{"id":7719,"date":"2026-09-16T23:30:31","date_gmt":"2026-09-16T23:30:31","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-variance-combinee-dans-r\/"},"modified":"2026-09-16T23:30:32","modified_gmt":"2026-09-16T23:30:32","slug":"comment-calculer-variance-combinee-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-variance-combinee-dans-r","title":{"rendered":"Comment calculer la variance combin\u00e9e dans R"},"content":{"rendered":"

L’\u00e9valuation de la variabilit\u00e9 constitue le socle m\u00e9thodologique sur lequel repose l’ensemble de l’inf\u00e9rence statistique contemporaine, tout particuli\u00e8rement au sein des sciences du comportement et de la psychologie quantitative. Lorsque les chercheurs s’attachent \u00e0 comparer des groupes exp\u00e9rimentaux ou des populations cliniques distinctes, la simple comparaison des moyennes s’av\u00e8re fondamentalement incompl\u00e8te, voire trompeuse, si elle n’est pas contextualis\u00e9e par une estimation rigoureuse de la dispersion sous-jacente des mesures. Dans ce cadre, la notion de variance combin\u00e9e \u2014 traditionnellement d\u00e9sign\u00e9e sous le vocable anglo-saxon de pooled variance<\/em> \u2014 \u00e9merge comme un estimateur d’une importance capitale. Elle permet de synth\u00e9tiser les fluctuations al\u00e9atoires internes \u00e0 plusieurs sous-\u00e9chantillons ind\u00e9pendants afin de fournir une approximation non biais\u00e9e et plus efficace de la variance commune de la population parente, renfor\u00e7ant ainsi la validit\u00e9 des tests d’hypoth\u00e8ses subs\u00e9quents.<\/p>\n

La mod\u00e9lisation statistique moderne, telle qu’elle s’articule dans les environnements de calcul de haute performance comme le langage de programmation statistique R, requiert une ma\u00eetrise approfondie des principes alg\u00e9briques et computationnels gouvernant cette agr\u00e9gation des variances. Loin de constituer une banale moyenne arithm\u00e9tique des variances d’\u00e9chantillons, la variance combin\u00e9e fait intervenir une pond\u00e9ration rigoureuse par les degr\u00e9s de libert\u00e9 respectifs de chaque sous-groupe. Ce m\u00e9canisme pr\u00e9serve la repr\u00e9sentativit\u00e9 math\u00e9matique des diff\u00e9rentes strates d’observation, en accordant un poids proportionnel \u00e0 la quantit\u00e9 d’information empirique apport\u00e9e par chaque cohorte. Qu’il s’agisse de calibrer le d\u00e9nominateur du classique test t<\/em> de Student pour \u00e9chantillons ind\u00e9pendants, de d\u00e9river le carr\u00e9 moyen r\u00e9siduel au sein d’une analyse de variance unidirectionnelle, ou encore de standardiser l’estimation d’une taille d’effet \u00e0 travers le calcul du d<\/em> de Cohen ou du g<\/em> de Hedges, la variance combin\u00e9e s’impose comme un pivot incontournable.<\/p>\n

Toutefois, l’usage de cet estimateur repose sur des postulats th\u00e9oriques stricts, au premier rang desquels figurent l’homosc\u00e9dasticit\u00e9 et la normalit\u00e9 de la distribution des r\u00e9sidus. En pratique, le chercheur ou l’analyste de donn\u00e9es utilisant l’\u00e9cosyst\u00e8me R se trouve r\u00e9guli\u00e8rement confront\u00e9 \u00e0 des dilemmes m\u00e9thodologiques : comment v\u00e9rifier formellement ces conditions d’application ? De quelle mani\u00e8re impl\u00e9menter l’algorithme arithm\u00e9tique de base ou concevoir des fonctions personnalis\u00e9es modulaires et d\u00e9fensives capables de traiter des architectures de donn\u00e9es complexes ? Ce trait\u00e9 exhaustif a pour ambition d’explorer de mani\u00e8re approfondie les dimensions th\u00e9oriques, math\u00e9matiques et informatiques de la variance combin\u00e9e dans R. En parcourant ses fondements \u00e9pist\u00e9mologiques, ses d\u00e9rivations matricielles et scalaires, ses impl\u00e9mentations pas \u00e0 pas en R de base ainsi que ses int\u00e9grations modernes dans l’\u00e9cosyst\u00e8me Tidyverse, ce guide offre une r\u00e9f\u00e9rence technique et conceptuelle compl\u00e8te destin\u00e9e aux chercheurs, psychom\u00e8tres et praticiens de la science des donn\u00e9es.<\/p>\n

1. Fondements conceptuels de la variance combin\u00e9e en psychologie quantitative<\/h2>\n

1.1 D\u00e9finition th\u00e9orique et principe d’agr\u00e9gation<\/h3>\n

Au sein de la mod\u00e9lisation statistique param\u00e9trique, la variance combin\u00e9e repr\u00e9sente un estimateur ponctuel synth\u00e9tique de la variabilit\u00e9 intra-groupe, obtenu en regroupant de mani\u00e8re pond\u00e9r\u00e9e les variances calcul\u00e9es sur deux ou plusieurs \u00e9chantillons ind\u00e9pendants. D’un point de vue th\u00e9orique, cette approche repose sur le postulat fondamental selon lequel les diff\u00e9rents groupes d’individus observ\u00e9s partagent une structure de variance populationnelle commune, not\u00e9e couramment σ2<\/sup>, m\u00eame si leurs tendances centrales respectives divergent sous l’effet d’un traitement exp\u00e9rimental ou d’une appartenance cat\u00e9gorielle distincte. L’agr\u00e9gation ne consiste nullement en une juxtaposition aveugle des donn\u00e9es brutes, mais plut\u00f4t en une int\u00e9gration r\u00e9fl\u00e9chie des dispersions internes, permettant de filtrer les fluctuations d’\u00e9chantillonnage propres \u00e0 chaque sous-ensemble.<\/p>\n

La justification \u00e9pist\u00e9mologique de ce regroupement dans les plans exp\u00e9rimentaux inter-sujets s’enracine dans la volont\u00e9 d’optimiser l’efficacit\u00e9 statistique. En agr\u00e9geant les informations relatives \u00e0 la dispersion au lieu d’estimer des variances s\u00e9par\u00e9es pour chaque condition, le statisticien r\u00e9duit l’erreur quadratique moyenne de l’estimateur final. Cette strat\u00e9gie s’av\u00e8re particuli\u00e8rement cruciale en psychologie quantitative, o\u00f9 la variabilit\u00e9 interindividuelle, tributaire de multiples sources de bruit de mesure et de sp\u00e9cificit\u00e9s psychom\u00e9triques, tend \u00e0 masquer les effets r\u00e9els des interventions ou des facteurs environnementaux.<\/p>\n

Il convient d’\u00e9tablir une diff\u00e9renciation fondamentale entre la variance combin\u00e9e et la variance globale non partitionn\u00e9e de l’ensemble des donn\u00e9es agglom\u00e9r\u00e9es. Lorsque l’on regroupe l’int\u00e9gralit\u00e9 des observations au sein d’un vecteur unique sans tenir compte de la variable de classification de groupe, la variance totale calcul\u00e9e int\u00e8gre m\u00e9caniquement l’\u00e9cart existant entre les moyennes des groupes. En d’autres termes, la variance globale regroupe \u00e0 la fois la variabilit\u00e9 intra-groupe (erreur pure) et la variabilit\u00e9 inter-groupe (effet du facteur). \u00c0 l’inverse, la variance combin\u00e9e isole et quantifie exclusivement la dispersion intra-groupe, en faisant abstraction de l’\u00e9cartement syst\u00e9matique induit par les diff\u00e9rences de moyennes, garantissant ainsi une mesure pure de l’al\u00e9a r\u00e9siduel.<\/p>\n

1.2 Importance dans l’inf\u00e9rence statistique et les tests d’hypoth\u00e8ses<\/h3>\n

Le r\u00f4le de la variance combin\u00e9e dans l’\u00e9difice de l’inf\u00e9rence statistique fr\u00e9quentiste se manifeste avec une nettet\u00e9 remarquable lors de l’estimation de l’erreur type de la diff\u00e9rence entre deux moyennes ind\u00e9pendantes. Dans le cadre canonique du test t<\/em> de Student, la variance combin\u00e9e intervient directement au d\u00e9nominateur du ratio de test pour pond\u00e9rer l’estimation de l’impr\u00e9cision d’\u00e9chantillonnage. En mutualisant l’estimation de la variance entre les deux conditions, le test gagne des degr\u00e9s de libert\u00e9 pr\u00e9cieux, ce qui resserre la distribution de r\u00e9f\u00e9rence de la statistique t<\/em> et affine la r\u00e9gion critique associ\u00e9e au rejet de l’hypoth\u00e8se nulle.<\/p>\n

Ce proc\u00e9d\u00e9 entretient un lien direct et indissociable avec le principe de parcimonie des param\u00e8tres, cher \u00e0 la mod\u00e9lisation lin\u00e9aire g\u00e9n\u00e9rale. En contraignant le mod\u00e8le \u00e0 estimer un unique param\u00e8tre de variance r\u00e9siduelle pour l’ensemble des conditions exp\u00e9rimentales au lieu d’allouer un param\u00e8tre distinct par groupe, le chercheur pr\u00e9serve les degr\u00e9s de libert\u00e9 du syst\u00e8me et stabilise l’inf\u00e9rence. Si le postulat d’une variance commune est v\u00e9rifi\u00e9, l’estimateur combin\u00e9 poss\u00e8de une variance d’\u00e9chantillonnage inf\u00e9rieure \u00e0 celle de tout estimateur individuel isol\u00e9, ce qui constitue la d\u00e9finition m\u00eame de la propri\u00e9t\u00e9 d’efficacit\u00e9 statistique selon les crit\u00e8res \u00e9tablis par Ronald Fisher et Jerzy Neyman.<\/p>\n

L’exactitude de cette estimation exerce un impact direct et d\u00e9terminant sur la puissance statistique des protocoles exp\u00e9rimentaux. Une sous-estimation accidentelle de la variance combin\u00e9e, r\u00e9sultant par exemple de l’\u00e9limination arbitraire de cas atypiques ou d’un biais d’\u00e9chantillonnage, produit une inflation inacceptable du taux d’erreur de premi\u00e8re esp\u00e8ce (α), conduisant \u00e0 d\u00e9tecter des effets illusoires. Inversement, une surestimation due \u00e0 une mauvaise gestion m\u00e9thodologique de la variance dilate artificiellement l’erreur type, r\u00e9duisant drastiquement la probabilit\u00e9 de rejeter une hypoth\u00e8se nulle fausse et p\u00e9nalisant de facto la puissance des \u00e9tudes comportementales.<\/p>\n

1.3 Applications typiques en sciences comportementales<\/h3>\n

Les protocoles de recherche en psychologie clinique et en sciences cognitives fournissent une illustration \u00e9clatante de la n\u00e9cessit\u00e9 d’utiliser la variance combin\u00e9e. Consid\u00e9rons par exemple la comparaison de scores d’anxi\u00e9t\u00e9 standardis\u00e9s, mesur\u00e9s \u00e0 l’aide de l’inventaire STAI (State-Trait Anxiety Inventory), entre un \u00e9chantillon de patients admis en institution psychiatrique et un groupe contr\u00f4le appari\u00e9 issu de la population g\u00e9n\u00e9rale. L’hypoth\u00e8se de travail postule souvent que, bien que le niveau moyen d’anxi\u00e9t\u00e9 soit nettement plus \u00e9lev\u00e9 dans la cohorte clinique, les processus g\u00e9n\u00e9rateurs de variabilit\u00e9 biologique et psychologique sous-jacents demeurent \u00e9quivalents d’un groupe \u00e0 l’autre, justifiant ainsi l’usage d’une estimation combin\u00e9e de la dispersion.<\/p>\n

