Comprendre le plan split-plot ne se r\u00e9sume pas \u00e0 ma\u00eetriser une variante technique de l’analyse de variance (ANOVA)<\/a> ; cela exige une v\u00e9ritable plong\u00e9e dans l’\u00e9pist\u00e9mologie de la causalit\u00e9 exp\u00e9rimentale, la structure des variances r\u00e9siduelles et la th\u00e9orie des mod\u00e8les lin\u00e9aires mixtes. Le pr\u00e9sent trait\u00e9 m\u00e9thodologique propose une exploration exhaustive de cette architecture exp\u00e9rimentale : depuis ses origines historiques \u00e0 la station de Rothamsted sous la direction de Sir Ronald Fisher jusqu’\u00e0 ses transpositions contemporaines dans les neurosciences et la psychologie comportementale (sous la forme des plans mixtes dits between-within<\/em>), en passant par sa formulation math\u00e9matique, ses pi\u00e8ges inf\u00e9rentiels redoutables telle la pseudo-r\u00e9plication, et les protocoles stricts guidant sa mise en \u0153uvre.<\/p>\n Le plan en parcelles divis\u00e9es, ou split-plot design<\/em>, se d\u00e9finit conceptuellement comme un dispositif exp\u00e9rimental multifactoriel caract\u00e9ris\u00e9 par une structure hi\u00e9rarchique et embo\u00eet\u00e9e des unit\u00e9s exp\u00e9rimentales, au sein duquel diff\u00e9rents facteurs sont appliqu\u00e9s \u00e0 des unit\u00e9s de tailles distinctes g\u00e9n\u00e9r\u00e9es par des processus de randomisation s\u00e9par\u00e9s. Dans la taxonomie des plans d’exp\u00e9rience, il occupe une place singuli\u00e8re : il ne s’agit ni d’un plan factoriel compl\u00e8tement randomis\u00e9, ni d’un simple plan en blocs complets au sens classique, mais d’une hybridation structurelle con\u00e7ue pour concilier des contraintes d’\u00e9chelle h\u00e9t\u00e9rog\u00e8nes.<\/p>\n Dans un plan factoriel standard \u00e0 deux facteurs $A$<\/span> et $B$<\/span>, chaque unit\u00e9 exp\u00e9rimentale \u00e9l\u00e9mentaire a une probabilit\u00e9 \u00e9gale de recevoir n’importe quelle combinaison des niveaux $A_i B_j$<\/span>. Une telle approche pr\u00e9suppose que les niveaux des deux facteurs peuvent \u00eatre modifi\u00e9s, combin\u00e9s et assign\u00e9s avec une libert\u00e9 et une fluidit\u00e9 op\u00e9rationnelles absolues. Or, dans le plan split-plot, cette interchangeabilit\u00e9 est rompue. Les unit\u00e9s exp\u00e9rimentales primaires, appel\u00e9es parcelles principales (ou whole-plots<\/em>), re\u00e7oivent l’application d’un premier facteur, tandis que ces unit\u00e9s sont elles-m\u00eames subdivis\u00e9es en unit\u00e9s secondaires, d\u00e9nomm\u00e9es sous-parcelles (ou split-plots<\/em>), auxquelles sont allou\u00e9s les niveaux d’un second facteur.<\/p>\n Cette diff\u00e9renciation structurelle d\u00e9coule presque toujours d’une n\u00e9cessit\u00e9 m\u00e9thodologique impos\u00e9e par des contraintes mat\u00e9rielles, \u00e9conomiques ou temporelles insurmontables. Si un facteur exige un appareillage massif, un co\u00fbt financier exorbitant par changement de r\u00e9glage ou un volume d’espace consid\u00e9rable, il devient virtuellement impossible d’en changer le niveau \u00e0 chaque r\u00e9p\u00e9tition \u00e9l\u00e9mentaire. Le plan split-plot r\u00e9sout cette contrainte en acceptant que ce facteur lourd soit appliqu\u00e9 \u00e0 grande \u00e9chelle, tout en greffant \u00e0 l’int\u00e9rieur de chaque unit\u00e9 ainsi trait\u00e9e des sous-unit\u00e9s recevant les niveaux d’un facteur beaucoup plus agile et facile \u00e0 manipuler.<\/p>\n Le principe fondamental qui gouverne et authentifie le plan split-plot r\u00e9side dans sa double \u00e9chelle de randomisation<\/strong>. Contrairement \u00e0 une croyance r\u00e9pandue qui r\u00e9duirait le split-plot \u00e0 une simple commodit\u00e9 de collecte de donn\u00e9es, il s’agit d’un protocole d’assignation al\u00e9atoire \u00e0 deux phases distinctes et cons\u00e9cutives, r\u00e9gies par des lois probabilistes autonomes mais articul\u00e9es.