th\u00e9or\u00e8me central limite<\/a> (TCL). Ce principe fondamental d\u00e9montre que, pourvu que la taille de l’\u00e9chantillon soit suffisamment vaste (g\u00e9n\u00e9ralement admise d\u00e8s que N franchit le seuil conventionnel de 30 observations par groupe), la distribution d’\u00e9chantillonnage de la moyenne tend in\u00e9luctablement vers la normalit\u00e9, et ce, quelle que soit la forme intrins\u00e8que de la distribution de la variable au niveau de la population d’origine. Cette propri\u00e9t\u00e9 conf\u00e8re au test t une robustesse remarquable face aux d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9 d\u00e8s que les cohortes atteignent des volum\u00e9tries moyennes ou \u00e9lev\u00e9es.<\/p>\n2.2 Homosc\u00e9dasticit\u00e9 et ind\u00e9pendance des observations<\/h3>\n Au-del\u00e0 de la forme distributionnelle, le mod\u00e8le classique du test t pour deux \u00e9chantillons ind\u00e9pendants postule l’\u00e9galit\u00e9 stricte des variances populationnelles au sein de chaque groupe exp\u00e9rimental, une condition technique d\u00e9sign\u00e9e sous le terme d’homosc\u00e9dasticit\u00e9 (ou homog\u00e9n\u00e9it\u00e9 de la variance). Math\u00e9matiquement, ce principe exige que sigma-carr\u00e9 du premier groupe soit statistiquement \u00e9quivalent \u00e0 sigma-carr\u00e9 du second. Lorsque cette hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 est v\u00e9rifi\u00e9e, l’estimation conjointe de la variance r\u00e9siduelle au moyen de la variance combin\u00e9e (pooled variance) est exempte de biais et optimise la puissance de l’inf\u00e9rence.<\/p>\n
\u00c0 l’inverse, en situation d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 \u2014 lorsque les groupes affichent des variances substantiellement divergentes \u2014, la statistique t classique calcul\u00e9e selon l’algorithme historique de Student devient profond\u00e9ment dysfonctionnelle. Ce ph\u00e9nom\u00e8ne s’av\u00e8re particuli\u00e8rement toxique pour la validit\u00e9 interne lorsque les tailles d’\u00e9chantillons sont asym\u00e9triques. Si le groupe pr\u00e9sentant la variance la plus forte est \u00e9galement celui dont la taille est la plus restreinte, le test t standard sous-estime syst\u00e9matiquement l’erreur type, gonflant artificiellement le taux d’erreur de premi\u00e8re esp\u00e8ce (rejet intempestif de l’hypoth\u00e8se nulle en l’absence de tout effet r\u00e9el). Si la relation s’inverse, le test devient ultra-conservateur, \u00e9rodant la puissance statistique et g\u00e9n\u00e9rant une inflation de l’erreur de deuxi\u00e8me esp\u00e8ce.<\/p>\n
Enfin, le troisi\u00e8me pilier axiomatique repose sur l’ind\u00e9pendance absolue des observations au sein des groupes d’\u00e9chantillons ind\u00e9pendants. Cette contrainte m\u00e9thodologique impose que le score obtenu par un participant donn\u00e9 ne soit, d’aucune mani\u00e8re, influenc\u00e9 ou pr\u00e9dit par le score d’un autre sujet. L’ind\u00e9pendance est principalement garantie par la rigueur du protocole d’\u00e9chantillonnage probabiliste, l’absence de contamination inter-sujets (par exemple, des participants qui communiqueraient entre eux durant une t\u00e2che cognitive) et la randomisation minutieuse des assignations de groupe.<\/p>\n
2.3 Formulation des hypoth\u00e8ses statistiques et seuils d\u00e9cisionnels<\/h3>\n L’acte d’inf\u00e9rence statistique fr\u00e9quentiste s’articule imp\u00e9rativement autour d’une mise en concurrence binaire et probabiliste entre deux assertions th\u00e9oriques exclusives : l’hypoth\u00e8se nulle (H0) et l’hypoth\u00e8se alternative (H1). L’hypoth\u00e8se nulle incarne le statut quo scientifique ; elle postule formellement que la diff\u00e9rence math\u00e9matique entre les param\u00e8tres de moyennes des populations sous-jacentes est strictement \u00e9gale \u00e0 z\u00e9ro (mu1 – mu2 = 0 dans un paradigme \u00e0 deux groupes, ou mu = mu0 dans un paradigme \u00e0 groupe unique). Sous H0, toute divergence num\u00e9rique constat\u00e9e dans les matrices d’\u00e9chantillons n’est que l’expression d’un bruit stochastique imputable \u00e0 l’\u00e9chantillonnage al\u00e9atoire.<\/p>\n
L’hypoth\u00e8se alternative (H1), quant \u00e0 elle, stipule l’existence d’une diff\u00e9rence syst\u00e9matique non nulle. Elle peut \u00eatre formul\u00e9e selon deux perspectives \u00e9pist\u00e9mologiques distinctes. D’une part, l’hypoth\u00e8se non directionnelle (bilat\u00e9rale ou two-tailed) postule simplement que les moyennes sont in\u00e9gales (mu1 diff\u00e9rent de mu2), sans pr\u00e9juger du sens du diff\u00e9rentiel, r\u00e9partissant le risque d’erreur de fa\u00e7on sym\u00e9trique sur les deux extr\u00e9mit\u00e9s de la distribution th\u00e9orique. D’autre part, l’hypoth\u00e8se directionnelle (unilat\u00e9rale ou one-tailed) avance de mani\u00e8re pr\u00e9d\u00e9termin\u00e9e le sens du gradient cognitif ou clinique attendu (mu1 sup\u00e9rieur \u00e0 mu2 ou mu1 inf\u00e9rieur \u00e0 mu2), concentrant l’int\u00e9gralit\u00e9 du risque d\u00e9cisionnel sur une seule queue de la courbe.<\/p>\n