Un autre cas embl\u00e9matique r\u00e9side dans l’\u00e9valuation de l’efficacit\u00e9 d’interventions psychoth\u00e9rapeutiques br\u00e8ves \u00e0 travers des plans parall\u00e8les pr\u00e9-test\/post-test. Lorsque les chercheurs quantifient le changement psychom\u00e9trique suite \u00e0 une th\u00e9rapie cognitivo-comportementale versus une th\u00e9rapie bas\u00e9e sur la pleine conscience, l’analyse porte fr\u00e9quemment sur des scores de changement ou sur des contrastes en fin de protocole. Le recours \u00e0 la variance combin\u00e9e permet ici d’obtenir une m\u00e9trique d’erreur de mesure commune indispensable pour \u00e9valuer si l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des r\u00e9ponses individuelles au traitement exc\u00e8de ce que le simple hasard pr\u00e9dirait sous l’action d’une variabilit\u00e9 basale constante.<\/p>\n

Enfin, dans les paradigmes d’attention s\u00e9lective ou de psychologie cognitive exp\u00e9rimentale, la mesure des temps de r\u00e9action chronom\u00e9triques standardis\u00e9s requiert une manipulation rigoureuse de la dispersion. Face \u00e0 des t\u00e2ches de type Stroop ou Posner, les latences de r\u00e9ponse affichent r\u00e9guli\u00e8rement une dispersion intra-condition qui doit \u00eatre agr\u00e9g\u00e9e m\u00e9thodiquement entre les blocs de conditions congruentes et incongrues, assurant ainsi la robustesse des comparaisons inter-groupes et fournissant une base stable pour le calcul standardis\u00e9 des indices de discrimination perceptive.<\/p>\n

2. Formulation math\u00e9matique et d\u00e9rivation analytique de sp2<\/h2>\n

2.1 \u00c9quation classique pour deux \u00e9chantillons ind\u00e9pendants<\/h3>\n

La d\u00e9rivation formelle de la variance combin\u00e9e, universellement d\u00e9sign\u00e9e par le symbole s<\/em>p<\/sub>2<\/sup> (o\u00f9 l’indice p renvoie au terme pooled<\/em>), repose sur une formulation arithm\u00e9tique rigoureuse pond\u00e9r\u00e9e par les degr\u00e9s de libert\u00e9. Pour deux \u00e9chantillons ind\u00e9pendants not\u00e9s 1 et 2, comprenant respectivement des tailles d’\u00e9chantillons n<\/em>1<\/sub> et n<\/em>2<\/sub>, ainsi que des variances \u00e9chantillonnales sans biais s<\/em>1<\/sub>2<\/sup> et s<\/em>2<\/sub>2<\/sup>, l’expression canonique s’\u00e9nonce comme suit :<\/p>\n

s<\/em>p<\/sub>2<\/sup> = [ (n<\/em>1<\/sub> – 1) s<\/em>1<\/sub>2<\/sup> + (n<\/em>2<\/sub> – 1) s<\/em>2<\/sub>2<\/sup> ] \/ (n<\/em>1<\/sub> + n<\/em>2<\/sub> – 2)<\/p>\n

Chacune des composantes de cette \u00e9galit\u00e9 poss\u00e8de une signification statistique pr\u00e9cise. Les grandeurs n<\/em>1<\/sub> et n<\/em>2<\/sub> repr\u00e9sentent les effectifs stricts des observations collig\u00e9es dans chaque groupe respectif. Les termes s<\/em>1<\/sub>2<\/sup> et s<\/em>2<\/sub>2<\/sup> d\u00e9signent les estimateurs quasi-sans biais des variances de chaque \u00e9chantillon, calcul\u00e9s en divisant la somme des carr\u00e9s des \u00e9carts \u00e0 la moyenne respective par leur degr\u00e9 de libert\u00e9 propre (c’est-\u00e0-dire n<\/em>1<\/sub> – 1 et n<\/em>2<\/sub> – 1). Par cons\u00e9quent, le produit (n<\/em>1<\/sub> – 1) s<\/em>1<\/sub>2<\/sup> reconstitue exactement la somme des carr\u00e9s des \u00e9carts (Sum of Squares, SS) pour le premier groupe, et il en va rigoureusement de m\u00eame pour le second groupe.<\/p>\n

Le d\u00e9nominateur de cette relation fondamentale, formalis\u00e9 par n<\/em>1<\/sub> + n<\/em>2<\/sub> – 2, correspond \u00e0 l’addition directe des degr\u00e9s de libert\u00e9 associ\u00e9s aux deux \u00e9chantillons individuels : df<\/em>total<\/sub> = (n<\/em>1<\/sub> – 1) + (n<\/em>2<\/sub> – 1). La soustraction de deux unit\u00e9s traduit math\u00e9matiquement la perte de deux degr\u00e9s de libert\u00e9 impos\u00e9e par l’estimation pr\u00e9alable et indispensable de deux moyennes d’\u00e9chantillons distinctes (&ymacr;1<\/sub> et &ymacr;2<\/sub>). Ce d\u00e9nominateur agit comme un facteur de normalisation exact, garantissant que l’esp\u00e9rance math\u00e9matique de la variance combin\u00e9e converge rigoureusement vers le param\u00e8tre populationnel inconnu σ2<\/sup>.<\/p>\n

2.2 Pond\u00e9ration par les degr\u00e9s de libert\u00e9 versus moyenne arithm\u00e9tique simple<\/h3>\n

Il est fr\u00e9quent d’observer chez les statisticiens n\u00e9ophytes la tentation erron\u00e9e de proc\u00e9der \u00e0 un calcul fond\u00e9 sur la moyenne arithm\u00e9tique simple des variances, consistant \u00e0 poser (s<\/em>1<\/sub>2<\/sup> + s<\/em>2<\/sub>2<\/sup>) \/ 2. Cette formulation simpliste n’est valide que dans le cas particulier et id\u00e9al o\u00f9 les tailles d’\u00e9chantillons sont rigoureusement identiques (n<\/em>1<\/sub> = n<\/em>2<\/sub>). D\u00e8s lors que les cohortes sont d\u00e9s\u00e9quilibr\u00e9es (n<\/em>1<\/sub> ≠ n<\/em>2<\/sub>), la moyenne arithm\u00e9tique simple introduit un biais substantiel dans l’estimation de la variance r\u00e9siduelle globale, en attribuant \u00e0 tort un poids d\u00e9mesur\u00e9 au groupe comportant le plus petit nombre d’observations.<\/p>\n

La d\u00e9monstration de ce biais est imm\u00e9diate d\u00e8s lors que l’on examine la nature probabiliste de la pr\u00e9cision d’un estimateur. Un groupe comptant un effectif massif de 200 participants apporte une stabilit\u00e9 stochastique infiniment sup\u00e9rieure \u00e0 celle d’un groupe restreint de 15 sujets. Accorder \u00e0 la variance de ces deux \u00e9chantillons une pond\u00e9ration \u00e9gale de 50 % revient \u00e0 ignorer la r\u00e9duction substantielle de la variance d’\u00e9chantillonnage inh\u00e9rente au grand groupe. L’\u00e9quation de la variance combin\u00e9e rectifie pr\u00e9cis\u00e9ment cette distorsion en conf\u00e9rant \u00e0 chaque somme de carr\u00e9s un poids proportionnel \u00e0 son propre degr\u00e9 de libert\u00e9, mat\u00e9rialisant ainsi le th\u00e9or\u00e8me de Gauss-Markov relatif aux estimateurs lin\u00e9aires sans biais de variance minimale (BLUE).<\/p>\n

D’un point de vue asymptotique, la convergence de l’estimateur combin\u00e9 s’appuie directement sur la loi des grands nombres<\/a>. Lorsque la somme cumul\u00e9e des effectifs tend vers l’infini, la variance combin\u00e9e s<\/em>p<\/sub>2<\/sup> converge presque s\u00fbrement vers la variance th\u00e9orique σ2<\/sup> commune aux populations sous-jacentes. Les fluctuations d’\u00e9chantillonnage de chaque variance locale s’annulent mutuellement, offrant une pr\u00e9cision d’estimation inaccessible \u00e0 partir de l’analyse isol\u00e9e d’un \u00e9chantillon individuel de taille modeste.<\/p>\n

2.3 Relation formelle avec la variance r\u00e9siduelle de l’ANOVA<\/h3>\n

L’analyse alg\u00e9brique approfondie de la variance combin\u00e9e met en lumi\u00e8re son identit\u00e9 math\u00e9matique absolue avec le carr\u00e9 moyen r\u00e9siduel (couramment not\u00e9 MSE pour Mean Squared Error<\/em> ou CME<\/sub> pour Carr\u00e9 Moyen de l’Erreur) obtenu dans le cadre d’une analyse de variance<\/a> (ANOVA) \u00e0 un facteur inter-sujets. Dans un mod\u00e8le lin\u00e9aire o\u00f9 une variable d\u00e9pendante continue est expliqu\u00e9e par un facteur cat\u00e9goriel dichotomique, l’ANOVA partitionne la somme totale des carr\u00e9s en une somme des carr\u00e9s inter-groupes (SSB ou Sum of Squares Between<\/em>) et une somme des carr\u00e9s intra-groupes (SSW ou Sum of Squares Within<\/em>).<\/p>\n

Or, la somme des carr\u00e9s intra-groupes s’\u00e9crit formellement comme l’accumulation des d\u00e9viations quadratiques des scores individuels par rapport \u00e0 la moyenne de leur propre condition d’appartenance : SSW = ∑ (y<\/em>i<\/em>1<\/sub> – &ymacr;1<\/sub>)2<\/sup> + ∑ (y<\/em>i<\/em>2<\/sub> – &ymacr;2<\/sub>)2<\/sup>. Par d\u00e9finition m\u00eame de la variance \u00e9chantillonnale, cette sommation \u00e9quivaut exactement au num\u00e9rateur de la formule de la variance combin\u00e9e : SSW = (n<\/em>1<\/sub> – 1) s<\/em>1<\/sub>2<\/sup> + (n<\/em>2<\/sub> – 1) s<\/em>2<\/sub>2<\/sup>. Lorsque cette somme de carr\u00e9s intra-groupe est rapport\u00e9e \u00e0 ses degr\u00e9s de libert\u00e9 r\u00e9siduels df<\/em>W<\/sub> = (n<\/em>1<\/sub> + n<\/em>2<\/sub> – 2), le quotient obtenu n’est autre que le carr\u00e9 moyen de l’erreur : MSE = SSW \/ df<\/em>W<\/sub>.<\/p>\n

Cette passerelle analytique met en \u00e9vidence la continuit\u00e9 conceptuelle unissant les tests de comparaison bivari\u00e9s et les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux. La variance combin\u00e9e n’est donc point un artifice circonscrit au test t<\/em> de Student \u00e0 deux groupes, mais constitue la mat\u00e9rialisation la plus fondamentale de l’estimation de la variance d’erreur non expliqu\u00e9e d’un mod\u00e8le statistique, pr\u00e9figurant l’ensemble des d\u00e9compositions factorielles avanc\u00e9es rencontr\u00e9es en mod\u00e9lisation multivari\u00e9e.<\/p>\n

3. Hypoth\u00e8ses sous-jacentes et conditions d’application rigoureuses<\/h2>\n

3.1 L’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 des variances (homosc\u00e9dasticit\u00e9)<\/h3>\n

La validit\u00e9 math\u00e9matique et l’optimalit\u00e9 inf\u00e9rentielle de la variance combin\u00e9e reposent sur une hypoth\u00e8se de distribution primordiale : l’homosc\u00e9dasticit\u00e9. Ce postulat exige formellement l’\u00e9galit\u00e9 parfaite des variances populationnelles sous-jacentes d’o\u00f9 sont extraits les \u00e9chantillons exp\u00e9rimentaux, soit σ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup> = σ2<\/sup>. Lorsque cette \u00e9galit\u00e9 est rompue, on parle d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, un \u00e9tat qui alt\u00e8re radicalement les propri\u00e9t\u00e9s distributives de la statistique de test calcul\u00e9e \u00e0 partir de la variance combin\u00e9e.<\/p>\n

