Cohen<\/figcaption><\/figure>\nCette propri\u00e9t\u00e9 m\u00e9trique invariante conf\u00e8re au d de Cohen une neutralit\u00e9 dimensionnelle remarquable. Un score de d \u00e9quivalent \u00e0 0,5 indique que la moyenne du groupe exp\u00e9rimental se situe exactement \u00e0 un demi-\u00e9cart-type au-dessus de celle du groupe t\u00e9moin, ind\u00e9pendamment de l’amplitude absolue des chiffres originaux. Cette universalit\u00e9 rend possible la m\u00e9ta-analyse, c’est-\u00e0-dire l’agr\u00e9gation statistique et la synth\u00e8se quantitative d’\u00e9tudes ayant op\u00e9rationnalis\u00e9 un m\u00eame construit psychologique \u00e0 l’aide d’instruments de mesure radicalement distincts.<\/p>\n
Dans les paradigmes exp\u00e9rimentaux et quasi-exp\u00e9rimentaux des sciences comportementales, le d de Cohen constitue la pierre angulaire de l’\u00e9valuation des interventions th\u00e9rapeutiques, p\u00e9dagogiques ou ergonomiques. Il permet de r\u00e9pondre avec pr\u00e9cision \u00e0 la question pragmatique fondamentale : quelle est la force r\u00e9elle du b\u00e9n\u00e9fice induit par un traitement psychologique en comparaison d’un groupe contr\u00f4le sous placebo ? Cette quantification objective \u00e9claire directement les d\u00e9cisions m\u00e9dicales, m\u00e9dico-\u00e9conomiques et r\u00e9glementaires d’attribution de ressources.<\/p>\n
1.3 Pertinence et flexibilit\u00e9 de Microsoft Excel pour l’analyse statistique<\/h3>\n L’utilisation de logiciels statistiques programmatiques tels que R, Python ou SAS implique une courbe d’apprentissage technique abrupte, caract\u00e9ris\u00e9e par la ma\u00eetrise de la syntaxe de commande, de la gestion des biblioth\u00e8ques externes et du d\u00e9bogage de scripts complexes. Pour de nombreux chercheurs, praticiens de terrain, \u00e9tudiants en master ou cliniciens engag\u00e9s dans des recherches institutionnelles, cet investissement temporel repr\u00e9sente un co\u00fbt d’entr\u00e9e prohibitif susceptible de freiner l’exploration empirique de leurs donn\u00e9es.<\/p>\n
\u00c0 cet \u00e9gard, Microsoft Excel se distingue par une accessibilit\u00e9 universelle et une transparence analytique in\u00e9gal\u00e9e. Contrairement aux environnements d\u00e9di\u00e9s qui renvoient des sorties automatis\u00e9es sans r\u00e9v\u00e9ler les \u00e9quations sous-jacentes, un classeur Excel oblige le praticien \u00e0 construire la cha\u00eene logique du calcul statistique cellule par cellule. Cette explicitation pas-\u00e0-pas de l’algorithme garantit une ma\u00eetrise absolue de la variance pond\u00e9r\u00e9e, des degr\u00e9s de libert\u00e9 et de l’extraction des racines carr\u00e9es, \u00e9liminant les confusions s\u00e9mantiques entre variance d’\u00e9chantillon et variance de population.<\/p>\n
De surcro\u00eet, les capacit\u00e9s d’audit offertes par le tableur permettent de retracer l’origine de chaque variable, de valider la conformit\u00e9 des formules face aux donn\u00e9es brutes et de corriger instantan\u00e9ment les anomalies de saisie. Une fois conceptualis\u00e9e et valid\u00e9e, une matrice de calcul sous Excel se transforme en un gabarit dynamique p\u00e9renne, r\u00e9utilisable pour de futurs protocoles exp\u00e9rimentaux et facilement int\u00e9grable sous la forme d’annexes m\u00e9thodologiques interactives accompagnant les rapports scientifiques.<\/p>\n
2. Fondements math\u00e9matiques et formules du d de Cohen<\/h2>\n2.1 Formule canonique pour \u00e9chantillons ind\u00e9pendants<\/h3>\n La formulation alg\u00e9brique fondamentale du d de Cohen pour deux \u00e9chantillons ind\u00e9pendants repose sur le quotient de la diff\u00e9rence des moyennes d’\u00e9chantillon par l’\u00e9cart-type combin\u00e9, traditionnellement d\u00e9sign\u00e9 sous le terme de pooled standard deviation. L’expression g\u00e9n\u00e9rale s’\u00e9nonce selon la relation :<\/p>\n
d = (M1 – M2) \/ s_combine<\/strong><\/p>\nO\u00f9 M1 et M2 repr\u00e9sentent respectivement les moyennes arithm\u00e9tiques du premier groupe (fr\u00e9quemment le groupe exp\u00e9rimental) et du second groupe (le groupe t\u00e9moin ou contr\u00f4le). Le num\u00e9rateur \u00e9value l’ampleur absolue du d\u00e9calage centro\u00efde entre les deux distributions, tandis que le d\u00e9nominateur standardise cette quantit\u00e9 au moyen d’une estimation conjointe de la variabilit\u00e9 intra-groupe.<\/p>\n
L’\u00e9cart-type combin\u00e9 s_combine constitue l’\u00e9l\u00e9ment d\u00e9terminant de l’architecture math\u00e9matique du mod\u00e8le. Il repose sur l’hypoth\u00e8se classique d’homosc\u00e9dasticit\u00e9, selon laquelle les deux populations d’o\u00f9 sont extraits les \u00e9chantillons partagent une variance th\u00e9orique identique (sigma_1^2 = sigma_2^2 = sigma^2), la diff\u00e9rence observ\u00e9e entre s1 et s2 n’\u00e9tant imputable qu’aux fluctuations d’\u00e9chantillonnage al\u00e9atoire. L’estimateur combine donc les informations de dispersion internes aux deux conditions afin d’offrir une estimation plus robuste et plus pr\u00e9cise de cette variance commune non observable.<\/p>\n
Lorsque les effectifs convergent vers l’infini, la distribution d’\u00e9chantillonnage de cet estimateur tend asymptotiquement vers une loi normale centr\u00e9e sur le param\u00e8tre populationnel delta. Toutefois, pour des \u00e9chantillons finis, la statistique d n’est pas distribu\u00e9e de mani\u00e8re sym\u00e9trique autour de z\u00e9ro lorsque l’effet r\u00e9el est non nul, mais suit une distribution t de Student non-centrale, ce qui implique des pr\u00e9cautions th\u00e9oriques particuli\u00e8res lors de la d\u00e9rivation de ses propri\u00e9t\u00e9s stochastiques.<\/p>\n
2.2 \u00c9cart-type combin\u00e9 : cas des effectifs \u00e9gaux et in\u00e9gaux<\/h3>\n La d\u00e9rivation de l’\u00e9cart-type combin\u00e9 ob\u00e9it \u00e0 deux r\u00e9gimes math\u00e9matiques selon la sym\u00e9trie des effectifs observ\u00e9s. Dans le cas sp\u00e9cifique o\u00f9 les deux groupes pr\u00e9sentent une taille strictement identique (n1 = n2 = n), l’impact pond\u00e9rateur des effectifs s’annule, et la variance combin\u00e9e se r\u00e9duit \u00e0 la moyenne arithm\u00e9tique simple des variances d’\u00e9chantillon. L’expression de l’\u00e9cart-type combin\u00e9 devient :<\/p>\n
s_combine = RACINE( (s1^2 + s2^2) \/ 2 )<\/strong><\/p>\nD\u00e8s lors que les effectifs deviennent asym\u00e9triques (n1 distinct de n2), cette formulation simplifi\u00e9e devient arithm\u00e9tiquement caduque et m\u00e9thodologiquement trompeuse. Il est alors rigoureusement indispensable de pond\u00e9rer la variance de chaque groupe par ses degr\u00e9s de libert\u00e9 respectifs, d\u00e9finis par (n1 – 1) et (n2 – 1). L’expression canonique g\u00e9n\u00e9rale s’\u00e9tablit selon la formulation :<\/p>\n
s_combine = RACINE( ( (n1 – 1)*s1^2 + (n2 – 1)*s2^2 ) \/ (n1 + n2 – 2) )<\/strong><\/p>\nCette pond\u00e9ration par les degr\u00e9s de libert\u00e9 assure que l’\u00e9chantillon le plus vaste exerce une contribution proportionnellement plus d\u00e9terminante dans l’estimation de la variance r\u00e9siduelle conjointe. Le d\u00e9nominateur (n1 + n2 – 2) refl\u00e8te la somme cumulative des degr\u00e9s de libert\u00e9 associ\u00e9s aux deux estimations ind\u00e9pendantes de dispersion. Si l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 des variances est viol\u00e9e de mani\u00e8re conjointe avec une asym\u00e9trie d’effectif, l’estimateur combin\u00e9 devient biais\u00e9, contractant artificiellement l’\u00e9cart-type si le groupe le plus volumineux pr\u00e9sente la variance la plus faible, ou le dilatant dans le cas de figure inverse.<\/p>\n
2.3 Distinction cruciale entre d de Cohen et g de Hedges<\/h3>\n Bien que le d de Cohen soit universellement enseign\u00e9, il souffre d’un d\u00e9faut asymptotique document\u00e9 par le statisticien Larry Hedges : pour les \u00e9chantillons de petite taille (notamment lorsque l’effectif total N = n1 + n2 est inf\u00e9rieur \u00e0 20 ou 30 individus), l’estimateur d de Cohen tend \u00e0 surestimer syst\u00e9matiquement la taille d’effet de la population d’environ quelques pourcents. Ce biais d’\u00e9chantillonnage d\u00e9coule de la non-lin\u00e9arit\u00e9 de l’extraction de la racine carr\u00e9e lors du calcul de s_combine \u00e0 partir d’un nombre restreint de degr\u00e9s de libert\u00e9.<\/p>\n
Pour corriger cette d\u00e9formation stochastique, Hedges a formalis\u00e9 un estimateur non biais\u00e9, g\u00e9n\u00e9ralement d\u00e9sign\u00e9 sous le symbole g de Hedges. Cet indice applique un facteur multiplicatif d’ajustement J d\u00e9pendant directement du nombre total de degr\u00e9s de libert\u00e9 disponibles (not\u00e9 df = n1 + n2 – 2). La relation de conversion se r\u00e9sume par :<\/p>\n
