{"id":7834,"date":"2026-09-17T00:22:48","date_gmt":"2026-09-17T00:22:48","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-anova-emboitee-excel-etape-par-etape\/"},"modified":"2026-09-17T00:22:59","modified_gmt":"2026-09-17T00:22:59","slug":"comment-realiser-anova-emboitee-excel-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-anova-emboitee-excel-etape-par-etape","title":{"rendered":"Comment r\u00e9aliser une ANOVA embo\u00eet\u00e9e dans Excel (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

L’analyse de variance, introduite par le statisticien et g\u00e9n\u00e9ticien Ronald Aylmer Fisher<\/a> au d\u00e9but du XXe si\u00e8cle, constitue l’un des piliers m\u00e9thodologiques les plus robustes de l’inf\u00e9rence statistique contemporaine. Si les plans factoriels crois\u00e9s simples et les mod\u00e8les \u00e0 un facteur contr\u00f4l\u00e9 sont largement document\u00e9s dans la litt\u00e9rature didactique et int\u00e9gr\u00e9s de fa\u00e7on native dans la quasi-totalit\u00e9 des tableurs grand public, les architectures exp\u00e9rimentales hi\u00e9rarchis\u00e9es posent un d\u00e9fi analytique singulier. Dans de nombreuses disciplines empiriques — de l’agronomie exp\u00e9rimentale \u00e0 la biom\u00e9decine, en passant par les neurosciences cognitives, l’\u00e9cologie \u00e9volutive et le contr\u00f4le qualit\u00e9 industriel —, les dispositifs de collecte ne r\u00e9pondent pas \u00e0 une logique d’orthogonalit\u00e9 stricte. Les unit\u00e9s d’observation sont fr\u00e9quemment int\u00e9gr\u00e9es au sein de grappes, de lots, de nich\u00e9es ou de sous-structures organisationnelles qui emp\u00eachent tout croisement factoriel standard. Ignorer cette structure hi\u00e9rarchique au profit d’un mod\u00e8le factoriel crois\u00e9 classique conduit in\u00e9vitablement \u00e0 des biais d’estimation s\u00e9v\u00e8res et \u00e0 une inflation incontr\u00f4l\u00e9e de l’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n

L’ANOVA embo\u00eet\u00e9e (ou hi\u00e9rarchique, d\u00e9sign\u00e9e en anglais sous le terme de nested ANOVA<\/em>) a pr\u00e9cis\u00e9ment \u00e9t\u00e9 formalis\u00e9e pour r\u00e9pondre \u00e0 ces structures de donn\u00e9es d\u00e9pendantes o\u00f9 les modalit\u00e9s d’un facteur secondaire n’ont de sens, et n’existent physiquement, qu’\u00e0 l’int\u00e9rieur d’un niveau sp\u00e9cifique d’un facteur principal de rang sup\u00e9rieur. Bien que les progiciels de statistiques avanc\u00e9s tels que R, SAS, Stata ou SPSS disposent de proc\u00e9dures syntaxiques directes pour ajuster des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s \u00e0 effets embo\u00eet\u00e9s, Microsoft Excel demeure la plateforme computationnelle la plus accessible, la plus transparente et la plus r\u00e9pandue au sein des laboratoires de recherche, des bureaux d’\u00e9tudes et des entreprises. Toutefois, l’environnement natif d’Excel — et particuli\u00e8rement son module d’extension historique, l’Utilitaire d’analyse (Analysis ToolPak<\/em>) — ne propose aucune commande directe ni bo\u00eete de dialogue intitul\u00e9e \u00ab ANOVA embo\u00eet\u00e9e \u00bb.<\/p>\n