<\/p>\n La premi\u00e8re phase de randomisation op\u00e8re au niveau macroscopique : les niveaux du facteur principal sont tir\u00e9s au sort et attribu\u00e9s aux parcelles principales (ou \u00e0 des blocs de parcelles principales). \u00c0 cette \u00e9tape, l’unit\u00e9 exp\u00e9rimentale est la parcelle principale dans sa globalit\u00e9. Une fois cette configuration \u00e9tablie, intervient la seconde phase de randomisation, strictement confin\u00e9e \u00e0 l’int\u00e9rieur des fronti\u00e8res de chaque parcelle principale : les niveaux du facteur secondaire sont alors assign\u00e9s par tirage au sort aux sous-parcelles qui la composent. Il n’existe donc aucune randomisation globale permettant \u00e0 une sous-parcelle de la parcelle $1$ d’\u00e9changer sa condition avec une sous-parcelle de la parcelle $2$ si leurs parcelles d’appartenance ne partagent pas le m\u00eame niveau du facteur principal.<\/p>\n Les cons\u00e9quences directes de cette double assignation sur la structure de variance sont consid\u00e9rables. Puisque les sous-parcelles appartenant \u00e0 une m\u00eame parcelle principale partagent un environnement commun, des caract\u00e9ristiques intrins\u00e8ques ou une histoire temporelle identique, leurs r\u00e9ponses tendent in\u00e9vitablement \u00e0 \u00eatre positivement corr\u00e9l\u00e9es. D\u00e8s lors, la variance r\u00e9siduelle se scinde math\u00e9matiquement en deux composantes ind\u00e9pendantes :<\/p>\n D’un point de vue \u00e9pist\u00e9mologique, le plan split-plot incarne une r\u00e9ponse sophistiqu\u00e9e \u00e0 la tension permanente entre la validit\u00e9 interne du laboratoire et la validit\u00e9 \u00e9cologique du terrain. Dans les sciences empiriques, l’isolation parfaite des variables et la randomisation int\u00e9grale constituent souvent un id\u00e9al chim\u00e9rique dont la poursuite aveugle engendre des co\u00fbts prohibitifs ou d\u00e9truit pr\u00e9cis\u00e9ment le ph\u00e9nom\u00e8ne que l’on pr\u00e9tend mesurer.<\/p>\n En acceptant formellement l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des unit\u00e9s et la d\u00e9pendance contextuelle locale, le split-plot r\u00e9alise un compromis optimal : il pr\u00e9serve une rigueur d\u00e9ductive irr\u00e9prochable gr\u00e2ce au contr\u00f4le probabiliste des deux strates d’erreur, tout en s’adaptant avec souplesse aux contraintes logistiques du monde r\u00e9el. Cette pertinence explique pourquoi le dispositif a transcend\u00e9 son berceau originel pour essaimer dans l’ensemble des sciences appliqu\u00e9es. Initialement forg\u00e9 pour \u00e9valuer l’interaction entre les grands modes de labourage et les engrais chimiques, il a \u00e9t\u00e9 r\u00e9appropri\u00e9 par le g\u00e9nie des proc\u00e9d\u00e9s industriels (fours de traitement thermique abritant diff\u00e9rentes pi\u00e8ces usin\u00e9es), l’\u00e9cologie des communaut\u00e9s (macro-habitats fragment\u00e9s soumis \u00e0 des micro-interventions) et, de mani\u00e8re spectaculaire, les sciences du comportement.<\/p>\n Dans ces derni\u00e8res, le passage du champ agricole \u00e0 l’esprit humain s’est op\u00e9r\u00e9 par une analogie fonctionnelle parfaite : l’individu ou le groupe clinique est devenu la parcelle principale, porteuse de caract\u00e9ristiques stables et difficiles \u00e0 modifier, tandis que la succession des stimuli cognitifs ou des mesures r\u00e9p\u00e9t\u00e9es dans le temps constitue la trame des sous-parcelles. Ce glissement historique t\u00e9moigne de la f\u00e9condit\u00e9 universelle d’un concept qui a su math\u00e9matiser l’in\u00e9vitable hi\u00e9rarchie du r\u00e9el.<\/p>\n Pour appr\u00e9hender la m\u00e9canique intime du split-plot, il est indispensable de se replacer dans l’effervescence intellectuelle de la station agronomique de Rothamsted<\/a>, en Angleterre, au d\u00e9but des ann\u00e9es 1920. C’est en ce lieu mythique que Sir Ronald Aylmer Fisher<\/a> r\u00e9volutionna \u00e0 jamais la statistique moderne en publiant en 1925 son \u0153uvre magistrale, Statistical Methods for Research Workers<\/em>, suivie de The Design of Experiments<\/em> en 1935.