9sidus n’ont pas tous la m\u00eame variance th\u00e9orique lorsque la matrice de projection orthogonale (la matrice chapeau ou hat matrix<\/em>, H<\/em>) est prise en compte. En ANOVA, l’\u00e9l\u00e9ment diagonal de cette matrice pour l’individu i<\/em> dans le groupe j<\/em> est exactement hii<\/sub> = 1 \/ nj<\/sub><\/em>. Les r\u00e9sidus des observations issues de groupes de petite taille poss\u00e8dent donc une variance d’\u00e9chantillonnage intrins\u00e8quement diff\u00e9rente de ceux issus de groupes volumineux. Le r\u00e9sidu studentis\u00e9 interne corrige cette disparit\u00e9 en divisant l’\u00e9cart brut par son \u00e9cart-type d’\u00e9chantillonnage th\u00e9orique exact :<\/p>\n

rij<\/sub> = eij<\/sub> \/ [ √(CMR) × √(1 – hii<\/sub>) ] = eij<\/sub> \/ [ √(CMR) × √(1 – 1\/nj<\/sub>) ]<\/em><\/p>\n

Plus puissant encore pour l’identification des valeurs atypiques, le r\u00e9sidu studentis\u00e9 externe (souvent qualifi\u00e9 de r\u00e9sidu supprim\u00e9 ou jackknifed residual<\/em>, not\u00e9 tij<\/sub><\/em>) recalcule la variance d’erreur r\u00e9siduelle en excluant express\u00e9ment la i<\/em>-\u00e8me observation du mod\u00e8le. Si une valeur aberrante contamine le calcul global du CMR<\/em>, le r\u00e9sidu studentis\u00e9 externe \u00e9limine cette contamination et r\u00e9v\u00e8le l’ampleur v\u00e9ritable de l’anomalie. Ces r\u00e9sidus suivent rigoureusement une loi de Student \u00e0 (N – k – 1)<\/em> degr\u00e9s de libert\u00e9, permettant l’\u00e9tablissement de seuils inf\u00e9rentiels pr\u00e9cis pour la d\u00e9tection des d\u00e9viations extr\u00eames.<\/p>\n

2.3 Extraction programmatique des r\u00e9sidus via les logiciels statistiques<\/h3>\n

Dans l’environnement de calcul statistique R<\/a>, l’extraction des r\u00e9sidus s’articule autour de l’ajustement pr\u00e9alable d’un objet lin\u00e9aire g\u00e9n\u00e9r\u00e9 par les fonctions de mod\u00e9lisation standard. Apr\u00e8s avoir d\u00e9clar\u00e9 un mod\u00e8le univari\u00e9 par le biais de la syntaxe fondamentale reliant la variable d\u00e9pendante au facteur cat\u00e9goriel, l’analyste peut invoquer la fonction residuals()<\/em> pour obtenir les r\u00e9sidus bruts, la fonction rstandard()<\/em> pour isoler les r\u00e9sidus standardis\u00e9s selon la matrice chapeau, et la fonction rstudent()<\/em> pour d\u00e9river les r\u00e9sidus studentis\u00e9s externes. L’extraction de ces vecteurs permet leur int\u00e9gration imm\u00e9diate au sein du jeu de donn\u00e9es principal sous la forme de nouvelles colonnes d\u00e9di\u00e9es \u00e0 la validation visuelle et inf\u00e9rentielle.<\/p>\n

Au sein de l’\u00e9cosyst\u00e8me commercial IBM SPSS Statistics, l’acc\u00e8s \u00e0 ces diagnostics s’op\u00e8re majoritairement par le module du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral Univari\u00e9 ou par la proc\u00e9dure de r\u00e9gression lin\u00e9aire. Dans la bo\u00eete de dialogue d\u00e9di\u00e9e \u00e0 l’enregistrement des variables diagnostiques, l’utilisateur a la facult\u00e9 de cocher s\u00e9lectivement la sauvegarde des r\u00e9sidus non standardis\u00e9s, standardis\u00e9s et studentis\u00e9s, ainsi que des indices d’influence tels que la distance de Cook. SPSS g\u00e9n\u00e8re alors automatiquement de nouvelles variables standardis\u00e9es nomm\u00e9es par d\u00e9faut avec des pr\u00e9fixes identifiables dans la vue des donn\u00e9es, permettant la manipulation subs\u00e9quente dans les menus de graphiques interactifs.<\/p>\n

