Dans l’\u00e9difice imposant de la statistique inf\u00e9rentielle moderne, certaines hypoth\u00e8ses agissent comme des piliers invisibles sur lesquels repose l’int\u00e9gralit\u00e9 des d\u00e9ductions scientifiques. Si des postulats tels que la normalit\u00e9 de la distribution des r\u00e9sidus ou l’homog\u00e9n\u00e9it\u00e9 des variances font r\u00e9guli\u00e8rement l’objet de v\u00e9rifications m\u00e9ticuleuses et de d\u00e9bats m\u00e9thodologiques anim\u00e9s au sein des publications empiriques, un postulat encore plus fondamental demeure fr\u00e9quemment rel\u00e9gu\u00e9 \u00e0 l’arri\u00e8re-plan ou tenu pour acquis : l’hypoth\u00e8se d’ind\u00e9pendance des observations. Pourtant, cette pr\u00e9misse constitue le c\u0153ur battant de la th\u00e9orie des probabilit\u00e9s appliqu\u00e9es. D\u00e8s lors qu’un chercheur entreprend de g\u00e9n\u00e9raliser les conclusions tir\u00e9es d’un \u00e9chantillon fini vers une population parente plus vaste, la validit\u00e9 logique de sa d\u00e9marche d\u00e9pend de mani\u00e8re critique de l’absence de liens stochastiques non mod\u00e9lis\u00e9s entre ses unit\u00e9s exp\u00e9rimentales.<\/p>\n
L’illusion d’une ind\u00e9pendance naturelle est particuli\u00e8rement pr\u00e9gnante dans les sciences humaines, sociales, comportementales et biom\u00e9dicales. Dans ces disciplines, les donn\u00e9es ne sont pas g\u00e9n\u00e9r\u00e9es par des automates d\u00e9sincarn\u00e9s op\u00e9rant dans un vide absolu, mais sont issues d’\u00eatres humains interconnect\u00e9s, inscrits dans des contextes spatiotemporels, culturels, organisationnels et familiaux complexes. Qu’il s’agisse d’\u00e9valuer l’efficacit\u00e9 d’une psychoth\u00e9rapie, de sonder les dynamiques d’apprentissage en milieu scolaire ou de mod\u00e9liser des r\u00e9actions cognitives en laboratoire, chaque mesure porte potentiellement en elle l’empreinte de proximit\u00e9s partag\u00e9es, d’influences mutuelles ou d’une histoire commune. Ignorer ces d\u00e9pendances structurelles \u00e9quivaut \u00e0 b\u00e2tir un raisonnement math\u00e9matique sur des fondations mouvantes, transformant des calculs apparemment rigoureux en artifices de calcul incapables de soutenir l’\u00e9preuve de la r\u00e9plication.<\/p>\n
Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive de l’hypoth\u00e8se d’ind\u00e9pendance en statistique. En explorant ses fondements probabilistes rigoureux, ses manifestations au sein des principaux mod\u00e8les d’analyse univari\u00e9s et multivari\u00e9s, les causes structurelles de sa violation, ainsi que ses cons\u00e9quences d\u00e9sastreuses sur l’erreur de type I et la pr\u00e9cision des estimations, ce document vise \u00e0 fournir aux chercheurs, statisticiens et \u00e9tudiants avanc\u00e9s les cl\u00e9s conceptuelles, diagnostiques et m\u00e9thodologiques pour naviguer avec rigueur dans la complexit\u00e9 des donn\u00e9es r\u00e9elles. Nous verrons que loin d’\u00eatre un obstacle insurmontable, la d\u00e9pendance statistique, lorsqu’elle est correctement appr\u00e9hend\u00e9e et mod\u00e9lis\u00e9e, ouvre la voie \u00e0 une compr\u00e9hension infiniment plus riche et \u00e9cologique des ph\u00e9nom\u00e8nes \u00e9tudi\u00e9s.<\/p>\n
Sur le plan conceptuel, l’ind\u00e9pendance entre deux unit\u00e9s statistiques se d\u00e9finit par l’absence totale de relation pr\u00e9dictive ou d’information partag\u00e9e entre elles : la connaissance de la valeur observ\u00e9e chez un premier individu n’apporte strictement aucune information quant \u00e0 la valeur que prendra cette m\u00eame variable chez un second individu. De mani\u00e8re probabiliste formelle, deux \u00e9v\u00e9nements A et B sont dits ind\u00e9pendants si et seulement si leur probabilit\u00e9 conjointe correspond au produit de leurs probabilit\u00e9s marginales respectives, ce qui s’\u00e9crit math\u00e9matiquement selon la r\u00e8gle de multiplication classique :<\/p>\n
P(A \u2229 B) = P(A) \u00d7 P(B)<\/em><\/p>\n Transpos\u00e9e au domaine de l’\u00e9chantillonnage et de la collecte de donn\u00e9es, cette r\u00e8gle implique que la distribution de probabilit\u00e9 conditionnelle d’une observation ne doit pas \u00eatre alt\u00e9r\u00e9e par la r\u00e9alisation ou la mesure d’une autre observation. Si nous mesurons une variable quantitative Y<\/em> chez deux sujets distincts i<\/em> et j<\/em>, l’hypoth\u00e8se d’ind\u00e9pendance stipule que la fonction de densit\u00e9 conditionnelle satisfait l’\u00e9galit\u00e9 fondamentale :<\/p>\n f(Yi<\/sub> | Yj<\/sub> = yj<\/sub>) = f(Yi<\/sub>)<\/em><\/p>\n Il est imp\u00e9ratif d’\u00e9tablir ici une distinction \u00e9pist\u00e9mologique cruciale entre l’ind\u00e9pendance causale et l’ind\u00e9pendance statistique. Deux entit\u00e9s peuvent \u00eatre parfaitement exemptes de toute relation causale directe sans pour autant \u00eatre statistiquement ind\u00e9pendantes. Par exemple, deux \u00e9tudiants qui ne se sont jamais rencontr\u00e9s et n’exercent aucune influence directe l’un sur l’autre peuvent pr\u00e9senter des performances acad\u00e9miques corr\u00e9l\u00e9es du simple fait qu’ils partagent le m\u00eame enseignant, suivent le m\u00eame cursus ou sont soumis aux m\u00eames exigences institutionnelles. Inversement, l’absence de corr\u00e9lation lin\u00e9aire ne garantit pas \u00e0 elle seule l’ind\u00e9pendance stochastique, cette derni\u00e8re exigeant l’absence de tout lien fonctionnel, lin\u00e9aire ou non lin\u00e9aire. Dans la th\u00e9orie de l’\u00e9chantillonnage al\u00e9atoire simple<\/a>, cette condition d’ind\u00e9pendance mutuelle entre chaque unit\u00e9 s\u00e9lectionn\u00e9e garantit que chaque nouvelle observation apporte une quantit\u00e9 pleine et enti\u00e8re d’information nouvelle, condition sine qua non de la validit\u00e9 de l’inf\u00e9rence.