n<\/em>-Variate Distribution \u00bb. Bien avant de devenir l’un des pionniers de l’informatique moderne \u00e0 travers la conception de l’ENIAC, Mauchly s’est int\u00e9ress\u00e9 \u00e0 la g\u00e9om\u00e9trie analytique des distributions multinormales et \u00e0 l’\u00e9valuation des propri\u00e9t\u00e9s structurelles des matrices de variance-covariance. \u00c0 cette \u00e9poque, le probl\u00e8me pos\u00e9 relevait de la statistique math\u00e9matique pure : comment v\u00e9rifier si un \u00e9chantillon multidimensionnel d’observations corr\u00e9l\u00e9es d\u00e9rive d’une population parente dont les axes principaux de dispersion poss\u00e8dent une variance identique dans toutes les directions orthogonales de l’espace euclidien ?<\/p>\nLa migration de cette formulation matricielle abstraite vers l’arsenal des sciences comportementales et biom\u00e9dicales s’est op\u00e9r\u00e9e au cours des d\u00e9cennies 1950 et 1960. Avec l’essor des plans exp\u00e9rimentaux sophistiqu\u00e9s th\u00e9oris\u00e9s par Ronald Fisher, les psychologues ont rapidement per\u00e7u l’int\u00e9r\u00eat d’administrer plusieurs conditions exp\u00e9rimentales successives \u00e0 un m\u00eame groupe d’individus. Cependant, les pionniers de la psychom\u00e9trie se sont heurt\u00e9s \u00e0 un \u00e9cueil analytique majeur : l’application non critique de l’ANOVA univari\u00e9e classique \u00e0 ces donn\u00e9es longitudinales entra\u00eenait des taux anormaux de rejet de l’hypoth\u00e8se nulle. Les travaux fondamentaux de George Box en 1954, suivis de ceux de Samuel Greenhouse et Seymour Geisser en 1958, ont mis en lumi\u00e8re que la validit\u00e9 du ratio de variance \u00e9tait intrins\u00e8quement conditionn\u00e9e par les propri\u00e9t\u00e9s alg\u00e9briques de la matrice de dispersion intra-sujets, propulsant les travaux de Mauchly au centre des pr\u00e9occupations m\u00e9thodologiques de la psychologie empirique.<\/p>\n
D\u00e8s lors, l’\u00e9valuation des matrices de variance-covariance intra-sujets n’a plus \u00e9t\u00e9 per\u00e7ue comme une simple coquetterie technique, mais comme un imp\u00e9ratif de rigueur scientifique. Dans les protocoles de psychologie cognitive et clinique, o\u00f9 l’on enregistre couramment l’\u00e9volution de marqueurs cognitifs, physiologiques ou affectifs \u00e0 travers de multiples sessions d’\u00e9valuation, le test de Mauchly est devenu l’algorithme standard impl\u00e9ment\u00e9 par d\u00e9faut dans les environnements computationnels pour certifier la validit\u00e9 des inf\u00e9rences d\u00e9duites des contrastes temporels ou factoriels.<\/p>\n
1.2 Importance critique dans les plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n
La sp\u00e9cificit\u00e9 des protocoles longitudinaux et intra-sujets en psychologie r\u00e9side dans la partition de la variabilit\u00e9 totale. Contrairement aux devis transversaux o\u00f9 la variance inter-individuelle vient syst\u00e9matiquement alimenter le d\u00e9nominateur du test statistique (carr\u00e9 moyen de l’erreur), le plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es permet d’isoler math\u00e9matiquement cette variance attribuable aux particularit\u00e9s stables des participants. En soustrayant cet effet \u00ab sujet \u00bb du terme d’erreur r\u00e9siduelle, le chercheur maximise la sensibilit\u00e9 de son dispositif exp\u00e9rimental, augmentant de fa\u00e7on drastique la probabilit\u00e9 de d\u00e9tecter des effets r\u00e9els de faible ou moyenne amplitude, tels qu’un gain mn\u00e9sique t\u00e9nu ou une variation subtile de l’activit\u00e9 \u00e9lectrodermale.<\/p>\n
