{"id":7680,"date":"2026-09-16T23:12:58","date_gmt":"2026-09-16T23:12:58","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-coefficient-correlation-intraclasse-excel\/"},"modified":"2026-09-16T23:13:08","modified_gmt":"2026-09-16T23:13:08","slug":"comment-calculer-coefficient-correlation-intraclasse-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-coefficient-correlation-intraclasse-excel","title":{"rendered":"Comment calculer le coefficient de corr\u00e9lation intraclasse dans Excel"},"content":{"rendered":"

La m\u00e9trologie psychologique et psychiatrique repose sur un postulat fondamental : la valeur diagnostique d’une observation ne vaut que par la reproductibilit\u00e9 des instruments qui la quantifient. Qu’il s’agisse de mesurer la s\u00e9v\u00e9rit\u00e9 d’un \u00e9pisode d\u00e9pressif majeur \u00e0 travers l’\u00e9chelle de Hamilton, d’\u00e9valuer les sympt\u00f4mes n\u00e9gatifs de la schizophr\u00e9nie via la PANSS ou de chiffrer l’alt\u00e9ration neurocognitive d’un patient post-AVC, l’objectivit\u00e9 clinique exige que plusieurs praticiens ind\u00e9pendants observant le m\u00eame individu parviennent \u00e0 des conclusions num\u00e9riques concordantes. Lorsque cette concordance fait d\u00e9faut, la variabilit\u00e9 observ\u00e9e refl\u00e8te moins la pathologie du sujet que les biais d’\u00e9valuation inh\u00e9rents aux observateurs, introduisant un bruit de mesure susceptible d’invalider toute inf\u00e9rence th\u00e9rapeutique ou scientifique.<\/p>\n

Pour mesurer cette concordance m\u00e9trologique sur des variables continues ou quasi-continues, le coefficient de corr\u00e9lation intraclasse (CCI)<\/strong> s’est impos\u00e9 comme le standard m\u00e9thodologique international incontournable. Contrairement aux coefficients de corr\u00e9lation bivari\u00e9s classiques, le CCI d\u00e9rive directement de la th\u00e9orie des mod\u00e8les d’analyse de variance \u00e0 effets al\u00e9atoires et mixtes. Il permet d’isoler la variance attribuable aux v\u00e9ritables disparit\u00e9s entre les patients de celle induite par les divergences d’appr\u00e9ciation entre \u00e9valuateurs ou par l’erreur de mesure al\u00e9atoire pure. Sa flexibilit\u00e9 conceptuelle, formalis\u00e9e dans les travaux s\u00e9minaux de Shrout et Fleiss (1979)<\/a>, autorise des param\u00e9trages distincts selon que les cliniciens sont per\u00e7us comme un \u00e9chantillon al\u00e9atoire repr\u00e9sentatif ou comme les seuls juges d’int\u00e9r\u00eat exp\u00e9rimental.<\/p>\n

Si des logiciels statistiques sp\u00e9cialis\u00e9s comme R, SPSS ou SAS int\u00e8grent des modules automatis\u00e9s pour d\u00e9river ces indices, Microsoft Excel<\/strong> demeure l’environnement de calcul le plus accessible et le plus fr\u00e9quemment d\u00e9ploy\u00e9 au sein des unit\u00e9s de recherche clinique, des h\u00f4pitaux et des laboratoires de psychologie exp\u00e9rimentale. L’estimation rigoureuse d’un CCI sous Excel ne souffre cependant aucune approximation : elle exige une compr\u00e9hension intime de la d\u00e9composition des sommes de carr\u00e9s, une manipulation experte de l’Utilitaire d’analyse et une impl\u00e9mentation sans faille des formules matricielles de variance. Ce guide exhaustif d\u00e9taille l’int\u00e9gralit\u00e9 du processus m\u00e9thodologique, math\u00e9matique et technique permettant d’ex\u00e9cuter, d’automatiser et d’interpr\u00e9ter le coefficient de corr\u00e9lation intraclasse dans Excel selon les standards acad\u00e9miques les plus rigoureux.<\/p>\n

