Dans le champ de la recherche contemporaine en psychologie et en sciences comportementales, l’investigation empirique se heurte constamment \u00e0 l’interd\u00e9pendance des individus au sein de leurs environnements naturels. Les donn\u00e9es en grappes constituent l’une des structures d’\u00e9chantillonnage les plus courantes et les plus d\u00e9terminantes dans l’analyse m\u00e9thodologique moderne, remettant en cause le postulat fondamental d’ind\u00e9pendance des observations sur lequel repose la statistique inf\u00e9rentielle classique. Comprendre la nature, la mod\u00e9lisation et les implications \u00e9pist\u00e9mologiques de ces donn\u00e9es embo\u00eet\u00e9es est devenu un imp\u00e9ratif pour tout chercheur soucieux d’\u00e9viter des conclusions erron\u00e9es et de capturer fid\u00e8lement la complexit\u00e9 des dynamiques psychologiques humaines.<\/p>\n
Les donn\u00e9es en grappes d\u00e9signent une structure d’\u00e9chantillonnage dans laquelle les unit\u00e9s d’observation individuelles sont regroup\u00e9es, embo\u00eet\u00e9es ou hi\u00e9rarchis\u00e9es au sein d’unit\u00e9s d’ordre sup\u00e9rieur partageant des caract\u00e9ristiques ou un environnement communs. Cette configuration engendre une corr\u00e9lation syst\u00e9matique entre les observations appartenant \u00e0 un m\u00eame regroupement, invalidant l’hypoth\u00e8se de variables ind\u00e9pendantes et identiquement distribu\u00e9es propre aux mod\u00e8les lin\u00e9aires ordinaires.<\/p>\n
Dans la recherche psychologique, cette architecture de donn\u00e9es se manifeste de mani\u00e8re prototypique lorsque des patients sont suivis par un m\u00eame th\u00e9rapeute, lorsque des \u00e9l\u00e8ves partagent la m\u00eame salle de classe, lorsque des employ\u00e9s appartiennent \u00e0 une \u00e9quipe de travail commune, ou encore lorsque des mesures r\u00e9p\u00e9t\u00e9es sont recueillies longitudinalement aupr\u00e8s d’une m\u00eame personne au fil du temps. Dans chacune de ces situations, les observations issues d’une m\u00eame grappe pr\u00e9sentent une ressemblance sup\u00e9rieure \u00e0 celle observ\u00e9e entre des unit\u00e9s pr\u00e9lev\u00e9es de mani\u00e8re totalement al\u00e9atoire dans la population g\u00e9n\u00e9rale.<\/p>\n
L’\u00e9tude rigoureuse des donn\u00e9es en grappes n\u00e9cessite par cons\u00e9quent l’abandon des tests param\u00e9triques conventionnels, tels que la r\u00e9gression lin\u00e9aire par moindres carr\u00e9s ordinaires ou l’analyse de variance classique, au profit d’approches statistiques avanc\u00e9es capables de d\u00e9composer explicitement la variance entre les niveaux de la hi\u00e9rarchie. L’omission de cette structure produit un gonflement dramatique du taux d’erreur de type I et conduit \u00e0 des inf\u00e9rences substantiellement biais\u00e9es concernant l’efficacit\u00e9 th\u00e9rapeutique, les processus d’apprentissage ou les dynamiques d’interaction sociale.<\/p>\n
Le syntagme \u00ab donn\u00e9es en grappes \u00bb r\u00e9sulte de la convergence de termes issus de l’analyse statistique et de la linguistique descriptive. Le terme \u00ab donn\u00e9e \u00bb provient du participe pass\u00e9 substantiv\u00e9 du verbe latin dare<\/em>, signifiant \u00ab donner \u00bb, d\u00e9signant originellement ce qui est admis comme point de d\u00e9part incontestable d’un raisonnement ou d’une d\u00e9monstration scientifique. Dans le vocabulaire \u00e9pist\u00e9mologique moderne, il renvoie \u00e0 l’enregistrement brut d’un fait observable ou mesurable.<\/p>\n Le mot \u00ab grappe \u00bb d\u00e9rive du francique occidental *krappa<\/em>, qui d\u00e9signait un crochet ou un instrument recourb\u00e9 servant \u00e0 saisir, ayant \u00e9volu\u00e9 vers la d\u00e9signation d’un assemblage de fruits suspendus \u00e0 une m\u00eame tige, comme dans le cas de la vigne. L’analogie morphologique s’est impos\u00e9e en statistique pour illustrer la mani\u00e8re dont plusieurs \u00e9l\u00e9ments individuels (les grains) sont structurellement rattach\u00e9s \u00e0 un point d’ancrage commun (la rafle ou le p\u00e9doncule). Dans la litt\u00e9rature anglo-saxonne, le terme \u00e9quivalent clustered data<\/em> provient du moyen anglais cluster<\/em> ou clyster<\/em>, d’origine germanique, renvoyant \u00e0 un n\u0153ud, une touffe ou un rassemblement d’objets distincts formant une masse unie.<\/p>\n L’introduction formelle du concept dans la th\u00e9orie statistique moderne remonte aux travaux fondateurs sur l’\u00e9chantillonnage par sondage dans les ann\u00e9es 1940 et 1950, notamment sous la plume de statisticiens tels que William Gemmell Cochran et Leslie Kish. Progressivement transpos\u00e9e vers les sciences sociales et la psychom\u00e9trie dans le dernier quart du vingti\u00e8me si\u00e8cle, l’expression a \u00e9t\u00e9 int\u00e9gr\u00e9e aux cadres m\u00e9thodologiques de la mod\u00e9lisation multiniveau et de l’analyse hi\u00e9rarchique lin\u00e9aire, formalisant l’existence de d\u00e9pendances structurales au sein des corpus de donn\u00e9es empiriques.