{"id":8123,"date":"2026-09-17T04:08:13","date_gmt":"2026-09-17T04:08:13","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/egalite-inegalite-variance-tests-t\/"},"modified":"2026-09-17T04:08:14","modified_gmt":"2026-09-17T04:08:14","slug":"egalite-inegalite-variance-tests-t","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=egalite-inegalite-variance-tests-t","title":{"rendered":"Comment d\u00e9terminer l’\u00e9galit\u00e9 ou l’in\u00e9galit\u00e9 des variances dans les tests t"},"content":{"rendered":"

L’inf\u00e9rence statistique dans le cadre des devis exp\u00e9rimentaux et quasi exp\u00e9rimentaux repose sur une s\u00e9rie de postulats th\u00e9oriques dont l’exactitude conditionne la validit\u00e9 des conclusions scientifiques. Parmi les proc\u00e9dures d’analyse bivari\u00e9e les plus couramment mobilis\u00e9es en psychologie quantitative, en neurosciences cognitives et en sciences du comportement, la comparaison de deux moyennes d’\u00e9chantillons ind\u00e9pendants occupe une place pr\u00e9pond\u00e9rante. Formalis\u00e9e au d\u00e9but du vingti\u00e8me si\u00e8cle sous l’impulsion des travaux pionniers de William Sealy Gosset, publiant sous le pseudonyme de Student<\/a>, cette approche comparative n\u00e9cessite une attention scrupuleuse accord\u00e9e aux propri\u00e9t\u00e9s distributionnelles des populations sous-jacentes. Trop souvent r\u00e9duite \u00e0 un calcul m\u00e9canique au sein des logiciels d’analyse de donn\u00e9es, l’application du test t pour \u00e9chantillons ind\u00e9pendants engage en r\u00e9alit\u00e9 la responsabilit\u00e9 \u00e9pist\u00e9mologique du chercheur face \u00e0 la structure intrins\u00e8que de sa variance.<\/p>\n

Le postulat d’homosc\u00e9dasticit\u00e9, qui stipule l’\u00e9galit\u00e9 stricte des variances au sein des populations dont sont extraits les groupes d’observation, constitue l’une des pierres angulaires du test t classique. N\u00e9anmoins, dans la pratique empirique des sciences humaines et m\u00e9dicales, la parfaite homog\u00e9n\u00e9it\u00e9 des dispersions rel\u00e8ve plus de l’exception th\u00e9orique que de la r\u00e8gle observable. Les manipulations exp\u00e9rimentales, l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 \u00e9tiologique des populations cliniques ou encore la sensibilit\u00e9 diff\u00e9rentielle des participants aux protocoles d’intervention induisent fr\u00e9quemment une variabilit\u00e9 asym\u00e9trique entre les conditions. Face \u00e0 cette r\u00e9alit\u00e9 empirique, l’\u00e9valuation de la variance n’est pas un simple pr\u00e9alable technique accessoire, mais un arbitrage d\u00e9terminant qui oriente le choix entre le mod\u00e8le de Student et la correction d’approximation propos\u00e9e par Bernard Lewis Welch.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique se propose d’examiner de mani\u00e8re exhaustive les m\u00e9canismes statistiques, computationnels et conceptuels permettant de d\u00e9terminer l’\u00e9galit\u00e9 ou l’in\u00e9galit\u00e9 des variances dans le cadre des tests t. En explorant la nature math\u00e9matique de l’homosc\u00e9dasticit\u00e9, les \u00e9cueils probabilistes soulev\u00e9s par le dilemme de Behrens-Fisher, l’\u00e9ventail des tests de diagnostic formels tels que ceux de Levene, Brown-Forsythe et Bartlett, ainsi que les heuristiques empiriques et les repr\u00e9sentations visuelles modernes, cet article offre un guide de r\u00e9f\u00e9rence rigoureux. Il aborde \u00e9galement la controverse contemporaine relative aux strat\u00e9gies de d\u00e9cision en deux \u00e9tapes et \u00e9claire l’\u00e9volution des pratiques vers l’adoption syst\u00e9matique du test de Welch, tout en fournissant des protocoles d’impl\u00e9mentation op\u00e9rationnels et des directives de r\u00e9daction conformes aux standards acad\u00e9miques les plus exigeants de l’American Psychological Association.<\/p>\n