Le pr\u00e9sent guide a pour vocation de combler cette lacune technique en d\u00e9taillant, de fa\u00e7on m\u00e9thodique et exhaustive, l’ensemble des fondements math\u00e9matiques, des manipulations logicielles et des r\u00e9arrangements alg\u00e9briques n\u00e9cessaires pour conduire une ANOVA hi\u00e9rarchique rigoureuse dans Microsoft Excel. \u00c0 travers un protocole pas \u00e0 pas, nous verrons comment d\u00e9tourner judicieusement la proc\u00e9dure factorielle crois\u00e9e avec r\u00e9p\u00e9titions afin d’extraire les sommes des carr\u00e9s pertinentes, recalculer manuellement les degr\u00e9s de libert\u00e9, s\u00e9lectionner les ratios de variance F appropri\u00e9s selon la nature fixe ou al\u00e9atoire des facteurs, et valider les postulats distributionnels fondamentaux. Cette approche algorithmique permet non seulement de s’affranchir de logiciels statistiques on\u00e9reux pour les plans \u00e9quilibr\u00e9s, mais offre \u00e9galement une compr\u00e9hension intime de la d\u00e9composition des composantes de la variance au sein des architectures de donn\u00e9es hi\u00e9rarchis\u00e9es.<\/p>\n

1. 1. Fondements th\u00e9oriques de l’ANOVA embo\u00eet\u00e9e en m\u00e9thodologie quantitative<\/h2>\n

1.1 D\u00e9finition et principes de l’embo\u00eetement factoriel<\/h3>\n

Dans la d\u00e9marche exp\u00e9rimentale quantitative, la conceptualisation des facteurs de variation conditionne l’ensemble de la validit\u00e9 interne des conclusions inf\u00e9rentielles. Deux facteurs exp\u00e9rimentaux, arbitrairement d\u00e9sign\u00e9s par A et B, sont dits factoriellement crois\u00e9s si chaque modalit\u00e9 ou niveau du facteur A appara\u00eet en combinaison avec chaque modalit\u00e9 du facteur B au sein du protocole d’\u00e9chantillonnage. En revanche, un plan est qualifi\u00e9 d’embo\u00eet\u00e9, hi\u00e9rarchique ou nich\u00e9 lorsque les modalit\u00e9s du facteur secondaire B sont structurellement subordonn\u00e9es aux modalit\u00e9s du facteur principal A. Cela implique math\u00e9matiquement et empiriquement qu’un niveau donn\u00e9 du facteur B n’appara\u00eet, par d\u00e9finition, qu’au sein d’un seul et unique niveau du facteur A. Par exemple, si l’on \u00e9value l’effet de diff\u00e9rents traitements pharmaceutiques (Facteur A) administr\u00e9s dans plusieurs cliniques (Facteur B), les cliniques associ\u00e9es au traitement 1 ne sont pas les m\u00eames que celles associ\u00e9es au traitement 2. Le facteur \u00ab Clinique \u00bb ne peut en aucun cas \u00eatre crois\u00e9 avec le facteur \u00ab Traitement \u00bb : il lui est strictement subordonn\u00e9.<\/p>\n

\"Example
Example of nested ANOVA<\/figcaption><\/figure>\n

Cette distinction architecturale s’accompagne d’une diff\u00e9renciation fondamentale entre facteurs \u00e0 effets fixes et facteurs \u00e0 effets al\u00e9atoires. Un facteur est qualifi\u00e9 de fixe lorsque l’ensemble des modalit\u00e9s d’int\u00e9r\u00eat scientifique exhaustives ou sp\u00e9cifiquement choisies par l’exp\u00e9rimentateur est pr\u00e9sent dans l’\u00e9tude ; les conclusions statistiques se limitent alors rigoureusement \u00e0 ces niveaux pr\u00e9cis. \u00c0 l’inverse, un facteur est qualifi\u00e9 d’al\u00e9atoire lorsque ses modalit\u00e9s repr\u00e9sentent un \u00e9chantillon stochastique tir\u00e9 au hasard parmi une population plus vaste de modalit\u00e9s potentielles, l’objectif \u00e9tant d’inf\u00e9rer la variance attribuable \u00e0 cette population globale. Dans la grande majorit\u00e9 des applications empiriques en sciences comportementales, cognitives et agronomiques, le facteur de traitement principal (A) est consid\u00e9r\u00e9 comme fixe, tandis que le sous-facteur embo\u00eet\u00e9 (B) — repr\u00e9sentant des port\u00e9es animales, des parcelles agricoles, des classes d’\u00e9cole ou des op\u00e9rateurs de laboratoire — est mod\u00e9lis\u00e9 comme un facteur al\u00e9atoire. Ce sch\u00e9ma engendre un mod\u00e8le lin\u00e9aire \u00e0 effets mixtes hi\u00e9rarchis\u00e9.<\/p>\n

