Comment effectuer une ANOVA à mesures répétées dans SPSS

L’analyse de variance à mesures répétées, couramment désignée sous l’acronyme d’ANOVA à mesures répétées ou ANOVA intra-sujets, constitue l’un des piliers méthodologiques les plus robustes et les plus fréquemment mobilisés en sciences du comportement, en psychologie cognitive, en neuropsychologie et en recherche biomédicale. Lorsqu’un chercheur souhaite évaluer l’évolution d’une variable dépendante continue à travers plusieurs moments temporels successifs ou comparer les réactions d’un même groupe d’individus soumis à diverses conditions expérimentales, cette technique statistique s’impose avec une remarquable élégance. En permettant à chaque participant de servir de son propre témoin, le modèle neutralise d’emblée la variabilité interindividuelle, décuplant ainsi la sensibilité des tests d’hypothèses statistiques.

Cependant, la mise en œuvre d’une ANOVA à mesures répétées ne se résume nullement à une simple transposition de l’ANOVA factorielle classique pour groupes indépendants. L’introduction de corrélations sérielles inhérentes à la répétition des mesures sur les mêmes entités biologiques ou psychologiques engendre des contraintes mathématiques spécifiques, au premier rang desquelles figure le postulat de sphéricité de la matrice de variance-covariance. La méconnaissance de ces exigences expose le praticien à une inflation substantielle du risque d’erreur de première espèce (α), conduisant à des conclusions fallacieuses quant à l’efficacité d’un protocole clinique ou à la réalité d’un phénomène cognitif. Le recours au progiciel IBM SPSS Statistics offre un environnement de calcul sophistiqué au sein du Modèle Linéaire Général (GLM), mais requiert une maîtrise rigoureuse de ses menus, de sa syntaxe et de ses tables de sorties.

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, doctorants, cliniciens et analystes de données à travers l’ensemble du cycle d’analyse d’un devis intra-sujets sous SPSS. Depuis la modélisation mathématique sous-jacente de la partition de la variance jusqu’aux subtilités des corrections d’epsilon (Greenhouse-Geisser et Huynh-Feldt), en passant par le paramétrage des contrastes polynomiaux, la gestion des données manquantes, les comparaisons multiples ajustées par Bonferroni et les directives de restitution formelle selon les normes de l’American Psychological Association (APA 7e édition), chaque étape fait l’objet d’une analyse théorique approfondie et d’une démonstration pratique détaillée.

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

1.1 Définition et principes du plan intra-sujets

Le plan expérimental à mesures répétées, également qualifié de devis intra-sujets (ou within-subjects design), repose sur un paradigme méthodologique fondamental : l’observation réitérée d’une même variable dépendante quantitative chez les mêmes unités expérimentales à travers l’ensemble des modalités d’un ou de plusieurs facteurs contrôlés. Contrairement aux plans inter-sujets (ou between-subjects design), où chaque condition expérimentale est assignée à un échantillon distinct et indépendant de participants, le plan intra-sujets impose que chaque individu traverse l’intégralité des niveaux du protocole d’investigation.

Le principe théorique majeur qui sous-tend cette architecture réside dans le contrôle absolu de la variabilité interindividuelle par appariement sur soi-même. Dans toute étude portant sur des dimensions psychologiques ou comportementales, des facteurs idiosyncrasiques stables tels que l’intelligence fluide, les traits de personnalité, le patrimoine génétique, le niveau socio-économique ou l’histoire de vie introduisent une hétérogénéité massive dans les réponses observées. Dans un plan inter-sujets, ces variations s’amalgament directement avec la variance résiduelle (d’erreur), affaiblissant considérablement la capacité du test à isoler l’effet véritable de la manipulation expérimentale. Dans le cadre intra-sujets, cette variabilité individuelle est mathématiquement isolée et extraite du terme d’erreur, conférant au modèle une sensibilité et une puissance statistique très supérieures pour un effectif global souvent bien moindre.

Sur le plan des applications empiriques, ce dispositif s’avère indispensable dans les protocoles longitudinaux suivant des trajectoires développementales, dans l’évaluation psychophysique où l’on mesure des seuils de perception face à des stimuli d’intensités graduées, dans les paradigmes d’amorçage cognitif ou encore dans les essais cliniques croisés (crossover trials). Par exemple, en neuropsychologie clinique, comparer les performances mnésiques d’un groupe de patients amnésiques avant la prise en charge, immédiatement après l’intervention et lors d’un suivi à six mois relève impérativement d’une telle modélisation intra-sujets.

1.2 Modélisation mathématique et décomposition de la variance

D’un point de vue formel, l’ANOVA à mesures répétées à un facteur peut être conceptualisée comme une extension du modèle linéaire général ou comme une forme restreinte d’un modèle linéaire mixte dans lequel le facteur participant est considéré comme un facteur aléatoire, tandis que le facteur expérimental est appréhendé comme un facteur fixe. L’équation statistique générale décrivant le score (Y_{ij}) du participant (i) (avec (i = 1, dots, n)) dans la condition expérimentale (j) (avec (j = 1, dots, k)) s’énonce comme suit :

[ Y_{ij} = mu + pi_i + tau_j + epsilon_{ij} ]

Dans cette formulation, (mu) représente la moyenne générale théorique de l’ensemble des observations dans la population. Le terme (pi_i) symbolise l’effet aléatoire constant propre au sujet (i), reflétant son niveau de base moyen indépendamment des conditions expérimentales. Le paramètre (tau_j) quantifie l’effet fixe associé au niveau (j) du facteur intra-sujets, soumis à la contrainte habituelle (sum tau_j = 0). Enfin, (epsilon_{ij}) désigne l’erreur de mesure aléatoire spécifique au sujet (i) sous la condition (j), que l’on suppose distribuée normalement selon une loi (mathcal{N}(0, sigma^2)).

La mécanique fondamentale de cette analyse repose sur une double décomposition de la somme des carrés totale ((SC_{totale})). Dans une première étape, la dispersion globale des observations est scindée en deux composantes mutuellement exclusives : la somme des carrés inter-sujets ((SC_{entre-sujets})), qui capture les différences fondamentales de niveau moyen entre les individus, et la somme des carrés intra-sujets ((SC_{intra-sujets})), qui isole les fluctuations observées au sein des scores individuels à travers les conditions :

[ SC_{totale} = SC_{entre-sujets} + SC_{intra-sujets} ]

Dans un second temps, la portion de variance intra-sujets est elle-même ventilée entre la somme des carrés imputable au traitement expérimental ((SC_{traitement}) ou (SC_A)) et la somme des carrés d’erreur résiduelle spécifique ((SC_{erreur}) ou (SC_{résiduelle})), laquelle correspond conceptuellement à l’interaction entre les participants et les conditions expérimentales ((sujets times traitement)) :

[ SC_{intra-sujets} = SC_{traitement} + SC_{erreur} ]

Le calcul du ratio statistique (F) découle immédiatement de cette partition. La statistique de test correspond au rapport entre le carré moyen du traitement ((CM_{traitement} = frac{SC_{traitement}}{ddl_{traitement}})) et le carré moyen de l’erreur intra-sujets ((CM_{erreur} = frac{SC_{erreur}}{ddl_{erreur}})). Les degrés de liberté associés se distribuent de manière rigoureuse : pour (k) modalités du facteur et (n) participants, le numérateur dispose de (ddl_{traitement} = k – 1), tandis que le dénominateur possède (ddl_{erreur} = (k – 1)(n – 1)). Lorsque l’hypothèse nulle d’égalité des moyennes est vérifiée, ce ratio suit une distribution théorique de Snedecor-Fisher (F_{(k – 1, (k – 1)(n – 1))}).

1.3 Exemple d’application expérimentale : évaluation de traitements pharmacologiques

Afin d’ancrer de manière pragmatique les développements méthodologiques de cet article, nous adopterons un fil conducteur clinique et expérimental issu des neurosciences comportementales. Imaginons un protocole rigoureusement contrôlé visant à évaluer l’impact de différentes molécules psychotropes sur la vigilance psychomotrice et la vitesse de traitement de l’information chez des patients souffrant de troubles attentionnels chroniques.

Un échantillon de vingt participants adultes ((n = 20)) est recruté et soumis à quatre conditions pharmacologiques distinctes dans le cadre d’un protocole en double aveugle avec contrebalancement des passations :

• Condition 1 (Placebo) : Administration d’une substance neutre exempte de principe actif ;
• Condition 2 (Molécule A – Psychostimulant léger) : Traitement standard d’activation dopaminergique ;
• Condition 3 (Molécule B – Nootrope expérimental) : Nouvelle formulation ciblant les récepteurs cholinergiques ;
• Condition 4 (Molécule C – Sédatif anxiolytique) : Molécule à action gabaergique utilisée ici comme contrôle négatif de ralentissement moteur.

