{"id":7305,"date":"2026-09-16T19:14:15","date_gmt":"2026-09-16T19:14:15","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-variance-combinee-excel-etape-par-etape\/"},"modified":"2026-09-16T19:14:22","modified_gmt":"2026-09-16T19:14:22","slug":"comment-calculer-variance-combinee-excel-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-variance-combinee-excel-etape-par-etape","title":{"rendered":"Comment calculer la variance combin\u00e9e dans Excel (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

L\u2019analyse quantitative des donn\u00e9es en sciences comportementales et psychologiques repose fondamentalement sur la capacit\u00e9 du chercheur \u00e0 isoler les effets exp\u00e9rimentaux authentiques du bruit stochastique inh\u00e9rent \u00e0 l’\u00e9chantillonnage humain. Lorsque l’on cherche \u00e0 comparer deux cohortes ind\u00e9pendantes \u2014 qu’il s’agisse de mesurer l’efficacit\u00e9 diff\u00e9rentielle d’une prise en charge psychoth\u00e9rapeutique par rapport \u00e0 une condition t\u00e9moin, ou d’\u00e9valuer l’impact d’une l\u00e9sion neuropsychologique sur les temps de r\u00e9action \u2014, la simple confrontation des moyennes arithm\u00e9tiques demeure insuffisante. Pour \u00e9tablir une inf\u00e9rence statistique valide, il est indispensable de mod\u00e9liser la variabilit\u00e9 sous-jacente des populations \u00e9tudi\u00e9es. C’est pr\u00e9cis\u00e9ment \u00e0 cette jonction m\u00e9thodologique que s’impose la notion de variance combin\u00e9e<\/strong> (ou pooled variance<\/em> en litt\u00e9rature anglo-saxonne), une m\u00e9trique pivot qui agr\u00e8ge l’information de dispersion de plusieurs sous-\u00e9chantillons afin de fournir un estimateur global plus robuste et statistiquement efficient.<\/p>\n

Dans la pratique acad\u00e9mique contemporaine, bien que des environnements de programmation tels que R, Python ou des logiciels d\u00e9di\u00e9s comme SPSS soient fr\u00e9quemment sollicit\u00e9s, le tableur Microsoft Excel<\/a> demeure un instrument d’une pr\u00e9valence universelle dans les laboratoires, les structures hospitali\u00e8res et les centres de recherche clinique. Sa flexibilit\u00e9, son accessibilit\u00e9 imm\u00e9diate et la transparence algorithmique qu’il autorise en font un outil d’apprentissage et de contr\u00f4le indispensable. Ma\u00eetriser le calcul pas \u00e0 pas de la variance combin\u00e9e au sein d’Excel ne constitue pas uniquement un exercice technique de calcul matriciel ou arithm\u00e9tique : cela permet au praticien d’acqu\u00e9rir une compr\u00e9hension granulaire des m\u00e9canismes internes qui r\u00e9gissent les tests d’hypoth\u00e8ses, la d\u00e9termination de l’erreur type et le calcul des tailles d’effet standardis\u00e9es.<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une immersion exhaustive, th\u00e9orique et op\u00e9rationnelle, dans le calcul de la variance combin\u00e9e sous Excel. Nous examinerons rigoureusement ses soubassements statistiques issus des travaux canoniques de Student et de Ronald Fisher, d\u00e9taillerons sa d\u00e9rivation alg\u00e9brique, \u00e9valuerons les postulats param\u00e9triques qui conditionnent sa l\u00e9gitimit\u00e9, puis d\u00e9clinerons une proc\u00e9dure s\u00e9quentielle minutieuse sous Excel, allant de la structuration brute des jeux de donn\u00e9es jusqu’\u00e0 l’automatisation via l’Utilitaire d’analyse et les fonctions int\u00e9gr\u00e9es. Enfin, nous aborderons les diagnostics d’erreurs r\u00e9currents et l’interpr\u00e9tation des r\u00e9sultats selon les normes de publication les plus strictes de l’American Psychological Association (APA)<\/a>.<\/p>\n

