{"id":5846,"date":"2026-09-16T03:11:15","date_gmt":"2026-09-16T03:11:15","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-le-test-de-tukey-en-python\/"},"modified":"2026-09-16T03:11:15","modified_gmt":"2026-09-16T03:11:15","slug":"comment-effectuer-le-test-de-tukey-en-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-le-test-de-tukey-en-python","title":{"rendered":"Comment effectuer le test de Tukey en Python"},"content":{"rendered":"

Dans le domaine des sciences comportementales, de la psychologie exp\u00e9rimentale et des neurosciences cognitives, l’\u00e9valuation quantitative des diff\u00e9rences entre conditions exp\u00e9rimentales constitue le socle de la d\u00e9marche empirique. Lorsqu’un chercheur manipule une variable ind\u00e9pendante comportant trois modalit\u00e9s ou davantage, l’analyse de variance, commun\u00e9ment d\u00e9sign\u00e9e sous le terme d’analyse de variance (ANOVA)<\/a>, s’impose comme l’outil standard pour d\u00e9terminer si une variabilit\u00e9 intergroupe significative \u00e9merge au-del\u00e0 des fluctuations purement al\u00e9atoires. Toutefois, l’ANOVA ne fournit qu’un verdict global : elle signale qu’au moins une condition se distingue des autres, sans jamais r\u00e9v\u00e9ler la configuration pr\u00e9cise de ces disparit\u00e9s. Pour \u00e9lucider l’architecture exacte de ces effets, le recours \u00e0 des proc\u00e9dures de comparaisons multiples a posteriori, ou tests post-hoc, devient une n\u00e9cessit\u00e9 m\u00e9thodologique incontournable.<\/p>\n

Parmi l’arsenal des tests post-hoc d\u00e9velopp\u00e9s au cours du vingti\u00e8me si\u00e8cle, le test de la plus petite diff\u00e9rence significative honn\u00eate, formalis\u00e9 par le statisticien John Tukey et universellement connu sous l’acronyme de test HSD de Tukey (Honestly Significant Difference)<\/a>, occupe une place pr\u00e9pond\u00e9rante. Fond\u00e9 sur la distribution de l’\u00e9tendue studentis\u00e9e, ce test permet de sonder simultan\u00e9ment l’ensemble des paires possibles de moyennes tout en maintenant un contr\u00f4le rigoureux et inflexible sur le risque d’erreur de premi\u00e8re esp\u00e8ce \u00e0 l’\u00e9chelle de l’ensemble de la famille de comparaisons. Il r\u00e9sout ainsi avec \u00e9l\u00e9gance la tension fondamentale entre la protection contre les faux positifs et le maintien d’une puissance statistique suffisante pour d\u00e9tecter des ph\u00e9nom\u00e8nes psychologiques r\u00e9els mais subtils.<\/p>\n

Avec l’av\u00e8nement de la science ouverte et la transition progressive des laboratoires vers des \u00e9cosyst\u00e8mes informatiques libres, reproductibles et automatisables, le langage de programmation Python s’est impos\u00e9 comme une plateforme de premier plan pour le traitement des donn\u00e9es biom\u00e9dicales et comportementales. Soutenu par des biblioth\u00e8ques scientifiques hautement optimis\u00e9es telles que NumPy, SciPy, Pandas et Statsmodels, Python permet d’ex\u00e9cuter avec rigueur l’int\u00e9gralit\u00e9 du pipeline analytique, depuis le nettoyage des matrices de donn\u00e9es jusqu’\u00e0 l’inf\u00e9rence simultan\u00e9e et la g\u00e9n\u00e9ration de visualisations conformes aux exigences acad\u00e9miques. Ce guide exhaustif d\u00e9taille les fondements math\u00e9matiques, les pr\u00e9requis distributionnels et la mise en \u0153uvre pratique pas-\u00e0-pas du test de Tukey en Python, fournissant aux chercheurs et analystes de donn\u00e9es un cadre m\u00e9thodologique complet et imm\u00e9diatement op\u00e9rationnel.<\/p>\n

1. Introduction aux tests post-hoc et au test HSD de Tukey en psychologie<\/h2>\n

1.1 Le r\u00f4le de l’analyse de variance (ANOVA) et ses limites intrins\u00e8ques<\/h3>\n

L’analyse de variance \u00e0 un facteur contr\u00f4l\u00e9 constitue l’une des techniques inf\u00e9rentielles les plus r\u00e9pandues en psychologie cognitive, sociale et clinique. Sa finalit\u00e9 consiste \u00e0 comparer les moyennes d’une variable d\u00e9pendante quantitative continue observ\u00e9es \u00e0 travers trois groupes exp\u00e9rimentaux ou davantage. L’hypoth\u00e8se nulle statistique stipule l’\u00e9galit\u00e9 parfaite de l’ensemble des param\u00e8tres d’esp\u00e9rance math\u00e9matique au sein de la population parente, ce qui s’exprime formellement par l’\u00e9galit\u00e9 de l’ensemble des moyennes des groupes observ\u00e9s. Lorsque la valeur empirique du rapport de variance de Fisher-Snedecor surpasse le seuil critique fix\u00e9 pour les degr\u00e9s de libert\u00e9 correspondants, l’hypoth\u00e8se nulle est rejet\u00e9e en faveur de l’hypoth\u00e8se alternative, attestant qu’au moins une paire de moyennes diff\u00e8re significativement.<\/p>\n

N\u00e9anmoins, la limitation fondamentale de l’ANOVA r\u00e9side dans son caract\u00e8re omnibus. Le test global indique la pr\u00e9sence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 parmi les groupes, mais ne procure aucune information sur l’origine pr\u00e9cise de cette divergence. En pratique, l’effet omnibus peut d\u00e9couler du d\u00e9tachement d’un seul groupe extr\u00eame vis-\u00e0-vis d’un ensemble homog\u00e8ne, d’une s\u00e9paration nette entre deux sous-ensembles de conditions, ou encore d’une gradation continue entre toutes les modalit\u00e9s exp\u00e9rimentales. Pour un chercheur \u00e9tudiant par exemple l’influence de plusieurs dosages pharmacologiques ou de diff\u00e9rents protocoles de rem\u00e9diation cognitive sur le temps de r\u00e9action, le simple constat d’un effet global s’av\u00e8re insuffisant pour orienter la th\u00e9orie ou la pratique clinique. Une exploration cibl\u00e9e et m\u00e9thodique de chaque contraste bilat\u00e9ral devient d\u00e8s lors indispensable pour cartographier l’espace exp\u00e9rimental.<\/p>\n

