The R Project for Statistical Computing<\/a> ne requiert aucun d\u00e9veloppement algorithmique artisanal \u00e0 partir de z\u00e9ro, car la communaut\u00e9 de d\u00e9veloppeurs statistiques a formalis\u00e9 des packages extr\u00eamement fiables et \u00e9prouv\u00e9s.<\/p>\nLe package multcomp<\/code> (Simultaneous Inference in General Parametric Models<\/em>), d\u00e9velopp\u00e9 par Torsten Hothorn, Frank Bretz et Peter Westfall, repr\u00e9sente la r\u00e9f\u00e9rence acad\u00e9mique absolue. Con\u00e7u pour le traitement des mod\u00e8les param\u00e9triques g\u00e9n\u00e9raux, il ne se cantonne pas aux simples mod\u00e8les d’analyse de variance \u00e0 un facteur, mais s’\u00e9tend aux mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM), aux mod\u00e8les \u00e0 effets mixtes et aux mod\u00e8les de survie. Sa fonction ma\u00eetresse, glht()<\/code> (General Linear Hypotheses Testing<\/em>), permet une sp\u00e9cification math\u00e9matiquement explicite des contrastes multivari\u00e9s sous contr\u00f4le rigoureux du FWER.<\/p>\nPour les besoins d’analyses rapides, d’enseignement ou d’explorations directes, le package DescTools<\/code> constitue une alternative pragmatique de grande valeur. Il encapsule des centaines d’outils descriptifs et inf\u00e9rentiels au sein d’une interface directe, proposant la fonction DunnettTest()<\/code>, qui autorise la formulation d’un mod\u00e8le sous forme de formule canonique sans exiger l’instanciation interm\u00e9diaire d’un mod\u00e8le lin\u00e9aire sous-jacent.<\/p>\nEnfin, un environnement d’analyse moderne implique des d\u00e9pendances diagnostiques et manipulatrices compl\u00e9mentaires. Le package car<\/code> (Companion to Applied Regression<\/em>), maintenu par John Fox et Sanford Weisberg, est la r\u00e9f\u00e9rence pour les diagnostics de mod\u00e8les, notamment pour le calcul des sommes de carr\u00e9s de type II et III et l’ex\u00e9cution du test de Levene. La biblioth\u00e8que rstatix<\/code> simplifie les v\u00e9rifications diagnostiques dans un flux de travail compatible avec la philosophie moderne du tidyverse<\/code>, tandis que ggplot2<\/code> s’av\u00e8re indispensable pour la production de rendus graphiques vectoriels aux normes internationales.<\/p>\n3.2 Installation et chargement m\u00e9thodique des d\u00e9pendances<\/h3>\n La p\u00e9rennit\u00e9 d’un pipeline analytique repose sur l’installation s\u00e9curis\u00e9e des packages et la gestion ma\u00eetris\u00e9e de leurs versions. Il est recommand\u00e9 de v\u00e9rifier l’absence d’erreurs d’installation via l’interpr\u00e9teur de commandes officiel de RStudio ou du terminal R. L’installation standard s’op\u00e8re via les miroirs du Comprehensive R Archive Network (CRAN) :<\/p>\n
