{"id":9157,"date":"2026-10-14T18:02:27","date_gmt":"2026-10-14T18:02:27","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-test-t-deux-echantillons-sas\/"},"modified":"2026-10-14T18:02:27","modified_gmt":"2026-10-14T18:02:27","slug":"comment-effectuer-test-t-deux-echantillons-sas","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-test-t-deux-echantillons-sas","title":{"rendered":"Comment effectuer un test t pour deux \u00e9chantillons dans SAS"},"content":{"rendered":"

L’analyse inf\u00e9rentielle bivari\u00e9e constitue l’un des piliers m\u00e9thodologiques fondamentaux de la recherche quantitative contemporaine, traversant aussi bien les sciences biom\u00e9dicales, les sciences du comportement, l’\u00e9conom\u00e9trie que l’ing\u00e9nierie des donn\u00e9es. Au c\u0153ur de cette architecture d’\u00e9valuation empirique se trouve le test t pour deux \u00e9chantillons ind\u00e9pendants, con\u00e7u originellement pour d\u00e9terminer si deux moyennes observ\u00e9es au sein de populations distinctes diff\u00e8rent de mani\u00e8re statistiquement significative ou si cette divergence apparente rel\u00e8ve d’une simple fluctuation d’\u00e9chantillonnage al\u00e9atoire. Bien que son principe conceptuel repose sur une \u00e9l\u00e9gante simplicit\u00e9 math\u00e9matique, son application op\u00e9rationnelle dans des \u00e9cosyst\u00e8mes d’analyse de donn\u00e9es exige une rigueur absolue, tant sur le plan du diagnostic des postulats th\u00e9oriques que sur celui de la ma\u00eetrise algorithmique des progiciels sp\u00e9cialis\u00e9s.<\/p>\n

Le syst\u00e8me SAS (Statistical Analysis System) s’est impos\u00e9 comme la r\u00e9f\u00e9rence absolue au sein des institutions de recherche acad\u00e9mique, des agences de r\u00e9gulation du m\u00e9dicament comme la FDA et des industries de pointe gr\u00e2ce \u00e0 sa robustesse computationnelle sans compromis, sa reproductibilit\u00e9 analytique et la richesse de ses sorties tabulaires et graphiques. La proc\u00e9dure PROC TTEST de SAS offre une infrastructure compl\u00e8te permettant non seulement d’ex\u00e9cuter le calcul canonique de Student, mais \u00e9galement d’ajuster automatiquement les estimations en pr\u00e9sence de variances in\u00e9gales par l’approximation de Welch-Satterthwaite, d’\u00e9valuer la conformit\u00e9 des donn\u00e9es et de quantifier pr\u00e9cis\u00e9ment la magnitude des effets observ\u00e9s.<\/p>\n

Ce guide exhaustif a \u00e9t\u00e9 con\u00e7u pour accompagner le chercheur, le statisticien et l’analyste de donn\u00e9es dans chaque \u00e9tape de la mise en \u0153uvre d’un test t pour deux \u00e9chantillons ind\u00e9pendants sous SAS. \u00c0 travers une d\u00e9composition syst\u00e9matique des fondements \u00e9pist\u00e9mologiques, des conditions d’application, des protocoles de programmation, des diagnostics d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9, jusqu’\u00e0 la restitution finale des conclusions selon les exigences formelles des normes APA 7, ce trait\u00e9 fournit une feuille de route compl\u00e8te et rigoureuse pour transformer des donn\u00e9es brutes en inf\u00e9rences scientifiques irr\u00e9prochables.<\/p>\n

1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques du test t pour deux \u00e9chantillons ind\u00e9pendants<\/h2>\n

1.1 D\u00e9finition et objectifs statistiques du test d’hypoth\u00e8se bivari\u00e9<\/h3>\n

Le test t pour deux \u00e9chantillons ind\u00e9pendants est une proc\u00e9dure d’inf\u00e9rence statistique param\u00e9trique dont l’objectif premier r\u00e9side dans la comparaison des esp\u00e9rances math\u00e9matiques issues de deux populations distinctes, mutuellement exclusives et n’exer\u00e7ant aucune influence r\u00e9ciproque l’une sur l’autre. Dans la d\u00e9marche scientifique hypoth\u00e9tico-d\u00e9ductive, ce test permet de statuer sur la v\u00e9racit\u00e9 empirique d’un effet pr\u00e9sum\u00e9 produit par une variable ind\u00e9pendante cat\u00e9gorielle dichotomique sur une variable d\u00e9pendante mesur\u00e9e sur une \u00e9chelle d’intervalle ou de rapport continue. Il s’agit d’extraire une conclusion g\u00e9n\u00e9ralisable \u00e0 l’\u00e9chelle populationnelle \u00e0 partir des variations observ\u00e9es sur des sous-groupes restreints d’\u00e9chantillonnage.<\/p>\n

La m\u00e9canique inf\u00e9rentielle s’articule autour de la confrontation rigoureuse entre deux \u00e9nonc\u00e9s math\u00e9matiques antagonistes. L’hypoth\u00e8se nulle, traditionnellement d\u00e9sign\u00e9e sous le symbole H0, postule l’\u00e9galit\u00e9 parfaite des moyennes populationnelles, indiquant que la diff\u00e9rence constat\u00e9e entre les deux groupes est strictement nulle (mu1 – mu2 = 0) et attribuable uniquement au hasard d’\u00e9chantillonnage. En opposition, l’hypoth\u00e8se alternative, not\u00e9e H1, formalise l’existence d’une divergence r\u00e9elle entre les param\u00e8tres. Cette hypoth\u00e8se alternative peut \u00eatre bilat\u00e9rale ou non directionnelle (mu1 distinct de mu2), ce qui repr\u00e9sente la norme m\u00e9thodologique prudente dans l’exploration scientifique, ou unilat\u00e9rale (mu1 sup\u00e9rieur \u00e0 mu2 ou mu1 inf\u00e9rieur \u00e0 mu2) lorsqu’une orientation causale univoque est justifi\u00e9e par un cadre th\u00e9orique solide pr\u00e9alable.<\/p>\n

L’application empirique de cette mod\u00e9lisation pr\u00e9domine dans les protocoles de recherche quasi-exp\u00e9rimentaux et exp\u00e9rimentaux men\u00e9s dans les sciences m\u00e9dicales, la psychologie et la sociologie quantitative. Par exemple, l’\u00e9valuation de l’efficacit\u00e9 d’un principe actif comparativement \u00e0 un placebo repose int\u00e9gralement sur ce dispositif comparatif. Il est imp\u00e9ratif d’\u00e9tablir une distinction formelle entre cette configuration d’\u00e9chantillons ind\u00e9pendants et celle des \u00e9chantillons appari\u00e9s ou r\u00e9p\u00e9t\u00e9s. Dans les \u00e9chantillons ind\u00e9pendants, chaque unit\u00e9 statistique ne contribue qu’\u00e0 une seule modalit\u00e9 du facteur d’exposition, garantissant l’absence de covariance intrins\u00e8que entre les mesures, contrairement aux devis pr\u00e9-test et post-test o\u00f9 le m\u00eame sujet fournit des observations corr\u00e9l\u00e9es dans le temps.<\/p>\n

1.2 Mod\u00e9lisation probabiliste de la statistique de Student<\/h3>\n

L’\u00e9difice math\u00e9matique du test t repose sur la distribution de probabilit\u00e9 d\u00e9couverte par William Sealy Gosset en 1908 sous le pseudonyme de Student. La statistique t repr\u00e9sente un ratio standardis\u00e9 \u00e9valuant la distance entre les moyennes empiriques observ\u00e9es rapport\u00e9e \u00e0 la variabilit\u00e9 inh\u00e9rente aux mesures d’\u00e9chantillonnage. Le num\u00e9rateur de cette fraction calcule la divergence brute entre les moyennes des deux groupes, tandis que le d\u00e9nominateur incarne l’erreur type de la diff\u00e9rence de ces moyennes, laquelle quantifie l’impr\u00e9cision estim\u00e9e de la mesure due \u00e0 la fluctuation d’\u00e9chantillonnage.<\/p>\n

Sous l’hypoth\u00e8se nulle d’absence de diff\u00e9rence, ce ratio suit th\u00e9oriquement une distribution t de Student caract\u00e9ris\u00e9e par son param\u00e8tre fondamental : les degr\u00e9s de libert\u00e9. Pour deux \u00e9chantillons ind\u00e9pendants respectant le principe de variances homog\u00e8nes, ces degr\u00e9s de libert\u00e9 correspondent \u00e0 la somme des effectifs des deux sous-groupes diminu\u00e9e du nombre de param\u00e8tres moyens estim\u00e9s simultan\u00e9ment, soit n1 + n2 – 2. Cette allocation des degr\u00e9s de libert\u00e9 refl\u00e8te la quantit\u00e9 d’informations ind\u00e9pendantes r\u00e9siduelles disponibles pour estimer la variance d’erreur non biais\u00e9e au sein des populations m\u00e8res.<\/p>\n

La distribution t de Student pr\u00e9sente une forme en cloche sym\u00e9trique centr\u00e9e sur z\u00e9ro, mais se distingue de la distribution normale standard de Gauss par des queues de distribution nettement plus \u00e9paisses et lourdes, cons\u00e9quence directe de l’incertitude introduite par l’estimation simultan\u00e9e de la variance populationnelle \u00e0 partir d’\u00e9chantillons restreints. Lorsque la taille globale de l’\u00e9chantillon s’accro\u00eet et tend vers l’infini, la distribution t subit un comportement asymptotique convergent, ses queues s’affinant progressivement jusqu’\u00e0 se superposer parfaitement avec la courbe de Gauss. La statistique de test est particuli\u00e8rement sensible aux fluctuations de l’effectif : pour une m\u00eame amplitude de diff\u00e9rence observ\u00e9e entre les moyennes, une augmentation de la taille d’\u00e9chantillon r\u00e9duit consid\u00e9rablement l’erreur type au d\u00e9nominateur, propulsant la valeur t calcul\u00e9e vers des zones de rejet critiques.<\/p>\n

1.3 Le contr\u00f4le de l’erreur d’\u00e9chantillonnage et seuils de d\u00e9cision<\/h3>\n

Toute prise de d\u00e9cision inf\u00e9rentielle s’op\u00e8re dans un contexte probabiliste contraint par deux risques d’erreur fondamentaux th\u00e9oris\u00e9s par Jerzy Neyman et Egon Pearson. Le chercheur doit fixer a priori, avant m\u00eame toute inspection exploratoire des donn\u00e9es, le niveau de risque de premi\u00e8re esp\u00e8ce, d\u00e9sign\u00e9 par la lettre grecque alpha. Ce seuil, conventionnellement \u00e9tabli \u00e0 0,05 ou 5 % dans les publications acad\u00e9miques, d\u00e9limite la probabilit\u00e9 maximale tol\u00e9r\u00e9e de rejeter \u00e0 tort l’hypoth\u00e8se nulle alors que celle-ci est fondamentalement vraie dans la r\u00e9alit\u00e9 empirique, commettant ainsi un faux positif th\u00e9orique.<\/p>\n

