{"id":7523,"date":"2026-09-16T20:53:35","date_gmt":"2026-09-16T20:53:35","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/coefficient-de-correlation-intraclasse-definition-exemple\/"},"modified":"2026-09-16T20:53:38","modified_gmt":"2026-09-16T20:53:38","slug":"coefficient-de-correlation-intraclasse-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=coefficient-de-correlation-intraclasse-definition-exemple","title":{"rendered":"Coefficient de corr\u00e9lation intraclasse : D\u00e9finition + Exemple"},"content":{"rendered":"

La mesure quantitative en psychologie, en psychiatrie et dans l’ensemble des sciences biom\u00e9dicales repose sur un postulat \u00e9pist\u00e9mologique fondamental : la fid\u00e9lit\u00e9 des instruments d’\u00e9valuation conditionne la validit\u00e9 de toute inf\u00e9rence scientifique ou d\u00e9cision diagnostique. Lorsqu’un clinicien \u00e9value la s\u00e9v\u00e9rit\u00e9 d’un \u00e9pisode d\u00e9pressif majeur \u00e0 l’aide d’une \u00e9chelle standardis\u00e9e, ou lorsqu’un chercheur quantifie des patterns comportementaux \u00e0 partir d’enregistrements vid\u00e9o, une question centrale \u00e9merge in\u00e9vitablement : dans quelle mesure le score obtenu refl\u00e8te-t-il le statut r\u00e9el de l’individu plut\u00f4t que la subjectivit\u00e9 de l’\u00e9valuateur ou le bruit inh\u00e9rent au protocole de mesure ? C’est pr\u00e9cis\u00e9ment pour formaliser et quantifier cette part de variance v\u00e9ritable que la th\u00e9orie psychom\u00e9trique contemporaine mobilise le coefficient de corr\u00e9lation intraclasse<\/strong> (CCI).<\/p>\n

D\u00e9velopp\u00e9 initialement \u00e0 partir des travaux de g\u00e9n\u00e9tique et d’agronomie de Sir Ronald Fisher, puis adapt\u00e9 aux exigences des sciences du comportement par des m\u00e9thodologistes \u00e9m\u00e9rites tels que Patrick Shrout, Joseph Fleiss, Kenneth McGraw et S. P. Wong, le CCI s’est impos\u00e9 comme la r\u00e9f\u00e9rence analytique absolue pour jauger la reproductibilit\u00e9 et la concordance des mesures continues. Contrairement aux coefficients de corr\u00e9lation traditionnels qui se bornent \u00e0 sonder le covariement lin\u00e9aire entre deux distributions, le coefficient de corr\u00e9lation intraclasse s’ancre dans le cadre de l’analyse de la variance<\/a> (ANOVA) et des mod\u00e8les lin\u00e9aires mixtes. Cette approche permet d’isoler, de d\u00e9composer et de comparer rigoureusement les diff\u00e9rentes composantes de la variance : la variabilit\u00e9 propre aux sujets \u00e9valu\u00e9s, celle imputable aux juges ou \u00e9valuateurs, et celle relevant de l’erreur al\u00e9atoire non syst\u00e9matique.<\/p>\n

Cependant, l’application du CCI ne saurait se r\u00e9duire \u00e0 l’ex\u00e9cution machinale d’un algorithme statistique au sein d’un logiciel d’analyse. La versatilit\u00e9 math\u00e9matique de cet indice se traduit par une pluralit\u00e9 de mod\u00e8les (\u00e0 une voie, \u00e0 deux voies al\u00e9atoires, \u00e0 deux voies mixtes), de types de relation (accord absolu versus simple coh\u00e9rence) et d’unit\u00e9s d’observation (mesure unique versus moyenne de plusieurs cotateurs). Une m\u00e9connaissance de ces distinctions fondamentales conduit fr\u00e9quemment les chercheurs \u00e0 des erreurs d’interpr\u00e9tation notables, gonflant artificiellement les indices de fid\u00e9lit\u00e9 ou masquant des biais m\u00e9thodologiques substantiels. Ce guide exhaustif a pour vocation d’exposer de mani\u00e8re approfondie les fondements th\u00e9oriques, les d\u00e9rivations math\u00e9matiques, les crit\u00e8res de d\u00e9cision et les implications cliniques du coefficient de corr\u00e9lation intraclasse, tout en fournissant un exemple empirique int\u00e9gralement calcul\u00e9 \u00e0 la main et guid\u00e9 sous les logiciels de r\u00e9f\u00e9rence.<\/p>\n

1. Introduction et fondements conceptuels du coefficient de corr\u00e9lation intraclasse<\/h2>\n

1.1 D\u00e9finition formelle et objet de mesure<\/h3>\n

Le coefficient de corr\u00e9lation intraclasse tire son ancrage conceptuel des axiomes cardinaux de la th\u00e9orie classique des tests<\/a> (TCT), initi\u00e9e par Charles Spearman et consolid\u00e9e ult\u00e9rieurement par Lord et Novick. Selon ce paradigme, tout score observ\u00e9 ($X$<\/span>) \u00e0 une \u00e9preuve quantitative ou une \u00e9chelle d’\u00e9valuation clinique est la r\u00e9sultante lin\u00e9aire de deux composantes additives inobservables : le score vrai du sujet ($T$<\/span>, pour True score<\/em>) et une erreur de mesure stochastique ($E$<\/span>, pour Error<\/em>), formalis\u00e9e par l’\u00e9quation fondamentale $X = T + E$<\/span>. D\u00e8s lors que plusieurs \u00e9valuateurs ind\u00e9pendants attribuent des notes \u00e0 un \u00e9chantillon d’individus, la variance totale observ\u00e9e au sein de la matrice de donn\u00e9es se scinde conceptuellement en variance v\u00e9ritable entre les sujets ($\\sigma^2_s$<\/span>) et en variance d’erreur de mesure ($\\sigma^2_e$<\/span>).<\/p>\n