Dans l’univers Python, l’extraction repose principalement sur la biblioth\u00e8que sp\u00e9cialis\u00e9e statsmodels<\/em> conjointement avec scipy.stats<\/em>. Suite \u00e0 la d\u00e9claration de la formule d’ANOVA et \u00e0 l’application de la m\u00e9thode d’ajustement aux moindres carr\u00e9s ordinaires, l’objet r\u00e9sultant expose des attributs directs renfermant les r\u00e9sidus bruts. L’instanciation de la classe consacr\u00e9e \u00e0 l’analyse de l’influence fournit quant \u00e0 elle des m\u00e9thodes vectoris\u00e9es retournant les r\u00e9sidus studentis\u00e9s externes et les r\u00e9sidus standardis\u00e9s sous forme de s\u00e9ries exploitables par les biblioth\u00e8ques graphiques de haut niveau.<\/p>\n

3. \u00c9valuation de l’hypoth\u00e8se de normalit\u00e9 des r\u00e9sidus<\/h2>\n

3.1 Fondements de l’hypoth\u00e8se de normalit\u00e9 distributionnelle<\/h3>\n

L’inf\u00e9rence classique de l’ANOVA s’enracine dans la d\u00e9rivation du ratio de variance sous l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 des moyennes. Pour que le rapport entre le carr\u00e9 moyen inter-groupes (MSbetween<\/sub><\/em>) et le carr\u00e9 moyen intra-groupes (MSwithin<\/sub><\/em>) suive avec exactitude une distribution de probabilit\u00e9 F<\/em> de Fisher-Snedecor, il est rigoureusement requis que les sommes de carr\u00e9s constituantes soient distribu\u00e9es selon des lois du Chi-deux ind\u00e9pendantes. Cette propri\u00e9t\u00e9 math\u00e9matique d\u00e9coule directement du fait que les variables stochastiques individuelles sous-jacentes suivent une loi normale univari\u00e9e.<\/p>\n

Lorsque les r\u00e9sidus s’\u00e9cartent substantiellement de la loi normale, particuli\u00e8rement en pr\u00e9sence de distributions bimodales, multimodales ou pr\u00e9sentant une forte asym\u00e9trie combin\u00e9e \u00e0 des queues lourdes (leptocurticit\u00e9), la distribution d’\u00e9chantillonnage de la statistique empirique s’\u00e9carte de la loi th\u00e9orique de r\u00e9f\u00e9rence. Si les erreurs sont sym\u00e9triques mais aplaties (platycurtiques) ou au contraire tr\u00e8s pointues, les probabilit\u00e9s associ\u00e9es aux valeurs critiques sont alt\u00e9r\u00e9es. Il convient de r\u00e9affirmer avec force que le postulat ne requiert \u00e0 aucun moment que la variable d\u00e9pendante brute soit normalement distribu\u00e9e dans sa globalit\u00e9 sans distinction de condition, mais stipule exclusivement que l’erreur al\u00e9atoire intra-condition εij<\/sub><\/em> partage une distribution gaussienne commune centr\u00e9e sur z\u00e9ro.<\/p>\n

3.2 M\u00e9thodes diagnostiques visuelles de la normalit\u00e9<\/h3>\n

L’inspection graphique repr\u00e9sente l’\u00e9tape pr\u00e9alable incontournable et souvent la plus informative de l’analyse des r\u00e9sidus, surpassant fr\u00e9quemment l’interpr\u00e9tation rigide des tests d’hypoth\u00e8se formels dans l’appr\u00e9ciation pratique du profil distributionnel. L’outil diagnostique de r\u00e9f\u00e9rence universelle est le diagramme quantile-quantile normal, universellement d\u00e9sign\u00e9 sous l’appellation de Q-Q plot<\/em>. Ce graphique projette les quantiles empiriques des r\u00e9sidus standardis\u00e9s ou studentis\u00e9s sur l’axe des ordonn\u00e9es contre les quantiles th\u00e9oriques attendus sous une loi normale standard sur l’axe des abscisses.<\/p>\n

Sous la condition id\u00e9ale de normalit\u00e9, les points se disposent de fa\u00e7on rectiligne le long de la diagonale de r\u00e9f\u00e9rence \u00e0 45 degr\u00e9s. Les courbures syst\u00e9matiques r\u00e9v\u00e8lent instantan\u00e9ment la nature de l’\u00e9cart : une forme en arc convexe ou concave d\u00e9note une asym\u00e9trie positive ou n\u00e9gative prononc\u00e9e, tandis qu’une forme sigmo\u00efde en \u00ab\u00a0S\u00a0\u00bb signale des queues de distribution anormalement lourdes ou l\u00e9g\u00e8res par rapport aux pr\u00e9dictions gaussiennes. La superposition d’un histogramme des r\u00e9sidus studentis\u00e9s avec le trac\u00e9 continu d’une densit\u00e9 normale th\u00e9orique ajust\u00e9e permet d’appr\u00e9cier la pr\u00e9sence \u00e9ventuelle de multimodalit\u00e9s masqu\u00e9es, refl\u00e9tant l’action de covariables ignor\u00e9es ou de stratifications sous-jacentes non mod\u00e9lis\u00e9es au sein des groupes exp\u00e9rimentaux.<\/p>\n

