Comment effectuer une ANOVA à mesures répétées dans Excel

Dans le paysage contemporain de la recherche en psychologie, en neurosciences cognitives et en sciences biomédicales, la rigueur de l’inférence statistique constitue le fondement sur lequel repose la validité des conclusions expérimentales. Parmi l’éventail des méthodologies quantitatives, les devis de recherche intra-sujets — également désignés sous le terme de plans à mesures répétées — occupent une place de choix. Ces dispositifs expérimentaux permettent d’observer les mêmes unités d’échantillonnage à travers une pluralité de conditions expérimentales ou de jalons temporels successifs. Cette approche offre une sensibilité analytique exceptionnelle grâce au contrôle direct de la variabilité interindividuelle.

Cependant, le traitement de ces devis requiert une modélisation statistique appropriée : l’analyse de variance (ANOVA) à mesures répétées. Si de nombreux chercheurs et étudiants se tournent spontanément vers des environnements logiciels spécialisés et coûteux tels qu’IBM SPSS Statistics, SAS ou le langage de programmation R, il demeure souvent méconnu que Microsoft Excel possède l’ensemble des fonctionnalités algorithmiques nécessaires pour conduire ces analyses avec une rigueur mathématique sans compromis. L’utilisation d’un tableur grand public pour de telles modélisations démystifie la « boîte noire » computationnelle et confère une maîtrise absolue sur chaque étape de la décomposition de la variance.

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, analystes et étudiants à travers toutes les dimensions théoriques, opérationnelles et interprétatives de l’ANOVA à mesures répétées sous Microsoft Excel. De l’élucidation de l’élégante partition mathématique de la somme des carrés jusqu’à la compensation rigoureuse des violations de sphéricité via l’indice epsilon de Greenhouse-Geisser, cet ouvrage didactique détaille l’intégralité du protocole d’analyse en respectant les critères académiques les plus stricts, notamment les normes de publication de l’American Psychological Association (APA 7e édition).

1. Fondements théoriques de l’ANOVA à mesures répétées en psychologie

1.1 Définition et principes du devis intra-sujet

Le devis expérimental intra-sujet (ou within-subjects design) se définit formellement comme une architecture méthodologique au sein de laquelle chaque participant est exposé de manière exhaustive à l’ensemble des modalités de la variable indépendante manipulée par l’expérimentateur. Contrairement aux plans inter-sujets (ou between-subjects), où chaque groupe expérimental est composé d’individus distincts et mutuellement exclusifs, le devis à mesures répétées utilise chaque individu comme son propre groupe témoin. Cette équivalence intrinsèque entre les conditions élimine d’emblée le risque que des disparités démographiques, génétiques ou dispositionnelles ne viennent biaiser l’estimation des effets expérimentaux.

Il convient d’établir une distinction conceptuelle fondamentale entre les protocoles longitudinaux et les protocoles factoriels transversaux répétés. Dans les protocoles purement longitudinaux, le facteur répété est intrinsèquement temporel : les chercheurs évaluent l’évolution chronologique d’un trait, d’une pathologie ou d’une compétence cognitive à intervalles déterminés (par exemple, des évaluations neuropsychologiques pré-traitement, post-traitement immédiat et lors d’un suivi à six mois). Dans les protocoles factoriels répétés, le facteur intra-sujet correspond plutôt à des variations qualitatives ou quantitatives d’une tâche expérimentale présentées de façon contrebalancée au cours d’une même session, telles que des variations de charge mnésique ou de luminosité visuelle.

Ce type de plan trouve son terrain d’élection par excellence en psychologie cognitive, où l’on mesure fréquemment les temps de réaction face à des stimuli sémantiques congruents versus incongruents (effet Stroop), en psychopharmacologie, lors de l’évaluation comparative de plusieurs dosages d’une molécule active contre un placebo chez les mêmes volontaires, ainsi qu’en neuropsychologie clinique, où la rareté relative des populations de patients cérébrolésés contraint impérativement les praticiens à maximiser l’extraction d’information statistique à partir d’échantillons de taille nécessairement restreinte.

1.2 Avantages méthodologiques : contrôle de la variance interindividuelle

L’avantage prépondérant du devis intra-sujet réside dans sa capacité mathématique à isoler et à neutraliser la variance interindividuelle stable du terme d’erreur statistique. Dans la réalité empirique des sciences humaines et biologiques, les scores observés sont massivement tributaires de caractéristiques propres aux participants : leur quotient intellectuel, leur vitesse de traitement neural de base, leur niveau socio-éducatif, ou encore leur tolérance biologique globale. Dans une ANOVA inter-sujets standard, ces dissemblances idiosyncrasiques constituent une source de bruit majeure qui gonfle artificiellement le dénominateur du rapport de Fisher, masquant ainsi des variations induites par les traitements expérimentaux.

En soumettant le même individu à l’ensemble des conditions, la part de variance imputable à ces caractéristiques stables peut être mathématiquement quantifiée, extraite de la dispersion globale et soustraite de la variance résiduelle non expliquée. Le terme d’erreur s’en trouve drastiquement épuré, ne conservant que les fluctuations aléatoires d’un essai à l’autre et l’interaction spécifique entre les participants et les traitements. Il en découle une augmentation substantielle de la puissance statistique (statistical power), c’est-à-dire la probabilité de rejeter formellement l’hypothèse nulle lorsque celle-ci est effectivement fausse dans la population parente.

Par conséquent, cette efficience analytique optimise de façon remarquable la taille de l’échantillon requis pour atteindre un seuil de puissance conventionnel (typiquement (1 – beta = 0{,}80)). Là où une ANOVA classique inter-groupes nécessiterait par exemple une cohorte de cent vingt participants répartis en quatre groupes indépendants de trente individus pour détecter un effet de taille moyenne, un plan à mesures répétées peut parvenir à un niveau de détection équivalent avec seulement vingt à trente participants au total, réduisant ainsi considérablement les coûts financiers, logistiques et temporels inhérents à l’investigation expérimentale.

1.3 Comparaison critique : ANOVA à un facteur vs ANOVA à mesures répétées

Pour appréhender l’intérêt fondamental de l’ANOVA à mesures répétées, il s’avère indispensable d’examiner la manière dont la variance totale du jeu de données est partitionnée. Dans le cadre d’une ANOVA à un facteur inter-sujets ordinaire, la somme totale des carrés des écarts ((SC_{text{totale}})) est scindée de manière binaire en deux composantes exclusives : la somme des carrés inter-groupes ((SC_{text{traitement}})), qui reflète l’impact de la variable indépendante, et la somme des carrés intra-groupes ((SC_{text{erreur}})), qui absorbe indistinctement toutes les différences individuelles et les imprécisions de mesure.

À l’inverse, l’ANOVA à mesures répétées procède à une décomposition tripartite de la variabilité globale. La somme des carrés totale est partitionnée en :

• Une somme des carrés inter-sujets ((SC_{text{sujets}})), capturant les déviations moyennes stables de chaque participant par rapport à la moyenne générale du groupe ;
• Une somme des carrés intra-sujets ((SC_{text{intra}})), qui représente l’ensemble de la variabilité mesurée à l’intérieur du profil de chaque sujet à travers les différentes conditions.

Cette composante intra-sujet est elle-même subdivisée en deux sous-ensembles : la somme des carrés liée au traitement ((SC_{text{traitement}}) ou (SC_{text{conditions}})) et la somme des carrés de l’erreur résiduelle ((SC_{text{résiduelle}})), qui correspond sur le plan formel à l’interaction statistique non modélisée entre les sujets et le traitement ((S times C)).

Ignorer l’appariement des observations en traitant des mesures répétées au moyen d’une ANOVA pour échantillons indépendants constitue une faute méthodologique majeure. Une telle démarche réintègre la composante (SC_{text{sujets}}) directement dans le dénominateur d’erreur, provoquant une sous-estimation dramatique du ratio (F). L’expérimentateur s’expose alors à une inflation critique de l’erreur de type II (taux (beta)), consistant à conclure à tort à l’absence d’effet du traitement expérimental alors que celui-ci existe réellement. Sur le plan conceptuel, l’ANOVA à mesures répétées peut ainsi être assimilée à un modèle linéaire mixte simplifié où l’effet du traitement est modélisé comme un facteur fixe, tandis que l’effet propre à l’échantillon des participants est traité comme un facteur aléatoire orthogonal.

2. Postulats statistiques et conditions d’application rigoureuses

2.1 Normalité de la distribution des différences

L’inférence paramétrique sous-jacente à l’ANOVA à mesures répétées repose en premier lieu sur le postulat de normalité des distributions. Toutefois, contrairement à une idée répandue, ce n’est pas tant la normalité des scores bruts au sein de chaque condition isolée qui prévaut, mais bien la normalité des termes résiduels du modèle, ce qui équivaut, pour toute paire de modalités expérimentales, à exiger que la distribution des scores différentiels ((D_i = X_{i1} – X_{i2})) suive fidèlement une loi normale de Gauss.

Il est documenté dans la littérature statistique fondamentale que le test (F) de Fisher fait preuve d’une robustesse relative face aux entorses modérées de la normalité univariée, tout particulièrement lorsque la taille de l’échantillon excède une vingtaine d’individus en vertu de l’action stabilisatrice du théorème central limite. Néanmoins, lorsque les distributions présentent une asymétrie marquée ou un aplatissement extrême, la valeur (p) nominale délivrée par l’analyse peut devenir inexacte, conduisant soit à une conservativité excessive, soit à une prolifération insidieuse de rejets injustifiés de l’hypothèse nulle.