<\/p>\n Pour illustrer de fa\u00e7on tangible la m\u00e9canique de l’interd\u00e9pendance, l’analogie classique de la port\u00e9e en biologie et en m\u00e9decine v\u00e9t\u00e9rinaire demeure particuli\u00e8rement \u00e9clairante. Imaginons qu’un chercheur souhaite \u00e9valuer l’effet d’un nouveau compl\u00e9ment nutritionnel sur le poids corporel de chatons nouveau-n\u00e9s. S’il recrute cinquante chatons provenant de dix port\u00e9es distinctes (soit cinq chatons par port\u00e9e), commettrait-il une faute en consid\u00e9rant qu’il dispose d’un \u00e9chantillon effectif de taille N = 50<\/em> observations ind\u00e9pendantes ? La r\u00e9ponse est sans \u00e9quivoque : oui. En effet, les animaux issus d’une m\u00eame port\u00e9e partagent un bagage g\u00e9n\u00e9tique commun substantiel, ont b\u00e9n\u00e9fici\u00e9 du m\u00eame environnement ut\u00e9rin chez la m\u00eame m\u00e8re et ont \u00e9t\u00e9 expos\u00e9s aux m\u00eames conditions thermiques et d’allaitement post-natal imm\u00e9diat. Les r\u00e9sidus associ\u00e9s aux chatons d’une m\u00eame fratrie sont d\u00e8s lors intimement li\u00e9s.<\/p>\n Ces regroupements naturels engendrent ce que la statistique d\u00e9signe sous le terme d’effets de grappe ou de conglom\u00e9rat (clustering effects<\/em>). Lorsque des observations sont nich\u00e9es au sein d’unit\u00e9s d’ordre sup\u00e9rieur, la variance globale d’un ph\u00e9nom\u00e8ne se scinde en deux composantes distinctes : la variance existant \u00e0 l’int\u00e9rieur des grappes et celle existant entre les grappes. Les individus au sein d’un m\u00eame groupe se ressemblent davantage entre eux qu’ils ne ressemblent aux membres d’autres groupes. Ce ph\u00e9nom\u00e8ne de similitude intra-groupe brise net la pr\u00e9misse d’ind\u00e9pendance : d\u00e8s lors que nous connaissons le poids moyen particuli\u00e8rement \u00e9lev\u00e9 d’une port\u00e9e sp\u00e9cifique, la probabilit\u00e9 que le cinqui\u00e8me chaton de cette m\u00eame port\u00e9e soit \u00e9galement lourd devient consid\u00e9rablement plus \u00e9lev\u00e9e que celle d’un chaton choisi au hasard dans la population g\u00e9n\u00e9rale.<\/p>\n Cette probl\u00e9matique biologique se transpose trait pour trait aux sciences sociales et comportementales. Lorsque des psychologues \u00e9tudient des fratries, des jumeaux, ou analysent les dynamiques relationnelles au sein de couples et de dyades th\u00e9rapeutiques, chaque partenaire constitue une observation nich\u00e9e. Pr\u00e9tendre analyser les r\u00e9ponses de deux membres d’une m\u00eame dyade amoureuse comme s’il s’agissait de deux individus tir\u00e9s au sort ind\u00e9pendamment dans la population globale constitue une violation manifeste du postulat d’ind\u00e9pendance, les r\u00e9ponses de l’un \u00e9tant structurellement influenc\u00e9es, synchronis\u00e9es ou contrast\u00e9es par rapport \u00e0 celles de l’autre.<\/p>\n Une confusion terminologique r\u00e9currente chez les \u00e9tudiants et certains chercheurs juniors r\u00e9side dans l’assimilation erron\u00e9e entre la notion de variable ind\u00e9pendante<\/strong> (VI) et le postulat d’ind\u00e9pendance des observations<\/strong>. Cette polys\u00e9mie malheureuse du terme \u00ab ind\u00e9pendance \u00bb constitue l’un des pi\u00e8ges p\u00e9dagogiques les plus fr\u00e9quents de l’apprentissage m\u00e9thodologique. Une variable ind\u00e9pendante, dans le contexte d’un plan factoriel ou d’une r\u00e9gression, d\u00e9signe simplement la variable explicative, le pr\u00e9dicteur ou le facteur manipul\u00e9 par l’exp\u00e9rimentateur dans le but d’\u00e9valuer son effet sur une variable d\u00e9pendante (VD). Le qualificatif d’ind\u00e9pendance r\u00e9f\u00e8re ici au fait que les niveaux de cette variable sont suppos\u00e9s fix\u00e9s ou d\u00e9finis a priori, sans \u00eatre d\u00e9termin\u00e9s par la variable d’int\u00e9r\u00eat clinique ou comportementale.<\/p>\n \u00c0 l’inverse, l’hypoth\u00e8se d’ind\u00e9pendance des observations ne porte nullement sur la structure de conception des pr\u00e9dicteurs, mais sur la nature probabiliste des unit\u00e9s d’\u00e9chantillonnage et, plus particuli\u00e8rement, sur les erreurs r\u00e9siduelles du mod\u00e8le. On peut parfaitement concevoir une exp\u00e9rience dot\u00e9e d’une variable ind\u00e9pendante orthogonale (par exemple, un traitement administr\u00e9 selon deux conditions exp\u00e9rimentales bien \u00e9quilibr\u00e9es : placebo contre mol\u00e9cule active) qui viole de mani\u00e8re catastrophique l’hypoth\u00e8se d’ind\u00e9pendance des observations. Tel serait le cas si tous les participants du groupe placebo \u00e9taient test\u00e9s simultan\u00e9ment dans une m\u00eame salle bruyante tandis que les sujets du groupe exp\u00e9rimental \u00e9taient \u00e9valu\u00e9s individuellement dans un bureau insonoris\u00e9.