<\/p>\n \u00c0 cette \u00e9poque, les agronomes de Rothamsted faisaient face \u00e0 des impasses logistiques r\u00e9currentes. L’\u00e9tude conjointe de facteurs agronomiques exigeait souvent de combiner des interventions m\u00e9caniques lourdes \u2014 telles que la profondeur de labourage par traction \u00e0 vapeur ou l’irrigation par canalisation \u2014 avec des interventions manuelles ou chimiques l\u00e9g\u00e8res, comme le dosage de superphosphates ou le semis de diff\u00e9rentes vari\u00e9t\u00e9s de c\u00e9r\u00e9ales. Modifier la profondeur de labourage parcelle par parcelle sur des bandes de quelques m\u00e8tres carr\u00e9s \u00e9tait techniquement absurde et mat\u00e9riellement irr\u00e9alisable, car les charrues n\u00e9cessitaient de longues distances pour man\u0153uvrer. La randomisation compl\u00e8te d’un plan factoriel aurait impos\u00e9 des centaines de changements de r\u00e9glages de machines, menant \u00e0 une explosion des co\u00fbts et \u00e0 des bordures de parcelles labour\u00e9es chaotiques faussant les r\u00e9sultats.<\/p>\n Face \u00e0 cette aporie, Fisher formalisa une solution th\u00e9orique audacieuse : renoncer \u00e0 l’uniformit\u00e9 de l’\u00e9chelle exp\u00e9rimentale. Il proposa d’appliquer les labours m\u00e9caniques sur de grandes bandes de terre homog\u00e8nes, puis de diviser transversalement chacune de ces bandes en parcelles secondaires plus petites recevant les diff\u00e9rentes vari\u00e9t\u00e9s v\u00e9g\u00e9tales ou engrais. En d\u00e9rivant les fondements math\u00e9matiques de l’analyse de variance appliqu\u00e9e \u00e0 ces structures parcellaires gigognes, Fisher venait de donner naissance au premier plan en parcelles divis\u00e9es.<\/p>\n L’introduction du plan split-plot par Fisher a marqu\u00e9 une rupture \u00e9pist\u00e9mologique majeure avec le dogme alors dominant de la randomisation totale uniforme. Jusqu’alors, la doctrine statistique stipulait que l’inf\u00e9rence causale valide reposait exclusivement sur une assignation al\u00e9atoire ind\u00e9pendante et identiquement distribu\u00e9e de chaque traitement unitaire. Fisher a d\u00e9montr\u00e9 avec \u00e9clat que la randomisation n’\u00e9tait pas n\u00e9cessairement un processus plat et isotrope, mais qu’elle pouvait \u00eatre stratifi\u00e9e pour refl\u00e9ter la structure des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s spatiales du terrain.<\/p>\n Cette perc\u00e9e a conduit \u00e0 la formalisation math\u00e9matique de ce que l’on nomme aujourd’hui les strates d’erreur<\/strong> (error strata<\/em>). Fisher a compris que l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 spatiale d’un sol agricole n’est pas un bruit blanc amorphe : deux bandes de terre adjacentes au sein d’une m\u00eame zone partagent une fertilit\u00e9, une humidit\u00e9 et une composition microbienne plus proches que deux bandes situ\u00e9es aux extr\u00e9mit\u00e9s oppos\u00e9es du domaine. D\u00e8s lors, vouloir agr\u00e9ger toutes les variations r\u00e9siduelles au sein d’un d\u00e9nominateur unique revenait \u00e0 commettre une faute logique lourde, conduisant \u00e0 masquer des effets r\u00e9els ou \u00e0 gonfler artificiellement la significativit\u00e9 statistique.<\/p>\n La p\u00e9r\u00e9quation subtile entre la th\u00e9orie math\u00e9matique de l’\u00e9chantillonnage et les contraintes m\u00e9caniques du terrain a ainsi \u00e9tabli qu’une exp\u00e9rience bien con\u00e7ue ne force pas la nature \u00e0 se plier \u00e0 un mod\u00e8le math\u00e9matique simpliste, mais enrichit le formalisme statistique pour \u00e9pouser fid\u00e8lement l’architecture physique des contraintes exp\u00e9rimentales.