Dans l’environnement fonctionnel d’un tableur tel qu’Excel, l’évaluation de cette normalité ne bénéficie pas de tests formels préprogrammés comme le test de Shapiro-Wilk ou de Kolmogorov-Smirnov. Dès lors, le chercheur doit s’appuyer sur des méthodologies alternatives rigoureuses : l’examen graphique au moyen de diagrammes quantile-quantile (Q-Q plots) élaborés à partir des rangs centiles, ou l’évaluation numérique standardisée de l’asymétrie (skewness) et de l’aplatissement (kurtosis), en vérifiant que les coefficients calculés demeurent confinés à l’intérieur des intervalles de tolérance conventionnels.

2.2 Le postulat fondamental de sphéricité

Le critère d’application le plus sensible et le plus déterminant de l’ANOVA à mesures répétées est sans conteste le postulat de sphéricité, fréquemment assimilé dans la littérature théorique à la condition de circularité formulée par Rouanet et Lépine. La sphéricité stipule formellement que les variances de toutes les différences possibles calculées entre chaque paire de conditions expérimentales doivent être rigoureusement égales au sein de la population parente :

$$\text{Var}(X_A – X_B) \approx \text{Var}(X_A – X_C) \approx \text{Var}(X_B – X_C)$$

Ce réquisit est intrinsèquement lié à la structure de la matrice de variance-covariance intra-sujet. Pour que la sphéricité soit respectée au sens strict, il suffit que la matrice présente une structure dite d’homogénéité composée (compound symmetry), caractérisée par des variances conditionnelles identiques sur sa diagonale principale et des covariances identiques sur l’ensemble des éléments hors diagonale. La sphéricité représente une condition mathématiquement moins restrictive que la symétrie composée, bien que cette dernière constitue une condition suffisante pour son établissement.

La violation de cette exigence statistique constitue l’une des sources d’erreurs les plus préjudiciables de l’analyse inférentielle. Lorsque le postulat de sphéricité est transgressé — ce qui advient fréquemment dès lors que le facteur répété comporte trois niveaux ou davantage —, les distributions d’échantillonnage théoriques du ratio (F) ne correspondent plus à la loi de Snedecor standard. En l’absence de procédure corrective, la statistique (F) empirique tend à être systématiquement gonflée, provoquant une sévère distorsion à la hausse du taux d’erreur de type I (faux positifs) pouvant atteindre 10 % à 15 % pour un seuil nominal (alpha) fixé à 5 %.

2.3 Gestion des données aberrantes et valeurs manquantes

L’intégrité analytique d’un devis à mesures répétées est fortement tributaire de la qualité individuelle de chaque observation enregistrée. Les valeurs aberrantes (outliers), qu’elles procèdent d’un dysfonctionnement technique des instruments d’enregistrement (horloges logicielles, capteurs physiologiques) ou d’un moment d’inattention passager du sujet expérimental, exercent une traction asymétrique disproportionnée sur les moyennes conditionnelles et gonflent de manière excessive les variances des différences. Il devient alors impératif d’identifier ces scores déviants en convertissant systématiquement les données brutes en scores standardisés ((z)-scores). Dans les protocoles en psychologie cognitive, tout point de donnée s’écartant de plus de 2,5 ou 3 écarts-types de la moyenne conditionnelle doit faire l’objet d’un examen approfondi.

Parallèlement, la présence de valeurs manquantes (missing data) représente le talon d’Achille de l’ANOVA à mesures répétées telle qu’elle est implémentée dans les moteurs statistiques matriciels traditionnels comme celui d’Excel. En vertu du paradigme d’exclusion par observation complète (listwise deletion), l’absence d’une seule mesure conditionnelle pour un individu donné invalide la totalité de son vecteur d’observations, contraignant à l’élimination totale du sujet de l’analyse globale.

Cette atrophie de l’échantillon engendre une déperdition drastique de puissance statistique et peut induire de profonds biais d’échantillonnage si l’attrition n’est pas strictement aléatoire (Missing Completely at Random). Si les modèles mixtes modernes résolvent cette difficulté par l’estimation par maximum de vraisemblance, le chercheur opérant sous Excel devra impérativement s’assurer de l’exhaustivité absolue de sa matrice de données ou procéder, le cas échéant, à des méthodes d’imputation rigoureuses préalablement documentées.

3. Configuration technique de Microsoft Excel pour l’analyse statistique

3.1 Activation de l’Utilitaire d’analyse sous Windows

Pour transformer Microsoft Excel en un moteur d’inférence statistique opérationnel, l’utilisateur du système d’exploitation Windows doit activer une extension native intégrée mais désactivée par défaut lors de l’installation standard de la suite bureautique : l’Utilitaire d’analyse (ou Analysis ToolPak). Cet ensemble de routines algorithmiques développées en code compilé enrichit le tableur de fonctionnalités analytiques avancées, dont l’analyse de variance, la régression multiple et les décompositions de Fourier.

La séquence opérationnelle d’initialisation sous Windows s’effectue selon le protocole suivant :

• Accédez au coin supérieur gauche de l’interface et cliquez sur le menu Fichier, puis sélectionnez la rubrique Options localisée au bas du panneau latéral vertical ;
• Dans la fenêtre modale des Options Excel qui s’affiche, dirigez votre curseur vers le volet gauche et cliquez sur l’onglet Compléments ;
• Au bas de cette interface, repérez la liste déroulante intitulée Gérer, assurez-vous que la mention Compléments Excel est sélectionnée, puis cliquez sur le bouton Atteindre… situé immédiatement à droite ;
• Une boîte de dialogue répertoriant les modules disponibles apparaît : cochez scrupuleusement la case associée à l’Utilitaire d’analyse (ne pas confondre avec l’Utilitaire d’analyse – VBA, qui concerne l’automatisation par programmation) ;
• Validez votre choix en cliquant sur OK.

L’intégration de l’outil se matérialise immédiatement dans l’interface de travail : en naviguant vers l’onglet Données du ruban principal, vous constaterez l’apparition d’un nouveau groupe fonctionnel intitulé Analyse, abritant le bouton de commande Utilitaire d’analyse. Cette manipulation n’a besoin d’être exécutée qu’une seule fois, la configuration étant conservée lors des sessions ultérieures.

3.2 Activation de l’Utilitaire d’analyse sous macOS

Pour les chercheurs et analystes évoluant au sein de l’écosystème Apple macOS, la procédure d’activation de ce module analytique présente de légères nuances ergonomiques propres à l’interface graphique du système d’exploitation, bien que le moteur computationnel sous-jacent demeure strictement identique à sa déclinaison Windows.

Sous Excel pour Mac (versions Microsoft 365, 2021 ou 2019), le cheminement s’articule comme suit :

• Dans la barre de menus supérieure du système macOS (et non à l’intérieur de la fenêtre même du classeur), cliquez sur le menu contextuel Outils ;
• Parcourez la liste déroulante vers le bas et sélectionnez l’option Compléments Excel… ;
• La fenêtre de gestion des extensions système apparaît au centre de votre écran. Cochez explicitement l’option nommée Utilitaire d’analyse (ou Analysis ToolPak si votre environnement linguistique système est anglo-saxon) ;
• Confirmez l’opération en cliquant sur le bouton d’action OK.

Tout comme sous Windows, la commande Analyse de données vient dès lors s’ancrer au sein de l’onglet Données de votre ruban. En cas d’anomalie de compatibilité linguistique — problème historiquement documenté sur certaines itérations macOS francophones où les fonctions statistiques de l’utilitaire génèrent des messages d’erreur de macro manquante —, le basculement temporaire de la langue de l’application en anglais dans les préférences système permet systématiquement de restaurer l’intégrité opérationnelle des boîtes de dialogue et des procédures d’extraction.

3.3 Vérification des options de calcul et précision numérique

Avant d’engager le moindre calcul inférentiel d’envergure, une vérification méticuleuse de l’architecture de calcul du tableur s’impose pour éviter toute distorsion computationnelle pernicieuse. La première mesure préventive consiste à s’assurer que le mode d’évaluation des formules est configuré sur Automatique. Pour ce faire, rendez-vous dans l’onglet Formules, cliquez sur Options de calcul et assurez-vous que la modalité Automatique est cochée. Dans le cas contraire, la modification ultérieure d’une cellule source ne répercuterait pas ses effets sur les tables d’ANOVA générées manuellement, induisant de graves erreurs de diagnostic.

Sur le plan de l’arithmétique sous-jacente, il est impératif de garder à l’esprit qu’Excel effectue ses calculs selon la norme IEEE 754 relative à l’arithmétique en virgule flottante double précision, octroyant une exactitude de 15 chiffres significatifs. Lors de la manipulation de jeux de données dont les valeurs brutes présentent des magnitudes élevées combinées à des variances infinitésimales, des erreurs d’arrondi machine peuvent théoriquement survenir lors de la soustraction successive de grands nombres dans le calcul des sommes des carrés ((sum X^2 – (sum X)^2 / N)). Bien que Microsoft ait profondément restructuré et stabilisé ses algorithmes statistiques depuis les versions 2010 pour employer des formules à passage double (minimisant les résidus numériques), il est recommandé de standardiser ou de centrer les variables d’entrée si leurs ordres de grandeur dépassent (10^6).

