Fisher<\/figcaption><\/figure>\nSur le plan math\u00e9matique, le test exact de Fisher ne s’appuie pas sur une distribution limite continue comme la loi du Chi-deux, mais sur la loi hyperg\u00e9om\u00e9trique<\/strong>. Cette distribution discr\u00e8te mod\u00e9lise la probabilit\u00e9 d’obtenir un nombre donn\u00e9 de succ\u00e8s lors de tirages simultan\u00e9s sans remise au sein d’une population finie constitu\u00e9e d’\u00e9l\u00e9ments r\u00e9partis en deux cat\u00e9gories mutuellement exclusives. Dans le cadre d’un tableau de contingence 2×2, le mod\u00e8le consid\u00e8re que les totaux marginaux (les sommes des lignes et les sommes des colonnes) sont fixes ou conditionnellement fix\u00e9s par le protocole exp\u00e9rimental. D\u00e8s lors, la probabilit\u00e9 exacte d’observer une configuration cellulaire sp\u00e9cifique sous l’hypoth\u00e8se nulle d’ind\u00e9pendance se formule directement \u00e0 l’aide de coefficients binomiaux et de factorielles.<\/p>\nLa distinction conceptuelle entre un test asymptotique et un test exact s’av\u00e8re fondamentale pour la rigueur m\u00e9thodologique. Un test asymptotique, tel que le Chi-deux de Pearson ou le test du rapport de vraisemblance, pr\u00e9sume que la taille de l’\u00e9chantillon tend vers l’infini ($N to \\infty$<\/span>). Dans cette perspective limite, la statistique de test converge vers une distribution th\u00e9orique connue. Lorsque l’\u00e9chantillon est volumineux, cette approximation offre une pr\u00e9cision exemplaire. \u00c0 l’inverse, un test exact ne repose sur aucune hypoth\u00e8se de convergence \u00e0 l’infini : il d\u00e9nombre l’ensemble fini des arrangements combinatoires compatibles avec les marges observ\u00e9es et additionne les probabilit\u00e9s ponctuelles de toutes les tables dont la configuration s’av\u00e8re aussi ou plus extr\u00eame que celle constat\u00e9e dans l’\u00e9chantillon empirique. Il n’existe donc aucune perte d’information ni approximation probabiliste li\u00e9e \u00e0 la taille de l’\u00e9chantillon.<\/p>\n1.2 Comparaison entre le Chi-deux de Pearson et le test exact de Fisher<\/h3>\n La confrontation math\u00e9matique entre le test du Chi-deux d’ind\u00e9pendance de Pearson et le test exact de Fisher met en exergue les failles inh\u00e9rentes aux m\u00e9thodes bas\u00e9es sur de larges \u00e9chantillons lorsqu’elles sont appliqu\u00e9es de mani\u00e8re indue \u00e0 des micro-cohortes. La statistique du Chi-deux de Pearson repose sur l’\u00e9cart quadratique normalis\u00e9 entre les fr\u00e9quences observ\u00e9es ($O_{ij}$<\/span>) et les fr\u00e9quences th\u00e9oriques attendues ($E_{ij}$<\/span>), calcul\u00e9e selon la formule standard :<\/p>\n$$\\chi^2 = \\sum \\frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$<\/span><\/p>\nCette sommation ne suit rigoureusement une distribution th\u00e9orique de Chi-deux \u00e0 $(r-1)(c-1)$<\/span> degr\u00e9s de libert\u00e9 que si le th\u00e9or\u00e8me central limite op\u00e8re pleinement au sein de chaque cellule. Lorsque les effectifs totaux sont faibles, ou que les proportions marginales sont particuli\u00e8rement asym\u00e9triques, les fr\u00e9quences th\u00e9oriques $E_{ij}$<\/span> diminuent consid\u00e9rablement. D\u00e8s lors, le d\u00e9nominateur de chaque terme cellulaire devient tr\u00e8s petit, provoquant une instabilit\u00e9 num\u00e9rique majeure : la statistique $\\chi^2$<\/span> gonfle artificiellement, ou au contraire, sa distribution discr\u00e8te sous-jacente s’\u00e9carte radicalement de la courbe continue th\u00e9orique du Chi-deux.<\/p>\nCette inad\u00e9quation math\u00e9matique se traduit concr\u00e8tement par une distorsion s\u00e9v\u00e8re du taux d’erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>). Selon la configuration des marges, le Chi-deux asymptotique peut devenir excessivement lib\u00e9ral, rejetant \u00e0 tort l’hypoth\u00e8se nulle et conduisant \u00e0 des faux positifs cliniques d\u00e9sastreux, ou \u00e0 l’inverse excessivement conservateur dans certaines zones de rejet. Le test exact de Fisher, en \u00e9liminant toute mod\u00e9lisation continue, garantit que le risque r\u00e9el d’erreur de type I ne d\u00e9passe jamais le seuil nominal choisi ($\\alpha = 0,05$<\/span> ou $\\alpha = 0,01$<\/span>). Son caract\u00e8re non param\u00e9trique absolu d\u00e9coule du fait qu’il n’impose aucune hypoth\u00e8se distributionnelle sur la population source, faisant de lui l’\u00e9talon-or math\u00e9matique pour les matrices 2×2 \u00e0 faibles volumes.