N\u00e9anmoins, cet avantage statistique majeur se paie d’un co\u00fbt structural : les observations recueillies sur une m\u00eame unit\u00e9 exp\u00e9rimentale partagent une d\u00e9pendance stochastique intrins\u00e8que. Un individu affichant une anxi\u00e9t\u00e9 basale \u00e9lev\u00e9e lors de la premi\u00e8re passation aura une forte probabilit\u00e9 probabiliste de maintenir un niveau relatif \u00e9lev\u00e9 lors des passations subs\u00e9quentes par rapport \u00e0 ses pairs. D\u00e8s lors que l’on manipule un facteur exp\u00e9rimental comportant trois modalit\u00e9s ou davantage, la structure de covariance reliant ces moments de mesure devient complexe. Il devient illusoire de postuler une ind\u00e9pendance des erreurs, et c’est \u00e0 ce niveau pr\u00e9cis qu’intervient la sph\u00e9ricit\u00e9 comme crit\u00e8re de r\u00e9gularit\u00e9 g\u00e9om\u00e9trique.<\/p>\n
Le test de Mauchly joue ainsi un r\u00f4le de sentinelle m\u00e9thodologique incontournable pr\u00e9alablement \u00e0 toute interpr\u00e9tation des effets omnibus ou des interactions intra-sujets au sein de l’ANOVA. Si la g\u00e9om\u00e9trie des dispersions s’av\u00e8re non sph\u00e9rique, l’estimateur de l’erreur r\u00e9siduelle univari\u00e9e est structurellement biais\u00e9 \u00e0 la baisse, ce qui gonfle m\u00e9caniquement la valeur calcul\u00e9e de la statistique F<\/em>. Sans le filtrage pr\u00e9ventif assur\u00e9 par le test de Mauchly, les chercheurs s’exposeraient \u00e0 d\u00e9clarer significatives des diff\u00e9rences de traitement qui ne sont en r\u00e9alit\u00e9 que des artefacts imputables \u00e0 la corr\u00e9lation diff\u00e9rentielle entre les niveaux d’administration des variables ind\u00e9pendantes.<\/p>\n1.3 Positionnement par rapport aux autres postulats statistiques<\/h3>\n
Pour appr\u00e9hender correctement la fonction diagnostique du test de Mauchly, il convient de le situer au sein de l’arborescence des conditions d’application du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Une confusion fr\u00e9quente dans la litt\u00e9rature psychologique consiste \u00e0 assimiler la sph\u00e9ricit\u00e9 \u00e0 l’homog\u00e9n\u00e9it\u00e9 des variances (homosc\u00e9dasticit\u00e9) telle qu’\u00e9valu\u00e9e par les tests de Levene ou de Bartlett. L’homosc\u00e9dasticit\u00e9 classique concerne l’\u00e9galit\u00e9 des variances de la variable d\u00e9pendante entre des groupes d’individus ind\u00e9pendants et distincts. En revanche, la sph\u00e9ricit\u00e9 s’applique de mani\u00e8re exclusive aux comparaisons intra-individuelles et concerne la stabilit\u00e9 de la variance des diff\u00e9rences calcul\u00e9es entre les multiples conditions exp\u00e9rimentales appliqu\u00e9es \u00e0 une m\u00eame cohorte.<\/p>\n
De surcro\u00eet, la sph\u00e9ricit\u00e9 doit \u00eatre soigneusement distingu\u00e9e du postulat d’ind\u00e9pendance des r\u00e9sidus. Dans les plans inter-sujets, l’ind\u00e9pendance des observations individuelles est une condition fondamentale dont la violation ruine l’inf\u00e9rence univari\u00e9e. Dans un plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es, l’interd\u00e9pendance des scores d’un m\u00eame sujet au fil du temps est explicitement reconnue et int\u00e9gr\u00e9e dans le mod\u00e8le math\u00e9matique. Le postulat ne porte donc plus sur l’ind\u00e9pendance mutuelle des scores bruts, mais sur la conformit\u00e9 de leur matrice de d\u00e9pendance \u00e0 un patron particulier o\u00f9 chaque paire de conditions pr\u00e9sente la m\u00eame variance d’\u00e9cart.<\/p>\n
Il existe par cons\u00e9quent une hi\u00e9rarchie s\u00e9quentielle rigoureuse dans la v\u00e9rification des postulats menant \u00e0 l’inf\u00e9rence statistique valide dans les designs intra-sujets. En premier lieu se trouve l’ind\u00e9pendance des unit\u00e9s exp\u00e9rimentales entre elles (les sujets ne doivent pas s’influencer mutuellement). En deuxi\u00e8me lieu intervient la normalit\u00e9 multidimensionnelle des distributions conditionnelles au sein de la population parente. Ce n’est qu’une fois ces deux piliers conceptuels pos\u00e9s que s’articule le troisi\u00e8me verrou : l’\u00e9valuation de la structure de covariance via le test de sph\u00e9ricit\u00e9 de Mauchly. Si ce dernier est transgress\u00e9, le chercheur ne doit pas n\u00e9cessairement abandonner le paradigme univari\u00e9, mais ajuster les degr\u00e9s de libert\u00e9 th\u00e9oriques ou basculer vers des m\u00e9thodes multivari\u00e9es appropri\u00e9es.<\/p>\n