<\/p>\n En fran\u00e7ais, le terme se prononce phon\u00e9tiquement [d\u0254.ne \u0251\u0303 \u0261\u0281ap]. Il s’agit d’un syntagme nominal f\u00e9minin pluriel compos\u00e9 du nom commun \u00ab donn\u00e9es \u00bb, de la pr\u00e9position de liaison \u00ab en \u00bb, et du nom commun f\u00e9minin singulier \u00ab grappe \u00bb employ\u00e9 ici dans un sens cat\u00e9goriel et distributif, bien que la graphie \u00ab donn\u00e9es en grappes \u00bb (avec marque du pluriel) soit la plus fr\u00e9quemment attest\u00e9e dans la litt\u00e9rature m\u00e9thodologique francophone contemporaine.<\/p>\n Sur le plan morphosyntaxique, le syntagme peut \u00eatre compl\u00e9t\u00e9 par divers adjectifs qualificatifs pr\u00e9cisant la g\u00e9om\u00e9trie de la hi\u00e9rarchie statistique : on parlera ainsi de donn\u00e9es en grappes \u00ab \u00e9quilibr\u00e9es \u00bb (lorsque chaque unit\u00e9 sup\u00e9rieure comporte un nombre strictement identique d’observations de premier niveau) ou \u00ab d\u00e9s\u00e9quilibr\u00e9es \u00bb (lorsque la taille des groupes varie substantiellement). Les d\u00e9clinaisons d\u00e9riv\u00e9es incluent \u00ab \u00e9chantillonnage en grappes \u00bb (masculin singulier) et \u00ab effet de grappe \u00bb (masculin singulier), ce dernier d\u00e9signant l’alt\u00e9ration de la variance et de la puissance statistique induite par le regroupement.<\/p>\n Dans l’usage r\u00e9dactionnel acad\u00e9mique, il convient de ne pas confondre ce terme avec l’\u00ab analyse de grappes \u00bb (ou classification ascendante hi\u00e9rarchique, cluster analysis<\/em> en anglais), qui d\u00e9signe un ensemble d’algorithmes exploratoires non supervis\u00e9s destin\u00e9s \u00e0 d\u00e9couvrir des groupements latents d’observations, alors que les donn\u00e9es en grappes renvoient \u00e0 une propri\u00e9t\u00e9 structurelle pr\u00e9existante de l’\u00e9chantillon ou du dispositif exp\u00e9rimental.<\/p>\n Pour appr\u00e9hender en profondeur le concept de donn\u00e9es en grappes, il est n\u00e9cessaire de d\u00e9construire le postulat central d’ind\u00e9pendance statistique. Dans un plan de recherche classique r\u00e9pondant aux crit\u00e8res du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral, on pr\u00e9suppose que le r\u00e9sidu d’erreur associ\u00e9 \u00e0 une observation n’apporte aucune information pr\u00e9dictive sur le r\u00e9sidu d’erreur d’une quelconque autre observation de l’\u00e9chantillon. Or, lorsque des individus partagent un contexte \u00e9cologique, institutionnel ou g\u00e9n\u00e9tique commun, leurs comportements, attitudes et performances cognitives tendent \u00e0 s’ajuster ou \u00e0 \u00eatre fa\u00e7onn\u00e9s par des forces similaires, induisant une d\u00e9pendance r\u00e9siduelle positive non al\u00e9atoire.<\/p>\n Cette d\u00e9pendance intragroupe est quantifi\u00e9e formellement par le coefficient de corr\u00e9lation intraclasse<\/a> (souvent abr\u00e9g\u00e9 CCI ou not\u00e9 sous la lettre grecque rho, $rho$<\/span>). Ce coefficient exprime la proportion de la variance totale du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 qui est attribuable aux diff\u00e9rences syst\u00e9matiques existant entre les grappes d’ordre sup\u00e9rieur, par rapport \u00e0 la variance r\u00e9siduelle observ\u00e9e entre les individus \u00e0 l’int\u00e9rieur de ces m\u00eames grappes. Lorsque le coefficient de corr\u00e9lation intraclasse est strictement nul, les donn\u00e9es peuvent \u00eatre analys\u00e9es sans perte d’information par les m\u00e9thodes traditionnelles ; d\u00e8s lors qu’il s’\u00e9carte de z\u00e9ro, m\u00eame de fa\u00e7on minime, la structure en grappes impose une r\u00e9vision compl\u00e8te du calcul des erreurs-types.<\/p>\n Sur le plan computationnel, l’existence d’une structure en grappes diminue ce que Leslie Kish a qualifi\u00e9 de \u00ab taille effective de l’\u00e9chantillon \u00bb. Si un chercheur recrute 500 participants r\u00e9partis dans 10 groupes de 50 personnes et observe un coefficient de corr\u00e9lation intraclasse substantiel, l’information statistique apport\u00e9e par ces 500 individus n’\u00e9quivaut nullement \u00e0 celle de 500 observations ind\u00e9pendantes pr\u00e9lev\u00e9es par sondage al\u00e9atoire simple. Les unit\u00e9s secondaires au sein d’une m\u00eame grappe partagent de la redondance d’information. D\u00e8s lors, analyser ces donn\u00e9es comme si elles \u00e9taient ind\u00e9pendantes revient \u00e0 surestimer massivement la pr\u00e9cision empirique des estimateurs, provoquant un r\u00e9tr\u00e9cissement artificiel des intervalles de confiance et augmentant de mani\u00e8re critique la probabilit\u00e9 de rejeter \u00e0 tort l’hypoth\u00e8se nulle.