g = d * J<\/strong><\/p>\nLe facteur de correction analytique exact repose sur l’\u00e9valuation de fonctions Gamma d’Euler, mais Larry Hedges a d\u00e9velopp\u00e9 une approximation polynomiale d’une fid\u00e9lit\u00e9 math\u00e9matique remarquable pour les calculs courants :<\/p>\n
J = 1 – ( 3 \/ (4 * (n1 + n2) – 9) )<\/strong><\/p>\nDans la litt\u00e9rature scientifique contemporaine, les normes de publication internationales (notamment celles de l’APA) encouragent express\u00e9ment l’utilisation du g de Hedges d\u00e8s lors que les cohortes n’atteignent pas des volum\u00e9tries massives. Cependant, une ambigu\u00eft\u00e9 terminologique persiste dans de nombreux logiciels o\u00f9 l’\u00e9tiquette \u00ab d de Cohen \u00bb renvoie en r\u00e9alit\u00e9 au g corrig\u00e9 sans avertissement explicite. Dans un classeur Excel, le concepteur conserve le pouvoir de distinguer scrupuleusement les deux m\u00e9triques et de pr\u00e9senter l’une et l’autre de mani\u00e8re transparente.<\/p>\n
3. Organisation architecturale des donn\u00e9es dans Microsoft Excel<\/h2>\n3.1 Structuration matricielle des donn\u00e9es brutes<\/h3>\n La fiabilit\u00e9 de toute d\u00e9marche statistique sous tableur d\u00e9pend directement de la propret\u00e9 de l’ing\u00e9nierie des donn\u00e9es en amont de l’\u00e9criture des formules. Pour traiter des donn\u00e9es empiriques non agr\u00e9g\u00e9es, la disposition optimale adopte une structure matricielle claire o\u00f9 chaque condition exp\u00e9rimentale occupe une colonne distincte d\u00e9di\u00e9e, par exemple la colonne A pour les observations du Groupe T\u00e9moin et la colonne B pour celles du Groupe Exp\u00e9rimental. Chaque ligne correspond \u00e0 un sujet ou participant unique.<\/p>\n
Il est imp\u00e9ratif d’op\u00e9rer un nettoyage pr\u00e9liminaire des plages num\u00e9riques. Les non-r\u00e9ponses, scores manquants ou abandons de protocole doivent \u00eatre trait\u00e9s sans introduire de valeurs z\u00e9ro implicites, lesquelles fausseraient dramatiquement le calcul des moyennes et des \u00e9carts-types. Excel ignore naturellement les cellules vides dans l’ex\u00e9cution de ses fonctions statistiques descriptives de base, ce qui constitue une protection intrins\u00e8que, \u00e0 la condition expresse qu’aucun caract\u00e8re alphanum\u00e9rique invisible, espace ins\u00e9cable ou mention textuelle (\u00ab NA \u00bb, \u00ab absent \u00bb) ne pollue la plage num\u00e9rique.<\/p>\n
De plus, l’analyste doit identifier d’\u00e9ventuelles valeurs aberrantes extr\u00eames (outliers). L’\u00e9cart-type \u00e9tant une m\u00e9trique quadratique par construction, une seule observation d\u00e9viante de plus de trois \u00e9carts-types de la moyenne exerce une influence disproportionn\u00e9e sur s1 ou s2, induisant une d\u00e9formation spectaculaire du d de Cohen. Pour p\u00e9renniser l’architecture des donn\u00e9es, il est fortement conseill\u00e9 de convertir les plages simples en \u00ab Tableaux structur\u00e9s \u00bb via le raccourci Ctrl + L<\/strong> ou l’onglet Insertion > Tableau<\/em>, ce qui permet la gestion dynamique et l’extension automatique des bornes de calcul lors de l’ajout ult\u00e9rieur de donn\u00e9es.<\/p>\n3.2 Organisation pour statistiques agr\u00e9g\u00e9es pr\u00e9calcul\u00e9es<\/h3>\n Dans de nombreuses configurations acad\u00e9miques, les donn\u00e9es primaires individuelles ne sont pas accessibles au chercheur. C’est le cas r\u00e9current lors de m\u00e9ta-analyses, de r\u00e9plications d’\u00e9tudes ou de l’exploitation d’articles publi\u00e9s o\u00f9 seules les statistiques descriptives r\u00e9sum\u00e9es figurent dans les tableaux de r\u00e9sultats. Excel se pr\u00eate admirably \u00e0 ce type d’architecture condens\u00e9e.<\/p>\nSummary data in Excel<\/figcaption><\/figure>\nLa structuration de la feuille de calcul doit alors organiser m\u00e9thodiquement les trois param\u00e8tres d’entr\u00e9e fondamentaux pour chaque groupe : la taille d’\u00e9chantillon n, la moyenne observ\u00e9e M et l’\u00e9cart-type s. Il convient d’am\u00e9nager une matrice de saisie explicite, positionn\u00e9e id\u00e9alement dans les premi\u00e8res lignes de la feuille de calcul, comme illustr\u00e9 dans l’architecture ci-dessous :<\/p>\n
\nCellule B2 : Effectif du Groupe 1 (n1)<\/li>\n Cellule B3 : Moyenne du Groupe 1 (M1)<\/li>\n Cellule B4 : \u00c9cart-type du Groupe 1 (s1)<\/li>\n Cellule C2 : Effectif du Groupe 2 (n2)<\/li>\n Cellule C3 : Moyenne du Groupe 2 (M2)<\/li>\n Cellule C4 : \u00c9cart-type du Groupe 2 (s2)<\/li>\n<\/ul>\nCette compartimentation spatiale \u00e9tanche entre les entr\u00e9es empiriques (lignes 2 \u00e0 4), les calculs interm\u00e9diaires de variance combin\u00e9e (lignes 6 \u00e0 8) et les cellules de synth\u00e8se finale (lignes 10 et suivantes) garantit une lisibilit\u00e9 maximale pour l’audit. L’attribution de \u00ab Noms d\u00e9finis \u00bb aux cellules via le Gestionnaire de noms<\/em> (par exemple nommer B3 \u00ab Moyenne_Exp \u00bb et C3 \u00ab Moyenne_Ctrl \u00bb) offre la possibilit\u00e9 d’\u00e9crire des formules litt\u00e9rales auto-document\u00e9es, \u00e9liminant les risques d’inversion d’adresses absolues ou relatives.<\/p>\n3.3 Contr\u00f4le typologique et validation des donn\u00e9es<\/h3>\n L’\u00e9cueil le plus destructeur sous Microsoft Excel concerne la gestion des typologies de donn\u00e9es et des s\u00e9parateurs r\u00e9gionaux. Selon la configuration linguistique du syst\u00e8me d’exploitation, le s\u00e9parateur d\u00e9cimal par d\u00e9faut peut \u00eatre la virgule (standard francophone) ou le point (standard anglo-saxon). L’importation brute de jeux de donn\u00e9es psychom\u00e9triques issus de logiciels param\u00e9tr\u00e9s en anglais convertit fr\u00e9quemment les d\u00e9cimales en cha\u00eenes de texte non calculables, g\u00e9n\u00e9rant des erreurs de syntaxe #VALEUR!<\/strong> ou excluant silencieusement les valeurs du calcul statistique.<\/p>\nPour pr\u00e9venir ces dysfonctionnements, il est pr\u00e9conis\u00e9 d’appliquer des r\u00e8gles strictes de \u00ab Validation des donn\u00e9es \u00bb (onglet Donn\u00e9es > Outils de donn\u00e9es > Validation des donn\u00e9es<\/em>). En restreignant la saisie des effectifs aux seuls \u00ab Nombres entiers \u00bb strictement sup\u00e9rieurs \u00e0 1 et celle des scores aux \u00ab D\u00e9cimaux \u00bb, le syst\u00e8me bloque instantan\u00e9ment toute faute de frappe alphanum\u00e9rique. Parall\u00e8lement, l’application d’un formatage num\u00e9rique explicite limitant l’affichage \u00e0 deux ou trois d\u00e9cimales standardise la restitution visuelle sans alt\u00e9rer la pr\u00e9cision computationnelle sous-jacente des registres \u00e0 virgule flottante d’Excel.<\/p>\nEnfin, l’insertion de commentaires de cellule structur\u00e9s ou de notes explicatives (via un clic droit sur les en-t\u00eates) documente la version du jeu de donn\u00e9es, la date d’extraction, la variable psychologique op\u00e9rationnalis\u00e9e et les \u00e9ventuelles transformations d’\u00e9chelle pr\u00e9alables, assurant une parfaite tra\u00e7abilit\u00e9 scientifique tout au long du cycle de vie du document.<\/p>\n
4. Calcul du d de Cohen \u00e0 partir de statistiques descriptives r\u00e9sum\u00e9es<\/h2>\n4.1 Configuration des cellules de param\u00e8tres<\/h3>\n L’impl\u00e9mentation op\u00e9rationnelle du calcul d\u00e9bute par l’encodage m\u00e9thodique des param\u00e8tres descriptifs extraits de la litt\u00e9rature ou des rapports d’essais pr\u00e9liminaires. Prenons pour illustration clinique l’\u00e9valuation de l’efficacit\u00e9 d’une th\u00e9rapie cognitivo-comportementale (TCC) administr\u00e9e pour r\u00e9duire l’anxi\u00e9t\u00e9 sociale. Le groupe exp\u00e9rimental comprend n1 = 25 patients pr\u00e9sentant une moyenne post-intervention M1 = 42,40 avec un \u00e9cart-type s1 = 8,10. Le groupe t\u00e9moin sur liste d’attente comprend n2 = 25 participants affichant une moyenne M2 = 50,60 et un \u00e9cart-type s2 = 8,90.<\/p>\n
Les donn\u00e9es sont encod\u00e9es dans une feuille de calcul Excel d\u00e9di\u00e9e selon la nomenclature g\u00e9om\u00e9trique suivante :<\/p>\n
\nCellule B2 : 25<\/strong> (taille de l’\u00e9chantillon exp\u00e9rimental n1)<\/li>\nCellule B3 : 42,4<\/strong> (moyenne de l’\u00e9chantillon exp\u00e9rimental M1)<\/li>\nCellule B4 : 8,1<\/strong> (\u00e9cart-type de l’\u00e9chantillon exp\u00e9rimental s1)<\/li>\nCellule C2 : 25<\/strong> (taille de l’\u00e9chantillon t\u00e9moin n2)<\/li>\nCellule C3 : 50,6<\/strong> (moyenne de l’\u00e9chantillon t\u00e9moin M2)<\/li>\nCellule C4 : 8,9<\/strong> (\u00e9cart-type de l’\u00e9chantillon t\u00e9moin s2)<\/li>\n<\/ul>\nAvant de proc\u00e9der \u00e0 l’\u00e9laboration de la formule d’inf\u00e9rence, une v\u00e9rification critique s’impose quant \u00e0 l’homog\u00e9n\u00e9it\u00e9 dimensionnelle des \u00e9carts-types. Ces derniers doivent obligatoirement \u00eatre exprim\u00e9s sur la m\u00eame \u00e9chelle m\u00e9trique que les moyennes associ\u00e9es et provenir d’estimateurs \u00e9chantillonnaux non biais\u00e9s divis\u00e9s par (n – 1), ce qui constitue la norme dans les publications biom\u00e9dicales et psychologiques contemporaines.<\/p>\n