2. Le concept fondamental de sph\u00e9ricit\u00e9 : cadre th\u00e9orique et math\u00e9matique<\/h2>\n2.1 D\u00e9finition rigoureuse de la condition de sph\u00e9ricit\u00e9<\/h3>\n
Sur le plan math\u00e9matique, la sph\u00e9ricit\u00e9 ne requiert aucunement que les variances des conditions exp\u00e9rimentales d’origine soient identiques, ni m\u00eame que toutes les covariances entre paires de conditions soient \u00e9gales. La condition de sph\u00e9ricit\u00e9, formellement conceptualis\u00e9e par Huynh et Feldt ainsi que par Rouanet et L\u00e9pine au d\u00e9but des ann\u00e9es 1970, exige une propri\u00e9t\u00e9 plus accessible mais stricte : la variance de la diff\u00e9rence entre n’importe quelle paire de modalit\u00e9s du facteur intra-sujets doit \u00eatre rigoureusement constante. Si l’on d\u00e9signe par Yj<\/sub><\/em> et Yk<\/sub><\/em> deux conditions distinctes mesur\u00e9es chez un ensemble de participants, la condition de sph\u00e9ricit\u00e9 impose que :<\/p>\nVar(Yj<\/sub><\/em> – Yk<\/sub><\/em>) = constante, pour tout j<\/em> diff\u00e9rent de k<\/em>.<\/p>\nEn d\u00e9veloppant l’expression de la variance d’une diff\u00e9rence de deux variables al\u00e9atoires d\u00e9pendantes, cette \u00e9galit\u00e9 peut \u00eatre transcrite en fonction des variances individuelles et de la covariance qui les lie :<\/p>\n
Var(Yj<\/sub><\/em> – Yk<\/sub><\/em>) = Var(Yj<\/sub><\/em>) + Var(Yk<\/sub><\/em>) – 2 * Cov(Yj<\/sub><\/em>, Yk<\/sub><\/em>).<\/p>\nCette formulation analytique montre avec clart\u00e9 pourquoi la sph\u00e9ricit\u00e9 est une condition moins restrictive que l’\u00e9galit\u00e9 conjointe de toutes les variances et de toutes les covariances. Si une condition exp\u00e9rimentale pr\u00e9sente une variance intrins\u00e8que plus \u00e9lev\u00e9e, la sph\u00e9ricit\u00e9 peut n\u00e9anmoins \u00eatre pr\u00e9serv\u00e9e si les covariances unissant cette condition aux autres augmentent proportionnellement de mani\u00e8re \u00e0 maintenir invariant le terme r\u00e9sultant. Alg\u00e9briquement, lorsqu’on applique un ensemble de (k<\/em> – 1) contrastes orthogonaux normalis\u00e9s \u00e0 la matrice de covariance de d\u00e9part, la matrice r\u00e9sultante doit poss\u00e9der une forme diagonale o\u00f9 tous les \u00e9l\u00e9ments de la diagonale principale sont identiques et o\u00f9 tous les \u00e9l\u00e9ments hors diagonale s’annulent. C’est l’exacte satisfaction de cette propri\u00e9t\u00e9 spectrale qui garantit que la statistique univari\u00e9e F<\/em> suit rigoureusement une distribution th\u00e9orique de Fisher avec (k<\/em> – 1) et (k<\/em> – 1)(N<\/em> – 1) degr\u00e9s de libert\u00e9.<\/p>\n2.2 Distinction entre sym\u00e9trie compos\u00e9e et sph\u00e9ricit\u00e9<\/h3>\n
L’une des ambigu\u00eft\u00e9s les plus r\u00e9currentes de la litt\u00e9rature statistique appliqu\u00e9e r\u00e9side dans la confusion entre la sym\u00e9trie compos\u00e9e (compound symmetry<\/em>) et la sph\u00e9ricit\u00e9. La sym\u00e9trie compos\u00e9e repr\u00e9sente un cas particulier, particuli\u00e8rement contraignant, de la structure de dispersion. Une matrice de variance-covariance empirique respecte la sym\u00e9trie compos\u00e9e si et seulement si deux conditions sont simultan\u00e9ment remplies : d’une part, toutes les variances sur la diagonale principale sont strictement identiques (homosc\u00e9dasticit\u00e9 parfaite entre les sessions : σ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup> = … = σk<\/em><\/sub>2<\/sup> = σ2<\/sup>), et d’autre part, toutes les covariances hors diagonale sont rigoureusement \u00e9gales (σjk<\/em><\/sub> = σcov<\/sub> pour tout j<\/em> distinct de k<\/em>).