1. Fondements th\u00e9oriques de la variance combin\u00e9e en recherche psychologique<\/h2>\n

1.1 D\u00e9finition conceptuelle et utilit\u00e9 en psychom\u00e9trie<\/h3>\n

D’un point de vue conceptuel, la variance combin\u00e9e repr\u00e9sente une moyenne pond\u00e9r\u00e9e des variances d’\u00e9chantillons ind\u00e9pendants, pond\u00e9r\u00e9e sp\u00e9cifiquement par leurs degr\u00e9s de libert\u00e9 respectifs. En psychom\u00e9trie, la variabilit\u00e9 des scores observ\u00e9s refl\u00e8te non seulement les diff\u00e9rences interindividuelles stables \u2014 telles que les traits de personnalit\u00e9, les capacit\u00e9s cognitives ou le temp\u00e9rament \u2014, mais \u00e9galement l’erreur de mesure al\u00e9atoire inh\u00e9rente aux instruments d’\u00e9valuation (questionnaires auto-rapport\u00e9s, \u00e9preuves chronom\u00e9tr\u00e9es, inventaires psychologiques). Lorsque deux groupes d’individus sont extraits d’une m\u00eame population parente ou de deux populations partageant une structure de dispersion identique, l’estimation conjointe de cette dispersion permet d’annuler les fluctuations d’\u00e9chantillonnage locales qui affectent isol\u00e9ment chaque sous-groupe.<\/p>\n

La variance combin\u00e9e joue un r\u00f4le central dans l’estimation de l’erreur type commune entre groupes exp\u00e9rimentaux. Plut\u00f4t que de consid\u00e9rer s\u00e9par\u00e9ment la dispersion du groupe contr\u00f4le et celle du groupe exp\u00e9rimental, la statistique inf\u00e9rentielle postule que si ces deux groupes partagent une variance populationnelle sous-jacente homog\u00e8ne, l’information issue des deux ensembles doit \u00eatre fusionn\u00e9e pour maximiser la fid\u00e9lit\u00e9 de l’estimation. Cela conf\u00e8re \u00e0 la m\u00e9trique une importance capitale dans les protocoles d’\u00e9valuation clinique et comportementale, o\u00f9 la fid\u00e9lit\u00e9 des mesures conditionne le diagnostic de troubles anxieux, de profils neuro-d\u00e9veloppementaux ou de gains th\u00e9rapeutiques longitudinaux.<\/p>\n

Il est imp\u00e9ratif d’\u00e9tablir une distinction th\u00e9orique nette entre la variance intra-groupe (qui mesure l’\u00e9cartement des observations individuelles autour de la moyenne de leur sous-groupe sp\u00e9cifique) et la variance combin\u00e9e globale. Alors que la premi\u00e8re caract\u00e9rise une entit\u00e9 empirique isol\u00e9e, la seconde constitue un estimateur mutualis\u00e9 synth\u00e9tique, fond\u00e9 sur l’hypoth\u00e8se de stationnarit\u00e9 de la variance \u00e0 travers les diff\u00e9rentes conditions exp\u00e9rimentales. Cette mutualisation garantit une assise d’inf\u00e9rence math\u00e9matique indispensable \u00e0 la construction des statistiques de d\u00e9cision.<\/p>\n

1.2 Le test t de Student pour \u00e9chantillons ind\u00e9pendants<\/h3>\n

L’int\u00e9gration de la variance combin\u00e9e au sein du d\u00e9nominateur de la statistique dans le cadre du test t de Student pour \u00e9chantillons ind\u00e9pendants constitue l’un des piliers de l’analyse inf\u00e9rentielle classique. La formule canonique du test t compare l’\u00e9cart entre les moyennes empiriques de deux cohortes au regard de la variabilit\u00e9 r\u00e9siduelle attendue sous l’hypoth\u00e8se nulle. Cette variabilit\u00e9 r\u00e9siduelle est pr\u00e9cis\u00e9ment mod\u00e9lis\u00e9e par l’erreur type de la diff\u00e9rence de moyennes, laquelle incorpore directement la racine carr\u00e9e de la variance combin\u00e9e pond\u00e9r\u00e9e par les inverses des effectifs :<\/p>\n

