VAR.S<\/code> et VAR.P<\/code>, les formules h\u00e9rit\u00e9es pour des motifs de r\u00e9trocompatibilit\u00e9 et les variantes capables de parser des cha\u00eenes textuelles ou logiques, le risque d’erreur m\u00e9thodologique est consid\u00e9rable. Ce guide exhaustif a pour vocation de d\u00e9construire m\u00e9thodiquement les fondements th\u00e9oriques, math\u00e9matiques et informatiques du calcul de la variance dans Excel, en \u00e9tablissant une distinction absolue entre l’estimation \u00e9chantillonnale et l’\u00e9valuation populationnelle, afin d’offrir aux chercheurs une rigueur analytique irr\u00e9prochable conforme aux plus hauts standards internationaux de publication.<\/p>\n1. Introduction th\u00e9orique \u00e0 la variance en psychologie quantitative<\/h2>\n1.1 D\u00e9finition \u00e9pist\u00e9mologique de la dispersion des scores psychom\u00e9triques<\/h3>\n
L’\u00e9pist\u00e9mologie de la mesure en psychologie repose sur l’hypoth\u00e8se fondamentale selon laquelle les ph\u00e9nom\u00e8nes mentaux et comportementaux sont quantifiables, bien qu’ils ne soient pas directement observables de mani\u00e8re tangible comme le seraient des grandeurs physiques telles que la masse ou la longueur. Dans le cadre de la psychom\u00e9trie contemporaine, la variabilit\u00e9 n’est pas consid\u00e9r\u00e9e comme un simple bruit de fond ind\u00e9sirable venant parasiter la mesure, mais bien comme la mati\u00e8re premi\u00e8re de l’investigation scientifique. Cette variabilit\u00e9 s’articule autour de deux dimensions orthogonales : la variabilit\u00e9 interindividuelle, qui rend compte des \u00e9carts stables existant entre diff\u00e9rents sujets au sein d’une m\u00eame population pour un construit donn\u00e9, et la variabilit\u00e9 intra-individuelle, qui d\u00e9crit les fluctuations dynamiques, temporelles ou contextuelles des performances d’un unique participant confront\u00e9 \u00e0 des sollicitations r\u00e9p\u00e9t\u00e9es.<\/p>\n
Face \u00e0 cette complexit\u00e9, les mesures de tendance centrale, au premier rang desquelles figure la moyenne arithm\u00e9tique, d\u00e9montrent de s\u00e9v\u00e8res limites structurelles. R\u00e9sumer la distribution des scores d’une \u00e9chelle d’intelligence ou d’un questionnaire d’\u00e9valuation de la d\u00e9pression \u00e0 son seul barycentre revient \u00e0 oblit\u00e9rer l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 sous-jacente des profils psychologiques. Deux groupes d’individus pr\u00e9sentant une moyenne de 100 \u00e0 un test psychologique peuvent recouvrir des r\u00e9alit\u00e9s ph\u00e9nom\u00e9nologiques incomparables : le premier groupe peut \u00eatre int\u00e9gralement concentr\u00e9 entre 95 et 105, indiquant une cohorte standardis\u00e9e et uniforme, tandis que le second groupe peut comporter une proportion \u00e9gale de scores effondr\u00e9s \u00e0 50 et de performances exceptionnelles \u00e0 150. Sans l’adjonction d’un indice de dispersion robuste, toute inf\u00e9rence diagnostique ou exp\u00e9rimentale devient intrins\u00e8quement fallacieuse.<\/p>\n
