{"id":8013,"date":"2026-09-17T01:23:50","date_gmt":"2026-09-17T01:23:50","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/test-bartlett-homogeneite-variances-definition-exemple\/"},"modified":"2026-09-17T01:23:53","modified_gmt":"2026-09-17T01:23:53","slug":"test-bartlett-homogeneite-variances-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=test-bartlett-homogeneite-variances-definition-exemple","title":{"rendered":"Test de Bartlett pour l’homog\u00e9n\u00e9it\u00e9 des variances (D\u00e9finition et exemple)"},"content":{"rendered":"

Dans le champ de la recherche contemporaine en psychologie cognitive, clinique et exp\u00e9rimentale, la mod\u00e9lisation statistique inf\u00e9rentielle constitue la cl\u00e9 de vo\u00fbte de la validation des hypoth\u00e8ses scientifiques. Qu’il s’agisse de mesurer l’efficacit\u00e9 diff\u00e9rentielle de protocoles psychoth\u00e9rapeutiques, d’\u00e9valuer l’impact d’un stress aigu sur les capacit\u00e9s de la m\u00e9moire de travail ou d’analyser les temps de r\u00e9action sous diverses conditions attentionnelles, les chercheurs s’appuient massivement sur des mod\u00e8les lin\u00e9aires univari\u00e9s, au premier rang desquels figure l’analyse de variance (ANOVA)<\/a>. Cependant, la robustesse et la validit\u00e9 interne des inf\u00e9rences tir\u00e9es de ces mod\u00e8les reposent sur le respect scrupuleux d’un ensemble de postulats distributionnels fondamentaux. Parmi ces pr\u00e9requis math\u00e9matiques, l’homog\u00e9n\u00e9it\u00e9 des variances intra-groupes \u2014 d\u00e9sign\u00e9e sous le concept d’homosc\u00e9dasticit\u00e9 \u2014 occupe une position aussi critique que souvent n\u00e9glig\u00e9e lors des phases pr\u00e9liminaires du traitement des donn\u00e9es.<\/p>\n

L’ignorance ou l’\u00e9valuation superficielle de la dispersion des r\u00e9sidus peut entra\u00eener des distorsions m\u00e9thodologiques s\u00e9v\u00e8res, alt\u00e9rant artificiellement le taux d’erreur de premi\u00e8re esp\u00e8ce (α) et compromettant la reproductibilit\u00e9 des r\u00e9sultats scientifiques. C’est pr\u00e9cis\u00e9ment pour r\u00e9pondre \u00e0 l’imp\u00e9ratif de v\u00e9rification rigoureuse de cette \u00e9qui-dispersion qu’ont \u00e9t\u00e9 d\u00e9velopp\u00e9es plusieurs proc\u00e9dures inf\u00e9rentielles d\u00e9di\u00e9es, dont le test de Maurice Stevenson Bartlett constitue le mod\u00e8le param\u00e9trique historique de r\u00e9f\u00e9rence. Con\u00e7u sp\u00e9cifiquement pour sonder l’\u00e9galit\u00e9 de plusieurs variances issues d’\u00e9chantillons ind\u00e9pendants, le test de Bartlett demeure, en raison de ses propri\u00e9t\u00e9s math\u00e9matiques \u00e9l\u00e9gantes et de sa puissance statistique sous conditions id\u00e9ales, un jalon incontournable de l’\u00e9conom\u00e9trie, de la biom\u00e9trie et de la psychom\u00e9trie quantitative.<\/p>\n

Le pr\u00e9sent article propose une analyse exhaustive et approfondie du test de Bartlett pour l’homog\u00e9n\u00e9it\u00e9 des variances. En articulant les fondements th\u00e9oriques math\u00e9matiques, les contextes d’application m\u00e9thodologique propres \u00e0 la psychologie empirique, les d\u00e9monstrations alg\u00e9briques pas \u00e0 pas, les codes de mise en \u0153uvre informatique (R, Python, SPSS) et les alternatives robustes face aux violations de postulats, ce guide exhaustif offre aux chercheurs, cliniciens et analystes de donn\u00e9es un cadre de r\u00e9f\u00e9rence complet pour \u00e9valuer et traiter la structure de dispersion de leurs observations exp\u00e9rimentales.<\/p>\n

1. Fondements th\u00e9oriques et r\u00f4le de l’homog\u00e9n\u00e9it\u00e9 des variances en psychologie<\/h2>\n

1.1 Le postulat d’homosc\u00e9dasticit\u00e9 dans les mod\u00e8les inf\u00e9rentiels<\/h3>\n

Dans l’architecture du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9, le postulat d’homosc\u00e9dasticit\u00e9 d\u00e9signe la propri\u00e9t\u00e9 selon laquelle la variance des termes d’erreur r\u00e9siduelle demeure constante \u00e0 travers tous les niveaux ou combinaisons de niveaux de la variable ind\u00e9pendante factorielle. Formellement, si l’on consid\u00e8re un mod\u00e8le d’analyse de variance \u00e0 un facteur s’exprimant sous la forme :<\/p>\n

Yij<\/sub> = μ + αj<\/sub> + εij<\/sub><\/em><\/p>\n

o\u00f9 Yij<\/sub><\/em> repr\u00e9sente la mesure observ\u00e9e pour le i<\/em>-\u00e8me participant au sein du j<\/em>-\u00e8me groupe de traitement, μ<\/em> la moyenne g\u00e9n\u00e9rale de la population, αj<\/sub><\/em> l’effet sp\u00e9cifique induit par la modalit\u00e9 th\u00e9rapeutique ou exp\u00e9rimentale j<\/em>, et εij<\/sub><\/em> la composante de l’erreur al\u00e9atoire, l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 impose que :<\/p>\n

Var(εij<\/sub>) = σ2<\/sup> pour tout j ∈ {1, 2, …, k}<\/em><\/p>\n

Cette condition implique que chaque sous-population th\u00e9orique partage exactement la m\u00eame dispersion autour de sa moyenne conditionnelle respective. La validit\u00e9 du test F<\/em> de Fisher-Snedecor en ANOVA repose structurellement sur cette invariance : le d\u00e9nominateur du ratio F<\/em> (le carr\u00e9 moyen r\u00e9siduel ou intra-groupe) n’est un estimateur sans biais de la variance d’\u00e9chantillonnage commune que si et seulement si toutes les populations partagent une variance identique σ2<\/sup><\/em>.<\/p>\n