4.2 Impl\u00e9mentation de l’\u00e9cart-type combin\u00e9 en syntaxe Excel<\/h3>\n La pierre d’angle du calcul r\u00e9side dans la transcription scrupuleuse de l’\u00e9cart-type combin\u00e9 pond\u00e9r\u00e9 au sein de l’environnement fonctionnel d’Excel. Pour traduire fid\u00e8lement l’\u00e9quation de la variance pond\u00e9r\u00e9e sous la racine carr\u00e9e, il est imp\u00e9ratif de respecter rigoureusement la priorit\u00e9 des op\u00e9rateurs alg\u00e9briques au moyen d’un parenth\u00e9sage m\u00e9thodique.<\/p>\n
Dans la cellule B6, nous calculons la somme des carr\u00e9s des \u00e9carts pond\u00e9r\u00e9e par les degr\u00e9s de libert\u00e9, qui constitue le num\u00e9rateur de la variance combin\u00e9e. La syntaxe exacte s’\u00e9nonce :<\/p>\n
=(B2-1)*PUISSANCE(B4;2) + (C2-1)*PUISSANCE(C4;2)<\/strong><\/p>\nDans la cellule B7, le d\u00e9nominateur correspondant au cumul des degr\u00e9s de libert\u00e9 totaux est encod\u00e9 par la formulation simple :<\/p>\n
=B2 + C2 – 2<\/strong><\/p>\nDifference in means calculation in Excel<\/figcaption><\/figure>\nL’extraction de l’\u00e9cart-type combin\u00e9 final s’op\u00e8re dans la cellule B8 via la fonction native RACINE<\/strong>, calculant la racine carr\u00e9e du quotient de ces deux quantit\u00e9s interm\u00e9diaires :<\/p>\n=RACINE(B6 \/ B7)<\/strong><\/p>\nEn substituant les valeurs empiriques de notre exemple, nous obtenons une variance combin\u00e9e de 72,41, dont la racine carr\u00e9e nous donne un s_combine de 8,5094. La validation interm\u00e9diaire de cette valeur s’av\u00e8re indispensable : s_combine doit imp\u00e9rativement s’ins\u00e9rer dans l’intervalle d\u00e9limit\u00e9 par s1 et s2 (ici entre 8,10 et 8,90). Toute sortie num\u00e9rique ext\u00e9rieure \u00e0 cette enveloppe t\u00e9moigne sans \u00e9quivoque d’une erreur d’encodage parenth\u00e9tique ou de l’inversion d’une puissance.<\/p>\n
4.3 Calcul final et affichage de l’indice standardis\u00e9<\/h3>\n Une fois l’\u00e9cart-type combin\u00e9 s_combine rigoureusement stabilis\u00e9 dans la cellule B8, l’obtention du d de Cohen standardis\u00e9 r\u00e9sulte d’une division \u00e9l\u00e9mentaire de la diff\u00e9rence des moyennes centro\u00efdes par cet estimateur de dispersion. L’attribution de la cellule B10 accueille la formulation :<\/p>\n
=(B3 – C3) \/ B8<\/strong><\/p>\nDans notre cas exp\u00e9rimental, le r\u00e9sultat renvoie la valeur -0,9636. Le signe n\u00e9gatif traduit le fait que le groupe exp\u00e9rimental obtient des scores d’anxi\u00e9t\u00e9 inf\u00e9rieurs \u00e0 ceux du groupe t\u00e9moin, validant l’efficacit\u00e9 th\u00e9orique de la th\u00e9rapie. La gestion du signe d\u00e9pend strictement de la formulation des hypoth\u00e8ses de recherche : si la variable \u00e9valu\u00e9e \u00e9tait une mesure d’estime de soi o\u00f9 une progression positive est recherch\u00e9e, l’ordre du num\u00e9rateur pourrait \u00eatre invers\u00e9 pour pr\u00e9senter un indice positif, ou maintenu tel quel en explicitant rigoureusement le groupe de r\u00e9f\u00e9rence.<\/p>\n
Pour les analystes souhaitant condenser l’int\u00e9gralit\u00e9 du calcul dans une seule cellule monolithique autonome sans cellules interm\u00e9diaires, Excel autorise l’imbrication compl\u00e8te suivante :<\/p>\n
=(B3 – C3) \/ RACINE( (((B2-1)*B4^2) + ((C2-1)*C4^2)) \/ (B2+C2-2) )<\/strong><\/p>\nBien que compacte, cette formule monobloc exige une vigilance extr\u00eame lors de sa relecture. Enfin, pour enrichir visuellement le tableau de bord clinique, une r\u00e8gle de \u00ab Mise en forme conditionnelle \u00bb (onglet Accueil > Style > Mise en forme conditionnelle<\/em>) peut \u00eatre superpos\u00e9e \u00e0 la cellule B10 afin de colorer automatiquement le r\u00e9sultat selon les seuils conventionnels d’amplitude d’effet (vert pour |d| sup\u00e9rieur \u00e0 0,8, jaune pour |d| sup\u00e9rieur \u00e0 0,5, orange pour |d| sup\u00e9rieur \u00e0 0,2).<\/p>\n5. Calcul du d de Cohen pour \u00e9chantillons ind\u00e9pendants \u00e0 partir de donn\u00e9es brutes<\/h2>\n5.1 Extraction automatis\u00e9e des param\u00e8tres statistiques descriptifs<\/h3>\n Lorsque le chercheur dispose du jeu de donn\u00e9es primaires issu des passations exp\u00e9rimentales, il est nettement plus \u00e9l\u00e9gant et robuste de mobiliser les fonctions d’agr\u00e9gation statistique automatis\u00e9es d’Excel plut\u00f4t que de saisir manuellement des donn\u00e9es r\u00e9sum\u00e9es. Supposons que les scores du Groupe 1 (exp\u00e9rimental) soient align\u00e9s dans la colonne A, de la cellule A2 \u00e0 A31 (soit 30 participants), et ceux du Groupe 2 (contr\u00f4le) dans la colonne B, de la cellule B2 \u00e0 B31.<\/p>\n
La premi\u00e8re phase algorithmique consiste \u00e0 extraire les trois param\u00e8tres cl\u00e9s de chaque s\u00e9rie au moyen des fonctions internes :<\/p>\n
\nPour le d\u00e9nombrement effectif : =NB(A2:A31)<\/strong> en cellule D2 et =NB(B2:B31)<\/strong> en cellule E2. La fonction NB<\/strong> poss\u00e8de l’avantage capital de ne compter exclusivement que les cellules contenant des valeurs num\u00e9riques valides, neutralisant d’embl\u00e9e les cellules vides accidentelles.<\/li>\nPour la moyenne arithm\u00e9tique : =MOYENNE(A2:A31)<\/strong> en D3 et =MOYENNE(B2:B31)<\/strong> en E3.<\/li>\nPour la dispersion standardis\u00e9e : =ECARTYPE.STANDARD(A2:A31)<\/strong> en D4 et =ECARTYPE.STANDARD(B2:B31)<\/strong> en E4.<\/li>\n<\/ul>\nUne distinction m\u00e9thodologique capitale s’impose ici quant au choix de la fonction d’\u00e9cart-type. Excel propose traditionnellement ECARTYPE.STANDARD<\/strong> (anciennement ECARTYPE<\/strong> dans les versions ant\u00e9rieures) et ECARTYPE.PEARSON<\/strong> (ou ECARTYPEP<\/strong>). La fonction ECARTYPE.STANDARD<\/strong> divise la somme des carr\u00e9s des \u00e9carts \u00e0 la moyenne par (n – 1), produisant l’estimateur sans biais de la variance d’\u00e9chantillon pr\u00e9conis\u00e9 par la th\u00e9orie de l’\u00e9chantillonnage statistique. \u00c0 l’inverse, ECARTYPE.PEARSON<\/strong> divise par la valeur brute n, correspondant \u00e0 la variance populationnelle exhaustive. L’usage de cette derni\u00e8re fonction dans le cadre d’un calcul de d de Cohen sur donn\u00e9es \u00e9chantillonnantes constituerait une erreur de mod\u00e9lisation conduisant \u00e0 une sous-estimation syst\u00e9matique de l’\u00e9cart-type et donc \u00e0 une sur\u00e9valuation artificielle de la taille d’effet.<\/p>\n5.2 Construction modulaire des \u00e9tapes de variance pond\u00e9r\u00e9e<\/h3>\n Apr\u00e8s extraction des param\u00e8tres descriptifs de base, l’architecture analytique proc\u00e8de \u00e0 l’agr\u00e9gation de la dispersion intra-groupe. Bien qu’il soit th\u00e9oriquement envisageable de d\u00e9river cette quantit\u00e9 via une analyse de variance univari\u00e9e (ANOVA) en extrayant le carr\u00e9 moyen r\u00e9siduel (Mean Square Error ou MSE), la construction directe \u00e0 partir des variances individuelles sous Excel demeure la d\u00e9marche la plus p\u00e9dagogique et la plus s\u00fbre.<\/p>\n
Les degr\u00e9s de libert\u00e9 respectifs sont formalis\u00e9s dans deux cellules adjacentes :<\/p>\n
=D2 – 1<\/strong> (en cellule D6 pour le Groupe 1) et =E2 – 1<\/strong> (en cellule E6 pour le Groupe 2).<\/p>\nLa somme globale des degr\u00e9s de libert\u00e9 s’\u00e9tablit en cellule D7 au moyen de l’expression :<\/p>\n
=D6 + E6<\/strong><\/p>\nPour d\u00e9river le num\u00e9rateur de la variance combin\u00e9e sans multiplier les colonnes d’\u00e9carts carr\u00e9s individuels, nous exploitons la formule math\u00e9matique en combinant directement les cellules de param\u00e8tres pr\u00e9calcul\u00e9es :<\/p>\n
=(D6 * PUISSANCE(D4; 2)) + (E6 * PUISSANCE(E4; 2))<\/strong><\/p>\nL’\u00e9cart-type combin\u00e9 s’obtient alors en cellule D8 par la fonction racine appliqu\u00e9e au ratio du num\u00e9rateur par la somme des degr\u00e9s de libert\u00e9 :<\/p>\n
=RACINE( ((D6 * PUISSANCE(D4; 2)) + (E6 * PUISSANCE(E4; 2))) \/ D7 )<\/strong><\/p>\nCette d\u00e9composition modulaire permet de v\u00e9rifier en temps r\u00e9el la concordance parfaite avec les sorties logicielles de progiciels sp\u00e9cialis\u00e9s de r\u00e9f\u00e9rence tels que SPSS, Jamovi ou Prism. Toute divergence au-del\u00e0 de la quatri\u00e8me d\u00e9cimale refl\u00e9terait g\u00e9n\u00e9ralement un arrondi pr\u00e9matur\u00e9 op\u00e9r\u00e9 sur les entr\u00e9es descriptives ou une confusion sur les degr\u00e9s de libert\u00e9.<\/p>\n