<\/p>\n L’ind\u00e9pendance statistique est une propri\u00e9t\u00e9 intrins\u00e8que de la structure stochastique des r\u00e9sidus. Confondre le r\u00f4le structural d’une variable dans une \u00e9quation avec le comportement des erreurs de mesure conduit souvent \u00e0 un faux sentiment de s\u00e9curit\u00e9 m\u00e9thodologique : le fait d’avoir al\u00e9atoirement assign\u00e9 des sujets \u00e0 une variable ind\u00e9pendante n’assure en rien que les observations recueillies par la suite demeurent ind\u00e9pendantes les unes des autres tout au long du protocole exp\u00e9rimental.<\/p>\n Pour aborder avec rigueur la m\u00e9canique de l’ind\u00e9pendance, il est indispensable d’examiner le formalisme r\u00e9gissant les variables al\u00e9atoires. Soient deux variables al\u00e9atoires r\u00e9elles, X<\/em> et Y<\/em>, d\u00e9finies sur un m\u00eame espace de probabilit\u00e9. L’ind\u00e9pendance stochastique entre X<\/em> et Y<\/em> s’\u00e9nonce formellement par l’\u00e9galit\u00e9 entre leur fonction de r\u00e9partition conjointe FX,Y<\/sub>(x, y)<\/em> et le produit de leurs fonctions de r\u00e9partition marginales respectives FX<\/sub>(x)<\/em> et FY<\/sub>(y)<\/em>, pour tout couple de r\u00e9els (x, y)<\/em> :<\/p>\n FX,Y<\/sub>(x, y) = FX<\/sub>(x) \u00d7 FY<\/sub>(y)<\/em><\/p>\n Au niveau des densit\u00e9s de probabilit\u00e9 continues, cela se traduit de mani\u00e8re analogue par f(x, y) = fX<\/sub>(x) fY<\/sub>(y)<\/em>, ce qui implique imm\u00e9diatement l’invariance de la distribution conditionnelle :<\/p>\n f(y | x) = fY<\/sub>(y)<\/em> pour tout x<\/em> tel que fX<\/sub>(x) > 0<\/em><\/p>\n Une d\u00e9duction math\u00e9matique imm\u00e9diate de cette relation concerne l’esp\u00e9rance du produit de deux variables ind\u00e9pendantes : E[XY] = E[X] \u00d7 E[Y]<\/em>. Par cons\u00e9quent, la covariance entre X<\/em> et Y<\/em>, d\u00e9finie par Cov(X, Y) = E[(X – E[X])(Y – E[Y])] = E[XY] – E[X]E[Y]<\/em>, est strictement nulle lorsque l’ind\u00e9pendance est v\u00e9rifi\u00e9e.<\/p>\n Cependant, il convient de souligner avec la plus grande force qu’une covariance nulle constitue une condition n\u00e9cessaire mais absolument non suffisante<\/strong> pour affirmer l’ind\u00e9pendance stochastique. L’annulation de la covariance \u2014 et par corollaire du coefficient de corr\u00e9lation lin\u00e9aire de Bravais-Pearson \u2014 indique seulement l’absence d’association lin\u00e9aire de premier degr\u00e9 entre les deux variables. Deux variables peuvent \u00eatre intimement li\u00e9es de mani\u00e8re non lin\u00e9aire tout en pr\u00e9sentant une corr\u00e9lation lin\u00e9aire exactement \u00e9gale \u00e0 z\u00e9ro. Par exemple, si X<\/em> suit une distribution normale centr\u00e9e et r\u00e9duite et que Y = X2<\/sup><\/em>, la d\u00e9pendance d\u00e9terministe entre les deux variables est totale, mais leur covariance est rigoureusement nulle en vertu des propri\u00e9t\u00e9s de sym\u00e9trie. L’ind\u00e9pendance exige l’absence de tout lien statistique, qu’il soit d’ordre lin\u00e9aire, quadratique, exponentiel ou chaotique.<\/p>\n La quasi-totalit\u00e9 des d\u00e9veloppements fondamentaux de la statistique math\u00e9matique repose sur l’hypoth\u00e8se canonique selon laquelle les observations d’un \u00e9chantillon constituent une famille de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es<\/a>, couramment d\u00e9sign\u00e9e sous l’acronyme IID<\/strong>. L’exigence que les variables soient \u00ab identiquement distribu\u00e9es \u00bb postule qu’elles \u00e9manent toutes de la m\u00eame loi de probabilit\u00e9 sous-jacente avec des param\u00e8tres invariants (m\u00eame moyenne \u03bc<\/em> et m\u00eame variance \u03c32<\/sup><\/em>). L’exigence qu’elles soient \u00ab ind\u00e9pendantes \u00bb garantit que l’occurrence d’une valeur ne conditionne pas l’occurrence des autres.<\/p>\n Cette double hypoth\u00e8se est le moteur du c\u00e9l\u00e8bre Th\u00e9or\u00e8me Central Limite<\/a> (TCL). Sous le postulat IID, la somme standardis\u00e9e d’un grand nombre de variables al\u00e9atoires de variance finie converge asymptotiquement en loi vers une distribution normale standard, ind\u00e9pendamment de la distribution originelle de ces variables. Ce th\u00e9or\u00e8me prodigieux justifie l’utilisation des tests param\u00e9triques usuels (test t<\/em>, r\u00e9gression, ANOVA) sur de grands \u00e9chantillons :<\/p>\n limn \u2192 \u221e<\/sub> P( (Sn<\/sub> – n\u03bc) \/ (\u03c3 \u221an) \u2264 z ) = \u03a6(z)<\/em><\/p>\n Toutefois, d\u00e8s lors que la clause d’ind\u00e9pendance est viol\u00e9e, la variance de la somme n’est plus la somme des variances simples, mais