lsmeans<\/code>) de Russell Lenth constitue l’\u00e9talon-or algorithmique international.<\/p>\n3.2 Statistiques descriptives stratifi\u00e9es par groupe exp\u00e9rimental<\/h3>\n Avant d’engager toute mod\u00e9lisation inf\u00e9rentielle complexe, le protocole d’analyse de donn\u00e9es requiert une phase approfondie d’agr\u00e9gation descriptive conditionnelle. Il s’agit de calculer syst\u00e9matiquement, pour chaque sous-groupe exp\u00e9rimental d\u00e9limit\u00e9 par les modalit\u00e9s de la variable ind\u00e9pendante, les indicateurs de tendance centrale et de dispersion de la variable d\u00e9pendante ainsi que de la covariable.<\/p>\n
Gr\u00e2ce aux verbes d’action de dplyr<\/code> (notamment les commandes group_by()<\/code> et summarise()<\/code>), nous extrayons pour les techniques A, B et C : le nombre de participants valides ($n$<\/span>), la moyenne brute de l’examen final ($\\bar{Y}$<\/span>), l’\u00e9cart-type non biais\u00e9 ($SD$<\/span>), l’erreur-type de la moyenne ($SEM = SD \/ \\sqrt{n}$<\/span>), ainsi que l’intervalle de confiance \u00e0 95 % associ\u00e9. Simultan\u00e9ment, nous calculons ces m\u00eames param\u00e8tres pour la covariable initiale ($\\bar{X}$<\/span>, $SD$<\/span>).<\/p>\nCette \u00e9tape descriptive pr\u00e9liminaire met g\u00e9n\u00e9ralement en lumi\u00e8re des distorsions fondamentales : les moyennes brutes observ\u00e9es \u00e0 l’examen final refl\u00e8tent simultan\u00e9ment l’efficacit\u00e9 de la m\u00e9thode d’\u00e9tude et le niveau de d\u00e9part sp\u00e9cifique aux individus assign\u00e9s \u00e0 chaque condition. Si, par pur al\u00e9a d’\u00e9chantillonnage, le groupe assign\u00e9 \u00e0 la m\u00e9thode passive A affichait un score d’aptitude initiale substantiellement plus bas que celui du groupe assign\u00e9 \u00e0 la m\u00e9thode active C, une comparaison brute conclurait h\u00e2tivement \u00e0 une sup\u00e9riorit\u00e9 \u00e9crasante de C. Or, une part substantielle de cet avantage pourrait d\u00e9couler m\u00e9caniquement du privil\u00e8ge initial des participants de ce groupe. C’est pr\u00e9cis\u00e9ment pour diss\u00e9quer et rectifier cette confusion que l’estimation des statistiques descriptives de la covariable par groupe prend tout son sens m\u00e9thodologique.<\/p>\n
3.3 Visualisation exploratoire pr\u00e9liminaire des distributions<\/h3>\n L’exploration purement num\u00e9rique des donn\u00e9es doit imp\u00e9rativement \u00eatre doubl\u00e9e d’un examen visuel approfondi. En vertu du c\u00e9l\u00e8bre quartette d’Anscombe, des distributions pr\u00e9sentant des statistiques descriptives identiques peuvent r\u00e9sulter d’architectures de donn\u00e9es fondamentalement dissemblables. L’inspection graphique pr\u00e9coce permet d’identifier la morphologie globale des distributions, la pr\u00e9sence d’asym\u00e9tries marqu\u00e9es et l’existence d’amas multimodaux.<\/p>\n
Dans un premier temps, nous d\u00e9ployons des diagrammes de dispersion bivari\u00e9s (scatter plots<\/em>) reliant directement la covariable (en abscisse, axe des $X$<\/span>) \u00e0 la variable d\u00e9pendante (en ordonn\u00e9e, axe des $Y$<\/span>), en diff\u00e9renciant les trois techniques d’apprentissage par un codage chromatique et g\u00e9om\u00e9trique rigoureux \u00e0 l’aide de ggplot2<\/code>. Ce nuage de points permet d’appr\u00e9cier visuellement l’intensit\u00e9 du couplage lin\u00e9aire entre les deux variables continues \u00e0 l’int\u00e9rieur de chaque strate exp\u00e9rimentale.<\/p>\nDans un second temps, nous construisons des bo\u00eetes \u00e0 moustaches (boxplots<\/em>) stratifi\u00e9es, enrichies par la superposition des points de donn\u00e9es individuels sous la forme de graphiques en nuage de points jitteris\u00e9s (jittered strip plots<\/em>). Cette disposition graphique offre une double lecture : la m\u00e9diane, l’\u00e9cart interquartile (IQR) et les valeurs suspectes selon la convention de John Tukey apparaissent clairement via la structure g\u00e9om\u00e9trique de la bo\u00eete, tandis que la distribution fine de chaque observation empirique demeure totalement transparente, \u00e9vitant ainsi le masquage d’effets de regroupement atypiques.<\/p>\nDistribution using boxplots in R<\/figcaption><\/figure>\nL’observation simultan\u00e9e de ces figures permet de valider le bon comportement d’ensemble de notre simulation : la corr\u00e9lation positive entre note initiale et note finale est manifeste \u00e0 travers tous les groupes, tandis que le d\u00e9calage vertical ascendant des points du groupe C par rapport aux groupes B et A esquisse visuellement l’existence d’un effet propre substantiel de la technique de r\u00e9cup\u00e9ration en m\u00e9moire, avant m\u00eame l’ex\u00e9cution formelle du mod\u00e8le math\u00e9matique.<\/p>\n