<\/p>\n Par ailleurs, les donn\u00e9es en grappes soul\u00e8vent des questions th\u00e9oriques majeures relatives au niveau d’inf\u00e9rence, connues sous les appellations de sophisme \u00e9cologique (ecological fallacy<\/em>) et de sophisme atomiste. Le sophisme \u00e9cologique survient lorsqu’un chercheur d\u00e9duit des relations psychologiques individuelles \u00e0 partir de corr\u00e9lations agr\u00e9g\u00e9es au niveau de la grappe, ignorant la possibilit\u00e9 que la dynamique de groupe diff\u00e8re radicalement du fonctionnement individuel. Inversement, le sophisme atomiste consiste \u00e0 extrapoler des dynamiques collectives uniquement \u00e0 partir de variables mesur\u00e9es au niveau individuel, sans tenir compte des propri\u00e9t\u00e9s \u00e9mergentes propres \u00e0 l’environnement social ou institutionnel.<\/p>\n L’histoire de la th\u00e9orisation des donn\u00e9es en grappes s’enracine initialement dans les d\u00e9veloppements m\u00e9thodologiques de l’agronomie et de la d\u00e9mographie statistique du d\u00e9but du vingti\u00e8me si\u00e8cle. D\u00e8s les ann\u00e9es 1920, Ronald Fisher formule l’analyse de variance et introduit la notion de corr\u00e9lation intraclasse pour mod\u00e9liser le regroupement de parcelles agricoles soumises \u00e0 des conditions environnementales partag\u00e9es. Cependant, durant plusieurs d\u00e9cennies, le regroupement d’observations est per\u00e7u par la majorit\u00e9 des psychologues et des statisticiens sociaux comme une nuisance m\u00e9thodologique ou une imperfection d’\u00e9chantillonnage qu’il convenait de corriger m\u00e9caniquement par l’ajustement des degr\u00e9s de libert\u00e9.<\/p>\n Un tournant fondamental s’op\u00e8re dans les ann\u00e9es 1950 et 1960 avec les travaux sur les th\u00e9ories d’\u00e9chantillonnage complexes conduits notamment par Leslie Kish<\/a>. Dans son ouvrage de r\u00e9f\u00e9rence de 1965 sur l’\u00e9chantillonnage par sondage, Kish formalise le concept d’\u00ab effet de plan \u00bb (design effect<\/em>), d\u00e9montrant math\u00e9matiquement la mani\u00e8re dont la variance de l’estimateur d’une moyenne s’accro\u00eet en fonction directe de la taille moyenne de la grappe et de l’intensit\u00e9 de la corr\u00e9lation intraclasse. Cette avanc\u00e9e met en garde la communaut\u00e9 scientifique contre l’application na\u00efve des statistiques inf\u00e9rentielles traditionnelles aux donn\u00e9es d’enqu\u00eates psychosociales \u00e0 large \u00e9chelle.<\/p>\n Au milieu des ann\u00e9es 1960, la publication du c\u00e9l\u00e8bre rapport Coleman aux \u00c9tats-Unis (1966) portant sur l’\u00e9galit\u00e9 des chances \u00e9ducatives met en lumi\u00e8re l’urgence d’une refonte m\u00e9thodologique. Les analystes de l’\u00e9poque se trouvent confront\u00e9s \u00e0 un dilemme analytique insurmontable : agr\u00e9ger les donn\u00e9es au niveau de l’\u00e9cole (ce qui d\u00e9truit la variabilit\u00e9 individuelle et r\u00e9duit drastiquement la puissance statistique) ou d\u00e9sagr\u00e9ger les donn\u00e9es au niveau de l’\u00e9l\u00e8ve (ce qui viole le postulat d’ind\u00e9pendance et gonfle les faux positifs). Ce paradoxe stimule une intense recherche algorithmique tout au long des ann\u00e9es 1970 et 1980.<\/p>\n L’av\u00e8nement d\u00e9cisif survient \u00e0 la fin des ann\u00e9es 1980 et au d\u00e9but des ann\u00e9es 1990, gr\u00e2ce aux perc\u00e9es th\u00e9oriques et logicielles men\u00e9es ind\u00e9pendamment par des m\u00e9thodologistes de premier plan : Stephen Raudenbush et Anthony Bryk aux \u00c9tats-Unis, qui popularisent les mod\u00e8les lin\u00e9aires hi\u00e9rarchiques (Hierarchical Linear Models<\/em>, HLM), et Harvey Goldstein<\/a> au Royaume-Uni, pionnier de l’approche multiniveau europ\u00e9enne. Leurs formulations math\u00e9matiques unifi\u00e9es, associ\u00e9es au d\u00e9veloppement d’algorithmes d’estimation it\u00e9ratifs comme l’algorithme esp\u00e9rance-maximisation (EM) et le maximum de vraisemblance restreint (REML), permettent enfin de traiter la structure en grappes non plus comme un biais statistique \u00e0 \u00e9liminer, mais comme un objet th\u00e9orique noble permettant d’examiner simultan\u00e9ment les influences individuelles et contextuelles.<\/p>\n L’\u00e9tude contemporaine des donn\u00e9es en grappes s’appuie sur une convergence de th\u00e9ories statistiques, psychom\u00e9triques et syst\u00e9miques. Sur le plan de la mod\u00e9lisation math\u00e9matique, elle repose principalement sur la th\u00e9orie des mod\u00e8les mixtes (ou mod\u00e8les \u00e0 effets mixtes), qui partitionne l’\u00e9quation de r\u00e9gression en effets fixes (repr\u00e9sentant les relations constantes \u00e0 travers l’ensemble de la population) et en effets al\u00e9atoires (capturant la variabilit\u00e9 propre \u00e0 chaque grappe autour de la tendance g\u00e9n\u00e9rale).