{"id":8267,"date":"2026-10-14T18:02:21","date_gmt":"2026-10-14T18:02:21","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/quest-ce-que-eta-carre-definition-exemple\/"},"modified":"2026-10-14T18:02:21","modified_gmt":"2026-10-14T18:02:21","slug":"quest-ce-que-eta-carre-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=quest-ce-que-eta-carre-definition-exemple","title":{"rendered":"Qu’est-ce que l’\u00eata-carr\u00e9 ? (D\u00e9finition et exemple)"},"content":{"rendered":"

Dans le paysage contemporain de la recherche quantitative en psychologie, en sciences de l’\u00e9ducation, en m\u00e9decine comportementale et dans l’ensemble des sciences sociales, l’\u00e9valuation des r\u00e9sultats empiriques a connu une transformation paradigmatique majeure. Durant une large partie du vingti\u00e8me si\u00e8cle, l’h\u00e9g\u00e9monie quasi exclusive du paradigme des tests d’hypoth\u00e8se nulle (NHST, pour Null Hypothesis Significance Testing<\/em>) et la fixation m\u00e9thodologique sur le seuil arbitraire de la valeur p<\/em> inf\u00e9rieur \u00e0 0,05 ont souvent occult\u00e9 une interrogation pourtant fondamentale : quelle est la magnitude concr\u00e8te du ph\u00e9nom\u00e8ne observ\u00e9 ? La seule d\u00e9monstration qu’un effet n’est pas strictement imputable au hasard d’\u00e9chantillonnage ne renseigne en rien sur sa port\u00e9e pratique, th\u00e9orique ou clinique. Face \u00e0 cette lacune structurelle, la communaut\u00e9 scientifique internationale, guid\u00e9e par les recommandations r\u00e9it\u00e9r\u00e9es de l’American Psychological Association<\/a>, a promu de mani\u00e8re imp\u00e9rative l’adoption et la publication syst\u00e9matique des indices d’amplitude d’effet.<\/p>\n

Au c\u0153ur de cette d\u00e9marche d’estimation de la puissance substantielle des interventions et des facteurs exp\u00e9rimentaux, l’\u00eata-carr\u00e9 (not\u00e9 $\\eta^2$<\/span>) occupe une place cardinale. H\u00e9ritier direct des fondations de l’analyse de variance d\u00e9velopp\u00e9e par Sir Ronald Fisher, cet indice de taille d’effet statistique quantifie avec \u00e9l\u00e9gance la proportion de la variance totale d’une variable d\u00e9pendante continue qui est directement attribuable ou expliqu\u00e9e par un ou plusieurs facteurs pr\u00e9dictifs cat\u00e9goriels. Qu’il s’agisse de mesurer l’impact d’une psychoth\u00e9rapie innovante sur la r\u00e9duction des scores d’anxi\u00e9t\u00e9, d’analyser l’influence de protocoles d’entra\u00eenement physique sur la r\u00e9gulation m\u00e9tabolique, ou d’\u00e9valuer les d\u00e9terminants p\u00e9dagogiques de la r\u00e9ussite acad\u00e9mique, l’\u00eata-carr\u00e9 s’impose comme un outil descriptif indispensable pour transcender le simple constat de la significativit\u00e9 statistique.<\/p>\n

Cependant, son omnipr\u00e9sence dans la litt\u00e9rature scientifique s’accompagne d’une complexit\u00e9 conceptuelle et technique fr\u00e9quemment sous-estim\u00e9e. Les praticiens et chercheurs se heurtent souvent \u00e0 des confusions persistantes entre l’\u00eata-carr\u00e9 classique, l’\u00eata-carr\u00e9 partiel et l’\u00eata-carr\u00e9 g\u00e9n\u00e9ralis\u00e9, tout en naviguant \u00e0 travers les biais de surestimation intrins\u00e8ques aux petits \u00e9chantillons ou les sorties parfois ambigu\u00ebs des progiciels statistiques tels qu’IBM SPSS, R ou Python. Ce guide exhaustif a pour ambition d’offrir une d\u00e9construction rigoureuse et didactique de l’\u00eata-carr\u00e9 : de ses soubassements alg\u00e9briques \u00e0 son application pas \u00e0 pas sur des donn\u00e9es empiriques, en passant par sa contextualisation \u00e9pist\u00e9mologique, ses crit\u00e8res de comparaison face \u00e0 des m\u00e9triques correctrices comme l’om\u00e9ga-carr\u00e9, et les normes \u00e9ditoriales les plus strictes de la recherche scientifique actuelle.<\/p>\n

