{"id":3920,"date":"2026-09-11T03:43:52","date_gmt":"2026-09-11T03:43:52","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/randomisation-blocs-permutes-definition-exemples\/"},"modified":"2026-09-11T03:43:55","modified_gmt":"2026-09-11T03:43:55","slug":"randomisation-blocs-permutes-definition-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=randomisation-blocs-permutes-definition-exemples","title":{"rendered":"Randomisation par blocs permut\u00e9s : D\u00e9finition et exemples"},"content":{"rendered":"

Dans le domaine de l’exp\u00e9rimentation scientifique, qu’il s’agisse des essais cliniques biom\u00e9dicaux, des investigations en psychologie cognitive ou des \u00e9valuations d’interventions comportementales, la rigueur de l’inf\u00e9rence causale repose fondamentalement sur la qualit\u00e9 de l’attribution des traitements. Sans une m\u00e9thode robuste d’assignation, les biais syst\u00e9matiques s’immiscent insidieusement dans les donn\u00e9es, corrompant la comparabilit\u00e9 des groupes et r\u00e9duisant \u00e0 n\u00e9ant des mois de collecte laborieuse. Si la randomisation simple appara\u00eet intuitivement comme la solution la plus d\u00e9mocratique et la plus pure pour distribuer le hasard, la pratique r\u00e9v\u00e8le rapidement ses d\u00e9faillances criantes, particuli\u00e8rement lorsque la taille de la cohorte est modeste ou que le recrutement s’\u00e9chelonne sur de longues p\u00e9riodes temporelles.<\/p>\n

Face \u00e0 l’\u00e9cueil des d\u00e9s\u00e9quilibres num\u00e9riques majeurs et aux d\u00e9rives temporelles inh\u00e9rentes aux flux continus de participants, les m\u00e9thodologistes et biostatisticiens ont d\u00e9velopp\u00e9 des proc\u00e9dures d’allocation restreinte hautement sophistiqu\u00e9es. Au c\u0153ur de cet arsenal m\u00e9thodologique figure la randomisation par blocs permut\u00e9s<\/strong> (permuted block randomization<\/em>). Cette technique ing\u00e9nieuse concilie le respect scrupuleux du hasard probabiliste avec une contrainte d\u00e9terministe p\u00e9riodique, assurant qu’\u00e0 intervalles r\u00e9guliers et pr\u00e9d\u00e9termin\u00e9s, un \u00e9quilibre parfait ou strictement proportionnel soit maintenu entre les diff\u00e9rentes modalit\u00e9s d’intervention d’une \u00e9tude.<\/p>\n

Le pr\u00e9sent article propose une exploration approfondie, exhaustive et math\u00e9matiquement rigoureuse de la randomisation par blocs permut\u00e9s. \u00c0 travers l’examen de ses fondements th\u00e9oriques, de ses propri\u00e9t\u00e9s combinatoires, de ses protocoles de d\u00e9ploiement empirique et de ses vuln\u00e9rabilit\u00e9s face aux biais de s\u00e9lection, ce guide s’adresse aux chercheurs, cliniciens et statisticiens d\u00e9sireux d’optimiser la validit\u00e9 interne de leurs devis exp\u00e9rimentaux, tout en se conformant aux standards internationaux les plus rigoureux tels que les directives CONSORT.<\/p>\n

1. Introduction et fondements conceptuels de la randomisation par blocs permut\u00e9s<\/h2>\n

1.1 Le r\u00f4le fondamental de la randomisation dans la recherche exp\u00e9rimentale<\/h3>\n

L’attribution al\u00e9atoire constitue la pierre angulaire de l’inf\u00e9rence causale moderne, telle que conceptualis\u00e9e par le statisticien Ronald A. Fisher et formalis\u00e9e ult\u00e9rieurement dans le mod\u00e8le causal de Rubin. Dans tout protocole exp\u00e9rimental visant \u00e0 comparer l’effet d’une variable ind\u00e9pendante manipul\u00e9e — qu’il s’agisse d’un compos\u00e9 pharmacologique novateur, d’une th\u00e9rapie comportementale ou d’une t\u00e2che d’apprentissage cognitif — sur une variable d\u00e9pendante, l’objectif fondamental r\u00e9side dans l’\u00e9limination des variables confusionnelles, tant observ\u00e9es qu’inobserv\u00e9es. Sans allocation al\u00e9atoire, les caract\u00e9ristiques intrins\u00e8ques des participants risquent d’orienter syst\u00e9matiquement leur affectation, introduisant un biais de s\u00e9lection fatal pour la validit\u00e9 de l’\u00e9tude.<\/p>\n

