{"id":4485,"date":"2026-10-14T18:01:15","date_gmt":"2026-10-14T18:01:15","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/guide-complet-plan-factoriel-2x3\/"},"modified":"2026-10-14T18:01:15","modified_gmt":"2026-10-14T18:01:15","slug":"guide-complet-plan-factoriel-2x3","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=guide-complet-plan-factoriel-2x3","title":{"rendered":"Un guide complet : Le plan factoriel 2×3"},"content":{"rendered":"

L’exp\u00e9rimentation scientifique au sein des sciences du comportement, de la psychologie cognitive, de la biom\u00e9decine et des sciences sociales contemporaines repose fondamentalement sur la capacit\u00e9 du chercheur \u00e0 isoler, manipuler et mesurer des variables dans des environnements rigoureusement contr\u00f4l\u00e9s. Historiquement, l’approche scientifique classique pr\u00e9conisait le principe du facteur unique, selon lequel une seule variable ind\u00e9pendante devait \u00eatre manipul\u00e9e \u00e0 la fois, toutes les autres conditions \u00e9tant maintenues strictement constantes. Bien que cette d\u00e9marche cart\u00e9sienne ait permis des avanc\u00e9es ind\u00e9niables, elle a rapidement montr\u00e9 ses limites face \u00e0 la complexit\u00e9 intrins\u00e8que des organismes vivants et des dynamiques psychologiques, o\u00f9 les ph\u00e9nom\u00e8nes r\u00e9sultent presque invariablement d’interactions multifactorielles et non d’effets isol\u00e9s.<\/p>\n

Le d\u00e9veloppement des plans factoriels, amorc\u00e9 au d\u00e9but du XXe si\u00e8cle, a constitu\u00e9 une v\u00e9ritable r\u00e9volution \u00e9pist\u00e9mologique et m\u00e9thodologique. Parmi ces architectures exp\u00e9rimentales, le plan factoriel 2×3<\/strong> (deux par trois) occupe une place privil\u00e9gi\u00e9e. Ce dispositif bifactoriel permet d’examiner simultan\u00e9ment l’impact de deux variables ind\u00e9pendantes distinctes \u2014 l’une comportant deux modalit\u00e9s et l’autre trois \u2014 sur une ou plusieurs variables d\u00e9pendantes quantitatives. L’\u00e9l\u00e9gance de cette structure r\u00e9side non seulement dans son \u00e9conomie logistique substantielle, mais surtout dans sa puissance analytique in\u00e9gal\u00e9e : elle offre la possibilit\u00e9 d’\u00e9tudier conjointement les effets principaux de chaque facteur et, de mani\u00e8re d\u00e9terminante, leur effet d’interaction synergique ou antagoniste.<\/p>\n

Ce guide exhaustif a pour vocation d’explorer l’ensemble des dimensions th\u00e9oriques, math\u00e9matiques, computationnelles et pratiques inh\u00e9rentes au plan factoriel 2×3. De la d\u00e9composition de la variance par l’interm\u00e9diaire de l’analyse de variance<\/a> (ANOVA) jusqu’aux subtilit\u00e9s des analyses de contrastes a posteriori, en passant par le dimensionnement rigoureux de l’\u00e9chantillon et la mod\u00e9lisation sous le format des normes de l’American Psychological Association<\/a> (APA 7e \u00e9dition), cet ouvrage de r\u00e9f\u00e9rence s’adresse aux chercheurs, doctorants et statisticiens soucieux d’optimiser la validit\u00e9 interne et externe de leurs protocoles de recherche.<\/p>\n

1. Introduction et fondements \u00e9pist\u00e9mologiques du plan factoriel 2×3<\/h2>\n

1.1 D\u00e9finition structurelle et notation math\u00e9matique<\/h3>\n

Dans la taxonomie de la m\u00e9thodologie exp\u00e9rimentale, un plan factoriel est qualifi\u00e9 de \u00ab 2×3 \u00bb en vertu d’une convention de notation standardis\u00e9e qui renseigne instantan\u00e9ment sur son architecture fondamentale. Le premier chiffre indique que la premi\u00e8re variable ind\u00e9pendante (souvent d\u00e9sign\u00e9e conventionnellement sous la lettre Facteur A<\/em>) est partitionn\u00e9e en deux modalit\u00e9s ou niveaux distincts. Le second chiffre stipule que la seconde variable ind\u00e9pendante (le Facteur B<\/em>) se d\u00e9ploie \u00e0 travers trois modalit\u00e9s distinctes. Le produit cart\u00e9sien de ces deux ensembles de niveaux d\u00e9termine le nombre total de conditions exp\u00e9rimentales uniques, commun\u00e9ment appel\u00e9es \u00ab cellules de traitement \u00bb. Ainsi, un devis factoriel 2×3 g\u00e9n\u00e8re invariablement un total de 2 × 3 = 6<\/em> cellules de traitement distinctes, au sein desquelles les observations empiriques sont recueillies.<\/p>\n

L’attribution des unit\u00e9s exp\u00e9rimentales (qu’il s’agisse de participants humains, de mod\u00e8les animaux ou d’\u00e9chantillons biologiques) au sein de ces six cellules structure l’espace param\u00e9trique de l’exp\u00e9rience. D’un point de vue typologique, il convient d’\u00e9tablir une distinction fondamentale entre les variables ind\u00e9pendantes cat\u00e9gorielles manipul\u00e9es par l’exp\u00e9rimentateur (telles que le dosage pharmacologique, le type d’intervention psychologique ou la nature d’un stimulus perceptif) et les variables de classification ou invoqu\u00e9es (telles que le genre biologique, la cat\u00e9gorie socioprofessionnelle ou un profil psychopathologique pr\u00e9existant). Dans tous les cas, le plan factoriel 2×3 traite ces variables comme des facteurs discrets, dont les combinaisons orthogonales cr\u00e9ent les contextes au sein desquels la variable d\u00e9pendante continue sera mesur\u00e9e.<\/p>\n

La variable d\u00e9pendante (VD) doit imp\u00e9rativement poss\u00e9der des propri\u00e9t\u00e9s m\u00e9triques adapt\u00e9es \u00e0 la mod\u00e9lisation lin\u00e9aire g\u00e9n\u00e9rale. En psychom\u00e9trie et en neurosciences comportementales, la VD est g\u00e9n\u00e9ralement mesur\u00e9e sur une \u00e9chelle d’intervalles ou de rapports (temps de r\u00e9action en millisecondes, scores standardis\u00e9s \u00e0 des batteries d’\u00e9valuations cognitives, concentrations hormonales salivaires, etc.). La distribution continue de cette variable est indispensable pour autoriser le calcul des moyennes cellulaires, des \u00e9carts-types et la d\u00e9composition subs\u00e9quente des diff\u00e9rentes sources de variance qui constituent le c\u0153ur math\u00e9matique de l’analyse inf\u00e9rentielle.<\/p>\n

1.2 \u00c9volution historique de l’exp\u00e9rimentation univari\u00e9e vers les devis factoriels<\/h3>\n

