Comment effectuer le test de McNemar dans Excel

Dans le domaine de la recherche quantitative en sciences humaines, singulièrement en psychologie cognitive, clinique et sociale, l’évaluation rigoureuse des variations comportementales et attitudinales représente un défi méthodologique fondamental. Lorsqu’un chercheur ou un praticien recueille des données nominales binaires auprès d’une même cohorte avant et après l’administration d’un protocole expérimental ou thérapeutique, le recours aux tests d’indépendance traditionnels s’avère formellement proscrit en raison de la violation manifeste du postulat d’indépendance des observations. C’est précisément au cœur de cette problématique d’analyse longitudinale que s’inscrit le test de McNemar, une procédure statistique non paramétrique conçue pour comparer des proportions appariées.

Bien que des progiciels spécialisés tels que SPSS, R ou SAS soient fréquemment mobilisés dans les laboratoires universitaires, le tableur Microsoft Excel demeure un vecteur incontournable de calcul, d’audit analytique et de modélisation mathématique au sein de nombreuses structures institutionnelles et cliniques. Sa flexibilité matricielle, la transparence absolue de ses fonctions intégrées et sa disponibilité universelle en font un environnement d’exception pour décomposer, comprendre et automatiser la mécanique du test de McNemar, depuis l’agencement brut des observations individuelles jusqu’à l’estimation exacte des distributions de probabilité associées.

Le présent traité méthodologique propose une exploration exhaustive de l’implémentation du test de McNemar au sein de Microsoft Excel. Dépassant la simple manipulation computationnelle, ce guide articule les justifications mathématiques et épistémologiques sous-jacentes, les conditions strictes de validité statistique, l’ajustement algorithmique pour petits échantillons par la loi binomiale, ainsi que la formalisation des résultats selon les normes académiques internationales de l’American Psychological Association. L’objectif est d’offrir aux chercheurs, analystes de données et cliniciens un cadre opératoire rigoureux permettant de transformer des matrices de données appariées en inférences scientifiques irréprochables.

1. Introduction et fondements théoriques du test de McNemar en psychologie

1.1 Origine historique et pertinence en recherche psychologique

Le test de McNemar a été formalisé en 1947 par le psychologue et statisticien américain Quinn McNemar dans un article séminal publié au sein de la revue Psychometrika. À cette époque, la communauté des psychométriciens se heurtait à une impasse analytique récurrente : l’impossibilité d’évaluer la significativité du changement d’opinions, de croyances ou d’états psychopathologiques chez un groupe de sujets soumis à un stimulus persuasif ou à un traitement expérimental sans enfreindre les lois fondamentales de la théorie des probabilités sur l’indépendance des tirages.

En psychologie expérimentale et clinique, les protocoles longitudinaux requièrent fréquemment l’évaluation de variables qualitatives nominales dichotomiques. Qu’il s’agisse de mesurer l’émergence d’une prise de conscience cognitive, la rémission catégorielle d’un trouble de l’humeur conformément aux critères du DSM, ou encore la transition d’une attitude défavorable vers une position favorable suite à une campagne de sensibilisation, les mesures répétées sur les mêmes sujets constituent la norme empirique. Le test de McNemar s’est imposé comme une composante indispensable des statistiques non paramétriques en offrant une solution élégante, exempte des contraintes distributionnelles paramétriques telles que la normalité multivariée ou l’homoscédasticité.

La pérennité de cette méthode dans les sciences du comportement s’explique par sa capacité à isoler la dynamique spécifique du changement individuel. Contrairement aux approches globales qui se limitent à comparer des pourcentages globaux transversaux, le test de McNemar opère une dissection minutieuse des trajectoires intra-individuelles, garantissant ainsi une sensibilité statistique maximale face aux micro-modifications induites par les paradigmes expérimentaux.

1.2 Distinction fondamentale entre échantillons indépendants et appariés

L’une des erreurs méthodologiques les plus documentées dans la littérature scientifique consiste à appliquer le test classique d’indépendance du Khi-deux de Karl Pearson à des données issues de mesures répétées. La distinction entre échantillons indépendants et échantillons appariés conditionne pourtant l’ensemble de l’architecture mathématique de l’inférence. Dans un plan à échantillons indépendants, les unités statistiques composant le groupe témoin et le groupe expérimental sont disjointes, assurant une covariance théorique nulle entre les observations des deux ensembles.

Dans un protocole à mesures répétées, chaque participant agit comme son propre témoin. Ce plan d’auto-appariement induit une corrélation intra-sujet substantielle : les réponses fournies au temps initial sont intrinsèquement liées aux réponses émises au temps ultérieur, en raison de facteurs de confusion stables tels que les traits de personnalité sous-jacents, l’intelligence générale, le profil socio-économique ou la réactivité biologique. L’application erronée d’un test pour groupes indépendants ignore délibérément cette covariance positive, ce qui biaise l’estimation de l’erreur-type et conduit soit à une perte dramatique de puissance statistique, soit à une inflation inacceptable du taux d’erreur de première espèce.

Le test de McNemar neutralise totalement la variabilité interindividuelle stable en se focalisant exclusivement sur la dynamique temporelle interne de chaque participant. En éliminant le « bruit » généré par les différences inter-sujets, la méthode autorise une détection beaucoup plus fine des effets réels du traitement, optimisant ainsi la validité des conclusions psychométriques tirées d’échantillons de taille modérée.

1.3 Objectifs méthodologiques et portée de la mesure du changement

L’ambition méthodologique prioritaire du test de McNemar réside dans la quantification précise et la validation probabiliste de l’efficacité d’une intervention. Dans le cadre de l’évaluation thérapeutique, par exemple, un protocole d’intervention comportementale visant l’arrêt d’une phobie spécifique nécessite de déterminer si la proportion de sujets ne manifestant plus de symptômes cliniques invalidants après la thérapie est statistiquement supérieure à la proportion de sujets ayant développé des symptômes au cours de la même période d’observation.

Au-delà de l’efficacité interventionnelle, le test offre un outil de premier ordre pour évaluer la stabilité temporelle ou la fidélité test-retest d’un instrument de diagnostic catégoriel. Lorsqu’un outil d’évaluation clinique est administré à deux reprises sans intervention intercalée, le test de McNemar permet de confirmer l’absence de dérive diagnostique systématique dans un sens ou dans l’autre, soutenant l’hypothèse de cohérence de l’instrument d’évaluation psychologique.