<\/p>\nIl est ais\u00e9 de d\u00e9montrer math\u00e9matiquement que la sym\u00e9trie compos\u00e9e constitue une condition suffisante pour assurer la sph\u00e9ricit\u00e9. En effet, si Var(Yj<\/sub><\/em>) = σ2<\/sup> pour tout j<\/em> et que Cov(Yj<\/sub><\/em>, Yk<\/sub><\/em>) = σcov<\/sub> pour tout couple (j<\/em>, k<\/em>), alors l’application directe de la formule de la variance d’une diff\u00e9rence donne :<\/p>\nVar(Yj<\/sub><\/em> – Yk<\/sub><\/em>) = σ2<\/sup> + σ2<\/sup> – 2 * σcov<\/sub> = 2 * (σ2<\/sup> – σcov<\/sub>) = constante.<\/p>\nN\u00e9anmoins, la sym\u00e9trie compos\u00e9e n’est aucunement une condition n\u00e9cessaire. Il est math\u00e9matiquement tout \u00e0 fait possible qu’une matrice de variance-covariance pr\u00e9sente des variances marginales h\u00e9t\u00e9rog\u00e8nes le long de sa diagonale et des covariances disparates hors de sa diagonale, tout en satisfaisant rigoureusement la condition d’\u00e9galit\u00e9 des variances des diff\u00e9rences de paires. Ainsi, l’ensemble des matrices poss\u00e9dant la propri\u00e9t\u00e9 de sym\u00e9trie compos\u00e9e forme un sous-ensemble strict de l’ensemble plus vaste des matrices satisfaisant le postulat de sph\u00e9ricit\u00e9. C’est cette g\u00e9n\u00e9ralit\u00e9 alg\u00e9brique qui rend la sph\u00e9ricit\u00e9 centrale : l’ANOVA intra-sujets n’exige pas la rigidit\u00e9 de la sym\u00e9trie compos\u00e9e, mais s’accommode parfaitement de la sph\u00e9ricit\u00e9 au sens large.<\/p>\n
2.3 Cas particulier des plans \u00e0 deux niveaux de mesure<\/h3>\n
Une propri\u00e9t\u00e9 th\u00e9orique fondamentale, souvent n\u00e9glig\u00e9e par les praticiens d\u00e9butants, concerne le comportement des plans factoriels intra-sujets ne comportant que deux conditions exp\u00e9rimentales (k<\/em> = 2). Qu’il s’agisse d’un pr\u00e9-test compar\u00e9 \u00e0 un post-test, ou de la confrontation de deux blocs de stimuli (congruents versus incongruents dans une t\u00e2che de Stroop), la condition de sph\u00e9ricit\u00e9 ne peut tout simplement jamais \u00eatre viol\u00e9e.<\/p>\nLa d\u00e9monstration de cette propri\u00e9t\u00e9 repose sur une logique arithm\u00e9tique imm\u00e9diate. Lorsque k<\/em> = 2, le nombre total de diff\u00e9rences appari\u00e9es possibles entre deux modalit\u00e9s est donn\u00e9 par la formule combinatoire k<\/em>(k<\/em> – 1) \/ 2. Pour k<\/em> = 2, nous obtenons :<\/p>\n2 * (2 – 1) \/ 2 = 1 paire unique.<\/p>\n
Puisqu’il n’existe qu’une seule et unique variance de diff\u00e9rence possible au sein du plan exp\u00e9rimental, \u00e0 savoir Var(Y<\/em>1<\/sub> – Y<\/em>2<\/sub>), la notion m\u00eame de comparaison d’homog\u00e9n\u00e9it\u00e9 entre plusieurs variances de diff\u00e9rences devient math\u00e9matiquement sans objet. Une valeur unique est, par d\u00e9finition tautologique, \u00e9gale \u00e0 elle-m\u00eame. D\u00e8s lors, toute violation de la sph\u00e9ricit\u00e9 est conceptuellement impossible dans les plans \u00e0 deux niveaux de mesure.<\/p>\nC’est pourquoi les logiciels d’analyse statistique tels qu’IBM SPSS, JASP ou les paquets sp\u00e9cialis\u00e9s de R ne g\u00e9n\u00e8rent aucun r\u00e9sultat pour le test de Mauchly lorsqu’un facteur ne poss\u00e8de que deux modalit\u00e9s : la bo\u00eete de dialogue ou l’objet de sortie affiche un point d’interrogation, une valeur vide ou une mention textuelle d’inapplicabilit\u00e9. Le test de sph\u00e9ricit\u00e9 de Mauchly ne commence \u00e0 d\u00e9ployer sa pertinence diagnostique et m\u00e9thodologique qu’\u00e0 partir du moment o\u00f9 le facteur intra-sujets comprend au minimum k<\/em> ≥ 3 niveaux, engendrant au moins trois variances de diff\u00e9rences susceptibles de diff\u00e9rer mutuellement.<\/p>\n3. Les postulats de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es et les risques de violation<\/h2>\n3.1 Panorama des hypoth\u00e8ses de l’ANOVA intra-sujets<\/h3>\n