L’omission de cette structure embo\u00eet\u00e9e au cours de la mod\u00e9lisation statistique constitue une faute m\u00e9thodologique majeure fr\u00e9quemment d\u00e9sign\u00e9e sous le concept de pseudor\u00e9p\u00e9tition<\/a>, mise en lumi\u00e8re de mani\u00e8re s\u00e9minale par Stuart Hurlbert en 1984. Traiter les observations individuelles issues d’un m\u00eame sous-groupe comme des r\u00e9plicats statistiquement ind\u00e9pendants conduit \u00e0 confondre la variance r\u00e9siduelle intra-sous-groupe avec la variance r\u00e9elle attribuable au traitement principal. L’effet m\u00e9canique direct de cette m\u00e9sp\u00e9cification est une sous-estimation syst\u00e9matique de l’erreur standard des estimations, provoquant une r\u00e9duction artificielle de la largeur des intervalles de confiance et, par voie de cons\u00e9quence, une explosion dramatique du taux d’erreur de premi\u00e8re esp\u00e8ce (le risque d’affirmer \u00e0 tort l’existence d’un effet statistiquement significatif alors que l’hypoth\u00e8se nulle est vraie). Respecter l’embo\u00eetement est ainsi l’unique garantie d’un contr\u00f4le rigoureux de ce risque nominal dans les syst\u00e8mes hi\u00e9rarchiques.<\/p>\n

1.2 Le mod\u00e8le math\u00e9matique lin\u00e9aire sous-jacent<\/h3>\n

D’un point de vue formel, l’analyse de variance hi\u00e9rarchique repose sur le formalisme des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux. L’expression scalaire d’un plan d’exp\u00e9rience \u00e9quilibr\u00e9 comportant deux facteurs embo\u00eet\u00e9s s’\u00e9nonce selon l’\u00e9quation math\u00e9matique suivante :<\/p>\n

Yijk<\/sub> = μ + αi<\/sub> + βj(i)<\/sub> + εijk<\/sub><\/em><\/p>\n

Dans cette formalisation alg\u00e9brique, la quantit\u00e9 Yijk<\/sub><\/em> repr\u00e9sente la valeur observ\u00e9e pour la k<\/em>-i\u00e8me unit\u00e9 exp\u00e9rimentale (r\u00e9p\u00e9tition) au sein du j<\/em>-i\u00e8me niveau du facteur secondaire B, ce dernier \u00e9tant lui-m\u00eame embo\u00eet\u00e9 dans le i<\/em>-i\u00e8me niveau du facteur principal A. L’indice i<\/em> varie de 1 \u00e0 a<\/em> (nombre de modalit\u00e9s du facteur A), l’indice j<\/em> varie de 1 \u00e0 b<\/em> (nombre de modalit\u00e9s du facteur B au sein de chaque niveau de A), et l’indice k<\/em> varie de 1 \u00e0 n<\/em> (nombre de r\u00e9plications par sous-groupe, le plan \u00e9tant suppos\u00e9 strictement \u00e9quilibr\u00e9). Le terme μ<\/em> d\u00e9signe la moyenne g\u00e9n\u00e9rale th\u00e9orique de la population sous-jacente. Le param\u00e8tre αi<\/sub><\/em> correspond \u00e0 l’effet diff\u00e9rentiel du i<\/em>-i\u00e8me niveau du facteur principal A. L’\u00e9l\u00e9ment central du mod\u00e8le r\u00e9side dans le terme βj(i)<\/sub><\/em>, qui quantifie l’effet propre du j<\/em>-i\u00e8me niveau du facteur B conditionnellement au i<\/em>-i\u00e8me niveau de A. Enfin, le terme r\u00e9siduel εijk<\/sub><\/em> traduit la fluctuation stochastique non contr\u00f4l\u00e9e ou l’erreur exp\u00e9rimentale pure propre \u00e0 chaque mesure individuelle.<\/p>\n