Le chercheur se doit de fixer a priori le seuil de significativit\u00e9 nominal, traditionnellement symbolis\u00e9 par la lettre grecque alpha (g\u00e9n\u00e9ralement calibr\u00e9 \u00e0 0,05, ou \u00e0 0,01 pour les \u00e9tudes \u00e0 haute exigence probatoire). Ce seuil correspond au seuil probabiliste maximal que la communaut\u00e9 scientifique accepte de tol\u00e9rer quant \u00e0 la survenue d’un faux positif (erreur de type I : rejeter H0 alors qu’elle est en r\u00e9alit\u00e9 vraie dans l’univers). La d\u00e9cision statistique consistera \u00e0 confronter la probabilit\u00e9 conditionnelle associ\u00e9e \u00e0 la statistique empirique calcul\u00e9e (la p-valeur) au seuil alpha pr\u00e9\u00e9tabli : d\u00e8s lors que la valeur p descend sous le seuil critique d’acceptation, l’analyste se trouve dans l’obligation m\u00e9thodologique de rejeter l’hypoth\u00e8se nulle au profit de l’hypoth\u00e8se alternative.<\/p>\n
3. Structuration et nettoyage des donn\u00e9es psychom\u00e9triques dans Google Sheets<\/h2>\n3.1 Architecture tabulaire et typage des variables<\/h3>\n L’exactitude des calculs inf\u00e9rentiels ex\u00e9cut\u00e9s par les fonctions natives de Google Sheets d\u00e9pend directement de la structure g\u00e9om\u00e9trique et du typage des donn\u00e9es int\u00e9gr\u00e9es dans la feuille de calcul. En science des donn\u00e9es contemporaine, deux agencements structuraux pr\u00e9dominent : le format \u00ab large \u00bb (wide) et le format \u00ab long \u00bb (tidy data). Dans un format large adapt\u00e9 \u00e0 l’ex\u00e9cution rapide de la formule de Student, chaque colonne repr\u00e9sente une condition exp\u00e9rimentale distincte ou un temps de mesure sp\u00e9cifique, chaque ligne correspondant aux valeurs scalaires produites par un participant. Dans un format long, une seule colonne regroupe l’ensemble des scores de la variable d\u00e9pendante, tandis qu’une colonne adjacente contient une \u00e9tiquette textuelle identifiant le groupe ou la condition d’appartenance.<\/p>\n
L’anonymisation rigoureuse des donn\u00e9es psychom\u00e9triques impose d’attribuer d\u00e8s la premi\u00e8re colonne un identifiant alphanum\u00e9rique unique et non signifiant \u00e0 chaque participant (par exemple P001, P002, etc.), \u00e9liminant toute r\u00e9f\u00e9rence nominative conform\u00e9ment aux directives de protection des donn\u00e9es \u00e9thiques et l\u00e9gales (telles que le RGPD). Les en-t\u00eates de colonnes doivent \u00eatre standardis\u00e9s, d\u00e9pourvus d’accents complexes, d’espaces superflus ou de caract\u00e8res sp\u00e9ciaux, afin d’\u00e9viter toute corruption lors de manipulations matricielles avanc\u00e9es.<\/p>\n
Une vigilance m\u00e9ticuleuse doit \u00eatre port\u00e9e au formatage num\u00e9rique strict des cellules contenant les mesures exp\u00e9rimentales. Dans Google Sheets, un pi\u00e8ge r\u00e9current r\u00e9sulte du m\u00e9lange inadvertant entre s\u00e9parateurs d\u00e9cimaux francophones (la virgule) et anglo-saxons (le point). Si un score psychom\u00e9trique est saisi sous la forme \u00ab 14.5 \u00bb au sein d’une feuille param\u00e9tr\u00e9e sous une locale linguistique fran\u00e7aise, le tableur interpr\u00e9tera cette valeur comme une cha\u00eene de caract\u00e8res textuelle arbitraire. Cette m\u00e9prise silencieuse exclura automatiquement l’observation des calculs de moyennes et de variances sans lever de message d’alerte explicite, alt\u00e9rant dramatiquement les degr\u00e9s de libert\u00e9 et faussant enti\u00e8rement la statistique de Student subs\u00e9quente. Il est imp\u00e9ratif d’utiliser la commande de validation de type via le menu Format > Nombre > Nombre<\/em>.<\/p>\n3.2 D\u00e9tection et traitement des observations aberrantes<\/h3>\n Les protocoles de recueil psychologique et comportemental sont particuli\u00e8rement vuln\u00e9rables \u00e0 la pr\u00e9sence d’observations aberrantes (outliers), qu’elles proc\u00e8dent d’une faute d’inattention du participant, d’un d\u00e9faut de calibration du mat\u00e9riel chronom\u00e9trique ou d’une erreur de saisie typographique de l’exp\u00e9rimentateur. Ces valeurs extr\u00eames exercent une traction asym\u00e9trique disproportionn\u00e9e sur la moyenne d’\u00e9chantillon tout en gonflant artificiellement l’\u00e9cart-type, d\u00e9t\u00e9riorant gravement la pr\u00e9cision du test t. Deux m\u00e9thodes statistiques objectives peuvent \u00eatre mod\u00e9lis\u00e9es nativement dans Google Sheets pour d\u00e9celer ces d\u00e9viances.<\/p>\n
La premi\u00e8re strat\u00e9gie repose sur l’\u00e9cart interquartile (IQR), une m\u00e9trique de dispersion non param\u00e9trique remarquablement r\u00e9sistante aux valeurs extr\u00eames. Dans le tableur, on calcule le premier quartile (Q1) avec la formule =QUARTILE(A2:A50; 1)<\/code> et le troisi\u00e8me quartile (Q3) avec =QUARTILE(A2:A50; 3)<\/code>. L’\u00e9cart interquartile r\u00e9sulte de la diff\u00e9rence =Q3 - Q1<\/code>. Selon la conventionnelle barri\u00e8re de John Tukey, toute observation qui s’inscrit au-del\u00e0 de la borne sup\u00e9rieure =Q3 + (1,5 * IQR)<\/code> ou en de\u00e7\u00e0 de la borne inf\u00e9rieure =Q1 - (1,5 * IQR)<\/code> doit \u00eatre classifi\u00e9e comme une observation aberrante potentielle et faire l’objet d’un examen minutieux.