La variable dépendante retenue est le temps de réaction moyen (exprimé en millisecondes) lors d’une tâche d’attention soutenue standardisée de type Psychomotor Vigilance Task (PVT).

L’hypothèse statistique nulle ((H_0)) postule une identité stricte des espérances mathématiques des temps de réaction à travers l’ensemble des quatre conditions, traduisant l’absence d’effet pharmacologique différentiel :
[ H_0 : mu_{Placebo} = mu_{Molécule A} = mu_{Molécule B} = mu_{Molécule C} ]
L’hypothèse alternative bilatérale ((H_1)) affirme quant à elle qu’au moins l’une des conditions induit un temps de réaction moyen significativement divergent des autres :
[ H_1 : exists (j, j’) quad text{tel que} quad mu_j neq mu_{j’} ]

Ce protocole soulève d’emblée des enjeux méthodologiques cruciaux. Dès lors qu’un même individu est exposé à quatre reprises consécutives à un test de vigilance, des artéfacts majeurs menacent la validité interne du dispositif : l’apprentissage progressif de la tâche (diminuant artificiellement la latence de réponse) et, inversement, la fatigue cognitive ou la perte de motivation (allongeant les temps de réaction). L’application d’un contrebalancement adéquat (via un plan en carré latin) et le respect d’une période d’élimination pharmacologique (wash-out) entre les sessions s’avèrent indispensables pour neutraliser ces effets d’ordre et de report.

2. Postulats et conditions d’application de l’ANOVA à mesures répétées

2.1 Échelle de mesure et indépendance des observations

L’inférence statistique au moyen de l’ANOVA paramétrique requiert la satisfaction préalable d’un ensemble de critères mathématiques rigides garantissant la validité du calcul des probabilités critiques ((p)-values). La première exigence fondamentale a trait à la nature métrique de la variable dépendante : celle-ci doit obligatoirement être quantifiée sur une échelle d’intervalles constants ou sur une échelle de rapports. Les temps de réaction, mesurés en millisecondes avec un zéro absolu physiquement fondé, satisfont parfaitement cette condition métrique continue, ce qui autorise le calcul licite des moyennes et des variances.

Le second postulat concerne l’indépendance statistique des observations. Il convient ici d’opérer une distinction conceptuelle subtile mais capitale propre aux devis à mesures répétées. Par définition, les différentes mesures enregistrées au sein d’un même participant ne sont pas indépendantes les unes des autres : elles sont corrélées en raison de la stabilité individuelle du sujet à travers le temps. Ce que le modèle linéaire général exige impérativement, c’est l’indépendance mutuelle entre les différents participants.

Chaque vecteur de données collecté sur un sujet doit être rigoureusement indépendant du vecteur de données de n’importe quel autre participant de l’échantillon. Cette hypothèse proscrit tout biais de contamination sociale, d’interaction entre sujets lors de la passation ou de regroupement hiérarchique non modélisé (comme des élèves d’une même classe ou des patients traités par le même thérapeute sans ajustement multiniveau). De surcroît, le chercheur doit veiller à stabiliser les conditions expérimentales environnementales (température, éclairage, heure de passation) afin d’éviter l’introduction d’autocorrélations exogènes perturbatrices.

2.2 Distribution normale des scores et détection des valeurs aberrantes

L’ANOVA paramétrique repose sur l’hypothèse de normalité univariée de la distribution de la variable dépendante au sein de chaque modalité du facteur intra-sujets, ou plus rigoureusement sur la normalité de la distribution des résidus d’estimation du modèle. Bien que le test (F) démontre une robustesse relative face à des déviations modérées de la normalité lorsque l’échantillon est volumineux ((n > 30)) en vertu du théorème central limite, les petits échantillons ((n le 20)) s’avèrent hautement vulnérables aux asymétries sévères et à un kurtosis excessif.

L’évaluation empirique de cette normalité s’opère formellement sous SPSS au moyen du test de Shapiro-Wilk, largement reconnu comme le test le plus puissant pour des échantillons de taille modeste, complété par le test de Kolmogorov-Smirnov avec correction de Lilliefors. Un seuil de non-significativité ((p > 0{,}05)) conforte l’acceptation de la distribution gaussienne. Néanmoins, l’examen statistique formel doit systématiquement être couplé à une inspection visuelle approfondie des diagrammes boîte-à-moustaches (boxplots), des histogrammes de fréquence et des graphiques quantile-quantile résiduels (Q-Q plots).

Ce diagnostic exploratoire a également pour fonction primordiale de détecter la présence d’observations aberrantes ou extrêmes (outliers). En psychologie expérimentale, un participant distrait lors d’un essai peut enregistrer un temps de réaction aberrant de 3000 ms là où la moyenne se situe à 400 ms. L’identification de ces valeurs aberrantes s’effectue usuellement par la conversion des scores bruts en scores centrés réduits ((z)-scores), où tout écart excédant (|z| > 3{,}29) (correspondant à une probabilité d’occurrence inférieure à (p < 0{,}001)) est candidat à l'exclusion ou à l'imputation, ou par la règle de Tukey identifiant les points situés au-delà de 1,5 fois l'intervalle interquartile. L'impact de tels points aberrants sur le calcul des sommes des carrés peut être dévastateur, créant artificiellement de la variance résiduelle et anéantissant la puissance du test (F).

2.3 Le postulat crucial de sphéricité

Parmi l’ensemble des conditions requises, la sphéricité constitue la condition reine, spécifique et incontournable de l’ANOVA univariée à mesures répétées. La sphéricité (fréquemment assimilée à la condition de circularité énoncée par Rouanet et Lépine) stipule que les variances de toutes les différences possibles calculées par paires entre les niveaux du facteur intra-sujets doivent être rigoureusement égales dans la population parente.

Pour illustrer ce concept, considérons nos quatre conditions expérimentales. Il est possible de générer (frac{k(k – 1)}{2} = frac{4 times 3}{2} = 6) différences deux à deux pour chaque participant :
[ D_1 = Y_{Placebo} – Y_{MolA} ]
[ D_2 = Y_{Placebo} – Y_{MolB} ]
[ D_3 = Y_{Placebo} – Y_{MolC} ]
[ D_4 = Y_{MolA} – Y_{MolB} ]
[ D_5 = Y_{MolA} – Y_{MolC} ]
[ D_6 = Y_{MolB} – Y_{MolC} ]
La sphéricité exige formellement que :
[ mathrm{Var}(D_1) = mathrm{Var}(D_2) = mathrm{Var}(D_3) = mathrm{Var}(D_4) = mathrm{Var}(D_5) = mathrm{Var}(D_6) = sigma^2_D ]

Cette condition est directement corrélée à la structure de la matrice de variance-covariance de la population. Une forme particulière garantissant la sphéricité est la structure de symétrie composée (compound symmetry), qui suppose simultanément que toutes les variances marginales sont égales ((sigma^2_1 = sigma^2_2 = dots = sigma^2_k)) et que toutes les covariances entre paires de conditions sont identiques ((mathrm{Cov}_{jj’} = mathrm{constante})). Cependant, la sphéricité est une condition mathématique plus large et moins restrictive : elle requiert seulement que l’hétérogénéité des variances compense exactement l’hétérogénéité des covariances, de telle sorte que la variance de la différence demeure invariable.

L’importance pratique de ce postulat ne saurait être sous-estimée. Lorsque la sphéricité est violée (ce qui se produit fréquemment dès lors que le facteur comporte au moins trois niveaux ordonnés dans le temps, créant une corrélation plus forte entre sessions adjacentes qu’entre sessions distantes), les degrés de liberté théoriques du test (F) sont artificiellement surestimés. Il en résulte un ratio (F) biaisé vers le haut, conduisant à des (p)-values anormalement faibles et provoquant une inflation catastrophique du taux d’erreur de type I : le chercheur conclut à un effet statistiquement significatif du traitement alors qu’il ne s’agit que d’un artefact d’intercorrélation non sphérique.

3. Préparation et structuration des données dans l’interface SPSS

3.1 Formatage en mode large (wide format)

L’organisation tabulaire des données constitue une source fréquente de confusion pour les utilisateurs transitionnant d’autres progiciels statistiques (comme R ou SAS) vers IBM SPSS Statistics. Alors que les modèles linéaires mixtes et les régressions multiniveaux requièrent généralement une organisation longitudinale étirée en hauteur dite en « mode long » (long format), le module de Modèle Linéaire Général d’ANOVA à mesures répétées de SPSS exige impérativement une structure matricielle aplatie dite en « mode large » (wide format).