L’estimation des param\u00e8tres de ce mod\u00e8le lin\u00e9aire et la validit\u00e9 des tests de signification statistiques reposent de fa\u00e7on absolue sur les postulats de Gauss-Markov \u00e9tendus aux mod\u00e8les gaussiens. D’une part, les termes d’erreur εijk<\/sub><\/em> sont postul\u00e9s ind\u00e9pendants et identiquement distribu\u00e9s selon une loi normale centr\u00e9e d’esp\u00e9rance nulle et de variance constante, soit εijk<\/sub> ~ N(0, σ2<\/sup>)<\/em>. Il s’agit du principe d’homosc\u00e9dasticit\u00e9 intra-groupe. D’autre part, dans l’hypoth\u00e8se o\u00f9 le sous-facteur B est mod\u00e9lis\u00e9 comme al\u00e9atoire, ses composantes d’effet sont \u00e9galement suppos\u00e9es suivre une distribution normale ind\u00e9pendante de variance sp\u00e9cifique, not\u00e9e βj(i)<\/sub> ~ N(0, σ2<\/sup>β<\/sub>)<\/em>, avec une covariance nulle entre les effets du facteur secondaire et les r\u00e9sidus d’\u00e9chantillonnage.<\/p>\n

La d\u00e9composition formelle de la variabilit\u00e9 globale repose sur le th\u00e9or\u00e8me fondamental d’orthogonalit\u00e9 des sommes des carr\u00e9s. La somme totale des carr\u00e9s des \u00e9carts \u00e0 la moyenne globale (not\u00e9e SSTotal<\/sub><\/em>) est rigoureusement partitionn\u00e9e en composantes additives ind\u00e9pendantes selon l’identit\u00e9 fondamentale :<\/p>\n

SSTotal<\/sub> = SSA<\/sub> + SSB(A)<\/sub> + SSR\u00e9siduelle<\/sub><\/em><\/p>\n

Cette d\u00e9composition illustre avec clart\u00e9 l’absence de terme d’interaction standard : la totalit\u00e9 de la variabilit\u00e9 qui, dans un plan crois\u00e9 conventionnel, aurait \u00e9t\u00e9 attribu\u00e9e \u00e0 la fois \u00e0 l’effet principal de B et \u00e0 l’interaction crois\u00e9e (A × B), est ici intrins\u00e8quement condens\u00e9e au sein de la somme des carr\u00e9s hi\u00e9rarchique SSB(A)<\/sub><\/em>. Pour garantir l’identifiabilit\u00e9 math\u00e9matique du mod\u00e8le dans le cas o\u00f9 le facteur A est \u00e0 effets fixes, la contrainte de centrage classique impose que la somme des αi<\/sub><\/em> soit \u00e9gale \u00e0 z\u00e9ro. De m\u00eame, si le sous-facteur B est mod\u00e9lis\u00e9 comme fixe, la contrainte impose que la somme des βj(i)<\/sub><\/em> soit nulle pour chaque indice i<\/em> pris individuellement.<\/p>\n

1.3 Comparaison entre plans factoriels crois\u00e9s et plans embo\u00eet\u00e9s<\/h3>\n

La distinction structurelle entre un plan factoriel crois\u00e9 et un plan embo\u00eet\u00e9 r\u00e9side au cœur de la th\u00e9orie des plans d’exp\u00e9riences. Dans un plan crois\u00e9 complet (not\u00e9 conventionnellement A × B), chaque modalit\u00e9 de B traverse orthogonalement l’ensemble des modalit\u00e9s de A. Cette structure bidimensionnelle permet d’isoler math\u00e9matiquement trois sources de variations distinctes : l’effet propre moyen du facteur A (invariant par rapport \u00e0 B), l’effet propre moyen du facteur B (invariant par rapport \u00e0 A), et le terme de synergie non lin\u00e9aire ou d’antagonisme appel\u00e9 interaction factorielle (A × B). L’interaction mesure sp\u00e9cifiquement la mesure dans laquelle la r\u00e9ponse aux variations du facteur A fluctue en amplitude ou en direction selon le niveau particulier assign\u00e9 au facteur B.<\/p>\n