1. Introduction \u00e0 la taille d’effet et fondements statistiques de l’\u00eata-carr\u00e9<\/h2>\n

1.1 Au-del\u00e0 de la significativit\u00e9 statistique : la n\u00e9cessit\u00e9 de la taille d’effet<\/h3>\n

L’inf\u00e9rence statistique classique repose traditionnellement sur le calcul d’une probabilit\u00e9 conditionnelle, la fameuse valeur p<\/em>, qui mesure les chances d’obtenir des donn\u00e9es au moins aussi extr\u00eames que celles observ\u00e9es sous l’hypoth\u00e8se nulle d’absence totale d’effet. Bien que math\u00e9matiquement rigoureux, ce m\u00e9canisme d\u00e9cisionnel pr\u00e9sente une vuln\u00e9rabilit\u00e9 critique bien document\u00e9e dans la litt\u00e9rature m\u00e9thodologique : son extr\u00eame sensibilit\u00e9 \u00e0 la taille de l’\u00e9chantillon. Dans une cohorte de dix mille sujets, une divergence physiologique infinit\u00e9simale et d\u00e9nu\u00e9e de toute pertinence pratique atteindra un seuil de significativit\u00e9 statistique hautement impressionnant (par exemple, p<\/em> < 0,001). Inversement, au sein d’une \u00e9tude pilote m\u00e9ticuleuse impliquant vingt patients atteints d’une pathologie rare, un b\u00e9n\u00e9fice th\u00e9rapeutique spectaculaire peut se voir refuser le statut de significativit\u00e9 statistique en raison d’un manque criant de puissance statistique.<\/p>\n

Cette distorsion a engendr\u00e9 ce que nombre d’\u00e9pist\u00e9mologues qualifient d’illusion de la valeur p<\/em>, conduisant les comit\u00e9s de lecture et les chercheurs \u00e0 confondre existence probabiliste d’une r\u00e9gularit\u00e9 et importance substantive d’une d\u00e9couverte. Pour endiguer cette d\u00e9rive, l’American Psychological Association, notamment par le biais de son influent groupe de travail sur l’inf\u00e9rence statistique (Wilkinson & The Task Force on Statistical Inference, 1999), a formul\u00e9 des directives fermes r\u00e9it\u00e9r\u00e9es dans la septi\u00e8me \u00e9dition du manuel de publication de l’APA. D\u00e9sormais, rapporter les tailles d’effet constitue une obligation d\u00e9ontologique et m\u00e9thodologique incontournable pour quiconque soumet un manuscrit scientifique.<\/p>\n

La taille d’effet apporte l’information compl\u00e9mentaire indispensable que la valeur p<\/em> est intrins\u00e8quement incapable de fournir : l’ampleur quantitative du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9. Dans le domaine de la psychologie clinique et des sciences comportementales, cette distinction est salutaire. Elle permet aux praticiens de d\u00e9terminer si un protocole de r\u00e9duction du stress procure une am\u00e9lioration tangible dans le quotidien d’un patient ou s’il s’agit d’une fluctuation arithm\u00e9tique marginale sans \u00e9cho fonctionnel. L’amplitude d’effet sert de pont entre l’abstraction math\u00e9matique des mod\u00e8les lin\u00e9aires et la r\u00e9alit\u00e9 tangible des interventions humaines.<\/p>\n

1.2 Origines th\u00e9oriques dans le cadre de l’analyse de variance (ANOVA)<\/h3>\n

Pour appr\u00e9hender l’\u00e9mergence de l’\u00eata-carr\u00e9, il convient de remonter aux travaux pionniers de Sir Ronald Aylmer Fisher dans les ann\u00e9es 1920. En introduisant l’analyse de variance<\/a> (ANOVA) dans le contexte agronomique de la station exp\u00e9rimentale de Rothamsted, Fisher a formalis\u00e9 une intuition fondamentale : la variabilit\u00e9 totale d’un ph\u00e9nom\u00e8ne biologique complexe peut \u00eatre math\u00e9matiquement d\u00e9compos\u00e9e en composantes orthogonales distinctes, attribuables \u00e0 des causes identifiables d’une part, et \u00e0 une variabilit\u00e9 r\u00e9siduelle inexpliqu\u00e9e (l’erreur exp\u00e9rimentale) d’autre part.<\/p>\n