Les cons\u00e9quences de la violation de ce postulat sont s\u00e9v\u00e8res, particuli\u00e8rement sur la probabilit\u00e9 de commettre une erreur de premi\u00e8re esp\u00e8ce (α). Lorsque les variances th\u00e9oriques sont divergentes mais que le statisticien applique ind\u00fbment l’algorithme de la variance combin\u00e9e, l’erreur type estim\u00e9e est fauss\u00e9e. La gravit\u00e9 de cette distorsion d\u00e9pend \u00e9troitement du degr\u00e9 de d\u00e9s\u00e9quilibre entre les tailles d’\u00e9chantillons respectives. Si le groupe de grand effectif pr\u00e9sente la plus petite variance, la variance combin\u00e9e sous-estime l’erreur type r\u00e9elle de la diff\u00e9rence de moyenne, provoquant une augmentation artificielle du taux d’erreur α, parfois au-del\u00e0 de 20 % pour un seuil nominal fix\u00e9 \u00e0 5 %.<\/p>\n

Inversement, si l’\u00e9chantillon le plus restreint pr\u00e9sente la variance la plus faible, l’agr\u00e9gation pond\u00e9r\u00e9e va sur\u00e9valuer l’erreur type, rendant le test excessivement conservateur et d\u00e9truisant sa puissance statistique empirique. Cette interaction d\u00e9l\u00e9t\u00e8re entre l’in\u00e9galit\u00e9 des variances et le d\u00e9s\u00e9quilibre des effectifs impose une vigilance m\u00e9thodologique constante, exigeant la mise en \u0153uvre de diagnostics pr\u00e9alables de la dispersion avant toute d\u00e9cision de mutualisation des variances.<\/p>\n

3.2 Normalit\u00e9 distributionnelle des r\u00e9sidus<\/h3>\n

Outre l’homosc\u00e9dasticit\u00e9, l’inf\u00e9rence reposant sur la variance combin\u00e9e pr\u00e9suppose que les erreurs de mesure ou r\u00e9sidus intra-groupes suivent une distribution normale (gaussienne). Bien que l’estimation de la variance d’\u00e9chantillon s<\/em>2<\/sup> demeure un estimateur sans biais de σ2<\/sup> m\u00eame sous des lois de probabilit\u00e9s non gaussiennes, la distribution d’\u00e9chantillonnage de cet estimateur n’ob\u00e9it fid\u00e8lement \u00e0 une loi du Khi-deux redimensionn\u00e9e que sous l’hypoth\u00e8se stricte de normalit\u00e9 univari\u00e9e au sein de chaque population observ\u00e9e.<\/p>\n

La variance est une statistique particuli\u00e8rement vuln\u00e9rable aux valeurs aberrantes ou extr\u00eames (outliers) ainsi qu’aux distributions caract\u00e9ris\u00e9es par un kurtosis \u00e9lev\u00e9 (leptokurtiques). La pr\u00e9sence de quelques observations situ\u00e9es \u00e0 plusieurs \u00e9carts-types de la moyenne locale va gonfler artificiellement la somme des carr\u00e9s des \u00e9carts, provoquant une distorsion majeure de la variance de l’\u00e9chantillon concern\u00e9 et, par voie de cons\u00e9quence, de la variance combin\u00e9e finale. Cette sensibilit\u00e9 accrue peut conduire \u00e0 masquer des effets de groupe statistiquement r\u00e9els en \u00e9largissant artificiellement les intervalles de confiance.<\/p>\n

Toutefois, en vertu du th\u00e9or\u00e8me central limite, lorsque les tailles d’\u00e9chantillons atteignent des seuils substantiels couramment rencontr\u00e9s dans les protocoles de validation psychom\u00e9trique (par exemple n<\/em> ≥ 50 par groupe), la robustesse relative de l’inf\u00e9rence face \u00e0 des d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9 est g\u00e9n\u00e9ralement assur\u00e9e. En revanche, pour des cohortes cliniques rares ou de tr\u00e8s petits \u00e9chantillons (n<\/em> < 15), la non-normalit\u00e9 associ\u00e9e \u00e0 l’asym\u00e9trie s\u00e9v\u00e8re invalide totalement l’usage sans correction de l’estimateur combin\u00e9 classique.<\/p>\n

3.3 Ind\u00e9pendance stricte des observations<\/h3>\n

Le troisi\u00e8me imp\u00e9ratif sous-tendant le recours \u00e0 la variance combin\u00e9e est l’ind\u00e9pendance statistique absolue des unit\u00e9s d’observation, tant \u00e0 l’int\u00e9rieur de chaque \u00e9chantillon qu’entre les groupes exp\u00e9rimentaux compar\u00e9s. Math\u00e9matiquement, la covariance entre deux observations distinctes quelconques y<\/em>ij<\/em><\/sub> et y<\/em>kl<\/em><\/sub> doit \u00eatre rigoureusement nulle : Cov(y<\/em>ij<\/em><\/sub>, y<\/em>kl<\/em><\/sub>) = 0 pour tout i<\/em> ≠ k<\/em> ou j<\/em> ≠ l<\/em>. Ce postulat garantit que chaque score apporte une information v\u00e9ritablement nouvelle et d\u00e9corr\u00e9l\u00e9e au calcul de la dispersion.<\/p>\n

Cette exigence disqualifie formellement la variance combin\u00e9e inter-sujets standard dans le cas de mesures r\u00e9p\u00e9t\u00e9es, d’\u00e9tudes longitudinales ou de protocoles \u00e0 \u00e9chantillons appari\u00e9s. Si un m\u00eame participant est \u00e9valu\u00e9 \u00e0 plusieurs moments successifs, ou si des sujets sont regroup\u00e9s par dyades sur la base de caract\u00e9ristiques partag\u00e9es (jumeaux, couples, fratries), une covariance positive substantielle lie les mesures. Ignorer cette structure d’autocorr\u00e9lation en agr\u00e9geant les variances comme s’il s’agissait de groupes autonomes entra\u00eene une estimation erron\u00e9e de l’erreur type, compromettant l’ensemble de la cha\u00eene inf\u00e9rentielle.<\/p>\n

De surcro\u00eet, la pr\u00e9sence de structures hi\u00e9rarchiques ou d’effets de grappes (clustering<\/em>) non mod\u00e9lis\u00e9s \u2014 tels que des \u00e9l\u00e8ves nich\u00e9s dans des classes scolaires ou des patients pris en charge par des th\u00e9rapeutes sp\u00e9cifiques \u2014 engendre une violation pernicieuse de l’ind\u00e9pendance. Dans ces conditions, la variance combin\u00e9e naive tend \u00e0 sous-estimer la variance r\u00e9siduelle r\u00e9elle en ignorant la corr\u00e9lation intra-classe, conduisant \u00e0 des inf\u00e9rences ind\u00fbment optimistes qui requi\u00e8rent l’abandon des mod\u00e8les classiques au profit d’approches multiniveaux ou \u00e0 effets mixtes.<\/p>\n

4. Configuration de l’environnement R et structure des donn\u00e9es<\/h2>\n

4.1 Pr\u00e9paration de la session de travail R<\/h3>\n

Pour mener \u00e0 bien le calcul et la mod\u00e9lisation de la variance combin\u00e9e de mani\u00e8re reproductible et p\u00e9renne, il est imp\u00e9ratif d’adopter une d\u00e9marche de programmation rigoureuse au sein de la session de travail R. La premi\u00e8re exigence m\u00e9thodologique r\u00e9side dans l’initialisation explicite du g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires au moyen de l’instruction set.seed()<\/code>. Ce verrouillage garantit que toute g\u00e9n\u00e9ration synth\u00e9tique de donn\u00e9es ou proc\u00e9dure de r\u00e9\u00e9chantillonnage produira des r\u00e9sultats strictement identiques lors de r\u00e9ex\u00e9cutions ult\u00e9rieures du script, satisfaisant ainsi aux exigences de la science ouverte.<\/p>\n

Il est \u00e9galement recommand\u00e9 d’op\u00e9rer dans un environnement de base \u00e9pur\u00e9, exempt d’objets r\u00e9siduels en m\u00e9moire, et de minimiser le chargement de d\u00e9pendances externes superflues lors des phases de d\u00e9veloppement initial. Le langage R dispose nativement, \u00e0 travers son socle base<\/code> et le package stats<\/code>, de l’ensemble des primitives math\u00e9matiques et matricielles indispensables au calcul exact de la dispersion sans qu’il soit imp\u00e9ratif de solliciter imm\u00e9diatement des biblioth\u00e8ques tierces.<\/p>\n

Une bonne pratique structurante consiste \u00e0 configurer des options d’affichage adapt\u00e9es, notamment la gestion du nombre de d\u00e9cimales via la directive options(digits = 5)<\/code>, ainsi que la proscription des facteurs implicites non contr\u00f4l\u00e9s dans les versions ant\u00e9rieures \u00e0 la branche R 4.0. Le script analytique gagne \u00e0 \u00eatre articul\u00e9 en sections clairement d\u00e9limit\u00e9es par des commentaires m\u00e9thodologiques, isolant la g\u00e9n\u00e9ration des structures de donn\u00e9es, les algorithmes de calcul manuel, et les \u00e9tapes de diagnostic de validit\u00e9.<\/p>\n

4.2 Mod\u00e9lisation d’un jeu de donn\u00e9es psychologiques repr\u00e9sentatif<\/h3>\n

Afin d’ancrer les d\u00e9monstrations dans une r\u00e9alit\u00e9 clinique tangible, \u00e9laborons un jeu de donn\u00e9es simulant une \u00e9tude en psychopathologie exp\u00e9rimentale. Imaginons la passation d’un inventaire d’auto-\u00e9valuation de la d\u00e9pression aupr\u00e8s de deux cohortes de participants : un groupe t\u00e9moin sain (Groupe 1) et un groupe de patients pr\u00e9sentant un trouble d\u00e9pressif caract\u00e9ris\u00e9 mod\u00e9r\u00e9 (Groupe 2). Les scores continus sont g\u00e9n\u00e9r\u00e9s selon des lois normales th\u00e9oriques dont nous fixons arbitrairement les param\u00e8tres pour les besoins de l’illustration.<\/p>\n

Dans un premier temps, les donn\u00e9es peuvent \u00eatre repr\u00e9sent\u00e9es sous la forme de deux vecteurs num\u00e9riques distincts, x1<\/code> et x2<\/code>. Le premier vecteur re\u00e7oit par exemple 25 observations caract\u00e9ris\u00e9es par une moyenne th\u00e9orique de 14 et un \u00e9cart-type de 4. Le second vecteur agr\u00e8ge 35 observations refl\u00e9tant une moyenne plus \u00e9lev\u00e9e de 22, tout en partageant, pour respecter notre hypoth\u00e8se de travail, un \u00e9cart-type similaire de 4. L’utilisation de la fonction rnorm()<\/code> permet de concr\u00e9tiser cette simulation num\u00e9rique tout en assurant un contr\u00f4le fin des propri\u00e9t\u00e9s distributionnelles.<\/p>\n

Dans un second temps, pour r\u00e9pondre aux standards de l’analyse computationnelle contemporaine, il convient d’organiser ces m\u00eames observations au format tabulaire long (tidy data<\/em>). Nous structurons ainsi un objet de type data.frame<\/code> r\u00e9unissant une variable d\u00e9pendante continue, d\u00e9sign\u00e9e par exemple sous le terme score<\/code>, et une variable ind\u00e9pendante cat\u00e9gorielle binaire cod\u00e9e sous forme de facteur, groupe<\/code>, identifiant formellement l’appartenance de chaque unit\u00e9 statistique \u00e0 la condition t\u00e9moin ou \u00e0 la condition clinique.<\/p>\n