En assignant les sujets aux groupes de traitement et de contr\u00f4le selon un m\u00e9canisme strictement stochastique, la randomisation garantit l’\u00e9quivalence probabiliste initiale entre les cohortes. Cela signifie que la distribution de toutes les covariables potentielles — l’\u00e2ge, le genre, les pr\u00e9dispositions g\u00e9n\u00e9tiques, le statut socio-\u00e9conomique, la s\u00e9v\u00e9rit\u00e9 basale de la pathologie ou m\u00eame les traits de personnalit\u00e9 latents — ne pr\u00e9sente aucune diff\u00e9rence syst\u00e9matique entre les bras exp\u00e9rimentaux avant l’application de la moindre intervention. Par cons\u00e9quent, toute divergence statistiquement significative observ\u00e9e sur les crit\u00e8res de jugement \u00e0 l’issue de l’exp\u00e9rimentation peut \u00eatre attribu\u00e9e, avec un niveau de confiance math\u00e9matiquement quantifiable, \u00e0 l’intervention test\u00e9e elle-m\u00eame plut\u00f4t qu’\u00e0 un art\u00e9fact d’\u00e9chantillonnage.<\/p>\n

Toutefois, la randomisation simple — qui s’apparente conceptuellement au lancer r\u00e9p\u00e9t\u00e9 d’une pi\u00e8ce de monnaie \u00e9quilibr\u00e9e pour chaque participant cons\u00e9cutif — pr\u00e9sente des vuln\u00e9rabilit\u00e9s critiques, en particulier au sein des \u00e9chantillons de taille modeste ou moyenne (inf\u00e9rieurs \u00e0 quelques centaines d’individus). La loi des grands nombres ne garantit une convergence vers la parit\u00e9 parfaite qu’\u00e0 la limite asymptotique d’un \u00e9chantillon infini. Sur des cohortes r\u00e9duites, la randomisation simple g\u00e9n\u00e8re avec une probabilit\u00e9 non n\u00e9gligeable des d\u00e9s\u00e9quilibres majeurs dans les effectifs des bras exp\u00e9rimentaux. Un tel d\u00e9s\u00e9quilibre entra\u00eene une \u00e9rosion substantielle de la puissance statistique des tests d’hypoth\u00e8se et compromet dramatiquement l’analyse contrefactuelle, justifiant ainsi le recours imp\u00e9rieux \u00e0 des techniques de randomisation restreinte.<\/p>\n

1.2 Origine et d\u00e9finition op\u00e9rationnelle du bloc permut\u00e9<\/h3>\n

Pour pallier les faiblesses structurelles de la randomisation non contrainte, les biostatisticiens ont con\u00e7u la randomisation restreinte, dont la forme la plus canonique et universellement adopt\u00e9e est la randomisation par blocs permut\u00e9s<\/strong>. Sur le plan op\u00e9rationnel, cette technique consiste \u00e0 segmenter la s\u00e9quence globale d’inclusion des participants en sous-ensembles discrets et successifs de taille pr\u00e9d\u00e9termin\u00e9e, d\u00e9sign\u00e9s sous le terme de \u00ab blocs \u00bb. Chaque bloc agit comme une unit\u00e9 microscopique d’\u00e9quilibrage structurel et temporel au sein du protocole exp\u00e9rimental global, assurant le respect des proportions th\u00e9oriques d’allocation au sein de chaque sous-groupe.<\/p>\n

Le concept de bloc repose sur une combinatoire stricte : si l’on \u00e9value deux traitements alternatifs not\u00e9s $A$<\/span> et $B$<\/span> selon un ratio d’allocation \u00e9quiprobable de 1:1, un bloc de taille $b$<\/span> contiendra obligatoirement $b\/2$<\/span> assignations pour la condition $A$<\/span> et $b\/2$<\/span> assignations pour la condition $B$<\/span>. La \u00ab permutation \u00bb intervient dans l’ordonnancement interne des traitements au sein du bloc : toutes les configurations s\u00e9quentielles r\u00e9pondant \u00e0 cette contrainte d’\u00e9galit\u00e9 num\u00e9rique sont identifi\u00e9es, puis l’une de ces configurations est s\u00e9lectionn\u00e9e au hasard selon une distribution uniforme pour guider l’attribution s\u00e9quentielle des sujets appartenant \u00e0 cette tranche de recrutement.<\/p>\n

Cette approche se distingue nettement de la randomisation syst\u00e9matique et de la randomisation simple. Contrairement \u00e0 la randomisation simple, o\u00f9 la probabilit\u00e9 d’attribution \u00e0 chaque \u00e9tape est rigoureusement ind\u00e9pendante des assignations ant\u00e9rieures, la randomisation par blocs introduit une d\u00e9pendance conditionnelle contr\u00f4l\u00e9e afin d’interdire toute d\u00e9viation excessive par rapport au ratio cible. \u00c0 l’oppos\u00e9 de l’alternance syst\u00e9matique (par exemple, attribuer invariablement $A, B, A, B, A, B$<\/span>), qui supprime tout al\u00e9a et autorise une pr\u00e9dictibilit\u00e9 absolue exposant l’essai aux pires biais de s\u00e9lection, le bloc permut\u00e9 maintient un niveau stochastique suffisant pour pr\u00e9server l’impr\u00e9visibilit\u00e9 de l’assignation tout en garantissant un \u00e9quilibre p\u00e9riodique parfait d\u00e8s qu’un bloc est int\u00e9gralement compl\u00e9t\u00e9.<\/p>\n