Dans cette architecture en mode large, une règle cardinale et invariable s’applique : une ligne unique et exclusive est attribuée à chaque participant de l’échantillon. Réciproquement, chaque modalité du facteur intra-sujets doit faire l’objet d’une colonne distincte dans la grille de données de l’onglet « Affichage des données » (Data View). Ainsi, pour notre expérimentation pharmacologique, chaque sujet se verra assigner un identifiant textuel ou numérique sur sa ligne, suivi de quatre colonnes contiguës recevant les valeurs quantitatives respectives des temps de réaction enregistrés sous Placebo, sous Molécule A, sous Molécule B et sous Molécule C.

Une configuration exemplaire de la grille dans l’onglet « Affichage des variables » (Variable View) nécessite d’attribuer à chacune de ces quatre colonnes des paramètres précis :

• Un nom univoque et mnémotechnique (ex. TR_Placebo, TR_MolA, TR_MolB, TR_MolC) ;
• Un type de données configuré sur « Numérique » avec deux décimales ;
• Une étiquette de variable exhaustive documentant les conditions cliniques réelles (ex. « Temps de réaction – Placebo (ms) ») ;
• Un niveau de mesure explicitement paramétré sur « Échelle » (Scale), SPSS utilisant cette information pour autoriser l’inclusion de la variable dans les champs métriques du modèle.

Cette rigueur typographique initiale prévient tout rejet computationnel lors de l’exécution de la routine.

3.2 Gestion des données manquantes et codage rigoureux

Dans toute investigation longitudinale ou protocole à mesures répétées, l’attrition des participants représente un défi méthodologique majeur. Qu’un sujet manifeste des effets secondaires sous l’une des molécules et interrompe l’essai, ou qu’une défaillance technique du chronoscope invalide les mesures lors de la troisième session, la présence de cellules vides (missing data) constitue une menace directe pour l’intégrité de l’échantillon.

Le comportement par défaut du module GLM Mesures Répétées de SPSS face aux données manquantes est draconien : il applique le principe d’exclusion liste par liste (listwise deletion). Cela signifie que si un participant possède des enregistrements parfaits pour les conditions Placebo, Molécule A et Molécule B, mais présente une unique valeur manquante pour la Molécule C, SPSS éliminera purement et simplement ce participant de l’intégralité de l’analyse. Cette purge systématique peut drastiquement amputer l’effectif final ((N_{effectif})), effondrant ainsi la puissance statistique de l’étude.

Le chercheur doit impérativement identifier le mécanisme sous-jacent à ces données manquantes en différenciant les données manquantes complètement de manière aléatoire (MCAR), les données dépendantes d’autres variables observées (MAR), et les abandons non aléatoires liés au traitement lui-même (MNAR, par exemple un sujet qui refuse de poursuivre en raison d’une intolérance sévère au médicament expérimental). Si le mécanisme est MCAR ou MAR et que le taux de perte demeure modéré (< 5 %), des techniques d'imputation multiple ou l'algorithme Espérance-Maximisation (EM) peuvent être envisagés sous SPSS via le module dédié aux valeurs manquantes. Si les pertes sont substantielles, le recours aux modèles linéaires mixtes (qui utilisent la vraisemblance maximale et tolèrent des vecteurs incomplets sans exclusion du participant) devra être préféré à l'ANOVA classique.

3.3 Saisie et vérification des variables de l’exemple

Avant d’engager la moindre procédure inférentielle, une validation empirique scrupuleuse du fichier de travail s’impose. Dans le cadre de notre cohorte de vingt participants ((n = 20)), nous procédons à l’encodage méthodique des temps de réaction. Chaque sujet reçoit un identifiant unique (variable ID_Sujet, de type chaîne ou numérique sans rôle analytique). Les données des quatre conditions sont saisies dans les colonnes correspondantes.

Le contrôle de l’intégrité du jeu de données s’opère par l’exécution préalable de statistiques descriptives exploratoires via le menu :
Analyser > Statistiques descriptives > Explorer…
Cette phase préliminaire permet d’examiner pour chaque condition médicamenteuse les indicateurs de tendance centrale (moyennes, médianes), les paramètres de dispersion (écarts-types, intervalles interquartiles), ainsi que les coefficients d’asymétrie (skewness) et d’aplatissement (kurtosis).

Les données simulées pour notre cohorte de 20 patients mettent en évidence les caractéristiques descriptives brutes suivantes :

• Placebo : (M = 452{,}35 mathrm{ms}), (ET = 42{,}18 mathrm{ms}) ; distribution symétrique, absence de scores aberrants.
• Molécule A : (M = 398{,}70 mathrm{ms}), (ET = 38{,}65 mathrm{ms}) ; accélération notable des temps de réaction.
• Molécule B : (M = 412{,}15 mathrm{ms}), (ET = 40{,}12 mathrm{ms}) ; gain substantiel de vigilance par rapport au placebo.
• Molécule C : (M = 515{,}80 mathrm{ms}), (ET = 48{,}92 mathrm{ms}) ; ralentissement marqué de la vitesse psychomotrice.

L’absence de doublons d’identifiants, l’absence de valeurs hors limites théoriques (par exemple des temps négatifs ou aberrants supérieurs à 2000 ms) et l’exhaustivité des vingt lignes valident le fichier pour le traitement au sein du GLM.

4. Procédure pas à pas dans SPSS : Le Modèle Linéaire Général

4.1 Navigation et ouverture du module de mesures répétées

La mobilisation de l’ANOVA à mesures répétées dans l’écosystème logiciel SPSS s’effectue au sein du puissant moteur computationnel du Modèle Linéaire Général. L’utilisateur accède à la procédure en naviguant à travers l’arborescence des menus déroulants :

Analyser > Modèle linéaire général > Mesures répétées…

À l’ouverture de cette séquence, le logiciel ne présente pas directement la fenêtre habituelle de sélection des variables dépendantes et indépendantes. Il affiche une boîte de dialogue intermédiaire intitulée « Modèle linéaire général : Définir les facteurs intra-sujets ». Cette étape préliminaire de spécification conceptuelle est souvent déroutante pour l’analyste débutant : elle exige de définir la structure théorique abstraite du devis expérimental avant d’associer concrètement les colonnes de données existantes dans la feuille de calcul. Omettre ou mal configurer cette première étape compromet l’ensemble de la procédure.

4.2 Définition des facteurs intra-sujets et de la mesure

Dans cette boîte de dialogue initiale, l’utilisateur doit nommer le facteur théorique abstrait qui regroupe les conditions répétées. Par défaut, SPSS propose l’appellation générique facteur1. Il est fortement recommandé d’adopter une terminologie scientifique explicite pour clarifier la lecture des sorties statistiques ultérieures.

Dans le champ « Nom du facteur intra-sujets », nous remplaçons facteur1 par le terme Medicament. Immédiatement en dessous, le champ « Nombre de niveaux » exige d’indiquer le nombre de modalités quantitatives ou qualitatives composant ce facteur. Dans notre cas d’étude, nous saisissons le chiffre 4. L’utilisateur clique ensuite sur le bouton « Ajouter » pour transférer cette structure dans la liste active.

Une étape complémentaire souvent négligée mais éminemment vertueuse consiste à renseigner la section « Nom de la mesure ». En cliquant sur cette zone extensible, l’utilisateur remplace le label par défaut (mesure1) par l’intitulé conceptuel exact de la variable dépendante, à savoir TempsReaction, puis clique sur « Ajouter ». Cette désignation permet à SPSS d’étiqueter avec rigueur les axes graphiques et les en-têtes de tableaux d’estimations marginales. Une fois ces spécifications structurelles achevées, le bouton « Définir » devient actif au bas de la boîte de dialogue.

4.3 Assignation des variables expérimentales aux facteurs

L’activation du bouton « Définir » ferme la fenêtre de configuration initiale pour déployer la boîte de dialogue principale intitulée « Mesures répétées ». Cette interface sophistiquée présente à sa gauche la liste intégrale des variables présentes dans le fichier SPSS, et au centre un panneau structuré intitulé « Variables intra-sujets (Medicament, TempsReaction) » présentant quatre emplacements indicés : _?_(1), _?_(2), _?_(3) et _?_(4).

L’appariement des données s’opère en sélectionnant les quatre variables de temps de réaction dans la colonne de gauche et en les insérant méthodiquement dans la liste centrale via la flèche directionnelle :

• Le niveau (1) reçoit la variable TR_Placebo ;
• Le niveau (2) reçoit la variable TR_MolA ;
• Le niveau (3) reçoit la variable TR_MolB ;
• Le niveau (4) reçoit la variable TR_MolC.

