{"id":5749,"date":"2026-09-12T00:27:04","date_gmt":"2026-09-12T00:27:04","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-une-anova-a-deux-facteurs-dans-r\/"},"modified":"2026-09-12T00:27:08","modified_gmt":"2026-09-12T00:27:08","slug":"comment-realiser-une-anova-a-deux-facteurs-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-une-anova-a-deux-facteurs-dans-r","title":{"rendered":"Comment r\u00e9aliser une ANOVA \u00e0 deux facteurs dans R"},"content":{"rendered":"

Dans le champ de la psychologie scientifique et des neurosciences cognitives et comportementales, la mod\u00e9lisation des processus mentaux requiert presque invariablement l’analyse simultan\u00e9e de multiples d\u00e9terminants. Les comportements humains, loin d’ob\u00e9ir \u00e0 des m\u00e9canismes causaux univari\u00e9s et isol\u00e9s, \u00e9mergent de l’entrelacement complexe de pr\u00e9dispositions individuelles, de contextes situationnels et d’interventions th\u00e9rapeutiques ou exp\u00e9rimentales. L’analyse de variance \u00e0 deux facteurs, commun\u00e9ment d\u00e9sign\u00e9e sous l’acronyme d’ANOVA factorielle \u00e0 deux voies, constitue \u00e0 cet \u00e9gard le socle analytique fondamental permettant d’appr\u00e9hender empiriquement cette complexit\u00e9. En autorisant l’examen concomitant de deux variables ind\u00e9pendantes cat\u00e9gorielles sur une variable d\u00e9pendante quantitative continue, cette m\u00e9thode statistique transcende les comparaisons bivari\u00e9es \u00e9l\u00e9mentaires pour r\u00e9v\u00e9ler la dynamique des syst\u00e8mes psychologiques sous-jacents.<\/p>\n

L’environnement de programmation et de calcul statistique R<\/a> s’est impos\u00e9 au fil des deux derni\u00e8res d\u00e9cennies comme le standard m\u00e9thodologique dominant au sein des laboratoires universitaires et des centres de recherche internationaux. Sa flexibilit\u00e9 algorithmique, son ancrage au sein du paradigme de la science ouverte et la puissance de son \u00e9cosyst\u00e8me modulaire permettent de d\u00e9ployer des mod\u00e9lisations lin\u00e9aires d’une rigueur absolue. N\u00e9anmoins, l’ex\u00e9cution d’une ANOVA \u00e0 deux facteurs au sein de cet environnement ne saurait se r\u00e9sumer \u00e0 une simple s\u00e9quence de commandes algorithmiques ou \u00e0 la sollicitation machinale de scripts pr\u00e9\u00e9tablis. Elle exige une compr\u00e9hension intime des hypoth\u00e8ses distributionnelles, de l’alg\u00e8bre lin\u00e9aire gouvernant la d\u00e9composition des sommes des carr\u00e9s, ainsi qu’une vigilance constante quant aux structures de donn\u00e9es d\u00e9s\u00e9quilibr\u00e9es, fr\u00e9quemment rencontr\u00e9es dans les protocoles cliniques et quasi-exp\u00e9rimentaux.<\/p>\n

Ce guide exhaustif et m\u00e9thodique a \u00e9t\u00e9 con\u00e7u pour accompagner le chercheur, l’enseignant-chercheur, le statisticien ou l’\u00e9tudiant doctoral \u00e0 travers l’ensemble des \u00e9tapes requises pour concevoir, ex\u00e9cuter, interpr\u00e9ter et publier une ANOVA \u00e0 deux facteurs dans le logiciel R selon les standards acad\u00e9miques les plus rigoureux. De la formalisation th\u00e9orique du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral aux ajustements post-hoc via les moyennes marginales estim\u00e9es, en passant par les diagnostics r\u00e9siduels approfondis et le traitement des violations de postulats, chaque \u00e9tape est diss\u00e9qu\u00e9e tant sur le plan conceptuel que sur le plan de sa programmation effective. En adoptant les pr\u00e9ceptes de la 7e \u00e9dition du manuel de publication de l’American Psychological Association<\/a>, cet article offre une feuille de route compl\u00e8te pour transformer des donn\u00e9es brutes en inf\u00e9rences scientifiques irr\u00e9prochables et reproductibles.<\/p>\n

1. Fondements th\u00e9oriques de l’ANOVA \u00e0 deux facteurs en psychologie<\/h2>\n

1.1 D\u00e9finition et formalisation math\u00e9matique du plan factoriel<\/h3>\n

L’analyse de variance \u00e0 deux facteurs repose sur l’extension directe du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 appliqu\u00e9 \u00e0 des donn\u00e9es exp\u00e9rimentales discr\u00e8tes r\u00e9parties selon deux dimensions de classification. Dans ce cadre, la variation totale observ\u00e9e au sein d’un ensemble d’observations quantitatives continues est math\u00e9matiquement d\u00e9compos\u00e9e en composantes additives orthogonales ou quasi-orthogonales. Sur le plan fondamental, la somme totale des carr\u00e9s des \u00e9carts \u00e0 la moyenne g\u00e9n\u00e9rale est partitionn\u00e9e en deux variations fondamentales : la variance intergroupes, attribuable aux effets syst\u00e9matiques des facteurs exp\u00e9rimentaux manipul\u00e9s et de leur combinaison, et la variance r\u00e9siduelle intra-groupe, qui refl\u00e8te la variabilit\u00e9 stochastique, les diff\u00e9rences interindividuelles inh\u00e9rentes \u00e0 l’\u00e9chantillon et l’erreur de mesure non contr\u00f4l\u00e9e.<\/p>\n

Dans un plan factoriel \u00e0 deux variables ind\u00e9pendantes, conventionnellement not\u00e9es A et B, chaque facteur comprend un nombre fini de modalit\u00e9s mutuellement exclusives, d\u00e9sign\u00e9es respectivement par les indices i<\/em> (allant de 1 \u00e0 p<\/em>) et j<\/em> (allant de 1 \u00e0 q<\/em>). L’intersection de chaque niveau du facteur A avec chaque niveau du facteur B d\u00e9finit une cellule exp\u00e9rimentale \u00e9l\u00e9mentaire contenant un groupe de sujets observ\u00e9s. Le mod\u00e8le lin\u00e9aire sous-jacent s’exprime formellement par l’\u00e9quation structurelle suivante pour chaque observation individuelle k<\/em> (allant de 1 \u00e0 n<\/em> au sein de chaque cellule) :<\/p>\n

Yijk<\/sub> = μ + αi<\/sub> + βj<\/sub> + (αβ)ij<\/sub> + εijk<\/sub><\/em><\/p>\n

Dans cette formulation param\u00e9trique, Yijk<\/sub><\/em> repr\u00e9sente le score brut obtenu par le k<\/em>-i\u00e8me individu expos\u00e9 \u00e0 la modalit\u00e9 i<\/em> du facteur A et \u00e0 la modalit\u00e9 j<\/em> du facteur B. La constante μ<\/em> d\u00e9signe la moyenne th\u00e9orique globale de la population parente non subdivis\u00e9e. Le param\u00e8tre αi<\/sub><\/em> quantifie l’effet propre de la modalit\u00e9 i<\/em> du facteur A sous la contrainte d’identifiabilit\u00e9 habituelle imposant que la somme pond\u00e9r\u00e9e de ces effets soit nulle. De mani\u00e8re sym\u00e9trique, βj<\/sub><\/em> symbolise l’effet diff\u00e9rentiel associ\u00e9 \u00e0 la modalit\u00e9 j<\/em> du facteur B. L’\u00e9l\u00e9ment central (αβ)ij<\/sub><\/em> repr\u00e9sente la composante d’interaction non additive sp\u00e9cifique \u00e0 l’association des deux modalit\u00e9s consid\u00e9r\u00e9es. Enfin, εijk<\/sub><\/em> d\u00e9signe le terme d’erreur r\u00e9siduelle non expliqu\u00e9e, mod\u00e9lis\u00e9 comme une variable al\u00e9atoire ind\u00e9pendante et identiquement distribu\u00e9e suivant une distribution normale d’esp\u00e9rance nulle et de variance homog\u00e8ne σ2<\/sup>.<\/p>\n

L’hypoth\u00e8se nulle globale soumise \u00e0 l’\u00e9preuve statistique n’est pas unique dans un plan factoriel ; elle se scinde en trois \u00e9preuves d’hypoth\u00e8ses distinctes et formellement ind\u00e9pendantes en pr\u00e9sence de plans \u00e9quilibr\u00e9s. La premi\u00e8re hypoth\u00e8se nulle postule l’absence de tout effet principal du facteur A (tous les αi<\/sub><\/em> sont simultan\u00e9ment nuls). La deuxi\u00e8me postule l’absence d’effet principal du facteur B (tous les βj<\/sub><\/em> sont nuls). La troisi\u00e8me hypoth\u00e8se nulle, souvent la plus cruciale sur le plan th\u00e9orique, soutient la stricte additivit\u00e9 des effets, c’est-\u00e0-dire l’inexistence d’une interaction entre les deux facteurs (tous les termes (αβ)ij<\/sub><\/em> sont rigoureusement nuls).<\/p>\n

Il est imp\u00e9ratif de distinguer sur le plan formel les plans factoriels crois\u00e9s des plans hi\u00e9rarchis\u00e9s ou embo\u00eet\u00e9s. Dans un plan factoriel crois\u00e9 standard, chaque modalit\u00e9 du facteur A est crois\u00e9e avec l’int\u00e9gralit\u00e9 des modalit\u00e9s du facteur B, permettant une estimation compl\u00e8te et sym\u00e9trique de tous les effets principaux et des termes d’interaction crois\u00e9e. En revanche, dans un plan hi\u00e9rarchis\u00e9, les niveaux d’un facteur donn\u00e9 ne prennent sens qu’au sein d’un niveau particulier du facteur englobant, interdisant le calcul d’un effet d’interaction conventionnel et requ\u00e9rant une param\u00e9trisation sp\u00e9cifique des carr\u00e9s moyens r\u00e9siduels.<\/p>\n

1.2 Distinction entre effets principaux et effets d’interaction<\/h3>\n

L’effet principal d’une variable ind\u00e9pendante refl\u00e8te la modulation de la variable d\u00e9pendante sous l’influence unique de ce facteur, calcul\u00e9e en agr\u00e9geant les donn\u00e9es \u00e0 travers l’ensemble des modalit\u00e9s du second facteur. Autrement dit, l’effet principal du facteur A \u00e9value si les moyennes marginales des diff\u00e9rents niveaux i<\/em> diff\u00e8rent significativement entre elles lorsque l’on neutralise math\u00e9matiquement l’influence du facteur B. Cette approche marginale offre une perspective synth\u00e9tique globale mais peut masquer des disparit\u00e9s structurales substantielles si le comportement des individus varie de fa\u00e7on asym\u00e9trique selon les contextes exp\u00e9rimentaux.<\/p>\n

L’effet d’interaction math\u00e9matique caract\u00e9rise quant \u00e0 lui une rupture de l’additivit\u00e9 des effets simples. Sur le plan conceptuel, il y a interaction lorsque l’ampleur, la trajectoire ou la direction de l’effet d’un premier facteur d\u00e9pend directement du niveau sp\u00e9cifique assign\u00e9 au second facteur. Si, par exemple, un protocole de rem\u00e9diation cognitive n’am\u00e9liore la m\u00e9moire de travail que chez des participants pr\u00e9sentant un niveau initial d’anxi\u00e9t\u00e9 faible, mais s’av\u00e8re totalement inefficace, voire d\u00e9l\u00e9t\u00e8re, chez des sujets hautement anxieux, la moyenne globale de l’intervention dissimule la r\u00e9alit\u00e9 du ph\u00e9nom\u00e8ne. Les deux facteurs n’agissent pas comme des forces ind\u00e9pendantes dont les effets s’additionnent de fa\u00e7on arithm\u00e9tique, mais s’articulent dans une interd\u00e9pendance fonctionnelle.<\/p>\n

Sur le plan \u00e9pist\u00e9mologique et clinique dans l’\u00e9tude des comportements humains, l’effet d’interaction constitue fr\u00e9quemment l’objet de recherche premier. L’interaction incarne la contextualisation des lois psychologiques, confirmant le postulat lewinien classique selon lequel le comportement r\u00e9sulte de l’interaction constante entre les caract\u00e9ristiques structurales de la personne et les propri\u00e9t\u00e9s objectives de l’environnement. Dans les recherches sur l’efficacit\u00e9 des psychoth\u00e9rapies, l’identification d’une interaction traitement-par-patient constitue la condition statistique sine qua non pour valider la personnalisation des trajectoires de soins et d\u00e9passer les approches universelles indiff\u00e9renci\u00e9es.<\/p>\n