\"\"<\/figure>\n

3.3 Tests statistiques formels d’ad\u00e9quation \u00e0 la loi normale<\/h3>\n

En compl\u00e9ment des visualisations diagnostiques, la litt\u00e9rature m\u00e9thodologique recourt fr\u00e9quemment \u00e0 des tests formels d’ad\u00e9quation statistique. Le test de Shapiro-Wilk s’impose historiquement comme l’un des plus puissants et sensibles pour tester l’hypoth\u00e8se nulle selon laquelle les r\u00e9sidus sont issus d’une population normalement distribu\u00e9e. Fond\u00e9 sur le rapport entre l’estimateur optimal de la variance bas\u00e9 sur les statistiques d’ordre et la variance d’\u00e9chantillonnage habituelle, sa statistique W<\/em> oscille entre 0 et 1, des valeurs proches de l’unit\u00e9 t\u00e9moignant d’une concordance \u00e9troite avec la normalit\u00e9. Une valeur de p<\/em> inf\u00e9rieure au seuil critique alpha usuel conduit au rejet formel de l’hypoth\u00e8se de normalit\u00e9.<\/p>\n

Le test de Kolmogorov-Smirnov, lorsqu’il int\u00e8gre la correction de Lilliefors pour compenser le fait que la moyenne et la variance r\u00e9siduelles sont estim\u00e9es \u00e0 partir des donn\u00e9es elles-m\u00eames, offre une alternative bas\u00e9e sur la distance supr\u00e9mum entre la fonction de r\u00e9partition empirique et la fonction th\u00e9orique cumulative. Cependant, une limite \u00e9pist\u00e9mologique majeure de ces \u00e9preuves inf\u00e9rentielles r\u00e9side dans leur d\u00e9pendance fonctionnelle directe \u00e0 la taille de l’\u00e9chantillon. Dans les petits \u00e9chantillons (typiquement N<\/em> < 30), o\u00f9 la normalit\u00e9 est cruciale en raison de l’inapplicabilit\u00e9 asymptotique, les tests manquent cruellement de puissance statistique et \u00e9chouent r\u00e9guli\u00e8rement \u00e0 d\u00e9tecter des d\u00e9viations substantielles. Inversement, dans les \u00e9chantillons massifs (typiquement N<\/em> > 300), ces m\u00eames tests deviennent hypersensibles, rejetant l’hypoth\u00e8se de normalit\u00e9 pour des \u00e9carts minimes, totalement d\u00e9nu\u00e9s d’impact pratique sur l’int\u00e9grit\u00e9 du test F<\/em>.<\/p>\n

4. Diagnostic de l’homosc\u00e9dasticit\u00e9 (homog\u00e9n\u00e9it\u00e9 des variances)<\/h2>\n

4.1 Le postulat d’\u00e9galit\u00e9 des variances intra-groupes<\/h3>\n

L’homosc\u00e9dasticit\u00e9 postule que la variance du terme d’erreur stochastique demeure rigoureusement constante \u00e0 travers l’ensemble des conditions exp\u00e9rimentales d\u00e9finies par le ou les facteurs de l’ANOVA. En d’autres termes, l’amplitude de la dispersion al\u00e9atoire ne doit \u00eatre ni amplifi\u00e9e ni comprim\u00e9e en fonction de la modalit\u00e9 particuli\u00e8re du traitement assign\u00e9 au sujet :<\/p>\n

Var(εij<\/sub>) = σ2<\/sup> ∀ j ∈ {1, 2, …, k}<\/em><\/p>\n

Cette condition autorise le calcul l\u00e9gitime d’une variance d’erreur commune, le carr\u00e9 moyen r\u00e9siduel (CMR<\/em>), en agr\u00e9geant l’information de variabilit\u00e9 issue de chaque cellule pour constituer le d\u00e9nominateur commun des statistiques de test.<\/p>\n