int\u00e8gre l’ensemble de la matrice des covariances :<\/p>\n Var(\u2211 Xi<\/sub>) = \u2211 Var(Xi<\/sub>) + 2 \u2211i < j<\/sub> Cov(Xi<\/sub>, Xj<\/sub>)<\/em><\/p>\n Lorsque les covariances crois\u00e9es Cov(Xi<\/sub>, Xj<\/sub>)<\/em> sont positives \u2014 ce qui est le cas dans la majorit\u00e9 des regroupements contextuels \u2014, la variance empirique de la moyenne explose bien au-del\u00e0 de la valeur nominale \u03c32<\/sup> \/ n<\/em>. Les garanties asymptotiques du th\u00e9or\u00e8me central limite vacillent, les distributions d’\u00e9chantillonnage th\u00e9oriques ne correspondent plus aux distributions r\u00e9elles, et les calculs de probabilit\u00e9s critiques (valeurs p<\/em>) deviennent fallacieux. Si, de surcro\u00eet, cette rupture d’ind\u00e9pendance se combine \u00e0 de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 (variances in\u00e9gales), l’appareil inf\u00e9rentiel standard s’effondre int\u00e9gralement.<\/p>\n Le concept de degr\u00e9s de libert\u00e9 (degrees of freedom<\/em>, not\u00e9s ddl<\/em>) repr\u00e9sente l’un des aspects les plus \u00e9l\u00e9gants et les plus m\u00e9connus de la th\u00e9orie statistique. Il d\u00e9signe math\u00e9matiquement la dimensionnalit\u00e9 de l’espace vectoriel dans lequel les r\u00e9sidus peuvent fluctuer librement, ce qui correspond concr\u00e8tement au nombre de pi\u00e8ces d’information ind\u00e9pendantes et non redondantes fournies par l’ensemble des donn\u00e9es collect\u00e9es pour estimer les param\u00e8tres du mod\u00e8le.<\/p>\n Dans un \u00e9chantillon de taille N<\/em> strictement ind\u00e9pendant, chaque sujet apporte une unit\u00e9 compl\u00e8te d’information nouvelle. En cons\u00e9quence, apr\u00e8s d\u00e9duction des contraintes n\u00e9cessaires \u00e0 l’estimation des param\u00e8tres de localisation (comme la moyenne g\u00e9n\u00e9rale), le nombre de degr\u00e9s de libert\u00e9 r\u00e9siduels s’\u00e9l\u00e8ve classiquement \u00e0 N – 1<\/em> ou N – k<\/em>. En revanche, lorsque les donn\u00e9es sont corr\u00e9l\u00e9es ou organis\u00e9es en grappes, cette identit\u00e9 entre la taille nominale de l’\u00e9chantillon N<\/em> et la quantit\u00e9 d’information disponible est irr\u00e9m\u00e9diablement rompue. Puisque les individus au sein d’une m\u00eame unit\u00e9 partagent une fraction substantielle de variance commune, ils se r\u00e9p\u00e8tent mutuellement de mani\u00e8re partielle. L’analyste ne dispose plus de N<\/em> donn\u00e9es uniques, mais d’une quantit\u00e9 d’information bien inf\u00e9rieure.<\/p>\n Pour formaliser cette d\u00e9perdition d’information, le statisticien Leslie Kish a introduit la notion de taille effective d’\u00e9chantillon (effective sample size<\/em>, not\u00e9e Neff<\/sub><\/em>). En pr\u00e9sence d’un plan d’\u00e9chantillonnage en grappes de taille moyenne m<\/em> et caract\u00e9ris\u00e9 par une corr\u00e9lation intra-classe<\/a> \u03c1<\/em> (ICC), la taille d’\u00e9chantillon effective se formule comme suit :<\/p>\n Neff<\/sub> = N \/ [1 + (m – 1)\u03c1]<\/em><\/p>\n Le d\u00e9nominateur [1 + (m – 1)\u03c1]<\/em> est d\u00e9sign\u00e9 sous le nom d’effet de plan (Design Effect<\/em> ou VIFgrappe<\/sub><\/em>). Si un chercheur interroge 500 \u00e9l\u00e8ves r\u00e9partis dans 10 classes de 50 \u00e9l\u00e8ves chacune (m = 50<\/em>) et que l’ICC est de 0,10, l’effet de plan atteint 1 + (49 \u00d7 0,10) = 5,9<\/em>. Par cons\u00e9quent, la taille effective de cet \u00e9chantillon n’est pas de 500, mais de 500 \/ 5,9 \u2248 85<\/em> observations. R\u00e9aliser des calculs inf\u00e9rentiels en attribuant 499 degr\u00e9s de libert\u00e9 \u00e0 cette cohorte revient \u00e0 fabriquer artificiellement plus de 400 degr\u00e9s de libert\u00e9 fant\u00f4mes, conf\u00e9rant au test une fausse certitude qui pulv\u00e9rise le contr\u00f4le des erreurs statistiques.<\/p>\n Le test t<\/em> de Student pour deux \u00e9chantillons ind\u00e9pendants ainsi que sa variante h\u00e9t\u00e9rosc\u00e9dastique de Welch constituent sans doute les outils de comparaison de moyennes les plus r\u00e9pandus de la litt\u00e9rature scientifique. Les manuels d’introduction \u00e0 la statistique \u00e9num\u00e8rent traditionnellement trois conditions pr\u00e9alables \u00e0 leur application : la distribution approximativement normale de la variable au sein de chaque groupe, l’homog\u00e9n\u00e9it\u00e9 des variances (homosc\u00e9dasticit\u00e9, bien que le test de Welch s’en affranchisse brillamment), et l’ind\u00e9pendance absolue des observations \u00e0 l’int\u00e9rieur de chaque \u00e9chantillon et entre les deux groupes.<\/p>\n Il existe toutefois une asym\u00e9trie monumentale dans la tol\u00e9rance de ces tests \u00e0 la violation de ces trois postulats. La statistique math\u00e9matique et les \u00e9tudes intensives de simulation de Monte-Carlo ont d\u00e9montr\u00e9 de longue date que le test t<\/em> se montre remarquablement robuste face aux entorses \u00e0 la normalit\u00e9 en vertu du th\u00e9or\u00e8me central limite, pour peu que la taille de l’\u00e9chantillon soit mod\u00e9r\u00e9ment \u00e9lev\u00e9e et que les distributions ne pr\u00e9sentent pas d’asym\u00e9trie ou d’aplatissement monstrueux. De m\u00eame, la disparit\u00e9 des variances est parfaitement neutralis\u00e9e par l’ajustement de Welch-Satterthwaite sur les degr\u00e9s de libert\u00e9 r\u00e9siduels.