{"id":7663,"date":"2026-10-14T18:02:16","date_gmt":"2026-10-14T18:02:16","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/trois-postulats-anova-mesures-repetees\/"},"modified":"2026-10-14T18:02:16","modified_gmt":"2026-10-14T18:02:16","slug":"trois-postulats-anova-mesures-repetees","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=trois-postulats-anova-mesures-repetees","title":{"rendered":"Les trois postulats de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es"},"content":{"rendered":"

L’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es, couramment d\u00e9sign\u00e9e sous l’acronyme d’ANOVA intra-sujets, constitue l’un des piliers m\u00e9thodologiques les plus sophistiqu\u00e9s et les plus fr\u00e9quemment mobilis\u00e9s au sein des sciences quantitatives contemporaines, tout particuli\u00e8rement en psychologie exp\u00e9rimentale, en neurosciences cognitives et en biom\u00e9decine. En permettant d’observer les m\u00eames unit\u00e9s exp\u00e9rimentales \u00e0 travers de multiples conditions de traitement ou au fil d’\u00e9tapes temporelles successives, ce mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 offre un levier analytique remarquable pour diss\u00e9quer les m\u00e9canismes sous-jacents aux changements comportementaux et physiologiques. La puissance intrins\u00e8que de cette approche r\u00e9side dans sa capacit\u00e9 \u00e0 neutraliser les variations idiosyncrasiques inter-individuelles, transformant ainsi chaque participant en son propre t\u00e9moin et maximisant de ce fait la sensibilit\u00e9 statistique face aux effets exp\u00e9rimentaux r\u00e9els.<\/p>\n

Toutefois, la validit\u00e9 d\u00e9ductive et la force inf\u00e9rentielle de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es reposent sur une architecture th\u00e9orique rigoureuse dont les fondations math\u00e9matiques sont conditionn\u00e9es par des postulats stricts. Dans la pratique empirique, ces conditions de validit\u00e9 sont fr\u00e9quemment rel\u00e9gu\u00e9es au rang de formalit\u00e9s administratives ou purement ignor\u00e9es par les chercheurs, induisant une fragilisation pernicieuse de la litt\u00e9rature scientifique. L’omission ou la v\u00e9rification superficielle des conditions d’application expose les analyses \u00e0 des distorsions s\u00e9v\u00e8res du taux nominal d’erreur de premi\u00e8re esp\u00e8ce, augmentant dramatiquement la probabilit\u00e9 de d\u00e9clarer des d\u00e9couvertes fallacieuses ou, inversement, d’\u00e9touffer des effets authentiques sous un bruit r\u00e9siduel mal mod\u00e9lis\u00e9. Cette vuln\u00e9rabilit\u00e9 \u00e9pist\u00e9mologique prend une r\u00e9sonance critique dans le contexte actuel de la crise de la r\u00e9plicabilit\u00e9, o\u00f9 la rigueur des inf\u00e9rences statistiques est scrut\u00e9e avec une exigence renouvel\u00e9e.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique propose une exploration exhaustive, approfondie et didactique des trois postulats cardinaux qui r\u00e9gissent l’analyse de variance intra-sujets : l’ind\u00e9pendance des observations inter-sujets, la normalit\u00e9 de la distribution des r\u00e9sidus et la sph\u00e9ricit\u00e9 de la matrice de variance-covariance. \u00c0 travers une d\u00e9construction syst\u00e9matique de leurs assises math\u00e9matiques, de leurs manifestations concr\u00e8tes dans les plans factoriels, de leurs outils diagnostiques d\u00e9di\u00e9s et des protocoles de rem\u00e9diation contemporains, cette contribution vise \u00e0 fournir aux chercheurs, statisticiens et \u00e9tudiants avanc\u00e9s une feuille de route d\u00e9finitive pour garantir l’int\u00e9grit\u00e9, la robustesse et la p\u00e9rennit\u00e9 de leurs inf\u00e9rences empiriques.<\/p>\n

1. Introduction m\u00e9thodologique \u00e0 l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es en psychologie<\/h2>\n

1.1 Fondements conceptuels des plans intra-sujets<\/h3>\n

L’architecture des plans d’exp\u00e9rience en psychologie exp\u00e9rimentale et en sciences du comportement repose traditionnellement sur une dichotomie fondamentale entre les devis inter-sujets (mesures ind\u00e9pendantes) et les devis intra-sujets (mesures r\u00e9p\u00e9t\u00e9es). Dans un plan \u00e0 mesures ind\u00e9pendantes, chaque participant est assign\u00e9 de fa\u00e7on exclusive \u00e0 un niveau unique du facteur exp\u00e9rimental. Cette structure impose une contrainte majeure : la variabilit\u00e9 totale observ\u00e9e sur la variable d\u00e9pendante est lourdement tributaire des dissemblances pr\u00e9existantes entre les individus, englobant des facteurs aussi disparates que les capacit\u00e9s cognitives de base, la personnalit\u00e9, l’\u00e2ge, l’\u00e9tat de fatigue ou les caract\u00e9ristiques sociod\u00e9mographiques. Ces fluctuations idiosyncrasiques int\u00e8grent directement la composante d’erreur du mod\u00e8le, r\u00e9duisant drastiquement le ratio signal\/bruit.<\/p>\n

\u00c0 l’inverse, le mod\u00e8le intra-sujets exploite un paradigme \u00e9l\u00e9gant dans lequel chaque participant est expos\u00e9 successivement \u00e0 l’ensemble des modalit\u00e9s du ou des facteurs manipul\u00e9s. D’un point de vue de la d\u00e9composition de la variance, la variabilit\u00e9 totale n’est plus simplement partitionn\u00e9e entre la variance inter-groupes et la variance intra-groupe (erreur r\u00e9siduelle). Le mod\u00e8le d’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es permet d’isoler explicitement la variabilit\u00e9 imputable aux diff\u00e9rences inter-individuelles stables, formalis\u00e9e sous la forme d’une somme des carr\u00e9s inter-sujets ($SS_{sujets}$<\/span>). En soustrayant cette composante substantielle de l’erreur globale, la somme des carr\u00e9s r\u00e9siduelle ($SS_{erreur}$<\/span>) se trouve drastiquement all\u00e9g\u00e9e, ne refl\u00e9tant plus que les fluctuations al\u00e9atoires intra-individuelles et les interactions impr\u00e9visibles entre les sujets et les traitements.<\/p>\n

Cette r\u00e9duction drastique de l’erreur r\u00e9siduelle conf\u00e8re au plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es une puissance statistique<\/a> consid\u00e9rablement sup\u00e9rieure \u00e0 celle d’un plan inter-sujets \u00e9quivalent pour une taille d’\u00e9chantillon donn\u00e9e. Sur le plan logistique et m\u00e9thodologique, ce gain d’efficacit\u00e9 se traduit par une \u00e9conomie appr\u00e9ciable d’\u00e9chantillonnage, un atout inestimable lors de l’\u00e9tude de populations cliniques rares, d’enfants en bas \u00e2ge ou de protocoles d’imagerie c\u00e9r\u00e9brale fonctionnelle particuli\u00e8rement on\u00e9reux. De surcro\u00eet, dans les recherches d\u00e9veloppementales, d’apprentissage ou psychopharmacologiques, l’\u00e9valuation longitudinale de la trajectoire d’une m\u00eame entit\u00e9 biologique ou cognitive constitue l’unique moyen de capturer la dynamique temporelle fine des ph\u00e9nom\u00e8nes psychologiques sans la distorsion d’un biais d’\u00e9chantillonnage transversal.<\/p>\n

1.2 R\u00f4le et importance des postulats statistiques fondamentaux<\/h3>\n

La puissance et la flexibilit\u00e9 math\u00e9matique de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es ne sont pas accord\u00e9es sans contrepartie formelle. Le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral dont elle d\u00e9coule repose sur un ensemble d’hypoth\u00e8ses probabilistes concernant la structure sous-jacente des variables et la distribution des termes d’erreur. Dans l’\u00e9cosyst\u00e8me inf\u00e9rentiel neyman-pearsonien, ces postulats repr\u00e9sentent les conditions axiomatiques sous lesquelles les distributions d’\u00e9chantillonnage th\u00e9oriques de la statistique $F$<\/span> de Snedecor demeurent rigoureusement exactes. D\u00e8s lors que ces axiomes sont compromis, les tables de probabilit\u00e9 standard perdent leur calibrage math\u00e9matique, induisant des distorsions impr\u00e9visibles entre la distribution th\u00e9orique du test et sa distribution empirique effective sous l’hypoth\u00e8se nulle.<\/p>\n