Dans les paradigmes exp\u00e9rimentaux modernes, cette ind\u00e9termination omnibus est particuli\u00e8rement probl\u00e9matique en psychologie sociale et cognitive. Lors de l’\u00e9tude de l’impact de diff\u00e9rents types d’amor\u00e7age s\u00e9mantique sur la reconnaissance lexicale, l’ANOVA confirme la sensibilit\u00e9 globale du syst\u00e8me cognitif aux variations contextuelles, mais ne permet pas de d\u00e9terminer si l’amor\u00e7age positif se distingue r\u00e9ellement de la condition contr\u00f4le neutre, ni s’il surpasse l’amor\u00e7age n\u00e9gatif. Sans une proc\u00e9dure d’investigation subs\u00e9quente con\u00e7ue pour comparer individuellement chaque paire de modalit\u00e9s, les d\u00e9ductions scientifiques demeurent incompl\u00e8tes et expos\u00e9es \u00e0 des surinterpr\u00e9tations subjectives.<\/p>\n

1.2 La probl\u00e9matique de l’inflation de l’erreur de type I<\/h3>\n

Pour d\u00e9terminer quelles moyennes diff\u00e8rent apr\u00e8s avoir constat\u00e9 la significativit\u00e9 d’une ANOVA omnibus, la tentation intuitive consisterait \u00e0 ex\u00e9cuter une s\u00e9rie de tests t de Student ind\u00e9pendants pour chaque paire de conditions. Cette d\u00e9marche comporte un \u00e9cueil m\u00e9thodologique majeur : le ph\u00e9nom\u00e8ne de l’inflation du risque d’erreur de type I, couramment d\u00e9sign\u00e9 sous le terme d’erreur par famille de comparaisons ou taux d’erreur par famille (Family-Wise Error Rate – FWER)<\/a>. Lorsqu’une hypoth\u00e8se nulle est test\u00e9e au seuil nominal alpha usuel de 5 %, la probabilit\u00e9 de ne pas commettre d’erreur de premi\u00e8re esp\u00e8ce sur un test individuel s’\u00e9tablit \u00e0 95 %.<\/p>\n

Toutefois, d\u00e8s lors que l’analyste multiplie les comparaisons mutuellement ind\u00e9pendantes sur un m\u00eame jeu de donn\u00e9es, la probabilit\u00e9 conjointe de ne commettre aucune erreur de type I diminue de fa\u00e7on g\u00e9om\u00e9trique. Pour un nombre de groupes \u00e9gal \u00e0 k<\/em>, le nombre de comparaisons par paires possibles s’\u00e9l\u00e8ve \u00e0 k(k – 1) \/ 2<\/em>. Si l’on d\u00e9signe par c<\/em> ce nombre total de comparaisons, la probabilit\u00e9 globale d’observer au moins un faux positif au cours de la s\u00e9rie d’\u00e9valuations est mod\u00e9lis\u00e9e par l’\u00e9quation exponentielle alpha_global = 1 – (1 – alpha_individuel)^c<\/em>. Ainsi, dans un protocole clinique comportant cinq groupes distincts, l’investigateur doit \u00e9valuer 10 paires de moyennes ; le risque alpha cumul\u00e9 s’\u00e9l\u00e8ve alors \u00e0 1 – (0,95)^10, soit environ 40,1 %. Pr\u00e8s de quatre fois sur dix, une diff\u00e9rence d\u00e9clar\u00e9e statistiquement significative sera le pur produit d’une fluctuation d’\u00e9chantillonnage al\u00e9atoire.<\/p>\n

Il importe de distinguer avec rigueur les comparaisons a priori, ou contrastes planifi\u00e9s, des comparaisons a posteriori ou post-hoc. Les contrastes planifi\u00e9s sont articul\u00e9s en amont de la collecte des donn\u00e9es sur la base d’hypoth\u00e8ses th\u00e9oriques pr\u00e9cises et d\u00e9limit\u00e9es, ce qui justifie un ajustement moins conservateur du seuil de d\u00e9cision. \u00c0 l’inverse, l’approche post-hoc explore l’int\u00e9gralit\u00e9 des combinaisons possibles apr\u00e8s observation des r\u00e9sultats. L’absence d’une correction math\u00e9matique rigoureuse lors de cette fouille exhaustive engendre une prolif\u00e9ration de d\u00e9couvertes illusoires, minant gravement la reproductibilit\u00e9 des r\u00e9sultats scientifiques en psychologie exp\u00e9rimentale et faussant les m\u00e9ta-analyses subs\u00e9quentes.<\/p>\n

1.3 Origine et sp\u00e9cificit\u00e9s du test Honestly Significant Difference (HSD) de Tukey<\/h3>\n

Face \u00e0 ce p\u00e9ril m\u00e9thodologique, le statisticien am\u00e9ricain John Wilder Tukey a propos\u00e9 au d\u00e9but des ann\u00e9es 1950 une solution analytique \u00e9l\u00e9gante : le test Honestly Significant Difference (HSD). Cette proc\u00e9dure a \u00e9t\u00e9 express\u00e9ment con\u00e7ue pour tester la totalit\u00e9 des comparaisons par paires possibles entre les moyennes de plusieurs groupes ind\u00e9pendants, tout en garantissant de mani\u00e8re absolue que le taux d’erreur par famille ne d\u00e9passe jamais le niveau alpha pr\u00e9d\u00e9fini par le chercheur, quelle que soit la combinaison de moyennes examin\u00e9e.<\/p>\n

Le test HSD de Tukey r\u00e9alise un \u00e9quilibre remarquable entre la stricte contention du risque d’erreur de type I et la pr\u00e9servation de la puissance statistique, c’est-\u00e0-dire la capacit\u00e9 \u00e0 rejeter l’hypoth\u00e8se nulle lorsqu’elle est effectivement fausse. Contrairement \u00e0 la correction classique de Bonferroni, qui applique une p\u00e9nalit\u00e9 lin\u00e9aire uniforme excessivement conservatrice rendant la d\u00e9tection d’effets r\u00e9els difficile lors d’un grand nombre de comparaisons, la m\u00e9thode de Tukey prend en compte la covariance inh\u00e9rente aux diff\u00e9rences de moyennes calcul\u00e9es \u00e0 partir d’un ensemble commun d’\u00e9chantillons. Elle s’av\u00e8re \u00e9galement plus puissante que le test de Scheff\u00e9 lorsque l’int\u00e9r\u00eat de la recherche se focalise exclusivement sur des contrastes simples par paires plut\u00f4t que sur des contrastes complexes impliquant des combinaisons lin\u00e9aires de groupes.<\/p>\n