Le second risque, l’erreur de deuxi\u00e8me esp\u00e8ce d\u00e9sign\u00e9e par b\u00eata, repr\u00e9sente la probabilit\u00e9 d’\u00e9chouer \u00e0 rejeter l’hypoth\u00e8se nulle alors qu’une diff\u00e9rence tangible existe effectivement entre les populations. Le compl\u00e9mentaire de ce risque (1 – b\u00eata) d\u00e9finit la puissance statistique du test, c’est-\u00e0-dire sa propension \u00e0 d\u00e9tecter un effet r\u00e9el lorsqu’il existe. L’arbitrage entre ces deux risques s’effectue au moyen de la valeur p calcul\u00e9e par les algorithmes de Student sous SAS, qui quantifie la probabilit\u00e9 exacte d’observer une statistique de test au moins aussi extr\u00eame que celle obtenue dans l’\u00e9chantillon, sous la condition stricte que H0 soit rigoureusement exacte.<\/p>\n

La d\u00e9cision statistique formelle s’\u00e9tablit selon la r\u00e8gle binaire : si la valeur p est strictement inf\u00e9rieure au seuil alpha pr\u00e9d\u00e9termin\u00e9, l’hypoth\u00e8se nulle est rejet\u00e9e en faveur de l’hypoth\u00e8se alternative, et la diff\u00e9rence observ\u00e9e est d\u00e9clar\u00e9e statistiquement significative. Cependant, il est \u00e9pist\u00e9mologiquement imp\u00e9ratif de ne jamais confondre significativit\u00e9 statistique et pertinence substantielle, pratique ou clinique. Dans le cadre de cohortes tr\u00e8s volumineuses, des diff\u00e9rences microscopiques d’aucune port\u00e9e pratique peuvent franchir les seuils de significativit\u00e9 statistique en raison d’une puissance computationnelle d\u00e9mesur\u00e9e, obligeant le statisticien \u00e0 dissocier rigoureusement la probabilit\u00e9 d’erreur de la magnitude op\u00e9rationnelle de l’effet mesur\u00e9.<\/p>\n

2. Les postulats statistiques fondamentaux et leurs implications analytiques<\/h2>\n

2.1 Postulat d’ind\u00e9pendance des observations<\/h3>\n

Le postulat d’ind\u00e9pendance des observations constitue la condition math\u00e9matique la plus intransigeante du test t pour deux \u00e9chantillons ind\u00e9pendants. Il stipule que la valeur mesur\u00e9e sur une unit\u00e9 exp\u00e9rimentale donn\u00e9e ne doit \u00eatre conditionn\u00e9e, influenc\u00e9e ou corr\u00e9l\u00e9e en aucune mani\u00e8re par la valeur enregistr\u00e9e sur une autre unit\u00e9, qu’elle appartienne au m\u00eame groupe ou au groupe oppos\u00e9. La structure probabiliste de la distribution t s’effondre en cas de violation de ce postulat, car l’estimation de l’erreur type repose sur l’orthogonalit\u00e9 totale des vecteurs de donn\u00e9es collect\u00e9s.<\/p>\n

La satisfaction de cette exigence fondamentale repose int\u00e9gralement sur la qualit\u00e9 de l’\u00e9chantillonnage probabiliste et les protocoles de randomisation employ\u00e9s lors de l’assignation des sujets aux conditions exp\u00e9rimentales. Des d\u00e9faillances m\u00e9thodologiques r\u00e9currentes, telles que l’\u00e9chantillonnage en grappes non contr\u00f4l\u00e9, le recrutement de membres issus d’une m\u00eame cellule familiale, l’interaction sociale des participants au sein d’un laboratoire ou la r\u00e9p\u00e9tition de mesures longitudinales trait\u00e9es abusivement comme des observations ind\u00e9pendantes, introduisent des corr\u00e9lations r\u00e9siduelles syst\u00e9matiques.<\/p>\n

Les cons\u00e9quences d’une autocorr\u00e9lation positive entre les observations s’av\u00e8rent d\u00e9sastreuses pour la validit\u00e9 interne des conclusions : elle provoque une sous-estimation artificielle massive de la variance d’\u00e9chantillonnage et de l’erreur type, gonflant d\u00e9mesur\u00e9ment la statistique t et multipliant de mani\u00e8re exponentielle le taux r\u00e9el d’erreur de type I bien au-del\u00e0 du seuil nominal de 5 %. Les mesures pr\u00e9ventives s’av\u00e8rent exclusivement m\u00e9thodologiques et exp\u00e9rimentales ; aucune manipulation alg\u00e9brique a posteriori dans SAS ne peut compenser la perte d’ind\u00e9pendance au sein d’un jeu de donn\u00e9es mal recueilli, imposant sinon le recours \u00e0 des mod\u00e8les mixtes hi\u00e9rarchiques.<\/p>\n

2.2 Postulat de normalit\u00e9 distributionnelle<\/h3>\n

Le mod\u00e8le sous-jacent au test t classique postule formellement que la variable d\u00e9pendante d’int\u00e9r\u00eat suit une distribution gaussienne normale au sein de chacune des deux populations sous-jacentes. Cette condition garantit que la distribution d’\u00e9chantillonnage de la diff\u00e9rence des moyennes se conforme strictement au mod\u00e8le de Student pour n’importe quel effectif d’\u00e9chantillonnage fini. La v\u00e9rification de cette caract\u00e9ristique n\u00e9cessite l’examen attentif des fonctions de densit\u00e9 conditionnelles g\u00e9n\u00e9r\u00e9es au sein de chaque groupe exp\u00e9rimental s\u00e9par\u00e9ment.<\/p>\n

Le r\u00f4le mod\u00e9rateur du th\u00e9or\u00e8me central limite permet toutefois d’att\u00e9nuer la rigueur de cette exigence lorsque la taille des \u00e9chantillons s’accro\u00eet. En vertu de ce th\u00e9or\u00e8me, d\u00e8s lors que les effectifs atteignent ou d\u00e9passent une trentaine d’observations par groupe (n1 et n2 sup\u00e9rieurs \u00e0 30), la distribution d’\u00e9chantillonnage des moyennes converge de mani\u00e8re autonome vers une forme normale, conf\u00e9rant au test t une remarquable robustesse intrins\u00e8que face aux d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9. Dans cette configuration asymptotique, les inf\u00e9rences produites demeurent fiables malgr\u00e9 des distributions empiriques imparfaites.<\/p>\n

En revanche, dans le cadre d’\u00e9chantillons de taille r\u00e9duite (n < 20 par groupe), la sensibilit\u00e9 du test aux asym\u00e9tries prononc\u00e9es (skewness) et aux aplatissements excessifs (kurtosis) devient critique. Les distributions pr\u00e9sentant des queues particuli\u00e8rement lourdes ou des structures multimodales perturbent l’estimation de l’erreur type et alt\u00e8rent le contr\u00f4le nominal du risque alpha. Si les distributions leptokurtiques tendent \u00e0 restreindre ind\u00fbment la puissance du test, les asym\u00e9tries s\u00e9v\u00e8res d\u00e9calent l’esp\u00e9rance de la statistique t, rendant caduque la d\u00e9duction probabiliste issue des tables conventionnelles et justifiant des transformations de variables ou des tests non param\u00e9triques.<\/p>\n

2.3 Postulat d’homog\u00e9n\u00e9it\u00e9 des variances (homosc\u00e9dasticit\u00e9)<\/h3>\n

Le postulat d’homosc\u00e9dasticit\u00e9 suppose que les variances de la variable d’int\u00e9r\u00eat au sein des deux populations compar\u00e9es sont strictement identiques, quand bien m\u00eame leurs moyennes respectives diff\u00e9reraient (sigma1 au carr\u00e9 = sigma2 au carr\u00e9 = sigma au carr\u00e9). Cette hypoth\u00e8se de variance commune autorise l’analyste \u00e0 combiner les variances des deux \u00e9chantillons en une estimation conjointe et unique, optimisant ainsi la pr\u00e9cision du d\u00e9nominateur de la statistique t en mobilisant l’int\u00e9gralit\u00e9 des observations pour capturer l’ampleur du bruit de mesure r\u00e9siduel.<\/p>\n

La vuln\u00e9rabilit\u00e9 du test t standard de Student devient particuli\u00e8rement aigu\u00eb lorsque la violation de l’homosc\u00e9dasticit\u00e9 s’associe \u00e0 un d\u00e9s\u00e9quilibre num\u00e9rique entre les groupes (n1 distinct de n2). Ce ph\u00e9nom\u00e8ne g\u00e9n\u00e8re le probl\u00e8me classique des variances directes et inverses. Lorsque le groupe poss\u00e9dant l’effectif le plus restreint pr\u00e9sente la variance la plus \u00e9lev\u00e9e, l’erreur type conjointe est sous-estim\u00e9e, ce qui entra\u00eene une inflation dramatique de l’erreur de type I (rejets intempestifs de l’hypoth\u00e8se nulle). Inversement, si le groupe le plus volumineux pr\u00e9sente la plus grande variance, l’erreur type est surestim\u00e9e, comprimant la statistique t et augmentant consid\u00e9rablement l’erreur de type II (perte de puissance statistique s\u00e9v\u00e8re).<\/p>\n

Face \u00e0 ce comportement instable du mod\u00e8le canonique, la statistique moderne a d\u00e9velopp\u00e9 des crit\u00e8res de d\u00e9cision permettant d’arbitrer entre l’approche classique de Student \u00e0 variance combin\u00e9e (pooled variance) et l’ajustement de Welch-Satterthwaite, sp\u00e9cialement con\u00e7u pour fonctionner sous h\u00e9t\u00e9rosc\u00e9dasticit\u00e9. Ce choix conditionnel constitue l’une des forces majeures de l’environnement SAS, qui fournit syst\u00e9matiquement les deux r\u00e9solutions au sein de ses sorties synth\u00e9tiques, permettant \u00e0 l’analyste de basculer vers la mod\u00e9lisation la plus int\u00e8gre au regard des propri\u00e9t\u00e9s g\u00e9om\u00e9triques de ses donn\u00e9es.<\/p>\n

3. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales dans SAS<\/h2>\n

3.1 Cr\u00e9ation du jeu de donn\u00e9es via l’\u00e9tape DATA<\/h3>\n

L’organisation optimale des donn\u00e9es constitue le pr\u00e9requis absolu \u00e0 toute exploitation statistique sous SAS. L’architecture logicielle requiert que les donn\u00e9es soient structur\u00e9es au format long univari\u00e9 : chaque ligne doit correspondre \u00e0 une observation individuelle unique, tandis que les colonnes mat\u00e9rialisent les diff\u00e9rentes variables descriptives et quantitatives associ\u00e9es \u00e0 cette unit\u00e9. Le test t pour \u00e9chantillons ind\u00e9pendants n\u00e9cessite au minimum deux colonnes fondamentales : une variable de classification dichotomique identifiant l’appartenance au groupe exp\u00e9rimental et une variable continue enregistrant le score ou la mesure d’int\u00e9r\u00eat.<\/p>\n

L’\u00e9tape DATA repr\u00e9sente le m\u00e9canisme canonique permettant de compiler, structurer et charger des donn\u00e9es brutes en m\u00e9moire op\u00e9rationnelle. Au sein de cette \u00e9tape, l’instruction INPUT instancie la liste des variables \u00e0 lire, en pr\u00e9cisant par un symbole dollar ($) les variables alphanum\u00e9riques d\u00e9signant les cat\u00e9gories d’exposition, tandis que les variables d\u00e9pourvues de ce caract\u00e8re sont automatiquement instanci\u00e9es en variables num\u00e9riques r\u00e9elles \u00e0 double pr\u00e9cision. L’instruction DATALINES permet de juxtaposer directement les enregistrements dans le flux programmatique.<\/p>\n

Consid\u00e9rons l’instruction programmatique suivante, illustrant la d\u00e9claration d’une table analytique d\u00e9di\u00e9e \u00e0 l’\u00e9valuation comparative des performances cognitives entre deux groupes de sujets soumis \u00e0 des environnements d’apprentissage diff\u00e9renci\u00e9s :<\/p>\n

data test_cognitif;
\n  input Groupe $ Score_Memoire;
\n  datalines;
\nControle 68.5
\nControle 72.1
\nControle 65.4
\nControle 70.8
\nControle 69.2
\nControle 74.3
\nControle 67.9
\nControle 71.0
\nExperimental 78.4
\nExperimental 81.2
\nExperimental 75.9
\nExperimental 83.1
\nExperimental 79.5
\nExperimental 82.0
\nExperimental 77.8
\nExperimental 84.6
\n;
\nrun;<\/strong><\/p>\n

3.2 Validation de l’int\u00e9grit\u00e9 et typage des variables<\/h3>\n

Pr\u00e9alablement \u00e0 l’appel de toute proc\u00e9dure inf\u00e9rentielle, une validation m\u00e9ticuleuse des m\u00e9tadonn\u00e9es de la table s’impose afin de pr\u00e9venir toute alt\u00e9ration des estimations r\u00e9sultant d’un mauvais typage des variables ou de la pr\u00e9sence silencieuse de valeurs erron\u00e9es. La proc\u00e9dure proc contents data=test_cognitif; run;<\/strong> constitue l’outil de diagnostic privil\u00e9gi\u00e9 pour contr\u00f4ler les attributs de stockage, confirmant que la variable d\u00e9pendante est bien r\u00e9pertori\u00e9e comme num\u00e9rique (Type: Num) et que le facteur d’exposition correspond \u00e0 une variable de cha\u00eene (Type: Char) ou num\u00e9rique format\u00e9e.<\/p>\n

Le traitement des valeurs manquantes requiert une vigilance m\u00e9thodologique aigu\u00eb. SAS traite par d\u00e9faut les donn\u00e9es num\u00e9riques absentes au moyen d’un point standard (.) et les variables de caract\u00e8res par une cha\u00eene vide. Lors de l’ex\u00e9cution d’un test t, SAS applique automatiquement une exclusion observationnelle univari\u00e9e (listwise deletion) : toute ligne pr\u00e9sentant une valeur manquante soit sur la variable de classification, soit sur la variable d’int\u00e9r\u00eat est int\u00e9gralement \u00e9vinc\u00e9e du calcul. Il incombe \u00e0 l’analyste de quantifier la pr\u00e9valence de ces omissions afin de s’assurer qu’elles ne traduisent pas un biais d’attrition non al\u00e9atoire susceptible de fausser les estimations.<\/p>\n

L’enrichissement syntaxique des donn\u00e9es comprend \u00e9galement la standardisation des \u00e9tiquettes descriptives et le recodage \u00e9ventuel des cat\u00e9gories. L’attribution d’\u00e9tiquettes formelles via l’instruction LABEL permet de clarifier les sorties g\u00e9n\u00e9r\u00e9es par SAS, facilitant ainsi leur transposition directe vers des publications acad\u00e9miques ou des rapports d’audit statistique :<\/p>\n

data test_cognitif;
\n  set test_cognitif;
\n  label Groupe = \u00ab\u00a0Condition Exp\u00e9rimentale d’\u00c9tude\u00a0\u00bb
\n        Score_Memoire = \u00ab\u00a0Score d’\u00c9valuation M\u00e9morielle (0-100)\u00a0\u00bb;
\nrun;<\/strong><\/p>\n

3.3 Exemple d’impl\u00e9mentation de donn\u00e9es empiriques comparatives<\/h3>\n

L’analyse empirique dans les environnements de production ou les plateformes modernes comme SAS Studio exige une organisation rigoureuse du code source, articul\u00e9e autour de biblioth\u00e8ques p\u00e9rennes et d’une tra\u00e7abilit\u00e9 int\u00e9grale des transformations de donn\u00e9es. Afin de contextualiser notre propos, consid\u00e9rons une \u00e9tude clinique comparant la pression art\u00e9rielle systolique (exprim\u00e9e en millim\u00e8tres de mercure, mmHg) entre deux cohortes de patients hypertendus assign\u00e9s soit \u00e0 une monoth\u00e9rapie conventionnelle, soit \u00e0 une bith\u00e9rapie novatrice.<\/p>\n

La structuration du jeu de donn\u00e9es dans la biblioth\u00e8que de travail SAS s’op\u00e8re par une \u00e9tape DATA rigoureusement balis\u00e9e. Il convient de v\u00e9rifier syst\u00e9matiquement que la variable de classification ne comporte strictement que deux niveaux distincts. Si un facteur d’exposition pr\u00e9sente par inadvertance trois modalit\u00e9s (par exemple en raison d’une faute de frappe orthographique cr\u00e9ant une troisi\u00e8me cat\u00e9gorie parasite), l’ex\u00e9cution de la proc\u00e9dure \u00e9chouera imm\u00e9diatement, SAS bloquant l’inf\u00e9rence par un message d’erreur stipulant que le facteur de groupement doit poss\u00e9der exactement deux niveaux.<\/p>\n

L’examen de l’\u00e9quilibre des effectifs entre les groupes doit \u00eatre men\u00e9 d\u00e8s l’\u00e9tape descriptive \u00e0 l’aide de la proc\u00e9dure proc freq data=hypertension; tables Traitement; run;<\/strong>. Si un \u00e9quilibre parfait des effectifs maximise la robustesse statistique face aux violations de l’homosc\u00e9dasticit\u00e9, la pr\u00e9sence de plans d\u00e9s\u00e9quilibr\u00e9s constitue une situation empirique r\u00e9currente qu’il s’agira de traiter m\u00e9thodologiquement par les ajustements appropri\u00e9s lors de la phase inf\u00e9rentielle sous PROC TTEST.<\/p>\n

4. La syntaxe fondamentale et les options avanc\u00e9es de PROC TTEST dans SAS<\/h2>\n

4.1 Structure syntaxique standard de la proc\u00e9dure PROC TTEST<\/h3>\n

La proc\u00e9dure PROC TTEST constitue le moteur computationnel d\u00e9di\u00e9 \u00e0 l’\u00e9valuation des diff\u00e9rences de moyennes au sein de l’environnement SAS. Sa conception syntaxique ob\u00e9it \u00e0 une logique d\u00e9clarative modulaire alliant concision et puissance fonctionnelle. L’appel de base de la proc\u00e9dure s’effectue par l’instruction proc ttest data=nom_de_table;<\/strong>, qui sp\u00e9cifie le jeu de donn\u00e9es SAS sur lequel op\u00e9rer l’inf\u00e9rence comparative.<\/p>\n

L’architecture interne de la proc\u00e9dure repose sur la conjonction obligatoire de deux instructions secondaires indispensables pour orchestrer une comparaison \u00e0 deux \u00e9chantillons ind\u00e9pendants :<\/p>\n

    \n
  • CLASS<\/strong> : Cette instruction identifie la variable ind\u00e9pendante de classification. Elle sp\u00e9cifie le facteur binaire qui segmente la population en deux sous-\u00e9chantillons mutuellement exclusifs. Cette variable peut \u00eatre soit de nature alphanum\u00e9rique, soit num\u00e9rique.<\/li>\n
  • VAR<\/strong> : Cette instruction d\u00e9finit la variable d\u00e9pendante continue dont les moyennes empiriques doivent \u00eatre compar\u00e9es \u00e0 travers les deux modalit\u00e9s d\u00e9finies par l’instruction CLASS. Si cette instruction est omise, SAS tentera d’ex\u00e9cuter l’analyse sur l’ensemble des variables num\u00e9riques pr\u00e9sentes dans la table source, ce qui peut s’av\u00e9rer inutilement lourd et inappropri\u00e9.<\/li>\n<\/ul>\n

    L’ex\u00e9cution de la proc\u00e9dure s’ach\u00e8ve formellement par l’instruction RUN;<\/strong>, qui d\u00e9clenche l’ex\u00e9cution des calculs matriciels et la restitution des r\u00e9sultats analytiques dans la fen\u00eatre de sortie ODS (Output Delivery System). Un exemple canonique se formalise ainsi :<\/p>\n

    proc ttest data=test_cognitif;
    \n  class Groupe;
    \n  var Score_Memoire;
    \nrun;<\/strong><\/p>\n

    4.2 Param\u00e9trage des intervalles de confiance et niveaux alpha<\/h3>\n

    Par d\u00e9faut, la proc\u00e9dure PROC TTEST op\u00e8re au seuil de confiance classique de 95 %, correspondant \u00e0 une marge d’erreur nominale alpha de 0,05. Toutefois, selon les exigences sp\u00e9cifiques des protocoles de recherche ou la s\u00e9v\u00e9rit\u00e9 des p\u00e9nalit\u00e9s requises face aux faux positifs (notamment lors d’analyses multiples ou d’essais cliniques confirmatoires), il est fr\u00e9quemment requis de moduler ce param\u00e8tre de pr\u00e9cision.<\/p>\n