La cons\u00e9quence la plus d\u00e9l\u00e9t\u00e8re d’une violation non ma\u00eetris\u00e9e des postulats r\u00e9side dans la d\u00e9rive du taux nominal d’erreur de premi\u00e8re esp\u00e8ce, conventionnellement fix\u00e9 \u00e0 $\\alpha = 0,05$<\/span>. Selon la nature et la s\u00e9v\u00e9rit\u00e9 de l’infraction m\u00e9thodologique, le risque effectif de rejeter \u00e0 tort l’hypoth\u00e8se nulle d’absence d’effet peut grimper de mani\u00e8re exponentielle, atteignant dans certains sc\u00e9narios critiques des niveaux inacceptables sup\u00e9rieurs \u00e0 20 % ou 30 %. Une telle lib\u00e9ralit\u00e9 du test fabrique des faux positifs en cha\u00eene, saturant la litt\u00e9rature de pr\u00e9tendues d\u00e9couvertes d’effets cognitifs ou th\u00e9rapeutiques qui s’av\u00e8rent impossibles \u00e0 r\u00e9pliquer dans des laboratoires ind\u00e9pendants. R\u00e9ciproquement, certaines violations m\u00e9thodologiques peuvent induire un biais conservateur excessif, gonflant artificiellement le taux d’erreur de deuxi\u00e8me esp\u00e8ce ($\\beta$<\/span>) et condamnant des recherches exploratoires pionni\u00e8res \u00e0 l’insignifiance statistique faute d’une puissance ad\u00e9quate.<\/p>\n

Assurer le respect des postulats statistiques ne se r\u00e9sume donc pas \u00e0 une simple v\u00e9rification de routine ex\u00e9cut\u00e9e m\u00e9caniquement sur un progiciel d’analyse de donn\u00e9es ; il s’agit d’un imp\u00e9ratif \u00e9pist\u00e9mologique qui garantit la validit\u00e9 de construit et la cr\u00e9dibilit\u00e9 empirique des inf\u00e9rences scientifiques. La robustesse m\u00e9thodologique conditionne directement la fid\u00e9lit\u00e9 des estimations des tailles d’effet (telles que l’\u00eata-carr\u00e9 partiel $\\eta_p^2$<\/span> ou le d de Cohen intra-sujets) et la pr\u00e9cision des intervalles de confiance associ\u00e9s. Ce n’est qu’\u00e0 travers une vigilance m\u00e9thodologique scrupuleuse que le chercheur peut affirmer que les r\u00e9gularit\u00e9s observ\u00e9es dans ses donn\u00e9es refl\u00e8tent des processus psychologiques authentiques plut\u00f4t que des artefacts computationnels n\u00e9s d’une distorsion de la m\u00e9canique d’\u00e9chantillonnage.<\/p>\n

1.3 Aper\u00e7u structurel des trois exigences probabilistes<\/h3>\n

L’ex\u00e9cution licite et non biais\u00e9e d’une ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es est subordonn\u00e9e au respect simultan\u00e9 de trois exigences distributionnelles et structurelles fondamentales. Chacune de ces conditions op\u00e8re \u00e0 un niveau distinct de l’architecture du plan exp\u00e9rimental, ciblant l’ind\u00e9pendance de l’\u00e9chantillonnage, la forme de la dispersion des erreurs et la g\u00e9om\u00e9trie multidimensionnelle des covariances entre les niveaux factoriels r\u00e9p\u00e9t\u00e9s.<\/p>\n

Le premier postulat concerne l’ind\u00e9pendance des observations inter-sujets<\/strong>. Si la mod\u00e9lisation assume et organise d\u00e9lib\u00e9r\u00e9ment la d\u00e9pendance entre les mesures issues d’un m\u00eame individu \u00e0 travers les diff\u00e9rentes conditions exp\u00e9rimentales, elle exige de mani\u00e8re irr\u00e9vocable que les paires d’observations pr\u00e9lev\u00e9es entre des participants distincts soient rigoureusement ind\u00e9pendantes d’un point de vue stochastique. Cela implique que la r\u00e9ponse, la performance ou l’\u00e9tat r\u00e9siduel d’un individu $A$<\/span> n’exerce aucune influence directe ou m\u00e9di\u00e9e sur les r\u00e9sultats de l’individu $B$<\/span>. Cette exigence d’orthogonalit\u00e9 entre les blocs de mesures constitue la condition primordiale de l’\u00e9chantillonnage al\u00e9atoire simple.<\/p>\n

Le deuxi\u00e8me postulat impose la normalit\u00e9 de la distribution des r\u00e9sidus<\/strong>. Au sein du mod\u00e8le intra-sujets, cette exigence stipule que les termes d’erreur r\u00e9siduelle associ\u00e9s \u00e0 chaque cellule du devis exp\u00e9rimental, ou plus sp\u00e9cifiquement les distributions des scores de diff\u00e9rence construits entre chaque paire de conditions, doivent suivre une distribution gaussienne multivari\u00e9e. Bien que le mod\u00e8le lin\u00e9aire b\u00e9n\u00e9ficie d’une r\u00e9putation de robustesse relative conf\u00e9r\u00e9e par le th\u00e9or\u00e8me central limite, l’asym\u00e9trie s\u00e9v\u00e8re ou l’aplatissement anormal des distributions r\u00e9siduelles au sein d’\u00e9chantillons de taille restreinte peuvent lourdement alt\u00e9rer le calcul des carr\u00e9s moyens et compromettre les d\u00e9cisions inf\u00e9rentielles subs\u00e9quentes.<\/p>\n

Le troisi\u00e8me postulat, embl\u00e9matique et singulier aux architectures intra-sujets comportant trois niveaux ou plus, est la sph\u00e9ricit\u00e9 de la matrice de variance-covariance<\/strong>. Formalis\u00e9e g\u00e9om\u00e9triquement par Box, Mauchly et Huynh, la sph\u00e9ricit\u00e9 exige que les variances de toutes les diff\u00e9rences possibles calcul\u00e9es entre les paires de niveaux du facteur r\u00e9p\u00e9t\u00e9 soient strictement homog\u00e8nes dans la population cible. Cette condition de circularit\u00e9 matricielle, fr\u00e9quemment confondue avec la simple homog\u00e9n\u00e9it\u00e9 des variances du mod\u00e8le inter-sujets, repr\u00e9sente le postulat le plus vuln\u00e9rable et le plus syst\u00e9matiquement enfreint dans la recherche comportementale, n\u00e9cessitant la mise en \u0153uvre de corrections correctives sp\u00e9cialis\u00e9es ou la r\u00e9orientation vers des alternatives de mod\u00e9lisation plus flexibles.<\/p>\n

2. Le postulat d’ind\u00e9pendance : D\u00e9finition et m\u00e9canismes th\u00e9oriques<\/h2>\n

2.1 Clarification conceptuelle de l’ind\u00e9pendance en plan intra-sujets<\/h3>\n

La formulation du concept d’ind\u00e9pendance statistique au sein des plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es soul\u00e8ve fr\u00e9quemment une confusion terminologique chez les praticiens de la recherche empirique. Par d\u00e9finition, un plan intra-sujets est express\u00e9ment con\u00e7u pour capturer et mod\u00e9liser une d\u00e9pendance statistique s\u00e9rielle ou fonctionnelle : les mesures pr\u00e9lev\u00e9es de mani\u00e8re r\u00e9p\u00e9t\u00e9e chez un m\u00eame individu sont positivement corr\u00e9l\u00e9es, refl\u00e9tant la stabilit\u00e9 de son \u00e9quipement biologique, cognitif et mn\u00e9monique au cours de la session exp\u00e9rimentale. Cette corr\u00e9lation intra-sujet n’enfreint aucunement le mod\u00e8le ; elle en constitue au contraire la force motrice permettant d’extraire la variance li\u00e9e aux traits stables des individus.<\/p>\n

Le postulat d’ind\u00e9pendance concerne exclusivement la relation stochastique unissant les unit\u00e9s exp\u00e9rimentales primaires entre elles. Sur le plan math\u00e9matique, le terme d’erreur r\u00e9siduelle $\\epsilon_{ik}$<\/span> associ\u00e9 \u00e0 la performance du sujet $i$<\/span> dans la condition $k$<\/span> doit satisfaire la propri\u00e9t\u00e9 fondamentale de nullit\u00e9 de la covariance avec le terme d’erreur $\\epsilon_{jk}$<\/span> de tout autre sujet $j$<\/span> pour toute condition $k$<\/span>. En d’autres termes, pour tout couple d’indices o\u00f9 $i \\neq j$<\/span> :<\/p>\n

$$operatorname{Cov}(\\epsilon_{ik}, \\epsilon_{jk}) = 0$$<\/span><\/p>\n

Cette ind\u00e9pendance conditionnelle signifie que la connaissance de l’erreur de pr\u00e9diction ou de la d\u00e9viation exp\u00e9rimentale d’un individu particulier n’apporte rigoureusement aucune information pr\u00e9dictive quant \u00e0 la direction ou \u00e0 la magnitude de l’erreur commise par un autre participant. Ce postulat garantit l’isolation physique, psychologique et computationnelle des trajectoires individuelles au sein du laboratoire ou du terrain exp\u00e9rimental.<\/p>\n