<\/p>\n1.3 Pertinence m\u00e9thodologique dans la recherche clinique et psychologique<\/h3>\n Dans l’\u00e9cosyst\u00e8me de la recherche en psychologie clinique, en psychopathologie exp\u00e9rimentale et en neurosciences comportementales, la constitution de vastes \u00e9chantillons probabilistes repr\u00e9sentatifs rel\u00e8ve souvent de l’utopie logistique, financi\u00e8re ou \u00e9thique. Les chercheurs travaillent r\u00e9guli\u00e8rement sur des populations pr\u00e9sentant des troubles d’une pr\u00e9valence extr\u00eamement faible au sein de la population g\u00e9n\u00e9rale, tels que les troubles dissociatifs de l’identit\u00e9, les \u00e9tats de stress post-traumatique complexes cons\u00e9cutifs \u00e0 des traumatismes de guerre sp\u00e9cifiques, les troubles psychotiques \u00e0 d\u00e9but tr\u00e8s pr\u00e9coce ou certaines anomalies g\u00e9n\u00e9tiques rares associ\u00e9es \u00e0 des ph\u00e9notypes neurod\u00e9veloppementaux particuliers (comme le syndrome de Williams ou le syndrome de Prader-Willi).<\/p>\n
Parall\u00e8lement, l’\u00e9valuation d’\u00e9v\u00e9nements ind\u00e9sirables graves ou de comportements critiques \u00e0 tr\u00e8s basse fr\u00e9quence \u2014 tels que les tentatives de suicide sous protocole psychoth\u00e9rapeutique, les passages \u00e0 l’acte h\u00e9t\u00e9ro-agressifs en unit\u00e9 ferm\u00e9e ou les arr\u00eats pr\u00e9matur\u00e9s de traitement pour intol\u00e9rance psychologique s\u00e9v\u00e8re \u2014 g\u00e9n\u00e8re in\u00e9vitablement des tables de contingence compos\u00e9es de cellules dont les effectifs observ\u00e9s sont nuls ou marginaux. Dans ces configurations, l’application d’un test asymptotique classique est formellement proscrite en raison de son invalidit\u00e9 statistique.<\/p>\n
Le test exact de Fisher conf\u00e8re une robustesse inf\u00e9rentielle incontestable aux protocoles quasi-exp\u00e9rimentaux \u00e0 petits groupes, aux \u00e9tudes pilotes (feasibility trials<\/em>) et aux plans factoriels men\u00e9s dans des contextes hospitaliers de recours. En permettant d’extraire des conclusions statistiques fiables \u00e0 partir de cohortes compos\u00e9es de seulement 15 \u00e0 30 participants, il autorise l’avanc\u00e9e de la d\u00e9couverte clinique l\u00e0 o\u00f9 d’autres m\u00e9thodes d’analyse statistique condamneraient les chercheurs \u00e0 l’ind\u00e9cidabilit\u00e9 m\u00e9thodologique ou \u00e0 la surinterpr\u00e9tation purement narrative de pourcentages descriptifs trompeurs.<\/p>\n2. Conditions d’application et hypoth\u00e8ses statistiques pr\u00e9alables<\/h2>\n2.1 Nature et \u00e9chelle de mesure des variables \u00e9tudi\u00e9es<\/h3>\n Le d\u00e9ploiement rigoureux du test exact de Fisher repose sur le respect scrupuleux de postulats m\u00e9trologiques stricts concernant la nature des donn\u00e9es collect\u00e9es. En premier lieu, la proc\u00e9dure exige l’utilisation de deux variables cat\u00e9gorielles. Dans la configuration classique et optimale du test, ces variables doivent \u00eatre qualitatives nominales dichotomiques, c’est-\u00e0-dire compos\u00e9es d’exactement deux modalit\u00e9s mutuellement exclusives et collectivement exhaustives. Ces modalit\u00e9s peuvent refl\u00e9ter des \u00e9tats naturels (ex. Pr\u00e9sence vs Absence d’un diagnostic clinique, Sexe biologique : Homme vs Femme) ou des conditions d’assignation exp\u00e9rimentale (ex. Groupe Intervention Psychoth\u00e9rapeutique vs Groupe Contr\u00f4le sur liste d’attente).<\/p>\n
Il demeure tout \u00e0 fait envisageable d’appliquer le test exact de Fisher \u00e0 des variables initialement mesur\u00e9es sur une \u00e9chelle ordinale (par exemple, un niveau de s\u00e9v\u00e9rit\u00e9 symptomatique cat\u00e9goris\u00e9 en \u00ab L\u00e9ger \u00bb, \u00ab Mod\u00e9r\u00e9 \u00bb et \u00ab S\u00e9v\u00e8re \u00bb) ou continue (comme le score brut obtenu \u00e0 une \u00e9chelle d’\u00e9valuation de la d\u00e9pression), \u00e0 la condition expresse que ces variables soient pr\u00e9alablement dichotomis\u00e9es selon un seuil clinique ou th\u00e9orique valid\u00e9 (ex. score inf\u00e9rieur ou sup\u00e9rieur au score seuil clinique conventionnel). Cette pratique de dichotomisation, bien qu’entra\u00eenant une perte inh\u00e9rente de variance et de puissance statistique, permet de r\u00e9pondre \u00e0 des questions d\u00e9cisionnelles binaires nettes.<\/p>\n
L’exigence structurale centrale r\u00e9side dans l’ind\u00e9pendance mutuelle stricte des cat\u00e9gories au sein de chaque variable : un participant donn\u00e9 ne peut en aucun cas appartenir simultan\u00e9ment \u00e0 plus d’une cellule de la table de contingence. La structure bivari\u00e9e 2×2 constitue le cadre d’\u00e9lection du test de Fisher dans sa forme analytique standard sous SPSS, garantissant que chaque individu de la cohorte est class\u00e9 de mani\u00e8re univoque dans l’un des quatre quadrants form\u00e9s par l’intersection des deux variables.<\/p>\n