    Cette personnalisation s’effectue directement dans l’en-t\u00eate de la proc\u00e9dure via l’option ALPHA=<\/strong>. En sp\u00e9cifiant par exemple proc ttest data=test_cognitif alpha=0.01;<\/strong>, l’utilisateur ordonne \u00e0 SAS de recalibrer l’ensemble des intervalles de confiance estim\u00e9s au niveau de confiance de 99 %. Ces intervalles englobent non seulement les moyennes individuelles estim\u00e9es au sein de chaque sous-groupe, mais \u00e9galement leurs \u00e9carts types respectifs, ainsi que la diff\u00e9rence brute calcul\u00e9e entre les deux moyennes de populations.<\/p>\n

    L’\u00e9valuation des intervalles de confiance de la diff\u00e9rence moyenne pr\u00e9sente une valeur herm\u00e9neutique bien sup\u00e9rieure \u00e0 la simple valeur p. L’examen des bornes inf\u00e9rieure et sup\u00e9rieure permet d’appr\u00e9cier la pr\u00e9cision intrins\u00e8que de l’estimation de l’effet exp\u00e9rimental : un intervalle excessivement large, bien que statistiquement significatif (n’englobant pas le z\u00e9ro), signalera une faible pr\u00e9cision due \u00e0 une taille d’\u00e9chantillon trop modeste ou \u00e0 une variabilit\u00e9 r\u00e9siduelle consid\u00e9rable, invitant le chercheur \u00e0 une prudente r\u00e9serve lors de l’extrapolation clinique ou th\u00e9orique.<\/p>\n

    4.3 Gestion des options directionnelles et alternatives d’hypoth\u00e8se<\/h3>\n

    L’inf\u00e9rence bilat\u00e9rale constitue le param\u00e9trage natif de PROC TTEST, \u00e9valuant l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 stricte face \u00e0 une hypoth\u00e8se alternative d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 sans consid\u00e9ration du sens de la d\u00e9viation. N\u00e9anmoins, lorsque des fondements th\u00e9oriques inalt\u00e9rables ou des n\u00e9cessit\u00e9s r\u00e9glementaires pr\u00e9disent express\u00e9ment qu’un traitement ne peut que majorer une r\u00e9ponse physiologique ou qu’une intervention ne peut qu’abaisser un niveau de toxicit\u00e9, la mobilisation d’un test unilat\u00e9ral (one-sided test) s’av\u00e8re m\u00e9thodologiquement recevable.<\/p>\n

    L’instruction SIDES=<\/strong> implant\u00e9e dans l’en-t\u00eate de la proc\u00e9dure offre une flexibilit\u00e9 totale dans l’orientation math\u00e9matique de l’hypoth\u00e8se alternative :<\/p>\n

      \n
    • SIDES=2<\/strong> : Sp\u00e9cification bilat\u00e9rale par d\u00e9faut (H1: mu1 – mu2 distinct de 0).<\/li>\n
    • SIDES=U<\/strong> (Upper) : Hypoth\u00e8se alternative unilat\u00e9rale sup\u00e9rieure postulant que la moyenne du premier groupe exc\u00e8de celle du second groupe (H1: mu1 – mu2 > 0).<\/li>\n
    • SIDES=L<\/strong> (Lower) : Hypoth\u00e8se alternative unilat\u00e9rale inf\u00e9rieure stipulant que la moyenne du premier groupe est inf\u00e9rieure \u00e0 celle du second groupe (H1: mu1 – mu2 < 0).<\/li>\n<\/ul>\n

      Cette r\u00e9orientation modifie radicalement le calcul de la probabilit\u00e9 critique, en reportant l’int\u00e9gralit\u00e9 du risque alpha de rejet sur une seule queue de la distribution th\u00e9orique de Student. Il en r\u00e9sulte un abaissement du seuil critique absolu requis pour proclamer la significativit\u00e9, ce qui amplifie la puissance statistique du test pour d\u00e9tecter l’effet dans la direction anticip\u00e9e. Toutefois, cette approche est \u00e0 manier avec une circonspection extr\u00eame : si la diff\u00e9rence observ\u00e9e s’oriente dans le sens inverse de l’hypoth\u00e8se unilat\u00e9rale formul\u00e9e, l’analyste se trouve dans l’obligation formelle de rejeter toute significativit\u00e9, quelle que soit la magnitude empirique de l’\u00e9cart constat\u00e9.<\/p>\n

      5. Diagnostic de l’homog\u00e9n\u00e9it\u00e9 des variances : Le test de Folded F<\/h2>\n

      5.1 M\u00e9canisme computationnel du ratio de variance dans SAS<\/h3>\n

      L’ex\u00e9cution de la proc\u00e9dure PROC TTEST g\u00e9n\u00e8re automatiquement, en annexe du test des moyennes proprement dit, une section diagnostique fondamentale intitul\u00e9e \u00ab Equality of Variances \u00bb. Le moteur de calcul de SAS impl\u00e9mente \u00e0 cet endroit le test de Folded F (ou statistique F pli\u00e9e), con\u00e7u pour tester l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 parfaite des variances populationnelles (H0: sigma1 au carr\u00e9 = sigma2 au carr\u00e9) contre l’hypoth\u00e8se alternative de leur in\u00e9galit\u00e9 substantielle (H1: sigma1 au carr\u00e9 distinct de sigma2 au carr\u00e9).<\/p>\n

      La m\u00e9canique calculatoire de cette statistique pli\u00e9e se distingue par une standardisation m\u00e9thodique \u00e9vitant les fractions inf\u00e9rieures \u00e0 l’unit\u00e9. SAS identifie les variances non biais\u00e9es estim\u00e9es dans chacun des deux sous-\u00e9chantillons (s1 au carr\u00e9 et s2 au carr\u00e9) et calcule syst\u00e9matiquement le ratio en positionnant la variance la plus \u00e9lev\u00e9e au num\u00e9rateur et la variance la plus faible au d\u00e9nominateur : F_pli\u00e9 = max(s1^2, s2^2) \/ min(s1^2, s2^2).<\/p>\n

      En cons\u00e9quence de cette s\u00e9lection s\u00e9quentielle de la plus grande variance au num\u00e9rateur, la valeur empirique du ratio F obtenu est structurellement sup\u00e9rieure ou \u00e9gale \u00e0 1,0. Les degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 cette statistique, d\u00e9sign\u00e9s dans la sortie SAS par les colonnes \u00ab Num DF \u00bb (degr\u00e9s de libert\u00e9 du num\u00e9rateur) et \u00ab Den DF \u00bb (degr\u00e9s de libert\u00e9 du d\u00e9nominateur), correspondent respectivement \u00e0 la taille du groupe poss\u00e9dant la plus forte variance amput\u00e9e d’une unit\u00e9 (n – 1) et \u00e0 la taille du groupe pr\u00e9sentant la variance la plus faible diminu\u00e9e d’une unit\u00e9.<\/p>\n

      5.2 Interpr\u00e9tation des r\u00e9sultats du test d’\u00e9galit\u00e9 des variances<\/h3>\n

      L’examen du tableau d’\u00e9galit\u00e9 des variances d\u00e9livre une information d\u00e9cisionnelle pivot qui conditionne le choix de la m\u00e9thode d’inf\u00e9rence principale. SAS produit une probabilit\u00e9 critique bilat\u00e9rale, libell\u00e9e sous l’expression \u00ab Pr > F \u00bb. Cette m\u00e9trique quantifie la probabilit\u00e9 exacte d’observer un d\u00e9s\u00e9quilibre de variance d’une telle magnitude sous l’hypoth\u00e8se o\u00f9 les populations d’origine partageraient une dispersion strictement identique.<\/p>\n

      La r\u00e8gle d\u00e9cisionnelle s’applique selon les canons usuels de la d\u00e9duction statistique :<\/p>\n

        \n
      • Maintien de l’homosc\u00e9dasticit\u00e9 (Pr > F >= 0,05)<\/strong> : L’\u00e9cart entre les variances d’\u00e9chantillons est jug\u00e9 imputable aux simples al\u00e9as de l’\u00e9chantillonnage. L’hypoth\u00e8se de variances \u00e9gales n’est pas rejet\u00e9e. L’analyste doit imp\u00e9rativement lire et interpr\u00e9ter la ligne de r\u00e9sultats \u00e9tiquet\u00e9e Pooled<\/strong> dans le tableau principal des tests t.<\/li>\n
      • Constat formel d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 (Pr > F < 0,05)<\/strong> : La divergence entre les variances des deux groupes est trop marqu\u00e9e pour \u00eatre expliqu\u00e9e par le hasard. L’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 est formellement rejet\u00e9e. L’analyste se trouve dans l’obligation m\u00e9thodologique de rejeter la ligne standard et de basculer exclusivement son interpr\u00e9tation sur la ligne ajust\u00e9e intitul\u00e9e Satterthwaite<\/strong>.<\/li>\n<\/ul>\n

        Cette \u00e9tape d’aiguillage constitue un point de passage obligatoire pour garantir la robustesse des d\u00e9ductions inf\u00e9rentielles, pr\u00e9venant l’inflation incontr\u00f4l\u00e9e du risque d’erreur de premi\u00e8re esp\u00e8ce li\u00e9e aux violations d’homog\u00e9n\u00e9it\u00e9.<\/p>\n

        5.3 Limites intrins\u00e8ques et sensibilit\u00e9 du test de variance aux \u00e9carts de normalit\u00e9<\/h3>\n

        En d\u00e9pit de son int\u00e9gration syst\u00e9matique et automatis\u00e9e au sein des sorties PROC TTEST, le test d’\u00e9galit\u00e9 des variances bas\u00e9 sur le ratio F classique souffre d’une fragilit\u00e9 th\u00e9orique bien document\u00e9e dans la litt\u00e9rature statistique : son extr\u00eame vuln\u00e9rabilit\u00e9 face aux violations du postulat de normalit\u00e9 distributionnelle. La distribution du rapport de deux variances estim\u00e9es d\u00e9pend de mani\u00e8re critique de l’absence totale d’aplatissement excessif au sein des donn\u00e9es m\u00e8res.<\/p>\n

        Si la variable d\u00e9pendante s’\u00e9carte m\u00eame mod\u00e9r\u00e9ment d’une distribution gaussienne \u2014 notamment en pr\u00e9sence de distributions leptokurtiques caract\u00e9ris\u00e9es par des queues lourdes ou des pointes centrales effil\u00e9es \u2014 la distribution du ratio empirique s’\u00e9loigne drastiquement de la loi th\u00e9orique de Fisher-Snedecor. Il en r\u00e9sulte un rejet erron\u00e9 syst\u00e9matique de l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9, le test F interpr\u00e9tant la lourdeur des queues de distribution comme une diff\u00e9rence de variance, conduisant \u00e0 tort le praticien vers des corrections d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 non requises.<\/p>\n