Cette primaut\u00e9 th\u00e9orique de l’interaction impose une r\u00e8gle m\u00e9thodologique immuable dans la hi\u00e9rarchisation analytique de l’ANOVA factorielle : l’inspection et le test de l’interaction doivent imp\u00e9rativement pr\u00e9c\u00e9der toute tentative d’interpr\u00e9tation des effets principaux. En pr\u00e9sence d’une interaction statistiquement significative et d’ampleur substantielle, la notion m\u00eame d’effet principal perd la majeure partie de sa validit\u00e9 \u00e9cologique et explicative. L’analyse des effets simples conditionnels s’impose alors pour expliciter la nature pr\u00e9cise des m\u00e9canismes \u00e0 l’\u0153uvre.<\/p>\n

1.3 Pertinence m\u00e9thodologique dans la recherche exp\u00e9rimentale en psychologie<\/h3>\n

Le recours aux plans factoriels \u00e0 deux facteurs offre des avantages m\u00e9thodologiques consid\u00e9rables qui surpassent tr\u00e8s largement la conduite d’exp\u00e9rimentations univari\u00e9es disjointes. En premier lieu, ce paradigme exp\u00e9rimental permet l’\u00e9tude conjointe de facteurs dispositionnels, intrins\u00e8ques au sujet (comme le temp\u00e9rament, le profil neuropsychologique ou le genre biologique), et de facteurs situationnels, manipul\u00e9s directement par l’exp\u00e9rimentateur (tels que le type de t\u00e2che, l’exposition \u00e0 un stresseur aigu ou la charge cognitive impos\u00e9e). Cette conjonction optimise la validit\u00e9 externe et \u00e9cologique des protocoles de laboratoire en int\u00e9grant la variabilit\u00e9 humaine au lieu de la traiter exclusivement comme un bruit r\u00e9siduel.<\/p>\n

En second lieu, l’ANOVA factorielle permet une optimisation spectaculaire de la puissance statistique globale sans n\u00e9cessiter une inflation de la taille globale de l’\u00e9chantillon. Lorsqu’un chercheur teste deux facteurs de mani\u00e8re isol\u00e9e au sein de deux protocoles ind\u00e9pendants, il doit recruter deux cohortes exp\u00e9rimentales compl\u00e8tes. Dans un plan factoriel crois\u00e9, chaque sujet contribue simultan\u00e9ment \u00e0 l’estimation de l’effet du facteur A, \u00e0 l’estimation de l’effet du facteur B et \u00e0 la mod\u00e9lisation de leur interaction. De surcro\u00eet, l’inclusion d’une seconde variable explicative pertinente dans le mod\u00e8le lin\u00e9aire permet d’isoler une part substantielle de la variance totale qui aurait autrement \u00e9t\u00e9 amalgam\u00e9e dans la somme des carr\u00e9s r\u00e9siduelle intra-groupe, r\u00e9duisant ainsi le d\u00e9nominateur des ratios F et augmentant la sensibilit\u00e9 statistique de l’ensemble du dispositif.<\/p>\n

Enfin, l’ANOVA factorielle garantit un contr\u00f4le math\u00e9matique strict de l’erreur de premier type globale (taux d’erreur α de l’exp\u00e9rience). La multiplication irr\u00e9fl\u00e9chie de tests t<\/em> de Student univari\u00e9s pour examiner les sous-groupes expose in\u00e9vitablement l’exp\u00e9rimentateur au probl\u00e8me classique de l’inflation de l’erreur par famille de comparaisons, selon la fonction exponentielle standardis\u00e9e 1 – (1 – α)c<\/sup><\/em>, o\u00f9 c<\/em> repr\u00e9sente le nombre total de contrastes \u00e9valu\u00e9s. En formalisant l’analyse \u00e0 l’int\u00e9rieur d’un cadre param\u00e9trique unifi\u00e9 via le ratio de Fisher-Snedecor, l’ANOVA garantit que le risque de d\u00e9clarer \u00e0 tort un effet inexistant dans la population demeure cantonn\u00e9 au seuil nominal pr\u00e9\u00e9tabli, usuellement fix\u00e9 \u00e0 0,05.<\/p>\n

2. Hypoth\u00e8ses statistiques et pr\u00e9requis fondamentaux<\/h2>\n

2.1 Ind\u00e9pendance des observations et structure de l’\u00e9chantillonnage<\/h3>\n

Le postulat d’ind\u00e9pendance des observations repr\u00e9sente la condition math\u00e9matique la plus imp\u00e9rative et la moins robuste de l’analyse de variance factorielle. Cette hypoth\u00e8se stipule formellement que l’erreur r\u00e9siduelle associ\u00e9e \u00e0 n’importe quelle observation εijk<\/sub><\/em> n’entretient aucune relation de corr\u00e9lation ou de d\u00e9pendance stochastique avec l’erreur r\u00e9siduelle d’une quelconque autre observation εi’j’k’<\/sub><\/em>. Dans le contexte des protocoles exp\u00e9rimentaux inter-sujets (between-subjects designs), chaque participant ne doit \u00eatre assign\u00e9 qu’\u00e0 une et une seule cellule exp\u00e9rimentale d\u00e9finie par l’intersection des modalit\u00e9s des facteurs, et la passation de l’\u00e9preuve doit \u00eatre conduite de mani\u00e8re \u00e0 exclure toute interaction communicative ou imitation comportementale entre les participants.<\/p>\n

Le non-respect de l’ind\u00e9pendance survient couramment lors de biais d’\u00e9chantillonnage insidieux, tels que le recrutement en grappes non contr\u00f4l\u00e9es (par exemple, des \u00e9l\u00e8ves partageant une m\u00eame classe scolaire, des patients trait\u00e9s par le m\u00eame th\u00e9rapeute ou des mesures collect\u00e9es par vagues successives soumises \u00e0 des fluctuations d’environnement). Lorsque des observations sont corr\u00e9l\u00e9es positivement en raison d’une structure group\u00e9e sous-jacente, la variance d’\u00e9chantillonnage empirique est syst\u00e9matiquement sous-estim\u00e9e. Cette distorsion engendre une inflation spectaculaire des statistiques F observ\u00e9es et augmente massivement le taux d’erreur de premi\u00e8re esp\u00e8ce effectif, qui peut atteindre des valeurs exc\u00e9dant 0,30 pour un seuil nominal th\u00e9orique fix\u00e9 \u00e0 0,05.<\/p>\n

Il est d\u00e8s lors primordial d’op\u00e9rer une distinction conceptuelle sans \u00e9quivoque entre un plan factoriel inter-sujets authentique et un plan mixte ou \u00e0 mesures r\u00e9p\u00e9t\u00e9es (within-subjects design). Si l’un des deux facteurs manipul\u00e9s implique des \u00e9valuations r\u00e9p\u00e9t\u00e9es d’une m\u00eame cohorte d’individus \u00e0 travers le temps ou sous diff\u00e9rentes conditions perceptives, la covariance naturelle intra-sujet invalide l’application de l’ANOVA factorielle standard et n\u00e9cessite imp\u00e9rativement le recours \u00e0 l’ANOVA pour mesures r\u00e9p\u00e9t\u00e9es avec correction de sph\u00e9ricit\u00e9 ou, pr\u00e9f\u00e9rentiellement, l’emploi de mod\u00e8les lin\u00e9aires mixtes \u00e0 effets al\u00e9atoires.<\/p>\n

2.2 Normalit\u00e9 de la distribution des r\u00e9sidus<\/h3>\n

Une confusion r\u00e9currente parmi les praticiens de l’analyse quantitative consiste \u00e0 exiger la normalit\u00e9 de la distribution globale de la variable d\u00e9pendante brute avant toute tentative de mod\u00e9lisation. Cette exigence est scientifiquement erron\u00e9e. Le postulat th\u00e9orique de l’ANOVA ne porte en aucun cas sur la distribution marginale inconditionnelle de la variable r\u00e9ponse Y<\/em>, mais concerne exclusivement la distribution conditionnelle des erreurs r\u00e9siduelles du mod\u00e8le, c’est-\u00e0-dire les d\u00e9viations des observations individuelles par rapport \u00e0 la moyenne estim\u00e9e de leur propre cellule d’appartenance.<\/p>\n

Formellement, les erreurs ε doivent suivre une distribution gaussienne d’esp\u00e9rance nulle :<\/p>\n

εijk<\/sub> ~ N(0, σ2<\/sup>)<\/em><\/p>\n

Lorsque la distribution des r\u00e9sidus s’\u00e9loigne notablement de cette forme en cloche, pr\u00e9sentant une asym\u00e9trie marqu\u00e9e (skewness) ou un aplatissement excessif (kurtosis leptokurtique ou platykurtique), la forme math\u00e9matique th\u00e9orique de la statistique de test ne correspond plus exactement \u00e0 la loi continue de Fisher-Snedecor sous l’hypoth\u00e8se nulle. N\u00e9anmoins, en vertu du th\u00e9or\u00e8me central limite appliqu\u00e9 aux formes lin\u00e9aires, l’ANOVA d\u00e9montre une robustesse statistique remarquable face aux d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9, \u00e0 condition imp\u00e9rative que les effectifs par cellule soient \u00e9quilibr\u00e9s et suffisamment cons\u00e9quents (usuellement n<\/em> ≥ 20 \u00e0 30 par sous-groupe).<\/p>\n

Cette tol\u00e9rance asymptotique s’amenuise toutefois drastiquement lorsque les \u00e9chantillons sont r\u00e9duits ou que les distributions r\u00e9siduelles sont fortement multimodales ou tronqu\u00e9es en raison d’effets de plancher ou de plafond dans les instruments de mesure psychom\u00e9triques. Dans de telles situations, la probabilit\u00e9 associ\u00e9e au test F perd sa calibration exacte, imposant des v\u00e9rifications formelles et, le cas \u00e9ch\u00e9ant, des transformations de variables ou des r\u00e9\u00e9chantillonnages non param\u00e9triques.<\/p>\n

2.3 Homosc\u00e9dasticit\u00e9 et \u00e9galit\u00e9 des variances intergroupes<\/h3>\n

L’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9, ou d’homog\u00e9n\u00e9it\u00e9 des variances, exige que la variance de l’erreur r\u00e9siduelle demeure constante et uniforme \u00e0 travers toutes les p × q<\/em> cellules exp\u00e9rimentales constitutives du plan d’\u00e9chantillonnage. En d’autres termes, l’\u00e9cart-type de la variable d\u00e9pendante mesur\u00e9 au sein du groupe expos\u00e9 aux conditions (i, j)<\/em> doit \u00eatre th\u00e9oriquement \u00e9quivalent \u00e0 celui mesur\u00e9 au sein de n’importe quel autre groupe exp\u00e9rimental. Cette hypoth\u00e8se conditionne la l\u00e9gitimit\u00e9 du calcul d’un carr\u00e9 moyen r\u00e9siduel unique, utilis\u00e9 comme d\u00e9nominateur universel pour \u00e9valuer la significativit\u00e9 de l’ensemble des sources de variation intergroupes.<\/p>\n

L’impact de la violation de l’homosc\u00e9dasticit\u00e9 d\u00e9pend de mani\u00e8re critique de l’\u00e9quilibre des effectifs entre les cellules. Lorsque le plan d’exp\u00e9rience est rigoureusement \u00e9quilibr\u00e9, c’est-\u00e0-dire lorsque chaque cellule contient rigoureusement le m\u00eame nombre de participants, le test F d’ANOVA demeure extr\u00eamement robuste \u00e0 des \u00e9carts d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 mod\u00e9r\u00e9s \u00e0 substantiels. La statistique F conserve alors une distribution d’\u00e9chantillonnage tr\u00e8s proche de sa valeur nominale.<\/p>\n

En revanche, la conjonction d’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 marqu\u00e9e et d’un plan exp\u00e9rimental d\u00e9s\u00e9quilibr\u00e9 (unbalanced design) induit des alt\u00e9rations gravissimes du comportement statistique du mod\u00e8le. Si les groupes poss\u00e9dant les plus petits effectifs pr\u00e9sentent les variances r\u00e9siduelles les plus volumineuses, l’erreur type globale est lourdement sous-estim\u00e9e, conduisant \u00e0 un test excessivement lib\u00e9ral dont le taux d’erreur de type I r\u00e9el est dramatiquement gonfl\u00e9. Inversement, si les groupes d’effectifs les plus massifs affichent les variances les plus dispers\u00e9es, le test F devient ultraconservateur, entra\u00eenant une chute drastique de la puissance statistique (erreur de type II). En r\u00e8gle empirique, les m\u00e9thodologistes recommandent que le ratio entre la variance empirique maximale observ\u00e9e et la variance minimale observ\u00e9e au sein des cellules ne d\u00e9passe pas un facteur de 3 \u00e0 4 pour tol\u00e9rer l’application de l’ANOVA sans correction sp\u00e9cifique.<\/p>\n

3. Configuration de l’environnement de travail et pr\u00e9paration des donn\u00e9es dans R<\/h2>\n

3.1 Installation et chargement des extensions sp\u00e9cialis\u00e9es<\/h3>\n

Pour assurer la rigueur du traitement statistique et l’int\u00e9grit\u00e9 de l’analyse, l’environnement de base fourni par l’installation standard de R doit \u00eatre enrichi par un ensemble de modules sp\u00e9cialis\u00e9s issus du d\u00e9p\u00f4t officiel CRAN<\/a>. L’\u00e9cosyst\u00e8me moderne de la science des donn\u00e9es dans R repose sur une architecture combinant des outils de manipulation tabulaire, des modules d’ajustement de mod\u00e8les lin\u00e9aires complexes et des utilitaires d’extraction des tailles d’effet standardis\u00e9es.<\/p>\n