1. Fondements conceptuels : la variance et l’homosc\u00e9dasticit\u00e9 dans les tests t<\/h2>\n

1.1 D\u00e9finition th\u00e9orique de l’homosc\u00e9dasticit\u00e9 statistique<\/h3>\n

L’homosc\u00e9dasticit\u00e9 statistique d\u00e9signe la propri\u00e9t\u00e9 selon laquelle deux ou plusieurs distributions conditionnelles pr\u00e9sentent une dispersion r\u00e9siduelle rigoureusement identique autour de leurs param\u00e8tres de tendance centrale respectifs. Formellement, si l’on consid\u00e8re deux populations statistiques distinctes mod\u00e9lis\u00e9es par les variables al\u00e9atoires discr\u00e8tes ou continues X1 et X2, l’homosc\u00e9dasticit\u00e9 postule l’\u00e9galit\u00e9 stricte de leurs param\u00e8tres de dispersion du second ordre, soit l’identit\u00e9 math\u00e9matique Sigma-carr\u00e9-1 = Sigma-carr\u00e9-2 = Sigma-carr\u00e9. Dans le cadre de l’inf\u00e9rence statistique fr\u00e9quentiste, cette invariance de la variance r\u00e9siduelle signifie que l’incertitude al\u00e9atoire non expliqu\u00e9e par l’appartenance \u00e0 un groupe ou \u00e0 une modalit\u00e9 de traitement op\u00e8re avec une intensit\u00e9 m\u00e9trique \u00e9quivalente au sein de chaque sous-population investigu\u00e9e.<\/p>\n

L’importance fondamentale de cette homog\u00e9n\u00e9it\u00e9 des variances r\u00e9side dans la pr\u00e9servation des propri\u00e9t\u00e9s optimales des estimateurs des moindres carr\u00e9s ordinaires et du rapport de vraisemblance. Dans le cadre de la th\u00e9orie de Neyman-Pearson, l’exactitude de la valeur critique tabul\u00e9e pour une distribution t repose directement sur l’ind\u00e9pendance statistique entre la diff\u00e9rence observ\u00e9e des moyennes d’\u00e9chantillons et l’estimateur de l’erreur-type qui vient en normaliser l’amplitude. Lorsque l’homosc\u00e9dasticit\u00e9 est satisfaite, la variance totale d’un ensemble de donn\u00e9es peut \u00eatre d\u00e9compos\u00e9e de mani\u00e8re parfaitement additive et non biais\u00e9e en une variance intra-groupe (exprimant l’erreur al\u00e9atoire d’\u00e9chantillonnage) et une variance inter-groupes (capturant l’effet du facteur exp\u00e9rimental ou de la variable cat\u00e9gorielle ind\u00e9pendante).<\/p>\n

Cette distinction math\u00e9matique constitue le fondement m\u00eame du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral, dont le test t d’ind\u00e9pendance n’est qu’une d\u00e9clinaison univari\u00e9e \u00e9l\u00e9mentaire \u00e0 deux modalit\u00e9s. En psychom\u00e9trie et en th\u00e9orie de la mesure, le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 postule que le score observ\u00e9 d’un sujet individuel est la somme lin\u00e9aire d’un param\u00e8tre fixe de localisation (la moyenne de la condition), d’un effet imputable au statut du groupe et d’un terme r\u00e9siduel d’erreur individuel epsilon. Pour que l’estimation des erreurs-types soit convergente et efficace au sens du th\u00e9or\u00e8me de Gauss-Markov, ce terme d’erreur doit \u00eatre identiquement distribu\u00e9 pour tous les individus, ind\u00e9pendamment du groupe d’assignation. D\u00e8s lors qu’une condition exp\u00e9rimentale module non seulement la position centrale mais \u00e9galement la variabilit\u00e9 intrins\u00e8que des r\u00e9sidus, l’hypoth\u00e8se de dispersion constante s’effondre, fragilisant les soubassements d\u00e9ductifs de l’analyse standard.<\/p>\n

1.2 Diff\u00e9rence fondamentale entre test t de Student et test t de Welch<\/h3>\n

Le test t classique con\u00e7u par William Sealy Gosset part du principe que, les variances populationnelles \u00e9tant inconnues mais postul\u00e9es rigoureusement identiques, il est m\u00e9thodologiquement sup\u00e9rieur de combiner les informations de dispersion fournies par les deux \u00e9chantillons pour forger un estimateur unique plus pr\u00e9cis. Cet estimateur mutualis\u00e9, d\u00e9sign\u00e9 sous le terme de variance group\u00e9e ou pooled variance<\/em> (not\u00e9e Sp-carr\u00e9), correspond \u00e0 la moyenne arithm\u00e9tique des variances d’\u00e9chantillons pond\u00e9r\u00e9e par leurs degr\u00e9s de libert\u00e9 respectifs (n1 – 1) et (n2 – 1). L’erreur-type de la diff\u00e9rence des moyennes est alors d\u00e9finie par le produit de la racine carr\u00e9e de cette variance group\u00e9e par le facteur d’ajustement de taille racine carr\u00e9e de ((1\/n1) + (1\/n2)). La statistique d’\u00e9preuve qui en d\u00e9coule suit de mani\u00e8re exacte une loi de Student param\u00e9tr\u00e9e par pr\u00e9cis\u00e9ment (n1 + n2 – 2) degr\u00e9s de libert\u00e9 sous l’hypoth\u00e8se nulle.<\/p>\n