        Cette lacune \u00e9pist\u00e9mologique a conduit de nombreux m\u00e9thodologistes \u00e0 recommander l’usage de tests diagnostiques plus robustes et moins sensibles aux d\u00e9viations de normalit\u00e9, au premier rang desquels figure le test de Levene (ou sa variante fond\u00e9e sur la m\u00e9diane, le test de Brown-Forsythe). Bien que PROC TTEST n’int\u00e8gre pas directement le test de Levene dans son tableau r\u00e9capitulatif par d\u00e9faut, celui-ci peut \u00eatre tr\u00e8s ais\u00e9ment sollicit\u00e9 sous SAS via la proc\u00e9dure ANOVA ou GLM au moyen de la syntaxe proc glm; class Groupe; model Score = Groupe; means Groupe \/ hovtest=levene; run;<\/strong>, fournissant un arbitrage bien plus imperm\u00e9able aux asym\u00e9tries sous-jacentes.<\/p>\n

        6. Interpr\u00e9tation de la m\u00e9thode de Student classique : Approche des variances combin\u00e9es (Pooled)<\/h2>\n

        6.1 Formule math\u00e9matique de la variance combin\u00e9e (Pooled Variance)<\/h3>\n

        Lorsque le diagnostic d’homog\u00e9n\u00e9it\u00e9 des variances valide la pr\u00e9somption de dispersion \u00e9quivalente entre les populations, l’approche de Student standard bas\u00e9e sur la variance combin\u00e9e (d\u00e9nomm\u00e9e m\u00e9thode \u00ab Pooled \u00bb dans SAS) repr\u00e9sente la modalit\u00e9 analytique optimale sur le plan de l’efficience statistique. Cette approche exploite pleinement l’ensemble de l’information disponible en agr\u00e9geant les sommes des carr\u00e9s des \u00e9carts observ\u00e9es dans chaque groupe.<\/p>\n

        La formule math\u00e9matique de la variance combin\u00e9e (sp au carr\u00e9) s’exprime comme une moyenne pond\u00e9r\u00e9e des variances d’\u00e9chantillons individuelles (s1 au carr\u00e9 et s2 au carr\u00e9), o\u00f9 les coefficients de pond\u00e9ration correspondent pr\u00e9cis\u00e9ment \u00e0 leurs degr\u00e9s de libert\u00e9 respectifs :<\/p>\n

        sp^2 = [ (n1 – 1) * s1^2 + (n2 – 1) * s2^2 ] \/ (n1 + n2 – 2)<\/p>\n

        L’erreur type de la diff\u00e9rence des moyennes se calcule ensuite directement \u00e0 partir de cette estimation unique et conjointe : SE_diff = racine_carree[ sp^2 * ( (1 \/ n1) + (1 \/ n2) ) ]. Cette mutualisation conf\u00e8re \u00e0 l’estimation de l’erreur type une stabilit\u00e9 maximale. Les degr\u00e9s de libert\u00e9 globaux allou\u00e9s au test s’\u00e9l\u00e8vent ainsi \u00e0 n1 + n2 – 2. Lorsque l’homosc\u00e9dasticit\u00e9 est strictement respect\u00e9e, cette m\u00e9thode offre la puissance statistique la plus \u00e9lev\u00e9e pour d\u00e9celer un \u00e9cart r\u00e9el, minimisant l’erreur de deuxi\u00e8me esp\u00e8ce face \u00e0 toute autre modalit\u00e9 computationnelle.<\/p>\n

        6.2 Lecture m\u00e9thodique du tableau ‘t Tests’ de SAS<\/h3>\n

        Le tableau intitul\u00e9 \u00ab t Tests \u00bb constitue le c\u0153ur op\u00e9rationnel de l’output g\u00e9n\u00e9r\u00e9 par PROC TTEST. Ce tableau pr\u00e9sente une structure matricielle compartiment\u00e9e en deux lignes distinctes \u00e9tiquet\u00e9es \u00ab Pooled \u00bb et \u00ab Satterthwaite \u00bb. Lorsque l’homog\u00e9n\u00e9it\u00e9 des variances a \u00e9t\u00e9 pr\u00e9alablement confirm\u00e9e, l’analyste isole rigoureusement la ligne Pooled et proc\u00e8de \u00e0 la lecture s\u00e9quentielle de ses composantes scalaires.<\/p>\n

        La premi\u00e8re colonne d’int\u00e9r\u00eat est intitul\u00e9e \u00ab Method \u00bb, indiquant la m\u00e9thode de variance appliqu\u00e9e (Pooled). Vient ensuite la colonne \u00ab Variances \u00bb, rappelant le postulat sous-jacent (Equal). La colonne \u00ab DF \u00bb rapporte les degr\u00e9s de libert\u00e9 th\u00e9oriques, calcul\u00e9s selon la formule n1 + n2 – 2. L’analyste rel\u00e8ve ensuite dans la colonne \u00ab t Value \u00bb la valeur empirique de la statistique de Student calcul\u00e9e par SAS. Le signe de cette valeur t d\u00e9pend simplement de l’ordre alg\u00e9brique de soustraction d\u00e9fini par SAS, qui proc\u00e8de par d\u00e9faut selon l’ordre alphanum\u00e9rique des modalit\u00e9s de la variable CLASS.<\/p>\n

        L’aboutissement de la d\u00e9marche inf\u00e9rentielle r\u00e9side dans la lecture de la colonne \u00ab Pr > |t| \u00bb, qui rapporte la probabilit\u00e9 critique bilat\u00e9rale associ\u00e9e \u00e0 la statistique t pour les degr\u00e9s de libert\u00e9 sp\u00e9cifi\u00e9s. Si cette p-valeur s’affiche sous un seuil strictement inf\u00e9rieur \u00e0 0,05 (par exemple t = 4,28, DF = 14, Pr > |t| = 0,0007), le chercheur est formellement autoris\u00e9 \u00e0 rejeter l’hypoth\u00e8se nulle H0 au seuil alpha de 5 %, concluant avec un haut niveau de confiance statistique \u00e0 l’existence d’une diff\u00e9rence syst\u00e9matique entre les moyennes des deux populations \u00e9tudi\u00e9es.<\/p>\n

        6.3 Intervalles de confiance de la diff\u00e9rence moyenne Pooled<\/h3>\n

        L’interpr\u00e9tation de la significativit\u00e9 statistique via la p-valeur doit imp\u00e9rativement \u00eatre consolid\u00e9e par l’analyse des intervalles de confiance de la diff\u00e9rence moyenne, r\u00e9pertori\u00e9s dans le tableau sup\u00e9rieur intitul\u00e9 \u00ab Differences \u00bb. SAS y calcule l’estimation ponctuelle brute de l’\u00e9cart entre les moyennes d’\u00e9chantillons (Mean), flanqu\u00e9e de sa borne inf\u00e9rieure (Lower CL Mean) et de sa borne sup\u00e9rieure (Upper CL Mean), calibr\u00e9es au seuil sp\u00e9cifi\u00e9 (par d\u00e9faut \u00e0 95 %).<\/p>\n

        La r\u00e8gle herm\u00e9neutique de l’intervalle de confiance est d’une grande limpidit\u00e9 g\u00e9om\u00e9trique : il existe une relation de dualit\u00e9 parfaite entre le test d’hypoth\u00e8se bilat\u00e9ral au seuil alpha et l’intervalle de confiance \u00e0 100*(1 – alpha) %. D\u00e8s lors que la valeur z\u00e9ro est totalement exclue de l’intervalle de confiance (par exemple si l’intervalle s’\u00e9tend de +3,42 \u00e0 +12,18), cela \u00e9quivaut math\u00e9matiquement au rejet strict de l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des moyennes au seuil de 5 % (p < 0,05). \u00c0 l’inverse, si l’intervalle chevauche le z\u00e9ro en englobant des valeurs \u00e0 la fois n\u00e9gatives et positives (par exemple de -1,54 \u00e0 +4,82), l’hypoth\u00e8se d’absence d’effet ne peut en aucun cas \u00eatre \u00e9cart\u00e9e.<\/p>\n

        Au-del\u00e0 de cette d\u00e9cision binaire, l’intervalle de confiance apporte une information substantielle inestimable sur la pr\u00e9cision du dispositif exp\u00e9rimental. La largeur totale de l’intervalle refl\u00e8te la marge d’erreur inh\u00e9rente \u00e0 l’\u00e9chantillonnage : une amplitude restreinte garantit que la v\u00e9ritable diff\u00e9rence populationnelle est circonscrite avec une excellente pr\u00e9cision, tandis qu’un intervalle excessivement vaste souligne l’incertitude entourant l’estimation, indiquant que de futures r\u00e9plications pourraient enregistrer des ampleurs d’effets substantiellement discordantes.<\/p>\n

        7. Traitement de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 : La m\u00e9thode de Welch-Satterthwaite<\/h2>\n

        7.1 L’approximation des degr\u00e9s de libert\u00e9 de Satterthwaite<\/h3>\n

        Lorsque le test de Folded F (ou tout autre diagnostic d’homosc\u00e9dasticit\u00e9) r\u00e9v\u00e8le une divergence significative entre les variances des deux groupes, l’usage de la m\u00e9thode Pooled devient caduque et expose l’analyste \u00e0 de graves erreurs de d\u00e9cision, particuli\u00e8rement en pr\u00e9sence d’\u00e9chantillons de tailles in\u00e9gales. Pour surmonter cette impasse m\u00e9thodologique, l’ing\u00e9nierie statistique recourt \u00e0 la correction \u00e9labor\u00e9e par Bernard Lewis Welch et popularis\u00e9e par Franklin E. Satterthwaite.<\/p>\n

        La m\u00e9thode de Welch-Satterthwaite abandonne le principe d’une variance combin\u00e9e. L’erreur type de la diff\u00e9rence n’est plus calcul\u00e9e sur la base d’un sp commun, mais s’obtient par la sommation directe des variances d’\u00e9chantillons divis\u00e9es chacune par leur propre taille d’\u00e9chantillon : SE_Welch = racine_carree[ (s1^2 \/ n1) + (s2^2 \/ n2) ]. Cette dissociation immunise la statistique de test contre le risque de sous-estimation ou de surestimation de la dispersion globale.<\/p>\n

