Comment effectuer une ANOVA à deux facteurs dans Stata

L’analyse de variance factorielle, couramment désignée sous l’acronyme d’ANOVA à deux facteurs (ou two-way ANOVA), constitue l’un des piliers méthodologiques les plus robustes et les plus répandus au sein de la recherche contemporaine en sciences comportementales, en psychologie expérimentale, en neurosciences et en médecine clinique. Alors que l’analyse univariée simple limite l’investigation à l’influence isolée d’un facteur unique sur une métrique quantitative continue, le protocole factoriel permet d’examiner simultanément l’action conjointe de deux variables catégorielles indépendantes. Cette architecture analytique dépasse la simple juxtaposition de modèles indépendants en ouvrant la voie à la détection, à l’estimation et à l’interprétation des effets d’interaction. Ces derniers permettent de déterminer si l’impact d’un premier facteur se trouve modalisé, atténué ou exacerbé selon les modalités prises par le second facteur, reflétant ainsi la complexité intrinsèque des phénomènes biologiques et psychologiques.

Dans cet écosystème méthodologique, le logiciel statistique Stata s’impose comme une référence incontournable au sein de la communauté académique internationale. Grâce à son moteur computationnel rigoureux, sa syntaxe concise et sa panoplie d’outils d’inférence post-estimation, Stata offre aux chercheurs une flexibilité d’analyse inégalée. Le logiciel facilite non seulement l’estimation des modèles linéaires sous-jacents, mais permet également d’aborder avec une grande précision le calcul des moyennes marginales prédictives, le tracé graphique des interactions complexes, ainsi que la correction minutieuse des erreurs de type I inhérentes aux comparaisons multiples. Néanmoins, l’exécution aveugle de lignes de commande sans une compréhension profonde des principes mathématiques et des postulats de distribution expose l’analyste à des conclusions erronées ou à des biais d’interprétation majeurs.

Ce guide exhaustif a été conçu pour accompagner les chercheurs, biostatisticiens et doctorants dans la mise en œuvre rigoureuse d’une ANOVA factorielle à deux facteurs sous l’environnement Stata. De la théorisation du modèle linéaire général aux exigences formelles de publication selon les normes de l’American Psychological Association (APA 7e édition), chaque étape du pipeline analytique est minutieusement disséquée. Nous explorerons les fondements théoriques des plans factoriels, la vérification formelle des postulats d’homoscédasticité et de normalité résiduelle, l’ajustement des sommes des carrés dans les plans déséquilibrés, l’analyse fine des effets simples, la quantification normalisée des tailles d’effet, ainsi que les stratégies de modélisation alternative en présence d’hétéroscédasticité persistante.

1. Fondements théoriques de l’ANOVA à deux facteurs en sciences comportementales

1.1 Définition et objectifs du plan factoriel

Le plan d’expérience factoriel à deux variables indépendantes discrètes représente une modalité expérimentale où chaque niveau d’un premier facteur catégoriel est croisé avec chaque niveau d’un second facteur catégoriel. Contrairement aux approches réductionnistes qui étudient un facteur à la fois tout en maintenant artificiellement les autres variables constantes, le plan factoriel capture l’hétérogénéité naturelle des contextes d’investigation. Dans un protocole factoriel complet, dit plan factoriel complètement croisé, l’ensemble des cellules expérimentales issues de la combinatoire des modalités des deux facteurs est renseigné par des observations empiriques, ce qui permet d’isoler à la fois les dynamiques propres à chaque variable et leurs interdépendances structurelles.

D’un point de vue méthodologique, l’emploi d’un plan factoriel présente des avantages déterminants par rapport à la multiplication séquentielle de tests t de Student ou d’ANOVA univariées à un seul facteur. En premier lieu, il permet de préserver l’économie générale du protocole expérimental : un seul échantillon global de participants permet de tester simultanément plusieurs hypothèses de recherche, réduisant ainsi drastiquement les coûts humains et logistiques de l’échantillonnage. En deuxième lieu, l’analyse conjointe permet de contrôler plus efficacement la variance résiduelle non expliquée. En extrayant systématiquement de l’erreur expérimentale la part de variance attribuable au second facteur ainsi qu’à l’interaction, la précision statistique du test se trouve accrue, ce qui augmente substantiellement la puissance statistique globale du dispositif.

Les applications pratiques de ce paradigme abondent en psychologie clinique, en sciences cognitives et en pharmacologie expérimentale. Par exemple, un chercheur en neuropsychopharmacologie peut vouloir évaluer l’efficacité différentielle de plusieurs molécules thérapeutiques (Facteur A : Molécule active, Placebo, Traitement de référence) selon le génotype spécifique des patients (Facteur B : Allèle à risque versus Allèle protecteur). De même, en ergonomie cognitive, on mesurera le temps de réaction face à différentes interfaces numériques selon le niveau d’expertise des utilisateurs (Débutants versus Experts). Ces paradigmes démontrent que l’effet d’une intervention est rarement universel : il est quasi-systématiquement conditionné par les caractéristiques individuelles ou contextuelles des sujets observés.

Il est enfin fondamental d’opérer une distinction conceptuelle nette entre les facteurs à effets fixes, les facteurs à effets aléatoires et les modèles dits mixtes. Un facteur est qualifié d’effet fixe lorsque l’ensemble exhaustif des modalités qui intéressent l’investigateur est inclus dans le design d’étude (par exemple, le sexe biologique ou un nombre déterminé de dosages pharmacologiques). Les inférences statistiques tirées du modèle se limitent alors strictement à ces niveaux précis. Inversement, un facteur est dit à effets aléatoires lorsque les modalités incluses constituent un échantillon représentatif tiré au hasard d’une population plus vaste de modalités potentielles (par exemple, des classes d’écoles, des sites cliniques ou des thérapeutes). Enfin, les plans mixtes combinent simultanément au moins un facteur à effets fixes et un facteur à effets aléatoires, nécessitant des ajustements computationnels spécifiques au niveau des carrés moyens résiduels.

1.2 Effets principaux et effet d’interaction

L’architecture logique de l’ANOVA à deux facteurs repose sur la partition tripartite de la variance expliquée entre les effets principaux des deux facteurs et leur terme d’interaction. L’effet principal d’un premier facteur représente l’impact moyen global de cette variable indépendante sur la variable dépendante continue, calculé en agrégeant l’ensemble des modalités du second facteur. Mathématiquement, cela revient à comparer les moyennes marginales de chaque modalité du facteur considéré comme si le second facteur n’exerçait aucune influence modulatrice ou était parfaitement équilibré. L’analyste examine ici la question fondamentale suivante : indépendamment de toute autre variable considérée dans l’étude, existe-t-il une divergence statistiquement significative entre les niveaux de ce facteur ?

De manière rigoureusement analogue, l’effet principal du second facteur appréhende l’action moyenne isolée de cette seconde variable sur la réponse observée, après avoir neutralisé les fluctuations induites par les différents paliers du premier prédicteur. Bien que ces effets principaux offrent une vision globale du phénomène, leur interprétation isolée peut s’avérer trompeuse en présence d’une interdépendance fonctionnelle entre les variables explicatives. C’est précisément là qu’intervient le concept mathématique et conceptuel de l’interaction bidirectionnelle, formalisé par le produit croisé des deux facteurs dans l’équation linéaire.

L’interaction statistique quantifie la mesure dans laquelle l’effet d’un facteur varie en amplitude ou en direction en fonction du niveau auquel se situe le second facteur. Sur le plan théorique, l’existence d’une interaction indique que les deux facteurs ne se contentent pas d’additionner leurs influences respectives de manière indépendante, mais agissent de concert pour produire un résultat singulier. Deux grandes typologies d’interactions méritent une attention analytique rigoureuse : les interactions ordinales et les interactions croisées (ou non-ordinales).

Dans une interaction ordinale, l’amplitude de l’effet d’un facteur varie selon les niveaux de l’autre, mais la hiérarchie relative des moyennes demeure constante : les courbes de profil représentées graphiquement ne se coupent pas, conservant le même sens de pente bien que l’écart entre elles fluctue. En revanche, dans une interaction croisée, les droites ou courbes de réponse se croisent de manière flagrante : l’effet d’un facteur peut être hautement positif sous une condition donnée, devenir totalement nul sous une autre, voire s’inverser complètement sous une troisième condition. La présence d’une interaction croisée invalide l’interprétation substantielle des effets principaux pris isolément, car affirmer qu’un facteur produit un effet global moyen occulte le fait empirique que son action est diamétralement opposée selon le sous-groupe considéré.