4. V\u00e9rification des postulats fondamentaux : Lin\u00e9arit\u00e9 et Normalit\u00e9<\/h2>\n4.1 Postulat de relation lin\u00e9aire entre la covariable et la variable d\u00e9pendante<\/h3>\n La validit\u00e9 interne et la robustesse inf\u00e9rentielle de l’ANCOVA reposent sur le strict respect d’un ensemble de postulats math\u00e9matiques formul\u00e9s lors de la d\u00e9rivation des \u00e9quations d’estimation par les moindres carr\u00e9s ordinaires. Le premier postulat capital stipule l’existence d’une relation strictement lin\u00e9aire entre la covariable continue et la variable d\u00e9pendante au sein de chaque niveau du facteur cat\u00e9goriel.<\/p>\n
Si la trajectoire reliant la note initiale \u00e0 la note finale suivait une fonction polynomiale d’ordre deux (quadratique) ou une dynamique exponentielle avec saturation, l’application d’un coefficient de r\u00e9gression lin\u00e9aire simple $\\beta$<\/span> \u00e9chouerait \u00e0 capturer la g\u00e9om\u00e9trie r\u00e9elle du ph\u00e9nom\u00e8ne. Les r\u00e9sidus issus de cet ajustement comporteraient une structure non al\u00e9atoire, et la variance retranch\u00e9e ne correspondrait pas \u00e0 la v\u00e9ritable contribution de la covariable, faussant du m\u00eame coup l’estimation des moyennes marginales ajust\u00e9es et gonflant l’erreur r\u00e9siduelle de mani\u00e8re ill\u00e9gitime.<\/p>\nPour auditer m\u00e9thodiquement ce postulat sous R, l’analyste ne saurait se contenter d’un simple coefficient de corr\u00e9lation lin\u00e9aire de Pearson global. Il est imp\u00e9ratif d’int\u00e9grer dans le diagramme de dispersion exploratoire une courbe de r\u00e9gression non param\u00e9trique locale \u00e0 lissage pond\u00e9r\u00e9 (m\u00e9thode dite LOESS<\/em>, pour Locally Estimated Scatterplot Smoothing<\/em>) conditionn\u00e9e par modalit\u00e9 exp\u00e9rimentale \u00e0 l’aide de l’instruction geom_smooth(method = \"loess\", se = FALSE)<\/code>. Si les courbes empiriques g\u00e9n\u00e9r\u00e9es par l’algorithme loess oscillent de fa\u00e7on quasi lin\u00e9aire sans inflexion abrupte ni courbure marqu\u00e9e le long du continuum de la covariable, l’hypoth\u00e8se de lin\u00e9arit\u00e9 peut \u00eatre raisonnablement admise. En pr\u00e9sence d’une non-lin\u00e9arit\u00e9 av\u00e9r\u00e9e, le chercheur doit envisager des transformations math\u00e9matiques pr\u00e9alables (logarithmique, racine carr\u00e9e) ou migrer vers des mod\u00e8les additifs g\u00e9n\u00e9ralis\u00e9s (GAM).<\/p>\n4.2 \u00c9valuation de la normalit\u00e9 univari\u00e9e des r\u00e9sidus du mod\u00e8le<\/h3>\n Une confusion r\u00e9currente observ\u00e9e dans la litt\u00e9rature concerne l’objet pr\u00e9cis du postulat de normalit\u00e9. L’ANCOVA n’exige nullement que la variable d\u00e9pendante brute ($Y$<\/span>) soit distribu\u00e9e selon une courbe de Gauss au sein de l’\u00e9chantillon agr\u00e9g\u00e9, ni m\u00eame que la covariable ($X$<\/span>) suive une loi normale. Le postulat fondamental de l’inf\u00e9rence param\u00e9trique stipule exclusivement que les erreurs de pr\u00e9diction du mod\u00e8le global — c’est-\u00e0-dire les r\u00e9sidus conditionnels $\\epsilon_{ij}$<\/span> — suivent une distribution normale univari\u00e9e de moyenne nulle et de variance constante $\\sigma^2$<\/span>.<\/p>\nL’\u00e9valuation rigoureuse d\u00e9bute donc par la sp\u00e9cification formelle du mod\u00e8le lin\u00e9aire sous R et l’extraction de ses r\u00e9sidus studentis\u00e9s ou standardis\u00e9s. Nous soumettons la distribution globale de ces r\u00e9sidus au test de normalit\u00e9 de Shapiro-Wilk au moyen de la fonction shapiro_test()<\/code> du package rstatix<\/code>. Une statistique de test non significative ($p > 0.05$<\/span>) apporte un argument formel en faveur du maintien de l’hypoth\u00e8se nulle d’ad\u00e9quation \u00e0 la loi normale.<\/p>\nToutefois, la d\u00e9cision m\u00e9thodologique ne doit jamais s’enfermer dans le f\u00e9tichisme de la seule p-valeur. Le test de Shapiro-Wilk est r\u00e9put\u00e9 hyper-sensible dans les grands \u00e9chantillons — o\u00f9 d’infimes d\u00e9viations non dommageables m\u00e8nent au rejet statistique — tout en manquant cruellement de puissance de d\u00e9tection dans les cohortes restreintes. Par cons\u00e9quent, l’\u00e9valuation graphique via un diagramme quantile-quantile (Q-Q plot) construit avec ggqqplot()<\/code> est indispensable. Sur ce graphique, les quantiles empiriques des r\u00e9sidus standardis\u00e9s sont projet\u00e9s contre les quantiles th\u00e9oriques d’une distribution normale standard. Un alignement r\u00e9gulier des points le long de la droite identitaire, compris \u00e0 l’int\u00e9rieur de la bande d’acceptation bilat\u00e9rale \u00e0 95 %, confirme la conformit\u00e9 de nos r\u00e9sidus au postulat de normalit\u00e9.<\/p>\n4.3 Proc\u00e9dure d’\u00e9valuation de la normalit\u00e9 intra-groupe<\/h3>\n Au-del\u00e0 de l’inspection globale des r\u00e9sidus agr\u00e9g\u00e9s, une bonne pratique psychom\u00e9trique consiste \u00e0 v\u00e9rifier la distribution des r\u00e9sidus de mani\u00e8re partitionn\u00e9e \u00e0 l’int\u00e9rieur de chacune des cellules exp\u00e9rimentales. En effet, il n’est pas rare qu’un r\u00e9sidu global paraisse globalement sym\u00e9trique par compensation mutuelle, alors qu’un sous-groupe particulier pr\u00e9sente une asym\u00e9trie marqu\u00e9e ou une distribution plurimodale issue de r\u00e9actions h\u00e9t\u00e9rog\u00e8nes au protocole.<\/p>\n