Il est impératif de respecter scrupuleusement la logique conceptuelle de cet ordre d’affectation. Bien que l’ordre n’affecte pas le test omnibus global de l’ANOVA, il conditionne directement la validité des contrastes a priori, des tracés de profils et des tests de tendances polynomiales configurés lors des sous-étapes suivantes.

5. Configuration des contrastes et des comparaisons planifiées

5.1 Sélection des contrastes polynomiaux et a priori

Le test omnibus de l’ANOVA évalue uniquement s’il existe une différence quelconque entre les quatre modalités du facteur, sans révéler la direction ou la structure précise de ces variations. Pour répondre à des hypothèses de recherche ciblées formulées avant la collecte des données, il est scientifiquement bien plus élégant de paramétrer des comparaisons planifiées via le sous-menu « Contrastes », accessible par le bouton dédié situé sur le flanc droit de la boîte de dialogue principale.

SPSS offre un ensemble étendu de contrastes a priori automatisés :

• Contraste Simple : Compare chaque modalité expérimentale à un niveau de référence désigné (soit la première modalité, soit la dernière). Dans notre étude clinique, le niveau de référence évident est la condition Placebo (niveau 1). Configurer un contraste simple avec pour référence la première modalité permet de tester formellement l’écart spécifique de la Molécule A vs Placebo, de la Molécule B vs Placebo et de la Molécule C vs Placebo.
• Contraste Polynomial : Évalue l’existence de tendances fonctionnelles continues à travers les niveaux ordonnés (tendance linéaire, quadratique, cubique). Bien que particulièrement indiqué lorsque le facteur intra-sujets représente des incréments de dose ou des intervalles temporels réguliers, ce contraste peut être désactivé ou ignoré dans le cadre de molécules qualitatives distinctes.
• Contraste de Helmert : Compare successivement chaque niveau à la moyenne non pondérée de l’ensemble des niveaux subséquents.
• Contraste Différence (ou Helmert inversé) : Compare chaque niveau à la moyenne combinée des niveaux précédents.
• Contraste Répété (Repeated) : Compare chaque condition consécutive par paires adjacentes (niveau 1 vs niveau 2, puis niveau 2 vs niveau 3, puis niveau 3 vs niveau 4).

Pour notre illustration, nous sélectionnons le contraste « Simple », cliquons sur l’option de référence « Premier », puis appuyons impérativement sur le bouton « Modifier » (Change) pour valider la transition syntaxique de l’option polynomiale par défaut vers le contraste simple. La chaîne textuelle dans la fenêtre affiche dès lors Medicament (Simple(1)).

5.2 Intérêt des contrastes vs tests post-hoc non planifiés

Sur le plan épistémologique et statistique, privilégier des contrastes a priori face à des tests post-hoc opportunistes présente des avantages considérables. Les contrastes planifiés sont directement déduits du cadre théorique et des hypothèses neuropharmacologiques formulées lors de l’élaboration du devis expérimental. Par conséquent, ils ne testent qu’un nombre restreint de combinaisons linéaires orthogonales ou ciblées, ce qui réduit considérablement la sévérité des pénalisations statistiques nécessaires pour contrôler l’inflation de l’erreur globale de type I.

Les tests post-hoc non planifiés explorent à l’aveugle l’intégralité des combinaisons possibles par paires ((frac{k(k – 1)}{2})), ce qui impose des ajustements drastiques (tels que la correction de Bonferroni ou celle de Tukey) au détriment de la puissance statistique. Les contrastes simples programmés dans le module GLM de SPSS offrent une quantification directe des tailles d’effet associées à chaque hypothèse clinique fondamentale (ex. « La molécule nootrope B accélère-t-elle le traitement de l’information comparativement au placebo ? ») avec une précision mathématique optimale.

6. Génération de graphiques et options d’estimation statistique

6.1 Configuration des tracés de profils

L’appréhension intuitive et la communication visuelle des résultats requièrent la production de représentations graphiques claires des moyennes expérimentales. En cliquant sur le bouton « Graphiques » (Plots) de la boîte de dialogue principale, l’utilisateur accède au panneau de configuration des tracés de profils.

Pour construire ce graphique :

1. Sélectionner le facteur Medicament dans la liste des facteurs disponibles et l’insérer dans le champ « Axe horizontal » (Horizontal Axis) ;
2. Cliquer obligatoirement sur le bouton « Ajouter » situé sous les champs pour faire basculer la relation dans la boîte « Tracés » (qui affiche alors Medicament) ;
3. Dans les versions récentes de SPSS (v25 et supérieures), spécifier le type de graphique : privilégier un graphique en courbes ou un diagramme en barres avec affichage obligatoire des barres d’erreur basées sur l’intervalle de confiance à 95 % (Include error bars).

Il importe toutefois de souligner une limitation méthodologique inhérente aux barres d’erreur inter-sujets générées nativement par SPSS dans cette fenêtre. Les intervalles de confiance calculés par défaut intègrent la variance interindividuelle globale, ce qui tend à masquer visuellement la significativité statistique réelle des différences intra-sujets. Bien que ces graphiques demeurent parfaitement exploitables pour un diagnostic exploratoire rapide au sein de l’interface logicielle, la confection de figures destinées à une publication académique de premier plan devra suivre la standardisation des barres d’erreur normalisées selon la méthode de Cousineau-Morey, détaillée dans la section 12 de cet article.

6.2 Options de calcul et statistiques descriptives

L’obtention des paramètres numériques essentiels pour l’interprétation du modèle requiert une sélection rigoureuse des cases à cocher dans le sous-menu « Options » (ou dans le sous-menu « Moyennes EM » selon la version d’IBM SPSS Statistics). En cliquant sur « Options », le panneau déploie une matrice de commandes analytiques.

Il est impératif d’activer les options suivantes :

• Statistiques descriptives : Génère un tableau récapitulant les moyennes brutes, les écarts-types et les effectifs valides pour chaque niveau du facteur intra-sujets ;
• Estimations de la taille d’effet : Produit automatiquement le calcul du coefficient d’Eta carré partiel ((eta^2_p)) pour chaque source de variation du modèle ;
• Puissance observée : Calcule la puissance statistique a posteriori ((1 – beta)) basée sur la taille d’effet observée et le risque (alpha) fixé à 0,05 ;
• Tests d’homogénéité : Bien que pertinent principalement pour les plans mixtes incorporant des facteurs inter-sujets (test de Levene et test de Box), cette option s’assure de l’absence d’incongruités distributionnelles.

Simultanément, dans la section « Moyennes marginales estimées » (Estimated Marginal Means ou EMMEANS), il convient de sélectionner le facteur Medicament et de le transférer dans la fenêtre « Afficher les moyennes pour ». Cette commande ordonne au progiciel de calculer les moyennes marginales modélisées par le GLM, débarrassées des artéfacts potentiels de déséquilibre, et constitue le prérequis absolu pour exécuter les comparaisons par paires détaillées ultérieurement.

7. Évaluation rigoureuse de la sphéricité et corrections associées

7.1 Interprétation du test de sphéricité de Mauchly

Dès lors que l’exécution de l’analyse est lancée (en cliquant sur « OK » ou en collant la commande dans la fenêtre de syntaxe), SPSS génère une série de tables dans la fenêtre de sortie. L’un des tout premiers tableaux à examiner avec une méticulosité absolue s’intitule « Test de sphéricité de Mauchly » (Mauchly’s Test of Sphericity).

Le test de Mauchly évalue l’hypothèse nulle formelle selon laquelle la matrice de variance-covariance des différences entre les mesures répétées est strictement conforme au modèle de sphéricité :
[ H_0 : text{La condition de sphéricité est vérifiée} ]
[ H_1 : text{La condition de sphéricité est violée} ]
La décision statistique repose sur la lecture de la colonne intitulée « Sig. » (probabilité critique (p)) :

• Si (p > 0{,}05), l’hypothèse nulle ne peut être rejetée. La sphéricité est considérée comme respectée, autorisant la lecture directe des degrés de liberté nominaux univariés classiques.
• Si (p le 0{,}05), l’hypothèse nulle est rejetée. La sphéricité est formellement violée, imposant l’application immédiate de corrections computationnelles pour ajuster les degrés de liberté du test (F).

Il est fondamental de noter que le test de Mauchly souffre d’imperfections psychométriques bien documentées dans la littérature méthodologique : il présente une sensibilité excessive à la non-normalité univariée (tendant à rejeter la sphéricité en présence de légères asymétries) et manifeste un manque de puissance statistique criant avec des effectifs réduits ((n < 20)), ne parvenant pas à détecter des violations substantielles. C'est pourquoi l'inspection des indices de correction d'epsilon ((epsilon)) demeure indispensable quel que soit le résultat du test de Mauchly.