2.2 Sources courantes de d\u00e9pendance non d\u00e9sir\u00e9e en psychologie<\/h3>\n

Bien que conceptuellement limpide, la pr\u00e9servation d’une ind\u00e9pendance rigoureuse inter-sujets est continuellement menac\u00e9e par les contraintes mat\u00e9rielles et les pratiques logistiques de la collecte de donn\u00e9es en sciences humaines. L’une des sources les plus pr\u00e9gnantes de contamination r\u00e9side dans la passation collective d’\u00e9preuves en laboratoire informatique ou en milieu acad\u00e9mique. Lorsque des participants sont install\u00e9s au sein d’une m\u00eame pi\u00e8ce pour accomplir une t\u00e2che cognitive chronom\u00e9tr\u00e9e, des interactions auditives involontaires (bruits de frappe sur le clavier, soupirs, ajustements posturaux) et des indices visuels p\u00e9riph\u00e9riques peuvent instaurer une synchronisation comportementale subtile. L’atmosph\u00e8re de la salle ou un climat de comp\u00e9tition tacite cr\u00e9e une corr\u00e9lation artificielle entre les erreurs des participants pr\u00e9sents lors d’une m\u00eame session.<\/p>\n

Une seconde source critique rel\u00e8ve de l’\u00e9chantillonnage en grappes (cluster sampling<\/em>) non pris en compte dans le mod\u00e8le lin\u00e9aire. En milieu scolaire, organisationnel ou clinique, les participants sont souvent recrut\u00e9s au sein d’unit\u00e9s sociales pr\u00e9existantes telles que des classes d’\u00e9l\u00e8ves, des \u00e9quipes de travail ou des services hospitaliers sp\u00e9cialis\u00e9s. Les \u00e9l\u00e8ves partageant un m\u00eame enseignant sont soumis \u00e0 des m\u00e9thodes p\u00e9dagogiques identiques, un climat de classe homog\u00e8ne et des normes partag\u00e9es, ce qui engendre une communaut\u00e9 de variance r\u00e9siduelle. Traiter ces participants comme des observations atomiques ind\u00e9pendantes constitue une faute m\u00e9thodologique majeure, car les r\u00e9sidus au sein d’une m\u00eame grappe pr\u00e9sentent invariablement une interd\u00e9pendance positive.<\/p>\n

Enfin, les effets temporels induits par l’exp\u00e9rimentateur repr\u00e9sentent un vecteur pernicieux de d\u00e9pendance s\u00e9rielle inter-sujets. Au fil d’une journ\u00e9e de recueil de donn\u00e9es, la fatigue progressive de l’op\u00e9rateur de recherche, sa familiarisation croissante avec le script d’instructions, ou encore des fluctuations thermiques et hygrom\u00e9triques de l’environnement de test peuvent exercer une d\u00e9rive syst\u00e9matique sur les mesures des participants successifs. Si l’exp\u00e9rimentateur se montre plus chaleureux et pr\u00e9cis avec les premiers sujets du matin et plus impatient avec les derniers participants de l’apr\u00e8s-midi, une autocorr\u00e9lation temporelle s’insinue dans la s\u00e9rie d’\u00e9chantillonnage, violant frontalement le postulat d’ind\u00e9pendance inter-sujets.<\/p>\n

2.3 Cons\u00e9quences th\u00e9oriques de l’autocorr\u00e9lation r\u00e9siduelle<\/h3>\n

Parmi l’ensemble des postulats probabilistes sous-tendant l’analyse de variance, celui de l’ind\u00e9pendance inter-sujets est sans conteste le plus fondamental et le moins tol\u00e9rant aux d\u00e9viations. Lorsque les r\u00e9sidus inter-sujets pr\u00e9sentent une corr\u00e9lation non nulle, l’estimateur de la variance d’\u00e9chantillonnage de la moyenne cesse d’\u00eatre exact et subit une sous-estimation syst\u00e9matique et s\u00e9v\u00e8re. La formule conventionnelle de l’erreur type de la moyenne, $\\sigma \/ \\sqrt{N}$<\/span>, est d\u00e9riv\u00e9e sous la stricte condition d’une covariance nulle entre les observations ; si cette covariance est positive, la v\u00e9ritable variabilit\u00e9 d’\u00e9chantillonnage est substantiellement plus large que celle pr\u00e9sum\u00e9e par le logiciel statistique.<\/p>\n

Cette sous-estimation de la variance r\u00e9siduelle se propage directement au d\u00e9nominateur du ratio $F$<\/span> de l’ANOVA. En cons\u00e9quence, la statistique $F$<\/span> observ\u00e9e est gonfl\u00e9e de mani\u00e8re artificielle, catapultant le taux d’erreur de type I bien au-del\u00e0 de sa valeur nominale fix\u00e9e \u00e0 5 %. Des simulations computationnelles robustes ont d\u00e9montr\u00e9 de longue date qu’une corr\u00e9lation intraclasse inter-sujets r\u00e9siduelle d’\u00e0 peine 0,10 au sein de petits groupes peut faire bondir le risque r\u00e9el d’erreur de premi\u00e8re esp\u00e8ce \u00e0 des niveaux compris entre 15 % et 40 %, d\u00e9truisant tout contr\u00f4le statistique rigoureux sur la production de faux positifs.<\/p>\n

Sur le versant th\u00e9orique, cette distorsion math\u00e9matique invalide irr\u00e9vocablement la structure causale attribu\u00e9e aux manipulations exp\u00e9rimentales. Les inf\u00e9rences d\u00e9riv\u00e9es du mod\u00e8le lin\u00e9aire reposent sur l’attribution de la variance expliqu\u00e9e aux seules conditions manipul\u00e9es une fois l’erreur al\u00e9atoire soustraite. Si l’erreur int\u00e8gre des d\u00e9pendances contextuelles non mod\u00e9lis\u00e9es, les conclusions tir\u00e9es sur les processus cognitifs, \u00e9motionnels ou neurophysiologiques \u00e9tudi\u00e9s deviennent fallacieuses, menant \u00e0 l’\u00e9tablissement de relations fonctionnelles chim\u00e9riques.<\/p>\n

3. Diagnostic et v\u00e9rification de l’ind\u00e9pendance des observations<\/h2>\n

3.1 \u00c9valuation du protocole et conception exp\u00e9rimentale<\/h3>\n

Contrairement aux postulats de normalit\u00e9 ou de sph\u00e9ricit\u00e9 qui se pr\u00eatent \u00e0 une batterie de tests d’ad\u00e9quation statistiques standardis\u00e9s, la d\u00e9tection de la violation de l’ind\u00e9pendance ne peut reposer de mani\u00e8re exclusive sur l’analyse de donn\u00e9es a posteriori<\/em>. L’\u00e9valuation de l’ind\u00e9pendance constitue avant tout un acte d’audit m\u00e9thodologique qui s’exerce sur la structure m\u00eame du protocole exp\u00e9rimental et sur le protocole d’\u00e9chantillonnage d\u00e9ploy\u00e9 en amont de toute mod\u00e9lisation num\u00e9rique. La question nodale que le chercheur doit formuler est la suivante : la r\u00e9ponse d’un participant donn\u00e9 a-t-elle pu \u00eatre influenc\u00e9e, directement ou indirectement, par l’identit\u00e9 ou la performance d’un autre participant ?<\/p>\n

Cet audit impose une v\u00e9rification rigoureuse de l’isolement physique et psychologique des participants pendant la phase d’administration de la t\u00e2che. Dans un laboratoire exp\u00e9rimental, cela requiert l’utilisation de cabines insonoris\u00e9es individuelles ou d’\u00e9crans s\u00e9parateurs opaques emp\u00eachant tout regard p\u00e9riph\u00e9rique sur les moniteurs voisins, ainsi que l’utilisation de casques antibruit pour bloquer les signaux acoustiques ext\u00e9rieurs. En outre, le chercheur doit examiner avec soin la proc\u00e9dure de contre-balancement des ordres de passation. L’usage de plans en carr\u00e9s latins \u00e9quilibr\u00e9s ou de randomisations compl\u00e8tes des s\u00e9quences intra-sujets permet de pr\u00e9venir l’\u00e9mergence d’effets d’ordre ou de report syst\u00e9matiques qui pourraient se confondre avec des corr\u00e9lations s\u00e9rielles inter-sujets.<\/p>\n

\"\"<\/figure>\n

Lorsque la recherche se d\u00e9ploie en contexte \u00e9cologique ou institutionnel, l’audit de la conception exp\u00e9rimentale doit documenter rigoureusement les unit\u00e9s d’\u00e9chantillonnage primaires. Il est imp\u00e9ratif d’identifier la pr\u00e9sence d’une hi\u00e9rarchie d’embo\u00eetement (par exemple, des patients r\u00e9partis au sein de diff\u00e9rentes cliniques ou assign\u00e9s \u00e0 des th\u00e9rapeutes sp\u00e9cifiques). Si de telles configurations structurelles sont d\u00e9tect\u00e9es et que le chercheur persiste \u00e0 appliquer un mod\u00e8le d’ANOVA intra-sujets standard sans ajustement structurel, l’hypoth\u00e8se d’ind\u00e9pendance inter-sujets est de facto rompue par construction exp\u00e9rimentale.<\/p>\n