\"\"<\/figure>\n

1.3 Pertinence sp\u00e9cifique pour les sciences psychologiques et comportementales<\/h3>\n

L’application de la randomisation par blocs permut\u00e9s rev\u00eat une acuit\u00e9 m\u00e9thodologique toute particuli\u00e8re dans les sciences psychologiques, cognitives, psychiatriques et comportementales. Dans ces disciplines, les protocoles exp\u00e9rimentaux et cliniques ne b\u00e9n\u00e9ficient que tr\u00e8s rarement d’un recrutement massif, instantan\u00e9 et homog\u00e8ne. L’inclusion des participants s’op\u00e8re typiquement sous la forme d’un flux continu, s’\u00e9talant fr\u00e9quemment sur des trimestres, voire des ann\u00e9es enti\u00e8res. Durant ces longues p\u00e9riodes, l’environnement exp\u00e9rimental et institutionnel est soumis \u00e0 d’in\u00e9vitables fluctuations contextuelles : variations saisonni\u00e8res des sympt\u00f4mes affectifs, changements subtils dans les crit\u00e8res diagnostiques appliqu\u00e9s par l’\u00e9quipe clinique, renouvellement du personnel de recherche, ou encore effets d’apprentissage des psychologues \u00e9valuateurs.<\/p>\n

Si une randomisation simple \u00e9tait mise en \u0153uvre sous un tel r\u00e9gime de recrutement \u00e9tal\u00e9, des agr\u00e9gats fortuits (\u00ab clusters \u00bb) de participants affect\u00e9s \u00e0 la m\u00eame condition th\u00e9rapeutique pourraient se constituer au cours d’une p\u00e9riode temporelle sp\u00e9cifique. Si, par exemple, une vague disproportionn\u00e9e de sujets assign\u00e9s au groupe contr\u00f4le \u00e9tait recrut\u00e9e au c\u0153ur de l’hiver — p\u00e9riode traditionnellement associ\u00e9e \u00e0 une exacerbation de la d\u00e9pression saisonni\u00e8re — tandis que le bras exp\u00e9rimental recevrait une majorit\u00e9 de sujets au printemps, le diff\u00e9rentiel d’efficacit\u00e9 mesur\u00e9 serait irr\u00e9m\u00e9diablement confondu avec la cyclicit\u00e9 temporelle de la symptomatologie. La randomisation par blocs pr\u00e9vient structurellement ce biais en for\u00e7ant une distribution homog\u00e8ne et proportionnelle des interventions \u00e0 travers chaque fen\u00eatre temporelle successive repr\u00e9sent\u00e9e par un bloc.<\/p>\n

En outre, les interventions psychoth\u00e9rapeutiques et comportementales se heurtent chroniquement \u00e0 des taux d’attrition diff\u00e9rentielle \u00e9lev\u00e9s, les participants interrompant fr\u00e9quemment leur suivi en cours d’exp\u00e9rimentation en raison de la lourdeur des protocoles ou d’une intol\u00e9rance psychique per\u00e7ue. L’usage des blocs permut\u00e9s garantit que, m\u00eame en cas d’interruption pr\u00e9matur\u00e9e du recrutement en raison de contraintes budg\u00e9taires ou d’abandons massifs impr\u00e9vus, l’\u00e9chantillon effectivement constitu\u00e9 jusqu’au dernier bloc achev\u00e9 demeure rigoureusement \u00e9quilibr\u00e9 sur le plan des effectifs, autorisant ainsi des analyses statistiques valides selon le paradigme de l’intention de traiter sans perte catastrophique de puissance.<\/p>\n

2. Cadre math\u00e9matique et combinatoire de la m\u00e9thode<\/h2>\n

2.1 Formulation math\u00e9matique du nombre d’arrangements possibles<\/h3>\n

L’architecture formelle de la randomisation par blocs permut\u00e9s proc\u00e8de directement de la combinatoire discr\u00e8te. Consid\u00e9rons un essai clinique ou une exp\u00e9rience factorielle comportant deux modalit\u00e9s d’intervention distinctes, not\u00e9es $A$<\/span> et $B$<\/span>, pour lesquelles le chercheur impose un ratio d’allocation \u00e9quiprobable (1:1). Soit $b$<\/span> la taille globale d’un bloc donn\u00e9. Par n\u00e9cessit\u00e9 arithm\u00e9tique \u00e9l\u00e9mentaire, afin de permettre une distribution enti\u00e8re et \u00e9quilibr\u00e9e entre les deux groupes, la taille du bloc $b$<\/span> doit obligatoirement \u00eatre un nombre entier pair ($b in {2, 4, 6, 8, dots}$<\/span>). Le nombre d’assignations destin\u00e9es \u00e0 la condition $A$<\/span> est donc $n_A = b\/2$<\/span>, et le nombre d’assignations d\u00e9volues \u00e0 la condition $B$<\/span> est identiquement $n_B = b\/2$<\/span>, avec la contrainte $n_A + n_B = b$<\/span>.<\/p>\n