<\/p>\n Dans ce cadre formel, l’interception et les pentes de r\u00e9gression ne sont plus consid\u00e9r\u00e9es comme des constantes immuables, mais comme des variables al\u00e9atoires dot\u00e9es de leur propre distribution probabiliste (g\u00e9n\u00e9ralement suppos\u00e9e multinormale). Cette formalisation permet de d\u00e9composer la variance totale observ\u00e9e du crit\u00e8re psychologique en deux composantes ind\u00e9pendantes : la variance intrasite (ou intra-grappe), qui refl\u00e8te les idiosyncrasies individuelles au sein du groupe, et la variance intersite (ou inter-grappe), qui chiffre l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle entre les contextes d’appartenance.<\/p>\n Au-del\u00e0 de la th\u00e9orie des mod\u00e8les mixtes, l’approche des \u00e9quations d’estimation g\u00e9n\u00e9ralis\u00e9es<\/a> (Generalized Estimating Equations<\/em>, GEE), d\u00e9velopp\u00e9e par Liang et Zeger au milieu des ann\u00e9es 1980, propose une fondation alternative semi-param\u00e9trique. Plut\u00f4t que de mod\u00e9liser explicitement les param\u00e8tres de variance al\u00e9atoire pour chaque unit\u00e9 sup\u00e9rieure, les GEE adoptent une perspective \u00ab marginale \u00bb ou de population moyenne, ajustant une matrice de corr\u00e9lation de travail pour corriger les erreurs-types des estimations tout en restant robustes face \u00e0 une mauvaise sp\u00e9cification potentielle de la structure de d\u00e9pendance intragroupe.<\/p>\n Sur le plan conceptuel et substantiel, les donn\u00e9es en grappes trouvent une r\u00e9sonance th\u00e9orique majeure dans le mod\u00e8le \u00e9cologique du d\u00e9veloppement humain propos\u00e9 par Urie Bronfenbrenner. Cette th\u00e9orie postule que le comportement psychologique individuel ne peut \u00eatre compris hors de son inscription dans des syst\u00e8mes concentriques embo\u00eet\u00e9s : l’ontosyst\u00e8me (l’individu), le microsyst\u00e8me (la famille, la classe d’\u00e9cole), le m\u00e9sosyst\u00e8me, l’exosyst\u00e8me et le macrosyst\u00e8me socioculturel. Les donn\u00e9es en grappes constituent la traduction empirique et quantitative directe de ces architectures \u00e9cologiques : elles permettent aux psychologues de tester scientifiquement comment les caract\u00e9ristiques structurales des macro-niveaux mod\u00e8rent les trajectoires d\u00e9veloppementales et comportementales individuelles.<\/p>\n L’analyse des donn\u00e9es en grappes exige une typologie pr\u00e9cise fond\u00e9e sur la topologie du regroupement, l’\u00e9quilibrage des effectifs et la nature des liens hi\u00e9rarchiques existant entre les unit\u00e9s. Les principales dimensions et configurations r\u00e9pertori\u00e9es dans la litt\u00e9rature m\u00e9thodologique comprennent :<\/p>\n Pour mat\u00e9rialiser les enjeux inh\u00e9rents aux donn\u00e9es en grappes dans la pratique psychologique, consid\u00e9rons le cas embl\u00e9matique de la recherche sur l’efficacit\u00e9 des interventions psychoth\u00e9rapeutiques. Imaginons une \u00e9tude clinique randomis\u00e9e \u00e9valuant la r\u00e9duction des sympt\u00f4mes de d\u00e9pression majeure chez 400 patients r\u00e9partis entre deux modalit\u00e9s de traitement (th\u00e9rapie cognitivo-comportementale versus th\u00e9rapie psychodynamique br\u00e8ve). Dans un protocole r\u00e9aliste, ces 400 patients sont pris en charge par un pool de 20 th\u00e9rapeutes, chaque praticien suivant individuellement 20 patients. Les donn\u00e9es recueillies sont intrins\u00e8quement en grappes : les r\u00e9sultats th\u00e9rapeutiques des patients suivis par un m\u00eame praticien sont corr\u00e9l\u00e9s en raison des comp\u00e9tences cliniques, de la personnalit\u00e9, de l’empathie et de la fid\u00e9lit\u00e9 au protocole propres \u00e0 chaque th\u00e9rapeute (ph\u00e9nom\u00e8ne document\u00e9 sous le nom d’\u00ab effet th\u00e9rapeute \u00bb). Si l’investigateur ignore cet embo\u00eetement et analyse les 400 scores comme ind\u00e9pendants, l’incertitude entourant l’effet du traitement sera drastiquement sous-estim\u00e9e, ce qui pourrait amener \u00e0 d\u00e9clarer une th\u00e9rapie sup\u00e9rieure \u00e0 l’autre sur la base d’un pur art\u00e9fact attribuable \u00e0 deux ou trois th\u00e9rapeutes exceptionnellement performants dans un bras d’intervention.