1. Fondements conceptuels du coefficient de corr\u00e9lation intraclasse en psychom\u00e9trie<\/h2>\n

1.1 D\u00e9finition et r\u00f4le m\u00e9trologique de la fid\u00e9lit\u00e9 inter-juges<\/h3>\n

Dans le cadre de la th\u00e9orie classique des tests (TCT), tout score observ\u00e9 chez un individu r\u00e9sulte de la sommation d’un score vrai, immuable au moment de la passation, et d’une composante d’erreur al\u00e9atoire ou syst\u00e9matique. La fid\u00e9lit\u00e9 inter-juges mesure la propension d’un outil d’\u00e9valuation \u00e0 refl\u00e9ter fid\u00e8lement ce score vrai lorsque l’administration ou la notation est confi\u00e9e \u00e0 des observateurs distincts. Dans les sciences du comportement et la recherche translationnelle, cette fid\u00e9lit\u00e9 ne peut \u00eatre appr\u00e9hend\u00e9e comme une simple association lin\u00e9aire : deux psychiatres \u00e9valuant des scores d’anxi\u00e9t\u00e9 peuvent pr\u00e9senter une corr\u00e9lation lin\u00e9aire parfaite tout en divergeant radicalement sur le niveau absolu de gravit\u00e9 du patient, l’un attribuant syst\u00e9matiquement cinq points de plus que l’autre. Une telle divergence compromet gravement l’inclusion des patients dans des essais cliniques randomis\u00e9s fond\u00e9s sur des scores seuils pr\u00e9d\u00e9finis.<\/p>\n

Le r\u00f4le m\u00e9trologique du coefficient de corr\u00e9lation intraclasse consiste pr\u00e9cis\u00e9ment \u00e0 d\u00e9passer la simple covariation pour quantifier l’accord absolu<\/strong> ou la coh\u00e9rence relative<\/strong> entre plusieurs juges. Alors qu’un indice de corr\u00e9lation bivari\u00e9e ne sanctionne pas un \u00e9cart additif constant entre deux s\u00e9ries de scores, le CCI p\u00e9nalise math\u00e9matiquement les divergences syst\u00e9matiques d’\u00e9talonnage entre observateurs d\u00e8s lors qu’un mod\u00e8le d’accord absolu est s\u00e9lectionn\u00e9. L’\u00e9chelle th\u00e9orique du CCI s’\u00e9tend de 0, indiquant une absence totale de fid\u00e9lit\u00e9 o\u00f9 la variance observ\u00e9e est int\u00e9gralement imputable \u00e0 l’erreur ou aux d\u00e9saccords entre juges, jusqu’\u00e0 1, traduisant une identit\u00e9 parfaite des cotations attribu\u00e9es \u00e0 chaque sujet par l’ensemble des \u00e9valuateurs du panel.<\/p>\n

Dans les applications cliniques et exp\u00e9rimentales de pointe, notamment lors de l’\u00e9talonnage de grilles d’observation du comportement de l’enfant autiste ou de la standardisation de protocoles neuro-imagerie o\u00f9 plusieurs radiologues d\u00e9limitent des volumes l\u00e9sionnels, le CCI constitue un filtre de validation pr\u00e9alable incontournable. Un instrument dont le CCI s’av\u00e8re d\u00e9ficitaire ne peut en aucun cas garantir que les variations observ\u00e9es au fil du suivi longitudinal traduisent une r\u00e9ponse clinique au traitement plut\u00f4t qu’une fluctuation al\u00e9atoire imputable \u00e0 l’alternance des cliniciens au sein du service hospitalier.<\/p>\n

\"\"<\/figure>\n

1.2 Origine statistique et d\u00e9composition de la variance<\/h3>\n

L’assise formelle du coefficient de corr\u00e9lation intraclasse prend sa source dans les travaux fondateurs de Ronald Fisher sur l’analyse de variance (ANOVA). Fisher a d\u00e9montr\u00e9 que lorsque des donn\u00e9es sont regroup\u00e9es en classes naturelles \u2014 ici, les individus \u00e9valu\u00e9s constituant les classes et les cotations des juges repr\u00e9sentant les \u00e9l\u00e9ments intCatch\u00e9s \u00e0 ces classes \u2014, la variance globale observ\u00e9e peut \u00eatre partitionn\u00e9e de mani\u00e8re univoque en composantes orthogonales et additives. Sous un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral, la variance totale d’une mesure s’exprime comme la somme de la variance attribuable aux v\u00e9ritables diff\u00e9rences inter-sujets, de la variance attribuable aux diff\u00e9rences inter-\u00e9valuateurs et de la variance r\u00e9siduelle non contr\u00f4l\u00e9e.<\/p>\n

Alg\u00e9briquement, le score attribu\u00e9 au sujet i<\/em> par l’\u00e9valuateur j<\/em> se mod\u00e9lise par l’\u00e9quation lin\u00e9aire suivante :<\/p>\n