<\/p>\nLa seconde approche s’appuie sur la standardisation des observations en scores Z par le truchement de la fonction =CENTREE.REDUITE(valeur; moyenne_plage; ecartype_plage)<\/code>. Cette transformation lin\u00e9aire repositionne les donn\u00e9es sur une \u00e9chelle d’esp\u00e9rance nulle et d’\u00e9cart-type unitaire. En psychom\u00e9trie exp\u00e9rimentale, la r\u00e8gle d\u00e9cisionnelle universelle commande de traiter toute observation dont la valeur absolue du score Z exc\u00e8de le seuil de 3,0 (voire 3,29 dans les larges \u00e9chantillons) comme un artefact statistique \u00e0 isoler. D’un point de vue d\u00e9ontologique, aucune donn\u00e9e ne doit \u00eatre cavali\u00e8rement supprim\u00e9e de la matrice d’analyse sans justification th\u00e9orique ou m\u00e9thodologique rigoureusement explicit\u00e9e dans le cahier de laboratoire et le rapport de publication final.<\/p>\n3.3 Gestion m\u00e9thodique des donn\u00e9es manquantes<\/h3>\n L’attrition exp\u00e9rimentale \u2014 cons\u00e9cutive \u00e0 l’abandon d’un sujet en cours d’\u00e9tude, \u00e0 une d\u00e9faillance technique d’enregistrement ou au refus de r\u00e9pondre \u00e0 certains items d’un inventaire de personnalit\u00e9 \u2014 induit in\u00e9vitablement des cellules vides au sein des matrices de donn\u00e9es. L’analyste doit en premier lieu recenser avec exhaustivit\u00e9 l’ampleur et la topographie de ce ph\u00e9nom\u00e8ne au moyen des fonctions de comptage conditionnel de Google Sheets. La formule =NB.VIDE(A2:A100)<\/code> renvoie le volume absolu de donn\u00e9es absentes dans la plage consid\u00e9r\u00e9e, tandis que la combinaison =NB.SI(A2:A100; \"<>\")<\/code> permet d’attester du nombre r\u00e9el d’observations num\u00e9riques valides disponibles.<\/p>\nFace \u00e0 des donn\u00e9es manquantes, deux approches m\u00e9thodologiques divergentes se pr\u00e9sentent au chercheur. La premi\u00e8re consiste \u00e0 recourir \u00e0 des m\u00e9thodes d’imputation univari\u00e9e \u00e9l\u00e9mentaires, telles que le remplacement d’une cellule vide par la moyenne arithm\u00e9tique globale du groupe. Bien que s\u00e9duisante par sa simplicit\u00e9 op\u00e9ratoire dans un tableur, cette pratique est formellement d\u00e9conseill\u00e9e en inf\u00e9rence param\u00e9trique : elle comprime artificiellement la variance r\u00e9siduelle de l’\u00e9chantillon, g\u00e9n\u00e9rant une sous-estimation syst\u00e9matique de l’erreur type et un gonflement frauduleux de la significativit\u00e9 du test t.<\/p>\n
Dans le cadre d’un protocole d’analyse standardis\u00e9 sous Google Sheets, la strat\u00e9gie la plus int\u00e8gre demeure la suppression par liste (listwise deletion). Cette m\u00e9thode stipule que si une ligne de donn\u00e9es pr\u00e9sente une omission sur l’une quelconque des variables impliqu\u00e9es dans le test (particuli\u00e8rement critique lors des protocoles appari\u00e9s o\u00f9 la concordance des paires est requise), l’int\u00e9gralit\u00e9 de l’enregistrement de ce participant doit \u00eatre \u00e9cart\u00e9e de l’analyse inf\u00e9rentielle. Cette approche garantit la comparabilit\u00e9 stricte des estimations et pr\u00e9serve la validit\u00e9 interne du plan d’exp\u00e9rience, \u00e0 condition que le m\u00e9canisme g\u00e9n\u00e9rateur de perte r\u00e9ponde au postulat de donn\u00e9es manquantes compl\u00e8tement al\u00e9atoires (MCAR – Missing Completely At Random).<\/p>\n
4. Mise en \u0153uvre du test t \u00e0 \u00e9chantillon unique dans Google Sheets<\/h2>\n4.1 Cadre conceptuel et mod\u00e9lisation exp\u00e9rimentale<\/h3>\n Le test t \u00e0 \u00e9chantillon unique intervient lorsqu’un chercheur cherche \u00e0 \u00e9tablir si un groupe clinique, exp\u00e9rimental ou sociologique d\u00e9termin\u00e9 pr\u00e9sente des caract\u00e9ristiques cognitives ou comportementales d\u00e9viant significativement d’un point d’ancrage universel ou d’une constante populationnelle pr\u00e9existante. Consid\u00e9rons le cas d’application suivant : une \u00e9quipe de neuropsychologues souhaite \u00e9valuer si des patients adultes ayant subi un traumatisme cr\u00e2nien mod\u00e9r\u00e9 pr\u00e9sentent un d\u00e9ficit sp\u00e9cifique de leur empan mn\u00e9sique visuo-spatial comparativement \u00e0 la moyenne \u00e9tablie de longue date dans la population g\u00e9n\u00e9rale adulte saine.<\/p>\n
Dans ce sc\u00e9nario exp\u00e9rimental, la valeur normative document\u00e9e au test des blocs de Corsi au sein de la population g\u00e9n\u00e9rale est de mu0 = 5,50<\/code> unit\u00e9s d’empan. L’\u00e9valuation porte sur un \u00e9chantillon clinique de 20 patients cons\u00e9cutifs. Les hypoth\u00e8ses statistiques s’\u00e9noncent avec rigueur de la mani\u00e8re suivante :<\/p>\n\nHypoth\u00e8se nulle (H0) :<\/strong> mu = 5,50<\/em> (la moyenne de la population de patients traumatis\u00e9s cr\u00e2niens ne diff\u00e8re pas de la norme th\u00e9orique de r\u00e9f\u00e9rence).<\/li>\nHypoth\u00e8se alternative (H1) :<\/strong> mu ≠ 5,50<\/em> (la moyenne de la population de patients traumatis\u00e9s cr\u00e2niens s’\u00e9carte significativement de la norme, selon une formulation bilat\u00e9rale non directionnelle).<\/li>\n<\/ul>\nLa taille critique de l’effet attendu sur cette \u00e9chelle neuropsychologique est estim\u00e9e a priori \u00e0 un niveau mod\u00e9r\u00e9 \u00e0 fort, le seuil de d\u00e9cision probabiliste \u00e9tant arr\u00eat\u00e9 au standard \u00e9pist\u00e9mologique classique de alpha = 0,05<\/code>.<\/p>\nOne sample t-test in Google Sheets<\/figcaption><\/figure>\n4.2 Calcul pas-\u00e0-pas des param\u00e8tres interm\u00e9diaires<\/h3>\n Bien que Google Sheets permette de d\u00e9river des solutions probabilistes condens\u00e9es, la d\u00e9composition p\u00e9dagogique et analytique des calculs interm\u00e9diaires au sein d’une feuille structur\u00e9e constitue la m\u00e9thode royale pour appr\u00e9hender la m\u00e9canique du test et s’assurer de l’absence totale de d\u00e9rive op\u00e9rationnelle. Supposons que les 20 scores d’empan mn\u00e9sique des patients soient consign\u00e9s dans les cellules A2<\/code> \u00e0 A21<\/code> de notre classeur.<\/p>\nLa premi\u00e8re phase consiste \u00e0 extraire les param\u00e8tres descriptifs fondamentaux de la s\u00e9rie statistique empirique :<\/p>\n