Au sein de la Th\u00e9orie Classique des Tests<\/a> formul\u00e9e initialement par Spearman et consolid\u00e9e ult\u00e9rieurement par Novick, la variance occupe une position architecturale d\u00e9cisive. Elle intervient directement dans l’\u00e9quation fondamentale postulant que le score observ\u00e9 ($X$<\/span>) est la r\u00e9sultante d\u00e9terministe d’un score vrai ($T$<\/span>, pour True score<\/em>) auquel s’additionne une erreur de mesure al\u00e9atoire ($E$<\/span>) :<\/p>\n$$\\sigma^2_X = \\sigma^2_T + \\sigma^2_E$$<\/span><\/p>\nCette formulation \u00e9l\u00e9gante d\u00e9montre que la variance globale des scores observ\u00e9s se d\u00e9compose lin\u00e9airement en une variance attribuable au construit latent cibl\u00e9 par l’instrument de mesure et une variance d’erreur g\u00e9n\u00e9r\u00e9e par les impr\u00e9cisions de l’outil, les fluctuations attentionnelles du sujet ou les biais contextuels d’administration. D\u00e8s lors, le concept m\u00eame de fid\u00e9lit\u00e9 psychom\u00e9trique \u2014 mesur\u00e9 par le coefficient de corr\u00e9lation intraclasse ou l’alpha de Cronbach \u2014 est d\u00e9fini comme la proportion de la variance totale qui est imputable \u00e0 la variance vraie. Mesurer rigoureusement la variance constitue donc la condition sine qua non<\/em> pour quantifier l’erreur de mesure et d\u00e9partager la variabilit\u00e9 th\u00e9orique du construit de la simple dispersion accidentelle des donn\u00e9es empiriques recueillies.<\/p>\n1.2 Diff\u00e9renciation fondamentale entre population cible et \u00e9chantillon repr\u00e9sentatif<\/h3>\n
La validit\u00e9 interne et externe de toute inf\u00e9rence scientifique repose sur une distinction conceptuelle fondamentale que la statistique th\u00e9orique impose entre la population parente et l’\u00e9chantillon d’observation. Dans l’acception statistique et psychologique, la population cible d\u00e9signe l’ensemble exhaustif et universel des entit\u00e9s qui partagent une ou plusieurs caract\u00e9ristiques d\u00e9limit\u00e9es par les objectifs de recherche. Il peut s’agir de l’universalit\u00e9 des \u00eatres humains adultes, de l’ensemble des enfants diagnostiqu\u00e9s d’un trouble du spectre de l’autisme dans un pays donn\u00e9, ou de l’int\u00e9gralit\u00e9 des candidats se pr\u00e9sentant au concours d’une grande institution acad\u00e9mique au cours d’une d\u00e9cennie. Dans la quasi-totalit\u00e9 des sc\u00e9narios de recherche en sciences comportementales, cette population cible est virtuellement infinie, inaccessible ou mat\u00e9riellement impossible \u00e0 \u00e9valuer dans son exhaustivit\u00e9 en raison de contraintes logistiques, financi\u00e8res, temporelles et d\u00e9ontologiques \u00e9videntes.<\/p>\n
Pour contourner cette impossibilit\u00e9 mat\u00e9rielle, le chercheur extrait de cette population cible un \u00e9chantillon repr\u00e9sentatif, d\u00e9fini comme une fraction finie d’individus s\u00e9lectionn\u00e9s selon un protocole probabiliste ou non probabiliste d\u00e9termin\u00e9. L’objectif ultime de cette d\u00e9marche empirique r\u00e9side dans le passage dialectique de la statistique descriptive \u00e0 la statistique inf\u00e9rentielle. Alors que la statistique descriptive se borne \u00e0 r\u00e9sumer et formaliser les donn\u00e9es directement recueillies aupr\u00e8s des participants de l’\u00e9chantillon, la statistique inf\u00e9rentielle utilise ces donn\u00e9es locales pour formuler des inductions probabilistes et estimer avec une marge d’erreur ma\u00eetris\u00e9e les param\u00e8tres inconnus de la population g\u00e9n\u00e9rale parente.<\/p>\n