Dans ce cadre rigoureux, le CCI se d\u00e9finit formellement comme le ratio de la variance attribuable \u00e0 l’objet de la mesure (la variabilit\u00e9 r\u00e9elle sous-jacente entre les patients ou participants) sur la variance ph\u00e9notypique totale observ\u00e9e. L’objet premier du coefficient est d’\u00e9valuer avec pr\u00e9cision la reproductibilit\u00e9 et le degr\u00e9 de concordance d’\u00e9valuations continues r\u00e9p\u00e9t\u00e9es, qu’elles soient issues de multiples observateurs (fid\u00e9lit\u00e9 inter-juges) ou d’occasions de mesure distinctes (stabilit\u00e9 test-retest). La grandeur calcul\u00e9e refl\u00e8te la proportion de variance qui n’est pas contamin\u00e9e par le bruit m\u00e9thodologique.<\/p>\n

Il est imp\u00e9ratif de marquer d\u00e8s l’abord la distinction fondamentale entre une simple corr\u00e9lation bivari\u00e9e et l’\u00e9valuation d’un accord absolu. Alors qu’une association bivari\u00e9e classique scrute uniquement la propension de deux s\u00e9ries de donn\u00e9es \u00e0 varier conjointement selon une droite de r\u00e9gression de pente quelconque, la concordance \u00e9valu\u00e9e par le CCI requiert une identit\u00e9 stricte des valeurs attribu\u00e9es. Deux cliniciens cotant une symptomatologie peuvent pr\u00e9senter une synchronisation relative parfaite tout en diff\u00e9rant de dix points de mani\u00e8re constante sur une \u00e9chelle psychom\u00e9trique ; une telle divergence alt\u00e8re lourdement l’accord absolu sans pour autant d\u00e9grader la corr\u00e9lation lin\u00e9aire ordinaire.<\/p>\n

1.2 Importance du CCI dans la recherche psychologique et clinique<\/h3>\n

L’omnipr\u00e9sence du CCI dans la litt\u00e9rature psychiatrique, neuropsychologique et \u00e9pid\u00e9miologique contemporaine d\u00e9coule de la n\u00e9cessit\u00e9 de standardiser les instruments d’\u00e9valuation diagnostique. Les \u00e9chelles cliniques \u2014 qu’il s’agisse de mesurer la d\u00e9pression via l’\u00e9chelle de Hamilton (HDRS), l’anxi\u00e9t\u00e9 au moyen de la STAI, ou les d\u00e9ficits ex\u00e9cutifs \u00e0 travers des batteries cognitives standardis\u00e9es \u2014 ne poss\u00e8dent aucune utilit\u00e9 clinique si leur cotation d\u00e9pend des idiosyncrasies de l’examinateur. L’\u00e9tablissement pr\u00e9alable d’un niveau \u00e9lev\u00e9 de corr\u00e9lation intraclasse constitue ainsi le pr\u00e9requis m\u00e9thodologique non n\u00e9gociable autorisant l’usage clinique et la comparabilit\u00e9 des donn\u00e9es entre centres hospitaliers.<\/p>\n

Dans le domaine des observations comportementales directes \u2014 par exemple, l’encodage des interactions dyadiques m\u00e8re-enfant ou la quantification des st\u00e9r\u00e9otypies dans le trouble du spectre de l’autisme \u2014, la fid\u00e9lit\u00e9 inter-juges est constamment menac\u00e9e par la fatigue des observateurs, l’ambigu\u00eft\u00e9 des grilles d’encodage et les d\u00e9rives interpr\u00e9tatives. Le CCI fournit ici un indicateur synth\u00e9tique permettant de valider les phases d’entra\u00eenement des \u00e9valuateurs, garantissant que le syst\u00e8me de cotation est suffisamment robuste pour \u00eatre appliqu\u00e9 en aveugle lors d’essais cliniques randomis\u00e9s.<\/p>\n

Parall\u00e8lement, la mesure de la stabilit\u00e9 temporelle ou fid\u00e9lit\u00e9 test-retest mobilise intensivement le CCI pour attester qu’un instrument psychologique ne fluctue pas sous l’effet du hasard lorsque l’\u00e9tat clinique du patient demeure invariant \u00e0 intervalle temporel ma\u00eetris\u00e9. Enfin, la ma\u00eetrise de l’erreur de mesure via le CCI conditionne directement la puissance statistique<\/a> des recherches cliniques. Une erreur de mesure excessive dilue les tailles d’effet r\u00e9elles (ph\u00e9nom\u00e8ne d’att\u00e9nuation statistique) et impose un accroissement exponentiel de la taille d’\u00e9chantillon pour mettre en \u00e9vidence l’efficacit\u00e9 d’une mol\u00e9cule ou d’une psychoth\u00e9rapie, risquant d’aboutir \u00e0 des conclusions faussement n\u00e9gatives (erreur de type II).<\/p>\n

1.3 L’\u00e9chelle de valeur et ses propri\u00e9t\u00e9s fondamentales<\/h3>\n

D’un point de vue m\u00e9trologique, le coefficient de corr\u00e9lation intraclasse est une quantit\u00e9 adimensionnelle born\u00e9e th\u00e9oriquement dans l’intervalle ferm\u00e9 $[0, 1]$<\/span>, bien que certaines estimations empiriques d’ANOVA puissent occasionnellement g\u00e9n\u00e9rer des valeurs marginalement n\u00e9gatives en pr\u00e9sence d’anomalies d’\u00e9chantillonnage. En r\u00e8gle g\u00e9n\u00e9rale, la valeur 0 d\u00e9note l’\u00e9chec absolu du syst\u00e8me de mesure : la totalit\u00e9 de la variabilit\u00e9 observ\u00e9e provient de l’erreur al\u00e9atoire ou des biais syst\u00e9matiques des \u00e9valuateurs, signifiant que les vraies diff\u00e9rences entre patients sont totalement ind\u00e9tectables au milieu du bruit instrumental.<\/p>\n