\nTaille de l’\u00e9chantillon (N) :<\/strong> Saisie en cellule D2<\/code> au moyen de la fonction de d\u00e9nombrement num\u00e9rique : =NB(A2:A21)<\/code>. Le r\u00e9sultat renvoie 20<\/code>.<\/li>\nDegr\u00e9s de libert\u00e9 (dl) :<\/strong> Calcul\u00e9s en cellule D3<\/code> selon l’\u00e9quation canonique N - 1<\/code>, soit la formule : =D2 - 1<\/code>, renvoyant 19<\/code>.<\/li>\nMoyenne d’\u00e9chantillon (M) :<\/strong> D\u00e9riv\u00e9e en cellule D4<\/code> au moyen de la formule : =MOYENNE(A2:A21)<\/code>. Supposons que cette valeur s’\u00e9tablisse empiriquement \u00e0 4,75<\/code>.<\/li>\n\u00c9cart-type de l’\u00e9chantillon (s) :<\/strong> Estim\u00e9 avec l’estimateur sans biais de la variance d’\u00e9chantillon en cellule D5<\/code> via la fonction : =ECARTYPE.STANDARD(A2:A21)<\/code>. Admettons un \u00e9cart-type observ\u00e9 de 0,85<\/code>.<\/li>\n<\/ul>\nLa deuxi\u00e8me \u00e9tape consiste \u00e0 quantifier la fluctuation d’\u00e9chantillonnage th\u00e9orique de cette moyenne au moyen de l’Erreur Standard de la Moyenne (ESM, ou standard error). L’erreur standard correspond \u00e0 l’\u00e9cart-type de la distribution d’\u00e9chantillonnage de la moyenne pour des \u00e9chantillons de taille N extraits de cette population. Dans la cellule D6<\/code>, on int\u00e8gre la formule divisant l’\u00e9cart-type d’\u00e9chantillon par la racine carr\u00e9e de l’effectif : =D5 \/ RACINE(D2)<\/code>. Sur la base de nos valeurs illustratives, l’ESM \u00e9quivaut \u00e0 0,85 \/ RACINE(20) = 0,1901<\/code>.<\/p>\nLa troisi\u00e8me \u00e9tape permet de mat\u00e9rialiser la statistique t observ\u00e9e (ou t empirique). Celle-ci formalise l’\u00e9cart brut s\u00e9parant la moyenne observ\u00e9e de la constante normative de r\u00e9f\u00e9rence, exprim\u00e9 en unit\u00e9s d’erreur type. En consignant la norme th\u00e9orique 5,50<\/code> en cellule D7<\/code>, la valeur empirique de t se calcule en cellule D8<\/code> au moyen de l’expression : =(D4 - D7) \/ D6<\/code>. Dans notre exemple clinique : (4,75 - 5,50) \/ 0,1901 = -3,945<\/code>.<\/p>\n4.3 D\u00e9termination de la p-valeur par les fonctions de distribution<\/h3>\n Une fois la statistique t empirique d\u00e9riv\u00e9e, l’analyste doit d\u00e9terminer la probabilit\u00e9 d’obtenir une valeur au moins aussi extr\u00eame que celle observ\u00e9e sous la condition formelle que l’hypoth\u00e8se nulle soit strictement v\u00e9rifi\u00e9e. Pour convertir la statistique t calcul\u00e9e en une p-valeur exacte, Google Sheets met \u00e0 disposition un ensemble de fonctions d\u00e9di\u00e9es mod\u00e9lisant l’int\u00e9grale de la distribution de Student.<\/p>\n
Pour un test bilat\u00e9ral exploratoire, l’op\u00e9rateur doit mobiliser la fonction LOI.STUDENT.BILATERALE<\/code>. Il convient de souligner une particularit\u00e9 syntaxique primordiale : cette fonction de Google Sheets exige imp\u00e9rativement que l’argument repr\u00e9sentant la statistique t soit une valeur absolue positive. Par cons\u00e9quent, pour pr\u00e9munir le calcul contre l’injection d’un t n\u00e9gatif (comme celui de notre exemple o\u00f9 la moyenne clinique est inf\u00e9rieure \u00e0 la norme), il est imp\u00e9ratif d’encapsuler la cellule dans la fonction math\u00e9matique de valeur absolue ABS<\/code>. La formule finale inscrite en cellule D9<\/code> sera donc : =LOI.STUDENT.BILATERALE(ABS(D8); D3)<\/code>.<\/p>\nSi la d\u00e9marche scientifique reposait sur une hypoth\u00e8se fermement directionnelle pr\u00e9disant a priori un d\u00e9ficit mn\u00e9sique unilat\u00e9ral (H1 : mu < 5,50<\/em>), la fonction appropri\u00e9e serait LOI.STUDENT.DROITE(ABS(D8); D3)<\/code>, qui int\u00e8gre l’aire sous la courbe relative \u00e0 une seule queue distributionnelle, divisant ainsi la probabilit\u00e9 bilat\u00e9rale par un facteur de deux.<\/p>\nPour parachever l’examen inf\u00e9rentiel, l’analyste peut d\u00e9terminer la valeur t critique th\u00e9orique d\u00e9limitant la zone de rejet de l’hypoth\u00e8se nulle au seuil alpha = 0,05<\/code>. Cette valeur s’obtient via la fonction inverse : =LOI.STUDENT.INVERSE.BILATERALE(0,05; D3)<\/code>. Pour 19 degr\u00e9s de libert\u00e9, cette fonction renvoie la valeur critique universelle de 2,093<\/code>. D\u00e8s lors que la valeur absolue de notre t empirique (| -3,945 | = 3,945) exc\u00e8de rigoureusement la valeur critique seuil de 2,093, la d\u00e9cision inf\u00e9rentielle s’impose sans ambigu\u00eft\u00e9.<\/p>\n4.4 \u00c9tude de cas guid\u00e9e : score de m\u00e9moire de travail vs norme d’\u00e9talonnage<\/h3>\n Afin de cristalliser ce protocole au sein d’un cas empirique complet, examinons la cohorte r\u00e9elle des 20 patients traumatis\u00e9s cr\u00e2niens \u00e9valu\u00e9s aux blocs de Corsi. Les donn\u00e9es quantitatives brutes recueillies se d\u00e9clinent comme suit : 4,2 ; 5,1 ; 3,8 ; 4,5 ; 4,9 ; 5,2 ; 3,9 ; 4,1 ; 4,7 ; 5,0 ; 4,4 ; 4,8 ; 5,3 ; 3,7 ; 4,6 ; 4,3 ; 5,1 ; 4,8 ; 3,9 ; 4,6<\/code>. Saisissons ces valeurs scalaires dans la plage verticale A2:A21<\/code> d’un classeur Google Sheets vierge.<\/p>\nLe param\u00e9trage des cellules op\u00e9ratoires dans le bloc de synth\u00e8se adjacent s’organise m\u00e9thodiquement :<\/p>\n