Lorsque cette pr\u00e9misse n’est pas respect\u00e9e \u2014 configuration statistique d\u00e9sign\u00e9e sous le terme d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 \u2014, le comportement de la statistique de test se d\u00e9grade substantiellement. Dans les plans exp\u00e9rimentaux d\u00e9s\u00e9quilibr\u00e9s, caract\u00e9ris\u00e9s par des effectifs in\u00e9gaux au sein des sous-groupes (n1<\/sub> ≠ n2<\/sub> ≠ … ≠ nk<\/sub><\/em>), l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 produit un d\u00e9r\u00e8glement pernicieux du taux nominal d’erreur de premi\u00e8re esp\u00e8ce (α). Si les sous-\u00e9chantillons de taille r\u00e9duite sont associ\u00e9s aux variances les plus \u00e9lev\u00e9es, le test F<\/em> devient excessivement lib\u00e9ral, voyant son taux d’erreur de type I r\u00e9el d\u00e9passer largement le seuil nominal de 0,05, conduisant le chercheur \u00e0 d\u00e9clarer fallacieusement significatifs des effets purement al\u00e9atoires. \u00c0 l’inverse, si les effectifs les plus massifs concentrent la plus forte dispersion, le test devient artificiellement conservateur, entra\u00eenant une chute drastique de la puissance statistique et gonflant l’erreur de seconde esp\u00e8ce (β). Dans le domaine de la recherche comportementale, o\u00f9 les tailles d’effet sont fr\u00e9quemment mod\u00e9r\u00e9es et les contraintes de recrutement majeures, une telle distorsion compromet directement l’interpr\u00e9tation des effets principaux et des patrons d’interaction.<\/p>\n

1.2 Origine historique et contextualisation du test de Bartlett<\/h3>\n

Le statisticien britannique Maurice Stevenson Bartlett<\/a> a introduit ce test d’homog\u00e9n\u00e9it\u00e9 en 1937 au sein d’une publication s\u00e9minale intitul\u00e9e \u00ab\u00a0Properties of sufficiency and statistical tests\u00a0\u00bb<\/em>, parue dans les Proceedings of the Royal Society of London<\/em>. \u00c0 cette \u00e9poque charni\u00e8re, l’\u00e9cole statistique britannique, dynamis\u00e9e par les travaux de Ronald A. Fisher, Jerzy Neyman et Egon Pearson, cherchait \u00e0 formaliser rigoureusement les crit\u00e8res d’ad\u00e9quation et de validit\u00e9 des estimateurs statistiques, notamment via le principe du quotient de vraisemblance (likelihood ratio test<\/em>).<\/p>\n

Bartlett s’est attaqu\u00e9 au probl\u00e8me complexe de la comparaison simultan\u00e9e de k<\/em> variances d’\u00e9chantillons gaussiens ind\u00e9pendants. Alors que le test F<\/em> classique permettait de comparer le rapport de deux variances empiriques (k = 2<\/em>), il n’existait pas de cadre g\u00e9n\u00e9ral standardis\u00e9 permettant d’\u00e9valuer de mani\u00e8re parcimonieuse l’hypoth\u00e8se conjointe d’\u00e9qui-dispersion pour trois groupes ou davantage sans multiplier les comparaisons bivari\u00e9es, source imm\u00e9diate d’inflation de l’erreur globale de d\u00e9cision. S’appuyant sur les principes de la th\u00e9orie des statistiques suffisantes, Bartlett a d\u00e9riv\u00e9 un crit\u00e8re statistique bas\u00e9 sur le logarithme du rapport entre la moyenne arithm\u00e9tique et la moyenne g\u00e9om\u00e9trique des variances d’\u00e9chantillon. Conscient que la statistique brute issue du rapport de vraisemblance pr\u00e9sentait un biais d’\u00e9chantillonnage non n\u00e9gligeable pour des tailles d’\u00e9chantillons finies, Bartlett a propos\u00e9 une modification fondamentale : l’introduction d’un facteur de correction analytique, d\u00e9sign\u00e9 par la constante c<\/em>, permettant \u00e0 la statistique d’approcher de fa\u00e7on remarquablement pr\u00e9cise une distribution asymptotique du Chi-deux.<\/p>\n

Dans les sciences humaines et sociales du milieu du XXe si\u00e8cle, cette formulation a constitu\u00e9 une avanc\u00e9e majeure, offrant pour la premi\u00e8re fois aux psychom\u00e8tres et psychologues exp\u00e9rimentateurs un algorithme math\u00e9matique strict pour l\u00e9gitimer l’emploi des mod\u00e8les d’ANOVA factoriels et des analyses de covariance (ANCOVA). Bien que l’\u00e9mergence ult\u00e9rieure de tests plus robustes aux \u00e9carts de distribution ait red\u00e9fini son champ d’action privil\u00e9gi\u00e9, le test de Bartlett demeure aujourd’hui un \u00e9talon th\u00e9orique pour l’\u00e9valuation de la dispersion param\u00e9trique dans la litt\u00e9rature quantitative contemporaine.<\/p>\n

1.3 Importance m\u00e9thodologique dans les protocoles exp\u00e9rimentaux en psychologie<\/h3>\n

L’\u00e9valuation de l’homog\u00e9n\u00e9it\u00e9 des variances d\u00e9passe largement le cadre d’une simple formalit\u00e9 calculatoire ; elle touche au c\u0153ur de l’\u00e9pist\u00e9mologie exp\u00e9rimentale en sciences du comportement. Lorsqu’un chercheur con\u00e7oit un essai contr\u00f4l\u00e9 randomis\u00e9 (ECR) \u00e9valuant l’efficacit\u00e9 d’une nouvelle th\u00e9rapie cognitive et comportementale (TCC) face \u00e0 une intervention pharmacologique et \u00e0 un groupe t\u00e9moin plac\u00e9 sur liste d’attente, il postule implicitement que la variance des scores cliniques apr\u00e8s traitement refl\u00e8te uniquement le bruit de mesure interindividuel r\u00e9siduel.<\/p>\n