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

Dans cette formulation, μ repr\u00e9sente la moyenne g\u00e9n\u00e9rale de la population, αi<\/sub> figure l’\u00e9cart sp\u00e9cifique du sujet i<\/em> par rapport \u00e0 cette moyenne, βj<\/sub> d\u00e9signe le biais syst\u00e9matique de cotation de l’\u00e9valuateur j<\/em>, (αβ)ij<\/sub> mod\u00e9lise l’interaction sp\u00e9cifique entre un sujet particulier et un juge donn\u00e9, et εij<\/sub> capture l’erreur de mesure purement stochastique. Dans la majorit\u00e9 des protocoles cliniques o\u00f9 chaque juge n’\u00e9value chaque sujet qu’une seule fois, l’interaction et l’erreur r\u00e9siduelle se trouvent math\u00e9matiquement confondues au sein d’un terme de variance r\u00e9siduelle unique.<\/p>\n

Un aspect critique de cette d\u00e9composition r\u00e9side dans la sensibilit\u00e9 intrins\u00e8que du CCI \u00e0 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 de l’\u00e9chantillon analys\u00e9. Puisque le coefficient repr\u00e9sente fondamentalement le ratio entre la variance inter-sujets et la variance totale, un \u00e9chantillon clinique extr\u00eamement homog\u00e8ne \u2014 compos\u00e9 par exemple exclusivement de patients pr\u00e9sentant une d\u00e9pression d’intensit\u00e9 mod\u00e9r\u00e9e \u2014 pr\u00e9sentera une variance inter-sujets r\u00e9duite. Dans cette configuration, m\u00eame si les cliniciens s’accordent remarquablement bien sur le plan clinique, le CCI calcul\u00e9 sera m\u00e9caniquement abaiss\u00e9, la composante de variance vraie au num\u00e9rateur \u00e9tant restreinte. \u00c0 l’inverse, l’inclusion d’un \u00e9chantillon artificiellement h\u00e9t\u00e9rog\u00e8ne, m\u00ealant des t\u00e9moins sains et des patients lourdement symptomatiques, gonflera le coefficient sans pour autant que l’instrument ne poss\u00e8de une pr\u00e9cision de mesure intrins\u00e8que sup\u00e9rieure.<\/p>\n

2. Typologie des mod\u00e8les de CCI selon la classification de Shrout et Fleiss<\/h2>\n

2.1 Le mod\u00e8le \u00e0 un facteur al\u00e9atoire (Mod\u00e8le 1)<\/h3>\n

La taxonomie canonique introduite par Shrout et Fleiss (1979)<\/a>, enrichie ult\u00e9rieurement par McGraw et Wong (1996), structure les coefficients de corr\u00e9lation intraclasse en trois grandes familles de mod\u00e8les statistiques. Le Mod\u00e8le 1<\/strong>, ou mod\u00e8le \u00e0 un facteur al\u00e9atoire, repose sur le postulat m\u00e9thodologique selon lequel chaque sujet de l’\u00e9tude est \u00e9valu\u00e9 par un ensemble diff\u00e9rent d’\u00e9valuateurs, ces derniers \u00e9tant tir\u00e9s de mani\u00e8re purement stochastique au sein d’une population ind\u00e9finie de juges potentiels. Dans cette configuration, il n’existe aucun appariement ni croisement : l’\u00e9valuateur ayant not\u00e9 le premier patient n’a aucun lien avec celui ayant \u00e9valu\u00e9 le second, et aucune identification stable des juges ne persiste d’un sujet \u00e0 l’autre.<\/p>\n

Deux formulations distinctes \u00e9mergent de ce cadre d’analyse univari\u00e9. Le CCI(1,1)<\/strong> estime la fid\u00e9lit\u00e9 attendue lorsqu’un diagnostic ou un score clinique futur repose sur l’\u00e9valuation fournie par un unique observateur s\u00e9lectionn\u00e9 au hasard dans la population professionnelle :<\/p>\n

CCI(1,1) = (σ2<\/sup>sujets<\/sub>) \/ (σ2<\/sup>sujets<\/sub> + σ2<\/sup>erreur<\/sub>)<\/em><\/p>\n

\u00c0 l’oppos\u00e9, le CCI(1,k)<\/strong> calcule la fid\u00e9lit\u00e9 d’un protocole o\u00f9 la d\u00e9cision clinique s’appuiera syst\u00e9matiquement sur la moyenne arithm\u00e9tique des scores d\u00e9livr\u00e9s par un groupe de k<\/em> \u00e9valuateurs distincts tir\u00e9s au hasard pour chaque individu.<\/p>\n