7.2 Application des corrections d’Epsilon : Greenhouse-Geisser vs Huynh-Feldt

Pour pallier l’inflation de l’erreur de type I induite par l’absence de sphéricité, la théorie statistique développée par Box, Greenhouse, Geisser, Huynh et Feldt consiste non pas à recalculer le ratio (F) lui-même (qui demeure inchangé), mais à réduire artificiellement les degrés de liberté du numérateur et du dénominateur par un coefficient multiplicateur d’aplatissement (epsilon) (où (frac{1}{k – 1} le epsilon le 1{,}00)). Une valeur d'(epsilon = 1{,}00) traduit une sphéricité parfaite, tandis qu’une valeur tendant vers sa borne minimale indique une violation d’une gravité extrême.

Le tableau du test de Mauchly fournit trois estimations distinctes de cet epsilon :

1. Greenhouse-Geisser ((hat{epsilon}_{GG})) : Développé en 1959, cet estimateur s’avère particulièrement conservateur. Il tend à sous-estimer la valeur réelle d’epsilon, augmentant la sévérité du test et diminuant légèrement la puissance statistique, mais offrant une protection totale contre l’erreur de première espèce.
2. Huynh-Feldt ((tilde{epsilon}_{HF})) : Introduit en 1976 pour corriger le conservatisme excessif de Greenhouse-Geisser, cet estimateur applique une correction moins drastique. Il peut occasionnellement produire un coefficient supérieur à 1,00, auquel cas SPSS le ramène conventionnellement à 1,00.
3. Limite inférieure (Lower-bound) : Représente l’ajustement le plus pessimiste possible fondé sur la borne mathématique théorique minimale ((frac{1}{k – 1})). Cet indicateur n’est quasiment jamais utilisé en pratique éditoriale en raison de son caractère démesurément conservateur.

La doctrine méthodologique contemporaine s’appuie sur une règle de décision formalisée par Girden (1992) pour arbitrer entre les corrections :

• Lorsque l’epsilon de Greenhouse-Geisser est strictement inférieur à 0,75 ((hat{epsilon}_{GG} < 0{,}75)), la violation de la sphéricité est substantielle. Il convient d'appliquer impérativement la correction de Greenhouse-Geisser.
• Lorsque l’epsilon de Greenhouse-Geisser est supérieur ou égal à 0,75 ((hat{epsilon}_{GG} ge 0{,}75)), la distorsion est modérée. Il est recommandé de privilégier la correction de Huynh-Feldt afin de préserver une puissance statistique optimale.

7.3 Alternative multivariée (MANOVA intra-sujets)

Face aux tourments engendrés par la violation de la sphéricité, l’approche multivariée (MANOVA intra-sujets) offre une alternative conceptuelle séduisante. Dans ce cadre, les (k) répétitions du facteur ne sont plus traitées comme les modalités d’une unique variable univariée, mais comme un ensemble de (k – 1) variables dépendantes interconnectées formant un vecteur multivarié.

L’atout méthodologique majeur de l’approche multivariée est son indépendance absolue vis-à-vis du postulat de sphéricité. La MANOVA n’exige aucune circularité de la matrice de variance-covariance. SPSS calcule systématiquement ces critères multivariés dans un tableau dédié intitulé « Tests multivariés » (Multivariate Tests), rapportant quatre statistiques classiques :

• La Trace de Pillai (Pillai’s Trace) : Le critère le plus robuste face aux écarts de normalité et aux petites violations des matrices ;
• Le Lambda de Wilks (Wilks’ Lambda) : La statistique la plus couramment rapportée en psychologie expérimentale ;
• La Trace de Hotelling (Hotelling’s Trace) ;
• La plus grande racine de Roy (Roy’s Largest Root).

Cependant, le recours à la MANOVA intra-sujets s’accompagne de contreparties critiques. Pour que la MANOVA soit calculable, la taille de l’échantillon (n) doit impérativement être supérieure au nombre de niveaux du facteur intra-sujets ((n > k)), sous peine de singularité matricielle. De plus, lorsque la sphéricité est respectée ou seulement modérément enfreinte, l’approche univariée corrigée (Greenhouse-Geisser ou Huynh-Feldt) dispose d’une puissance statistique substantiellement supérieure à celle de la MANOVA, en particulier pour des échantillons de taille faible à modérée ((n < 30)). Par conséquent, la majorité des statisticiens recommandent de s'en tenir à l'ANOVA univariée corrigée, réservant la MANOVA aux situations où (hat{epsilon} 50)).

8. Interprétation des sorties statistiques principales de SPSS

8.1 Décodage du tableau des tests des effets intra-sujets

Le tableau central de la procédure est incontestablement celui intitulé « Tests des effets intra-sujets » (Tests of Within-Subjects Effects). C’est au sein de cette matrice numérique que se matérialise l’arbitrage sur l’hypothèse nulle de l’expérimentation.

Pour la ligne consacrée à notre facteur intra-sujets Medicament, SPSS décline l’ensemble des métriques d’inférence selon quatre lignes d’ajustement :

1. Sphéricité supposée (Sphericity Assumed) : Affiche les degrés de liberté nominaux sans correction. Cette ligne ne doit être lue que si le test de Mauchly est non significatif ((p > 0{,}05)) ;
2. Greenhouse-Geisser : Affiche les degrés de liberté décimaux pondérés par (hat{epsilon}_{GG}). C’est la ligne de référence si le test de Mauchly est significatif et que l’epsilon est inférieur à 0,75 ;
3. Huynh-Feldt : Affiche les degrés de liberté ajustés par (tilde{epsilon}_{HF}), à privilégier en cas de violation avec epsilon supérieur à 0,75 ;
4. Borne inférieure (Lower-bound) : Ligne ultra-conservatrice généralement ignorée.

Dans chacune de ces lignes, l’analyste examine séquentiellement :

• La Somme des carrés (Type III Sum of Squares) : Mesure la variabilité expliquée par le facteur médicamenteux ;
• Les Degrés de liberté (df) : Par exemple, pour 4 conditions avec 20 sujets, (k – 1 = 3) pour la sphéricité supposée, mais ces valeurs deviennent des décimales sous correction (ex. (df = 2{,}14) sous Greenhouse-Geisser) ;
• Le Carré moyen (Mean Square) : Quotient de la somme des carrés par les degrés de liberté ;
• La statistique (F) observée : Ratio entre le carré moyen du traitement et le carré moyen de l’erreur résiduelle associée (figurant dans la section « Erreur(Medicament) » au bas du tableau). Ce ratio (F) demeure invariant quelle que soit la correction univariée adoptée ;
• La significativité statistique Sig. ((p)-value) : C’est ici que l’impact des corrections se révèle. La modification des degrés de liberté altère la forme de la distribution théorique de référence sous (H_0), ce qui entraîne un réajustement à la hausse de la probabilité critique. Si Sig. < 0,05 (ou plus exactement Sig. < 0,001), nous rejetons formellement l’hypothèse nulle d’égalité des traitements.

8.2 Analyse du tableau des tests des effets inter-sujets

Immédiatement en dessous des tests intra-sujets apparaît le tableau synthétique intitulé « Tests des effets inter-sujets » (Tests of Between-Subjects Effects). Dans le cadre d’un plan purement intra-sujets (sans facteur de groupe ou de cohorte interindividuel), ce tableau ne contient généralement que deux lignes : l’ordonnée à l’origine (Intercept) et le terme d’« Erreur » inter-sujets.

La ligne de l’ordonnée à l’origine évalue simplement si la grande moyenne théorique agrégée de l’ensemble de toutes les observations combinées diverge significativement de zéro. Dans la quasi-totalité des paradigmes chronométriques ou psychologiques où les mesures sont strictement positives (par exemple, des temps de réaction qui oscillent autour de 440 ms), ce test s’avère trivialement ultra-significatif ((p < 0{,}001)) et ne revêt aucun intérêt scientifique pour la validation des hypothèses pharmacologiques.

En revanche, la valeur de la somme des carrés de l’erreur inter-sujets ((SC_{entre-sujets})) fournit une information capitale : elle quantifie la magnitude absolue de l’hétérogénéité basale entre les vingt participants. En divisant cette somme des carrés inter-sujets par la somme des carrés totale du modèle, le chercheur peut évaluer avec précision la proportion de variance globale qui a été neutralisée et soustraite du terme d’erreur expérimentale grâce à l’adoption d’un plan intra-sujets. Cette inspection confirme l’immense gain d’efficience statistique obtenu par rapport à ce qu’aurait été un plan factoriel inter-sujets indépendant.

