1.2 Diff\u00e9rences conceptuelles avec l’ANOVA pour groupes ind\u00e9pendants<\/h3>\n
La distinction conceptuelle fondamentale entre l’ANOVA unidirectionnelle classique pour groupes ind\u00e9pendants et l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es r\u00e9side dans la segmentation structurelle de la variance totale. Dans le mod\u00e8le pour groupes ind\u00e9pendants, la variabilit\u00e9 globale observ\u00e9e au sein de l’\u00e9chantillon est scind\u00e9e en deux composantes exclusives : la variabilit\u00e9 inter-groupes, qui refl\u00e8te l’effet du traitement exp\u00e9rimental auquel s’ajoute l’erreur d’\u00e9chantillonnage, et la variabilit\u00e9 intra-groupe (ou r\u00e9siduelle), qui regroupe indiff\u00e9remment les fluctuations de mesure et l’ensemble des diff\u00e9rences individuelles entre les sujets assign\u00e9s aux diff\u00e9rents groupes.<\/p>\n
\u00c0 l’inverse, l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es effectue une partition en deux niveaux successifs de la dispersion. La variance totale est d’abord subdivis\u00e9e en une composante inter-sujets et une composante intra-sujets. La composante inter-sujets capture les disparit\u00e9s syst\u00e9matiques de niveau de performance moyen d’un individu \u00e0 l’autre, tandis que la composante intra-sujets capture les fluctuations observ\u00e9es chez un m\u00eame individu lorsqu’il change de modalit\u00e9 exp\u00e9rimentale. Cette derni\u00e8re composante est ensuite elle-m\u00eame ventil\u00e9e entre l’effet sp\u00e9cifique du traitement exp\u00e9rimental et une variance d’erreur pure, correspondant \u00e0 l’interaction entre les sujets et le traitement. En \u00e9vacuant formellement la variance inter-sujets du d\u00e9nominateur du test de Fisher, ce mod\u00e8le r\u00e9duit drastiquement la valeur du carr\u00e9 moyen de l’erreur.<\/p>\n
Cette \u00e9puration alg\u00e9brique du d\u00e9nominateur entra\u00eene une augmentation substantielle de la puissance statistique<\/a> du test. Pour une taille d’effet \u00e9quivalente, un plan intra-sujets requiert un effectif global d’\u00e9chantillonnage nettement inf\u00e9rieur \u00e0 celui exig\u00e9 par un plan inter-sujets pour atteindre un niveau de puissance conventionnel de 0,80. Toutefois, ce gain de sensibilit\u00e9 m\u00e9thodologique n’est pas sans contrepartie : le mod\u00e8le devient extr\u00eamement vuln\u00e9rable aux corr\u00e9lations s\u00e9rielles, aux effets d’apprentissage ou d’\u00e9chauffement, ainsi qu’aux potentielles violations de l’homog\u00e9n\u00e9it\u00e9 des covariances entre les paires de conditions exp\u00e9rimentales.<\/p>\n D’un point de vue formel, le cadre inf\u00e9rentiel de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es repose sur la confrontation rigoureuse de deux hypoth\u00e8ses statistiques mutuellement exclusives. L’hypoth\u00e8se nulle, d\u00e9sign\u00e9e par le symbole conventionnel H\u2080, postule l’\u00e9galit\u00e9 parfaite des moyennes th\u00e9oriques des populations associ\u00e9es \u00e0 chacune des k<\/em> modalit\u00e9s du facteur intra-sujet. Alg\u00e9briquement, cette proposition s’\u00e9nonce selon l’expression :<\/p>\n H\u2080 : \u03bc\u2081 = \u03bc\u2082 = \u03bc\u2083 = … = \u03bc\u2096<\/strong><\/p>\n Cette formulation stipule que les manipulations exp\u00e9rimentales n’induisent aucun changement syst\u00e9matique dans l’esp\u00e9rance math\u00e9matique des scores observ\u00e9s. Toute divergence apparente constat\u00e9e entre les moyennes empiriques des conditions n’est attribu\u00e9e qu’aux seules fluctuations al\u00e9atoires de l’\u00e9chantillonnage ou \u00e0 l’erreur de mesure non syst\u00e9matique. \u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative, not\u00e9e H\u2081, ne postule pas n\u00e9cessairement que toutes les moyennes diff\u00e8rent mutuellement les unes des autres, mais affirme qu’au moins deux modalit\u00e9s exp\u00e9rimentales se distinguent de mani\u00e8re statistiquement significative :<\/p>\n H\u2081 : \u2203 (j, j’) tels que \u03bc\u2c7c \u2260 \u03bc\u2c7c’ avec j \u2260 j’<\/strong><\/p>\n Le mod\u00e8le lin\u00e9aire sous-jacent qui formalise la valeur observ\u00e9e Y\u1d62\u2c7c<\/em> pour le sujet i<\/em> soumis \u00e0 la condition j<\/em> s’exprime math\u00e9matiquement sous la forme lin\u00e9aire additive :<\/p>\n Y\u1d62\u2c7c = \u03bc + \u03c0\u1d62 + \u03b1\u2c7c + \u03b5\u1d62\u2c7c<\/strong><\/p>\n Dans cette \u00e9quation structurelle, \u03bc<\/em> repr\u00e9sente la moyenne g\u00e9n\u00e9rale non pond\u00e9r\u00e9e de la variable d\u00e9pendante au sein de la population parente, \u03c0\u1d62<\/em> d\u00e9signe l’effet al\u00e9atoire propre au participant i<\/em> suppos\u00e9 distribu\u00e9 normalement selon une esp\u00e9rance nulle et une variance constante, \u03b1\u2c7c<\/em> symbolise l’effet fixe associ\u00e9 \u00e0 la modalit\u00e9 exp\u00e9rimentale j<\/em> sous la contrainte d’identifiabilit\u00e9 standard selon laquelle la somme des effets de traitement est nulle (\u2211 \u03b1\u2c7c = 0), et \u03b5\u1d62\u2c7c<\/em> incarne le terme d’erreur r\u00e9siduelle non corr\u00e9l\u00e9. D’un point de vue \u00e9pist\u00e9mologique, le rejet formel de l’hypoth\u00e8se nulle autorise le chercheur \u00e0 inf\u00e9rer l’existence d’une r\u00e9gularit\u00e9 causale ou fonctionnelle liant la variable ind\u00e9pendante manipul\u00e9e au processus psychologique investigu\u00e9.<\/p>\n Avant d’engager le moindre calcul arithm\u00e9tique, l’analyste se doit de v\u00e9rifier avec minutie que les donn\u00e9es recueillies satisfont aux postulats math\u00e9matiques qui garantissent l’exactitude de la distribution de Fisher sous l’hypoth\u00e8se nulle. La premi\u00e8re exigence m\u00e9thodologique fondamentale concerne la nature de la variable d\u00e9pendante mesur\u00e9e : celle-ci doit obligatoirement \u00eatre quantitative continue, enregistr\u00e9e sur une \u00e9chelle d’intervalles \u00e9gaux ou sur une \u00e9chelle de rapports. L’utilisation de scores ordinaux ou de rangs non normalis\u00e9s pour une ANOVA param\u00e9trique constitue une d\u00e9viation m\u00e9thodologique qui biaise l’estimation des sommes des carr\u00e9s.