Le m\u00e9ta-package tidyverse<\/strong> forme le socle fondamental pour l’ingestion, le nettoyage et la manipulation des structures de donn\u00e9es via des syntaxes hautement lisibles centr\u00e9es sur les verbes d’action du package dplyr<\/strong> et la grammaire graphique de ggplot2<\/strong>. Pour les calculs statistiques avanc\u00e9s, le package car<\/strong>, d\u00e9velopp\u00e9 par John Fox et Sanford Weisberg, est indispensable pour calculer les sommes des carr\u00e9s ajust\u00e9es selon les principes du Type II et du Type III face aux plans d\u00e9s\u00e9quilibr\u00e9s. Le package rstatix<\/strong> propose des impl\u00e9mentations de tests d’hypoth\u00e8ses totalement int\u00e9grables dans des cha\u00eenes d’instructions cha\u00een\u00e9es, tandis que le package effectsize<\/strong> permet l’extraction imm\u00e9diate des indices d’amplitude d’effet tels que l’\u00e9ta-carr\u00e9 partiel et l’om\u00e9ga-carr\u00e9 accompagn\u00e9s de leurs intervalles de confiance exacts.<\/p>\n

L’installation s’op\u00e8re via la fonction canonique install.packages()<\/code>, suivie de leur activation au d\u00e9but de la session de travail gr\u00e2ce \u00e0 la fonction library()<\/code>. De surcro\u00eet, afin d’assurer la reproductibilit\u00e9 int\u00e9grale des simulations de donn\u00e9es et des diagnostics d’\u00e9chantillonnage, la fixation d’une graine al\u00e9atoire explicite via la commande set.seed()<\/code> constitue une r\u00e8gle d’or d\u00e9ontologique dans toute analyse quantitative.<\/p>\n

3.2 Cr\u00e9ation et structuration du jeu de donn\u00e9es exp\u00e9rimental<\/h3>\n

Afin d’illustrer la d\u00e9marche de mani\u00e8re concr\u00e8te et op\u00e9rationnelle, consid\u00e9rons un protocole exp\u00e9rimental conduit en psychologie cognitive de la sant\u00e9. L’\u00e9tude examine l’influence conjointe de deux facteurs : le facteur Genre<\/em> biologique (\u00e0 deux modalit\u00e9s : F\u00e9minin vs Masculin) et le facteur Intensit\u00e9_Exercice<\/em> physique a\u00e9robie (\u00e0 trois modalit\u00e9s ordonn\u00e9es : Faible, Mod\u00e9r\u00e9e, \u00c9lev\u00e9e) sur les performances \u00e0 un test standardis\u00e9 d’attention s\u00e9lective (mesur\u00e9e par un score continu allant th\u00e9oriquement de 50 \u00e0 120 points).<\/p>\n

Un jeu de donn\u00e9es repr\u00e9sentatif de ce design factoriel 2 × 3 peut \u00eatre g\u00e9n\u00e9r\u00e9 ou import\u00e9 directement sous la forme d’un tableau rectangulaire (data frame ou tibble). Chaque ligne de ce tableau doit imp\u00e9rativement repr\u00e9senter une unit\u00e9 observationnelle distincte (un participant unique), tandis que les colonnes mat\u00e9rialisent les deux variables ind\u00e9pendantes de groupement et la variable d\u00e9pendante continue. Cette structuration correspond rigoureusement au format long ou normalis\u00e9 exig\u00e9 par l’int\u00e9gralit\u00e9 des algorithmes de mod\u00e9lisation dans R.<\/p>\n

Apr\u00e8s l’instanciation de l’objet de donn\u00e9es, deux v\u00e9rifications pr\u00e9liminaires s’imposent : l’examen syst\u00e9matique de la morphologie tabulaire au moyen des fonctions str()<\/code> et head()<\/code>, qui confirme le bon nombre d’enregistrements et les intitul\u00e9s des variables, et l’\u00e9valuation de la contingence des effectifs via la commande table()<\/code>. Cette derni\u00e8re op\u00e9ration permet de constater imm\u00e9diatement si le plan exp\u00e9rimental est strictement \u00e9quilibr\u00e9 (nombres identiques d’observations dans chacune des 6 cellules du plan) ou s’il comporte des cellules d\u00e9s\u00e9quilibr\u00e9es r\u00e9sultant d’abandons exp\u00e9rimentaux (attrition).<\/p>\n

3.3 Typage rigoureux et encodage des facteurs<\/h3>\n

L’une des causes les plus courantes d’erreurs gravissimes dans l’ex\u00e9cution d’une ANOVA dans R provient du typage d\u00e9faillant des variables cat\u00e9gorielles. Par d\u00e9faut, lors de l’importation de fichiers textes, de feuilles de calcul Excel ou de bases de donn\u00e9es relationnelles, les colonnes textuelles sont fr\u00e9quemment import\u00e9es sous le format de cha\u00eenes de caract\u00e8res brutes (type character<\/code>), ou pire, sous la forme d’entiers num\u00e9riques arbitraires (par exemple 1 pour Faible, 2 pour Mod\u00e9r\u00e9e, 3 pour \u00c9lev\u00e9e) si les modalit\u00e9s ont \u00e9t\u00e9 pr\u00e9alablement cod\u00e9es sous forme chiffr\u00e9e.<\/p>\n

Si un analyste transmet une variable cod\u00e9e en entiers num\u00e9riques \u00e0 la fonction d’ajustement du mod\u00e8le sans conversion factorielle pr\u00e9alable, le moteur math\u00e9matique de R traitera cette variable comme un pr\u00e9dicteur continu dans le cadre d’une r\u00e9gression lin\u00e9aire simple ou polynomiale. Au lieu d’estimer les \u00e9carts moyens entre les niveaux qualitatifs et de consommer deux degr\u00e9s de libert\u00e9 pour un facteur \u00e0 trois modalit\u00e9s, le logiciel n’ajustera qu’une seule pente lin\u00e9aire continue, d\u00e9naturant ainsi compl\u00e8tement l’analyse de variance factorielle.<\/p>\n

Pour immuniser l’analyse contre cet \u00e9cueil m\u00e9thodologique, il est obligatoire d’appliquer la fonction factor()<\/code> ou la fonction de coercition as.factor()<\/code> aux colonnes explicatives. Cette proc\u00e9dure permet de d\u00e9clarer explicitement les \u00e9tiquettes textuelles ainsi que l’ordre des niveaux sous-jacents. La v\u00e9rification peut \u00eatre ex\u00e9cut\u00e9e instantan\u00e9ment \u00e0 l’aide de la commande is.factor()<\/code>, garantissant que le moteur lin\u00e9aire instanciera correctement les variables indicatrices muettes (dummy variables) indispensables \u00e0 la param\u00e9trisation matricielle du plan d’exp\u00e9rience.<\/p>\n

4. Analyse exploratoire et visualisation descriptive pr\u00e9liminaire<\/h2>\n

4.1 Agr\u00e9gation des statistiques descriptives conditionnelles<\/h3>\n

L’estimation globale des param\u00e8tres centraux \u00e0 l’\u00e9chelle de la cohorte enti\u00e8re ne pr\u00e9sente qu’une utilit\u00e9 marginale dans un plan factoriel. Le statisticien doit imp\u00e9rativement ventiler l’exploration descriptive selon les cellules sp\u00e9cifiques d\u00e9finies par le croisement des deux variables ind\u00e9pendantes. Cette \u00e9tape fondamentale permet de cartographier la structure des r\u00e9ponses, d’anticiper la pr\u00e9sence potentielle d’un effet d’interaction et de v\u00e9rifier la coh\u00e9rence des ordres de grandeur mesur\u00e9s.<\/p>\n

L’exploitation de la syntaxe cha\u00een\u00e9e avec le package dplyr<\/strong> permet d’articuler cons\u00e9cutivement les op\u00e9rations de partitionnement et d’agr\u00e9gation. En appliquant la fonction group_by(Genre, Intensite_Exercice)<\/code> suivie de la fonction summarise()<\/code>, on extrait pour chaque combinaison factorielle la moyenne empirique (M), l’\u00e9cart-type d’\u00e9chantillon (SD), la m\u00e9diane, l’\u00e9cart interquartile (IQR) ainsi que l’erreur type de la moyenne (SEM), calcul\u00e9e par le ratio de l’\u00e9cart-type sur la racine carr\u00e9e de l’effectif local :<\/p>\n

SEM = SD \/ √n<\/em><\/p>\n

L’inspection compar\u00e9e de la moyenne et de la m\u00e9diane au sein de chaque cellule offre un premier indicateur robuste de la sym\u00e9trie locale des distributions. Si ces deux indices de tendance centrale divergent notablement au sein d’une ou plusieurs cellules, une d\u00e9viation par rapport \u00e0 la loi normale ou la pr\u00e9sence d’observations extr\u00eames asym\u00e9triques doit \u00eatre suspect\u00e9e. De m\u00eame, l’observation des \u00e9carts-types cellule par cellule permet d’\u00e9tablir un diagnostic visuel pr\u00e9liminaire quant au respect ou \u00e0 la d\u00e9gradation de l’homosc\u00e9dasticit\u00e9.<\/p>\n

4.2 Visualisation descriptive par bo\u00eetes \u00e0 moustaches avec ggplot2<\/h3>\n

Bien que les tableaux synth\u00e9tiques fournissent des rep\u00e8res num\u00e9riques incontournables, la repr\u00e9sentation graphique de la distribution empirique est indispensable pour appr\u00e9hender l’architecture compl\u00e8te des donn\u00e9es. La bo\u00eete \u00e0 moustaches (boxplot), enrichie d’une superposition des donn\u00e9es individuelles r\u00e9elles, constitue le paradigme de r\u00e9f\u00e9rence pour les revues scientifiques de haut niveau.<\/p>\n

En mobilisant la biblioth\u00e8que ggplot2<\/strong>, la structure visuelle s’articule en assignant le facteur Intensite_Exercice<\/em> \u00e0 l’axe horizontal d’abscisse et le score continu d’attention \u00e0 l’axe vertical d’ordonn\u00e9e. Le second facteur, Genre<\/em>, est mapp\u00e9 \u00e0 l’attribut chromatique de remplissage (fill<\/code>). Cette disposition produit des paires juxtapos\u00e9es de bo\u00eetes \u00e0 moustaches qui mat\u00e9rialisent instantan\u00e9ment la m\u00e9diane, les charni\u00e8res d\u00e9limitant les premier et troisi\u00e8me quartiles, ainsi que les limites des valeurs adjacentes selon la convention de John Tukey.<\/p>\n

\"Boxplots
Boxplots in R for two-way ANOVA<\/figcaption><\/figure>\n

L’adjonction d’une couche g\u00e9om\u00e9trique de points dispers\u00e9s \u00e0 l’aide de geom_jitter()<\/code> avec une faible transparence (alpha) et une largeur de dispersion contr\u00f4l\u00e9e permet d’observer la granularit\u00e9 fine de l’\u00e9chantillon tout en neutralisant le masquage des observations superpos\u00e9es. Cette stratification permet de rep\u00e9rer imm\u00e9diatement la pr\u00e9sence d’observations aberrantes isol\u00e9es se situant au-del\u00e0 des limites des moustaches, tout en \u00e9valuant l’homog\u00e9n\u00e9it\u00e9 visuelle de l’\u00e9talement des distributions intra-groupes \u00e0 travers l’ensemble des six conditions du dispositif exp\u00e9rimental.<\/p>\n

4.3 Trac\u00e9 pr\u00e9liminaire des profils de moyennes<\/h3>\n

Le trac\u00e9 des profils de moyennes, ou graphique d’interaction pr\u00e9liminaire, est l’outil diagnostique de r\u00e9f\u00e9rence pour pr\u00e9visualiser la dynamique relationnelle entre les facteurs. Historiquement g\u00e9n\u00e9r\u00e9 par la fonction interaction.plot()<\/code> de l’environnement de base de R, il relie par des segments rectilignes les moyennes calcul\u00e9es de la variable d\u00e9pendante \u00e0 travers les modalit\u00e9s du facteur d’abscisse, en tra\u00e7ant des lignes distinctes pour chaque niveau du second facteur cat\u00e9goriel.<\/p>\n

L’analyse visuelle de la configuration g\u00e9om\u00e9trique des trac\u00e9s fournit une indication clinique imm\u00e9diate quant \u00e0 l’existence ou \u00e0 l’absence d’une composante d’interaction. Lorsque les segments reliant les moyennes sont rigoureusement parall\u00e8les, l’effet du premier facteur s’exerce de mani\u00e8re strictement uniforme quel que soit le niveau du second facteur. Cette configuration signale la validit\u00e9 d’un mod\u00e8le purement additif sans interaction significative.<\/p>\n