\nCellule C2<\/code> : libell\u00e9 \u00ab Norme Populationnelle (mu0) \u00bb<\/em> ; Cellule D2<\/code> : 5,50<\/code><\/li>\nCellule C3<\/code> : libell\u00e9 \u00ab Taille \u00e9chantillon (N) \u00bb<\/em> ; Cellule D3<\/code> : =NB(A2:A21)<\/code> (renvoie 20)<\/li>\nCellule C4<\/code> : libell\u00e9 \u00ab Degr\u00e9s de libert\u00e9 (dl) \u00bb<\/em> ; Cellule D4<\/code> : =D3 - 1<\/code> (renvoie 19)<\/li>\nCellule C5<\/code> : libell\u00e9 \u00ab Moyenne observ\u00e9e (M) \u00bb<\/em> ; Cellule D5<\/code> : =MOYENNE(A2:A21)<\/code> (renvoie 4,545)<\/li>\nCellule C6<\/code> : libell\u00e9 \u00ab \u00c9cart-type (s) \u00bb<\/em> ; Cellule D6<\/code> : =ECARTYPE.STANDARD(A2:A21)<\/code> (renvoie 0,4807)<\/li>\nCellule C7<\/code> : libell\u00e9 \u00ab Erreur standard (ESM) \u00bb<\/em> ; Cellule D7<\/code> : =D6 \/ RACINE(D3)<\/code> (renvoie 0,1075)<\/li>\nCellule C8<\/code> : libell\u00e9 \u00ab Statistique t empirique \u00bb<\/em> ; Cellule D8<\/code> : =(D5 - D2) \/ D7<\/code> (renvoie -8,884)<\/li>\nCellule C9<\/code> : libell\u00e9 \u00ab p-valeur bilat\u00e9rale \u00bb<\/em> ; Cellule D9<\/code> : =LOI.STUDENT.BILATERALE(ABS(D8); D4)<\/code> (renvoie 3,46E-08, soit 0,0000000346)<\/li>\n<\/ul>\nLa d\u00e9cision statistique est formelle : la p-valeur \u00e9tant extraordinairement inf\u00e9rieure au seuil conventionnel alpha = 0,05<\/code> (p < 0,001), nous rejetons cat\u00e9goriquement l’hypoth\u00e8se nulle H0. Sur le plan de l’interpr\u00e9tation clinique, nous concluons que les patients atteints d’un traumatisme cr\u00e2nien mod\u00e9r\u00e9 manifestent une alt\u00e9ration statistiquement significative et s\u00e9v\u00e8re de leur empan mn\u00e9sique visuo-spatial par rapport \u00e0 la norme d’\u00e9talonnage de la population saine.<\/p>\n5. Proc\u00e9dure du test t pour deux \u00e9chantillons ind\u00e9pendants avec homosc\u00e9dasticit\u00e9<\/h2>\n5.1 Configuration du devis de recherche inter-groupes<\/h3>\n L’architecture m\u00e9thodologique inter-groupes constitue l’un des standards les plus r\u00e9pandus dans l’exp\u00e9rimentation comportementale. Elle s’impose d\u00e8s lors que l’on cherche \u00e0 comparer l’efficacit\u00e9 respective de deux traitements ou de deux \u00e9tats d’exposition distincts sans que les apprentissages ou les transferts cognitifs d’une condition \u00e0 l’autre ne viennent biaiser les performances. Prenons l’exemple d’une \u00e9tude d’ergonomie cognitive \u00e9valuant deux interfaces visuelles d’un cockpit d’avion de chasse : le Groupe A utilise l’interface analogique traditionnelle, tandis que le Groupe B utilise une nouvelle interface num\u00e9rique \u00e0 affichage t\u00eate haute \u00e0 r\u00e9alit\u00e9 augment\u00e9e.<\/p>\n
Les participants sont assign\u00e9s al\u00e9atoirement \u00e0 l’un des deux groupes, sans chevauchement possible. L’hypoth\u00e8se nulle postule que la charge mentale cognitive moyenne, mesur\u00e9e par un score standardis\u00e9 sur l’\u00e9chelle NASA-TLX, est strictement \u00e9quivalente entre les deux cohortes (H0 : muA = muB<\/em>). L’hypoth\u00e8se alternative non directionnelle postule une diff\u00e9rence de charge mentale induite par la nature de l’interface (H1 : muA ≠ muB<\/em>).<\/p>\nPour assurer la validit\u00e9 du mod\u00e8le homosc\u00e9dastique de Student \u00e0 deux \u00e9chantillons, deux exigences empiriques pr\u00e9alables doivent \u00eatre remplies : la variable d\u00e9pendante doit suivre une distribution raisonnablement normale au sein de chacun des deux sous-groupes, et la variance de la charge mentale dans le Groupe A doit \u00eatre statistiquement homog\u00e8ne \u00e0 celle observ\u00e9e dans le Groupe B. Dans l’espace de calcul de Google Sheets, les s\u00e9ries de donn\u00e9es associ\u00e9es aux deux groupes sont id\u00e9alement positionn\u00e9es dans deux colonnes adjacentes \u2014 par exemple la colonne A<\/code> pour le Groupe Analogique et la colonne B<\/code> pour le Groupe R\u00e9alit\u00e9 Augment\u00e9e.<\/p>\nTwo sample t-test in Google Sheets<\/figcaption><\/figure>\n5.2 Param\u00e9trage pr\u00e9cis de la fonction TEST.T pour variances \u00e9gales<\/h3>\n Pour les analyses comparatives \u00e0 deux groupes, Google Sheets propose une fonction puissante et optimis\u00e9e qui condense en une unique op\u00e9ration algorithmique l’estimation de la moyenne, le calcul de la variance combin\u00e9e et l’int\u00e9gration de la distribution de probabilit\u00e9 : la fonction TEST.T<\/code>. La syntaxe canonique g\u00e9n\u00e9rale s’\u00e9nonce comme suit : =TEST.T(matrice1; matrice2; queues; type)<\/code>.