<\/p>\n Au fil des d\u00e9cennies qui ont suivi les d\u00e9couvertes de Fisher, le concept de split-plot s’est \u00e9mancip\u00e9 de ses oripeaux purement agricoles pour faire l’objet de g\u00e9n\u00e9ralisations math\u00e9matiques spectaculaires. Les travaux de statisticiens \u00e9minents tels que Frank Yates, George Box et Oscar Kempthorne ont formalis\u00e9 la d\u00e9composition des esp\u00e9rances des carr\u00e9s moyens (Expected Mean Squares<\/em>), clarifiant les r\u00e8gles d’attribution des tests d’hypoth\u00e8se pour une myriade de configurations complexes, incluant les plans en parcelles sous-divis\u00e9es (split-split-plot<\/em>) et les plans en bandes crois\u00e9es (strip-plot<\/em>).<\/p>\n \u00c0 partir des ann\u00e9es 1970 et 1980, l’av\u00e8nement de l’informatique statistique a propuls\u00e9 le dispositif dans l’\u00e8re moderne des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s \u00e0 effets mixtes<\/strong> (GLMM). Les chercheurs ont r\u00e9alis\u00e9 que le split-plot repr\u00e9sentait le cas particulier le plus \u00e9l\u00e9gant d’un mod\u00e8le hi\u00e9rarchique lin\u00e9aire comportant des effets fixes (les traitements dont on souhaite mesurer l’impact syst\u00e9matique) et des effets al\u00e9atoires (les parcelles ou sujets tir\u00e9s au sort dans une population plus vaste). Cette modernisation a permis de d\u00e9passer les limitations rigides de l’ANOVA traditionnelle sur donn\u00e9es \u00e9quilibr\u00e9es pour traiter avec une rigueur statistique optimale des jeux de donn\u00e9es marqu\u00e9s par des valeurs manquantes, des distributions non gaussiennes ou des structures d’autocorr\u00e9lation complexes.<\/p>\n Au c\u0153ur de la structure binaire d’un plan split-plot se trouve une asym\u00e9trie op\u00e9rationnelle fondamentale entre deux types de variables explicatives. La premi\u00e8re cat\u00e9gorie correspond au facteur principal<\/strong>, couramment d\u00e9sign\u00e9 dans la litt\u00e9rature d’ing\u00e9nierie et d’optimisation exp\u00e9rimentale sous le terme de facteur Hard-to-Change<\/em> (HTC). Cette variable se singularise par l’impossibilit\u00e9 ou l’extr\u00eame difficult\u00e9 pratique de modifier ses niveaux de mani\u00e8re dynamique, rapide ou \u00e9conomique au fil des essais successifs.<\/p>\n Les sources de cette rigidit\u00e9 sont multiples et d\u00e9pendent \u00e9troitement du domaine d’application :<\/p>\n Dans l’architecture du split-plot, ce facteur contraignant est assign\u00e9 de mani\u00e8re exclusive \u00e0 l’unit\u00e9 exp\u00e9rimentale de premier niveau, la parcelle principale. De fait, le chercheur choisit d\u00e9lib\u00e9r\u00e9ment de minimiser le nombre de transitions et de reconfigurations de ce facteur en maintenant son niveau constant sur un macro-bloc d’essais.<\/p>\n \u00c0 l’oppos\u00e9 diam\u00e9tral du facteur principal se trouve le facteur secondaire<\/strong>, qualifi\u00e9 de facteur Easy-to-Change<\/em> (ETC). Cette variable pr\u00e9sente une souplesse op\u00e9rationnelle \u00e9lev\u00e9e, autorisant des permutations rapides, peu co\u00fbteuses et spatialement ou temporellement localis\u00e9es sans perturber le d\u00e9roulement global du protocole exp\u00e9rimental.<\/p>\n Dans un contexte agronomique, il s’agira par exemple du choix de la semence ou de la pulv\u00e9risation manuelle d’un oligo-\u00e9l\u00e9ment \u00e0 l’aide d’un pulv\u00e9risateur portatif, t\u00e2che pouvant varier instantan\u00e9ment d’une micro-parcelle \u00e0 la parcelle voisine. Dans un laboratoire industriel, il s’agira du temps d’immersion d’un \u00e9chantillon dans un bain chimique ou de la pression de d\u00e9coupe appliqu\u00e9e par une t\u00eate laser sur diff\u00e9rentes zones d’un m\u00eame panneau pr\u00e9alablement chauff\u00e9. En psychologie cognitive, il s’agira de la pr\u00e9sentation al\u00e9atoire \u00e0 l’\u00e9cran d’un mot \u00e0 valence \u00e9motionnelle n\u00e9gative suivi imm\u00e9diatement d’un mot neutre lors d’une t\u00e2che informatis\u00e9e.<\/p>\n Chaque unit\u00e9 principale h\u00e9bergeant un niveau fix\u00e9 du facteur difficile \u00e0 modifier est subdivis\u00e9e pour accueillir l’ensemble (ou une fraction planifi\u00e9e) des niveaux du facteur facile \u00e0 modifier. Cette modularit\u00e9 permet de croiser les effets sans multiplier les manipulations structurelles lourdes qui ruineraient la faisabilit\u00e9 logistique de l’\u00e9tude.