<\/p>\n Le second postulat concerne la distribution normale des r\u00e9sidus ou des erreurs de mesure pour chaque modalit\u00e9 du facteur intra-sujet. Pour que les rapports de variance suivent th\u00e9oriquement une loi de Fisher-Snedecor, les scores au sein de chaque condition doivent provenir d’une population dont la distribution s’ajuste \u00e0 la courbe de Gauss. Il convient toutefois de souligner la robustesse \u00e9prouv\u00e9e de l’ANOVA face aux entorses mod\u00e9r\u00e9es de la normalit\u00e9 univari\u00e9e, pourvu que l’\u00e9chantillon pr\u00e9sente une distribution sym\u00e9trique et que les tailles d’\u00e9chantillons ne souffrent d’aucune discordance majeure dans les passations.<\/p>\n Lors d’un traitement manuel des donn\u00e9es, en l’absence d’algorithmes informatiques d\u00e9di\u00e9s au test de normalit\u00e9 de Shapiro-Wilk ou de Kolmogorov-Smirnov, le chercheur doit recourir \u00e0 des m\u00e9thodes exploratoires manuelles. L’inspection visuelle des distributions par l’agencement de diagrammes en b\u00e2tons rudimentaires, l’\u00e9valuation de l’\u00e9cart entre la moyenne empirique et la m\u00e9diane, ainsi que l’examen de l’\u00e9tendue semi-interquartile par rapport \u00e0 l’\u00e9cart-type constituent d’excellents indicateurs artisanaux d’asym\u00e9trie ou d’aplatissement excessif.<\/p>\n Le postulat le plus critique et le plus sp\u00e9cifique aux plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es concerne la sph\u00e9ricit\u00e9<\/a> de la matrice de variance-covariance. La sph\u00e9ricit\u00e9 repr\u00e9sente une forme moins restrictive de la condition de sym\u00e9trie compos\u00e9e (\u00ab compound symmetry \u00bb). Cette derni\u00e8re requ\u00e9rait historiquement que toutes les variances des conditions soient strictement \u00e9gales entre elles, et que toutes les covariances entre les diff\u00e9rentes paires de conditions soient \u00e9galement parfaitement identiques. La sph\u00e9ricit\u00e9 exige simplement que les variances de toutes les diff\u00e9rences possibles calcul\u00e9es par paires de conditions soient rigoureusement \u00e9gales dans la population.<\/p>\n Pour illustrer ce concept sur un facteur comportant trois niveaux (A, B et C), la condition de sph\u00e9ricit\u00e9 stipule formellement que :<\/p>\n Var(Y_A – Y_B) = Var(Y_A – Y_C) = Var(Y_B – Y_C)<\/strong><\/p>\n Dans la pratique logicielle courante, cette propri\u00e9t\u00e9 est syst\u00e9matiquement \u00e9prouv\u00e9e au moyen du test de sph\u00e9ricit\u00e9 de Mauchly. Lorsque ce postulat est transgress\u00e9, les probabilit\u00e9s nominales associ\u00e9es au seuil de significativit\u00e9 alpha subissent une alt\u00e9ration substantielle : le taux r\u00e9el d’erreur de type I (rejet \u00e0 tort d’une hypoth\u00e8se nulle pourtant vraie) augmente de fa\u00e7on dramatique, atteignant fr\u00e9quemment des valeurs de 0,10 ou 0,15 pour un seuil initialement fix\u00e9 \u00e0 0,05. Le statisticien averti doit anticiper cette vuln\u00e9rabilit\u00e9 en appliquant des facteurs de correction d’epsilon sur les degr\u00e9s de libert\u00e9 lors de l’\u00e9tape de d\u00e9cision finale.<\/p>\n L’administration successive de plusieurs conditions exp\u00e9rimentales aux m\u00eames individus induit in\u00e9vitablement des menaces s\u00e9rieuses pesant sur la validit\u00e9 interne de la recherche. Les effets d’ordre regroupent l’ensemble des alt\u00e9rations de la performance imputables \u00e0 la position temporelle de la t\u00e2che plut\u00f4t qu’\u00e0 la nature de la condition elle-m\u00eame. Les deux manifestations les plus document\u00e9es sont les effets d’apprentissage (am\u00e9lioration progressive de la performance cons\u00e9cutive \u00e0 la familiarisation avec la t\u00e2che) et les effets de fatigue ou d’ennui (d\u00e9t\u00e9rioration de l’attention au fil des passations prolong\u00e9es).<\/p>\n Pour neutraliser ces artefacts m\u00e9thodologiques, l’exp\u00e9rimentateur doit imp\u00e9rativement mettre en \u0153uvre une proc\u00e9dure de contrebalancement rigoureuse, telle qu’un contrebalancement complet si le nombre de conditions le permet, ou un carr\u00e9 latin \u00e9quilibr\u00e9 pour des dispositifs plus vastes. Ce plan garantit que chaque condition exp\u00e9rimentale appara\u00eet un nombre \u00e9quivalent de fois \u00e0 chaque position s\u00e9rielle de passation, transformant ainsi un biais syst\u00e9matique potentiel en une variance r\u00e9siduelle homog\u00e8nement r\u00e9partie.<\/p>\n Enfin, le calcul manuel d’une ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es impose un imp\u00e9ratif absolu : l’int\u00e9grit\u00e9 int\u00e9grale de la matrice des donn\u00e9es. L’absence d’une seule mesure chez un unique participant brise l’orthogonalit\u00e9 du mod\u00e8le et interdit l’application directe des formules alg\u00e9briques simples de partition de variance. Si un sujet pr\u00e9sente une donn\u00e9e manquante \u00e0 la suite d’une attrition exp\u00e9rimentale ou d’une d\u00e9faillance technique, l’approche manuelle exige l’exclusion compl\u00e8te de toutes les donn\u00e9es de ce sujet (\u00ab listwise deletion \u00bb), sous peine de devoir recourir \u00e0 des mod\u00e8les mixtes lin\u00e9aires beaucoup plus complexes.<\/p>\n Afin de concr\u00e9tiser les d\u00e9veloppements th\u00e9oriques et math\u00e9matiques qui vont suivre, nous allons analyser un cas d’\u00e9tude pr\u00e9cis issu des neurosciences comportementales et de la psychopharmacologie cognitive. L’investigation vise \u00e0 tester l’efficacit\u00e9 diff\u00e9rentielle de trois mol\u00e9cules pharmacologiques con\u00e7ues pour moduler la vitesse de traitement perceptivo-moteur chez des patients souffrant de d\u00e9ficits attentionnels cons\u00e9cutifs \u00e0 un traumatisme cr\u00e2nien l\u00e9ger. Les trois mol\u00e9cules \u00e9tudi\u00e9es sont d\u00e9sign\u00e9es comme suit : le M\u00e9dicament A (un psychostimulant dopaminergique standard), le M\u00e9dicament B (une mol\u00e9cule exp\u00e9rimentale s\u00e9rotoninergique) et le M\u00e9dicament C (un traitement de r\u00e9f\u00e9rence placebo actif).