5.3 Synth\u00e8se et calcul de la taille d’effet globale<\/h3>\n Le calcul final du d de Cohen s’ex\u00e9cute dans une cellule de synth\u00e8se d\u00e9di\u00e9e, par exemple la cellule D10, en reliant dynamiquement le num\u00e9rateur de divergence centro\u00efde \u00e0 l’\u00e9cart-type combin\u00e9 valid\u00e9 :<\/p>\n
=(D3 – E3) \/ D8<\/strong><\/p>\nL’immense valeur ajout\u00e9e de cette mod\u00e9lisation r\u00e9side dans sa r\u00e9activit\u00e9 algorithmique totale. Si un nouveau participant est recrut\u00e9 au sein de la cohorte exp\u00e9rimentale et que sa mesure est ins\u00e9r\u00e9e dans la plage active de la colonne A (ou si des donn\u00e9es erron\u00e9es sont rectifi\u00e9es), l’ensemble de la cha\u00eene inf\u00e9rentielle s’actualise instantan\u00e9ment, recalibrant automatiquement la taille n, la moyenne arithm\u00e9tique, l’\u00e9cart-type d’\u00e9chantillon, la pond\u00e9ration des degr\u00e9s de libert\u00e9 et l’indice standardis\u00e9 final.<\/p>\n
Dans l’\u00e9ventualit\u00e9 clinique pathologique o\u00f9 un groupe pr\u00e9senterait une variance strictement nulle (par exemple si tous les participants saturaient au plafond d’une \u00e9chelle psychom\u00e9trique en obtenant un score invariable), Excel renverrait logiquement l’erreur d’interruption arithm\u00e9tique #DIV\/0!<\/strong>. Pour s\u00e9curiser la pr\u00e9sentation op\u00e9rationnelle des classeurs de laboratoire, il est recommand\u00e9 d’encadrer l’expression au moyen de la fonction SI.NON.DISP<\/strong> ou SIERREUR<\/strong> :<\/p>\n=SIERREUR((D3 – E3) \/ D8; \u00ab\u00a0Variance nulle ou effectif insuffisant\u00a0\u00bb)<\/strong><\/p>\nCette pr\u00e9caution \u00e9vite la propagation de codes d’erreur disgracieux \u00e0 travers les feuilles d\u00e9pendantes du classeur lors des phases de saisie progressive des donn\u00e9es.<\/p>\n
6. Traitement des \u00e9chantillons ind\u00e9pendants \u00e0 effectifs in\u00e9gaux<\/h2>\n6.1 Asym\u00e9trie des groupes et distorsion de l’\u00e9cart-type<\/h3>\n Dans les protocoles de recherche en sciences humaines et m\u00e9dicales, l’\u00e9galit\u00e9 stricte des effectifs entre conditions constitue une situation exceptionnelle. L’attrition exp\u00e9rimentale (abandon de participants en cours d’\u00e9tude), les donn\u00e9es inexploitables pour artefacts physiologiques, ou la raret\u00e9 inh\u00e9rente \u00e0 certaines pathologies cliniques conduisent quasi-syst\u00e9matiquement \u00e0 des jeux de donn\u00e9es d\u00e9s\u00e9quilibr\u00e9s (par exemple un groupe contr\u00f4le de n2 = 120 individus confront\u00e9 \u00e0 une cohorte clinique rare de n1 = 28 patients).<\/p>\n
Une tentation erron\u00e9e, observ\u00e9e de mani\u00e8re r\u00e9currente chez les utilisateurs novices d’Excel, consiste \u00e0 calculer une moyenne arithm\u00e9tique brute des deux \u00e9carts-types au d\u00e9nominateur : (s1 + s2) \/ 2. Cette d\u00e9marche ignore totalement le poids stochastique respectif des \u00e9chantillons. En effet, un \u00e9chantillon de grande taille fournit une estimation de la dispersion de la population consid\u00e9rablement plus stable et dot\u00e9e d’une erreur d’\u00e9chantillonnage bien plus faible qu’un petit \u00e9chantillon sujet aux fluctuations du hasard.<\/p>\n
Le danger m\u00e9thodologique atteint son paroxysme lorsque l’asym\u00e9trie des tailles de groupes se conjugue \u00e0 une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 marqu\u00e9e des variances (h\u00e9t\u00e9rosc\u00e9dasticit\u00e9). Si le grand \u00e9chantillon pr\u00e9sente une dispersion restreinte tandis que le petit \u00e9chantillon affiche une forte variance, l’estimateur combin\u00e9 standard sans pond\u00e9ration rigoureuse par les degr\u00e9s de libert\u00e9 produit une sous-estimation substantielle de la variabilit\u00e9 globale, gonflant artificiellement le d de Cohen et g\u00e9n\u00e9rant un risque alarmant de faux positifs scientifiques.<\/p>\n
6.2 Impl\u00e9mentation sous Excel de la formule pond\u00e9r\u00e9e compl\u00e8te<\/h3>\n Pour impl\u00e9menter de fa\u00e7on \u00e9l\u00e9gante et infaillible l’\u00e9quation compl\u00e8te de la variance combin\u00e9e pour effectifs in\u00e9gaux sans saturer la formule de parenth\u00e8ses complexes, il est possible d’exploiter la fonction native SOMMEPROD<\/strong> d’Excel. Cette fonction calcule la somme des produits de plages ou matrices homologues, rationalisant l’\u00e9criture matricielle des pond\u00e9rations de degr\u00e9s de libert\u00e9.<\/p>\nConsid\u00e9rons une configuration o\u00f9 les degr\u00e9s de libert\u00e9 (n1 – 1) et (n2 – 1) occupent respectivement les cellules B6 et C6, et les variances respectives (s1^2 et s2^2) occupent les cellules B7 et C7. Le num\u00e9rateur pond\u00e9r\u00e9 se calcule par :<\/p>\n
=SOMMEPROD(B6:C6; B7:C7)<\/strong><\/p>\nLa formule finale de l’\u00e9cart-type combin\u00e9 s’\u00e9crit alors de mani\u00e8re tr\u00e8s compacte en divisant cette somme vectorielle par la somme des degr\u00e9s de libert\u00e9 :<\/p>\n
=RACINE( SOMMEPROD(B6:C6; B7:C7) \/ SOMME(B6:C6) )<\/strong><\/p>\nPour \u00e9prouver la robustesse de l’algorithme sous Excel, il est opportun de proc\u00e9der \u00e0 une validation crois\u00e9e sur un cas test document\u00e9 : soit Groupe 1 avec n1 = 15, M1 = 110, s1 = 12 ; Groupe 2 avec n2 = 45, M2 = 102, s2 = 18. Le cumul des degr\u00e9s de libert\u00e9 s’\u00e9l\u00e8ve \u00e0 (15 – 1) + (45 – 1) = 58. La pond\u00e9ration des variances donne : (14 * 144) + (44 * 324) = 2016 + 14256 = 16272. La division par 58 octroie une variance combin\u00e9e de 280,5517, dont la racine carr\u00e9e livre un s_combine de 16,7497. Le d de Cohen s’\u00e9tablit \u00e0 (110 – 102) \/ 16,7497 = 0,4776. La formule bas\u00e9e sur SOMMEPROD<\/strong> restitue exactement cette valeur, garantissant une int\u00e9grit\u00e9 computationnelle parfaite sans le moindre biais d’arrondi interm\u00e9diaire.<\/p>\n6.3 Approche de Welch : le d de Cohen ajust\u00e9 pour variances h\u00e9t\u00e9rog\u00e8nes<\/h3>\n Lorsque le test de Levene indique une violation flagrante du postulat d’homog\u00e9n\u00e9it\u00e9 des variances (p inf\u00e9rieur \u00e0 0,05) et que les tailles de groupes diff\u00e8rent, le d de Cohen canonique cesse d’\u00eatre un estimateur fid\u00e8le. Dans ce contexte, la statistique param\u00e9trique inf\u00e9rentielle recourt au test t de Welch, qui n’agr\u00e8ge pas les variances mais ajuste les degr\u00e9s de libert\u00e9 via l’\u00e9quation de Welch-Satterthwaite. Par coh\u00e9rence th\u00e9orique, la taille d’effet doit elle-m\u00eame \u00eatre ajust\u00e9e pour refl\u00e9ter cette h\u00e9t\u00e9rosc\u00e9dasticit\u00e9.<\/p>\n
L’approche recommand\u00e9e par Delacre, Lakens et Leys (2017) consiste \u00e0 utiliser l’\u00e9cart-type de Welch comme d\u00e9nominateur de standardisation. Cet \u00e9cart-type ne combine pas les variances selon les degr\u00e9s de libert\u00e9, mais mod\u00e9lise la variance moyenne non pond\u00e9r\u00e9e des deux populations selon la relation :<\/p>\n
s_welch = RACINE( (s1^2 + s2^2) \/ 2 )<\/strong><\/p>\nLe d de Cohen ajust\u00e9 de Welch s’impl\u00e9mente sous Excel dans une cellule adjacente via la syntaxe explicite :<\/p>\n
=(B3 – C3) \/ RACINE( (PUISSANCE(B4; 2) + PUISSANCE(C4; 2)) \/ 2 )<\/strong><\/p>\nUne alternative tout aussi rigoureuse, pr\u00e9conis\u00e9e initialement par Gene Glass sous l’appellation Delta de Glass, consiste \u00e0 standardiser la diff\u00e9rence des moyennes exclusivement par l’\u00e9cart-type du groupe t\u00e9moin s2, postulant que ce groupe repr\u00e9sente la variabilit\u00e9 physiologique naturelle non alt\u00e9r\u00e9e par le protocole exp\u00e9rimental :<\/p>\n
=(B3 – C3) \/ C4<\/strong><\/p>\nLa comparaison juxtapos\u00e9e du d canonique, du d ajust\u00e9 de Welch et du Delta de Glass au sein du classeur Excel permet \u00e0 l’investigateur d’\u00e9valuer la sensibilit\u00e9 de ses inf\u00e9rences \u00e0 la violation des postulats statistiques fondamentaux.<\/p>\n
7. Calcul du d de Cohen pour mesures r\u00e9p\u00e9t\u00e9es et \u00e9chantillons appari\u00e9s<\/h2>\n7.1 Sp\u00e9cificit\u00e9s m\u00e9thodologiques des plans intra-sujets<\/h3>\n L’application du d de Cohen dans les plans factoriels intra-sujets (mesures r\u00e9p\u00e9t\u00e9es avant\/apr\u00e8s, cross-over ou appariements stricts) repr\u00e9sente l’une des zones d’erreurs m\u00e9thodologiques les plus denses de la litt\u00e9rature empirique. Dans une conception pr\u00e9-test\/post-test men\u00e9e sur les m\u00eames individus, les observations longitudinales sont intrins\u00e8quement d\u00e9pendantes les unes des autres. Il existe une corr\u00e9lation intra-classe positive substantielle entre le score initial et le score final d’un m\u00eame sujet.<\/p>\n
Or, de nombreux praticiens commettent la m\u00e9prise de traiter des donn\u00e9es appari\u00e9es au moyen des \u00e9quations destin\u00e9es aux \u00e9chantillons ind\u00e9pendants. Cette erreur de conception omet l’impact de la covariance intra-sujet, conduisant soit \u00e0 une estimation erron\u00e9e de la pr\u00e9cision du test, soit \u00e0 une ambigu\u00eft\u00e9 fondamentale quant \u00e0 la signification m\u00e9trique du r\u00e9sultat obtenu.<\/p>\n