Dans le protocole typique comparant un groupe contr\u00f4le recevant un placebo \u00e0 un groupe exp\u00e9rimental b\u00e9n\u00e9ficiant d’une th\u00e9rapie d’activation comportementale, la statistique t permet d’\u00e9valuer si la diff\u00e9rence constat\u00e9e d\u00e9passe ce qui pourrait \u00eatre raisonnablement attribu\u00e9 aux seuls al\u00e9as de l’\u00e9chantillonnage. En mutualisant les variances, l’analyste pr\u00e9serve la puissance statistique du test face aux fluctuations mineures, \u00e9vitant ainsi que la variabilit\u00e9 inhabituellement faible ou \u00e9lev\u00e9e d’un sous-groupe restreint ne biaise ind\u00fbment la statistique de d\u00e9cision globale.<\/p>\n

Une mauvaise estimation de la variance combin\u00e9e \u2014 qu’elle r\u00e9sulte d’une erreur d’impl\u00e9mentation arithm\u00e9tique ou de la m\u00e9connaissance d’une asym\u00e9trie de dispersion \u2014 entra\u00eene des r\u00e9percussions d\u00e9sastreuses sur le taux d’erreur de type I (rejet erron\u00e9 de l’hypoth\u00e8se nulle en l’absence d’effet r\u00e9el). Si la variance combin\u00e9e est sous-estim\u00e9e, le d\u00e9nominateur de la statistique t devient artificiellement restreint, ce qui gonfle la valeur de t et conduit \u00e0 d\u00e9clarer des r\u00e9sultats fallacieusement significatifs. \u00c0 l’inverse, sa sur\u00e9valuation entra\u00eene une inflation du risque de type II, masquant des d\u00e9couvertes cliniques potentiellement d\u00e9cisives pour le domaine de la sant\u00e9 mentale.<\/p>\n

1.3 Calcul de la taille d’effet et d de Cohen<\/h3>\n

Au-del\u00e0 de la significativit\u00e9 statistique, l’\u00e9valuation de la pertinence clinique et pragmatique des r\u00e9sultats en sciences du comportement exige la quantification de la magnitude de l’effet. C’est ici qu’intervient l’\u00e9cart-type combin\u00e9 (la racine carr\u00e9e de la variance combin\u00e9e), instrument\u00e9 pour la standardisation des diff\u00e9rences de moyennes dans le calcul du c\u00e9l\u00e8bre d de Cohen. Alors que le test t d\u00e9pend \u00e9troitement de la taille de l’\u00e9chantillon \u2014 pouvant atteindre un seuil significatif m\u00eame pour des divergences minimes lorsque N devient tr\u00e8s volumineux \u2014, la taille d’effet standardis\u00e9e offre une m\u00e9trique universelle, exempte de l’influence m\u00e9canique du volume d’\u00e9chantillonnage.<\/p>\n

La formulation math\u00e9matique liant la variance combin\u00e9e \u00e0 la m\u00e9trique de Jacob Cohen s’exprime par le ratio entre la diff\u00e9rence absolue des moyennes des deux groupes et l’\u00e9cart-type combin\u00e9 des populations. L’utilisation rigoureuse de la variance combin\u00e9e au d\u00e9nominateur assure que l’unit\u00e9 de mesure standardis\u00e9e refl\u00e8te fid\u00e8lement la variabilit\u00e9 commune au sein de laquelle s’expriment les scores comportementaux. Dans la litt\u00e9rature psychologique, l’interpr\u00e9tation clinique suit classiquement les seuils conventionnels formul\u00e9s par Cohen : un d de 0,2 correspond \u00e0 un effet modeste, 0,5 \u00e0 un effet interm\u00e9diaire, et 0,8 ou au-del\u00e0 \u00e0 un effet massif, susceptible d’induire des changements observables \u00e0 l’\u00e9chelle du comportement quotidien.<\/p>\n