Enfin, sur le plan de la validité interne des protocoles de recherche pré-test et post-test, le test de McNemar apporte une contribution décisive en discriminant les transitions comportementales authentiques des fluctuations aléatoires d’échantillonnage. Il permet d’établir formellement si le vecteur de transition observé reflète une force directionnelle systématique attribuable à la variable indépendante manipulée par l’expérimentateur.

2. Conditions d’application et hypothèses statistiques du test

2.1 Typologie des variables et structure dichotomique

La validité statistique du test de McNemar repose sur des contraintes structurelles strictes relatives à la nature des données collectées. La variable dépendante doit impérativement présenter une nature nominale dichotomique, c’est-à-dire qu’elle doit être segmentée en exactement deux modalités mutuellement exclusives et collectivement exhaustives. Ces modalités sont traditionnellement qualifiées de succès versus échec, présence versus absence d’un trait sémiologique, ou adhésion versus refus face à un item d’évaluation attitudinale.

L’obligation de dichotomie exige une vigilance particulière lorsque les chercheurs travaillent initialement avec des échelles de mesure continues ou ordinales, comme les échelles de Likert à plusieurs points ou les scores psychométriques bruts issus de questionnaires standardisés. Dans ces situations, la mise en œuvre du test de McNemar nécessite une procédure de dichotomisation préalable, laquelle doit être justifiée sur le plan théorique ou clinique par l’application d’un seuil critique validé (score seuil de rémission ou point de rupture psychopathologique standardisé).

Il importe de souligner que la dichotomisation de données quantitatives continues entraîne inévitablement une perte d’information statistique et une réduction de la variance exploitable. Les chercheurs doivent veiller scrupuleusement à préserver l’intégrité conceptuelle du construit psychologique sous-jacent, en évitant les découpages arbitraires basés sur la médiane de l’échantillon qui risqueraient de fausser la comparabilité des résultats et d’altérer la robustesse de l’inférence causale finale.

2.2 Formulation formelle des hypothèses nulle et alternative

L’appareil inférentiel du test de McNemar est articulé autour d’une hypothèse de symétrie marginale au sein de la population parente. L’hypothèse nulle, notée formellement H0, postule que les probabilités marginales de survenue de l’événement d’intérêt sont strictement équivalentes entre le temps de mesure T1 et le temps de mesure T2. En d’autres termes, H0 énonce que le volume théorique de transitions d’un état vers l’autre est parfaitement équilibré, signifiant l’absence d’effet global attribuable à l’intervention ou au temps écoulé.

À l’inverse, l’hypothèse alternative bilatérale, notée HA, postule une asymétrie entre les trajectoires de conversion observées dans la cohorte. Elle affirme que la probabilité d’une transition positive excède significativement ou, symétriquement, est significativement inférieure à la probabilité d’une transition négative. Dans certains contextes cliniques où l’effet prévisible d’une thérapeutique ne peut logiquement s’exercer que dans le sens de l’amélioration symptomatique, une hypothèse unilatérale peut être formalisée, bien que la prudence scientifique prescrive généralement le maintien d’une formulation bilatérale pour capturer d’éventuels effets délétères inattendus.

Le rejet de l’hypothèse nulle est conditionné par la fixation a priori d’un seuil de significativité conventionnel, désigné par la lettre grecque alpha. Dans l’écrasante majorité des recherches en psychologie et en sciences comportementales, ce seuil est calibré à 0,05, imposant que la probabilité d’observer de telles disparités de transition sous l’hypothèse nulle soit inférieure à 5 % pour que l’effet soit déclaré statistiquement concluant.

2.3 Notion critique de paires discordantes et concordantes

L’analyse sous-jacente au test de McNemar s’appuie sur la catégorisation exhaustive des participants en deux ensembles distincts de paires d’observations : les paires concordantes et les paires discordantes. Les paires concordantes rassemblent les sujets dont le statut catégoriel demeure strictement inchangé entre la phase pré-test et la phase post-test. Ces sujets représentent la stabilité du comportement étudié, regroupant d’une part les individus ayant conservé un statut positif aux deux temps, et d’autre part ceux ayant maintenu un statut négatif.

Les paires discordantes, en revanche, isolent la dynamique du changement. Elles regroupent exclusivement les sujets ayant opéré une transition catégorielle au fil du temps : soit les participants passés d’un état négatif en T1 à un état positif en T2 (gains ou rémissions), soit ceux ayant régressé d’un état positif en T1 vers un état négatif en T2 (pertes ou rechutes). La singularité mathématique fondamentale du test de McNemar réside dans le fait que sa statistique de test dépend exclusivement du volume et de l’asymétrie de ces paires discordantes.

Les paires concordantes sont délibérément exclues du calcul de la statistique de décision, car elles n’apportent aucune information pertinente quant à la directionnalité du changement marginal. Cette propriété confère au test une puissance d’analyse remarquable, mais impose également que le ratio global de discordance au sein de l’échantillon soit suffisant. Si la quasi-totalité des sujets reste stable, le volume effectif de discordants sera trop faible pour permettre à l’analyse de rejeter l’hypothèse nulle, quelle que soit la taille de la cohorte initiale.

3. Structuration des données et tableau de contingence 2×2 dans Excel

3.1 Organisation matricielle des données brutes pré-test et post-test

Pour préparer le déploiement opérationnel du test de McNemar dans l’environnement Microsoft Excel, les données brutes doivent être agencées selon une structure relationnelle rigoureuse en base de données plane. Chaque ligne de la feuille de calcul doit correspondre sans ambiguïté à une unité observationnelle unique, c’est-à-dire à un participant identifiable de l’étude. Toute disposition transversale où les temps de mesure seraient dispersés de façon non unifiée sur des feuillets distincts doit être proscrite.

La structure tabulaire standardisée comporte minimalement trois colonnes contiguës : la première colonne est dédiée à l’identifiant du participant (par exemple, de la cellule A2 à A101 pour une cohorte de cent individus), la deuxième colonne consigne l’état catégoriel mesuré au temps T1 (cellules B2 à B101), et la troisième colonne consigne l’état catégoriel mesuré au temps T2 (cellules C2 à C101). Le codage numérique strict doit être privilégié par rapport aux libellés textuels pour prévenir les anomalies de typographie : la valeur entière 1 sera assignée au succès, à la présence symptomatique ou à l’accord, tandis que la valeur entière 0 encodera l’échec, l’absence symptomatique ou le désaccord.