Nous segmentons donc la s\u00e9rie de r\u00e9sidus par le facteur technique d’apprentissage et calculons pour chaque groupe les indices formels de dissym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>). Selon les standards empiriques formul\u00e9s par George et Mallery, des coefficients d’asym\u00e9trie et d’aplatissement contenus dans l’intervalle $[-1, +1]$<\/span> attestent d’une proximit\u00e9 excellente avec la distribution gaussienne, tandis que des valeurs comprises entre $[-2, +2]$<\/span> demeurent acceptables pour les proc\u00e9dures lin\u00e9aires g\u00e9n\u00e9rales.<\/p>\nChecking ANCOVA Assumptions with boxplots<\/figcaption><\/figure>\nIl importe de rappeler \u00e0 ce stade la r\u00e9silience th\u00e9orique conf\u00e9r\u00e9e par le th\u00e9or\u00e8me central limite : lorsque la taille d’\u00e9chantillon par modalit\u00e9 atteint ou d\u00e9passe 30 observations — ce qui est rigoureusement le cas dans notre devis exp\u00e9rimental ($n = 30$<\/span> par cellule, $N = 90$<\/span>) — la distribution d’\u00e9chantillonnage des param\u00e8tres estim\u00e9s converge asymptotiquement vers la normalit\u00e9. D\u00e8s lors, de l\u00e9g\u00e8res entorses distributionnelles aux extr\u00e9mit\u00e9s des queues de distribution n’alt\u00e8rent pas substantiellement le taux d’erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>) du test d’ajustement global.<\/p>\n5. V\u00e9rification des postulats fondamentaux : Homosc\u00e9dasticit\u00e9 et Ind\u00e9pendance<\/h2>\n5.1 Homog\u00e9n\u00e9it\u00e9 des variances r\u00e9siduelles (Homosc\u00e9dasticit\u00e9)<\/h3>\n Le postulat d’homosc\u00e9dasticit\u00e9 — ou \u00e9galit\u00e9 des variances r\u00e9siduelles entre les conditions exp\u00e9rimentales — constitue une condition essentielle \u00e0 la justesse de l’estimation de l’erreur quadratique moyenne. En termes stochastiques, la variance de l’erreur al\u00e9atoire $\\sigma^2_j$<\/span> conditionn\u00e9e par le groupe de traitement $j$<\/span> doit \u00eatre constante et invariable d’un niveau factoriel \u00e0 l’autre :<\/p>\nVar(εij<\/sub>) = σ2<\/sup> ∀ j ∈ {A, B, C}<\/p>\nPour tester l’absence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sous R, nous impl\u00e9mentons le test de Levene via la fonction leveneTest()<\/code> h\u00e9berg\u00e9e dans le package car<\/code>. Contrairement au test historique de Bartlett, extr\u00eamement d\u00e9pendant de l’hypoth\u00e8se de stricte normalit\u00e9 des donn\u00e9es brutes, l’algorithme de Levene centr\u00e9 sur la m\u00e9diane (parfois d\u00e9sign\u00e9 sous le vocable de test de Brown-Forsythe) d\u00e9montre une robustesse reconnue face aux modulations de kurtosis.<\/p>\nL’\u00e9valuation du ratio $F$<\/span> issu du test de Levene fournit l’arbitrage n\u00e9cessaire : une valeur de probabilit\u00e9 associ\u00e9e $p > 0.05$<\/span> conforte l’acceptation de l’homosc\u00e9dasticit\u00e9, validant l’utilisation du terme d’erreur r\u00e9siduel mutualis\u00e9 (pooled error<\/em>) pour le calcul des contrastes inf\u00e9rentiels. Dans l’\u00e9ventualit\u00e9 o\u00f9 une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 substantielle serait identifi\u00e9e ($p < 0.05$<\/span>), le chercheur devrait abandonner l'ANCOVA classique au profit de r\u00e9gressions pond\u00e9r\u00e9es par l'inverse de la variance (WLS, Weighted Least Squares<\/em>) ou mobiliser des matrices de covariance des coefficients robustes \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 (estimateurs de type \u00ab sandwich \u00bb HC3 ou HC4 introduits par White et perfectionn\u00e9s par Long et Ervin) disponibles via le package sandwich<\/code>.<\/p>\n5.2 Ind\u00e9pendance th\u00e9orique de la covariable et de la variable ind\u00e9pendante<\/h3>\n L’un des fondements m\u00e9thodologiques les plus critiques — et paradoxalement l’un des plus n\u00e9glig\u00e9s dans la pratique empirique — exige l’ind\u00e9pendance conceptuelle et observationnelle absolue entre la covariable et le facteur inter-sujets exp\u00e9rimental. Cette r\u00e8gle cardinale signifie que les niveaux moyens de la covariable ne doivent pr\u00e9senter aucune variation syst\u00e9matique imputable au traitement exp\u00e9rimental.<\/p>\n