\"\"<\/figure>\n

4.3 Exploration descriptive pr\u00e9liminaire des donn\u00e9es<\/h3>\n

Avant d’engager toute proc\u00e9dure de mutualisation des variances, une inspection descriptive syst\u00e9matique des distributions empiriques s’impose. Cette \u00e9tape liminaire permet de d\u00e9celer d’\u00e9ventuelles asym\u00e9tries prononc\u00e9es, des valeurs aberrantes ou des divergences criantes de dispersion qui mettraient en p\u00e9ril l’ad\u00e9quation du mod\u00e8le combin\u00e9. L’extraction des effectifs respectifs s’effectue simplement via les fonctions length()<\/code> pour les vecteurs ou table(groupe)<\/code> sur la variable cat\u00e9gorielle du tableau de donn\u00e9es.<\/p>\n

Les indicateurs de position et de dispersion locale doivent \u00eatre syst\u00e9matiquement calcul\u00e9s pour chaque sous-\u00e9chantillon. \u00c0 l’aide des fonctions mean()<\/code> et sd()<\/code>, l’analyste obtient la moyenne et l’\u00e9cart-type de chaque condition. Il est capital de v\u00e9rifier que la variance de l’\u00e9chantillon, accessible par la fonction var()<\/code>, correspond bien \u00e0 l’estimateur sans biais divis\u00e9 par n<\/em> – 1. Cette v\u00e9rification pr\u00e9vient toute m\u00e9prise ult\u00e9rieure dans la recomposition des sommes de carr\u00e9s intra-groupes.<\/p>\n

Enfin, l’exploration graphique vient corroborer ces synth\u00e8ses num\u00e9riques. La production conjointe de diagrammes en bo\u00eete (boxplots<\/em>) et de trac\u00e9s de densit\u00e9 de probabilit\u00e9 superpos\u00e9s \u00e0 l’aide des fonctions de base boxplot()<\/code> et plot(density())<\/code> permet de confronter visuellement la dispersion des deux groupes. Si les bo\u00eetes pr\u00e9sentent des largeurs d’\u00e9cart interquartile drastiquement disparates ou si les queues de distribution manifestent un \u00e9talement asym\u00e9trique marqu\u00e9, la prudence statistique commande d’approfondir les diagnostics formels d’homog\u00e9n\u00e9it\u00e9 avant de valider l’usage de la variance combin\u00e9e.<\/p>\n

5. Calcul pas \u00e0 pas de la variance combin\u00e9e en R base<\/h2>\n

5.1 Extraction des statistiques descriptives fondamentales<\/h3>\n

L’impl\u00e9mentation algorithmique de la variance combin\u00e9e dans le dialecte R de base repose sur l’extraction pr\u00e9alable et explicite des briques statistiques fondamentales constituant chaque sous-ensemble d’observation. Supposons deux vecteurs num\u00e9riques x1<\/code> et x2<\/code> repr\u00e9sentant nos deux groupes ind\u00e9pendants. La premi\u00e8re op\u00e9ration consiste \u00e0 isoler leurs effectifs respectifs par l’interm\u00e9diaire de la fonction primitive length()<\/code>, assign\u00e9s aux identifiants n1<\/code> et n2<\/code>.<\/p>\n

La seconde op\u00e9ration implique l’extraction directe des variances \u00e9chantillonnales individuelles, d\u00e9not\u00e9es s1_sq<\/code> et s2_sq<\/code>, en exploitant la fonction var()<\/code>. Il est utile de rappeler ici que le moteur de calcul sous-jacent de la fonction var()<\/code> dans R applique par d\u00e9faut la correction de Bessel au d\u00e9nominateur, divisant la somme des carr\u00e9s centr\u00e9s par n<\/em> – 1 et non par n<\/em>. Cette propri\u00e9t\u00e9 native assure que les grandeurs obtenues correspondent rigoureusement aux estimateurs sans biais requis pour notre \u00e9quation.<\/p>\n

Ces \u00e9l\u00e9ments interm\u00e9diaires gagnent \u00e0 \u00eatre stock\u00e9s dans des variables distinctes au sein de l’environnement global de travail. Cette dissociation des \u00e9tapes computationnelles favorise la lisibilit\u00e9 du code, facilite les op\u00e9rations de d\u00e9bogage et permet d’\u00e9viter toute redondance de calculs matriciels lourds lors de l’int\u00e9gration ult\u00e9rieure dans des architectures de boucles ou de simulations de Monte-Carlo.<\/p>\n

5.2 Impl\u00e9mentation de l’algorithme arithm\u00e9tique<\/h3>\n

Une fois les statistiques locales extraites et isol\u00e9es en m\u00e9moire, l’impl\u00e9mentation de l’algorithme arithm\u00e9tique complet suit pas \u00e0 pas la d\u00e9rivation analytique expos\u00e9e \u00e0 la section 2.1. La premi\u00e8re \u00e9tape consiste \u00e0 reconstituer la somme des carr\u00e9s des d\u00e9viations propres \u00e0 chaque groupe en multipliant leur variance respective par leur degr\u00e9 de libert\u00e9 individuel : ss1 <- (n1 - 1) * s1_sq<\/code> et ss2 <- (n2 - 1) * s2_sq<\/code>.<\/p>\n

La sommation de ces deux valeurs interm\u00e9diaires engendre la somme totale des carr\u00e9s intra-groupe (la SSW de l’ANOVA) : ss_within <- ss1 + ss2<\/code>. Concomitamment, le total des degr\u00e9s de libert\u00e9 r\u00e9siduels s’obtient par la simple addition arithm\u00e9tique : df_total <- (n1 - 1) + (n2 - 1)<\/code>, qui s’exprime de fa\u00e7on \u00e9quivalente sous la syntaxe condens\u00e9e df_total <- n1 + n2 - 2<\/code>.<\/p>\n

L’op\u00e9ration terminale consiste \u00e0 op\u00e9rer le quotient rigoureux de cette somme des carr\u00e9s par ses degr\u00e9s de libert\u00e9 associ\u00e9s : sp2 <- ss_within \/ df_total<\/code>. Le scalaire num\u00e9rique r\u00e9sultant, stock\u00e9 sous sp2<\/code>, repr\u00e9sente la variance combin\u00e9e exacte. Cette d\u00e9marche \u00e9tape par \u00e9tape permet de contr\u00f4ler chaque phase du processus d’estimation, garantissant une conformit\u00e9 absolue avec les th\u00e9or\u00e8mes fondamentaux de l’\u00e9chantillonnage param\u00e9trique.<\/p>\n

5.3 D\u00e9rivation de l’\u00e9cart-type combin\u00e9 (pooled standard deviation)<\/h3>\n

Bien que la variance combin\u00e9e poss\u00e8de des propri\u00e9t\u00e9s math\u00e9matiques optimales pour le calcul alg\u00e9brique des tests statistiques, elle souffre d’un d\u00e9faut interpr\u00e9tatif majeur : son unit\u00e9 d’expression est le carr\u00e9 de l’unit\u00e9 originale de la variable mesur\u00e9e. Pour restituer la dispersion commune dans l’\u00e9chelle d’\u00e9valuation originelle des participants \u2014 qu’il s’agisse de points \u00e0 un questionnaire de d\u00e9pression ou de millisecondes lors d’une \u00e9preuve cognitive \u2014, il est imp\u00e9ratif d’extraire la racine carr\u00e9e de la variance combin\u00e9e.<\/p>\n

Cette grandeur, d\u00e9sign\u00e9e sous l’appellation d’\u00e9cart-type combin\u00e9 (pooled standard deviation<\/em>) et not\u00e9e s<\/em>p<\/sub>, s’obtient imm\u00e9diatement dans R par l’application de la fonction sqrt()<\/code> : sp <- sqrt(sp2)<\/code>. Contrairement \u00e0 l’\u00e9cart-type d’un groupe individuel, s<\/em>p<\/sub> synth\u00e9tise l’amplitude de l’erreur al\u00e9atoire typique qui entoure toute observation individuelle au sein du mod\u00e8le global, ind\u00e9pendamment du groupe d’appartenance.<\/p>\n

Une v\u00e9rification empirique fondamentale permet de s’assurer de la coh\u00e9rence du r\u00e9sultat calcul\u00e9. Dans tous les cas de figure o\u00f9 les tailles d’\u00e9chantillons sont rigoureusement identiques (n<\/em>1<\/sub> = n<\/em>2<\/sub>), l’\u00e9cart-type combin\u00e9 s<\/em>p<\/sub> se situe obligatoirement et strictement \u00e0 une valeur interm\u00e9diaire comprise entre s<\/em>1<\/sub> et s<\/em>2<\/sub> (ou leur est \u00e9gal si s<\/em>1<\/sub> = s<\/em>2<\/sub>). M\u00eame en cas d’effectifs d\u00e9s\u00e9quilibr\u00e9s, s<\/em>p<\/sub> demeure confin\u00e9 \u00e0 l’intervalle d\u00e9limit\u00e9 par le plus petit et le plus grand des \u00e9carts-types locaux, agissant comme un barycentre pond\u00e9r\u00e9 de la variabilit\u00e9 globale.<\/p>\n

6. D\u00e9veloppement d’une fonction R modulaire et robuste<\/h2>\n

6.1 Architecture fonctionnelle de base<\/h3>\n

Afin de s’abstraire des op\u00e9rations manuelles r\u00e9currentes et d’int\u00e9grer ce traitement au sein de pipelines d’analyse reproductibles, il s’av\u00e8re indispensable d’encapsuler la logique de calcul au sein d’une fonction personnalis\u00e9e d\u00e9di\u00e9e. Une architecture logicielle \u00e9l\u00e9gante repose sur la cr\u00e9ation d’une fonction recevant initialement deux vecteurs num\u00e9riques en arguments principaux : pooled_var <- function(x, y)<\/code>.<\/p>\n

Au sein du corps de cette fonction, le code doit automatiser l’extraction des effectifs et des variances sans tol\u00e9rer de duplication syntaxique. L’\u00e9valuation directe de la formule s’op\u00e8re de fa\u00e7on vectoris\u00e9e en minimisant les variables tampons inutiles. Il convient d’adopter des conventions de nommage explicites, conformes au guide de style de programmation R usuel (par exemple, le guide de style de Hadley Wickham ou celui de Google), facilitant la maintenance et la r\u00e9utilisabilit\u00e9 du composant par d’autres collaborateurs de l’\u00e9quipe de recherche.<\/p>\n

Le renvoi du r\u00e9sultat final peut se faire sous la forme d’une valeur scalaire brute ou, de mani\u00e8re plus sophistiqu\u00e9e, via une liste nomm\u00e9e contenant \u00e0 la fois la variance combin\u00e9e, l’\u00e9cart-type combin\u00e9 et les degr\u00e9s de libert\u00e9 associ\u00e9s. Cette modularit\u00e9 conf\u00e8re \u00e0 l’outil une grande adaptabilit\u00e9 op\u00e9rationnelle, tant pour des explorations interactives rapides que pour des int\u00e9grations au sein de syst\u00e8mes d’analyse computationnelle de plus grande envergure.<\/p>\n

6.2 Blindage et validation des entr\u00e9es (defensive programming)<\/h3>\n

Un script statistique destin\u00e9 \u00e0 \u00eatre d\u00e9ploy\u00e9 dans des recherches empiriques r\u00e9elles ne saurait \u00eatre qualifi\u00e9 de robuste s’il n’int\u00e8gre pas les principes stricts de la programmation d\u00e9fensive. Les donn\u00e9es comportementales brutes sont fr\u00e9quemment grev\u00e9es de valeurs manquantes (valeurs NA<\/code>) ou de corruptions de typage cons\u00e9cutives \u00e0 des erreurs d’encodage. Notre fonction personnalis\u00e9e doit imp\u00e9rativement intercepter ces anomalies avant qu’elles ne propagent des erreurs silencieuses dans la cha\u00eene de traitement.<\/p>\n