L’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es s’inscrit dans l’architecture probabiliste des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux. Sa puissance explicative repose sur un faisceau d’hypoth\u00e8ses distributionnelles et structurelles que le chercheur doit obligatoirement inventorier. En premier lieu figure l’exigence de multinormalit\u00e9 des donn\u00e9es : le vecteur des variables d\u00e9pendantes mesur\u00e9es \u00e0 travers les k<\/em> conditions doit suivre conjointement une loi normale multidimensionnelle au sein de chaque population parente. Cette condition garantit la distributivit\u00e9 conjointe des sommes de carr\u00e9s et l’ad\u00e9quation des lois th\u00e9oriques associ\u00e9es aux termes de r\u00e9sidus.<\/p>\nEn second lieu se trouve l’ind\u00e9pendance de l’\u00e9chantillonnage entre les sujets. Si les observations recueillies chez un m\u00eame individu sont par essence corr\u00e9l\u00e9es, le protocole exp\u00e9rimental doit assurer que le comportement ou le score de n’importe quel participant n’exerce aucune influence directe ou indirecte sur les performances d’un autre participant de la cohorte. Ce principe r\u00e9cuse toute forme de contagion inter-individuelle, de passation collective non contr\u00f4l\u00e9e ou de structure hi\u00e9rarchique nich\u00e9e non prise en compte par le mod\u00e8le math\u00e9matique.<\/p>\n
Enfin, au-del\u00e0 de la normalit\u00e9 et de l’\u00e9chantillonnage al\u00e9atoire, l’ANOVA intra-sujets requiert la stabilit\u00e9 temporelle ou structurelle des covariances au sein de la matrice de donn\u00e9es. Cette propri\u00e9t\u00e9 se d\u00e9cline en l’absence d’effets r\u00e9siduels asym\u00e9triques (effets de report ou carryover effects<\/em>) entre les conditions exp\u00e9rimentales, g\u00e9n\u00e9ralement contr\u00f4l\u00e9s par des techniques de contrebalancement ou de carr\u00e9 latin, et s’incarne formellement dans le respect du postulat de sph\u00e9ricit\u00e9 de la matrice de covariance r\u00e9siduelle.<\/p>\n3.2 M\u00e9canismes de distorsion du ratio F<\/h3>\n
Pour comprendre la catastrophe statistique provoqu\u00e9e par une violation de la sph\u00e9ricit\u00e9, il faut diss\u00e9quer l’\u00e9quation fondamentale qui d\u00e9termine le test de la significativit\u00e9 de l’effet intra-sujets. La statistique F<\/em> de Fisher correspond au rapport entre le carr\u00e9 moyen de l’effet factoriel (MS<\/em>effet<\/sub>) et le carr\u00e9 moyen de l’interaction de cet effet avec les sujets, qui sert d’erreur r\u00e9siduelle (MS<\/em>erreur<\/sub>) :<\/p>\nF<\/em> = MS<\/em>effet<\/sub> \/ MS<\/em>erreur<\/sub>.<\/p>\nSous l’hypoth\u00e8se nulle d’absence d’effet du traitement et sous la condition stricte de sph\u00e9ricit\u00e9, ce ratio suit exactement une loi F<\/em> param\u00e9tr\u00e9e par ν1<\/sub> = (k<\/em> – 1) degr\u00e9s de libert\u00e9 au num\u00e9rateur et ν2<\/sub> = (k<\/em> – 1)(N<\/em> – 1) degr\u00e9s de libert\u00e9 au d\u00e9nominateur. La construction math\u00e9matique de cette loi suppose que les variances d’erreur associ\u00e9es \u00e0 chacun des contrastes orthogonaux constitutifs de l’espace intra-sujets soient rigoureusement homog\u00e8nes.