8.3 Exploitation des moyennes marginales estimées

L’évaluation globale de la significativité du test omnibus ne permet pas, à elle seule, de caractériser la trajectoire empirique des modifications induites par les molécules. Il est impératif d’examiner le tableau des moyennes marginales estimées produit par la commande EMMEANS.

Ce tableau présente, pour chaque modalité expérimentale :

• La moyenne modélisée (Mean) ;
• L’erreur type de la moyenne (Std. Error) : Qui intègre la variance résiduelle de l’interaction sujet (times) traitement ;
• L’intervalle de confiance à 95 % (95% Confidence Interval), borné par ses limites inférieure (Lower Bound) et supérieure (Upper Bound).

L’analyse de ces valeurs confirme la cinétique expérimentale observée dans notre étude : les patients sous Placebo présentent une latence moyenne de 452,35 ms [432,60 ; 472,10]. L’ingestion de la Molécule A génère une accélération marquée avec une moyenne descendant à 398,70 ms [380,60 ; 416,80]. La Molécule B témoigne d’un temps intermédiaire de 412,15 ms [393,37 ; 430,93]. Enfin, la Molécule C induit un ralentissement substantiel attesté par une moyenne atteignant 515,80 ms [492,91 ; 538,69]. La cohérence clinique de ces intervalles étaye la plausibilité des inférences déduites du test omnibus.

9. Procédures de comparaisons multiples post-hoc

9.1 Spécification des tests post-hoc dans les plans intra-sujets

L’exploration fine des divergences par paires constitue l’étape indispensable pour déterminer quelles molécules se différencient mutuellement de façon statistiquement significative. Cependant, une chausse-trappe classique de l’interface SPSS guette l’expérimentateur à ce stade. Si l’on tente de cliquer sur le bouton standard « Post Hoc » situé sur le panneau latéral droit de la boîte de dialogue principale du GLM, on constate avec stupéfaction que la liste des facteurs est totalement vide ou grisée !

Cette particularité logicielle d’IBM SPSS Statistics s’explique sur le plan conceptuel : la boîte de dialogue standard « Post Hoc » est exclusivement programmée pour calculer des comparaisons sur des facteurs inter-sujets (utilisant le carré moyen d’erreur inter-sujets au dénominateur). Elle est mathématiquement incapable de gérer les termes d’erreur spécifiques aux contrastes intra-sujets appariés.

Pour déclencher les comparaisons multiples par paires au sein d’un facteur intra-sujets, la méthode obligatoire consiste à transiter par la sous-fenêtre « Moyennes EM » (ou « Options » selon les versions). La procédure requiert impérativement :

1. De transférer le facteur Medicament dans le champ « Afficher les moyennes pour » ;
2. De cocher l’option « Comparer les effets principaux » (Compare main effects) ;
3. De sélectionner une méthode d’ajustement du seuil alpha dans le menu déroulant adjacent.

9.2 Sélection de la méthode de correction du risque alpha global

Dès lors que l’on effectue des comparaisons multiples non planifiées entre quatre modalités, le nombre total de dyades testées s’élève à six. Si l’on appliquait un test de Student apparié au seuil nominal usuel de (alpha = 0{,}05) sur chacune de ces six paires, la probabilité d’engendrer au moins un faux positif (erreur de type I globale ou Familywise Error Rate) grimperait de façon exponentielle selon la formule :
[ alpha_{global} = 1 – (1 – alpha)^C = 1 – (0{,}95)^6 approx 0{,}2649 ]
Soit un risque alarmant de plus de 26 % d’affirmer à tort l’existence d’une différence pharmacologique inexistante !

Le menu déroulant d’ajustement de SPSS propose trois solutions pour endiguer ce fléau :

• LSD (aucune) : Correspond à la méthode de la plus petite différence significative de Fisher (Least Significant Difference). Elle n’applique strictement aucun ajustement sur le seuil alpha ((alpha = 0{,}05) pour chaque test). Cette option doit être formellement proscrite dans un cadre exploratoire impliquant plus de trois modalités sous peine d’inflation massive de l’erreur de type I.
• Bonferroni : La méthode classique la plus rigoureuse et la plus largement acceptée par les comités de lecture académiques. Elle divise le seuil alpha nominal par le nombre total de comparaisons ((alpha_{ajusté} = frac{alpha}{C} = frac{0{,}05}{6} approx 0{,}0083)), ou, de façon équivalente dans les sorties SPSS, multiplie la (p)-value observée par (C) (en la plafonnant à 1,00). Bien que légèrement conservatrice lorsque les corrélations entre conditions sont très élevées, elle garantit un contrôle absolu du risque global.
• Sidak : Repose sur l’inégalité de Sidak ((alpha_{ajusté} = 1 – (1 – alpha)^{1/C})). Cette correction est mathématiquement un peu moins conservatrice que celle de Bonferroni tout en maintenant un contrôle rigoureux du taux d’erreur familial. Elle constitue une alternative élégante, particulièrement appréciée en pharmacologie expérimentale.

Dans la perspective d’une recherche confirmatoire robuste, le choix de l’ajustement de Bonferroni demeure la norme d’excellence préconisée.

9.3 Interprétation des contrastes par paires

L’activation de cette option génère dans les sorties de résultats la table intitulée « Comparaisons par paires » (Pairwise Comparisons), enrichie de la note explicative précisant que les seuils ont été ajustés d’après la méthode de Bonferroni.

L’analyse minutieuse de chaque ligne révèle les constats pharmacologiques suivants :

• Placebo vs Molécule A : La différence de moyennes s’élève à (452{,}35 – 398{,}70 = 53{,}65 mathrm{ms}) en faveur d’un raccourcissement du temps de réaction sous Molécule A. La valeur critique ajustée est de (p < 0{,}001). L'intervalle de confiance à 95 % de la différence ([32{,}45 ; 74{,}85]) n'englobe aucunement la valeur zéro, attestant d'une efficacité psychostimulante hautement significative.
• Placebo vs Molécule B : La différence est de (40{,}20 mathrm{ms}) avec une valeur (p = 0{,}002). La Molécule B surpasse significativement le contrôle placebo.
• Placebo vs Molécule C : La différence s’établit à (-63{,}45 mathrm{ms}) ((p < 0{,}001)), confirmant que la Molécule C dégrade drastiquement et significativement la vitesse motrice par rapport à l'état basal.
• Molécule A vs Molécule B : La différence de latence moyenne s’établit à (-13{,}45 mathrm{ms}) au profit de la Molécule A. Toutefois, après pénalisation de Bonferroni, la probabilité critique observée s’élève à (p = 0{,}184) ((p > 0{,}05)). L’intervalle de confiance englobe la valeur zéro ([-4{,}12 ; 31{,}02]). Nous concluons donc à l’absence de divergence statistiquement significative entre le psychostimulant classique (A) et le nootrope expérimental (B) sur cette tâche attentionnelle spécifique.
• Molécule C vs Molécules A et B : Les comparaisons de la molécule sédative C face aux molécules stimulantes A et B mettent en évidence des écarts massifs (respectivement (117{,}10 mathrm{ms}) et (103{,}65 mathrm{ms}), toutes deux à (p < 0{,}001)).

10. Taille d’effet, puissance statistique et syntaxe avancée

10.1 Mesure et interprétation de l’Eta carré partiel

L’évaluation exclusive de la significativité statistique via la (p)-value présente une limitation épistémologique majeure : elle informe sur l’existence d’une différence qui ne soit pas attribuable au simple hasard d’échantillonnage, mais ne renseigne en rien sur la magnitude concrète ou l’importance clinique de l’effet découvert. C’est pourquoi la publication contemporaine exige le rapport systématique de la taille d’effet.

Dans le cadre du Modèle Linéaire Général d’ANOVA, SPSS fournit par défaut l’Eta carré partiel ((eta^2_p) ou partial eta squared). Sa formule computationnelle s’énonce comme suit :
[ eta^2_p = frac{SC_{traitement}}{SC_{traitement} + SC_{erreur}} ]

L’Eta carré partiel quantifie la proportion de variance de la variable dépendante qui est spécifiquement attribuable au facteur considéré, une fois la variance expliquée par les autres termes (notamment les différences interindividuelles stables) exclue du dénominateur. Pour qualifier l’importance empirique de cet effet, les benchmarks canoniques formalisés par Jacob Cohen (1988) sont universellement adoptés :

• (eta^2_p approx 0{,}01) : Effet de petite taille (la manipulation n’explique que 1 % de la variance intra-sujets résiduelle) ;
• (eta^2_p approx 0{,}06) : Effet de taille moyenne (impact clinique ou comportemental perceptible) ;
• (eta^2_p ge 0{,}14) : Effet de grande taille (divergence massive entre les conditions expérimentales).