L’histoire de la m\u00e9thodologie exp\u00e9rimentale a longtemps \u00e9t\u00e9 domin\u00e9e par le postulat isolationniste h\u00e9rit\u00e9 du rationalisme classique. Les chercheurs ont traditionnellement pr\u00e9sum\u00e9 que pour identifier avec certitude la causalit\u00e9 liant un stimulus \u00e0 une r\u00e9ponse, il \u00e9tait imp\u00e9ratif de maintenir immobiles toutes les composantes de l’environnement exp\u00e9rimental sauf une. Toutefois, cette approche univari\u00e9e classique a r\u00e9v\u00e9l\u00e9 des carences \u00e9pist\u00e9mologiques majeures lorsqu’elle a \u00e9t\u00e9 confront\u00e9e \u00e0 l’\u00e9tude des processus mentaux sup\u00e9rieurs, de la pharmacodynamique complexe ou des syst\u00e8mes sociaux. En isolant artificiellement un facteur de son \u00e9cologie fonctionnelle, le chercheur s’exposait au risque de masquer des ph\u00e9nom\u00e8nes de d\u00e9pendance contextuelle o\u00f9 l’effet d’une variable s’annule, s’inverse ou s’amplifie en pr\u00e9sence d’une autre.<\/p>\n

L’av\u00e8nement des plans factoriels modernes est indissociable des travaux pionniers du statisticien et g\u00e9n\u00e9ticien britannique Sir Ronald Aylmer Fisher<\/a> dans les ann\u00e9es 1920 et 1930 \u00e0 la station agronomique de Rothamsted. Fisher a d\u00e9montr\u00e9 avec une rigueur math\u00e9matique in\u00e9dite que non seulement l’exp\u00e9rimentation multifactorielle ne compromettait pas la validit\u00e9 interne du dispositif, mais qu’elle pr\u00e9sentait une sup\u00e9riorit\u00e9 statistique et m\u00e9thodologique \u00e9crasante sur les s\u00e9ries d’exp\u00e9riences univari\u00e9es successives. Par l’invention de l’analyse de variance factorielle, Fisher a offert un cadre analytique unifi\u00e9 capable d’\u00e9valuer simultan\u00e9ment plusieurs hypoth\u00e8ses causales tout en contr\u00f4lant l’erreur al\u00e9atoire globale.<\/p>\n

Dans le domaine des sciences du comportement, l’adoption progressive des principes fisheriens au milieu du XXe si\u00e8cle a catalys\u00e9 l’\u00e9mergence d’une psychologie exp\u00e9rimentale multidimensionnelle. Elle a permis aux chercheurs de s’affranchir de situations de laboratoire trop simplistes pour concevoir des paradigmes exp\u00e9rimentaux dot\u00e9s d’une validit\u00e9 \u00e9cologique consid\u00e9rablement accrue. Le plan 2×3 s’est impos\u00e9 comme l’arch\u00e9type du compromis optimal : suffisamment \u00e9labor\u00e9 pour capturer des nuances param\u00e9triques et des interactions complexes, mais suffisamment compact pour \u00e9viter la prolif\u00e9ration incontr\u00f4l\u00e9e de cellules qui caract\u00e9rise les plans d’ordre sup\u00e9rieur (tels que les plans 3x3x3 ou 2x2x2x2), dont l’interpr\u00e9tation th\u00e9orique devient fr\u00e9quemment inextricable.<\/p>\n

1.3 Pertinence m\u00e9thodologique en sciences du comportement<\/h3>\n

La pertinence m\u00e9thodologique du plan factoriel 2×3 dans les sciences comportementales contemporaines repose en premier lieu sur son aptitude \u00e0 mod\u00e9liser la variabilit\u00e9 et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des r\u00e9ponses humaines. Le comportement humain n’est que tr\u00e8s exceptionnellement r\u00e9ductible \u00e0 des r\u00e9actions lin\u00e9aires directes face \u00e0 un \u00e9v\u00e9nement isol\u00e9. Il constitue plut\u00f4t l’aboutissement d’une convergence dynamique entre des caract\u00e9ristiques individuelles stables (dispositionnelles) et des sollicitations environnementales imm\u00e9diates (situationnelles). Le plan 2×3 constitue l’instrument d’investigation privil\u00e9gi\u00e9 pour tester ces conjonctions th\u00e9oriques : il permet d’int\u00e9grer, par exemple, un facteur dispositionnel \u00e0 deux modalit\u00e9s et un facteur situationnel modul\u00e9 selon trois intensit\u00e9s distinctes.<\/p>\n

En outre, le plan factoriel 2×3 offre une remarquable \u00e9conomie d’\u00e9chantillonnage comparativement \u00e0 la mise en \u0153uvre de protocoles ind\u00e9pendants distincts. Dans une approche univari\u00e9e s\u00e9quentielle, examiner l’effet d’un traitement binaire n\u00e9cessiterait un premier \u00e9chantillon de participants, tandis que l’\u00e9valuation d’un second facteur \u00e0 trois conditions exigerait un \u00e9chantillon distinct suppl\u00e9mentaire. Le plan factoriel fusionne ces deux interrogations en une seule d\u00e9marche empirique, exploitant les m\u00eames sujets pour estimer simultan\u00e9ment deux effets principaux distincts avec une pr\u00e9cision statistique \u00e9quivalente ou sup\u00e9rieure, tout en maintenant constante la consommation globale de ressources mat\u00e9rielles et temporelles.<\/p>\n

Enfin, la valeur ajout\u00e9e ultime de ce devis r\u00e9side dans sa capacit\u00e9 unique \u00e0 r\u00e9v\u00e9ler l’effet d’interaction. Les th\u00e9ories psychologiques les plus sophistiqu\u00e9es pr\u00e9disent rarement des effets principaux universels ; elles formulent plut\u00f4t des hypoth\u00e8ses conditionnelles (par exemple, \u00ab l’intervention th\u00e9rapeutique A surpassera le traitement B uniquement si le niveau d’anxi\u00e9t\u00e9 initial du patient est s\u00e9v\u00e8re, mais demeurera sans avantage distinctif si l’anxi\u00e9t\u00e9 est faible ou mod\u00e9r\u00e9e \u00bb). Seul un plan multifactoriel tel que le 2×3 permet de soumettre de telles propositions conceptuelles complexes \u00e0 une \u00e9preuve empirique d\u00e9cisive et r\u00e9futable.<\/p>\n

2. Architecture des variables : Facteurs ind\u00e9pendants et variables d\u00e9pendantes<\/h2>\n

2.1 Le premier facteur : Structure binaire (2 niveaux)<\/h3>\n

L’inclusion d’un premier facteur \u00e0 structure binaire (2 niveaux) conf\u00e8re au plan 2×3 une assise d’\u00e9valuation comparative directe. Sur le plan op\u00e9rationnel, ce facteur dichotomique peut incarner une multiplicit\u00e9 de contrastes conceptuels fondamentaux. Dans les recherches interventionnelles ou translationnelles, il prend classiquement la forme d’une opposition entre un groupe exp\u00e9rimental recevant un traitement actif et un groupe contr\u00f4le recevant un placebo ou soumis \u00e0 une condition d’attente. Dans d’autres contextes, il peut opposer deux variantes qualitatives d’une m\u00eame t\u00e2che cognitive (par exemple, un encodage s\u00e9mantique versus un encodage perceptif superficiel) ou deux populations naturelles distinctes (individus diagnostiqu\u00e9s avec un trouble de l’attention versus t\u00e9moins neurotypiques).<\/p>\n