La th\u00e9orie psychom\u00e9trique distingue formellement deux variantes principales du d pour mesures r\u00e9p\u00e9t\u00e9es :<\/p>\n
\nLe d de diff\u00e9rence appari\u00e9e, couramment symbolis\u00e9 d_z<\/strong>, qui rapporte la moyenne des variations individuelles \u00e0 l’\u00e9cart-type de ces m\u00eames variations.<\/li>\nLe d de mesures r\u00e9p\u00e9t\u00e9es standardis\u00e9 par les \u00e9carts-types d’origine, souvent not\u00e9 d_rm<\/strong> (repeated measures), qui r\u00e9int\u00e8gre la corr\u00e9lation de Pearson entre pr\u00e9-test et post-test pour exprimer l’effet sur l’\u00e9chelle originale de la variable mesur\u00e9e, conform\u00e9ment aux pr\u00e9conisations de Dunlap, Cortina, Vaslow et Burke (1996) ainsi que de Morris et DeShon (2002).<\/li>\n<\/ul>\n7.2 Calcul de l’\u00e9cart-type des diff\u00e9rences (d_z) sous Excel<\/h3>\n L’indice d_z<\/strong> s’impose comme la m\u00e9trique naturelle lorsque l’investigateur s’int\u00e9resse \u00e0 la significativit\u00e9 du changement individuel brut ou lorsqu’il planifie des calculs de puissance a priori pour de futurs protocoles appari\u00e9s via des utilitaires comme G*Power. Cet indice est directement proportionnel \u00e0 la statistique du test t de Student pour \u00e9chantillons appari\u00e9s selon la relation math\u00e9matique canonique : t = d_z * RACINE(n).<\/p>\nPour calculer d_z sous Excel \u00e0 partir des donn\u00e9es brutes de n participants soumis \u00e0 une \u00e9valuation pr\u00e9-test (colonne A, cellules A2 \u00e0 A26) et post-test (colonne B, cellules B2 \u00e0 B26), la m\u00e9thode s’articule comme suit :<\/p>\n
Cr\u00e9ation d’une troisi\u00e8me colonne diff\u00e9rentielle (colonne C) intitul\u00e9e \u00ab Diff\u00e9rence (Post – Pr\u00e9) \u00bb. Dans la cellule C2, entrez la formule de soustraction \u00e9l\u00e9mentaire :<\/p>\n
=B2 – A2<\/strong><\/p>\n\u00c9tirez cette formule vers le bas jusqu’\u00e0 la cellule C26 pour obtenir le vecteur complet des gains individuels.<\/p>\n
Dans la zone des r\u00e9sultats de synth\u00e8se, extrayez les param\u00e8tres descriptifs de cette colonne diff\u00e9rentielle :<\/p>\n
\nCellule E2 (Moyenne des diff\u00e9rences) : =MOYENNE(C2:C26)<\/strong><\/li>\nCellule E3 (\u00c9cart-type des diff\u00e9rences) : =ECARTYPE.STANDARD(C2:C26)<\/strong><\/li>\n<\/ul>\nLe calcul de d_z s’ex\u00e9cute dans la cellule E5 par le ratio direct de ces deux quantit\u00e9s :<\/p>\n
=E2 \/ E3<\/strong><\/p>\nCette approche est d’une simplicit\u00e9 d\u00e9sarmante, mais pr\u00e9sente un \u00e9cueil interpr\u00e9tatif majeur : si la corr\u00e9lation pr\u00e9-post r est tr\u00e8s \u00e9lev\u00e9e (par exemple r = 0,80), l’\u00e9cart-type des diff\u00e9rences s_diff sera m\u00e9caniquement beaucoup plus faible que les \u00e9carts-types observ\u00e9s lors des phases de r\u00e9f\u00e9rence, propulsant d_z \u00e0 des niveaux artificiellement gonfl\u00e9s qui ne peuvent \u00eatre compar\u00e9s directement aux d issus de plans \u00e0 groupes ind\u00e9pendants.<\/p>\n
7.3 Calcul du d de Cohen bas\u00e9 sur la corr\u00e9lation (d_rm) sous Excel<\/h3>\n Pour r\u00e9aligner la m\u00e9trique de l’effet d’un plan appari\u00e9 sur celle d’un plan ind\u00e9pendant et autoriser l’int\u00e9gration des r\u00e9sultats au sein de m\u00e9ta-analyses exhaustives, il est indispensable de recourir \u00e0 l’indice standardis\u00e9 d_rm<\/strong>. Cet indice s’appuie sur la formule de Morris et DeShon :<\/p>\nd_rm = ( (M_post – M_pre) \/ RACINE(s_pre^2 + s_post^2 – 2*r*s_pre*s_post) ) * RACINE(2 * (1 – r))<\/strong><\/p>\nCette expression sophistiqu\u00e9e neutralise le coefficient de corr\u00e9lation de fa\u00e7on \u00e0 restaurer l’unit\u00e9 de variance originale du construit psychologique sous-jacent. L’impl\u00e9mentation op\u00e9rationnelle sous Excel se structure rigoureusement comme suit :<\/p>\n
En cellule E7, calcul du coefficient de corr\u00e9lation lin\u00e9aire de Pearson entre les scores avant et apr\u00e8s traitement au moyen de la fonction native interne :<\/p>\n
=COEFFICIENT.CORRELATION(A2:A26; B2:B26)<\/strong><\/p>\nEn cellule E8, calcul de la moyenne de r\u00e9f\u00e9rence pr\u00e9-test et en E9 de la moyenne post-test via la fonction MOYENNE<\/strong>.<\/p>\nEn cellule E10 et E11, extraction des \u00e9carts-types initiaux et finaux via la fonction ECARTYPE.STANDARD<\/strong>.<\/p>\nLe d\u00e9nominateur sp\u00e9cifique de la diff\u00e9rence corrig\u00e9e est calcul\u00e9 en cellule E13 :<\/p>\n
=RACINE( PUISSANCE(E10;2) + PUISSANCE(E11;2) – (2 * E7 * E10 * E11) )<\/strong><\/p>\nEnfin, la taille d’effet standardis\u00e9e d_rm<\/strong> s’\u00e9tablit en cellule E15 par l’\u00e9quation g\u00e9n\u00e9rale :<\/p>\n=((E9 – E8) \/ E13) * RACINE(2 * (1 – E7))<\/strong><\/p>\nLa confrontation de d_z et d_rm sur un jeu de donn\u00e9es r\u00e9el permet de mesurer la port\u00e9e de cet arbitrage : sur une cohorte o\u00f9 r = 0,75, un d_z calcul\u00e9 \u00e0 1,20 correspondra en r\u00e9alit\u00e9 \u00e0 un d_rm de 0,85. Omettre cette distinction revient \u00e0 surestimer massivement l’efficacit\u00e9 clinique de l’intervention rapport\u00e9e dans les comptes rendus d’\u00e9valuation.<\/p>\n
8. Correction de Hedges pour les petits \u00e9chantillons dans Excel<\/h2>\n8.1 Origine et impact du biais d’\u00e9chantillonnage r\u00e9duit<\/h3>\n La th\u00e9orie asymptotique standard postule que l’estimateur de la variance combin\u00e9e converge fid\u00e8lement vers le param\u00e8tre de population \u00e0 mesure que la taille d’\u00e9chantillon cro\u00eet. Cependant, dans les cohortes restreintes courantes en recherche clinique (par exemple des protocoles d’imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle ou d’\u00e9tudes pilotes portant sur n1 = n2 = 8 participants), la distribution du d de Cohen exhibe une asym\u00e9trie r\u00e9siduelle substantielle.<\/p>\n
Ce biais syst\u00e9matique trouve son origine stochastique dans le fait que l’esp\u00e9rance math\u00e9matique de l’inverse de la racine carr\u00e9e d’une variable al\u00e9atoire distribu\u00e9e selon une loi de chi-carr\u00e9 ne correspond pas \u00e0 l’inverse de la racine carr\u00e9e de son esp\u00e9rance : E[1\/s] est strictement sup\u00e9rieur \u00e0 1\/sigma. Il en r\u00e9sulte que le d de Cohen tend math\u00e9matiquement \u00e0 surestimer la v\u00e9ritable taille d’effet d’une proportion inversement proportionnelle aux degr\u00e9s de libert\u00e9 globaux.<\/p>\n
D\u00e8s lors que la taille totale de l’\u00e9chantillon N = n1 + n2 franchit un seuil inf\u00e9rieur \u00e0 30 ou 40 participants, l’utilisation de l’estimateur sans biais g de Hedges devient une obligation m\u00e9thodologique pour satisfaire aux crit\u00e8res de rigueur scientifique. L’estimateur g \u00e9limine ce biais structurel et garantit que l’esp\u00e9rance de la statistique d’effet co\u00efncide rigoureusement avec le param\u00e8tre delta de la population \u00e9tudi\u00e9e.<\/p>\n
8.2 Impl\u00e9mentation du facteur de correction J dans Excel<\/h3>\n Le r\u00e9tablissement de la neutralit\u00e9 stochastique n\u00e9cessite l’application d’un facteur correcteur multiplicatif J. Deux m\u00e9thodologies d’impl\u00e9mentation algorithmique sont envisageables au sein de Microsoft Excel : l’approximation polynomiale de Hedges et la formule analytique exacte mobilisant la fonction gamma.<\/p>\n
L’approximation polynomiale, d’une \u00e9l\u00e9gance et d’une simplicit\u00e9 remarquables, s’impl\u00e9mente imm\u00e9diatement. Si le total cumul\u00e9 des effectifs (n1 + n2) r\u00e9side en cellule D2, le facteur J s’\u00e9crit en cellule D12 selon la syntaxe suivante :<\/p>\n
=1 – (3 \/ (4 * D2 – 9))<\/strong><\/p>\nPour les m\u00e9thodologistes exigeant une pr\u00e9cision arithm\u00e9tique absolue exempte de la moindre approximation polynomiale, Excel dispose d’une fonction math\u00e9matique avanc\u00e9e permettant d’ex\u00e9cuter la formule exacte : GAMMA.LN<\/strong> (qui renvoie le logarithme n\u00e9p\u00e9rien de la fonction Gamma d’Euler). La formulation exacte de Hedges s’\u00e9nonce :<\/p>\nJ_exact = EXP( GAMMA.LN(df\/2) – (0,5 * LN(df\/2) + GAMMA.LN((df – 1)\/2)) )<\/strong><\/p>\nEn admettant que les degr\u00e9s de libert\u00e9 totaux df = (n1 + n2 – 2) se situent dans la cellule D7, cette \u00e9quation exacte se traduit sous Excel par la syntaxe experte suivante :<\/p>\n
=EXP(GAMMA.LN(D7\/2) – (0,5*LN(D7\/2) + GAMMA.LN((D7-1)\/2)))<\/strong><\/p>\nL’analyse comparative des valeurs renvoy\u00e9es d\u00e9montre que pour df = 10, l’approximation fournit J = 0,9231 tandis que la fonction exacte produit J = 0,9236. Cet \u00e9cart infinit\u00e9simal de l’ordre de 0,05 % atteste de l’excellence de l’approximation de base pour la quasi-totalit\u00e9 des travaux de recherche contemporains, bien que la formulation exacte conf\u00e8re une \u00e9l\u00e9gance formelle indiscutable au classeur d’analyse.<\/p>\n