Dans notre protocole pharmacologique, l’Eta carré partiel obtenu atteint (eta^2_p = 0{,}584). Cela signifie que 58,4 % de la variance intra-sujets des temps de réaction est directement imputable à la nature de la molécule administrée, attestant d’une force d’effet spectaculaire.

Néanmoins, les métrologues avertis soulignent fréquemment que l’Eta carré partiel souffre d’un biais d’estimation positive dans les échantillons de taille modeste. Il est parfois préférable de calculer l’Oméga carré généralisé ((omega^2_G)) pour les devis à mesures répétées (Olejnik & Algina, 2003), bien que SPSS ne produise pas cet indice de manière native, contraignant le statisticien à une formule manuelle dérivée des sommes des carrés et carrés moyens.

10.2 Évaluation de la puissance a posteriori et prospective

La colonne intitulée « Puissance observée » (Observed Power) affichée dans la table des effets intra-sujets indique la probabilité qu’avait le test de rejeter l’hypothèse nulle compte tenu de la taille d’échantillon collectée, de la taille d’effet observée et du seuil alpha fixé à 0,05. Bien que fréquemment consultée par les étudiants, la littérature méthodologique (notamment Hoenig & Heisey, 2001) a formellement démontré que le calcul de la puissance rétrospective (post-hoc power) constitue un non-sens tautologique : la puissance observée n’est qu’une transformation mathématique directe de la (p)-value obtenue (plus (p) est petit, plus la puissance observée tend mathématiquement vers 1,00) et n’apporte aucune information indépendante nouvelle.

En revanche, la planification de la puissance prospective a priori revêt une importance capitale lors de la phase de conception d’un futur protocole de recherche. Un progiciel spécialisé gratuit tel que G*Power permet de calibrer la taille de l’échantillon nécessaire pour détecter un effet avec une puissance standard cible de (1 – beta = 0{,}80) ou (0{,}90).

Dans les plans à mesures répétées, la taille de l’échantillon requise dépend intimement de trois paramètres clés :

1. La taille d’effet attendue (f) de Cohen (dérivable de l’Eta carré partiel par (f = sqrt{frac{eta^2_p}{1 – eta^2_p}})) ;
2. Le coefficient de corrélation moyen entre les mesures répétées ((r)) : plus cette intercorrélation est forte (par exemple (r = 0{,}70)), plus la variance d’erreur diminue, ce qui permet de réduire significativement le nombre de sujets nécessaires comparativement à un devis indépendant ;
3. Le paramètre d’ajustement de la non-sphéricité ((epsilon)).

10.3 Automatisation et reproductibilité via la syntaxe SPSS

Bien que l’environnement graphique déroulant de SPSS facilite l’apprentissage initial, la pratique scientifique moderne exige une transparence et une reproductibilité computationnelle absolues. L’ensemble des manipulations paramétrées tout au long de cet article peut être encapsulé, archivé et exécuté instantanément sous la forme d’un script de syntaxe de commande SPSS (fichier .sps).

Le bloc de syntaxe équivalent à l’ensemble de notre configuration expérimentale se rédige de la façon suivante :

GLM TR_Placebo TR_MolA TR_MolB TR_MolC
  /WSFACTOR=Medicament 4 Polynomial
  /MEASURE=TempsReaction
  /CONTRAST (Medicament)=Simple(1)
  /PLOT=PROFILE(Medicament)
  /EMMEANS=TABLES(Medicament) COMPARE(Medicament) ADJ(BONFERRONI)
  /PRINT=DESCRIPTIVE ETASQ OPOWER HOMOGENEITY
  /CRITERIA=ALPHA(.05)
  /WSDESIGN=Medicament.

L’utilisation directe de cette syntaxe présente des bénéfices majeurs : elle élimine tout risque d’erreur humaine liée à des clics accidentels dans les boîtes de dialogue, autorise la modification immédiate d’un argument (par exemple remplacer ADJ(BONFERRONI) par ADJ(SIDAK) en une fraction de seconde) et offre un document d’audit irréfutable susceptible d’être partagé dans des référentiels de science ouverte (tels que l’Open Science Framework).

11. Dépannage des anomalies et violations méthodologiques courantes

11.1 Gestion des violations sévères de la normalité

Que doit faire le chercheur si l’exploration préliminaire révèle des violations massives du postulat de normalité gaussienne (par exemple, des distributions fortement bimodales ou un coefficient d’asymétrie extrême provoqué par des latences chronométriques asymétriques) au sein d’un échantillon restreint ((n < 15)) ?

La première stratégie d’ajustement consiste à tester des transformations mathématiques de données. Pour des temps de réaction canoniquement caractérisés par une longue traîne vers la droite, la transformation logarithmique népérienne ((Y’ = ln(Y))) ou la transformation réciproque ((Y’ = 1/Y), qui convertit le temps de latence en vitesse de traitement) restaure très fréquemment la normalité univariée sans dénaturer la structure ordinale des effets.

Si les distributions demeurent irréductiblement non normales après transformation, le recours à l’alternative non paramétrique s’impose : le test de Friedman (accessible via Analyser > Tests non paramétriques > Boîtes de dialogue anciennes > K échantillons liés…). Le test de Friedman transforme les scores continus en rangs au sein de chaque participant. Bien qu’il protège impeccablement contre les asymétries et la présence d’outliers, son coût en matière de puissance statistique est réel, et il s’avère incapable de modéliser des interactions complexes au-delà d’un plan unifactoriel élémentaire.

Une alternative contemporaine de premier ordre consiste à abandonner le cadre de l’ANOVA classique pour migrer vers les Modèles Linéaires Mixtes Généralisés (GLMM). Ces architectures computationnelles sophistiquées permettent de spécifier des lois de distribution non gaussiennes (telles que la loi Gamma ou la loi log-normale) adaptées par essence aux variables de temps de réponse asymétriques.

11.2 Traitement des effets d’ordre et de report

L’écueil méthodologique suprême inhérent aux devis intra-sujets réside dans les effets d’ordre (fatigue, pratique) et les effets de report asymétriques (carryover effects), situation où l’impact pharmacologique rémanent d’une molécule persiste et contamine la passation de la condition consécutive.

Si le contrebalancement expérimental a été scrupuleusement appliqué mais que le chercheur soupçonne qu’un ordre de passation particulier a favorisé un groupe de sujets, la solution statistique consiste à introduire la variable d’ordre de passation en tant que facteur inter-sujets au sein du GLM. Le devis devient alors un plan factoriel mixte (split-plot ANOVA) croisant le facteur intra-sujets (Medicament) et le facteur inter-sujets (OrdrePassation).

Si l’interaction Medicament times OrdrePassation s’avère non significative ((p > 0{,}10)), le chercheur dispose de la confirmation empirique que le contrebalancement a parfaitement fonctionné et que l’effet médicamenteux est invariant quel que soit l’ordre d’administration. En revanche, si cette interaction est statistiquement significative, cela signale un effet de report différentiel dévastateur : les données intra-sujets des sessions ultérieures sont compromises, contraignant souvent le chercheur à ne conserver et à n’analyser que les données de la toute première session de test (transformant l’analyse en une simple ANOVA inter-sujets à un facteur).

11.3 Problèmes de singularité de matrice ou d’échantillons réduits

Il arrive que lors du lancement de la procédure, SPSS interrompe ses calculs et génère des messages d’avertissement énigmatiques dans le journal des sorties : « La matrice de covariance intra-sujets est singulière » ou refuse purement et simplement d’afficher les tests multivariés et les indices d’epsilon.

Cette défaillance mathématique survient de manière prévisible dans deux configurations distinctes :

1. Effectif insuffisant par rapport aux niveaux : Si le nombre de participants (n) est inférieur ou strictement égal au nombre de modalités du facteur intra-sujets ((n le k)), la matrice multivariée manque de degrés de liberté pour être inversée (déterminant nul). Dans cette situation, la MANOVA s’effondre totalement, bien que l’ANOVA univariée corrigée par Greenhouse-Geisser demeure théoriquement calculable si (n ge 2) ;
2. Multicollinéarité extrême ou redondance quasi totale : Si deux conditions expérimentales sont corrélées de manière quasi parfaite ((r > 0{,}98)), la matrice devient instable sur le plan computationnel.