# Installation syst\u00e9matique des d\u00e9pendances requises\npackages_requis <- c(\"multcomp\", \"DescTools\", \"car\", \"rstatix\", \"ggplot2\", \"dplyr\")\nnouveaux_packages <- packages_requis[!(packages_requis %in% installed.packages()[, \"Package\"])]\nif(length(nouveaux_packages) > 0) {\n install.packages(nouveaux_packages, dependencies = TRUE)\n}<\/code><\/pre>\nUne fois les biblioth\u00e8ques inscrites dans l’arborescence logicielle, leur instanciation dans la session de travail active est ordonn\u00e9e avec rigueur. Cette phase d’appel requiert une vigilance particuli\u00e8re en raison des conflits potentiels d’espaces de noms (namespace masking<\/em>). Par exemple, la fonction select()<\/code> ou recode()<\/code> peut coexister dans plusieurs packages avec des signatures d’arguments divergentes. Le script suivant documente un chargement structur\u00e9 :<\/p>\n# Chargement m\u00e9thodique des environnements de calcul\nlibrary(dplyr) # Manipulation vectorielle et aggregation\nlibrary(ggplot2) # Visualisation graphique de haute pr\u00e9cision\nlibrary(car) # Tests diagnostiques d'homosc\u00e9dasticit\u00e9\nlibrary(rstatix) # M\u00e9triques descriptives et tests d'ajustement\nlibrary(DescTools) # Proc\u00e9dure directe de Dunnett\nlibrary(multcomp) # Approche formelle par hypoth\u00e8ses lin\u00e9aires g\u00e9n\u00e9rales<\/code><\/pre>\nEn cas de conflit av\u00e9r\u00e9 sur une fonction analytique, l’utilisation explicite de l’op\u00e9rateur de r\u00e9solution d’espace de noms ::<\/code> (par exemple dplyr::filter()<\/code> au lieu de filter()<\/code>) garantit l’immuabilit\u00e9 et la reproductibilit\u00e9 du traitement.<\/p>\n3.3 Param\u00e9trage de l’environnement de reproductibilit\u00e9<\/h3>\n Dans un contexte de publication scientifique internationale, la reproductibilit\u00e9 computationnelle n’est plus une option m\u00e9thodologique, mais une exigence \u00e9thique absolue. De nombreux algorithmes d’ajustement multivari\u00e9s ou de simulation stochastique utilisent des g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires pour le calcul num\u00e9rique des int\u00e9grales associ\u00e9es \u00e0 la distribution normale multivari\u00e9e (notamment dans l’approximation num\u00e9rique de Genz et Bretz mobilis\u00e9e en arri\u00e8re-plan par multcomp<\/code>).<\/p>\nD\u00e8s lors, la premi\u00e8re instruction de tout script analytique s\u00e9rieux doit \u00eatre la fixation de la graine al\u00e9atoire via set.seed()<\/code>. Le choix de l’entier num\u00e9rique est arbitraire, mais sa constante doit \u00eatre consign\u00e9e sans \u00e9quivoque :<\/p>\n# Fixation de la graine al\u00e9atoire pour la reproductibilit\u00e9 exacte\nset.seed(1955) # Hommage \u00e0 l'ann\u00e9e de publication de Charles Dunnett<\/code><\/pre>\nDe surcro\u00eet, les variations de comportement linguistique du syst\u00e8me d’exploitation peuvent alt\u00e9rer le traitement des s\u00e9parateurs d\u00e9cimaux ou le tri alphab\u00e9tique des niveaux de facteurs. Il est prudent de standardiser les param\u00e8tres r\u00e9gionaux en for\u00e7ant l’environnement sur une locale universelle, ou de documenter explicitement l’infrastructure d’ex\u00e9cution. La commande finale sessionInfo()<\/code> fournit l’instantan\u00e9 critique de l’architecture logicielle :<\/p>\n# Standardisation optionnelle de l'encodage et documentation environnementale\noptions(encoding = \"UTF-8\")\nsessionInfo()<\/code><\/pre>\nLa sortie de cette instruction d\u00e9taille la version de R employ\u00e9e, le syst\u00e8me d’exploitation h\u00f4te, ainsi que les versions matricielles exactes de chaque paquetage attach\u00e9, permettant ainsi \u00e0 tout relecteur ou pair scientifique de reproduire les r\u00e9sultats num\u00e9riques au bit pr\u00e8s.