Ce saut \u00e9pist\u00e9mologique est th\u00e9oriquement rendu possible par le Th\u00e9or\u00e8me Central Limite<\/a>, cl\u00e9 de vo\u00fbte des math\u00e9matiques stochastiques modernes. Si le th\u00e9or\u00e8me garantit que la distribution des moyennes \u00e9chantillonnales converge vers une loi normale \u00e0 mesure que la taille de l’\u00e9chantillon augmente, il r\u00e9v\u00e8le simultan\u00e9ment des r\u00e9gularit\u00e9s fondamentales concernant la distribution d’\u00e9chantillonnage de la variance. La variance calcul\u00e9e directement sur un \u00e9chantillon empirique ne correspond que rarement \u00e0 la variance exacte de la population d’origine ; elle constitue une variable al\u00e9atoire dont la distribution th\u00e9orique suit, sous l’hypoth\u00e8se de normalit\u00e9 des scores initiaux, une loi proportionnelle au Chi-carr\u00e9 ($\\chi^2$<\/span>). Ignorer la fronti\u00e8re ontologique entre l’entit\u00e9 populationnelle et sa r\u00e9alisation \u00e9chantillonnale expose le statisticien \u00e0 des confusions d’autant plus p\u00e9rilleuses qu’elles se traduisent par des formules de calcul math\u00e9matiquement divergentes dans les environnements informatiques.<\/p>\n1.3 L’importance de l’automatisation rigoureuse du calcul sous Excel<\/h3>\n
Dans l’\u00e9cosyst\u00e8me contemporain des laboratoires universitaires, des d\u00e9partements de psychologie appliqu\u00e9e et des unit\u00e9s d’\u00e9valuation clinique, l’ex\u00e9cution manuelle des calculs statistiques appartient d\u00e9sormais au pass\u00e9. La manipulation d’op\u00e9rations matricielles et de sommations quadratiques manuelles au moyen d’une simple calculatrice repr\u00e9sente une source chronique d’erreurs d’inattention, de fautes de saisie et d’arrondis pr\u00e9matur\u00e9s qui menacent gravement la reproductibilit\u00e9 scientifique. L’automatisation rigoureuse au sein de logiciels de tableur comme Microsoft Excel est devenue la norme pragmatique de premier niveau pour les phases d’exploration pr\u00e9liminaire, de pr\u00e9traitement et de communication des donn\u00e9es.<\/p>\n
Toutefois, l’usage d’un tableur ne dispense en aucun cas le chercheur d’une compr\u00e9hension algorithmique approfondie des outils qu’il mobilise. Au contraire, la relative facilit\u00e9 de d\u00e9ploiement des formules pr\u00e9d\u00e9finies d’Excel tend \u00e0 masquer la complexit\u00e9 math\u00e9matique des traitements appliqu\u00e9s. Un clic malencontreux sur une fonction inadapt\u00e9e, une mauvaise gestion des cellules vides ou une s\u00e9lection erron\u00e9e de plages vectorielles peut contaminer l’ensemble de la cha\u00eene de traitement inf\u00e9rentiel sans qu’aucun message d’erreur explicite ne vienne alerter l’utilisateur imprudent. La reproductibilit\u00e9 des protocoles de recherche psychom\u00e9trique impose que chaque \u00e9tape de calcul soit auditable, standardis\u00e9e et v\u00e9rifiable selon les canons m\u00e9thodologiques les plus stricts.<\/p>\n
Les fonctions int\u00e9gr\u00e9es d’Excel, lorsqu’elles sont d\u00e9ploy\u00e9es avec une rigueur d’ing\u00e9nierie statistique, offrent un alignement remarquable avec les exigences m\u00e9thodologiques des instances acad\u00e9miques internationales. Elles permettent non seulement de traiter des cohortes de scores psychom\u00e9triques comprenant des centaines de milliers de lignes sans aucune perte de pr\u00e9cision num\u00e9rique, mais \u00e9galement d’\u00e9tablir des feuilles d’analyse tra\u00e7ables, interactives et document\u00e9es, parfaitement conformes aux principes de la science ouverte et aux directives de l’American Psychological Association (APA). La ma\u00eetrise technique de ces fonctions constitue par cons\u00e9quent une comp\u00e9tence m\u00e9thodologique non n\u00e9gociable pour quiconque aspire \u00e0 conduire des analyses quantitatives s\u00e9rieuses.<\/p>\n