Dans le paradigme contemporain de la science ouverte et des synth\u00e8ses quantitatives, l’extraction pr\u00e9cise de la variance combin\u00e9e est le pr\u00e9requis cardinal pour la r\u00e9alisation de m\u00e9ta-analyses. Les mod\u00e9lisateurs ont besoin de cet estimateur pour convertir les r\u00e9sultats issus de multiples protocoles empiriques h\u00e9t\u00e9rog\u00e8nes en une m\u00e9trique commune d’effet standardis\u00e9. Une impr\u00e9cision dans le calcul de la variance combin\u00e9e au sein d’un rapport primaire contamine in\u00e9vitablement les mod\u00e8les \u00e0 effets fixes ou al\u00e9atoires des m\u00e9ta-analyses futures, alt\u00e9rant durablement l’\u00e9tat des connaissances scientifiques.<\/p>\n

2. Formulation math\u00e9matique et d\u00e9rivation de la variance combin\u00e9e<\/h2>\n

2.1 D\u00e9composition alg\u00e9brique de la formule standard<\/h3>\n

L’expression math\u00e9matique fondamentale de la variance combin\u00e9e pour deux \u00e9chantillons ind\u00e9pendants s’articule comme suit :<\/p>\n

sp<\/sub>\u00b2 = [ (n1<\/sub> – 1)s1<\/sub>\u00b2 + (n2<\/sub> – 1)s2<\/sub>\u00b2 ] \/ (n1<\/sub> + n2<\/sub> – 2)<\/strong><\/p>\n

Pour appr\u00e9hender la m\u00e9canique intime de cette \u00e9quation, il est indispensable de diss\u00e9quer ses composantes alg\u00e9briques. Le num\u00e9rateur, repr\u00e9sent\u00e9 par la somme pond\u00e9r\u00e9e (n1<\/sub> – 1)s1<\/sub>\u00b2 + (n2<\/sub> – 1)s2<\/sub>\u00b2<\/em>, correspond en r\u00e9alit\u00e9 \u00e0 la somme des carr\u00e9s des \u00e9carts \u00e0 la moyenne respective de chaque groupe, souvent not\u00e9e SCE (Somme des Carr\u00e9s des \u00c9carts) ou Sum of Squares (SS)<\/em> en anglais. Sachant que la variance empirique d’un \u00e9chantillon s1<\/sub>\u00b2 est d\u00e9finie par le quotient de sa somme des carr\u00e9s par ses degr\u00e9s de libert\u00e9 (n1<\/sub> – 1), la multiplication pr\u00e9alable de s1<\/sub>\u00b2 par (n1<\/sub> – 1) r\u00e9tablit rigoureusement la somme brute des d\u00e9viations quadratiques individuelles.<\/p>\n

Le d\u00e9nominateur, quant \u00e0 lui, formalise la somme des degr\u00e9s de libert\u00e9 associ\u00e9s aux deux cohortes ind\u00e9pendantes : (n1<\/sub> – 1) + (n2<\/sub> – 1) = n1<\/sub> + n2<\/sub> – 2<\/em>. En divisant la somme totale des variations quadratiques intra-groupes par l’ensemble des degr\u00e9s de libert\u00e9 disponibles, on proc\u00e8de \u00e0 une moyenne pond\u00e9r\u00e9e par l’information statistique effective apport\u00e9e par chaque sous-\u00e9chantillon. Cette d\u00e9composition alg\u00e9brique d\u00e9montre avec \u00e9l\u00e9gance que la variance combin\u00e9e n’est en rien une moyenne arithm\u00e9tique na\u00efve des variances, sauf dans le cas particulier et strict o\u00f9 les deux \u00e9chantillons poss\u00e8dent un effectif rigoureusement identique.<\/p>\n

Sur le plan th\u00e9orique, cette formule standard s’\u00e9tend sans rupture \u00e9pist\u00e9mologique au cas g\u00e9n\u00e9ral de k<\/em> groupes d’\u00e9chantillons ind\u00e9pendants, qui pr\u00e9figure l’analyse de variance univari\u00e9e (ANOVA). L’estimateur de la variance intra-groupe (ou carr\u00e9 moyen r\u00e9siduel, Mean Square Error<\/em>) n’est alors rien d’autre que la g\u00e9n\u00e9ralisation de la variance combin\u00e9e calcul\u00e9e sur l’ensemble des k<\/em> conditions exp\u00e9rimentales, consolidant l’unit\u00e9 structurelle des statistiques param\u00e9triques univari\u00e9es.<\/p>\n