Le nombre total d’arrangements distincts — c’est-\u00e0-dire de permutations uniques permettant d’agencer $b\/2$<\/span> \u00e9l\u00e9ments de type $A$<\/span> et $b\/2$<\/span> \u00e9l\u00e9ments de type $B$<\/span> le long d’une s\u00e9quence ordonn\u00e9e de longueur $b$<\/span> — est d\u00e9termin\u00e9 par le coefficient binomial standard des permutations avec r\u00e9p\u00e9titions. L’\u00e9quation formelle s’exprime comme suit :<\/p>\n

$$N = \\binom{b}{b\/2} = \\frac{b!}{(b\/2)! \\times (b\/2)!} = \\frac{b!}{((b\/2)!)^2}$$<\/span><\/p>\n

L’\u00e9valuation num\u00e9rique de cette formule combinatoire met en lumi\u00e8re la croissance factorielle de l’espace des solutions \u00e0 mesure que la taille du bloc augmente. Pour un micro-bloc de taille $b = 2$<\/span>, l’espace permutationnel est minimal : $\\binom{2}{1} = 2$<\/span> configurations distinctes, \u00e0 savoir ${AB, BA}$<\/span>. Pour un bloc de dimension interm\u00e9diaire $b = 4$<\/span>, le nombre de permutations s’\u00e9l\u00e8ve \u00e0 $\\binom{4}{2} = \\frac{24}{4} = 6$<\/span> arrangements, pr\u00e9cis\u00e9ment ${AABB, ABAB, ABBA, BAAB, BABA, BBAA}$<\/span>. Si la taille du bloc est port\u00e9e \u00e0 $b = 6$<\/span>, l’espace combinatoire s’\u00e9largit substantiellement pour atteindre $\\binom{6}{3} = \\frac{720}{36} = 20$<\/span> permutations uniques. Enfin, pour un bloc large de $b = 8$<\/span>, nous obtenons $\\binom{8}{4} = \\frac{40320}{576} = 70$<\/span> s\u00e9quences possibles.<\/p>\n

Dans les sch\u00e9mas exp\u00e9rimentaux plus complexes impliquant $k$<\/span> conditions d’intervention ($k ge 3$<\/span>), not\u00e9es $T_1, T_2, dots, T_k$<\/span>, avec une volont\u00e9 d’\u00e9quipartition stricte, la taille du bloc $b$<\/span> doit imp\u00e9rativement \u00eatre un multiple entier de $k$<\/span>, de telle sorte que chaque condition apparaisse exactement $m = b\/k$<\/span> fois au sein de l’arrangement. La formulation math\u00e9matique s’\u00e9tend alors naturellement sous la forme d’un coefficient multinomial :<\/p>\n

$$N = \\binom{b}{m, m, dots, m} = \\frac{b!}{(m!)^k} = \\frac{b!}{((b\/k)!)^k}$$<\/span><\/p>\n

Ainsi, pour une \u00e9tude psychologique \u00e9valuant trois modalit\u00e9s d’entra\u00eenement cognitif ($k = 3$<\/span>) au sein de blocs de taille $b = 6$<\/span>, chaque modalit\u00e9 apparaissant $m = 2$<\/span> fois, le nombre de permutations possibles s’\u00e9tablit \u00e0 $\\frac{6!}{(2! \\times 2! \\times 2!)} = \\frac{720}{8} = 90$<\/span> agencements s\u00e9quentiels distincts. Cette richesse combinatoire est d\u00e9terminante : plus le nombre d’arrangements est \u00e9lev\u00e9, plus l’incertitude quant \u00e0 l’ordre pr\u00e9cis des attributions est pr\u00e9serv\u00e9e, renfor\u00e7ant la s\u00e9curit\u00e9 m\u00e9thodologique du protocole.<\/p>\n

2.2 Structure probabiliste des s\u00e9quences g\u00e9n\u00e9r\u00e9es<\/h3>\n

D’un point de vue probabiliste, la randomisation par blocs permut\u00e9s repose sur une double structure : une \u00e9quiprobabilit\u00e9 stricte au moment de la s\u00e9lection du bloc complet, coupl\u00e9e \u00e0 une distribution conditionnelle \u00e9volutive pour chaque participant individuel \u00e0 mesure que le bloc se remplit s\u00e9quentiellement. Lors de l’initialisation d’un bloc de taille $b$<\/span> contenant $N$<\/span> permutations possibles, le processus algorithmique effectue un tirage al\u00e9atoire uniforme au sein de cet espace discret. Chaque configuration th\u00e9orique poss\u00e8de donc une probabilit\u00e9 ex ante d’activation rigoureusement identique, d\u00e9finie par :<\/p>\n

$$P(\\text{Configuration}_i) = \\frac{1}{N} = \\frac{1}{\\binom{b}{b\/2}}$$<\/span><\/p>\n