En pratique psychom\u00e9trique et en recherche clinique exp\u00e9rimentale, le Mod\u00e8le 1 s’av\u00e8re particuli\u00e8rement rare. Il s’applique quasi exclusivement aux vastes enqu\u00eates \u00e9pid\u00e9miologiques de terrain o\u00f9 des centaines d’enqu\u00eateurs diff\u00e9rents interrogent chacun un ou deux participants, sans qu’un design factoriel crois\u00e9 ne puisse \u00eatre mis en place. Sa robustesse est limit\u00e9e par l’impossibilit\u00e9 math\u00e9matique de dissocier le biais propre \u00e0 un \u00e9valuateur de l’erreur al\u00e9atoire r\u00e9siduelle, ce qui conduit g\u00e9n\u00e9ralement \u00e0 une sous-estimation syst\u00e9matique de la fid\u00e9lit\u00e9 par rapport aux mod\u00e8les factoriels complets.<\/p>\n

2.2 Le mod\u00e8le \u00e0 deux facteurs al\u00e9atoires (Mod\u00e8le 2)<\/h3>\n

Le Mod\u00e8le 2<\/strong> incarne le plan exp\u00e9rimental par excellence de la validation m\u00e9trologique inter-juges. Dans ce sch\u00e9ma, un groupe d\u00e9fini de k<\/em> \u00e9valuateurs \u00e9value l’ensemble des n<\/em> sujets participant \u00e0 l’investigation. La sp\u00e9cificit\u00e9 probabiliste de ce mod\u00e8le r\u00e9side dans le fait que ces k<\/em> \u00e9valuateurs sont formellement consid\u00e9r\u00e9s comme un \u00e9chantillon al\u00e9atoire repr\u00e9sentatif extrait d’une population beaucoup plus vaste de professionnels qualifi\u00e9s. Ce postulat est d\u00e9terminant : il signifie que les conclusions tir\u00e9es quant \u00e0 la pr\u00e9cision de la mesure doivent pouvoir \u00eatre extrapol\u00e9es et g\u00e9n\u00e9ralis\u00e9es \u00e0 n’importe quel autre clinicien disposant de qualifications comparables.<\/p>\n

Le CCI(2,1)<\/strong> mod\u00e9lise la fiabilit\u00e9 d’une mesure isol\u00e9e issue d’un seul juge dans ce contexte de g\u00e9n\u00e9ralisabilit\u00e9 totale. Il int\u00e8gre express\u00e9ment dans son d\u00e9nominateur la variance li\u00e9e aux divergences syst\u00e9matiques entre \u00e9valuateurs (σ2<\/sup>juges<\/sub>). Si un praticien tend \u00e0 noter syst\u00e9matiquement plus s\u00e9v\u00e8rement que ses confr\u00e8res, cette variabilit\u00e9 est assimil\u00e9e \u00e0 une source d’erreur m\u00e9trologique majeure qui viendra d\u00e9grader la valeur num\u00e9rique finale du coefficient. Le CCI(2,k), quant \u00e0 lui, quantifie la fiabilit\u00e9 de la moyenne arithm\u00e9tique des k<\/em> juges lorsque cette proc\u00e9dure de notation coll\u00e9giale est destin\u00e9e \u00e0 \u00eatre r\u00e9pliqu\u00e9e en pratique courante par d’autres coll\u00e8ges de k<\/em> praticiens.<\/p>\n

Cette approche par mod\u00e8le al\u00e9atoire \u00e0 deux facteurs offre une validit\u00e9 \u00e9cologique maximale pour l’homologation d’instruments psychom\u00e9triques \u00e0 diffusion internationale. Elle garantit \u00e0 l’utilisateur final d’un test que la fid\u00e9lit\u00e9 annonc\u00e9e dans le manuel technique ne refl\u00e8te pas une entente artificielle ou une idiosyncrasie locale restreinte aux seuls chercheurs ayant con\u00e7u l’\u00e9chelle, mais constitue une propri\u00e9t\u00e9 extrapolable \u00e0 l’ensemble du corps m\u00e9dical ou de la communaut\u00e9 scientifique.<\/p>\n