<\/p>\n Un deuxi\u00e8me cas illustratif s’observe fr\u00e9quemment en psychologie du travail et des organisations. Des chercheurs \u00e9tudient l’impact de la charge mentale per\u00e7ue sur l’\u00e9puisement professionnel (burnout<\/em>) aupr\u00e8s de 1 200 employ\u00e9s r\u00e9partis au sein de 60 succursales bancaires autonomes. Dans cette configuration, le climat organisationnel, le style de leadership du directeur d’agence et la culture d’entreprise locale constituent des variables d’ordre sup\u00e9rieur partag\u00e9es par tous les salari\u00e9s d’une m\u00eame succursale. Les r\u00e9ponses aux questionnaires d’\u00e9puisement au sein d’une m\u00eame agence afficheront une variance r\u00e9siduelle r\u00e9duite comparativement aux employ\u00e9s d’agences diff\u00e9rentes. L’analyse des donn\u00e9es en grappes via un mod\u00e8le multiniveau permet non seulement d’ajuster les erreurs-types, mais \u00e9galement d’examiner une hypoth\u00e8se d’interaction trans-niveau (cross-level interaction<\/em>) : le leadership bienveillant du manager d’agence prot\u00e8ge-t-il les salari\u00e9s contre les cons\u00e9quences d\u00e9l\u00e9t\u00e8res d’une forte charge mentale individuelle ?<\/p>\n Un troisi\u00e8me exemple concerne la neuropsychologie et la psychologie cognitive \u00e0 travers l’\u00e9chantillonnage de l’exp\u00e9rience quotidienne (Ecological Momentary Assessment<\/em>, EMA). Des participants souffrant de douleurs chroniques \u00e9valuent leur niveau d’anxi\u00e9t\u00e9 et leur seuil subjectif de douleur cinq fois par jour via une application sur t\u00e9l\u00e9phone intelligent pendant une p\u00e9riode de vingt-et-un jours cons\u00e9cutifs. Dans ce dispositif, chaque individu fournit jusqu’\u00e0 105 mesures r\u00e9p\u00e9t\u00e9es. Les observations au sein d’un m\u00eame participant pr\u00e9sentent une forte similarit\u00e9 due \u00e0 ses traits de personnalit\u00e9 stables, sa r\u00e9activit\u00e9 biologique et son histoire clinique. Les mesures temporelles (niveau 1) sont ainsi embo\u00eet\u00e9es dans les individus (niveau 2), exigeant des techniques de traitement des donn\u00e9es en grappes adapt\u00e9es aux s\u00e9ries chronologiques intensives.<\/p>\n L’identification et l’\u00e9valuation diagnostique de la structure en grappes d’un jeu de donn\u00e9es s’effectuent par une d\u00e9marche s\u00e9quentielle standardis\u00e9e en m\u00e9thodologie quantitative. La premi\u00e8re \u00e9tape consiste imp\u00e9rativement \u00e0 ajuster un mod\u00e8le sans pr\u00e9dicteur, commun\u00e9ment qualifi\u00e9 de mod\u00e8le nul ou mod\u00e8le inconditionnel (null unconditional model<\/em>), qui ne comprend qu’une constante globale et des termes d’erreur scind\u00e9s entre les niveaux.<\/p>\n \u00c0 partir des composantes de variance extraites de ce mod\u00e8le inconditionnel, le chercheur calcule le coefficient de corr\u00e9lation intraclasse :<\/p>\n $$\\rho = \\frac{\\tau_{00}}{\\tau_{00} + \\sigma^2}$$<\/span><\/p>\n Dans cette formulation canonique, $\\tau_{00}$<\/span> symbolise la variance de l’interception au niveau sup\u00e9rieur (variance entre les grappes) et $\\sigma^2$<\/span> repr\u00e9sente la variance r\u00e9siduelle au niveau individuel (variance intra-grappe). En psychologie sociale et organisationnelle, des valeurs de $rho$<\/span> comprises entre 0,05 et 0,25 sont extr\u00eamement fr\u00e9quentes, signifiant que 5 % \u00e0 25 % de la dispersion globale du construit psychologique s’explique directement par l’appartenance au groupe.<\/p>\n L’\u00e9valuation de la n\u00e9cessit\u00e9 d’un traitement statistique multiniveau repose \u00e9galement sur le calcul de l’effet de plan (Design Effect<\/em>, $DEFF$<\/span>), calcul\u00e9 par la relation de Kish :<\/p>\n $$DEFF = 1 + (m – 1)\\rho$$<\/span><\/p>\n o\u00f9 $m$<\/span> repr\u00e9sente la taille moyenne des grappes. Selon les recommandations m\u00e9thodologiques de r\u00e9f\u00e9rence (notamment celles de David Hox et de Paul Snijders), lorsque le $DEFF$<\/span> exc\u00e8de la valeur seuil de 2,0, les m\u00e9thodes d’inf\u00e9rence classiques bas\u00e9es sur les moindres carr\u00e9s ordinaires introduisent des distorsions inacceptables dans l’estimation des erreurs-types et augmentent drastiquement les taux de faux positifs. Il devient alors imp\u00e9ratif d’adopter des techniques analytiques explicites pour donn\u00e9es en grappes.<\/p>\n Enfin, la signification statistique de la variance de niveau sup\u00e9rieur est test\u00e9e formellement au moyen du test du rapport de vraisemblance (Likelihood Ratio Test<\/em>, LRT), qui compare la d\u00e9viance du mod\u00e8le lin\u00e9aire simple \u00e0 celle du mod\u00e8le avec interception al\u00e9atoire selon une loi du khi-deux m\u00e9lang\u00e9e, ou via le test du score de Wald, bien que ce dernier souffre d’un manque de fiabilit\u00e9 lorsque la variance inter-grappes est proche de la fronti\u00e8re de son domaine de d\u00e9finition (z\u00e9ro).