Enfin, une attention particulière doit être portée au paramétrage du séparateur décimal (virgule contre point). Les disparités de localisation internationale entre les conventions francophones (séparateur virgule) et anglo-saxonnes (séparateur point) constituent la cause la plus récurrente de dysfonctionnement des boîtes d’analyse statistique : un jeu de données importé depuis un fichier texte (.csv) comportant des points décimaux sera souvent interprété comme du texte pur par un système francophone, excluant de facto ces observations de l’analyse ou provoquant un plantage immédiat de la routine.

4. Structuration et encodage du jeu de données expérimentales

4.1 Adoption impérative du format matriciel large (« Wide Format »)

L’une des étapes les plus déterminantes dans l’exécution d’une ANOVA à mesures répétées réside dans l’ordonnancement structurel des données au sein de la feuille de calcul. Dans le champ de la science des données, deux paradigmes d’organisation coexistent : le format long (Long Format, ou format base de données), où chaque ligne représente une mesure unique associée à des colonnes indicatrices de sujets et de facteurs, et le format large (Wide Format, ou format matriciel).

Pour implémenter avec succès un devis à mesures répétées via les outils natifs de l’Utilitaire d’analyse d’Excel, l’adoption du format large est une obligation méthodologique absolue. L’algorithme d’analyse d’Excel nécessite impérativement que chaque ligne horizontale représente une unité expérimentale unique et continue (un participant, un animal ou un échantillon biologique), et que chaque colonne verticale contienne les données associées à une modalité spécifique de la variable indépendante intra-sujet. L’intersection d’une ligne et d’une colonne correspond donc à la performance unique du sujet concerné dans la condition correspondante.

Toute tentative de soumettre un tableau structuré au format long à la boîte de dialogue de l’ANOVA sans répétition résulterait en une erreur d’interprétation mathématique irréversible, le système traitant alors les codes identifiants des participants comme des valeurs numériques intégrées aux calculs de variance.

4.2 Présentation du cas pratique : Temps de réaction sous substances psychoactives

Afin d’illustrer la démarche de manière concrète, nous allons formaliser une expérience classique issue de la psychopharmacologie cognitive. L’investigation porte sur l’évaluation de l’impact de différentes substances pharmacologiques sur la vitesse de traitement psychomoteur. Un échantillon de cinq participants volontaires sains ((n = 5)) a été soumis à quatre conditions expérimentales distinctes, administrées de façon contrebalancée dans le cadre d’un protocole en double aveugle séparé par des périodes de sevrage métabolique (washout) :

• Placebo : Administration d’une capsule de substance neutre inerte ;
• Caféine : Administration d’une dose modérée de caféine pure (200 mg) ;
• Alcool : Ingestion d’une dose standardisée d’éthanol induisant une alcoolémie de 0,5 g/L ;
• THC : Inhalation contrôlée d’une faible dose de delta-9-tétrahydrocannabinol.

La variable dépendante mesurée correspond au temps de réaction moyen lors d’une tâche d’attention soutenue, chronométré avec une précision au centième de seconde. Les données empiriques simulées pour cette étude se déclinent selon le tableau suivant :

Participant	Placebo	Cafeine	Alcool	THC
Sujet_01	0,45	0,39	0,52	0,48
Sujet_02	0,42	0,36	0,55	0,49
Sujet_03	0,48	0,41	0,58	0,53
Sujet_04	0,40	0,35	0,49	0,44
Sujet_05	0,46	0,40	0,56	0,51

4.3 Nettoyage et étiquetage méthodologique des cellules

L’implantation de cette matrice dans votre feuille de calcul Excel requiert le respect scrupuleux de plusieurs règles typographiques et structurelles. Les données brutes doivent être saisies à partir de la cellule A1. La première rangée (ligne 1) est impérativement dédiée aux intitulés de colonnes : elle doit comporter l’étiquette descriptive Participant en cellule A1, suivie des noms des conditions expérimentales (Placebo, Cafeine, Alcool, THC) de B1 à E1. Il est fortement déconseillé d’insérer des caractères spéciaux, des symboles mathématiques ou des retours à la ligne au sein de ces cellules d’en-tête, car ils peuvent altérer l’affichage automatique des résultats dans les tables générées par le logiciel.

La colonne A, de la cellule A2 à la cellule A6, doit contenir les identifiants textuels univoques de chaque sujet (par exemple Sujet_01, Sujet_02, etc.). L’intégration de ces libellés textuels est primordiale : elle empêche le moteur de calcul d’inclure accidentellement cette colonne d’identification dans les calculs matriciels de somme de carrés, tout en fournissant une traçabilité visuelle exhaustive.

Enfin, assurez-vous que la totalité de la plage quantitative (cellules B2:E6) soit homogénéisée sous le format de nombre standard, affichant deux à trois décimales constantes. Les cellules vides, les mentions textuelles indicatrices d’omission (comme N/A ou manquant) et les zéros factices doivent être scrupuleusement proscrits sous peine de biaiser mathématiquement l’estimation des degrés de liberté de l’analyse inférentielle.

5. Analyse exploratoire et descriptive préliminaire dans Excel

5.1 Calcul des paramètres de tendance centrale et de dispersion

Préalablement à toute démarche inférentielle formelle, il est méthodologiquement indispensable de procéder à une analyse descriptive exhaustive afin de cerner le profil de distribution des données empiriques. Cette démarche permet d’apprécier la tendance centrale des performances sous chaque modalité et d’obtenir un premier aperçu de la variabilité intra et inter-conditions.

À cet effet, vous construirez directement sous votre matrice principale un tableau récapitulatif condensant les estimateurs fondamentaux pour chaque modalité expérimentale en utilisant les formules standard d’Excel :

• Moyenne arithmétique : Tapez en cellule B8 la commande =MOYENNE(B2:B6), puis tirez la poignée de recopie horizontalement jusqu’à E8 ;
• Écart-type de l’échantillon : Tapez en cellule B9 la commande =ECARTYPE.STANDARD(B2:B6), puis étendez-la jusqu’à E9 ;
• Variance de l’échantillon : Tapez en cellule B10 la commande =VARIANCE.S(B2:B6), puis recopiez jusqu’à E10.

L’exécution de ces formules sur nos données fournit les résultats suivants : une moyenne de (0{,}442text{ s}) ((s = 0{,}031)) pour la condition Placebo, une moyenne de (0{,}382text{ s}) ((s = 0{,}026)) pour la Caféine, une moyenne de (0{,}540text{ s}) ((s = 0{,}035)) pour l’Alcool, et une moyenne de (0{,}490text{ s}) ((s = 0{,}034)) pour le THC. L’inspection des écarts-types et variances permet de constater une très forte homogénéité des dispersions entre les quatre conditions (variances oscillant entre (0{,}00067) et (0{,}00120)), ce qui constitue un premier indicateur favorable quant à l’absence de rupture violente de l’homoscédasticité.

5.2 Examen de la symétrie et de l’aplatissement

L’évaluation préliminaire de la normalité univariée au sein des conditions expérimentales peut être formalisée numériquement au moyen des coefficients d’asymétrie de Fisher-Pearson et d’aplatissement de Pearson. Dans Excel, ces descripteurs de forme sont calculés respectivement par les fonctions COEFFICIENT.ASYMETRIE() et KURTOSIS().

Pour intégrer ces paramètres à votre tableau descriptif :

• En cellule B11, entrez la formule =COEFFICIENT.ASYMETRIE(B2:B6) et répliquez-la pour les quatre conditions ;
• En cellule B12, insérez =KURTOSIS(B2:B6) et étendez-la vers la droite.

Dans la littérature psychométrique standard (notamment George & Mallery, 2010), une distribution est considérée comme approchant de manière satisfaisante la normalité si son coefficient d’asymétrie est compris entre (-1{,}0) et (+1{,}0), et son coefficient d’aplatissement se situe dans l’intervalle ([-2{,}0 ; +2{,}0]). Bien que des échantillons de taille réduite ((n = 5)) limitent intrinsèquement la puissance de ces indicateurs et gonflent leurs erreurs-types associées, l’obtention d’indices situés à l’intérieur de ces plages de tolérance offre l’assurance qu’aucune dissymétrie unilatérale massive ou distribution bimodale pathologique ne vient compromettre la représentativité des moyennes calculées.

5.3 Visualisation préliminaire des trajectoires individuelles

L’un des avantages de l’architecture intra-sujet est la possibilité d’analyser l’homogénéité des réponses individuelles à travers les différents traitements. À ce stade de l’investigation, la création d’un graphique linéaire des trajectoires individuelles — souvent qualifié dans la littérature empirique de « graphique Spaghetti » (spaghetti plot) — s’avère bien plus instructive qu’un simple histogramme à barres agrégeant globalement les moyennes.