<\/p>\nEn cas de non-respect av\u00e9r\u00e9 de la sph\u00e9ricit\u00e9, cette \u00e9galit\u00e9 spectrale se brise. L’estimateur composite du carr\u00e9 moyen de l’erreur, qui calcule une moyenne arithm\u00e9tique globale des variances de r\u00e9sidus associ\u00e9es aux diff\u00e9rents contrastes, cesse de constituer une estimation non biais\u00e9e de la variabilit\u00e9 locale propre \u00e0 chaque \u00e9cart. De mani\u00e8re plus critique, les corr\u00e9lations h\u00e9t\u00e9rog\u00e8nes entre les niveaux d’\u00e9valuation entra\u00eenent une distorsion qui comprime le terme d’erreur global (MS<\/em>erreur<\/sub>). En pr\u00e9sence de covariances fortement variables, le d\u00e9nominateur de la fraction diminue de mani\u00e8re anormale, ce qui provoque une augmentation artificielle et infond\u00e9e de la valeur num\u00e9rique du ratio F<\/em> calcul\u00e9. L’analyste se trouve alors face \u00e0 une statistique F<\/em> empirique tr\u00e8s \u00e9lev\u00e9e qui ne refl\u00e8te pas une divergence syst\u00e9matique entre les moyennes exp\u00e9rimentales, mais une pathologie g\u00e9om\u00e9trique de la matrice d’erreur r\u00e9siduelle.<\/p>\n3.3 Inflation du taux d’erreur de premi\u00e8re esp\u00e8ce (alpha)<\/h3>\n
La cons\u00e9quence directe et imm\u00e9diate de l’\u00e9l\u00e9vation artificielle du ratio F<\/em> est la d\u00e9rive incontr\u00f4l\u00e9e du risque d’erreur de premi\u00e8re esp\u00e8ce, universellement d\u00e9sign\u00e9 par la lettre grecque α. En psychologie comme dans l’ensemble des sciences empiriques, le seuil de significativit\u00e9 conventionnel est fix\u00e9 \u00e0 α = 0,05, signifiant que le chercheur accepte un risque maximal de 5 % de rejeter l’hypoth\u00e8se nulle alors qu’elle est v\u00e9rifi\u00e9e dans la population parente. Or, d\u00e8s lors que la matrice de variance-covariance s’\u00e9loigne significativement de la sph\u00e9ricit\u00e9, les valeurs critiques tabul\u00e9es de la distribution de Fisher th\u00e9orique cessent d’\u00eatre valables.<\/p>\nLes \u00e9tudes de simulation de Monte-Carlo men\u00e9es depuis les travaux s\u00e9minaux de Box (1954) d\u00e9montrent sans \u00e9quivoque que lorsque la violation de la sph\u00e9ricit\u00e9 devient s\u00e9v\u00e8re, le taux d’erreur de premi\u00e8re esp\u00e8ce empirique diverge consid\u00e9rablement du seuil nominal de 0,05. Dans des situations d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 marqu\u00e9e des variances des diff\u00e9rences, le risque r\u00e9el de fausse d\u00e9couverte peut grimper \u00e0 0,10, 0,15, voire exc\u00e9der 0,25 pour des plans exp\u00e9rimentaux complexes impliquant un grand nombre de mesures r\u00e9p\u00e9t\u00e9es. En d’autres termes, un exp\u00e9rimentateur peut avoir plus d’une chance sur quatre de d\u00e9clarer un traitement clinique ou une manipulation cognitive statistiquement significatif alors qu’aucun effet r\u00e9el n’existe dans la population g\u00e9n\u00e9rale.<\/p>\n
Cette vuln\u00e9rabilit\u00e9 math\u00e9matique repr\u00e9sente une menace majeure pour la robustesse et la r\u00e9plicabilit\u00e9 des r\u00e9sultats en psychologie exp\u00e9rimentale. Dans le contexte contemporain de la crise de la reproductibilit\u00e9, o\u00f9 la communaut\u00e9 scientifique exige une transparence accrue et une solidit\u00e9 m\u00e9thodologique sans faille, n\u00e9gliger l’\u00e9valuation de la sph\u00e9ricit\u00e9 et omettre d’appliquer les corrections correctives appropri\u00e9es revient \u00e0 injecter massivement des faux positifs dans le corpus acad\u00e9mique publi\u00e9.<\/p>\n
4. Formulation th\u00e9orique et hypoth\u00e8ses statistiques du test de Mauchly<\/h2>\n4.1 \u00c9nonc\u00e9 formel des hypoth\u00e8ses nulle et alternative<\/h3>\n
Le test \u00e9labor\u00e9 par John W. Mauchly en 1940 a \u00e9t\u00e9 sp\u00e9cifiquement con\u00e7u pour \u00e9valuer la conformit\u00e9 statistique d’une matrice de variance-covariance empirique au postulat de sph\u00e9ricit\u00e9. Comme tout test d’inf\u00e9rence d’ad\u00e9quation, il repose sur la confrontation formelle de deux hypoth\u00e8ses statistiques mutuellement exclusives. L’hypoth\u00e8se nulle, not\u00e9e H<\/em>0<\/sub>, postule que la matrice de variance-covariance de la population, une fois projet\u00e9e sur un ensemble orthonormal de contrastes intra-sujets, poss\u00e8de une structure parfaitement sph\u00e9rique :<\/p>\nH<\/em>0<\/sub> : Σtransform\u00e9e<\/sub> = σ2<\/sup> I<\/strong>(k<\/em> – 