\u00c0 l’inverse, l’approche d\u00e9velopp\u00e9e par Bernard Lewis Welch et perfectionn\u00e9e conjointement avec Frank E. Satterthwaite abandonne l’hypoth\u00e8se d’une variance commune sous-jacente. Le test t de Welch<\/a> traite les variances d’\u00e9chantillon s1-carr\u00e9 et s2-carr\u00e9 comme des estimateurs enti\u00e8rement autonomes des variances populationnelles distinctes Sigma-1-carr\u00e9 et Sigma-2-carr\u00e9. En cons\u00e9quence, l’erreur-type n’int\u00e8gre aucune mutualisation et se calcule simplement comme la racine carr\u00e9e de la somme des variances d’\u00e9chantillons divis\u00e9es par leurs effectifs propres, soit racine carr\u00e9e de ((s1-carr\u00e9 \/ n1) + (s2-carr\u00e9 \/ n2)). La singularit\u00e9 g\u00e9niale de la solution de Welch-Satterthwaite r\u00e9side dans le r\u00e9ajustement des degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 la distribution d’\u00e9preuve, lesquels ne sont plus un entier fix\u00e9 par la combinatoire simple des tailles d’\u00e9chantillons, mais un scalaire continu, souvent non entier, calcul\u00e9 via une fonction complexe des variances relatives et des tailles d’\u00e9chantillons.<\/p>\n

La comparaison des statistiques d’\u00e9preuve et de la pr\u00e9cision des erreurs-types r\u00e9v\u00e8le des divergences structurelles majeures d\u00e8s que les conditions empiriques s’\u00e9cartent du cas id\u00e9al homosc\u00e9dastique. Alors que le test t de Student impose un d\u00e9nominateur commun qui masque les asym\u00e9tries de pr\u00e9cision entre sous-groupes, le test de Welch adapte la s\u00e9v\u00e9rit\u00e9 du seuil critique \u00e0 la volatilit\u00e9 r\u00e9elle des donn\u00e9es. Les sc\u00e9narios th\u00e9oriques favorisant l’une ou l’autre proc\u00e9dure ont longtemps oppos\u00e9 une \u00e9conomie computationnelle en faveur de Student lorsque les effectifs et variances sont \u00e9gaux \u00e0 une prudence m\u00e9thodologique absolue pr\u00e9conisant Welch d\u00e8s lors qu’un doute raisonnable subsiste sur l’identit\u00e9 des processus g\u00e9n\u00e9rateurs de variance.<\/p>\n

1.3 Enjeux m\u00e9thodologiques de la variance en psychologie exp\u00e9rimentale<\/h3>\n

En psychologie exp\u00e9rimentale et dans les disciplines cognitives contemporaines, la variance empirique n’est pas un simple param\u00e8tre de nuisance math\u00e9matique qu’il s’agirait de gommer, mais l’expression directe de la variabilit\u00e9 interindividuelle et intra-individuelle des processus psychiques sous-jacents. Les traits de personnalit\u00e9, les capacit\u00e9s de m\u00e9moire de travail, les latences de d\u00e9cision motrice ou les scores d’autor\u00e9gulation \u00e9motionnelle ne se manifestent jamais de fa\u00e7on rigoureusement homog\u00e8ne au sein de cohortes humaines. Certaines personnes pr\u00e9sentent une robustesse cognitive exceptionnelle face aux interf\u00e9rences, tandis que d’autres s’av\u00e8rent hautement vuln\u00e9rables, g\u00e9n\u00e9rant une dispersion naturelle substantielle au sein des mesures psychom\u00e9triques de r\u00e9f\u00e9rence.<\/p>\n