2. Fondements math\u00e9matiques : Variance de population versus variance d’\u00e9chantillon<\/h2>\n2.1 Formulation alg\u00e9brique de la variance de population<\/h3>\n
D’un point de vue purement math\u00e9matique, la variance d’une population globale finie repr\u00e9sente la moyenne exacte des carr\u00e9s des \u00e9carts de chaque observation individuelle par rapport \u00e0 la moyenne arithm\u00e9tique r\u00e9elle de l’ensemble de cette m\u00eame population. Par convention universelle \u00e9tablie par les travaux pionniers de Karl Pearson et Ronald Fisher, ce param\u00e8tre populationnel invariable est d\u00e9sign\u00e9 par la lettre grecque sigma minuscule \u00e9lev\u00e9e au carr\u00e9 ($\\sigma^2$<\/span>). Son expression alg\u00e9brique canonique se formalise de la mani\u00e8re suivante :<\/p>\n$$\\sigma^2 = \\frac{\\sum_{i=1}^{N} (x_i – \\mu)^2}{N}$$<\/span><\/p>\nL’analyse d\u00e9taill\u00e9e des termes composant cette \u00e9quation s’impose pour en saisir la port\u00e9e :<\/p>\n
\n- $N$<\/span><\/strong> repr\u00e9sente la taille exhaustive, finie et totale de la population cible \u00e9tudi\u00e9e. Il ne s’agit aucunement d’une fraction ou d’une s\u00e9lection d’individus, mais bien du d\u00e9nombrement int\u00e9gral de toutes les entit\u00e9s constituant l’univers du discours statistique.<\/li>\n
- $x_i$<\/span><\/strong> d\u00e9signe la valeur num\u00e9rique brute obtenue pour la $i$<\/span>-\u00e8me observation de la population pour la variable psychologique consid\u00e9r\u00e9e.<\/li>\n
- $\\mu$<\/span><\/strong> (mu) incarne la moyenne arithm\u00e9tique th\u00e9orique v\u00e9ritable de la population compl\u00e8te, calcul\u00e9e par l’expression $\\mu = \\frac{\\sum x_i}{N}$<\/span>.<\/li>\n
- $(x_i – \\mu)$<\/span><\/strong> repr\u00e9sente la d\u00e9viation \u00e9l\u00e9mentaire ou l’\u00e9cart individuel de chaque sujet vis-\u00e0-vis de la moyenne populationnelle.<\/li>\n
- $\\sum (x_i – \\mu)^2$<\/span><\/strong> constitue ce que la statistique d\u00e9signe sous le terme fondamental de Somme des Carr\u00e9s des \u00c9carts (souvent abr\u00e9g\u00e9e en $SCE$<\/span> ou $SS$<\/span> pour Sum of Squares<\/em>). L’\u00e9l\u00e9vation au carr\u00e9 de chaque \u00e9cart est obligatoire : elle permet d’une part de neutraliser les compensations arithm\u00e9tiques entre d\u00e9viations positives et n\u00e9gatives (dont la somme lin\u00e9aire brute est toujours strictement \u00e9gale \u00e0 z\u00e9ro), et d’autre part de p\u00e9naliser de fa\u00e7on quadratique les d\u00e9viations importantes, conf\u00e9rant un poids accru aux scores s’\u00e9loignant significativement du centre de gravit\u00e9.<\/li>\n<\/ul>\n
Les conditions d’application de cette formule en contexte scientifique r\u00e9el sont exceptionnellement restrictives. Pour \u00eatre habilit\u00e9 \u00e0 employer l\u00e9gitimement la formule de la variance de population $\\sigma^2$<\/span>, le chercheur doit se trouver dans une situation o\u00f9 l’int\u00e9gralit\u00e9 du groupe th\u00e9orique a \u00e9t\u00e9 soumise \u00e0 l’\u00e9valuation, sans aucune omission ni perspective d’extrapolation au-del\u00e0 de ce groupe pr\u00e9cis. Cette situation se rencontre quasi exclusivement lors de recensements nationaux exhaustifs, dans des cadres d’\u00e9valuation institutionnelle ferm\u00e9e (par exemple, la totalit\u00e9 des patients admis dans une unit\u00e9 hospitali\u00e8re sp\u00e9cifique au cours d’une ann\u00e9e civile sans intention d’inf\u00e9rer les propri\u00e9t\u00e9s d’une cohorte future) ou dans la formalisation de mod\u00e8les th\u00e9oriques et de simulations stochastiques ferm\u00e9es.<\/p>\n2.2 Formulation alg\u00e9brique de la variance d’\u00e9chantillon<\/h3>\n