Lorsque cette hypoth\u00e8se est viol\u00e9e, la situation d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 qui en r\u00e9sulte d\u00e9stabilise gravement la machinerie inf\u00e9rentielle de l’ANOVA. Les cons\u00e9quences sont particuli\u00e8rement redoutables dans les plans d’exp\u00e9rience non \u00e9quilibr\u00e9s, o\u00f9 les effectifs par cellule nj<\/sub><\/em> diff\u00e8rent. Si les groupes poss\u00e9dant les plus faibles effectifs pr\u00e9sentent les variances les plus importantes, la statistique F<\/em> empirique est artificiellement gonfl\u00e9e, provoquant une explosion incontr\u00f4l\u00e9e du risque de fausse d\u00e9couverte (erreur de type I). \u00c0 l’inverse, si les groupes volumineux concentrent la plus forte dispersion, le test F<\/em> devient hyper-conservateur, laminant la puissance statistique du dispositif exp\u00e9rimental et augmentant dramatiquement le risque de commettre une erreur de type II.<\/p>\n

4.2 Analyses graphiques de dispersion des r\u00e9sidus<\/h3>\n

Le diagnostic visuel privil\u00e9gi\u00e9 pour ausculter l’homosc\u00e9dasticit\u00e9 consiste \u00e0 construire le graphique bivari\u00e9 confrontant les r\u00e9sidus standardis\u00e9s ou studentis\u00e9s (dispos\u00e9s sur l’axe vertical) aux valeurs pr\u00e9dites ou ajust\u00e9es par le mod\u00e8le (fitted values<\/em>, plac\u00e9es sur l’axe horizontal). Dans le contexte d’une ANOVA, les valeurs pr\u00e9dites correspondent strictement aux moyennes de chaque condition exp\u00e9rimentale. Le graphique pr\u00e9sente ainsi une suite d’alignements verticaux de points, chaque colonne repr\u00e9sentant la distribution r\u00e9siduelle d’un groupe exp\u00e9rimental donn\u00e9.<\/p>\n

L’analyste examine attentivement l’\u00e9talement vertical de ces colonnes de r\u00e9sidus. Sous l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9, la dispersion des points doit para\u00eetre homog\u00e8ne d’une colonne \u00e0 l’autre, formant une bande de dispersion horizontale r\u00e9guli\u00e8re sans gradient perceptible. La d\u00e9tection d’une structure en entonnoir (funnel shape<\/em>) ou en m\u00e9gaphone, caract\u00e9ris\u00e9e par un accroissement ou un r\u00e9tr\u00e9cissement syst\u00e9matique de l’amplitude verticale le long de l’axe des valeurs pr\u00e9dites, signale une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 monotone o\u00f9 la variance d’erreur d\u00e9pend fonctionnellement du niveau de la r\u00e9ponse moyenne. La visualisation parall\u00e8le des r\u00e9sidus sous forme de bo\u00eetes \u00e0 moustaches conditionnelles constitue \u00e9galement une m\u00e9thode intuitive remarquable pour comparer visuellement les \u00e9tendues interquartiles et les amplitudes totales entre cellules exp\u00e9rimentales.<\/p>\n

4.3 Tests inf\u00e9rentiels d’homosc\u00e9dasticit\u00e9<\/h3>\n

Afin d’\u00e9tayer le jugement graphique par une d\u00e9marche probabiliste, plusieurs tests d’homog\u00e9n\u00e9it\u00e9 des variances sont couramment mobilis\u00e9s. Le test de Levene<\/a> originel \u00e9value la significativit\u00e9 des \u00e9carts absolus des observations individuelles par rapport \u00e0 la moyenne de leur groupe respectif \u00e0 l’aide d’une ANOVA unidirectionnelle. Cependant, en raison de sa sensibilit\u00e9 aux violations de normalit\u00e9, les m\u00e9thodologistes recommandent imp\u00e9rativement l’emploi de sa variante robuste, propos\u00e9e par Brown et Forsythe, qui substitue la m\u00e9diane de groupe \u00e0 la moyenne arithm\u00e9tique pour le calcul des d\u00e9viations :<\/p>\n

zij<\/sub> = | Yij<\/sub> – Mdj<\/sub> |<\/em><\/p>\n

Le test de Brown-Forsythe pr\u00e9serve remarquablement son taux nominal d’erreur de premi\u00e8re esp\u00e8ce m\u00eame en pr\u00e9sence d’asym\u00e9tries distributionnelles marqu\u00e9es dans les donn\u00e9es psychologiques.<\/p>\n