        Toutefois, le ratio t ainsi calcul\u00e9 ne suit plus rigoureusement une distribution de Student standard pourvue des degr\u00e9s de libert\u00e9 entiers n1 + n2 – 2. Satterthwaite a \u00e9tabli une approximation analytique sophistiqu\u00e9e permettant d’estimer des degr\u00e9s de libert\u00e9 effectifs ajust\u00e9s. La formule calcule une valeur fractionnaire continue reposant sur la pond\u00e9ration complexe des variances et des effectifs :<\/p>\n

        DF_Satterthwaite = [ ( (s1^2 \/ n1) + (s2^2 \/ n2) )^2 ] \/ [ ( (s1^2 \/ n1)^2 \/ (n1 – 1) ) + ( (s2^2 \/ n2)^2 \/ (n2 – 1) ) ]<\/p>\n

        Cette correction a pour effet g\u00e9om\u00e9trique syst\u00e9matique de r\u00e9duire le nombre de degr\u00e9s de libert\u00e9 disponibles. En abaissant cette valeur par rapport au total n1 + n2 – 2, la proc\u00e9dure \u00e9paissit les queues de la distribution de r\u00e9f\u00e9rence, ce qui majore m\u00e9caniquement les valeurs critiques requises pour d\u00e9clarer la significativit\u00e9 et pr\u00e9serve ainsi rigoureusement le taux d’erreur de premi\u00e8re esp\u00e8ce au niveau nominal d\u00e9sir\u00e9 de 5 %.<\/p>\n

        7.2 Lecture de la ligne ‘Satterthwaite’ dans les r\u00e9sultats SAS<\/h3>\n

        Dans l’environnement de sortie de PROC TTEST, l’exploitation des r\u00e9sultats sous h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 implique une focalisation exclusive sur la ligne inf\u00e9rieure du tableau \u00ab t Tests \u00bb, express\u00e9ment \u00e9tiquet\u00e9e \u00ab Satterthwaite \u00bb. L’analyste y observe imm\u00e9diatement une divergence m\u00e9thodologique majeure par rapport aux standards de Student classiques.<\/p>\n

        Dans la colonne \u00ab DF \u00bb, les degr\u00e9s de libert\u00e9 ne se pr\u00e9sentent plus sous la forme d’un nombre entier naturel, mais sous un format d\u00e9cimal fractionnaire (par exemple DF = 9,3421). Cette valeur non enti\u00e8re d\u00e9coule directement de l’application de l’\u00e9quation de Welch-Satterthwaite aux donn\u00e9es d’\u00e9chantillon. La statistique t ajust\u00e9e est consign\u00e9e dans la colonne adjacente, calcul\u00e9e avec le d\u00e9nominateur de Welch.<\/p>\n

        L’arbitrage inf\u00e9rentiel s’op\u00e8re en observant la valeur \u00ab Pr > |t| \u00bb align\u00e9e sur cette m\u00eame rang\u00e9e Satterthwaite. Il n’est pas rare de constater des divergences d\u00e9cisionnelles notables entre la ligne Pooled et la ligne Satterthwaite, en particulier lors d’\u00e9tudes comportant un groupe restreint \u00e0 forte variabilit\u00e9 oppos\u00e9 \u00e0 un groupe \u00e9tendu \u00e0 faible dispersion. Dans une telle situation, la ligne Pooled affichera fr\u00e9quemment une significativit\u00e9 trompeuse (p < 0,05) engendr\u00e9e par une erreur type artificiellement comprim\u00e9e, alors que la ligne Satterthwaite r\u00e9tablira la r\u00e9alit\u00e9 inf\u00e9rentielle en fournissant une p-valeur non significative (p > 0,05), \u00e9pargnant au chercheur la publication d’un r\u00e9sultat artefactuel.<\/p>\n

        7.3 Robustesse et pr\u00e9valence moderne de l’approche de Welch<\/h3>\n

        Au cours des derni\u00e8res d\u00e9cennies, un courant m\u00e9thodologique influent au sein de la statistique appliqu\u00e9e et de la psychom\u00e9trie a profond\u00e9ment remis en cause la pertinence du protocole de d\u00e9cision s\u00e9quentiel traditionnel en deux \u00e9tapes (qui consiste \u00e0 tester d’abord l’homosc\u00e9dasticit\u00e9 via le test F, puis \u00e0 choisir entre Pooled et Satterthwaite). Des statisticiens de renom soulignent que le test pr\u00e9liminaire d’homosc\u00e9dasticit\u00e9 manque cruellement de puissance sur les petits \u00e9chantillons et pr\u00e9sente une sensibilit\u00e9 excessive sur les larges cohortes, introduisant un biais de conditionnalit\u00e9 analytique qui alt\u00e8re le comportement global de l’inf\u00e9rence.<\/p>\n

        Face \u00e0 ces \u00e9cueils, de nombreux consensus scientifiques contemporains pr\u00e9conisent l’adoption syst\u00e9matique et inconditionnelle du test t de Welch (la m\u00e9thode de Satterthwaite) comme proc\u00e9dure d’analyse par d\u00e9faut pour la comparaison de deux moyennes ind\u00e9pendantes. Cette recommandation s’appuie sur le comportement asymptotique optimal de la statistique de Welch : lorsque les variances empiriques sont r\u00e9ellement \u00e9gales, le test de Welch fournit des r\u00e9sultats virtuellement indiscernables de ceux du test de Student standard, sans aucune perte significative de puissance statistique. En revanche, lorsque les variances s’av\u00e8rent in\u00e9gales, il garantit un contr\u00f4le parfait de l’erreur de premi\u00e8re esp\u00e8ce, \u00e9liminant ainsi toute d\u00e9pendance envers un test d’homosc\u00e9dasticit\u00e9 pr\u00e9liminaire imparfait.<\/p>\n

        Dans la pratique analytique sous SAS, bien que PROC TTEST persiste \u00e0 afficher les deux estimations c\u00f4te \u00e0 c\u00f4te pour des raisons de conformit\u00e9 historique et de flexibilit\u00e9 r\u00e9glementaire, le chercheur contemporain gagne en rigueur et en reproductibilit\u00e9 \u00e0 d\u00e9clarer a priori dans son plan d’analyse statistique le recours pr\u00e9f\u00e9rentiel \u00e0 la m\u00e9thode de Satterthwaite pour l’ensemble de ses tests bivari\u00e9s.<\/p>\n

        8. \u00c9valuation rigoureuse des postulats distributionnels via PROC UNIVARIATE<\/h2>\n

        8.1 Syntaxe de v\u00e9rification de la normalit\u00e9 conditionnelle<\/h3>\n

        La validit\u00e9 des inf\u00e9rences issues de PROC TTEST repose sur la satisfaction du postulat de normalit\u00e9 distributionnelle de la variable d’int\u00e9r\u00eat au sein de chaque niveau du facteur de classification. La proc\u00e9dure SAS la plus adapt\u00e9e, la plus exhaustive et la plus robuste pour conduire cet examen diagnostique approfondi est incontestablement la proc\u00e9dure PROC UNIVARIATE<\/strong>. Elle d\u00e9ploie un spectre complet d’indicateurs descriptifs de forme, de tests statistiques d’ajustement formels et de graphiques exploratoires.<\/p>\n

        Pour auditer la normalit\u00e9 conditionnelle s\u00e9par\u00e9ment pour chaque sous-groupe exp\u00e9rimental, la syntaxe SAS requiert l’adjonction de l’option NORMAL<\/strong> dans l’en-t\u00eate de la proc\u00e9dure ainsi que l’utilisation de l’instruction CLASS<\/strong> (ou alternativement d’une instruction BY conditionn\u00e9e par un tri pr\u00e9alable via PROC SORT). L’instruction standard se structure comme suit :<\/p>\n

        proc univariate data=test_cognitif normal;
        \n  class Groupe;
        \n  var Score_Memoire;
        \nrun;<\/strong><\/p>\n

        Cette commande g\u00e9n\u00e8re une ventilation compl\u00e8te des sorties statistiques segment\u00e9es pour chaque modalit\u00e9 du facteur Groupe, permettant \u00e0 l’analyste de dissocier scrupuleusement la distribution de l’\u00e9chantillon de contr\u00f4le de celle du groupe exp\u00e9rimental, pr\u00e9venant ainsi l’erreur fr\u00e9quente consistant \u00e0 \u00e9valuer la normalit\u00e9 globale sur l’\u00e9chantillon agr\u00e9g\u00e9 sans distinction des sous-populations.<\/p>\n

        8.2 Interpr\u00e9tation des tests statistiques de normalit\u00e9<\/h3>\n

        L’activation de l’option NORMAL dans PROC UNIVARIATE d\u00e9clenche la production d’un tableau synth\u00e9tique intitul\u00e9 \u00ab Tests for Normality \u00bb. SAS y impl\u00e9mente simultan\u00e9ment quatre tests formels d’ad\u00e9quation \u00e0 la loi normale, accompagn\u00e9s de leur statistique empirique respective et de leur p-valeur bilat\u00e9rale associ\u00e9e. L’hypoth\u00e8se nulle conjointe de ces tests stipule que l’\u00e9chantillon analys\u00e9 est issu d’une population parente distribu\u00e9e selon une loi gaussienne normale.<\/p>\n

        Le test de r\u00e9f\u00e9rence pour les \u00e9chantillons de taille restreinte \u00e0 mod\u00e9r\u00e9e (n < 50 voire n < 200) demeure la statistique W de Shapiro-Wilk. Ce test quantifie la corr\u00e9lation entre les quantiles observ\u00e9s et les scores th\u00e9oriques normaux ; une valeur W proche de 1,0 atteste d’une ad\u00e9quation parfaite. Si la probabilit\u00e9 critique \u00e9tiquet\u00e9e \u00ab Pr < W \u00bb est sup\u00e9rieure au seuil critique de 0,05, l’hypoth\u00e8se de normalit\u00e9 est conserv\u00e9e. En revanche, une valeur p inf\u00e9rieure \u00e0 0,05 oblige l’analyste \u00e0 rejeter formellement l’hypoth\u00e8se de normalit\u00e9 pour le groupe concern\u00e9.<\/p>\n

        Pour des cohortes plus massives (n >= 200), SAS fournit le test de Kolmogorov-Smirnov avec correction de Lilliefors (indiqu\u00e9 par la statistique D), ainsi que les tests de Cram\u00e9r-von Mises (statistique W-Sq) et d’Anderson-Darling (statistique A-Sq). Le test d’Anderson-Darling s’av\u00e8re particuli\u00e8rement pertinent en recherche quantitative en raison de sa sensibilit\u00e9 accrue aux anomalies localis\u00e9es dans les queues de distribution, zone d’inflexion o\u00f9 les violations de normalit\u00e9 s’av\u00e8rent les plus pr\u00e9judiciables pour la stabilit\u00e9 de l’erreur type de Student.<\/p>\n