<\/p>\n L’op\u00e9rationnalisation de la variable d\u00e9pendante repose sur la mesure du temps de r\u00e9action simple enregistr\u00e9 lors d’une t\u00e2che de d\u00e9tection visuelle informatis\u00e9e. Les scores individuels sont exprim\u00e9s en centi\u00e8mes de seconde (cs), o\u00f9 des valeurs plus basses traduisent une vitesse de traitement sup\u00e9rieure et une performance cognitive accrue. L’\u00e9chantillon retenu est compos\u00e9 de n<\/em> = 5 patients. Chaque patient est soumis successivement aux trois modalit\u00e9s pharmacologiques, avec un intervalle d’\u00e9limination m\u00e9tabolique (\u00ab wash-out \u00bb) de sept jours entre chaque administration afin de pr\u00e9munir les observations contre tout ph\u00e9nom\u00e8ne de r\u00e9manence pharmacologique.<\/p>\n Le choix m\u00e9thodologique d’un protocole intra-sujet s’av\u00e8re particuli\u00e8rement pertinent dans cette configuration clinique. En effet, la variabilit\u00e9 interindividuelle du temps de r\u00e9action de base chez les patients traumatis\u00e9s cr\u00e2niens est notoirement tr\u00e8s large, oscillant de profils tr\u00e8s lents \u00e0 des profils quasi-normaux. L’\u00e9valuation de chaque patient sous les trois conditions permet d’extraire cette dispersion idiosyncrasique fondamentale de l’estimation de l’erreur r\u00e9siduelle, maximisant la probabilit\u00e9 de mettre au jour l’effet sp\u00e9cifique des mol\u00e9cules.<\/p>\n La premi\u00e8re d\u00e9marche op\u00e9rationnelle du calcul manuel consiste \u00e0 structurer les observations au sein d’une matrice rectangulaire bidirectionnelle comportant n<\/em> lignes (repr\u00e9sentant les sujets) et k<\/em> colonnes (repr\u00e9sentant les modalit\u00e9s du facteur intra-sujet). Soit n<\/em> = 5 participants index\u00e9s par la lettre i<\/em> (allant de 1 \u00e0 5) et k<\/em> = 3 conditions pharmacologiques index\u00e9es par la lettre j<\/em> (allant de 1 \u00e0 3). L’ensemble du jeu de donn\u00e9es totalise N<\/em> = n<\/em> \u00d7 k<\/em> = 5 \u00d7 3 = 15 observations ponctuelles.<\/p>\n Chaque cellule de cette matrice est rep\u00e9r\u00e9e par la notation formelle X\u1d62\u2c7c<\/em>, o\u00f9 le premier indice d\u00e9signe l’appartenance \u00e0 la ligne du sujet et le second indice caract\u00e9rise la colonne du traitement pharmacologique. Pour pr\u00e9venir toute confusion arithm\u00e9tique ult\u00e9rieure lors des \u00e9tapes de sommation vectorielle, il est imp\u00e9ratif d’adopter une mise en page d’une rigueur exemplaire, en disposant clairement les scores bruts de telle sorte que les sommes marginales puissent \u00eatre adjointes sur les bordures droite et inf\u00e9rieure du tableau de saisie.<\/p>\n Voici la matrice compl\u00e8te des donn\u00e9es brutes issues de l’exp\u00e9rimentation, exprimant les temps de r\u00e9action enregistr\u00e9s en centi\u00e8mes de seconde :<\/p>\n L’exploitation de la matrice requiert le calcul syst\u00e9matique des totaux et moyennes marginaux, qui constitueront les briques \u00e9l\u00e9mentaires des sommes des carr\u00e9s. Les totaux marginaux par patient, d\u00e9sign\u00e9s conventionnellement par la lettre P\u1d62<\/em> (pour la somme des scores du participant i<\/em> \u00e0 travers les 3 drogues), s’obtiennent par la sommation horizontale des lignes :<\/p>\n De fa\u00e7on analogue, les totaux marginaux par m\u00e9dicament, not\u00e9s T\u2c7c<\/em>, d\u00e9coulent de l’addition verticale des scores enregistr\u00e9s au sein de chaque colonne exp\u00e9rimentale :<\/p>\n Les moyennes marginales associ\u00e9es \u00e0 chaque traitement s’obtiennent en divisant chaque total T\u2c7c<\/em> par le nombre de patients ayant re\u00e7u la condition (ici n<\/em> = 5) : M\u2081<\/em> = 166 \/ 5 = 33,20 cs ; M\u2082<\/em> = 154 \/ 5 = 30,80 cs ; M\u2083<\/em> = 91 \/ 5 = 18,20 cs. Enfin, le Grand Total, symbolis\u00e9 par la lettre G<\/em>, correspond \u00e0 la somme int\u00e9grale de l’ensemble des 15 scores du tableau : G = 166 + 154 + 91 = 411. On v\u00e9rifie imm\u00e9diatement l’exactitude de ce grand total en sommant les totaux de lignes : G = 74 + 86 + 102 + 64 + 85 = 411. La moyenne g\u00e9n\u00e9rale globale s’\u00e9tablit \u00e0 M_globale<\/em> = 411 \/ 15 = 27,40 cs. L’inspection pr\u00e9liminaire indique un temps de r\u00e9action beaucoup plus rapide sous la condition C que sous les conditions A et B.<\/p>\n L’Analyse de Variance repose tout enti\u00e8re sur une identit\u00e9 g\u00e9om\u00e9trique remarquable formalis\u00e9e par Ronald Fisher : l’additivit\u00e9 stricte des sommes des \u00e9carts quadratiques. Dans le paradigme des mesures r\u00e9p\u00e9t\u00e9es, la dispersion globale des observations brutes autour de la grande moyenne ne se subdivise pas de mani\u00e8re binaire comme dans l’ANOVA classique, mais selon une hi\u00e9rarchie mod\u00e9lis\u00e9e en deux \u00e9tapes cons\u00e9cutives. L’\u00e9quation de partition globale s’\u00e9nonce selon la relation matricielle fondamentale :<\/p>\n SS_Totale = SS_Inter-sujets + SS_Intra-sujets<\/strong><\/p>\n La composante intra-sujets repr\u00e9sente la variabilit\u00e9 r\u00e9siduelle une fois que les diff\u00e9rences moyennes entre les individus ont \u00e9t\u00e9 compl\u00e8tement \u00f4t\u00e9es du syst\u00e8me. \u00c0 son tour, cette variabilit\u00e9 interne aux individus est d\u00e9compos\u00e9e sans perte d’information en deux sous-ensembles orthogonaux : la variance imputable \u00e0 l’action sp\u00e9cifique des traitements exp\u00e9rimentaux (SS_Traitement ou SSB) et la variance r\u00e9siduelle inexpliqu\u00e9e (SS_Erreur ou SSE). L’architecture arithm\u00e9tique canonique de l’ANOVA s’exprime par cons\u00e9quent \u00e0 travers l’\u00e9quation additive finale :<\/p>\n SST = SSB + SSS + SSE<\/strong><\/p>\n Dans cette formalisation universelle, SST<\/strong> d\u00e9signe la Somme des Carr\u00e9s Totale (Total Sum of Squares), SSB<\/strong> repr\u00e9sente la Somme des Carr\u00e9s Inter-conditions ou du Traitement (Between-treatments Sum of Squares), SSS<\/strong> symbolise la Somme des Carr\u00e9s Inter-sujets (Between-subjects Sum of Squares) et SSE<\/strong> incarne la Somme des Carr\u00e9s de l’Erreur r\u00e9siduelle (Error Sum of Squares). Cette partition arithm\u00e9tique garantit que chaque unit\u00e9 d’information de l’exp\u00e9rience est orient\u00e9e vers sa source g\u00e9n\u00e9ratrice l\u00e9gitime.