Toutefois, une alt\u00e9ration de la variance sous un protocole th\u00e9rapeutique donn\u00e9 constitue souvent en elle-m\u00eame une donn\u00e9e clinique hautement informative. Un traitement novateur peut, par exemple, r\u00e9duire consid\u00e9rablement l’anxi\u00e9t\u00e9 chez certains patients tout en l’exacerbant chez d’autres en fonction de traits de personnalit\u00e9 sous-jacents, g\u00e9n\u00e9rant ainsi un \u00e9clatement de la variance dans le groupe exp\u00e9rimental par rapport au groupe t\u00e9moin. Le test de Bartlett permet de d\u00e9tecter cette fluctuation syst\u00e9matique de la variabilit\u00e9 intra-groupe, alertant le m\u00e9thodologiste sur l’existence potentielle de sous-groupes de r\u00e9pondeurs et de non-r\u00e9pondeurs.<\/p>\n

En outre, l’homog\u00e9n\u00e9it\u00e9 des variances constitue une garantie indispensable pour attester de l’\u00e9quivalence m\u00e9trique des outils psychom\u00e9triques administr\u00e9s. Si l’erreur de mesure ou la dispersion des scores sur une \u00e9chelle d’\u00e9valuation de la d\u00e9pression (telle que le BDI-II ou l’HAM-D) varie consid\u00e9rablement selon les tranches d’\u00e2ge ou les conditions d’exp\u00e9rimentation, les comparaisons de moyennes brutes perdent leur signification clinique directe. Enfin, sur le plan de la d\u00e9cision statistique formelle, la confirmation de l’homosc\u00e9dasticit\u00e9 via le test de Bartlett offre la justification analytique n\u00e9cessaire pour ex\u00e9cuter des contrastes polynomiaux orthogonaux, des comparaisons planifi\u00e9es a priori<\/em> ou des proc\u00e9dures de tests post-hoc standards (comme les m\u00e9thodes de Tukey HSD, Bonferroni ou Scheff\u00e9), lesquelles reposent toutes sur l’exploitation sans r\u00e9serve du carr\u00e9 moyen de l’erreur agr\u00e9g\u00e9e.<\/p>\n

2. D\u00e9finition math\u00e9matique et formulation des hypoth\u00e8ses statistiques<\/h2>\n

2.1 \u00c9nonciation rigoureuse de l’hypoth\u00e8se nulle (H0)<\/h3>\n

La formulation th\u00e9orique du test d’homog\u00e9n\u00e9it\u00e9 des variances de Bartlett repose sur un cadre de v\u00e9rification d’hypoth\u00e8ses statistiques unilat\u00e9ral au niveau de la distribution du Chi-deux, mais intrins\u00e8quement non directionnel quant \u00e0 la nature des \u00e9carts observ\u00e9s entre les populations parentes. L’hypoth\u00e8se nulle, formellement d\u00e9sign\u00e9e par H0<\/sub><\/em>, postule que les variances th\u00e9oriques des k<\/em> populations ind\u00e9pendantes dont sont extraits les \u00e9chantillons observ\u00e9s sont rigoureusement identiques entre elles.<\/p>\n

Math\u00e9matiquement, cette \u00e9galit\u00e9 conjointe s’\u00e9nonce comme suit :<\/p>\n

H0<\/sub> : σ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup> = σ3<\/sub>2<\/sup> = … = σk<\/sub>2<\/sup> = σ2<\/sup><\/em><\/p>\n

Dans cette formalisation, chaque terme σj<\/sub>2<\/sup><\/em> repr\u00e9sente le param\u00e8tre de variance de la j<\/em>-\u00e8me population (pour j = 1, 2, …, k<\/em>), tandis que σ2<\/sup><\/em> symbolise la variance commune inconnue qui sous-tend l’ensemble des sous-groupes sous le r\u00e9gime de l’hypoth\u00e8se nulle. Sur le plan conceptuel, admettre H0<\/sub><\/em> revient \u00e0 affirmer que les fluctuations num\u00e9riques observ\u00e9es entre les variances d’\u00e9chantillon s1<\/sub>2<\/sup>, s2<\/sub>2<\/sup>, …, sk<\/sub>2<\/sup><\/em> r\u00e9sultent exclusivement de l’erreur d’\u00e9chantillonnage al\u00e9atoire inh\u00e9rente au tirage des observations, et non de propri\u00e9t\u00e9s distributionnelles h\u00e9t\u00e9rog\u00e8nes entre les populations \u00e9tudi\u00e9es. L’acceptation (ou le non-rejet) de cette hypoth\u00e8se valide la possibilit\u00e9 de condenser ces multiples estimations locales en un unique estimateur non biais\u00e9 de la dispersion globale : la variance combin\u00e9e (pooled variance<\/em>).<\/p>\n

2.2 Caract\u00e9risation de l’hypoth\u00e8se alternative (HA)<\/h3>\n

\u00c0 l’oppos\u00e9 de cette condition de stricte uniformit\u00e9, l’hypoth\u00e8se alternative, traditionnellement not\u00e9e HA<\/sub><\/em> ou H1<\/sub><\/em>, correspond \u00e0 la n\u00e9gation logique de la conjonction postul\u00e9e par H0<\/sub><\/em>. Il est fondamental de souligner que HA<\/sub><\/em> n’impose nullement que l’ensemble des k<\/em> variances diff\u00e8rent toutes mutuellement les unes des autres. Il suffit qu’une seule population pr\u00e9sente une dispersion divergente par rapport aux autres pour que l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 soit formellement rompue.<\/p>\n

L’\u00e9nonciation math\u00e9matique s’\u00e9tablit d\u00e8s lors de la mani\u00e8re suivante :<\/p>\n