Pour valider empiriquement ce postulat dans l’environnement R, nous proc\u00e9dons \u00e0 une ANOVA unidirectionnelle auxiliaire pla\u00e7ant temporairement la covariable (note initiale) au rang de variable d\u00e9pendante, pr\u00e9dite par le facteur technique d’apprentissage : aov(note_initiale ~ technique, data = donnees)<\/code>. Pour que le postulat soit rigoureusement satisfait, le test omnibus doit imp\u00e9rativement aboutir \u00e0 un r\u00e9sultat non significatif ($F \\approx 1$<\/span>, $p gg 0.05$<\/span>), d\u00e9montrant que la r\u00e9partition des comp\u00e9tences initiales est \u00e9quivalente d’un groupe \u00e0 l’autre au d\u00e9but du protocole.<\/p>\nSi cette condition est viol\u00e9e — ce qui survient fr\u00e9quemment dans les protocoles quasi-exp\u00e9rimentaux o\u00f9 l’assignation al\u00e9atoire est impossible (par exemple lors de la comparaison de classes pr\u00e9existantes ou de pathologies psychiatriques distinctes) —, l’introduction de la covariable g\u00e9n\u00e8re un redoutable biais de s\u00e9lection. L’ajustement par l’ANCOVA supprime alors non seulement la variance parasite, mais soustrait \u00e9galement du traitement la part m\u00eame de variance qui lui est indissociablement li\u00e9e, modifiant artificiellement la nature de la variable d\u00e9pendante r\u00e9siduelle et rendant les conclusions causales hautement douteuses, un dilemme connu sous le nom de paradoxe de Lord.<\/p>\n
5.3 Absence de multicolin\u00e9arit\u00e9 et fiabilit\u00e9 de la mesure<\/h3>\n Bien que notre mod\u00e8le d\u00e9monstratif n’incorpore qu’une seule covariable continue, l’extension standard de l’ANCOVA \u00e0 des mod\u00e8les plus denses int\u00e9grant de multiples r\u00e9gresseurs concomitants (\u00e2ge, quotients de m\u00e9moire, temps d’\u00e9cran hebdomadaire) soul\u00e8ve la question de la colin\u00e9arit\u00e9 entre pr\u00e9dicteurs. Une forte redondance lin\u00e9aire entre les covariables engendre une instabilit\u00e9 num\u00e9rique majeure dans l’inversion des matrices d’information de Fisher, gonflant d\u00e9mesur\u00e9ment les erreurs-types des coefficients de r\u00e9gression partiels.<\/p>\n
La d\u00e9tection de ce ph\u00e9nom\u00e8ne s’effectue au moyen de l’inspection du facteur d’inflation de la variance (VIF, Variance Inflation Factor<\/em>) accessible via l’instruction car::vif()<\/code>. En r\u00e8gle g\u00e9n\u00e9rale, une valeur de VIF exc\u00e9dant le seuil de 5 (ou une tol\u00e9rance inf\u00e9rieure \u00e0 0.20) signale une multicolin\u00e9arit\u00e9 d\u00e9l\u00e9t\u00e8re n\u00e9cessitant l’\u00e9lagage parcimonieux du mod\u00e8le ou le recours \u00e0 une extraction factorielle par composantes principales pr\u00e9alables.<\/p>\nEn outre, l’analyste doit garder \u00e0 l’esprit le postulat psychom\u00e9trique de parfaite fiabilit\u00e9 de mesure de la covariable. L’ANCOVA sous le mod\u00e8le lin\u00e9aire classique suppose implicitement que la covariable est mesur\u00e9e sans aucune erreur instrumentale ($\\rho_{xx} = 1.0$<\/span>). Si l’instrument psychom\u00e9trique d’aptitude initiale pr\u00e9sente un coefficient de coh\u00e9rence interne m\u00e9diocre (par exemple un alpha de Cronbach ou un om\u00e9ga de McDonald $le 0.60$<\/span>), l’att\u00e9nuation statistique induite comprime artificiellement la pente de r\u00e9gression $\\beta$<\/span> estim\u00e9e vers z\u00e9ro. Cette sous-estimation de la pente laisse subsister une fraction notable de variance non contr\u00f4l\u00e9e dans les r\u00e9sidus, sous-estimant la puissance et r\u00e9introduisant des biais d’ajustement. Dans une situation d’erreur de mesure substantielle, l’analyste averti migrera vers la mod\u00e9lisation en \u00e9quations structurelles (SEM) afin d’estimer l’ANCOVA sur des variables latentes purifi\u00e9es de l’erreur d’\u00e9chantillonnage de mesure.<\/p>\n6. Le postulat critique : Homog\u00e9n\u00e9it\u00e9 des pentes de r\u00e9gression<\/h2>\n6.1 Fondement conceptuel de l’absence d’interaction traitement-covariable<\/h3>\n Le postulat d’homog\u00e9n\u00e9it\u00e9 des pentes de r\u00e9gression constitue l’hypoth\u00e8se sine qua non qui sous-tend la mod\u00e9lisation standard de l’ANCOVA. D’un point de vue g\u00e9om\u00e9trique, ce postulat stipule que la pente de la droite reliant la covariable \u00e0 la variable d\u00e9pendante doit \u00eatre rigoureusement identique (parall\u00e8le) pour l’ensemble des modalit\u00e9s du facteur inter-sujets. En d’autres termes, le coefficient d’ajustement lin\u00e9aire $\\beta$<\/span> ne doit pas \u00eatre conditionn\u00e9 par l’appartenance au groupe d’intervention.<\/p>\nSur le plan psychologique et th\u00e9orique, postuler des pentes parall\u00e8les \u00e9quivaut \u00e0 affirmer que l’effet exp\u00e9rimental du traitement s’exprime avec une magnitude rigoureusement constante quel que soit le niveau initial du sujet sur la covariable. L’incr\u00e9ment de score produit par une technique d’apprentissage par rapport \u00e0 une autre est pr\u00e9sum\u00e9 strictement \u00e9quivalent pour un \u00e9tudiant initialement en grande difficult\u00e9 et pour un \u00e9tudiant particuli\u00e8rement brillant au pr\u00e9-test.<\/p>\n