\u00c0 l’oppos\u00e9, un coefficient atteignant la valeur unitaire de 1,0 caract\u00e9rise un instrument d’une fid\u00e9lit\u00e9 id\u00e9ale. Dans cette configuration chim\u00e9rique, la variance d’erreur r\u00e9siduelle s’annule compl\u00e8tement ($\\sigma^2_e = 0$<\/span>) : chaque sujet se voit assigner des scores rigoureusement identiques par l’ensemble des juges, ou lors de chaque session de passation. D\u00e8s lors, le score observ\u00e9 se confond rigoureusement avec le score vrai postulated par la TCT. Entre ces deux bornes extr\u00eames, le score num\u00e9rique du CCI s’interpr\u00e8te directement comme un ratio de composantes de variance.<\/p>\n

Par exemple, l’obtention d’un CCI \u00e9valu\u00e9 \u00e0 0,82 indique pr\u00e9cis\u00e9ment que 82 % de la variance totale des scores observ\u00e9s au sein de la cohorte est directement imputable aux diff\u00e9rences interindividuelles r\u00e9elles concernant le trait latent \u00e9valu\u00e9, tandis que les 18 % r\u00e9siduels d\u00e9coulent des artefacts de mesure, des divergences d’ancrage entre \u00e9valuateurs ou du bruit stochastique. L’apparition de valeurs n\u00e9gatives dans les sorties de logiciels d’analyse de variance signale g\u00e9n\u00e9ralement une violation majeure des postulats du mod\u00e8le, un ph\u00e9nom\u00e8ne de variance inter-sujets inf\u00e9rieure \u00e0 la variance r\u00e9siduelle au sein d’\u00e9chantillons excessivement homog\u00e8nes, ou un d\u00e9saccord syst\u00e9matique polaris\u00e9 entre cotateurs.<\/p>\n

2. Distinction comparative : CCI versus autres indices de fid\u00e9lit\u00e9<\/h2>\n

2.1 Comparaison critique entre le CCI et le r de Pearson<\/h3>\n

L’une des d\u00e9rives m\u00e9thodologiques les plus pernicieuses observ\u00e9es dans les sciences biom\u00e9dicales consiste \u00e0 utiliser ind\u00fbment le coefficient de corr\u00e9lation de Pearson<\/a> ($r$<\/span>) en guise d’indice de fid\u00e9lit\u00e9 inter-juges. Le coefficient de Pearson mesure exclusivement la force et la direction d’une relation lin\u00e9aire bivari\u00e9e entre deux s\u00e9ries de nombres. De par sa construction math\u00e9matique, centr\u00e9e et r\u00e9duite sur les moyennes et \u00e9carts-types respectifs de chaque s\u00e9rie, la formule du $r$<\/span> de Pearson standardise les donn\u00e9es de telle sorte qu’elle neutralise compl\u00e8tement les diff\u00e9rences de moyennes et d’\u00e9chelles entre les juges.<\/p>\n

Consid\u00e9rons \u00e0 titre d’illustration clinique deux psychiatres \u00e9valuant une cohorte de patients sur une \u00e9chelle de d\u00e9pression de 0 \u00e0 50. Si le second psychiatre attribue \u00e0 chaque patient exactement le score du premier psychiatre augment\u00e9 syst\u00e9matiquement d’une constante de 10 points (refl\u00e9tant une s\u00e9v\u00e9rit\u00e9 d’\u00e9valuation accrue ou une erreur de calibrage), le coefficient de corr\u00e9lation de Pearson sera rigoureusement \u00e9gal \u00e0 1,00. Cette association lin\u00e9aire parfaite dissimule pourtant un d\u00e9saccord clinique patent : pour un seuil diagnostique fix\u00e9 \u00e0 20, les deux praticiens parviendront \u00e0 des conclusions th\u00e9rapeutiques radicalement discordantes pour un sous-groupe substantiel d’individus.<\/p>\n

Le CCI, lorsqu’il est configur\u00e9 sous l’angle de l’accord absolu, p\u00e9nalise s\u00e9v\u00e8rement un tel d\u00e9calage additif constant en int\u00e9grant la diff\u00e9rence des moyennes des juges au d\u00e9nominateur de sa formulation statistique, faisant chuter la valeur de la fid\u00e9lit\u00e9. De surcro\u00eet, le coefficient de Pearson est intrins\u00e8quement bivari\u00e9, interdisant le traitement simultan\u00e9 de panels r\u00e9unissant trois \u00e9valuateurs ou davantage sans multiplier les calculs redondants par paires, un obstacle m\u00e9thodologique que le cadre unifi\u00e9 de l’ANOVA sous-jacent au CCI contourne avec \u00e9l\u00e9gance.<\/p>\n

2.2 Distinction entre le CCI et le Kappa de Cohen ou Fleiss<\/h3>\n

La ligne de d\u00e9marcation fondamentale s\u00e9parant le coefficient de corr\u00e9lation intraclasse des coefficients de la famille du Kappa de Cohen<\/a> ou du Kappa de Fleiss r\u00e9side dans la nature ontologique des variables collect\u00e9es. Les statistiques Kappa ont \u00e9t\u00e9 express\u00e9ment \u00e9labor\u00e9es pour manipuler des donn\u00e9es cat\u00e9gorielles nominales ou qualitatives pures (ex. : pr\u00e9sence versus absence d’un trouble psychiatrique, classification s\u00e9miologique selon les cat\u00e9gories du DSM). Le Kappa quantifie l’accord observ\u00e9 au-del\u00e0 de celui qui surviendrait par la seule force du hasard, en confrontant les distributions marginales crois\u00e9es.<\/p>\n