<\/p>\n En revanche, la condition d’ind\u00e9pendance pr\u00e9sente un caract\u00e8re absolu et non n\u00e9gociable<\/strong>. Le test t<\/em> pour \u00e9chantillons ind\u00e9pendants ne poss\u00e8de strictement aucune tol\u00e9rance face \u00e0 la non-ind\u00e9pendance. Il pr\u00e9suppose que la covariance entre une observation quelconque du premier groupe et n’importe quelle observation du second groupe est rigoureusement nulle :<\/p>\n Cov(Y1i<\/sub>, Y2j<\/sub>) = 0 \u2200 (i, j)<\/em><\/p>\n Si les deux ensembles d’observations partagent un facteur de liaison syst\u00e9matique, l’utilisation du test pour \u00e9chantillons ind\u00e9pendants au d\u00e9triment du test pour \u00e9chantillons appari\u00e9s constitue une faute majeure. La proc\u00e9dure de Welch ou de Student est totalement d\u00e9munie pour r\u00e9ajuster d’elle-m\u00eame son d\u00e9nominateur face \u00e0 une telle configuration.<\/p>\n Pour mat\u00e9rialiser cette d\u00e9rive dans la pratique empirique, consid\u00e9rons un essai clinique randomis\u00e9 \u00e9valuant l’efficacit\u00e9 d’une nouvelle th\u00e9rapie cognitive pour r\u00e9duire l’anxi\u00e9t\u00e9 sociale. Le chercheur recrute 40 patients anxieux qu’il assigne al\u00e9atoirement \u00e0 deux conditions : 20 individus re\u00e7oivent une th\u00e9rapie individuelle tandis que les 20 autres sont plac\u00e9s dans un groupe de parole collectif conduit par un unique th\u00e9rapeute. \u00c0 l’issue des dix semaines de protocole, le clinicien compare les scores d’anxi\u00e9t\u00e9 des deux groupes \u00e0 l’aide d’un test t<\/em> standard pour \u00e9chantillons ind\u00e9pendants. Ce design viole lourdement le postulat d’ind\u00e9pendance. Au sein de la condition de groupe, les participants ont interagi, ont partag\u00e9 leurs doutes, ont d\u00e9velopp\u00e9 des liens affectifs et ont tous \u00e9t\u00e9 soumis \u00e0 la personnalit\u00e9 et aux comp\u00e9tences sp\u00e9cifiques de ce th\u00e9rapeute particulier. Les 20 observations de ce groupe ne sont pas ind\u00e9pendantes : elles sont mutuellement corr\u00e9l\u00e9es par la dynamique groupale partag\u00e9e.<\/p>\n Un deuxi\u00e8me cas d’\u00e9cole tr\u00e8s fr\u00e9quent d\u00e9coule de la confusion entre mesures r\u00e9p\u00e9t\u00e9es et sujets distincts. Un exp\u00e9rimentateur \u00e9value le temps de r\u00e9action de 15 conducteurs confront\u00e9s \u00e0 deux interfaces visuelles diff\u00e9rentes dans un simulateur de conduite. Si, pour maximiser la puissance de calcul, l’analyste traite chaque essai r\u00e9p\u00e9t\u00e9 comme une ligne ind\u00e9pendante dans sa matrice de donn\u00e9es \u2014 comparant par exemple 300 mesures issues de la premi\u00e8re interface \u00e0 300 mesures de la seconde sans sp\u00e9cifier que ces 600 essais n’\u00e9manent en r\u00e9alit\u00e9 que de 15 conducteurs uniques \u2014, il commet une pseudo-r\u00e9plication flagrante. Le test t<\/em> analysera les donn\u00e9es comme si 600 individus autonomes avaient \u00e9t\u00e9 test\u00e9s, alors que la stabilit\u00e9 cognitive propre \u00e0 chaque individu lie inexorablement ses r\u00e9ponses successives.<\/p>\n Un troisi\u00e8me exemple classique concerne le recrutement de couples h\u00e9t\u00e9rosexuels dans des recherches sur la communication conjugale. Assigner syst\u00e9matiquement les conjoints masculins au groupe de traitement A et les conjointes f\u00e9minines au groupe de traitement B, puis analyser la diff\u00e9rence entre les deux groupes via un test t<\/em> ind\u00e9pendant, ignore le fait indiscutable que les dynamiques au sein de chaque couple cr\u00e9ent une covariance substantielle entre les r\u00e9ponses des partenaires, d\u00e9truisant l’autonomie probabiliste des observations.<\/p>\n La cons\u00e9quence math\u00e9matique directe de l’introduction d’une d\u00e9pendance positive entre les unit\u00e9s statistiques est la distorsion s\u00e9v\u00e8re de l’erreur type de la diff\u00e9rence de moyennes. Rappelons que la statistique t<\/em> s’obtient en divisant la diff\u00e9rence empirique des moyennes par son erreur type estim\u00e9e :<\/p>\n t = (Y\u03041<\/sub> – Y\u03042<\/sub>) \/ SE(Y\u03041<\/sub> – Y\u03042<\/sub>)<\/em><\/p>\n Dans un contexte d’ind\u00e9pendance parfaite, l’erreur type th\u00e9orique s’\u00e9crit :<\/p>\n SE(Y\u03041<\/sub> – Y\u03042<\/sub>) = \u221a[ (\u03c31<\/sub>2<\/sup> \/ n1<\/sub>) + (\u03c32<\/sub>2<\/sup> \/ n2<\/sub>) ]<\/em><\/p>\n Toutefois, si les observations \u00e0 l’int\u00e9rieur des groupes pr\u00e9sentent une corr\u00e9lation intra-classe positive non nulle \u03c1 > 0<\/em> en raison d’un effet de grappe ou de session partag\u00e9e, la variance r\u00e9elle de la moyenne d’un groupe devient :<\/p>\n Var(Y\u0304) = (\u03c32<\/sup> \/ n) [1 + (n – 1)\u03c1]<\/em><\/p>\n En ignorant le facteur multiplicatif [1 + (n – 