2.2 R\u00f4le et calcul des degr\u00e9s de libert\u00e9<\/h3>\n

La notion de degr\u00e9s de libert\u00e9 (not\u00e9s couramment ddl<\/em> ou df<\/em> pour degrees of freedom<\/em>) renvoie au nombre de valeurs d’un calcul statistique qui sont libres de varier lorsque certaines contraintes alg\u00e9briques ont \u00e9t\u00e9 impos\u00e9es. Pour un \u00e9chantillon isol\u00e9 de taille n, le calcul de la moyenne arithm\u00e9tique introduit une contrainte lin\u00e9aire : la somme des d\u00e9viations par rapport \u00e0 cette moyenne doit imp\u00e9rativement \u00eatre \u00e9gale \u00e0 z\u00e9ro. D\u00e8s lors que la moyenne est fix\u00e9e, seules n – 1 observations demeurent ind\u00e9pendantes, ce qui justifie la division par n – 1 dans l’estimateur de la variance d’\u00e9chantillon pour assurer l’absence de biais.<\/p>\n

Lorsque deux \u00e9chantillons distincts sont mutualis\u00e9s dans l’espace multidimensionnel des observations, deux param\u00e8tres populationnels doivent \u00eatre estim\u00e9s pr\u00e9alablement \u00e0 partir des donn\u00e9es : la moyenne du premier groupe et celle du second groupe. Chaque estimation de moyenne consomme un degr\u00e9 de libert\u00e9 g\u00e9om\u00e9trique. La mutualisation des contraintes math\u00e9matiques se traduit donc inexorablement par la soustraction de deux unit\u00e9s \u00e0 l’effectif global cumul\u00e9, ce qui aboutit au terme n1<\/sub> + n2<\/sub> – 2<\/em>. Cette perte de deux degr\u00e9s de libert\u00e9 constitue le co\u00fbt param\u00e9trique incompressible pour ancrer l’estimation non biais\u00e9e de la dispersion r\u00e9siduelle.<\/p>\n

Il importe de souligner la sensibilit\u00e9 des degr\u00e9s de libert\u00e9 aux disparit\u00e9s d’effectifs entre sous-groupes. Lorsqu’une cohorte clinique pr\u00e9sente une dissym\u00e9trie marqu\u00e9e \u2014 par exemple n1<\/sub> = 100 dans le groupe contr\u00f4le et n2<\/sub> = 15 dans le groupe d’une pathologie rare \u2014, les degr\u00e9s de libert\u00e9 du grand \u00e9chantillon (99) dominent \u00e9crasamment le d\u00e9nominateur de la formule. Par cons\u00e9quent, la variance combin\u00e9e s’alignera tr\u00e8s majoritairement sur la dispersion du groupe le plus abondant, traduisant le fait que ce dernier fournit une assise observationnelle infiniment plus stable et moins sensible aux fluctuations d’\u00e9chantillonnage singuli\u00e8res.<\/p>\n

2.3 Propri\u00e9t\u00e9s statistiques de l’estimateur combin\u00e9<\/h3>\n

L’estimateur de la variance combin\u00e9e sp<\/sub>\u00b2<\/em> poss\u00e8de des caract\u00e9ristiques math\u00e9matiques formelles qui expliquent sa pr\u00e9\u00e9minence dans l’inf\u00e9rence param\u00e9trique. En premier lieu, il s’agit d’un estimateur sans biais de la variance populationnelle commune \u03c3\u00b2. Cela signifie formellement que l’esp\u00e9rance math\u00e9matique de sp<\/sub>\u00b2 est \u00e9gale \u00e0 \u03c3\u00b2 : E[sp<\/sub>\u00b2] = \u03c3\u00b2<\/em>. Contrairement aux estimateurs maximisant la vraisemblance sans correction, qui tendent \u00e0 sous-estimer la variance dans les petits \u00e9chantillons, la correction int\u00e9gr\u00e9e au d\u00e9nominateur via les degr\u00e9s de libert\u00e9 compense exactement cette tendance g\u00e9om\u00e9trique au r\u00e9tr\u00e9cissement.<\/p>\n