<\/p>\n
4. Mod\u00e9lisation et simulation d’un jeu de donn\u00e9es psychologiques<\/h2>\n4.1 Sc\u00e9nario exp\u00e9rimental : \u00e9valuation de techniques d’\u00e9tude cognitive<\/h3>\n Afin de concr\u00e9tiser notre propos \u00e0 travers une illustration p\u00e9dagogique ancr\u00e9e dans la r\u00e9alit\u00e9 des sciences comportementales, consid\u00e9rons un sc\u00e9nario exp\u00e9rimental conduit au sein d’un laboratoire de psychologie cognitive appliqu\u00e9e \u00e0 l’\u00e9ducation. L’\u00e9quipe d’investigation souhaite \u00e9valuer l’efficacit\u00e9 de deux m\u00e9thodes contemporaines d’apprentissage autonome destin\u00e9es \u00e0 am\u00e9liorer la m\u00e9morisation conceptuelle \u00e0 long terme chez des \u00e9tudiants universitaires.<\/p>\n
Le devis exp\u00e9rimental se compose de trois conditions inter-sujets rigoureusement ind\u00e9pendantes :<\/p>\n
\nGroupe Contr\u00f4le (Lecture passive)<\/strong> : Les participants r\u00e9visent un corpus de documents acad\u00e9miques denses en employant la m\u00e9thode traditionnelle de relecture passive et lin\u00e9aire, repr\u00e9sentative des habitudes spontan\u00e9es de la majorit\u00e9 des \u00e9tudiants.<\/li>\nTechnique 1 (R\u00e9p\u00e9tition espac\u00e9e)<\/strong> : Les \u00e9tudiants utilisent un protocole de r\u00e9vision algorithmiquement distribu\u00e9 dans le temps (syst\u00e8me de Leitner informatis\u00e9), espacant les expositions aux concepts cl\u00e9s selon une progression g\u00e9om\u00e9trique.<\/li>\nTechnique 2 (Rappel actif \/ Retrieval Practice)<\/strong> : Les \u00e9tudiants sont soumis \u00e0 des sessions de test r\u00e9guli\u00e8res o\u00f9 ils doivent extraire activement les connaissances de leur m\u00e9moire sans support documentaire (effet de testage).<\/li>\n<\/ul>\nLa variable d\u00e9pendante retenue est la performance quantitative obtenue \u00e0 un examen final standardis\u00e9 de psychologie cognitive, administr\u00e9 quatre semaines apr\u00e8s la phase d’apprentissage. Le score d’examen est exprim\u00e9 sur une \u00e9chelle continue de 0 \u00e0 100 points. Le protocole implique l’assignation de N = 90<\/em> \u00e9tudiants r\u00e9partis \u00e9quitablement, soit n = 30<\/em> \u00e9tudiants par condition. L’hypoth\u00e8se scientifique substantielle postule que les deux techniques actives induisent une am\u00e9lioration significative des scores par rapport au groupe contr\u00f4le passif, sans que l’on ne formule d’hypoth\u00e8se directionnelle quant \u00e0 la sup\u00e9riorit\u00e9 relative de la Technique 1 sur la Technique 2.<\/p>\n4.2 Cr\u00e9ation programmatique du data frame dans R<\/h3>\n Nous allons g\u00e9n\u00e9rer ce jeu de donn\u00e9es de mani\u00e8re enti\u00e8rement synth\u00e9tique et reproductible. Nous param\u00e9trons les distributions th\u00e9oriques pour injecter des valeurs r\u00e9alistes : une moyenne attendue de 65\/100 dans le groupe t\u00e9moin (\u00e9cart-type th\u00e9orique de 8), une progression mod\u00e9r\u00e9e dans le groupe R\u00e9p\u00e9tition espac\u00e9e (moyenne de 71, \u00e9cart-type de 8), et une progression substantielle dans le groupe Rappel actif (moyenne de 76, \u00e9cart-type de 8). L’\u00e9cart-type est sciemment maintenu stable entre les groupes pour respecter temporairement le postulat d’homosc\u00e9dasticit\u00e9.<\/p>\n