1.3 Le modèle linéaire sous-jacent

Sur le plan formel, l’ANOVA factorielle à deux facteurs s’enracine pleinement dans le cadre unifié du modèle linéaire général. Pour une observation individuelle donnée, identifiée par l’indice k, appartenant au niveau i du premier facteur (comportant I modalités) et au niveau j du second facteur (comportant J modalités), l’équation fondamentale du modèle s’énonce sous sa forme paramétrique classique :

Y_ijk = μ + α_i + β_j + (αβ)_ij + ε_ijk

Dans cette formulation, Y_ijk représente la valeur observée de la variable continue dépendante pour le k-ième sujet au sein de la cellule (i, j). Le paramètre μ désigne la moyenne générale théorique (ou grand mean) de l’ensemble de la population statistique. Le terme α_i correspond à l’effet spécifique du niveau i du facteur A, mesuré comme l’écart différentiel par rapport à la moyenne globale sous la contrainte d’identifiabilité usuelle voulant que la somme des α_i soit égale à zéro. De même, β_j matérialise l’effet propre au niveau j du facteur B, sous la contrainte équivalente que la somme des β_j s’annule. Le terme (αβ)_ij représente la composante d’interaction non additive spécifique à la cellule (i, j), mesurant la déviation de la moyenne de cellule par rapport aux prédictions purement additives des effets principaux. Enfin, ε_ijk incarne le terme d’erreur résiduelle aléatoire, postulée indépendante et identiquement distribuée selon une loi normale d’espérance nulle et de variance constante.

L’estimation des paramètres repose sur la décomposition arithmétique rigoureuse de la variance totale observée, exprimée sous la forme de la somme des carrés totale (Total Sum of Squares, SST). Cette variabilité globale est scindée en deux macro-composantes orthogonales : la somme des carrés inter-groupes ou du modèle (Model Sum of Squares, SSM) et la somme des carrés intra-groupes ou résiduelle (Error Sum of Squares, SSE). La composante du modèle est elle-même subdivisée pour isoler la contribution unique de chaque source de variation :

SST = SSA + SSB + SSAB + SSE

Chacune de ces sommes de carrés est indissociable d’un nombre spécifique de degrés de liberté (ddl), reflétant le nombre de comparaisons indépendantes possibles au sein de la matrice factorielle. Si l’on note N l’effectif total d’observations, la distribution des degrés de liberté s’établit comme suit :

• Facteur A : df_A = I – 1
• Facteur B : df_B = J – 1
• Interaction AB : df_AB = (I – 1) × (J – 1)
• Erreur résiduelle : df_E = N – (I × J)
• Total : df_Total = N – 1

Le ratio de chaque somme des carrés par son degré de liberté respectif fournit les carrés moyens (Mean Squares, MS). La statistique d’inférence de Fisher-Snedecor (statistique F) est ensuite générée en calculant le rapport entre le carré moyen d’un effet donné et le carré moyen de l’erreur résiduelle, constituant le fondement du rejet probabiliste de l’hypothèse nulle.

2. Formulation des hypothèses statistiques et spécification du modèle

2.1 Hypothèses nulles et alternatives

L’implémentation opérationnelle de l’ANOVA factorielle à deux facteurs nécessite l’énonciation probabiliste formelle de trois couples distincts d’hypothèses statistiques. Chaque couple met en concurrence une hypothèse nulle (H₀), stipulant l’absence de tout effet systématique au sein de la population parente, et une hypothèse alternative (H₁), postulant l’existence d’une hétérogénéité significative des paramètres modélisés. Contrairement aux tests unilatéraux orientés, l’ANOVA opère un test omnibus global qui évalue l’égalité simultanée d’un ensemble de paramètres.

Le premier ensemble d’hypothèses cible l’effet principal du facteur A. L’hypothèse nulle postule que l’ensemble des effets différentiels α_i est rigoureusement nul, ou de façon équivalente, que les moyennes marginales associées à chaque niveau de A sont parfaitement identiques entre elles :

H_0(A) : μ_1. = μ_2. = … = μ_I. versus H_1(A) : ∃ (i, i’) tel que μ_i. ≠ μ_i’.

Le deuxième ensemble concerne l’effet principal du facteur B. L’hypothèse nulle formalise l’invariance des moyennes marginales du facteur B à travers l’ensemble de ses J modalités :

H_0(B) : μ_.1 = μ_.2 = … = μ_.J versus H_1(B) : ∃ (j, j’) tel que μ_.j ≠ μ_.j’

Le troisième ensemble, souvent le plus déterminant sur le plan de la validité théorique, interroge la significativité du terme d’interaction bidirectionnelle. L’hypothèse nulle d’absence d’interaction stipule que la différence de moyennes entre deux niveaux quelconques du facteur A demeure rigoureusement invariante quel que soit le niveau considéré du facteur B, ce qui se traduit par l’annulation conjointe de tous les coefficients (αβ)_ij :

H_0(AB) : (αβ)_ij = 0 pour tout couple (i, j) versus H_1(AB) : ∃ (i, j) tel que (αβ)_ij ≠ 0

Les conséquences inférentielles découlant du rejet de l’une ou plusieurs de ces hypothèses conditionnent la totalité de la trajectoire analytique subséquente. Si l’hypothèse nulle de l’interaction H_0(AB) est maintenue (p ≥ 0,05), l’analyste est fondé à interpréter directement les effets principaux H_0(A) et H_0(B). En revanche, le rejet formel de H_0(AB) signifie que le modèle additif est inadéquat pour décrire la complexité des données : l’interprétation des effets principaux globaux devient méthodologiquement subsidiaire, voire trompeuse, imposant une décomposition détaillée des effets simples au sein de chaque sous-groupe factoriel.

2.2 Équilibrage des plans expérimentaux

L’équilibre structurel d’un plan factoriel dépend de la répartition numérique des observations au sein des différentes cellules expérimentales formées par le croisement des facteurs. Un plan d’expérience est qualifié d’équilibré (ou balancé) lorsque l’effectif d’échantillonnage est strictement identique dans chacune des I × J cellules du dispositif (n_ij = n pour tout i et tout j). Dans cette configuration idéale, les facteurs A, B et leur terme d’interaction bénéficient d’une propriété mathématique fondamentale : l’orthogonalité parfaite. L’orthogonalité garantit que les sommes des carrés attribuables à chaque source de variation sont totalement indépendantes les unes des autres. La variance expliquée par un facteur ne chevauche en aucune manière celle expliquée par un autre, assurant une décomposition univoque de la variance globale sans ambiguïté de calcul.

Dans la pratique de la recherche empirique, particulièrement dans les études cliniques, sociologiques ou épidémiologiques, les plans d’expérience deviennent fréquemment déséquilibrés. Cette distorsion résulte d’abandons en cours d’expérimentation (attrition des participants), de données manquantes non aléatoires, ou de contraintes d’échantillonnage inhérentes aux populations rares. Dès lors que les effectifs de cellule deviennent inégaux, l’orthogonalité est irréversiblement rompue : les facteurs se trouvent corrélés entre eux. Cette colinéarité artificielle induit un phénomène de redondance où certaines fractions de la variance expliquée peuvent être attribuées indistinctement au facteur A, au facteur B, ou à leur interaction conjointe.

Face à cette complexité, la méthode d’estimation dépend crucialement du type de décomposition des sommes des carrés retenu dans le moteur d’estimation statistique. La théorie statistique distingue classiquement trois approches fondamentales, désignées sous les vocables de sommes des carrés de Type I, Type II et Type III :

• Type I (Sommes des carrés séquentielles ou hiérarchiques) : Dans cette modalité, les facteurs sont introduits successivement dans le modèle selon un ordre spécifié par l’utilisateur. Le premier facteur incorporé capte toute la variance qu’il peut expliquer ; le second facteur ne capte que la variance incrémentale non expliquée par le premier, et le terme d’interaction ne reçoit que la variance résiduelle finale. Cette approche dépend lourdement de l’ordre d’entrée des variables, ce qui la rend inappropriée pour tester des hypothèses factorielles sans préséance théorique absolue.
• Type II (Sommes des carrés hiérarchiques ajustées) : Chaque effet principal est estimé en étant ajusté pour l’autre effet principal, mais en ignorant délibérément le terme d’interaction d’ordre supérieur. Cette approche est hautement recommandée par de nombreux statisticiens lorsque l’interaction est présumée absente ou scientifiquement négligeable, car elle offre une puissance statistique accrue pour l’évaluation des effets principaux.
• Type III (Sommes des carrés marginales ou partielles) : Dans cette méthode, la somme des carrés associée à chaque effet est calculée en contrôlant rigoureusement pour l’ensemble des autres termes présents dans le modèle, y compris les interactions d’ordre supérieur. Chaque effet reflète ainsi la variance unique et non partagée qu’il apporte à la prédiction de la réponse. C’est l’approche standard adoptée par défaut dans la grande majorité des progiciels statistiques contemporains pour les plans déséquilibrés, car elle garantit que les tests des effets principaux restent invariants face aux variations d’effectifs marginaux.

Dans l’environnement Stata, la commande native d’analyse factorielle exécute par défaut les sommes des carrés partielles de Type III, garantissant une cohérence optimale dans l’évaluation des contrastes factoriels au sein de sous-groupes asymétriques.