1)<\/sub>,<\/p>\no\u00f9 Σtransform\u00e9e<\/sub> d\u00e9signe la matrice de covariance r\u00e9duite de dimension (k<\/em> – 1) × (k<\/em> – 1), σ2<\/sup> repr\u00e9sente une constante scalaire positive correspondant \u00e0 la variance commune de tous les contrastes normalis\u00e9s, et I<\/strong>(k<\/em> – 1)<\/sub> symbolise la matrice identit\u00e9 d’ordre (k<\/em> – 1). Sous cette hypoth\u00e8se nulle, toutes les variances des diff\u00e9rences de paires sont identiques au sein de la population parente, ce qui valide l’emploi direct des valeurs critiques de l’ANOVA univari\u00e9e sans ajustement.<\/p>\n\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative, not\u00e9e H<\/em>1<\/sub>, pose la n\u00e9gation de cette \u00e9galit\u00e9 structurelle :<\/p>\nH<\/em>1<\/sub> : Σtransform\u00e9e<\/sub> ≠ σ2<\/sup> I<\/strong>(k<\/em> – 1)<\/sub>.<\/p>\nLe rejet de l’hypoth\u00e8se nulle consacre le fait que la matrice de dispersion empirique pr\u00e9sente une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances de contrastes ou des corr\u00e9lations non nulles entre contrastes orthogonaux qui ne peut raisonnablement \u00eatre imput\u00e9e aux seules fluctuations d’\u00e9chantillonnage al\u00e9atoire. Ce rejet interdit formellement au chercheur d’interpr\u00e9ter le ratio F<\/em> standard et d\u00e9clenche imm\u00e9diatement l’obligation m\u00e9thodologique de modifier le pipeline d’analyse des donn\u00e9es par l’application de coefficients de correction d’epsilon ou par le recours \u00e0 des mod\u00e9lisations alternatives.<\/p>\n4.2 Structure de la statistique W de Mauchly<\/h3>\n
Pour quantifier l’\u00e9cart s\u00e9parant la matrice observ\u00e9e de l’id\u00e9al de sph\u00e9ricit\u00e9, Mauchly a d\u00e9velopp\u00e9 un crit\u00e8re statistique d’une grande \u00e9l\u00e9gance g\u00e9om\u00e9trique, d\u00e9sign\u00e9 par la lettre W<\/em>. Cette statistique repose sur le rapport entre la moyenne g\u00e9om\u00e9trique et la moyenne arithm\u00e9tique des valeurs propres (λ1<\/sub>, λ2<\/sub>, …, λp<\/em><\/sub>) extraites de la matrice de covariance transform\u00e9e de dimension p<\/em> = (k<\/em> – 1) :<\/p>\nW<\/em> = [ ∏i<\/em> = 1<\/sub>p<\/em><\/sup> λi<\/em><\/sub> ] \/ [ (1 \/ p<\/em>) * ∑i<\/em> = 1<\/sub>p<\/em><\/sup> λi<\/em><\/sub> ]p<\/em><\/sup>.<\/p>\nCette formulation spectrale peut \u00e9galement s’exprimer directement \u00e0 partir des invariants scalaires fondamentaux de la matrice transform\u00e9e, \u00e0 savoir son d\u00e9terminant et sa trace. Le num\u00e9rateur du rapport correspond en effet au d\u00e9terminant de la matrice (qui est \u00e9gal au produit des valeurs propres), tandis que la somme des valeurs propres au d\u00e9nominateur est strictement \u00e9quivalente \u00e0 la trace de la matrice :<\/p>\n
W<\/em> = |Σtransform\u00e9e<\/sub>| \/ [ (1 \/ p<\/em>) * tr(Σtransform\u00e9e<\/sub>) ]p<\/em><\/sup>.<\/p>\nEn vertu de l’in\u00e9galit\u00e9 arithm\u00e9tico-g\u00e9om\u00e9trique classique de Cauchy, la moyenne g\u00e9om\u00e9trique d’un ensemble de nombres r\u00e9els strictement positifs est toujours inf\u00e9rieure ou \u00e9gale \u00e0 leur moyenne arithm\u00e9tique, l’\u00e9galit\u00e9 n’\u00e9tant atteinte que dans le cas unique o\u00f9 tous les nombres sont strictement identiques. Par cons\u00e9quent, la statistique W<\/em> de Mauchly est math\u00e9matiquement confin\u00e9e dans l’intervalle ferm\u00e9 :<\/p>\n0 ≤ W<\/em> ≤ 1.<\/p>\nL’interpr\u00e9tation intuitive de la m\u00e9trique est imm\u00e9diate : lorsque la matrice est parfaitement sph\u00e9rique, toutes ses valeurs propres sont rigoureusement identiques (λ1<\/sub> = λ2<\/sub> = … = λp<\/em><\/sub> = σ2<\/sup>), ce qui conduit \u00e0 une valeur de W<\/em> exactement \u00e9gale \u00e0 1. Inversement, plus la matrice s’\u00e9loigne de la condition de sph\u00e9ricit\u00e9 \u2014 c’est-\u00e0-dire plus les valeurs propres divergent, r\u00e9v\u00e9lant une dispersion pr\u00e9pond\u00e9rante selon certains axes et restreinte selon d’autres \u2014, plus la statistique W<\/em> d\u00e9cro\u00eet pour se rapprocher de 0.<\/p>\n4.3 Approximation asymptotique par la loi du Chi-deux<\/h3>\n