\u00c0 l’inverse, l’observation de lignes non parall\u00e8les constitue l’empreinte graphique d’une interaction. Deux typologies structurelles se distinguent : les interactions ordinales, dans lesquelles les pentes des segments divergent sans jamais se croiser (indiquant que l’ampleur de l’effet varie selon les modalit\u00e9s mais que la hi\u00e9rarchie relative des groupes demeure constante), et les interactions disjonctives ou crois\u00e9es (cross-over interactions), o\u00f9 les segments se coupent formellement dans l’espace factoriel. Ce dernier cas illustre une inversion directionnelle de l’effet, situation dans laquelle une condition exp\u00e9rimentale s’av\u00e8re hautement b\u00e9n\u00e9fique dans un contexte mais d\u00e9l\u00e9t\u00e8re dans l’autre.<\/p>\n

5. V\u00e9rification empirique des postulats sous R<\/h2>\n

5.1 \u00c9valuation de la normalit\u00e9 des r\u00e9sidus<\/h3>\n

L’\u00e9valuation rigoureuse du postulat de normalit\u00e9 n\u00e9cessite d’extraire formellement les r\u00e9sidus apr\u00e8s l’ajustement du mod\u00e8le factoriel complet. Dans l’environnement R, cette op\u00e9ration s’effectue directement sur l’objet mod\u00e8le instanci\u00e9 via la fonction residuals()<\/code> ou rstandard()<\/code> pour obtenir les r\u00e9sidus standardis\u00e9s (r\u00e9duits par l’estimation de leur \u00e9cart-type r\u00e9siduel). Cette d\u00e9marche conditionnelle permet d’agr\u00e9ger l’ensemble des \u00e9carts individuels nets pour \u00e9valuer globalement le comportement distributionnel du processus g\u00e9n\u00e9rateur de donn\u00e9es.<\/p>\n

Le test d’ad\u00e9quation statistique le plus rigoureux pour de petits \u00e0 moyens \u00e9chantillons est le test de Shapiro-Wilk, sollicit\u00e9 au moyen de la fonction shapiro.test()<\/code> appliqu\u00e9e au vecteur des r\u00e9sidus du mod\u00e8le. L’hypoth\u00e8se nulle du test pose que les r\u00e9sidus proviennent d’une population gaussienne. D\u00e8s lors, l’obtention d’une p-valeur sup\u00e9rieure au seuil critique conventionnel de 0,05 conduit \u00e0 ne pas rejeter l’hypoth\u00e8se de normalit\u00e9, attestant que les fluctuations observ\u00e9es sont compatibles avec les pr\u00e9requis de l’inf\u00e9rence par le test F.<\/p>\n

\"Histogram
Histogram of residuals for two-way ANOVA<\/figcaption><\/figure>\n

Toutefois, l’usage aveugle du test de Shapiro-Wilk comporte des limites m\u00e9thodologiques majeures bien document\u00e9es. Sur des \u00e9chantillons de tr\u00e8s grande taille (plusieurs centaines d’individus), le test acquiert une puissance statistique excessive et devient sensible \u00e0 des d\u00e9viations triviales n’ayant aucun impact pratique sur la robustesse du ratio F. Inversement, sur de tr\u00e8s faibles \u00e9chantillons, il manque cruellement de puissance pour d\u00e9celer des asym\u00e9tries probl\u00e9matiques. C’est pourquoi l’analyse quantitative doit obligatoirement \u00eatre corrobor\u00e9e par l’inspection visuelle du diagramme quantile-quantile (Q-Q plot), o\u00f9 les quantiles empiriques des r\u00e9sidus standardis\u00e9s sont projet\u00e9s contre les quantiles th\u00e9oriques d’une loi normale standard. Un alignement r\u00e9gulier des points le long de la bissectrice d’\u00e9galit\u00e9 confirme l’ad\u00e9quation distributionnelle, tandis que des courbures en S ou des d\u00e9crochages distaux d\u00e9noncent respectivement des distributions asym\u00e9triques ou \u00e0 queues \u00e9paisses.<\/p>\n

5.2 Test de l’homosc\u00e9dasticit\u00e9 des variances<\/h3>\n

Pour v\u00e9rifier le respect de l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 des variances \u00e0 travers les cellules du plan factoriel, le test d’homosc\u00e9dasticit\u00e9 de r\u00e9f\u00e9rence est le test de Levene. Contrairement au test historique de Bartlett qui souffre d’une hypersensibilit\u00e9 r\u00e9dhibitoire \u00e0 la moindre entorse de la normalit\u00e9 des donn\u00e9es, le test de Levene, en particulier dans sa version modifi\u00e9e par Brown et Forsythe, utilise des \u00e9carts calcul\u00e9s par rapport \u00e0 la m\u00e9diane de chaque groupe au lieu de la moyenne.<\/p>\n

Sous R, l’impl\u00e9mentation la plus fiable est assur\u00e9e par la fonction leveneTest()<\/code> accessible via le package car<\/strong>. La syntaxe prend formellement en entr\u00e9e la formule factorielle crois\u00e9e :<\/p>\n

leveneTest(Score ~ Genre * Intensite_Exercice, data = donnees, center = median)<\/code><\/p>\n

Dans ce cadre d\u00e9cisionnel, l’hypoth\u00e8se nulle pose l’\u00e9galit\u00e9 absolue des variances de la variable r\u00e9ponse \u00e0 travers l’ensemble des p × q<\/em> groupes form\u00e9s par le croisement factoriel. L’obtention d’une statistique F non significative associ\u00e9e \u00e0 une probabilit\u00e9 sup\u00e9rieure \u00e0 0,05 confirme que la variabilit\u00e9 r\u00e9siduelle intra-groupe peut \u00eatre assimil\u00e9e \u00e0 une valeur homog\u00e8ne commune σ2<\/sup>. L’analyste est d\u00e8s lors fond\u00e9 \u00e0 exploiter le carr\u00e9 moyen de l’erreur calcul\u00e9 globalement sans craindre de biais syst\u00e9matique sur le taux d’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n

5.3 Diagnostic des observations atypiques et points d’influence<\/h3>\n

L’estimation des moindres carr\u00e9s ordinaires qui structure l’ANOVA est intrins\u00e8quement vuln\u00e9rable \u00e0 l’influence disproportionn\u00e9e exerc\u00e9e par un nombre restreint d’observations extr\u00eames ou atypiques (outliers). Une seule mesure aberrante r\u00e9sultant d’une erreur de saisie, d’un d\u00e9faut d’attention passager du sujet ou d’un artefact technique peut gonfler artificiellement la variance r\u00e9siduelle et d\u00e9former les estimations des moyennes de cellules.<\/p>\n

Le diagnostic moderne combine l’examen des r\u00e9sidus standardis\u00e9s et l’estimation de la distance de Cook. Un r\u00e9sidu standardis\u00e9 dont la valeur absolue exc\u00e8de le seuil de 3 unit\u00e9s d’\u00e9cart-type est unanimement qualifi\u00e9 d’observation atypique s\u00e9v\u00e8re. La fonction identify_outliers()<\/code> du package rstatix<\/strong> permet de scanner automatiquement l’ensemble des r\u00e9sidus du mod\u00e8le pour isoler les points extr\u00eames. Parall\u00e8lement, la distance de Cook quantifie l’amplitude du d\u00e9placement global des coefficients de r\u00e9gression et des estimations du mod\u00e8le en cas d’omission d’une observation sp\u00e9cifique. Une observation associ\u00e9e \u00e0 une distance de Cook exc\u00e9dant le seuil empirique de 4 \/ (N – k – 1)<\/em>, o\u00f9 N<\/em> est la taille totale de l’\u00e9chantillon et k<\/em> le nombre de param\u00e8tres estim\u00e9s, doit faire l’objet d’une analyse clinique approfondie.<\/p>\n

La doctrine m\u00e9thodologique contemporaine r\u00e9cuse la suppression syst\u00e9matique et aveugle des valeurs atypiques dans l’unique but d’am\u00e9liorer l’ajustement du mod\u00e8le. L’exclusion d’une donn\u00e9e ne peut \u00eatre motiv\u00e9e que par la d\u00e9couverte av\u00e9r\u00e9e d’une erreur mat\u00e9rielle non corrigible ou par un manquement document\u00e9 aux crit\u00e8res stricts du protocole de passation. Lorsque l’atypicit\u00e9 refl\u00e8te une facette l\u00e9gitime de la variabilit\u00e9 humaine, le chercheur doit maintenir l’observation au sein de la cohorte et envisager le recours \u00e0 des mod\u00e9lisations lin\u00e9aires robustes ou rapporter l’analyse avec et sans les donn\u00e9es en cause dans une d\u00e9marche de transparence m\u00e9thodologique.<\/p>\n

6. Sp\u00e9cification et ajustement du mod\u00e8le avec aov()<\/h2>\n

6.1 Syntaxe de mod\u00e9lisation dans le langage R<\/h3>\n

L’ajustement formel de l’analyse de variance \u00e0 deux facteurs s’effectue canoniquement dans l’environnement R au moyen de la fonction aov()<\/code>, qui constitue une interface sp\u00e9cialis\u00e9e encapsulant le moteur g\u00e9n\u00e9ral de mod\u00e9lisation lin\u00e9aire lm()<\/code>. La formalisation de la relation d’interd\u00e9pendance repose sur l’usage rigoureux d’op\u00e9rateurs syntaxiques sp\u00e9cifiques au sein de la formule de r\u00e9gression.<\/p>\n

L’op\u00e9rateur multiplicatif ast\u00e9risque (*<\/code>) est au c\u0153ur de la sp\u00e9cification d’un plan factoriel complet. Lorsque l’analyste \u00e9crit la formule symbolique :<\/p>\n

modele_complet <- aov(Score ~ Genre * Intensite_Exercice, data = donnees)<\/code><\/p>\n

l’interpr\u00e9teur de R d\u00e9ploie automatiquement l’expression selon le principe de d\u00e9composition hi\u00e9rarchique classique. Cette formulation est l’\u00e9quivalent strict et exhaustif de l’\u00e9criture explicite :<\/p>\n

modele_complet <- aov(Score ~ Genre + Intensite_Exercice + Genre:Intensite_Exercice, data = donnees)<\/code><\/p>\n

L’op\u00e9rateur deux-points (:<\/code>) isole math\u00e9matiquement le terme d’interaction bidirectionnelle en excluant les composantes principales, tandis que l’op\u00e9rateur d’addition (+<\/code>) sp\u00e9cifie un mod\u00e8le purement additif sans interaction (Score ~ Genre + Intensite_Exercice<\/code>). L’assignation du r\u00e9sultat de la fonction aov()<\/code> \u00e0 un objet d\u00e9di\u00e9 stocke l’int\u00e9gralit\u00e9 des matrices de projection, des r\u00e9sidus, des valeurs ajust\u00e9es et des degr\u00e9s de libert\u00e9, permettant des interrogations en aval.<\/p>\n

6.2 Lecture et d\u00e9composition de la table de variance<\/h3>\n

L’interrogation de l’objet mod\u00e8le r\u00e9sultant s’op\u00e8re usuellement via l’application de la fonction g\u00e9n\u00e9rique summary()<\/code>. Cette commande g\u00e9n\u00e8re l’affichage normalis\u00e9 de la table de d\u00e9composition de la variance d’ANOVA, structur\u00e9e selon une s\u00e9quence rigoureuse de colonnes analytiques.<\/p>\n

La premi\u00e8re colonne rapporte les degr\u00e9s de libert\u00e9 (Df<\/strong>) associ\u00e9s \u00e0 chaque terme exp\u00e9rimental. Pour un facteur A \u00e0 p<\/em> niveaux, le nombre de degr\u00e9s de libert\u00e9 est \u00e9gal \u00e0 p – 1<\/em>. Pour un facteur B \u00e0 q<\/em> niveaux, il est \u00e9gal \u00e0 q – 1<\/em>. Les degr\u00e9s de libert\u00e9 d\u00e9volus au terme d’interaction correspondent au produit alg\u00e9brique des degr\u00e9s de libert\u00e9 de ses composantes parentes, soit (p – 1)(q – 1)<\/em>. Enfin, les degr\u00e9s de libert\u00e9 r\u00e9siduels intra-groupe correspondent \u00e0 la diff\u00e9rence entre le nombre total de sujets N<\/em> et le nombre total de cellules factorielles pq<\/em>, soit N – pq<\/em>.<\/p>\n

La colonne suivante pr\u00e9sente la somme des carr\u00e9s (Sum Sq<\/strong>), mesurant la dispersion quadratique brute expliqu\u00e9e par chaque source de variation. La division de la somme des carr\u00e9s par son degr\u00e9 de libert\u00e9 respectif fournit la colonne des carr\u00e9s moyens (Mean Sq<\/strong>), qui repr\u00e9sentent des variances non biais\u00e9es :<\/p>\n

MS = SS \/ Df<\/em><\/p>\n

Le ratio de Fisher-Snedecor (F value<\/strong>) est ensuite calcul\u00e9 en divisant le carr\u00e9 moyen de l’effet consid\u00e9r\u00e9 par le carr\u00e9 moyen r\u00e9siduel de l’erreur :<\/p>\n