8.3 Conversion op\u00e9rationnelle du d de Cohen en g de Hedges<\/h3>\n La transformation finale s’op\u00e8re par une multiplication scalaire directe entre le d de Cohen brut calcul\u00e9 pr\u00e9alablement (cellule D10) et le facteur d’ajustement J stabilis\u00e9 en cellule D12. La cellule finale D14 accueille la formule :<\/p>\n
=D10 * D12<\/strong><\/p>\nIl est particuli\u00e8rement instructif de structurer un tableau r\u00e9capitulatif comparant syst\u00e9matiquement les deux indices, ainsi que leur pourcentage relatif de distorsion. Une ligne de diagnostic peut afficher le taux d’ajustement :<\/p>\n
=(D14 – D10) \/ D10<\/strong> (format\u00e9e en pourcentage avec deux d\u00e9cimales).<\/p>\nCe tableau met imm\u00e9diatement en exergue l’impact de la correction : sur un \u00e9chantillon total de N = 12 sujets avec un d brut observ\u00e9 de 0,80, le passage au g de Hedges ram\u00e8ne l’effet standardis\u00e9 \u00e0 environ 0,74, pr\u00e9venant ainsi toute conclusion enthousiaste infond\u00e9e relative \u00e0 une efficacit\u00e9 clinique potentiellement sur\u00e9valu\u00e9e. Dans les rapports acad\u00e9miques soumis aux comit\u00e9s de lecture internationaux, la formulation de transcription adoptera la syntaxe canonique : g de Hedges = 0,74 (d de Cohen non corrig\u00e9 = 0,80)<\/em>, assurant une conformit\u00e9 parfaite avec les crit\u00e8res \u00e9ditoriaux les plus stricts.<\/p>\n9. Calcul des intervalles de confiance du d de Cohen sous Excel<\/h2>\n9.1 Importance inf\u00e9rentielle des intervalles de confiance<\/h3>\n Une taille d’effet ponctuelle, qu’il s’agisse d’un d de Cohen ou d’un g de Hedges, ne constitue qu’une estimation isol\u00e9e extraite d’une distribution d’\u00e9chantillonnage stochastique soumise aux al\u00e9as de la variabilit\u00e9 exp\u00e9rimentale. Pr\u00e9senter un d de 0,50 sans qualifier son degr\u00e9 d’incertitude m\u00e9trologique constitue une lacune analytique majeure, car ce r\u00e9sultat peut tout aussi bien masquer un intervalle de confiance compris entre 0,40 et 0,60 (d\u00e9montrant une pr\u00e9cision exp\u00e9rimentale robuste sur un \u00e9chantillon volumineux) qu’un intervalle oscillant entre -0,10 et 1,10 (r\u00e9v\u00e9lant une ind\u00e9cision totale sur un petit \u00e9chantillon o\u00f9 l’effet r\u00e9el est compatible avec une r\u00e9gression ou une absence totale d’action).<\/p>\n
L’intervalle de confiance (IC) \u00e0 95% quantifie l’espace param\u00e9trique qui, sous r\u00e9serve de la r\u00e9p\u00e9tition infinie du protocole d’\u00e9chantillonnage dans des conditions strictement analogues, contiendrait la v\u00e9ritable taille d’effet populationnelle delta dans exactement 95% des r\u00e9alisations empiriques. Si cet intervalle englobe la valeur z\u00e9ro, le praticien en d\u00e9duit imm\u00e9diatement que les donn\u00e9es observ\u00e9es ne permettent pas d’\u00e9carter l’hypoth\u00e8se nulle au seuil alpha bilat\u00e9ral de 5%.<\/p>\n
Pour cette raison fondamentale, l’Association for Psychological Science<\/a> (APS) et les consortiums internationaux de neurosciences font du reporting syst\u00e9matique des intervalles de confiance de taille d’effet un pr\u00e9requis inali\u00e9nable \u00e0 la publication scientifique de tout essai randomis\u00e9 ou \u00e9tude observationnelle.<\/p>\n9.2 Estimation de l’erreur type asymptotique du d de Cohen<\/h3>\n L’estimation de l’intervalle de confiance requiert au pr\u00e9alable la d\u00e9rivation de l’erreur type (Standard Error ou SE) associ\u00e9e au d de Cohen. L’expression analytique de l’erreur type asymptotique, formalis\u00e9e par Larry Hedges et Ingram Olkin, relie intimement les effectifs des deux cohortes ind\u00e9pendantes \u00e0 la magnitude m\u00eame du d observ\u00e9 selon la formulation :<\/p>\n
SE(d) = RACINE( ( (n1 + n2) \/ (n1 * n2) ) + ( PUISSANCE(d; 2) \/ (2 * (n1 + n2)) ) )<\/strong><\/p>\nCette structure math\u00e9matique met en lumi\u00e8re une r\u00e9alit\u00e9 conceptuelle passionnante : contrairement \u00e0 l’erreur type de la moyenne qui ne d\u00e9pend exclusivement que de la taille de l’\u00e9chantillon et de la variance brute, l’erreur type d’une taille d’effet standardis\u00e9e d\u00e9pend \u00e9galement de sa propre amplitude d. Plus l’effet observ\u00e9 est d’une magnitude \u00e9lev\u00e9e, plus sa distribution d’\u00e9chantillonnage s’\u00e9largit, augmentant la variabilit\u00e9 de l’estimation.<\/p>\n
Pour impl\u00e9menter cette \u00e9quation sous Excel, supposons que n1 r\u00e9side en B2, n2 en C2, et le d de Cohen final en D10. L’encodage s’effectue en cellule D16 selon la syntaxe suivante :<\/p>\n
=RACINE( ((B2 + C2) \/ (B2 * C2)) + (PUISSANCE(D10; 2) \/ (2 * (B2 + C2))) )<\/strong><\/p>\nCette approximation asymptotique s’av\u00e8re extr\u00eamement pr\u00e9cise d\u00e8s lors que l’effectif combin\u00e9 total exc\u00e8de une trentaine de sujets. Pour des volumes inf\u00e9rieurs, elle fournit une approximation op\u00e9rationnelle satisfaisante pour les analyses courantes, bien que les logiciels de bio-statistique de pointe recourent \u00e0 des it\u00e9rations algorithmiques num\u00e9riques bas\u00e9es sur l’inversion de la fonction de r\u00e9partition de la loi t non-centrale.<\/p>\n
9.3 D\u00e9termination des bornes inf\u00e9rieure et sup\u00e9rieure \u00e0 95%<\/h3>\n Une fois l’erreur type SE(d) calcul\u00e9e en cellule D16, l’\u00e9tablissement des bornes de l’intervalle de confiance \u00e0 95% fait appel au quantile critique de la distribution normale standard correspondant au risque d’erreur alpha bilat\u00e9ral de 5% (soit z = 1,95996). Dans les versions modernes d’Excel, ce quantile s’extrait avec une pr\u00e9cision dynamique gr\u00e2ce \u00e0 la fonction LOI.NORMALE.STANDARD.INVERSE.N<\/strong>.<\/p>\nLa marge d’erreur critique (Marginal Error ou ME) s’\u00e9tablit en cellule D17 par la formule :<\/p>\n
=LOI.NORMALE.STANDARD.INVERSE.N(0,975) * D16<\/strong><\/p>\nL’utilisation de la probabilit\u00e9 cumul\u00e9e 0,975 correspond \u00e0 l’encadrement central bilat\u00e9ral de 95%, laissant 2,5% de part et d’autre de la queue de distribution normale.<\/p>\n
Les deux bornes extr\u00eames se d\u00e9duisent alors par simple soustraction et addition de cette marge d’erreur \u00e0 la taille d’effet ponctuelle :<\/p>\n
\nBorne inf\u00e9rieure (cellule D18) : =D10 – D17<\/strong><\/li>\nBorne sup\u00e9rieure (cellule D19) : =D10 + D17<\/strong><\/li>\n<\/ul>\nPour restituer ce r\u00e9sultat sous une forme textuelle acad\u00e9mique pr\u00eate \u00e0 l’int\u00e9gration dans un manuscrit scientifique, nous pouvons concat\u00e9ner ces valeurs au sein d’une cellule de mise en forme finale via l’op\u00e9rateur esperluette (&) et la fonction TEXTE<\/strong> :<\/p>\n=\u00a0\u00bbIC \u00e0 95% [\u00a0\u00bb & TEXTE(D18; \u00ab\u00a00,00\u00a0\u00bb) & \u00a0\u00bb ; \u00a0\u00bb & TEXTE(D19; \u00ab\u00a00,00\u00a0\u00bb) & \u00ab\u00a0]\u00a0\u00bb<\/strong><\/p>\nCette automatisation garantit une standardisation formelle absolue, exempte de coquilles de transcription typographique entre le tableur d’analyse et le rapport de synth\u00e8se d\u00e9finitif.<\/p>\n
10. Automatisation du calcul : fonctions VBA et mod\u00e8les r\u00e9utilisables<\/h2>\n10.1 D\u00e9veloppement d’une fonction personnalis\u00e9e VBA (UDF)<\/h3>\n Bien que l’\u00e9criture de formules matricielles et arithm\u00e9tiques imbriqu\u00e9es au sein de la grille de calcul r\u00e9ponde aux imp\u00e9ratifs d’audit visuel, la cr\u00e9ation d’une macro-fonction personnalis\u00e9e (User Defined Function ou UDF) via l’\u00e9diteur Visual Basic for Applications (VBA) conf\u00e8re au classeur une ergonomie logicielle sup\u00e9rieure. Une telle fonction condense l’int\u00e9gralit\u00e9 de l’algorithme sous une \u00e9tiquette unique, utilisable \u00e0 l’identique d’une fonction Excel native telle que SOMME<\/strong> ou MOYENNE<\/strong>.<\/p>\nPour d\u00e9ployer cette technologie, activez l’\u00e9diteur de code via la combinaison de touches Alt + F11<\/strong>, ins\u00e9rez un nouveau module standard (menu Insertion > Module<\/em>) et r\u00e9digez la macro-structure fonctionnelle suivante :<\/p>\nFunction CohenD_Independant(Plage_Groupe1 As Range, Plage_Groupe2 As Range) As Variant<\/strong><\/p>\nLa fonction d\u00e9clare en variables locales : n1, n2, Moy1, Moy2, Var1, Var2, DegLib, VarComb, EcartTypeComb, et CohenD. Le code extrait le d\u00e9nombrement via l’objet Application.WorksheetFunction.Count<\/em>, calcule la moyenne par Average<\/em> et la variance d’\u00e9chantillon au moyen de Var_S<\/em>. Un contr\u00f4le conditionnel v\u00e9rifie que les effectifs n1 et n2 sont strictement sup\u00e9rieurs \u00e0 1 afin d’\u00e9viter toute division par z\u00e9ro.