3. Vérification préalable des postulats de l’ANOVA sous Stata

3.1 Indépendance des observations

L’indépendance statistique des observations représente le postulat le plus critique et le moins négociable de l’analyse de variance factorielle. Cette condition fondamentale exige que la valeur prise par la variable dépendante pour un individu donné ne soit en aucun cas influencée, conditionnée ou liée à la valeur mesurée chez un quelconque autre participant de l’échantillon. Mathématiquement, cela implique que la covariance entre les erreurs résiduelles de deux observations distinctes soit strictement nulle : Cov(ε_k, ε_k’) = 0 pour tout k ≠ k’.

Contrairement aux postulats de distributionnelle normale ou d’égalité des variances, l’indépendance ne peut être évaluée ou certifiée par un test statistique formel post-hoc. Elle relève exclusivement de la validité interne du dispositif expérimental et de la rigueur de l’échantillonnage. Le recours à un échantillonnage probabiliste aléatoire et à une assignation randomisée en double aveugle des sujets au sein des différentes conditions expérimentales constitue la seule garantie méthodologique assurant la rupture de tout lien de dépendance systématique entre les unités d’observation.

La violation de cette hypothèse survient fréquemment lorsqu’il existe des structures de regroupement naturel, telles que des patients traités par un même clinicien, des élèves appartenant à une même classe scolaire, ou des mesures collectées séquentiellement dans le temps sans neutralisation de l’autocorrélation. Cette corrélation intra-classe engendre une sous-estimation dramatique de la variance d’échantillonnage de l’erreur résiduelle, ce qui gonfle artificiellement la statistique de test F et démultiplie le taux d’erreur de type I (rejet intempestif de l’hypothèse nulle en l’absence d’effet réel). Il convient en outre de distinguer scrupuleusement les facteurs inter-sujets (où chaque participant n’est assigné qu’à une seule et unique cellule) des plans à mesures répétées ou intra-sujets, ces derniers exigeant des spécifications d’ANOVA pour mesures répétées ou des modèles linéaires mixtes hiérarchiques.

3.2 Normalité de la distribution des résidus

L’inférence paramétrique de l’ANOVA repose sur l’hypothèse formelle selon laquelle les termes d’erreur résiduelle ε_ijk suivent une loi normale au sein de chaque sous-population associée à une cellule expérimentale. Il importe de souligner une méprise conceptuelle récurrente dans la littérature appliquée : ce n’est pas la variable dépendante brute qui doit présenter une allure gaussienne à l’échelle de l’échantillon agrégé, mais bien la composante résiduelle non expliquée par le modèle après soustraction des moyennes de cellules respectives. Évaluer la normalité de la variable dépendante sans la scinder par groupe constitue une erreur méthodologique fréquente, car la juxtaposition de plusieurs sous-groupes présentant des moyennes distinctes engendre naturellement une distribution bimodale ou multimodale, parfaitement compatible avec des résidus locaux rigoureusement normaux.

Dans l’écosystème Stata, l’évaluation de cette normalité résiduelle s’opère par une combinaison articulée d’outils visuels diagnostiques et de procédures de test formelles. L’approche graphique repose principalement sur la construction de diagrammes quantile-quantile (Q-Q plots). Après avoir ajusté le modèle factoriel et généré les résidus standardisés à l’aide de la commande predict res, rstandard, la commande Stata qnorm res permet de tracer les quantiles de la distribution empirique des résidus en regard des quantiles théoriques issus d’une loi normale standardisée. Tout écart systématique par rapport à la diagonale de référence matérialise une distorsion morphologique de la distribution, qu’il s’agisse d’une asymétrie marquée ou d’un aplatissement anomal (queues lourdes ou légères).

Sur le plan des tests inférentiels quantitatifs, Stata offre plusieurs commandes spécialisées. Le test de D’Agostino, d’asymétrie et de kurtosis, exécuté via la commande sktest res, évalue simultanément si le coefficient d’asymétrie (skewness) et le coefficient d’aplatissement (kurtosis) dévient de manière significative des valeurs attendues pour une loi normale (respectivement 0 et 3). Conjointement, le test de Shapiro-Wilk, sollicité au moyen de la syntaxe swilk res, teste la conformité globale de la distribution résiduelle pour des échantillons de taille modérée (N < 2000). Une valeur p inférieure au seuil critique conventionnel de 0,05 conduit au rejet de l’hypothèse de normalité.

Il convient néanmoins de tempérer la sévérité de ces diagnostics à la lumière du théorème central limite. L’ANOVA factorielle démontre une robustesse reconnue face à des déviations modérées de la normalité, à condition que les distributions ne présentent pas d’asymétrie extrême et que les effectifs par cellule soient raisonnablement dimensionnés (n > 20 à 30 observations par groupe). En présence d’échantillons volumineux, les tests formels comme celui de Shapiro-Wilk deviennent par ailleurs hyper-sensibles à des déviations minimes et sans conséquence pratique sur le taux d’erreur nominal, conférant au jugement graphique par diagramme quantile-quantile une primauté décisionnelle.

3.3 Homoscédasticité des variances

Le postulat d’homogénéité des variances, ou homoscédasticité, stipule que la variance de la variable dépendante doit demeurer invariante à travers l’ensemble des cellules expérimentales définies par le croisement des facteurs : σ²₁₁ = σ²₁₂ = … = σ²_IJ = σ². La présence d’hétéroscédasticité compromet l’exactitude de l’estimation de l’erreur résiduelle globale (le dénominateur du ratio F), introduisant des biais d’inférence substantiels. Si des cellules à faibles effectifs présentent de fortes variances tandis que des cellules à grands effectifs présentent de faibles variances, le test F devient indûment libéral, augmentant massivement les faux positifs. Dans la configuration symétrique inverse, le test devient excessivement conservateur, étouffant la découverte d’effets scientifiquement authentiques.

L’évaluation statistique de l’homoscédasticité s’effectue sous Stata principalement par le biais du test de Levene, complété par ses variantes robustes proposées par Brown et Forsythe. La commande Stata robvar constitue l’outil de référence pour cette vérification. Appliquée à une variable de regroupement croisée synthétisant l’appartenance factorielle, la commande calcule trois métriques complémentaires : la statistique de Levene basée sur l’écart moyen par rapport à la moyenne du groupe, la statistique de Brown-Forsythe basée sur la médiane (hautement résistante aux valeurs aberrantes), et une variante fondée sur la moyenne tronquée à 10 %. L’obtention d’une valeur de p supérieure à 0,05 valide le postulat d’homogénéité.

Historiquement, le test de Bartlett (disponible sous Stata via l’option oneway depvar group, bartlett) a été largement employé pour tester l’égalité des variances. Toutefois, la littérature méthodologique déconseille son usage routinier en raison de son hypersensibilité extrême aux dérogations à la normalité : si les données dévient tant soit peu de la distribution gaussienne, le test de Bartlett rejettera erronément l’hypothèse d’homoscédasticité, confondant asymétrie distributionnelle et disparité de variance.

Lorsque l’hétéroscédasticité est formellement constatée au sein du plan factoriel, plusieurs stratégies de remédiation s’offrent à l’analyste. La première consiste à appliquer des transformations mathématiques stabilisatrices de variance sur la variable dépendante, telles que la transformation logarithmique (particulièrement adaptée aux asymétries positives), la transformation racine carrée (pour les données de comptage) ou la transformation réciproque. La seconde approche, plus moderne et respectueuse de l’échelle d’origine des mesures, consiste à abandonner l’hypothèse homoscédastique au profit d’une estimation linéaire robuste des variances en utilisant des erreurs-types hétéroscédastiques-consistantes (modèle de Huber-White), ou à recourir aux modèles linéaires généralisés (GLM).

4. Préparation de l’environnement de travail et du jeu de données dans Stata

4.1 Chargement du jeu de données d’exemple

Afin d’illustrer de manière concrète et reproductible chaque étape du processus computationnel, nous utiliserons un jeu de données canonique issu directement des serveurs officiels de StataCorp : l’archive systolic. Cette ressource pédagogique et biomédicale permet d’étudier l’évolution de la pression artérielle systolique sous l’influence combinée de différents protocoles thérapeutiques et du profil physiopathologique des sujets.

Pour charger directement ce jeu de données dans la mémoire vive de la session Stata active, il convient d’exécuter la commande webuse dans la console ou au sein d’un fichier script :

webuse systolic, clear

Le jeu de données se compose de trois variables principales, totalisant 58 observations individuelles distribuées au sein d’une structure factorielle déséquilibrée :

• systolic : Variable continue dépendante mesurant la variation relative (en millimètres de mercure, mmHg) de la pression artérielle systolique observée chez le patient après administration de l’intervention clinique.
• drug : Premier facteur catégoriel indépendant représentant le type de traitement pharmacologique administré. Ce facteur comporte 4 modalités distinctes (codées numériquement de 1 à 4), où le niveau 1 correspond typiquement à un groupe témoin recevant un placebo, et les niveaux 2, 3 et 4 désignent différentes molécules hypotensives actives à l’étude.
• disease : Second facteur catégoriel indépendant caractérisant la pathologie clinique sous-jacente du patient. Cette variable comporte 3 modalités distinctes (codées de 1 à 3), reflétant différents degrés ou formes étiologiques d’hypertension artérielle.