3.2 D\u00e9tection statistique des d\u00e9pendances s\u00e9rielles<\/h3>\n

Bien que l’examen m\u00e9thodologique du devis prime, des investigations analytiques quantitatives permettent d’interroger les r\u00e9sidus standardis\u00e9s afin d’y rep\u00e9rer des traces palpables d’interd\u00e9pendance non mod\u00e9lis\u00e9e. Lorsque les donn\u00e9es ont \u00e9t\u00e9 recueillies de mani\u00e8re s\u00e9quentielle dans le temps ou ordonn\u00e9es selon un param\u00e8tre spatial ou contextuel continu, le statisticien peut solliciter le classique test de Durbin-Watson. Initialement con\u00e7u pour l’analyse des s\u00e9ries temporelles en \u00e9conom\u00e9trie, ce test \u00e9value l’hypoth\u00e8se nulle selon laquelle les r\u00e9sidus ordonn\u00e9s ne pr\u00e9sentent aucune autocorr\u00e9lation d’ordre 1 :<\/p>\n

$$d = \\frac{\\sum_{t=2}^{N} (e_t – e_{t-1})^2}{\\sum_{t=1}^{N} e_t^2}$$<\/span><\/p>\n

Une valeur de $d$<\/span> substantiellement inf\u00e9rieure \u00e0 2 signale une autocorr\u00e9lation positive entre les unit\u00e9s successives, attestant d’une d\u00e9rive progressive de la mesure au fil des passations, tandis qu’une valeur sup\u00e9rieure \u00e0 2 indique une autocorr\u00e9lation n\u00e9gative.<\/p>\n

Une d\u00e9marche compl\u00e9mentaire consiste \u00e0 examiner visuellement et formellement la fonction d’autocorr\u00e9lation (ACF) des r\u00e9sidus du mod\u00e8le lin\u00e9aire. Le calcul des coefficients d’autocorr\u00e9lation pour divers retards temporels (lags<\/em>) permet d’identifier des p\u00e9riodicit\u00e9s cach\u00e9es dans le recueil des donn\u00e9es, r\u00e9v\u00e9lant par exemple l’influence cyclique de changements d’op\u00e9rateurs ou de conditions thermiques au sein du laboratoire. Si les barres d’autocorr\u00e9lation exc\u00e8dent les intervalles de confiance \u00e0 95 % de Bartlet autour de z\u00e9ro, l’ind\u00e9pendance temporelle doit \u00eatre r\u00e9voqu\u00e9e.<\/p>\n

Dans les configurations d’\u00e9chantillonnage group\u00e9, la quantification formelle de la non-ind\u00e9pendance s’effectue via l’estimation du coefficient de corr\u00e9lation intraclasse (ICC)<\/a>. L’ICC quantifie la proportion de la variance totale de la variable d’int\u00e9r\u00eat qui est attribuable \u00e0 l’appartenance aux grappes ou groupes environnementaux partag\u00e9s :<\/p>\n

$$\\rho = \\frac{\\sigma_{entre-groupes}^2}{\\sigma_{entre-groupes}^2 + \\sigma_{intra-groupe}^2}$$<\/span><\/p>\n

L’observation d’un ICC s’\u00e9cartant m\u00eame modestement de z\u00e9ro (par exemple $rho > 0,05$<\/span>) apporte la d\u00e9monstration empirique irr\u00e9futable que le postulat d’ind\u00e9pendance inter-sujets est viol\u00e9, rendant caduque l’application de l’ANOVA intra-sujets standard sous peine de produire des inf\u00e9rences statistiques erron\u00e9es.<\/p>\n

4. Solutions m\u00e9thodologiques et mod\u00e9lisations alternatives face \u00e0 la non-ind\u00e9pendance<\/h2>\n

4.1 Ajustements de la structure exp\u00e9rimentale<\/h3>\n

Face \u00e0 la d\u00e9tection av\u00e9r\u00e9e ou au risque structurel d’une violation de l’ind\u00e9pendance inter-sujets, la premi\u00e8re ligne de d\u00e9fense r\u00e9side dans la modification pr\u00e9ventive ou corrective du protocole exp\u00e9rimental et de l’unit\u00e9 de calcul statistique. Lorsque des d\u00e9pendances contextuelles sont in\u00e9vitables en raison de contraintes logistiques (telles que la n\u00e9cessit\u00e9 d’entra\u00eener des groupes de sujets de mani\u00e8re conjointe), la refactorisation du plan d’exp\u00e9rience peut permettre de sauver la validit\u00e9 du mod\u00e8le. Cela consiste \u00e0 \u00e9lever le facteur de nuisance contextuel (par exemple la session de passation ou l’exp\u00e9rimentateur) au rang de variable ind\u00e9pendante inter-sujets \u00e0 part enti\u00e8re, transformant ainsi l’ANOVA intra-sujets simple en un plan mixte incluant ce facteur de contr\u00f4le de bloc.<\/p>\n

Une alternative radicale mais rigoureuse consiste \u00e0 proc\u00e9der \u00e0 l’agr\u00e9gation math\u00e9matique des unit\u00e9s d’observation non ind\u00e9pendantes au niveau de l’unit\u00e9 de regroupement sup\u00e9rieure. Si les participants au sein d’une grappe (comme une salle de classe) interagissent in\u00e9vitablement, le chercheur peut calculer la moyenne de la performance des participants de chaque grappe pour chacune des conditions r\u00e9p\u00e9t\u00e9es. L’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es est ensuite ex\u00e9cut\u00e9e en consid\u00e9rant la grappe elle-m\u00eame (l’\u00e9cole ou le groupe de travail) comme l’unit\u00e9 exp\u00e9rimentale individuelle ($N = \\text{nombre de grappes}$<\/span>). Bien que cette d\u00e9marche r\u00e9duise substantiellement les degr\u00e9s de libert\u00e9 statistiques nominaux, elle r\u00e9tablit l’ind\u00e9pendance stochastique absolue des unit\u00e9s soumises \u00e0 l’analyse et garantit la ma\u00eetrise rigoureuse du taux d’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n

Sur le plan de l’\u00e9chantillonnage op\u00e9rationnel, le recours \u00e0 une randomisation stratifi\u00e9e et contrainte des assignations d’exp\u00e9rimentateurs et des horaires d’\u00e9valuation permet de rompre m\u00e9caniquement toute co-d\u00e9pendance entre les s\u00e9quences temporelles et les niveaux des variables \u00e9tudi\u00e9es. En veillant \u00e0 ce que les diff\u00e9rents niveaux du facteur intra-sujets soient administr\u00e9s de mani\u00e8re rigoureusement contre-balanc\u00e9e et uniform\u00e9ment distribu\u00e9e dans le temps et l’espace exp\u00e9rimental, le chercheur dilue les perturbations s\u00e9rielles r\u00e9siduelles, emp\u00eachant leur cristallisation en biais syst\u00e9matique au d\u00e9triment d’une modalit\u00e9 exp\u00e9rimentale particuli\u00e8re.<\/p>\n

4.2 Transition vers les mod\u00e8les multiniveaux et mixtes<\/h3>\n

Lorsque la structure de d\u00e9pendance est inh\u00e9rente \u00e0 l’objet de recherche et que l’agr\u00e9gation des scores d\u00e9truirait une granularit\u00e9 d’information pr\u00e9cieuse, l’abandon pur et simple de l’ANOVA intra-sujets classique au profit des mod\u00e8les lin\u00e9aires mixtes (Linear Mixed Models<\/em> ou LMM) repr\u00e9sente la solution contemporaine par excellence. Contrairement \u00e0 l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es qui n\u00e9cessite l’ind\u00e9pendance stricte des observations entre les unit\u00e9s de niveau 1, les mod\u00e8les lin\u00e9aires \u00e0 effets mixtes int\u00e8grent explicitement la d\u00e9pendance hi\u00e9rarchique au sein de leur matrice de variance-covariance probabiliste.<\/p>\n

Dans un cadre multiniveau, le chercheur sp\u00e9cifie simultan\u00e9ment des effets fixes (repr\u00e9sentant les param\u00e8tres d’int\u00e9r\u00eat de la manipulation exp\u00e9rimentale) et des effets al\u00e9atoires (repr\u00e9sentant les variations stochastiques \u00e0 multiples \u00e9chelons). L’inclusion d’ordonn\u00e9es \u00e0 l’origine al\u00e9atoires (random intercepts<\/em>) pour chaque individu et pour chaque grappe de niveau sup\u00e9rieur permet de partitionner formellement la variance entre les strates. Le mod\u00e8le capture ainsi la corr\u00e9lation intra-groupe et intra-sujet de mani\u00e8re simultan\u00e9e :<\/p>\n

$$Y_{tij} = \\beta_{0} + u_{0j} + v_{0ij} + \\beta_1 X_{tij} + \\epsilon_{tij}$$<\/span><\/p>\n

O\u00f9 $u_{0j}$<\/span> capture la variabilit\u00e9 de la grappe $j$<\/span>, $v_{0ij}$<\/span> celle de l’individu $i$<\/span> au sein de la grappe, et $\\epsilon_{tij}$<\/span> repr\u00e9sente l’erreur r\u00e9siduelle unique \u00e0 l’occasion $t$<\/span>.<\/p>\n