F = MSEffet<\/sub> \/ MSR\u00e9siduel<\/sub><\/em><\/p>\n

La derni\u00e8re colonne (Pr(>F)<\/strong>) rapporte la probabilit\u00e9 asymptotique critique (la valeur p<\/em>) d’obtenir une statistique F au moins aussi extr\u00eame que celle observ\u00e9e sous l’hypoth\u00e8se nulle. Si cette probabilit\u00e9 s’av\u00e8re inf\u00e9rieure au seuil conventionnel de significativit\u00e9 α = 0,05, l’exp\u00e9rimentateur rejette l’hypoth\u00e8se nulle et conclut \u00e0 l’existence d’une diff\u00e9rence syst\u00e9matique statistiquement significative.<\/p>\n

6.3 Validation de l’ajustement global<\/h3>\n

Au-del\u00e0 de la lecture directe des probabilit\u00e9s marginales, l’\u00e9valuation critique d’un mod\u00e8le d’ANOVA requiert la validation de la consistance de son ajustement global. L’inspection des degr\u00e9s de libert\u00e9 r\u00e9siduels constitue une v\u00e9rification \u00e9l\u00e9mentaire indispensable : une discordance entre la valeur attendue par le plan exp\u00e9rimental th\u00e9orique et la valeur affich\u00e9e dans la table d’ANOVA signale imm\u00e9diatement la survenue de donn\u00e9es manquantes non identifi\u00e9es (valeurs NA<\/code>) ayant entra\u00een\u00e9 l’exclusion automatique de participants lors de l’estimation.<\/p>\n

Par ailleurs, l’extraction des coefficients de r\u00e9gression sous-jacents au moyen de la fonction coef(modele_complet)<\/code> permet de lever le voile sur la param\u00e9trisation matricielle mise en \u0153uvre par R. Par d\u00e9faut, R emploie un codage par traitement (treatment contrasts) dans lequel la premi\u00e8re modalit\u00e9 alphab\u00e9tique de chaque facteur est arbitrairement \u00e9rig\u00e9e en condition de r\u00e9f\u00e9rence (interception). Bien que cette m\u00e9thode soit rigoureusement \u00e9quivalente sur le plan de la variance globale expliqu\u00e9e (R2<\/sup><\/em> global), elle requiert une grande vigilance d\u00e8s lors que l’on manipule des plans d\u00e9s\u00e9quilibr\u00e9s.<\/p>\n

Enfin, la proportion globale de variance expliqu\u00e9e par l’ensemble du dispositif factoriel face au mod\u00e8le nul d\u00e9pourvu de pr\u00e9dicteur se d\u00e9duit en effectuant le ratio entre la somme totale des carr\u00e9s du mod\u00e8le (la somme des SS<\/em> des facteurs et de l’interaction) et la somme des carr\u00e9s totale de l’exp\u00e9rience (somme des carr\u00e9s du mod\u00e8le major\u00e9e de la somme des carr\u00e9s r\u00e9siduelle). Cette valeur fournit une appr\u00e9ciation imm\u00e9diate du pouvoir explicatif du protocole de recherche.<\/p>\n

7. Gestion des plans non \u00e9quilibr\u00e9s et sommes des carr\u00e9s (Types I, II et III)<\/h2>\n

7.1 Fondements de l’orthogonalit\u00e9 et typologie des sommes des carr\u00e9s<\/h3>\n

Dans un plan d’exp\u00e9rience factoriel rigoureusement \u00e9quilibr\u00e9 (o\u00f9 chaque sous-groupe exp\u00e9rimental pr\u00e9sente un effectif n<\/em> strictement identique), les facteurs sont mutuellement orthogonaux au sens g\u00e9om\u00e9trique de l’alg\u00e8bre lin\u00e9aire. Cette propri\u00e9t\u00e9 fondamentale garantit que l’effet attribu\u00e9 au facteur A est totalement ind\u00e9pendant de celui attribu\u00e9 au facteur B et de leur terme d’interaction. Les sommes des carr\u00e9s des diff\u00e9rents effets s’additionnent alors de fa\u00e7on rigoureusement univoque pour reconstituer la somme des carr\u00e9s totale expliqu\u00e9e.<\/p>\n

Cependant, d\u00e8s lors que les effectifs cellulaires deviennent in\u00e9gaux, l’orthogonalit\u00e9 du design s’effondre. Une corr\u00e9lation d’\u00e9chantillonnage s’\u00e9tablit entre les variables explicatives cat\u00e9gorielles, induisant un chevauchement partiel des sommes des carr\u00e9s. D\u00e8s lors, la variance attribuable \u00e0 une source donn\u00e9e peut varier drastiquement selon la m\u00e9thode choisie pour partitionner cette aire partag\u00e9e. Trois typologies majeures de d\u00e9composition de variance coexistent dans la litt\u00e9rature statistique :<\/p>\n

    \n
  • Sommes des carr\u00e9s de Type I (approche s\u00e9quentielle) :<\/strong> La fonction native aov()<\/code> et la commande g\u00e9n\u00e9rique anova()<\/code> de R calculent par d\u00e9faut des sommes des carr\u00e9s dites s\u00e9quentielles. Dans cette approche, le premier terme saisi dans la formule (par exemple A) re\u00e7oit l’int\u00e9gralit\u00e9 de la variance qui lui est associ\u00e9e. Le second terme (B) ne re\u00e7oit ensuite que la variance additionnelle qu’il explique une fois l’effet de A neutralis\u00e9. Enfin, l’interaction A:B ne re\u00e7oit que la variance subs\u00e9quente non expliqu\u00e9e par A et B r\u00e9unis. Cette propri\u00e9t\u00e9 s\u00e9quentielle engendre une vuln\u00e9rabilit\u00e9 m\u00e9thodologique majeure : l’inversion de l’ordre d’\u00e9criture des termes dans la formule (\u00e9crire Score ~ B * A<\/code> au lieu de Score ~ A * B<\/code>) modifie arbitrairement les sommes des carr\u00e9s des effets principaux ainsi que leurs statistiques F respectives dans les plans non \u00e9quilibr\u00e9s.<\/li>\n
  • Sommes des carr\u00e9s de Type II (approche hi\u00e9rarchique ou marginale pure) :<\/strong> Cette m\u00e9thode calcule l’effet de chaque facteur principal en contr\u00f4lant pour l’autre effet principal, mais en ignorant d\u00e9lib\u00e9r\u00e9ment le terme d’interaction d’ordre sup\u00e9rieur. Elle s’av\u00e8re particuli\u00e8rement puissante et pleinement justifi\u00e9e sur le plan th\u00e9orique lorsqu’il est pr\u00e9alablement \u00e9tabli que l’effet d’interaction est statistiquement n\u00e9gligeable ou inexistant.<\/li>\n
  • Sommes des carr\u00e9s de Type III (approche de r\u00e9gression standard ou ajustement simultan\u00e9 total) :<\/strong> Dans la d\u00e9composition de Type III, introduite historiquement par Frank Yates, chaque terme du mod\u00e8le est \u00e9valu\u00e9 marginalement par rapport \u00e0 l’ensemble de tous les autres termes, y compris les termes d’interaction d’ordre sup\u00e9rieur. Ainsi, l’effet principal de A est test\u00e9 apr\u00e8s \u00e9limination compl\u00e8te de l’influence de B et de l’interaction A:B.<\/li>\n<\/ul>\n

    7.2 Mise en \u0153uvre du Type III via le package car<\/h3>\n

    Dans les sciences comportementales et biom\u00e9dicales, les comit\u00e9s de lecture exigent tr\u00e8s largement l’application des sommes des carr\u00e9s de Type III en pr\u00e9sence de plans d’exp\u00e9riences d\u00e9s\u00e9quilibr\u00e9s, pr\u00e9cis\u00e9ment afin de neutraliser les effets de l’asym\u00e9trie d’\u00e9chantillonnage tout en maintenant l’\u00e9valuation formelle des interactions.<\/p>\n

    La mise en \u0153uvre correcte de ce calcul dans R n\u00e9cessite une d\u00e9marche sp\u00e9cifique en deux \u00e9tapes. La premi\u00e8re \u00e9tape, souvent omise par inadvertance, consiste \u00e0 red\u00e9finir la politique globale des contrastes appliqu\u00e9s par le syst\u00e8me. Par d\u00e9faut, R emploie le codage contr.treatment<\/code>, qui n’est pas orthogonal. Si un utilisateur applique des sommes des carr\u00e9s de Type III sur un mod\u00e8le param\u00e9tr\u00e9 avec des contrastes par traitement, les r\u00e9sultats d’ANOVA g\u00e9n\u00e9r\u00e9s pour les effets principaux seront math\u00e9matiquement invalides, testant des hypoth\u00e8ses d\u00e9nu\u00e9es de sens biologique ou psychologique.<\/p>\n

    Pour restaurer l’orthogonalit\u00e9 indispensable au calcul de Type III, l’analyste doit imp\u00e9rativement ex\u00e9cuter au pr\u00e9alable l’instruction suivante :<\/p>\n

    options(contrasts = c(\"contr.sum\", \"contr.poly\"))<\/code><\/p>\n

    Cette commande impose \u00e0 R d’utiliser les contrastes de somme (sum-to-zero contrasts) pour les facteurs nominaux non ordonn\u00e9s et les contrastes polynomiaux pour les facteurs ordonn\u00e9s. Une fois cette pr\u00e9caution param\u00e9trique verrouill\u00e9e, le mod\u00e8le lin\u00e9aire standardis\u00e9 peut \u00eatre r\u00e9estim\u00e9 avec lm()<\/code> ou aov()<\/code>, puis soumis \u00e0 la fonction Anova()<\/code> (remarquez la majuscule obligatoire) du package car<\/strong> avec l’argument explicite type = 3<\/code> :<\/p>\n

    modele_car <- lm(Score ~ Genre * Intensite_Exercice, data = donnees)<\/code>
    \ntable_type3 <- car::Anova(modele_car, type = 3)<\/code><\/p>\n

    7.3 Comparaison raisonn\u00e9e des sorties statistiques selon le type retenu<\/h3>\n

    L’impact compar\u00e9 des diff\u00e9rentes options de d\u00e9composition met en lumi\u00e8re la n\u00e9cessit\u00e9 d’une d\u00e9cision m\u00e9thodologique consciente. Dans un plan factoriel pr\u00e9sentant des cellules in\u00e9gales (par exemple avec des effectifs oscillant entre 15 et 30 sujets par cellule), l’ex\u00e9cution conjointe des m\u00e9thodes de Type I, Type II et Type III r\u00e9v\u00e8le des d\u00e9calages concrets sur les valeurs de sommes des carr\u00e9s et, par cons\u00e9quent, sur les probabilit\u00e9s p<\/em>.<\/p>\n

    Dans un Type I s\u00e9quentiel, le facteur positionn\u00e9 en t\u00eate de script s’accapare l’ensemble de la variance d’intersection, pouvant artificiellement appara\u00eetre significatif au d\u00e9triment du second facteur. Dans le cadre d’un mod\u00e8le sans interaction significative, le Type II offre la puissance statistique maximale pour d\u00e9tecter les effets principaux, car il ne dissipe pas de degr\u00e9s de libert\u00e9 r\u00e9siduels \u00e0 partialiser une interaction inexistante. En revanche, d\u00e8s lors qu’une interaction substantielle \u00e9merge, le Type II devient biais\u00e9 car ses hypoth\u00e8ses d’invariance marginale sont th\u00e9oriquement rompues.<\/p>\n

    L’arbre d\u00e9cisionnel contemporain en psychologie quantitative pr\u00e9conise par cons\u00e9quent l’algorithme suivant : d\u00e9buter par l’inspection de l’interaction \u00e0 l’aide d’un calcul de Type III ; si l’interaction s’av\u00e8re indiscutablement n\u00e9gligeable (p<\/em> > 0,20 et taille d’effet microscopique), le mod\u00e8le peut \u00eatre r\u00e9-estim\u00e9 sans terme d’interaction via des sommes des carr\u00e9s de Type II pour maximiser la sensibilit\u00e9 sur les effets principaux ; si l’interaction est significative, le cadre de Type III doit \u00eatre rigoureusement maintenu pour encadrer la d\u00e9composition cons\u00e9cutive des effets simples conditionnels.<\/p>\n

    8. Calcul et interpr\u00e9tation de la taille d’effet<\/h2>\n

    8.1 Mesures bas\u00e9es sur l’\u00e9ta-carr\u00e9<\/h3>\n

    La seule d\u00e9claration d’une significativit\u00e9 statistique bas\u00e9e sur une probabilit\u00e9 p<\/em> inf\u00e9rieure \u00e0 un seuil arbitraire constitue une pratique scientifique aujourd’hui jug\u00e9e insuffisante dans les standards internationaux. La p-valeur informe sur la probabilit\u00e9 d’observer de telles donn\u00e9es sous l’hypoth\u00e8se nulle, mais demeure captive de la taille de l’\u00e9chantillon : un effet trivial peut devenir statistiquement significatif au sein d’une cohorte colossale, tandis qu’un effet clinique majeur peut \u00e9chouer \u00e0 franchir le seuil fatidique en contexte de faible effectif. D\u00e8s lors, la quantification standardis\u00e9e de la magnitude de l’effet s’impose de fa\u00e7on incontournable.<\/p>\n