D’un point de vue purement statistique, un facteur \u00e0 deux modalit\u00e9s ne poss\u00e8de qu’un seul degr\u00e9 de libert\u00e9 inter-groupes ($df_A = k_A – 1 = 2 – 1 = 1$<\/span>). Cette propri\u00e9t\u00e9 m\u00e9trique implique que toute variation attribuable \u00e0 ce facteur est n\u00e9cessairement unidimensionnelle : il existe une unique comparaison possible entre la moyenne marginale du premier niveau et celle du second niveau. L’interpr\u00e9tation de l’effet principal de ce facteur est donc imm\u00e9diate : si la statistique du test inf\u00e9rentiel s’av\u00e8re significative, le chercheur peut conclure sans ambigu\u00eft\u00e9 \u00e0 l’existence d’un \u00e9cart fiable entre ces deux modalit\u00e9s, sans qu’il soit requis de d\u00e9ployer des proc\u00e9dures de tests a posteriori ou de d\u00e9compositions polynomiales suppl\u00e9mentaires.<\/p>\n

L’assignation al\u00e9atoire des participants au sein des deux niveaux de ce facteur \u2014 lorsqu’il s’agit d’une variable manipul\u00e9e \u2014 doit faire l’objet de protocoles de randomisation rigoureux (randomisation simple, par blocs ou stratifi\u00e9e). Cette randomisation garantit l’\u00e9quivalence initiale probabiliste des sous-\u00e9chantillons par rapport aux variables parasites non mesur\u00e9es, fondant ainsi la validit\u00e9 des inf\u00e9rences causales directes que l’analyse statistique tentera d’extraire de la variance observ\u00e9e.<\/p>\n

2.2 Le second facteur : Structure ternaire (3 niveaux)<\/h3>\n

Le second facteur du devis, caract\u00e9ris\u00e9 par sa structure ternaire (3 niveaux), introduit un degr\u00e9 de complexit\u00e9 et de finesse m\u00e9thodologique d\u00e9terminant. Contrairement au facteur binaire qui ne peut t\u00e9moigner que d’un contraste lin\u00e9aire d’\u00e9tat, l’int\u00e9gration de trois modalit\u00e9s autorise l’exp\u00e9rimentateur \u00e0 explorer des gradations tant qualitatives que quantitatives. Dans le registre quantitatif, ce facteur peut repr\u00e9senter une \u00e9chelle param\u00e9trique continue discr\u00e9tis\u00e9e, telle qu’une gradation d’intensit\u00e9 d’un stimulus (faible, mod\u00e9r\u00e9e, \u00e9lev\u00e9e), un dosage pharmacologique (0 mg, 25 mg, 50 mg) ou une dur\u00e9e d’exposition temporelle (imm\u00e9diate, diff\u00e9r\u00e9e de 24 heures, diff\u00e9r\u00e9e d’une semaine).<\/p>\n

La valeur heuristique majeure d’un facteur \u00e0 trois modalit\u00e9s r\u00e9side dans sa sensibilit\u00e9 intrins\u00e8que aux relations non lin\u00e9aires et curvilin\u00e9aires. La psychologie et la biologie regorgent de ph\u00e9nom\u00e8nes illustr\u00e9s par la c\u00e9l\u00e8bre loi de Yerkes-Dodson, selon laquelle la relation entre l’activation physiologique (le stress) et la performance suit une courbe en U invers\u00e9. Un facteur \u00e0 deux modalit\u00e9s serait intrins\u00e8quement incapable de d\u00e9tecter une telle non-lin\u00e9arit\u00e9, risquant de conclure \u00e0 tort \u00e0 l’absence d’effet si les conditions extr\u00eames pr\u00e9sentent par hasard des moyennes empiriques identiques. Le facteur ternaire, disposant de deux degr\u00e9s de libert\u00e9 ($df_B = k_B – 1 = 3 – 1 = 2$<\/span>), permet de dissocier math\u00e9matiquement une tendance lin\u00e9aire globale d’une tendance quadratique ou de courbure.<\/p>\n

Toutefois, cette richesse informative s’accompagne d’une exigence analytique accrue. Un rejet de l’hypoth\u00e8se nulle globale pour ce facteur ternaire n’informe pas sur la localisation pr\u00e9cise de la diff\u00e9rence statistique : il atteste simplement qu’au moins deux des trois moyennes marginales diff\u00e8rent l’une de l’autre. Le chercheur se voit donc contraint de mobiliser des analyses de comparaisons multiples syst\u00e9matiques pour \u00e9lucider si le niveau interm\u00e9diaire se distingue statistiquement des deux bornes ou s’il s’agr\u00e8ge \u00e0 l’une d’entre elles.<\/p>\n

2.3 La variable d\u00e9pendante : Crit\u00e8res de validit\u00e9 et m\u00e9trologie<\/h3>\n

La variable d\u00e9pendante (VD) constitue le prisme m\u00e9trologique exclusif \u00e0 travers lequel les cons\u00e9quences de la manipulation des facteurs A et B sont quantifi\u00e9es. Pour garantir l’ad\u00e9quation \u00e9pist\u00e9mologique et la validit\u00e9 des conclusions math\u00e9matiques issues de l’ANOVA, la VD doit satisfaire \u00e0 des standards psychom\u00e9triques stricts. Elle doit obligatoirement \u00eatre op\u00e9rationnalis\u00e9e sous forme d’une variable quantitative continue, mesur\u00e9e id\u00e9alement sur une \u00e9chelle d’intervalles constants ou une \u00e9chelle de rapports absolus, conform\u00e9ment aux canons m\u00e9trologiques formalis\u00e9s par Stevens.<\/p>\n

La fid\u00e9lit\u00e9 de l’instrument de mesure (\u00e9valu\u00e9e par sa coh\u00e9rence interne, sa stabilit\u00e9 test-retest ou sa fid\u00e9lit\u00e9 inter-juges) conditionne directement la magnitude de la variance d’erreur al\u00e9atoire intra-cellulaire. Un instrument impr\u00e9cis ou bruit\u00e9 gonfle artificiellement le terme d’erreur de l’analyse, r\u00e9duisant d’autant la puissance statistique n\u00e9cessaire pour isoler les effets r\u00e9els des facteurs manipul\u00e9s. Parall\u00e8lement, la validit\u00e9 de construit doit assurer que la variable quantifi\u00e9e refl\u00e8te fid\u00e8lement l’entit\u00e9 th\u00e9orique cible et non un artefact exp\u00e9rimental ou une r\u00e9ponse de complaisance sociale.<\/p>\n

Un enjeu m\u00e9trologique primordial dans les plans 2×3 concerne le contr\u00f4le imp\u00e9ratif des effets de plancher (floor effects<\/em>) et de plafond (ceiling effects<\/em>). Si une t\u00e2che d’\u00e9valuation s’av\u00e8re trop ardue ou, \u00e0 l’inverse, excessivement ais\u00e9e, les scores d’une proportion substantielle de participants viendront s’agglutiner aux bornes minimales ou maximales de l’\u00e9chelle de mesure. De telles saturations tronquent artificiellement la distribution de la VD, compressent la variance r\u00e9elle et masquent m\u00e9caniquement d’\u00e9ventuels effets d’interaction. Le chercheur se doit donc de pr\u00e9-tester soigneusement ses instruments afin de s’assurer d’une sensibilit\u00e9 discriminative maximale sur l’ensemble du continuum d’\u00e9valuation.<\/p>\n