Par ailleurs, les mod\u00e8les lin\u00e9aires mixtes s’affranchissent de l’exigence d’ind\u00e9pendance temporelle en autorisant la mod\u00e9lisation directe de structures de covariances r\u00e9siduelles hautement sophistiqu\u00e9es. Le statisticien peut sp\u00e9cifier une structure d’autocorr\u00e9lation autor\u00e9gressive de premier ordre, AR(1), o\u00f9 la corr\u00e9lation entre deux r\u00e9sidus d\u00e9cro\u00eet de mani\u00e8re exponentielle en fonction de la distance temporelle qui les s\u00e9pare :<\/p>\n

$$operatorname{Corr}(\\epsilon_t, \\epsilon_{t+k}) = \\rho^k$$<\/span><\/p>\n

Cette approche hybride pr\u00e9serve l’int\u00e9gralit\u00e9 de la puissance statistique de l’\u00e9chantillon tout en prot\u00e9geant les estimateurs des coefficients de r\u00e9gression et leurs erreurs types contre les ravages de l’autocorr\u00e9lation, offrant une souplesse m\u00e9thodologique infiniment sup\u00e9rieure \u00e0 celle de l’ANOVA classique.<\/p>\n

5. Le postulat de normalit\u00e9 : Fondements et implications math\u00e9matiques<\/h2>\n

5.1 Nature de la normalit\u00e9 dans le cadre intra-sujets<\/h3>\n

Le postulat de normalit\u00e9 est sans nul doute l’une des exigences les plus r\u00e9currentes du paradigme param\u00e9trique, mais sa d\u00e9finition exacte dans le cadre sp\u00e9cifique de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es fait l’objet de contresens chroniques dans les publications empiriques. Une m\u00e9connaissance r\u00e9pandue consiste \u00e0 tester la normalit\u00e9 de la variable d\u00e9pendante brute agr\u00e9g\u00e9e sur l’ensemble des participants et des conditions, ou \u00e0 l’inverse, \u00e0 exiger la normalit\u00e9 des distributions isol\u00e9es \u00e0 l’int\u00e9rieur de chaque cellule exp\u00e9rimentale. Or, sur le plan formel de la th\u00e9orie des mod\u00e8les lin\u00e9aires, le postulat de normalit\u00e9 porte exclusivement sur la distribution des termes d’erreur r\u00e9siduelle du mod\u00e8le statistique<\/strong>.<\/p>\n

Dans un plan factoriel \u00e0 mesures r\u00e9p\u00e9t\u00e9es, l’erreur r\u00e9siduelle correspond \u00e0 la part de la variabilit\u00e9 qui n’est expliqu\u00e9e ni par les diff\u00e9rences moyennes stables entre les sujets (l’effet principal des participants), ni par les manipulations exp\u00e9rimentales (l’effet principal du facteur intra-sujets), ni par d’\u00e9ventuelles covariables continues. Le mod\u00e8le assume que ce vecteur de r\u00e9sidus suit une distribution gaussienne th\u00e9orique d’esp\u00e9rance nulle et de variance d’erreur d\u00e9finie, not\u00e9e $boldsymbol{\\epsilon} \\sim \\mathcal{N}(\\mathbf{0}, boldsymbol{\\Sigma})$<\/span>. D\u00e8s lors que le plan se d\u00e9compose en contrastes pairwise (paires de conditions), cette condition implique directement que les distributions des scores de diff\u00e9rence construits entre chaque couple de modalit\u00e9s doivent pr\u00e9senter une allure univari\u00e9e et multivari\u00e9e rigoureusement gaussienne.<\/p>\n

Il convient de situer cette exigence \u00e0 la lumi\u00e8re du Th\u00e9or\u00e8me Central Limite (TCL)<\/a>. En vertu des propri\u00e9t\u00e9s asymptotiques du TCL, la distribution d’\u00e9chantillonnage de la moyenne converge vers une distribution normale lorsque la taille d’\u00e9chantillon ($N$<\/span>) tend vers l’infini, ind\u00e9pendamment de la forme de la distribution de la variable sous-jacente dans la population m\u00e8re. Ainsi, dans les devis disposant d’un effectif substantiel (typiquement sup\u00e9rieur \u00e0 50 ou 100 participants selon la complexit\u00e9 du devis), l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es b\u00e9n\u00e9ficie d’une robustesse notable face aux modiques entorses \u00e0 la normalit\u00e9 des r\u00e9sidus. En revanche, lorsque les effectifs sont r\u00e9duits ($N < 20$<\/span>), situation omnipr\u00e9sente en neurosciences comportementales et en neuropsychologie clinique, le TCL ne peut op\u00e9rer pleinement son r\u00f4le protecteur, exposant l'inf\u00e9rence \u00e0 des distorsions pr\u00e9judiciables.<\/p>\n

5.2 Impact des d\u00e9viations : Asym\u00e9trie et aplatissement<\/h3>\n

Lorsque la distribution des r\u00e9sidus s’\u00e9loigne notablement du profil sym\u00e9trique en cloche de la courbe de Gauss, cette non-normalit\u00e9 se manifeste principalement sous deux formes g\u00e9om\u00e9triques distinctes : l’asym\u00e9trie (skewness<\/em>) et l’aplatissement ou \u00e9paississement des queues de distribution (kurtosis<\/em>). Chacune de ces anomalies exerce une influence diff\u00e9rentielle sur l’anatomie computationnelle de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es.<\/p>\n

L’asym\u00e9trie r\u00e9siduelle, qu’elle soit positive (\u00e9talement vers les valeurs \u00e9lev\u00e9es, fr\u00e9quente dans les mesures de temps de r\u00e9action chronom\u00e9triques) ou n\u00e9gative (\u00e9talement vers les valeurs basses, classique lors d’effets de plafond sur des \u00e9preuves de m\u00e9moire), produit une distorsion syst\u00e9matique dans le positionnement de la moyenne arithm\u00e9tique. La moyenne devenant excessivement sensible aux valeurs situ\u00e9es dans la longue queue de distribution, les estimations des effets intra-sujets se trouvent biais\u00e9es, ne refl\u00e9tant plus ad\u00e9quatement la tendance centrale du comportement modal des sujets. Lorsque l’asym\u00e9trie n’est pas uniforme \u00e0 travers tous les niveaux du facteur r\u00e9p\u00e9t\u00e9 (par exemple, une distribution sym\u00e9trique dans la condition de contr\u00f4le mais fortement asym\u00e9trique sous stress cognitif intense), le calcul de la somme des carr\u00e9s de l’effet subit une distorsion non lin\u00e9aire qui peut soit masquer des effets cruciaux, soit faire \u00e9merger des diff\u00e9rences statistiques purement artificielles.<\/p>\n

L’aplatissement excessif, et tout particuli\u00e8rement la leptocurticit\u00e9 caract\u00e9ris\u00e9e par des queues de distribution \u00e9paisses (heavy-tailed distributions<\/em>), repr\u00e9sente une menace plus insidieuse pour l’ANOVA. Les distributions leptocurtiques g\u00e9n\u00e8rent une fr\u00e9quence de valeurs d\u00e9viantes bien plus \u00e9lev\u00e9e que ce que pr\u00e9dit la loi normale standard. Cette prolif\u00e9ration d’\u00e9carts sporadiques gonfle disproportionnellement l’estimation de la variance d’erreur r\u00e9siduelle ($MS_{erreur}$<\/span>), laquelle figure au d\u00e9nominateur du ratio $F$<\/span>. Il en r\u00e9sulte une perte aigu\u00eb de puissance statistique : le test $F$<\/span> devient excessivement conservateur, \u00e9chouant \u00e0 d\u00e9tecter des variations de moyennes pourtant cliniquement ou scientifiquement signifiantes. \u00c0 l’extr\u00eame, face \u00e0 des distributions multimodales traduisant la pr\u00e9sence de sous-populations h\u00e9t\u00e9rog\u00e8nes non identifi\u00e9es (par exemple des strat\u00e9gies cognitives divergentes), la statistique $F$<\/span> perd totalement sa l\u00e9gitimit\u00e9 inf\u00e9rentielle.<\/p>\n

5.3 Vuln\u00e9rabilit\u00e9 aux donn\u00e9es aberrantes (outliers)<\/h3>\n

L’existence de valeurs atypiques ou donn\u00e9es aberrantes (outliers<\/em>) constitue l’un des m\u00e9canismes g\u00e9n\u00e9rateurs les plus fr\u00e9quents de violation de la normalit\u00e9 dans les devis \u00e0 mesures r\u00e9p\u00e9t\u00e9es. Dans le contexte univari\u00e9, un outlier correspond \u00e0 une observation dont la d\u00e9viation par rapport \u00e0 la moyenne du groupe ou de la cellule factorielle exc\u00e8de de loin les attentes probabilistes raisonnables. La d\u00e9tection classique s’op\u00e8re par le calcul des scores centr\u00e9s r\u00e9duits (scores $Z$<\/span>), o\u00f9 toute observation d\u00e9passant le seuil critique de $|Z| > 3,0$<\/span> ou $3,29$ (correspondant \u00e0 une probabilit\u00e9 d’occurrence inf\u00e9rieure \u00e0 $p = 0,001$<\/span> sous la loi normale) est identifi\u00e9e comme suspecte, ou alternativement par la r\u00e8gle de Tukey bas\u00e9e sur l’\u00e9cart interquartile ($1,5 \\times IQR$<\/span> pour les outliers mod\u00e9r\u00e9s, $3,0 \\times IQR$<\/span> pour les outliers extr\u00eames).<\/p>\n