HA<\/sub> : ∃ (i, j) tel que σi<\/sub>2<\/sup> ≠ σj<\/sub>2<\/sup>, pour au moins une paire (i, j) avec 1 ≤ i < j ≤ k<\/em><\/p>\n

Cette structure conf\u00e8re au test de Bartlett une nature de test omnibus<\/em>. Tout comme le test F<\/em> de l’ANOVA indique la pr\u00e9sence d’une diff\u00e9rence de moyenne sans d\u00e9signer isol\u00e9ment quel groupe se distingue des autres, le test de Bartlett rejette l’homosc\u00e9dasticit\u00e9 globale d\u00e8s lors que la divergence statistique globale d\u00e9passe le seuil stochastique attendu. Par cons\u00e9quent, lorsque la d\u00e9cision statistique conduit au rejet formel de H0<\/sub><\/em>, le test n’indique pas directement l’identit\u00e9 du ou des groupes atypiques. Le chercheur est alors contraint d’engager des investigations analytiques compl\u00e9mentaires \u2014 telles que des comparaisons par paires des variances avec correction de la family-wise error rate ou une inspection diagnostique des r\u00e9sidus standardis\u00e9s \u2014 afin d’isoler la source exacte de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9.<\/p>\n

2.3 Types d’\u00e9chelles et nature des variables admissibles<\/h3>\n

L’admissibilit\u00e9 des donn\u00e9es pour le calcul du test de Bartlett est soumise \u00e0 des contraintes strictes relatives au niveau de mesure psychom\u00e9trique des variables analys\u00e9es, selon la typologie classique formalis\u00e9e par Stanley Smith Stevens. Le cadre math\u00e9matique du test repose sur le calcul des variances empiriques, lesquelles mobilisent des sommes de carr\u00e9s des \u00e9carts \u00e0 la moyenne arithm\u00e9tique. Cette op\u00e9ration exige imp\u00e9rativement que la variable d\u00e9pendante (not\u00e9e conventionnellement Y<\/em>) soit une variable continue mesur\u00e9e sur une \u00e9chelle d’intervalle ou sur une \u00e9chelle de rapport.<\/p>\n

En psychologie exp\u00e9rimentale et cognitive, cette exigence est satisfaite par des m\u00e9triques quantitatives r\u00e9elles telles que les temps de latence motrice mesur\u00e9s en millisecondes, les concentrations salivaires de cortisol en microgrammes par d\u00e9cilitre, les scores standardis\u00e9s \u00e0 des \u00e9preuves psychom\u00e9triques \u00e9talonn\u00e9es (comme les quotients intellectuels ou les \u00e9chelles de m\u00e9moire de Wechsler) ou les indices d’activation h\u00e9modynamique en imagerie fonctionnelle. \u00c0 l’inverse, l’application du test de Bartlett sur des variables purement ordinales brutes \u2014 telles que des scores d’items de type Likert en 5 ou 7 points non agr\u00e9g\u00e9s, des classements de rangs ou des stades cliniques cat\u00e9goris\u00e9s \u2014 constitue une faute m\u00e9thodologique majeure. Pour ces donn\u00e9es non m\u00e9triques, la variance d’\u00e9chantillon classique perd ses propri\u00e9t\u00e9s d’estimation param\u00e9trique, faussant irr\u00e9m\u00e9diablement le calcul logarithmique au c\u0153ur du test.<\/p>\n

Quant \u00e0 la variable ind\u00e9pendante (le facteur de groupement X<\/em>), elle doit imp\u00e9rativement \u00eatre une variable discr\u00e8te, cat\u00e9gorielle ou nominale, d\u00e9finissant k ≥ 2<\/em> sous-\u00e9chantillons distincts et mutuellement exclusifs. Si la variable pr\u00e9dictive est elle-m\u00eame continue, le cadre d’\u00e9valuation de l’homog\u00e9n\u00e9it\u00e9 des variances ne rel\u00e8ve plus du test de Bartlett, mais des diagnostics de r\u00e9sidus propres \u00e0 la r\u00e9gression lin\u00e9aire multiple, tels que les tests de Breusch-Pagan, de White ou de Koenker.<\/p>\n

3. Distinction cruciale : Test d’homog\u00e9n\u00e9it\u00e9 vs Test de sph\u00e9ricit\u00e9 de Bartlett<\/h2>\n

3.1 Objet et port\u00e9e du test de sph\u00e9ricit\u00e9 de Bartlett<\/h3>\n

Dans la litt\u00e9rature m\u00e9thodologique en sciences du comportement, une m\u00e9prise fr\u00e9quente consiste \u00e0 confondre deux proc\u00e9dures statistiques distinctes portant le nom du m\u00eame auteur : le test d’homog\u00e9n\u00e9it\u00e9 des variances de Bartlett et le test de sph\u00e9ricit\u00e9 de Bartlett<\/a>. Bien qu’ils partagent une parent\u00e9 math\u00e9matique fond\u00e9e sur le principe du quotient de vraisemblance et convergent tous deux vers une distribution du Chi-deux, leurs champs d’application respectifs, leurs structures de matrices de donn\u00e9es et leurs finalit\u00e9s scientifiques sont fondamentalement divergents.<\/p>\n

Le test de sph\u00e9ricit\u00e9 de Bartlett est exclusivement employ\u00e9 dans le domaine de l’analyse multivari\u00e9e et de la r\u00e9duction de dimension, notamment lors de la r\u00e9alisation d’une Analyse en Composantes Principales (ACP) ou d’une Analyse Factorielle Exploratoire (AFE). Son objet direct est d’\u00e9valuer la matrice de corr\u00e9lation R<\/em> observ\u00e9e entre p<\/em> variables quantitatives distinctes mesur\u00e9es sur un \u00e9chantillon unique. L’hypoth\u00e8se nulle sous-jacente postule que la matrice de corr\u00e9lation empirique est statistiquement indiscernable d’une matrice identit\u00e9 Ip<\/sub><\/em>, ce qui \u00e9quivaut \u00e0 affirmer que toutes les variables mesur\u00e9es sont parfaitement orthogonales (ind\u00e9pendantes) et que leurs corr\u00e9lations crois\u00e9es sont nulles :<\/p>\n