En premier lieu, l’argument standard na.rm = TRUE<\/code> doit \u00eatre propos\u00e9 dans la signature de la fonction afin de permettre le filtrage contr\u00f4l\u00e9 des donn\u00e9es manquantes via l’instruction na.omit()<\/code>. En second lieu, des assertions logiques rigoureuses doivent \u00eatre int\u00e9gr\u00e9es \u00e0 l’aide de la fonction stopifnot()<\/code> ou de blocs conditionnels explicites articul\u00e9s autour de is.numeric()<\/code>, v\u00e9rifiant formellement que les entr\u00e9es constituent d’authentiques vecteurs quantitatifs continus.<\/p>\n

Enfin, un contr\u00f4le drastique sur la volum\u00e9trie minimale des sous-\u00e9chantillons s’impose. Si un groupe comporte moins de deux observations valides (n<\/em> < 2), l’estimation de sa variance d’\u00e9chantillon devient ind\u00e9finie et engendre une division fatale par z\u00e9ro au niveau des degr\u00e9s de libert\u00e9. La fonction doit ainsi lever une exception claire et document\u00e9e via l’instruction stop(\"Chaque groupe doit contenir au minimum 2 observations valides.\")<\/code> lorsque cette contrainte n’est pas satisfaite, garantissant ainsi l’int\u00e9grit\u00e9 num\u00e9rique du calcul.<\/p>\n

6.3 Prise en charge de la structure formule (formula interface)<\/h3>\n

Dans l’\u00e9cosyst\u00e8me R, la quasi-totalit\u00e9 des fonctions de mod\u00e9lisation statistique avanc\u00e9es (telles que lm()<\/code>, t.test()<\/code> ou aov()<\/code>) exploitent l’interface standard par formule, adoptant la syntaxe intuitive variable_reponse ~ variable_groupe<\/code> adoss\u00e9e \u00e0 un argument explicite data = mon_dataframe<\/code>. Pour conf\u00e9rer \u00e0 notre fonction un niveau d’ergonomie \u00e9quivalent, il est particuli\u00e8rement judicieux d’impl\u00e9menter une m\u00e9thode supportant cette syntaxe symbolique.<\/p>\n

La mise en \u0153uvre technique de cette interface s’appuie sur la manipulation interne des fonctions de d\u00e9composition telles que model.frame()<\/code> ou sur le d\u00e9coupage du vecteur de r\u00e9ponse \u00e0 l’aide de la primitive split()<\/code>. En fragmentant la variable d\u00e9pendante continue en une liste de vecteurs indic\u00e9s par les niveaux du facteur explicatif, la fonction peut ensuite router les sous-\u00e9chantillons vers le c\u0153ur algorithmique de calcul de la variance combin\u00e9e.<\/p>\n

Il est par ailleurs recommand\u00e9 d’attribuer une classe personnalis\u00e9e (par exemple class(res) <- \"pooled_var\"<\/code>) \u00e0 l’objet retourn\u00e9, puis de surcharger la m\u00e9thode g\u00e9n\u00e9rique print.pooled_var()<\/code>. Cette approche orient\u00e9e objet au format S3 permet d’afficher \u00e9l\u00e9gamment les r\u00e9sultats dans la console R, en indiquant de fa\u00e7on synth\u00e9tique les sommes de carr\u00e9s, les degr\u00e9s de libert\u00e9 r\u00e9siduels, ainsi qu’une comparaison directe avec les variances locales des diff\u00e9rents groupes analys\u00e9s.<\/p>\n

7. G\u00e9n\u00e9ralisation \u00e0 k groupes (calcul multi-groupes)<\/h2>\n

7.1 Formulation math\u00e9matique pour k \u00e9chantillons<\/h3>\n

L’extension du principe de la variance combin\u00e9e \u00e0 un nombre arbitraire k<\/em> d’\u00e9chantillons ind\u00e9pendants constitue une \u00e9tape th\u00e9orique fondamentale qui mat\u00e9rialise l’universalit\u00e9 de cet estimateur au sein des plans factoriels complexes. Lorsque l’exp\u00e9rimentateur compare non plus deux, mais trois, quatre ou k<\/em> conditions exp\u00e9rimentales distinctes, le principe de la pond\u00e9ration par les degr\u00e9s de libert\u00e9 individuels demeure rigoureusement identique.<\/p>\n

L’\u00e9quation g\u00e9n\u00e9rale de la variance combin\u00e9e pour k<\/em> groupes se formule ainsi :<\/p>\n

s<\/em>p<\/sub>2<\/sup> = [ ∑i<\/em>=1..k<\/em><\/sub> (n<\/em>i<\/em><\/sub> – 1) s<\/em>i<\/em><\/sub>2<\/sup> ] \/ [ ∑i<\/em>=1..k<\/em><\/sub> (n<\/em>i<\/em><\/sub> – 1) ]<\/p>\n

Dans cette expression sommatoire, le num\u00e9rateur correspond \u00e0 la somme globale de l’int\u00e9gralit\u00e9 des sommes de carr\u00e9s intra-groupes calcul\u00e9es sur chacun des k<\/em> sous-\u00e9chantillons. Le d\u00e9nominateur correspond \u00e0 la somme cumulative des degr\u00e9s de libert\u00e9 individuels, qui se r\u00e9duit alg\u00e9briquement \u00e0 la quantit\u00e9 N<\/em> – k<\/em>, o\u00f9 N<\/em> repr\u00e9sente la somme totale des observations de l’\u00e9tude (N<\/em> = ∑ n<\/em>i<\/em><\/sub>) et k<\/em> le nombre total de groupes ou de niveaux du facteur exp\u00e9rimental.<\/p>\n

Cette variance combin\u00e9e g\u00e9n\u00e9ralis\u00e9e constitue l’unique estimateur non biais\u00e9 de la variance commune σ2<\/sup> dans le cadre des plans d’analyse de variance unidirectionnels ou factoriels. Elle joue un r\u00f4le fondamental non seulement dans l’\u00e9valuation globale de l’effet d’un traitement via la statistique F<\/em> de Fisher, mais \u00e9galement dans la conduite des contrastes a priori<\/em> et des comparaisons multiples planifi\u00e9es, o\u00f9 l’estimation de l’erreur type de tout contraste lin\u00e9aire repose express\u00e9ment sur cette variance r\u00e9siduelle globalis\u00e9e.<\/p>\n

7.2 Impl\u00e9mentation vectoris\u00e9e et programmation fonctionnelle dans R<\/h3>\n

Pour programmer cette g\u00e9n\u00e9ralisation \u00e0 k<\/em> groupes sans d\u00e9grader les performances computationnelles, il convient de proscrire l’usage des boucles it\u00e9ratives explicites au profit de la programmation vectoris\u00e9e et fonctionnelle propre au moteur de R. Les fonctions d’agr\u00e9gation d’ordre sup\u00e9rieur, telles que tapply()<\/code>, aggregate()<\/code> ou les outils de manipulation matricielle, se pr\u00eatent id\u00e9alement \u00e0 cette t\u00e2che.<\/p>\n

Consid\u00e9rons un vecteur de r\u00e9ponse continue y<\/code> et un vecteur cat\u00e9goriel groupe<\/code> comportant k<\/em> modalit\u00e9s. L’extraction simultan\u00e9e des variances s’effectue en une seule ligne de code : variances <- tapply(y, groupe, var)<\/code>. De mani\u00e8re strictement analogue, la capture des effectifs de chaque modalit\u00e9 s’op\u00e8re par l’instruction : effectifs <- tapply(y, groupe, length)<\/code>. L’analyste obtient ainsi deux vecteurs atomiques synchronis\u00e9s, index\u00e9s par les \u00e9tiquettes des diff\u00e9rents groupes.<\/p>\n

Le calcul de la variance combin\u00e9e k<\/em>-groupes s’exprime d\u00e8s lors par une formulation vectorielle concise et \u00e9l\u00e9gante : sp2_k <- sum((effectifs - 1) * variances) \/ sum(effectifs - 1)<\/code>. En encapsulant cette s\u00e9quence au sein d’une fonction g\u00e9n\u00e9rique pooled_var_k(y, groupe)<\/code>, le programmeur s’assure d’une vitesse d’ex\u00e9cution optimale, m\u00eame face \u00e0 des cohortes volumineuses regroupant plusieurs dizaines de strates exp\u00e9rimentales.<\/p>\n

7.3 Comparaison avec les sorties de l’analyse de variance de R<\/h3>\n

Afin de valider de mani\u00e8re irr\u00e9futable l’exactitude de notre impl\u00e9mentation de la variance combin\u00e9e \u00e0 k<\/em> groupes, il est particuli\u00e8rement instructif de confronter directement notre valeur num\u00e9rique \u00e0 la sortie analytique g\u00e9n\u00e9r\u00e9e par la fonction standard d’analyse de variance aov()<\/code> de R. En ajustant le mod\u00e8le lin\u00e9aire modele <- aov(y ~ groupe)<\/code> et en interrogeant son r\u00e9capitulatif via summary(modele)<\/code>, R affiche la table classique de d\u00e9composition de variance de Fisher.<\/p>\n

Dans ce tableau de r\u00e9sultats, la ligne identifi\u00e9e sous l’intitul\u00e9 Residuals<\/code> pr\u00e9sente la somme des carr\u00e9s r\u00e9siduelle (Sum Sq<\/code>), ses degr\u00e9s de libert\u00e9 (Df<\/code>) et, plus important encore, le carr\u00e9 moyen des r\u00e9sidus (Mean Sq<\/code>). Ce carr\u00e9 moyen r\u00e9siduel (MSE) correspond rigoureusement et au bit pr\u00e8s \u00e0 notre variance combin\u00e9e calcul\u00e9e manuellement. L’identit\u00e9 math\u00e9matique MSE ≡ s<\/em>p<\/sub>2<\/sup> est ainsi num\u00e9riquement v\u00e9rifi\u00e9e dans la console logicielle.<\/p>\n

Pour extraire de fa\u00e7on programmatique cette grandeur depuis l’objet d’ANOVA sans recourir \u00e0 des analyses de cha\u00eenes de caract\u00e8res complexes, l’analyste peut interroger la structure interne du mod\u00e8le : mse <- summary(modele)[[1]][\"Residuals\", \"Mean Sq\"]<\/code>. De fa\u00e7on alternative, l’usage du package moderne broom<\/code> et de sa fonction tidy()<\/code> permet de convertir instantan\u00e9ment le tableau d’analyse de variance en un tibble<\/code> structur\u00e9, au sein duquel la m\u00e9trique de variance combin\u00e9e peut \u00eatre manipul\u00e9e de mani\u00e8re totalement automatis\u00e9e.<\/p>\n

8. Int\u00e9gration directe dans le test t de Student pour \u00e9chantillons ind\u00e9pendants<\/h2>\n

8.1 Utilisation de t.test() en R base avec hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9<\/h3>\n

L’application la plus fr\u00e9quente et la plus universellement r\u00e9pandue de la variance combin\u00e9e r\u00e9side dans la conduite du classique test t<\/em> de Student pour deux \u00e9chantillons ind\u00e9pendants. Au sein de l’environnement R base, ce test est ex\u00e9cut\u00e9 par l’interm\u00e9diaire de la commande t.test()<\/code>. Toutefois, une particularit\u00e9 historique majeure du moteur R m\u00e9rite une attention scrupuleuse : par d\u00e9faut, la fonction applique la correction de Welch pour variances in\u00e9gales, d\u00e9sactivant ainsi implicitement l’usage de la variance combin\u00e9e standard.<\/p>\n