Comparativement au test de Dunnett, qui restreint son champ d’inf\u00e9rence \u00e0 la comparaison de plusieurs conditions exp\u00e9rimentales face \u00e0 un unique groupe t\u00e9moin ou contr\u00f4le, le test HSD de Tukey s’adresse aux dispositifs o\u00f9 chaque modalit\u00e9 doit pouvoir \u00eatre confront\u00e9e \u00e0 chacune des autres sans hi\u00e9rarchie pr\u00e9alable. Il constitue le standard d’excellence m\u00e9thodologique pour les recherches exploratoires ou confirmatoires dans lesquelles l’espace exp\u00e9rimental requiert une cartographie diff\u00e9rentielle bilat\u00e9rale exhaustive, offrant une robustesse formelle adoss\u00e9e \u00e0 une interpr\u00e9tabilit\u00e9 intuitive tant sur le plan des valeurs p que des intervalles de confiance associ\u00e9s.<\/p>\n

2. Fondements th\u00e9oriques et math\u00e9matiques du test de Tukey<\/h2>\n

2.1 La distribution de l’\u00e9tendue studentis\u00e9e (Studentized Range Distribution)<\/h3>\n

L’\u00e9difice math\u00e9matique du test de Tukey repose sur la distribution de l’\u00e9tendue studentis\u00e9e<\/a>, d\u00e9sign\u00e9e par la variable al\u00e9atoire q<\/em>. Contrairement au test t de Student qui \u00e9value l’\u00e9cart standardis\u00e9 entre deux moyennes isol\u00e9es, la statistique q<\/em> mod\u00e9lise le comportement probabiliste de la diff\u00e9rence maximale observ\u00e9e au sein d’un ensemble de k<\/em> moyennes ind\u00e9pendantes et identiquement distribu\u00e9es selon une loi normale, normalis\u00e9e par une estimation conjointe de l’\u00e9cart-type de la population.<\/p>\n

La statistique d’\u00e9tendue studentis\u00e9e se d\u00e9finit formellement par le rapport entre l’\u00e9tendue brute des moyennes d’\u00e9chantillons et l’erreur standard de la moyenne estim\u00e9e \u00e0 partir de la variance r\u00e9siduelle de l’ANOVA. La formule de la statistique q<\/em> s’\u00e9crit :<\/p>\n

q = (X_max – X_min) \/ racine(MSE \/ n)<\/strong><\/p>\n

Dans cette expression, X_max<\/em> et X_min<\/em> repr\u00e9sentent respectivement la plus grande et la plus petite moyenne observ\u00e9e parmi les k<\/em> groupes, MSE<\/em> (Mean Squared Error) d\u00e9signe le carr\u00e9 moyen des erreurs issu du tableau de l’ANOVA (repr\u00e9sentant la variance r\u00e9siduelle intra-groupe), et n<\/em> symbolise l’effectif au sein de chaque groupe exp\u00e9rimental. La distribution th\u00e9orique de q<\/em> est param\u00e9tr\u00e9e par deux valeurs fondamentales : le nombre total de moyennes compar\u00e9es k<\/em> et les degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 la variance d’erreur intra-groupe, not\u00e9s df_residuelle<\/em> (qui \u00e9quivaut \u00e0 N – k<\/em> dans un plan unifactoriel \u00e0 N<\/em> observations totales).<\/p>\n

Historiquement, les chercheurs devaient consulter des tables statistiques imprim\u00e9es volumineuses pour d\u00e9terminer les quantiles critiques de q<\/em> associ\u00e9s aux seuils alpha de 5 % ou 1 %. Dans l’environnement informatique contemporain de Python, ces valeurs critiques et les probabilit\u00e9s cumul\u00e9es associ\u00e9es sont calcul\u00e9es de mani\u00e8re dynamique et avec une pr\u00e9cision num\u00e9rique extr\u00eame via des algorithmes d’int\u00e9gration de fonctions de densit\u00e9 de probabilit\u00e9 multivari\u00e9es, impl\u00e9ment\u00e9s au sein des biblioth\u00e8ques de calcul scientifique. Au fur et \u00e0 mesure que la taille de l’\u00e9chantillon global cro\u00eet vers l’infini, la distribution de q<\/em> converge asymptotiquement vers une forme stable, r\u00e9gul\u00e9e par les lois limites de la th\u00e9orie des valeurs extr\u00eames.<\/p>\n

2.2 Formulation math\u00e9matique de la diff\u00e9rence critique<\/h3>\n

Pour \u00e9valuer si une paire arbitraire de moyennes (X_i, X_j)<\/em> pr\u00e9sente une divergence statistiquement significative, le test de Tukey \u00e9tablit un seuil de coupure absolu, nomm\u00e9 la diff\u00e9rence minimale significative honn\u00eate (HSD). Deux groupes quelconques sont d\u00e9clar\u00e9s significativement distincts au seuil global alpha si et seulement si la valeur absolue de leur diff\u00e9rence de moyennes observ\u00e9e exc\u00e8de cette valeur critique HSD.<\/p>\n

Dans le cadre d’un plan d’exp\u00e9rience parfaitement \u00e9quilibr\u00e9 o\u00f9 chaque groupe exp\u00e9rimental poss\u00e8de rigoureusement le m\u00eame effectif n<\/em>, l’\u00e9quation d\u00e9terminant cette diff\u00e9rence critique s’exprime comme suit :<\/p>\n

HSD = q_(alpha, k, df_e) * racine(MSE \/ n)<\/strong><\/p>\n

Ici, q_(alpha, k, df_e)<\/em> d\u00e9signe la valeur critique de l’\u00e9tendue studentis\u00e9e au niveau de risque alpha pour k<\/em> groupes et df_e<\/em> degr\u00e9s de libert\u00e9 de l’erreur r\u00e9siduelle. L’int\u00e9gration directe de la MSE<\/em> globale conf\u00e8re \u00e0 cette proc\u00e9dure une puissance d’estimation sup\u00e9rieure \u00e0 celle de comparaisons directes par paires, car l’\u00e9cart-type est estim\u00e9 \u00e0 partir de l’int\u00e9gralit\u00e9 de l’\u00e9chantillon exp\u00e9rimental, maximisant la pr\u00e9cision du d\u00e9nominateur.<\/p>\n

Lorsque les groupes pr\u00e9sentent des tailles d’\u00e9chantillons in\u00e9gales par suite de contraintes de recrutement ou de d\u00e9perdition de sujets, la formulation originale de Tukey doit \u00eatre adapt\u00e9e sous peine de distorsion du niveau de risque nominal. Cette modification analytique est connue sous le nom d’ajustement de Tukey-Kramer. Dans ce cas de figure, l’erreur standard associ\u00e9e \u00e0 la paire sp\u00e9cifique de groupes i<\/em> et j<\/em> est recalcul\u00e9e en int\u00e9grant leurs effectifs respectifs n_i<\/em> et n_j<\/em> selon l’\u00e9quation :<\/p>\n

HSD_(i,j) = (q_(alpha, k, df_e) \/ racine(2)) * racine(MSE * ((1 \/ n_i) + (1 \/ n_j)))<\/strong><\/p>\n