3. Th\u00e9orie et d\u00e9composition des effets principaux<\/h2>\n

3.1 Conceptualisation de l’effet principal du facteur \u00e0 deux modalit\u00e9s<\/h3>\n

Dans le cadre d’un mod\u00e8le factoriel orthogonal, un effet principal quantifie l’influence isol\u00e9e d’un facteur ind\u00e9pendant donn\u00e9 sur la variable d\u00e9pendante, consid\u00e9r\u00e9e sur l’ensemble des modalit\u00e9s de l’autre facteur ind\u00e9pendant. Pour le premier facteur \u00e0 deux modalit\u00e9s (le Facteur A), l’effet principal s’\u00e9value par l’\u00e9cart existant entre les deux moyennes marginales correspondantes, d\u00e9not\u00e9es respectivement $\\mu_{A1}$<\/span> et $\\mu_{A2}$<\/span>. La moyenne marginale pour le niveau 1 du facteur A correspond rigoureusement \u00e0 l’esp\u00e9rance math\u00e9matique des scores observ\u00e9s dans les cellules associ\u00e9es ($AB_{11}, AB_{12}, AB_{13}$<\/span>), moyenn\u00e9e arithm\u00e9tiquement sur les trois niveaux du facteur B.<\/p>\n

L’estimation de cet effet principal proc\u00e8de d’une abstraction statistique : elle simule la r\u00e9ponse moyenne qu’induirait le facteur A si le facteur B n’exer\u00e7ait aucune diff\u00e9renciation ou si ses trois conditions \u00e9taient parfaitement \u00e9quilibr\u00e9es et confondues au sein de la population. L’\u00e9quation de l’effet principal du facteur A peut \u00eatre exprim\u00e9e formellement par le contraste lin\u00e9aire :<\/p>\n

$$\\alpha_i = \\mu_{Ai} – \\mu_{..}$$<\/span><\/p>\n

o\u00f9 $\\mu_{..}$<\/span> d\u00e9signe la moyenne g\u00e9n\u00e9rale (le grand mean) de l’ensemble de l’espace factoriel exp\u00e9rimental. La signification statistique de cet effet est \u00e9valu\u00e9e par un test F<\/em> de Fisher unilat\u00e9ral \u00e0 $(1, N – 6)$<\/span> degr\u00e9s de libert\u00e9, comparant la variance inter-groupes g\u00e9n\u00e9r\u00e9e par les deux niveaux de A \u00e0 la variance r\u00e9siduelle intra-cellulaire.<\/p>\n

3.2 Conceptualisation de l’effet principal du facteur \u00e0 trois modalit\u00e9s<\/h3>\n

L’effet principal associ\u00e9 au second facteur ind\u00e9pendant (le Facteur B) repose sur une logique computationnelle homologue, mais s’\u00e9tend sur trois moyennes marginales : $\\mu_{B1}$<\/span>, $\\mu_{B2}$<\/span>, et $\\mu_{B3}$<\/span>. Chacune de ces moyennes repr\u00e9sente l’agr\u00e9gation transversale des observations recueillies au sein des deux niveaux du Facteur A pour une modalit\u00e9 sp\u00e9cifique de B (par exemple, $\\mu_{B1} = (\\mu_{11} + \\mu_{21}) \/ 2$<\/span>, dans le cas d’un effectif \u00e9quilibr\u00e9). L’effet principal de B quantifie la dispersion de ces trois points de rep\u00e8re marginaux autour de la moyenne globale de l’exp\u00e9rience.<\/p>\n

La somme des carr\u00e9s aff\u00e9rente \u00e0 cet effet ($SS_B$<\/span>) capture l’ampleur totale des variations attribuables au Facteur B. \u00c9tant donn\u00e9 que le facteur comporte trois niveaux, le test d’hypoth\u00e8se associ\u00e9 est un test omnibus<\/em> r\u00e9gi par deux degr\u00e9s de libert\u00e9 au num\u00e9rateur ($df_B = 2$<\/span>). Le rejet de l’hypoth\u00e8se nulle omnibus ($H_{0_B}: \\mu_{B1} = \\mu_{B2} = \\mu_{B3}$<\/span>) certifie l’existence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 significative au sein de ce trio de moyennes, sans pour autant pr\u00e9juger de la configuration g\u00e9om\u00e9trique de cette dispersion.<\/p>\n

Pour affiner cette caract\u00e9risation globale, la th\u00e9orie lin\u00e9aire permet de d\u00e9composer ces deux degr\u00e9s de libert\u00e9 en deux composantes orthogonales ind\u00e9pendantes : un contraste lin\u00e9aire, qui \u00e9value la pr\u00e9sence d’une progression monotone continue des moyennes \u00e0 travers les trois paliers du facteur, et un contraste quadratique, qui \u00e9value la convexit\u00e9 ou la concavit\u00e9 de la trajectoire (la pr\u00e9sence d’une courbure centrale traduisant une d\u00e9viation par rapport \u00e0 la simple lin\u00e9arit\u00e9). Cette d\u00e9composition structurelle enrichit consid\u00e9rablement l’interpr\u00e9tation substantielle de l’action du facteur ternaire.<\/p>\n

3.3 Risques de mauvaise interpr\u00e9tation en pr\u00e9sence de mod\u00e9ration<\/h3>\n

L’un des \u00e9cueils m\u00e9thodologiques les plus insidieux dans l’analyse des devis factoriels r\u00e9side dans l’interpr\u00e9tation aveugle et d\u00e9contextualis\u00e9e des effets principaux. Lorsqu’un plan factoriel r\u00e9v\u00e8le un effet principal statistiquement significatif pour l’un des facteurs, l’exp\u00e9rimentateur non averti est fr\u00e9quemment tent\u00e9 d’affirmer de mani\u00e8re p\u00e9remptoire que ce facteur produit une variation syst\u00e9matique universelle sur la variable d\u00e9pendante. Or, une telle g\u00e9n\u00e9ralisation s’av\u00e8re profond\u00e9ment trompeuse, voire fallacieuse, d\u00e8s lors qu’un effet d’interaction significatif coexiste au sein du m\u00eame mod\u00e8le.<\/p>\n

En pr\u00e9sence d’une interaction factorielle prononc\u00e9e, la moyenne marginale n’est qu’une abstraction math\u00e9matique qui ne refl\u00e8te fid\u00e8lement la r\u00e9alit\u00e9 d’aucun des sous-groupes exp\u00e9rimentaux r\u00e9els. Consid\u00e9rons le cas d’une interaction crois\u00e9e o\u00f9 le Facteur A am\u00e9liore massivement les performances des sujets sous la modalit\u00e9 1 du Facteur B, mais d\u00e9grade d’une magnitude rigoureusement \u00e9quivalente ces m\u00eames performances sous la modalit\u00e9 3 de B, tout en demeurant neutre sous la modalit\u00e9 2. Dans une telle conjoncture, les moyennes marginales de A s’\u00e9quilibreront math\u00e9matiquement et le test F<\/em> de l’effet principal de A conclura \u00e0 une absence totale d’effet ($F \\approx 0, p \\approx 1$<\/span>). Pourtant, affirmer que le facteur A n’a pas d’influence constituerait une erreur scientifique majeure.<\/p>\n

Par cons\u00e9quent, les r\u00e8gles \u00e9pist\u00e9mologiques de l’inf\u00e9rence factorielle imposent une pr\u00e9s\u00e9ance herm\u00e9neutique absolue de l’interaction sur les effets principaux. Avant de commenter et de valoriser un effet principal moyen, le chercheur a le devoir d’examiner l’architecture de l’interaction. Si cette derni\u00e8re s’av\u00e8re substantielle, les effets principaux doivent \u00eatre imm\u00e9diatement r\u00e9trograd\u00e9s au statut d’artefacts d’agr\u00e9gation, l’effort analytique devant se concentrer exclusivement sur la description des effets conditionnels locaux.<\/p>\n