Lorsque la recherche porte sur un \u00e9chantillon tir\u00e9 au sein d’une population parente plus vaste \u2014 ce qui constitue la configuration quasi exclusive des \u00e9tudes empiriques en psychologie exp\u00e9rimentale, en clinique et en neurosciences \u2014 la formule pr\u00e9c\u00e9dente ne peut \u00eatre mobilis\u00e9e directement sans induire une erreur fondamentale. La variance d’un \u00e9chantillon, universellement d\u00e9sign\u00e9e par la lettre latine minuscule \u00e9lev\u00e9e au carr\u00e9 ($s^2$<\/span>), est calcul\u00e9e selon l’expression alg\u00e9brique suivante :<\/p>\n$$s^2 = \\frac{\\sum_{i=1}^{n} (x_i – \\bar{x})^2}{n – 1}$$<\/span><\/p>\nUne lecture comparative minutieuse de cette formule par rapport \u00e0 celle de la population met en exergue des glissements s\u00e9mantiques et math\u00e9matiques capitaux :<\/p>\n
\n- $n$<\/span><\/strong> repr\u00e9sente la taille de l’\u00e9chantillon effectif disponible pour l’exp\u00e9rimentateur, c’est-\u00e0-dire le nombre fini d’observations empiriques recueillies.<\/li>\n
- $\\bar{x}$<\/span><\/strong> (prononc\u00e9 \u00ab x barre \u00bb) d\u00e9signe la moyenne arithm\u00e9tique empirique calcul\u00e9e exclusivement sur les $n$<\/span> observations de l’\u00e9chantillon ($\\bar{x} = \\frac{\\sum x_i}{n}$<\/span>). Elle ne saurait \u00eatre assimil\u00e9e \u00e0 $\\mu$<\/span>, qui demeure une constante th\u00e9orique inconnue de l’exp\u00e9rimentateur.<\/li>\n
- Le d\u00e9nominateur de la fraction n’est plus $n$<\/span>, mais le bin\u00f4me $(n – 1)$<\/span><\/strong>. Ce glissement arithm\u00e9tique constitue la fameuse correction de Bessel, dont l’omission entra\u00eene une sous-estimation syst\u00e9matique de la variabilit\u00e9 r\u00e9elle du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9.<\/li>\n<\/ul>\n
En statistique inf\u00e9rentielle, $s^2$<\/span> n’est pas une simple description m\u00e9canique d’une s\u00e9rie de nombres ; il s’agit d’un estimateur ponctuel. En d’autres termes, $s^2$<\/span> est une fonction al\u00e9atoire des donn\u00e9es d’\u00e9chantillonnage con\u00e7ue express\u00e9ment pour estimer le param\u00e8tre inconnu $\\sigma^2$<\/span> de la population globale. Cette propri\u00e9t\u00e9 d’estimation implique que la valeur num\u00e9rique obtenue varie d’un \u00e9chantillon \u00e0 un autre : c’est la variance d’\u00e9chantillonnage de l’estimateur.<\/p>\n2.3 Analyse comparative des propri\u00e9t\u00e9s des deux formules<\/h3>\n
L’\u00e9cart num\u00e9rique et conceptuel entre la formule de population ($\\sigma^2$<\/span>) et la formule d’\u00e9chantillon ($s^2$<\/span>) r\u00e9side int\u00e9gralement dans le comportement asymptotique induit par la nature de leurs d\u00e9nominateurs respectifs. Pour un m\u00eame jeu de donn\u00e9es contenant $k$<\/span> observations, le calcul mobilisant le diviseur $(k – 1)$<\/span> produira n\u00e9cessairement une valeur num\u00e9rique strictement sup\u00e9rieure au calcul mobilisant le diviseur $k$<\/span>. L’ampleur relative de cette divergence arithm\u00e9tique est directement tributaire du volume d’observations consid\u00e9r\u00e9es, comme le formalise le ratio exact entre les deux m\u00e9triques :<\/p>\n$$\\frac{s^2}{\\sigma^2_{\\text{na\u00efve}}} = \\frac{n}{n – 1}$$<\/span><\/p>\nLorsque la taille de l’\u00e9chantillon $n$<\/span> est restreinte \u2014 configuration