En pratique clinique, l’erreur consisterait \u00e0 convertir artificiellement une variable continue issue d’une \u00e9chelle d’\u00e9valuation valid\u00e9e en cat\u00e9gories dichotomiques ou ordinales (telles que d\u00e9pression \u00ab\u00a0l\u00e9g\u00e8re\u00a0\u00bb, \u00ab\u00a0mod\u00e9r\u00e9e\u00a0\u00bb, \u00ab\u00a0s\u00e9v\u00e8re\u00a0\u00bb) afin de pouvoir calculer un Kappa de Cohen. Une telle dichotomisation appauvrit drastiquement l’information m\u00e9trique, d\u00e9truit la variance continue sous-jacente et r\u00e9duit de fa\u00e7on artificielle la puissance statistique de l’\u00e9tude. Pour pallier cette perte d’information ordinale, certains auteurs recourent au Kappa quadratique pond\u00e9r\u00e9 (weighted Kappa<\/em>).<\/p>\n

Il a toutefois \u00e9t\u00e9 formellement d\u00e9montr\u00e9 sur le plan math\u00e9matique, notamment par Fleiss et Cohen (1973), que le Kappa quadratiquement pond\u00e9r\u00e9 est math\u00e9matiquement \u00e9quivalent au coefficient de corr\u00e9lation intraclasse sous certaines hypoth\u00e8ses de distribution lorsque les poids appliqu\u00e9s aux d\u00e9saccords suivent une loi quadratique inverse. D\u00e8s l’instant o\u00f9 l’on traite de scores continus, d’\u00e9chelles de Likert denses ou de mesures dimensionnelles, le recours au CCI s’impose naturellement, \u00e9vitant l’arbitraire des choix de pond\u00e9ration propres aux matrices cat\u00e9gorielles.<\/p>\n

2.3 Compl\u00e9mentarit\u00e9 avec le coefficient Alpha de Cronbach<\/h3>\n

L’alpha de Cronbach<\/a> ($\\alpha$<\/span>) est omnipr\u00e9sent dans la psychom\u00e9trie moderne pour attester de la consistance interne d’un questionnaire constitu\u00e9 d’une collection d’items cens\u00e9s mesurer un m\u00eame trait latent. Ce que beaucoup de praticiens ignorent, c’est que l’alpha de Cronbach n’est rien d’autre qu’un cas particulier math\u00e9matique du coefficient de corr\u00e9lation intraclasse. Plus pr\u00e9cis\u00e9ment, l’alpha de Cronbach est rigoureusement identique au CCI de coh\u00e9rence bas\u00e9 sur la moyenne de $k$<\/span> mesures au sein d’un mod\u00e8le \u00e0 deux voies (not\u00e9 conventionnellement ICC(C,k) ou ICC(3,k)).<\/p>\n

Toutefois, la finalit\u00e9 conceptuelle des deux coefficients diff\u00e8re profond\u00e9ment au sein de la d\u00e9marche empirique. Tandis que l’alpha de Cronbach explore la redondance et la covariance mutuelle des items d’une \u00e9chelle administr\u00e9e \u00e0 une population \u2014 sous l’hypoth\u00e8se restrictive de tau-\u00e9quivalence o\u00f9 chaque item pr\u00e9sente la m\u00eame charge factorielle vis-\u00e0-vis du score vrai \u2014, le CCI s’emploie principalement \u00e0 caract\u00e9riser l’interchangeabilit\u00e9 de cotateurs humains ou de dispositifs techniques proc\u00e9dant \u00e0 des \u00e9valuations globales.<\/p>\n

Le choix m\u00e9thodologique est ainsi guid\u00e9 par l’objet de recherche : pour d\u00e9montrer la coh\u00e9sion interne d’un test psychom\u00e9trique psychologique lors de sa phase de construction, le cadre de Cronbach (ou mieux, le coefficient om\u00e9ga de McDonald) est sollicit\u00e9. D\u00e8s lors qu’il s’agit d’attester de la fid\u00e9lit\u00e9 inter-\u00e9valuateurs ou de la reproductibilit\u00e9 test-retest d’une note finale issue dudit test, le mod\u00e8le complet du CCI \u2014 autorisant la dissociation de l’erreur absolue et relative \u2014 devient incontournable.<\/p>\n

3. Les trois mod\u00e8les statistiques du CCI selon Shrout et Fleiss<\/h2>\n

3.1 Mod\u00e8le \u00e0 effets al\u00e9atoires \u00e0 une voie (One-Way Random)<\/h3>\n

Dans leur publication s\u00e9minale de 1979, Shrout et Fleiss ont formalis\u00e9 une typologie tripartite devenue le standard absolu de la discipline. Le premier mod\u00e8le, d\u00e9sign\u00e9 sous le nom de mod\u00e8le \u00e0 effets al\u00e9atoires \u00e0 une voie (One-Way Random Effects Model<\/em>), repose sur une hypoth\u00e8se structurelle bien particuli\u00e8re : chaque sujet $i$<\/span> de l’\u00e9chantillon est \u00e9valu\u00e9 par un sous-ensemble distinct de $k$<\/span> juges, ces derniers \u00e9tant tir\u00e9s au sort de mani\u00e8re totalement al\u00e9atoire au sein d’une population infinie d’\u00e9valuateurs potentiels. Dans ce sch\u00e9ma exp\u00e9rimental, les \u00e9valuateurs qui notent le sujet A ne sont pas les m\u00eames que ceux qui \u00e9valuent le sujet B.<\/p>\n

Sur le plan math\u00e9matique, le mod\u00e8le lin\u00e9aire sous-jacent s’\u00e9crit de la fa\u00e7on suivante :<\/p>\n

$$X_{ij} = \\mu + s_i + \\epsilon_{ij}$$<\/span><\/p>\n

o\u00f9 $\\mu$<\/span> repr\u00e9sente la moyenne g\u00e9n\u00e9rale de la population, $s_i$<\/span> est l’effet al\u00e9atoire propre au sujet $i$<\/span> (distribu\u00e9 normalement selon $\\mathcal{N}(0, \\sigma^2_s)$<\/span>), et $\\epsilon_{ij}$<\/span> constitue une composante d’erreur r\u00e9siduelle globale englobant indiff\u00e9remment l’effet individuel de l’\u00e9valuateur $j$<\/span>, l’interaction sujet-\u00e9valuateur et le bruit al\u00e9atoire ($\\epsilon_{ij} \\sim \\mathcal{N}(0, \\sigma^2_\\epsilon)$<\/span>).<\/p>\n