De surcro\u00eet, l’introduction d’une manipulation exp\u00e9rimentale active \u2014 qu’il s’agisse de l’administration d’un protocole d’entra\u00eenement cognitif, de l’induction d’un stress aigu par le paradigme de Trier, ou de la prise d’une mol\u00e9cule psychotrope \u2014 a tr\u00e8s fr\u00e9quemment pour cons\u00e9quence d’alt\u00e9rer la variance en m\u00eame temps que la moyenne. Par exemple, une intervention p\u00e9dagogique innovante peut b\u00e9n\u00e9ficier massivement \u00e0 un sous-groupe d’apprenants r\u00e9ceptifs tout en restant sans effet notable sur les participants moins engag\u00e9s, ce qui a pour cons\u00e9quence imm\u00e9diate d’accro\u00eetre substantiellement la variance du groupe exp\u00e9rimental par rapport \u00e0 celle du groupe t\u00e9moin passif. La variance devient alors le t\u00e9moin empirique d’une r\u00e9activit\u00e9 diff\u00e9rentielle au traitement.<\/p>\n

Les cons\u00e9quences directes d’une mauvaise sp\u00e9cification de cette dispersion sur la reproductibilit\u00e9 des r\u00e9sultats sont d\u00e9l\u00e9t\u00e8res pour l’\u00e9difice scientifique. Lorsqu’un chercheur postule \u00e0 tort l’\u00e9galit\u00e9 des variances pour appliquer un test t standard, il s’expose \u00e0 fausser drastiquement l’estimation de la probabilit\u00e9 critique p. Cette m\u00e9connaissance de la structure de variance engendre une cascade de publications contenant des r\u00e9sultats soit ind\u00fbment positifs (faux positifs), soit faussement n\u00e9gatifs, contribuant de fa\u00e7on directe \u00e0 la crise de r\u00e9plication qui secoue la psychologie et les neurosciences comportementales depuis plus d’une d\u00e9cennie.<\/p>\n

2. Le probl\u00e8me de Behrens-Fisher et l’impact sur l’erreur statistique<\/h2>\n

2.1 Origine th\u00e9orique et math\u00e9matique de la question de Behrens-Fisher<\/h3>\n

Le probl\u00e8me m\u00e9thodologique connu sous le nom de probl\u00e8me de Behrens-Fisher<\/a> tire ses origines des travaux de Walter Ulrich Behrens en 1929 et des d\u00e9veloppements ult\u00e9rieurs de Ronald Aylmer Fisher. Il touche \u00e0 l’impossibilit\u00e9 th\u00e9orique d’\u00e9laborer un test d’hypoth\u00e8se exact, universel et invariant au sens de la th\u00e9orie classique de l’\u00e9chantillonnage, visant \u00e0 comparer les esp\u00e9rances de deux populations normales lorsque le ratio de leurs variances Sigma-1-carr\u00e9 sur Sigma-2-carr\u00e9 est totalement inconnu et potentiellement diff\u00e9rent de l’unit\u00e9. En termes math\u00e9matiques stricts, il n’existe aucune statistique pivotale exacte qui d\u00e9pende uniquement de la diff\u00e9rence des moyennes d’\u00e9chantillons et des param\u00e8tres d’int\u00e9r\u00eat sans faire intervenir de param\u00e8tres de nuisance irr\u00e9ductibles.<\/p>\n

Cette impasse statistique d\u00e9coule du fait que la distribution de la statistique t classique, sous l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des moyennes, d\u00e9pend formellement du ratio inconnu des variances vraies. Par cons\u00e9quent, aucune valeur tabul\u00e9e unique ne peut garantir simultan\u00e9ment un seuil de signification de 5 % sous toutes les configurations envisageables de ces param\u00e8tres cach\u00e9s. Pour surmonter cette impossibilit\u00e9 analytique, plusieurs g\u00e9n\u00e9rations de th\u00e9oriciens ont propos\u00e9 des approximations probabilistes remarquables, parmi lesquelles les solutions fiduciales de Fisher, les m\u00e9thodes de r\u00e9gion de confiance de Neyman, et surtout les approximations asymptotiques \u00e9labor\u00e9es par Welch et Satterthwaite au moyen du raccordement des moments distributionnels.<\/p>\n

La pertinence contemporaine de la question de Behrens-Fisher demeure absolue dans l’analyse de donn\u00e9es issues d’\u00e9chantillons ind\u00e9pendants. M\u00eame \u00e0 l’\u00e8re du calcul num\u00e9rique \u00e0 haute performance et des m\u00e9thodes intensives de r\u00e9\u00e9chantillonnage, la structure math\u00e9matique de ce probl\u00e8me rappelle constamment aux chercheurs que la comparaison de moyennes isol\u00e9es n’a pas de sens probabiliste rigoureux sans une mod\u00e9lisation conjointe et ad\u00e9quate des \u00e9chelles de dispersion au sein desquelles ces mesures sont ancr\u00e9es.<\/p>\n