4. L’effet d’interaction : Dynamique et synergie factorielle<\/h2>\n

4.1 Nature g\u00e9om\u00e9trique et conceptuelle de l’interaction (2×3)<\/h3>\n

L’effet d’interaction constitue l’essence m\u00eame de l’exp\u00e9rimentation factorielle. Conceptuellement, il survient lorsque l’effet d’une variable ind\u00e9pendante sur la variable d\u00e9pendante change de direction, de magnitude ou de forme en fonction des niveaux sp\u00e9cifiques adopt\u00e9s par une seconde variable ind\u00e9pendante. Dans un plan 2×3, l’interaction mat\u00e9rialise le fait que la diff\u00e9rence observ\u00e9e entre les deux modalit\u00e9s du Facteur A n’est pas constante d’un palier \u00e0 l’autre du Facteur B, ou sym\u00e9triquement, que le profil de r\u00e9ponse suscit\u00e9 par les trois niveaux du Facteur B varie selon la modalit\u00e9 active du Facteur A.<\/p>\n

Sur le plan g\u00e9om\u00e9trique, l’interaction se manifeste visuellement par le non-parall\u00e9lisme des fonctions de r\u00e9ponse reliant les moyennes cellulaires. Lorsque l’on trace un graphique bidimensionnel pla\u00e7ant les trois modalit\u00e9s du Facteur B sur l’axe des abscisses et la variable d\u00e9pendante sur l’axe des ordonn\u00e9es, et que l’on relie les points correspondant aux moyennes des deux niveaux du Facteur A pour former deux lignes distinctes, l’hypoth\u00e8se de non-interaction ($H_0$<\/span>) correspond math\u00e9matiquement \u00e0 un parall\u00e9lisme parfait de ces deux segments ou courbes. Tout \u00e9cart statistiquement fiable par rapport \u00e0 ce parall\u00e9lisme strict t\u00e9moigne de l’existence d’une interaction factorielle $A \\times B$<\/span>.<\/p>\n

\"\"<\/figure>\n

Dans l’espace factoriel \u00e0 six cellules, l’interaction s’exprime comme l’\u00e9cart entre la valeur r\u00e9ellement observ\u00e9e dans chaque cellule de traitement ($\\mu_{ij}$<\/span>) et la valeur qui serait pr\u00e9dite par la simple sommation lin\u00e9aire de la moyenne g\u00e9n\u00e9rale et des deux effets principaux isol\u00e9s :<\/p>\n

$$(\\alpha\\beta)_{ij} = \\mu_{ij} – (\\mu_{..} + \\alpha_i + \\beta_j)$$<\/span><\/p>\n

L’effet d’interaction capture donc pr\u00e9cis\u00e9ment la part de variance \u00ab non additive \u00bb, c’est-\u00e0-dire la synergie ou l’antagonisme propre \u00e0 chaque conjonction exp\u00e9rimentale sp\u00e9cifique.<\/p>\n

4.2 Typologie des interactions statistiques<\/h3>\n

L’analyse qualitative et fonctionnelle des interactions dans un devis 2×3 requiert une classification typologique rigoureuse. Les statisticiens et m\u00e9thodologistes distinguent traditionnellement deux grandes cat\u00e9gories d’interactions factorielles : les interactions ordinales et les interactions d\u00e9sordinales (ou crois\u00e9es).<\/p>\n

Une interaction est qualifi\u00e9e d’ordinale<\/strong> lorsque la magnitude de l’\u00e9cart entre les niveaux du Facteur A fluctue en fonction des modalit\u00e9s du Facteur B, mais que le classement hi\u00e9rarchique des modalit\u00e9s de A demeure rigoureusement invariant sur l’ensemble des conditions. Par exemple, si le niveau A1 surpasse syst\u00e9matiquement le niveau A2 sur les trois paliers de B, mais que cette sup\u00e9riorit\u00e9 est marginale sous B1, mod\u00e9r\u00e9e sous B2 et massive sous B3, l’interaction est ordinale. Dans une telle situation, les deux lignes du graphique divergent ou convergent sans jamais s’entrecroiser. L’interpr\u00e9tation de l’effet principal de A conserve alors une certaine validit\u00e9 descriptive g\u00e9n\u00e9rale (le niveau A1 demeure globalement sup\u00e9rieur \u00e0 A2), bien que l’ampleur exacte de cette sup\u00e9riorit\u00e9 soit conditionnelle \u00e0 B.<\/p>\n

\u00c0 l’oppos\u00e9, une interaction est dite d\u00e9sordinale<\/strong> ou crois\u00e9e lorsque le sens de l’effet d’un facteur s’inverse formellement selon les modalit\u00e9s de l’autre facteur. Les lignes reliant les moyennes se croisent explicitement au sein de l’espace g\u00e9om\u00e9trique du graphique factoriel. Par exemple, le niveau A1 peut g\u00e9n\u00e9rer une performance significativement sup\u00e9rieure \u00e0 A2 sous la condition B1, mais s’av\u00e9rer significativement inf\u00e9rieur \u00e0 A2 sous la condition B3. Les interactions d\u00e9sordinales repr\u00e9sentent des ruptures th\u00e9oriques d’une importance capitale : elles invalident totalement toute tentative d’extrapolation bas\u00e9e sur les effets principaux et r\u00e9v\u00e8lent des fronti\u00e8res de validit\u00e9 strictes quant \u00e0 l’op\u00e9rabilit\u00e9 des ph\u00e9nom\u00e8nes psychologiques investigu\u00e9s.<\/p>\n

4.3 D\u00e9composition des degr\u00e9s de libert\u00e9 de l’interaction<\/h3>\n

La structure formelle de l’interaction dans un plan factoriel est r\u00e9gie par ses degr\u00e9s de libert\u00e9 ($df_{AB}$<\/span>). Sur le plan alg\u00e9brique, les degr\u00e9s de libert\u00e9 associ\u00e9s au terme d’interaction bidirectionnel sont donn\u00e9s par le produit direct des degr\u00e9s de libert\u00e9 de chaque facteur constitutif :<\/p>\n

$$df_{AB} = (k_A – 1) \\times (k_B – 1) = (2 – 1) \\times (3 – 1) = 1 \\times 2 = 2$$<\/span><\/p>\n

L’obtention de deux degr\u00e9s de libert\u00e9 conf\u00e8re \u00e0 l’interaction 2×3 une polyvalence analytique remarquable. Ces deux degr\u00e9s de libert\u00e9 signifient que la non-additivit\u00e9 globale du mod\u00e8le n’est pas r\u00e9ductible \u00e0 un simple \u00e9cart ponctuel, mais se d\u00e9ploie \u00e0 travers deux dimensions orthogonales ind\u00e9pendantes dans l’espace des donn\u00e9es. Math\u00e9matiquement, cela autorise l’exp\u00e9rimentateur \u00e0 partitionner la somme des carr\u00e9s de l’interaction ($SS_{AB}$<\/span>) en deux contrastes bilin\u00e9aires distincts.<\/p>\n