Ce mod\u00e8le souffre d’une faiblesse m\u00e9thodologique majeure : il est absolument incapable d’isoler la variance attribuable aux \u00e9valuateurs de la variance d’erreur r\u00e9siduelle pure. Tout biais syst\u00e9matique de notation entre les juges est irr\u00e9m\u00e9diablement confondu avec l’al\u00e9a statistique. C’est pourquoi son usage s’av\u00e8re restreint en recherche clinique rigoureuse, demeurant confin\u00e9 aux situations logistiques complexes o\u00f9 un plan factoriel crois\u00e9 complet est impraticable (par exemple, dans les \u00e9tudes \u00e9pid\u00e9miologiques de grande envergure o\u00f9 les patients sont examin\u00e9s par des m\u00e9decins g\u00e9n\u00e9ralistes locaux tous diff\u00e9rents).<\/p>\n

3.2 Mod\u00e8le \u00e0 effets al\u00e9atoires \u00e0 deux voies (Two-Way Random)<\/h3>\n

Le mod\u00e8le \u00e0 effets al\u00e9atoires \u00e0 deux voies (Two-Way Random Effects Model<\/em>) constitue la cl\u00e9 de vo\u00fbte des \u00e9tudes m\u00e9thodologiques d’\u00e9valuation de la fid\u00e9lit\u00e9. Sa structure repose sur deux conditions fondamentales : d’une part, un ensemble identique de $k$<\/span> \u00e9valuateurs \u00e9value l’ensemble des $n$<\/span> sujets de l’\u00e9tude (plan d’\u00e9chantillonnage totalement crois\u00e9) ; d’autre part, ces $k$<\/span> \u00e9valuateurs sont eux-m\u00eames consid\u00e9r\u00e9s comme un \u00e9chantillon repr\u00e9sentatif tir\u00e9 au sort au sein d’une population plus vaste d’\u00e9valuateurs experts qualifi\u00e9s.<\/p>\n

Le mod\u00e8le statistique lin\u00e9aire s’exprime ainsi formellement :<\/p>\n

$$X_{ij} = \\mu + s_i + r_j + (sr)_{ij} + e_{ij}$$<\/span><\/p>\n

Dans cette \u00e9quation, $\\mu$<\/span> est la constante globale, $s_i \\sim \\mathcal{N}(0, \\sigma^2_s)$<\/span> repr\u00e9sente la variance r\u00e9elle inter-sujets, $r_j \\sim \\mathcal{N}(0, \\sigma^2_r)$<\/span> symbolise la variance syst\u00e9matique entre les \u00e9valuateurs (leur tendance globale \u00e0 la s\u00e9v\u00e9rit\u00e9 ou \u00e0 la mansu\u00e9tude), $(sr)_{ij}$<\/span> incarne l’interaction sp\u00e9cifique entre un sujet et un \u00e9valuateur, et $e_{ij} \\sim \\mathcal{N}(0, \\sigma^2_e)$<\/span> mat\u00e9rialise l’erreur pure al\u00e9atoire. En l’absence de r\u00e9plications pour chaque cellule $(i, j)$<\/span>, l’interaction et l’erreur pure sont combin\u00e9es en un terme r\u00e9siduel unique.<\/p>\n

L’immense valeur scientifique du mod\u00e8le \u00e0 deux voies al\u00e9atoires r\u00e9side dans sa capacit\u00e9 de g\u00e9n\u00e9ralisation. D\u00e8s lors que les juges sont trait\u00e9s comme un facteur al\u00e9atoire, les conclusions relatives \u00e0 la fid\u00e9lit\u00e9 de l’outil psychom\u00e9trique ne restent pas cantonn\u00e9es aux trois ou quatre cliniciens ayant particip\u00e9 \u00e0 l’exp\u00e9rimentation ; elles sont statistiquement g\u00e9n\u00e9ralisables \u00e0 l’ensemble de la population des professionnels susceptibles d’administrer l’\u00e9chelle dans des conditions similaires. C’est pourquoi ce mod\u00e8le repr\u00e9sente le choix incontournable pour la validation d’instruments dans les essais multicentriques internationaux.<\/p>\n

3.3 Mod\u00e8le \u00e0 effets mixtes \u00e0 deux voies (Two-Way Mixed)<\/h3>\n

Le troisi\u00e8me mod\u00e8le de la nomenclature, dit mod\u00e8le \u00e0 effets mixtes \u00e0 deux voies (Two-Way Mixed Effects Model<\/em>), adopte un dispositif d’observation superficiellement semblable mais fond\u00e9 sur une pr\u00e9misse \u00e9pist\u00e9mologique oppos\u00e9e. Dans cette configuration, le m\u00eame panel de $k$<\/span> \u00e9valuateurs note l’int\u00e9gralit\u00e9 des $n$<\/span> sujets, mais ces \u00e9valuateurs constituent les seules modalit\u00e9s d’int\u00e9r\u00eat. Ils ne sont aucunement tir\u00e9s d’un r\u00e9servoir d’\u00e9valuateurs virtuels et n’ont pas vocation \u00e0 repr\u00e9senter une population \u00e9largie.<\/p>\n