2.3 Le mod\u00e8le \u00e0 deux facteurs mixtes (Mod\u00e8le 3)<\/h3>\n

Le Mod\u00e8le 3<\/strong> s’applique aux situations exp\u00e9rimentales o\u00f9 les k<\/em> \u00e9valuateurs constituant le panel repr\u00e9sentent les seuls juges d’int\u00e9r\u00eat pour la recherche en cours, excluant toute volont\u00e9 de g\u00e9n\u00e9raliser les constats \u00e0 une population d’observateurs externes. Les juges sont alors conceptualis\u00e9s d’un point de vue statistique comme des effets fixes<\/em>, tandis que les sujets \u00e9valu\u00e9s demeurent des effets al\u00e9atoires<\/em> issus de la population clinique cible. C’est le design privil\u00e9gi\u00e9 lorsqu’un protocole d’essai clinique fait appel \u00e0 deux ou trois investigateurs seniors nomm\u00e9ment d\u00e9sign\u00e9s, form\u00e9s de mani\u00e8re intensive et dont les cotations centralis\u00e9es serviront \u00e0 arbitrer l’ensemble des crit\u00e8res d’\u00e9valuation tout au long de l’\u00e9tude.<\/p>\n

Sous ce mod\u00e8le mixte, deux questions m\u00e9trologiques distinctes n\u00e9cessitent une diff\u00e9renciation math\u00e9matique fondamentale formalis\u00e9e par McGraw et Wong (1996)<\/a> : la distinction entre coh\u00e9rence relative<\/strong> (consistency<\/em>) et accord absolu<\/strong> (absolute agreement<\/em>). Lorsque le chercheur s’int\u00e9resse \u00e0 la coh\u00e9rence relative, la variance syst\u00e9matique entre les \u00e9valuateurs est totalement neutralis\u00e9e du calcul du d\u00e9nominateur. Le CCI(3,1)<\/strong> en coh\u00e9rence relative v\u00e9rifie uniquement si les praticiens ordonnent les sujets de mani\u00e8re congruente le long du continuum pathologique, sans tenir compte du fait que l’un d’eux attribue syst\u00e9matiquement des notes d\u00e9cal\u00e9es de plusieurs unit\u00e9s par rapport aux autres.<\/p>\n

En revanche, si l’objectif de l’\u00e9valuation clinique implique une d\u00e9cision bas\u00e9e sur un seuil absolu (comme l’admission d’un patient en unit\u00e9 prot\u00e9g\u00e9e d\u00e8s lors que son score d\u00e9passe un score de 25), la coh\u00e9rence relative devient insuffisante et l’accord absolu sous Mod\u00e8le 3 doit \u00eatre calcul\u00e9. Le CCI(3,k) en coh\u00e9rence relative pr\u00e9sente par ailleurs une identit\u00e9 math\u00e9matique parfaite avec le coefficient Alpha de Cronbach, confirmant que la consistance interne d’un test compos\u00e9 de k<\/em> items peut \u00eatre formellement mod\u00e9lis\u00e9e comme la fid\u00e9lit\u00e9 inter-juges d’un panel fixe de k<\/em> observateurs \u00e9valuant les m\u00eames items.<\/p>\n

3. Distinction th\u00e9orique : CCI, Kappa de Cohen et corr\u00e9lation de Pearson<\/h2>\n

3.1 Limites de la corr\u00e9lation de Pearson pour mesurer l’accord<\/h3>\n

Une erreur persistante dans la litt\u00e9rature biom\u00e9dicale et psychologique consiste \u00e0 mobiliser le coefficient de corr\u00e9lation produit-moment de Pearson (r<\/em>) pour attester de la fid\u00e9lit\u00e9 ou de la reproductibilit\u00e9 inter-juges. Cette d\u00e9marche repose sur une confusion conceptuelle profonde entre association lin\u00e9aire<\/em> et accord m\u00e9trologique<\/em>. Le coefficient de Pearson mesure exclusivement la force et la direction d’une relation lin\u00e9aire entre deux distributions continues ; il \u00e9value \u00e0 quel point les points s’alignent le long d’une droite de r\u00e9gression de pente et d’ordonn\u00e9e \u00e0 l’origine quelconques, sans jamais imposer que cette droite corresponde \u00e0 la bissectrice d’identit\u00e9 parfaite (y = x<\/em>).<\/p>\n