Avant d’engager tout calcul statistique, une procédure d’audit et de nettoyage des données s’avère indispensable au sein du tableur. L’analyste doit vérifier l’alignement parfait des observations pour chaque participant, s’assurer de l’absence totale de doublons d’identification via l’outil de suppression des doublons d’Excel, et filtrer scrupuleusement les enregistrements comportant des cellules vides consécutives à une attrition expérimentale au temps post-test.

3.2 Construction du tableau croisé dynamique 2×2

Une fois la matrice de données brutes consolidée, la synthèse des fréquences conjointes s’effectue au moyen d’un tableau croisé dynamique 2×2, qui constitue la matrice canonique requise pour l’analyse de McNemar. La sélection de la plage des données brutes (incluant la ligne d’en-tête) permet d’insérer un rapport de tableau croisé dynamique sur une feuille dédiée afin de séparer nettement l’espace d’archivage des données sources et l’espace computationnel.

La configuration du tableau croisé dynamique requiert un paramétrage précis des champs : le champ T1 est glissé dans la zone des étiquettes de lignes, le champ T2 est assigné à la zone des étiquettes de colonnes, et l’identifiant du participant (ou l’une des variables binaires) est placé dans la zone des valeurs. Il est primordial de vérifier que le mode de synthèse de ce champ de valeur soit expressément configuré sur le « Nombre » d’occurrences et non sur la « Somme », afin de dénombrer fidèlement les effectifs d’individus correspondant à chaque combinaison de statuts.

Le résultat obtenu prend la forme d’une table carrée ordonnée composée de quatre quadrants fondamentaux, désignés par les conventions statistiques a, b, c et d :

• Quadrant a (1, 1) : Nombre de participants positifs au temps T1 et demeurés positifs au temps T2 (concordance de succès).
• Quadrant b (1, 0) : Nombre de participants positifs au temps T1 ayant basculé à un état négatif au temps T2 (discordance de perte ou rémission).
• Quadrant c (0, 1) : Nombre de participants négatifs au temps T1 ayant basculé à un état positif au temps T2 (discordance de gain ou rechute).
• Quadrant d (0, 0) : Nombre de participants négatifs au temps T1 et demeurés négatifs au temps T2 (concordance d’échec).

3.3 Paramétrage des formules matricielles de comptage automatique

Bien que le tableau croisé dynamique offre une synthèse visuelle immédiate, l’automatisation d’un modèle d’analyse prédictif ou recalculable en temps réel sous Excel gagne à s’appuyer directement sur des formules statistiques natives. L’utilisation de la fonction NB.SI.ENS permet de générer la matrice 2×2 de façon totalement dynamique, éliminant la nécessité d’actualiser manuellement le tableau croisé en cas de modification des données brutes.

En admettant que la plage de mesure initiale T1 réside dans les cellules B2:B101 et la mesure finale T2 dans les cellules C2:C101, les quatre cellules de contingence sont configurées à l’aide des syntaxes suivantes :

• Pour la cellule concordante a (T1=1 et T2=1) : =NB.SI.ENS(B2:B101; 1; C2:C101; 1)
• Pour la cellule discordante b (T1=1 et T2=0) : =NB.SI.ENS(B2:B101; 1; C2:C101; 0)
• Pour la cellule discordante c (T1=0 et T2=1) : =NB.SI.ENS(B2:B101; 0; C2:C101; 1)
• Pour la cellule concordante d (T1=0 et T2=0) : =NB.SI.ENS(B2:B101; 0; C2:C101; 0)

Cette approche par formules directes garantit la réactivité absolue du modèle : toute saisie corrective opérée dans les colonnes sources est instantanément répercutée sur le tableau de contingence et, par récursion logique, sur l’ensemble des étapes d’inférence analytique qui en dérivent.

4. Formulation mathématique et dérivation de la statistique de test

4.1 Formule asymptotique standard du Khi-deux de McNemar

L’estimation de la divergence statistique entre les deux temps de mesure repose historiquement sur l’approximation asymptotique du Khi-deux formulée par Quinn McNemar. L’expression algébrique canonique de cette statistique se définit par le rapport du carré de la différence absolue entre les effectifs des cellules discordantes sur la somme totale de ces mêmes effectifs discordants :

Chi² = (b – c)² / (b + c)

L’observation formelle de cette équation révèle immédiatement une caractéristique fondamentale : les effectifs des cellules concordantes a et d n’interviennent aucunement dans le numérateur ni dans le dénominateur de la fraction. Que l’échantillon comprenne dix, cent ou dix mille sujets n’ayant connu aucune altération de leur état initial, la valeur numérique finale du Khi-deux demeure rigoureusement invariante si les valeurs de b et de c sont fixées. La statistique évalue purement l’éloignement relatif de l’équilibre théorique entre les deux sens de transition.

Sous l’hypothèse nulle d’homogénéité marginale, cette grandeur converge asymptotiquement vers une distribution théorique du Khi-deux continu à un unique degré de liberté (dl = 1). Toutefois, cette convergence mathématique n’est satisfaisante que dans la mesure où l’effectif cumulé des paires discordantes, représenté par la somme b + c, atteint une dimension suffisante pour amortir la granularité discrète des comptages élémentaires.

4.2 Démonstration de la distribution théorique sous l’hypothèse nulle

La dérivation mathématique du test de McNemar s’enracine dans la théorie combinatoire de la loi binomiale. Soit n_d = b + c le nombre total d’observations ayant subi une modification d’état catégoriel au terme du protocole. Si l’hypothèse nulle H0 est rigoureusement exacte, chaque transition individuelle observée dispose d’une probabilité théorique égale de s’effectuer dans le sens 1 vers 0 (cellule b) ou dans le sens 0 vers 1 (cellule c).

Par conséquent, conditionnellement au nombre total de transitions observées n_d, la variable aléatoire représentant l’effectif de la cellule b suit de manière exacte une distribution binomiale de paramètres n_d et de probabilité de succès p = 0,5. L’espérance mathématique de cette variable s’établit à E(b) = n_d / 2 = (b + c) / 2, et sa variance théorique s’écrit Var(b) = n_d * p * (1 – p) = (b + c) / 4.