Cependant, si l’on examine le processus d’allocation du point de vue d’un participant individuel occupant le rang $j$<\/span> ($1 le j le b$<\/span>) \u00e0 l’int\u00e9rieur d’un bloc en cours de constitution, la probabilit\u00e9 d’assignation au traitement $A$<\/span> ou $B$<\/span> ne demeure pas invariablement fix\u00e9e \u00e0 0,5. Elle est rigoureusement conditionn\u00e9e par l’historique des allocations d\u00e9j\u00e0 consomm\u00e9es au sein de ce m\u00eame bloc. Soient $n_A(j-1)$<\/span> et $n_B(j-1)$<\/span> les nombres respectifs de sujets d\u00e9j\u00e0 affect\u00e9s aux bras $A$<\/span> et $B$<\/span> parmi les $j-1$<\/span> participants pr\u00e9c\u00e9dents. La probabilit\u00e9 conditionnelle que le $j$<\/span>-i\u00e8me participant re\u00e7oive le traitement $A$<\/span> s’\u00e9tablit formellement selon la distribution hyperg\u00e9om\u00e9trique sous-jacente :<\/p>\n

$$P(T_j = A mid n_A(j-1)) = \\frac{\\frac{b}{2} – n_A(j-1)}{b – (j – 1)}$$<\/span><\/p>\n

Cette formulation r\u00e9v\u00e8le les cons\u00e9quences statistiques cruciales de la non-ind\u00e9pendance conditionnelle. Tant que les quotas d’assignation ne sont pas \u00e9puis\u00e9s, la probabilit\u00e9 oscille autour de la valeur centrale. En revanche, d\u00e8s que l’un des bras exp\u00e9rimentaux atteint son quota maximal ($b\/2$<\/span>), la probabilit\u00e9 d’assignation pour ce groupe s’effondre instantan\u00e9ment \u00e0 z\u00e9ro, tandis que la probabilit\u00e9 d’assignation au groupe compl\u00e9mentaire culmine de mani\u00e8re d\u00e9terministe \u00e0 1,0. Au tout dernier rang du bloc ($j = b$<\/span>), le r\u00e9sultat de la randomisation ne pr\u00e9sente plus aucun al\u00e9a intrins\u00e8que : il est int\u00e9gralement pr\u00e9d\u00e9termin\u00e9 par les $b-1$<\/span> tirages ant\u00e9rieurs. Cette propri\u00e9t\u00e9 math\u00e9matique inali\u00e9nable constitue la principale vuln\u00e9rabilit\u00e9 de la m\u00e9thode, car elle expose l’exp\u00e9rimentateur \u00e0 la possibilit\u00e9 de d\u00e9duire avec certitude la prochaine assignation si l’insu est rompu.<\/p>\n

2.3 Rapport d’allocation et configurations asym\u00e9triques<\/h3>\n

Bien que la parit\u00e9 num\u00e9rique 1:1 constitue le standard d’efficience statistique maximale dans la majorit\u00e9 des essais comparatifs, des imp\u00e9ratifs \u00e9thiques, logistiques ou \u00e9conomiques dictent parfois l’adoption de rapports d’allocation asym\u00e9triques, tels que 2:1, 3:1, ou plus rarement 3:2. Un ratio 2:1 en faveur d’un nouveau traitement est fr\u00e9quemment pl\u00e9biscit\u00e9 en recherche clinique et psychiatrique afin de maximiser le recrutement des patients, ces derniers \u00e9tant statistiquement plus enclins \u00e0 consentir \u00e0 une \u00e9tude s’ils poss\u00e8dent deux fois plus de chances de recevoir la th\u00e9rapie innovante que le placebo ou le traitement standard.<\/p>\n

Pour adapter le mod\u00e8le des blocs permut\u00e9s \u00e0 un ratio d’allocation non \u00e9quilibr\u00e9 de forme $r_A : r_B$<\/span> (o\u00f9 $r_A$<\/span> et $r_B$<\/span> sont des entiers premiers entre eux), la taille minimale absolue du bloc, d\u00e9sign\u00e9e par $b_{\\min}$<\/span>, est strictement contrainte par la somme arithm\u00e9tique de ces coefficients :<\/p>\n

$$b_{\\min} = r_A + r_B$$<\/span><\/p>\n

Par voie de cons\u00e9quence, toute taille de bloc valide $b$<\/span> doit obligatoirement \u00eatre un multiple entier strictement positif de cette taille unitaire fondamentale : $b = c \\times (r_A + r_B)$<\/span>, avec $c in \\mathbb{N}^*$<\/span>. Pour un ratio d’allocation asym\u00e9trique 2:1, la taille minimale possible d’un bloc est de $b_{\\min} = 2 + 1 = 3$<\/span>. Les blocs admissibles dans le protocole doivent donc pr\u00e9senter des longueurs appartenant \u00e0 la suite ${3, 6, 9, 12, dots}$<\/span>. Au sein d’un bloc de taille $b$<\/span> respectant ce ratio, le nombre d’assignations r\u00e9serv\u00e9es au traitement $A$<\/span> sera rigoureusement $n_A = c \\times r_A = \\frac{b \\times r_A}{r_A + r_B}$<\/span>, et pour le traitement $B$<\/span>, $n_B = c \\times r_B = \\frac{b \\times r_B}{r_A + r_B}$<\/span>.<\/p>\n

Le calcul combinatoire du nombre d’arrangements possibles pour ces configurations asym\u00e9triques s’effectue au moyen du coefficient binomial asym\u00e9trique :<\/p>\n

$$N_{\\text{asym}} = \\binom{b}{n_A} = \\frac{b!}{n_A! \\times (b – n_A)!} = \\frac{b!}{\\left(\\frac{b \\cdot r_A}{r_A + r_B}\\right)! \\times \\left(\\frac{b \\cdot r_B}{r_A + r_B}\\right)!}$$<\/span><\/p>\n