H0, Sph\u00e9ricit\u00e9<\/sub> : R = Ip<\/sub><\/em><\/p>\n

Dans ce contexte, le rejet de l’hypoth\u00e8se nulle est imp\u00e9ratif pour justifier m\u00e9thodologiquement la pertinence d’une r\u00e9duction dimensionnelle : si la matrice est une matrice d’identit\u00e9, les variables ne partagent aucune variance commune, rendant caduque l’extraction de facteurs latents sous-jacents.<\/p>\n

3.2 Objet et port\u00e9e du test d’homog\u00e9n\u00e9it\u00e9 des variances de Bartlett<\/h3>\n

\u00c0 l’oppos\u00e9 diam\u00e9tral de l’\u00e9valuation de matrices de corr\u00e9lations multivari\u00e9es, le test d’homog\u00e9n\u00e9it\u00e9 des variances de Bartlett \u2014 qui constitue l’objet exclusif du pr\u00e9sent article \u2014 s’applique strictement \u00e0 une seule variable d\u00e9pendante continue observ\u00e9e \u00e0 travers les modalit\u00e9s d’un facteur inter-sujets. Il n’\u00e9value aucune corr\u00e9lation entre variables multiples, mais quantifie la stabilit\u00e9 de l’\u00e9talement scalaire (la dispersion univari\u00e9e) d’une mesure unique au sein de sous-groupes ind\u00e9pendants d’individus.<\/p>\n

Son cadre math\u00e9matique n’op\u00e8re pas sur les valeurs propres d’une matrice carr\u00e9e de corr\u00e9lations ou de covariances, mais confronte directement un vecteur de k<\/em> variances scalaires [s1<\/sub>2<\/sup>, s2<\/sub>2<\/sup>, …, sk<\/sub>2<\/sup>]<\/em> issues de sous-populations exp\u00e9rimentales distinctes. Sa finalit\u00e9 op\u00e9rationnelle consiste \u00e0 valider la condition de variance r\u00e9siduelle constante indispensable \u00e0 l’ex\u00e9cution d’un mod\u00e8le lin\u00e9aire univari\u00e9 unilat\u00e9ral ou factoriel. Alors que dans le test de sph\u00e9ricit\u00e9, le chercheur esp\u00e8re ardemment rejeter H0<\/sub><\/em> afin de d\u00e9montrer la factorisabilit\u00e9 de son questionnaire psychologique, dans le test d’homog\u00e9n\u00e9it\u00e9, le r\u00e9sultat souhait\u00e9 r\u00e9side g\u00e9n\u00e9ralement dans le maintien de H0<\/sub><\/em> (p > 0,05<\/em>), attestant que les variances intra-groupes sont \u00e9quivalentes et que l’ANOVA classique peut \u00eatre conduite sans ajustement correctif de ses degr\u00e9s de libert\u00e9.<\/p>\n

3.3 Confusion terminologique r\u00e9currente et tableau comparatif synth\u00e9tique<\/h3>\n

Cette ambigu\u00eft\u00e9 terminologique est accentu\u00e9e par le fait que de nombreux logiciels de traitement statistique pr\u00e9sentent les deux fonctions dans des modules proches ou sous des libell\u00e9s abr\u00e9g\u00e9s. Les chercheurs novices commettent ainsi parfois l’erreur de citer \u00ab\u00a0le test de Bartlett\u00a0\u00bb dans leur section m\u00e9thodologique sans pr\u00e9ciser s’il s’agit de la validation pr\u00e9alable d’une \u00e9chelle psychom\u00e9trique (sph\u00e9ricit\u00e9) ou de la v\u00e9rification de l’homosc\u00e9dasticit\u00e9 d’une ANOVA (homog\u00e9n\u00e9it\u00e9).<\/p>\n

Le tableau comparatif ci-dessous synth\u00e9tise de mani\u00e8re explicite les lignes de d\u00e9marcation structurales entre ces deux entit\u00e9s statistiques majeures :<\/p>\n\n\n\n\n\n\n\n\n\n\n
Crit\u00e8re de diff\u00e9renciation<\/th>\nTest d’homog\u00e9n\u00e9it\u00e9 de Bartlett<\/th>\nTest de sph\u00e9ricit\u00e9 de Bartlett<\/th>\n<\/tr>\n<\/thead>\n
Domaine d’application<\/strong><\/td>\nMod\u00e9lisation lin\u00e9aire univari\u00e9e (ANOVA, R\u00e9gression, Tests t ind\u00e9pendants).<\/td>\nAnalyse multivari\u00e9e des donn\u00e9es (ACP, Analyse Factorielle Exploratoire).<\/td>\n<\/tr>\n
Objet math\u00e9matique \u00e9valu\u00e9<\/strong><\/td>\nUn ensemble de k<\/em> variances scalaires univari\u00e9es (s1<\/sub>2<\/sup>, …, sk<\/sub>2<\/sup><\/em>).<\/td>\nUne matrice carr\u00e9e de corr\u00e9lation R<\/em> de dimension (p × p)<\/em>.<\/td>\n<\/tr>\n
Formulation de l’hypoth\u00e8se nulle (H0<\/sub>)<\/strong><\/td>\nσ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup> = … = σk<\/sub>2<\/sup><\/em> (\u00c9galit\u00e9 stricte des variances).<\/td>\nR = Ip<\/sub><\/em> (La matrice de corr\u00e9lation est \u00e9gale \u00e0 la matrice identit\u00e9).<\/td>\n<\/tr>\n
Degr\u00e9s de libert\u00e9 (df)<\/strong><\/td>\ndf = k – 1<\/em> (Nombre de groupes moins un).<\/td>\ndf = p(p – 1) \/ 2<\/em> (Nombre de corr\u00e9lations uniques sous le triangle).<\/td>\n<\/tr>\n
R\u00e9sultat souhait\u00e9 par le chercheur<\/strong><\/td>\nNon-rejet de H0<\/sub><\/em> (p > 0,05<\/em>) pour garantir l’homosc\u00e9dasticit\u00e9 de l’erreur.<\/td>\nRejet de H0<\/sub><\/em> (p < 0,05<\/em>) pour justifier la factorisation des variables.<\/td>\n<\/tr>\n
Impl\u00e9mentation standard sous R<\/strong><\/td>\nstats::bartlett.test(y ~ groupe)<\/code><\/td>\npsych::cortest.bartlett(cor_matrix, n)<\/code><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