Cette adaptation garantit que le test demeure rigoureusement conservateur ou exact, \u00e9vitant ainsi que des groupes de faible effectif n’engendrent des conclusions biais\u00e9es en raison d’une impr\u00e9cision locale de la variance.<\/p>\n

2.3 Calcul des intervalles de confiance simultan\u00e9s<\/h3>\n

Au-del\u00e0 de la fourniture d’une valeur p dichotomique conduisant au rejet ou au maintien de l’hypoth\u00e8se nulle, le cadre th\u00e9orique de Tukey permet la construction d’intervalles de confiance simultan\u00e9s pour l’ensemble des contrastes de moyennes. Contrairement aux intervalles de confiance marginaux classiques qui garantissent un niveau de couverture de 95 % pour chaque param\u00e8tre pris individuellement, les intervalles de confiance conjoints de Tukey assurent que la totalit\u00e9 des intervalles calcul\u00e9s encadrent simultan\u00e9ment les v\u00e9ritables diff\u00e9rences de moyennes de la population avec une probabilit\u00e9 conjointe minimale de 1 – alpha (typiquement 95 %).<\/p>\n

Pour chaque couple de groupes (i, j)<\/em>, les bornes inf\u00e9rieure et sup\u00e9rieure de l’intervalle de confiance simultan\u00e9 \u00e0 95 % sont calcul\u00e9es par les relations math\u00e9matiques suivantes :<\/p>\n

Borne_Inf\u00e9rieure = (X_i – X_j) – HSD_(i,j)<\/strong><\/p>\n

Borne_Sup\u00e9rieure = (X_i – X_j) + HSD_(i,j)<\/strong><\/p>\n

Le crit\u00e8re d\u00e9cisionnel inf\u00e9rentiel \u00e9quivaut rigoureusement \u00e0 celui du test d’hypoth\u00e8se : si la valeur z\u00e9ro est exclue de l’intervalle de confiance (c’est-\u00e0-dire si les deux bornes poss\u00e8dent le m\u00eame signe alg\u00e9brique, toutes deux strictement positives ou toutes deux strictement n\u00e9gatives), la diff\u00e9rence entre les deux moyennes est d\u00e9clar\u00e9e statistiquement significative au seuil alpha choisi.<\/p>\n

Dans la recherche contemporaine en psychologie et en sciences biom\u00e9dicales, l’estimation par intervalle de confiance simultan\u00e9 est fortement recommand\u00e9e par les instances acad\u00e9miques par rapport \u00e0 la simple transmission de valeurs p. L’intervalle de confiance quantifie avec pr\u00e9cision l’ampleur de l’effet, indique la direction de la disparit\u00e9, et documente le degr\u00e9 d’incertitude m\u00e9trologique inh\u00e9rent \u00e0 l’\u00e9chantillonnage, fournissant ainsi une assise bien plus solide pour juger de la pertinence clinique ou th\u00e9orique des effets observ\u00e9s.<\/p>\n

3. Pr\u00e9requis statistiques et validation des hypoth\u00e8ses<\/h2>\n

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

L’application valide du test HSD de Tukey et de l’ANOVA sous-jacente est conditionn\u00e9e au respect scrupuleux de trois postulats statistiques fondamentaux. Le premier postulat, qui constitue la contrainte la plus imp\u00e9rative et la moins tol\u00e9rante aux violations, est l’ind\u00e9pendance statistique des observations et des termes d’erreur intra-groupes. Cela implique que la mesure recueillie aupr\u00e8s d’un participant ne doit en aucune mani\u00e8re \u00eatre influenc\u00e9e, corr\u00e9l\u00e9e ou conditionn\u00e9e par les mesures obtenues aupr\u00e8s d’un autre individu.<\/p>\n

Ce pr\u00e9requis concerne au premier chef le protocole exp\u00e9rimental et l’architecture d’\u00e9chantillonnage. En psychologie exp\u00e9rimentale, l’assignation al\u00e9atoire des participants aux diff\u00e9rentes conditions inter-sujets (between-subjects design) constitue la garantie m\u00e9thodologique de base assurant l’absence de biais de confusion syst\u00e9matiques. Si des participants sont test\u00e9s par dyades interactives, si les donn\u00e9es sont collect\u00e9es au sein de grappes naturelles (comme des salles de classe ou des services hospitaliers) sans mod\u00e9lisation multiniveau, ou si l’on tente d’appliquer le test de Tukey \u00e0 un plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es intra-sujets sans correction sp\u00e9cifique, la d\u00e9pendance s\u00e9rielle qui en r\u00e9sulte invalide compl\u00e8tement le d\u00e9nominateur de la statistique de test, provoquant une augmentation incontr\u00f4l\u00e9e des erreurs de type I.<\/p>\n

L’\u00e9valuation de l’ind\u00e9pendance ne s’effectue pas au moyen d’un test statistique unique sur les donn\u00e9es brutes, mais repose sur l’audit m\u00e9thodologique du protocole exp\u00e9rimental et sur l’analyse de l’absence d’autocorr\u00e9lation au niveau des r\u00e9sidus d’\u00e9chantillonnage, par exemple \u00e0 l’aide du test de Durbin-Watson si un ordre temporel d’acquisition des donn\u00e9es existe. Tout regroupement non mod\u00e9lis\u00e9 exige de basculer vers des mod\u00e8les mixtes \u00e0 effets al\u00e9atoires plut\u00f4t que de persister dans une ANOVA conventionnelle suivie d’un test de Tukey classique.<\/p>\n

3.2 Normalit\u00e9 de la distribution des variables d\u00e9pendantes<\/h3>\n

Le second postulat repose sur l’hypoth\u00e8se de normalit\u00e9 : les scores de la variable d\u00e9pendante au sein de chaque population parente, ou de mani\u00e8re \u00e9quivalente les r\u00e9sidus de l’analyse lin\u00e9aire globale, doivent suivre une distribution gaussienne. Cette condition d\u00e9coule directement du fait que la distribution de l’\u00e9tendue studentis\u00e9e est math\u00e9matiquement d\u00e9riv\u00e9e d’\u00e9chantillons issus de populations normales.<\/p>\n

Pour valider ce pr\u00e9requis en pratique, il est n\u00e9cessaire de combiner des d\u00e9marches de diagnostic formel et des inspections visuelles approfondies. Sur le plan formel, le test de Shapiro-Wilk<\/a> est particuli\u00e8rement recommand\u00e9 pour les \u00e9chantillons de petite \u00e0 moyenne taille (typiquement N < 50<\/em> par modalit\u00e9), tandis que le test de D’Agostino-Pearson ou de Kolmogorov-Smirnov (avec correction de Lilliefors) peut \u00eatre mobilis\u00e9 sur des effectifs plus denses. N\u00e9anmoins, les tests d’hypoth\u00e8se portant sur la normalit\u00e9 pr\u00e9sentent le d\u00e9faut d’\u00eatre sous-puissants avec de petits \u00e9chantillons et hypersensibles \u00e0 des d\u00e9viations insignifiantes lorsque la taille de l’\u00e9chantillon devient tr\u00e8s importante.<\/p>\n