<\/p>\n L’importance pratique de la prise en compte rigoureuse des donn\u00e9es en grappes innerve l’ensemble des branches appliqu\u00e9es de la discipline psychologique :<\/p>\n En psychologie clinique et en psychoth\u00e9rapie<\/strong>, elle permet d’isoler scientifiquement les \u00ab effets du th\u00e9rapeute \u00bb des \u00ab effets du protocole de traitement \u00bb. En consid\u00e9rant les patients comme des unit\u00e9s group\u00e9es au sein de chaque clinicien, les chercheurs peuvent d\u00e9terminer avec une pr\u00e9cision in\u00e9dite quelle proportion du r\u00e9tablissement psychologique est imputable aux comp\u00e9tences relationnelles et \u00e0 l’alliance th\u00e9rapeutique instaur\u00e9e par le praticien singulier, et quelle part rel\u00e8ve de la validit\u00e9 intrins\u00e8que des techniques manuelles de soins. Cette distinction est cruciale pour l’\u00e9laboration des programmes de formation m\u00e9dicale et psychoth\u00e9rapeutique.<\/p>\n En psychologie scolaire et des apprentissages<\/strong>, la structure en grappes refl\u00e8te fid\u00e8lement l’organisation des syst\u00e8mes \u00e9ducatifs. Elle permet d’\u00e9tudier l’efficacit\u00e9 des pratiques p\u00e9dagogiques tout en neutralisant statistiquement le biais de composition des classes (effet de s\u00e9lection socio-\u00e9conomique). Gr\u00e2ce aux mod\u00e8les pour donn\u00e9es en grappes, il est possible d’\u00e9valuer si une m\u00e9thode d’enseignement de la lecture acc\u00e9l\u00e8re les progr\u00e8s des \u00e9l\u00e8ves en difficult\u00e9 de fa\u00e7on uniforme ou si son impact varie en fonction des ressources globales de l’\u00e9tablissement d’accueil.<\/p>\n En psychom\u00e9trie et \u00e9valuation psychologique<\/strong>, l’analyse factorielle confirmatoire multiniveau (Multilevel Structural Equation Modeling<\/em>, MSEM) constitue l’application la plus sophistiqu\u00e9e relative aux donn\u00e9es en grappes. Elle permet de v\u00e9rifier l’invariance de mesure des \u00e9chelles psychologiques \u00e0 travers les diff\u00e9rents niveaux hi\u00e9rarchiques. Un questionnaire de climat motivationnel ou d’anxi\u00e9t\u00e9 de performance ne mesure pas n\u00e9cessairement le m\u00eame construit psychologique lorsqu’il est agr\u00e9g\u00e9 au niveau d’une \u00e9quipe sportive que lorsqu’il est examin\u00e9 au niveau de l’athl\u00e8te individuel. La mod\u00e9lisation pour donn\u00e9es en grappes permet de formaliser des structures factorielles distinctes au sein du groupe et entre les groupes.<\/p>\n Une vaste litt\u00e9rature m\u00e9thodologique a document\u00e9 par des simulations de Monte-Carlo et des r\u00e9analyses empiriques les r\u00e9percussions d\u00e9vastatrices de l’ignorance d\u00e9lib\u00e9r\u00e9e ou par n\u00e9gligence de la structure en grappes des donn\u00e9es. Dans une \u00e9tude devenue classique, Scariano et Davenport (1987) ont d\u00e9montr\u00e9 math\u00e9matiquement que m\u00eame pour une corr\u00e9lation intraclasse modeste de $rho = 0,05$<\/span> au sein de grappes compos\u00e9es de 20 individus, le taux d’erreur de type I effectif (la probabilit\u00e9 de d\u00e9clarer un r\u00e9sultat statistiquement significatif alors qu’aucun effet r\u00e9el n’existe) atteint pr\u00e8s de 30 % au lieu du seuil nominal conventionnel de 5 % ($\\alpha = 0,05$<\/span>).<\/p>\n Dans le domaine de l’\u00e9valuation des interventions en sant\u00e9 mentale, Baldwin, Murray et Shadish (2005) ont pass\u00e9 au crible des dizaines d’essais cliniques randomis\u00e9s conduits en psychoth\u00e9rapie de groupe. Leurs conclusions ont r\u00e9v\u00e9l\u00e9 qu’une proportion alarmante d’\u00e9tudes publi\u00e9es dans des revues prestigieuses analysaient les individus sans tenir compte du fait que les patients avaient particip\u00e9 aux s\u00e9ances au sein de petits groupes th\u00e9rapeutiques. En recalculant les r\u00e9sultats \u00e0 l’aide de mod\u00e8les lin\u00e9aires mixtes ajust\u00e9s pour donn\u00e9es en grappes, un tiers des effets proclam\u00e9s comme hautement significatifs ont perdu leur validit\u00e9 statistique, soulignant la fragilit\u00e9 des conclusions cliniques b\u00e2ties sur des mod\u00e8les ignorant l’interd\u00e9pendance des participants.<\/p>\n Par ailleurs, les travaux fondamentaux de Maas et Hox (2005) ont \u00e9tabli des directives empiriques majeures concernant les exigences d’\u00e9chantillonnage pour l’estimation non biais\u00e9e des param\u00e8tres dans les donn\u00e9es en grappes. Leurs \u00e9tudes par simulation computationnelle indiquent que si un effectif de 50 grappes de niveau sup\u00e9rieur permet g\u00e9n\u00e9ralement d’obtenir des estimations non biais\u00e9es des coefficients de r\u00e9gression fixes et de leurs erreurs-types, il est souvent imp\u00e9ratif de disposer d’au moins 100 grappes pour garantir l’exactitude des estimations des variances al\u00e9atoires et des erreurs-types associ\u00e9es aux effets trans-niveaux, en particulier lorsque la distribution des r\u00e9sidus s’\u00e9carte mod\u00e9r\u00e9ment de la normalit\u00e9 multivari\u00e9e.