La distinction \u00e9tant formellement \u00e9tablie, la suite de cette monographie est consacr\u00e9e exclusivement \u00e0 l’\u00e9tude approfondie du test d’homog\u00e9n\u00e9it\u00e9 des variances.<\/p>\n

4. Conditions d’application et sensibilit\u00e9 stricte \u00e0 la normalit\u00e9<\/h2>\n

4.1 Le postulat fondamental de distribution normale<\/h3>\n

Le test d’homog\u00e9n\u00e9it\u00e9 des variances de Bartlett repose sur une condition de validit\u00e9 distributionnelle d’une rigueur absolue : la normalit\u00e9 stricte des populations parentes dont sont extraits les sous-\u00e9chantillons. Sous le mod\u00e8le math\u00e9matique d\u00e9velopp\u00e9 par Bartlett, les observations individuelles doivent obligatoirement suivre une loi normale univari\u00e9e au sein de chaque groupe :<\/p>\n

Yij<\/sub> ~ N(μj<\/sub>, σj<\/sub>2<\/sup>)<\/em><\/p>\n

Contrairement au test F<\/em> de l’ANOVA, qui fait preuve d’une robustesse substantielle aux \u00e9carts mod\u00e9r\u00e9s \u00e0 la normalit\u00e9 lorsque les effectifs d’\u00e9chantillons sont suffisants et \u00e9quilibr\u00e9s en vertu du th\u00e9or\u00e8me central limite, le test de Bartlett ne b\u00e9n\u00e9ficie d’aucune propri\u00e9t\u00e9 protectrice similaire. Il est r\u00e9put\u00e9 pour sa vuln\u00e9rabilit\u00e9 extr\u00eame aux d\u00e9viations de la loi normale, et plus sp\u00e9cifiquement aux anomalies affectant l’aplatissement (kurtosis<\/em>) et l’asym\u00e9trie (skewness<\/em>) de la distribution empirique.<\/p>\n

Dans un article pol\u00e9mique devenu un classique de la litt\u00e9rature statistique intitul\u00e9 \u00ab\u00a0Non-normality and tests on variances\u00a0\u00bb<\/em>, le statisticien George E. P. Box (1953)<\/a> a formul\u00e9 une m\u00e9taphore c\u00e9l\u00e8bre pour d\u00e9noncer l’extr\u00eame sensibilit\u00e9 du test de Bartlett aux entorses de la loi normale. Il \u00e9crivait qu’utiliser le test de Bartlett pour v\u00e9rifier l’homosc\u00e9dasticit\u00e9 pr\u00e9alable \u00e0 une ANOVA \u00e9quivaut \u00e0 \u00ab prendre la mer dans un canot pneumatique pour v\u00e9rifier si l’oc\u00e9an est suffisamment calme pour qu’un paquebot transatlantique puisse naviguer \u00bb<\/em>. En termes math\u00e9matiques, la statistique de Bartlett ne teste pas uniquement l’\u00e9galit\u00e9 des variances, elle teste conjointement l’hypoth\u00e8se compos\u00e9e d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9 parfaite.<\/p>\n

Lorsque la distribution d’une variable pr\u00e9sente un kurtosis positif marqu\u00e9 (distribution leptokurtique, caract\u00e9ris\u00e9e par des queues \u00e9paisses et un pic central prononc\u00e9, fr\u00e9quemment observ\u00e9e lors de l’administration de temps de r\u00e9action en neurosciences ou d’\u00e9chelles d’anxi\u00e9t\u00e9 en psychiatrie clinique), la variance th\u00e9orique de la variance d’\u00e9chantillon est nettement sup\u00e9rieure \u00e0 celle pr\u00e9dite sous l’hypoth\u00e8se de Gauss. En cons\u00e9quence, la statistique du test de Bartlett explose m\u00e9caniquement, produisant un nombre exorbitant de faux positifs (rejets indus de H0<\/sub><\/em>). Le chercheur en conclura \u00e0 tort \u00e0 une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances, alors m\u00eame que les populations partagent rigoureusement la m\u00eame dispersion mais pr\u00e9sentent simplement une forme non gaussienne. Inversement, en pr\u00e9sence de distributions platykurtiques (queues l\u00e9g\u00e8res), le test devient sous-sensible. Par cons\u00e9quent, l’ex\u00e9cution pr\u00e9alable d’un test rigoureux de normalit\u00e9 au sein de chaque sous-groupe (tel que le test de Shapiro-Wilk pour n < 50<\/em> ou le test d’Anderson-Darling) constitue un imp\u00e9ratif m\u00e9thodologique incontournable avant d’accorder le moindre cr\u00e9dit aux conclusions d’un test de Bartlett.<\/p>\n

4.2 Ind\u00e9pendance des observations et \u00e9chantillonnage<\/h3>\n

Le second pilier th\u00e9orique garantissant l’ad\u00e9quation de la distribution d’\u00e9chantillonnage de Bartlett est l’ind\u00e9pendance statistique absolue des observations, tant \u00e0 l’int\u00e9rieur de chaque groupe (ind\u00e9pendance intra-groupe) qu’entre les diff\u00e9rents sous-\u00e9chantillons (ind\u00e9pendance inter-groupes). Cette condition impose que la valeur prise par le participant i<\/em> dans la condition exp\u00e9rimentale j<\/em> ne fournisse aucune information pr\u00e9dictive sur la valeur obtenue par le participant i’<\/em> dans la m\u00eame condition ou dans toute condition concurrente :<\/p>\n

Cov(εij<\/sub>, εi’j<\/sub>) = 0 pour tout i ≠ i’<\/em> et Cov(εij<\/sub>, εi’j’<\/sub>) = 0 pour tout j ≠ j’<\/em><\/p>\n