C’est pourquoi le diagnostic graphique via des diagrammes quantile-quantile (Q-Q plots) et l’examen des courbes de densit\u00e9 adoss\u00e9es aux histogrammes de distribution constituent le standard recommand\u00e9. Sur un trac\u00e9 Q-Q, l’alignement des quantiles empiriques sur la droite th\u00e9orique mat\u00e9rialise l’ad\u00e9quation au mod\u00e8le gaussien. Heureusement, en vertu du th\u00e9or\u00e8me central limite, le test de Tukey pr\u00e9sente une robustesse reconnue face aux entorses mod\u00e9r\u00e9es \u00e0 la normalit\u00e9 d\u00e8s lors que les tailles d’\u00e9chantillons sont d’au moins 20 \u00e0 30 observations par groupe et que les distributions ne pr\u00e9sentent pas d’asym\u00e9trie extr\u00eame ni de queues de distribution excessivement lourdes induites par des valeurs aberrantes non corrig\u00e9es.<\/p>\n

3.3 Homog\u00e9n\u00e9it\u00e9 des variances (Homosc\u00e9dasticit\u00e9)<\/h3>\n

Le troisi\u00e8me pr\u00e9requis central est l’homog\u00e9n\u00e9it\u00e9 des variances, ou homosc\u00e9dasticit\u00e9, qui stipule que la variance de la variable d\u00e9pendante doit demeurer \u00e9quivalente \u00e0 travers l’ensemble des groupes exp\u00e9rimentaux consid\u00e9r\u00e9s. Cette assomption est structurelle, car le calcul du terme de variance d’erreur MSE<\/em> dans l’ANOVA agr\u00e8ge les sommes de carr\u00e9s de l’ensemble des groupes pour obtenir une estimation unique et mutualis\u00e9e de la variance populationnelle. Si les variances intrins\u00e8ques des diff\u00e9rents groupes divergent de mani\u00e8re substantielle, cette mutualisation perd toute validit\u00e9 statistique.<\/p>\n

La validation formelle de l’homosc\u00e9dasticit\u00e9 s’effectue usuellement au moyen du test de Levene, qui pr\u00e9sente l’avantage notable d’\u00eatre robuste aux l\u00e9g\u00e8res d\u00e9viations de la normalit\u00e9 lorsqu’il est calcul\u00e9 par rapport \u00e0 la m\u00e9diane (parfois nomm\u00e9 test de Brown-Forsythe). Le test de Bartlett offre une alternative tr\u00e8s puissante, mais s’av\u00e8re excessivement sensible aux violations de la normalit\u00e9 gaussienne, augmentant ind\u00fbment le risque de rejeter \u00e0 tort l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 si les donn\u00e9es sont leptokurtiques.<\/p>\n

Les cons\u00e9quences d’une rupture d’homosc\u00e9dasticit\u00e9 sont particuli\u00e8rement d\u00e9l\u00e9t\u00e8res lorsque les effectifs des groupes sont asym\u00e9triques. Si un groupe de petit effectif pr\u00e9sente une variance r\u00e9siduelle consid\u00e9rablement plus \u00e9lev\u00e9e que les autres, le test de Tukey standard deviendra dramatiquement lib\u00e9ral, multipliant les faux positifs bien au-del\u00e0 du seuil de 5 %. \u00c0 l’inverse, si le groupe de grand effectif poss\u00e8de la plus forte variance, le test deviendra artificiellement conservateur, d\u00e9truisant la puissance statistique de l’\u00e9tude. Lorsque l’homosc\u00e9dasticit\u00e9 est formellement rejet\u00e9e, le chercheur doit renoncer au test de Tukey classique et recourir \u00e0 des proc\u00e9dures post-hoc robustes adapt\u00e9es, au premier rang desquelles figure le test de Games-Howell.<\/p>\n

4. Configuration de l’environnement Python et biblioth\u00e8ques scientifiques<\/h2>\n

4.1 S\u00e9lection et installation des paquets indispensables<\/h3>\n

Pour d\u00e9ployer un pipeline de calcul statistique reproductible et rigoureux sous Python, un ensemble coordonn\u00e9 de biblioth\u00e8ques sp\u00e9cialis\u00e9es dans le calcul scientifique et l’analyse de donn\u00e9es doit \u00eatre mis en place. L’\u00e9cosyst\u00e8me open source offre des solutions de haut niveau, articul\u00e9es autour d’un noyau fondamental compos\u00e9 de quatre paquets incontournables : Pandas, NumPy, SciPy et Statsmodels.<\/p>\n

La biblioth\u00e8que Pandas<\/a> est la r\u00e9f\u00e9rence universelle pour l’ingestion, le nettoyage, le remodelage et l’interrogation de matrices de donn\u00e9es structur\u00e9es sous forme de DataFrames. Elle permet de segmenter les \u00e9chantillons exp\u00e9rimentaux selon les facteurs manipul\u00e9s avec une grande souplesse syntaxique. De son c\u00f4t\u00e9, NumPy<\/a> assure la gestion efficace des tableaux multidimensionnels et fournit les op\u00e9rateurs math\u00e9matiques vectoris\u00e9s sous-tendant les calculs d’alg\u00e8bre lin\u00e9aire et d’agr\u00e9gation statistique.<\/p>\n

Le volet proprement inf\u00e9rentiel s’appuie sur le sous-module scipy.stats<\/code> de la suite SciPy, qui rassemble les distributions de probabilit\u00e9 continues et discr\u00e8tes ainsi que les tests d’hypoth\u00e8se param\u00e9triques et non param\u00e9triques de r\u00e9f\u00e9rence. Enfin, le paquet Statsmodels<\/a> constitue le moteur d’estimation statistique central pour la r\u00e9gression, l’ANOVA et les proc\u00e9dures de tests post-hoc avanc\u00e9es. Il renferme l’impl\u00e9mentation algorithmique officielle du test de Tukey ainsi que les routines de restitution tabulaire et graphique d\u00e9di\u00e9es. L’installation standard de ces composants s’effectue via le gestionnaire de paquets de Python par la commande terminale standardis\u00e9e :<\/p>\n

pip install numpy pandas scipy statsmodels matplotlib seaborn<\/code><\/p>\n

4.2 Gestion de l’environnement virtuel et reproductibilit\u00e9<\/h3>\n

Dans le contexte de la recherche universitaire et de la publication scientifique \u00e9valu\u00e9e par les pairs, la reproductibilit\u00e9 computationnelle est devenue un crit\u00e8re de qualit\u00e9 fondamental. Les mises \u00e0 jour successives des biblioth\u00e8ques logicielles peuvent occasionner des modifications de comportement par d\u00e9faut, des d\u00e9pr\u00e9ciations d’arguments ou d’infimes variations num\u00e9riques dues \u00e0 l’optimisation des algorithmes. Il est par cons\u00e9quent imp\u00e9ratif d’isoler l’environnement d’ex\u00e9cution propre au projet.<\/p>\n