Dans ce mod\u00e8le mixte, les sujets demeurent un facteur al\u00e9atoire ($s_i \\sim \\mathcal{N}(0, \\sigma^2_s)$<\/span>), mais les juges sont mod\u00e9lis\u00e9s comme un facteur fixe assujetti \u00e0 la contrainte $\\sum r_j = 0$<\/span>. En cons\u00e9quence, la variance observ\u00e9e entre les juges ne repr\u00e9sente pas un param\u00e8tre d’\u00e9chantillonnage al\u00e9atoire mais une constante fixe inh\u00e9rente \u00e0 ce panel sp\u00e9cifique de cotateurs. Ce mod\u00e8le trouve sa pleine justification lorsque les chercheurs s’int\u00e9ressent \u00e0 l’accord d’un comit\u00e9 d’experts permanent, d’un groupe d’arbitres nomm\u00e9ment d\u00e9sign\u00e9s ou de juges institutionnels fixes.<\/p>\n

La distinction math\u00e9matique avec le mod\u00e8le al\u00e9atoire \u00e0 deux voies s’av\u00e8re subtile mais cruciale lors de l’estimation des composantes d’erreur. Si les formules calculatoires de coh\u00e9rence sont souvent identiques sur le plan arithm\u00e9tique entre le mod\u00e8le mixte et le mod\u00e8le al\u00e9atoire, le domaine d’inf\u00e9rence statistique diverge drastiquement. Avec un mod\u00e8le \u00e0 effets mixtes, les r\u00e9sultats de fid\u00e9lit\u00e9 ne peuvent en aucun cas \u00eatre extrapol\u00e9s au-del\u00e0 du groupe restreint des exp\u00e9rimentateurs ayant collect\u00e9 les donn\u00e9es, interdisant toute conclusion quant \u00e0 la fid\u00e9lit\u00e9 universelle de l’instrument sur le terrain clinique g\u00e9n\u00e9ral.<\/p>\n

4. Types de relation de mesure : Accord absolu versus Coh\u00e9rence<\/h2>\n

4.1 D\u00e9finition et implications du crit\u00e8re d’accord absolu (Absolute Agreement)<\/h3>\n

Le crit\u00e8re d’accord absolu (Absolute Agreement<\/em>) impose la contrainte m\u00e9trologique la plus intransigeante qui soit : les \u00e9valuations attribu\u00e9es par diff\u00e9rents juges ne sont consid\u00e9r\u00e9es comme fid\u00e8les que si les scores num\u00e9riques co\u00efncident point par point. Si le juge A attribue une note de 18 sur une \u00e9chelle d’\u00e9valuation du risque suicidaire, le juge B doit imp\u00e9rativement noter 18 pour que l’accord soit jug\u00e9 parfait. Tout \u00e9cart d’\u00e9talonnage, d’ancrage ou de s\u00e9v\u00e9rit\u00e9 globale entre les professionnels est comptabilis\u00e9 sans concession comme une variance d’erreur.<\/p>\n

Dans les formulations alg\u00e9briques du CCI, le choix de l’accord absolu se traduit math\u00e9matiquement par l’incorporation explicite de la variance entre \u00e9valuateurs ($\\sigma^2_r$<\/span>) au d\u00e9nominateur du ratio. Le d\u00e9nominateur agr\u00e8ge ainsi la variance vraie, la variance des \u00e9valuateurs et la variance r\u00e9siduelle d’erreur :<\/p>\n

$$CCI_{\\text{Accord Absolu}} = \\frac{\\sigma^2_s}{\\sigma^2_s + \\sigma^2_r + \\sigma^2_e}$$<\/span><\/p>\n

Si un \u00e9valuateur s’av\u00e8re structurellement plus s\u00e9v\u00e8re qu’un autre, $\\sigma^2_r$<\/span> devient substantiel, gonflant le d\u00e9nominateur et r\u00e9duisant drastiquement la valeur finale du coefficient.<\/p>\n

Ce niveau d’exigence est indispensable d\u00e8s lors que les scores individuels servent de fondement \u00e0 des prises de d\u00e9cisions cliniques unilat\u00e9rales, \u00e0 l’application de seuils diagnostiques stricts (par exemple, prescrire une intervention pharmacologique si le score exc\u00e8de 24) ou au suivi \u00e9pid\u00e9miologique de cohortes longitudinales. Ignorer la composante d’accord absolu dans un tel contexte induirait un risque \u00e9lev\u00e9 de biais diagnostique au pr\u00e9judice des patients.<\/p>\n

4.2 D\u00e9finition et implications du crit\u00e8re de coh\u00e9rence (Consistency)<\/h3>\n

\u00c0 l’inverse, le crit\u00e8re de coh\u00e9rence (Consistency<\/em>) adopte une posture d’\u00e9valuation beaucoup plus lib\u00e9rale et permissive. La coh\u00e9rence s’int\u00e9resse uniquement au maintien du rang relatif des sujets au sein de l’\u00e9chantillon. Si l’ordre hi\u00e9rarchique des participants est parfaitement conserv\u00e9 d’un \u00e9valuateur \u00e0 l’autre, le crit\u00e8re de coh\u00e9rence sera pleinement valid\u00e9, nonobstant la pr\u00e9sence d’un d\u00e9calage syst\u00e9matique massif dans la valeur absolue des cotations.<\/p>\n

Sous ce crit\u00e8re, la variance syst\u00e9matique imputable aux \u00e9valuateurs ($\\sigma^2_r$<\/span>) est purement et simplement soustraite ou omise du terme d’erreur figurant au d\u00e9nominateur du ratio :<\/p>\n

$$CCI_{\\text{Coh\u00e9rence}} = \\frac{\\sigma^2_s}{\\sigma^2_s + \\sigma^2_e}$$<\/span><\/p>\n

D\u00e8s lors, si le clinicien A cote les trois patients d’une s\u00e9rie \u00e0 10, 20 et 30, et que le clinicien B leur attribue respectivement les notes de 15, 25 et 35, le coefficient de coh\u00e9rence sera strictement \u00e9gal \u00e0 1,00. La divergence de 5 points, purement syst\u00e9matique, est totalement ignor\u00e9e par la m\u00e9trique.<\/p>\n