courante en neuropsychologie clinique ou en neuro-imagerie fonctionnelle o\u00f9 les cohortes d\u00e9passent rarement 10 \u00e0 20 participants en raison de contraintes mat\u00e9rielles s\u00e9v\u00e8res \u2014 l’impact de ce d\u00e9nominateur est spectaculaire. Pour $n = 5$<\/span>, le diviseur passe de 5 \u00e0 4, ce qui majore la variance d’\u00e9chantillon de 25 % par rapport \u00e0 la variance de population. \u00c0 l’inverse, lorsque $n$<\/span> tend vers l’infini ($n to \\infty$<\/span>), le rapport $\\frac{n}{n – 1}$<\/span> converge asymptotiquement vers la valeur 1. Ainsi, pour une cohorte de 5 000 participants \u00e0 une enqu\u00eate \u00e9pid\u00e9miologique, l’\u00e9cart relatif entre les deux formules n’est plus que de 0,02 %, devenant math\u00e9matiquement n\u00e9gligeable sur le plan de l’application pratique, bien qu’il demeure fondamental sur le plan de la validit\u00e9 th\u00e9orique.<\/p>\nEn outre, les deux formulations partagent une sensibilit\u00e9 diff\u00e9rentielle exacerb\u00e9e vis-\u00e0-vis des valeurs extr\u00eames (les fameux outliers<\/em>). En raison du m\u00e9canisme d’\u00e9l\u00e9vation quadratique des d\u00e9viations, toute observation s’\u00e9cartant substantiellement du barycentre exerce un effet de levier consid\u00e9rable sur le num\u00e9rateur. Toutefois, dans la formule d’\u00e9chantillon, cet effet de levier est encore d\u00e9multipli\u00e9 par la contraction du d\u00e9nominateur op\u00e9r\u00e9e par la soustraction de l’unit\u00e9, rendant l’estimateur $s^2$<\/span> particuli\u00e8rement r\u00e9actif \u00e0 la moindre instabilit\u00e9 observationnelle dans les cohortes r\u00e9duites.<\/p>\n3. Le r\u00f4le de la correction de Bessel dans l’estimation sans biais<\/h2>\n3.1 Origine du biais syst\u00e9matique de l’estimateur na\u00eff<\/h3>\n
Pour appr\u00e9hender la n\u00e9cessit\u00e9 absolue de la correction de Bessel, il convient de d\u00e9montrer pourquoi l’usage d’un diviseur $n$<\/span> pour calculer la variance d’un \u00e9chantillon produit ce que la th\u00e9orie statistique qualifie d’estimateur biais\u00e9. Imaginons un chercheur qui, disposant d’un \u00e9chantillon al\u00e9atoire de scores $x_1, x_2, dots, x_n$<\/span>, calculerait la dispersion en divisant simplement la somme des carr\u00e9s des \u00e9carts par $n$<\/span>, en utilisant la moyenne de l’\u00e9chantillon $\\bar{x}$<\/span>. Cet estimateur na\u00eff, que nous pouvons noter $S^2_n$<\/span>, s’\u00e9crit :<\/p>\n$$S^2_n = \\frac{1}{n}\\sum_{i=1}^{n} (x_i – \\bar{x})^2$$<\/span><\/p>\nLe biais fondamental de cette approche provient d’un fait g\u00e9om\u00e9trique et alg\u00e9brique inalt\u00e9rable : par d\u00e9finition de la moyenne arithm\u00e9tique, la somme des carr\u00e9s des \u00e9carts d’un ensemble de points atteint son minimum absolu<\/em> lorsqu’elle est calcul\u00e9e par rapport \u00e0 la moyenne empirique de ces m\u00eames points ($\\bar{x}$<\/span>). Par cons\u00e9quent, la quantit\u00e9 $\\sum_{i=1}^{n} (x_i – \\bar{x})^2$<\/span> est syst\u00e9matiquement inf\u00e9rieure ou \u00e9gale \u00e0 la quantit\u00e9 $\\sum_{i=1}^{n} (x_i – \\mu)^2$<\/span>, o\u00f9 $\\mu$<\/span> est la v\u00e9ritable moyenne de la population globale.