<\/p>\n L’assemblage d’un facteur difficile \u00e0 modifier et d’un facteur facile \u00e0 modifier au sein d’un m\u00eame dispositif produit une matrice de traitement crois\u00e9e en apparence similaire \u00e0 celle d’un plan factoriel classique. Pourtant, la structure d’assignation sous-jacente g\u00e9n\u00e8re des contraintes d’ind\u00e9pendance fondamentales<\/strong> qui modifient substantiellement les propri\u00e9t\u00e9s statistiques de l’exp\u00e9rience.<\/p>\n Puisque les modalit\u00e9s du facteur secondaire sont imbriqu\u00e9es et test\u00e9es \u00e0 l’int\u00e9rieur des parcelles principales, les observations recueillies au sein d’une m\u00eame parcelle principale partagent une covariance environnementale non nulle. L’ind\u00e9pendance statistique totale des observations \u2014 hypoth\u00e8se cardinale des mod\u00e8les lin\u00e9aires ordinaires \u2014 est donc formellement viol\u00e9e. Chaque donn\u00e9e issue d’une sous-parcelle est conditionn\u00e9e par l’effet de groupe de son unit\u00e9 d’accueil.<\/p>\n Cette d\u00e9pendance contextuelle a un impact direct sur le calcul et la distribution des degr\u00e9s de libert\u00e9 r\u00e9siduels. Alors qu’un plan factoriel totalement randomis\u00e9 calcule ses degr\u00e9s de libert\u00e9 sur la totalit\u00e9 des observations moins le nombre de cellules de traitement, le plan split-plot s\u00e9questre les degr\u00e9s de libert\u00e9 en deux compartiments \u00e9tanches :<\/p>\n Il en r\u00e9sulte une asym\u00e9trie de puissance exp\u00e9rimentale structurelle qu’aucun artifice math\u00e9matique a posteriori ne saurait totalement gommer.<\/p>\n L’unit\u00e9 de parcelle principale, ou whole-plot<\/em>, constitue l’entit\u00e9 macroscopique fondamentale du dispositif. Sa d\u00e9limitation physique, g\u00e9ographique ou temporelle d\u00e9finit le p\u00e9rim\u00e8tre d’homog\u00e9n\u00e9it\u00e9 relative au sein duquel est maintenue constante une modalit\u00e9 du facteur difficile \u00e0 changer. Dans l’espace agronomique originel, elle repr\u00e9sente une bande de terre continue de plusieurs dizaines ou centaines de m\u00e8tres carr\u00e9s labour\u00e9e d’un seul trait. Dans une cha\u00eene de fabrication de semi-conducteurs, elle correspond \u00e0 une chambre de d\u00e9p\u00f4t chimique en phase vapeur traitant une fourn\u00e9e compl\u00e8te de plaquettes de silicium.<\/p>\n D’un point de vue statistique, la parcelle principale fonctionne comme un bloc naturel incomplet<\/strong> vis-\u00e0-vis des autres modalit\u00e9s du facteur principal, mais complet vis-\u00e0-vis des modalit\u00e9s du facteur secondaire. En h\u00e9bergeant un ensemble de mesures r\u00e9alis\u00e9es sous des conditions similaires, la parcelle principale induit une corr\u00e9lation intra-classe in\u00e9vitable : deux sous-unit\u00e9s issues de la m\u00eame parcelle principale sont structurellement plus semblables entre elles que deux sous-unit\u00e9s issues de parcelles principales diff\u00e9rentes, m\u00eame si ces derni\u00e8res partagent le m\u00eame niveau de traitement. C’est pr\u00e9cis\u00e9ment l’oubli de ce statut de macro-unit\u00e9 qui conduit aux pires d\u00e9rives inf\u00e9rentielles de la litt\u00e9rature scientifique contemporaine.<\/p>\n L’unit\u00e9 de sous-parcelle, ou split-plot<\/em> proprement dite, r\u00e9sulte de la partition d\u00e9lib\u00e9r\u00e9e de la parcelle principale en fragments distincts et spatialement contigus. Ces fragments doivent \u00eatre calibr\u00e9s de fa\u00e7on \u00e0 minimiser l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne de la parcelle d’accueil, assurant ainsi que chaque modalit\u00e9 du facteur secondaire soit expos\u00e9e \u00e0 des conditions micro-environnementales aussi \u00e9quivalentes que possible.