<\/p>\nL’argument matrice1<\/code> sp\u00e9cifie la plage de cellules h\u00e9bergeant les valeurs de la premi\u00e8re cohorte exp\u00e9rimentale (par exemple A2:A31<\/code>), tandis que l’argument matrice2<\/code> capture la s\u00e9rie d’observations associ\u00e9es \u00e0 la seconde cohorte (par exemple B2:B31<\/code>). Les tailles d’\u00e9chantillons des deux groupes ne sont nullement oblig\u00e9es d’\u00eatre \u00e9quivalentes dans ce test, ce qui offre une grande souplesse en pr\u00e9sence d’attrition asym\u00e9trique.<\/p>\nL’argument queues<\/code> conditionne le comportement unilat\u00e9ral ou bilat\u00e9ral du mod\u00e8le :<\/p>\n\nqueues = 1<\/code> : s\u00e9lectionne un test unilat\u00e9ral (directionnel).<\/li>\nqueues = 2<\/code> : s\u00e9lectionne un test bilat\u00e9ral (non directionnel), ce dernier repr\u00e9sentant le choix par d\u00e9faut imp\u00e9ratif en l’absence de pr\u00e9diction th\u00e9orique formellement pr\u00e9enregistr\u00e9e.<\/li>\n<\/ul>\nL’argument type<\/code> configure l’architecture math\u00e9matique interne de la fonction :<\/p>\n\ntype = 1<\/code> : r\u00e9serve le calcul au paradigme appari\u00e9 (mesures r\u00e9p\u00e9t\u00e9es).<\/li>\ntype = 2<\/code> : active l’algorithme classique de Student pour deux \u00e9chantillons ind\u00e9pendants avec pr\u00e9somption d’homosc\u00e9dasticit\u00e9<\/strong> (variances \u00e9gales). Cet algorithme calcule une variance combin\u00e9e pond\u00e9r\u00e9e selon les degr\u00e9s de libert\u00e9 respectifs : dl = N1 + N2 - 2<\/code>.<\/li>\ntype = 3<\/code> : d\u00e9clenche la correction de Welch pour variances in\u00e9gales.<\/li>\n<\/ul>\n5.3 Exemple pratique : mesure d’un score d’anxi\u00e9t\u00e9 pr\u00e9-comp\u00e9titive<\/h3>\n Illustrons la mise en \u0153uvre du test de Student homosc\u00e9dastique par une \u00e9tude en psychologie du sport mesurant le score d’anxi\u00e9t\u00e9 pr\u00e9-comp\u00e9titive sur l’inventaire STAI-Y aupr\u00e8s de deux cohortes d’athl\u00e8tes de haut niveau : un groupe pratiquant une discipline sportive individuelle (Groupe 1, consign\u00e9 en A2:A26<\/code>, N = 25) et un groupe concourant dans une discipline collective (Groupe 2, consign\u00e9 en B2:B26<\/code>, N = 25).<\/p>\nSupposons que les calculs descriptifs pr\u00e9alables aient r\u00e9v\u00e9l\u00e9 les m\u00e9triques suivantes :<\/p>\n
\nGroupe 1 (Individuel) : M1 = 48,20<\/em> ; s1 = 6,10<\/em> ; N1 = 25<\/em><\/li>\nGroupe 2 (Collectif) : M2 = 43,40<\/em> ; s2 = 5,90<\/em> ; N2 = 25<\/em><\/li>\n<\/ul>\nUn test pr\u00e9liminaire d’\u00e9galit\u00e9 des variances ayant d\u00e9montr\u00e9 l’homog\u00e9n\u00e9it\u00e9 stricte des dispersions, l’analyste consigne en cellule C2<\/code> la formule d’inf\u00e9rence directe :<\/p>\n=TEST.T(A2:A26; B2:B26; 2; 2)<\/code><\/p>\nL’ex\u00e9cution de cette fonction mobilise en arri\u00e8re-plan la formule de la variance combin\u00e9e s_p<\/em> :<\/p>\ns_p = RACINE( (((N1 - 1) * s1^2) + ((N2 - 1) * s2^2)) \/ (N1 + N2 - 2) )<\/code><\/p>\ns_p = RACINE( ((24 * 37,21) + (24 * 34,81)) \/ 48 ) = RACINE(36,01) = 6,0008<\/code><\/p>\nL’erreur standard de la diff\u00e9rence entre moyennes correspond \u00e0 :<\/p>\n
ES_diff = s_p * RACINE((1 \/ N1) + (1 \/ N2)) = 6,0008 * RACINE(2 \/ 25) = 1,6973<\/code><\/p>\nLa statistique t empirique sous-jacente s’\u00e9tablit d\u00e8s lors \u00e0 :<\/p>\n
t = (48,20 - 43,40) \/ 1,6973 = 4,80 \/ 1,6973 = 2,828<\/code> avec 48 degr\u00e9s de libert\u00e9.<\/p>\nLa formule =TEST.T(A2:A26; B2:B26; 2; 2)<\/code> d\u00e9livre instantan\u00e9ment au chercheur la p-valeur bilat\u00e9rale exacte associ\u00e9e \u00e0 cette distribution : p = 0,0068<\/code>. Cette probabilit\u00e9 \u00e9tant tr\u00e8s nettement inf\u00e9rieure au seuil alpha nominal de 0,05, nous concluons que le niveau d’anxi\u00e9t\u00e9 pr\u00e9-comp\u00e9titive des athl\u00e8tes engag\u00e9s dans des sports individuels est significativement sup\u00e9rieur \u00e0 celui des comp\u00e9titeurs \u00e9voluant en sports collectifs.<\/p>\n6. Proc\u00e9dure du test t pour deux \u00e9chantillons ind\u00e9pendants avec variances in\u00e9gales (test de Welch)<\/h2>\n6.1 N\u00e9cessit\u00e9 m\u00e9thodologique de l’ajustement de Welch-Satterthwaite<\/h3>\n En recherche appliqu\u00e9e, la condition d’homosc\u00e9dasticit\u00e9 n’est que tr\u00e8s rarement satisfaite. L’investigation de populations cliniques (par exemple des sujets pr\u00e9sentant un trouble du spectre de l’autisme, une d\u00e9pression caract\u00e9ris\u00e9e ou une d\u00e9mence de type Alzheimer) met quasi syst\u00e9matiquement en lumi\u00e8re une dispersion comportementale et cognitive nettement plus ample que celle observ\u00e9e au sein des groupes de contr\u00f4le sains. La pathologie n’affecte pas seulement la moyenne du groupe ; elle d\u00e9stabilise \u00e9galement la coh\u00e9rence intra-groupe, engendrant une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle majeure des variances.<\/p>\n
Maintenir l’usage du test t classique de Student en pr\u00e9sence de variances h\u00e9t\u00e9rog\u00e8nes expose l’inf\u00e9rence \u00e0 un biais statistique r\u00e9dhibitoire. Lorsque l’homog\u00e9n\u00e9it\u00e9 de variance vacille, l’estimation d’une variance combin\u00e9e unique perd tout fondement math\u00e9matique. Pour pallier cette faille \u00e9pist\u00e9mologique, les statisticiens Bernard Lewis Welch et Franklin E. Satterthwaite ont d\u00e9velopp\u00e9 une modification de l’algorithme de Student qui s’abstient de mutualiser les variances et ajuste de mani\u00e8re dynamique les degr\u00e9s de libert\u00e9 du mod\u00e8le.<\/p>\n