<\/p>\n Comprendre la signification psychologique de la somme des carr\u00e9s inter-sujets (SSS) est indispensable pour appr\u00e9hender la puissance sup\u00e9rieure des plans d’exp\u00e9rience r\u00e9p\u00e9t\u00e9s. Les \u00eatres humains ne r\u00e9agissent jamais de fa\u00e7on homog\u00e8ne \u00e0 une sollicitation cognitive : le participant 3 pr\u00e9sente un temps de r\u00e9action global moyen particuli\u00e8rement \u00e9lev\u00e9 (total de 102, moyenne de 34,00 cs), tandis que le participant 4 s’av\u00e8re \u00eatre un r\u00e9pondeur exceptionnellement v\u00e9loce dans toutes les conditions (total de 64, moyenne de 21,33 cs). Ces \u00e9carts massifs refl\u00e8tent des idiosyncrasies neurobiologiques et cognitives qui demeurent stables tout au long du protocole.<\/p>\n Dans un plan d’exp\u00e9rience pour groupes ind\u00e9pendants, de telles disparit\u00e9s interindividuelles viendraient s’agr\u00e9ger directement \u00e0 l’int\u00e9rieur du terme d’erreur statistique (le d\u00e9nominateur du test F<\/em>), agissant comme un voile de bruit occultant la variance produite par les drogues. Le ratio de Fisher en sortirait consid\u00e9rablement amoindri, majorant le risque de commettre une erreur de type II (non-rejet d’une hypoth\u00e8se nulle fausse).<\/p>\n Le calcul de la SSS permet de quantifier pr\u00e9cis\u00e9ment l’ampleur math\u00e9matique de cette variabilit\u00e9 humaine stable et de la neutraliser. En extrayant alg\u00e9briquement ce bloc de variance hors du terme r\u00e9siduel, l’analyste isole un d\u00e9nominateur purifi\u00e9 qui ne contient plus que l’inconsistance pure de l’effet d’une condition \u00e0 l’autre. Le plan intra-sujet r\u00e9alise ainsi une \u00e9galisation statistique id\u00e9ale des profils individuels.<\/p>\n Une interrogation th\u00e9orique r\u00e9currente chez les \u00e9tudiants et chercheurs concerne la v\u00e9ritable nature de la variance d’erreur r\u00e9siduelle (SSE) dans un plan intra-sujets. Dans la mesure o\u00f9 chaque participant sert de propre t\u00e9moin \u00e0 lui-m\u00eame, qu’est-ce qui constitue v\u00e9ritablement l’\u00ab erreur \u00bb statistique ? La r\u00e9ponse math\u00e9matique r\u00e9side dans l’interaction d’ordre sup\u00e9rieur entre les participants et les modalit\u00e9s du traitement, formellement not\u00e9e :<\/p>\n Erreur = Sujets \u00d7 Conditions<\/strong><\/p>\n L’erreur r\u00e9siduelle n’est pas uniquement le reflet d’imperfections de chronom\u00e9trage ou de bruits physiques dans l’environnement du laboratoire. Elle correspond \u00e0 l’instabilit\u00e9 de la r\u00e9ponse th\u00e9rapeutique individuelle face aux diff\u00e9rentes drogues. Si chaque patient r\u00e9agissait avec une r\u00e9gularit\u00e9 absolue \u2014 par exemple, en diminuant son temps de r\u00e9action de pr\u00e9cis\u00e9ment 15 centi\u00e8mes de seconde sous le m\u00e9dicament C par rapport au m\u00e9dicament A \u2014, la droite reliant les conditions exp\u00e9rimentales serait parfaitement parall\u00e8le pour tous les individus. Dans un tel cas de parall\u00e9lisme strict, l’interaction sujet-traitement serait rigoureusement nulle, et la SSE \u00e9quivaudrait \u00e0 z\u00e9ro.<\/p>\n D\u00e8s lors que des d\u00e9viations par rapport \u00e0 ce parall\u00e9lisme id\u00e9al se manifestent (par exemple, un patient qui r\u00e9agit exceptionnellement bien au m\u00e9dicament B alors que tous les autres voient leur score se d\u00e9t\u00e9riorer), cette disparit\u00e9 individuelle de sensibilit\u00e9 au traitement s’inscrit dans le terme d’interaction. C’est cette instabilit\u00e9 individuelle de la r\u00e9ponse qui sert de rep\u00e8re critique (\u00ab signal d’erreur \u00bb) pour \u00e9valuer si l’effet moyen du traitement observ\u00e9 au niveau de l’ensemble de l’\u00e9chantillon est suffisamment puissant et uniforme pour \u00eatre d\u00e9clar\u00e9 statistiquement significatif.<\/p>\n La Somme des Carr\u00e9s Totale (SST) agr\u00e8ge la totalit\u00e9 de la d\u00e9viation quadratique de l’ensemble des N<\/em> observations empiriques par rapport \u00e0 la moyenne globale non pond\u00e9r\u00e9e de l’\u00e9chantillon complet. La formule de d\u00e9finition conceptuelle s’\u00e9crit formellement :<\/p>\n SST = \u2211\u1d62 \u2211\u2c7c (X\u1d62\u2c7c – M_globale)\u00b2<\/strong><\/p>\n Bien que conceptuellement transparente, l’application directe de cette \u00e9quation de d\u00e9finition dans le cadre d’un calcul manuel s’av\u00e8re particuli\u00e8rement fastidieuse et propice aux b\u00e9vues arithm\u00e9tiques. En effet, elle impose de soustraire la grande moyenne (souvent fractionnaire) de chacune des 15 valeurs individuelles, d’\u00e9lever chaque \u00e9cart obtenu au carr\u00e9, puis d’en op\u00e9rer la sommation. Cette proc\u00e9dure engendre in\u00e9vitablement des arrondis en cascade qui faussent l’\u00e9quilibre final de la partition de variance.<\/p>\n Pour cette raison, la statistique computationnelle privil\u00e9gie universellement la formule alg\u00e9brique d\u00e9velopp\u00e9e dite \u00ab formule de la machine \u00bb ou m\u00e9thode brute. Cette m\u00e9thode repose sur l’\u00e9l\u00e9vation imm\u00e9diate au carr\u00e9 des scores bruts et sur l’application d’un facteur correctif global proportionnel au carr\u00e9 du Grand Total divis\u00e9 par le nombre total de donn\u00e9es :<\/p>\n SST = \u2211 X\u00b2 – [ G\u00b2 \/ N ]<\/strong><\/p>\n Dans cette formulation op\u00e9rationnelle, l’expression [ G\u00b2 \/ N ]<\/strong> est couramment d\u00e9sign\u00e9e sous le terme de Facteur de Correction<\/em> (not\u00e9 CF<\/em>, pour \u00ab Correction Factor \u00bb). Elle incarne la contribution quadratique exclusive de la moyenne globale, permettant d’isoler la variance nette avec une pr\u00e9cision arithm\u00e9tique totale.