Le premier contraste examine g\u00e9n\u00e9ralement l’interaction entre le facteur A et la composante lin\u00e9aire du facteur B (interaction Lin\u00e9aire × Binaire). Il \u00e9value si la pente lin\u00e9aire de r\u00e9ponse \u00e0 travers les trois modalit\u00e9s de B est significativement plus abrupte pour le groupe A1 que pour le groupe A2. Le second contraste teste l’interaction entre le facteur A et la composante quadratique du facteur B (interaction Quadratique × Binaire), v\u00e9rifiant si la concavit\u00e9 ou l’inversion de courbure de B se manifeste s\u00e9lectivement dans l’un des deux sous-groupes de A. Cette flexibilit\u00e9 dimensionnelle permet une autopsie extr\u00eamement fine des m\u00e9canismes statistiques op\u00e9rant sous la surface des tests omnibus.<\/p>\n

5. Typologie des plans factoriels 2×3 : Variantes de devis exp\u00e9rimentaux<\/h2>\n

5.1 Le plan factoriel 2×3 inter-sujets (ind\u00e9pendant)<\/h3>\n

Le plan factoriel 2×3 inter-sujets (\u00e9galement qualifi\u00e9 de plan \u00e0 groupes ind\u00e9pendants) constitue l’architecture exp\u00e9rimentale la plus classique et la plus robuste face aux biais d’administration s\u00e9quentielle. Dans cette configuration, chaque participant est assign\u00e9 de mani\u00e8re al\u00e9atoire et stricte \u00e0 une seule et unique cellule de traitement parmi les six que compte le mod\u00e8le. Si l’on fixe conventionnellement une taille cellulaire de $n = 20$<\/span> participants pour assurer une puissance ad\u00e9quate, l’exp\u00e9rience compl\u00e8te exige donc le recrutement, le conditionnement et l’\u00e9valuation de $N = 20 \\times 6 = 120$<\/span> participants distincts.<\/p>\n

L’avantage m\u00e9thodologique pr\u00e9pond\u00e9rant de ce devis r\u00e9side dans l’\u00e9radication structurelle absolue des effets d’ordre, de report (carryover effects<\/em>), d’apprentissage ou de fatigue cognitive. Dans la mesure o\u00f9 chaque individu n’est expos\u00e9 qu’\u00e0 une combinaison factorielle singuli\u00e8re, aucune contamination temporelle ne peut venir corrompre les r\u00e9ponses ult\u00e9rieures. Ce format est particuli\u00e8rement incontournable lorsqu’une condition exp\u00e9rimentale induit des modifications cognitives, affectives ou physiologiques irr\u00e9versibles (par exemple, l’enseignement explicite d’une strat\u00e9gie mn\u00e9motechnique ou l’administration d’un psychotrope \u00e0 longue demi-vie).<\/p>\n

En contrepartie, le plan inter-sujets pr\u00e9sente une vuln\u00e9rabilit\u00e9 inh\u00e9rente : il demeure expos\u00e9 \u00e0 la variance d’\u00e9chantillonnage interindividuelle. Toute diff\u00e9rence syst\u00e9matique pr\u00e9existante entre les participants des diff\u00e9rents groupes vient directement gonfler la variance d’erreur intra-groupe ($MS_{residual}$<\/span>), r\u00e9duisant la sensibilit\u00e9 du test statistique F<\/em>. De surcro\u00eet, le co\u00fbt en mati\u00e8re de recrutement de cohortes massives de volontaires peut s’av\u00e9rer prohibitif dans les contextes de recherche sp\u00e9cialis\u00e9s ou cliniques.<\/p>\n

5.2 Le plan factoriel 2×3 intra-sujets (mesures r\u00e9p\u00e9t\u00e9es)<\/h3>\n

\u00c0 l’oppos\u00e9 diam\u00e9tral du mod\u00e8le \u00e0 groupes ind\u00e9pendants se d\u00e9ploie le plan factoriel 2×3 intra-sujets, couramment d\u00e9sign\u00e9 sous le terme de plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es. Dans cette architecture intens\u00e9ment \u00e9conomique, chaque sujet est expos\u00e9 s\u00e9quentiellement \u00e0 la totalit\u00e9 des six conditions exp\u00e9rimentales ($2 \\times 3$<\/span>). D\u00e8s lors, un \u00e9chantillon initial de seulement 20 participants g\u00e9n\u00e8re l’int\u00e9gralit\u00e9 des 120 observations requises par l’analyse computationnelle.<\/p>\n

La puissance statistique intrins\u00e8que de ce devis est prodigieusement sup\u00e9rieure \u00e0 celle du plan inter-sujets \u00e9quivalent. En utilisant chaque sujet comme son propre t\u00e9moin de r\u00e9f\u00e9rence, le statisticien est en mesure d’extraire math\u00e9matiquement la variance syst\u00e9matique stable attribuable aux diff\u00e9rences interindividuelles globales (le Facteur Sujet) et de l’expurger du d\u00e9nominateur du test F<\/em>. Le terme d’erreur r\u00e9siduelle s’en trouve drastiquement comprim\u00e9, ce qui maximise l’aptitude du mod\u00e8le \u00e0 d\u00e9tecter des tailles d’effet t\u00e9nues au sein des effets principaux et de l’interaction.<\/p>\n

Cependant, cette puissance m\u00e9thodologique requiert une vigilance absolue quant \u00e0 l’organisation temporelle des passations. La r\u00e9p\u00e9tition de six t\u00e2ches cons\u00e9cutives engendre in\u00e9luctablement des risques massifs d’effets d’apprentissage, d’habituation ou d’\u00e9puisement attentionnel. Pour neutraliser ces biais parasites, le recours \u00e0 des proc\u00e9dures de contrebalancement syst\u00e9matique<\/em> ou \u00e0 des matrices de carr\u00e9s latins rigoureusement \u00e9quilibr\u00e9es est une obligation m\u00e9thodologique incontournable. De surcro\u00eet, le chercheur doit valider le postulat de sph\u00e9ricit\u00e9<\/em> (ou condition de circularit\u00e9 de la matrice de covariance), dont la violation impose des corrections de degr\u00e9s de libert\u00e9 contraignantes telles que celles de Greenhouse-Geisser ou de Huynh-Feldt.<\/p>\n

5.3 Le plan factoriel 2×3 mixte (split-plot)<\/h3>\n

Le plan factoriel 2×3 mixte \u2014 historiquement d\u00e9riv\u00e9 des plans agronomiques dits split-plot<\/em> formalis\u00e9s par Fisher \u2014 repr\u00e9sente une synth\u00e8se m\u00e9thodologique alliant un facteur inter-sujets et un facteur intra-sujets. Cette configuration hybride constitue sans doute l’architecture exp\u00e9rimentale la plus courante et la plus f\u00e9conde dans le champ de la psychologie clinique, de la neuropsychologie et des neurosciences comportementales translationnelles.<\/p>\n

Dans un plan mixte classique, le premier facteur \u00e0 deux modalit\u00e9s est manipul\u00e9 ou observ\u00e9 entre les sujets<\/em> (par exemple, Groupe Clinique de patients d\u00e9pressifs versus Groupe T\u00e9moin sain, ou Groupe Th\u00e9rapie Innovante versus Groupe Traitement M\u00e9dicamenteux Standard), tandis que le second facteur \u00e0 trois modalit\u00e9s est d\u00e9ploy\u00e9 intra-sujets<\/em> sous forme d’une s\u00e9rie de mesures longitudinales r\u00e9p\u00e9t\u00e9es (par exemple, \u00c9valuation Pr\u00e9-traitement, Post-traitement imm\u00e9diat, et Suivi longitudinal \u00e0 6 mois). Chaque participant appartient exclusivement \u00e0 l’un des deux groupes, mais compl\u00e8te l’ensemble des trois jalons temporels d’\u00e9valuation.<\/p>\n