Le croisement de ces deux facteurs génère un plan factoriel complet 4 × 3, comprenant 12 cellules expérimentales distinctes. La particularité méthodologique fondamentale de cet échantillon de 58 observations réside dans son asymétrie numérique : le nombre de patients par cellule n’est pas strictement identique (variant entre 4 et 6 sujets selon les croisements), ce qui en fait un cas d’école idéal pour appréhender le traitement rigoureux des plans factoriels déséquilibrés et l’emploi des sommes des carrés partielles de Type III.

4.2 Inspection des données brutes

Dès le chargement de la base d’investigation, une démarche rigoureuse impose un audit minutieux des variables afin d’identifier d’éventuelles anomalies de saisie, des valeurs manquantes non documentées ou des distorsions d’échantillonnage. Dans Stata, cette exploration préliminaire s’initie par l’inspection visuelle directe de la matrice de données au moyen de la commande browse, laquelle ouvre le visualiseur sans risque d’altération accidentelle des enregistrements (contrairement à la commande edit, qui autorise la modification directe des cellules et doit être évitée en phase d’audit pur).

L’interrogation synthétique de l’architecture du fichier s’exécute à l’aide des commandes fondamentales describe et codebook. La commande describe renseigne sur le nombre total d’observations, le nombre de colonnes, les types de stockage machine (byte, int, float, double) et l’existence d’étiquettes préalables. Dans notre jeu de données systolic, on observe que systolic est stockée sous un format entier (int) tandis que drug et disease sont enregistrées sous un format compact (byte), garantissant une gestion optimale de la mémoire vive.

La commande codebook fournit quant à elle une analyse structurelle plus fine en dénombrant avec exactitude les valeurs manquantes (notées sous forme de points d’interrogation ou de system missing « . » dans Stata), les valeurs uniques prises par chaque champ, ainsi que les quantiles fondamentaux. L’analyste doit impérativement s’assurer qu’aucune valeur négative aberrante n’entache la variable dépendante (sauf si une baisse de tension est explicitement modélisée sous forme de différentiel négatif) et qu’aucune modalité numérique imprévue (par exemple un code 5 pour la variable drug) n’a été insérée par erreur lors de l’encodage clinique initial. Pour les 58 observations de l’échantillon systolic, aucune donnée manquante n’est recensée, assurant la complétude de l’échantillon d’analyse.

4.3 Labellisation et recodage des variables

La lisibilité, la reproductibilité et la conformité aux normes scientifiques des sorties générées par Stata reposent directement sur la qualité de l’habillage sémantique des variables. Des variables catégorielles dépourvues de libellés textuels explicites contraignent l’analyste à des allers-retours fastidieux avec le dictionnaire des codes et multiplient le risque d’erreur d’interprétation lors de la rédaction des manuscrits académiques.

Le protocole de labellisation sous Stata s’articule en deux étapes interdépendantes : la définition d’un masque de libellés via la directive label define, suivie de l’application de ce masque aux modalités de la variable cible au moyen de la directive label values. Dans le cadre de notre jeu de données, les instructions s’énoncent avec une clarté exemplaire :

label define drug_lbl 1 « Placebo » 2 « Molécule A » 3 « Molécule B » 4 « Molécule C »
label values drug drug_lbl
label define disease_lbl 1 « Stade I » 2 « Stade II » 3 « Stade III »
label values disease disease_lbl

De surcroît, il est primordial d’adjoindre une description substantielle aux variables elles-mêmes afin de documenter leur unité de mesure dans les métadonnées du fichier via la commande label variable :

label variable systolic « Variation de pression artérielle systolique (mmHg) »
label variable drug « Protocole médicamenteux administré »
label variable disease « Stade de sévérité de la pathologie »

L’ensemble de ces instructions préparatoires doit être systématiquement consigné dans un script Do-file structuré, commenté et horodaté. Ce Do-file constitue la clé de voûte de la reproductibilité scientifique, garantissant qu’un tiers ou un auditeur puisse réexécuter l’intégralité de la chaîne de traitement depuis les micro-données brutes jusqu’aux estimations finales sans divergence de résultat.

5. Exploration descriptive et visualisation graphique des sous-groupes

5.1 Statistiques descriptives par cellule expérimentale

Avant d’engager les calculs d’inférence statistique et de tester formellement les rapports de variance, l’analyste se doit d’explorer minutieusement les propriétés empiriques de chaque sous-groupe factoriel. Cette immersion descriptive vise à appréhender la distribution centrale des données, à évaluer la dispersion interne des mesures et à détecter intuitivement les éventuelles ruptures de tendance signalant des effets principaux ou des interactions saillantes.

Stata met à disposition plusieurs commandes d’agrégation d’une grande efficacité opérationnelle. La commande classique tabulate, enrichie de l’option summarize(), permet de générer instantanément un tableau croisé matriciel affichant pour chacune des 12 combinaisons factorielles la moyenne arithmétique, l’écart-type ainsi que l’effectif valide :

tabulate drug disease, summarize(systolic)

L’examen minutieux de la matrice numérique issue de cette commande révèle des écarts remarquables. Les moyennes de variation de pression systolique oscillent entre des valeurs modestes chez les sujets sous placebo (par exemple une moyenne autour de 6 mmHg au stade I de la maladie) et des réductions substantielles sous principes actifs avancés (atteignant des moyennes excédant 25 à 30 mmHg pour certains croisements thérapeutiques). Cette analyse tabulaire permet également de vérifier visuellement le déséquilibre d’échantillonnage : on constate que certaines cellules comportent 4 sujets tandis que d’autres en comptent 5 ou 6. Pour des investigations descriptives encore plus détaillées intégrant les médianes, écarts interquartiles et erreurs-types, l’instruction table (drug) (disease), statistic(mean systolic) statistic(sd systolic) statistic(n systolic) génère des rapports tabulaires impeccablement calibrés pour l’exportation vers des traitements de texte scientifiques.

5.2 Visualisation graphique préliminaire

L’exploration descriptive demeure incomplète sans une projection visuelle des distributions empiriques. Le tracé de diagrammes en boîte à moustaches (boxplots) représente la démarche diagnostique la plus féconde pour apprécier simultanément la tendance centrale, la symétrie de la distribution, la dispersion interquartile et l’existence d’observations aberrantes au sein de chaque sous-population d’intérêt.

Sous Stata, la commande graph box permet de segmenter graphiquement la variable dépendante en combinant les deux facteurs indépendants via l’option over() :

graph box systolic, over(drug) over(disease) ytitle(« Variation tensionnelle (mmHg) ») title(« Distribution de la pression systolique par groupe »)

Cette visualisation met en exergue l’amplitude comparative des écarts interquartiles représentés par la hauteur des boîtes. Une disparité visuelle flagrante entre la hauteur des boîtes d’une cellule à l’autre fournit un signal d’alerte quant à une potentielle violation du postulat d’homoscédasticité. De même, les observations se positionnant au-delà de 1,5 fois l’écart interquartile (matérialisées par des points isolés à l’extérieur des moustaches) identifient immédiatement des valeurs extrêmes susceptibles d’exercer un levier excessif sur l’estimation de la moyenne quadratique.

Stata permet une personnalisation esthétique poussée de ces figures. L’analyste peut modifier les palettes de couleurs, intégrer des trames monochromes adaptées à l’impression académique, ajuster l’orientation des étiquettes d’axes pour éviter les chevauchements textuels et exporter l’illustration finale sous des formats vectoriels haute définition (tels que le format EPS ou PDF) via la syntaxe graph export boxplot_initial.pdf, replace.

6. Exécution syntaxique de l’ANOVA factorielle avec Stata

6.1 Syntaxe fondamentale de la commande anova

L’ajustement du modèle factoriel sous Stata repose sur la commande native anova, dont la syntaxe modulaire permet de spécifier des architectures d’analyse de complexité arbitraire. Dans sa logique structurelle, la commande exige la désignation immédiate de la variable continue dépendante, suivie séquentiellement de la liste des facteurs indépendants catégoriels et de leurs croisements multiplicatifs.