# Fixation de la graine pseudo-al\u00e9atoire\nset.seed(42)\n\n# Nombre de participants par condition\nn_par_groupe <- 30\n\n# Simulation des scores continus selon des lois gaussiennes param\u00e9tr\u00e9es\nscores_controle <- rnorm(n = n_par_groupe, mean = 65.0, sd = 8.0)\nscores_repetition <- rnorm(n = n_par_groupe, mean = 71.2, sd = 7.8)\nscores_rappel <- rnorm(n = n_par_groupe, mean = 76.5, sd = 8.2)\n\n# Concat\u00e9nation de la variable d\u00e9pendante\nexamen_score <- c(scores_controle, scores_repetition, scores_rappel)\n\n# Construction de la variable cat\u00e9gorielle ordonn\u00e9e\nmodalite <- rep(c(\"Controle\", \"Repetition_Espacee\", \"Rappel_Actif\"), each = n_par_groupe)\n\n# Cr\u00e9ation de l'identifiant individuel des participants\nid_sujet <- paste0(\"SUBJ_\", formatC(1:(3 * n_par_groupe), width = 3, flag = \"0\"))\n\n# Assemblage du data frame rectangulaire canonique\ndonnees_cognition <- data.frame(\n ID = id_sujet,\n Methode = modalite,\n Score = round(examen_score, 2),\n stringsAsFactors = FALSE\n)<\/code><\/pre>\nLes donn\u00e9es g\u00e9n\u00e9r\u00e9es sont assembl\u00e9es au format rectangulaire standard (tidy data<\/em>), o\u00f9 chaque ligne correspond scrupuleusement \u00e0 une unit\u00e9 exp\u00e9rimentale unique et chaque colonne \u00e0 une variable op\u00e9rationnelle d\u00e9finie.<\/p>\n4.3 Gestion des facteurs et d\u00e9finition explicite du niveau de r\u00e9f\u00e9rence<\/h3>\n Dans l’environnement de calcul de R, les variables qualitatives ou nominales doivent imp\u00e9rativement \u00eatre d\u00e9clar\u00e9es avec le statut vectoriel de factor<\/code>. Par d\u00e9faut, lors de la conversion automatique d’un vecteur de cha\u00eenes de caract\u00e8res en facteur via la fonction as.factor()<\/code>, R ordonne les modalit\u00e9s (levels<\/em>) selon l’ordre alphab\u00e9tique strict. Dans notre exemple, un tel ordonnancement alphab\u00e9tique placerait par co\u00efncidence \u00ab\u00a0Controle\u00a0\u00bb en premier, mais si nous avions nomm\u00e9 notre groupe \u00ab\u00a0Temoin\u00a0\u00bb ou \u00ab\u00a0Placebo\u00a0\u00bb, R aurait positionn\u00e9 \u00ab\u00a0Rappel_Actif\u00a0\u00bb comme premier niveau par d\u00e9faut.<\/p>\nLe test de Dunnett d\u00e9pend de mani\u00e8re critique de l’identification sans \u00e9quivoque du niveau de r\u00e9f\u00e9rence (le t\u00e9moin). L’omission de cette \u00e9tape est la cause la plus fr\u00e9quente d’erreurs d’interpr\u00e9tation dans la litt\u00e9rature empirique. Il est donc indispensable de verrouiller explicitement la structure des facteurs au moyen de la fonction relevel()<\/code> :<\/p>\n# Conversion explicite en facteur statistique\ndonnees_cognition$Methode <- as.factor(donnees_cognition$<\/span>Methode)\n\n# D\u00e9finition formelle du groupe 'Controle' comme niveau de r\u00e9f\u00e9rence