La sp\u00e9cificit\u00e9 analytique du plan mixte r\u00e9side dans la d\u00e9composition bipartite de son \u00e9quation de variance. Le mod\u00e8le engendre deux termes d’erreur r\u00e9siduelle distincts : une premi\u00e8re variance r\u00e9siduelle inter-sujets ($Error_{between}$<\/span>), servant \u00e0 tester statistiquement la signification de l’effet principal du Facteur A, et une seconde variance r\u00e9siduelle intra-sujets ($Error_{within}$<\/span>), conditionnant les ratios F<\/em> associ\u00e9s \u00e0 l’effet principal du Facteur B (l’\u00e9volution temporelle) ainsi qu’au terme d’interaction $A \\times B$<\/span>. Cette architecture fournit un cadre id\u00e9al pour tester rigoureusement l’hypoth\u00e8se centrale des essais cliniques randomis\u00e9s : l’existence d’une trajectoire diff\u00e9rentielle de r\u00e9mission temporelle chez les patients b\u00e9n\u00e9ficiant du nouveau protocole th\u00e9rapeutique par rapport aux t\u00e9moins.<\/p>\n

6. Formulation rigoureuse des hypoth\u00e8ses statistiques et th\u00e9oriques<\/h2>\n

6.1 Op\u00e9rationnalisation des hypoth\u00e8ses nulles (H0)<\/h3>\n

La logique inf\u00e9rentielle de l’approche n\u00e9o-fisherienne et de Neyman-Pearson<\/a> exige que l’exp\u00e9rimentateur traduise ses questionnements th\u00e9oriques en un ensemble formalis\u00e9 d’hypoth\u00e8ses nulles ($H_0$<\/span>). Dans le cadre strict d’un mod\u00e8le factoriel 2×3 \u00e0 effets fixes, le dispositif d’analyse statistique ne teste pas une hypoth\u00e8se globale unique, mais \u00e9value formellement trois hypoth\u00e8ses nulles orthogonales distinctes, chacune gouvern\u00e9e par sa propre statistique de test.<\/p>\n

La premi\u00e8re hypoth\u00e8se nulle concerne l’absence d’effet principal pour le Facteur A ($H_{0_A}$<\/span>). Elle postule l’\u00e9galit\u00e9 parfaite des deux moyennes marginales th\u00e9oriques de ce facteur, ind\u00e9pendamment de toute modulation induite par B :<\/p>\n

$$H_{0_A}: \\mu_{A1} = \\mu_{A2} \\quad \\text{ou de mani\u00e8re \u00e9quivalente} \\quad \\alpha_1 = \\alpha_2 = 0$$<\/span><\/p>\n

La deuxi\u00e8me hypoth\u00e8se nulle postule l’invariance stricte des r\u00e9ponses moyennes \u00e0 travers l’ensemble des trois modalit\u00e9s constitutives du Facteur B ($H_{0_B}$<\/span>), ce qui revient \u00e0 poser l’\u00e9galit\u00e9 simultan\u00e9e des trois moyennes marginales th\u00e9oriques associ\u00e9es :<\/p>\n

$$H_{0_B}: \\mu_{B1} = \\mu_{B2} = \\mu_{B3} \\quad \\text{ou} \\quad \\beta_1 = \\beta_2 = \\beta_3 = 0$$<\/span><\/p>\n

Enfin, la troisi\u00e8me hypoth\u00e8se nulle \u2014 fr\u00e9quemment la plus d\u00e9terminante sur le plan th\u00e9orique \u2014 pose l’absence int\u00e9grale d’interaction factorielle ($H_{0_AB}$<\/span>). Elle postule que chaque param\u00e8tre de non-additivit\u00e9 cellulaire est rigoureusement \u00e9gal \u00e0 z\u00e9ro sur l’ensemble des six conditions exp\u00e9rimentales :<\/p>\n

$$H_{0_AB}: (\\alpha\\beta)_{ij} = 0, \\quad \\forall i in {1, 2}, \\forall j in {1, 2, 3}$$<\/span><\/p>\n

Ces trois hypoth\u00e8ses jouissent d’une ind\u00e9pendance conceptuelle totale au sein des plans \u00e9quilibr\u00e9s : le rejet ou le maintien de l’une n’exerce aucune contrainte logique directe sur l’issue des deux autres tests.<\/p>\n

6.2 D\u00e9finition des hypoth\u00e8ses alternatives (H1) directionnelles et non directionnelles<\/h3>\n

Face \u00e0 chaque hypoth\u00e8se nulle se dresse une hypoth\u00e8se alternative ($H_1$<\/span>) repr\u00e9sentant l’\u00e9tat du monde physique ou psychologique anticip\u00e9 par les th\u00e9ories scientifiques sous-jacentes. Dans le cadre de l’ANOVA factorielle standard, les hypoth\u00e8ses alternatives omnibus sont par d\u00e9finition non directionnelles : l’hypoth\u00e8se $H_{1_B}$<\/span> affirme simplement qu’au moins une des trois moyennes marginales d\u00e9vie des autres ($\\exists (j, j’) : \\mu_{Bj} \\neq \\mu_{Bj’}$<\/span>), sans pr\u00e9juger de la polarit\u00e9 ou du sens de cette asym\u00e9trie.<\/p>\n

Cependant, dans la pratique de la recherche empirique mature, le chercheur formule rarement des suppositions agnostiques. La mod\u00e9lisation psychologique exige la formulation d’hypoth\u00e8ses alternatives directionnelles<\/em> hautement sp\u00e9cifiques, traduisant des patrons pr\u00e9d\u00e9termin\u00e9s d’activation cognitive, d’inhibition comportementale ou de rem\u00e9diation clinique. Par exemple, au lieu de postuler simplement que \u00ab le temps de r\u00e9action variera sous les trois charges de travail \u00bb, l’hypoth\u00e8se alternative th\u00e9orique pr\u00e9voira explicitement que la latence cognitive augmentera de mani\u00e8re strictement monotone et croissante : $\\mu_{B1} < \\mu_{B2} < \\mu_{B3}$<\/span>.<\/p>\n

Ce niveau d’op\u00e9rationnalisation directionnelle prend toute son acuit\u00e9 lors de la sp\u00e9cification de l’interaction factorielle. Une th\u00e9orie robuste ne se borne pas \u00e0 pr\u00e9dire une interaction quelconque ; elle anticipe une topographie cellulaire pr\u00e9cise (par exemple, une configuration o\u00f9 le Facteur A d\u00e9ploie un effet massif au niveau B3, un effet interm\u00e9diaire au niveau B2, et s’annule totalement sous B1). La clart\u00e9 de ces pr\u00e9dictions a priori dictera directement le choix entre l’examen passif des tests omnibus ou le recours strat\u00e9gique \u00e0 des contrastes planifi\u00e9s directionnels.<\/p>\n

6.3 Gestion des taux d’erreur de premi\u00e8re esp\u00e8ce (alpha inflationniste)<\/h3>\n

L’ex\u00e9cution conjointe de multiples tests statistiques sur un m\u00eame jeu de donn\u00e9es empiriques pose le d\u00e9fi fondamental du contr\u00f4le du taux d’erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>), c’est-\u00e0-dire la probabilit\u00e9 de rejeter \u00e0 tort une hypoth\u00e8se nulle qui est pourtant vraie dans la population (le faux positif). Dans un devis factoriel 2×3 standard, le fait de tester simultan\u00e9ment trois hypoth\u00e8ses omnibus distinctes ($Facteur A$<\/span>, $Facteur B$<\/span>, $Interaction AB$<\/span>) au seuil nominal classique de $\\alpha = 0,05$<\/span> expose l’exp\u00e9rimentateur au ph\u00e9nom\u00e8ne de l’inflation de l’alpha par famille de tests<\/em> (Familywise Error Rate<\/em>, FWER).<\/p>\n