Dans les versions contemporaines de Stata, la gestion des variables discrètes est optimisée par le système d’opérateurs de variables factorielles (factor variables), caractérisé par l’usage du préfixe i.. Pour expliciter un plan d’expérience croisé complet à deux facteurs comportant les effets principaux et le terme d’interaction, la syntaxe exhaustive s’énonce traditionnellement :

anova systolic drug disease drug#disease

Dans cette écriture, le symbole dièse unique (#) ordonne explicitement au moteur de calcul de construire le terme d’interaction entre les deux facteurs sans réinjecter leurs effets principaux au-delà de ce qui a déjà été libellé. Toutefois, Stata dispose d’un raccourci d’une grande élégance syntaxique : l’opérateur double dièse (##). Cet opérateur factoriel instruit automatiquement le logiciel de modéliser simultanément l’ensemble des effets principaux individuels ainsi que toutes les interactions d’ordre inférieur et supérieur qui en découlent. Par conséquent, la commande suivante produit un résultat strictement identique à la formulation précédente :

anova systolic drug##disease

L’usage explicite de la notation factorielle i.drug##i.disease bien que facultatif au sein de la commande native anova (qui présume par convention que tous les prédicteurs non continus sont catégoriels) devient hautement recommandé par mesure de rigueur méthodologique, notamment pour garantir une interopérabilité sans faille avec l’ensemble des suites de commandes post-estimation comme margins.

6.2 Gestion des termes d’interaction dans la commande

La distinction syntaxique entre un modèle purement additif et un modèle complet avec interaction reflète deux postulats théoriques fondamentalement divergents quant à la nature du phénomène investigué. Si l’investigateur postule, sur la base de connaissances théoriques préalables solides ou d’objectifs de modélisation spécifiques, que l’efficacité du médicament est strictement indépendante du stade pathologique du patient, il peut contraindre le modèle à un schéma purement additif en omettant délibérément le produit croisé :

anova systolic drug disease

Dans cette configuration additive, le modèle alloue l’intégralité de la variance factorielle uniquement aux effets principaux de drug et de disease, rejetant toute variation conjointe résiduelle directement dans le terme d’erreur SSE. Il s’agit là d’une contrainte statistique forte : si une interaction réelle existe au sein de la population mais se trouve bannie du modèle, la variance d’erreur résiduelle sera artificiellement gonflée, dégradant la sensibilité des tests F associés aux effets principaux.

Un autre aspect technique crucial réside dans le contrôle de la matrice de plan générée en interne par Stata. L’analyste doit garder à l’esprit que, par défaut, la commande anova traite l’ensemble des cellules selon une paramétrisation en sommes des carrés partielles de Type III. L’ordre d’écriture physique des variables dans la syntaxe (par exemple drug##disease versus disease##drug) n’exerce donc strictement aucune influence sur les valeurs numériques des statistiques F, des carrés moyens ou des seuils de significativité obtenus pour chaque terme. Cette invariance garantit l’objectivité des conclusions scientifiques face aux variations arbitraires d’écriture de code.

7. Lecture et décomposition de la table de sortie ANOVA

7.1 Analyse globale du modèle statistique

À la suite de l’exécution de la commande factorielle, Stata compile et restitue l’ensemble des paramètres au sein d’une table d’analyse de variance synthétique. La lecture éclairée de cette table requiert une progression ordonnée, initiée par l’évaluation macroscopique de l’ajustement global du modèle linéaire avant de descendre au niveau des effets analytiques individuels.

La partie supérieure du tableau d’affichage délivre les métriques résumées du système d’équations :

• Number of obs : Indique la taille effective de l’échantillon retenu dans le calcul d’inférence (dans notre exemple, N = 58).
• R-squared (R²) : Représente le coefficient de détermination multiple global. Il quantifie la proportion de variance de la variable dépendante expliquée conjointement par l’ensemble des termes incorporés dans le modèle (effets principaux et interaction). Une valeur de R² égale à 0,54 indique par exemple que 54 % de la variabilité globale de la pression artérielle systolique est capturée par la prise en compte du traitement, de la maladie et de leur synergie.
• Adj R-squared (R² ajusté) : Corrige le coefficient de détermination standard pour tenir compte du nombre de paramètres estimés en regard de la taille d’échantillon disponible. Contrairement au R² qui s’accroît mécaniquement à chaque adjonction de paramètre, le R² ajusté pénalise l’introduction de termes non parcimonieux, fournissant une estimation non biaisée de la validité du modèle dans la population parente.
• Root MSE : Matérialise l’écart-type résiduel estimé (racine carrée du carré moyen de l’erreur, √MSE). Il chiffre l’erreur type moyenne de prédiction exprimée dans l’unité native de la variable continue (ici, en mmHg).

La première ligne du corps du tableau, intitulée Model, récapitule la variance globale expliquée par l’ensemble du dispositif expérimental. On y lit la somme des carrés du modèle (SS_Model = SSA + SSB + SSAB), le total des degrés de liberté associés (df_Model = (I – 1) + (J – 1) + (I – 1)(J – 1)), et le carré moyen résultant (MS_Model = SS_Model / df_Model). Le test F global associé confronte le modèle factoriel complet à un modèle purement aléatoire n’incluant que la constante (la moyenne générale). L’obtention d’une statistique F globale hautement significative avec une p-valeur très inférieure au seuil critique conventionnel (p < 0,001) autorise formellement l’analyste à rejeter l’hypothèse nulle générale et à affirmer que le dispositif expérimental explique une part substantielle de la variabilité mesurée.

7.2 Interprétation des effets principaux individuels

Une fois validée la significativité globale du modèle, l’attention se porte sur les lignes factorielles isolant la contribution spécifique de chaque effet principal : les lignes libellées drug et disease.

Pour le facteur drug, qui dispose de 4 modalités, les degrés de liberté associés s’élèvent logiquement à df = 4 – 1 = 3. La table de Stata renseigne la somme des carrés partielle de Type III (Partial SS), calculée en mesurant la perte d’ajustement du modèle si le terme drug venait à être retranché alors que disease et l’interaction demeurent présents. Le carré moyen (MS) est ensuite divisé par le carré moyen résiduel de la ligne Residual pour obtenir la statistique de Fisher :

F_drug = MS_drug / MS_Residual

Dans l’échantillon d’exemple systolic, l’examen de cette statistique révèle typiquement un rapport F de magnitude très élevée (couramment F > 9 avec df = (3, 46), affichant une p-valeur rigoureusement inférieure à 0,0001). Ce résultat conduit sans équivoque au rejet catégorique de l’hypothèse nulle H_0(drug) : l’administration des différentes molécules médicamenteuses induit des variations différentielles majeures de la pression systolique.

Parallèlement, la ligne relative au facteur disease présente df = 3 – 1 = 2 degrés de liberté. La statistique de Fisher correspondante, calculée selon la même démarche (F_disease = MS_disease / MS_Residual), produit également une valeur statistiquement significative (par exemple p < 0,05 ou p < 0,01). Cela indique que la gravité pathologique sous-jacente des patients module systématiquement la réactivité tensionnelle globale, les patients aux stades les plus sévères présentant des écarts de tension structurellement distincts de ceux enregistrés aux stades précoces.

7.3 Évaluation du terme d’interaction

Le troisième palier d’investigation statistique converge vers la ligne identifiant le terme combiné d’interaction : drug#disease. Ce terme réclame df = (4 – 1) × (3 – 1) = 6 degrés de liberté. La somme des carrés partielle correspondante isole la variation qui ne peut être imputée ni à l’action moyenne linéaire du traitement, ni à la sévérité moyenne intrinsèque de la pathologie, mais découle de leur synergie non linéaire spécifique.

L’observation de la statistique de Fisher pour l’interaction fournit le verdict méthodologique déterminant de l’étude. Dans le cadre des données systolic, on obtient généralement une statistique F autour de 1,00 à 1,50 associée à une p-valeur largement supérieure au seuil canonique de 0,05 (typiquement p > 0,30). Cette absence de significativité statistique a des implications théoriques et pratiques majeures : elle démontre que les données empiriques ne fournissent pas de preuves suffisantes pour rejeter l’hypothèse nulle d’additivité H_0(AB).

D’un point de vue méthodologique, deux scénarios antagonistes doivent être scrupuleusement distingués selon la p-valeur de l’interaction :

• Scénario A (Interaction statistiquement non significative, p ≥ 0,05) : Les données sont compatibles avec un modèle strictement additif. L’action pharmacologique des molécules médicamenteuses opère de façon stable et constante quel que soit le stade clinique d’atteinte pathologique du sujet. Dans ce contexte, l’investigateur est pleinement autorisé à interpréter de manière directe, universelle et exhaustive les effets principaux identifiés précédemment.
• Scénario B (Interaction statistiquement significative, p < 0,05) : Le postulat d’additivité s’effondre. Il devient scientifiquement fallacieux de proclamer qu’une molécule donnée est « la plus efficace » de façon universelle : son efficacité dépend intimement de la maladie du patient. Dès lors, l’interprétation des effets principaux globaux doit être suspendue ou subordonnée à une analyse exhaustive des effets simples (analyse conditionnelle par niveau de cellule).

8. Analyse approfondie de l’interaction et moyennes marginales prédictives

8.1 Calcul des moyennes marginales avec margins

L’interprétation contemporaine des modèles linéaires sous Stata ne s’arrête plus à l’inspection brute des tables de variances ; elle s’articule autour du paradigme puissant des moyennes marginales prédictives (estimations linéaires ajustées), piloté par la suite logicielle post-estimation margins. Cet outil permet de traduire des paramètres mathématiques abstraits en grandeurs directement intelligibles exprimées dans l’échelle d’origine de la mesure clinique.