Si, \u00e0 l’inverse, une interaction statistique significative existe entre le traitement et la covariable, l’assertion d’un effet principal global devient obsol\u00e8te et th\u00e9oriquement intenable. Les droites de r\u00e9gression sp\u00e9cifiques \u00e0 chaque groupe convergent ou se croisent dans l’espace bidimensionnel. Dans cette configuration, la distance entre les groupes — c’est-\u00e0-dire l’efficacit\u00e9 diff\u00e9rentielle des m\u00e9thodes d’apprentissage — n’est plus une constante, mais varie de mani\u00e8re dynamique tout au long de l’\u00e9chelle d’aptitude initiale. Pr\u00e9tendre r\u00e9sumer le protocole \u00e0 une moyenne marginale ajust\u00e9e unique calcul\u00e9e au centre de gravit\u00e9 de la covariable masquerait pr\u00e9cis\u00e9ment l’enseignement clinique majeur de l’exp\u00e9rimentation : le fait que le traitement s’av\u00e8re hautement b\u00e9n\u00e9fique pour certains profils mais inutile voire d\u00e9l\u00e9t\u00e8re pour d’autres.<\/p>\n
6.2 Test formel de l’interaction dans l’environnement R<\/h3>\n L’\u00e9valuation rigoureuse de ce postulat ne repose pas sur une appr\u00e9ciation subjective \u00e0 l’\u0153il nu, mais sur un protocole inf\u00e9rentiel param\u00e9trique d\u00e9di\u00e9. La proc\u00e9dure consiste \u00e0 ajuster un mod\u00e8le lin\u00e9aire interm\u00e9diaire satur\u00e9 d’ordre sup\u00e9rieur, incorporant explicitement le produit vectoriel crois\u00e9 (terme d’interaction d’ordre 1) entre le facteur nominal et la covariable continue.<\/p>\n
La formalisation sous R fait appel \u00e0 la syntaxe canonique du mod\u00e8le lin\u00e9aire :<\/p>\n
modele_interaction <- lm(note_examen ~ technique * note_initiale, data = donnees)<\/p>\n
Dans l’op\u00e9rateur symbolique de R, l’ast\u00e9risque *<\/code> d\u00e9veloppe automatiquement les deux effets simples principaux ainsi que leur terme multiplicatif d’interaction (\u00e9quivalent \u00e0 technique + note_initiale + technique:note_initiale<\/code>). Nous extrayons ensuite la table d’analyse de variance \u00e0 l’aide de la commande car::Anova(modele_interaction, type = \"III\")<\/code> pour tester sp\u00e9cifiquement l’apport marginal de l’interaction technique:note_initiale<\/code>.<\/p>\nLe crit\u00e8re de d\u00e9cision m\u00e9thodologique est univoque : si la valeur de $p$<\/span> associ\u00e9e \u00e0 ce terme d’interaction d’ordre sup\u00e9rieur est sup\u00e9rieure au seuil d’incertitude critique traditionnel ($\\alpha = 0.05$<\/span>), nous retenons l’hypoth\u00e8se de nullit\u00e9 de l’interaction ($H_0 : \\beta_1 = \\beta_2 = \\beta_3$<\/span>). Dans ces conditions, l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 des pentes de r\u00e9gression est valid\u00e9e, et le chercheur est formellement autoris\u00e9 \u00e0 expurger le terme d’interaction pour d\u00e9ployer le mod\u00e8le canonique de l’ANCOVA additive standard.<\/p>\n6.3 Conduite \u00e0 tenir en cas de violation de l’homog\u00e9n\u00e9it\u00e9 des pentes<\/h3>\n Que doit entreprendre l’analyste si le test d’interaction rejette l’homog\u00e9n\u00e9it\u00e9 des pentes ($p < 0.05$<\/span>) ? La r\u00e9ponse acad\u00e9mique est cat\u00e9gorique : il est imp\u00e9ratif d'abandonner l'ANCOVA standard. Poursuivre l'ajustement sans interaction produirait des estimations de moyennes ajust\u00e9es biais\u00e9es et g\u00e9om\u00e9triquement trompeuses.<\/p>\nL’alternative m\u00e9thodologique par excellence r\u00e9side dans le d\u00e9ploiement de la r\u00e9gression mod\u00e9r\u00e9e (ou mod\u00e9lisation par interaction continue-cat\u00e9gorielle). Le chercheur d\u00e9place alors son questionnement de recherche : la question n’est plus \u00ab Quelle m\u00e9thode est la meilleure en moyenne ? \u00bb, mais \u00ab Pour quel niveau d’aptitude initiale une technique d’apprentissage donn\u00e9e surpasse-t-elle statistiquement les autres ? \u00bb.<\/p>\n
Pour r\u00e9pondre avec pr\u00e9cision \u00e0 cette interrogation, la communaut\u00e9 psychom\u00e9trique pr\u00e9conise l’application de la technique de Johnson-Neyman. D\u00e9passant la simple inspection par points arbitraires (pick-a-point approach<\/em> \u00e9valuant l’effet \u00e0 -1 SD, moyenne, et +1 SD), l’algorithme de Johnson-Neyman d\u00e9rive analytiquement les coordonn\u00e9es exactes sur le continuum de la covariable d\u00e9limitant les zones de significativit\u00e9 statistique et les zones d’indiff\u00e9renciation des effets simples du traitement. Sous R, cette \u00e9l\u00e9gante exploration conditionnelle s’ex\u00e9cute de mani\u00e8re automatis\u00e9e via les fonctions expertes des packages interactions<\/code> (notamment sim_slopes()<\/code> ou johnson_neyman()<\/code>) ou probe_interaction()<\/code>. D\u00e8s lors, ce qui constituait initialement une violation r\u00e9dhibitoire de postulat se convertit en une d\u00e9couverte th\u00e9orique enrichissante sur les interactions aptitude-traitement (effets ATI, Aptitude-Treatment Interactions<\/em>).<\/p>\n7. Ajustement et ex\u00e9cution de l’ANCOVA principale sous R<\/h2>\n7.1 Sp\u00e9cification rigoureuse du mod\u00e8le lin\u00e9aire sans terme d’interaction<\/h3>\n Une fois les postulats v\u00e9rifi\u00e9s sans faille, nous proc\u00e9dons \u00e0 la construction du mod\u00e8le lin\u00e9aire additif d\u00e9finitif de l’ANCOVA. Cette sp\u00e9cification repose sur l’appel \u00e0 la fonction interne lm()<\/code>. Il convient d’accorder une vigilance absolue \u00e0 la formulation de la formule symbolique :<\/p>\nancova_modele <- lm(note_examen ~ note_initiale + technique, data = donnees)<\/p>\n