Si les trois tests \u00e9taient strictement stochastiquement ind\u00e9pendants, la probabilit\u00e9 d’observer au moins un faux positif parmi les trois d\u00e9cisions inf\u00e9rentielles serait quantifi\u00e9e par la formule de Bernoulli :<\/p>\n

$$\\alpha_{FWER} = 1 – (1 – \\alpha)^k = 1 – (1 – 0,05)^3 = 1 – (0,95)^3 \\approx 0,1426$$<\/span><\/p>\n

Le risque effectif de fausse d\u00e9couverte culmine ainsi \u00e0 plus de 14 %, bien au-del\u00e0 de la norme convenue de 5 %. Si la convention scientifique dominante tol\u00e8re ce risque accru pour les trois tests omnibus fondamentaux de l’ANOVA au motif que chacun r\u00e9pond \u00e0 une question de recherche distincte d\u00e9limit\u00e9e a priori, cette permissivit\u00e9 s’effondre totalement d\u00e8s lors que l’exp\u00e9rimentateur s’engage dans les \u00e9tapes ult\u00e9rieures : les d\u00e9compositions des effets simples et les comparaisons multiples inter-cellules.<\/p>\n

Face \u00e0 la prolif\u00e9ration de contrastes a posteriori non planifi\u00e9s, la mobilisation d’ajustements stochastiques devient imp\u00e9rative. Les chercheurs doivent arbitrer entre des techniques conservatrices mais r\u00e9ductrices de puissance statistique (telle que la classique correction de Bonferroni ou la m\u00e9thode de \u0160id\u00e1k) et des approches plus sophistiqu\u00e9es optimisant l’\u00e9quilibre entre la rigueur de contr\u00f4le et la sensibilit\u00e9 aux effets r\u00e9els, \u00e0 l’instar des proc\u00e9dures de Tukey HSD, de Holm-Bonferroni ou de la r\u00e9gulation du taux de fausses d\u00e9couvertes (FDR – False Discovery Rate<\/em>) formalis\u00e9e par Benjamini et Hochberg.<\/p>\n

7. Puissance statistique, taille d’effet et dimensionnement de l’\u00e9chantillon<\/h2>\n

7.1 Calcul de la taille d’effet : Eta-carr\u00e9 partiel et Omega-carr\u00e9<\/h3>\n

L’inf\u00e9rence statistique contemporaine a largement d\u00e9pass\u00e9 le diktat exclusif de la seule p-valeur<\/em>. La significativit\u00e9 statistique n’\u00e9tant qu’une fonction conjointe de l’ampleur r\u00e9elle du ph\u00e9nom\u00e8ne et de la taille de l’\u00e9chantillon analys\u00e9, la quantification m\u00e9trique de la magnitude des effets observ\u00e9s au moyen d’indices de taille d’effet standardis\u00e9s constitue une exigence scientifique cardinale. Dans le cadre d’un plan factoriel 2×3, la m\u00e9trique la plus omnipr\u00e9sente dans les logiciels de traitement de donn\u00e9es (notamment SPSS, SAS et JASP) est l’\u00eata-carr\u00e9 partiel<\/strong> ($\\eta_p^2$<\/span>).<\/p>\n

L’\u00eata-carr\u00e9 partiel se d\u00e9finit math\u00e9matiquement comme la proportion de variance attribuable \u00e0 une source de variation sp\u00e9cifique (effet principal ou interaction), apr\u00e8s avoir d\u00e9duit de la variance totale toute variation expliqu\u00e9e par les autres facteurs du mod\u00e8le :<\/p>\n

$$\\eta_p^2 = \\frac{SS_{Effet}}{SS_{Effet} + SS_{Erreur}}$$<\/span><\/p>\n

Bien que son calcul soit ais\u00e9 et son interpr\u00e9tation intuitive, l’\u00eata-carr\u00e9 partiel pr\u00e9sente une tare statistique document\u00e9e : il constitue un estimateur param\u00e9trique biais\u00e9 positivement<\/em>. Dans les petits \u00e9chantillons, il surestime syst\u00e9matiquement la proportion r\u00e9elle de variance expliqu\u00e9e au sein de la population parente.<\/p>\n

Pour pallier ce biais d’\u00e9chantillonnage, la litt\u00e9rature m\u00e9thodologique la plus rigoureuse pr\u00e9conise le recours \u00e0 l’om\u00e9ga-carr\u00e9 partiel<\/strong> ($\\omega_p^2$<\/span>), qui ajuste l’estimation de la variance en int\u00e9grant les carr\u00e9s moyens de l’erreur r\u00e9siduelle :<\/p>\n

$$\\omega_p^2 = \\frac{df_{Effet} \\times (MS_{Effet} – MS_{Erreur})}{SS_{Effet} + (N – df_{Effet}) \\times MS_{Erreur}}$$<\/span><\/p>\n

Selon les conventions canoniques \u00e9tablies par Jacob Cohen, adapt\u00e9es aux plans d’analyse de variance, des seuils de r\u00e9f\u00e9rence sont g\u00e9n\u00e9ralement mobilis\u00e9s pour caract\u00e9riser l’importance substantielle d’un effet : une valeur de $\\eta_p^2 \\approx 0,01$<\/span> (ou $f = 0,10$<\/span>) d\u00e9note un effet de faible magnitude ; $\\eta_p^2 \\approx 0,06$<\/span> ($f = 0,25$<\/span>) caract\u00e9rise un effet moyen ; tandis qu’un indice $\\eta_p^2 ge 0,14$<\/span> ($f = 0,40$<\/span>) consacre un effet de grande envergure empirique.<\/p>\n

7.2 D\u00e9termination a priori de la taille d’\u00e9chantillon requise<\/h3>\n

L’optimisation de la puissance statistique ($1 – \\beta$<\/span>) constitue le rempart m\u00e9thodologique fondamental contre l’erreur de seconde esp\u00e8ce (le faux n\u00e9gatif). Il est notoirement inadmissible d’engager des moyens exp\u00e9rimentaux substantiels sans s’assurer au pr\u00e9alable que le plan factoriel disposera d’une probabilit\u00e9 suffisante (g\u00e9n\u00e9ralement fix\u00e9e \u00e0 $1 – \\beta ge 0,80$<\/span>, voire 0,90 ou 0,95 dans les \u00e9tudes confirmatoires critiques) de rejeter formellement l’hypoth\u00e8se nulle si l’effet pr\u00e9dit existe r\u00e9ellement dans la population.<\/p>\n

La d\u00e9termination a priori du dimensionnement de la cohorte s’effectue couramment \u00e0 l’aide d’environnements logiciels sp\u00e9cialis\u00e9s, \u00e0 l’instar de la r\u00e9f\u00e9rence internationale G*Power<\/a>. Dans un plan factoriel 2×3 inter-sujets \u00e0 effets fixes, le param\u00e9trage de l’algorithme de calcul de puissance exige la d\u00e9finition de quatre m\u00e9triques d’entr\u00e9e :<\/p>\n