Après l’estimation de l’ANOVA par la syntaxe factorielle, l’analyste exécute l’instruction suivante pour calculer les moyennes ajustées associées à chaque cellule expérimentale :

margins drug#disease

L’exécution de cette instruction déclenche la production d’un tableau hautement structuré présentant, pour chacune des 12 combinaisons factorielles possibles :

• La moyenne marginale prédictive (Margin), représentant la prédiction attendue de variation systolique du modèle pour ladite condition ;
• L’erreur-type de prédiction associée (Delta-method Standard Error), quantifiant la précision probabiliste de l’estimation linéaire ;
• La statistique de Wald z ou le ratio t associé au test de nullité de la moyenne ;
• L’intervalle de confiance bilatéral à 95 % (95% CI) délimitant la plage des valeurs populationnelles plausibles.

Il est capital de différencier conceptuellement les moyennes empiriques brutes calculées lors de la phase descriptive initiale des moyennes marginales prédictives fournies par margins. Dans un plan expérimental équilibré, ces deux ensembles de grandeurs sont rigoureusement identiques. En revanche, au sein d’un plan déséquilibré comme celui du jeu de données systolic, les moyennes marginales calculées par Stata sont des moyennes marginales ajustées (souvent qualifiées de Least-Squares Means ou moyennes des moindres carrés). Elles corrigent mathématiquement l’asymétrie numérique des cellules en pondérant uniformément chaque modalité, restituant une prédiction non biaisée par la surreprésentation ou la sous-représentation fortuite de certains sous-groupes.

8.2 Graphique de profil d’interaction avec marginsplot

Si la lecture des estimations numériques délivrées par margins fournit l’ensemble des métriques d’inférence, la perception cognitive des patrons d’interaction réclame impérativement une transcription visuelle. Stata répond à cette exigence par l’intermédiaire de la commande post-estimation couplée marginsplot, conçue pour convertir immédiatement les prédictions calculées en figures graphiques professionnelles de haute tenue.

Immédiatement après avoir exécuté margins drug#disease, l’instruction suivante permet de tracer le profil d’interaction complet :

marginsplot, xdimension(disease) ytitle(« Variation systolique prédite (mmHg) ») xtitle(« Stade de la maladie ») title(« Profil d’interaction Traitement x Pathologie »)

Le graphique ainsi généré projette sur l’axe des abscisses (axe X) les trois stades pathologiques, positionne sur l’axe des ordonnées (axe Y) l’ampleur de la réduction tensionnelle, et représente les quatre modalités thérapeutiques sous forme de profils sériels distincts accompagnés de leurs intervalles de confiance à 95 %. L’analyste peut intervertir l’agencement conceptuel en spécifiant xdimension(drug) si l’objectif d’exposition requiert de visualiser l’évolution continue des molécules selon les différentes cohortes pathologiques.

L’analyse visuelle de cette figure s’articule autour d’un principe géométrique fondamental : le critère de parallélisme. Si les profils reliant les moyennes de chaque traitement se déploient selon des trajectoires strictement parallèles, le comportement des molécules est invariant à travers les stades de la maladie, ce qui matérialise graphiquement l’absence d’interaction. Inversement, toute rupture flagrante de parallélisme (lignes divergentes, convergentes ou franchement sécantes) illustre visuellement la présence d’un effet d’interaction. La commande marginsplot autorise par ailleurs une personnalisation graphique complète via l’ajustement des marqueurs géométriques, l’adjonction de quadrillages de lecture et le paramétrage précis des légendes explicatives.

8.3 Analyse des effets simples

Lorsqu’une interaction s’avère statistiquement significative (ou lorsqu’une hypothèse clinique hautement spécifique réclame d’analyser l’efficacité différentielle d’un traitement à un palier donné de sévérité), l’examen global des effets principaux devient inopérant. L’analyste se doit alors de décomposer l’architecture globale en analysant les effets simples (simple effects). L’analyse des effets simples consiste à examiner l’impact d’un facteur donné en isolant et en fixant successivement chaque modalité de l’autre facteur.

Sous Stata, cette opération analytique fine se programme avec une remarquable fluidité grâce aux options de conditionnement de la commande margins et à l’outil contrast. Si l’on souhaite examiner l’effet du traitement pharmacologique de façon compartimentée au sein de chaque stade pathologique spécifique, la syntaxe dédiée s’énonce :

margins disease, over(drug)
contrast r.drug@disease

L’instruction contrast r.drug@disease ordonne à Stata d’évaluer le test omnibus de Fisher comparant les molécules thérapeutiques isolément au stade I, puis de recalculer ce test de façon indépendante au stade II, et enfin au stade III. Les sorties statistiques fournissent une partition rigoureuse :

• Au stade I : le ratio F mesure si les traitements divergent chez les patients au stade débutant ;
• Au stade II : un second ratio F quantifie l’efficacité différentielle sous atteinte modérée ;
• Au stade III : un troisième ratio F évalue l’impact thérapeutique face à l’affection sévère.

L’utilité translationnelle de cette décomposition est inestimable en pratique médicale. Elle permet de formuler des conclusions thérapeutiques différenciées : une molécule peut s’avérer rigoureusement inopérante face au stade débutant de la pathologie (effet simple non significatif), tout en déployant une supériorité pharmacologique majeure dès lors que la maladie bascule dans son stade critique (effet simple hautement significatif). L’analyse des effets simples évite ainsi d’écarter une molécule prometteuse dont l’action ciblée aurait été diluée dans une moyenne globale d’effet principal non significative.

9. Analyses post-hoc et ajustements pour comparaisons multiples

9.1 Comparaisons par paires avec la commande pwcompare

Lorsqu’un facteur catégoriel comportant plus de deux modalités déploie un effet principal statistiquement significatif (ou dans le sillage de l’identification d’effets simples hétérogènes), le test F initial informe le chercheur qu’au moins deux moyennes divergent entre elles, mais demeure structurellement incapable d’identifier précisément quelles paires de conditions expérimentales sont responsables de cette divergence. Il devient alors indispensable d’effectuer des comparaisons multiples par paires (tests post-hoc).

Toutefois, la multiplication non régulée de tests d’hypothèses séquentiels déclenche un phénomène pernicieux bien connu des statisticiens : l’inflation de l’erreur de type I par famille (familywise error rate, FWER). Si l’on effectue k tests statistiques indépendants au seuil nominal usuel de α = 0,05, la probabilité globale de commettre au moins une fausse découverte (rejet erroné d’une hypothèse nulle authentique) s’élève à 1 – (1 – α)^k. Pour un facteur comprenant 4 modalités (soit 6 comparaisons bilatérales possibles), le risque cumulé réel d’erreur de type I franchit le seuil inacceptable des 26 % sans mesure d’ajustement appropriée.

Stata résout ce défi méthodologique par l’entremise de la commande post-estimation hautement polyvalente pwcompare, qui intègre nativement l’ensemble des algorithmes contemporains de contrôle de l’erreur globale :

pwcompare drug, mcompare(bonferroni) pveffects

L’option mcompare() détermine l’approche d’ajustement probabiliste souhaitée. Parmi les méthodes rigoureusement implémentées dans Stata, quatre procédures méritent une attention particulière :

• Ajustement de Bonferroni : L’approche la plus classique et conservatrice. Elle consiste à multiplier la p-valeur brute par le nombre total de comparaisons par paires effectuées (ou à diviser le seuil alpha nominal par ce même nombre). Bien que garantissant un contrôle strict du FWER, cette correction devient excessivement pénalisante et sévère lorsque le nombre de modalités s’accroît, augmentant dramatiquement le risque d’erreur de type II (non-détection d’effets réels).
• Ajustement de Šidák : Légèrement moins conservateur que Bonferroni, ce procédé ajuste les probabilités selon la formule exacte α_ajusté = 1 – (1 – α)^1/k sous postulat d’indépendance, offrant un gain marginal mais scientifiquement appréciable de puissance statistique.
• Procédure de Tukey-Kramer (Tukey’s HSD) : Sollicitée via l’argument mcompare(tukey), cette méthode fondée sur la loi de l’amplitude studentisée (studentized range distribution) s’impose comme le standard méthodologique absolu pour les comparaisons factorielles de toutes les paires possibles. Elle maintient exactement le FWER au niveau nominal tout en préservant une puissance de détection nettement supérieure à celle des méthodes de Bonferroni ou Šidák, et s’adapte sans distorsion computationnelle aux plans déséquilibrés.
• Procédure de Scheffé : Activée par mcompare(scheffe), cette approche est la plus robuste et la plus conservatrice de toutes. Elle protège le taux d’erreur non seulement pour les simples comparaisons par paires, mais pour l’infinité de tous les contrastes linéaires complexes possibles imaginables à travers le plan expérimental.