2.2 La r\u00e8gle de Cochran et le probl\u00e8me des effectifs th\u00e9oriques faibles<\/h3>\n L’indication pr\u00e9f\u00e9rentielle ou obligatoire du test exact de Fisher par rapport au Chi-deux de Pearson s’\u00e9value principalement \u00e0 l’aune des crit\u00e8res probabilistes \u00e9nonc\u00e9s par le statisticien William Gemmell Cochran en 1952 et 1954. La c\u00e9l\u00e8bre r\u00e8gle de Cochran<\/strong> stipule que l’approximation asymptotique du Chi-deux est consid\u00e9r\u00e9e comme valide et robuste si, et seulement si, deux conditions cumulatives sont scrupuleusement respect\u00e9es au sein de la matrice th\u00e9orique des donn\u00e9es :<\/p>\n\nAucune cellule de la table de contingence ne doit pr\u00e9senter un effectif th\u00e9orique attendu ($E_{ij}$<\/span>) strictement inf\u00e9rieur \u00e0 1.<\/li>\nPas plus de 20 % des cellules de l’ensemble de la table ne doivent pr\u00e9senter un effectif th\u00e9orique attendu ($E_{ij}$<\/span>) inf\u00e9rieur \u00e0 5.<\/li>\n<\/ul>\nDans le cas sp\u00e9cifique d’une table de contingence bivari\u00e9e 2×2, la matrice ne comporte au total que quatre cellules distinctes. En cons\u00e9quence m\u00e9canique, la pr\u00e9sence d’une seule cellule affichant un effectif th\u00e9orique inf\u00e9rieur \u00e0 5 repr\u00e9sente imm\u00e9diatement 25 % des cellules de la table (1 sur 4), ce qui enfreint instantan\u00e9ment le second crit\u00e8re de Cochran. Il est fondamental de souligner que cette r\u00e8gle ne s’applique pas aux effectifs observ\u00e9s r\u00e9els ($O_{ij}$<\/span>), mais exclusivement aux effectifs th\u00e9oriques attendus sous l’hypoth\u00e8se d’ind\u00e9pendance. La fr\u00e9quence attendue pour une cellule situ\u00e9e \u00e0 l’intersection de la ligne $i$<\/span> et de la colonne $j$<\/span> est d\u00e9termin\u00e9e par le produit de son total marginal de ligne ($R_i$<\/span>) et de son total marginal de colonne ($C_j$<\/span>), divis\u00e9 par la taille totale de l’\u00e9chantillon ($N$<\/span>) :<\/p>\n$$E_{ij} = \\frac{R_i \\times C_j}{N}$$<\/span><\/p>\nLe logiciel SPSS calcule automatiquement ces valeurs th\u00e9oriques lors de la g\u00e9n\u00e9ration des tableaux crois\u00e9s. D\u00e8s lors que l’une de ces valeurs descend sous le seuil de 5 dans un tableau 2×2, le chercheur doit obligatoirement \u00e9carter la valeur asymptotique du Chi-deux de Pearson et reporter exclusivement le r\u00e9sultat fourni par le test exact de Fisher.<\/p>\n
2.3 Ind\u00e9pendance des observations et \u00e9chantillonnage<\/h3>\n Au-del\u00e0 de la distribution des fr\u00e9quences th\u00e9oriques, le test exact de Fisher repose sur une hypoth\u00e8se m\u00e9thodologique non n\u00e9gociable : l’ind\u00e9pendance absolue des observations<\/strong> entre les sujets. Chaque unit\u00e9 exp\u00e9rimentale incluse dans le protocole doit contribuer \u00e0 la table de contingence pour une observation et une seule. Cela signifie que l’appartenance d’un sujet \u00e0 une cat\u00e9gorie donn\u00e9e ne doit en aucune mani\u00e8re influencer ou d\u00e9terminer l’appartenance d’un autre sujet \u00e0 cette m\u00eame cat\u00e9gorie ou \u00e0 une autre. Ce postulat exclut formellement les structures d’\u00e9chantillonnage en grappes non contr\u00f4l\u00e9es, les r\u00e9seaux d’influence sociale directe au sein de dyades, ou l’inclusion de plusieurs membres d’une m\u00eame fratrie sans mod\u00e9lisation hi\u00e9rarchique appropri\u00e9e.<\/p>\nDe surcro\u00eet, le test de Fisher est intrins\u00e8quement inadapt\u00e9 aux plans exp\u00e9rimentaux \u00e0 mesures r\u00e9p\u00e9t\u00e9es, aux \u00e9tudes longitudinales mesurant le statut clinique d’un m\u00eame individu \u00ab avant \u00bb et \u00ab apr\u00e8s \u00bb traitement, ainsi qu’aux protocoles d’appariement cas-t\u00e9moins individualis\u00e9s. Pour ces architectures d\u00e9pendantes, l’utilisation du test de Fisher entra\u00eenerait une sous-estimation ou une surestimation dramatique de la variance r\u00e9elle, faussant irr\u00e9m\u00e9diablement l’inf\u00e9rence. Les donn\u00e9es cat\u00e9gorielles appari\u00e9es rel\u00e8vent d’autres mod\u00e9lisations d\u00e9di\u00e9es, au premier rang desquelles figure le test de McNemar.<\/p>\n
Sur le plan de la th\u00e9orie de l’\u00e9chantillonnage, le mod\u00e8le math\u00e9matique de Fisher postule conditionnellement la fixit\u00e9 des marges de lignes et de colonnes. En recherche exp\u00e9rimentale pure, la taille des groupes (ex. 15 patients sous th\u00e9rapie A et 15 patients sous th\u00e9rapie B) est fix\u00e9e a priori par l’exp\u00e9rimentateur, tandis que le nombre total de r\u00e9missions et d’\u00e9checs \u00e9merge des observations empiriques. Bien que seule une marge soit strictement fix\u00e9e par le plan dans de nombreux contextes cliniques (\u00e9chantillonnage multinomial ou de Poisson conditionnel), la th\u00e9orie statistique contemporaine a amplement d\u00e9montr\u00e9 que le conditionnement par rapport aux deux marges observ\u00e9es demeure l’approche la plus prudente et optimale pour tester l’ind\u00e9pendance sans introduire de param\u00e8tres de nuisance inconnus.<\/p>\n