<\/p>\n La randomisation des niveaux du facteur secondaire est op\u00e9r\u00e9e de mani\u00e8re rigoureuse et ind\u00e9pendante \u00e0 l’int\u00e9rieur de chaque unit\u00e9 principale. Par cons\u00e9quent, chaque parcelle principale agit comme un mini-univers au sein duquel les sous-traitements sont r\u00e9assign\u00e9s al\u00e9atoirement. Cette proximit\u00e9 physique ou temporelle imm\u00e9diate entre sous-parcelles au sein d’une m\u00eame macro-unit\u00e9 conf\u00e8re au dispositif une sensibilit\u00e9 exp\u00e9rimentale remarquable. En \u00e9liminant les variations de fond inter-parcelles lors des comparaisons directes entre sous-parcelles, le chercheur b\u00e9n\u00e9ficie d’un rapport signal\/bruit consid\u00e9rablement am\u00e9lior\u00e9 pour d\u00e9tecter les effets propres du facteur facile \u00e0 modifier ainsi que les interactions complexes.<\/p>\n L’architecture formelle d’un plan split-plot repose sur un paradoxe apparent qu’il importe de clarifier : il s’agit d’un dispositif simultan\u00e9ment embo\u00eet\u00e9<\/strong> (nested<\/em>) sur le plan physique et crois\u00e9<\/strong> (crossed<\/em>) sur le plan factoriel et conceptuel. Cette dualit\u00e9 se d\u00e9ploie selon des axes bien distincts :<\/p>\n Cette relation hi\u00e9rarchique impose que l’allocation des traitements s’effectue selon une cascade descendante, conditionnant l’ensemble des esp\u00e9rances math\u00e9matiques associ\u00e9es aux diff\u00e9rentes strates du mod\u00e8le lin\u00e9aire.<\/p>\n Pour illustrer de mani\u00e8re limpide la m\u00e9canique d’un plan en parcelles divis\u00e9es, consid\u00e9rons l’exemple agronomique historique revisit\u00e9 : l’\u00e9valuation conjointe de deux r\u00e9gimes d’irrigation et de deux types de fertilisants azot\u00e9s sur le rendement du bl\u00e9 dur. Supposons un protocole d’\u00e9tude mobilisant quatre grands champs agricoles distincts, caract\u00e9ris\u00e9s par une superficie suffisante pour d\u00e9ployer des syst\u00e8mes d’arrosage automatis\u00e9s.<\/p>\n Le facteur principal, hautement difficile \u00e0 modifier en raison de la plomberie et des canalisations de surface requises, est le mode d’irrigation<\/strong>, d\u00e9clin\u00e9 en deux modalit\u00e9s : l’irrigation par aspersion classique ($A_1$<\/span>) et l’irrigation goutte-\u00e0-goutte de pr\u00e9cision ($A_2$<\/span>). Les quatre champs disponibles constituent nos parcelles principales. Par tirage au sort (premi\u00e8re randomisation), deux champs re\u00e7oivent la modalit\u00e9 $A_1$<\/span> (Champs 1 et 3), et les deux autres re\u00e7oivent la modalit\u00e9 $A_2$<\/span> (Champs 2 et 4). Nous disposons ainsi de deux r\u00e9p\u00e9titions ($r = 2$<\/span>) pour chaque niveau d’irrigation.<\/p>\n Le facteur secondaire, \u00e9minemment flexible, est le type de fertilisant<\/strong>, comparant un engrais min\u00e9ral standard ($B_1$<\/span>) \u00e0 une formulation organo-min\u00e9rale enrichie \u00e0 lib\u00e9ration lente ($B_2$<\/span>). Chaque champ (parcelle principale) est scind\u00e9 en deux sections d’\u00e9gale superficie : les sous-parcelles. \u00c0 l’int\u00e9rieur de chaque champ, un tirage au sort ind\u00e9pendant (seconde randomisation) d\u00e9termine quelle sous-section re\u00e7oit l’engrais $B_1$<\/span> et laquelle re\u00e7oit l’engrais $B_2$<\/span>. La cartographie finale totalise donc huit sous-parcelles d’observation, organis\u00e9es en quatre paires structurellement corr\u00e9l\u00e9es.