<\/p>\nDans la r\u00e9alit\u00e9 empirique, l’\u00e9chantillon tir\u00e9 a tendance \u00e0 se regrouper plus \u00e9troitement autour de son propre centre de gravit\u00e9 imm\u00e9diat qu’autour de la moyenne th\u00e9orique parente. En substituant l’inconnue $\\mu$<\/span> par son approximation locale $\\bar{x}$<\/span>, l’exp\u00e9rimentateur supprime artificiellement une partie de la variabilit\u00e9 r\u00e9elle des observations. Si l’on calcule l’esp\u00e9rance math\u00e9matique de cet estimateur na\u00eff sur une infinit\u00e9 d’\u00e9chantillons al\u00e9atoires ind\u00e9pendants de m\u00eame taille, on d\u00e9montre de mani\u00e8re irr\u00e9futable que :<\/p>\n$$\\mathbb{E}[S^2_n] = \\frac{n – 1}{n}\\sigma^2$$<\/span><\/p>\nCette \u00e9galit\u00e9 atteste formellement que l’estimateur na\u00eff sous-estime syst\u00e9matiquement la variance v\u00e9ritable de la population parente d’un facteur pr\u00e9cis\u00e9ment \u00e9gal \u00e0 $\\frac{n – 1}{n}$<\/span>. Si un laboratoire fonde ses analyses inf\u00e9rentielles sur une telle m\u00e9trique, il conclura syst\u00e9matiquement \u00e0 une dispersion des traits psychologiques inf\u00e9rieure \u00e0 ce qu’elle est en r\u00e9alit\u00e9 dans l’ensemble de l’esp\u00e8ce ou de la population parente, faussant irr\u00e9m\u00e9diablement le calibrage des tests psychom\u00e9triques et l’estimation des puissances statistiques.<\/p>\n3.2 Justification formelle des degr\u00e9s de libert\u00e9 et du d\u00e9nominateur n-1<\/h3>\n
L’introduction du d\u00e9nominateur $(n – 1)$<\/span> par le math\u00e9maticien et astronome allemand Friedrich Wilhelm Bessel<\/a> d\u00e9coule directement du concept de degr\u00e9s de libert\u00e9 (souvent not\u00e9 $ddl$<\/span> ou $df$<\/span> pour degrees of freedom<\/em>) au sein d’un syst\u00e8me vectoriel. Dans un espace vectoriel \u00e0 $n$<\/span> dimensions, un ensemble de $n$<\/span> observations ind\u00e9pendantes poss\u00e8de initialement $n$<\/span> degr\u00e9s de libert\u00e9, chaque point \u00e9tant enti\u00e8rement libre de prendre n’importe quelle valeur r\u00e9elle le long du continuum de l’\u00e9chelle de mesure.<\/p>\nCependant, pour \u00eatre en mesure de calculer la dispersion des scores, il est formellement indispensable d’estimer pr\u00e9alablement la moyenne de l’\u00e9chantillon $\\bar{x}$<\/span>. D\u00e8s l’instant o\u00f9 cette moyenne empirique est calcul\u00e9e et fix\u00e9e, une contrainte alg\u00e9brique stricte s’impose au syst\u00e8me : la somme lin\u00e9aire des d\u00e9viations individuelles doit imp\u00e9rativement s’annuler :<\/p>\n$$\\sum_{i=1}^{n} (x_i – \\bar{x}) = 0$$<\/span><\/p>\nEn vertu de cette \u00e9galit\u00e9 d\u00e9terministe, les observations ne sont plus toutes math\u00e9matiquement libres de varier. Si nous connaissons la moyenne de l’\u00e9chantillon et les valeurs de $(n – 1)$<\/span> sujets, la valeur du $n$<\/span>-i\u00e8me participant est d\u00e9j\u00e0 int\u00e9gralement d\u00e9termin\u00e9e et pr\u00e9visible ; elle ne poss\u00e8de aucune libert\u00e9 de variation. Le syst\u00e8me a donc irr\u00e9m\u00e9diablement sacrifi\u00e9 un degr\u00e9 de libert\u00e9 pour estimer le param\u00e8tre de localisation centrale interm\u00e9diaire.<\/p>\nPour neutraliser l’impact de cette contrainte et r\u00e9tablir l’exactitude de l’esp\u00e9rance math\u00e9matique, il convient d’appliquer un coefficient correcteur \u00e9gal \u00e0 l’inverse du facteur de distorsion, soit $\\frac{n}{n – 1}$<\/span>. En multipliant l’estimateur na\u00eff par ce facteur correcteur de Bessel, on obtient l’estimateur standardis\u00e9 $s^2$<\/span> :<\/p>\n$$s^2 = S^2_n \\times \\frac{n}{n – 1} = \\left(\\frac{1}{n}\\sum_{i=1}^{n} (x_i – \\bar{x})^2\\right) \\times \\frac{n}{n – 1} = \\frac{\\sum_{i=1}^{n} (x_i – \\bar{x})^2}{n – 1}$$<\/span><\/p>\nL’esp\u00e9rance math\u00e9matique de cet estimateur corrig\u00e9 devient alors parfaitement sans biais :<\/p>\n