La cr\u00e9ation d’un environnement virtuel d\u00e9di\u00e9 peut \u00eatre concr\u00e9tis\u00e9e au moyen du module standard venv<\/code> ou via le gestionnaire d’environnement Conda. L’instanciation sous terminal s’op\u00e8re via les instructions suivantes :<\/p>\n

python -m venv env_statistiques
source env_statistiques\/bin\/activate # Sur Unix\/macOS
env_statistiquesScriptsactivate # Sur Windows<\/code><\/p>\n

Une fois l’environnement activ\u00e9 et les paquets install\u00e9s, la transcription int\u00e9grale de l’arbre des d\u00e9pendances dans un fichier de sp\u00e9cification requirements.txt<\/code> garantit qu’un r\u00e9viseur ou un collaborateur pourra r\u00e9pliquer \u00e0 l’identique l’environnement logiciel du chercheur. Pour les analyses interactives men\u00e9es au sein de calepins Jupyter (Jupyter Notebooks), il est recommand\u00e9 de fixer d\u00e8s l’entame du script une graine al\u00e9atoire globale (random seed) via l’appel \u00e0 numpy.random.seed(valeur)<\/code> ou via les nouveaux g\u00e9n\u00e9rateurs d’\u00e9tats de NumPy. Cette pr\u00e9caution assure que toute \u00e9tape de simulation, d’\u00e9chantillonnage al\u00e9atoire ou de partitionnement de donn\u00e9es produira des r\u00e9sultats strictement identiques lors de chaque ex\u00e9cution ult\u00e9rieure.<\/p>\n

4.3 Importation modulaire des fonctions cibles<\/h3>\n

L’\u00e9criture d’un code source propre et conforme aux standards de l’ing\u00e9nierie logicielle (PEP 8) pr\u00e9conise d’importer pr\u00e9cis\u00e9ment les sous-modules et fonctions requis, plut\u00f4t que d’ex\u00e9cuter des importations globales g\u00e9n\u00e9rant des collisions d’espaces de noms. La s\u00e9quence d’importation standardis\u00e9e pour mener une ANOVA suivie d’un test HSD de Tukey en Python s’articule comme suit au d\u00e9but des scripts d’analyse :<\/p>\n

import numpy as np
import pandas as pd
import scipy.stats as stats
import statsmodels.api as sm
from statsmodels.formula.api import ols
from statsmodels.stats.multicomp import pairwise_tukeyhsd, MultiComparison
import matplotlib.pyplot as plt
import seaborn as sns<\/code><\/p>\n

Cette structuration modulaire appelle directement la fonction f_oneway<\/code> de SciPy pour l’ANOVA omnibus de base, ou la combinaison d’ols<\/code> et d’anova_lm<\/code> de Statsmodels pour une mod\u00e9lisation lin\u00e9aire plus exhaustive. La fonction pairwise_tukeyhsd<\/code> est le composant principal d\u00e9di\u00e9 \u00e0 la r\u00e9alisation des comparaisons post-hoc. Les biblioth\u00e8ques Matplotlib et Seaborn viennent clore cette suite d’outils pour permettre la composition graphique personnalis\u00e9e des estimations d’intervalles et des distributions empiriques. Il est de bonne pratique de v\u00e9rifier imm\u00e9diatement le chargement des versions logicielles via statsmodels.__version__<\/code> pour s’assurer de la conformit\u00e9 de l’API avec les exemples de documentation r\u00e9cents.<\/p>\n

5. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales<\/h2>\n

5.1 Formatage des donn\u00e9es : format long vs format large<\/h3>\n

La structuration architecturale des jeux de donn\u00e9es conditionne directement la r\u00e9ussite de l’ex\u00e9cution des routines statistiques sous Statsmodels. En analyse de donn\u00e9es, on distingue traditionnellement la disposition en format large (wide format) de la disposition en format long (long format, ou forme normale unifi\u00e9e \u00ab tidy data \u00bb). Dans une disposition large, chaque modalit\u00e9 du facteur exp\u00e9rimental occupe une colonne distincte au sein de la feuille de calcul, et chaque ligne rassemble les mesures simultan\u00e9es de plusieurs sujets ou des conditions diff\u00e9rentes assign\u00e9es au m\u00eame niveau d’index.<\/p>\n

Les biblioth\u00e8ques modernes de mod\u00e9lisation en Python, et particuli\u00e8rement Statsmodels pour les fonctions post-hoc, exigent strictement une organisation au format long. Dans cette topologie, chaque ligne du DataFrame repr\u00e9sente une observation unique et individuelle. Le tableau doit imp\u00e9rativement comporter au moins deux colonnes d\u00e9di\u00e9es : une colonne contenant la valeur num\u00e9rique continue mesur\u00e9e (la variable d\u00e9pendante ou crit\u00e8re de r\u00e9ponse) et une colonne contenant l’\u00e9tiquette cat\u00e9gorielle sp\u00e9cifiant la condition d’appartenance (la variable ind\u00e9pendante ou facteur contr\u00f4l\u00e9).<\/p>\n

Si les donn\u00e9es initiales sont consign\u00e9es au format large, la fonction pandas.melt()<\/code> permet une conversion vectorielle imm\u00e9diate et sans perte d’information. \u00c0 titre d’illustration, l’instruction suivante r\u00e9organise une table de donn\u00e9es exp\u00e9rimentales :<\/p>\n

df_long = pd.melt(df_wide, value_vars=['Controle', 'Therapie_A', 'Therapie_B'], var_name='Groupe', value_name='Score')<\/code><\/p>\n

Il demeure enfin primordial de s’assurer que la colonne cat\u00e9gorielle est formellement d\u00e9clar\u00e9e comme un type cha\u00eene de caract\u00e8res (str<\/code>) ou id\u00e9alement comme une variable de type cat\u00e9gorie Pandas (df['Groupe'] = df['Groupe'].astype('category')<\/code>), ce qui pr\u00e9vient toute tentative de Statsmodels d’interpr\u00e9ter des identifiants num\u00e9riques de groupes comme une r\u00e9gression lin\u00e9aire continue.<\/p>\n