En vertu du théorème central limite, lorsque l’effectif n_d tend vers l’infini, la distribution binomiale centrée et réduite converge vers une loi normale standard N(0, 1). La standardisation de la variable b donne la statistique Z suivante :

Z = (b – E(b)) / racine(Var(b)) = [b – (b + c) / 2] / racine((b + c) / 4) = (b – c) / racine(b + c)

Puisque le carré d’une variable aléatoire distribuée selon une loi normale standard suit rigoureusement une distribution du Khi-deux à 1 degré de liberté, il suffit d’élever la statistique Z au carré pour retrouver l’expression classique du Khi-deux de McNemar : Z² = Chi² = (b – c)² / (b + c). Cette dérivation formelle illustre avec limpidité la filiation directe unissant le modèle binomial discret et l’approximation continue du Khi-deux.

4.3 Rôle exclusif et interprétation géométrique des cellules discordantes

D’un point de vue géométrique et conceptuel, le test de McNemar opère une projection orthogonale sur l’espace d’état en neutralisant la composante diagonale invariante de la matrice de contingence. Les cellules a et d constituent la diagonale principale, représentant la persistance de l’état psychologique ou comportemental. En statistique méthodologique, inclure ces cellules reviendrait à indexer la significativité du changement sur l’inertie générale du système, diluant indûment l’information sélective de transition.

L’interprétation de la formule met en lumière une géométrie d’asymétrie : l’écart quadratique (b – c)² mesure la distance euclidienne de dispersion par rapport à la bissectrice d’équiprobabilité. Plus le rapport entre b et c s’éloigne de l’unité, plus le vecteur de trajectoire de l’échantillon démontre une polarisation directionnelle marquée, traduisant l’action non aléatoire de la variable expérimentale.

Il importe néanmoins de noter qu’un volume élevé de paires concordantes, bien qu’absent de la statistique formelle, influence la précision globale de l’étude. Si 95 % des sujets tombent dans les quadrants a et d, la taille effective de l’échantillon discordant b + c sera marginale, conduisant à une variance empirique élargie et à un risque majeur de commettre une erreur de deuxième espèce (non-rejet d’une hypothèse nulle fausse). Le test de McNemar se présente ainsi comme un cas particulier, à deux modalités, des tests d’homogénéité marginale de Stuart-Maxwell ou de McNemar-Bowker utilisés pour les dimensions qualitatives supérieures.

5. Configuration pas à pas d’Excel pour le calcul manuel de McNemar

5.1 Agencement méthodique de la feuille de calcul

L’excellence méthodologique dans la conception d’un modèle d’analyse sous Excel requiert une discipline spatiale stricte au sein du classeur. Pour garantir la pérennité de l’audit analytique et prévenir les altérations involontaires, il est impératif de séparer la feuille de travail en trois zones géographiques étanches, délimitées par des conventions typographiques et des codes couleur normalisés :

• Zone A (Colonnes A à C) : Le registre des données primaires, hébergeant les identifiants participants et les deux colonnes de réponses binaires (T1 et T2).
• Zone B (Colonnes E à H) : La matrice de contingence automatisée 2×2, affichant les en-têtes explicites des statuts, les comptages de fréquences conjoints (cellules a, b, c, d) et les sommes marginales horizontales et verticales.
• Zone C (Colonnes J à L) : Le bloc analytique de restitution des résultats, regroupant les calculs intermédiaires (différence de discordance, sommes, numérateur quadratique), les valeurs des statistiques de test et l’affichage des probabilités critiques associées.

L’affectation de noms de plages explicites via le Gestionnaire de noms d’Excel (ruban Formules) renforce considérablement la robustesse de l’architecture. Nous désignerons par exemple la cellule hébergeant l’effectif b sous l’étiquette Discordant_b et la cellule hébergeant l’effectif c sous l’étiquette Discordant_c. Cette pratique prévient les erreurs d’adressage relatif lors des manipulations de cellules et rend les formules de calcul directement lisibles pour des tiers auditeurs.

5.2 Calcul de la statistique du Khi-deux non corrigée via formules Excel

La transposition de l’équation asymptotique standard de McNemar s’effectue par l’enchaînement de fonctions arithmétiques fondamentales garantissant une traçabilité totale des étapes de calcul au sein de la Zone C de la feuille de calcul.

En assignant, à titre d’illustration, la cellule F6 à la fréquence b (T1=1 et T2=0) et la cellule G5 à la fréquence c (T1=0 et T2=1), l’implémentation de la statistique s’effectue selon la décomposition suivante :

1. Calcul de la différence arithmétique simple entre les cellules de désaccord dans la cellule J4 :
=F6 - G5

2. Calcul de la somme totale des discordants dans la cellule J5 :
=F6 + G5

3. Calcul de la statistique du Khi-deux brute non corrigée dans la cellule J6 :
=PUISSANCE(J4; 2) / J5 ou alternativement sous forme directe condensée :
=PUISSANCE(F6 - G5; 2) / (F6 + G5)

La formulation condensée évite la prolifération de cellules intermédiaires superflues, tandis que la formulation décomposée offre l’avantage pédagogique de visualiser explicitement l’amplitude de l’écart net et la masse critique discordante sur laquelle repose la standardisation.

5.3 Vérification de cohérence et audit des formules

Un modèle analytique n’est scientifiquement crédible que s’il intègre des mécanismes intrinsèques de validation logique. La première procédure de contrôle indispensable consiste à valider la conservation des effectifs : la somme cumulative des quatre cellules de contingence (a + b + c + d) doit coïncider rigoureusement avec le nombre total de lignes de participants N enregistrées dans la colonne d’identifiants.

Dans une cellule de diagnostic dédiée, il convient d’insérer l’instruction conditionnelle d’intégrité suivante :
=SI(SOMME(F5:G6) = NB(A2:A101); "Intégrité validée"; "ERREUR: Discordance d'effectifs")

De surcroît, le risque computationnel de division par zéro doit être systématiquement neutralisé. Si un échantillon parfaitement invariable était accidentellement soumis au calcul, résultant en une somme (b + c) = 0, le tableur renverrait une erreur structurelle de type #DIV/0!. Pour parer à cette éventualité, la formule finale du Khi-deux doit être encapsulée dans une fonction logique :
=SI((F6 + G5) = 0; 0; PUISSANCE(F6 - G5; 2) / (F6 + G5))

L’utilisation complémentaire de l’outil d’audit des formules d’Excel (Repérer les antécédents et Repérer les dépendants) permet de tracer graphiquement les flux de liaison vectoriels, confirmant formellement qu’aucune cellule concordante n’a été insérée par mégarde dans les dépendances du ratio de McNemar.