Pour illustrer de mani\u00e8re frappante cette d\u00e9faillance m\u00e9thodologique, consid\u00e9rons une situation clinique fictive o\u00f9 deux psychiatres \u00e9valuent une cohorte de dix patients sur une \u00e9chelle d’agitation motrice variant de 0 \u00e0 100. Supposons que le clinicien A attribue successivement les scores (10, 20, 30, 40, 50, 60, 70, 80, 90, 100) et que le clinicien B attribue pour exactement les m\u00eames patients les scores (30, 40, 50, 60, 70, 80, 90, 100, 110, 120). Sur le plan statistique, le coefficient de corr\u00e9lation de Pearson entre ces deux s\u00e9ries est strictement \u00e9gal \u00e0 r = 1,00<\/strong>, sugg\u00e9rant \u00e0 tort une reproductibilit\u00e9 parfaite. Pourtant, il existe un biais syst\u00e9matique massif et constant de 20 points entre les deux praticiens, ce qui induirait des d\u00e9cisions diagnostiques diam\u00e9tralement oppos\u00e9es en pratique clinique.<\/p>\n

De surcro\u00eet, le formalisme de Pearson souffre d’une contrainte structurelle r\u00e9dhibitoire : il est intrins\u00e8quement bivari\u00e9 et ne peut traiter simultan\u00e9ment que deux observateurs. D\u00e8s lors qu’un protocole implique trois, quatre ou dix \u00e9valuateurs, le praticien appliquant Pearson est contraint de calculer une matrice de corr\u00e9lations par paires puis d’effectuer une moyenne arithm\u00e9tique de ces coefficients, une proc\u00e9dure math\u00e9matiquement invalide en raison de la non-lin\u00e9arit\u00e9 de la m\u00e9trique des coefficients r<\/em> et de l’interd\u00e9pendance des erreurs r\u00e9siduelles. Le CCI r\u00e9sout \u00e9l\u00e9gamment ces deux \u00e9cueils en p\u00e9nalisant les \u00e9carts d’\u00e9talonnage et en int\u00e9grant un nombre arbitraire de juges au sein d’une \u00e9quation unifi\u00e9e.<\/p>\n

3.2 Comparaison avec les coefficients Kappa de Cohen et Fleiss<\/h3>\n

Dans l’arsenal psychom\u00e9trique, le Kappa de Cohen (κ) et son extension multijuges, le Kappa de Fleiss, constituent les outils de r\u00e9f\u00e9rence pour \u00e9valuer la fid\u00e9lit\u00e9 inter-observateurs sur des variables strictement qualitatives ou cat\u00e9gorielles nominales. Ces statistiques mesurent la proportion d’accord observ\u00e9e au-del\u00e0 de celle attribuable au seul hasard probabiliste. Toutefois, leur application devient probl\u00e9matique d\u00e8s lors que les donn\u00e9es collect\u00e9es se pr\u00e9sentent sous forme d’\u00e9chelles de cotation ordinales \u00e9tendues, d’\u00e9chelles de type Likert en 7 ou 10 points, ou de mesures biom\u00e9triques continues. R\u00e9duire des scores continus \u00e0 des cat\u00e9gories arbitraires pour appliquer un Kappa entra\u00eene une perte massive d’information quantitative et diminue artificiellement la puissance statistique de l’\u00e9valuation.<\/p>\n