5.2 Nettoyage des donn\u00e9es et traitement des valeurs manquantes<\/h3>\n

Avant d’engager toute inf\u00e9rence param\u00e9trique, une phase de contr\u00f4le qualit\u00e9 des donn\u00e9es exp\u00e9rimentales s’impose afin d’identifier les anomalies d’acquisition, les valeurs manquantes et les observations aberrantes. La pr\u00e9sence de valeurs manquantes (identifi\u00e9es par NaN<\/code> ou None<\/code>) peut tronquer les degr\u00e9s de libert\u00e9 et fausser l’assignation indiciaire au sein des matrices de contrastes. L’inspection pr\u00e9liminaire s’op\u00e8re via df.isnull().sum()<\/code>, qui quantifie la d\u00e9perdition observationnelle au sein de chaque variable.<\/p>\n

En psychologie exp\u00e9rimentale, l’exclusion d’un cas pr\u00e9sentant une valeur manquante sur la variable d\u00e9pendante d’un plan inter-sujets est couramment trait\u00e9e par suppression par liste compl\u00e8te (listwise deletion) via la m\u00e9thode df.dropna(subset=['Score'])<\/code>, sous r\u00e9serve que le m\u00e9canisme de perte soit al\u00e9atoire (Missing Completely at Random – MCAR). Concernant les valeurs aberrantes (outliers), une identification pr\u00e9coce \u00e0 l’aide de l’\u00e9cart interquartile (IQR) ou des scores z standardis\u00e9s (seuil absolu sup\u00e9rieur \u00e0 3 \u00e9carts-types) permet d’isoler les points potentiellement issus d’erreurs de mesure ou d’un manque d’engagement du sujet dans la t\u00e2che cognitive.<\/p>\n

Pour illustrer concr\u00e8tement la d\u00e9marche tout au long de cet article, nous pouvons g\u00e9n\u00e9rer par programmation un jeu de donn\u00e9es synth\u00e9tique mimant une recherche en psychologie clinique cognitive, o\u00f9 l’on compare les scores d’attention s\u00e9lective (variable continue) chez des individus r\u00e9partis al\u00e9atoirement au sein de trois conditions d’entra\u00eenement : Contr\u00f4le, Entra\u00eenement Standard, et Entra\u00eenement Intensif. Ce jeu de donn\u00e9es \u00e9quilibr\u00e9 ou mod\u00e9r\u00e9ment d\u00e9s\u00e9quilibr\u00e9 servira d’assise aux d\u00e9monstrations analytiques ult\u00e9rieures :<\/p>\n

np.random.seed(42)
groupe_ctrl = np.random.normal(loc=50, scale=8, size=30)
groupe_std = np.random.normal(loc=55, scale=8, size=32)
groupe_int = np.random.normal(loc=62, scale=8, size=28)<\/p>\n

df_attention = pd.DataFrame({
    'Condition': ['Controle']*30 + ['Standard']*32 + ['Intensif']*28,
    'Score': np.concatenate([groupe_ctrl, groupe_std, groupe_int])
})<\/code><\/p>\n

5.3 Exploration descriptive pr\u00e9alable<\/h3>\n

L’exploration descriptive ne repr\u00e9sente pas un simple pr\u00e9ambule protocolaire ; elle forme le socle indispensable sur lequel s’ancre l’interpr\u00e9tation future des tests d’hypoth\u00e8se. Elle permet de d\u00e9tecter visuellement et num\u00e9riquement les tendances d’asym\u00e9trie, d’appr\u00e9cier la magnitude brute des \u00e9carts de moyenne et d’\u00e9valuer la balance exp\u00e9rimentale entre les effectifs respectifs des groupes.<\/p>\n

La m\u00e9thode groupby()<\/code> de Pandas combin\u00e9e \u00e0 l’agr\u00e9gateur agg()<\/code> fournit une synth\u00e8se num\u00e9rique rigoureuse, extrayant pour chaque condition le volume d’\u00e9chantillon, la moyenne, l’\u00e9cart-type, la m\u00e9diane et l’intervalle interquartile :<\/p>\n

stats_descriptives = df_attention.groupby('Condition')['Score'].agg(
    N='count',
    Moyenne='mean',
    Ecart_Type='std',
    Mediane='median',
    IQR=lambda x: x.quantile(0.75) - x.quantile(0.25)
).reset_index()
print(stats_descriptives)<\/code><\/p>\n

Cette analyse tabulaire doit \u00eatre syst\u00e9matiquement compl\u00e9t\u00e9e par un rendu graphique exploratoire. L’emploi conjoint de diagrammes en bo\u00eete \u00e0 moustaches (boxplots) et de diagrammes de dispersion jitteris\u00e9s (stripcharts) permet d’appr\u00e9hender la morphologie de chaque distribution tout en visualisant individuellement chaque point de mesure. Cela permet de v\u00e9rifier d’un coup d’\u0153il l’absence d’asym\u00e9trie s\u00e9v\u00e8re et de s’assurer de l’homog\u00e9n\u00e9it\u00e9 apparente des dispersions spatiales de points d’une bo\u00eete \u00e0 l’autre.<\/p>\n

6. Ex\u00e9cution de l’ANOVA pr\u00e9alable en Python<\/h2>\n

6.1 Impl\u00e9mentation du test omnibus avec Scipy<\/h3>\n

Sur le plan m\u00e9thodologique classique, le test HSD de Tukey est subordonn\u00e9 \u00e0 la d\u00e9monstration pr\u00e9alable d’un effet omnibus statistiquement significatif au niveau de l’ANOVA globale (principe de la proc\u00e9dure prot\u00e9g\u00e9e de Fisher-Tukey). Si l’ANOVA ne parvient pas \u00e0 rejeter l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 globale des moyennes, la d\u00e9marche inf\u00e9rentielle s’arr\u00eate usuellement l\u00e0 afin de ne pas encourager la recherche opportuniste de contrastes isol\u00e9s (data dredging). La mise en \u0153uvre la plus directe de cette \u00e9tape pr\u00e9liminaire s’effectue via le module scipy.stats<\/code>.<\/p>\n

L’ex\u00e9cution de la fonction f_oneway<\/code> requiert le passage en param\u00e8tres d’arguments positionnels correspondant aux s\u00e9ries de donn\u00e9es num\u00e9riques de chaque groupe exp\u00e9rimental :<\/p>\n

ctrl = df_attention[df_attention['Condition'] == 'Controle']['Score']
std = df_attention[df_attention['Condition'] == 'Standard']['Score']
intensif = df_attention[df_attention['Condition'] == 'Intensif']['Score']<\/p>\n

f_stat, p_val = stats.f_oneway(ctrl, std, intensif)
print(f\"Statistique F = {f_stat:.4f}, p-valeur = {p_val:.4e}\")<\/code><\/p>\n