Pour construire ce graphique sous Excel :

• Sélectionnez la plage intégrale des données conditionnelles incluant les en-têtes, soit B1:E6 ;
• Rendez-vous dans l’onglet Insertion du ruban, repérez le groupe Graphiques et sélectionnez l’icône Lignes, puis optez pour le modèle Ligne avec marqueurs ;
• Si Excel trace initialement les conditions sur l’axe des ordonnées et regroupe les sujets sur l’axe des abscisses, cliquez sur le graphique pour afficher l’onglet contextuel Création de graphique, puis cliquez immédiatement sur le bouton Intervertir les lignes et les colonnes.

Ce graphique met en exergue l’effet intra-sujet avec une clarté remarquable : chaque ligne représente la réponse temporelle continue d’un participant particulier à travers les quatre conditions médicamenteuses. On observe immédiatement une remarquable cohérence ordinale interindividuelle : pour l’ensemble des cinq participants sans exception, le temps de réaction fléchit sous l’action de la Caféine par rapport au Placebo, atteint son point culminant sous l’effet de l’Alcool, et redescend à un niveau intermédiaire sous THC. Cette absence totale de croisement chaotique entre les profils individuels indique graphiquement la présence d’un effet principal puissant du traitement et suggère une interaction sujet-condition de faible magnitude, ce qui se traduira sur le plan analytique par une somme des carrés résiduelle particulièrement faible.

6. Procédure d’exécution : L’ANOVA à deux facteurs sans répétition

6.1 Justification de l’équivalence algorithmique du modèle sans répétition

À ce stade, une question technique cruciale surgit : si l’Utilitaire d’analyse de Microsoft Excel ne propose explicitement aucune fonction intitulée littéralement « ANOVA à mesures répétées », quel module computationnel l’analyste doit-il solliciter ? La réponse réside dans la maîtrise de l’équivalence mathématique liant le devis intra-sujet à l’ANOVA : Deux facteurs sans répétition (Two-Way ANOVA without Replication).

Dans un devis intra-sujet à un facteur, le tableau de données constitue une matrice bidimensionnelle de dimension (n times k) (où (n) représente le nombre d’unités expérimentales et (k) le nombre de conditions répétées). L’algorithme de l’ANOVA à deux facteurs sans répétition traite cette structure comme un plan factoriel orthogonal dans lequel :

• Le premier facteur correspond aux Lignes, assimilées formellement à un facteur aléatoire représentant l’effet propre à chaque participant ((text{Participant}_i)) ;
• Le second facteur correspond aux Colonnes, qui capturent l’effet fixe de la variable indépendante manipulée ((text{Condition}_j)).

Puisqu’il n’existe qu’une seule observation à l’intersection d’un individu et d’une modalité donnée (ce qui correspond précisément à l’absence de répétition intra-cellulaire), le terme traditionnellement alloué à l’interaction factorielle ((text{Lignes} times text{Colonnes})) ne peut être estimé indépendamment de l’erreur aléatoire. Par voie de conséquence algébrique, le modèle absorbe cette interaction pour en constituer le terme d’erreur résiduel. Dès lors, le ratio (F) calculé en divisant le carré moyen des colonnes par le carré moyen résiduel fournit une statistique rigoureusement identique, au bit près, à celle produite par les procédures de mesures répétées sous SPSS (GLM) ou le package rstatix sous R.

6.2 Configuration détaillée de la boîte de dialogue dans Excel

L’implémentation opérationnelle de l’analyse inférentielle s’effectue au moyen d’un paramétrage minutieux de la boîte de dialogue de l’Utilitaire d’analyse. Veillez à suivre scrupuleusement le protocole ci-après :

• Cliquez sur l’onglet Données du ruban supérieur, puis activez la commande Utilitaire d’analyse au sein du groupe Analyse ;
• Dans le menu déroulant répertoriant les outils statistiques, sélectionnez avec précision l’intitulé ANOVA : Deux facteurs sans répétition et cliquez sur le bouton OK ;
• Le formulaire de paramétrage interactif s’ouvre à l’écran. Positionnez votre curseur dans le champ Plage d’entrée ;
• Sélectionnez à l’aide de votre souris la plage continue s’étendant de la cellule A1 à la cellule E6. Il est fondamental d’inclure la colonne des identifiants sujets et la ligne des en-têtes de colonnes ;
• Cochez impérativement la case à cocher intitulée Intitulés (ou Labels). Cette démarche indique formellement au moteur d’analyse que la première ligne et la première colonne contiennent des marqueurs sémantiques et ne doivent pas être traitées comme des valeurs numériques intégrées aux calculs ;
• Dans le champ Alpha, assurez-vous que la valeur par défaut de (0{,}05) est bien consignée, définissant le seuil nominal d’erreur de première espèce toléré.

6.3 Destination et organisation de la feuille de résultats

Avant d’initier le calcul, vous devez arbitrer sur la localisation spatiale de la restitution des sorties statistiques sous la rubrique Options de sortie. Il est formellement recommandé de proscrire l’affichage sur la feuille active via une plage de sortie locale, sous peine d’écraser accidentellement des formules exploratoires ou des données brutes préexistantes en cas de redimensionnement de l’échantillon.

Sélectionnez l’option radio Nouvelle feuille de calcul et attribuez-lui une dénomination explicite dans le champ de saisie textuelle adjacent, par exemple Resultats_ANOVA. Cette méthode crée un onglet vierge dans votre classeur, dédié exclusivement à l’archivage et à l’exploitation des données inférentielles générées. Validez enfin l’ensemble de la procédure en cliquant sur le bouton OK.

En une fraction de seconde, le processeur d’Excel compile les données et produit un ensemble structuré de deux sous-tableaux analytiques parfaitement délimités :

• Le tableau supérieur, intitulé SYNTHÈSE (ou Summary), qui détaille les décompositions marginales des effectifs, des sommes, des moyennes arithmétiques et des variances empiriques, successivement pour chaque sujet (par ligne) puis pour chaque condition expérimentale (par colonne) ;
• Le tableau inférieur, intitulé ANOVA, qui constitue la table de décomposition finale des variances, exposant l’architecture formelle des sommes de carrés, les degrés de liberté, les carrés moyens, les valeurs empiriques du rapport (F), les probabilités critiques ((p)-values) et les seuils critiques théoriques de décision.

7. Décomposition analytique et interprétation de la table ANOVA

7.1 Compréhension des composantes de la somme des carrés (SC)

L’analyse de la variance repose sur la partition de la variabilité globale observée au sein du devis expérimental. La table produite par Excel structure cette partition sous la colonne intitulée Somme des carrés (notée (SC) ou (SS) pour Sum of Squares). Pour interpréter correctement les résultats, il est nécessaire de comprendre la signification substantielle de chacune des lignes de cette table.

La décomposition des composantes de variabilité s’effectue comme suit :

• Source Lignes (Sujets) : La somme des carrés associée aux lignes, (SC_{text{Lignes}}) (ou (SC_{text{Sujets}})), quantifie la variabilité interindividuelle stable. Elle évalue l’écart quadratique entre la moyenne individuelle propre à chaque participant à travers l’ensemble des conditions et la moyenne générale de l’expérience ((G)). Sur notre jeu de données, Excel extrait une valeur (SC_{text{Lignes}} = 0{,}01997). Cette somme de carrés isole la variance attribuable aux idiosyncrasies de vitesse psychomotrice de nos sujets, la retirant ainsi définitivement du terme d’erreur expérimentale ;
• Source Colonnes (Traitement) : La somme des carrés relative aux colonnes, (SC_{text{Colonnes}}) (ou (SC_{text{Traitement}})), représente la variance due à la manipulation de la variable indépendante. Elle mesure la dispersion des moyennes conditionnelles marginales autour de la moyenne générale. Sur notre échantillon, la table affiche (SC_{text{Colonnes}} = 0{,}06894). C’est cette composante qui constitue le cœur de l’hypothèse de recherche : elle quantifie l’ampleur de l’effet produit par les substances psychoactives sur les temps de réaction ;
• Source Erreur (Résiduelle) : La somme des carrés de l’erreur, (SC_{text{Erreur}}), capture la variabilité résiduelle non systématique. Algébriquement, elle correspond à l’interaction statistique non décomposable entre les sujets et les conditions ((S times C)). Elle représente la part de variabilité qui ne s’explique ni par les dissemblances chroniques entre les individus, ni par l’effet général de la substance médicamenteuse. Nous relevons ici (SC_{text{Erreur}} = 0{,}00118) ;
• Total : La somme des carrés totale, (SC_{text{Total}} = 0{,}09009), correspond à la somme arithmétique rigoureuse des trois composantes précédentes : (SC_{text{Total}} = SC_{text{Lignes}} + SC_{text{Colonnes}} + SC_{text{Erreur}}).

7.2 Rôles des degrés de liberté et carrés moyens

Les sommes de carrés constituent des quantités globales agrégées dont la magnitude est tributaire du nombre d’observations compilées. Pour transformer ces grandeurs cumulatives en estimateurs de variance non biaisés comparables, il est nécessaire de rapporter chaque somme de carrés à son nombre respectif de degrés de liberté (notés (ddl) ou (df) pour degrees of freedom), consigné dans la colonne Degrés de liberté de la table.