6. Intégration de la correction de continuité de Yates dans la formule Excel

6.1 Fondement mathématique de la correction pour discontinuité

L’approximation d’une distribution discrète (la somme binomiale des fréquences observées) par une loi de probabilité strictement continue (la loi du Khi-deux) engendre une distorsion mathématique intrinsèque, particulièrement aiguë au niveau des valeurs centrales et des extrêmes de distribution. En 1934, le statisticien Frank Yates a démontré que cette approximation par le continu a tendance à sous-estimer systématiquement la variance réelle des probabilités cumulées discrètes, provoquant une surestimation artificielle de la valeur numérique de la statistique de test.

Cette inflation non contrôlée du Khi-deux a pour conséquence directe de gonfler indûment le taux de rejet de l’hypothèse nulle, augmentant ainsi l’erreur de type I (faux positifs scientifiques). Pour pallier ce biais mécanique, Yates a proposé de retrancher une quantité fixe de 0,5 à la valeur absolue de l’écart résiduel discret avant d’élever la différence au carré.

Dans l’expression canonique du test de McNemar, la correction de Yates s’applique à la différence absolue entre b et c. Puisque la statistique initiale repose sur un écart d’entiers discrets, la déduction de 0,5 sur la variable normale Z équivaut mathématiquement, une fois passée à l’élévation au carré de la statistique du Khi-deux globale, à la déduction d’une unité entière :

Chi²_corrigé = (|b – c| – 1)² / (b + c)

Cette correction exerce une contrainte conservatrice sur le modèle, réduisant la magnitude de la statistique observée et exigeant un déséquilibre plus marqué entre les trajectoires discordantes pour franchir les seuils de significativité conventionnels.

6.2 Syntaxes d’implémentation dans la barre de formule Excel

Pour implémenter rigoureusement la correction de continuité de Frank Yates au sein de la barre de formule d’Excel, il est nécessaire d’imbriquer la fonction de valeur absolue ABS au cœur du traitement arithmétique pour s’assurer que la soustraction de l’unité correctrice opère toujours dans le sens de la réduction de l’amplitude globale de l’écart.

La formule standardisée recommandée pour la cellule de restitution du Khi-deux corrigé s’énonce comme suit :
=PUISSANCE(MAX(0; ABS(F6 - G5) - 1); 2) / (F6 + G5)

L’incorporation délibérée de la fonction MAX(0; …) au sein de la formulation algébrique constitue une sécurité computationnelle essentielle. Dans l’éventualité où l’écart absolu entre b et c serait rigoureusement nul (parité absolue des transitions où b = c), la soustraction aveugle d’une unité mènerait à la valeur -1. Son élévation quadratique ultérieure produirait alors une statistique positive artificielle de 1 / (b + c) au lieu d’une valeur nulle. La fonction MAX garantit que toute valeur résultante inférieure à zéro soit instantanément ramenée au plancher absolu de zéro.

Il conviendra de veiller scrupuleusement aux conventions de ponctuation propres à la version locale d’Excel utilisée : les versions francophones imposent l’usage exclusif du point-virgule comme séparateur d’arguments, tandis que les environnements anglophones opèrent avec la virgule (=POWER(MAX(0, ABS(F6 - G5) - 1), 2) / (F6 + G5)).

6.3 Analyse d’impact numérique et seuils de divergence

L’effet différentiel induit par l’application ou l’omission de la correction de continuité de Yates est fonction inverse de l’effectif global des cellules discordantes. Lorsque la somme b + c s’élève à plusieurs centaines d’unités d’observation, l’impact relatif de la déduction d’une unité au numérateur devient quasi infinitésimal, conduisant à une convergence numérique quasi parfaite entre les versions corrigée et non corrigée.

En revanche, lorsque l’effectif discriminant se situe dans une fourchette modérée, comprise entre 20 et 60 participants discordants, la correction de Yates altère substantiellement la magnitude de la statistique calculée. Il n’est pas rare de constater des scénarios empiriques où une statistique de Khi-deux brute de 4,15 (dépassant le seuil critique de significativité de 3,841 et affichant une p-valeur < 0,05) se trouve rétrogradée après correction à une valeur de 3,42, basculant rétroactivement l’effet dans la zone de non-significativité (p-valeur > 0,05).

Ce phénomène d’oscillation décisionnelle impose une vigilance déontologique absolue. Les manuels de psychométrie recommandent formellement aux investigateurs de définir l’usage de la correction de continuité a priori dans leur protocole d’enregistrement méthodologique, évitant ainsi l’écueil du « p-hacking » qui consisterait à choisir arbitrairement la formule présentant le résultat le plus favorable à la publication scientifique.

7. Détermination de la p-valeur avec les fonctions statistiques d’Excel

7.1 Utilisation avancée de la fonction LOI.KHIDEUX.DROITE

Une fois la statistique du Khi-deux de McNemar dûment établie (avec ou sans correction de continuité de Yates), l’étape décisive du processus inférentiel consiste à déterminer la probabilité associée sous l’hypothèse nulle, couramment désignée sous le vocable de p-valeur. Au sein des versions contemporaines d’Excel, cette détermination s’effectue avec une précision algorithmique remarquable grâce à la fonction native LOI.KHIDEUX.DROITE (ou CHISQ.DIST.RT en version internationale).

La syntaxe opératoire de cette fonction requiert rigoureusement deux paramètres positionnels :
=LOI.KHIDEUX.DROITE(x; degres_liberte)

Le paramètre x représente la valeur numérique de la statistique de test calculée précédemment (par exemple, la référence à la cellule hébergeant le résultat du Khi-deux). Le second paramètre, degres_liberte, doit impérativement être fixé à la constante 1. En effet, dans le cadre univarié du test d’homogénéité marginale 2×2 de McNemar, la liberté de fluctuation stochastique est strictement restreinte à un degré de liberté, puisque l’estimation de l’effectif c est intégralement contrainte dès lors que le total n_d et l’effectif b sont déterminés.

Pour garantir la rétrocompatibilité des classeurs analytiques avec des versions antérieures à Microsoft Excel 2010, les praticiens peuvent encore mobiliser l’ancienne fonction =CHIDIST(x; 1). Cependant, la documentation officielle de l’éditeur préconise l’adoption exclusive de la nouvelle nomenclature fonctionnelle, laquelle bénéficie d’une précision accrue de calcul dans l’approximation des intégrales de queue de distribution.