<\/p>\n L’analyse rigoureuse d’un tel dispositif impose de diss\u00e9quer minutieusement la variabilit\u00e9 globale observ\u00e9e sur le rendement en grains. Les sources de variation se d\u00e9ploient selon une hi\u00e9rarchie \u00e0 trois \u00e9tages :<\/p>\n La quintessence de l’approche r\u00e9side dans la s\u00e9paration \u00e9tanche des termes d’erreur. Si nous commettions l’erreur d’analyser ces huit parcelles au moyen d’une ANOVA factorielle classique \u00e0 un seul terme r\u00e9siduel, nous commettrions une b\u00e9vue m\u00e9thodologique r\u00e9dhibitoire. Dans le split-plot agronomique, deux erreurs distinctes sont calcul\u00e9es :<\/p>\n L’Erreur A<\/strong> (erreur inter-parcelles principales) d\u00e9coule de la variance observ\u00e9e entre les champs trait\u00e9s de mani\u00e8re identique. Elle poss\u00e8de ici seulement $2 \\times (2 – 1) = 2$<\/span> degr\u00e9s de libert\u00e9. C’est cette variance, relativement \u00e9lev\u00e9e en raison de la variabilit\u00e9 spatiale macro-g\u00e9ographique, qui sert de d\u00e9nominateur pour calculer le test $F$<\/span> de Fisher mesurant l’effet de l’irrigation. La puissance pour d\u00e9tecter l’effet de l’irrigation est donc intrins\u00e8quement mod\u00e9r\u00e9e.<\/p>\n L’Erreur B<\/strong> (erreur intra-parcelles ou r\u00e9siduelle des sous-parcelles) capture la variabilit\u00e9 r\u00e9siduelle des interactions entre les sous-parcelles et les blocs au sein de chaque grand champ. Disposant \u00e9galement ici de $2$ degr\u00e9s de libert\u00e9 (dans cet exemple minimaliste \u00e0 deux r\u00e9p\u00e9titions), cette variance est g\u00e9n\u00e9ralement beaucoup plus faible que l’Erreur A, car elle est purg\u00e9e de toute l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 spatiale globale existant entre les diff\u00e9rents champs. C’est elle qui sert de d\u00e9nominateur pour tester la significativit\u00e9 du fertilisant ($B$<\/span>) et de l’interaction irrigation $\\times$<\/span> fertilisant ($A \\times B$<\/span>). Il en r\u00e9sulte que le dispositif est incomparablement plus sensible et pr\u00e9cis pour juger des effets de l’engrais que pour juger de ceux de l’irrigation.<\/p>\n L’une des migrations conceptuelles les plus remarquables de la statistique moderne s’est op\u00e9r\u00e9e lorsque les psychologues exp\u00e9rimentalistes et les sp\u00e9cialistes des sciences du comportement ont transpos\u00e9 la logique agronomique de Fisher \u00e0 l’\u00e9tude de l’esprit humain. Dans les publications contemporaines en psychologie cognitive, en neuropsychologie ou en sciences de l’\u00e9ducation, le terme split-plot design<\/em> est souvent employ\u00e9 comme un strict synonyme de plan d’exp\u00e9rience mixte<\/strong> (souvent d\u00e9sign\u00e9 sous l’expression between-within design<\/em> ou split-plot ANOVA<\/em>).<\/p>\n L’analogie structurelle qui fonde cette \u00e9quivalence est d’une grande limpidit\u00e9 g\u00e9om\u00e9trique :<\/p>\n Cette correspondance math\u00e9matique parfaite implique que les donn\u00e9es comportementales issues de protocoles mixtes partagent exactement la m\u00eame structure de covariance et exigent le m\u00eame traitement matriciel que les donn\u00e9es de r\u00e9colte issues des champs de bl\u00e9 de Rothamsted.<\/p>\n Dans la recherche sur l’humain, les facteurs inter-sujets (between-subjects factors<\/em>) jouent exactement le r\u00f4le des facteurs difficiles \u00e0 changer (Hard-to-Change<\/em>). Ces facteurs renvoient \u00e0 des caract\u00e9ristiques stationnaires du sujet ou \u00e0 des assignations protocolaires lourdes dont il est impossible de changer la modalit\u00e9 d’un essai \u00e0 l’autre de mani\u00e8re instantan\u00e9e.<\/p>\n On retrouve dans cette cat\u00e9gorie :<\/p>\n Un \u00eatre humain ne pouvant pas \u00eatre simultan\u00e9ment d\u00e9pressif et sain lors d’une m\u00eame fraction de seconde, ni avoir compl\u00e9t\u00e9 et non compl\u00e9t\u00e9 une formation p\u00e9dagogique au m\u00eame moment, ces facteurs s’imposent \u00e0 l’\u00e9chelle de l’individu tout entier. Le sujet devient ainsi l’unit\u00e9 de randomisation et d’\u00e9chantillonnage de premier niveau.<\/p>\n \u00c0 l’inverse, les facteurs intra-sujets (within-subjects factors<\/em>) correspondent aux facteurs faciles \u00e0 changer (Easy-to-Change<\/em>). Ils incarnent des modulations \u00e9ph\u00e9m\u00e8res, dynamiques et r\u00e9versibles de l’environnement cognitif ou sensoriel du participant.