Le calcul de ces degrés de liberté s’établit selon les formulations suivantes :

• Pour le facteur Sujets (Lignes) : (ddl_{text{Lignes}} = n – 1), où (n) désigne l’effectif total des participants. Dans notre protocole, avec (n = 5), nous obtenons (5 – 1 = 4) degrés de liberté ;
• Pour le facteur Traitement (Colonnes) : (ddl_{text{Colonnes}} = k – 1), où (k) représente le nombre de conditions répétées. Avec (k = 4) substances administrées, nous obtenons (4 – 1 = 3) degrés de liberté ;
• Pour le terme d’Erreur : les degrés de liberté résiduels correspondent au produit arithmétique des degrés de liberté associés aux deux composantes factorielles :
  $$ddl_{\text{Erreur}} = (n – 1) \times (k – 1) = 4 \times 3 = 12$$
  Ce résultat découle du fait que le terme d’erreur est conceptuellement assimilé à l’interaction participante sujet-condition ;
• Pour le Total : (ddl_{text{Total}} = N – 1 = (n times k) – 1 = 20 – 1 = 19), ce qui correspond à la somme des degrés de liberté partiels ((4 + 3 + 12 = 19)).

La division géométrique de chaque somme des carrés par son degré de liberté associé donne naissance aux Carrés Moyens (colonne Moyenne des carrés ou (MS) pour Mean Squares). Sur notre table, le Carré Moyen du Traitement (Colonnes) se calcule ainsi :
$$CM_{\text{Colonnes}} = \frac{SC_{\text{Colonnes}}}{ddl_{\text{Colonnes}}} = \frac{0{,}06894}{3} = 0{,}02298$$
Parallèlement, le Carré Moyen de l’Erreur résiduelle s’obtient par :
$$CM_{\text{Erreur}} = \frac{SC_{\text{Erreur}}}{ddl_{\text{Erreur}}} = \frac{0{,}00118}{12} = 0{,}0000983$$

7.3 Évaluation du rapport F de Fisher et prise de décision statistique

L’inférence statistique finale repose sur la construction du ratio de variance formalisé par Ronald Fisher : la statistique de test (F). Dans l’architecture d’une ANOVA à mesures répétées, le ratio (F) critique pour tester l’effet du traitement expérimental correspond exclusivement à la division du Carré Moyen des Colonnes par le Carré Moyen de l’Erreur :

$$F_{\text{Traitement}} = \frac{CM_{\text{Colonnes}}}{CM_{\text{Erreur}}} = \frac{0{,}02298}{0{,}0000983} = 233{,}69$$

À la ligne Colonnes, la table d’Excel fournit directement cette valeur calculée sous l’étiquette F ((233{,}69)). La table consigne également, dans la colonne adjacente Valeur critique pour F (ou (F_{text{critique}})), le seuil théorique de rejet issu de la distribution de Snedecor pour le risque (alpha = 0{,}05) avec (ddl_1 = 3) et (ddl_2 = 12), soit (3{,}490). Puisque la statistique (F) empirique calculée ((233{,}69)) surpasse de plusieurs ordres de grandeur la valeur critique seuil ((3{,}490)), l’hypothèse nulle d’égalité des moyennes conditionnelles est formellement rejetée.

Ce rejet s’exprime également au travers de la probabilité critique consignée dans la colonne Probabilité (la (p)-value empirique). Excel affiche une valeur infinitésimale de (1{,}43 times 10^{-11}) (notée en écriture scientifique sous la forme 1,43E-11), largement inférieure au seuil de signification classique de (alpha = 0{,}05), et même au seuil conservateur de (alpha = 0{,}001). Nous en déduisons de manière concluante que l’administration des différentes substances psychoactives modifie significativement les temps de réaction psychomoteurs des participants.

Remarque méthodologique fondamentale concernant la ligne « Lignes » : Bien qu’Excel affiche également un ratio (F) et une probabilité sur la rangée des Lignes (correspondant aux participants), cette statistique doit être interprétée avec une extrême circonspection méthodologique. En toute rigueur statistique, tester formellement l’effet d’un facteur aléatoire (les sujets) en le rapportant au même terme d’erreur ((CM_{text{Erreur}})) que le facteur fixe n’est pas strictement valide dans un modèle mixte sans répétition, car le dénominateur approprié pour ce test nécessiterait des réplications intra-conditionnelles qui font ici défaut. Il convient donc d’ignorer le test d’hypothèse de la ligne Lignes et de focaliser l’ensemble de l’argumentation scientifique sur la ligne des Colonnes.

8. Évaluation et compensation de la violation de sphéricité dans Excel

8.1 Calcul de la matrice de variances-covariances des différences

L’interprétation de la table d’ANOVA établie à l’étape précédente n’est mathématiquement recevable que sous réserve du respect strict du postulat de sphéricité explicité au chapitre 2.2. Si la sphéricité n’est pas vérifiée, la valeur (p) nominale délivrée par l’analyse est biaisée vers l’optimisme, risquant d’induire une erreur de type I. Malheureusement, l’Utilitaire d’analyse de Microsoft Excel ne propose pas nativement le test formel de Mauchly. L’expérimentateur rigoureux doit dès lors procéder à un diagnostic complémentaire en construisant manuellement la matrice des différences appariées.

Pour implémenter cette analyse diagnostique dans votre classeur :

• Créez sur une nouvelle zone de la feuille un tableau d’écartement calculant les différences terme à terme pour les (k(k – 1)/2 = 4(3)/2 = 6) paires uniques de conditions :
• En colonne G, calculez la différence Placebo – Caféine via la formule =B2-C2 étendue sur les cinq sujets ;
• En colonne H, calculez Placebo – Alcool via =B2-D2 ;
• En colonne I, calculez Placebo – THC via =B2-E2 ;
• En colonne J, calculez Caféine – Alcool via =C2-D2 ;
• En colonne K, calculez Caféine – THC via =C2-E2 ;
• En colonne L, calculez Alcool – THC via =D2-E2.

Sous chacune de ces colonnes de différences, appliquez la fonction =VARIANCE.S() pour estimer les variances de ces écarts. Si le postulat de sphéricité est scrupuleusement honoré, les six valeurs scalaires obtenues doivent être approximativement identiques. Sur notre jeu de données expérimental, les variances des différences oscillent de façon très ténue entre (0{,}00008) et (0{,}00015), ce qui indique une remarquable constance structurelle et laisse présager d’une atteinte minimale à l’exigence de circularité.

8.2 Estimation de l’indice epsilon de Greenhouse-Geisser

Lorsque les variances différentielles ne présentent pas une stricte constance, il est méthodologiquement impératif d’évaluer le degré de déviation au moyen d’un coefficient quantitatif de correction. L’estimateur le plus couramment employé dans les sciences comportementales est l’epsilon de Greenhouse-Geisser ((hat{varepsilon})). Cet indice adimensionnel varie théoriquement à l’intérieur d’un intervalle borné :

$$\frac{1}{k – 1} le \hat{\varepsilon} le 1{,}00$$

Une valeur (hat{varepsilon} = 1{,}00) atteste d’une sphéricité idéale, tandis qu’une valeur se rapprochant de sa borne minimale inférieure (qui serait de (1 / (4 – 1) = 0{,}333) dans notre devis à quatre modalités) dénote une rupture dramatique du postulat de circularité.

La formulation algébrique de l’epsilon de Greenhouse-Geisser s’énonce à partir de la matrice de covariance empirique (S) des conditions élémentaires (matrice de taille (k times k)) :

$$\hat{\varepsilon} = \frac{k^2 (\bar{s}_{ii} – \bar{s}_{..})^2}{(k – 1) \left( \sum_{i=1}^k \sum_{j=1}^k s_{ij}^2 – 2k \sum_{i=1}^k \bar{s}_{i.}^2 + k^2 \bar{s}_{..}^2 \right)}$$

Où (bar{s}_{ii}) désigne la moyenne des variances figurant sur la diagonale principale de la matrice de covariance, (bar{s}_{..}) représente la moyenne générale de l’ensemble des éléments de la matrice, (s_{ij}) représente chaque coefficient individuel de covariance, et (bar{s}_{i.}) est la moyenne arithmétique des éléments constitutifs de la (i)-ème rangée.

Dans Excel, cette extraction s’opère méthodologiquement en plusieurs étapes :

• Construisez au moyen de l’Utilitaire d’analyse la Matrice de covariance de vos conditions en sélectionnant la plage B1:E6 (via la fonction Covariance de l’outil) ;
• Puisque l’utilitaire d’Excel délivre par défaut la covariance de population (divisée par (N)), multipliez chaque coefficient par (n / (n – 1) = 5 / 4 = 1{,}25) pour obtenir la matrice de covariance d’échantillon sans biais ;
• Exécutez dans des cellules dédiées les sommations quadratiques requises par l’équation matricielle ci-dessus.

L’exécution de cette démarche computationnelle sur nos données pharmacologiques délivre un coefficient (hat{varepsilon}_{text{GG}} = 0{,}874). Cette valeur, très proche de l’unité, atteste que le jeu de données ne s’écarte que marginalement du modèle théorique de sphéricité parfaite.