Consid\u00e9rons \u00e0 titre d’illustration m\u00e9thodologique un essai clinique adoptant un ratio 2:1 structur\u00e9 en blocs de taille $b = 6$<\/span>. Dans chaque bloc, quatre participants recevront le traitement $A$<\/span> ($n_A = \\frac{6 \\times 2}{3} = 4$<\/span>) et deux participants recevront le traitement $B$<\/span> ($n_B = \\frac{6 \\times 1}{3} = 2$<\/span>). Le nombre total d’arrangements permutationnels distincts s’\u00e9l\u00e8ve alors \u00e0 :<\/p>\n

$$\\binom{6}{4} = \\frac{6!}{4! \\times 2!} = \\frac{720}{24 \\times 2} = 15$$<\/span><\/p>\n

La mise en \u0153uvre de ratios asym\u00e9triques alt\u00e8re profond\u00e9ment la trajectoire des probabilit\u00e9s conditionnelles au sein du bloc. L’\u00e9puisement des allocations pour le bras minoritaire $B$<\/span> intervient g\u00e9n\u00e9ralement plus pr\u00e9cocement le long de la s\u00e9quence, ce qui accro\u00eet math\u00e9matiquement la p\u00e9riode durant laquelle l’assignation au groupe majoritaire devient d\u00e9terministe, renfor\u00e7ant la n\u00e9cessit\u00e9 d’occulter rigoureusement la longueur exacte des blocs aupr\u00e8s des investigateurs de terrain.<\/p>\n

3. Avantages m\u00e9thodologiques et justifications scientifiques<\/h2>\n

3.1 \u00c9quilibre num\u00e9rique garanti \u00e0 intervalles r\u00e9guliers<\/h3>\n

L’atout m\u00e9thodologique pr\u00e9\u00e9minent de la randomisation par blocs permut\u00e9s r\u00e9side dans l’endiguement absolu des disparit\u00e9s d’effectifs entre les bras exp\u00e9rimentaux au fil de l’avancement de l’\u00e9tude. Dans le cadre d’une randomisation simple portant sur une cohorte de 60 sujets r\u00e9partis en deux conditions \u00e0 probabilit\u00e9 \u00e9gale ($p = 0,5$<\/span>), la distribution d’\u00e9chantillonnage de la taille du groupe exp\u00e9rimental suit une loi binomiale $B(60, 0.5)$<\/span>. Les lois de la probabilit\u00e9 indiquent qu’il existe un risque cumul\u00e9 sup\u00e9rieur \u00e0 15 % d’observer un d\u00e9s\u00e9quilibre \u00e9gal ou pire que 36 sujets contre 24, une dissym\u00e9trie qui d\u00e9grade consid\u00e9rablement l’efficience statistique sans qu’aucun \u00e9v\u00e9nement anormal ne soit survenu dans le protocole.<\/p>\n

\u00c0 l’inverse, l’impl\u00e9mentation de blocs permut\u00e9s de taille $b$<\/span> impose une contrainte d\u00e9terministe qui borne de fa\u00e7on absolue le d\u00e9s\u00e9quilibre num\u00e9rique maximal potentiel \u00e0 n’importe quel instant de l’exp\u00e9rimentation. \u00c0 l’ach\u00e8vement de chaque bloc unitaire, le d\u00e9s\u00e9quilibre net entre les groupes $A$<\/span> et $B$<\/span> est rigoureusement nul. Au point le plus d\u00e9favorable — c’est-\u00e0-dire au point m\u00e9dian d’un bloc de taille $b$<\/span> non encore achev\u00e9 o\u00f9 tous les premiers tirages se trouveraient \u00eatre attribu\u00e9s au m\u00eame bras — le d\u00e9s\u00e9quilibre instantan\u00e9 maximal ne peut en aucun cas exc\u00e9der $b\/2$<\/span> sujets. Pour des blocs de taille 4, le diff\u00e9rentiel entre les bras ne d\u00e9passera jamais 2 participants, quelle que soit la date \u00e0 laquelle on inspecte l’\u00e9tat d’avancement de l’inclusion.<\/p>\n

Cette r\u00e9gulation p\u00e9riodique conf\u00e8re une protection m\u00e9thodologique majeure en cas de survenue d’\u00e9v\u00e9nements impr\u00e9vus imposant l’interruption pr\u00e9matur\u00e9e de l’essai clinique. Qu’une \u00e9tude doive \u00eatre arr\u00eat\u00e9e de mani\u00e8re anticip\u00e9e sur recommandation d’un comit\u00e9 ind\u00e9pendant de surveillance et de suivi des donn\u00e9es (Data Safety and Monitoring Board — DSMB) pour cause de toxicit\u00e9 aigu\u00eb inacceptable, d’efficacit\u00e9 hautement sup\u00e9rieure franchissant les bornes d’arr\u00eat d’O’Brien-Fleming, ou simplement en raison d’un ass\u00e8chement impr\u00e9vu des subsides de recherche, le corpus de donn\u00e9es accumul\u00e9 demeure parfaitement \u00e9quilibr\u00e9 jusqu’au dernier bloc achev\u00e9. De surcro\u00eet, cette propri\u00e9t\u00e9 optimise grandement la validit\u00e9 des analyses interm\u00e9diaires planifi\u00e9es, en garantissant que chaque coupe transversale des donn\u00e9es respecte rigoureusement la structure d’allocation pr\u00e9vue par le protocole.<\/p>\n