Dans les plans intra-sujets, la probl\u00e9matique prend une dimension nettement plus pernicieuse sous la forme d’observations atypiques multivari\u00e9es. Un individu peut pr\u00e9senter des scores parfaitement anodins et acceptables lorsqu’ils sont analys\u00e9s de mani\u00e8re isol\u00e9e au sein de chaque niveau factoriel, mais exhiber un patron de changement intra-individuel hautement improbable entre les conditions. La d\u00e9tection de ces configurations d\u00e9viantes requiert la mobilisation d’indicateurs de distance multidimensionnels, au premier rang desquels figure la distance de Mahalanobis<\/strong> ($D^2$<\/span>). Celle-ci mesure la distance s\u00e9parant le vecteur de r\u00e9ponses d’un individu du centre de gravit\u00e9 multivari\u00e9 (le centro\u00efde de l’\u00e9chantillon), en int\u00e9grant explicitement la matrice de variance-covariance empirique :<\/p>\n

$$D_i^2 = (\\mathbf{x}_i – \\bar{\\mathbf{x}})’ \\mathbf{S}^{-1} (\\mathbf{x}_i – \\bar{\\mathbf{x}})$$<\/span><\/p>\n

Une distance de Mahalanobis exc\u00e9dant la valeur critique de la distribution du chi-deux ($\\chi^2$<\/span>) pour un nombre de degr\u00e9s de libert\u00e9 \u00e9gal au nombre de niveaux du facteur intra-sujets signale un profil multivari\u00e9 aberrant qui fausse l’estimation des corr\u00e9lations s\u00e9rielles du mod\u00e8le.<\/p>\n

Le chercheur doit imp\u00e9rativement op\u00e9rer une distinction \u00e9pist\u00e9mologique et \u00e9tiologique entre deux cat\u00e9gories d’outliers : les erreurs mat\u00e9rielles de mesure (dysfonctionnement d’un capteur \u00e9lectroenc\u00e9phalographique, inattention manifeste d’un participant ayant appuy\u00e9 sur la mauvaise touche par inadvertance, erreur de transcription informatique) et la variabilit\u00e9 psychologique authentique (un individu exceptionnellement rapide ou hyper-r\u00e9actif \u00e9motionnellement). Alors que la premi\u00e8re cat\u00e9gorie commande une \u00e9limination ou une correction m\u00e9canique, la seconde rec\u00e8le souvent une information th\u00e9orique fondamentale qu’une \u00e9puration aveugle priverait de visibilit\u00e9 scientifique.<\/p>\n

6. Proc\u00e9dures diagnostiques de la normalit\u00e9<\/h2>\n

6.1 M\u00e9thodes graphiques qualitatives<\/h3>\n

L’\u00e9valuation rigoureuse du postulat de normalit\u00e9 en amont d’une ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es ne saurait \u00eatre r\u00e9duite \u00e0 la seule lecture binaire d’un test statistique formel. Le consensus contemporain en m\u00e9thodologie quantitative consacre la supr\u00e9matie de l’inspection visuelle raisonn\u00e9e au moyen d’outils graphiques calibr\u00e9s. La m\u00e9thode diagnostique reine demeure le diagramme quantile-quantile<\/strong> (Q-Q plot<\/em>), appliqu\u00e9 aux r\u00e9sidus standardis\u00e9s du mod\u00e8le lin\u00e9aire ou aux scores de diff\u00e9rence entre les niveaux factoriels. Le Q-Q plot confronte les quantiles empiriques observ\u00e9s au sein de l’\u00e9chantillon aux quantiles th\u00e9oriques attendus sous une loi normale id\u00e9ale.<\/p>\n

L’interpr\u00e9tation clinique d’un Q-Q plot est intuitive : si la normalit\u00e9 est pr\u00e9serv\u00e9e, les points exp\u00e9rimentaux viennent s’aligner avec pr\u00e9cision le long d’une droite diagonale \u00e0 45 degr\u00e9s. Les d\u00e9viations sp\u00e9cifiques par rapport \u00e0 cette trajectoire lin\u00e9aire cartographient la morphologie exacte de l’anomalie. Une courbure en forme de \u00ab S \u00bb ou de \u00ab banane \u00bb indique une asym\u00e9trie marqu\u00e9e (la direction de l’inflexion d\u00e9signant une asym\u00e9trie positive ou n\u00e9gative), tandis qu’un d\u00e9collement syst\u00e9matique des points aux deux extr\u00e9mit\u00e9s de la ligne droite met en \u00e9vidence la pr\u00e9sence de queues \u00e9paisses caract\u00e9ristiques d’une leptocurticit\u00e9 probl\u00e9matique.<\/p>\n

\"\"<\/figure>\n

Ce diagnostic qualitatif gagne \u00e0 \u00eatre enrichi par la visualisation conjointe d’histogrammes de fr\u00e9quence des r\u00e9sidus, sur lesquels le chercheur superpose le trac\u00e9 de la densit\u00e9 gaussienne th\u00e9orique correspondante. Cette juxtaposition permet d’appr\u00e9cier imm\u00e9diatement les d\u00e9ficits de sym\u00e9trie ou les anomalies de hauteur du pic central. Enfin, le recours syst\u00e9matique aux bo\u00eetes \u00e0 moustaches (boxplots<\/em>) construites pour chaque niveau du facteur intra-sujets et pour les scores de contrastes offre une vue synth\u00e9tique de la m\u00e9diane, de la dispersion interquartile et de la pr\u00e9sence de valeurs isol\u00e9es, facilitant l’identification rapide des sujets dont le profil perturbe l’ad\u00e9quation param\u00e9trique globale.<\/p>\n

6.2 Tests d’ad\u00e9quation formels et seuils empiriques<\/h3>\n

En compl\u00e9ment indispensable de l’analyse visuelle, l’\u00e9valuation de la normalit\u00e9 s’appuie fr\u00e9quemment sur des tests d’hypoth\u00e8se formels destin\u00e9s \u00e0 quantifier la probabilit\u00e9 que les donn\u00e9es observ\u00e9es soient issues d’une population gaussienne. Pour les \u00e9chantillons de taille petite \u00e0 mod\u00e9r\u00e9e ($N < 50$<\/span>), le standard m\u00e9thodologique absolu est le test de Shapiro-Wilk<\/a> ($W$<\/span>). Ce test calcule le ratio entre l’estimateur de la variance d\u00e9riv\u00e9 d’une combinaison lin\u00e9aire ordonn\u00e9e des statistiques de rang et l’estimateur conventionnel de la somme des carr\u00e9s. Une valeur de $W$<\/span> proche de 1 t\u00e9moigne d’une parfaite ad\u00e9quation gaussienne ; d\u00e8s lors que la statistique s’affaisse et que la valeur $p$<\/span> associ\u00e9e chute sous le seuil critique conventionnel (g\u00e9n\u00e9ralement $\\alpha = 0,05$<\/span>), l’hypoth\u00e8se nulle de normalit\u00e9 est rejet\u00e9e.<\/p>\n

Pour des \u00e9chantillons de taille plus cons\u00e9quente, la litt\u00e9rature mobilise occasionnellement le test de Kolmogorov-Smirnov. Toutefois, dans sa forme \u00e9l\u00e9mentaire, ce test s’av\u00e8re inappropri\u00e9 lorsque les param\u00e8tres de moyenne et de variance de la population ne sont pas fix\u00e9s th\u00e9oriquement a priori<\/em> mais estim\u00e9s \u00e0 partir de l’\u00e9chantillon lui-m\u00eame. Le chercheur doit ainsi imp\u00e9rativement exiger la version ajust\u00e9e par la correction de Lilliefors<\/strong>, qui recalibre la distribution d’\u00e9chantillonnage de la statistique de distance $D_{\\max}$<\/span> pour tenir compte de l’estimation empirique des param\u00e8tres gaussiens.<\/p>\n

Au-del\u00e0 de ces tests d’ad\u00e9quation omnibus, le diagnostic analytique requiert le calcul formel des coefficients d’asym\u00e9trie (skewness<\/em> de Fisher-Pearson) et d’aplatissement (kurtosis<\/em> exc\u00e9dentaire). Pour valider l’ad\u00e9quation op\u00e9rationnelle sous un angle quantitatif, les praticiens utilisent couramment des ratios critiques standardis\u00e9s :<\/p>\n

$$Z_{skewness} = \\frac{\\text{Skewness}}{SE_{skewness}} \\quad \\text{et} \\quad Z_{kurtosis} = \\frac{\\text{Kurtosis}}{SE_{kurtosis}}$$<\/span><\/p>\n

Sous l’hypoth\u00e8se de normalit\u00e9 asymptotique, ces valeurs $Z$<\/span> suivent approximativement une loi normale centr\u00e9e r\u00e9duite. L’observation d’un ratio exc\u00e9dant l’intervalle critique de $[-1,96 ; +1,96]$<\/span> (pour un seuil de 5 %) ou $[-2,58 ; +2,58]$<\/span> (pour un seuil de 1 %) signale une d\u00e9viation statistiquement significative imposant une vigilance accrue.<\/p>\n