Dans la convention syntaxique de R, l’op\u00e9rateur d’addition +<\/code> impose une contrainte de stricte additivit\u00e9 entre la composante de r\u00e9gression m\u00e9trique et les d\u00e9calages factoriels discrets, interdisant tout terme multiplicatif crois\u00e9. Cela mat\u00e9rialise fid\u00e8lement la translation parall\u00e8le des droites de pr\u00e9diction dans l’espace multidimensionnel.<\/p>\nUn ajustement param\u00e9trique fondamental doit \u00eatre imp\u00e9rativement ex\u00e9cut\u00e9 en amont : la configuration des contrastes statistiques globaux. Par d\u00e9faut, R emploie des contrastes de traitement (treatment contrasts<\/em>, codage factice par variable indicatrice contr.treatment<\/code>) o\u00f9 le premier niveau alphab\u00e9tique sert de modalit\u00e9 de r\u00e9f\u00e9rence ($0$) aux suivantes. Or, pour garantir la commensurabilit\u00e9 des sommes de carr\u00e9s de Type III — lesquelles testent l’effet de chaque facteur en contr\u00f4lant marginalement tous les autres termes du mod\u00e8le y compris les contrastes d’effets principaux —, le syst\u00e8me n\u00e9cessite des contrastes de somme orthogonaux centr\u00e9s sur z\u00e9ro (sum-to-zero contrasts<\/em>). Nous appliquons donc pr\u00e9alablement l’instruction globale :<\/p>\noptions(contrasts = c(\u00ab\u00a0contr.sum\u00a0\u00bb, \u00ab\u00a0contr.poly\u00a0\u00bb))<\/p>\n
L’omission de cette directive technique sous R constitue l’une des erreurs silencieuses les plus r\u00e9pandues dans la litt\u00e9rature appliqu\u00e9e, conduisant la fonction Anova()<\/code> de Type III \u00e0 extraire des sommes de carr\u00e9s fauss\u00e9es pour les variables cat\u00e9gorielles.<\/p>\n7.2 Extraction de la table d’analyse de variance de Type III<\/h3>\n Pour extraire la table de variance d\u00e9finitive, le praticien doit s’abstenir formellement d’utiliser la fonction primitive anova(ancova_modele)<\/code>. En effet, cette fonction native de base R calcule des sommes de carr\u00e9s dites de Type I (s\u00e9quentielles). Dans une d\u00e9composition s\u00e9quentielle, l’ordre syntaxique d’entr\u00e9e des variables dans la formule alt\u00e8re substantiellement les sommes de carr\u00e9s attribu\u00e9es : le premier terme absorbe toute la variance qu’il peut expliquer, et le second terme ne re\u00e7oit que la variance marginale r\u00e9siduelle non accapar\u00e9e par le premier.<\/p>\nDans l’\u00e9valuation scientifique de l’ANCOVA, nous exigeons des sommes de carr\u00e9s de Type III (ou Type II en l’absence av\u00e9r\u00e9e d’interaction), qui testent l’effet unique de chaque terme conditionnellement \u00e0 l’ensemble des autres composantes pr\u00e9sentes dans l’architecture math\u00e9matique. Nous mobilisons par cons\u00e9quent la fonction experte du package car<\/code> :<\/p>\ntable_ancova <- car::Anova(ancova_modele, type = \u00ab\u00a0III\u00a0\u00bb)<\/p>\n
La lecture analytique de la table de sortie s’ordonne selon les colonnes fondamentales :<\/p>\n
\nSum Sq (Somme des carr\u00e9s) :<\/strong> La dispersion quadratique attribuable sp\u00e9cifiquement \u00e0 chaque terme pr\u00e9dictif une fois la contribution de l’autre terme neutralis\u00e9e.<\/li>\nDf (Degr\u00e9s de libert\u00e9) :<\/strong> Les dimensions libres associ\u00e9es : 1 pour la covariable continue, $k – 1 = 3 – 1 = 2$<\/span> pour notre facteur technique \u00e0 trois modalit\u00e9s, et $N – k – 1 = 90 – 3 – 1 = 86$<\/span> pour l’erreur r\u00e9siduelle non expliqu\u00e9e.<\/li>\nF value (Statistique de test de Fisher) :<\/strong> Le ratio du carr\u00e9 moyen de l’effet sur le carr\u00e9 moyen r\u00e9siduel ($F = MS_{effet} \/ MS_{r\u00e9sidu}$<\/span>).<\/li>\nPr(>F) (La p-valeur asymptotique) :<\/strong> La probabilit\u00e9 exacte d’observer un ratio $F$<\/span> au moins aussi extr\u00eame sous l’hypoth\u00e8se de stricte nullit\u00e9 de l’effet dans la population d’int\u00e9r\u00eat.<\/li>\n<\/ul>\nL’inspection des m\u00e9triques obtenues permet de statuer formellement sur l’existence d’un effet statistiquement significatif de la m\u00e9thode d’apprentissage au seuil de rigueur choisi ($p < 0.001$<\/span>), tout en consignant l'influence massive et hautement pr\u00e9dictive de la note initiale sur le score d'arriv\u00e9e.<\/p>\n7.3 D\u00e9composition math\u00e9matique de l’effet propre de la technique d’\u00e9tude<\/h3>\n Pour saisir l’apport qualitatif d\u00e9cisif de l’ANCOVA par rapport \u00e0 une mod\u00e9lisation classique, il s’av\u00e8re tr\u00e8s formateur de confronter les r\u00e9sidus du mod\u00e8le sans covariable (ANOVA standard simple) aux r\u00e9sidus du mod\u00e8le ajust\u00e9 final (ANCOVA). Dans l’ANOVA non contr\u00f4l\u00e9e, la somme des carr\u00e9s r\u00e9siduelle int\u00e8gre indistinctement toutes les sources de variabilit\u00e9 individuelle : l’aptitude intellectuelle g\u00e9n\u00e9rale, la motivation intrins\u00e8que, les ant\u00e9c\u00e9dents scolaires et l’erreur d’\u00e9chantillonnage al\u00e9atoire.<\/p>\n