<\/p>\nLe calcul de la variance combin\u00e9e s’ex\u00e9cute ensuite en traduisant fid\u00e8lement la pond\u00e9ration :DegLib = (n1 – 1) + (n2 – 1)<\/em>VarComb = (((n1 – 1) * Var1) + ((n2 – 1) * Var2)) \/ DegLib<\/em>EcartTypeComb = Sqr(VarComb)<\/em>CohenD_Independant = (Moy1 – Moy2) \/ EcartTypeComb<\/em><\/p>\nEnd Function<\/strong><\/p>\nUne fois le module compil\u00e9 et la fen\u00eatre VBA referm\u00e9e, l’utilisateur dispose dans sa feuille de calcul active d’une formule sur-mesure ultra-s\u00e9curis\u00e9e : il suffit de taper =CohenD_Independant(A2:A31; B2:B31)<\/strong> pour obtenir instantan\u00e9ment la taille d’effet sans saturer l’espace de multiples cellules interm\u00e9diaires.<\/p>\n10.2 Conception d’un template dynamique pour laboratoire de recherche<\/h3>\n L’optimisation des flux d’analyse au sein d’une unit\u00e9 de recherche ou d’un service d’\u00e9valuation clinique repose sur la diffusion d’un classeur-matrice mod\u00e8le standardis\u00e9, prot\u00e9g\u00e9 contre les mauvaises manipulations fortuites. Les erreurs humaines courantes \u2013 effacement accidentel d’une formule matricielle, \u00e9crasement d’une constante de degr\u00e9s de libert\u00e9 \u2013 peuvent \u00eatre d\u00e9finitivement \u00e9radiqu\u00e9es par une politique de verrouillage d’interface.<\/p>\n
La d\u00e9marche commence par la s\u00e9lection exclusive des cellules r\u00e9serv\u00e9es \u00e0 la saisie des donn\u00e9es brutes ou des param\u00e8tres r\u00e9sum\u00e9s. Via la bo\u00eete de dialogue Format de cellule (Ctrl + 1)<\/em>, dans l’onglet Protection<\/em>, d\u00e9cochez la case \u00ab Verrouill\u00e9 \u00bb. Ensuite, activez la protection globale de la feuille de calcul (onglet R\u00e9vision > Prot\u00e9ger la feuille<\/em>) en attribuant un mot de passe d’administration. D\u00e8s lors, les collaborateurs ne peuvent intervenir que sur les champs de saisie d\u00e9sign\u00e9s, tandis que toute l’architecture de calcul math\u00e9matique demeure scell\u00e9e et inviolable.<\/p>\nPour perfectionner ce template, mettez en place des contr\u00f4les de type liste d\u00e9roulante via la Validation des donn\u00e9es<\/em>, autorisant par exemple l’utilisateur \u00e0 commuter dynamiquement entre un \u00ab Plan \u00e0 \u00e9chantillons ind\u00e9pendants \u00bb et un \u00ab Plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es \u00bb. \u00c0 l’aide de formules conditionnelles articul\u00e9es autour de la fonction SI<\/strong> ou CHOISIR<\/strong>, le mod\u00e8le permute de lui-m\u00eame les algorithmes de calcul sous-jacents et ajuste dynamiquement les intitul\u00e9s des r\u00e9sultats affich\u00e9s. Le classeur doit \u00eatre sauvegard\u00e9 sous le format p\u00e9renne \u00ab Mod\u00e8le Excel prenant en charge les macros \u00bb portant l’extension .xltm<\/strong>.<\/p>\n10.3 Audit algorithmique et maintenance du classeur<\/h3>\n La cr\u00e9dibilit\u00e9 d’une cha\u00eene de traitement de donn\u00e9es repose sur son auditabilit\u00e9 permanente. Microsoft Excel propose une suite d’outils graphiques d’analyse d’une valeur inestimable, regroup\u00e9s dans l’onglet Formules > Audit de formules<\/em>. En cliquant sur le bouton \u00ab Rep\u00e9rer les ant\u00e9c\u00e9dents \u00bb, le tableur g\u00e9n\u00e8re des fl\u00e8ches de tra\u00e7age vectorielles bleues mat\u00e9rialisant l’ensemble des cellules \u00e9l\u00e9mentaires qui alimentent l’\u00e9cart-type combin\u00e9 ou le d de Cohen. Cette inspection visuelle garantit qu’aucune valeur n’a \u00e9t\u00e9 omise dans l’argument de plage.<\/p>\nR\u00e9ciproquement, la commande \u00ab Rep\u00e9rer les d\u00e9pendants \u00bb permet de v\u00e9rifier instantan\u00e9ment quelles inf\u00e9rences ult\u00e9rieures (intervalles de confiance, seuils m\u00e9ta-analytiques, indices de conversion) seraient alt\u00e9r\u00e9es par la modification d’un param\u00e8tre sp\u00e9cifique. Pour p\u00e9renniser la tra\u00e7abilit\u00e9 de protocoles de longue dur\u00e9e, il est hautement recommand\u00e9 d’incorporer une feuille d’audit distincte au sein du classeur, documentant formellement l’historique des modifications, la nomenclature des versions, le nom des analystes ayant valid\u00e9 les \u00e9quations et les r\u00e9sultats des tests de r\u00e9sistance r\u00e9alis\u00e9s.<\/p>\n
Ces tests de r\u00e9sistance (stress tests) consistent \u00e0 injecter intentionnellement des jeux de donn\u00e9es aux propri\u00e9t\u00e9s extr\u00eames ou pathologiques : effectifs r\u00e9duits \u00e0 n = 2, variances parfaitement sym\u00e9triques, scores constants \u00e0 variance nulle, ou \u00e9carts colossaux de moyennes. Observer comment le classeur r\u00e9agit \u00e0 ces singularit\u00e9s num\u00e9riques valide l’int\u00e9grit\u00e9 de ses fonctions de capture d’erreur (SIERREUR<\/strong>) et garantit sa r\u00e9silience op\u00e9rationnelle avant son d\u00e9ploiement \u00e0 grande \u00e9chelle.<\/p>\n11. Interpr\u00e9tation psychologique et visualisation graphique des r\u00e9sultats<\/h2>\n11.1 Grille de lecture des seuils de Cohen et contextualisation<\/h3>\n En formulant sa m\u00e9trique standardis\u00e9e, Jacob Cohen a \u00e9nonc\u00e9 des crit\u00e8res conventionnels qualitatifs d’interpr\u00e9tation devenus omnipr\u00e9sents dans la formation acad\u00e9mique :<\/p>\n
\nUn effet est consid\u00e9r\u00e9 comme faible<\/strong> aux alentours de d = 0,20<\/strong>.<\/li>\nUn effet est qualifi\u00e9 de moyen<\/strong> vers d = 0,50<\/strong>.<\/li>\nUn effet est d\u00e9sign\u00e9 comme fort<\/strong> \u00e0 partir de d = 0,80<\/strong> et au-del\u00e0.<\/li>\n<\/ul>\nToutefois, Jacob Cohen lui-m\u00eame a assorti ces conventions de s\u00e9v\u00e8res mises en garde m\u00e9thodologiques, trop souvent oblit\u00e9r\u00e9es par les chercheurs contemporains. Appliquer aveugl\u00e9ment cette grille de lecture hors de son contexte disciplinaire constitue une d\u00e9rive intellectuelle majeure. Dans le champ de l’\u00e9valuation des politiques \u00e9ducatives ou de la r\u00e9habilitation cognitive post-l\u00e9sionnelle, un d de Cohen de 0,20 repr\u00e9sente un gain substantiel et difficile \u00e0 obtenir, justifiant pleinement des investissements budg\u00e9taires d’envergure. \u00c0 l’oppos\u00e9, en recherche de laboratoire ultra-contr\u00f4l\u00e9e \u00e9valuant des illusions visuelles perceptives \u00e9l\u00e9mentaires, un effet de d = 0,50 traduirait une performance modeste et inhabituellement fluctuante.<\/p>\n
La contextualisation de la taille d’effet impose donc de comparer le d observ\u00e9 non pas \u00e0 des \u00e9talons abstraits, mais \u00e0 la distribution empirique des effets document\u00e9s dans la litt\u00e9rature sp\u00e9cialis\u00e9e du sous-domaine concern\u00e9. En outre, sur des crit\u00e8res sanitaires majeurs (comme la r\u00e9duction de la mortalit\u00e9 cardiovasculaire ou la pr\u00e9vention du suicide), des tailles d’effet en apparence minuscules (d de l’ordre de 0,10 \u00e0 0,15) recouvrent le sauvetage de milliers de vies humaines \u00e0 l’\u00e9chelle d’une nation, atteignant une importance clinique transcendante que le qualificatif conventionnel de \u00ab faible effet \u00bb d\u00e9valoriserait injustement.<\/p>\n
11.2 Traduction de l’effet en indices intuitifs (U3, BESD, CLES)<\/h3>\n L’indice standardis\u00e9 d de Cohen demeure un objet math\u00e9matique abstrait, fr\u00e9quemment opaque pour les cliniciens de terrain, les patients ou les d\u00e9cideurs institutionnels. Pour combler ce d\u00e9ficit d’intelligibilit\u00e9, les psychom\u00e9triciens ont mis au point des m\u00e9triques de translation probabiliste intuitives, directement calculables sous Excel \u00e0 partir de la valeur de d.<\/p>\n
Le premier indice est le coefficient de non-chevauchement des distributions, formalis\u00e9 sous l’\u00e9tiquette U3 de Cohen<\/strong>. Il indique le pourcentage d’individus du groupe exp\u00e9rimental dont les performances surpassent la moyenne centro\u00efde du groupe t\u00e9moin. Sous l’hypoth\u00e8se de distributions normales, U3 s’impl\u00e9mente sous Excel dans une cellule adjacente via la fonction native :<\/p>\n=LOI.NORMALE.STANDARD.N(D10; VRAI)<\/strong><\/p>\nPour un d de Cohen de 0,80, U3 renvoie 0,788 (soit 78,8%), illustrant imm\u00e9diatement qu’environ huit patients sur dix sous traitement surpassent le niveau m\u00e9dian des sujets t\u00e9moins.<\/p>\n