La statistique W<\/em> brute ne suit pas une distribution d’\u00e9chantillonnage \u00e9l\u00e9mentaire directement tabulable sous forme analytique simple. Afin de d\u00e9terminer si la d\u00e9viation observ\u00e9e de W<\/em> par rapport \u00e0 sa valeur th\u00e9orique id\u00e9ale de 1 est statistiquement significative pour une taille d’\u00e9chantillon N<\/em> donn\u00e9e, Mauchly et ses continuateurs ont \u00e9tabli une transformation logarithmique asymptotique permettant de relier W<\/em> \u00e0 la distribution continue bien connue du Chi-deux (χ2<\/sup>).<\/p>\nLa transformation repose sur l’application du logarithme naturel \u00e0 la statistique W<\/em>. Puisque 0 < W<\/em> ≤ 1, le terme ln(W<\/em>) est toujours n\u00e9gatif ou nul. En multipliant cette valeur par un facteur d’\u00e9chelle appropri\u00e9 d\u00e9pendant du nombre de degr\u00e9s de libert\u00e9 r\u00e9siduels et d’un param\u00e8tre de correction de convergence d\u00e9velopp\u00e9 par Bartlett, on obtient une quantit\u00e9 distribu\u00e9e de fa\u00e7on asymptotique selon une loi du Chi-deux. Le nombre de degr\u00e9s de libert\u00e9 associ\u00e9 \u00e0 cette statistique est fonction directe du nombre de conditions intra-sujets k<\/em> et correspond au nombre d’\u00e9l\u00e9ments ind\u00e9pendants n\u00e9cessaires pour sp\u00e9cifier la sph\u00e9ricit\u00e9 dans la matrice transform\u00e9e :<\/p>\nddl = [ k<\/em> * (k<\/em> – 1) \/ 2 ] – 1.<\/p>\nPour un facteur comprenant k<\/em> = 3 modalit\u00e9s, le calcul des degr\u00e9s de libert\u00e9 produit : [3 * (3 – 1) \/ 2] – 1 = [6 \/ 2] – 1 = 3 – 1 = 2 ddl. Pour un facteur \u00e0 k<\/em> = 4 modalit\u00e9s, nous obtenons : [4 * 3 \/ 2] – 1 = 6 – 1 = 5 ddl. Il convient de souligner que cette approximation par le Chi-deux est une propri\u00e9t\u00e9 asymptotique. Elle exige un \u00e9chantillon de taille suffisante (g\u00e9n\u00e9ralement N<\/em> > 20 participants) et un strict respect du postulat de normalit\u00e9 multivari\u00e9e pour maintenir sa fid\u00e9lit\u00e9 probabiliste.<\/p>\n5. Calcul math\u00e9matique approfondi de la statistique de Mauchly<\/h2>\n5.1 Transformation orthonormale de la matrice de covariance<\/h3>\n
L’ex\u00e9cution computationnelle du test de Mauchly ne s’effectue pas directement sur la matrice empirique de variance-covariance d’origine S<\/strong> d’ordre k<\/em> × k<\/em>, car celle-ci int\u00e8gre la variabilit\u00e9 du niveau moyen global entre les sujets. La premi\u00e8re \u00e9tape analytique consiste \u00e0 \u00e9liminer cette dimension inter-sujets en appliquant \u00e0 la matrice S<\/strong> une matrice de contrastes orthogonaux normalis\u00e9s, not\u00e9e C<\/strong>, de dimensions (k<\/em> – 1) × k<\/em>.<\/p>\nChaque ligne du vecteur de contrastes c<\/strong>i<\/em><\/sub> doit satisfaire deux crit\u00e8res stricts d’orthonormalit\u00e9 : d’une part, la somme des coefficients de chaque ligne doit \u00eatre rigoureusement nulle (∑j<\/em> = 1<\/sub>k<\/em><\/sup> c<\/em>ij<\/em><\/sub> = 0), ce qui garantit qu’il s’agit d’un contraste intra-sujets \u00e9liminant la constante ; d’autre part, la somme des carr\u00e9s des coefficients de chaque ligne doit \u00eatre \u00e9gale \u00e0 l’unit\u00e9 (∑j<\/em> = 1<\/sub>k<\/em><\/sup> c<\/em>ij<\/em><\/sub>2<\/sup> = 1), et le produit scalaire entre deux lignes distinctes doit s’annuler (∑j<\/em> = 1<\/sub>k<\/em><\/sup> c<\/em>ij<\/em><\/sub> * c<\/em>mj<\/em><\/sub> = 0 pour tout i<\/em> ≠ m<\/em>). Une matrice classique r\u00e9pondant \u00e0 ces conditions est la matrice de contrastes de Helmert normalis\u00e9e.<\/p>\n