D\u00e8s lors que la fonction lm()<\/code> int\u00e8gre la note initiale, le coefficient estim\u00e9 $\\hat{\\beta}$<\/span> s’\u00e9tablit \u00e0 une valeur positive robuste (voisine de $0.65$ dans notre simulation calibr\u00e9e). Ce coefficient signifie qu’\u00e0 technique d’\u00e9tude \u00e9gale, chaque point d’augmentation au pr\u00e9-test se traduit fid\u00e8lement par un gain moyen pr\u00e9dit de 0.65 point \u00e0 l’examen final. L’absorption de cette vaste covariance a pour cons\u00e9quence directe de drainer la somme des carr\u00e9s de l’erreur : celle-ci d\u00e9cro\u00eet de mani\u00e8re spectaculaire, passant par exemple d’une somme brute \u00e9lev\u00e9e \u00e0 une valeur r\u00e9siduelle \u00e9pur\u00e9e.<\/p>\nComme le carr\u00e9 moyen de l’erreur ($MS_{erreur} = SS_{erreur} \/ df$<\/span>) sert d’\u00e9talon diviseur pour calculer le $F$<\/span> empirique de notre facteur d’intervention, le r\u00e9tr\u00e9cissement de ce terme r\u00e9siduel d\u00e9multiplie la valeur du ratio de Fisher du traitement. L’effet propre de la technique d’apprentissage se d\u00e9tache d\u00e9sormais avec une nettet\u00e9 cristalline, d\u00e9livr\u00e9 de la gangue de variance parasite qui l’occultait partiellement dans l’analyse brute initiale.<\/p>\n8. Quantification de l’ampleur des effets statistiques<\/h2>\n8.1 Calcul de l’\u00c9ta-carr\u00e9 partiel (Partial Eta Squared)<\/h3>\n Dans l’\u00e9pist\u00e9mologie contemporaine post-p-value pr\u00f4n\u00e9e par l’American Statistical Association et les comit\u00e9s \u00e9ditoriaux internationaux, la significativit\u00e9 statistique ($p < 0.05$<\/span>) n'offre qu'un t\u00e9moignage probabiliste d'existence : elle atteste qu'un effet n'est vraisemblablement pas le fruit du hasard, mais ne renseigne en rien sur sa magnitude concr\u00e8te ou sa pertinence clinique. Il est donc m\u00e9thodologiquement imp\u00e9ratif de quantifier formellement l'ampleur de l'effet au moyen d'indices standardis\u00e9s standardis\u00e9s.<\/p>\nDans le cadre de l’ANCOVA, la m\u00e9trique m\u00e9trologique de r\u00e9f\u00e9rence est l’\u00c9ta-carr\u00e9 partiel ($\\eta_p^2$<\/span>). L’adjectif \u00ab partiel \u00bb rev\u00eat une importance capitale : contrairement \u00e0 l’\u00c9ta-carr\u00e9 classique ($\\eta^2$<\/span>), qui rapporte la somme des carr\u00e9s de l’effet \u00e0 la somme des carr\u00e9s totale absolue de l’exp\u00e9rience, l’\u00c9ta-carr\u00e9 partiel rapporte la variance propre du traitement \u00e0 la somme de cette m\u00eame variance et de la seule variance r\u00e9siduelle inexpliqu\u00e9e :<\/p>\nηp<\/sub>2<\/sup> = SSeffet<\/sub> \/ (SSeffet<\/sub> + SSr\u00e9siduelle<\/sub>)<\/p>\nEn excluant d\u00e9lib\u00e9r\u00e9ment du d\u00e9nominateur la part de variance accapar\u00e9e par la covariable continue ($SS_{covariable}$<\/span>), l’\u00c9ta-carr\u00e9 partiel exprime la proportion de variance r\u00e9siduelle nette qui est captur\u00e9e par la manipulation exp\u00e9rimentale chez des participants dont le niveau initial a \u00e9t\u00e9 standardis\u00e9. Pour extraire cette valeur sans risque d’erreur calculatoire manuelle, nous mobilisons le package sp\u00e9cialis\u00e9 effectsize<\/code> au travers de la commande experte :<\/p>\neffectsize::eta_squared(ancova_modele, alternative = \u00ab\u00a0two.sided\u00a0\u00bb, partial = TRUE)<\/p>\n
8.2 Interpr\u00e9tation contextuelle des seuils d’effet selon Cohen<\/h3>\n L’interpr\u00e9tation de la valeur num\u00e9rique de l’\u00c9ta-carr\u00e9 partiel s’appuie historiquement sur les balises heuristiques canoniques d\u00e9finies par Jacob Cohen dans son ouvrage s\u00e9minal sur l’analyse de puissance en sciences du comportement :<\/p>\n