\"Permuted
Permuted block randomization<\/figcaption><\/figure>\n

3.2 Contr\u00f4le des effets de cohorte et de d\u00e9rive temporelle<\/h3>\n

Au-del\u00e0 de la simple \u00e9galit\u00e9 arithm\u00e9tique globale, la randomisation par blocs neutralise de fa\u00e7on tr\u00e8s efficace les effets de d\u00e9rive temporelle s\u00e9culaires qui corrompent insidieusement les exp\u00e9rimentations s’\u00e9tendant sur des \u00e9chelles de temps longues. Ces d\u00e9rives proviennent d’une multiplicit\u00e9 de sources endog\u00e8nes et exog\u00e8nes : maturation progressive de l’expertise des \u00e9quipes soignantes ou des exp\u00e9rimentateurs, modifications climatiques ou calendaires influen\u00e7ant l’humeur des participants, campagnes d’information m\u00e9diatiques modifiant la perception publique d’une pathologie, ou encore glissement insensible des crit\u00e8res de s\u00e9lection au fil de la baisse d’enthousiasme du recrutement.<\/p>\n

Si une cohorte est recrut\u00e9e sur douze mois selon une randomisation simple pr\u00e9sentant par hasard une concentration d’allocations au traitement $A$<\/span> durant le premier semestre et une concentration au traitement $B$<\/span> durant le second, l’estimation de l’effet th\u00e9rapeutique sera ind\u00e9m\u00ealablement contamin\u00e9e par l’effet de cohorte temporel. Les participants recrut\u00e9s tardivement peuvent pr\u00e9senter des caract\u00e9ristiques sociod\u00e9mographiques ou une s\u00e9v\u00e9rit\u00e9 clinique sous-jacente divergentes de ceux inclus au tout d\u00e9but de l’investigation. En imposant un r\u00e9\u00e9quilibrage syst\u00e9matique tous les $b$<\/span> sujets, la randomisation par blocs contraint chaque phase chronologique de l’exp\u00e9rimentation \u00e0 comporter une repr\u00e9sentation rigoureusement proportionnelle des diff\u00e9rentes interventions.<\/p>\n

Ce m\u00e9canisme garantit une invariance temporelle de la composition des groupes. Les effets d’apprentissage des \u00e9valuateurs — qui ont tendance \u00e0 administrer les \u00e9chelles psychom\u00e9triques avec une pr\u00e9cision et une sensibilit\u00e9 accrues au fur et \u00e0 mesure que l’essai progresse — se trouvent uniform\u00e9ment distribu\u00e9s entre les groupes exp\u00e9rimentaux. De m\u00eame, les ph\u00e9nom\u00e8nes de lassitude ou d’\u00e9puisement professionnel (\u00ab burnout \u00bb) des th\u00e9rapeutes intervenant dans les essais psychologiques ouverts se r\u00e9partissent \u00e9quitablement sur l’ensemble des bras comparatifs, emp\u00eachant qu’un groupe d’intervention ne p\u00e2tisse syst\u00e9matiquement d’un encadrement clinique d\u00e9grad\u00e9 par rapport \u00e0 un autre.<\/p>\n

3.3 Optimisation de la puissance statistique<\/h3>\n

D’un point de vue inf\u00e9rentiel, la pr\u00e9servation d’un \u00e9quilibre strict des effectifs entre les bras d’une \u00e9tude constitue la configuration la plus robuste pour maximiser la puissance statistique<\/a> d’un contraste bilat\u00e9ral sous contrainte d’un effectif total $N$<\/span> donn\u00e9. En statistique inf\u00e9rentielle classique, l’erreur standard de la diff\u00e9rence entre deux moyennes ind\u00e9pendantes $\\bar{Y}_A – \\bar{Y}_B$<\/span> s’exprime par la relation fondamentale :<\/p>\n

$$SE(\\bar{Y}_A – \\bar{Y}_B) = \\sigma \\sqrt{\\frac{1}{n_A} + \\frac{1}{n_B}}$$<\/span><\/p>\n

o\u00f9 $\\sigma$<\/span> d\u00e9signe l’\u00e9cart-type r\u00e9siduel suppos\u00e9 commun sous l’hypoth\u00e8se d’homos\u30d1dasticit\u00e9. Il s’agit d’une propri\u00e9t\u00e9 math\u00e9matique \u00e9l\u00e9mentaire que, sous la contrainte $n_A + n_B = N$<\/span>, la somme arithm\u00e9tique $\\frac{1}{n_A} + \\frac{1}{n_B}$<\/span> atteint son minimum th\u00e9orique absolu si et seulement si les deux effectifs sont rigoureusement \u00e9gaux, c’est-\u00e0-dire lorsque $n_A = n_B = N\/2$<\/span>. Tout \u00e9cart par rapport \u00e0 cette \u00e9galit\u00e9 se traduit in\u00e9luctablement par un gonflement de l’erreur standard de l’estimateur, \u00e9largissant les intervalles de confiance et affaiblissant la capacit\u00e9 du test d’hypoth\u00e8se (tel que le test $t$<\/span> de Student ou l’analyse de variance univari\u00e9e) \u00e0 rejeter l’hypoth\u00e8se nulle d’absence d’effet en pr\u00e9sence d’une diff\u00e9rence r\u00e9elle.<\/p>\n