L’adjonction de l’option pveffects ordonne à Stata de consigner dans le tableau de sortie la différence brute entre les deux moyennes comparées, son erreur-type estimée, la statistique de test associée, la p-valeur corrigée finale ainsi que l’intervalle de confiance réajusté pour le protocole de comparaison multiple.

9.2 Contrastes planifiés a priori

Si les tests post-hoc s’apparentent à une démarche exploratoire exhaustive conduite a posteriori sans hypothèse directionnelle initiale, les contrastes planifiés relèvent d’une démarche scientifique déductive et confirmatoire supérieure. Définis en amont de la collecte des données sur la base de fondements théoriques éprouvés, les contrastes planifiés permettent de tester des hypothèses de recherche hautement spécifiques, ciblées et focalisées, tout en maximisant la puissance statistique disponible.

Dans l’environnement Stata, la formulation des contrastes s’exécute avec une remarquable souplesse logique via la commande générale contrast. Supposons qu’au sein de notre étude clinique sur la pression artérielle, l’interrogation théorique centrale ne vise pas à comparer indistinctement toutes les molécules entre elles, mais consiste spécifiquement à confronter le groupe témoin recevant le placebo (modalité 1) à l’ensemble agrégé des patients traités par n’importe laquelle des trois molécules pharmacologiques actives (modalités 2, 3 et 4 combinées). Ce contraste orthogonal d’hypothèse se formalise par des coefficients de pondération respectant la contrainte arithmétique fondamentale d’annulation de leur somme :

Poids : [-3, +1, +1, +1]

Sous Stata, cette hypothèse planifiée s’évalue au moyen de la syntaxe de contraste personnalisée suivante :

contrast {drug -3 1 1 1}

Le moteur d’estimation génère alors un test d’hypothèse ciblé produisant une somme des carrés spécifique à 1 degré de liberté et le ratio de Fisher correspondant. Cette approche ciblée évite de dissiper la puissance statistique dans des corrections pénalisantes pour comparaisons multiples inutiles, offrant une sensibilité d’inférence très supérieure face aux questions fondamentales posées par le protocole de recherche.

10. Quantification de la taille d’effet et calcul de puissance statistique

10.1 Mesures de la taille d’effet : Eta-carré et Eta-carré partiel

Au sein de la recherche contemporaine, l’interprétation scientifique exclusive fondée sur la p-valeur fait l’objet de vives réserves épistémologiques. Une p-valeur hautement significative atteste uniquement qu’une divergence observée est très improbable sous l’hypothèse nulle, mais ne renseigne en aucune manière sur l’amplitude clinique ou théorique du phénomène. L’association d’un indice standardisé de taille d’effet (effect size) est devenue une obligation déontologique et éditoriale dans l’ensemble des revues scientifiques de premier rang.

Dans le domaine de l’analyse de variance factorielle, l’indice d’estimation de taille d’effet le plus universellement rapporté est l’Eta-carré partiel (partial η² ou η_p²). Mathématiquement, l’Eta-carré partiel représente la proportion de variance de la variable dépendante qui est expliquée par un facteur déterminé, une fois que l’on a extrait et contrôlé la variance capturée par l’ensemble des autres termes et prédicteurs du modèle :

η_p² = SS_Effet / (SS_Effet + SS_Erreur)

Dans Stata, le calcul automatisé de ces métriques standardisées après l’exécution de la commande anova s’effectue immédiatement à l’aide de l’instruction post-estimation spécialisée estat esize :

estat esize

Stata génère instantanément un tableau exhaustif détaillant pour chaque terme factoriel (les effets principaux de chaque variable et leur interaction conjointe) :

• La valeur ponctuelle de l’Eta-carré partiel (Partial Eta-Squared) ;
• L’intervalle de confiance exact à 95 % encadrant cet indice, calculé sur la base de la distribution non centrale de Fisher.

Il importe toutefois de maintenir une vigilance conceptuelle rigoureuse quant aux propriétés d’échantillonnage de cet estimateur. L’Eta-carré partiel présente un biais statistique positif bien documenté : il tend à surestimer l’amplitude réelle de la taille d’effet dans la population parente, particulièrement face à des échantillons de taille modeste. C’est pourquoi de nombreux méthodologistes préconisent conjointement le calcul de l’Oméga-carré partiel (partial ω²), obtenu dans Stata en adjoignant l’option omega à la commande : estat esize, omega. L’Oméga-carré intègre dans sa formulation le carré moyen de l’erreur résiduelle afin de corriger le biais d’échantillonnage, fournissant une estimation populationnelle remarquablement plus conservatrice et exacte.

Pour guider l’interprétation substantielle de ces indices, les conventions heuristiques canoniques établies par Jacob Cohen dans ses travaux fondateurs continuent de faire autorité dans la littérature en sciences humaines et biomédicales :

• Effet faible (small effect) : η_p² ≈ 0,01 (le facteur capture approximativement 1 % de la variance résiduelle disponible) ;
• Effet modéré (medium effect) : η_p² ≈ 0,06 (le facteur capture environ 6 % de la variance) ;
• Effet fort (large effect) : η_p² ≥ 0,14 (le facteur gouverne 14 % ou plus de la variance résiduelle).

10.2 Évaluation de la puissance statistique a posteriori

La puissance statistique, désignée par 1 – β, matérialise la probabilité mathématique qu’un test rejette à juste titre une hypothèse nulle qui est effectivement fausse au sein de la population. En d’autres termes, elle chiffre la capacité opérationnelle du protocole expérimental à détecter un effet authentique de taille déterminée. Sous Stata, la suite logicielle dédiée à ces calculs s’articule autour de la commande générique power.

Il est cependant impératif d’émettre une mise en garde méthodologique fondamentale contre la pratique largement décriée du calcul de puissance a posteriori (dite observed power ou post-hoc power), qui consiste à recalculer la puissance d’une expérience à partir des tailles d’effet et des p-valeurs directement observées dans l’échantillon d’analyse. La littérature statistique moderne a formellement démontré que la puissance observée post-hoc n’est qu’une transformation mathématique circulaire et triviale de la p-valeur : un test affichant une p-valeur non significative produira mécaniquement une faible puissance observée, sans apporter la moindre information scientifique additionnelle.

En revanche, l’utilisation éclairée de la commande power trouve tout son sens scientifique dans une démarche prospective ou rétrospectivement projective, visant à dimensionner rigoureusement les futurs protocoles de recherche empirique sur la base des données préliminaires recueillies. En observant par exemple que l’effet principal d’un nouveau traitement hypotensif s’établit à un η_p² de 0,08 dans notre étude pilote, l’analyste utilise Stata pour déterminer la taille d’échantillon requise afin de reproduire cette découverte avec une puissance statistique robuste conventionnelle fixée à 80 % ou 90 % sous un risque alpha de 5 % :

power oneway, k(4) power(0.80) alpha(0.05) varmeans(…)

Cette démarche de planification protège le chercheur contre la mise en œuvre de protocoles sous-dimensionnés (sous-puissants), dont les résultats négatifs demeureraient systématiquement indécidables, oscillant entre l’absence effective d’impact pharmacologique et l’incapacité statistique du dispositif expérimental à capter le signal au milieu du bruit de fond de l’erreur résiduelle.

11. Diagnostics post-estimation et modélisation alternative sous Stata

11.1 Extraction et examen visuel des résidus

La validation formelle d’un modèle factoriel ne saurait s’achever sans un contrôle approfondi du comportement individuel des observations au travers des diagnostics de régression post-estimation. La première étape consiste à extraire physiquement les résidus et les valeurs ajustées (fitted values) de la mémoire de Stata pour les incorporer sous forme de nouvelles colonnes dans la base active à l’aide de la commande predict :

predict yhat, xb
predict rstud, rstudent

Dans ces lignes de commande, l’option xb ordonne le calcul des valeurs prédites moyennes pour chaque sujet selon sa cellule factorielle, tandis que l’option rstudent extrait les résidus studentisés sans suppression (ou résidus jackknife). Les résidus studentisés présentent l’avantage décisif d’être standardisés par une estimation de l’écart-type résiduel excluant l’observation elle-même, ce qui stabilise leur variance unitaire et permet une identification rigoureuse des valeurs aberrantes selon une métrique standardisée.

L’outil d’investigation graphique post-estimation central s’exécute ensuite via la commande rvfplot (Residuals-versus-Fitted plot) :

rvfplot, yline(0) mlabel(drug) title(« Graphique des résidus studentisés vs valeurs prédites »)

Ce graphique projette les résidus studentisés le long d’un axe vertical centré sur zéro, en regard des valeurs prédites par le modèle factoriel déployées sur l’axe horizontal. L’analyse sémiologique de ce nuage de points permet de valider simultanément plusieurs postulats :

• Contrôle de la linéarité et centrage : Les résidus doivent se répartir de façon équilibrée et aléatoire de part et d’autre de la ligne horizontale nulle, sans dérive ascendante ou descendante systématique ;
• Contrôle de l’homoscédasticité : L’amplitude de dispersion verticale des points ne doit montrer aucune structure en entonnoir (cone-shaped pattern) ou d’évasement marqué d’une valeur ajustée à l’autre ;
• Détection des valeurs discordantes : Tout point franchissant les seuils critiques horizontaux de ± 2 ou ± 3 écarts-types studentisés identifie un cas atypique majeur réclamant une vérification immédiate de la transcription clinique d’origine.