1)\u03c1]<\/em>, la formule standard du test t<\/em> sous-estime drastiquement le d\u00e9nominateur de la fraction. L’erreur type calcul\u00e9e est artificiellement minuscule. En cons\u00e9quence, la statistique t<\/em> obtenue est artificiellement gonfl\u00e9e, propulsant le r\u00e9sultat loin dans la r\u00e9gion de rejet critique de la distribution th\u00e9orique. Le taux d’erreur de premi\u00e8re esp\u00e8ce nominal (usuellement fix\u00e9 au seuil \u03b1 = 0,05<\/em>) subit une inflation spectaculaire : pour un groupe de 20 sujets affichant une corr\u00e9lation intra-classe apparemment anodine de \u03c1 = 0,10<\/em>, le taux d’erreur \u03b1<\/em> r\u00e9el grimpe souvent au-del\u00e0 de 20 % ou 30 %. Le chercheur conclut \u00e0 l’existence d’une diff\u00e9rence th\u00e9rapeutique statistiquement significative qui n’est en v\u00e9rit\u00e9 qu’un pur artefact issu de la m\u00e9connaissance de la structure de d\u00e9pendance interne des donn\u00e9es.<\/p>\n L’analyse de variance<\/a> (ANOVA), d\u00e9velopp\u00e9e par Ronald A. Fisher, repose sur une d\u00e9composition alg\u00e9brique rigoureuse de la somme totale des carr\u00e9s des \u00e9carts (SSTotal<\/sub><\/em>) en composantes orthogonales ind\u00e9pendantes : la variance attribuable aux facteurs contr\u00f4l\u00e9s entre les groupes (SSInter<\/sub><\/em>) et la variance r\u00e9siduelle non expliqu\u00e9e \u00e0 l’int\u00e9rieur des groupes (SSIntra<\/sub><\/em> ou SSErreur<\/sub><\/em>) :<\/p>\n SSTotal<\/sub> = SSTraitement<\/sub> + SSErreur<\/sub><\/em><\/p>\n La validit\u00e9 probabiliste de ce rapport de variances, \u00e9valu\u00e9 via la statistique F<\/em> de Fisher-Snedecor, exige de mani\u00e8re incontournable que les termes d’erreur r\u00e9siduelle \u03b5ij<\/sub><\/em> associ\u00e9s \u00e0 chaque observation individuelle Yij<\/sub> = \u03bc + \u03b1j<\/sub> + \u03b5ij<\/sub><\/em> soient des variables al\u00e9atoires ind\u00e9pendantes mutuellement non corr\u00e9l\u00e9es, de moyenne nulle et de variance homog\u00e8ne \u03c32<\/sup><\/em>.<\/p>\n L’orthogonalit\u00e9 math\u00e9matique des sous-espaces de projection dans l’espace g\u00e9om\u00e9trique des donn\u00e9es d\u00e9pend strictement de cette hypoth\u00e8se. Lorsque les r\u00e9sidus sont ind\u00e9pendants, le num\u00e9rateur (carr\u00e9 moyen du traitement) et le d\u00e9nominateur (carr\u00e9 moyen r\u00e9siduel) de la statistique F<\/em> constituent deux variables al\u00e9atoires r\u00e9gies par des distributions ind\u00e9pendantes du Chi-deux (\u03c72<\/sup><\/em>). D\u00e8s l’instant o\u00f9 les r\u00e9sidus sont corr\u00e9l\u00e9s, les distributions du Chi-deux cessent d’\u00eatre ind\u00e9pendantes l’une de l’autre : le rapport F = MSTraitement<\/sub> \/ MSErreur<\/sub><\/em> ne suit plus du tout une distribution centrale de Fisher-Snedecor sous l’hypoth\u00e8se nulle. La partition de la variance devient fauss\u00e9e, et les propri\u00e9t\u00e9s de non-biais des estimateurs de variance s’\u00e9vanouissent.<\/p>\n L’environnement \u00e9ducatif fournit l’illustration par excellence de la fragilit\u00e9 de l’ANOVA standard face aux structures hi\u00e9rarchiques. Consid\u00e9rons une exp\u00e9rience p\u00e9dagogique \u00e9valuant trois m\u00e9thodes diff\u00e9rentes d’enseignement des math\u00e9matiques. Pour mener cette \u00e9tude, l’exp\u00e9rimentateur s\u00e9lectionne six classes d’\u00e9cole primaire et alloue chaque m\u00e9thode \u00e0 deux classes distinctes. Au terme du trimestre, chaque \u00e9l\u00e8ve passe un test standardis\u00e9. L’analyste entreprend ensuite une ANOVA univari\u00e9e \u00e0 un facteur en saisissant les 180 \u00e9l\u00e8ves individuellement comme unit\u00e9s d’observation, les regroupant selon les trois m\u00e9thodes d’enseignement.<\/p>\n Une telle analyse constitue une violation m\u00e9thodologique s\u00e9v\u00e8re. Les \u00e9l\u00e8ves ne flottent pas librement dans l’espace exp\u00e9rimental : ils sont regroup\u00e9s au sein de classes anim\u00e9es chacune par un enseignant unique poss\u00e9dant sa p\u00e9dagogie propre, son niveau d’\u00e9nergie, son autorit\u00e9 et son empathie. De surcro\u00eet, le climat de chaque salle de classe \u2014 caract\u00e9ris\u00e9 par le niveau moyen des camarades, le degr\u00e9 d’agitation collective, le niveau socio-\u00e9conomique de l’\u00e9cole ou m\u00eame la temp\u00e9rature ambiante \u2014 induit une d\u00e9pendance syst\u00e9matique entre les performances des enfants d’une m\u00eame pi\u00e8ce. En omettant de d\u00e9clarer la classe comme facteur hi\u00e9rarchique ou unit\u00e9 de regroupement, l’ANOVA confond l’effet de la m\u00e9thode didactique avec l’effet idiosyncrasique de l’enseignant ou du collectif d’\u00e9l\u00e8ves.