<\/p>\n L’investigation transculturelle en psychologie constitue par excellence un terrain o\u00f9 les donn\u00e9es sont intrins\u00e8quement et in\u00e9vitablement en grappes. Lorsque des chercheurs m\u00e8nent des enqu\u00eates comparatives internationales \u2013 telles que le World Values Survey<\/em> ou les \u00e9valuations de comp\u00e9tences PISA de l’OCDE \u2013, les citoyens ou les \u00e9l\u00e8ves (niveau 1) sont n\u00e9cessairement embo\u00eet\u00e9s au sein de pays, d’aires g\u00e9opolitiques ou de groupes linguistiques distincts (niveau 2).<\/p>\n Traiter ces donn\u00e9es transculturelles requiert une vigilance \u00e9pist\u00e9mologique absolue vis-\u00e0-vis des postulats d’invariance de mesure. L’existence de biais de r\u00e9ponse syst\u00e9matiques propres \u00e0 certaines cultures (comme la tendance marqu\u00e9e \u00e0 l’acquiescement ou la pr\u00e9f\u00e9rence pour les valeurs interm\u00e9diaires d’une \u00e9chelle de Likert dans certaines soci\u00e9t\u00e9s collectivistes d’Asie de l’Est, par contraste avec les styles de r\u00e9ponse extr\u00eames valoris\u00e9s dans certains contextes individualistes occidentaux) engendre des grappes culturelles dot\u00e9es de variances r\u00e9siduelles intrins\u00e8quement h\u00e9t\u00e9rog\u00e8nes. Si cette h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 inter-grappes n’est pas mod\u00e9lis\u00e9e, les comparaisons de moyennes nationales peuvent refl\u00e9ter des art\u00e9facts de style de r\u00e9ponse plut\u00f4t que de r\u00e9elles disparit\u00e9s psychologiques sur les traits de personnalit\u00e9 ou les valeurs morales.<\/p>\n De surcro\u00eet, les donn\u00e9es en grappes transculturelles permettent de tester empiriquement l’universalit\u00e9 versus la contingence culturelle des th\u00e9ories psychologiques. Gr\u00e2ce \u00e0 l’estimation de pentes al\u00e9atoires (random slopes<\/em>), le m\u00e9thodologiste peut v\u00e9rifier si la relation entre deux variables psychologiques (par exemple, le lien unissant le sentiment d’auto-efficacit\u00e9 et le bien-\u00eatre subjectif) demeure invariante \u00e0 travers l’ensemble des nations ou si sa force et sa direction sont r\u00e9gies par des macro-indicateurs soci\u00e9taux, tels que le niveau de d\u00e9veloppement humain (IDH) ou le degr\u00e9 d’individualisme soci\u00e9tal formalis\u00e9 par Hofstede.<\/p>\n Malgr\u00e9 la sup\u00e9riorit\u00e9 statistique indiscutable des mod\u00e8les adapt\u00e9s aux donn\u00e9es en grappes par rapport aux r\u00e9gressions ordinaires, leur utilisation soul\u00e8ve d’importants d\u00e9bats m\u00e9thodologiques et se heurte \u00e0 des contraintes pratiques substantielles. L’un des points de friction les plus vifs dans les sciences du comportement concerne le dilemme entre l’approche des mod\u00e8les \u00e0 effets fixes (privil\u00e9gi\u00e9e par une large frange de l’\u00e9conom\u00e9trie) et celle des mod\u00e8les \u00e0 effets al\u00e9atoires (dominante en psychologie quantitative).<\/p>\n Le mod\u00e8le \u00e0 effets al\u00e9atoires repose sur l’hypoth\u00e8se cruciale selon laquelle les effets al\u00e9atoires de niveau sup\u00e9rieur ne sont aucunement corr\u00e9l\u00e9s avec les variables explicatives incluses au niveau inf\u00e9rieur. Si cette condition de non-corr\u00e9lation est viol\u00e9e \u2013 situation fr\u00e9quente en milieu naturel o\u00f9 les individus s’auto-s\u00e9lectionnent au sein des grappes en fonction de caract\u00e9ristiques non observ\u00e9es \u2013, les estimateurs des coefficients de r\u00e9gression deviennent biais\u00e9s et non convergents (probl\u00e8me d’endog\u00e9n\u00e9it\u00e9). L’approche par effets fixes permet d’\u00e9liminer totalement ce biais en contr\u00f4lant pour toute l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 non observ\u00e9e stable entre les grappes, mais elle pr\u00e9sente le d\u00e9savantage majeur d’interdire l’estimation de l’impact des pr\u00e9dicteurs invariants de niveau 2 (comme le genre du manager ou les politiques publiques d’un \u00e9tablissement scolaire).<\/p>\n Une seconde limite majeure concerne le co\u00fbt et la faisabilit\u00e9 logistique de l’\u00e9chantillonnage. Dans de nombreux domaines cliniques, r\u00e9unir un nombre suffisant de grappes d’ordre sup\u00e9rieur (souvent recommand\u00e9 \u00e0 30 ou 50 au minimum) s’av\u00e8re impossible pour des raisons budg\u00e9taires ou pratiques. Ajuster un mod\u00e8le multiniveau complexe sur un jeu de donn\u00e9es ne comportant qu’une douzaine de grappes produit des estimations d’erreurs-types instables et un taux d’erreur de type I mal calibr\u00e9, contraignant parfois les chercheurs \u00e0 recourir \u00e0 des m\u00e9thodes de r\u00e9\u00e9chantillonnage adapt\u00e9es (comme le wild bootstrap<\/em> au niveau de la grappe) ou \u00e0 l’inf\u00e9rence bay\u00e9sienne avec distributions a priori informatives pour surmonter les limites de l’estimation asymptotique par maximum de vraisemblance.