Pour contraindre la fonction t.test()<\/code> \u00e0 adopter le formalisme de Student traditionnel fond\u00e9 sur l’estimation d’une variance combin\u00e9e commune, l’analyste doit explicitement renseigner le param\u00e8tre bool\u00e9en var.equal = TRUE<\/code>. D\u00e8s lors que cet argument est stipul\u00e9, R modifie son algorithme de calcul interne : le nombre de degr\u00e9s de libert\u00e9 de la statistique de test redevient un nombre entier exact (n<\/em>1<\/sub> + n<\/em>2<\/sub> – 2), et la statistique t<\/em> empirique est calibr\u00e9e en divisant la diff\u00e9rence des moyennes d’\u00e9chantillons par l’erreur type d\u00e9riv\u00e9e de la variance combin\u00e9e.<\/p>\n

Comprendre cette distinction est crucial pour le chercheur. Dans la version de Welch (var.equal = FALSE<\/code>), l’erreur type est calcul\u00e9e s\u00e9par\u00e9ment \u00e0 partir des deux variances locales sans mutualisation pr\u00e9alable, et les degr\u00e9s de libert\u00e9 sont ajust\u00e9s par la formule de Satterthwaite, produisant g\u00e9n\u00e9ralement une valeur fractionnaire non enti\u00e8re. L’activation de var.equal = TRUE<\/code> constitue l’unique modalit\u00e9 d’ex\u00e9cution garantissant que l’inf\u00e9rence repose directement et exclusivement sur la variance combin\u00e9e s<\/em>p<\/sub>2<\/sup>.<\/p>\n

8.2 Reconstruction pas \u00e0 pas du calcul de t.test()<\/h3>\n

La d\u00e9construction int\u00e9grale des calculs effectu\u00e9s par la fonction t.test(x1, x2, var.equal = TRUE)<\/code> permet d’appr\u00e9hender intimement la m\u00e9canique inf\u00e9rentielle de Student. Une fois la variance combin\u00e9e s<\/em>p<\/sub>2<\/sup> et son \u00e9cart-type combin\u00e9 s<\/em>p<\/sub> obtenus selon la m\u00e9thode d\u00e9crite pr\u00e9c\u00e9demment, l’erreur type de la diff\u00e9rence de moyennes (couramment d\u00e9not\u00e9e SEdiff<\/sub>) se formule alg\u00e9briquement comme suit :<\/p>\n

SEdiff<\/sub> = s<\/em>p<\/sub> × √( 1\/n<\/em>1<\/sub> + 1\/n<\/em>2<\/sub> )<\/p>\n

Dans R, cette \u00e9quation s’impl\u00e9mente imm\u00e9diatement : se_diff <- sp * sqrt(1\/n1 + 1\/n2)<\/code>. La statistique empirique t<\/em> repr\u00e9sente alors simplement le ratio standardis\u00e9 de la diff\u00e9rence des moyennes d’\u00e9chantillons observ\u00e9es rapport\u00e9e \u00e0 cette erreur type combin\u00e9e : t_stat <- (mean(x1) - mean(x2)) \/ se_diff<\/code>.<\/p>\n

Pour convertir cette statistique t<\/em> empirique en une probabilit\u00e9 de significativit\u00e9 bilat\u00e9rale (la fameuse p<\/em>-valeur), il suffit de convoquer la fonction de r\u00e9partition cumulative de la loi de Student pt()<\/code>, modul\u00e9e par les degr\u00e9s de libert\u00e9 totaux : p_val <- 2 * (1 - pt(abs(t_stat), df = n1 + n2 - 2))<\/code>. En comparant les r\u00e9sultats de ces trois lignes de programmation manuelle avec l’affichage officiel de t.test(x1, x2, var.equal = TRUE)<\/code>, on observe une stricte \u00e9quivalence num\u00e9rique, ce qui \u00e9claire parfaitement le r\u00f4le moteur jou\u00e9 par la variance combin\u00e9e dans la d\u00e9termination de la significativit\u00e9 statistique.<\/p>\n

8.3 Intervalles de confiance de la diff\u00e9rence bas\u00e9s sur sp<\/h3>\n

L’int\u00e9r\u00eat de la variance combin\u00e9e s’\u00e9tend naturellement \u00e0 l’estimation de l’intervalle de confiance encadrant la diff\u00e9rence th\u00e9orique entre les moyennes des deux populations (μ1<\/sub> – μ2<\/sub>). Alors que le test d’hypoth\u00e8se ponctuel se contente d’\u00e9valuer la compatibilit\u00e9 des donn\u00e9es avec l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 parfaite, l’intervalle de confiance fournit une estimation continue de la pr\u00e9cision m\u00e9trique du r\u00e9sultat et de la magnitude plausible de l’effet clinique ou exp\u00e9rimental.<\/p>\n

La formulation analytique d’un intervalle de confiance bilat\u00e9ral au seuil de confiance 1 – α (habituellement fix\u00e9 \u00e0 95 %, soit α = 0,05) int\u00e8gre le quantile critique issu de la distribution th\u00e9orique de Student. Dans R, cette valeur seuil s’extrait pr\u00e9cis\u00e9ment \u00e0 l’aide de la fonction des quantiles qt()<\/code> : t_crit <- qt(1 - 0.05\/2, df = n1 + n2 - 2)<\/code>.<\/p>\n

Les bornes inf\u00e9rieure et sup\u00e9rieure de l’intervalle se calculent d\u00e8s lors en retranchant et en ajoutant \u00e0 la diff\u00e9rence brute des moyennes le produit de ce quantile critique par l’erreur type combin\u00e9e :<\/p>\n

borne_inf <- (mean(x1) - mean(x2)) - t_crit * se_diff<\/code>
\nborne_sup <- (mean(x1) - mean(x2)) + t_crit * se_diff<\/code><\/p>\n

L’estimation conjointe de ces bornes repose enti\u00e8rement sur la stabilit\u00e9 de s<\/em>p<\/sub>. Si la variance combin\u00e9e est ad\u00e9quatement calibr\u00e9e, cet intervalle offre la garantie fr\u00e9quentiste exacte de capturer la diff\u00e9rence populationnelle r\u00e9elle dans 95 % des r\u00e9plications potentielles de l’exp\u00e9rience, apportant ainsi aux psychologues et cliniciens une quantification indispensable de l’incertitude entourant leurs constats.<\/p>\n

9. Application au calcul de la taille d’effet : Le d de Cohen<\/h2>\n

9.1 Le d de Cohen et le r\u00f4le de l’\u00e9cart-type combin\u00e9<\/h3>\n

Dans le paradigme contemporain de la recherche en psychologie, la seule indication de la significativit\u00e9 statistique via la p<\/em>-valeur est jug\u00e9e notoirement insuffisante pour appr\u00e9cier la pertinence th\u00e9orique ou pratique d’une d\u00e9couverte. La puissance d’un test statistique \u00e9tant \u00e9troitement assujettie \u00e0 la taille de l’\u00e9chantillon, un \u00e9cart de moyennes trivial peut ais\u00e9ment franchir le seuil de rejet p<\/em> < 0,05 pourvu que les cohortes analys\u00e9es soient suffisamment imposantes. C’est pour rem\u00e9dier \u00e0 cette faille que l’estimation standardis\u00e9e des tailles d’effet, au premier rang desquelles tr\u00f4ne le d<\/em> de Jacob Cohen, s’est impos\u00e9e comme une norme de publication universelle.<\/p>\n

Le d<\/em> de Cohen quantifie la distance s\u00e9parant deux moyennes exprim\u00e9e en unit\u00e9s d’\u00e9cart-type. Or, toute la question m\u00e9thodologique r\u00e9side dans le choix de l’\u00e9cart-type de r\u00e9f\u00e9rence servant de d\u00e9nominateur \u00e0 ce ratio de standardisation. Si l’on compare deux groupes ind\u00e9pendants issus d’un protocole randomis\u00e9 r\u00e9gulier, l’estimation la plus puissante, stable et universellement reconnue de la variabilit\u00e9 sous-jacente commune n’est autre que l’\u00e9cart-type combin\u00e9 s<\/em>p<\/sub>, d\u00e9riv\u00e9 de notre variance combin\u00e9e s<\/em>p<\/sub>2<\/sup>.<\/p>\n

Il importe de distinguer avec nettet\u00e9 les variantes conceptuelles entourant cet indice. Tandis que le d<\/em> th\u00e9orique original de Cohen postulait un \u00e9cart-type populationnel parfaitement connu σ, le d<\/em> empirique calcul\u00e9 sur des \u00e9chantillons repose sur s<\/em>p<\/sub>. Lorsque les tailles d’\u00e9chantillons sont particuli\u00e8rement modestes, cet estimateur tend \u00e0 surestimer l\u00e9g\u00e8rement la taille d’effet populationnelle r\u00e9elle. Cette anomalie a conduit le statisticien Larry Hedges \u00e0 formaliser une correction sp\u00e9cifique, aboutissant au g<\/em> de Hedges, qui ajuste le d<\/em> de Cohen bas\u00e9 sur s<\/em>p<\/sub> par un facteur d’att\u00e9nuation analytique non biais\u00e9.<\/p>\n

9.2 Calcul algorithmique du d de Cohen dans R<\/h3>\n

L’impl\u00e9mentation algorithmique manuelle du d<\/em> de Cohen fond\u00e9 sur l’\u00e9cart-type combin\u00e9 s’effectue dans R avec une simplicit\u00e9 d\u00e9concertante d\u00e8s lors que s<\/em>p<\/sub> a \u00e9t\u00e9 programm\u00e9. La formule scalaire s’\u00e9nonce ainsi : d_cohen <- (mean(x1) - mean(x2)) \/ sp<\/code>. Cette formulation respecte strictement les pr\u00e9conisations du manuel m\u00e9thodologique fondamental de Cohen publi\u00e9 en 1988.<\/p>\n

Pour appliquer la correction non biais\u00e9e de Hedges (le fameux facteur J<\/em>), particuli\u00e8rement recommand\u00e9e lorsque la somme totale des effectifs est inf\u00e9rieure \u00e0 une cinquantaine d’unit\u00e9s (N<\/em> < 50), on multiplie le d<\/em> calcul\u00e9 par un facteur de correction polynomial exact :<\/p>\n

df <- n1 + n2 - 2<\/code>
\nfacteur_J <- 1 - (3 \/ (4 * df - 1))<\/code>
\ng_hedges <- d_cohen * facteur_J<\/code><\/p>\n

Afin de confronter cette impl\u00e9mentation directe avec les outils sp\u00e9cialis\u00e9s de l’\u00e9cosyst\u00e8me R, l’analyste peut solliciter des biblioth\u00e8ques de r\u00e9f\u00e9rence telles que effsize<\/code> avec la fonction cohen.d()<\/code>, ou le package plus r\u00e9cent effectsize<\/code> d\u00e9velopp\u00e9 par le consortium easystats<\/em>. En ex\u00e9cutant effectsize::cohens_d(x1, x2, pooled_sd = TRUE)<\/code>, on constate une convergence algorithmique absolue avec notre d\u00e9marche programmatique, attestant que la variance combin\u00e9e constitue l’armature computationnelle interne des packages psychom\u00e9triques majeurs.<\/p>\n

9.3 Interpr\u00e9tation des seuils et implications psychom\u00e9triques<\/h3>\n

L’interpr\u00e9tation de la taille d’effet standardis\u00e9e s’appuie traditionnellement sur les seuils heuristiques formul\u00e9s par Cohen : un d<\/em> de 0,2 est consid\u00e9r\u00e9 comme un effet de magnitude faible (small<\/em>), 0,5 d\u00e9signe un effet moyen (medium<\/em>), et 0,8 correspond \u00e0 un effet fort (large<\/em>). Bien que Cohen ait lui-m\u00eame insist\u00e9 sur la relativit\u00e9 contextuelle de ces conventions, elles demeurent des points de rep\u00e8re incontournables dans la litt\u00e9rature en psychologie exp\u00e9rimentale et cognitive.<\/p>\n