8.3 Ajustement manuel des degrés de liberté et de la p-value

Une fois l’indice de correction de Greenhouse-Geisser calculé, la régularisation statistique de l’ANOVA s’exécute de manière élégante : la valeur numérique du ratio (F) empirique ((233{,}69)) demeure strictement inchangée. En revanche, l’expérimentateur pénalise les degrés de liberté théoriques du test en les multipliant systématiquement par la valeur scalaire de l’epsilon calculé :

$$ddl_{1(\text{ajusté})} = ddl_{\text{Colonnes}} \times \hat{\varepsilon} = 3 \times 0{,}874 = 2{,}622$$

$$ddl_{2(\text{ajusté})} = ddl_{\text{Erreur}} \times \hat{\varepsilon} = 12 \times 0{,}874 = 10{,}488$$

Puisque les tables statistiques imprimées ne comportent pas de degrés de liberté fractionnaires, Excel offre un avantage fonctionnel déterminant grâce à sa distribution de Fisher continue native. Pour recalculer la (p)-value corrigée de la violation de sphéricité, insérez dans une cellule libre de votre feuille la formule suivante :

=LOI.F.DROITE(233,69; 2,622; 10,488)

L’évaluation de cette formule délivre une probabilité critique ajustée de (p = 4{,}12 times 10^{-9}). Bien que cette valeur révisée s’avère très légèrement supérieure à la probabilité nominale initiale non corrigée ((1{,}43 times 10^{-11})), elle demeure immensément inférieure au seuil de décision canonique de (alpha = 0{,}05). L’investigateur peut ainsi statuer sur la significativité statistique de l’effet principal du traitement avec l’assurance méthodologique absolue que sa conclusion ne découle en aucun cas d’un artefact computationnel lié à une entorse à la condition de circularité.

9. Analyses post-hoc et comparaisons multiples par paires

9.1 Justification de la poursuite des analyses après rejet de l’hypothèse nulle

L’obtention d’une statistique (F) hautement significative au terme de l’ANOVA globale atteste indubitablement que les quatre conditions pharmacologiques n’engendrent pas des moyennes temporelles équivalentes dans la population parente. L’hypothèse nulle générale s’énonçant (H_0 : mu_{text{Placebo}} = mu_{text{Caféine}} = mu_{text{Alcool}} = mu_{text{THC}}), son rejet formel indique uniquement qu’au moins une des conditions induit un temps de réponse divergeant des autres, sans fournir la moindre information quant à la localisation précise de cette divergence.

Le traitement psychoactif est-il uniformément plus délétère sous Alcool que sous THC ? La réduction des temps de réaction induite par la Caféine par rapport au Placebo atteint-elle le seuil de signification statistique à elle seule ? Pour élucider ces interrogations empiriques fondamentales, l’investigateur doit impérativement engager des analyses post-hoc de comparaisons multiples par paires (pairwise comparisons).

Toutefois, la conduite successive de plusieurs tests d’hypothèses sur le même échantillon soulève le problème de l’inflation de l’erreur globale par famille de tests (family-wise error rate, noté (alpha_{text{FW}})). En application de la loi des probabilités d’événements indépendants, si l’on conduit (C) tests indépendants au seuil nominal individuel (alpha = 0{,}05), la probabilité cumulative de commettre au moins une fausse découverte s’établit à :

$$\alpha_{\text{FW}} = 1 – (1 – \alpha)^C$$

Pour l’ensemble des (C = k(k – 1) / 2 = 4(3) / 2 = 6) combinaisons binaires possibles de notre devis, le risque réel de fausse découverte s’élèverait sans correction à :

$$1 – (1 – 0{,}05)^6 = 1 – (0{,}95)^6 = 0{,}2649$$

Soit plus de 26 % de risques de déclarer fallacieusement une différence comme significative. L’application de corrections de contrôle d’erreur de première espèce s’avère donc indispensable.

9.2 Exécution des tests t pour échantillons appariés successifs

Puisque notre plan expérimental est intra-sujet, chaque comparaison binaire doit être conduite au moyen d’un test (t) de Student pour échantillons appariés (paired-samples t-test). Excel fournit deux options pour réaliser ces tests : l’outil dédié de l’Utilitaire d’analyse ou l’utilisation directe de la fonction algorithmique native TEST.T().

L’emploi direct de la fonction TEST.T() s’avère particulièrement fluide et évite la création redondante de multiples sous-tableaux. Sa syntaxe standard requiert quatre arguments :
=TEST.T(matrice1; matrice2; un_ou_deux_côtés; type). Pour une comparaison bilatérale appariée, les arguments 3 et 4 doivent être fixés respectivement à 2 et 1. Vous construirez ainsi un tableau matriciel carré répertoriant les probabilités critiques brutes associées à chaque paire :

• Pour l’affrontement Placebo vs Caféine : tapez en cellule dédiée =TEST.T(B2:B6; C2:C6; 2; 1), ce qui fournit une valeur empirique (p = 0{,}000301) (valeur (t) associée (t(4) = 11{,}49)) ;
• Pour le contraste Placebo vs Alcool : tapez =TEST.T(B2:B6; D2:D6; 2; 1), ce qui délivre une probabilité (p = 0{,}000298) ((t(4) = -11{,}55)) ;
• Pour le contraste Placebo vs THC : tapez =TEST.T(B2:B6; E2:E6; 2; 1), délivrant (p = 0{,}001150) ((t(4) = -8{,}16)) ;
• Pour le contraste Caféine vs Alcool : tapez =TEST.T(C2:C6; D2:D6; 2; 1), délivrant (p = 0{,}000038) ((t(4) = -20{,}17)) ;
• Pour le contraste Caféine vs THC : tapez =TEST.T(C2:C6; E2:E6; 2; 1), délivrant (p = 0{,}000078) ((t(4) = -16{,}92)) ;
• Pour le contraste Alcool vs THC : tapez =TEST.T(D2:D6; E2:E6; 2; 1), délivrant (p = 0{,}000676) ((t(4) = 9{,}40)).

9.3 Application des corrections de Bonferroni et de Holm

Pour assainir ces inférences post-hoc, deux approches méthodologiques complémentaires s’offrent à l’expérimentateur dans Excel :

La correction classique de Bonferroni : Cette procédure, universellement reconnue pour son extrême simplicité mais critiquée pour sa trop grande conservativité, consiste à diviser le seuil d’erreur nominal (alpha) par le nombre total de contrastes conduits :

$$\alpha_{\text{Bonferroni}} = \frac{\alpha}{C} = \frac{0{,}05}{6} = 0{,}00833$$

Chaque valeur (p) non ajustée extraite à l’étape précédente doit être comparée à ce nouveau seuil critique ((0{,}00833)). En examinant notre jeu de données, nous constatons que l’ensemble des six valeurs (p) empiriques calculées se situent bien en deçà de ce seuil, la plus élevée d’entre elles étant de (0{,}00115). Nous concluons donc que toutes les comparaisons par paires demeurent statistiquement significatives après ajustement de Bonferroni.

La méthode séquentielle de Holm-Bonferroni (procédure pas-à-pas descendante) : Cette alternative mathématique offre une puissance statistique supérieure tout en maintenant un contrôle absolu du risque d’erreur de première espèce global. Sa mise en œuvre séquentielle dans un tableau Excel s’exécute selon les étapes suivantes :

1. Triez vos contrastes par ordre croissant de leurs probabilités critiques non ajustées (de la plus petite à la plus grande) ;
2. Associez à chaque contraste ordonné un rang (i) s’étalant de (1) à (C) ;
3. Calculez pour chaque niveau d’affrontement un seuil critique dynamique formulé comme suit :
   $$\alpha_{\text{Holm}} = \frac{\alpha}{C – i + 1}$$
4. Comparez successivement chaque valeur (p) à son seuil dédié. Dès lors qu’une probabilité échoue à franchir le seuil, la chaîne de décision est rompue et tous les contrastes subséquents sont déclarés non significatifs.

Le déroulement séquentiel sur nos données s’illustre selon le tableau synthétique suivant :

Rang (i)	Comparaison	p-value observée	Formule du seuil	Seuil de Holm	Décision
1	Caféine vs Alcool	0,000038	0,05 / (6 – 1 + 1)	0,00833	Rejet H0 (Significatif)
2	Caféine vs THC	0,000078	0,05 / (6 – 2 + 1)	0,01000	Rejet H0 (Significatif)
3	Placebo vs Alcool	0,000298	0,05 / (6 – 3 + 1)	0,01250	Rejet H0 (Significatif)
4	Placebo vs Caféine	0,000301	0,05 / (6 – 4 + 1)	0,01667	Rejet H0 (Significatif)
5	Alcool vs THC	0,000676	0,05 / (6 – 5 + 1)	0,02500	Rejet H0 (Significatif)
6	Placebo vs THC	0,001150	0,05 / (6 – 6 + 1)	0,05000	Rejet H0 (Significatif)

Cette analyse séquentielle confirme de manière univoque la significativité statistique de l’ensemble des contrastes examinés, attestant que chaque molécule induit un état de réactivité psychomotrice significativement distinct de toutes les autres conditions testées.

10. Quantification de la taille de l’effet et puissance statistique

10.1 Calcul de l’éta-carré partiel (η²p)

L’évaluation exclusive de la significativité statistique via la valeur (p) présente des limites méthodologiques bien documentées : elle indique la probabilité d’observer de telles données sous l’hypothèse nulle, mais n’informe aucunement sur la magnitude pratique de l’effet observé. Dans le cadre d’un protocole académique conforme aux directives internationales, la communication de la taille d’effet (effect size) est obligatoire.