<\/p>\n Cette confusion g\u00e9n\u00e8re ce que l’on qualifie d’erreur de niveau d’inf\u00e9rence. Si l’assignation du traitement s’est op\u00e9r\u00e9e au niveau de la classe enti\u00e8re, l’unit\u00e9 l\u00e9gitime de randomisation et d’ind\u00e9pendance statistique est la classe, et non l’\u00e9l\u00e8ve individuel. En analysant les donn\u00e9es au niveau individuel sans correction appropri\u00e9e, le mod\u00e8le gonfle artificiellement le d\u00e9nominateur des degr\u00e9s de libert\u00e9 de l’erreur r\u00e9siduelle, ce qui induit une r\u00e9duction factice de la variance r\u00e9siduelle et conduit in\u00e9vitablement \u00e0 d\u00e9clarer des effets hautement significatifs l\u00e0 o\u00f9 ne s’exprime que la simple variation al\u00e9atoire d’une classe \u00e0 l’autre.<\/p>\n Pour contourner l’\u00e9cueil de la d\u00e9pendance tout en exploitant la puissance des plans d’exp\u00e9rience intra-sujets, la m\u00e9thodologie exp\u00e9rimentale a d\u00e9velopp\u00e9 l’ANOVA pour mesures r\u00e9p\u00e9t\u00e9es. Dans ce type de plan factoriel, chaque participant est expos\u00e9 successivement \u00e0 l’ensemble des conditions exp\u00e9rimentales, agissant ainsi comme son propre contr\u00f4le. Par construction, ce design viole frontalement l’hypoth\u00e8se d’ind\u00e9pendance globale des observations : les scores d’un m\u00eame sujet \u00e0 travers le temps ou \u00e0 travers les diff\u00e9rentes conditions sont in\u00e9vitablement corr\u00e9l\u00e9s du fait de sa personnalit\u00e9, de son niveau d’intelligence ou de sa constitution physiologique.<\/p>\n Pour l\u00e9gitimer le traitement statistique de ces donn\u00e9es d\u00e9pendantes, l’ANOVA pour mesures r\u00e9p\u00e9t\u00e9es remplace le postulat d’ind\u00e9pendance stricte par une hypoth\u00e8se plus souple mais extr\u00eamement pr\u00e9cise : le postulat de sph\u00e9ricit\u00e9<\/strong> (ou circularit\u00e9 de la matrice de variance-covariance), formalis\u00e9 par Box et Wilks. La condition de sph\u00e9ricit\u00e9 exige que les variances de l’ensemble des diff\u00e9rences possibles entre chaque paire de conditions exp\u00e9rimentales soient rigoureusement \u00e9gales :<\/p>\n Var(Yj<\/sub> – Yk<\/sub>) = Constante \u2200 j \u2260 k<\/em><\/p>\n Cette condition math\u00e9matique implique que la structure d’autocorr\u00e9lation r\u00e9siduelle interne doit pr\u00e9senter une homog\u00e9n\u00e9it\u00e9 parfaite. Cependant, dans la recherche empirique r\u00e9elle, la sph\u00e9ricit\u00e9 est extr\u00eamement souvent viol\u00e9e : deux conditions temporellement proches affichent presque toujours une corr\u00e9lation sup\u00e9rieure \u00e0 celle unissant deux conditions tr\u00e8s distantes. Lorsque le test de sph\u00e9ricit\u00e9 de Mauchly rejette cette \u00e9galit\u00e9, l’inf\u00e9rence de l’ANOVA pour mesures r\u00e9p\u00e9t\u00e9es devient biais\u00e9e au m\u00eame titre qu’une ANOVA standard en pr\u00e9sence de d\u00e9pendance non ma\u00eetris\u00e9e. L’analyste se trouve alors contraint d’appliquer des corrections correctives sur les degr\u00e9s de libert\u00e9, telles que les coefficients d’ajustement de Greenhouse-Geisser ou de Huynh-Feldt, qui r\u00e9duisent les degr\u00e9s de libert\u00e9 du test F<\/em> pour restaurer le calibrage exact de la valeur p<\/em>.<\/p>\n Dans le cadre du mod\u00e8le de r\u00e9gression lin\u00e9aire multiple estim\u00e9 par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO), le comportement statistique des estimateurs des coefficients de r\u00e9gression est r\u00e9gi par les conditions formalis\u00e9es dans le c\u00e9l\u00e8bre th\u00e9or\u00e8me de Gauss-Markov<\/a>. Ce th\u00e9or\u00e8me fondamental stipule que si les erreurs r\u00e9siduelles ont une esp\u00e9rance conditionnelle nulle E[\u03b5 | X] = 0<\/em>, pr\u00e9sentent une variance constante Var(\u03b5 | X) = \u03c32<\/sup> I<\/em> (homosc\u00e9dasticit\u00e9), et sont mutuellement non corr\u00e9l\u00e9es, alors les estimateurs MCO des pentes sont BLUE<\/strong> (Best Linear Unbiased Estimator<\/em>, soit les Meilleurs Estimateurs Lin\u00e9aires Sans Biais).<\/p>\n La clause d’orthogonalit\u00e9 ou de non-corr\u00e9lation des termes d’erreur s’\u00e9nonce formellement par :<\/p>\n Cov(\u03b5i<\/sub>, \u03b5j<\/sub> | X) = 0 pour tout i \u2260 j<\/em><\/p>\n Sous cette condition, la matrice de variance-covariance des erreurs s’\u00e9crit simplement comme une matrice diagonale \u03c32<\/sup> In<\/sub><\/em>, o\u00f9 In<\/sub><\/em> repr\u00e9sente la matrice identit\u00e9 de dimension n<\/em>. Il convient de bien distinguer l’ind\u00e9pendance entre les variables pr\u00e9dictives X<\/em> et l’ind\u00e9pendance des termes d’erreur \u03b5<\/em>. La pr\u00e9sence de corr\u00e9lations lin\u00e9aires entre diff\u00e9rentes variables pr\u00e9dictives (multicolin\u00e9arit\u00e9) rend l’estimation des coefficients impr\u00e9cise et augmente leurs variances, mais ne viole pas le th\u00e9or\u00e8me de Gauss-Markov. En revanche, la pr\u00e9sence de corr\u00e9lations entre les termes d’erreur individuels brise le fondement m\u00eame du th\u00e9or\u00e8me.<\/p>\n Lorsque la condition Cov(\u03b5i<\/sub>, \u03b5j<\/sub>) = 0<\/em> n’est plus satisfaite, les estimateurs MCO demeurent certes sans biais au sens math\u00e9matique (leur esp\u00e9rance co\u00efncide toujours avec la vraie valeur du param\u00e8tre dans la population), mais ils perdent irr\u00e9m\u00e9diablement leur statut d’estimateurs de variance minimale. Ils cessent d’\u00eatre efficaces. Pire encore, la formule standard utilis\u00e9e par les logiciels statistiques pour estimer la matrice de variance-covariance des coefficients Var(\u03b2\u0302) = \u03c32<\/sup> (XT<\/sup>X)-1<\/sup><\/em> devient compl\u00e8tement erron\u00e9e, propageant des erreurs syst\u00e9matiques sur les tests de Student associ\u00e9s \u00e0 chaque pr\u00e9dicteur individuel.