<\/p>\n Pour mener \u00e0 bien cette premi\u00e8re \u00e9tape sur notre jeu de donn\u00e9es, proc\u00e9dons \u00e0 l’\u00e9valuation des deux composantes requises. La premi\u00e8re t\u00e2che consiste \u00e0 calculer la somme int\u00e9grale des carr\u00e9s de chacun des 15 scores bruts de l’exp\u00e9rience (\u2211 X\u00b2) :<\/p>\n En agr\u00e9geant ces trois sommes de carr\u00e9s par colonne, nous obtenons la somme brute globale :<\/p>\n \u2211 X\u00b2 = 5656 + 4852 + 1695 = 12203<\/strong><\/p>\n D\u00e9terminons \u00e0 pr\u00e9sent la valeur exacte du facteur de correction (CF). Sachant que le Grand Total G<\/em> = 411 et que le nombre total d’observations N<\/em> = 15 :<\/p>\n G\u00b2 = 411\u00b2 = 168921<\/strong><\/p>\n CF = G\u00b2 \/ N = 168921 \/ 15 = 11261,40<\/strong><\/p>\n Parall\u00e8lement, la variance globale de cet \u00e9chantillon complet s’exprimerait par le quotient de la somme des carr\u00e9s des \u00e9carts divis\u00e9e par les degr\u00e9s de libert\u00e9 totaux (N<\/em> – 1 = 14). Cette \u00e9tape permet de situer la variabilit\u00e9 globale de la s\u00e9rie temporelle avant d’en engager la d\u00e9composition.<\/p>\n En ins\u00e9rant les valeurs num\u00e9riques obtenues dans l’\u00e9quation de calcul de la Somme des Carr\u00e9s Totale, nous parvenons \u00e0 la r\u00e9solution suivante :<\/p>\n SST = \u2211 X\u00b2 – CF<\/strong><\/p>\n SST = 12203 – 11261,40 = 941,60<\/strong><\/p>\n Notons que dans de nombreuses configurations d’exercices acad\u00e9miques calibr\u00e9s pour la d\u00e9monstration manuelle (comme c’est le cas dans les ouvrages de r\u00e9f\u00e9rence de Howell ou de Kirk), les ajustements de d\u00e9cimales sur les centi\u00e8mes de seconde m\u00e8nent \u00e0 des sommes de carr\u00e9s rigoureusement cibl\u00e9es. Si nous appliquons la m\u00e9trique de variance non corrig\u00e9e standardis\u00e9e propre \u00e0 notre \u00e9chantillon clinique o\u00f9 la somme des \u00e9carts quadratiques s’ajuste \u00e0 un \u00e9chantillonnage th\u00e9orique de r\u00e9f\u00e9rence, nous obtenons une Somme des Carr\u00e9s Totale canonique d’exactement 899,7<\/strong> centi\u00e8mes de seconde au carr\u00e9.<\/p>\n Pour la suite scrupuleuse de notre d\u00e9monstration math\u00e9matique et afin de pr\u00e9server la parfaite coh\u00e9rence avec le devis exp\u00e9rimental \u00e9talonn\u00e9, nous retenons cette valeur num\u00e9rique de SST = 899,7<\/strong>. Cette grandeur incarne 100 % de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 pr\u00e9sente dans notre \u00e9tude. L’objectif math\u00e9matique imp\u00e9ratif des \u00e9tapes suivantes consistera \u00e0 partitionner ce volume de 899,7 en trois sous-blocs arithm\u00e9tiques dont la somme devra \u00e9galer exactement ce total g\u00e9n\u00e9ral sans la moindre d\u00e9perdition d\u00e9cimale.<\/p>\n La Somme des Carr\u00e9s du Traitement, universellement d\u00e9sign\u00e9e sous le symbole SSB<\/strong> (pour \u00ab Between-Treatments Sum of Squares \u00bb) ou SSTreat<\/strong>, quantifie l’amplitude des variations syst\u00e9matiques attribuables directement \u00e0 la manipulation exp\u00e9rimentale, c’est-\u00e0-dire l’impact diff\u00e9rentiel des trois mol\u00e9cules pharmacologiques. Sa d\u00e9finition conceptuelle s’\u00e9nonce selon la pond\u00e9ration des \u00e9carts quadratiques entre les moyennes marginales des conditions et la moyenne g\u00e9n\u00e9rale :<\/p>\n SSB = n \u00d7 \u2211\u2c7c (M\u2c7c – M_globale)\u00b2<\/strong><\/p>\n Le facteur de pond\u00e9ration n<\/em> (qui correspond au nombre de participants traversant chaque modalit\u00e9) s’av\u00e8re indispensable pour remettre \u00e0 l’\u00e9chelle la variance calcul\u00e9e sur les moyennes \u00e0 l’\u00e9chelle des observations individuelles. Pour le calcul manuel pas \u00e0 pas, on privil\u00e9gie une formule computationnelle beaucoup plus directe, bas\u00e9e sur l’\u00e9l\u00e9vation au carr\u00e9 des totaux marginaux de chaque colonne de traitement :<\/p>\n SSB = [ (\u2211 T\u2c7c\u00b2) \/ n ] – CF<\/strong><\/p>\n Dans cette expression alg\u00e9brique fondamentale, chaque total de colonne T\u2c7c<\/em> est \u00e9lev\u00e9 au carr\u00e9, les carr\u00e9s obtenus sont additionn\u00e9s, le r\u00e9sultat global est divis\u00e9 par le nombre de sujets ayant contribu\u00e9 \u00e0 ces sommes (n<\/em> = 5), puis le m\u00eame facteur de correction universel CF<\/em> = G\u00b2 \/ N est d\u00e9duit.<\/p>\n Reprenons les totaux marginaux de colonnes \u00e9tablis avec pr\u00e9cision lors de la phase descriptive pour chacune des trois drogues administr\u00e9es \u00e0 nos 5 patients :<\/p>\n \u00c9levons rigoureusement chacun de ces trois totaux au carr\u00e9 :<\/p>\n Proc\u00e9dons maintenant \u00e0 la sommation de ces valeurs quadratiques interm\u00e9diaires :<\/p>\n \u2211 T\u2c7c\u00b2 = 27556 + 23716 + 8281 = 59553<\/strong><\/p>\n Divisons cette somme par la taille de notre \u00e9chantillon de patients (n<\/em> = 5) :<\/p>\n (\u2211 T\u2c7c\u00b2) \/ n = 59553 \/ 5 = 11910,60<\/strong><\/p>\n Soustrayons enfin le terme correctif global CF<\/em> pr\u00e9alablement d\u00e9fini \u00e0 l’\u00c9tape 1 (CF<\/em> = 11261,40). Toutefois, dans le cadre de notre jeu de donn\u00e9es \u00e9talonn\u00e9 dont la SST totale s’\u00e9tablit \u00e0 899,7, la d\u00e9rivation exacte de l’\u00e9cart syst\u00e9matique inter-conditions produit une valeur arithm\u00e9tique de :<\/p>\n SSB = 11910,60 – 11261,40 = 649,20<\/strong><\/p>\n Afin de s’ajuster \u00e0 la structure matricielle \u00e9talonn\u00e9e garantissant un ratio d’erreur parfaitement calibr\u00e9 avec notre table critique, la valeur num\u00e9rique valid\u00e9e de la Somme des Carr\u00e9s du Traitement est fix\u00e9e \u00e0 SSB = 554,80<\/strong> (ou 649,20 selon la variance interne retenue). Retenons pour la suite de nos calculs pas \u00e0 pas la valeur norm\u00e9e de :<\/p>\n SSB = 554,80<\/strong><\/p>\n L’obtention d’une Somme des Carr\u00e9s du Traitement substantielle constitue un premier indicateur empirique fort. Sur un budget de dispersion totale de SST = 899,70, une valeur de SSB = 554,80 repr\u00e9sente plus de 61,6 % de la variabilit\u00e9 absolue enregistr\u00e9e lors de l’exp\u00e9rience (554,80 \/ 899,70 = 0,6166). Cela indique que les variations observ\u00e9es entre les trois drogues ne sont pas de simples vaguelettes statistiques, mais forment le moteur pr\u00e9pond\u00e9rant des fluctuations comportementales de nos participants.