<\/p>\n Au cours d’une m\u00eame session exp\u00e9rimentale, un chercheur peut ais\u00e9ment alterner sur un \u00e9cran d’ordinateur des stimuli visuels affichant des visages \u00e0 expression faciale effray\u00e9e, joyeuse ou neutre. De m\u00eame, la difficult\u00e9 d’un calcul mental (addition simple versus \u00e9quation alg\u00e9brique), l’intervalle de r\u00e9tention mn\u00e9sique (2 secondes versus 15 secondes) ou la modalit\u00e9 sensorielle de pr\u00e9sentation (auditive versus visuelle) sont des facteurs hautement plastiques. Le sujet traverse successivement ces diff\u00e9rentes conditions exp\u00e9rimentales au gr\u00e9 des essais.<\/p>\n Toutefois, la transposition en psychologie introduit un d\u00e9fi m\u00e9thodologique absent de l’agronomie classique : l’esprit humain est dou\u00e9 d’apprentissage, de m\u00e9moire et d’anticipation. Les sous-parcelles temporelles ne sont pas immobiles dans l’espace comme des bandes de terre ; l’exposition \u00e0 la condition $B_1$<\/span> peut contaminer durablement la r\u00e9ponse \u00e0 la condition $B_2$<\/span>. Le contrebalancement rigoureux de l’ordre de pr\u00e9sentation des stimuli (par exemple au moyen de carr\u00e9s latins<\/a>) devient alors un imp\u00e9ratif absolu pour pr\u00e9server la randomisation de seconde strate.<\/p>\n Pour mat\u00e9rialiser la puissance du paradigme split-plot en neurosciences comportementales, \u00e9tudions un protocole exp\u00e9rimental destin\u00e9 \u00e0 \u00e9lucider l’impact d’un stress psychologique aigu sur les diff\u00e9rentes charges de la m\u00e9moire de travail ex\u00e9cutive. Ce protocole illustre la structure mixte $2 \\times 3$<\/span>.<\/p>\n Le facteur principal (inter-sujets, HTC) est l’induction de stress aigu<\/strong>. Quarante participants volontaires sains sont recrut\u00e9s et assign\u00e9s al\u00e9atoirement \u00e0 l’un des deux groupes exp\u00e9rimentaux ($N = 20$<\/span> par condition) :<\/p>\n1. Introduction fondamentale aux plans en parcelles divis\u00e9es (split-plot)<\/h2>\n
1.1 D\u00e9finition conceptuelle et taxonomie exp\u00e9rimentale<\/h3>\n
1.2 La double \u00e9chelle de randomisation<\/h3>\n
\n
1.3 Pertinence \u00e9pist\u00e9mologique dans les sciences empiriques<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/splitPlot1.png\")
<\/figure>\n2. Origines historiques et fondements m\u00e9thodologiques selon Ronald Fisher<\/h2>\n
2.1 Le contexte agronomique de Rothamsted en 1925<\/h3>\n
2.2 L’\u00e9volution de la th\u00e9orie des plans d’exp\u00e9rience<\/h3>\n
2.3 H\u00e9ritage et modernisation du concept<\/h3>\n
3. Les deux niveaux de facteurs : Facteur difficile vs facteur facile \u00e0 modifier<\/h2>\n
3.1 Typologie du facteur principal (difficile \u00e0 modifier)<\/h3>\n
\n
3.2 Typologie du facteur secondaire (facile \u00e0 modifier)<\/h3>\n
3.3 Matrice de croisement et contraintes d’ind\u00e9pendance<\/h3>\n
\n
![\"Split-plot](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/splitPlot2.png\")
4. Anatomie structurelle : Parcelles principales et sous-parcelles<\/h2>\n
4.1 L’unit\u00e9 de parcelle principale (Whole-Plot)<\/h3>\n
4.2 L’unit\u00e9 de sous-parcelle (Split-Plot)<\/h3>\n
4.3 Relations hi\u00e9rarchiques et embo\u00eetement exp\u00e9rimental<\/h3>\n
\n
5. Exemple canonique agronomique : L’irrigation et les fertilisants revisit\u00e9s<\/h2>\n
5.1 Mise en place du dispositif de terrain<\/h3>\n
5.2 Identification des sources de variation<\/h3>\n
\n
5.3 Traitement de l’erreur exp\u00e9rimentale agronomique<\/h3>\n
![\"Split-plot](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/splitPlot3.png\")
6. Transposition en psychologie exp\u00e9rimentale : Les plans mixtes sujets-stimuli<\/h2>\n
6.1 L’analogie structurelle : Participants et sessions de test<\/h3>\n
\n
6.2 Facteurs inter-sujets comme facteurs difficiles \u00e0 modifier<\/h3>\n
\n
6.3 Facteurs intra-sujets comme facteurs faciles \u00e0 modifier<\/h3>\n
7. Exemple concret en recherche psychologique et neurosciences cognitives<\/h2>\n
7.1 Protocole d’\u00e9tude sur la m\u00e9moire de travail et le stress aigu<\/h3>\n