Le choix de la coh\u00e9rence s’av\u00e8re recevable et pertinent dans les \u00e9tudes fondamentalement corr\u00e9lationnelles, o\u00f9 les scores finaux sont destin\u00e9s \u00e0 \u00eatre normalis\u00e9s (via des scores Z ou des centiles) ou corr\u00e9l\u00e9s \u00e0 d’autres variables psychologiques dimensionnelles. En revanche, transposer un indice de fid\u00e9lit\u00e9 reposant sur la seule coh\u00e9rence dans un protocole clinique de d\u00e9cision th\u00e9rapeutique binaire constitue une faute m\u00e9thodologique critique, susceptible de masquer une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 d’\u00e9valuation inacceptable dans le diagnostic au lit du malade.<\/p>\n

4.3 Crit\u00e8res de d\u00e9cision pour s\u00e9lectionner le type d’accord adapt\u00e9<\/h3>\n

Le choix entre accord absolu et coh\u00e9rence doit imp\u00e9rativement \u00eatre arr\u00eat\u00e9 en amont de la phase de recueil des donn\u00e9es, au regard des objectifs scientifiques et pratiques de l’investigation. L’arbre d\u00e9cisionnel s’articule autour d’une interrogation centrale : les scores attribu\u00e9s par diff\u00e9rents observateurs ou \u00e0 diff\u00e9rentes \u00e9poques ont-ils vocation \u00e0 \u00eatre interchangeables au sens strict du terme ? Si la r\u00e9ponse est affirmative \u2014 ce qui est le cas pour toute application clinique individuelle, s\u00e9lection acad\u00e9mique par concours ou essai th\u00e9rapeutique m\u00e9dicamenteux \u2014, l’accord absolu repr\u00e9sente l’unique option recevable.<\/p>\n

En contrepoint, si la recherche ambitionne d’examiner comment une dimension psychologique s’associe \u00e0 des marqueurs neurobiologiques ou g\u00e9n\u00e9tiques, l’ordre hi\u00e9rarchique des individus prime sur l’\u00e9talonnage absolu des \u00e9chelles, rendant le calcul de la coh\u00e9rence conceptuellement admissible. Il importe \u00e9galement de consid\u00e9rer l’effort d’\u00e9talonnage pr\u00e9alablement consenti : dans le cas o\u00f9 les observateurs ont suivi un entra\u00eenement intensif de standardisation pour harmoniser leurs rep\u00e8res de cotation, l’accord absolu valide de mani\u00e8re probante l’efficacit\u00e9 de ce calibrage exp\u00e9rimental.<\/p>\n

Opter opportun\u00e9ment pour un coefficient de coh\u00e9rence au motif fallacieux que sa valeur num\u00e9rique est syst\u00e9matiquement sup\u00e9rieure ou \u00e9gale \u00e0 celle de l’accord absolu rel\u00e8ve d’une pratique d’inflation artificielle de la fid\u00e9lit\u00e9. Les comit\u00e9s de lecture des revues scientifiques de premier rang exigent d\u00e9sormais que ce choix soit rigoureusement document\u00e9 et p\u00e9nalisent l’usage du mod\u00e8le de coh\u00e9rence lorsque la pratique clinique vis\u00e9e requiert une comparabilit\u00e9 absolue des scores bruts.<\/p>\n

5. Unit\u00e9 de mesure : \u00c9valuateur unique versus Moyenne d’\u00e9valuateurs<\/h2>\n

5.1 Formule pour mesure unique : Single Rater \/ Measurement (k = 1)<\/h3>\n

La question de l’unit\u00e9 d’observation constitue le troisi\u00e8me axe d\u00e9terminant la forme du CCI. L’analyse pour \u00e9valuateur unique (conventionnellement \u00e9tiquet\u00e9e Single Rater<\/em> ou Single Measurement<\/em>) quantifie la fid\u00e9lit\u00e9 et la reproductibilit\u00e9 escompt\u00e9es du score \u00e9mis par un seul et unique juge pris isol\u00e9ment sur le terrain clinique ou de recherche. Le mod\u00e8le s’interroge : si un patient quelconque entre dans un cabinet de consultation et fait l’objet d’un examen par un clinicien unique, dans quelle mesure ce score individuel est-il reproductible par un confr\u00e8re quelconque ?<\/p>\n

Cette perspective incarne fid\u00e8lement la r\u00e9alit\u00e9 quotidienne de la pratique m\u00e9dicale et psychologique, o\u00f9 des contraintes budg\u00e9taires, temporelles et logistiques \u00e9videntes interdisent le doublement ou le triplement syst\u00e9matique des praticiens lors des consultations r\u00e9guli\u00e8res. La m\u00e9trique de l’\u00e9valuateur unique refl\u00e8te la fid\u00e9lit\u00e9 sans fard d’une mesure brute non agr\u00e9g\u00e9e, ce qui la rend particuli\u00e8rement vuln\u00e9rable aux idiosyncrasies de cotation, \u00e0 l’inattention momentan\u00e9e et au manque d’exp\u00e9rience du clinicien.<\/p>\n

Sur le plan calculatoire, la formule issue du tableau d’ANOVA (d\u00e9taill\u00e9e ult\u00e9rieurement) rapporte directement la variance inter-sujets au total de la variance unitaire comprenant l’erreur individuelle. En cons\u00e9quence, les scores de CCI(1) ou de CCI \u00ab\u00a0Single\u00a0\u00bb s’av\u00e8rent structurellement inf\u00e9rieurs \u00e0 leurs homologues bas\u00e9s sur des moyennes, confrontant le chercheur \u00e0 la r\u00e9alit\u00e9 non filtr\u00e9e de l’erreur d’observation.<\/p>\n