<\/p>\n L’une des manifestations les plus pernicieuses de la rupture d’ind\u00e9pendance r\u00e9siduelle r\u00e9side dans l’autocorr\u00e9lation temporelle. Ce ph\u00e9nom\u00e8ne surgit naturellement d\u00e8s lors que les donn\u00e9es sont recueillies de mani\u00e8re r\u00e9p\u00e9t\u00e9e au cours du temps, comme dans les s\u00e9ries chronologiques macro\u00e9conomiques ou les protocoles de psychologie intensive tels que l’\u00e9valuation \u00e9cologique momentan\u00e9e (Ecological Momentary Assessment<\/em>, ou EMA). Dans ces protocoles, les participants compl\u00e8tent des questionnaires sur leur \u00e9tat affectif ou leur niveau de stress plusieurs fois par jour via leur t\u00e9l\u00e9phone portable pendant plusieurs semaines.<\/p>\n Dans cette configuration temporelle, l’\u00e9tat psychologique mesur\u00e9 au temps t<\/em> d\u00e9pend in\u00e9vitablement de l’\u00e9tat psychologique au temps t-1<\/em>. Ce ph\u00e9nom\u00e8ne d’inertie comportementale ou de m\u00e9moire s\u00e9rielle se mod\u00e9lise classiquement sous la forme d’un processus autor\u00e9gressif d’ordre un, not\u00e9 AR(1) :<\/p>\n \u03b5t<\/sub> = \u03c1 \u03b5t-1<\/sub> + ut<\/sub><\/em> avec |\u03c1| < 1<\/em> et ut<\/sub> \u223c IID(0, \u03c3u<\/sub>2<\/sup>)<\/em><\/p>\n Ici, \u03c1<\/em> repr\u00e9sente le param\u00e8tre d’autocorr\u00e9lation de premier ordre. Si \u03c1 > 0<\/em>, un r\u00e9sidu positif au temps pr\u00e9c\u00e9dent augmente consid\u00e9rablement la probabilit\u00e9 d’observer un r\u00e9sidu positif au temps suivant. L’impact de cette autocorr\u00e9lation temporelle sur la r\u00e9gression lin\u00e9aire standard par les MCO est d\u00e9vastateur. En pr\u00e9sence d’une autocorr\u00e9lation positive des erreurs associ\u00e9e \u00e0 des pr\u00e9dicteurs qui affichent eux-m\u00eames une continuit\u00e9 temporelle, l’erreur type des coefficients de r\u00e9gression est substantiellement sous-estim\u00e9e. Les statistiques t<\/em> associ\u00e9es \u00e0 chaque variable explicative sont gonfl\u00e9es, et le coefficient de d\u00e9termination globale R2<\/sup><\/em> affiche une valeur artificiellement \u00e9lev\u00e9e, cr\u00e9ant une r\u00e9gression dite \u00ab fallacieuse \u00bb (spurious regression<\/em>) o\u00f9 des variables sans aucun lien causal apparaissent statistiquement associ\u00e9es avec des valeurs p<\/em> infinit\u00e9simales.<\/p>\n De fa\u00e7on sym\u00e9trique \u00e0 l’axe temporel, la dimension spatiale constitue une source majeure de violation de l’hypoth\u00e8se d’ind\u00e9pendance. En psychologie environnementale, en sociologie quantitative, en criminologie et en \u00e9pid\u00e9miologie sociale, les donn\u00e9es sont collect\u00e9es aupr\u00e8s d’individus r\u00e9sidant dans des unit\u00e9s g\u00e9ographiques identifiables : quartiers, municipalit\u00e9s, r\u00e9gions administratives ou pays entiers. Cette configuration tombe imm\u00e9diatement sous le coup du principe fondamental formul\u00e9 par le g\u00e9ographe Waldo Tobler, connu sous le nom de premi\u00e8re loi de la g\u00e9ographie<\/a> : \u00ab Tout interagit avec tout, mais des choses proches interagissent plus que des choses \u00e9loign\u00e9es. \u00bb<\/em><\/p>\n1.2 L’analogie de la port\u00e9e et les regroupements naturels<\/h3>\n
1.3 Diff\u00e9renciation entre variables ind\u00e9pendantes et observations ind\u00e9pendantes<\/h3>\n
2. Les fondements math\u00e9matiques et probabilistes de l’ind\u00e9pendance<\/h2>\n
2.1 Variables al\u00e9atoires et distributions conditionnelles<\/h3>\n
2.2 L’hypoth\u00e8se IID (Ind\u00e9pendantes et Identiquement Distribu\u00e9es)<\/h3>\n
2.3 Degr\u00e9s de libert\u00e9 et information r\u00e9elle<\/h3>\n
3. L’hypoth\u00e8se d’ind\u00e9pendance dans le test t pour deux \u00e9chantillons ind\u00e9pendants<\/h2>\n
3.1 Conditions de validit\u00e9 du test t de Student et de Welch<\/h3>\n
3.2 Exemples concrets de violation du test t en psychologie<\/h3>\n
3.3 Sensibilit\u00e9 du test t \u00e0 la d\u00e9pendance s\u00e9rielle et intraclasse<\/h3>\n
4. L’ind\u00e9pendance des r\u00e9sidus et des observations dans l’analyse de variance (ANOVA)<\/h2>\n
4.1 L’hypoth\u00e8se d’ind\u00e9pendance dans l’ANOVA factorielle et unidirectionnelle<\/h3>\n
4.2 Effets de classe et structures hi\u00e9rarchiques courantes<\/h3>\n
4.3 Distinction entre ANOVA standard et ANOVA pour mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n
5. L’hypoth\u00e8se d’ind\u00e9pendance des erreurs dans la r\u00e9gression lin\u00e9aire<\/h2>\n
5.1 Le th\u00e9or\u00e8me de Gauss-Markov et les erreurs non corr\u00e9l\u00e9es<\/h3>\n
5.2 L’autocorr\u00e9lation temporelle dans les s\u00e9ries chronologiques<\/h3>\n
5.3 L’autocorr\u00e9lation spatiale et contextuelle<\/h3>\n