La fonction retourne la statistique de rapport de variance F<\/em> de Fisher-Snedecor et sa p-valeur asymptotique associ\u00e9e. Si cette p-valeur se situe strictement sous le seuil d’erreur alpha conventionnel (alpha = 0,05), l’investigateur conclut formellement \u00e0 l’existence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 significative parmi les conditions de traitement. Cette confirmation empirique l\u00e9gitime la transition imm\u00e9diate vers l’investigation post-hoc au moyen du test de Tukey.<\/p>\n

6.2 Mod\u00e9lisation lin\u00e9aire \u00e9quivalente via Statsmodels (OLS)<\/h3>\n

Bien que l’appel \u00e0 scipy.stats.f_oneway<\/code> soit commode, l’approche pr\u00e9conis\u00e9e pour une recherche approfondie repose sur la mod\u00e9lisation lin\u00e9aire via la r\u00e9gression par les moindres carr\u00e9s ordinaires (Ordinary Least Squares – OLS) sous la biblioth\u00e8que Statsmodels. Dans la th\u00e9orie statistique unifi\u00e9e, l’analyse de variance n’est qu’un cas particulier du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Utiliser cette formulation permet d’obtenir un tableau d’ANOVA complet, int\u00e9grant les sommes de carr\u00e9s, les carr\u00e9s moyens des erreurs et les degr\u00e9s de libert\u00e9 requis pour les calculs d’amplitude d’effet.<\/p>\n

La syntaxe de mod\u00e9lisation exploite le formalisme des formules popularis\u00e9 par le langage R via la fonction ols<\/code> du sous-module statsmodels.formula.api<\/code> :<\/p>\n

modele = ols('Score ~ C(Condition)', data=df_attention).fit()
tableau_anova = sm.stats.anova_lm(modele, typ=2)
print(tableau_anova)<\/code><\/p>\n

L’utilisation de la notation C(Condition)<\/code> sp\u00e9cifie sans ambigu\u00eft\u00e9 \u00e0 Statsmodels que la colonne sous-jacente doit \u00eatre encod\u00e9e sous forme de variables indicatrices (contraste de traitement cat\u00e9goriel). L’argument typ=2<\/code> indique le recours aux sommes des carr\u00e9s de Type II, recommand\u00e9es en pr\u00e9sence d’\u00e9chantillons d\u00e9s\u00e9quilibr\u00e9s sans interaction factorielle crois\u00e9e. Ce tableau de sortie expose imm\u00e9diatement la valeur de la MSE<\/em> (carr\u00e9 moyen des r\u00e9sidus figurant sur la ligne Residual<\/code>), valeur qui sera inject\u00e9e au d\u00e9nominateur de la formule de diff\u00e9rence critique de Tukey.<\/p>\n

6.3 Calcul de la taille d’effet omnibus (\u00c9ta-carr\u00e9 et Om\u00e9ga-carr\u00e9)<\/h3>\n

L’\u00e9valuation exclusive d’une p-valeur issue de l’ANOVA omnibus s’av\u00e8re insuffisante pour mesurer la pertinence substantielle d’un ph\u00e9nom\u00e8ne scientifique. Une p-valeur hautement significative peut masquer un effet d’une amplitude minime d\u00e8s lors que la taille de l’\u00e9chantillon global N<\/em> est massive. Les normes m\u00e9thodologiques de publication scientifique exigent le calcul et la d\u00e9claration syst\u00e9matiques de la taille d’effet (effect size).<\/p>\n

La m\u00e9trique la plus fr\u00e9quemment rapport\u00e9e est l’\u00c9ta-carr\u00e9 (eta_squared, not\u00e9 η²)<\/a>, qui repr\u00e9sente la proportion de la variance totale de la variable d\u00e9pendante attribuable au facteur manipul\u00e9. Sa formulation s’exprime par le ratio :<\/p>\n

eta_squared = SS_effet \/ SS_total<\/strong><\/p>\n

Toutefois, l’\u00c9ta-carr\u00e9 est un estimateur biais\u00e9 qui tend \u00e0 surestimer l’amplitude r\u00e9elle de la relation au sein de la population g\u00e9n\u00e9rale, en particulier lorsque les \u00e9chantillons sont modestes. Pour corriger ce biais d’\u00e9chantillonnage, on pr\u00e9conise le calcul de l’Om\u00e9ga-carr\u00e9 (ω²), un estimateur moins biais\u00e9 qui int\u00e8gre la variance d’erreur r\u00e9siduelle :<\/p>\n

omega_squared = (SS_effet – (df_effet * MSE)) \/ (SS_total + MSE)<\/strong><\/p>\n

Le calcul automatis\u00e9 de ces deux m\u00e9triques s’impl\u00e9mente en Python par extraction des valeurs issues du tableau d’ANOVA g\u00e9n\u00e9r\u00e9 pr\u00e9c\u00e9demment :<\/p>\n

ss_effet = tableau_anova['sum_sq'].iloc[0]
ss_residuelle = tableau_anova['sum_sq'].iloc[1]
ss_total = ss_effet + ss_residuelle
df_effet = tableau_anova['df'].iloc[0]
mse = tableau_anova['mean_sq'].iloc[1]<\/p>\n

eta_2 = ss_effet \/ ss_total
omega_2 = (ss_effet - (df_effet * mse)) \/ (ss_total + mse)
print(f\"Eta-carr\u00e9 = {eta_2:.3f}, Om\u00e9ga-carr\u00e9 = {omega_2:.3f}\")<\/code><\/p>\n

Conform\u00e9ment aux conventions \u00e9tablies par Jacob Cohen dans le champ des sciences comportementales, un coefficient de 0,01 correspond \u00e0 un effet de faible ampleur, 0,06 signale un effet moyen, et toute valeur \u00e9gale ou sup\u00e9rieure \u00e0 0,14 traduit un effet de forte magnitude exp\u00e9rimentale.<\/p>\n

7. Mise en \u0153uvre du test de Tukey avec pairwise_tukeyhsd<\/h2>\n

7.1 Param\u00e9trage d\u00e9taill\u00e9 de la fonction pairwise_tukeyhsd<\/h3>\n

La m\u00e9thode canonique pour ex\u00e9cuter le test HSD de Tukey sous Python r\u00e9side dans la fonction pairwise_tukeyhsd<\/code>, directement accessible depuis le sous-module statsmodels.stats.multicomp<\/code>. Cette fonction impl\u00e9mente de mani\u00e8re totalement transparente aussi bien l’algorithme HSD original pour effectifs \u00e9quilibr\u00e9s que l’ajustement formel de Tukey-Kramer en pr\u00e9sence d’\u00e9chantillons asym\u00e9triques.<\/p>\n

La signature de la fonction comporte trois param\u00e8tres op\u00e9ratoires principaux :<\/p>\n