    La premi\u00e8re m\u00e9trique historique est l’\u00e9ta-carr\u00e9 global (η2<\/sup>), d\u00e9fini par le ratio arithm\u00e9tique de la somme des carr\u00e9s de l’effet consid\u00e9r\u00e9 sur la somme des carr\u00e9s totale du mod\u00e8le :<\/p>\n

    η2<\/sup> = SSEffet<\/sub> \/ SSTotal<\/sub><\/em><\/p>\n

    Bien qu’intuitive car repr\u00e9sentant le pourcentage absolu de la variance totale du ph\u00e9nom\u00e8ne imputable au facteur \u00e9tudi\u00e9, cette mesure pr\u00e9sente l’inconv\u00e9nient structurel majeur de d\u00e9pendre \u00e9troitement du nombre de variables explicatives inject\u00e9es dans l’exp\u00e9rience. Plus un protocole int\u00e8gre de facteurs ind\u00e9pendants, plus la somme des carr\u00e9s totale s’accro\u00eet, comprimant m\u00e9caniquement l’estimation de l’η2<\/sup> de chaque terme individuel.<\/p>\n

    Pour contourner ce biais comparatif, la communaut\u00e9 scientifique a privil\u00e9gi\u00e9 l’usage de l’\u00e9ta-carr\u00e9 partiel (ηp<\/sub>2<\/sup>). L’\u00e9ta-carr\u00e9 partiel neutralise la variance absorb\u00e9e par les autres facteurs exp\u00e9rimentaux pour n’\u00e9valuer le pouvoir explicatif d’un terme qu’en relation directe avec la variance r\u00e9siduelle inexpliqu\u00e9e :<\/p>\n

    ηp<\/sub>2<\/sup> = SSEffet<\/sub> \/ (SSEffet<\/sub> + SSR\u00e9siduel<\/sub>)<\/em><\/p>\n

    Sur le plan interpr\u00e9tatif, Jacob Cohen a d\u00e9fini des balises conventionnelles pour appr\u00e9hender l’amplitude de l’\u00e9ta-carr\u00e9 partiel au sein des disciplines comportementales : une valeur proche de 0,01 caract\u00e9rise un effet de petite taille ; un indice atteignant 0,06 signale un effet d’ampleur moyenne ; enfin, un score \u00e9gal ou sup\u00e9rieur \u00e0 0,14 traduit un effet de grande amplitude, d\u00e9notant un impact substantiel du protocole exp\u00e9rimental sur le plan psychologique.<\/p>\n

    8.2 Estimations non biais\u00e9es avec l’om\u00e9ga-carr\u00e9<\/h3>\n

    Bien que l’\u00e9ta-carr\u00e9 partiel demeure la m\u00e9trique la plus fr\u00e9quemment publi\u00e9e dans les revues acad\u00e9miques de psychologie, les statisticiens m\u00e9thodologistes ont d\u00e9montr\u00e9 qu’il souffre d’une surestimation syst\u00e9matique de la taille d’effet r\u00e9elle au sein de la population parente. L’indice ηp<\/sub>2<\/sup> constitue une m\u00e9trique purement descriptive issue de l’\u00e9chantillon observ\u00e9, qui a tendance \u00e0 capturer une fraction de la fluctuation stochastique locale, particuli\u00e8rement lorsque la taille des groupes demeure modeste (n<\/em> < 30).<\/p>\n

    Pour obtenir une estimation populationnelle non biais\u00e9e, l’indice d’om\u00e9ga-carr\u00e9 partiel (ωp<\/sub>2<\/sup>) constitue une alternative psychom\u00e9trique nettement sup\u00e9rieure. L’om\u00e9ga-carr\u00e9 partiel int\u00e8gre formellement le carr\u00e9 moyen de l’erreur r\u00e9siduelle dans son num\u00e9rateur pour p\u00e9naliser la variance empirique \u00e9chantillonnale et ajuster l’estimation en fonction des degr\u00e9s de libert\u00e9 r\u00e9els :<\/p>\n

    ωp<\/sub>2<\/sup> = (SSEffet<\/sub> – DfEffet<\/sub> × MSR\u00e9siduel<\/sub>) \/ (SSEffet<\/sub> + (N – DfEffet<\/sub>) × MSR\u00e9siduel<\/sub>)<\/em><\/p>\n

    Lorsque la statistique F observ\u00e9e est inf\u00e9rieure ou proche de 1, le num\u00e9rateur devient n\u00e9gatif ; par convention math\u00e9matique, l’ωp<\/sub>2<\/sup> est alors th\u00e9oriquement assign\u00e9 \u00e0 z\u00e9ro. L’indice d’om\u00e9ga-carr\u00e9 partiel refl\u00e8te ainsi avec une int\u00e9grit\u00e9 sup\u00e9rieure la part r\u00e9elle de variance g\u00e9n\u00e9ralisable hors du laboratoire.<\/p>\n

    8.3 Calcul informatique automatis\u00e9 dans l’\u00e9cosyst\u00e8me R<\/h3>\n

    L’estimation manuelle de ces m\u00e9triques est source d’erreurs r\u00e9currentes, notamment lors de l’application aux sorties de plans non \u00e9quilibr\u00e9s. Le package effectsize<\/strong> r\u00e9sout cette difficult\u00e9 en fournissant des fonctions optimis\u00e9es op\u00e9rant directement sur les objets d’ANOVA produits tant par aov()<\/code> que par car::Anova()<\/code>.<\/p>\n

    Pour calculer l’ensemble des grandeurs d’\u00e9ta-carr\u00e9 partiel, la syntaxe s’exprime imm\u00e9diatement par :<\/p>\n

    effectsize::eta_squared(modele_complet, partial = TRUE)<\/code><\/p>\n

    De fa\u00e7on strictement sym\u00e9trique, l’extraction des indices non biais\u00e9s s’op\u00e8re par :<\/p>\n

    effectsize::omega_squared(modele_complet, partial = TRUE)<\/code><\/p>\n

    L’atout m\u00e9thodologique majeur du package effectsize<\/strong> r\u00e9side dans le calcul automatique par d\u00e9faut des intervalles de confiance exacts \u00e0 95 % entourant chaque taille d’effet, d\u00e9termin\u00e9 via l’inversion de la distribution de F non centrale. La mention explicite de cet intervalle de confiance dans les publications permet d’appr\u00e9cier la pr\u00e9cision m\u00e9trologique de l’estimation, r\u00e9pondant ainsi pleinement aux exigences contemporaines de reproductibilit\u00e9 scientifique.<\/p>\n

    9. Analyses post-hoc et comparaisons multiples<\/h2>\n

    9.1 Comparaisons post-hoc des effets principaux avec Tukey HSD<\/h3>\n

    Lorsqu’un effet principal portant sur une variable ind\u00e9pendante comprenant au moins trois modalit\u00e9s (comme le facteur Intensite_Exercice<\/em>) s’av\u00e8re statistiquement significatif et que le terme d’interaction bidirectionnelle est rigoureusement non significatif, l’analyste se trouve confront\u00e9 \u00e0 une limitation inh\u00e9rente au test F global : l’ANOVA indique que les moyennes des trois groupes ne sont pas toutes \u00e9gales, mais elle est incapable de d\u00e9signer quelles paires de modalit\u00e9s diff\u00e8rent sp\u00e9cifiquement l’une de l’autre.<\/p>\n

    Pour lever cette ind\u00e9termination sans compromettre le seuil d’erreur de premi\u00e8re esp\u00e8ce, le recours \u00e0 la proc\u00e9dure des diff\u00e9rences honn\u00eatement significatives de Tukey (Tukey HSD – Honestly Significant Difference) constitue la d\u00e9marche de r\u00e9f\u00e9rence. Cette m\u00e9thode ajuste rigoureusement la distribution de r\u00e9f\u00e9rence en exploitant la loi de l’amplitude standardis\u00e9e (studentized range distribution), assurant que le taux d’erreur par famille de comparaisons (FWER) n’exc\u00e8de sous aucun pr\u00e9texte le seuil α = 0,05, quel que soit le nombre de paires compar\u00e9es.<\/p>\n

    Dans R de base, la commande s’ex\u00e9cute directement sur l’objet mod\u00e8le via :<\/p>\n

    TukeyHSD(modele_complet, which = \"Intensite_Exercice\")<\/code><\/p>\n

    L’affichage tabulaire qui en r\u00e9sulte rapporte pour chaque comparaison par paire (par exemple Mod\u00e9r\u00e9e vs Faible, \u00c9lev\u00e9e vs Faible, \u00c9lev\u00e9e vs Mod\u00e9r\u00e9e) la diff\u00e9rence estim\u00e9e entre les moyennes, les bornes inf\u00e9rieure et sup\u00e9rieure de l’intervalle de confiance ajust\u00e9 \u00e0 95 % ainsi que la probabilit\u00e9 p<\/em> corrig\u00e9e (p adj<\/code>). Si l’intervalle de confiance n’englobe pas la valeur z\u00e9ro, la comparaison unilat\u00e9rale est formellement d\u00e9clar\u00e9e statistiquement significative au niveau choisi.<\/p>\n

    9.2 D\u00e9composition des effets simples en pr\u00e9sence d’une interaction significative<\/h3>\n

    L’interpr\u00e9tation directe des effets principaux est strictement proscrite sur le plan m\u00e9thodologique d\u00e8s lors qu’un effet d’interaction significatif a \u00e9t\u00e9 \u00e9tabli. Proclamer qu’il existe un \u00ab effet g\u00e9n\u00e9ral \u00bb de l’intensit\u00e9 d’exercice ind\u00e9pendamment du genre n’a aucun sens th\u00e9orique si la r\u00e9ponse attentionnelle varie de mani\u00e8re oppos\u00e9e selon que le participant est une femme ou un homme. L’analyse globale doit alors c\u00e9der la place \u00e0 l’\u00e9valuation m\u00e9thodique des effets simples conditionnels (simple effects).<\/p>\n

    L’analyse des effets simples consiste \u00e0 fractionner le plan factoriel bidimensionnel pour tester l’impact d’un premier facteur \u00e0 chaque modalit\u00e9 fix\u00e9e du second facteur. Deux familles d’effets simples peuvent \u00eatre investigu\u00e9es :<\/p>\n

      \n
    1. L’effet de l’intensit\u00e9 d’exercice s\u00e9gr\u00e9g\u00e9 s\u00e9par\u00e9ment chez les participantes f\u00e9minines, puis chez les participants masculins.<\/li>\n
    2. L’effet du genre analys\u00e9 s\u00e9par\u00e9ment au sein de la modalit\u00e9 d’exercice faible, puis au sein de la modalit\u00e9 mod\u00e9r\u00e9e, puis au sein de la modalit\u00e9 \u00e9lev\u00e9e.<\/li>\n<\/ol>\n

      Le package emmeans<\/strong> (Estimated Marginal Means), d\u00e9velopp\u00e9 par Russell Lenth, est le standard algorithmique contemporain pour ex\u00e9cuter cette d\u00e9composition avec une rigueur absolue. L’appel s\u00e9quentiel \u00e0 la fonction emmeans()<\/code> coupl\u00e9e \u00e0 la fonction joint_tests()<\/code> permet d’interroger la significativit\u00e9 globale des tranches conditionnelles du mod\u00e8le :<\/p>\n

      library(emmeans)<\/code>
      \nmarges_interaction <- emmeans(modele_complet, ~ Intensite_Exercice | Genre)<\/code>
      \neffets_simples_F <- joint_tests(modele_complet, by = \"Genre\")<\/code><\/p>\n

      Cette commande g\u00e9n\u00e8re un test F d\u00e9di\u00e9 pour chaque strate, utilisant le carr\u00e9 moyen r\u00e9siduel mutualis\u00e9 de l’ANOVA globale pour conserver une puissance optimale tout en \u00e9valuant s\u00e9par\u00e9ment les dynamiques propres \u00e0 chaque genre.<\/p>\n

      9.3 Ajustement de la significativit\u00e9 statistique pour comparaisons multiples<\/h3>\n

      Une fois les effets simples globaux \u00e9valu\u00e9s par tranche factorielle, la comparaison m\u00e9thodique des paires de sous-groupes (contrastes post-hoc d’effets simples) d\u00e9clenche une prolif\u00e9ration de tests statistiques distincts. Pour neutraliser l’inflation de l’erreur α qui en d\u00e9coule in\u00e9luctablement, un protocole d’ajustement math\u00e9matique doit \u00eatre explicitement configur\u00e9.<\/p>\n