2.4 Formulation formelle des hypoth\u00e8ses statistiques<\/h3>\n L’impl\u00e9mentation du test exact de Fisher exige la sp\u00e9cification formalis\u00e9e d’un couple d’hypoth\u00e8ses statistiques mutuellement exclusives. Dans le cadre g\u00e9n\u00e9ral de l’analyse d’association bivari\u00e9e, l’hypoth\u00e8se nulle<\/strong> ($H_0$<\/span>) postule l’ind\u00e9pendance stochastique parfaite entre la variable ind\u00e9pendante (ligne) et la variable d\u00e9pendante (colonne). Exprim\u00e9e en termes de probabilit\u00e9s conditionnelles, $H_0$<\/span> \u00e9nonce que la probabilit\u00e9 d’appartenir \u00e0 une cat\u00e9gorie de la variable d\u00e9pendante est rigoureusement identique quelle que soit la modalit\u00e9 consid\u00e9r\u00e9e de la variable ind\u00e9pendante :<\/p>\n$$H_0 : P(Y = 1 mid X = 1) = P(Y = 1 mid X = 2)$$<\/span><\/p>\nEn termes de param\u00e8tres d’association \u00e9pid\u00e9miologique et clinique, cette hypoth\u00e8se nulle \u00e9quivaut strictement \u00e0 stipuler que le rapport de cotes (Odds Ratio<\/em>, $OR$<\/span>) dans la population sous-jacente est \u00e9gal \u00e0 l’unit\u00e9 :<\/p>\n$$H_0 : OR = 1$$<\/span><\/p>\nL’hypoth\u00e8se alternative<\/strong> ($H_1$<\/span>), quant \u00e0 elle, peut \u00eatre formul\u00e9e selon deux perspectives distinctes selon le cadre th\u00e9orique de la recherche :<\/p>\n\nHypoth\u00e8se alternative bilat\u00e9rale (non directionnelle)<\/strong> : Elle postule l’existence d’une association ou d’une d\u00e9pendance entre les deux variables, sans pr\u00e9juger du sens de cette relation ($H_1 : P(Y = 1 mid X = 1) \\neq P(Y = 1 mid X = 2)$<\/span> ou $H_1 : OR \\neq 1$<\/span>). Le chercheur envisage indiff\u00e9remment que le traitement puisse augmenter ou d\u00e9t\u00e9riorer le taux de r\u00e9mission par rapport au groupe t\u00e9moin.<\/li>\nHypoth\u00e8se alternative unilat\u00e9rale (directionnelle)<\/strong> : Elle postule une relation orient\u00e9e \u00e9tay\u00e9e par une litt\u00e9rature robuste pr\u00e9alable ou des imp\u00e9ratifs m\u00e9canistiques rigides ($H_1 : OR > 1$<\/span> ou $H_1 : OR < 1$<\/span>). Par exemple, l'investigateur \u00e9met l'hypoth\u00e8se formelle que la nouvelle psychoth\u00e9rapie produit un taux de r\u00e9mission strictement sup\u00e9rieur \u00e0 l'intervention standard.<\/li>\n<\/ul>\nComme nous l’examinerons ult\u00e9rieurement, SPSS fournit simultan\u00e9ment les probabilit\u00e9s exactes unilat\u00e9rales et bilat\u00e9rales dans ses sorties de calcul. Le choix entre ces deux approches doit obligatoirement \u00eatre consign\u00e9 dans le protocole de recherche avant l’inspection des donn\u00e9es, afin de pr\u00e9venir toute d\u00e9rive vers des pratiques de s\u00e9lection opportuniste de significativit\u00e9 (p-hacking<\/em>).<\/p>\n3. Structuration et encodage des donn\u00e9es dans SPSS<\/h2>\n3.1 Organisation en donn\u00e9es brutes individuelles (Format d\u00e9sagr\u00e9g\u00e9)<\/h3>\n L’organisation des fichiers de donn\u00e9es au sein de l’environnement SPSS conditionne directement la capacit\u00e9 du logiciel \u00e0 ex\u00e9cuter le test exact de Fisher sans biais d’agr\u00e9gation. Le format de structuration le plus conventionnel en recherche empirique est le format d\u00e9sagr\u00e9g\u00e9 ou individuel<\/strong>. Dans cette architecture, la matrice de donn\u00e9es contenue dans la Vue des donn\u00e9es<\/em> (Data View<\/em>) consacre chaque ligne horizontale \u00e0 un participant ou une unit\u00e9 observationnelle unique. Si l’\u00e9tude porte sur 35 patients cliniques, le fichier SPSS doit afficher rigoureusement 35 lignes distinctes.<\/p>\nDans ce format standard, la premi\u00e8re colonne est syst\u00e9matiquement r\u00e9serv\u00e9e \u00e0 un identifiant unique (variable nomm\u00e9e conventionnellement ID<\/code> ou Sujet<\/code>). Cette pratique garantit la tra\u00e7abilit\u00e9 des observations et facilite le contr\u00f4le qualit\u00e9 lors de l’audit des donn\u00e9es. Les colonnes subs\u00e9quentes h\u00e9bergent les mesures op\u00e9rationnelles : une colonne d\u00e9di\u00e9e \u00e0 la variable explicative ou pr\u00e9dictive (par exemple Groupe_Therapie<\/code>) et une colonne d\u00e9di\u00e9e \u00e0 la variable crit\u00e8re ou d’issue (par exemple Remission_Clinique<\/code>).<\/p>\nChaque cellule de la matrice de donn\u00e9es ne contient ainsi qu’une valeur num\u00e9rique codifi\u00e9e correspondant \u00e0 l’\u00e9tat du sujet consid\u00e9r\u00e9. Cette organisation en donn\u00e9es brutes individuelles pr\u00e9sente l’avantage d\u00e9cisif d’autoriser l’int\u00e9gration de covariables multiples (\u00e2ge, sexe, score d’anxi\u00e9t\u00e9 initial) au sein du m\u00eame fichier de travail, permettant d’envisager sans restructuration ult\u00e9rieure le passage vers des analyses multivari\u00e9es ou des mod\u00e9lisations de r\u00e9gression logistique binaire.<\/p>\n