\u00c0 l’oppos\u00e9, le test de Bartlett, fond\u00e9 sur une statistique de rapport de vraisemblance, b\u00e9n\u00e9ficie d’une puissance statistique sup\u00e9rieure lorsque la stricte normalit\u00e9 des donn\u00e9es est garantie sans r\u00e9serve. N\u00e9anmoins, il est notoire pour son hypersensibilit\u00e9 dramatique aux d\u00e9viations de normalit\u00e9 : un \u00e9cart b\u00e9nin \u00e0 la courbe de Gauss conduit fr\u00e9quemment le test de Bartlett \u00e0 rejeter l’homog\u00e9n\u00e9it\u00e9 des variances alors m\u00eame que les variances r\u00e9elles sont rigoureusement identiques. Par cons\u00e9quent, l’usage du test de Bartlett doit \u00eatre banni dans les contextes o\u00f9 la parfaite normalit\u00e9 des r\u00e9sidus ne peut \u00eatre pr\u00e9alablement d\u00e9montr\u00e9e, au profit exclusif du test de Levene centr\u00e9 sur la m\u00e9diane.<\/p>\n

5. Diagnostic de l’ind\u00e9pendance des r\u00e9sidus<\/h2>\n

5.1 Fondement th\u00e9orique de l’ind\u00e9pendance statistique des erreurs<\/h3>\n

De l’ensemble des postulats gouvernant la validit\u00e9 du mod\u00e8le ANOVA, celui stipulant l’ind\u00e9pendance mutuelle des r\u00e9sidus est sans conteste le plus critique sur le plan inf\u00e9rentiel, tout en \u00e9tant paradoxalement le plus complexe \u00e0 corriger a posteriori :<\/p>\n

Cov(εij<\/sub>, εi’j’<\/sub>) = 0 ∀ (i, j) ≠ (i’, j’)<\/em><\/p>\n

L’hypoth\u00e8se d’ind\u00e9pendance pose que la valeur prise par l’erreur associ\u00e9e \u00e0 une unit\u00e9 d’observation donn\u00e9e ne fournit rigoureusement aucune information pr\u00e9dictive sur la valeur que prendra l’erreur associ\u00e9e \u00e0 n’importe quelle autre unit\u00e9 d’observation de l’\u00e9chantillon.<\/p>\n

La pr\u00e9sence d’une corr\u00e9lation r\u00e9siduelle positive, m\u00eame d’une intensit\u00e9 modeste (par exemple une corr\u00e9lation intra-classe de l’ordre de 0,05 ou 0,10), exerce un effet d\u00e9vastateur sur l’inf\u00e9rence. Elle conduit \u00e0 une sous-estimation syst\u00e9matique et s\u00e9v\u00e8re de la v\u00e9ritable erreur-type des estimateurs, engendrant des statistiques F<\/em> exag\u00e9r\u00e9ment gonfl\u00e9es et des valeurs de p<\/em> artificiellement infimes. Le chercheur s’expose alors \u00e0 d\u00e9clarer significatifs des effets purement illusoires. En psychologie et en recherche comportementale, les sources de d\u00e9pendance sont l\u00e9gion : sujets test\u00e9s au sein d’une m\u00eame s\u00e9ance de groupe, \u00e9l\u00e8ves nich\u00e9s dans des classes scolaires identiques, patients suivis par le m\u00eame th\u00e9rapeute clinicien, ou passations successives administr\u00e9es par un m\u00eame exp\u00e9rimentateur d\u00e9veloppant des biais inconscients au fil du protocole.<\/p>\n

5.2 \u00c9valuation de l’autocorr\u00e9lation s\u00e9rielle et des effets d’ordre<\/h3>\n

Lorsque le recueil des donn\u00e9es exp\u00e9rimentales s’\u00e9chelonne s\u00e9quentiellement dans le temps ou dans l’espace, l’ind\u00e9pendance peut \u00eatre rompue par des ph\u00e9nom\u00e8nes dynamiques tels que la d\u00e9rive d’\u00e9talonnage des appareils de laboratoire, les effets d’apprentissage progressif chez l’exp\u00e9rimentateur, ou encore la fatigue cumulative des participants dans les protocoles d’\u00e9valuation continue. Le diagnostic primaire de cette pathologie repose sur la repr\u00e9sentation graphique des r\u00e9sidus en fonction de l’ordre temporel ou chronologique d’acquisition des donn\u00e9es.<\/p>\n

L’apparition de grappes de r\u00e9sidus successifs de m\u00eame signe, visualis\u00e9es par des oscillations lentes et sinueuses autour de l’axe z\u00e9ro, trahit une autocorr\u00e9lation positive du premier ordre. \u00c0 l’inverse, une alternance rapide et hach\u00e9e de signes positifs et n\u00e9gatifs cons\u00e9cutifs indique une autocorr\u00e9lation n\u00e9gative. Sur le plan inf\u00e9rentiel formel, le coefficient d’autocorr\u00e9lation de Durbin-Watson<\/a> (not\u00e9 d<\/em>) permet de tester sp\u00e9cifiquement l’existence d’une d\u00e9pendance autor\u00e9gressive de premier ordre :<\/p>\n

d = [ ∑t=2<\/sub>N<\/sup> (et<\/sub> – et-1<\/sub>)2<\/sup> ] \/ [ ∑t=1<\/sub>N<\/sup> et<\/sub>2<\/sup> ]<\/em><\/p>\n