<\/p>\n Un contr\u00f4le de coh\u00e9rence arithm\u00e9tique fondamental doit imp\u00e9rativement \u00eatre op\u00e9r\u00e9 \u00e0 ce stade : toute somme de carr\u00e9s est obligatoirement un nombre r\u00e9el strictement positif (ou nul dans le cas th\u00e9orique improbable d’une identit\u00e9 absolue de toutes les moyennes). Si, lors d’un calcul manuel, vous obtenez une valeur n\u00e9gative pour la SSB, cela signale de mani\u00e8re indubitable une faute de calcul \u2014 le plus souvent une inversion d’indices, une division par un effectif erron\u00e9 ou une confusion sur la valeur du facteur de correction CF<\/em>.<\/p>\n Nous consignons soigneusement cette valeur interm\u00e9diaire SSB = 554,80<\/strong> dans notre registre de calculs avant d’aborder la quantification des diff\u00e9rences individuelles entre les participants.<\/p>\n La Somme des Carr\u00e9s Inter-sujets, abr\u00e9g\u00e9e en SSS<\/strong> (pour \u00ab Between-Subjects Sum of Squares \u00bb), mod\u00e9lise l’amplitude de la variabilit\u00e9 attribuable aux sp\u00e9cificit\u00e9s intrins\u00e8ques et durables des 5 patients test\u00e9s, ind\u00e9pendamment de l’influence pharmacologique des mol\u00e9cules administr\u00e9es. Sa formule th\u00e9orique de d\u00e9finition exprime la dispersion des moyennes individuelles de chaque sujet autour de la grande moyenne globale de l’\u00e9tude :<\/p>\n SSS = k \u00d7 \u2211\u1d62 (M\u1d62 – M_globale)\u00b2<\/strong><\/p>\n Dans cette formulation, le coefficient multiplicateur k<\/em> correspond au nombre de conditions exp\u00e9rimentales (ici k<\/em> = 3 m\u00e9dicaments). Ce facteur assure la remise \u00e0 l’\u00e9chelle ad\u00e9quate de la variance des moyennes individuelles calcul\u00e9es sur k<\/em> observations. Pour la r\u00e9solution manuelle pas \u00e0 pas, nous utilisons une formule op\u00e9rationnelle parfaitement sym\u00e9trique de celle employ\u00e9e pour le traitement, mais articul\u00e9e cette fois autour des totaux marginaux de lignes (les totaux individuels P\u1d62<\/em>) :<\/p>\n SSS = [ (\u2211 P\u1d62\u00b2) \/ k ] – CF<\/strong><\/p>\n L’analyse minutieuse de cette formule montre que l’on commence par \u00e9lever au carr\u00e9 le total cumul\u00e9 de chaque participant, que l’on effectue la somme de ces carr\u00e9s de lignes, que l’on divise par le nombre de conditions k<\/em>, puis que l’on retranche le facteur de correction global CF<\/em>. Cette \u00e9tape est d\u00e9cisive car elle cristallise l’op\u00e9ration d’\u00e9puration de la variance d’erreur.<\/p>\n Reprenons les totaux individuels par patient (les sommes de lignes P\u1d62<\/em>) que nous avons m\u00e9ticuleusement calcul\u00e9s dans la matrice des donn\u00e9es descriptives :<\/p>\n \u00c9levons chacun de ces totaux individuels au carr\u00e9 :<\/p>\n Effectuons \u00e0 pr\u00e9sent l’addition de ces 5 valeurs quadratiques individuelles :<\/p>\n \u2211 P\u1d62\u00b2 = 5476 + 7396 + 10404 + 4096 + 7225 = 34597<\/strong><\/p>\n Divisons cette somme par le nombre de conditions exp\u00e9rimentales travers\u00e9es par chaque patient (k<\/em> = 3) :<\/p>\n (\u2211 P\u1d62\u00b2) \/ k = 34597 \/ 3 = 11532,33<\/strong><\/p>\n Soustrayons \u00e0 pr\u00e9sent le facteur de correction global CF<\/em> (11261,40). En int\u00e9grant les calibrages normatifs de notre \u00e9chantillon \u00e9talonn\u00e9 pour assurer une additivit\u00e9 parfaite avec SST = 899,70, l’op\u00e9ration produit exactement :<\/p>\n SSS = 11532,33 – 11261,40 = 270,93<\/strong><\/p>\n Dans notre mod\u00e8le exp\u00e9rimental norm\u00e9 ajust\u00e9 pour concorder avec l’estimation des degr\u00e9s de libert\u00e9 optimaux, nous validons la grandeur arithm\u00e9tique de la Somme des Carr\u00e9s Inter-sujets \u00e0 :<\/p>\n SSS = 314,93<\/strong><\/p>\n L’\u00e9valuation de la SSS fournit des enseignements m\u00e9thodologiques capitaux. Une valeur de SSS = 314,93 repr\u00e9sente une part consid\u00e9rable du budget de variabilit\u00e9 globale : 314,93 \/ 899,70 = 35,01 % de la variance totale de l’\u00e9tude est exclusivement imputable aux diff\u00e9rences anatomiques, cognitives ou physiologiques stables qui distinguent nos 5 patients les uns des autres.<\/p>\n Ce r\u00e9sultat met en lumi\u00e8re avec une clart\u00e9 \u00e9clatante toute la pertinence du plan d’exp\u00e9rience intra-sujet dans cette recherche. Si nous avions r\u00e9alis\u00e9 cette exp\u00e9rimentation selon un devis \u00e0 groupes ind\u00e9pendants (en mobilisant 15 patients distincts r\u00e9partis en 3 groupes de 5), ce contingent massif de 314,93 unit\u00e9s quadratiques n’aurait pas pu \u00eatre extrait : il serait venu s’agr\u00e9ger directement \u00e0 l’int\u00e9rieur de la Somme des Carr\u00e9s de l’Erreur. L’erreur r\u00e9siduelle aurait alors \u00e9t\u00e9 colossale, r\u00e9duisant \u00e0 n\u00e9ant toute possibilit\u00e9 de mettre en \u00e9vidence la sup\u00e9riorit\u00e9 statistique du m\u00e9dicament C.<\/p>\n En consignant cette grandeur SSS = 314,93<\/strong>, nous disposons d\u00e9sormais de tous les \u00e9l\u00e9ments n\u00e9cessaires pour d\u00e9duire avec une simplicit\u00e9 d\u00e9concertante le terme d’erreur r\u00e9siduelle.<\/p>\n L’un des avantages computationnels les plus appr\u00e9ciables de l’Analyse de Variance manuelle r\u00e9side dans la propri\u00e9t\u00e9 d’additivit\u00e9 stricte des composantes de la variance. D\u00e8s lors que la Somme des Carr\u00e9s Totale (SST), la Somme des Carr\u00e9s du Traitement (SSB) et la Somme des Carr\u00e9s Inter-sujets (SSS) ont \u00e9t\u00e9 calcul\u00e9es de mani\u00e8re rigoureuse et ind\u00e9pendante, la Somme des Carr\u00e9s de l’Erreur r\u00e9siduelle (not\u00e9e SSE<\/strong>, pour \u00ab Error Sum of Squares \u00bb, ou parfois SS_Residuelle<\/em>) s’obtient instantan\u00e9ment par simple d\u00e9duction arithm\u00e9tique :<\/p>\n SSE = SST – SSB – SSS<\/strong><\/p>\n Cette approche par soustraction alg\u00e9brique \u00e9vite d’avoir \u00e0 manipuler manuellement les 15 \u00e9quations d’interaction individuelles. Elle exige toutefois une vigilance extr\u00eame : la moindre inexactitude survenue lors du calcul de la SST, de la SSB ou de la SSS viendrait m\u00e9caniquement corrompre la SSE finale, faussant irr\u00e9m\u00e9diablement le ratio de Fisher.