3.2 Param\u00e9trage des variables dans la Vue des variables<\/h3>\n Une fois les colonnes d’encodage \u00e9tablies, le param\u00e9trage m\u00e9trologique pr\u00e9cis s’effectue dans l’onglet Vue des variables<\/em> (Variable View<\/em>) de SPSS. Une configuration irr\u00e9prochable pr\u00e9vient les erreurs de calcul algorithmique et garantit la clart\u00e9 s\u00e9miotique des sorties graphiques et tabulaires g\u00e9n\u00e9r\u00e9es par le logiciel. Pour chacune des deux variables destin\u00e9es au tableau crois\u00e9, plusieurs param\u00e8tres fondamentaux doivent \u00eatre configur\u00e9s avec rigueur :<\/p>\n\nNom<\/strong> : Attribuer un nom court, explicite, d\u00e9pourvu d’espaces et de caract\u00e8res sp\u00e9ciaux (ex. Traitement<\/code>, Evolution<\/code>).<\/li>\nType<\/strong> : Choisir imp\u00e9rativement le type Num\u00e9rique<\/em>. Bien que SPSS autorise l’encodage de variables sous forme de cha\u00eenes de caract\u00e8res (String<\/em>), cette pratique est formellement d\u00e9conseill\u00e9e car elle alourdit le temps d’ex\u00e9cution des algorithmes exacts et peut d\u00e9sactiver certaines options d’estimation de la taille d’effet.<\/li>\n\u00c9tiquette<\/strong> : Saisir une description textuelle d\u00e9taill\u00e9e qui appara\u00eetra dans les en-t\u00eates des tableaux d’\u00e9ditions (ex. \u00ab Condition th\u00e9rapeutique administr\u00e9e \u00bb, \u00ab Statut de r\u00e9mission \u00e0 6 mois post-intervention \u00bb).<\/li>\nValeurs<\/strong> : D\u00e9finir avec pr\u00e9cision le libell\u00e9 associ\u00e9 \u00e0 chaque code num\u00e9rique au sein de la bo\u00eete de dialogue \u00c9tiquettes de valeurs<\/em>. Par convention standardis\u00e9e en biostatistique : attribuer la valeur 0<\/code> \u00e0 l’absence de l’\u00e9v\u00e9nement ou au groupe t\u00e9moin (ex. 0 = Contr\u00f4le \/ Placebo<\/code>, 0 = Non-r\u00e9mission<\/code>) et la valeur 1<\/code> \u00e0 la pr\u00e9sence du ph\u00e9nom\u00e8ne d’int\u00e9r\u00eat ou au groupe exp\u00e9rimental (ex. 1 = TCC Exp\u00e9rimentale<\/code>, 1 = R\u00e9mission compl\u00e8te<\/code>). Une codification alternative 1<\/code> et 2<\/code> demeure parfaitement fonctionnelle.<\/li>\nManquant<\/strong> : Sp\u00e9cifier de mani\u00e8re explicite les valeurs num\u00e9riques discr\u00e8tes affect\u00e9es aux donn\u00e9es manquantes d’origine utilisateur (ex. 999 = Donn\u00e9e non document\u00e9e<\/code>, 998 = Abandon th\u00e9rapeutique<\/code>). Cette \u00e9tape garantit que ces observations ne seront pas int\u00e9gr\u00e9es de mani\u00e8re erron\u00e9e dans les totaux de contingence.<\/li>\nMesure<\/strong> : S\u00e9lectionner express\u00e9ment l’\u00e9chelle de mesure Nominale<\/em> (symbolis\u00e9e par trois diagrammes circulaires color\u00e9s) ou Ordinale<\/em>. Cette indication informe les proc\u00e9dures internes d’automatisation de SPSS sur le statut qualitatif de la variable.<\/li>\n<\/ul>\n3.3 Organisation en donn\u00e9es pond\u00e9r\u00e9es (Format de tableau r\u00e9sum\u00e9)<\/h3>\n Dans de nombreuses situations professionnelles, le chercheur ou le statisticien ne dispose pas du fichier micro-donn\u00e9es brut individuel, mais uniquement d’un tableau r\u00e9sum\u00e9 issu d’un article scientifique publi\u00e9, d’un rapport \u00e9pid\u00e9miologique institutionnel ou d’un registre hospitalier agr\u00e9g\u00e9. SPSS permet de reproduire et d’analyser ce type de configuration en saisissant directement la table de contingence 2×2 compacte, laquelle ne comportera alors que quatre lignes de donn\u00e9es<\/strong> au total.<\/p>\nPour structurer correctement ce format agr\u00e9g\u00e9, l’utilisateur doit cr\u00e9er un fichier comportant exactement trois variables num\u00e9riques distinctes :<\/p>\n
\nUne premi\u00e8re variable codant la modalit\u00e9 de la ligne (ex. Condition<\/code> : 1 = M\u00e9dicament, 2 = Placebo).<\/li>\nUne deuxi\u00e8me variable codant la modalit\u00e9 de la colonne (ex. Guerison<\/code> : 1 = Succ\u00e8s, 2 = \u00c9chec).<\/li>\nUne troisi\u00e8me variable repr\u00e9sentant la fr\u00e9quence d’apparition conjointe, c’est-\u00e0-dire le nombre de sujets observ\u00e9s dans cette intersection sp\u00e9cifique (ex. variable Effectif<\/code> ou Poids<\/code>).