Si le test F<\/em> de Snedecor-Fisher permet d’\u00e9prouver l’hypoth\u00e8se d’\u00e9galit\u00e9 des moyennes entre les diff\u00e9rents groupes exp\u00e9rimentaux en comparant la variance inter-groupes \u00e0 la variance intra-groupes, il ne constitue qu’un test de ratio omnibus. Les statisticiens des d\u00e9cennies suivantes ont rapidement ressenti le besoin de disposer d’un indice standardis\u00e9 d’association, parfaitement analogue au coefficient de d\u00e9termination ($R^2$<\/span>) omnipr\u00e9sent dans le champ de la r\u00e9gression lin\u00e9aire simple et multiple. En formalisant la th\u00e9orie g\u00e9n\u00e9rale du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ralis\u00e9, les m\u00e9thodologistes ont mis en lumi\u00e8re la continuit\u00e9 absolue entre l’ANOVA et la r\u00e9gression bivari\u00e9e ou multivari\u00e9e.<\/p>\n

C’est dans ce contexte th\u00e9orique fertile que l’\u00eata-carr\u00e9 a \u00e9t\u00e9 conceptualis\u00e9 comme la transcription directe de la m\u00e9trique de proportion de variance pour les variables ind\u00e9pendantes nominales ou cat\u00e9gorielles. \u00c0 mesure que les sciences humaines et sociales abandonnaient les d\u00e9marches purement corr\u00e9lationnelles pour embrasser les protocoles exp\u00e9rimentaux randomis\u00e9s au cours des ann\u00e9es 1950 et 1960, l’\u00eata-carr\u00e9 est devenu l’indice descriptif privil\u00e9gi\u00e9 pour synth\u00e9tiser en un seul chiffre l’impact global des manipulations exp\u00e9rimentales en laboratoire.<\/p>\n

1.3 Positionnement de l’\u00eata-carr\u00e9 dans la taxonomie des tailles d’effet<\/h3>\n

L’univers des indices de taille d’effet se structure principalement autour de deux grandes traditions m\u00e9trologiques formalis\u00e9es par Jacob Cohen et Robert Rosenthal : la famille d<\/em> (refl\u00e9tant les diff\u00e9rences moyennes standardis\u00e9es) et la famille r<\/em> (exprimant la force d’association ou la variance expliqu\u00e9e). L’\u00eata-carr\u00e9 s’inscrit r\u00e9solument dans la famille r<\/em>, se distinguant des indices bas\u00e9s sur les unit\u00e9s de d\u00e9viation standard comme le d<\/em> de Cohen ou le g<\/em> de Hedges.<\/p>\n

Tandis que la famille d<\/em> s’av\u00e8re particuli\u00e8rement adapt\u00e9e \u00e0 la comparaison directe de deux conditions dichotomiques (par exemple, un groupe t\u00e9moin oppos\u00e9 \u00e0 un groupe exp\u00e9rimental sous placebo), elle perd de son \u00e9l\u00e9gance synth\u00e9tique d\u00e8s lors que le protocole int\u00e8gre trois groupes ou davantage. D\u00e8s lors qu’un chercheur d\u00e9ploie un devis factoriel impliquant, par exemple, quatre dosages m\u00e9dicamenteux ou des plans crois\u00e9s complexes, chercher \u00e0 r\u00e9sumer la situation par une multitude de comparaisons par paires obscurcit la vision d’ensemble du mod\u00e8le exp\u00e9rimental.<\/p>\n

Les propri\u00e9t\u00e9s des indices bas\u00e9s sur la proportion de variance partag\u00e9e, au sommet desquels tr\u00f4ne l’\u00eata-carr\u00e9, offrent une r\u00e9ponse globale et unifi\u00e9e. En quantifiant quel pourcentage du tableau d’ensemble de la dispersion des observations est captur\u00e9 par un facteur ou par une interaction factorielle, l’\u00eata-carr\u00e9 permet aux chercheurs d’\u00e9valuer la puissance relative de multiples variables ind\u00e9pendantes au sein d’un m\u00eame devis exp\u00e9rimental, ind\u00e9pendamment de leurs \u00e9chelles de mesure primitives respectives.<\/p>\n