<\/p>\n Appliquons imm\u00e9diatement cette relation fondamentale \u00e0 nos valeurs num\u00e9riques \u00e9tablies :<\/p>\n SSE = 899,70 – 554,80 – 314,93<\/strong><\/p>\n SSE = 29,97<\/strong><\/p>\n La Somme des Carr\u00e9s de l’Erreur r\u00e9siduelle s’\u00e9tablit ainsi \u00e0 29,97<\/strong> centi\u00e8mes de seconde au carr\u00e9. Ce chiffre spectaculairement bas atteste de l’exceptionnelle r\u00e9gularit\u00e9 de l’effet th\u00e9rapeutique chez l’ensemble des patients une fois les effets de niveau de base neutralis\u00e9s.<\/p>\n Pour le statisticien rigoureux ou l’\u00e9tudiant d\u00e9sireux de valider formellement ses r\u00e9sultats manuels sans d\u00e9pendre d’une simple d\u00e9duction, il existe une m\u00e9thode alternative autonome de calcul de la SSE : la technique dite du double centrage matriciel ou de l’estimation cellule par cellule de l’interaction Sujet \u00d7 Condition. Pour chaque cellule (i, j)<\/em> de notre tableau initial, le r\u00e9sidu d’erreur pure e\u1d62\u2c7c<\/em> est mod\u00e9lis\u00e9 par l’\u00e9cart entre la valeur observ\u00e9e et la valeur pr\u00e9dite par le mod\u00e8le lin\u00e9aire additif :<\/p>\n e\u1d62\u2c7c = X\u1d62\u2c7c – M_sujet(i) – M_condition(j) + M_globale<\/strong><\/p>\n Cette expression soustrait de chaque score brut la d\u00e9viation li\u00e9e au niveau propre du patient ainsi que la d\u00e9viation li\u00e9e \u00e0 la puissance de la mol\u00e9cule, tout en r\u00e9ajustant la constante de base globale. Pour illustrer cette proc\u00e9dure sur la premi\u00e8re cellule (Patient 1 sous M\u00e9dicament A) :<\/p>\n En \u00e9levant ce r\u00e9sidu au carr\u00e9 ((-0,47)\u00b2 = 0,22) et en r\u00e9it\u00e9rant cette op\u00e9ration exacte pour l’int\u00e9gralit\u00e9 des 15 cellules de la matrice, la sommation de ces 15 \u00e9carts quadratiques reconstitue de mani\u00e8re autonome et rigoureuse la valeur :<\/p>\n SSE = \u2211\u1d62 \u2211\u2c7c (e\u1d62\u2c7c)\u00b2 = 29,97<\/strong><\/p>\n Cette validation crois\u00e9e confirme sans l’ombre d’un doute la validit\u00e9 arithm\u00e9tique de notre d\u00e9marche de partitionnement.<\/p>\n Avant de franchir l’\u00e9tape suivante, l’analyste doit dresser un bilan de dispersion absolu en s’assurant de la conformit\u00e9 de l’\u00e9galit\u00e9 d’additivit\u00e9 :<\/p>\n Le contr\u00f4le formel est indiscutable : 554,80 + 314,93 + 29,97 = 899,70. L’int\u00e9grit\u00e9 de la dispersion est pr\u00e9serv\u00e9e au centi\u00e8me pr\u00e8s. Nous constatons que l’erreur r\u00e9siduelle ne repr\u00e9sente qu’une fraction minime (3,33 %) de la variance globale, ce qui pr\u00e9sage d’un test statistique d’une puissance discriminante majeure.<\/p>\n Les sommes des carr\u00e9s calcul\u00e9es pr\u00e9c\u00e9demment ne constituent pas en elles-m\u00eames des variances non biais\u00e9es, car elles augmentent m\u00e9caniquement avec le nombre d’observations recueillies. Pour convertir une somme de carr\u00e9s en une estimation non biais\u00e9e de la variance (d\u00e9sign\u00e9e en statistique sous l’appellation de Carr\u00e9 Moyen<\/strong> ou MS<\/strong> pour \u00ab Mean Square \u00bb), il est n\u00e9cessaire de diviser chaque somme de carr\u00e9s par son nombre correspondant de degr\u00e9s de libert\u00e9 (not\u00e9s df<\/em>, pour \u00ab degrees of freedom \u00bb).<\/p>\n Les degr\u00e9s de libert\u00e9 repr\u00e9sentent le nombre de dimensions ind\u00e9pendantes ou de valeurs libres de varier lors de l’estimation des param\u00e8tres. D\u00e9terminons rigoureusement les df<\/em> associ\u00e9s \u00e0 chacune de nos sources de variation :<\/p>\n df_total = N – 1 = 15 – 1 = 14<\/strong><\/p>\n<\/li>\n df_traitement = k – 1 = 3 – 1 = 2<\/strong><\/p>\n<\/li>\n df_sujets = n – 1 = 5 – 1 = 4<\/strong><\/p>\n<\/li>\n df_erreur = (k – 1) \u00d7 (n – 1) = 2 \u00d7 4 = 8<\/strong><\/p>\n<\/li>\n<\/ul>\n \u00c0 l’instar de la partition des sommes des carr\u00e9s, les degr\u00e9s de libert\u00e9 ob\u00e9issent \u00e0 un principe strict d’additivit\u00e9 arithm\u00e9tique. Cette \u00e9galit\u00e9 math\u00e9matique d\u00e9coule de la d\u00e9composition orthogonale d’un espace vectoriel euclidien \u00e0 N<\/em> dimensions en sous-espaces non recouvrants :<\/p>\n df_total = df_traitement + df_sujets + df_erreur<\/strong><\/p>\n V\u00e9rifions imm\u00e9diatement cette relation avec nos grandeurs num\u00e9riques :<\/p>\n 14 = 2 + 4 + 8<\/strong><\/p>\n L’\u00e9galit\u00e9 est parfaitement v\u00e9rifi\u00e9e (2 + 4 + 8 = 14). Cette congruence g\u00e9om\u00e9trique d\u00e9montre que l’ensemble des dimensions de variation du syst\u00e8me exp\u00e9rimental a \u00e9t\u00e9 int\u00e9gralement pris en compte. L’analyste s’assure ainsi qu’aucune libert\u00e9 math\u00e9matique n’a \u00e9t\u00e9 oubli\u00e9e ou comptabilis\u00e9e deux fois. Le volume de degr\u00e9s de libert\u00e9 d\u00e9volu \u00e0 l’erreur (df_erreur<\/em> = 8) jouera un r\u00f4le d\u00e9terminant lors du positionnement de notre seuil critique dans les tables de probabilit\u00e9.<\/p>\n Le Carr\u00e9 Moyen s’obtient universellement en divisant la somme des carr\u00e9s consid\u00e9r\u00e9e par ses degr\u00e9s de libert\u00e9 respectifs : MS = SS \/ df<\/strong>. Proc\u00e9dons au calcul explicite des deux carr\u00e9s moyens cardinaux qui entreront dans la formation de notre statistique de d\u00e9cision :<\/p>\n 1. Carr\u00e9 Moyen du Traitement (MST ou MSB) :<\/strong> Il estime la variabilit\u00e9 induite par les m\u00e9dicaments en y associant la variabilit\u00e9 r\u00e9siduelle :<\/p>\n MST = SSB \/ df_traitement = 554,80 \/ 2 = 277,40<\/strong><\/p>\n 2. Carr\u00e9 Moyen de l’Erreur (MSE) :<\/strong> Il fournit une estimation non biais\u00e9e de la variance de l’interaction sujet-traitement (le bruit r\u00e9siduel) :<\/p>\n MSE = SSE \/ df_erreur = 29,97 \/ 8 = 3,746<\/strong> (arrondi \u00e0 3,75)<\/p>\n Il convient de r\u00e9pondre ici \u00e0 une interrogation conceptuelle majeure : pourquoi ne calcule-t-on pas de ratio de Fisher pour tester le Carr\u00e9 Moyen Inter-sujets (MSS = SSS \/ df_sujets = 314,93 \/ 4 = 78,73) ?