        8.3 Analyse descriptive des indices de Skewness et Kurtosis<\/h3>\n

        Bien que les tests formels d’ad\u00e9quation soient indispensables, ils pr\u00e9sentent un \u00e9cueil m\u00e9thodologique sym\u00e9trique \u00e0 celui rencontr\u00e9 lors du test des variances : sur de tr\u00e8s grands \u00e9chantillons, ils tendent \u00e0 rejeter l’hypoth\u00e8se nulle pour des \u00e9carts infinit\u00e9simaux sans gravit\u00e9 analytique, tandis que sur de tr\u00e8s faibles effectifs, ils manquent de puissance pour d\u00e9celer des asym\u00e9tries probl\u00e9matiques. D\u00e8s lors, l’examen direct des coefficients d’asym\u00e9trie (Skewness) et d’aplatissement (Kurtosis) document\u00e9s dans le premier tableau \u00ab Moments \u00bb de PROC UNIVARIATE s’impose comme une d\u00e9marche compl\u00e9mentaire imp\u00e9rative.<\/p>\n

        Le coefficient d’asym\u00e9trie de Fisher (Skewness) \u00e9value la sym\u00e9trie de la distribution autour de son esp\u00e9rance :<\/p>\n

          \n
        • Une valeur nulle caract\u00e9rise une sym\u00e9trie parfaite.<\/li>\n
        • Un indice positif refl\u00e8te un \u00e9tirement de la queue de distribution vers la droite (distribution asym\u00e9trique positive, typique des donn\u00e9es de temps de r\u00e9action ou de revenus).<\/li>\n
        • Un indice n\u00e9gatif mat\u00e9rialise un \u00e9tirement vers la gauche (asym\u00e9trie n\u00e9gative).<\/li>\n<\/ul>\n

          Le coefficient d’aplatissement (Kurtosis standardis\u00e9 de Pearson, o\u00f9 SAS soustrait automatiquement 3 pour fixer la normale th\u00e9orique \u00e0 z\u00e9ro) renseigne sur l’\u00e9paisseur des queues : une valeur positive indique une distribution leptokurtique aux queues \u00e9paisses et \u00e0 forte concentration centrale, tandis qu’une valeur n\u00e9gative d\u00e9note une distribution platykurtique aux queues tronqu\u00e9es.<\/p>\n

          Dans la litt\u00e9rature m\u00e9thodologique contemporaine, une distribution est g\u00e9n\u00e9ralement consid\u00e9r\u00e9e comme acceptable pour l’application d’un test t param\u00e9trique d\u00e8s lors que la valeur absolue du Skewness demeure inf\u00e9rieure \u00e0 2,0 et que le Kurtosis absolu ne d\u00e9passe pas le seuil de 7,0 (certains auteurs plus conservateurs pr\u00e9conisant une plage d’acceptabilit\u00e9 comprise entre -1,0 et +1,0 pour les faibles effectifs). Tout d\u00e9passement substantiel de ces seuils signale des d\u00e9viations pathologiques n\u00e9cessitant soit une transformation math\u00e9matique des \u00e9chelles, soit le recours aux m\u00e9thodes non param\u00e9triques.<\/p>\n

          9. Exploration graphique et diagnostics visuels avec SAS ODS Graphics<\/h2>\n

          9.1 Activation et exploitation du syst\u00e8me ODS Graphics<\/h3>\n

          L’exploration analytique ne saurait se restreindre \u00e0 la seule lecture d’indices tabulaires ; le diagnostic visuel de la forme des distributions constitue une composante indissociable de toute \u00e9valuation statistique rigoureuse. L’infrastructure graphique native de SAS, ODS Graphics (Output Delivery System Graphics), permet d’engendrer automatiquement des repr\u00e9sentations visuelles haute r\u00e9solution directement int\u00e9gr\u00e9es aux proc\u00e9dures d’analyse.<\/p>\n

          Pour activer cette fonctionnalit\u00e9 globale, l’instruction ods graphics on;<\/strong> doit \u00eatre ex\u00e9cut\u00e9e pr\u00e9alablement dans la session SAS. D\u00e8s lors que cette option est active, la simple invocation de la proc\u00e9dure PROC TTEST d\u00e9clenche la production spontan\u00e9e d’un panneau graphique int\u00e9gr\u00e9 comprenant des diagrammes en bo\u00eete \u00e0 moustaches comparatifs, des estimations de densit\u00e9s nucl\u00e9aires empiriques et th\u00e9oriques, ainsi que des graphiques de concordance quantile-quantile.<\/p>\n

          La fermeture de l’environnement graphique en fin d’ex\u00e9cution s’op\u00e8re par l’instruction ods graphics off;<\/strong>. Les analystes peuvent personnaliser le format vectoriel de restitution (PDF, PNG, SVG) ainsi que les th\u00e8mes typographiques \u00e0 l’aide de l’instruction ods listing<\/strong> ou ods html<\/strong>, garantissant l’obtention imm\u00e9diate de visualisations graphiques directement ins\u00e9rables au sein d’articles scientifiques ou de protocoles cliniques conformes aux standards \u00e9ditoriaux les plus exigeants.<\/p>\n

          \"\"<\/figure>\n

          9.2 Analyse des diagrammes en bo\u00eete \u00e0 moustaches et d’intervalles<\/h3>\n

          Le premier ensemble graphique g\u00e9n\u00e9r\u00e9 par PROC TTEST juxtapose des diagrammes en bo\u00eete \u00e0 moustaches c\u00f4te \u00e0 c\u00f4te (Side-by-side Box Plots) pour chacun des deux groupes exp\u00e9rimentaux. Cette repr\u00e9sentation synth\u00e9tise les propri\u00e9t\u00e9s structurales non param\u00e9triques des \u00e9chantillons : la barre transversale mat\u00e9rialise la m\u00e9diane, les bordures inf\u00e9rieure et sup\u00e9rieure de la bo\u00eete d\u00e9limitent respectivement le premier et le troisi\u00e8me quartile (l’\u00e9cart interquartile regroupant les 50 % centraux des observations), tandis que les moustaches illustrent les valeurs adjacentes d\u00e9limit\u00e9es par 1,5 fois l’\u00e9tendue interquartile.<\/p>\n

          L’examen simultan\u00e9 des bo\u00eetes permet d’op\u00e9rer un double diagnostic imm\u00e9diat :<\/p>\n

            \n
          • V\u00e9rification visuelle de l’homosc\u00e9dasticit\u00e9<\/strong> : Des bo\u00eetes et des moustaches pr\u00e9sentant des longueurs approximativement \u00e9quivalentes d’un groupe \u00e0 l’autre attestent visuellement d’une bonne homog\u00e9n\u00e9it\u00e9 des variances intra-groupes. \u00c0 l’inverse, une bo\u00eete deux \u00e0 trois fois plus \u00e9tendue que sa comparse signale graphiquement une situation d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 criante qui conforte le recours \u00e0 la m\u00e9thode de Satterthwaite.<\/li>\n
          • Identification des valeurs aberrantes univari\u00e9es (outliers)<\/strong> : Les observations individuelles franchissant les moustaches sont isol\u00e9es par des symboles discrets. Ces donn\u00e9es extr\u00eames doivent \u00eatre minutieusement examin\u00e9es, car elles exercent un effet de levier disproportionn\u00e9 sur le calcul de la moyenne arithm\u00e9tique et gonflent dramatiquement la variance d’\u00e9chantillonnage.<\/li>\n<\/ul>\n

            Parall\u00e8lement, SAS superpose \u00e0 l’int\u00e9rieur de chaque bo\u00eete un marqueur sp\u00e9cifique (g\u00e9n\u00e9ralement un losange ou un point plein) d\u00e9signant l’emplacement de la moyenne empirique arithm\u00e9tique, entour\u00e9 de ses barres d’erreur type. La distance verticale s\u00e9parant ce marqueur de la m\u00e9diane centrale offre une premi\u00e8re estimation visuelle du degr\u00e9 d’asym\u00e9trie interne de la distribution.<\/p>\n

            9.3 Diagrammes quantile-quantile (Q-Q plots) et courbes de densit\u00e9<\/h3>\n

            Le panneau graphique de diagnostic d\u00e9livr\u00e9 par SAS ODS inclut un diagramme quantile-quantile (Q-Q Plot) conditionnel pour chaque niveau du facteur CLASS. Le Q-Q plot repr\u00e9sente l’outil qualitatif le plus puissant pour juger de la conformit\u00e9 d’un \u00e9chantillon empirique \u00e0 la loi normale th\u00e9orique. L’axe des ordonn\u00e9es reporte les quantiles des donn\u00e9es empiriques observ\u00e9es, tandis que l’axe des abscisses porte les quantiles th\u00e9oriques issus d’une distribution gaussienne id\u00e9ale de m\u00eame esp\u00e9rance et de m\u00eame variance.<\/p>\n

            Si la variable d\u00e9pendante est distribu\u00e9e normalement au sein du groupe, les points d’\u00e9chantillonnage s’alignent avec pr\u00e9cision le long de la ligne diagonale de r\u00e9f\u00e9rence trac\u00e9e par SAS. Tout d\u00e9crochage morphologique syst\u00e9matique par rapport \u00e0 cette diagonale fournit un diagnostic \u00e9tiologique imm\u00e9diat de la nature de la violation :<\/p>\n

              \n
            • Inflexion sigmo\u00efde en forme de ‘S’<\/strong> : R\u00e9v\u00e8le des queues de distribution beaucoup plus lourdes que celles d’une loi normale (pr\u00e9sence d’observations extr\u00eames aux deux extr\u00e9mit\u00e9s, distribution leptokurtique).<\/li>\n
            • Courbure convexe ou concave unilat\u00e9rale<\/strong> : Traduit une asym\u00e9trie marqu\u00e9e (skewness), la distribution s’\u00e9tirant pr\u00e9f\u00e9rentiellement vers les valeurs positives ou n\u00e9gatives.<\/li>\n<\/ul>\n

              En compl\u00e9ment des diagrammes Q-Q, SAS projette des histogrammes sur lesquels sont superpos\u00e9es deux courbes de densit\u00e9 distinctes : une courbe continue tra\u00e7ant la fonction de densit\u00e9 gaussienne param\u00e9trique id\u00e9ale, et une courbe en pointill\u00e9s repr\u00e9sentant la densit\u00e9 nucl\u00e9aire empirique non param\u00e9trique (kernel density estimation). La concordance visuelle \u00e9troite entre ces deux trac\u00e9s ach\u00e8ve d’\u00e9tablir la validit\u00e9 de l’ancrage param\u00e9trique du test de Student.<\/p>\n