7.2 Calcul de la valeur critique avec LOI.KHIDEUX.INVERSE.DROITE

Dans le paradigme classique de test d’hypothèse de Neyman-Pearson, la décision méthodologique s’opère par la confrontation directe de la statistique calculée à un seuil d’exclusion probabiliste préalablement fixé, désigné sous le terme de valeur critique. Pour un risque d’erreur alpha consenti à 5 % (0,05) et un degré de liberté, la distribution théorique du Khi-deux assigne une valeur critique universellement connue de 3,841.

Dans l’environnement Excel, ce seuil théorique exact peut être extrait dynamiquement au moyen de la fonction de quantile inverse unilatérale droite :
=LOI.KHIDEUX.INVERSE.DROITE(alpha; degres_liberte)

En assignant une cellule d’entrée au seuil alpha choisi (par exemple la cellule J8 valorisée à 0,05), l’instruction de détermination du seuil s’écrit :
=LOI.KHIDEUX.INVERSE.DROITE(J8; 1), ce qui restitue avec une haute précision décimale la constante théorique 3,84145882.

Pour automatiser intégralement le rendu du verdict d’inférence, une cellule de conclusion logique peut être configurée via une instruction conditionnelle articulant le Khi-deux calculé (cellule J6) et le Khi-deux critique théorique (cellule J9) :
=SI(J6 >= J9; "Rejet de H0 : Changement statistiquement significatif"; "Maintien de H0 : Absence d'effet significatif")

7.3 Règles formelles de décision face au seuil de significativité alpha

L’arbitrage scientifique définitif ne saurait être réduit à une exécution mécanique de seuils sans une compréhension approfondie de la distribution des risques d’erreur. Si la p-valeur extraite par la fonction LOI.KHIDEUX.DROITE s’avère inférieure ou strictement égale au seuil critique alpha prédéfini (ordinairement p < 0,05), le chercheur est formellement fondé à récuser l’hypothèse nulle. Ce rejet implique que la disparité observée entre les proportions de gains et de pertes présente une probabilité inférieure à 5 % d’émerger par simple fluctuation stochastique dans une population où l’intervention n’aurait aucun effet.

Inversement, l’obtention d’une p-valeur supérieure au seuil conventionnel impose la rétention prudente de l’hypothèse H0. Il convient toutefois de souligner une distinction épistémologique fondamentale : la non-rejection de l’hypothèse nulle ne constitue en aucun cas une démonstration de l’équivalence stricte ou de l’inutilité clinique de l’intervention testée. Elle signale exclusivement que l’empirie collectée ne parvient pas à apporter un degré d’évidence suffisant pour disqualifier le hasard au niveau de confiance requis.

En présence d’analyses exploratoires multiples menées sur plusieurs cohortes ou sous-groupes cliniques simultanés au sein du même classeur Excel, l’investigateur doit impérativement corriger le seuil alpha d’exclusion (via la méthode conservatrice de Bonferroni ou la procédure séquentielle de Holm-Bonferroni) afin de contenir le risque d’erreur globale familiale, en ajustant en conséquence l’argument probabiliste inséré dans les formules d’inférence.

8. Utilisation du test binomial exact dans Excel pour les petits échantillons

8.1 Limites de l’approximation asymptotique et critères d’alerte

L’édifice mathématique de la distribution du Khi-deux repose sur le postulat d’une transition asymptotique vers le continu, laquelle s’effondre inévitablement lorsque le volume d’observations discordantes devient trop restreint. La littérature biométrique et les directives de la Société Américaine de Psychologie s’accordent sur un consensus d’alerte méthodologique : dès lors que la somme des paires discordantes (b + c) est strictement inférieure à 25, l’approximation du Khi-deux, même modulée par l’ajustement de Yates, perd sa robustesse et devient sujette à des distorsions d’approximation substantielles.

Dans un tel contexte de faible effectif discordant, le recours à une loi continue surestime ou sous-estime arbitrairement les probabilités cumulées réelles au sein des queues de distribution. Cette instabilité compromet gravement la validité interne des inférences psychométriques, particulièrement dans les protocoles cliniques portant sur des populations rares ou des thérapeutiques innovantes où les cohortes sont structurellement restreintes.

Le chercheur doit alors abandonner les fonctions asymptotiques au profit du calcul combinatoire exact basé sur la distribution binomiale discrète. Microsoft Excel dispose d’outils statistiques éprouvés capables d’exécuter ce traitement probabiliste exact avec une rigueur absolue, sans recourir à la moindre extrapolation géométrique.

8.2 Implémentation de la fonction LOI.BINOMIALE.N dans Excel

Sous la neutralité parfaite postulée par l’hypothèse nulle, la répartition des sujets discordants obéit fidèlement à une loi binomiale de paramètres n = (b + c) et de probabilité théorique de succès p = 0,5. La détermination de la significativité s’obtient alors en calculant la probabilité cumulative discrète d’observer un partitionnement au moins aussi asymétrique que celui constaté dans les données empiriques.

Cette sommation probabiliste est entièrement opérable sous Excel grâce à la fonction de distribution binomiale modernisée :
=LOI.BINOMIALE.N(nombre_s; essais; probabilite_s; cumulative)

Pour exécuter le calcul unilatéral inférieur, l’algorithme doit évaluer la probabilité cumulée d’obtenir au maximum la valeur du plus petit effectif discordant observé. Soit la constante k = MIN(b; c). L’affectation formelle des paramètres s’ordonne ainsi :

• nombre_s : La valeur minimale de discordance, formulée dynamiquement par MIN(F6; G5)
• essais : Le nombre cumulé de transitions discordantes, formulé par (F6 + G5)
• probabilite_s : La constante d’hypothèse nulle équiprobable, fixée à 0,5
• cumulative : L’opérateur booléen logique VRAI, instruisant le tableur de sommer l’intégralité des probabilités discrètes depuis 0 jusqu’à la borne k

La formule unilatérale exacte s’écrit de manière unifiée :
=LOI.BINOMIALE.N(MIN(F6; G5); F6 + G5; 0,5; VRAI)

8.3 Dérivation de la p-valeur exacte bilatérale

Dans la mesure où la distribution binomiale sous le paramètre p = 0,5 est parfaitement symétrique autour de son espérance mathématique n / 2, la p-valeur exacte pour un test bilatéral s’obtient conceptuellement en doublant la masse probabiliste cumulée de la queue de distribution unilatérale inférieure.