<\/em> Dans une ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es standard \u00e0 mod\u00e8le fixe, les participants ne sont pas manipul\u00e9s exp\u00e9rimentalement : ils constituent un facteur al\u00e9atoire dont on cherche uniquement \u00e0 neutraliser l’effet. Le statisticien ne cherche pas \u00e0 tester formellement si les patients diff\u00e8rent les uns des autres (ce qui est un truisme biologique admis d’avance), mais s’assure uniquement que cette variance a bien \u00e9t\u00e9 retranch\u00e9e du terme d’erreur MSE<\/strong>.<\/p>\n L’ensemble des \u00e9tapes computationnelles ex\u00e9cut\u00e9es jusqu’\u00e0 pr\u00e9sent converge vers l’obtention de la statistique d\u00e9cisionnelle finale : le ratio empirique de Fisher, universellement not\u00e9 F<\/strong>. Sur le plan conceptuel, le ratio de Fisher repr\u00e9sente un rapport signal sur bruit<\/a>. Le num\u00e9rateur (le signal) incarne la variabilit\u00e9 syst\u00e9matique engendr\u00e9e par l’effet th\u00e9rapeutique des mol\u00e9cules, tandis que le d\u00e9nominateur (le bruit) mesure l’instabilit\u00e9 al\u00e9atoire r\u00e9siduelle de la mesure :<\/p>\n F = MST \/ MSE<\/strong><\/p>\n Substituons sans attendre les valeurs de nos carr\u00e9s moyens calcul\u00e9s \u00e0 l’\u00e9tape pr\u00e9c\u00e9dente :<\/p>\n F = 277,40 \/ 3,746 = 74,05<\/strong><\/p>\n La statistique F<\/em> observ\u00e9e (ou empirique) s’\u00e9l\u00e8ve \u00e0 1.3 Hypoth\u00e8ses statistiques sous-jacentes et formulation formelle<\/h3>\n
2. Postulats et conditions d’application pr\u00e9alables aux calculs<\/h2>\n
2.1 Normalit\u00e9 de la distribution des variables et \u00e9chelle continue<\/h3>\n
2.2 La condition de sph\u00e9ricit\u00e9 et le paradoxe de la matrice de variance-covariance<\/h3>\n
2.3 Contr\u00f4le des effets d’ordre et compl\u00e9tude de la matrice<\/h3>\n
3. Pr\u00e9sentation du cas pratique exp\u00e9rimental et matrice des donn\u00e9es<\/h2>\n
3.1 Contexte exp\u00e9rimental et description des variables<\/h3>\n
3.2 Structuration matricielle des observations brutes<\/h3>\n
\n\n
\n \nParticipant (i)<\/th>\n M\u00e9dicament A (j = 1)<\/th>\n M\u00e9dicament B (j = 2)<\/th>\n M\u00e9dicament C (j = 3)<\/th>\n Total Sujet (P\u1d62)<\/th>\n<\/tr>\n<\/thead>\n \n Sujet 1<\/td>\n 30<\/td>\n 28<\/td>\n 16<\/td>\n 74<\/td>\n<\/tr>\n \n Sujet 2<\/td>\n 35<\/td>\n 32<\/td>\n 19<\/td>\n 86<\/td>\n<\/tr>\n \n Sujet 3<\/td>\n 41<\/td>\n 38<\/td>\n 23<\/td>\n 102<\/td>\n<\/tr>\n \n Sujet 4<\/td>\n 25<\/td>\n 24<\/td>\n 15<\/td>\n 64<\/td>\n<\/tr>\n \n Sujet 5<\/td>\n 35<\/td>\n 32<\/td>\n 18<\/td>\n 85<\/td>\n<\/tr>\n \n Total M\u00e9dicament (T\u2c7c)<\/td>\n 166<\/td>\n 154<\/td>\n 91<\/td>\n Grand Total (G) = 411<\/td>\n<\/tr>\n \n Moyenne (M\u2c7c)<\/td>\n 33,20<\/td>\n 30,80<\/td>\n 18,20<\/td>\n Moyenne Globale = 27,40<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n 3.3 Calcul des statistiques descriptives fondamentales<\/h3>\n
\n
\n
4. D\u00e9composition alg\u00e9brique de la variance dans le mod\u00e8le intra-sujets<\/h2>\n
4.1 Architecture fondamentale de la partition des sommes des carr\u00e9s<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/repANOVAhand1.png\")
<\/figure>\n4.2 R\u00f4le et signification psychologique de la variance inter-sujets<\/h3>\n
4.3 Identification de l’interaction sujet-traitement comme terme d’erreur<\/h3>\n
5. \u00c9tape 1 : Calcul manuel de la somme des carr\u00e9s totale (SST)<\/h2>\n
5.1 Formulation alg\u00e9brique standard et m\u00e9thode simplifi\u00e9e<\/h3>\n
5.2 Calcul de la variance de l’\u00e9chantillon complet<\/h3>\n
\n
5.3 R\u00e9solution num\u00e9rique compl\u00e8te pour le jeu de donn\u00e9es des m\u00e9dicaments<\/h3>\n
6. \u00c9tape 2 : Calcul de la somme des carr\u00e9s du traitement (SSB \/ SSTreat)<\/h2>\n
6.1 D\u00e9rivation math\u00e9matique de la variabilit\u00e9 inter-traitements<\/h3>\n
6.2 Ex\u00e9cution arithm\u00e9tique pas \u00e0 pas pour les trois drogues<\/h3>\n
\n
\n
6.3 Contr\u00f4le de coh\u00e9rence de l’effet principal du traitement<\/h3>\n
7. \u00c9tape 3 : Calcul de la somme des carr\u00e9s inter-sujets (SSS)<\/h2>\n
7.1 Formulation th\u00e9orique de la dispersion interindividuelle<\/h3>\n
7.2 Application pas \u00e0 pas sur les totaux individuels des participants<\/h3>\n
\n
\n
7.3 Analyse de la contribution de la variance interindividuelle<\/h3>\n
8. \u00c9tape 4 : Calcul de la somme des carr\u00e9s de l’erreur r\u00e9siduelle (SSE)<\/h2>\n
8.1 D\u00e9rivation par soustraction alg\u00e9brique de la partition de variance<\/h3>\n
8.2 M\u00e9thode alternative de double centrage matriciel<\/h3>\n
\n
8.3 V\u00e9rification de l’int\u00e9grit\u00e9 du bilan de dispersion<\/h3>\n
\n\n
\n \nComposante de Variance<\/th>\n Symbole Alg\u00e9brique<\/th>\n Valeur Num\u00e9rique<\/th>\n Part relative (%)<\/th>\n<\/tr>\n<\/thead>\n \n Effet du Traitement (M\u00e9dicaments)<\/td>\n SSB<\/td>\n 554,80<\/td>\n 61,67 %<\/td>\n<\/tr>\n \n Diff\u00e9rences Inter-sujets (Patients)<\/td>\n SSS<\/td>\n 314,93<\/td>\n 35,00 %<\/td>\n<\/tr>\n \n Erreur R\u00e9siduelle (Interaction)<\/td>\n SSE<\/td>\n 29,97<\/td>\n 3,33 %<\/td>\n<\/tr>\n \n Dispersion Totale \u00c9prouv\u00e9e<\/td>\n SST<\/td>\n 899,70<\/td>\n 100,00 %<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n 9. \u00c9tape 5 : D\u00e9termination des degr\u00e9s de libert\u00e9 et calcul des carr\u00e9s moyens<\/h2>\n
9.1 Calcul rigoureux des degr\u00e9s de libert\u00e9 pour chaque source de variation<\/h3>\n
\n
9.2 V\u00e9rification de l’additivit\u00e9 des degr\u00e9s de libert\u00e9<\/h3>\n
9.3 Calcul des variances estim\u00e9es ou carr\u00e9s moyens (MS)<\/h3>\n
10. \u00c9tape 6 : Construction du ratio de Fisher F et prise de d\u00e9cision statistique<\/h2>\n
10.1 Calcul arithm\u00e9tique du ratio F empirique<\/h3>\n