      La correction conservative historique de Bonferroni divise simplement le seuil nominal α par le nombre total k<\/em> de tests ex\u00e9cut\u00e9s. Bien qu’extr\u00eamement robuste, elle s’av\u00e8re souvent excessivement punitive et d\u00e9t\u00e9riore dramatiquement la puissance statistique lorsque le nombre de contrastes s’accro\u00eet. La m\u00e9thode de Holm-Bonferroni (proc\u00e9dure s\u00e9quentielle par \u00e9tapes) s’av\u00e8re uniform\u00e9ment sup\u00e9rieure \u00e0 la correction de Bonferroni classique, offrant un contr\u00f4le strict du FWER tout en lib\u00e9rant une sensibilit\u00e9 statistique substantiellement plus forte.<\/p>\n

      \"Multiple
      Multiple comparison confidence intervals in R<\/figcaption><\/figure>\n

      Dans les contextes de criblage exp\u00e9rimental \u00e9tendu o\u00f9 de multiples comparaisons conditionnelles sont conduites, l’ajustement selon le taux de faux positifs (False Discovery Rate – FDR de Benjamini-Hochberg) constitue une strat\u00e9gie alternative pragmatique reconnue. Au sein du package emmeans<\/strong>, l’application de ces ajustements se configure directement lors de l’appel \u00e0 la fonction pairs()<\/code> via l’argument adjust<\/code> :<\/p>\n

      comparaisons_conditionnelles <- pairs(marges_interaction, adjust = \"holm\")<\/code><\/p>\n

      Cette instruction recalibre instantan\u00e9ment l’ensemble des probabilit\u00e9s et permet d’isoler pr\u00e9cis\u00e9ment quelles cellules conditionnelles diff\u00e8rent de leurs homologues avec un contr\u00f4le d’erreur irr\u00e9prochable.<\/p>\n

      10. Visualisation avanc\u00e9e de l’interaction pour la publication scientifique<\/h2>\n

      10.1 Repr\u00e9sentation graphique des moyennes marginales estim\u00e9es<\/h3>\n

      Pour communiquer efficacement la dynamique d’une interaction au sein d’une revue scientifique \u00e0 comit\u00e9 de lecture, le chercheur doit privil\u00e9gier la mod\u00e9lisation graphique des moyennes marginales estim\u00e9es (least-squares means) issues directement du mod\u00e8le lin\u00e9aire ajust\u00e9, plut\u00f4t que les simples moyennes arithm\u00e9tiques descriptives de l’\u00e9chantillon brut. Cette distinction m\u00e9thodologique garantit que la figure refl\u00e8te exactement la d\u00e9composition param\u00e9trique test\u00e9e, notamment en compensant l’asym\u00e9trie \u00e9ventuelle des effectifs cellulaires.<\/p>\n

      L’extraction de ces estimations pour la visualisation s’effectue avec le package emmeans<\/strong> converti sous forme d’un tableau de donn\u00e9es exploitable par ggplot2<\/strong> :<\/p>\n

      df_emmeans <- as.data.frame(emmeans(modele_complet, ~ Intensite_Exercice * Genre))<\/code><\/p>\n

      Ce tableau structure les coordonn\u00e9es exactes des points centraux (emmean<\/code>), des erreurs types (SE<\/code>) ainsi que les bornes inf\u00e9rieures et sup\u00e9rieures des intervalles de confiance \u00e0 95 % ajust\u00e9s (lower.CL<\/code> et upper.CL<\/code>). En int\u00e9grant ces estimations dans un pipeline ggplot2<\/strong> articulant geom_line()<\/code> et geom_point()<\/code>, on obtient une trajectoire factorielle rigoureuse, compl\u00e9t\u00e9e par l’adjonction de barres d’erreur explicites au moyen de geom_errorbar()<\/code>.<\/p>\n

      10.2 Personnalisation esth\u00e9tique respectant les standards acad\u00e9miques<\/h3>\n

      L’esth\u00e9tique visuelle par d\u00e9faut des graphiques de R de base ou du th\u00e8me standardis\u00e9 de ggplot2 (notamment le fond gris quadrill\u00e9) est inadapt\u00e9e aux exigences \u00e9ditoriales des revues acad\u00e9miques. Selon les pr\u00e9ceptes formels de l’American Psychological Association (normes APA), une figure scientifique doit arborer une clart\u00e9 typographique totale, exempte de fioritures ornementales ou de surcharge d’encre inutile (chartjunk).<\/p>\n

      L’application du th\u00e8me theme_classic()<\/code> constitue la base de cette mise en conformit\u00e9 en supprimant int\u00e9gralement les quadrillages parasites et en instanciant des axes orthogonaux noirs nets. Les choix chromatiques doivent obligatoirement \u00eatre compatibles avec les contraintes d’impression en niveaux de gris et demeurer parfaitement lisibles pour les personnes pr\u00e9sentant des d\u00e9ficiences de la vision des couleurs (daltonisme). L’utilisation de la palette scale_color_viridis_d(option = \"D\")<\/code> ou de d\u00e9clinaisons de gris contrast\u00e9es associ\u00e9es \u00e0 des formes de points diff\u00e9renci\u00e9es (cercles pleins versus triangles pleins via shape = Genre<\/code>) assure cette universalit\u00e9 perceptive.<\/p>\n

      De surcro\u00eet, les intitul\u00e9s d’axes ne doivent en aucun cas comporter les noms de variables bruts du code informatique, mais afficher des formulations textuelles explicites enrichies des unit\u00e9s de mesure physiques ou psychom\u00e9triques (par exemple : \u00ab Performance attentionnelle (Score standardis\u00e9 de 50 \u00e0 120) \u00bb et \u00ab Intensit\u00e9 de l’exercice physique \u00bb).<\/p>\n

      10.3 Exportation haute r\u00e9solution pour les revues \u00e0 comit\u00e9 de lecture<\/h3>\n

      L’exportation finale de la figure depuis la session R vers l’environnement \u00e9ditorial constitue l’ultime maillon technique du dispositif. Les \u00e9diteurs scientifiques imposent des sp\u00e9cifications extr\u00eamement rigoureuses quant \u00e0 la r\u00e9solution matricielle et aux formats vectoriels des illustrations scientifiques. Une image pix\u00e9lis\u00e9e ou floue constitue un motif fr\u00e9quent de renvoi lors du processus de r\u00e9vision.<\/p>\n

      La commande universelle ggsave()<\/code> du package ggplot2<\/strong> offre un contr\u00f4le total de ces param\u00e8tres d’exportation. Il est recommand\u00e9 de privil\u00e9gier les formats vectoriels purs tels que le PDF ou le format SVG pour les revues supportant ces standards, car ils garantissent une nettet\u00e9 absolue quelle que soit l’\u00e9chelle d’agrandissement typographique :<\/p>\n

      ggsave(\"Figure1_Interaction_Attention.pdf\", width = 16, height = 11, units = \"cm\")<\/code><\/p>\n

      Pour les \u00e9diteurs requ\u00e9rant exclusivement des fichiers matriciels non compress\u00e9s (tels que les formats TIFF ou PNG haute d\u00e9finition), l’argument dpi<\/code> (dots per inch) doit imp\u00e9rativement \u00eatre configur\u00e9 \u00e0 un seuil minimal de 300 DPI pour les photographies en demi-teintes et de 600 \u00e0 1200 DPI pour les graphiques au trait et figures statistiques :<\/p>\n

      ggsave(\"Figure1_Interaction_Attention.tiff\", dpi = 600, width = 16, height = 11, units = \"cm\", compression = \"lzw\")<\/code><\/p>\n

      La d\u00e9finition m\u00e9trique pr\u00e9cise de la largeur et de la hauteur en centim\u00e8tres assure que la taille des polices de caract\u00e8res demeurera parfaitement proportionn\u00e9e \u00e0 la mise en page finale de l’article sur une colonne ou deux colonnes.<\/p>\n

      11. Solutions m\u00e9thodologiques face \u00e0 la violation des postulats<\/h2>\n

      11.1 Transformations math\u00e9matiques de la variable d\u00e9pendante<\/h3>\n

      Lorsque les diagnostics r\u00e9siduels r\u00e9v\u00e8lent des violations substantielles des postulats de normalit\u00e9 ou d’homog\u00e9n\u00e9it\u00e9 des variances, l’application directe de l’ANOVA factorielle standard sur les scores bruts devient intenable. La premi\u00e8re strat\u00e9gie correctrice, historiquement pr\u00e9conis\u00e9e, consiste \u00e0 appliquer une transformation math\u00e9matique non lin\u00e9aire \u00e0 la variable d\u00e9pendante continue afin de sym\u00e9triser les distributions et de stabiliser la variance locale.<\/p>\n

      En pr\u00e9sence d’une asym\u00e9trie positive prononc\u00e9e (distribution \u00e9tir\u00e9e vers la droite avec une longue queue), fr\u00e9quente dans l’\u00e9valuation des temps de r\u00e9action ou des concentrations de biomarqueurs salivaires de stress (cortisol), la transformation logarithmique n\u00e9p\u00e9rienne ou d\u00e9cimale (log(Y)<\/code> ou log10(Y)<\/code>) constitue le traitement de r\u00e9f\u00e9rence. Si les donn\u00e9es comportent des scores nuls, l’adjonction d’une constante minimale unitaire (log(Y + 1)<\/code>) est requise. Pour des donn\u00e9es de comptage psychologique discret ou des taux d’erreurs limit\u00e9s, la transformation par racine carr\u00e9e (sqrt(Y)<\/code>) ou la transformation arcosinus de la racine de la proportion d\u00e9montrent une efficacit\u00e9 reconnue.<\/p>\n

      Une approche param\u00e9trique unifi\u00e9e plus avanc\u00e9e consiste \u00e0 d\u00e9terminer empiriquement le param\u00e8tre optimal λ de la famille des transformations de Box-Cox via la fonction boxcox()<\/code> du package MASS<\/strong>. La valeur λ maximisant la vraisemblance du mod\u00e8le lin\u00e9aire guide le choix de la transformation la plus rigoureuse (par exemple λ = 0 pour le log, λ = 0.5 pour la racine carr\u00e9e, λ = -1 pour la transformation inverse). Toutefois, les transformations math\u00e9matiques introduisent une lourde contrainte \u00e9pist\u00e9mologique : les inf\u00e9rences statistiques et les comparaisons de moyennes sont \u00e9tablies sur une \u00e9chelle transform\u00e9e artificielle, ce qui complique substantiellement l’interpr\u00e9tation clinique directe et impose des r\u00e9tro-conversions m\u00e9triques d\u00e9licates lors de la r\u00e9daction des r\u00e9sultats.<\/p>\n

      11.2 Approches non param\u00e9triques factorielles et tests sur rangs align\u00e9s<\/h3>\n

      Face \u00e0 des donn\u00e9es quantitatives qui r\u00e9sistent aux transformations math\u00e9matiques ou qui se pr\u00e9sentent sous une forme ordinale manifeste, les analystes cherchent souvent des alternatives non param\u00e9triques. Il existe toutefois une m\u00e9conception r\u00e9pandue consistant \u00e0 tenter d’appliquer le test de Kruskal-Wallis. Ce dernier est un test univari\u00e9 \u00e0 une dimension incapable de mod\u00e9liser un plan crois\u00e9 et formellement inapte \u00e0 tester une interaction factorielle.<\/p>\n

      Pour conduire une analyse factorielle non param\u00e9trique authentique sous R, la m\u00e9thode de transformation par rangs align\u00e9s (Aligned Rank Transform – ART), d\u00e9velopp\u00e9e par Wobbrock et ses collaborateurs, constitue la solution m\u00e9thodologique optimale. Contrairement \u00e0 une simple conversion des scores globaux en rangs (qui fausse l’estimation des interactions dans les plans factoriels), l’algorithme ART proc\u00e8de \u00e0 un alignement pr\u00e9alable des donn\u00e9es en soustrayant \u00e0 chaque observation les estimations des effets marginaux avant d’assigner les rangs. Cette op\u00e9ration isole math\u00e9matiquement l’effet sp\u00e9cifique d’int\u00e9r\u00eat avant la phase de classement.<\/p>\n

      Cette approche se d\u00e9ploie dans R gr\u00e2ce au package sp\u00e9cialis\u00e9 ARTool<\/strong>. La syntaxe op\u00e9rationnelle s’articule comme suit :<\/p>\n

      library(ARTool)<\/code>
      \nmodele_art <- art(Score ~ Genre * Intensite_Exercice, data = donnees)<\/code>
      \ntable_art <- anova(modele_art)<\/code><\/p>\n

      L’objet r\u00e9sultant produit une table d’ANOVA non param\u00e9trique robuste fournissant des statistiques F valides tant pour l’ensemble des effets principaux que pour le terme d’interaction bidirectionnelle, sans exiger aucune hypoth\u00e8se distributionnelle quant \u00e0 la normalit\u00e9 des r\u00e9sidus.<\/p>\n

      11.3 Mod\u00e9lisation lin\u00e9aire robuste et techniques de r\u00e9\u00e9chantillonnage<\/h3>\n

      L’armement m\u00e9thodologique contemporain offre des voies de mod\u00e9lisation plus flexibles et directes que la transformation de variables ou la conversion en rangs : les mod\u00e8les lin\u00e9aires robustes et le bootstrap non param\u00e9trique.<\/p>\n