Cet ajustement abaisse les degr\u00e9s de libert\u00e9 effectifs en fonction de l’asym\u00e9trie conjointe des variances et des effectifs de groupes, p\u00e9nalisant la distribution de r\u00e9f\u00e9rence pour compenser fid\u00e8lement l’incertitude additionnelle. Une litt\u00e9rature m\u00e9thodologique contemporaine prolifique \u2014 notamment les travaux fondateurs de Delacre, Lakens et Leys (2017)<\/a> \u2014 recommande avec insistance d’abandonner d\u00e9finitivement le test t classique au profit du test t de Welch comme proc\u00e9dure par d\u00e9faut en sciences psychologiques, ce dernier offrant un contr\u00f4le impeccable du taux d’erreur de type I sans subir aucune perte de puissance statistique lorsque les variances s’av\u00e8rent fortuitement \u00e9gales.<\/p>\n6.2 Ex\u00e9cution de la formule TEST.T avec l’option h\u00e9t\u00e9rosc\u00e9dastique<\/h3>\n La mise en \u0153uvre du test de Welch dans Google Sheets ne requiert aucune programmation matricielle complexe ni l’installation de modules tiers : la fonctionnalit\u00e9 est nativement encapsul\u00e9e au sein de la fonction TEST.T<\/code> via son quatri\u00e8me param\u00e8tre op\u00e9ratoire.<\/p>\nPour d\u00e9clencher le test t de Welch bilat\u00e9ral, la syntaxe prend la forme suivante :<\/p>\n
=TEST.T(plage_groupe1; plage_groupe2; 2; 3)<\/code><\/p>\nLe param\u00e8tre 3<\/code> informe l’interpr\u00e9teur de Google Sheets d’abandonner la m\u00e9thode de la variance combin\u00e9e et de mobiliser l’\u00e9quation de Welch pour l’erreur type de la diff\u00e9rence :<\/p>\nES_Welch = RACINE( (s1^2 \/ N1) + (s2^2 \/ N2) )<\/code><\/p>\nSimultan\u00e9ment, Google Sheets calcule les degr\u00e9s de libert\u00e9 ajust\u00e9s non entiers (dits fractionnaires) selon la formule canonique de Welch-Satterthwaite :<\/p>\n
dl_Welch = ( (s1^2 \/ N1) + (s2^2 \/ N2) )^2 \/ [ ( (s1^2 \/ N1)^2 \/ (N1 - 1) ) + ( (s2^2 \/ N2)^2 \/ (N2 - 1) ) ]<\/code><\/p>\nCe calcul dynamique g\u00e9n\u00e8re une valeur p rigoureusement exacte, parfaitement ajust\u00e9e au diff\u00e9rentiel de variabilit\u00e9 existant entre les deux s\u00e9ries, immunisant instantan\u00e9ment les inf\u00e9rences de l’analyste contre l’inflation des faux positifs.<\/p>\n
6.3 Application clinique : comparaison de temps de r\u00e9action entre patients et contr\u00f4les<\/h3>\n Consid\u00e9rons une investigation en neuropsychologie clinique mesurant le temps de r\u00e9action moteur (en millisecondes) lors d’une t\u00e2che de d\u00e9tection de cible visuelle avec amor\u00e7age spatial. Deux cohortes sont compar\u00e9es :<\/p>\n
\nGroupe T\u00e9moin Sain (Colonne A, A2:A21, N = 20) :<\/strong> M = 312 ms<\/em> ; s = 28 ms<\/em> ; la variance s’\u00e9tablit \u00e0 784<\/code>.<\/li>\nGroupe Traumatisme Cr\u00e2nien (Colonne B, B2:B16, N = 15) :<\/strong> M = 368 ms<\/em> ; s = 74 ms<\/em> ; la variance s’\u00e9l\u00e8ve \u00e0 5476<\/code>.<\/li>\n<\/ul>\nL’observation brute met en \u00e9vidence une variabilit\u00e9 quasi sept fois plus importante au sein de la cohorte clinique comparativement au groupe t\u00e9moin (5476 vs 784), combin\u00e9e \u00e0 un d\u00e9s\u00e9quilibre des effectifs (15 vs 20). Nous nous trouvons dans la configuration la plus p\u00e9rilleuse pour le test t classique.<\/p>\n
Si l’analyste appliquait aveugl\u00e9ment le test de Student homosc\u00e9dastique classique au moyen de la formule :<\/p>\n
=TEST.T(A2:A21; B2:B16; 2; 2)<\/code><\/p>\nLe tableur d\u00e9riverait une statistique t fond\u00e9e sur 33 degr\u00e9s de libert\u00e9 entiers, renvoyant une p-valeur de 0,0041<\/code>.<\/p>\nEn appliquant scrupuleusement la formule du test de Welch adapt\u00e9e \u00e0 la r\u00e9alit\u00e9 h\u00e9t\u00e9rosc\u00e9dastique des donn\u00e9es :<\/p>\n
=TEST.T(A2:A21; B2:B16; 2; 3)<\/code><\/p>\nL’algorithme de Google Sheets applique l’ajustement de Welch-Satterthwaite. L’erreur type ajust\u00e9e s’\u00e9l\u00e8ve \u00e0 :<\/p>\n
ES_Welch = RACINE( (784 \/ 20) + (5476 \/ 15) ) = RACINE( 39,2 + 365,07 ) = RACINE(404,27) = 20,106 ms<\/code><\/p>\nLa statistique t s’\u00e9tablit \u00e0 : (312 - 368) \/ 20,106 = -2,785<\/code>.<\/p>\nLes degr\u00e9s de libert\u00e9 r\u00e9els, s\u00e9v\u00e8rement p\u00e9nalis\u00e9s par la tr\u00e8s forte variance du petit groupe, chutent \u00e0 seulement dl ≈ 16,8<\/code>. La formule de Welch renvoie d\u00e8s lors une valeur p r\u00e9\u00e9valu\u00e9e de 0,0127<\/code>.<\/p>\nBien que dans ce cas pr\u00e9cis la diff\u00e9rence demeure statistiquement significative sous le seuil critique de 0,05, la probabilit\u00e9 a \u00e9t\u00e9 multipli\u00e9e par plus de trois. Dans de nombreux contextes empiriques o\u00f9 l’effet exp\u00e9rimental est plus discret, cette divergence entre les types 2 et 3 constitue pr\u00e9cis\u00e9ment la fronti\u00e8re s\u00e9parant une fausse d\u00e9couverte d’une inf\u00e9rence scientifiquement reproductible.<\/p>\n