<\/li>\n<\/ul>\nLa matrice dans la Vue des donn\u00e9es<\/em> prend alors l’apparence compacte suivante :<\/p>\n\n\n\nLigne<\/th>\n Condition<\/th>\n Guerison<\/th>\n Effectif<\/th>\n<\/tr>\n<\/thead>\n \n\n1<\/td>\n 1<\/td>\n 1<\/td>\n 12<\/td>\n<\/tr>\n \n2<\/td>\n 1<\/td>\n 2<\/td>\n 3<\/td>\n<\/tr>\n \n3<\/td>\n 2<\/td>\n 1<\/td>\n 4<\/td>\n<\/tr>\n \n4<\/td>\n 2<\/td>\n 2<\/td>\n 11<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nL’\u00e9cueil m\u00e9thodologique le plus s\u00e9v\u00e8re et le plus fr\u00e9quent commis par les analystes d\u00e9butants lors de l’utilisation de ce format r\u00e9sum\u00e9 consiste \u00e0 lancer imm\u00e9diatement l’analyse sans instruire le logiciel de la nature fr\u00e9quentielle de la troisi\u00e8me colonne. Sans instruction pr\u00e9alable, SPSS interpr\u00e8te la table comme une cohorte de 4 participants au total (une ligne par individu !). Pour corriger cette lecture, il est imp\u00e9ratif d’activer la pond\u00e9ration en naviguant dans la barre sup\u00e9rieure des menus :<\/p>\n
Donn\u00e9es > Pond\u00e9rer les observations…<\/strong> (Data > Weight Cases…<\/em>)<\/p>\nDans la fen\u00eatre modale qui appara\u00eet, cocher l’option Pond\u00e9rer les observations par<\/em> (Weight cases by<\/em>), transf\u00e9rer la variable Effectif<\/code> dans le champ d’assignation nomm\u00e9 Variable de fr\u00e9quence<\/em> (Frequency Variable<\/em>), puis valider en cliquant sur le bouton OK<\/em>. D\u00e8s cet instant, la mention \u00ab Pond\u00e9ration activ\u00e9e \u00bb (Weight On<\/em>) s’affiche de mani\u00e8re permanente dans le coin inf\u00e9rieur droit de la barre d’\u00e9tat de l’interface SPSS, garantissant que l’\u00e9chantillon total sera d\u00e9sormais comptabilis\u00e9 \u00e0 sa juste dimension ($N = 30$<\/span> dans notre exemple).<\/p>\n4. Proc\u00e9dure pas \u00e0 pas pour ex\u00e9cuter le test dans SPSS<\/h2>\n4.1 Acc\u00e8s au menu des tableaux crois\u00e9s<\/h3>\n L’ex\u00e9cution de la proc\u00e9dure statistique croisant deux variables cat\u00e9gorielles s’initie au sein du module des statistiques descriptives d’IBM SPSS. Que vos donn\u00e9es soient encod\u00e9es sous forme d\u00e9sagr\u00e9g\u00e9e brute ou sous forme de r\u00e9sum\u00e9 pond\u00e9r\u00e9, le protocole de navigation dans l’interface graphique est strictement superposable.<\/p>\nPour ouvrir le module appropri\u00e9, parcourez l’arborescence des menus d\u00e9roulants selon le chemin suivant :<\/p>\n
Analyse > Statistiques descriptives > Tableaux crois\u00e9s…<\/strong> (Analyze > Descriptive Statistics > Crosstabs…<\/em>)<\/p>\nCette commande ouvre la bo\u00eete de dialogue principale intitul\u00e9e Tableaux crois\u00e9s<\/em>. La zone de gauche liste exhaustivement l’ensemble des variables disponibles dans le jeu de donn\u00e9es actif. Deux zones principales de r\u00e9ception rectangulaires occupent le centre de l’interface :<\/p>\n\nLignes (Rows)<\/strong> : S\u00e9lectionnez votre variable ind\u00e9pendante, explicative ou de regroupement (ex. Groupe_Traitement<\/code>) dans la liste de gauche et cliquez sur la fl\u00e8che contextuelle sup\u00e9rieure pour l’ins\u00e9rer dans ce champ.<\/li>\nColonnes (Columns)<\/strong> : S\u00e9lectionnez votre variable d\u00e9pendante, d’issue ou de crit\u00e8re clinique (ex. Remission<\/code>) et ins\u00e9rez-la dans ce second champ via la fl\u00e8che correspondante.<\/li>\n<\/ul>\nBien que l’inversion des lignes et des colonnes ne modifie en rien la valeur num\u00e9rique de la probabilit\u00e9 exacte de Fisher sous l’hypoth\u00e8se d’ind\u00e9pendance, le respect de cette convention m\u00e9thodologique (Variable Ind\u00e9pendante en ligne, Variable D\u00e9pendante en colonne) facilite consid\u00e9rablement le calcul et la lecture cognitive des pourcentages descriptifs intra-groupes.<\/p>\n
4.2 S\u00e9lection des options statistiques appropri\u00e9es<\/h3>\n L’assignation des variables ne suffit pas \u00e0 d\u00e9clencher le calcul inf\u00e9rentiel : par d\u00e9faut, SPSS ne g\u00e9n\u00e8re qu’une simple table descriptive de comptage. Pour param\u00e9trer l’analyse inf\u00e9rentielle, cliquez sur le bouton interactif Statistiques…<\/strong> (Statistics…<\/em>) situ\u00e9 sur le flanc droit sup\u00e9rieur de la bo\u00eete de dialogue principale des tableaux crois\u00e9s.<\/p>\nUne fen\u00eatre secondaire intitul\u00e9e Tableaux crois\u00e9s : Statistiques<\/em> se d\u00e9ploie \u00e0 l’\u00e9cran. Dans cet espace de s\u00e9lection :<\/p>\n\nCochez imp\u00e9rativement la case intitul\u00e9e Chi-deux<\/strong> (Chi-square<\/em>). Il s’agit d’une sp\u00e9cificit\u00e9 cardinale de l’architecture logicielle de SPSS : il n’existe pas de bouton intitul\u00e9 isol\u00e9ment \u00ab Test exact de Fisher \u00bb au sein de ce menu. C’est l’activation de la proc\u00e9dure du Chi-deux qui enclenche automatiquement le calcul sous-jacent du test de Fisher pour tous les tableaux pr\u00e9sentant une dimension 2×2.