Le second indice d’une clart\u00e9 p\u00e9dagogique \u00e9clatante est la taille d’effet en langage courant (Common Language Effect Size ou CLES<\/strong>), d\u00e9velopp\u00e9e par McGraw et Wong. Elle \u00e9value la probabilit\u00e9 absolue qu’un individu s\u00e9lectionn\u00e9 al\u00e9atoirement dans le groupe exp\u00e9rimental affiche un score sup\u00e9rieur \u00e0 celui d’un individu tir\u00e9 au sort dans le groupe t\u00e9moin. Son impl\u00e9mentation sous Excel s’ex\u00e9cute selon la syntaxe :<\/p>\n=LOI.NORMALE.STANDARD.N(D10 \/ RACINE(2); VRAI)<\/strong><\/p>\nPour un d de 0,50, le CLES s’\u00e9tablit \u00e0 environ 64%, signifiant qu’il existe pr\u00e8s de deux chances sur trois d’observer un avantage en faveur du sujet trait\u00e9 lors d’un appariement al\u00e9atoire en miroir.<\/p>\n
Enfin, le pr\u00e9sentoir binomial de taille d’effet (Binomial Effect Size Display ou BESD<\/strong>) formalis\u00e9 par Robert Rosenthal et Donald Rubin traduit le d en taux de succ\u00e8s comparatif. Apr\u00e8s conversion du d en coefficient r via la formule r = d \/ RACINE(d^2 + 4), le taux de succ\u00e8s du groupe exp\u00e9rimental devient (0,50 + r\/2) tandis que celui du groupe t\u00e9moin est (0,50 – r\/2). Ces m\u00e9triques pragmatiques dotent l’analyste d’un vocabulaire narratif percutant pour communiquer la port\u00e9e de ses d\u00e9couvertes scientifiques.<\/p>\n11.3 Visualisation graphique sous Excel : distributions et diagrammes de for\u00eat<\/h3>\n La communication visuelle constitue le prolongement indissociable de la rigueur math\u00e9matique. Sous Microsoft Excel, la mat\u00e9rialisation graphique du d de Cohen peut s’op\u00e9rer selon deux repr\u00e9sentations analytiques privil\u00e9gi\u00e9es : la superposition des courbes de Gauss th\u00e9oriques illustrant le d\u00e9calage de distribution, et le diagramme de for\u00eat (forest plot) positionnant l’effet et son intervalle de confiance.<\/p>\n
Pour construire une repr\u00e9sentation de densit\u00e9s de probabilit\u00e9s superpos\u00e9es, g\u00e9n\u00e9rez une colonne d’abscisses Z s’\u00e9talant de -4,0 \u00e0 +4,0 avec un incr\u00e9ment constant de 0,1 (cellules A2 \u00e0 A82). Dans la colonne adjacente B, mod\u00e9lisez la distribution normale de r\u00e9f\u00e9rence du groupe t\u00e9moin au moyen de l’expression :<\/p>\n
=LOI.NORMALE.N(A2; 0; 1; FAUX)<\/strong><\/p>\nDans la colonne C, mod\u00e9lisez la distribution du groupe exp\u00e9rimental d\u00e9cal\u00e9e de la valeur observ\u00e9e du d de Cohen (log\u00e9e en D10) :<\/p>\n
=LOI.NORMALE.N(A2; $D$<\/span>10; 1; FAUX)<\/strong><\/p>\nEn ins\u00e9rant un \u00ab Graphique en nuage de points avec lignes liss\u00e9es \u00bb fond\u00e9 sur ces deux s\u00e9ries, Excel trace visuellement les deux collines de Gauss en mettant en exergue l’ampleur du glissement centro\u00efde et la zone de chevauchement r\u00e9siduelle.<\/p>\n
Pour concevoir un diagramme de for\u00eat (forest plot) dans le format standardis\u00e9 des revues savantes, cr\u00e9ez un graphique \u00e0 barres ou en nuage de points horizontal positionnant le d estim\u00e9 sur l’axe des x. Activez ensuite les \u00ab Barres d’erreur \u00bb de la s\u00e9rie de donn\u00e9es (onglet Cr\u00e9ation de graphique > Ajouter un \u00e9l\u00e9ment graphique > Barres d’erreur > Autres options<\/em>). Param\u00e9trez les barres en mode bilat\u00e9ral, avec extr\u00e9mit\u00e9 en \u00ab T\u00e9 \u00bb, et s\u00e9lectionnez l’option \u00ab Personnalis\u00e9e \u00bb en affectant la cellule contenant la marge d’erreur ME calcul\u00e9e (D17) aux valeurs d’erreur positives et n\u00e9gatives. Vous obtenez un trac\u00e9 graphique d’une nettet\u00e9 parfaite, restituant l’estimation ponctuelle encadr\u00e9e par son intervalle de confiance \u00e0 95%, pr\u00eat pour l’exportation vers un \u00e9diteur de texte acad\u00e9mique.<\/p>\n12. Erreurs m\u00e9thodologiques fr\u00e9quentes lors du calcul sous Excel<\/h2>\n12.1 Confusions relatives aux fonctions de dispersion d’Excel<\/h3>\n La structure de la biblioth\u00e8que des fonctions statistiques d’Excel comporte des ambigu\u00eft\u00e9s historiques susceptibles d’induire de graves alt\u00e9rations m\u00e9thodologiques chez les utilisateurs non avertis. La plus pernicieuse concerne la dissociation math\u00e9matique entre la variance \u00e9chantillonnale (divis\u00e9e par n – 1) et la variance populationnelle (divis\u00e9e par n).<\/p>\n
Comme \u00e9voqu\u00e9 pr\u00e9c\u00e9demment, l’utilisation par inadvertance de la fonction ECARTYPE.PEARSON<\/strong> (ou ECARTYPEP<\/strong>) au lieu de ECARTYPE.STANDARD<\/strong> engendre une sous-estimation syst\u00e9matique de l’\u00e9cart-type de chaque condition. Cette anomalie d\u00e9coule de la suppression arbitraire de la correction de Bessel pour les degr\u00e9s de libert\u00e9. En injectant un d\u00e9nominateur artificiellement contract\u00e9 dans l’\u00e9quation de standardisation, la taille d’effet finale d se trouve dilat\u00e9e au-del\u00e0 de sa v\u00e9ritable valeur th\u00e9orique.<\/p>\nPour pr\u00e9venir cette d\u00e9rive dans les environnements de laboratoire partag\u00e9s, il est indispensable de formaliser une strat\u00e9gie de contr\u00f4le syst\u00e9matique de la nomenclature des formules. Une commande d’audit efficace consiste \u00e0 afficher l’int\u00e9gralit\u00e9 des formules sous forme textuelle brute via la combinaison de touches Ctrl + Guillemet (\u00ab\u00a0)<\/strong> ou l’ic\u00f4ne Afficher les formules<\/em>. Cet affichage global permet de balayer d’un coup d’\u0153il l’ensemble de la feuille pour intercepter toute occurrence anormale de fonctions de type PEARSON ou VAR.P au sein des cha\u00eenes computationnelles d\u00e9volues \u00e0 l’inf\u00e9rence \u00e9chantillonnale.<\/p>\n12.2 Incoh\u00e9rences de conception entre protocoles ind\u00e9pendants et appari\u00e9s<\/h3>\n La confusion entre protocoles ind\u00e9pendants et mesures r\u00e9p\u00e9t\u00e9es constitue une faute m\u00e9thodologique r\u00e9currente aux cons\u00e9quences math\u00e9matiques d\u00e9l\u00e9t\u00e8res. Lorsqu’un analyste applique la formule canonique pour groupes ind\u00e9pendants \u00e0 des donn\u00e9es appari\u00e9es (avant\/apr\u00e8s), il omet la covariance intra-sujet captur\u00e9e par le coefficient de corr\u00e9lation r. Cette omission induit une estimation erron\u00e9e de la variance combin\u00e9e, qui se trouve sur\u00e9valu\u00e9e par rapport \u00e0 la dispersion propre des diff\u00e9rences individuelles.<\/p>\n
Il en d\u00e9coule une sous-estimation dramatique de la taille d’effet r\u00e9elle d_z<\/strong>, masquant parfois des avanc\u00e9es cliniques substantielles qui auraient pourtant \u00e9t\u00e9 confirm\u00e9es par un test t appari\u00e9 significatif. Inversement, appliquer les \u00e9quations de mesures r\u00e9p\u00e9t\u00e9es sur deux cohortes r\u00e9ellement distinctes revient \u00e0 pr\u00e9supposer une d\u00e9pendance stochastique arbitraire entre des individus n’ayant aucun lien, d\u00e9truisant la validit\u00e9 inf\u00e9rentielle de l’\u00e9tude.<\/p>\nPour parer \u00e0 ce risque, tout gabarit d’analyse doit int\u00e9grer une grille diagnostique pr\u00e9alable formalis\u00e9e par deux questions de filtrage m\u00e9thodologique incontournables :<\/p>\n
\nLes deux colonnes de donn\u00e9es num\u00e9riques \u00e9manent-elles physiquement des m\u00eames participants \u00e9valu\u00e9s \u00e0 des moments temporels distincts ou de paires jumel\u00e9es univoquement ? Si la r\u00e9ponse est affirmative, le protocole est strictement appari\u00e9<\/em>.<\/li>\nLes deux groupes sont-ils form\u00e9s d’individus mutuellement exclusifs recrut\u00e9s ind\u00e9pendamment ? Si oui, le protocole rel\u00e8ve exclusivement du r\u00e9gime des \u00e9chantillons ind\u00e9pendants<\/em>.<\/li>\n<\/ol>\nCe diagnostic \u00e9l\u00e9mentaire \u00e9limine toute incertitude de mod\u00e9lisation avant le moindre calcul op\u00e9rationnel.<\/p>\n
12.3 Dysfonctionnements de syntaxe et limites structurelles d’Excel<\/h3>\n Au-del\u00e0 des aspects th\u00e9oriques, la manipulation de formules arithm\u00e9tiques complexes au sein d’Excel confronte le chercheur aux pi\u00e8ges syntaxiques intrins\u00e8ques au tableur. Le plus banal, mais non le moins destructeur, concerne la priorit\u00e9 des op\u00e9rateurs lors des divisions fractionnaires compos\u00e9es. Une formule tap\u00e9e sous la forme =B3 – C3 \/ B8<\/strong> divisera exclusivement C3 par B8 avant de soustraire le r\u00e9sultat de B3, en vertu de la primaut\u00e9 conventionnelle de la division sur la soustraction. L’omission des parenth\u00e8ses englobant le num\u00e9rateur (B3 – C3)<\/strong> fausse int\u00e9gralement le r\u00e9sultat sans d\u00e9clencher le moindre message d’erreur d’Excel.<\/p>\nUn deuxi\u00e8me \u00e9cueil syntaxique r\u00e9side dans le maniement impr\u00e9cis des r\u00e9f\u00e9rences relatives et absolues (le symbole
![\"Cohen\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/cohenDExcel6.png\")
![\"Summary](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/cohenDExcel1.png\")
![\"Difference](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/cohenDExcel2.png\")
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/cohenDExcel5.png\")
<\/figure>\n