Pour compléter cet audit de diagnostic, l’évaluation des observations influentes et à fort effet de levier (leverage) peut être quantifiée via le calcul des distances de Cook (predict dcook, cooksd). Une distance de Cook excédant la valeur seuil usuelle de 4 / N ou s’approchant de 1 signale une observation isolée dont la présence modifie substantiellement à elle seule l’estimation des coefficients du modèle factoriel.

11.2 Alternatives en cas de violation des postulats

Lorsque les diagnostics révèlent des violations persistantes et irréductibles des postulats fondamentaux de l’ANOVA paramétrique (notamment une hétéroscédasticité sévère réfractaire aux transformations mathématiques ou une non-normalité résiduelle imputable à de petits effectifs asymétriques), la rigueur scientifique impose de délaisser la commande classique anova au profit d’architectures d’estimation alternatives plus robustes.

La première solution de remédiation, remarquablement accessible sous Stata, repose sur l’équivalence formelle unissant l’ANOVA factorielle et la régression linéaire multiple via le modèle linéaire général. Il est parfaitement possible d’estimer exactement la même structure factorielle en sollicitant la commande regress couplée à l’option d’estimation robuste des variances (estimateur en sandwich de Huber-White) :

regress systolic i.drug##i.disease, vce(robust)
testparm i.drug#i.disease

L’utilisation de l’option vce(robust) libère l’inférence statistique de l’obligation d’homogénéité des variances en recalculant les erreurs-types de chaque contraste de façon consistante face à l’hétéroscédasticité. Les tests d’effets principaux et d’interaction sont ensuite restitués sous forme de tests de Wald robustes via la commande post-estimation testparm, préservant la validité des seuils de significativité nominale même en présence de fortes disparités de dispersion inter-cellules.

La deuxième perspective de recours s’inscrit dans le champ des Modèles Linéaires Généralisés (GLM). Si la variable dépendante mesurée s’avère structurellement tronquée, strictement positive, ou distribuée selon des dynamiques hautement asymétriques (telles que des durées de survie, des coûts médicaux ou des taux de rechute), la commande glm permet de relier la moyenne factorielle à une distribution statistique appropriée (famille Gamma, famille Inverse-Gaussienne) via une fonction de lien idoine (lien logarithmique ou lien identité), contournant élégamment l’hypothèse de normalité :

glm systolic i.drug##i.disease, family(gaussian) link(identity) vce(robust)

Enfin, lorsque la distribution est totalement indéterminée et que les échantillons sont réduits, les techniques computationnelles de rééchantillonnage non paramétrique par bootstrap représentent une alternative puissante. Stata permet d’exécuter un bootstrap automatisé sur l’ANOVA factorielle en rééchantillonnant des milliers de fois l’échantillon empirique original :

bootstrap, reps(2000) seed(12345): anova systolic drug##disease

Cette modélisation empirique génère des intervalles de confiance bootstrappés par centiles affranchis de tout postulat de normalité théorique préalable, assurant une solidité sans faille aux conclusions inférentielles de l’étude.

12. Restitution académique des résultats et conformité aux normes APA

12.1 Structuration textuelle des résultats statistiques

La transcription académique des résultats statistiques doit satisfaire aux exigences formelles édictées par l’American Psychological Association (normes APA 7e édition), qui constituent le standard de communication scientifique prédominant en sciences du comportement, en neurosciences et en médecine translationnelle. La rédaction doit se caractériser par une concision irréprochable, une transparence mathématique totale et une séquence logique universelle.

Le format typographique canonique pour restituer un test omnibus issu de l’analyse de variance factorielle s’énonce invariablement selon le formalisme suivant :

F(ddl_Effet, ddl_Erreur) = Valeur_F, p = Valeur_p, η_p² = Valeur_Taille_Effet

Il est impératif d’observer scrupuleusement les conventions de mise en forme imposées par l’APA :

• Les lettres latines symbolisant des grandeurs statistiques (telles que F, p, t, N, R²) s’écrivent obligatoirement en caractères italiques ;
• Les statistiques F et les indices de taille d’effet comme l’Eta-carré partiel sont systématiquement tronqués à deux décimales après la virgule (par exemple F(3, 46) = 9,05) ;
• La p-valeur s’énonce avec trois décimales. Si la sortie brute de Stata indique une p-valeur de 0,0000, il est méthodologiquement incorrect d’écrire p = .000 ; il convient impérativement de formaliser p < .001 ;
• Conformément aux normes nord-américaines anglo-saxonnes (et adapté dans le style typographique francophone), le zéro initial précédant la virgule ou le point décimal est omis pour les métriques qui ne peuvent mathématiquement jamais excéder la valeur 1 (telles que les probabilités p et les coefficients η_p², notés conventionnellement p = .024 ou η_p² = .37).

Sur le plan de l’ordonnancement discursif dans le corps du texte académique, la restitution doit impérativement adopter une démarche séquentielle hiérarchisée :

1. Rapporter en premier lieu le résultat du test d’interaction factorielle drug × disease, car de sa significativité dépend l’intelligibilité des étapes subséquentes ;
2. Si l’interaction s’avère non significative, formaliser le maintien de l’hypothèse additif, puis expliciter successivement les deux effets principaux globaux accompagnés de leurs statistiques respectives ;
3. Rapporter les résultats des comparaisons post-hoc en mentionnant explicitement la méthode de correction retenue (ex. : « selon la procédure de Tukey-Kramer à un seuil α = .05« ), en spécifiant les écarts moyens observés et leurs intervalles de confiance à 95 % ;
4. Si l’interaction s’avère significative, suspendre l’interprétation des effets principaux globaux pour exposer immédiatement la décomposition ordonnée des effets simples au sein de chaque sous-groupe d’intérêt.

12.2 Conception de tableaux et graphiques publiables

L’intégration d’un tableau d’analyse de variance factorielle conforme aux directives éditoriales internationales évite de surcharger inutilement le texte narratif de l’article tout en offrant une transparence exhaustive sur l’ensemble de la matrice factorielle. Selon les standards de l’APA 7e édition, un tableau scientifique ne doit comporter aucune ligne verticale d’encadrement. Seules trois lignes horizontales principales doivent structurer l’espace visuel : une ligne supérieure marquant le sommet du tableau, une ligne médiane séparant les en-têtes de colonnes des données chiffrées, et une ligne inférieure clôturant la base du tableau avant les notes explicatives.

Le tableau doit comporter des colonnes dédiées aux sources de variation (Source), à la somme des carrés (SS), aux degrés de liberté (df), au carré moyen (MS), à la statistique de Fisher (F), à la p-valeur de décision (p) et à la taille d’effet standardisée (η_p²). En pied de tableau, des notes explicatives documentent la signification des abréviations, l’usage des sommes des carrés partielles de Type III, ainsi que le codage des seuils de significativité par astérisques usuels (* p < .05, ** p < .01, *** p < .001).

S’agissant des figures graphiques (profils d’interaction ou graphiques de barres prédictives), celles-ci doivent impérativement comporter l’affichage systématique des barres d’erreur, en précisant sans ambiguïté dans la légende s’il s’agit d’écarts-types (SD), d’erreurs-types de la moyenne (SEM) ou d’intervalles de confiance à 95 % (95% CI). Depuis Stata, l’analyste veillera à exporter ses figures dans des formats vectoriels encapsulés (EPS ou PDF haute résolution) ou au format raster non compressé (TIFF avec une résolution minimale de 300 à 600 DPI) au moyen de commandes d’exportation scriptées :

graph export figure_interaction_apa.tif, width(2400) height(1800) replace

Enfin, l’exigence suprême de la recherche contemporaine réside dans l’assurance de la réplicabilité universelle des analyses. Le Do-file final doit être documenté, nettoyé de toute commande exploratoire superflue, et archivé aux côtés de la base de données brute sur des entrepôts de science ouverte (tels que l’Open Science Framework, OSF, ou Zenodo). Cette pratique assure la traçabilité complète de l’investigation, renforçant la crédibilité académique des résultats publiés et participant pleinement au progrès des standards méthodologiques en sciences comportementales et biomédicales.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Howell, D. C. (2012). Statistical methods for psychology (8th ed.). Cengage Learning.
• Kirk, R. E. (2013). Experimental design: Procedures for the behavioral sciences (4th ed.). SAGE Publications. https://doi.org/10.4135/9781483384733
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2017). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Mitchell, M. N. (2021). Interpreting and visualizing regression models using Stata (2nd ed.). Stata Press.
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Winer, B. J., Brown, D. R., & Michels, K. M. (1991). Statistical principles in experimental design (3rd ed.). McGraw-Hill.