En second lieu, l’estimateur pr\u00e9sente la propri\u00e9t\u00e9 fondamentale de convergence asymptotique (consistance). \u00c0 mesure que les effectifs n1<\/sub> et n2<\/sub> tendent vers l’infini, la variance combin\u00e9e converge en probabilit\u00e9 vers la v\u00e9ritable variance th\u00e9orique de la population parente. L’erreur standard de cet estimateur diminue proportionnellement \u00e0 la racine carr\u00e9e de la somme des effectifs, garantissant une pr\u00e9cision accrue par rapport \u00e0 n’importe quelle estimation isol\u00e9e s1<\/sub>\u00b2 ou s2<\/sub>\u00b2 calcul\u00e9e de fa\u00e7on discontinue.<\/p>\n

Enfin, au regard du crit\u00e8re d’efficacit\u00e9 relative, la variance combin\u00e9e atteint la borne de Cram\u00e9r-Rao<\/a> pour les mod\u00e8les param\u00e9triques gaussiens. Parmi l’ensemble des estimateurs non biais\u00e9s envisageables pour agr\u00e9ger des dispersions issues de populations normales homosc\u00e9dastiques, sp<\/sub>\u00b2<\/em> poss\u00e8de la variance d’\u00e9chantillonnage minimale. Cela conf\u00e8re aux tests d\u00e9riv\u00e9s, comme le test t de Student standard, la puissance statistique la plus \u00e9lev\u00e9e th\u00e9oriquement accessible sous les postulats de la normalit\u00e9.<\/p>\n

3. Postulats m\u00e9thodologiques et v\u00e9rification de l’homog\u00e9n\u00e9it\u00e9 des variances<\/h2>\n

3.1 Le postulat d’homosc\u00e9dasticit\u00e9<\/h3>\n

L’application l\u00e9gitime de la formule de la variance combin\u00e9e est subordonn\u00e9e \u00e0 une condition m\u00e9thodologique non n\u00e9gociable : le postulat d’homog\u00e9n\u00e9it\u00e9 des variances, techniquement d\u00e9sign\u00e9 sous le terme d’homosc\u00e9dasticit\u00e9. Ce postulat stipule que, nonobstant les \u00e9carts \u00e9ventuels constat\u00e9s entre leurs moyennes arithm\u00e9tiques, les deux populations th\u00e9oriques dont sont extraits les \u00e9chantillons partagent une variance identique, soit \u03c31<\/sub>\u00b2 = \u03c32<\/sub>\u00b2 = \u03c3\u00b2<\/em>. La variance empirique observ\u00e9e dans chaque groupe ne doit \u00eatre consid\u00e9r\u00e9e que comme une instanciation imparfaite de cette r\u00e9alit\u00e9 stochastique commune.<\/p>\n

La violation de cette exigence fondamentale \u2014 condition qualifi\u00e9e d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 \u2014 compromet gravement l’int\u00e9grit\u00e9 inf\u00e9rentielle du mod\u00e8le. Lorsque les variances r\u00e9elles des populations s’\u00e9cartent substantiellement, agr\u00e9ger s1<\/sub>\u00b2 et s2<\/sub>\u00b2 au sein d’une m\u00e9trique combin\u00e9e unique revient \u00e0 fusionner deux param\u00e8tres discordants. Il en r\u00e9sulte un estimateur hybride qui ne correspond \u00e0 aucune r\u00e9alit\u00e9 physique ou psychologique quantifiable, faussant la m\u00e9trique de dispersion sur laquelle reposera l’ensemble du raisonnement probabiliste.<\/p>\n

Les cons\u00e9quences pratiques de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sont particuli\u00e8rement dramatiques lorsque l’in\u00e9galit\u00e9 des variances est coupl\u00e9e \u00e0 un d\u00e9s\u00e9quilibre d’effectif entre les groupes (plans exp\u00e9rimentaux non orthogonaux). Deux configurations antagonistes se pr\u00e9sentent alors :<\/p>\n