absolue\ndonnees_cognition$Methode <- relevel(donnees_cognition$<\/span>Methode, ref = \"Controle\")\n\n# Diagnostic de la structure de l'objet et v\u00e9rification des niveaux\nstr(donnees_cognition)\nlevels(donnees_cognition$Methode)<\/code><\/pre>\nL’ex\u00e9cution de la fonction levels()<\/code> confirme que le premier \u00e9l\u00e9ment du vecteur d’\u00e9tiquettes est d\u00e9sormais formellement \"Controle\"<\/code>. Tous les algorithmes lin\u00e9aires qui h\u00e9riteront de ce mod\u00e8le param\u00e9trique assigneront automatiquement la matrice de contraste de r\u00e9f\u00e9rence \u00e0 cette condition fondamentale.<\/p>\n5. Exploration descriptive et inspection visuelle des donn\u00e9es<\/h2>\n5.1 Calcul des statistiques descriptives param\u00e9triques et non-param\u00e9triques<\/h3>\n Avant d’engager toute machinerie inf\u00e9rentielle lourde, une exploration descriptive exhaustive des propri\u00e9t\u00e9s num\u00e9riques de l’\u00e9chantillon constitue un imp\u00e9ratif d’int\u00e9grit\u00e9 scientifique. Cette exploration permet de d\u00e9tecter d’\u00e9ventuelles anomalies d’encodage, de v\u00e9rifier la plausibilit\u00e9 des dispersions et d’anticiper la structure des contrastes.<\/p>\n
Nous extrayons les moyennes empiriques, les \u00e9carts-types, les erreurs-types de la moyenne (Standard Error of the Mean<\/em>, SEM), ainsi que les coefficients d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>) pour chaque sous-groupe :<\/p>\n# Extraction des m\u00e9triques descriptives compl\u00e8tes via dplyr\nstatistiques_descriptives <- donnees_cognition %>%\n group_by(Methode) %>%\n summarise(\n N = n(),\n Moyenne = mean(Score),\n Ecart_Type = sd(Score),\n Erreur_Type = sd(Score) \/ sqrt(n()),\n Mediane = median(Score),\n IQR = IQR(Score),\n Min = min(Score),\n Max = max(Score)\n )\n\n# Affichage des m\u00e9triques sous forme tabulaire\nprint(as.data.frame(statistiques_descriptives))<\/code><\/pre>\nL’analyse de ces statistiques descriptives fait appara\u00eetre une progression empirique des moyennes : le score moyen passe d’environ 65,2 points pour le groupe t\u00e9moin, \u00e0 70,6 points pour la r\u00e9p\u00e9tition espac\u00e9e, et atteint 76,4 points pour le rappel actif. Les \u00e9carts-types demeurent contenus entre 7,5 et 8,5 points, ce qui soutient intuitivement le postulat d’homog\u00e9n\u00e9it\u00e9 des dispersions.<\/p>\n
5.2 Repr\u00e9sentation graphique via ggplot2<\/h3>\n La communication visuelle en psychologie quantitative exige des repr\u00e9sentations qui combinent la visualisation de la tendance centrale, la dispersion statistique et la granularit\u00e9 des donn\u00e9es brutes, tout en \u00e9vitant les diagrammes en barres simples (\u00ab barplots of shame \u00bb) qui dissimulent la forme r\u00e9elle des distributions. Nous concevons une figure superposant une bo\u00eete \u00e0 moustaches (boxplot<\/em>), un nuage de points semi-transparent avec dispersion al\u00e9atoire (jittering<\/em>) et l’illustration explicite des moyennes et de leurs intervalles de confiance \u00e0 95 %.