Toutefois, une précaution algorithmique majeure doit être implémentée au sein de la syntaxe d’Excel pour prévenir les débordements de probabilité. Si l’écart entre b et c est rigoureusement nul (par exemple, b = 8 et c = 8), le calcul de la moitié de la distribution binomiale incluant la médiane renvoie une valeur cumulative strictement supérieure à 0,5. Sa simple multiplication arithmétique par deux restituerait alors une p-valeur absurde excédant le plafond mathématique absolu de 1,0.

Pour formuler une syntaxe bilatérale robuste et universellement valide dans Excel, il convient d’encapsuler le doublement de la loi binomiale dans la fonction MIN :
=MIN(1; 2 * LOI.BINOMIALE.N(MIN(F6; G5); F6 + G5; 0,5; VRAI))

Cette construction algorithmique garantit que le résultat demeure rigoureusement borné dans l’intervalle probabiliste légal [0, 1]. Elle offre aux investigateurs confrontés à des échantillons réduits une exactitude statistique totale, surpassant les approximations du Khi-deux continu sans nécessiter le passage par des bibliothèques de programmation externes.

9. Automatisation complète via les formules dynamiques et macros VBA dans Excel

9.1 Création d’une fonction personnalisée VBA (User-Defined Function)

Pour optimiser les processus de recherche récurrents et dispenser les analystes de reconstruire continuellement les chaînes de formules manuelles, l’environnement Microsoft Excel intègre le langage de programmation Visual Basic for Applications (VBA). La création d’une fonction personnalisée (UDF) dédiée au test de McNemar permet de regrouper la logique asymptotique, l’ajustement de Yates et le basculement automatique vers le calcul binomial exact au sein d’une seule commande unifiée.

L’ouverture de l’éditeur VBA (raccourci Alt + F11) et l’insertion d’un nouveau module standard permet d’intégrer le script de programmation structuré suivant :

Function MCNEMAR_EXCEL(cell_b As Double, cell_c As Double, Optional Mode As String = « AUTO ») As Double
    Dim n_d As Double
    Dim k As Double
    Dim Chi2 As Double
    n_d = cell_b + cell_c
    If n_d = 0 Then
        MCNEMAR_EXCEL = 1#
        Exit Function
    End If
    If Mode = « EXACT » Or (Mode = « AUTO » And n_d < 25) Then
        If cell_b < cell_c Then k = cell_b Else k = cell_c
        Dim p_val As Double
        p_val = 2# * Application.WorksheetFunction.Binom_Dist(k, n_d, 0.5, True)
        If p_val > 1# Then p_val = 1#
        MCNEMAR_EXCEL = p_val
    Else
        Chi2 = ((Abs(cell_b – cell_c) – 1#) ^ 2) / n_d
        MCNEMAR_EXCEL = Application.WorksheetFunction.ChiSq_Dist_RT(Chi2, 1)
    End If
End Function

Une fois compilée, cette fonction s’emploie directement dans n’importe quelle cellule du tableur sous la syntaxe intuitive =MCNEMAR_EXCEL(F6; G5). L’algorithme prend en charge automatiquement l’aiguillage méthodologique : si la somme des discordants est inférieure à 25, il convoque la loi binomiale exacte bilatérale ; au-delà de ce seuil, il déploie la formule du Khi-deux avec correction de Yates.

9.2 Conception d’un tableau de bord dynamique et interactif

L’exploitation contemporaine d’Excel dans les laboratoires de psychologie s’appuie désormais sur les fonctions matricielles dynamiques natives introduites dans les versions modernes d’Office 365, telles que FILTRE et UNIQUE. Ces outils autorisent la construction de tableaux de bord interactifs permettant de segmenter instantanément les résultats de McNemar selon des critères de sous-populations (genre, tranches d’âge, sévérité initiale du diagnostic).

En implantant une cellule de liste déroulante (via la Validation des données) permettant de sélectionner une strate démographique spécifique, l’extraction dynamique de la matrice d’analyse s’opère par la formule :
=FILTRE(B2:C101; D2:D101 = K1), où la colonne D contient la variable de stratification et la cellule K1 consigne le critère sélectionné.

Pour parfaire l’ergonomie visuelle et prévenir les bévues d’interprétation, la mise en forme conditionnelle doit être activement déployée sur les cellules discordantes. Une règle d’alerte basée sur la condition =(F6 + G5) < 25 peut teinter instantanément le fond des cellules en ambre, avertissant l’utilisateur que l’effectif discriminant requiert formellement le protocole binomial exact au détriment de l’approximation asymptotique du Khi-deux.

9.3 Sécurisation, validation et déploiement du modèle

Le déploiement d’un classeur d’analyse au sein d’une équipe de recherche collaborative exige une sécurisation technique rigoureuse de ses constituants. La première étape consiste à verrouiller l’ensemble des cellules hébergeant des équations fondamentales ou des constantes de test, en restreignant l’accès en écriture aux seules plages de saisie brute pré-test et post-test au moyen de la fonctionnalité « Protéger la feuille » (ruban Révision).

De surcroît, l’application de règles de validation des données sur les colonnes sources est indispensable pour interdire toute entrée incohérente. La sélection de la plage B2:C101 doit s’accompagner d’une règle n’autorisant que les « Nombres entiers » compris strictement entre 0 et 1. Toute tentative de saisie accidentelle d’une modalité aberrante (ex. 2, -1 ou un texte quelconque) est ainsi bloquée à la source par une boîte d’alerte modale bloquante.

Enfin, une documentation interne structurée au sein d’un onglet liminaire « Notice méthodologique » assure la réplicabilité du modèle scientifique. Cet onglet doit expliciter l’ensemble des conventions d’encodage, le statut des corrections de continuité appliquées et les références bibliographiques ayant présidé à l’élaboration des calculs automatisés.