Une mauvaise estimation de la variance combin\u00e9e d\u00e9grade directement la validit\u00e9 psychom\u00e9trique de ces conclusions. Si un analyste commet l’erreur d’utiliser la variance globale non partitionn\u00e9e de l’\u00e9chantillon r\u00e9uni au lieu de la variance combin\u00e9e, la dispersion totale au d\u00e9nominateur int\u00e8gre m\u00e9caniquement la diff\u00e9rence entre les moyennes de groupe. Ce gonflement artificiel du d\u00e9nominateur diminue ind\u00fbment la valeur du d<\/em> standardis\u00e9, conduisant le chercheur \u00e0 sous-estimer de mani\u00e8re substantielle la port\u00e9e r\u00e9elle de son intervention th\u00e9rapeutique ou cognitive.<\/p>\n

Enfin, dans le domaine des m\u00e9ta-analyses contemporaines, o\u00f9 des centaines d’\u00e9tudes ind\u00e9pendantes sont synth\u00e9tis\u00e9es math\u00e9matiquement afin de d\u00e9gager un consensus scientifique, le d<\/em> de Cohen bas\u00e9 sur s<\/em>p<\/sub> constitue l’unit\u00e9 d’entr\u00e9e quantitative par excellence. Les algorithmes de mod\u00e9lisation m\u00e9ta-analytique (tels que ceux d\u00e9ploy\u00e9s dans le package metafor<\/code> de Wolfgang Viechtbauer) pond\u00e8rent chaque \u00e9tude par l’inverse de la variance d’\u00e9chantillonnage de son d<\/em> de Cohen, laquelle d\u00e9pend directement de la variance combin\u00e9e originale et des effectifs des \u00e9chantillons primaires.<\/p>\n

10. Diagnostics statistiques et tests de conformit\u00e9 des variances<\/h2>\n

10.1 V\u00e9rification formelle de l’homosc\u00e9dasticit\u00e9 dans R<\/h3>\n

Avant d’ent\u00e9riner formellement l’usage de la variance combin\u00e9e au sein d’un pipeline inf\u00e9rentiel, le statisticien rigoureux doit soumettre ses donn\u00e9es \u00e0 une batterie de tests diagnostiques d\u00e9di\u00e9s \u00e0 l’homog\u00e9n\u00e9it\u00e9 des variances. La proc\u00e9dure formelle la plus largement adopt\u00e9e et la plus robuste dans la recherche quantitative moderne est le test de Levene<\/a>, tout particuli\u00e8rement dans sa d\u00e9clinaison dite de Brown-Forsythe, laquelle substitue la m\u00e9diane \u00e0 la moyenne pour le centrage des \u00e9carts absolus.<\/p>\n

Dans l’environnement R, le test de Levene centr\u00e9 sur la m\u00e9diane s’ex\u00e9cute commod\u00e9ment gr\u00e2ce \u00e0 la fonction leveneTest()<\/code> h\u00e9berg\u00e9e au sein de l’incontournable package car<\/code> (Companion to Applied Regression<\/em>) de John Fox. La syntaxe canonique s’exprime sous la forme : car::leveneTest(score ~ groupe, data = donnees, center = median)<\/code>. Une p<\/em>-valeur sup\u00e9rieure au seuil usuel de 0,05 indique que l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des variances intra-groupes ne peut \u00eatre raisonnablement rejet\u00e9e, accordant ainsi un feu vert th\u00e9orique \u00e0 l’application de la variance combin\u00e9e.<\/p>\n

Une alternative classique disponible nativement dans le socle de base de R est le test de Bartlett, sollicit\u00e9 via la commande bartlett.test(score ~ groupe, data = donnees)<\/code>. Cependant, il convient de souligner une limitation m\u00e9thodologique s\u00e9v\u00e8re : le test de Bartlett est notoirement ultra-sensible aux d\u00e9viations de la normalit\u00e9 univari\u00e9e. En pr\u00e9sence de r\u00e9sidus mod\u00e9r\u00e9ment asym\u00e9triques ou leptokurtiques, le test de Bartlett tend \u00e0 rejeter massivement l’\u00e9galit\u00e9 des variances en raison de la forme des distributions et non d’une v\u00e9ritable h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, ce qui pousse les m\u00e9thodologistes \u00e0 lui pr\u00e9f\u00e9rer syst\u00e9matiquement le test de Levene fond\u00e9 sur la m\u00e9diane.<\/p>\n

10.2 Diagnostics graphiques des dispersions<\/h3>\n

Les tests d’hypoth\u00e8ses formels sur l’\u00e9galit\u00e9 des variances pr\u00e9sentent le travers intrins\u00e8que de d\u00e9pendre eux-m\u00eames de la puissance d’\u00e9chantillonnage : ils s’av\u00e8rent excessivement laxistes sur de petits effectifs (manque de puissance pour d\u00e9tecter une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 r\u00e9elle) et excessivement s\u00e9v\u00e8res sur de tr\u00e8s grandes cohortes (rejetant l’homog\u00e9n\u00e9it\u00e9 pour des d\u00e9viations infimes et d\u00e9nu\u00e9es de pertinence pratique). Par cons\u00e9quent, l’\u00e9valuation graphique de la dispersion doit obligatoirement compl\u00e9ter les indices num\u00e9riques.<\/p>\n

Une premi\u00e8re approche visuelle consiste \u00e0 ajuster un mod\u00e8le lin\u00e9aire bivari\u00e9 via modele_lm <- lm(score ~ groupe, data = donnees)<\/code> et \u00e0 tracer le graphique classique des r\u00e9sidus standardis\u00e9s en fonction des valeurs pr\u00e9dites (residuals vs fitted plot<\/em>). En projetant ces grandeurs par plot(modele_lm, which = 1)<\/code> ou plot(modele_lm, which = 3)<\/code> (graphique de type Scale-Location<\/em>), l’analyste peut examiner si l’amplitude d’\u00e9talement vertical des r\u00e9sidus demeure rigoureusement constante d’une condition exp\u00e9rimentale \u00e0 l’autre.<\/p>\n

Une seconde approche, particuli\u00e8rement intuitive en psychologie diff\u00e9rentielle, r\u00e9side dans l’exploitation des graphiques d’\u00e9cart-dispersion (spread-level plots<\/em>), accessibles via car::spreadLevelPlot(modele_lm)<\/code>. Cet outil projette le logarithme des r\u00e9sidus absolus contre le logarithme des valeurs pr\u00e9dites et calcule une droite de r\u00e9gression dont la pente signale l’existence d’une d\u00e9pendance structurelle entre l’\u00e9chelle de la moyenne et l’amplitude de la dispersion. Une pente proche de z\u00e9ro confirme la parfaite stabilit\u00e9 de la variance \u00e0 travers les groupes.<\/p>\n

10.3 Prise de d\u00e9cision m\u00e9thodologique en cas de rejet de l’hypoth\u00e8se<\/h3>\n

Que doit faire le chercheur lorsque les diagnostics empiriques r\u00e9v\u00e8lent sans \u00e9quivoque une violation substantielle du postulat d’homosc\u00e9dasticit\u00e9 (σ1<\/sub>2<\/sup> ≠ σ2<\/sub>2<\/sup>) ? La pratique m\u00e9thodologique historiquement enseign\u00e9e, consistant \u00e0 proc\u00e9der \u00e0 un pr\u00e9-test de Levene pour d\u00e9cider conditionnellement d’utiliser soit le test t<\/em> de Student \u00e0 variance combin\u00e9e (si p<\/em> ≥ 0,05), soit le test de Welch (si p<\/em> < 0,05), a \u00e9t\u00e9 formellement invalid\u00e9e par les statisticiens contemporains.<\/p>\n

De multiples \u00e9tudes de simulation de Monte-Carlo ont d\u00e9montr\u00e9 que cette strat\u00e9gie conditionnelle \u00e0 deux \u00e9tapes distord gravement le contr\u00f4le effectif du taux d’erreur α global, cr\u00e9ant un biais d’\u00e9chantillonnage insidieux. Face \u00e0 ce constat, les recommandations m\u00e9thodologiques actuelles pr\u00e9conisent d’adopter syst\u00e9matiquement par d\u00e9faut le test t<\/em> de Welch (avec var.equal = FALSE<\/code> dans R), lequel n’impose pas la contrainte d’une variance commune et s’av\u00e8re asymptotiquement \u00e9quivalent au test de Student standard lorsque les variances sont effectivement \u00e9gales.<\/p>\n

Cependant, le maintien de la variance combin\u00e9e demeure pleinement l\u00e9gitime et scientifiquement pr\u00e9f\u00e9rable dans des situations m\u00e9thodologiques bien document\u00e9es : lorsque les effectifs d’\u00e9chantillons sont rigoureusement \u00e9quilibr\u00e9s (n<\/em>1<\/sub> = n<\/em>2<\/sub>), situation dans laquelle le test de Student standard fait preuve d’une robustesse exceptionnelle face \u00e0 des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s mod\u00e9r\u00e9es ; lorsque des contraintes th\u00e9oriques ou des donn\u00e9es normatives ant\u00e9rieures massives attestent de l’invariance structurelle de l’instrument de mesure ; ou encore dans le contexte des contrastes orthogonaux a priori<\/em> au sein d’une ANOVA factorielle, o\u00f9 la pr\u00e9servation de la variance combin\u00e9e multi-groupes est indispensable pour maintenir l’orthogonalit\u00e9 alg\u00e9brique des d\u00e9compositions factorielles.<\/p>\n

11. Workflow moderne et \u00e9l\u00e9gant avec l’\u00e9cosyst\u00e8me Tidyverse<\/h2>\n

11.1 Calcul de la variance combin\u00e9e avec dplyr<\/h3>\n

L’essor de la science des donn\u00e9es moderne au sein de la communaut\u00e9 R est indissociable de l’av\u00e8nement du tidyverse<\/code>, un ensemble unifi\u00e9 de packages partageant une m\u00eame philosophie de conception et une syntaxe harmonis\u00e9e. Le package dplyr<\/code>, en particulier, r\u00e9volutionne la manipulation et l’agr\u00e9gation des tableaux de donn\u00e9es gr\u00e2ce \u00e0 une structure d’instructions s\u00e9quentielles articul\u00e9e autour de l’op\u00e9rateur de tuyau (le pipe traditionnel %>%<\/code> ou le pipe natif de R 4.0+ |><\/code>).<\/p>\n

Pour calculer la variance combin\u00e9e de mani\u00e8re d\u00e9clarative et lisible sur un tableau de donn\u00e9es structur\u00e9 au format long, on combine les verbes group_by()<\/code> et summarise()<\/code>. L’architecture du pipeline proc\u00e8de d’abord \u00e0 l’extraction des grandeurs locales pour chaque strate factorielle :<\/p>\n

Le flux d’instructions calcule pour chaque modalit\u00e9 l’effectif n = n()<\/code> et la variance s2 = var(score, na.rm = TRUE)<\/code>. Dans un second temps, en d\u00e9groupant le tableau via ungroup()<\/code> et en encha\u00eenant sur un second bloc summarise()<\/code>, les statistiques sont agr\u00e9g\u00e9es globalement pour appliquer la formule matricielle :<\/p>\n

ss_total = sum((n - 1) * s2)<\/code>
\ndf_total = sum(n - 1)<\/code>
\npooled_var = ss_total \/ df_total<\/code>
\npooled_sd = sqrt(pooled_var)<\/code><\/p>\n

Cette approche pr\u00e9sente une clart\u00e9 conceptuelle in\u00e9gal\u00e9e. Elle \u00e9limine tout risque d’inversion d’indices, s’adapte automatiquement \u00e0 un nombre quelconque de groupes (2, 3 ou k<\/em>) sans la moindre modification de code, et d\u00e9livre en sortie un objet tibble<\/code> pr\u00eat pour l’int\u00e9gration dans des cha\u00eenes de production de rapports automatis\u00e9s.<\/p>\n