6.3 Prudence face \u00e0 la sur-interpr\u00e9tation des tests d’ad\u00e9quation<\/h3>\n

Malgr\u00e9 leur apparence de rigueur math\u00e9matique irr\u00e9futable, les tests d’ad\u00e9quation formels de la normalit\u00e9 (Shapiro-Wilk, Lilliefors, Anderson-Darling) doivent \u00eatre mani\u00e9s avec un recul \u00e9pist\u00e9mologique critique en raison de propri\u00e9t\u00e9s d’\u00e9chantillonnage paradoxales qui pi\u00e8gent fr\u00e9quemment les chercheurs non avertis. Ces paradoxes d\u00e9coulent directement de la m\u00e9canique de la puissance statistique des tests d’hypoth\u00e8se nulle en fonction de l’effectif $N$<\/span>.<\/p>\n

Dans les contextes de grands \u00e9chantillons (par exemple $N > 200$<\/span> ou $300$ participants, fr\u00e9quents dans les \u00e9tudes en ligne ou les cohortes \u00e9pid\u00e9miologiques), les tests formels deviennent hypersensibles \u00e0 des micro-d\u00e9viations triviales de la distribution empirique par rapport au mod\u00e8le gaussien id\u00e9al. Un test de Shapiro-Wilk pourra ainsi afficher une p-valeur hautement significative ($p < 0,001$<\/span>) face \u00e0 une l\u00e9g\u00e8re asym\u00e9trie totalement anodine qui n'exerce rigoureusement aucun impact pratique sur le taux d'erreur ou la validit\u00e9 de la statistique $F$<\/span> de l'ANOVA intra-sujets (en vertu de la robustesse garantie par le Th\u00e9or\u00e8me Central Limite). Rejeter l'ANOVA param\u00e9trique sur la base exclusive d'un tel r\u00e9sultat rel\u00e8ve d'un exc\u00e8s de purisme m\u00e9thodologique contre-productif.<\/p>\n

Inversement, dans les contextes de tr\u00e8s faibles effectifs ($N 0,10$<\/span>, conduisant \u00e0 l’acceptation erron\u00e9e de l’hypoth\u00e8se nulle de normalit\u00e9 faute de preuves suffisantes. En conclusion, les tests statistiques d’ad\u00e9quation ne doivent jamais \u00eatre employ\u00e9s comme un tribunal aveugle et d\u00e9cisionnel autonome ; ils doivent s’articuler harmonieusement avec l’examen visuel des Q-Q plots et l’\u00e9valuation de la magnitude concr\u00e8te des indices d’asym\u00e9trie et d’aplatissement.<\/p>\n

7. Rem\u00e9diations face aux violations de la normalit\u00e9<\/h2>\n

7.1 Transformations math\u00e9matiques de donn\u00e9es<\/h3>\n

Lorsqu’une violation substantielle du postulat de normalit\u00e9 est diagnostiqu\u00e9e au sein d’un \u00e9chantillon modeste, la strat\u00e9gie de rem\u00e9diation traditionnelle la plus \u00e9l\u00e9gante consiste \u00e0 appliquer une transformation math\u00e9matique non lin\u00e9aire \u00e0 la variable d\u00e9pendante continue. L’objectif fondamental de cette op\u00e9ration est de modifier l’espacement relatif des observations afin de comprimer l’une des queues de distribution, r\u00e9tablissant ainsi la sym\u00e9trie et l’homog\u00e9n\u00e9it\u00e9 des r\u00e9sidus sans alt\u00e9rer l’ordre ordinal des performances des sujets.<\/p>\n

Pour les distributions exhibant une asym\u00e9trie positive marqu\u00e9e, la transformation logarithmique<\/strong> (d\u00e9clin\u00e9e sous sa forme n\u00e9p\u00e9rienne $ln(Y)$<\/span> ou d\u00e9cimale $\\log_{10}(Y)$<\/span>) constitue l’antidote privil\u00e9gi\u00e9. Elle compresse \u00e9nergiquement les scores extr\u00eamement \u00e9lev\u00e9s tout en \u00e9tirant les \u00e9carts entre les scores faibles. Lorsque les donn\u00e9es comportent des z\u00e9ros stricts, une constante additive unitaire est pr\u00e9alablement adjointe : $log(Y + 1)$<\/span>. Pour une asym\u00e9trie positive mod\u00e9r\u00e9e, la transformation par racine carr\u00e9e<\/strong> ($\\sqrt{Y}$<\/span>) offre un nivellement plus doux, particuli\u00e8rement recommand\u00e9 pour les donn\u00e9es issues de processus de comptage ou de fr\u00e9quences comportementales rares (loi de Poisson sous-jacente). En pr\u00e9sence d’une asym\u00e9trie positive violente, la transformation r\u00e9ciproque<\/strong> ou inverse ($1\/Y$<\/span>) comprime drastiquement la tra\u00eene, bien qu’elle op\u00e8re une inversion de la direction de l’\u00e9chelle qui exige une reconfiguration des contrastes.<\/p>\n

Pour s’affranchir d’un t\u00e2tonnement empirique arbitraire, le chercheur peut solliciter la famille des transformations param\u00e9triques de Box-Cox<\/strong>. Cette proc\u00e9dure computationnelle sophistiqu\u00e9e identifie par maximisation de vraisemblance la valeur optimale du param\u00e8tre de puissance $lambda$<\/span> permettant de rapprocher au plus pr\u00e8s la distribution empirique d’un id\u00e9al gaussien :<\/p>\n

$$Y^{(\\lambda)} = \\begin{\\cases} \\frac{Y^\\lambda – 1}{\\lambda} &a\\mp; \\text{si } \\lambda \\neq 0 \\ln(Y) &a\\mp; \\text{si } \\lambda = 0 \\end{\\cases}$$<\/span><\/p>\n

Toutefois, le recours aux transformations de donn\u00e9es soul\u00e8ve des r\u00e9serves \u00e9pist\u00e9mologiques non n\u00e9gligeables quant \u00e0 l’interpr\u00e9tabilit\u00e9 des r\u00e9sultats. En modifiant l’\u00e9chelle de mesure, les diff\u00e9rences de moyennes calcul\u00e9es dans l’espace transform\u00e9 (par exemple sur des logarithmes de millisecondes) perdent leur correspondance directe avec les unit\u00e9s physiques ou psychologiques d’origine. Les inf\u00e9rences doivent \u00eatre reconverties dans l’\u00e9chelle initiale par le biais de moyennes g\u00e9om\u00e9triques ou de r\u00e9tromutations (back-transformation<\/em>), ce qui complexifie la communication des tailles d’effet brutes.<\/p>\n

7.2 Approches non param\u00e9triques<\/h3>\n

Lorsque la structure des donn\u00e9es d\u00e9fie toute tentative de normalisation par transformation math\u00e9matique, ou lorsque la variable d\u00e9pendante d’origine est de nature ordinale (\u00e9chelles de Likert \u00e0 granularit\u00e9 \u00e9troite, classements hi\u00e9rarchiques), le basculement vers des paradigmes statistiques non param\u00e9triques devient imp\u00e9ratif. Le substitut universellement reconnu \u00e0 l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es \u00e0 un facteur est le test de Friedman<\/strong> (souvent d\u00e9sign\u00e9 sous l’appellation d’ANOVA bidirectionnelle par rangs de Friedman).<\/p>\n

Le fonctionnement algorithmique du test de Friedman est fond\u00e9 sur une op\u00e9ration pr\u00e9alable de conversion : pour chaque participant individuel (chaque bloc), les scores obtenus \u00e0 travers les $k$<\/span> conditions r\u00e9p\u00e9t\u00e9es sont convertis en rangs croissants, variant de $1$ \u00e0 $k$<\/span>. Le test examine ensuite si les sommes des rangs associ\u00e9es \u00e0 chaque condition ($\\bar{R}_j$<\/span>) divergent significativement de la distribution uniforme th\u00e9orique attendue sous l’hypoth\u00e8se nulle. La statistique du test, distribu\u00e9e asymptotiquement selon une loi du $\\chi^2$<\/span> \u00e0 $k – 1$<\/span> degr\u00e9s de libert\u00e9, est d\u00e9finie par :<\/p>\n

$$\\chi_F^2 = \\frac{12}{N k (k + 1)} \\sum_{j=1}^k R_j^2 – 3 N (k + 1)$$<\/span><\/p>\n

Dans les configurations m\u00e9thodologiques plus complexes impliquant des plans en blocs incomplets \u00e9quilibr\u00e9s (o\u00f9 chaque participant n’est pas expos\u00e9 \u00e0 l’int\u00e9gralit\u00e9 des conditions en raison de contraintes de temps ou de fatigue cognitive), le test de Durbin<\/strong> prend le relais m\u00e9thodologique du test de Friedman en ajustant formellement l’esp\u00e9rance des sommes de rangs \u00e0 la taille incompl\u00e8te des sous-ensembles exp\u00e9rimentaux.<\/p>\n