5.2 Formule pour mesures moyennes : Average Raters \/ Measurements (k > 1)<\/h3>\n

\u00c0 l’autre extr\u00e9mit\u00e9 de la conceptualisation se trouve la formule pour mesures moyennes (d\u00e9sign\u00e9e sous le label Average Raters<\/em> ou Average Measurements<\/em>). Ce coefficient ne pr\u00e9tend pas caract\u00e9riser la fid\u00e9lit\u00e9 d’une cotation unitaire, mais la fid\u00e9lit\u00e9 du score composite obtenu en calculant la moyenne arithm\u00e9tique des notes attribu\u00e9es par un panel pr\u00e9d\u00e9fini et immuable de $k$<\/span> \u00e9valuateurs. Le postulat fondamental repose sur la m\u00e9canique d’agr\u00e9gation statistique : les erreurs al\u00e9atoires idiosyncrasiques des diff\u00e9rents \u00e9valuateurs tendent \u00e0 s’annuler mutuellement lorsque leurs avis sont moyenn\u00e9s, stabilisant consid\u00e9rablement le score agr\u00e9g\u00e9.<\/p>\n

Ce ph\u00e9nom\u00e8ne d’\u00e9l\u00e9vation m\u00e9canique de la fid\u00e9lit\u00e9 r\u00e9pond pr\u00e9cis\u00e9ment \u00e0 la c\u00e9l\u00e8bre formule de proph\u00e9tie de Spearman-Brown<\/a>. Math\u00e9matiquement, \u00e0 mesure que le nombre d’\u00e9valuateurs $k$<\/span> cro\u00eet, le d\u00e9nominateur d’erreur r\u00e9siduelle se trouve divis\u00e9 par ce facteur $k$<\/span>, catapultant la valeur du CCI moyen (not\u00e9 conventionnellement ICC(k) ou ICC \u00ab\u00a0Average\u00a0\u00bb) \u00e0 des niveaux fr\u00e9quemment tr\u00e8s sup\u00e9rieurs \u00e0 0,90.<\/p>\n

Le recours \u00e0 la fid\u00e9lit\u00e9 moyenne est parfaitement l\u00e9gitime et imp\u00e9ratif dans les dispositifs institutionnels et de recherche o\u00f9 le score final retenu d\u00e9coule obligatoirement d’une coll\u00e9gialit\u00e9 : jurys d’admission universitaire, commissions m\u00e9dicales d’\u00e9valuation de l’invalidit\u00e9, ou panels de double cotation d’IRM c\u00e9r\u00e9brales dans les protocoles d’essais cliniques de phase III. N\u00e9anmoins, transf\u00e9rer ind\u00fbment la valeur flatteuse d’un CCI moyen pour cautionner la pratique ult\u00e9rieure d’un m\u00e9decin exer\u00e7ant seul dans son officine rel\u00e8ve du non-sens m\u00e9thodologique.<\/p>\n

5.3 Arbitrage m\u00e9thodologique et calcul du nombre optimal d’\u00e9valuateurs<\/h3>\n

L’existence de cette dualit\u00e9 unitaire-moyenne permet aux investigateurs de mener de v\u00e9ritables calculs d’optimisation exp\u00e9rimentale lors des phases de conception des protocoles de recherche. Dans de nombreux domaines cliniques, la fid\u00e9lit\u00e9 unitaire ($CCI_1$<\/span>) d’une \u00e9preuve comportementale complexe s’av\u00e8re modeste (par exemple, voisine de 0,60), ce qui se r\u00e9v\u00e8le insuffisant pour une classification diagnostique d’une grande rigueur.<\/p>\n

Au moyen de la relation d\u00e9riv\u00e9e de Spearman-Brown appliqu\u00e9e aux composantes de variance du CCI, le m\u00e9thodologiste peut d\u00e9terminer le nombre exact $k$<\/span> d’\u00e9valuateurs ind\u00e9pendants requis pour hisser la fid\u00e9lit\u00e9 du score moyen ($CCI_k$<\/span>) au-dessus d’un seuil critique pr\u00e9d\u00e9termin\u00e9 (par exemple 0,85 ou 0,90) :<\/p>\n

$$k_{\\text{optimal}} = \\frac{CCI_{\\text{cible}} \\cdot (1 – CCI_{\\text{unique}})}{CCI_{\\text{unique}} \\cdot (1 – CCI_{\\text{cible}})}$$<\/span><\/p>\n

Ce calcul d’ing\u00e9nierie statistique confronte imm\u00e9diatement les chercheurs \u00e0 un arbitrage co\u00fbt-b\u00e9n\u00e9fice. Le rendement marginal du recrutement d’\u00e9valuateurs suppl\u00e9mentaires est d\u00e9croissant : le saut de fid\u00e9lit\u00e9 gagn\u00e9 en passant d’un juge \u00e0 deux juges est massif, l’apport d’un troisi\u00e8me reste appr\u00e9ciable, mais la sollicitation d’un quatri\u00e8me ou d’un cinqui\u00e8me cotateur n’apporte souvent qu’une am\u00e9lioration asymptotique n\u00e9gligeable au prix d’un alourdissement logistique et financier consid\u00e9rable.<\/p>\n

6. Fondements math\u00e9matiques et d\u00e9composition des variances via l’ANOVA<\/h2>\n

6.1 Le tableau d’analyse de la variance (ANOVA) \u00e0 deux facteurs<\/h3>\n

Le calcul effectif de l’ensemble des d\u00e9clinaisons du coefficient de corr\u00e9lation intraclasse passe par la construction et l’estimation des carr\u00e9s moyens issus d’un tableau d’analyse de variance<\/a> (ANOVA) \u00e0 deux facteurs sans r\u00e9p\u00e9tition, croisant $n$<\/span> sujets (lignes) et $k$<\/span> \u00e9valuateurs (colonnes). La variabilit\u00e9 globale des scores $X_{ij}$<\/span> autour de la grande moyenne empirique $\\bar{X}_{bulletbullet}$<\/span> est fractionn\u00e9e en trois sommes de carr\u00e9s orthogonales.<\/p>\n

La d\u00e9composition alg\u00e9brique fondamentale des sommes de carr\u00e9s (SS) se formule de la mani\u00e8re suivante :<\/p>\n