Pour l’ANOVA à mesures répétées, l’indicateur standard de référence est l’éta-carré partiel ((eta_p^2)). Il représente la proportion de variance de la variable dépendante attribuable au facteur expérimental, une fois la variance interindividuelle propre aux sujets neutralisée. Sa formule algébrique s’exprime comme suit :

$$\eta_p^2 = \frac{SC_{\text{Traitement}}}{SC_{\text{Traitement}} + SC_{\text{Erreur}}}$$

Dans votre feuille Excel d’ANOVA, cet indice s’obtient directement par une formule dynamique connectée aux cellules de la table de sortie :

• En supposant que (SC_{text{Colonnes}}) loge en cellule B13 et que (SC_{text{Erreur}}) loge en B14, tapez :
  =B13 / (B13 + B14).

Sur notre jeu de données expérimental :

$$\eta_p^2 = \frac{0{,}06894}{0{,}06894 + 0{,}00118} = \frac{0{,}06894}{0{,}07012} = 0{,}983$$

Selon les repères conventionnels initialement formulés par Jacob Cohen (1988), un (eta_p^2) de (0{,}01) est qualifié de faible, une valeur de (0{,}06) dénote un effet moyen, et un seuil de (0{,}14) signale un effet de forte amplitude. Un résultat de (eta_p^2 = 0{,}983) correspond à un impact expérimental majeur : 98,3 % de la variance intra-sujet des temps de réaction est directement attribuable à la nature des molécules administrées.

10.2 Calcul de l’éta-carré généralisé (η²G)

Bien que l’éta-carré partiel demeure la métrique la plus couramment rapportée, des méthodologistes contemporains de renom (notamment Olejnik & Algina, 2003 ; Bakeman, 2005) ont démontré les limites inhérentes au (eta_p^2) lors de comparaisons inter-études. En effet, puisque le dénominateur de l’éta-carré partiel exclut délibérément la variance propre aux participants ((SC_{text{sujets}})), son ordre de grandeur tend à être artificiellement gonflé dans les devis intra-sujets par rapport aux plans inter-sujets, faussant les compilations de synthèses méta-analytiques.

Pour résoudre cette distorsion d’évaluation, la recherche contemporaine préconise de rapporter conjointement l’éta-carré généralisé ((eta_G^2)). Pour un plan à un facteur répété où la manipulation est purement expérimentale, sa formulation s’établit en intégrant formellement la somme des carrés interindividuelle au dénominateur :

$$\eta_G^2 = \frac{SC_{\text{Traitement}}}{SC_{\text{Traitement}} + SC_{\text{Sujets}} + SC_{\text{Erreur}}} = \frac{SC_{\text{Colonnes}}}{SC_{\text{Total}}}$$

Dans Excel, son calcul correspond simplement au ratio de la cellule (SC_{text{Colonnes}}) sur la cellule (SC_{text{Total}}) :

$$\eta_G^2 = \frac{0{,}06894}{0{,}09009} = 0{,}765$$

Cette estimation de (76{,}5%) offre une base de comparaison standardisée et non biaisée, exploitable par de futurs chercheurs pour modéliser des méta-analyses intégrant des devis tant factoriels inter-sujets qu’intra-sujets.

10.3 Estimation de la puissance statistique rétrospective

La puissance statistique a posteriori (ou rétrospective) désigne la probabilité computationnelle que le test avait de détecter un effet d’une amplitude équivalente à celle observée au sein de notre échantillon d’investigation. Elle dérive mathématiquement de la distribution de Fisher non centrale, définie par ses degrés de liberté ((ddl_1 = 3), (ddl_2 = 12)) et par un paramètre de non-centralité empirique (lambda), formulé comme suit :

$$\lambda = \frac{SC_{\text{Traitement}}}{CM_{\text{Erreur}}} = \frac{0{,}06894}{0{,}0000983} = 701{,}32$$

Bien qu’Excel ne dispose pas d’une fonction native directe pour la loi de Fisher non centrale, l’ampleur spectaculaire du paramètre (lambda) ((>700)) et la magnitude du ratio (F) ((233{,}69)) face au seuil critique ((3{,}49)) permettent d’affirmer de manière certaine que la puissance rétrospective dépasse largement (0{,}999) (soit une probabilité de détection supérieure à 99,9 %).

Néanmoins, les consensus méthodologiques modernes incitent à manier la puissance a posteriori avec circonspection : celle-ci n’est qu’une fonction redondante et monotone de la (p)-value obtenue. La véritable utilité de cette évaluation réside dans la modélisation prospective (a priori) pour de futurs protocoles. La démonstration d’une variance résiduelle aussi ténue ((CM_{text{Erreur}} = 0{,}0000983)) informe le chercheur qu’un effectif très restreint ((n le 6)) s’avère amplement suffisant pour investiguer ces effets psychomoteurs tout en garantissant une puissance supérieure au standard conventionnel de (80%).

11. Représentation graphique professionnelle des résultats

11.1 Conception d’un graphique linéaire des profils moyens

La transmission claire et rigoureuse des résultats d’une ANOVA à mesures répétées nécessite une restitution visuelle fidèle des profils conditionnels. En psychologie et en neurosciences, la représentation canonique pour un facteur répété ordonné ou catégoriel est le graphique linéaire reliant les moyennes des conditions, enrichi de marqueurs discrets.

Pour construire ce graphique sous Excel :

• Dans votre tableau descriptif préliminaire, sélectionnez les étiquettes textuelles des conditions (B1:E1) ainsi que la rangée des moyennes empiriques associées (B8:E8) ;
• Rendez-vous dans l’onglet Insertion, section Graphiques recommandés, et optez pour Ligne avec marques ;
• Sélectionnez l’axe vertical des ordonnées (axe des (Y)), effectuez un clic droit et choisissez Format de l’axe. Définissez la borne inférieure minimale à (0{,}30) et la borne supérieure maximale à (0{,}60), avec une unité principale de graduation de (0{,}05). Cet étalonnage évite tout écrasement artificiel des dynamiques expérimentales ;
• Supprimez systématiquement le titre automatique du graphique et éliminez les lignes de quadrillage horizontales grises afin d’épurer l’espace visuel selon les canons esthétiques universitaires ;
• Nommez lisiblement l’axe des ordonnées : Temps de réaction moyen (s), et l’axe des abscisses : Condition pharmacologique.

11.2 Calcul et intégration des barres d’erreur intra-sujet

L’écueil méthodologique le plus classique rencontré dans les publications scientifiques réside dans l’intégration de barres d’erreur basées sur l’écart-type ou l’erreur-type conventionnelle inter-sujets ((SE = s / sqrt{n})). L’erreur-type classique incorpore la variance interindividuelle stable, qui a précisément été neutralisée par le modèle de mesures répétées. Procéder ainsi génère des barres d’erreur artificiellement dilatées qui contredisent visuellement la significativité statistique hautement déclarée par le test (F).

Pour aligner la représentation graphique sur le modèle statistique, il est impératif d’utiliser la méthode de Cousineau-Morey, qui normalise préalablement les données pour isoler la variance intra-sujet :

1. Calculez la moyenne globale de chaque participant à travers les quatre conditions dans une colonne adjacente (colonne F) via =MOYENNE(B2:E2) ;
2. Calculez la grande moyenne générale de l’expérience ((G)) en cellule F7 via =MOYENNE(B2:E6) ;
3. Dans une nouvelle matrice de normalisation (plage B18:E22), appliquez à chaque observation brute la transformation de Cousineau :
   $$Y_{ij} = X_{ij} – \bar{X}_{i.} + G$$
   (dans Excel, en B18 : =B2-$F2+$F$7, formule étirable sur l’ensemble de la matrice) ;
4. Calculez l’écart-type de ces valeurs normalisées pour chaque condition au moyen de =ECARTYPE.STANDARD() ;
5. Appliquez le facteur de correction de Morey pour compenser le biais computationnel introduit par la soustraction des moyennes individuelles, en multipliant l’écart-type normalisé par le coefficient correcteur :
   $$\sqrt{\frac{k}{k – 1}} = \sqrt{\frac{4}{3}} \approx 1{,}1547$$
6. Calculez enfin l’erreur-type intra-sujet ajustée :
   $$SE_{\text{Morey}} = \frac{s_{\text{normalisé}} \times \sqrt{\frac{k}{k – 1}}}{\sqrt{n}}$$

L’évaluation numérique délivre des barres d’erreur intra-sujets de seulement (0{,}0039text{ s}) à (0{,}0052text{ s}) (contre plus de (0{,}015text{ s}) pour l’erreur-type conventionnelle non corrigée). Pour incorporer ces barres personnalisées dans Excel, sélectionnez votre série graphique, cliquez sur l’icône Éléments de graphique (symbole (+)), cochez Barres d’erreur, accédez aux Autres options…, cochez la modalité Personnalisée, et sélectionnez votre plage de cellules d’erreurs intra-sujets normalisées.