Cette exigence disqualifie formellement l’utilisation du test de Bartlett dans tous les protocoles exp\u00e9rimentaux \u00e0 mesures r\u00e9p\u00e9t\u00e9es, les designs en blocs al\u00e9atoires complets ou les \u00e9tudes longitudinales impliquant un suivi temporel des m\u00eames sujets (plans pr\u00e9-test \/ post-test). Dans de telles configurations, les mesures successives collect\u00e9es sur une m\u00eame unit\u00e9 biologique sont positivement corr\u00e9l\u00e9es du fait de la variance stable propre au sujet, violant l’hypoth\u00e8se d’ind\u00e9pendance et n\u00e9cessitant l’emploi de tests de sph\u00e9ricit\u00e9 multivari\u00e9s (comme le test de sph\u00e9ricit\u00e9 de Mauchly appliqu\u00e9 \u00e0 la matrice des r\u00e9sidus).<\/p>\n

De m\u00eame, dans les protocoles de psychologie sociale ou organisationnelle o\u00f9 l’\u00e9chantillonnage est r\u00e9alis\u00e9 en grappes hi\u00e9rarchiques (par exemple, des \u00e9l\u00e8ves nich\u00e9s au sein de classes scolaires, ou des soignants regroup\u00e9s par \u00e9tablissements hospitaliers), l’erreur r\u00e9siduelle est soumise \u00e0 un coefficient de corr\u00e9lation intra-classe (ρ) non nul. L’application m\u00e9canique du test de Bartlett sur des donn\u00e9es group\u00e9es non d\u00e9corr\u00e9l\u00e9es conduit \u00e0 une sous-estimation syst\u00e9matique de l’erreur-type de la dispersion et invalide le calcul asymptotique de la statistique de d\u00e9cision.<\/p>\n

4.3 Sensibilit\u00e9 aux effectifs \u00e9chantillonnaux<\/h3>\n

Le comportement de la statistique de Bartlett est profond\u00e9ment modul\u00e9 par la taille absolue des effectifs (N<\/em> total et nj<\/sub><\/em> individuels) ainsi que par le ratio d’\u00e9quilibrage des groupes. Sur le plan th\u00e9orique, la convergence de la statistique B<\/em> vers une loi formelle du Chi-deux repose sur une approximation asymptotique. Cette approximation conserve une pr\u00e9cision excellente pour des effectifs mod\u00e9r\u00e9s, \u00e0 la condition expresse que chaque sous-groupe comporte un effectif minimal suffisant, commun\u00e9ment fix\u00e9 \u00e0 nj<\/sub> ≥ 5<\/em> dans la litt\u00e9rature biom\u00e9trique contemporaine. Si l’un des groupes descend sous ce seuil critique (par exemple dans des \u00e9tudes de cas cliniques rares o\u00f9 nj<\/sub> = 3<\/em> ou 4<\/em>), l’erreur d’approximation de la queue de distribution s’\u00e9largit, augmentant le risque d’erreur d’inf\u00e9rence.<\/p>\n

Dans les tr\u00e8s grands \u00e9chantillons (N > 1 000<\/em> participants), configuration de plus en plus courante \u00e0 l’\u00e8re de la collecte de donn\u00e9es en ligne via des plateformes comme Prolific ou Amazon Mechanical Turk, le test de Bartlett d\u00e9veloppe une puissance statistique colossale. Dans ce sc\u00e9nario, le test tend \u00e0 rejeter l’hypoth\u00e8se nulle au seuil de signification de α = 0,05<\/em> pour des divergences triviales entre les variances d’\u00e9chantillons \u2014 par exemple, une variance de 10,2 compar\u00e9e \u00e0 une variance de 10,6. D’un point de vue clinique ou psychologique, une telle diff\u00e9rence de dispersion est rigoureusement n\u00e9gligeable et n’exerce absolument aucun impact d\u00e9l\u00e9t\u00e8re sur la validit\u00e9 de l’ANOVA sous-jacente. Le rejet formel de H0<\/sub><\/em> par le test de Bartlett peut alors conduire le chercheur \u00e0 opter inutilement pour des proc\u00e9dures alternatives complexes, alt\u00e9rant la puissance d’analyse du mod\u00e8le principal.<\/p>\n

5. Formulation math\u00e9matique d\u00e9taill\u00e9e et algorithme de calcul<\/h2>\n

5.1 Calcul de la variance combin\u00e9e globale (pooled variance)<\/h3>\n

La m\u00e9canique calculatoire du test de Maurice Bartlett repose sur une confrontation \u00e9l\u00e9gante entre deux fa\u00e7ons d’\u00e9valuer la dispersion globale de l’\u00e9chantillon agr\u00e9g\u00e9 : une estimation moyenne pond\u00e9r\u00e9e arithm\u00e9tique d’une part, et une estimation moyenne pond\u00e9r\u00e9e logarithmique d’autre part. La premi\u00e8re \u00e9tape algorithmique consiste \u00e0 d\u00e9terminer l’estimateur sans biais de la variance commune de l’ensemble de l’\u00e9chantillon sous l’hypoth\u00e8se nulle H0<\/sub><\/em>. Cet estimateur est d\u00e9sign\u00e9 sous le terme de variance combin\u00e9e ou pooled sample variance<\/em>, not\u00e9e conventionnellement sp<\/sub>2<\/sup><\/em>.<\/p>\n

Soit k<\/em> groupes ind\u00e9pendants caract\u00e9ris\u00e9s par des effectifs respectifs n1<\/sub>, n2<\/sub>, …, nk<\/sub><\/em>. L’effectif total d’observation est d\u00e9fini par :<\/p>\n