<\/li>\nDans la section des mesures d’association nominales, cochez la case Phi et V de Cramer<\/strong> (Phi and Cramer’s V<\/em>). Ces m\u00e9triques fournissent des estimations standardis\u00e9es indispensables de la taille d’effet associ\u00e9es \u00e0 l’intensit\u00e9 de la relation observ\u00e9e.<\/li>\nDans cette m\u00eame interface, il est particuli\u00e8rement recommand\u00e9 de cocher l’option Risque<\/strong> (Risk<\/em>). Cette commande donne l’instruction \u00e0 SPSS de calculer le rapport de cotes (Odds Ratio<\/em>) ainsi que le risque relatif (Relative Risk<\/em>) accompagn\u00e9s de leurs intervalles de confiance respectifs \u00e0 95 %, des param\u00e8tres capitaux pour la publication clinique.<\/li>\n<\/ul>\nCliquez ensuite sur le bouton Poursuivre<\/em> (Continue<\/em>) pour enregistrer ces pr\u00e9f\u00e9rences et revenir \u00e0 la bo\u00eete de dialogue initiale.<\/p>\n4.3 Configuration du bouton Exact pour les versions avanc\u00e9es<\/h3>\n Dans les versions contemporaines d’IBM SPSS Statistics int\u00e9grant le module Exact Tests<\/em>, un bouton sp\u00e9cifiquement d\u00e9di\u00e9 intitul\u00e9 Exact…<\/strong> est accessible sur le flanc sup\u00e9rieur droit de la bo\u00eete de dialogue principale, juste au-dessus du bouton Statistiques<\/em>.<\/p>\nEn cliquant sur ce bouton Exact…<\/em>, la fen\u00eatre M\u00e9thodes de calcul des tests exacts<\/em> (Exact Tests<\/em>) s’affiche. Elle soumet \u00e0 l’utilisateur trois modes computationnels distincts :<\/p>\n\nAsymptotique uniquement (Asymptotic only)<\/strong> : Ce mode applique les formules classiques de convergence vers la loi du Chi-deux sans ex\u00e9cuter d’algorithmes combinatoires lourds. Pour un tableau 2×2 standard, SPSS affichera tout de m\u00eame la ligne du test de Fisher, mais d\u00e9sactivera les calculs exacts sur les extensions multidimensionnelles.<\/li>\nM\u00e9thode de Monte-Carlo (Monte Carlo)<\/strong> : Cette approche estime la probabilit\u00e9 exacte par r\u00e9\u00e9chantillonnage stochastique r\u00e9p\u00e9t\u00e9 \u00e0 partir d’un nombre d\u00e9termin\u00e9 de tables de contingence al\u00e9atoires respectant strictement les marges observ\u00e9es. Elle s’av\u00e8re particuli\u00e8rement utile lorsque les matrices sont volumineuses ($r \\times c$<\/span>) et que le temps de calcul exact devient prohibitif pour le processeur.<\/li>\nExact (Exact)<\/strong> : Cette option calcule de mani\u00e8re exhaustive et d\u00e9terministe la probabilit\u00e9 math\u00e9matique absolue de la configuration sous la loi hyperg\u00e9om\u00e9trique.<\/li>\n<\/ul>\nPour un tableau de contingence de format 2×2, il convient de cocher l’option Exact<\/strong>. Dans ce m\u00eame panneau, le param\u00e8tre Limite de temps par test<\/em> (Time limit per test<\/em>) est fix\u00e9 par d\u00e9faut \u00e0 5 minutes (300 secondes), ce qui est largement suffisant pour les tables 2×2 dont la r\u00e9solution combinatoire est quasi instantan\u00e9e. Validez ce choix en cliquant sur Poursuivre<\/em>.<\/p>\n4.4 Affichage des pourcentages et effectifs attendus dans Cellules<\/h3>\n Pour parachever le param\u00e9trage et s’assurer d’une interpr\u00e9tabilit\u00e9 clinique totale du tableau crois\u00e9, il est fondamental de ne pas se limiter \u00e0 l’affichage des fr\u00e9quences brutes. Cliquez sur le bouton Cellules…<\/strong> (Cells…<\/em>) situ\u00e9 dans la bo\u00eete de dialogue principale.<\/p>\nLa fen\u00eatre modale Tableaux crois\u00e9s : Affichage des cellules<\/em> offre de multiples options de personnalisation d’affichage. Les s\u00e9lections suivantes sont formellement pr\u00e9conis\u00e9es pour une analyse rigoureuse :<\/p>\n\nDans la section Comptages<\/em> (Counts<\/em>) : V\u00e9rifiez que la case Observ\u00e9s<\/strong> (Observed<\/em>) est coch\u00e9e, et cochez express\u00e9ment la case Effectifs attendus<\/strong> (Expected<\/em>). L’affichage des effectifs attendus ($E_{ij}$<\/span>) permettra d’attester publiquement de la violation ou du respect de la r\u00e8gle de Cochran.<\/li>\nDans la section Pourcentages<\/em> (Percentages<\/em>) : Cochez imp\u00e9rativement la case Ligne<\/strong> (Row<\/em>). L’activation des pourcentages en ligne permet d’observer directement la proportion d’individus pr\u00e9sentant l’\u00e9v\u00e9nement au sein de chaque groupe exp\u00e9rimental s\u00e9par\u00e9, autorisant une comparaison clinique imm\u00e9diate. Selon vos objectifs, vous pouvez \u00e9galement cocher les pourcentages en colonne ou totaux.<\/li>\nDans la section R\u00e9sidus<\/em> (Residuals<\/em>) : Cochez l’option Ajust\u00e9s standardis\u00e9s<\/strong> (Adjusted standardized<\/em>). Ces r\u00e9sidus suivent asymptotiquement une loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span> et permettent d’identifier pr\u00e9cis\u00e9ment quelles cellules d\u00e9vient de mani\u00e8re significative des pr\u00e9dictions du mod\u00e8le d’ind\u00e9pendance (une valeur absolue sup\u00e9rieure \u00e0 $|1,96|$<\/span> d\u00e9notant un \u00e9cart significatif au seuil $\\alpha = 0,05$<\/span>).