Le tableau comparatif suivant synth\u00e9tise les propri\u00e9t\u00e9s distinctives de ces m\u00e9triques m\u00e9trologiques :<\/p>\n\n\n\n\n\n\n\n\n\n
Indice Statistique<\/th>\nNature des Donn\u00e9es<\/th>\nNombre d’\u00c9valuateurs<\/th>\nSensibilit\u00e9 au Biais d’\u00c9chelle<\/th>\nMod\u00e9lisation des Sources d’Erreur<\/th>\n<\/tr>\n<\/thead>\n
Corr\u00e9lation de Pearson (r)<\/strong><\/td>\nContinues \/ Intervalles<\/td>\nExactement 2<\/td>\nInsensible (mesure la corr\u00e9lation lin\u00e9aire)<\/td>\nNulle (aucune d\u00e9composition de variance)<\/td>\n<\/tr>\n
Kappa de Cohen (κ)<\/strong><\/td>\nNominales \/ Cat\u00e9gorielles<\/td>\nExactement 2<\/td>\nSensible aux fr\u00e9quences marginales<\/td>\nAjustement pour l’accord fortuit uniquement<\/td>\n<\/tr>\n
Kappa de Fleiss<\/strong><\/td>\nNominales \/ Cat\u00e9gorielles<\/td>\nFixe ou variable (≥ 2)<\/td>\nSensible aux pr\u00e9valences asym\u00e9triques<\/td>\nCorrection al\u00e9atoire sans prise en compte de l’ordre<\/td>\n<\/tr>\n
CCI (Accord Absolu)<\/strong><\/td>\nContinues \/ Rangs \u00e9tendus<\/td>\nArbitraire (≥ 2)<\/td>\nHautement sensible aux d\u00e9calages syst\u00e9matiques<\/td>\nCompl\u00e8te (mod\u00e8les ANOVA \u00e0 composantes de variance)<\/td>\n<\/tr>\n
CCI (Coh\u00e9rence Relative)<\/strong><\/td>\nContinues \/ Rangs \u00e9tendus<\/td>\nArbitraire (≥ 2)<\/td>\nInsensible aux \u00e9carts syst\u00e9matiques additifs<\/td>\nIsole la variance d’interaction sujet-juge<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Il est fascinant de noter que la fronti\u00e8re math\u00e9matique entre le Kappa et le CCI n’est pas \u00e9tanche. Fleiss et Cohen ont eux-m\u00eames d\u00e9montr\u00e9 que lorsque le Kappa est pond\u00e9r\u00e9 quadratiquement (quadratic weighted Kappa<\/em>) pour p\u00e9naliser les d\u00e9saccords d’autant plus lourdement qu’ils s’\u00e9loignent de la diagonale d’accord sur une \u00e9chelle ordinale, ce coefficient devient formellement et alg\u00e9briquement \u00e9quivalent au CCI(2,1) d’accord absolu calcul\u00e9 sur les m\u00eames donn\u00e9es. Cette convergence th\u00e9orique r\u00e9affirme la supr\u00e9matie de l’approche par partitionnement de variance pour appr\u00e9hender la fid\u00e9lit\u00e9 inter-juges dans toute sa complexit\u00e9 m\u00e9trologique.<\/p>\n

4. Pr\u00e9paration et structuration des donn\u00e9es d’\u00e9valuation sous Excel<\/h2>\n

4.1 Organisation matricielle des lignes et des colonnes<\/h3>\n

La r\u00e9ussite de l’impl\u00e9mentation du CCI sous Microsoft Excel repose avant tout sur une rigueur topologique absolue dans la disposition matricielle de la feuille de calcul. L’Utilitaire d’analyse d’Excel traite les donn\u00e9es selon une convention d’orientation stricte qui ne tol\u00e8re aucune permutation. Les lignes<\/strong> doivent imp\u00e9rativement \u00eatre assign\u00e9es aux sujets cliniques<\/strong> (les unit\u00e9s statistiques \u00e9valu\u00e9es), tandis que les colonnes<\/strong> doivent \u00eatre d\u00e9di\u00e9es aux \u00e9valuateurs ou juges cliniciens<\/strong>. Si un protocole comprend l’\u00e9valuation de dix patients (num\u00e9rot\u00e9s de 1 \u00e0 10) par quatre psychiatres ind\u00e9pendants (Juges A, B, C et D), la matrice brute doit rigoureusement occuper la plage allant de la cellule A1 \u00e0 la cellule E11.<\/p>\n

La premi\u00e8re ligne doit \u00eatre consacr\u00e9e aux intitul\u00e9s d’en-t\u00eate clairs et explicites : la cellule A1 recevra l’\u00e9tiquette Identifiant<\/em> ou Sujet<\/em>, tandis que les cellules B1, C1, D1 et E1 recevront respectivement les \u00e9tiquettes Juge_1<\/em>, Juge_2<\/em>, Juge_3<\/em> et Juge_4<\/em>. Les lignes subsidiaires (A2 \u00e0 A11) accueilleront les identifiants textuels ou num\u00e9riques des sujets, et les cellules adjacentes (B2 \u00e0 E11) contiendront les scores quantitatifs attribu\u00e9s.<\/p>\n

Une r\u00e8gle m\u00e9thodologique non n\u00e9gociable sous Excel concerne le traitement des donn\u00e9es manquantes. L’algorithme d’ANOVA \u00e0 deux facteurs sans r\u00e9p\u00e9tition int\u00e9gr\u00e9 \u00e0 Excel est programm\u00e9 pour rejeter toute matrice pr\u00e9sentant la moindre cellule vide ou contenant des caract\u00e8res non num\u00e9riques au sein de la plage de donn\u00e9es. Si un praticien n’a pas pu \u00e9valuer l’un des sujets, la ligne enti\u00e8re de ce sujet doit \u00eatre supprim\u00e9e de l’analyse, ou bien le praticien concern\u00e9 doit \u00eatre exclu de l’\u00e9valuation pour pr\u00e9server un plan factoriel \u00e9quilibr\u00e9 et complet. L’imputation statistique de donn\u00e9es manquantes, bien que possible sous des progiciels avanc\u00e9s via l’algorithme EM ou des imputations multiples par \u00e9quations encha\u00een\u00e9es, ne doit pas \u00eatre improvis\u00e9e sous Excel sans une validation pr\u00e9alable rigoureuse.<\/p>\n