11.2 Cr\u00e9ation d’une fonction vectoris\u00e9e compatible avec le pipe<\/h3>\n

Pour parfaire l’int\u00e9gration au sein de l’\u00e9cosyst\u00e8me tidyverse<\/code>, il est particuli\u00e8rement \u00e9l\u00e9gant de concevoir une fonction d’agr\u00e9gation d’aide (helper function<\/em>) compatible avec les principes de l’\u00e9valuation non standard (tidy evaluation<\/em>) fournis par le package rlang<\/code>. L’objectif est de permettre \u00e0 un utilisateur de convoquer directement une syntaxe fluide telle que donnees %>% summarise(sp2 = pooled_variance(score, groupe))<\/code>.<\/p>\n

Dans cette architecture avanc\u00e9e, la fonction capture les colonnes transmises sous forme d’expressions symboliques (\u00e0 l’aide des doubles accolades ou curly-curly<\/em> {{ }}<\/code>) et g\u00e8re la r\u00e9solution vectorielle en coulisses. Le code extrait les sous-vecteurs d\u00e9limit\u00e9s par les modalit\u00e9s du groupe, \u00e9value les longueurs et les variances sans biais, puis retourne un scalaire unique parfaitement compatible avec les m\u00e9caniques de r\u00e9duction de summarise()<\/code>.<\/p>\n

Une telle int\u00e9gration simplifie consid\u00e9rablement les scripts de traitement au sein des plateformes d’analyse de donn\u00e9es psychom\u00e9triques. Le chercheur peut combiner en un seul pipeline l’imputation conditionnelle, le filtrage des participants n’ayant pas satisfait aux crit\u00e8res d’inclusion, et le calcul direct de la variance combin\u00e9e pour de multiples sous-\u00e9chelles d’un m\u00eame inventaire psychologique, garantissant ainsi une productivit\u00e9 analytique optimale.<\/p>\n

11.3 Comparaison de plusieurs conditions avec purrr et tidyr<\/h3>\n

Les protocoles de recherche contemporains en psychologie et en neurosciences comportementales mobilisent fr\u00e9quemment des devis exp\u00e9rimentaux factoriels complexes, croisant plusieurs facteurs inter-sujets (par exemple : Type de Traitement × Sexe des Participants × Tranche d’\u00c2ge). Dans de telles configurations, l’analyste se trouve confront\u00e9 \u00e0 l’obligation de calculer et de comparer les variances combin\u00e9es \u00e0 travers une multiplicit\u00e9 de strates exp\u00e9rimentales embo\u00eet\u00e9es.<\/p>\n

L’alliance fonctionnelle des packages tidyr<\/code> et purrr<\/code> offre une r\u00e9ponse computationnelle magistrale \u00e0 ce d\u00e9fi gr\u00e2ce au concept de structures de donn\u00e9es imbriqu\u00e9es (nested data frames<\/em>). En utilisant la commande nest()<\/code> sur les variables de stratification factorielle, le chercheur condense son tableau de donn\u00e9es de telle sorte que chaque ligne correspond \u00e0 un sous-devis exp\u00e9rimental contenant son propre tableau de donn\u00e9es local log\u00e9 dans une colonne de type liste (list-column<\/em>).<\/p>\n

Il devient d\u00e8s lors possible d’appliquer de mani\u00e8re it\u00e9rative notre fonction de variance combin\u00e9e \u00e0 chaque sous-ensemble exp\u00e9rimental en mobilisant la fonction fonctionnelle purrr::map()<\/code> :<\/p>\n

resultats_stratifie <- donnees_emboitees %>%<\/code>
\n  mutate(sp2 = map_dbl(data, ~ pooled_variance_k(.x$score, .x$<\/span>groupe)))<\/code><\/p>\n

En une seule expression condens\u00e9e et enti\u00e8rement vectoris\u00e9e, des dizaines de variances combin\u00e9es sp\u00e9cifiques sont extraites en parall\u00e8le. Le tableau r\u00e9sultant peut \u00eatre d\u00e9-nest\u00e9 ou format\u00e9 instantan\u00e9ment pour alimenter des tableaux r\u00e9capitulatifs exhaustifs destin\u00e9s aux annexes m\u00e9thodologiques de publications scientifiques de rang international.<\/p>\n

12. Rapports des r\u00e9sultats selon les normes de l’APA et bonnes pratiques<\/h2>\n

12.1 Restitution formelle de la variance combin\u00e9e et de l’\u00e9cart-type combin\u00e9<\/h3>\n

La communication des r\u00e9sultats statistiques au sein des revues scientifiques internationales affili\u00e9es aux sciences comportementales et biom\u00e9dicales ob\u00e9it \u00e0 des normes typographiques et formelles particuli\u00e8rement rigoureuses, dict\u00e9es par le manuel de publication de l’American Psychological Association (APA, 7e<\/sup> \u00e9dition). Une restitution conforme exige une distinction scrupuleuse dans l’\u00e9criture des indices, l’emploi de l’italique pour les symboles statistiques latins, et la mention exhaustive des param\u00e8tres critiques gouvernant l’inf\u00e9rence.<\/p>\n

Dans le corps du texte narratif, l’\u00e9cart-type combin\u00e9 est conventionnellement identifi\u00e9 par le symbole s<\/em>p<\/sub> ou SD<\/em>p<\/sub> (en italique pour la base, avec l’indice en typographie romaine minuscule). Les r\u00e9sultats d’un test t<\/em> ind\u00e9pendant reposant sur la variance combin\u00e9e doivent \u00eatre formul\u00e9s en int\u00e9grant syst\u00e9matiquement les degr\u00e9s de libert\u00e9, la valeur observ\u00e9e de la statistique t<\/em>, le niveau exact de la p<\/em>-valeur (en proscrivant les formulations obsol\u00e8tes telles que p<\/em> = 0,000 au profit de p<\/em> < 0,001), et la taille d’effet standardis\u00e9e assortie de son intervalle de confiance \u00e0 95 %.<\/p>\n

Une formulation narrative standardis\u00e9e respectant scrupuleusement les exigences de l’APA 7 s’\u00e9nonce comme suit :
\n\u00ab Les scores moyens de d\u00e9pression observ\u00e9s dans le groupe clinique (M = 22,40 ; SD = 4,12) sont significativement sup\u00e9rieurs \u00e0 ceux enregistr\u00e9s dans le groupe t\u00e9moin (M = 14,15 ; SD = 3,88), t(58) = 8,12, p < 0,001, d = 2,06, IC \u00e0 95 % [1,45, 2,67], sp<\/sub> = 3,98. \u00bb<\/em>
\nSur le plan tabulaire, la pr\u00e9sentation gagne \u00e0 faire figurer dans des colonnes d\u00e9di\u00e9es les effectifs (n<\/em>), les moyennes (M<\/em>) et les \u00e9carts-types individuels (SD<\/em>) de chaque cohorte, en pla\u00e7ant en note de bas de tableau la valeur globale de l’\u00e9cart-type combin\u00e9 mutualis\u00e9 ayant aliment\u00e9 les tests de contrastes.<\/p>\n

12.2 Reproductibilit\u00e9 et tra\u00e7abilit\u00e9 du code R<\/h3>\n

\u00c0 l’\u00e8re de la crise de la reproductibilit\u00e9 qui traverse les sciences exp\u00e9rimentales et de l’essor incontournable du mouvement de la science ouverte (Open Science<\/em>), la simple communication des valeurs synth\u00e9tiques dans un article imprim\u00e9 ne suffit plus. Il est d\u00e9sormais exig\u00e9 des chercheurs qu’ils publient des scripts d’analyse complets, tra\u00e7ables et ex\u00e9cutables sans ambigu\u00eft\u00e9 par des relecteurs ou des \u00e9quipes ind\u00e9pendantes.<\/p>\n

Pour assurer la p\u00e9rennit\u00e9 computationnelle d’un script calculant la variance combin\u00e9e, il est imp\u00e9ratif d’int\u00e9grer en fin d’ex\u00e9cution la commande sessionInfo()<\/code>. Cette directive compile et consigne dans le journal d’analyse la version exacte du syst\u00e8me d’exploitation h\u00f4te, la version pr\u00e9cise de la distribution de R exploit\u00e9e, ainsi que la liste exhaustive et les num\u00e9ros de version de l’ensemble des packages mobilis\u00e9s. Cette tra\u00e7abilit\u00e9 pr\u00e9vient les discordances potentielles r\u00e9sultant de modifications comportementales introduites lors de mises \u00e0 jour logicielles majeures.<\/p>\n

L’excellence m\u00e9thodologique contemporaine r\u00e9side dans la confection de documents computationnels dynamiques via les technologies R Markdown ou Quarto (fichiers .Rmd<\/code> ou .qmd<\/code>). En imbriquant au sein d’un document source unique la narration th\u00e9orique, le code R d’ex\u00e9cution de la variance combin\u00e9e et le rendu finalis\u00e9 des tableaux et graphiques, le chercheur garantit une parfaite transparence m\u00e9thodologique, \u00e9liminant d\u00e9finitivement les risques d’erreurs humaines de transcription entre la console statistique et le manuscrit finalis\u00e9.<\/p>\n

12.3 Erreurs fr\u00e9quentes \u00e0 \u00e9viter absolument<\/h3>\n

La pratique empirique de l’analyse quantitative met en lumi\u00e8re la r\u00e9currence de plusieurs fautes m\u00e9thodologiques et computationnelles majeures qu’il convient de proscrire formellement lors de la manipulation de la variance combin\u00e9e dans R.<\/p>\n

La premi\u00e8re erreur, d’ordre arithm\u00e9tique mais fr\u00e9quente chez les utilisateurs peu familiers avec la th\u00e9orie de l’\u00e9chantillonnage, consiste \u00e0 omettre la soustraction des deux unit\u00e9s aux degr\u00e9s de libert\u00e9 du d\u00e9nominateur, en divisant la somme des carr\u00e9s par n<\/em>1<\/sub> + n<\/em>2<\/sub> au lieu de n<\/em>1<\/sub> + n<\/em>2<\/sub> – 2. Cette omission produit un estimateur biais\u00e9 vers le bas de la variance r\u00e9siduelle, affectant artificiellement l’ensemble des inf\u00e9rences subs\u00e9quentes.<\/p>\n

La deuxi\u00e8me erreur conceptuelle r\u00e9side dans la confusion pernicieuse entre l’\u00e9cart-type combin\u00e9 s<\/em>p<\/sub> et l’erreur type de la diff\u00e9rence de moyennes SEdiff<\/sub>. Rappelons avec insistance que l’\u00e9cart-type combin\u00e9 s<\/em>p<\/sub> est une mesure de dispersion individuelle d\u00e9crivant la variabilit\u00e9 th\u00e9orique entre les sujets au sein des populations parentes, tandis que l’erreur type SEdiff<\/sub> = s<\/em>p<\/sub> × √(1\/n<\/em>1<\/sub> + 1\/n<\/em>2<\/sub>) est une mesure de fluctuation d’\u00e9chantillonnage de la statistique de test qui tend inexorablement vers z\u00e9ro \u00e0 mesure que la taille des \u00e9chantillons cro\u00eet vers l’infini. Remplacer l’un par l’autre au d\u00e9nominateur du d<\/em> de Cohen ou du test t<\/em> constitue un non-sens statistique d\u00e9vastateur.<\/p>\n

Enfin, la troisi\u00e8me faute m\u00e9thodologique critique consiste \u00e0 appliquer ind\u00fbment la formule de la variance combin\u00e9e classique \u00e0 des donn\u00e9es issues de mesures r\u00e9p\u00e9t\u00e9es intra-sujets ou \u00e0 des plans de recherche appari\u00e9s. Dans ces configurations, l’existence d’une corr\u00e9lation positive entre les paires d’observations invalide formellement le postulat d’ind\u00e9pendance. Utiliser la formule inter-sujets dans ce cadre surestime drastiquement l’erreur type r\u00e9siduelle r\u00e9elle, privant le protocole de l’immense gain de puissance statistique conf\u00e9r\u00e9 par le contr\u00f4le de la variabilit\u00e9 interindividuelle stable propre aux plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es.<\/p>\n

R\u00e9f\u00e9rences<\/h2>\n