11.3 Exportation vectorielle et préparation pour l’édition scientifique

L’insertion d’une production graphique issue d’un tableur au sein d’un manuscrit soumis pour publication académique requiert une rigueur de mise en page spécifique pour éviter toute dégradation de résolution :

• Harmonisation chromatique et contraste : Configurez les tracés de ligne et les marqueurs sous une teinte noire unie ou en niveaux de gris contrastés. L’emploi d’aplats de couleurs criardes doit être banni pour garantir une lisibilité optimale lors d’impressions monochromes ;
• Typographie : Standardisez toutes les polices textuelles du graphique (axes, graduations, légendes) sous des polices sérif standardisées (Times New Roman) ou sans-sérif neutres (Arial, Helvetica), en adoptant un corps typographique homogène compris entre 10 et 12 points ;
• Exportation haute résolution : Évitez les simples captures d’écran matricielles (fichiers PNG ou JPEG basse résolution à 72 DPI). La procédure optimale sous Excel consiste à copier le graphique vectoriel, puis à utiliser la commande Collage spécial… > Fichier de métafichier amélioré (EMF) dans Microsoft Word, ou à imprimer le graphique isolé au format vectoriel PDF haute résolution. Ce traitement préserve la clarté typographique et la finesse géométrique des tracés, répondant aux standards d’impression scientifique (minimum de 300 à 600 DPI).

12. Rédaction académique des résultats et limites méthodologiques

12.1 Normalisation de la restitution écrite selon les normes APA (7e édition)

La rédaction de la section des résultats d’un manuscrit scientifique obéit à un ensemble de conventions formelles édictées par l’American Psychological Association (normes APA, 7e édition). La description narrative doit articuler avec clarté la justification de l’analyse, l’évaluation des postulats sous-jacents, les statistiques inférentielles associées, les corrections appliquées, ainsi que les métriques d’amplitude d’effet.

Voici un modèle exemplaire de formulation textuelle correspondant rigoureusement aux analyses conduites sur notre jeu de données :

« Une analyse de variance (ANOVA) à mesures répétées à un facteur a été conduite afin de déterminer l’effet de l’administration de différentes substances psychoactives (Placebo, Caféine, Alcool, THC) sur le temps de réaction moyen des participants (exprimé en secondes).

L’évaluation du postulat de sphéricité au moyen de l’indice de Greenhouse-Geisser a mis en évidence une très légère violation de la condition de circularité ((hat{varepsilon} = 0{,}874)). Par mesure de conservativité statistique, les degrés de liberté ont été corrigés en conséquence. Les résultats indiquent un effet principal hautement significatif de la condition pharmacologique sur la vitesse psychomotrice, (F(2{,}62, 10{,}49) = 233{,}69), (CM_{text{Erreur}} = 0{,}000098), (p < 0{,}001), (eta_p^2 = 0{,}983), (eta_G^2 = 0{,}765).

Des analyses post-hoc par paires au moyen de tests (t) de Student pour échantillons appariés, assorties d’une correction séquentielle de Holm-Bonferroni pour le contrôle du taux d’erreur par famille de tests ((alpha = 0{,}05)), indiquent que l’ensemble des comparaisons bilatérales s’avèrent hautement significatives. L’administration de caféine induit un temps de réponse significativement plus prompt ((M = 0{,}382text{ s}), (ET = 0{,}026)) que le placebo ((M = 0{,}442text{ s}), (ET = 0{,}031), (p < 0{,}001)). Inversement, l'ingestion d'alcool engendre un ralentissement majeur de la réactivité ((M = 0{,}540text{ s}), (ET = 0{,}035)) en comparaison de toutes les autres conditions ((p < 0{,}001)). Enfin, les performances sous THC ((M = 0{,}490text{ s}), (ET = 0{,}034)) reflètent un niveau de latence intermédiaire, significativement distinct du placebo et de l'alcool ((p < 0{,}005)). »

12.2 Conception d’un tableau récapitulatif publiable

L’intégration d’un tableau de synthèse analytique au sein du corps du texte doit respecter rigoureusement les préceptes de mise en page de l’APA. La directive typographique centrale stipule l’absence totale de bordures ou de lignes de séparation verticales. Seules trois lignes horizontales majeures doivent structurer l’ensemble : une bordure supérieure délimitant l’en-tête, une ligne inférieure séparant les étiquettes de colonnes des données chiffrées, et une bordure terminale fermant le bas du tableau.

Le tableau suivant illustre la mise en forme académique recommandée pour notre analyse :

Tableau 1. Statistiques descriptives et décomposition de l’analyse de variance à mesures répétées pour les temps de réaction

Condition	M	ET	SE_intra	Source de variance	SC	ddl	CM	F	p	η²p
Placebo	0,442	0,031	0,0044	Traitement (Substances)	0,06894	2,62*	0,02298	233,69	< 0,001	0,983
Caféine	0,382	0,026	0,0039	Erreur (Résiduelle)	0,00118	10,49*	0,00010	—	—	—
Alcool	0,540	0,035	0,0052	Sujets (Interindividuel)	0,01997	4	0,00499	—	—	—
THC	0,490	0,034	0,0048	Total	0,09009	19	—	—	—	—

Note. (N = 5) participants. (M) = moyenne en secondes ; (ET) = écart-type conventionnel de l’échantillon ; (SE_{text{intra}}) = erreur-type intra-sujet normalisée selon la correction de Cousineau-Morey. *Degrés de liberté ajustés par l’indice d’epsilon de Greenhouse-Geisser ((hat{varepsilon} = 0{,}874)).

12.3 Limites de Microsoft Excel et transition vers des logiciels spécialisés

Bien que ce guide méthodologique atteste qu’Excel est parfaitement capable de mener à bien une ANOVA à mesures répétées à un facteur, l’honnêteté scientifique impose d’identifier avec lucidité les frontières fonctionnelles du tableur au fur et à mesure que les devis expérimentaux se complexifient :

• Absence de routines de diagnostic automatisées : L’omission du test formel de sphéricité de Mauchly et l’absence de délivrance automatisée des indices de correction d’epsilon (Greenhouse-Geisser, Huynh-Feldt) contraignent l’analyste à un ensemble d’itérations manuelles et de formulations matricielles auxiliaires qui accroissent le risque d’erreur de saisie ;
• Incapacité à traiter les devis factoriels complexes : Dès lors que le protocole intègre plusieurs facteurs intra-sujets combinés (devis (2 times 2) à mesures répétées) ou agrège des facteurs inter-sujets et intra-sujets au sein d’un même modèle (devis mixtes ou Split-Plot ANOVA), les outils natifs de l’Utilitaire d’analyse deviennent inopérants. La modélisation de telles interactions nécessite alors des imbrications matricielles manuelles particulièrement fastidieuses ;
• Gestion de l’attrition et des données manquantes : L’algorithme d’ANOVA sous Excel exige l’exclusion complète de tout participant présentant la moindre cellule vide. Face à des devis longitudinaux comportant une attrition inévitable, cette contrainte pénalise lourdement la puissance statistique.

Lorsque ces configurations expérimentales avancées se présentent, la transition vers des écosystèmes logiciels spécialisés s’impose comme une nécessité méthodologique :

• Langage de programmation R : Au travers d’environnements modernes tels que les packages afex, rstatix et lme4, R permet la modélisation de plans factoriels mixtes et l’ajustement de modèles linéaires à effets mixtes (LMM), s’affranchissant élégamment de la condition restrictive de sphéricité tout en conservant les données des sujets présentant des observations manquantes ;
• jamovi et JASP : Ces logiciels libres offrent des interfaces graphiques intuitives adossées au moteur de calcul de R. Ils automatisent l’ensemble des diagnostics de sphéricité (test de Mauchly) et les corrections d’epsilon en un clic, tout en assurant une mise en page native des sorties d’analyse conforme aux normes APA ;
• IBM SPSS Statistics : Via sa procédure standard GLM - Mesures répétées, SPSS gère nativement les devis mixtes multidimensionnels, bien que son coût d’acquisition sous licence propriétaire représente un investissement substantiel par rapport à la flexibilité universelle d’un tableur.

En conclusion, si Microsoft Excel ne saurait prétendre remplacer définitivement des logiciels d’analyses statistiques spécialisés lors du traitement de devis factoriels complexes ou de cohortes massives, il constitue néanmoins un formidable outil pédagogique et analytique pour les plans expérimentaux à mesures répétées à un facteur. Sa manipulation permet de démystifier la décomposition géométrique de la variance, de développer des réflexes d’évaluation critique de la sphéricité et d’acquérir une rigueur méthodologique fondamentale qui servira de socle pérenne tout au long du parcours scientifique du chercheur.

Références

• American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• Bakeman, R. (2005). Recommended effect size statistics for repeated measures designs. Behavior Research Methods, 37(3), 379–384. https://doi.org/10.3758/BF03192707
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cousineau, D. (2005). Confidence intervals in within-subject designs: A simpler solution to Loftus and Masson’s method. Tutorials in Quantitative Methods for Psychology, 1(1), 42–45. https://doi.org/10.20982/tqmp.01.1.p042
• George, D., & Mallery, P. (2010). SPSS for Windows Step by Step: A Simple Guide and Reference, 17.0 Update (10th ed.). Pearson.
• Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
• Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70.
• Morey, R. D. (2008). Confidence intervals from normalized data: A correction to Cousineau (2005). Tutorials in Quantitative Methods for Psychology, 4(2), 61–64. https://doi.org/10.20982/tqmp.04.2.p061
• Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434
• Rouanet, H., & Lépine, D. (1970). Comparison between treatments in a repeated-measurement design: ANOVA and multivariate methods. British Journal of Mathematical and Statistical Psychology, 23(2), 147–163. https://doi.org/10.1111/j.2044-8317.1970.tb00448.x