La statistique oscille th\u00e9oriquement dans un intervalle ferm\u00e9 born\u00e9 par 0 et 4. Une valeur proche de 2 atteste de l’absence totale d’autocorr\u00e9lation r\u00e9siduelle s\u00e9rielle, tandis que des valeurs divergeant substantiellement en de\u00e7\u00e0 de 1,5 ou au-del\u00e0 de 2,5 alertent sur l’existence d’une structure d’interd\u00e9pendance s\u00e9quentielle n\u00e9cessitant une restructuration analytique imm\u00e9diate.<\/p>\n

5.3 Implications pour les devis quasi-exp\u00e9rimentaux et longitudinaux<\/h3>\n

Dans les devis quasi-exp\u00e9rimentaux ou longitudinaux, l’ind\u00e9pendance des erreurs est structurellement remise en cause par l’architecture m\u00eame du plan de recherche. Lorsque des mesures r\u00e9p\u00e9t\u00e9es sont recueillies sur les m\u00eames participants \u00e0 travers plusieurs \u00e9tapes temporelles ou plusieurs conditions de t\u00e2che cognitive, la proximit\u00e9 temporelle et l’identit\u00e9 biologique de l’individu induisent une corr\u00e9lation substantielle entre les erreurs de mesure associ\u00e9es \u00e0 ce sujet. Tenter d’analyser de telles donn\u00e9es via une ANOVA univari\u00e9e standard pour groupes ind\u00e9pendants constitue une erreur m\u00e9thodologique gravissime, car le mod\u00e8le ignore la partition intra-sujet de la variance.<\/p>\n

Pour pr\u00e9venir l’\u00e9mergence de d\u00e9pendances fallacieuses lors de la phase de recueil, les chercheurs doivent appliquer une randomisation rigoureuse de l’ordre d’assignation des traitements, des s\u00e9quences de pr\u00e9sentation des stimuli et des horaires de passation. D\u00e8s lors qu’une d\u00e9pendance de regroupement (clustering<\/em>) s’av\u00e8re inh\u00e9rente au protocole exp\u00e9rimental, le chercheur doit obligatoirement abandonner le cadre de l’ANOVA classique pour embrasser les mod\u00e8les lin\u00e9aires mixtes (MLM) ou les approches multiniveaux hi\u00e9rarchiques. Ces formalismes avanc\u00e9s int\u00e8grent explicitement des effets al\u00e9atoires pour absorber et mod\u00e9liser la covariance r\u00e9siduelle intra-grappe, garantissant ainsi l’impartialit\u00e9 des tests inf\u00e9rentiels.<\/p>\n

6. Identification et traitement des r\u00e9sidus atypiques et influents<\/h2>\n

6.1 Typologie des donn\u00e9es atypiques en ANOVA<\/h3>\n

L’apparition d’observations divergentes constitue une r\u00e9alit\u00e9 empirique universelle dans le traitement des protocoles exp\u00e9rimentaux comportementaux. Une distinction \u00e9pist\u00e9mologique et technique capitale doit imp\u00e9rativement \u00eatre \u00e9tablie entre une donn\u00e9e aberrante marginale (un score brut inhabituel au regard de la population enti\u00e8re) et un r\u00e9sidu conditionnel extr\u00eame. Une valeur observ\u00e9e peut sembler atypique \u00e0 l’\u00e9chelle globale de l’\u00e9chantillon tout en poss\u00e9dant un r\u00e9sidu quasi nul si elle appartient \u00e0 une condition exp\u00e9rimentale dont la moyenne est elle-m\u00eame tr\u00e8s \u00e9lev\u00e9e. Inversement, une observation situ\u00e9e parfaitement au centre de la distribution marginale globale peut correspondre \u00e0 un r\u00e9sidu colossal si elle d\u00e9vie de fa\u00e7on aberrante par rapport \u00e0 la moyenne sp\u00e9cifique de son groupe de traitement.<\/p>\n