Face à des micro-échantillons présentant de tels dysfonctionnements numériques, la réduction de la complexité du plan expérimental (par regroupement ou suppression de modalités redondantes) ou le passage vers une approche bayésienne s’avère indispensable pour obtenir des inférences stables.

12. Rédaction académique des résultats selon les normes de l’APA

12.1 Directives stylistiques et typographiques de l’APA (7e édition)

La transmission des résultats statistiques au sein d’un manuscrit soumis à une revue internationale à comité de lecture doit obéir avec une rigueur chirurgicale aux canons rédactionnels de l’American Psychological Association (APA 7e édition). La typographie statistique répond à des règles strictes qu’il convient de respecter scrupuleusement :

• Tous les symboles statistiques alphabétiques latins doivent être formatés en italique : F, p, t, M, SD, z ;
• Les symboles grecs ne s’écrivent jamais en italique : η²_p, ε, β, α, ω² ;
• Les degrés de liberté de l’effet et de l’erreur doivent être systématiquement rapportés entre parenthèses immédiatement après la lettre F, séparés par une virgule : F(df_effet, df_erreur) ;
• Lorsqu’une correction de la sphéricité (Greenhouse-Geisser ou Huynh-Feldt) a été appliquée, les degrés de liberté sont présentés avec leurs valeurs décimales ajustées arrondies au centième (ex. F(2.14, 40.66)) ;
• La valeur exacte de la probabilité critique (p-value) doit être rapportée avec trois décimales (ex. p = .024). L’omission du zéro initial devant la virgule décimale est requise en anglais typographique car une probabilité ne peut mathématiquement dépasser la valeur 1. Si la valeur affichée par SPSS est .000, il est formellement proscrit d’écrire p = .000 (ce qui signifierait une certitude absolue impossible) ; il convient d’indiquer impérativement p < .001 ;
• L’indice d’Eta carré partiel doit être adjoint systématiquement : η²_p = .58 ;
• La mention explicite du test de sphéricité de Mauchly, de sa statistique W, de sa p-value et de la méthode de correction retenue est obligatoire dans le corps du texte.

12.2 Modèles de phrases types pour le corps du manuscrit

Pour illustrer la mise en application concrète de ces préceptes rédactionnels, voici le canevas textuel exhaustif correspondant à l’analyse de nos données pharmacologiques, prêt pour une insertion dans la section « Résultats » d’une publication scientifique :

« Une analyse de variance (ANOVA) univariée à mesures répétées à un facteur a été conduite afin de déterminer l’effet du type de traitement pharmacologique (Placebo, Molécule A, Molécule B, Molécule C) sur le temps de réaction des participants (en millisecondes) lors de la tâche de vigilance psychomotrice. L’examen des diagrammes boîte-à-moustaches et des indices d’asymétrie n’a révélé aucune valeur aberrante sévère, et le test de Shapiro-Wilk confirme le respect du postulat de normalité univariée au sein de chaque condition (p > .05).

Le postulat de sphéricité a fait l’objet d’une évaluation formelle au moyen du test de Mauchly. Les résultats indiquent une violation significative de cette condition, W = 0,542, χ²(5) = 10,98, p = .023. Dès lors que l’estimation de l’epsilon de Greenhouse-Geisser s’est avérée inférieure au seuil méthodologique conventionnel de 0,75 (ε = 0,713), les degrés de liberté du modèle univarié ont été ajustés selon la procédure de correction de Greenhouse-Geisser.

Les résultats de l’analyse mettent en évidence un effet principal hautement significatif du traitement médicamenteux sur la latence de réponse, F(2.14, 40.66) = 26.74, p < .001, η²_p = .584. La magnitude de cet effet s’avère particulièrement élevée selon les critères de Cohen, le facteur pharmacologique expliquant plus de 58 % de la variance intra-sujets résiduelle.

Afin de disséquer la nature précise des divergences entre les molécules, des comparaisons multiples par paires post-hoc ont été exécutées avec un ajustement conservateur du taux d’erreur de première espèce selon la méthode de Bonferroni. Les moyennes marginales estimées révèlent que l’administration du psychostimulant léger (Molécule A ; M = 398.70 ms, SD = 38.65) induit une accélération statistiquement significative du temps de réaction comparativement au Placebo (M = 452.35 ms, SD = 42.18), diff = -53.65 ms, IC à 95% [-74.85, -32.45], p < .001. De manière analogue, le nootrope expérimental (Molécule B ; M = 412.15 ms, SD = 40.12) accélère significativement les latences motrices par rapport au Placebo, diff = -40.20 ms, IC à 95% [-66.18, -14.22], p = .002. En revanche, aucune divergence statistiquement significative n’émerge entre la Molécule A et la Molécule B, diff = -13.45 ms, IC à 95% [-31.02, 4.12], p = .184. Enfin, la molécule sédative (Molécule C ; M = 515.80 ms, SD = 48.92) engendre un allongement significatif et massif du temps de réaction par rapport à l’ensemble des autres conditions expérimentales : le Placebo (diff = 63.45 ms, p < .001), la Molécule A (diff = 117.10 ms, p < .001) et la Molécule B (diff = 103.65 ms, p < .001). »

12.3 Conception de tableaux et graphiques publiables

Pour parachever la présentation académique, l’intégration d’un tableau récapitulatif synthétique conçu selon les stricts canons typographiques de l’APA (lignes horizontales épurées délimitant uniquement l’en-tête et le pied de tableau, exclusion absolue de toute ligne verticale) constitue la signature d’un travail d’analyse irréprochable.

Le tableau d’ANOVA doit synthétiser les sources de variation, les sommes des carrés, les degrés de liberté, les carrés moyens, les valeurs F, la significativité exacte et les tailles d’effet associées, en identifiant clairement les termes corrigés par des notes de bas de page explicatives :

Tableau 1. Résultats de l’ANOVA à mesures répétées et des corrections de sphéricité pour les temps de réaction

Source de variation	Méthode d’ajustement	SC	df	CM	F	p	η²p
Medicament	Sphéricité supposée	161245.30	3	53748.43	26.74	< .001	.584
	Greenhouse-Geisser	161245.30	2.14	75348.27	26.74	< .001	.584
	Huynh-Feldt	161245.30	2.38	67750.12	26.74	< .001	.584
Erreur (Medicament)	Sphéricité supposée	114560.20	57	2009.83
	Greenhouse-Geisser	114560.20	40.66	2817.51
	Huynh-Feldt	114560.20	45.22	2533.39

Note. N = 20. SC = Somme des carrés de Type III ; df = degrés de liberté ; CM = carré moyen ; η²_p = Eta carré partiel. Test de sphéricité de Mauchly : W = 0,542, p = .023, ε_GG = 0,713, ε_HF = 0,793.

En ce qui concerne les représentations graphiques, la pratique d’excellence consiste à substituer aux barres d’erreur classiques de SPSS des barres d’intervalle de confiance à 95 % standardisées pour les mesures répétées selon le protocole de Cousineau (2005) et la correction de Morey (2008). Cette transformation algébrique consiste à soustraire préalablement la moyenne individuelle de chaque participant de ses scores bruts avant d’ajouter la moyenne globale de l’échantillon, puis à appliquer un facteur multiplicateur d’expansion (sqrt{frac{k}{k – 1}}) à la marge d’erreur. Les barres obtenues reflètent avec une fidélité visuelle parfaite les contrastes statistiques univariés calculés par l’ANOVA intra-sujets, évitant tout malentendu lors de l’évaluation par les pairs.

En observant scrupuleusement l’ensemble de ces préceptes théoriques, logiciels, analytiques et rédactionnels, le chercheur s’assure d’une exploitation exhaustive et d’une restitution méthodologiquement inattaquable de l’ANOVA à mesures répétées au sein du progiciel IBM SPSS Statistics.

Références

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000

Box, G. E. P. (1954). Some theorems on quadratic forms applied in the study of analysis of variance problems, II. Effects of inequality of variance and of correlation between errors in the two-way classification. The Annals of Mathematical Statistics, 25(3), 484-498. https://doi.org/10.1214/aoms/1177728717

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 simple solution to Loftus and Masson’s method. The Quantitative Methods for Psychology, 1(1), 42-45. https://doi.org/10.20982/tqmp.01.1.p042

Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.

Girden, E. R. (1992). ANOVA: Repeated measures. SAGE Publications. https://doi.org/10.4135/9781412983419

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

Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19-24. https://doi.org/10.1198/000313001300339897

Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69-82. https://doi.org/10.2307/1164736

IBM Corp. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp.

Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of Mathematical Statistics, 11(2), 204-209. https://doi.org/10.1214/aoms/1177731909

Morey, R. D. (2008). Confidence intervals from normalized data: A correction to Cousineau (2005). The 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