      La mod\u00e9lisation lin\u00e9aire robuste substitue \u00e0 la fonction de perte quadratique standard des estimateurs M ou MM qui att\u00e9nuent consid\u00e9rablement le poids des observations p\u00e9riph\u00e9riques et r\u00e9sistent \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 locale. Sous R, la fonction rlm()<\/code> du package MASS<\/strong> ou, de mani\u00e8re encore plus performante, le package robustbase<\/strong> avec la commande lmrob()<\/code> permettent d’ajuster des plans factoriels complexes dont les coefficients et les matrices de covariance r\u00e9sistent aux d\u00e9formations structurales de l’\u00e9chantillonnage.<\/p>\n

      Parall\u00e8lement, les techniques de r\u00e9\u00e9chantillonnage bootstrap permettent d’engendrer empiriquement la distribution d’\u00e9chantillonnage de la statistique F ou des diff\u00e9rences de moyennes sans formuler le moindre postulat param\u00e9trique th\u00e9orique. En tirant plusieurs milliers de sous-\u00e9chantillons al\u00e9atoires avec remise au sein des donn\u00e9es d’origine via le package boot<\/strong>, le statisticien d\u00e9rive des intervalles de confiance percentiles ou BCa (bias-corrected and accelerated) d’une fiabilit\u00e9 absolue.<\/p>\n

      Enfin, lorsque la variable d\u00e9pendante ob\u00e9it \u00e0 une distribution math\u00e9matique sp\u00e9cifique non gaussienne mais connue (par exemple une distribution binomiale pour des choix binaires, une distribution de Poisson ou binomiale n\u00e9gative pour des comptages d’\u00e9v\u00e9nements discrets, ou une loi Gamma pour des dur\u00e9es strictement positives), l’ajustement direct d’un Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ralis\u00e9 (GLM) via la fonction glm()<\/code> constitue la d\u00e9marche statistique la plus rigoureuse et la plus \u00e9l\u00e9gante du point de vue th\u00e9orique.<\/p>\n

      12. R\u00e9daction et diffusion acad\u00e9mique des r\u00e9sultats selon les normes APA (7e \u00e9dition)<\/h2>\n

      12.1 Directives typographiques pour l’expression des statistiques d’ANOVA<\/h3>\n

      La formalisation textuelle des inf\u00e9rences quantitatives au sein des publications universitaires est strictement r\u00e9gie par les conventions \u00e9ditoriales du manuel de l’APA (7e \u00e9dition). Tout rapport statistique d’un test d’ANOVA factorielle doit obligatoirement encapsuler un ensemble complet et standardis\u00e9 de m\u00e9triques pour permettre au lecteur d’\u00e9valuer la port\u00e9e de la preuve empirique.<\/p>\n

      La statistique du test doit \u00eatre symbolis\u00e9e par la lettre majuscule F<\/em>, rigoureusement imprim\u00e9e en caract\u00e8res italiques. Elle doit \u00eatre imm\u00e9diatement suivie, entre parenth\u00e8ses, des degr\u00e9s de libert\u00e9 intergroupes de l’effet consid\u00e9r\u00e9 et des degr\u00e9s de libert\u00e9 r\u00e9siduels intra-groupe, s\u00e9par\u00e9s par une virgule (par exemple : F<\/em>(2, 84)). La valeur exacte du ratio F calcul\u00e9 doit \u00eatre rapport\u00e9e avec un arrondi strict \u00e0 deux d\u00e9cimales.<\/p>\n

      Concernant la valeur de probabilit\u00e9 associ\u00e9e (valeur p<\/em>), la lettre p<\/em> minuscule doit \u00eatre en italique. Si la probabilit\u00e9 est \u00e9gale ou sup\u00e9rieure \u00e0 0,001, elle doit \u00eatre explicit\u00e9e avec sa valeur exacte arrondie \u00e0 trois d\u00e9cimales (par exemple : p<\/em> = .023 ou p<\/em> = .418), sans omettre de supprimer le z\u00e9ro initial pr\u00e9c\u00e9dant la virgule ou le point d\u00e9cimal selon les usages anglo-saxons repris en psychom\u00e9trie internationale. Si la probabilit\u00e9 est inf\u00e9rieure au seuil milli\u00e8me, elle est d\u00e9clar\u00e9e sous la forme de l’in\u00e9galit\u00e9 stricte : p<\/em> < .001. Enfin, toute statistique inf\u00e9rentielle doit \u00eatre accompagn\u00e9e de son indice de taille d’effet standardis\u00e9, conventionnellement l’\u00e9ta-carr\u00e9 partiel (ηp<\/sub>2<\/sup>) ou l’om\u00e9ga-carr\u00e9 partiel (ωp<\/sub>2<\/sup>), arrondi \u00e0 deux ou trois d\u00e9cimales.<\/p>\n

      12.2 Exemples de formulations textuelles de synth\u00e8ses exp\u00e9rimentales<\/h3>\n

      Pour concr\u00e9tiser ces pr\u00e9ceptes r\u00e9dactionnels, examinons deux gabarits de synth\u00e8se textuelle r\u00e9pondant parfaitement aux standards d’\u00e9valuation par les pairs.<\/p>\n

      Cas 1 : Mod\u00e8le avec interaction non significative<\/strong>
      \n\u00ab Une analyse de variance factorielle \u00e0 deux facteurs (2 × 3) inter-sujets a \u00e9t\u00e9 conduite pour \u00e9valuer l’impact du genre (f\u00e9minin vs masculin) et de l’intensit\u00e9 de l’exercice physique (faible, mod\u00e9r\u00e9e, \u00e9lev\u00e9e) sur les performances attentionnelles. Les analyses pr\u00e9liminaires ont confirm\u00e9 la normalit\u00e9 des r\u00e9sidus (test de Shapiro-Wilk, W<\/em> = 0.989, p<\/em> = .682) ainsi que l’homosc\u00e9dasticit\u00e9 des variances entre les groupes (test de Levene centr\u00e9 sur la m\u00e9diane, F<\/em>(5, 114) = 1.12, p<\/em> = .354). L’effet d’interaction entre le genre et l’intensit\u00e9 d’exercice ne s’est pas av\u00e9r\u00e9 statistiquement significatif, F<\/em>(2, 114) = 0.84, p<\/em> = .434, ηp<\/sub>2<\/sup> = .01, ωp<\/sub>2<\/sup> < .001, justifiant l’interpr\u00e9tation directe des effets principaux. L’effet principal du genre n’a r\u00e9v\u00e9l\u00e9 aucune diff\u00e9rence significative entre les femmes (M<\/em> = 78.45, SD<\/em> = 10.12) et les hommes (M<\/em> = 77.89, SD<\/em> = 10.45), F<\/em>(1, 114) = 0.18, p<\/em> = .672, ηp<\/sub>2<\/sup> = .002. En revanche, un effet principal statistiquement significatif et d’ampleur substantielle a \u00e9t\u00e9 mis en \u00e9vidence pour l’intensit\u00e9 de l’exercice, F<\/em>(2, 114) = 14.62, p<\/em> < .001, ηp<\/sub>2<\/sup> = .20, ωp<\/sub>2<\/sup> = .18. Des comparaisons post-hoc ajust\u00e9es par la m\u00e9thode de Tukey ont indiqu\u00e9 que l’exercice d’intensit\u00e9 mod\u00e9r\u00e9e induisait des scores d’attention significativement sup\u00e9rieurs (M<\/em> = 85.12, SD<\/em> = 8.76) par rapport \u00e0 l’exercice de faible intensit\u00e9 (M<\/em> = 72.34, SD<\/em> = 9.45, p<\/em> < .001, d<\/em> = 1.40) et \u00e0 l’exercice d’intensit\u00e9 \u00e9lev\u00e9e (M<\/em> = 76.95, SD<\/em> = 9.12, p<\/em> = .002, d<\/em> = 0.91). \u00bb<\/p>\n

      Cas 2 : Mod\u00e8le avec interaction significative<\/strong>
      \n\u00ab L’analyse de variance \u00e0 deux facteurs a r\u00e9v\u00e9l\u00e9 une interaction bidirectionnelle hautement significative entre le genre des participants et l’intensit\u00e9 de l’exercice physique sur les scores attentionnels, F<\/em>(2, 114) = 8.95, p<\/em> < .001, ηp<\/sub>2<\/sup> = .14, ωp<\/sub>2<\/sup> = .12. Compte tenu de cette d\u00e9pendance structurelle, les effets principaux n’ont pas \u00e9t\u00e9 interpr\u00e9t\u00e9s globalement et une d\u00e9composition en effets simples conditionnels a \u00e9t\u00e9 r\u00e9alis\u00e9e \u00e0 l’aide de moyennes marginales estim\u00e9es avec un contr\u00f4le du FWER par la m\u00e9thode de Holm-Bonferroni. Chez les femmes, l’effet simple de l’intensit\u00e9 d’exercice s’est av\u00e9r\u00e9 significatif, F<\/em>(2, 114) = 18.41, p<\/em> < .001, ηp<\/sub>2<\/sup> = .24, les contrastes post-hoc r\u00e9v\u00e9lant une sup\u00e9riorit\u00e9 marqu\u00e9e de l’intensit\u00e9 mod\u00e9r\u00e9e (M<\/em> = 91.20, SE<\/em> = 1.82) face \u00e0 l’intensit\u00e9 faible (M<\/em> = 70.15, SE<\/em> = 1.82, p<\/em> < .001). \u00c0 l’inverse, chez les hommes, l’effet simple de l’intensit\u00e9 d’exercice n’a pas atteint le seuil de significativit\u00e9 conventionnel, F<\/em>(2, 114) = 1.23, p<\/em> = .296, ηp<\/sub>2<\/sup> = .02, les performances demeurant stables \u00e0 travers l’ensemble des conditions. \u00bb<\/p>\n

      12.3 Conception d’un tableau synth\u00e9tique d’ANOVA norm\u00e9 APA<\/h3>\n

      L’int\u00e9gration d’une table synth\u00e9tique r\u00e9capitulative est souvent requise pour consigner l’int\u00e9gralit\u00e9 des termes du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Les normes de l’APA imposent une g\u00e9om\u00e9trie \u00e9ditoriale \u00e9pur\u00e9e : l’usage des lignes verticales est formellement interdit, et seules trois lignes de s\u00e9paration horizontales principales doivent structurer le tableau (d\u00e9limitant l’en-t\u00eate sup\u00e9rieure, la s\u00e9paration des libell\u00e9s de colonnes et la cl\u00f4ture inf\u00e9rieure du corps de table).<\/p>\n\n\n\n\n\n\n\n\n
      Tableau 1. Analyse de variance factorielle \u00e0 deux facteurs appliqu\u00e9e aux scores d’attention s\u00e9lective<\/em><\/caption>\n
      Source de variation<\/th>\nSS<\/em><\/th>\ndl<\/em><\/th>\nMS<\/em><\/th>\nF<\/em><\/th>\np<\/em><\/th>\nηp<\/sub>2<\/sup><\/th>\n95% IC [ηp<\/sub>2<\/sup>]<\/th>\n<\/tr>\n<\/thead>\n
      Genre<\/td>\n16.42<\/td>\n1<\/td>\n16.42<\/td>\n0.18<\/td>\n.672<\/td>\n.002<\/td>\n[.000, .045]<\/td>\n<\/tr>\n
      Intensit\u00e9 exercice<\/td>\n2648.75<\/td>\n2<\/td>\n1324.38<\/td>\n14.62<\/td>\n< .001<\/td>\n.204<\/td>\n[.089, .318]<\/td>\n<\/tr>\n
      Genre × Intensit\u00e9<\/td>\n1621.50<\/td>\n2<\/td>\n810.75<\/td>\n8.95<\/td>\n< .001<\/td>\n.136<\/td>\n[.037, .242]<\/td>\n<\/tr>\n
      R\u00e9sidus (Erreur)<\/td>\n10325.33<\/td>\n114<\/td>\n90.57<\/td>\n<\/td>\n<\/td>\n<\/td>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

      Dans l’\u00e9cosyst\u00e8me R contemporain, la production automatis\u00e9e de ces tableaux norm\u00e9s s’effectue avantageusement au moyen du package papaja<\/strong> (con\u00e7u sp\u00e9cifiquement pour la compilation de manuscrits scientifiques reproductibles via R Markdown ou Quarto) \u00e0 travers la commande apa_print()<\/code>, ou via les fonctions sp\u00e9cialis\u00e9es du package sjPlot<\/strong> (telles que tab_model()<\/code>) et gtsummary<\/strong>. Ces outils permettent d’exporter instantan\u00e9ment des tableaux statistiques irr\u00e9prochables directement \u00e9ditables sous Microsoft Word ou int\u00e9grables dans des flux de composition LaTeX, \u00e9liminant ainsi d\u00e9finitivement les risques d’erreurs de retranscription manuelle.<\/p>\n

      R\u00e9f\u00e9rences<\/h2>\n