2.2 Cons\u00e9quences de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sur le taux d’erreur de type I<\/h3>\n

L’impact premier et le plus pernicieux de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 non prise en compte r\u00e9side dans la d\u00e9formation incontr\u00f4l\u00e9e du taux d’erreur de type I, conventionnellement formalis\u00e9 par le risque nominal alpha, g\u00e9n\u00e9ralement fix\u00e9 au seuil de 0,05. Lorsque l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 est viol\u00e9e mais que le chercheur persiste \u00e0 exploiter le test t de Student en mutualisant les variances d’\u00e9chantillon, la valeur p calcul\u00e9e perd son \u00e9talonnage exact. Selon la configuration conjointe des variances et des effectifs de groupe, le taux effectif de faux positifs peut s’envoler de fa\u00e7on dramatique pour atteindre des valeurs inacceptables de 0,15, 0,20 voire 0,30, transformant une exp\u00e9rience sans le moindre effet r\u00e9el en une pr\u00e9tendue d\u00e9couverte statistique hautement significative.<\/p>\n

Inversement, dans d’autres configurations structurelles de donn\u00e9es, l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances provoque un \u00e9crasement excessif de la statistique d’\u00e9preuve, g\u00e9n\u00e9rant une inflation majeure de l’erreur de type II (b\u00eata). Dans ce contexte, la probabilit\u00e9 d’\u00e9chouer \u00e0 rejeter une hypoth\u00e8se nulle qui est pourtant factuellement fausse augmente consid\u00e9rablement, ce qui entra\u00eene une perte substantielle de puissance statistique. Le chercheur passe alors \u00e0 c\u00f4t\u00e9 d’effets r\u00e9els, r\u00e9duisant \u00e0 n\u00e9ant les investissements mat\u00e9riels et humains engag\u00e9s dans la collecte des donn\u00e9es exp\u00e9rimentales.<\/p>\n

Cette distorsion syst\u00e9matique fragilise \u00e9galement de mani\u00e8re critique la validit\u00e9 et la pr\u00e9cision des intervalles de confiance associ\u00e9s \u00e0 la taille de l’effet observ\u00e9e, mat\u00e9rialis\u00e9e par la diff\u00e9rence non standardis\u00e9e des moyennes (Mu-1 – Mu-2) ou par le d de Cohen. L’erreur-type servant \u00e0 la d\u00e9limitation des bornes inf\u00e9rieure et sup\u00e9rieure de confiance \u00e9tant calcul\u00e9e sur une pr\u00e9misse erron\u00e9e, l’intervalle obtenu ne garantit plus son taux de couverture nominal de 95 %. Il se r\u00e9v\u00e8le soit excessivement \u00e9troit, conf\u00e9rant une fausse impression de certitude m\u00e9trique, soit d\u00e9mesur\u00e9ment large et asym\u00e9trique, annihilant toute possibilit\u00e9 de m\u00e9ta-analyse cumulative rigoureuse.<\/p>\n

2.3 Effet d’interaction avec le d\u00e9s\u00e9quilibre de taille d’\u00e9chantillon<\/h3>\n

La vuln\u00e9rabilit\u00e9 du test t classique aux violations de l’homog\u00e9n\u00e9it\u00e9 des variances est intimement tributaire du ratio des effectifs n1 et n2 au sein des deux groupes compar\u00e9s. Lorsque les plans exp\u00e9rimentaux sont parfaitement \u00e9quilibr\u00e9s, c’est-\u00e0-dire lorsque n1 est rigoureusement \u00e9gal \u00e0 n2, le test de Student b\u00e9n\u00e9ficie d’une propri\u00e9t\u00e9 remarquable de pseudo-robustesse. Dans cette g\u00e9om\u00e9trie sym\u00e9trique particuli\u00e8re, l’estimateur de la variance group\u00e9e co\u00efncide exactement avec la moyenne arithm\u00e9tique simple des deux variances d’\u00e9chantillon, ce qui permet \u00e0 la statistique d’\u00e9preuve de pr\u00e9server un taux d’erreur de type I relativement proche de 0,05, tant que l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances ne devient pas extr\u00eame et que la normalit\u00e9 est pr\u00e9serv\u00e9e.<\/p>\n

Cependant, d\u00e8s lors que l’\u00e9chantillonnage produit des effectifs in\u00e9gaux \u2014 une situation quasi universelle en recherche clinique, \u00e9pid\u00e9miologique ou appliqu\u00e9e \u2014, l’interaction entre h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances et asym\u00e9trie d’effectif produit des distorsions catastrophiques. Deux sc\u00e9narios oppos\u00e9s doivent imp\u00e9rativement \u00eatre distingu\u00e9s :<\/p>\n