Bien que ces approches non param\u00e9triques poss\u00e8dent l’avantage souverain d’une immunit\u00e9 totale face aux d\u00e9viations de la normalit\u00e9 et \u00e0 la pr\u00e9sence d’outliers extr\u00eames, elles s’accompagnent d’un co\u00fbt m\u00e9thodologique substantiel. La substitution des scores continus m\u00e9triques par de simples rangs ordinaux d\u00e9truit une masse consid\u00e9rable d’informations quantitatives relatives \u00e0 la magnitude des \u00e9carts inter-conditions. Il en r\u00e9sulte une \u00e9rosion de la puissance statistique d\u00e8s lors que les donn\u00e9es sous-jacentes \u00e9taient mod\u00e9r\u00e9ment proches d’une distribution normale. De surcro\u00eet, le test de Friedman ne permet pas d’analyser ais\u00e9ment les devis factoriels complexes impliquant des interactions multidirectionnelles (plans mixtes split-plot), restreignant son usage aux questions de recherche unidimensionnelles.<\/p>\n

7.3 Techniques de r\u00e9\u00e9chantillonnage et m\u00e9thodes robustes<\/h3>\n

Face au dilemme classique opposant l’interpr\u00e9tabilit\u00e9 complexe des donn\u00e9es transform\u00e9es \u00e0 la perte d’information des tests non param\u00e9triques bas\u00e9s sur les rangs, la statistique moderne a d\u00e9velopp\u00e9 un troisi\u00e8me paradigme fond\u00e9 sur le r\u00e9\u00e9chantillonnage et l’estimation robuste. Ces approches contemporaines s’affranchissent des hypoth\u00e8ses de distributionnalit\u00e9 rigide tout en pr\u00e9servant l’int\u00e9grit\u00e9 m\u00e9trique des \u00e9chelles de mesure originales.<\/p>\n

Au c\u0153ur de cette panoplie figure le bootstrapping non param\u00e9trique<\/strong>. Appliqu\u00e9e aux contrastes intra-sujets, la m\u00e9thode du bootstrap consiste \u00e0 g\u00e9n\u00e9rer un grand nombre d’\u00e9chantillons synth\u00e9tiques (typiquement $B = 5,000$<\/span> ou $10,000$) par tirage al\u00e9atoire avec remise parmi les vecteurs multidimensionnels de r\u00e9ponses des participants originaux. Pour chaque it\u00e9ration de r\u00e9\u00e9chantillonnage, la statistique d’int\u00e9r\u00eat (diff\u00e9rence de moyennes ou ratio $F$<\/span>) est recalcul\u00e9e. La compilation de ces r\u00e9plicats engendre une distribution d’\u00e9chantillonnage empirique directe, exempte de toute assomption gaussienne th\u00e9orique. Le chercheur en d\u00e9rive des intervalles de confiance robustes corrig\u00e9s et acc\u00e9l\u00e9r\u00e9s (BCa bootstrap intervals<\/em>), permettant de statuer sur la significativit\u00e9 statistique de l’effet d’une mani\u00e8re imperm\u00e9able \u00e0 l’asym\u00e9trie r\u00e9siduelle.<\/p>\n

Une alternative analytique remarquable consiste \u00e0 substituer les param\u00e8tres classiques par des statistiques robustes<\/strong>, notamment sous la formalisation de Rand Wilcox. Cette approche propose de remplacer la moyenne arithm\u00e9tique et la variance standard par des moyennes tronqu\u00e9es (trimmed means<\/em>, par exemple \u00e0 20 %) ou des M-estimateurs de Huber au sein du calcul des contrastes intra-sujets. En neutralisant le poids excessif des 20 % de valeurs les plus extr\u00eames situ\u00e9es dans chaque tra\u00eene de distribution, les moyennes tronqu\u00e9es restaurent un contr\u00f4le impeccable de l’erreur de type I et offrent une puissance statistique sup\u00e9rieure face \u00e0 des distributions leptocurtiques ou asym\u00e9triques. L’ANOVA robuste ainsi configur\u00e9e transcende les limitations des m\u00e9thodes param\u00e9triques classiques tout en maintenant le focus d’analyse sur l’architecture factorielle compl\u00e8te du plan exp\u00e9rimental.<\/p>\n

8. Le postulat de sph\u00e9ricit\u00e9 : D\u00e9finition conceptuelle et g\u00e9om\u00e9trique<\/h2>\n

8.1 Compr\u00e9hension th\u00e9orique de la sph\u00e9ricit\u00e9<\/h3>\n

Le postulat de sph\u00e9ricit\u00e9 constitue la condition math\u00e9matique la plus singuli\u00e8re, la plus m\u00e9connue et la plus lourdement viol\u00e9e au sein des mod\u00e8les factoriels \u00e0 mesures r\u00e9p\u00e9t\u00e9es. Dans la taxonomie des concepts statistiques, les praticiens commettent fr\u00e9quemment l’erreur de calquer sur l’ANOVA intra-sujets la condition d’homosc\u00e9dasticit\u00e9 propre \u00e0 l’ANOVA inter-sujets (l’\u00e9galit\u00e9 des variances entre les groupes ind\u00e9pendants de Levene). Or, le cadre intra-sujets transcende cette simple homog\u00e9n\u00e9it\u00e9 scalaire pour englober la g\u00e9om\u00e9trie matricielle multidimensionnelle r\u00e9gissant les relations de variance et de covariance entre les conditions d\u00e9pendantes.<\/p>\n

Formellement, la sph\u00e9ricit\u00e9<\/strong> exige l’\u00e9galit\u00e9 stricte des variances de toutes les diff\u00e9rences possibles calcul\u00e9es entre chaque paire de niveaux du facteur intra-sujets<\/strong>. Consid\u00e9rons un plan d’exp\u00e9rience impliquant un facteur r\u00e9p\u00e9t\u00e9 comportant $k$<\/span> modalit\u00e9s distinctes ($T_1, T_2, dots, T_k$<\/span>). Le mod\u00e8le g\u00e9n\u00e8re $k(k – 1) \/ 2$<\/span> variables de diff\u00e9rence potentielles en soustrayant les scores de chaque paire de conditions pour l’ensemble des participants. Le postulat de sph\u00e9ricit\u00e9 impose que dans la population de r\u00e9f\u00e9rence, la variance de la variable $(T_A – T_B)$<\/span> soit rigoureusement identique \u00e0 la variance de la variable $(T_A – T_C)$<\/span>, laquelle doit \u00eatre \u00e9gale \u00e0 celle de $(T_B – T_C)$<\/span>, et ainsi de suite pour l’ensemble des combinaisons par paires :<\/p>\n

$$operatorname{Var}(T_j – T_m) = operatorname{Constante} \\quad \\forall ; j \\neq m$$<\/span><\/p>\n

D’un point de vue matriciel et g\u00e9om\u00e9trique, cette exigence est formalis\u00e9e par la condition de circularit\u00e9<\/em> d\u00e9montr\u00e9e par Huynh et Feldt ainsi que par Rouanet et L\u00e9pine. Si l’on transforme le vecteur de donn\u00e9es initial par une matrice orthogonale de contrastes orthonorm\u00e9s de rang $k – 1$<\/span>, la matrice de variance-covariance r\u00e9sultante doit \u00eatre strictement scalaire, c’est-\u00e0-dire proportionnelle \u00e0 la matrice identit\u00e9 ($\\sigma^2 \\mathbf{I}$<\/span>). Les projections vectorielles des r\u00e9ponses sur chaque dimension de contraste doivent poss\u00e9der une dispersion sph\u00e9rique parfaitement uniforme dans l’espace euclidien multidimensionnel, d’o\u00f9 l’attribution historique du vocable g\u00e9om\u00e9trique de \u00ab sph\u00e9ricit\u00e9 \u00bb.<\/p>\n

Il est crucial de noter qu’un plan intra-sujets comportant strictement $k = 2$<\/span> niveaux factoriels n’est jamais concern\u00e9 par le postulat de sph\u00e9ricit\u00e9<\/strong>. En effet, avec deux conditions, il n’existe qu’une seule et unique variable de diff\u00e9rence possible ($T_1 – T_2$<\/span>) ; une variance unique ne pouvant \u00eatre compar\u00e9e \u00e0 aucune autre, le postulat est math\u00e9matiquement et obligatoirement satisfait par d\u00e9finition triviale. La sph\u00e9ricit\u00e9 ne devient une exigence contraignante et potentiellement violable qu’\u00e0 partir de $k ge 3$<\/span> niveaux factoriels r\u00e9p\u00e9t\u00e9s.<\/p>\n

8.2 La condition de compound symmetry (sym\u00e9trie compos\u00e9e)<\/h3>\n

Dans l’exploration th\u00e9orique des matrices de dispersion, la sph\u00e9ricit\u00e9 entretient une parent\u00e9 conceptuelle \u00e9troite mais asym\u00e9trique avec la condition plus restrictive de sym\u00e9trie compos\u00e9e<\/strong> (compound symmetry<\/em>). Une matrice de variance-covariance $boldsymbol{\\Sigma}$<\/span> pr\u00e9sente une sym\u00e9trie compos\u00e9e si et seulement si elle satisfait simultan\u00e9ment deux crit\u00e8res rigides :<\/p>\n