$$\\mathbb{E}[s^2] = \\mathbb{E}\\left[\\frac{n}{n – 1} S^2_n\\right] = \\frac{n}{n – 1} \\mathbb{E}[S^2_n] = \\frac{n}{n – 1} \\times \\left(\\frac{n – 1}{n}\\sigma^2\\right) = \\sigma^2$$<\/span><\/p>\nCette d\u00e9monstration prouve sans \u00e9quivoque que $s^2$<\/span> est un estimateur rigoureusement sans biais (ou asymptotiquement correct) de la variance de la population parente $\\sigma^2$<\/span>. En moyenne, sur le long terme des tirages al\u00e9atoires r\u00e9p\u00e9t\u00e9s, la valeur obtenue par ce calcul converge pr\u00e9cis\u00e9ment vers le param\u00e8tre r\u00e9el sous-jacent.<\/p>\n3.3 Impacts m\u00e9thodologiques en recherche exp\u00e9rimentale<\/h3>\n
L’omission de la correction de Bessel et le choix inappropri\u00e9 de la formule de variance d\u00e9ploient des cons\u00e9quences directes et d\u00e9sastreuses sur la cha\u00eene inf\u00e9rentielle des \u00e9tudes exp\u00e9rimentales en sciences cognitives et m\u00e9dicales. Dans la mesure o\u00f9 la quasi-totalit\u00e9 des tests d’hypoth\u00e8ses param\u00e9triques d\u00e9pendent explicitement de l’estimation de la variance d’\u00e9chantillon, une erreur \u00e0 cette \u00e9tape racine corrompt instantan\u00e9ment les statistiques de test ult\u00e9rieures.<\/p>\n
Consid\u00e9rons l’exemple paradigmatique du test $t$<\/span> de Student pour \u00e9chantillons ind\u00e9pendants ou de l’analyse de variance univari\u00e9e (ANOVA). Dans ces proc\u00e9dures, le d\u00e9nominateur de la statistique de test repr\u00e9sente l’erreur type de la moyenne ($SE = \\frac{s}{\\sqrt{n}}$<\/span>) ou la variance r\u00e9siduelle intra-groupe (le carr\u00e9 moyen r\u00e9siduel, $MS_{error}$<\/span>). Si le chercheur applique par inadvertance la formule de population (diviseur $n$<\/span>) au lieu de la formule d’\u00e9chantillon corrig\u00e9e (diviseur $n – 1$<\/span>), l’erreur type sera artificiellement compress\u00e9e et sous-estim\u00e9e. Par cons\u00e9quent, la statistique $t$<\/span> ou $F$<\/span> calcul\u00e9e sera gonfl\u00e9e de fa\u00e7on fallacieuse, entra\u00eenant une diminution m\u00e9canique de la $p$<\/span>-value associ\u00e9e.<\/p>\nCette d\u00e9rive m\u00e9thodologique accro\u00eet directement le risque de commettre une erreur de type I (ou risque de premi\u00e8re esp\u00e8ce $\\alpha$<\/span>), c’est-\u00e0-dire le risque de rejeter \u00e0 tort l’hypoth\u00e8se nulle ($H_0$<\/span>) et d’affirmer l’existence d’un effet th\u00e9rapeutique ou psychologique significatif l\u00e0 o\u00f9 il n’y a en r\u00e9alit\u00e9 que des fluctuations stochastiques d’\u00e9chantillonnage. Ce ph\u00e9nom\u00e8ne est d’une gravit\u00e9 exceptionnelle lors des phases d’essais cliniques pr\u00e9liminaires ou des \u00e9tudes pilotes \u00e0 tr\u00e8s faible effectif ($n < 15$<\/span>). C'est pour cette raison imp\u00e9rieuse que l'ensemble des standards internationaux de publication scientifique, tels que ceux \u00e9dict\u00e9s par l'American Psychological Association<\/a>, prohibent cat\u00e9goriquement l’usage de la variance d’\u00e9chantillon non corrig\u00e9e et exigent de fa\u00e7on exclusive le recours \u00e0 l’estimateur sans biais fond\u00e9 sur $(n – 1)$<\/span> degr\u00e9s de libert\u00e9.<\/p>\n4. Typologie compl\u00e8te des fonctions de variance dans Microsoft Excel<\/h2>\n4.1 Les fonctions modernes recommand\u00e9es : VAR.S et VAR.P<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/varExcel2.png\")
<\/figure>\n