2. D\u00e9finition conceptuelle et propri\u00e9t\u00e9s fondamentales de l’\u00eata-carr\u00e9<\/h2>\n

2.1 D\u00e9finition math\u00e9matique et signification substantive<\/h3>\n

Sur le plan conceptuel, l’\u00eata-carr\u00e9 ($\\eta^2$<\/span>) est d\u00e9fini sans ambigu\u00eft\u00e9 comme le ratio de la variabilit\u00e9 expliqu\u00e9e par une source de variation sp\u00e9cifique sur la variabilit\u00e9 globale observ\u00e9e au sein de l’\u00e9chantillon d’\u00e9tude. En d’autres termes, il quantifie la part proportionnelle d’information statistique port\u00e9e par la variable d\u00e9pendante continue qui peut \u00eatre rattach\u00e9e \u00e0 l’appartenance des individus aux diff\u00e9rentes modalit\u00e9s de la variable ind\u00e9pendante cat\u00e9gorielle.<\/p>\n

L’interpr\u00e9tation substantive de cet indice est remarquablement intuitive pour les praticiens. Exprimer un $\\eta^2$<\/span> sous la forme d’un pourcentage revient \u00e0 affirmer : \u00ab $X$<\/span> pour cent des fluctuations individuelles constat\u00e9es sur la variable d\u00e9pendante trouvent leur origine fonctionnelle dans les conditions d\u00e9finies par le facteur exp\u00e9rimental \u00bb. Cette simplicit\u00e9 interpr\u00e9tative masque n\u00e9anmoins une subtilit\u00e9 m\u00e9trologique essentielle : bien que l’ANOVA repose sur des postulats param\u00e9triques classiques (normalit\u00e9 des r\u00e9sidus, homosc\u00e9dasticit\u00e9, ind\u00e9pendance), l’\u00eata-carr\u00e9, dans sa computation purement descriptive, constitue une mesure purement g\u00e9om\u00e9trique de la d\u00e9composition de l’espace des donn\u00e9es de l’\u00e9chantillon.<\/p>\n

Il ne postule en soi aucun param\u00e8tre distributionnel a priori lorsqu’il est employ\u00e9 pour caract\u00e9riser strictement l’ensemble des donn\u00e9es observ\u00e9es. Il s’agit d’une m\u00e9trique r\u00e9trospective et descriptive de l’ajustement du mod\u00e8le lin\u00e9aire aux observations concr\u00e8tes recueillies par l’exp\u00e9rimentateur, analogue point pour point au $R^2$<\/span> de Pearson obtenu par la m\u00e9thode des moindres carr\u00e9s ordinaires.<\/p>\n

2.2 Propri\u00e9t\u00e9s de l’intervalle d’\u00e9chelle [0, 1]<\/h3>\n

L’une des qualit\u00e9s math\u00e9matiques les plus rassurantes de l’\u00eata-carr\u00e9 r\u00e9side dans son confinement strict \u00e0 l’int\u00e9rieur de l’intervalle ferm\u00e9 allant de 0 \u00e0 1, ou de 0 % \u00e0 100 % lorsqu’il est converti en pourcentages. Cette propri\u00e9t\u00e9 le rend particuli\u00e8rement ais\u00e9 \u00e0 appr\u00e9hender pour la communication scientifique aupr\u00e8s d’audiences vari\u00e9es.<\/p>\n

Une valeur de $\\eta^2 = 0$<\/span> incarne la stricte ind\u00e9pendance statistique entre la variable pr\u00e9dictive et la variable crit\u00e8re : la moyenne de chaque condition exp\u00e9rimentale est parfaitement identique \u00e0 la moyenne g\u00e9n\u00e9rale de l’\u00e9chantillon, signifiant que la connaissance de l’appartenance d’un individu \u00e0 tel ou tel groupe n’apporte strictement aucune information pr\u00e9dictive sur son score. \u00c0 l’oppos\u00e9 du continuum, une valeur th\u00e9orique de $\\eta^2 = 1$<\/span> mat\u00e9rialiserait un d\u00e9terminisme absolu : la totalit\u00e9 de la variabilit\u00e9 interindividuelle d\u00e9coulerait exclusivement des conditions exp\u00e9rimentales, la variance intra-groupe (l’erreur r\u00e9siduelle) \u00e9tant strictement nulle. Dans cette hypoth\u00e8se th\u00e9orique, chaque participant au sein d’une m\u00eame condition obtiendrait rigoureusement le m\u00eame score.<\/p>\n