7. Application du test t pour \u00e9chantillons appari\u00e9s en mesures r\u00e9p\u00e9t\u00e9es<\/h2>\n7.1 Sp\u00e9cificit\u00e9s des protocoles intra-sujets et appariements<\/h3>\n Le paradigme \u00e0 mesures r\u00e9p\u00e9t\u00e9es (intra-sujets) repr\u00e9sente l’une des strat\u00e9gies m\u00e9thodologiques les plus \u00e9l\u00e9gantes et les plus puissantes de la recherche translationnelle et de la psychologie clinique. Plut\u00f4t que de comparer des individus dissemblables affect\u00e9s \u00e0 des bras d’\u00e9tude distincts, le chercheur observe les m\u00eames participants soumis successivement aux diff\u00e9rentes modalit\u00e9s de l’intervention. L’arch\u00e9type exp\u00e9rimental est le devis d’\u00e9valuation pr\u00e9-test \/ post-test, con\u00e7u pour mesurer l’impact direct d’une psychoth\u00e9rapie structur\u00e9e, d’un programme d’entra\u00eenement m\u00e9tacognitif ou d’une mol\u00e9cule pharmacologique.<\/p>\n
L’avantage fondamental des protocoles appari\u00e9s r\u00e9side dans leur capacit\u00e9 d’\u00e9liminer la variance d’erreur inter-individuelle. Dans un plan inter-sujets, la dispersion des donn\u00e9es r\u00e9sulte conjointement de la manipulation exp\u00e9rimentale et de la myriade de caract\u00e9ristiques intrins\u00e8ques stables des participants (niveau intellectuel pr\u00e9morbide, traits de personnalit\u00e9, plasticit\u00e9 c\u00e9r\u00e9brale). Dans un plan intra-sujets, chaque participant op\u00e8re comme son propre t\u00e9moin. La variabilit\u00e9 inter-sujets stable est math\u00e9matiquement retranch\u00e9e du terme d’erreur r\u00e9siduel, ce qui d\u00e9cuple la puissance statistique du test et permet de d\u00e9tecter des effets subtils sur des effectifs nettement plus r\u00e9duits.<\/p>\n
Ce protocole impose n\u00e9anmoins une contrainte g\u00e9om\u00e9trique et op\u00e9rationnelle absolue : l’appariement bijectif strict des observations. Chaque ligne de la matrice de donn\u00e9es doit correspondre de fa\u00e7on intangible \u00e0 un m\u00eame participant \u00e9valu\u00e9 au temps T1 et au temps T2. Cette contrainte implique l’\u00e9galit\u00e9 obligatoire du nombre d’observations entre les deux colonnes d’analyse. Toute perte de suivi d’un participant au cours de la deuxi\u00e8me phase d’\u00e9valuation invalide la paire enti\u00e8re pour le calcul param\u00e9trique standard.<\/p>\nPaired samples t-test in Google Sheets<\/figcaption><\/figure>\n7.2 Impl\u00e9mentation via la fonction TEST.T de type 1<\/h3>\n Dans l’\u00e9cosyst\u00e8me de calcul de Google Sheets, l’\u00e9valuation d’un devis intra-sujets s’ex\u00e9cute avec une remarquable concision gr\u00e2ce \u00e0 l’argument sp\u00e9cifique de la fonction native. En disposant les scores de base (pr\u00e9-intervention) dans la colonne A<\/code> (plage A2:A31<\/code>) et les scores de contr\u00f4le cons\u00e9cutifs (post-intervention) dans la colonne B<\/code> (plage B2:B31<\/code>), la formule inf\u00e9rentielle s’\u00e9crit :<\/p>\n=TEST.T(A2:A31; B2:B31; 2; 1)<\/code><\/p>\nL’argument type = 1<\/code> ordonne au moteur de Google Sheets de ne pas traiter les plages comme deux ensembles mutuellement ind\u00e9pendants, mais de calculer en amont le vecteur univari\u00e9 des diff\u00e9rences intra-individuelles pour chaque paire de donn\u00e9es :<\/p>\nD_i = B_i - A_i<\/code><\/p>\nLe test t appari\u00e9 s’av\u00e8re math\u00e9matiquement sensible \u00e0 la corr\u00e9lation lin\u00e9aire intra-classes (r) reliant les mesures appari\u00e9es. La formule analytique de l’\u00e9cart-type de la diff\u00e9rence d\u00e9montre pourquoi cette sensibilit\u00e9 favorise la d\u00e9couverte d’effets r\u00e9els :<\/p>\n
s_D = RACINE( s1^2 + s2^2 - 2 * r * s1 * s2 )<\/code><\/p>\nLorsque la corr\u00e9lation test-retest (r) est positive et substantielle \u2014 ce qui constitue la norme quasi universelle lors d’\u00e9valuations longitudinales en psychom\u00e9trie \u2014, le terme soustractif 2 * r * s1 * s2<\/code> r\u00e9duit consid\u00e9rablement l’ampleur de s_D<\/code> par rapport \u00e0 la variance combin\u00e9e d’un test inter-sujets, diminuant d’autant le d\u00e9nominateur de la statistique t et maximisant la probabilit\u00e9 de rejeter l’hypoth\u00e8se nulle.<\/p>\n7.3 V\u00e9rification manuelle alternative via la colonne de diff\u00e9rence<\/h3>\n La compr\u00e9hension profonde de la m\u00e9canique des tests statistiques gagne immens\u00e9ment \u00e0 une d\u00e9monstration par la redondance algorithmique. Il est possible de d\u00e9montrer qu’un test t pour \u00e9chantillons appari\u00e9s n’est rien d’autre, d’un point de vue alg\u00e9brique, qu’un test t \u00e0 \u00e9chantillon unique ex\u00e9cut\u00e9 sur la diff\u00e9rence des scores par rapport \u00e0 une constante nulle (mu0 = 0)<\/strong>.<\/p>\nPour mat\u00e9rialiser cette \u00e9quivalence p\u00e9dagogique au sein de Google Sheets, suivons la s\u00e9quence m\u00e9thodologique suivante :<\/p>\n
\nCr\u00e9ons une colonne tierce C<\/code>, intitul\u00e9e \u00ab Diff\u00e9rence_Post_Pre \u00bb<\/em>.<\/li>\nEn cellule C2<\/code>, inscrivons la formule arithm\u00e9tique de soustraction \u00e9l\u00e9mentaire :
![\"One](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/t_test_sheets1.png\")
![\"Two](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/t_test_sheets2.png\")
![\"Paired](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/t_test_sheets3.png\")