Ces r\u00e9sidus atypiques trouvent fr\u00e9quemment leur source dans des dysfonctionnements m\u00e9thodologiques : erreurs humaines de transcription num\u00e9rique lors de la saisie, pannes momentan\u00e9es d’un capteur psychophysiologique, non-respect manifeste des instructions par le participant (r\u00e9ponses al\u00e9atoires rapides pour achever l’\u00e9preuve sans effort attentionnel), ou appartenance involontaire du sujet \u00e0 une population non cibl\u00e9e (par exemple, un participant sous m\u00e9dication psychotrope dans une \u00e9tude sur l’attention soutenue). Au-del\u00e0 de ces explications d’ordre technique, le chercheur doit maintenir une vigilance clinique et th\u00e9orique soutenue : une d\u00e9viation extr\u00eame peut traduire une v\u00e9ritable singularit\u00e9 psychologique ou neuropsychologique qui m\u00e9rite une investigation qualitative individualis\u00e9e plut\u00f4t qu’une \u00e9limination m\u00e9canique non r\u00e9fl\u00e9chie.<\/p>\n

6.2 Seuils statistiques de d\u00e9cision pour les r\u00e9sidus extr\u00eames<\/h3>\n

L’\u00e9valuation m\u00e9trique de l’atypicit\u00e9 s’articule autour de crit\u00e8res quantitatifs normalis\u00e9s. Une r\u00e8gle empirique largement reconnue stipule que les r\u00e9sidus standardis\u00e9s ou studentis\u00e9s doivent \u00eatre examin\u00e9s avec attention d\u00e8s lors qu’ils exc\u00e8dent en valeur absolue le seuil de 2, et qualifi\u00e9s d’observations hautement atypiques lorsqu’ils franchissent le seuil critique absolu de 3. Sous l’hypoth\u00e8se de normalit\u00e9, la probabilit\u00e9 d’observer un r\u00e9sidu d\u00e9passant 3 \u00e9carts-types est inf\u00e9rieure \u00e0 0,27 %, ce qui en fait un \u00e9v\u00e9nement stochastique particuli\u00e8rement improbable sous le mod\u00e8le sp\u00e9cifi\u00e9.<\/p>\n

Pour mesurer l’influence r\u00e9elle exerc\u00e9e par une observation sur l’ensemble du mod\u00e8le param\u00e9trique, la m\u00e9trique fondamentale demeure la distance de Cook<\/a> (not\u00e9e Di<\/sub><\/em>). Cette quantit\u00e9 synth\u00e9tise simultan\u00e9ment l’amplitude du r\u00e9sidu studentis\u00e9 et l’effet de levier (leverage<\/em>, not\u00e9 hii<\/sub><\/em>) exerc\u00e9 par le positionnement structurel de l’observation :<\/p>\n

Di<\/sub> = [ eij<\/sub>2<\/sup> \/ (k × CMR) ] × [ hii<\/sub> \/ (1 – hii<\/sub>)2<\/sup> ]<\/em><\/p>\n

Dans le cadre strict d’une ANOVA \u00e0 un facteur, les effets de levier sont constants au sein de chaque cellule et valent 1 \/ nj<\/sub><\/em>. Par cons\u00e9quent, la distance de Cook est principalement modul\u00e9e par la taille du groupe et le carr\u00e9 du r\u00e9sidu. Bien que le seuil th\u00e9orique classique de Di<\/sub> > 1<\/em> soit fr\u00e9quemment cit\u00e9, un crit\u00e8re plus sensible et rigoureux pour les donn\u00e9es exp\u00e9rimentales contemporaines est fix\u00e9 \u00e0 4 \/ N<\/em> ou 4 \/ (N – k – 1)<\/em>, o\u00f9 N<\/em> d\u00e9signe la taille totale de l’\u00e9chantillon et k<\/em> le nombre de groupes. Toute observation exc\u00e9dant cette borne doit faire l’objet d’un examen approfondi.<\/p>\n

\"\"<\/figure>\n

6.3 Protocole d\u00e9cisionnel face aux donn\u00e9es aberrantes<\/h3>\n

La d\u00e9couverte de r\u00e9sidus extr\u00eames place l’analyste face \u00e0 un dilemme m\u00e9thodologique qui ne doit jamais \u00eatre tranch\u00e9 par une suppression aveugle dict\u00e9e par la seule recherche de la significativit\u00e9 statistique. L’exclusion unilat\u00e9rale d’observations uniquement parce qu’elles d\u00e9t\u00e9riorent la qualit\u00e9 des postulats ou font \u00e9chouer le test d’hypoth\u00e8se constitue une fraude scientifique passive susceptible de gonfler dramatiquement le taux de faux positifs dans la litt\u00e9rature publi\u00e9e.<\/p>\n