Dans un sch\u00e9ma hi\u00e9rarchique embo\u00eet\u00e9 (not\u00e9 formellement B ⊂ A ou B(A)), l’interaction au sens classique du terme n’a aucun fondement math\u00e9matique ou s\u00e9mantique. Les modalit\u00e9s du facteur B n’existant pas au-del\u00e0 des fronti\u00e8res de leur niveau d’appartenance dans A, il est logiquement impossible de calculer une moyenne marginale pour une modalit\u00e9 de B \u00e0 travers tous les niveaux de A. Par cons\u00e9quent, l’orthogonalit\u00e9 s’effondre au profit d’un arbre hi\u00e9rarchique. L’\u00e9valuation de l’effet d’un site de production ou d’une machine op\u00e9rant exclusivement dans une usine donn\u00e9e ne peut faire l’objet d’une comparaison crois\u00e9e avec les machines d’une autre usine, les unit\u00e9s physiques \u00e9tant non interchangeables et uniques.<\/p>\n

Pour mat\u00e9rialiser cette divergence conceptuelle, consid\u00e9rons l’\u00e9valuation de deux types d’aliments pour b\u00e9tail (Facteur A : Aliment 1 vs Aliment 2). Si nous affectons ces deux r\u00e9gimes alimentaires \u00e0 des groupes d’animaux r\u00e9partis au sein des m\u00eames b\u00e2timents d’\u00e9levage, de telle sorte que chaque b\u00e2timent abrite \u00e0 la fois des animaux sous le r\u00e9gime 1 et des animaux sous le r\u00e9gime 2, le facteur \u00ab B\u00e2timent \u00bb est pleinement crois\u00e9 avec le facteur \u00ab Aliment \u00bb. Il est alors possible d’estimer un effet d’interaction b\u00e2timent × aliment. Si, \u00e0 l’inverse, des contraintes d’infrastructure logistique imposent que certains b\u00e2timents soient int\u00e9gralement d\u00e9di\u00e9s au r\u00e9gime 1, tandis que d’autres b\u00e2timents distincts sont int\u00e9gralement assign\u00e9s au r\u00e9gime 2, les b\u00e2timents deviennent structurellement embo\u00eet\u00e9s dans les r\u00e9gimes alimentaires. L’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 thermique, microbienne ou spatiale propre \u00e0 chaque b\u00e2timent ne peut plus \u00eatre s\u00e9par\u00e9e de mani\u00e8re crois\u00e9e : elle devient la composante hi\u00e9rarchique B(A)<\/em>. D\u00e8s lors, le test de l’efficacit\u00e9 intrins\u00e8que de l’aliment devra imp\u00e9rativement se faire en calibrant son \u00e9chelle de comparaison statistique non pas sur la variabilit\u00e9 entre les animaux individuels, mais sur la variabilit\u00e9 inter-b\u00e2timents.<\/p>\n

2. 2. D\u00e9finition du cadre exp\u00e9rimental et du cas d’\u00e9tude<\/h2>\n

2.1 Pr\u00e9sentation du cas d’application didactique<\/h3>\n

Afin d’ancrer de mani\u00e8re concr\u00e8te et didactique les proc\u00e9dures d’impl\u00e9mentation dans Microsoft Excel, nous d\u00e9finissons un sc\u00e9nario exp\u00e9rimental standard issu de la biotechnologie et du g\u00e9nie agronomique. L’objectif consiste \u00e0 \u00e9valuer l’impact de diff\u00e9rentes formulations d’un biostimulant foliaire novateur sur le rendement d’une culture mod\u00e8le. La variable r\u00e9ponse quantitative continue, mesur\u00e9e avec une pr\u00e9cision rigoureuse, est le rendement en biomasse s\u00e8che exprim\u00e9 en grammes par m\u00e8tre carr\u00e9 (g\/m²).<\/p>\n

Le dispositif exp\u00e9rimental s’articule autour d’une hi\u00e9rarchie \u00e0 deux niveaux :<\/p>\n