N = ∑j=1<\/sub>k<\/sup> nj<\/sub><\/em><\/p>\n

Pour chaque sous-\u00e9chantillon j<\/em>, on calcule sa variance corrig\u00e9e non biais\u00e9e (divis\u00e9e par ses degr\u00e9s de libert\u00e9 locaux nj<\/sub> – 1<\/em>) :<\/p>\n

sj<\/sub>2<\/sup> = (1 \/ (nj<\/sub> – 1)) × ∑i=1<\/sub>nj<\/sub><\/sup> (Yij<\/sub> – Ȳj<\/sub>)2<\/sup><\/em><\/p>\n

o\u00f9 Ȳj<\/sub><\/em> repr\u00e9sente la moyenne empirique observ\u00e9e au sein du groupe j<\/em>. La variance combin\u00e9e s’obtient alors en pond\u00e9rant chaque variance locale par ses degr\u00e9s de libert\u00e9 sp\u00e9cifiques, puis en divisant cette somme par le total des degr\u00e9s de libert\u00e9 intra-groupes (N – k)<\/em> :<\/p>\n

sp<\/sub>2<\/sup> = (1 \/ (N – k)) × ∑j=1<\/sub>k<\/sup> (nj<\/sub> – 1) sj<\/sub>2<\/sup><\/em><\/p>\n

Cette quantit\u00e9 sp<\/sub>2<\/sup><\/em> est strictement identique au terme de carr\u00e9 moyen de l’erreur (Mean Square Error<\/em>, not\u00e9 MSE<\/em> ou CMR\u00e9siduel<\/sub><\/em>) extrait du tableau standard d’une ANOVA \u00e0 un facteur. Elle constitue la meilleure estimation param\u00e9trique possible de la variabilit\u00e9 r\u00e9siduelle commune th\u00e9orique σ2<\/sup><\/em> si l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 est v\u00e9rifi\u00e9e dans la population g\u00e9n\u00e9rale.<\/p>\n

5.2 Calcul du num\u00e9rateur et divergence logarithmique<\/h3>\n

Une fois la variance combin\u00e9e sp<\/sub>2<\/sup><\/em> \u00e9tablie, l’\u00e9tape suivante consiste \u00e0 quantifier l’\u00e9cart d’\u00e9talement entre cette variance globale de r\u00e9f\u00e9rence et les variances sp\u00e9cifiques de chaque modalit\u00e9. L’algorithme de Bartlett n’op\u00e8re pas une simple diff\u00e9rence absolue, mais utilise les propri\u00e9t\u00e9s de l’entropie statistique et du logarithme n\u00e9p\u00e9rien (not\u00e9 ln<\/em>), directement d\u00e9riv\u00e9 du principe du quotient de vraisemblance.<\/p>\n

Le num\u00e9rateur de la statistique \u2014 souvent not\u00e9 M<\/em> dans la formulation d’origine de Bartlett \u2014 correspond \u00e0 la diff\u00e9rence pond\u00e9r\u00e9e entre le logarithme de la variance combin\u00e9e et la somme des logarithmes des variances individuelles :<\/p>\n

M = (N – k) ln(sp<\/sub>2<\/sup>) – ∑j=1<\/sub>k<\/sup> (nj<\/sub> – 1) ln(sj<\/sub>2<\/sup>)<\/em><\/p>\n

Sur le plan math\u00e9matique, cette expression peut \u00eatre r\u00e9\u00e9crite pour faire appara\u00eetre explicitement un ratio de moyennes g\u00e9om\u00e9triques et arithm\u00e9tiques :<\/p>\n

M = ln [ (sp<\/sub>2<\/sup>)(N – k)<\/sup> \/ ∏j=1<\/sub>k<\/sup> (sj<\/sub>2<\/sup>)(nj<\/sub> – 1)<\/sup> ]<\/em><\/p>\n

En vertu de l’in\u00e9galit\u00e9 de Jensen et des propri\u00e9t\u00e9s \u00e9l\u00e9mentaires de la convexit\u00e9 de la fonction logarithme, la moyenne arithm\u00e9tique d’une s\u00e9rie de valeurs positives est toujours sup\u00e9rieure ou \u00e9gale \u00e0 leur moyenne g\u00e9om\u00e9trique. L’\u00e9galit\u00e9 parfaite n’est atteinte que si et seulement si toutes les valeurs individuelles sont rigoureusement identiques entre elles (c’est-\u00e0-dire si s1<\/sub>2<\/sup> = s2<\/sub>2<\/sup> = … = sk<\/sub>2<\/sup> = sp<\/sub>2<\/sup><\/em>). Dans cette situation th\u00e9orique d’identit\u00e9 absolue des variances d’\u00e9chantillon, la quantit\u00e9 M<\/em> est strictement \u00e9gale \u00e0 z\u00e9ro. Plus les variances locales divergent les unes des autres, plus le terme de droite d\u00e9cro\u00eet par rapport au premier terme, et plus la valeur de M<\/em> s’accro\u00eet positivement. Cette divergence refl\u00e8te directement le degr\u00e9 de vraisemblance de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des donn\u00e9es.<\/p>\n

5.3 Facteur de correction c et statistique finale de Bartlett<\/h3>\n

La quantit\u00e9 M<\/em> d\u00e9finie pr\u00e9c\u00e9demment constitue le noyau fondamental du test du rapport de vraisemblance. Cependant, pour des \u00e9chantillons r\u00e9els de tailles mod\u00e9r\u00e9es ou in\u00e9gales, la distribution d’\u00e9chantillonnage exacte de M<\/em> s’\u00e9carte substantiellement de la loi th\u00e9orique du Chi-deux, produisant une estimation biais\u00e9e de la p-valeur. Le trait de g\u00e9nie de Maurice Bartlett a r\u00e9sid\u00e9 dans l’\u00e9laboration analytique d’un facteur de correction d’\u00e9chelle, universellement d\u00e9sign\u00e9 par la constante scalaire c<\/em>, qui permet de neutraliser ce biais d’\u00e9chantillonnage fini.<\/p>\n

Ce facteur de correction math\u00e9matique est rigoureusement d\u00e9fini par la formule suivante :<\/p>\n

c = 1 + [ 1 \/ (3(k – 1)) ] × [ ( ∑j=1<\/sub>k<\/sup> 1 \/ (nj<\/sub> – 1) ) – 1 \/ (N – k) ]<\/em><\/p>\n

Une analyse structurelle de cette \u00e9quation r\u00e9v\u00e8le son fonctionnement stabilisateur :<\/p>\n