\nEffet de faible amplitude :<\/strong> $\\eta_p^2 \\approx 0.01$<\/span> (l’effet n’explique qu’environ 1 % de la variance r\u00e9siduelle conditionnelle).<\/li>\nEffet d’amplitude moyenne :<\/strong> $\\eta_p^2 \\approx 0.06$<\/span> (environ 6 % de variance nette expliqu\u00e9e).<\/li>\nEffet de forte amplitude :<\/strong> $\\eta_p^2 ge 0.14$<\/span> (l’intervention r\u00e9gente 14 % ou plus de la variance r\u00e9siduelle).<\/li>\n<\/ul>\nCependant, l’analyste rigoureux doit se garder de toute application dogmatique ou m\u00e9canique de ces seuils universels. Comme l’ont soulign\u00e9 de nombreux m\u00e9thodologistes modernes, l’ampleur d’un effet doit imp\u00e9rativement \u00eatre contextualis\u00e9e au regard de la discipline d’ancrage, de la difficult\u00e9 d’induire des modifications comportementales durables et du co\u00fbt pratique de mise en \u0153uvre de l’intervention. En psychologie de l’\u00e9ducation, un gain d’apprentissage associ\u00e9 \u00e0 un $\\eta_p^2 = 0.08$<\/span> (effet mod\u00e9r\u00e9 selon Cohen) peut repr\u00e9senter un saut qualitatif majeur \u00e0 l’\u00e9chelle d’une population d’\u00e9l\u00e8ves, se traduisant concr\u00e8tement par l’acc\u00e8s d’un contingent massif d’apprenants \u00e0 la r\u00e9ussite aux examens nationaux.<\/p>\n8.3 Calcul des intervalles de confiance de l’ampleur de l’effet<\/h3>\n En alignement strict avec les pr\u00e9conisations du manuel de style de l’APA (7e \u00e9dition), la simple mention ponctuelle d’une taille d’effet statistique est aujourd’hui jug\u00e9e insuffisante. Tout estimateur ponctuel doit \u00eatre imp\u00e9rativement assorti de son intervalle de confiance \u00e0 95 % (IC 95 %), traduisant la pr\u00e9cision m\u00e9trologique de la mesure \u00e0 travers la variabilit\u00e9 d’\u00e9chantillonnage.<\/p>\n
Le calcul analytique des intervalles de confiance pour l’\u00c9ta-carr\u00e9 partiel ne repose pas sur une distribution de Student classique sym\u00e9trique, mais requiert l’inversion d’une distribution de Fisher non centrale ($F$<\/span> non central avec param\u00e8tre de d\u00e9centrement $lambda$<\/span>). Le package effectsize<\/code> r\u00e9sout de mani\u00e8re algorithmique cette op\u00e9ration complexe sous-jacente et restitue directement les bornes inf\u00e9rieure et sup\u00e9rieure exactes : [IC 95 % : LL, UL]<\/code>.<\/p>\nLa restitution de cet intervalle enrichit substantiellement l’interpr\u00e9tation scientifique. Un intervalle s’\u00e9talant de $0.08$ \u00e0 $0.28$ atteste avec certitude que, m\u00eame sous l’hypoth\u00e8se d’\u00e9chantillonnage la plus pessimiste, l’impact des techniques d’\u00e9tude demeure au moins d’ampleur mod\u00e9r\u00e9e, consolidant ainsi la robustesse et la transf\u00e9rabilit\u00e9 des conclusions tir\u00e9es par les investigateurs.<\/p>\n
9. Analyses a posteriori et calcul des moyennes marginales ajust\u00e9es<\/h2>\n9.1 Estimation des moyennes marginales standardis\u00e9es (Estimated Marginal Means)<\/h3>\n L’obtention d’une statistique globale de Fisher hautement significative pour l’effet principal de la technique d’apprentissage valide l’existence de disparit\u00e9s statistiques entre les conditions, mais n’indique en aucun cas la localisation pr\u00e9cise de ces contrastes. Les trois techniques diff\u00e8rent-elles mutuellement, ou le r\u00e9sultat omnibus est-il exclusivement tir\u00e9 par l’avantage de la technique C sur la m\u00e9thode passive A ?<\/p>\n
Pour r\u00e9pondre \u00e0 cette question, il est primordial de r\u00e9cuser l’analyse des moyennes brutes observ\u00e9es au profit exclusif des moyennes marginales estim\u00e9es (Estimated Marginal Means<\/em> ou EMMs<\/em>). Les EMMs repr\u00e9sentent les projections pr\u00e9dictives de performance pour chaque groupe exp\u00e9rimental, calcul\u00e9es en fixant analytiquement la covariable continue \u00e0 sa valeur moyenne globale empirique sur l’ensemble de la cohorte ($\\bar{X}_{..} = 50.15$<\/span> dans notre simulation).<\/p>\nSous R, nous d\u00e9ployons la biblioth\u00e8que d’excellence emmeans<\/code> :<\/p>\najustees_emms <- emmeans::emmeans(ancova_modele, ~ technique)<\/p>\n
La commande g\u00e9n\u00e8re un tableau synth\u00e9tique affichant, pour les techniques A, B et C, la moyenne corrig\u00e9e (colonne emmean<\/code>), l’erreur-type ajust\u00e9e associ\u00e9e (SE<\/code>), les degr\u00e9s de libert\u00e9 r\u00e9siduels (df = 86<\/code>), ainsi que les bornes de l’intervalle de confiance bilat\u00e9ral \u00e0 95 %. La comparaison entre ces estimations purifi\u00e9es et les moyennes initiales non contr\u00f4l\u00e9es d\u00e9montre toute la pertinence de l’ANCOVA : les \u00e9carts entre les groupes sont recalibr\u00e9s sur un plan d’\u00e9quit\u00e9 cognitive parfaite.<\/p>\n9.2 Comparaisons par paires et contr\u00f4le du taux d’erreur par famille<\/h3>\n Pour isoler les contrastes sp\u00e9cifiques entre chaque paire de conditions, nous soumettons l’objet de moyennes marginales \u00e0 des comparaisons multiples par paires (tests post-hoc). L’ex\u00e9cution d’une multiplicit\u00e9 de tests $t$<\/span> ind\u00e9pendants de Student sur les m\u00eames donn\u00e9es induirait une inflation spectaculaire du taux d’erreur de Type I par famille de comparaisons (l’al\u00e9a cumulant le risque de faux positif selon la formule $1 – (1 – \\alpha)^c$<\/span>, o\u00f9 $c$<\/span> repr\u00e9sente le nombre de comparaisons bilat\u00e9rales).<\/p>\n
![\"Distribution](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/ancova_2.jpg\")
![\"Checking](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/ancova_1.jpg\")