Bien que des proc\u00e9dures correctrices a posteriori ou des ajustements par r\u00e9gression multivari\u00e9e puissent att\u00e9nuer les distorsions induites par des disparit\u00e9s d’effectifs, elles ne sauraient reconstituer l’information perdue due au sous-dimensionnement de l’un des bras. En maintenant une parit\u00e9 num\u00e9rique quasi parfaite tout au long de l’\u00e9tude, la randomisation par blocs prot\u00e8ge la configuration d’\u00e9chantillonnage optimale, garantissant que la puissance a priori calcul\u00e9e lors de la phase de conception du protocole soit effectivement concr\u00e9tis\u00e9e lors de l’analyse primaire des donn\u00e9es.<\/p>\n

4. Protocole m\u00e9thodologique d’impl\u00e9mentation en recherche empirique<\/h2>\n

4.1 \u00c9tape 1 : D\u00e9finition des param\u00e8tres initiaux du protocole<\/h3>\n

L’\u00e9laboration concr\u00e8te d’une proc\u00e9dure de randomisation par blocs d\u00e9bute imp\u00e9rativement par une explicitation a priori des param\u00e8tres cardinaux de l’essai au sein du protocole d’investigation formel, pr\u00e9alablement \u00e0 toute inclusion du premier participant. Le m\u00e9thodologiste doit d\u00e9terminer avec exactitude la taille globale de l’\u00e9chantillon cible ($N$<\/span>), issue d’un calcul rigoureux de puissance statistique prenant en consid\u00e9ration la taille d’effet minimale cliniquement pertinente (exprim\u00e9e par exemple sous forme de $d$<\/span> de Cohen ou de rapport de cotes), le risque d’erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>, conventionnellement fix\u00e9 \u00e0 0,05) et la puissance souhait\u00e9e ($1 – \\beta$<\/span>, typiquement \u00e9tablie \u00e0 0,80 ou 0,90).<\/p>\n

L’\u00e9tape critique consiste ensuite \u00e0 s\u00e9lectionner la taille du bloc ($b$<\/span>). Ce choix proc\u00e8de d’un arbitrage d\u00e9licat entre deux exigences contradictoires : maximiser la fr\u00e9quence du r\u00e9\u00e9quilibrage num\u00e9rique (ce qui plaide pour des blocs r\u00e9duits, $b = 2$<\/span> ou $b = 4$<\/span>) et minimiser la pr\u00e9dictibilit\u00e9 des attributions pour pr\u00e9server l’insu (ce qui requiert des blocs plus volumineux, $b ge 6$<\/span> ou $b = 8$<\/span>). La taille choisie doit obligatoirement \u00eatre un diviseur exact de la taille de l’\u00e9chantillon total si l’on souhaite que le dernier bloc de l’\u00e9tude s’ach\u00e8ve sur une \u00e9galit\u00e9 math\u00e9matique absolue, bien que cela ne soit pas une condition invalidante en pratique clinique courante si l’effectif final s’arr\u00eate en cours de bloc.<\/p>\n

Enfin, le chercheur doit identifier les \u00e9ventuelles variables pronostiques majeures susceptibles d’interagir fortement avec le traitement — telles que le stade pathologique, la tranche d’\u00e2ge ou le centre investigateur dans un cadre multicentrique. Si de telles covariables existent, elles devront servir de base \u00e0 une stratification conjointe, chaque strate h\u00e9bergeant sa propre s\u00e9quence autonome de blocs permut\u00e9s, comme nous le d\u00e9taillerons dans les sections ult\u00e9rieures de ce travail.<\/p>\n

4.2 \u00c9tape 2 : \u00c9num\u00e9ration et g\u00e9n\u00e9ration de l’espace des permutations<\/h3>\n

Une fois la taille du bloc fix\u00e9e, la seconde phase m\u00e9thodologique consiste \u00e0 cartographier exhaustivement et syst\u00e9matiquement l’ensemble de l’espace combinatoire des permutations admissibles r\u00e9pondant aux contraintes du ratio d’allocation. Consid\u00e9rons l’\u00e9valuation de deux interventions $A$<\/span> et $B$<\/span> dans un sch\u00e9ma \u00e9quiprobable avec des blocs de taille $b = 4$<\/span>. Comme d\u00e9montr\u00e9 pr\u00e9c\u00e9demment par le calcul binomial $\\binom{4}{2} = 6$<\/span>, l’espace permutationnel complet comporte exactement six agencements distincts, qu’il convient d’indexer formellement dans une table de r\u00e9f\u00e9rence :<\/p>\n