\"\"<\/figure>\n

4.2 V\u00e9rification des postulats distributionnels des scores<\/h3>\n

Le calcul du CCI d\u00e9rivant directement de l’ANOVA, son inf\u00e9rence statistique (notamment les tests de signification F et la construction des intervalles de confiance) repose sur plusieurs postulats fondamentaux : la normalit\u00e9 univari\u00e9e des distributions de scores au sein de chaque groupe de juges, l’homosc\u00e9dasticit\u00e9 des variances d’\u00e9valuation et l’absence de valeurs aberrantes r\u00e9sultant d’erreurs de frappe ou de saisie.<\/p>\n

Avant d’engager le calcul du CCI, l’exp\u00e9rimentateur doit v\u00e9rifier l’amplitude et la plausibilit\u00e9 des scores enregistr\u00e9s. Dans la plage situ\u00e9e sous la matrice de donn\u00e9es, il convient de programmer les fonctions de synth\u00e8se pour chaque colonne d’\u00e9valuation. Pour le Juge 1 occupant la plage B2:B11, l’insertion des formules =MIN(B2:B11)<\/strong> et =MAX(B2:B11)<\/strong> permet de s’assurer imm\u00e9diatement qu’aucun score n’outrepasse les bornes th\u00e9oriques permises par l’\u00e9chelle psychom\u00e9trique (par exemple un score de 78 saisi accidentellement sur une \u00e9chelle born\u00e9e \u00e0 50). L’examen de la moyenne via la fonction =MOYENNE(B2:B11)<\/strong> et de l’\u00e9cart-type d’\u00e9chantillon via =ECARTYPE.STANDARD(B2:B11)<\/strong> fournit un premier aper\u00e7u de la dispersion.<\/p>\n

La v\u00e9rification de l’asym\u00e9trie et de l’aplatissement de la distribution peut \u00eatre r\u00e9alis\u00e9e sous Excel au moyen des fonctions =COEFFICIENT.ASYMETRIE(B2:B11)<\/strong> et =KURTOSIS(B2:B11)<\/strong>. Des valeurs comprises entre -1,5 et +1,5 indiquent g\u00e9n\u00e9ralement que la distribution ne d\u00e9vie pas de mani\u00e8re critique de la normalit\u00e9 gaussienne. Si une violation massive de la normalit\u00e9 est d\u00e9tect\u00e9e, coupl\u00e9e \u00e0 une taille d’\u00e9chantillon restreinte (n<\/em> < 15), l’analyste devra garder \u00e0 l’esprit que les estimations ponctuelles du CCI demeurent robustes en tant que simples ratios de variance, mais que les intervalles de confiance param\u00e9triques associ\u00e9s perdront de leur exactitude probabiliste.<\/p>\n

5. Activation et configuration de l’Utilitaire d’analyse dans Excel<\/h2>\n

5.1 Proc\u00e9dure d’activation du compl\u00e9ment Analysis ToolPak<\/h3>\n

Microsoft Excel n’int\u00e8gre pas le calcul du CCI sous la forme d’une fonction native nativement pr\u00e9programm\u00e9e telle qu’une fonction hypoth\u00e9tique qui s’intitulerait =CCI()<\/em>. Pour g\u00e9n\u00e9rer les termes de variance n\u00e9cessaires, il est obligatoire d’activer au pr\u00e9alable le module compl\u00e9mentaire d’ing\u00e9nierie statistique intitul\u00e9 Utilitaire d’analyse<\/strong> (ou Analysis ToolPak<\/em> dans les environnements anglophones). Ce composant fait partie int\u00e9grante de la suite bureautique de Microsoft, mais demeure d\u00e9sactiv\u00e9 par d\u00e9faut lors d’une installation standard pour des raisons d’optimisation des ressources syst\u00e8me.<\/p>\n

La d\u00e9marche pour son activation sous les environnements Windows s’op\u00e8re selon une s\u00e9quence d’instructions univoque :<\/p>\n