<\/li>\n<\/ul>\nValidez ces options en cliquant sur Poursuivre<\/em>, puis lancez le calcul global en cliquant sur le bouton OK<\/strong> au sein de la fen\u00eatre principale.<\/p>\n5. Gestion des tableaux de contingence sup\u00e9rieurs \u00e0 2×2 (Tables r x c)<\/h2>\n5.1 L’extension Freeman-Halton du test exact de Fisher<\/h3>\n Bien que le test exact de Fisher soit universellement r\u00e9put\u00e9 pour son application aux tables de contingence dichotomiques 2×2, les chercheurs en psychologie sont tr\u00e8s fr\u00e9quemment confront\u00e9s \u00e0 des protocoles exp\u00e9rimentaux impliquant des structures plus complexes : des tables comportant $r$<\/span> lignes et $c$<\/span> colonnes ($r \\times c$<\/span>), telles que des matrices 2×3 (ex. deux groupes compar\u00e9s sur trois niveaux d’am\u00e9lioration clinique) ou 3×3 (ex. trois orientations th\u00e9rapeutiques crois\u00e9es avec trois typologies d’attachement chez l’adulte).<\/p>\nFace \u00e0 ces tables multidimensionnelles \u00e0 faibles effectifs cellulaires, l’approximation du Chi-deux de Pearson s’av\u00e8re tout aussi invalide qu’en format 2×2 d\u00e8s lors que plus de 20 % des cellules affichent un effectif th\u00e9orique inf\u00e9rieur \u00e0 5. La solution math\u00e9matique rigoureuse a \u00e9t\u00e9 formul\u00e9e en 1951 par G. H. Freeman et J. H. Halton \u00e0 travers l’extension Freeman-Halton du test exact de Fisher<\/strong>. Cette proc\u00e9dure g\u00e9n\u00e9ralise la loi hyperg\u00e9om\u00e9trique multivari\u00e9e pour \u00e9valuer la probabilit\u00e9 exacte d’observer une distribution donn\u00e9e de fr\u00e9quences cellulaires sous l’hypoth\u00e8se nulle d’ind\u00e9pendance, conditionnellement aux marges vectorielles observ\u00e9es :<\/p>\n$$P = \\frac{\\left( \\prod_{i=1}^r R_i! \\right) \\left( \\prod_{j=1}^c C_j! \\right)}{N! \\prod_{i=1}^r \\prod_{j=1}^c O_{ij}!}$$<\/span><\/p>\nToutefois, le d\u00e9ploiement de cette formule se heurte \u00e0 une barri\u00e8re computationnelle majeure : la complexit\u00e9 combinatoire exponentielle<\/strong>. Alors qu’une table 2×2 ne pr\u00e9sente qu’un seul degr\u00e9 de libert\u00e9 (la fixation arbitraire d’une cellule d\u00e9termine l’ensemble des trois autres sous marges fixes), une table $r \\times c$<\/span> dispose de $(r-1)(c-1)$<\/span> degr\u00e9s de libert\u00e9. Le nombre d’arrangements matriciels possibles satisfaisant les marges fixes cro\u00eet de mani\u00e8re vertigineuse, exigeant des ressources de calcul massives qui peuvent saturer les processeurs informatiques d\u00e8s que les effectifs marginaux augmentent mod\u00e9r\u00e9ment.<\/p>\n5.2 Recours \u00e0 l’\u00e9chantillonnage de Monte-Carlo dans SPSS<\/h3>\n Afin de contourner l’impasse calculatoire inh\u00e9rente \u00e0 l’extension exhaustive de Freeman-Halton sur des tables volumineuses ou \u00e0 marges interm\u00e9diaires, IBM SPSS Statistics int\u00e8gre une solution algorithmique d’une remarquable \u00e9l\u00e9gance : l’\u00e9chantillonnage de Monte-Carlo<\/strong>. Cette m\u00e9thode stochastique ne cherche pas \u00e0 inventorier la totalit\u00e9 math\u00e9matique des millions de tables compatibles, mais g\u00e9n\u00e8re al\u00e9atoirement un nombre massif d’\u00e9chantillons virtuels sous la contrainte des marges marginales observ\u00e9es.<\/p>\nPour mettre en \u0153uvre cette approche sous SPSS lorsque le calcul exact s’av\u00e8re trop long ou refuse de s’ex\u00e9cuter :<\/p>\n
\nAcc\u00e9dez au bouton Exact…<\/strong> au sein du menu des tableaux crois\u00e9s.<\/li>\nS\u00e9lectionnez le bouton radio M\u00e9thode de Monte-Carlo<\/strong> (Monte Carlo<\/em>).<\/li>\nD\u00e9finissez le Niveau de confiance<\/strong> souhait\u00e9 pour l’encadrement de l’estimation (param\u00e9trez-le id\u00e9alement \u00e0 99 % pour une robustesse acad\u00e9mique maximale).<\/li>\nIndiquez le Nombre d’\u00e9chantillons<\/strong> (Number of samples<\/em>). La valeur par d\u00e9faut de 10 000 offre une bonne approximation, mais il est hautement recommand\u00e9 d’\u00e9lever ce param\u00e8tre \u00e0 100 000 \u00e9chantillons<\/strong> dans les protocoles de recherche soumis \u00e0 publication internationale, afin de r\u00e9duire drastiquement l’erreur d’\u00e9chantillonnage de simulation.<\/li>\n<\/ul>\nDans les sorties SPSS, le tableau des r\u00e9sultats n’affiche pas une probabilit\u00e9 exacte ponctuelle unique, mais une
![\"Fisher\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/fisherSPSS3-1.png\")
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/fisherSPSS1.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/fisherSPSS2.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/fisherSPSS3.png\")
<\/figure>\n