Dans la litt\u00e9rature empirique des sciences comportementales, biom\u00e9dicales et psychologiques, les distributions de $\\eta^2$<\/span> s’av\u00e8rent \u00e9videmment bien plus modestes. En raison de la variabilit\u00e9 biologique intrins\u00e8que, du bruit de mesure des questionnaires et des multiples facteurs confondants inh\u00e9rents \u00e0 l’humain, les valeurs publi\u00e9es oscillent g\u00e9n\u00e9ralement entre 0,02 et 0,25. Des valeurs exc\u00e9dant 0,40 sont extr\u00eamement rares en psychologie sociale ou cognitive et doivent souvent inciter le chercheur \u00e0 v\u00e9rifier l’absence d’artefacts m\u00e9thodologiques ou de tautologies conceptuelles entre pr\u00e9dicteurs et crit\u00e8res.<\/p>\n

2.3 Caract\u00e8re additif dans l’ANOVA classique<\/h3>\n

Une propri\u00e9t\u00e9 alg\u00e9brique distinctive et immens\u00e9ment pr\u00e9cieuse de l’\u00eata-carr\u00e9 classique r\u00e9side dans son additivit\u00e9 stricte au sein des plans factoriels orthogonaux \u00e9quilibr\u00e9s (c’est-\u00e0-dire comportant un nombre rigoureusement \u00e9gal d’observations par cellule exp\u00e9rimentale). Cette caract\u00e9ristique d\u00e9coule de la nature m\u00eame du th\u00e9or\u00e8me de Pythagore appliqu\u00e9 aux espaces euclidiens des r\u00e9sidus dans la d\u00e9composition des sommes des carr\u00e9s.<\/p>\n

Dans une ANOVA univari\u00e9e ou factorielle sans d\u00e9s\u00e9quilibre de plan, la somme des carr\u00e9s totale ($SC_{total}$<\/span>) est partitionn\u00e9e de mani\u00e8re univoque sans chevauchement de variance entre les diff\u00e9rents effets principaux, les termes d’interaction et la somme des carr\u00e9s de l’erreur r\u00e9siduelle. Par cons\u00e9quent, la somme des \u00eata-carr\u00e9s calcul\u00e9s pour l’ensemble des facteurs, de leurs interactions crois\u00e9es et du terme d’erreur r\u00e9siduelle est strictement \u00e9gale \u00e0 l’unit\u00e9 :<\/p>\n

$$\\sum \\eta^2_{effets} + \\eta^2_{erreur} = 1{,}00 \\quad (100%)$$<\/span><\/p>\n

Cette additivit\u00e9 absolue conf\u00e8re \u00e0 l’\u00eata-carr\u00e9 une puissance heuristique incomparable pour le chercheur souhaitant diss\u00e9quer la morphologie de son exp\u00e9rience. Il est possible de dresser un bilan comptable exhaustif de la variance : attribuer avec une pr\u00e9cision math\u00e9matique 15 % de la dispersion globale au Facteur A, 10 % au Facteur B, 5 % \u00e0 leur interaction synergique, et constater que les 70 % restants rel\u00e8vent du bruit exp\u00e9rimental et de l’al\u00e9a individuel non captur\u00e9. Cet agencement ordonn\u00e9 \u00e9vite toute redondance analytique dans la d\u00e9composition de l’architecture des donn\u00e9es.<\/p>\n

3. Formule math\u00e9matique et calcul d\u00e9taill\u00e9 de l’\u00eata-carr\u00e9<\/h2>\n

3.1 La formule canonique de calcul<\/h3>\n

L’expression formelle de l’\u00eata-carr\u00e9 se caract\u00e9rise par une formule canonique universelle d’une grande simplicit\u00e9 alg\u00e9brique. Elle rapporte le travail statistique accompli par le facteur \u00e9tudi\u00e9 \u00e0 la variabilit\u00e9 totale pr\u00e9sente dans l’exp\u00e9rience :<\/p>\n

$$\\eta^2 = \\frac{SC_{effet}}{SC_{total}}$$<\/span><\/p>\n

Dans cette \u00e9quation fondamentale :<\/p>\n