<\/p>\n Enfin, la complexit\u00e9 des mod\u00e8les pour donn\u00e9es en grappes augmente le risque de sur-param\u00e9trisation (overfitting<\/em>) et d’\u00e9chec de convergence des algorithmes math\u00e9matiques. L’inclusion excessive de variances et de covariances al\u00e9atoires pour de multiples pentes de r\u00e9gression engendre fr\u00e9quemment des matrices de variance non d\u00e9finies positives (singular fit<\/em>), obligeant le psychologue \u00e0 arbitrer entre le r\u00e9alisme th\u00e9orique de son mod\u00e8le et la parcimonie statistique exig\u00e9e par ses donn\u00e9es.<\/p>\n Pour clarifier sans ambigu\u00eft\u00e9 la nature des donn\u00e9es en grappes, il importe de les distinguer formellement de plusieurs concepts voisins :<\/p>\n La prise en compte de la structure des donn\u00e9es en grappes constitue un imp\u00e9ratif m\u00e9thodologique incontournable pour l’int\u00e9grit\u00e9 de la science psychologique. Les points essentiels \u00e0 retenir incluent :<\/p>\n La pr\u00e9sence d’observations embo\u00eet\u00e9es dans des contextes partag\u00e9s viole syst\u00e9matiquement l’hypoth\u00e8se d’ind\u00e9pendance statistique. Cette violation alt\u00e8re le calcul des erreurs-types et amplifie dramatiquement le risque de faux positifs si elle est ignor\u00e9e lors de l’application de r\u00e9gressions ou de tests param\u00e9triques classiques.<\/p>\n Le coefficient de corr\u00e9lation intraclasse ($rho$<\/span>) et l’effet de plan ($DEFF$<\/span>) sont les m\u00e9triques cardinales permettant de diagnostiquer l’intensit\u00e9 de la d\u00e9pendance group\u00e9e. Un coefficient de corr\u00e9lation intraclasse non nul justifie l’abandon des m\u00e9thodes par moindres carr\u00e9s ordinaires au profit d’approches statistiques hi\u00e9rarchiques.<\/p>\n Les mod\u00e8les lin\u00e9aires mixtes et les \u00e9quations d’estimation g\u00e9n\u00e9ralis\u00e9es offrent des solutions computationnelles \u00e9prouv\u00e9es. Ils permettent non seulement de corriger les biais d’inf\u00e9rence statistique, mais \u00e9galement d’enrichir la th\u00e9orisation psychologique en examinant conjointement les effets individuels, les influences contextuelles et les interactions trans-niveaux.<\/p>\n La puissance statistique dans les donn\u00e9es en grappes d\u00e9pend de fa\u00e7on pr\u00e9pond\u00e9rante du nombre d’unit\u00e9s d’ordre sup\u00e9rieur plut\u00f4t que du seul nombre total de participants individuels. Les devis exp\u00e9rimentaux doivent imp\u00e9rativement maximiser le recrutement des grappes (classes, th\u00e9rapeutes, organisations) pour garantir des inf\u00e9rences robustes et r\u00e9plicables.<\/p>\n D\u00e9couvrez la d\u00e9finition, les fondements th\u00e9oriques et les applications statistiques des donn\u00e9es en grappes en psychologie et sciences comportementales.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[1881,609],"tags":[6695,40142,40143,2219,9335,1942],"class_list":["post-23663","psych_term","type-psych_term","status-publish","hentry","category-methodologie-de-la-recherche","category-psychometrie-et-statistiques","tag-correlation-intraclasse","tag-donnees-en-grappes","tag-effets-mixtes","tag-methodologie-quantitative","tag-modeles-multiniveaux","tag-statistiques-en-psychologie"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/23663","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_term"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/23663\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=23663"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=23663"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=23663"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}3. Prononciation et forme grammaticale<\/h3>\n
4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n
5. \u00c9volution historique<\/h3>\n
6. Fondements th\u00e9oriques<\/h3>\n
7. Composantes cl\u00e9s, types et dimensions<\/h3>\n
\n
8. Exemples et cas illustratifs<\/h3>\n
9. Mesure et \u00e9valuation<\/h3>\n
10. Applications et port\u00e9e pratique<\/h3>\n
11. Recherche et preuves empiriques<\/h3>\n
12. Consid\u00e9rations culturelles et transculturelles<\/h3>\n
13. Critiques, d\u00e9bats et limites<\/h3>\n
14. Termes connexes et distinctions<\/h3>\n
\n
15. Synth\u00e8se et points cl\u00e9s<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n