Le protocole d\u00e9cisionnel optimal exige la conduite syst\u00e9matique d’une analyse de sensibilit\u00e9 transparente (parfois d\u00e9sign\u00e9e sous le terme d’analyse de robustesse \u00e0 deux volets). Le chercheur effectue et consigne rigoureusement l’analyse compl\u00e8te de son mod\u00e8le sur l’\u00e9chantillon int\u00e9gral, puis r\u00e9it\u00e8re l’estimation apr\u00e8s exclusion document\u00e9e des observations pr\u00e9sentant des r\u00e9sidus d\u00e9mesur\u00e9s ou une distance de Cook excessive. Si les conclusions scientifiques majeures (coefficients, direction des contrastes, significativit\u00e9) demeurent convergentes entre les deux it\u00e9rations, le chercheur dispose d’une preuve \u00e9clatante de la stabilit\u00e9 empirique de son mod\u00e8le. Si des divergences critiques apparaissent, l’analyste est d\u00e9ontologiquement tenu de rendre compte des deux analyses dans son manuscrit, en discutant explicitement des raisons pour lesquelles certaines observations singuli\u00e8res alt\u00e8rent la trajectoire des conclusions globales.<\/p>\n

7. Cons\u00e9quences de la violation des postulats r\u00e9siduels<\/h2>\n

7.1 Robustesse intrins\u00e8que de l’ANOVA face aux \u00e9carts de normalit\u00e9<\/h3>\n

Dans la litt\u00e9rature statistique appliqu\u00e9e, l’ANOVA est traditionnellement r\u00e9put\u00e9e pour sa robustesse face aux d\u00e9viations du postulat de normalit\u00e9 des erreurs. Cette r\u00e9silience relative trouve sa justification th\u00e9orique dans le th\u00e9or\u00e8me central limite<\/a>, lequel stipule que la distribution d’\u00e9chantillonnage de la moyenne empirique converge vers une loi normale \u00e0 mesure que l’effectif s’accro\u00eet, ind\u00e9pendamment de la forme distributionnelle de la population d’origine, pourvu que cette derni\u00e8re poss\u00e8de une variance finie.<\/p>\n

N\u00e9anmoins, cette tol\u00e9rance g\u00e9n\u00e9rale conna\u00eet des limites strictes que tout exp\u00e9rimentateur rigoureux doit ma\u00eetriser. La robustesse est effective principalement lorsque les distributions r\u00e9siduelles sont sym\u00e9triques, m\u00eame si elles pr\u00e9sentent un kurtosis mod\u00e9r\u00e9, et que les effectifs par groupe sont \u00e9quilibr\u00e9s et d’une taille suffisante (id\u00e9alement nj<\/sub> ≥ 25<\/em> \u00e0 30<\/em> participants par condition). En revanche, lorsque l’\u00e9chantillon est restreint (par exemple nj<\/sub> ≤ 10<\/em> \u00e0 12<\/em>, situation fr\u00e9quente en neuropsychologie ou en imagerie c\u00e9r\u00e9brale) et que les r\u00e9sidus affichent une asym\u00e9trie marqu\u00e9e (skewness<\/em> s\u00e9v\u00e8re), la statistique F<\/em> empirique perd son calibrage th\u00e9orique. Dans ces conditions critiques, les probabilit\u00e9s nominales fournies par les tables de distribution s’\u00e9cartent dangereusement de la r\u00e9alit\u00e9 stochastique, conduisant \u00e0 des inf\u00e9rences invalides.<\/p>\n

7.2 Dangerosit\u00e9 de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 en plans d\u00e9s\u00e9quilibr\u00e9s<\/h3>\n

Si la violation de la normalit\u00e9 est souvent tol\u00e9rable sous grand \u00e9chantillon, l’in\u00e9galit\u00e9 des variances r\u00e9siduelles (h\u00e9t\u00e9rosc\u00e9dasticit\u00e9) repr\u00e9sente en revanche un p\u00e9ril analytique majeur pour l’int\u00e9grit\u00e9 de l’ANOVA, en particulier dans les plans d’exp\u00e9rience d\u00e9s\u00e9quilibr\u00e9s (unbalanced designs<\/em>). La vuln\u00e9rabilit\u00e9 du test F<\/em> face \u00e0 ce ph\u00e9nom\u00e8ne d\u00e9pend directement de la direction de la corr\u00e9lation entre les effectifs des groupes nj<\/sub><\/em> et les variances intra-groupes σj<\/sub>2<\/sup><\/em>.<\/p>\n

Deux configurations distinctes doivent \u00eatre identifi\u00e9es avec pr\u00e9cision :<\/p>\n