<\/p>\n# Conception graphique vectorielle selon les crit\u00e8res de l'APA\ngraphique_dispersion <- ggplot(donnees_cognition, aes(x = Methode, y = Score, fill = Methode)) +\n geom_boxplot(width = 0.4, alpha = 0.3, outlier.shape = NA, color = \"#2C3E50\") +\n geom_jitter(width = 0.15, alpha = 0.6, size = 2, color = \"#34495E\") +\n stat_summary(fun = mean, geom = \"point\", shape = 23, size = 3.5, fill = \"#E74C3C\", color = \"black\") +\n stat_summary(fun.data = mean_cl_normal, geom = \"errorbar\", width = 0.15, color = \"#E74C3C\", linewidth = 0.8) +\n scale_fill_manual(values = c(\"#BDC3C7\", \"#3498DB\", \"#2ECC71\")) +\n scale_x_discrete(labels = c(\"Contr\u00f4len(Lecture passive)\", \"R\u00e9p\u00e9titionnEspac\u00e9e\", \"RappelnActif\")) +\n labs(\n title = \"Performance cognitive en fonction de la technique d'apprentissage\",\n subtitle = \"Moyennes (losanges rouges), IC 95% et distributions individuelles brutes\",\n x = \"Condition exp\u00e9rimentale\",\n y = \"Score \u00e0 l'examen standardis\u00e9 (0-100)\"\n ) +\n theme_classic(base_size = 12) +\n theme(\n legend.position = \"none\",\n plot.title = element_text(face = \"bold\", size = 14, hjust = 0.5),\n plot.subtitle = element_text(size = 11, hjust = 0.5, margin = margin(b = 15)),\n axis.title = element_text(face = \"bold\"),\n axis.text = element_text(color = \"black\")\n )\n\n# Affichage du rendu graphique\nprint(graphique_dispersion)<\/code><\/pre>\nCette visualisation met en exergue l’absence apparente de valeurs aberrantes extr\u00eames (qui se manifesteraient au-del\u00e0 de 1,5 fois l’\u00e9cart interquartile) et illustre clairement la translation ascendante des distributions des groupes d’apprentissage actif par rapport \u00e0 la dispersion du groupe t\u00e9moin.<\/p>\n
6. Ajustement du mod\u00e8le d’analyse de variance \u00e0 un facteur (ANOVA)<\/h2>\n6.1 Formalisation math\u00e9matique du mod\u00e8le lin\u00e9aire<\/h3>\n L’analyse de variance \u00e0 un facteur s’inscrit au sein de la th\u00e9orie g\u00e9n\u00e9rale du mod\u00e8le lin\u00e9aire. Pour un individu i<\/em> appartenant au groupe exp\u00e9rimental j<\/em> (avec j ∈ {0, 1, …, k-1}<\/em>), l’\u00e9quation d’observation se formalise classiquement selon deux param\u00e9trisations \u00e9quivalentes :<\/p>\nSous la forme d’\u00e9cart \u00e0 la moyenne g\u00e9n\u00e9rale (mod\u00e8le \u00e0 effets) :<\/p>\n
Yij<\/sub> = μ + αj<\/sub> + εij<\/sub><\/em><\/p>\no\u00f9 μ<\/em> repr\u00e9sente la moyenne th\u00e9orique globale de toutes les conditions confondues, αj<\/sub><\/em> mat\u00e9rialise l’effet diff\u00e9rentiel propre \u00e0 la condition j<\/em> sous la contrainte d’identifiabilit\u00e9 Σ αj<\/sub> = 0<\/em>, et εij<\/sub><\/em> d\u00e9signe l’erreur r\u00e9siduelle al\u00e9atoire, non corr\u00e9l\u00e9e, de moyenne nulle et de variance σ2<\/sup><\/em>.<\/p>\nDans l’architecture computationnelle de R et pour les tests comparatifs face \u00e0 un t\u00e9moin, la param\u00e9trisation pr\u00e9f\u00e9rentielle est celle du mod\u00e8le de r\u00e9f\u00e9rence (reference cell model<\/em>) :<\/p>\nYij<\/sub> = β0<\/sub> + β1<\/sub> D1<\/sub> + β2<\/sub> D2<\/sub> + … + βk-1<\/sub> Dk-1<\/sub> + εij<\/sub><\/em><\/p>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dunnettsR.png\")
<\/figure>\n