              10. Quantification de l’ampleur de l’effet : d de Cohen et m\u00e9triques associ\u00e9es<\/h2>\n

              10.1 Formulation th\u00e9orique et calcul du d de Cohen<\/h3>\n

              Dans l’\u00e9pist\u00e9mologie contemporaine des sciences quantitatives, la publication exclusive d’une valeur p et de la statistique de test associ\u00e9e est jug\u00e9e notoirement insuffisante pour fonder une conclusion scientifique compl\u00e8te. Une p-valeur tr\u00e8s faible atteste du rejet de l’hypoth\u00e8se nulle selon laquelle la diff\u00e9rence observ\u00e9e serait attribuable au seul hasard, mais elle n’apporte aucune information quantifiable sur la magnitude r\u00e9elle ou la force substantielle de cette divergence. Pour combler cette b\u00e9ance descriptive, la quantification de la taille de l’effet (effect size) s’impose comme une exigence m\u00e9thodologique absolue.<\/p>\n

              Le d de Jacob Cohen constitue la m\u00e9trique standardis\u00e9e par excellence pour la comparaison de deux moyennes ind\u00e9pendantes. Il exprime la distance brute s\u00e9parant les moyennes des deux groupes en unit\u00e9s d’\u00e9cart type combin\u00e9 :<\/p>\n

              d = (Moyenne_1 – Moyenne_2) \/ s_pooled<\/p>\n

              Cette standardisation m\u00e9trique lib\u00e8re l’indice de toute d\u00e9pendance vis-\u00e0-vis de l’unit\u00e9 de mesure initiale (qu’il s’agisse de milligrammes, de scores psychom\u00e9triques ou de secondes), conf\u00e9rant au d de Cohen un statut d’indice universel permettant la comparaison inter-\u00e9tudes et l’int\u00e9gration directe au sein d’analyses m\u00e9ta-analytiques formalis\u00e9es.<\/p>\n

              Dans les versions contemporaines de SAS (\u00e0 partir de la version 9.4m1), la proc\u00e9dure PROC TTEST int\u00e8gre d\u00e9sormais nativement le calcul des tailles d’effet en sp\u00e9cifiant l’option PLOTS(SHOWHOOD)=ALL<\/strong> ou via l’option DIST=NORMAL<\/strong> associ\u00e9e \u00e0 des instructions avanc\u00e9es. Alternativement, le d de Cohen peut \u00eatre programm\u00e9 avec une \u00e9l\u00e9gante simplicit\u00e9 \u00e0 l’aide d’une courte macro SAS ou extrait directement des tables descriptives g\u00e9n\u00e9r\u00e9es par l’instruction ODS OUTPUT.<\/p>\n

              10.2 Interpr\u00e9tation des seuils conventionnels et contextuels<\/h3>\n

              Dans son ouvrage s\u00e9minal de 1988, Jacob Cohen a propos\u00e9 des balises interpr\u00e9tatives conventionnelles pour guider le chercheur dans l’appr\u00e9ciation heuristique de la magnitude du d calcul\u00e9 :<\/p>\n

                \n
              • Effet faible (d = 0,20)<\/strong> : La diff\u00e9rence entre les groupes est modeste et demeure difficilement perceptible \u00e0 l’\u0153il nu sans instruments de mesure fins. Elle correspond \u00e0 un taux de chevauchement (distribution overlapping) d’environ 85 % entre les populations.<\/li>\n
              • Effet moyen (d = 0,50)<\/strong> : La magnitude de la divergence devient visible et perceptible au niveau observationnel brut. Les distributions partagent environ 67 % de variance commune.<\/li>\n
              • Effet fort (d = 0,80 et au-del\u00e0)<\/strong> : L’effet exp\u00e9rimental s’av\u00e8re massif ; les deux distributions se s\u00e9parent de mani\u00e8re substantielle, avec un taux de recouvrement plongeant sous la barre des 53 %.<\/li>\n<\/ul>\n

                Cependant, les m\u00e9thodologistes actuels mettent express\u00e9ment en garde la communaut\u00e9 scientifique contre l’application aveugle et d\u00e9contextualis\u00e9e de ces balises rigides. La qualification d’un effet doit imp\u00e9rativement s’appr\u00e9cier \u00e0 la lumi\u00e8re du champ d’application disciplinaire. En \u00e9pid\u00e9miologie pr\u00e9ventive ou en cardiologie, un d de Cohen de 0,15 r\u00e9sultant d’un traitement m\u00e9dicamenteux peut repr\u00e9senter une avanc\u00e9e m\u00e9dicale colossale \u00e0 l’\u00e9chelle d’une population nationale en sauvant des milliers de vies, alors qu’en psychologie de laboratoire ou en ergonomie cognitive, un d inf\u00e9rieur \u00e0 0,40 peut \u00eatre jug\u00e9 m\u00e9thodologiquement n\u00e9gligeable et d\u00e9nu\u00e9 d’application concr\u00e8te.<\/p>\n

                10.3 Autres indicateurs de variance expliqu\u00e9e et corrections<\/h3>\n

                Bien que le d de Cohen jouisse d’une h\u00e9g\u00e9monie d’usage, il pr\u00e9sente une propri\u00e9t\u00e9 math\u00e9matique qui impose une vigilance particuli\u00e8re : sur de tr\u00e8s petits \u00e9chantillons (N total < 20), la statistique d a tendance \u00e0 surestimer syst\u00e9matiquement la taille d’effet r\u00e9elle au sein de la population. Pour pallier ce biais d’\u00e9chantillonnage, la correction formul\u00e9e par Larry Hedges s’av\u00e8re particuli\u00e8rement recommand\u00e9e.<\/p>\n

                Le g de Hedges applique au d de Cohen un coefficient correcteur non biais\u00e9 fond\u00e9 sur la fonction Gamma, approxim\u00e9 par la formule suivante : g = d * [ 1 – (3 \/ (4 * DF – 1)) ]. Pour les grands \u00e9chantillons, la diff\u00e9rence entre d et g devient infinit\u00e9simale, mais pour les faibles cohortes exp\u00e9rimentales, le recours au g de Hedges garantit une estimation rigoureusement non biais\u00e9e de la taille d’effet populationnelle.<\/p>\n

                D’autres m\u00e9triques \u00e9valuant le pourcentage de variance expliqu\u00e9e compl\u00e8tent ce dispositif analytique, notamment le coefficient de corr\u00e9lation ponctuelle bis\u00e9riale (r de Pearson associ\u00e9 au test t) ou le coefficient \u00eata-carr\u00e9 (eta^2). Ce dernier exprime la proportion exacte de la variance totale de la variable continue qui est attribuable \u00e0 l’appartenance au groupe exp\u00e9rimental :<\/p>\n

                eta^2 = t^2 \/ (t^2 + DF)<\/p>\n

                L’estimation conjointe de l’intervalle de confiance \u00e0 95 % associ\u00e9 \u00e0 cette taille d’effet standardis\u00e9e parach\u00e8ve la d\u00e9marche, refl\u00e9tant l’incertitude d’\u00e9chantillonnage entourant la magnitude de l’impact mesur\u00e9.<\/p>\n

                11. Proc\u00e9dures alternatives et non param\u00e9triques en cas de violation des postulats<\/h2>\n

                11.1 Test de Wilcoxon-Mann-Whitney avec PROC NPAR1WAY<\/h3>\n

                Lorsque l’analyse distributionnelle men\u00e9e sous PROC UNIVARIATE r\u00e9v\u00e8le des violations r\u00e9dhibitoires des postulats de normalit\u00e9 \u2014 telles que la pr\u00e9sence de fortes asym\u00e9tries associ\u00e9es \u00e0 de tr\u00e8s petits \u00e9chantillons (n < 15 par groupe) ou la pr\u00e9sence av\u00e9r\u00e9e de valeurs aberrantes impossibles \u00e0 \u00e9vincer l\u00e9gitimement \u2014, le test t param\u00e9trique perd toute validit\u00e9 inf\u00e9rentielle. Dans cette conjoncture, la proc\u00e9dure non param\u00e9trique canonique de substitution est le test des sommes de rangs de Wilcoxon, math\u00e9matiquement \u00e9quivalent au test U de Mann-Whitney.<\/p>\n

                Le test de Wilcoxon-Mann-Whitney contourne le postulat de normalit\u00e9 en substituant aux valeurs num\u00e9riques continues brutes leur rang ordinal s\u00e9quentiel au sein de l’\u00e9chantillon agr\u00e9g\u00e9. L’algorithme ne compare plus des moyennes arithm\u00e9tiques sensibles aux valeurs extr\u00eames, mais \u00e9value si la distribution des rangs d’un groupe tend stochastiquement \u00e0 exc\u00e9der celle de l’autre groupe. Si les formes des distributions des deux populations sont approximativement identiques, le test permet de statuer sur l’\u00e9galit\u00e9 formelle des m\u00e9dianes.<\/p>\n

                Sous SAS, cette analyse non param\u00e9trique s’ex\u00e9cute avec une extr\u00eame fluidit\u00e9 gr\u00e2ce \u00e0 la proc\u00e9dure PROC NPAR1WAY<\/strong>, comme l’illustre la syntaxe canonique suivante :<\/p>\n

                proc npar1way data=test_cognitif wilcoxon;
                \n  class Groupe;
                \n  var Score_Memoire;
                \nrun;<\/strong><\/p>\n

                La sortie produite par SAS fournit la somme des rangs pour chaque groupe, le score z asymptotique normal standardis\u00e9 ainsi que la probabilit\u00e9 exacte bilat\u00e9rale calcul\u00e9e par permutations combinatoires (particuli\u00e8rement pr\u00e9cieuse sur de faibles effectifs), offrant une parade m\u00e9thodologique imperm\u00e9able aux d\u00e9viations de normalit\u00e9.<\/p>\n

                11.2 Transformations math\u00e9matiques pr\u00e9alables des donn\u00e9es<\/h3>\n

                Une alternative \u00e9l\u00e9gante au passage vers le non-param\u00e9trique consiste \u00e0 appliquer une transformation math\u00e9matique continue \u00e0 la variable d\u00e9pendante brute au sein de l’\u00e9tape DATA, dans le but explicite de rapprocher sa distribution de la loi normale et de stabiliser ses variances entre les groupes. Cette approche pr\u00e9serve le cadre de mod\u00e9lisation param\u00e9trique et autorise le maintien de la proc\u00e9dure PROC TTEST classique.<\/p>\n

                Le choix de la fonction de transformation d\u00e9pend directement de la nature g\u00e9om\u00e9trique de l’asym\u00e9trie d\u00e9cel\u00e9e :<\/p>\n