10. Interprétation psychométrique et rapport académique des résultats

10.1 Calcul et interprétation de l’odds ratio apparié de McNemar

L’estimation de la seule p-valeur s’avère insuffisante pour caractériser pleinement la portée d’un résultat scientifique ; l’analyse statistique moderne exige la détermination d’une mesure d’intensité d’association standardisée. Dans le cadre exclusif des tables de contingence appariées 2×2, le rapport de cotes, ou Odds Ratio apparié (OR), ne s’établit pas par le produit croisé standard des quatre cellules mais par le quotient exclusif des effectifs discordants :

OR = b / c

Ce ratio quantifie directement la force relative de la trajectoire de transition. Une valeur d’Odds Ratio strictement supérieure à 1,0 indique que les sujets ont une propension prépondérante à basculer de l’état 1 vers l’état 0 comparativement à la transition inverse. À l’inverse, un Odds Ratio inférieur à 1,0 traduit une dynamique orientée préférentiellement du statut 0 vers le statut 1. L’implémentation sous Excel nécessite de neutraliser l’éventualité d’une division par zéro au cas où la cellule c serait nulle, en recourant à la formule :
=SI(G5 = 0; "Non défini (division par 0)"; F6 / G5)

L’intervalle de confiance à 95 % de cet Odds Ratio apparié se dérive log-linéairement sous Excel. La borne inférieure s’exécute par la syntaxe matricielle :
=EXP(LN(F6 / G5) - 1,96 * RACINE(1 / F6 + 1 / G5))
et la borne supérieure par la formule symétrique :
=EXP(LN(F6 / G5) + 1,96 * RACINE(1 / F6 + 1 / G5)). Cet intervalle constitue une estimation indispensable pour apprécier la précision du modèle clinique.

10.2 Mesure de la taille d’effet et indices de changement clinique

En complément de l’Odds Ratio, la formalisation psychométrique requiert l’évaluation de la magnitude globale de l’effet à travers des indicateurs standardisés. L’un des indices les plus réputés est le g de Jacob Cohen, spécifiquement calibré pour les proportions dépendantes. Sa formulation algébrique s’exprime par le ratio de la différence nette sur le double de l’effectif discordant total :

g = |b – c| / [2 * (b + c)]

Cette mesure est bornée sur un intervalle continu allant de 0 (symétrie et absence totale d’effet) à 0,5 (asymétrie absolue où l’un des types de transition est inexistant). Selon les critères conventionnels établis par Jacob Cohen, la magnitude de l’effet est interprétée comme suit :

• Effet faible : g avoisinant 0,05
• Effet moyen : g avoisinant 0,15
• Effet fort : g supérieur ou égal à 0,25

Un indicateur complémentaire, d’une lecture clinique immédiate, réside dans la différence de proportions marginales absolues (notée Delta), formulée par Delta = |b - c| / N, où N incarne l’effectif global de la cohorte. Cet indice traduit la proportion nette globale de l’échantillon ayant tiré un bénéfice (ou subi une altération) directement attribuable à la dynamique temporelle ou thérapeutique, établissant une distinction claire entre significativité statistique pure et pertinence clinique réelle.

10.3 Rédaction formelle des résultats selon les normes APA (7e édition)

La communication académique des résultats dans les revues affiliées à l’American Psychological Association obéit à un protocole typographique et formel d’une rigueur absolue. La mention textuelle du test de McNemar doit obligatoirement inclure l’identification de la statistique du Khi-deux, le rappel de son degré de liberté unique, la taille globale de l’échantillon N, la valeur de la statistique arrondie à deux décimales, la p-valeur exacte à trois décimales (ou la mention p < ,001 le cas échéant), ainsi que la spécification explicite de l’application de la correction de continuité de Yates.

Voici un gabarit de formulation académique directement exploitable pour un article de recherche :

« Une analyse de la symétrie marginale par le test de McNemar avec correction de continuité de Yates a été conduite afin de déterminer l’évolution du statut diagnostique des participants (rémission vs maintien du trouble) entre le pré-test et le post-test. Les analyses révèlent une modification statistiquement significative de la proportion de rémission suite à l’intervention thérapeutique, Chi²(1, N = 100) = 4,50, p = ,034, OR = 2,50, IC 95 % [1,06, 5,88], g de Cohen = 0,21. La proportion marginale de patients en rémission est passée de 40 % avant traitement à 60 % après traitement, confirmant une réorientation favorable des trajectoires comportementales. »

Il est impératif d’intégrer dans le corps du texte ou sous forme de table annexe les effectifs bruts des quatre cellules fondamentales de la matrice, permettant ainsi aux futurs méta-analystes d’extraire les données nécessaires au calcul de tailles d’effets combinées.

11. Erreurs courantes, pièges méthodologiques et dépannage dans Excel

11.1 Confusion fréquente entre tests pour échantillons indépendants et appariés

L’écueil méthodologique prédominant observé dans les manuscrits scientifiques soumis par des chercheurs débutants réside dans l’appel erroné de la fonction native =TEST.KHIDEUX(...) (ou CHISQ.TEST) sur une table de contingence 2×2 issue de mesures répétées. La fonction TEST.KHIDEUX d’Excel exécute de manière invariable le test d’indépendance de Pearson ou le test d’homogénéité marginale pour groupes non appariés.

Ce contresens algorithmique fausse la logique inférentielle à sa racine. L’équation de Pearson confronte les fréquences observées à des fréquences théoriques calculées sur le produit des marges globales, sous le postulat que les lignes et les colonnes représentent des entités distinctes indépendantes. Appliqué à des paires appariées, ce test dilue la corrélation sérielle interne propre à chaque sujet, aboutissant généralement à une inflation massive de la variance de résidu et à une incapacité pathologique à rejeter l’hypothèse nulle, masquant des effets thérapeutiques majeurs.

Avant d’initier un calcul sous Excel, l’analyste doit impérativement interroger la nature du dispositif : si les données en ligne et en colonne émanent des mêmes unités psychologiques observées à deux bornes temporelles disjointes, l’utilisation de la fonction TEST.KHIDEUX doit être formellement proscrite au profit des formules de McNemar documentées dans ce traité.

11.2 Erreurs de référencement cellulaire et inversion de diagonale

La structure géométrique d’un tableau croisé dynamique 2×2 sous Excel présente un risque insidieux d’interversion accidentelle entre la diagonale principale concordante et la diagonale secondaire discordante. Une méprise fréquente consiste à configurer les formules d’inférence en pointant sur les cellules a (1, 1) et d (0, 0) au lieu de cibler les cellules discordantes b (1, 0) et c (0, 1).

Bien que la statistique quadratique (b – c)² / (b + c) puisse parfois, par pure coïncidence numérique, renvoyer une magnitude similaire si les effectifs diagonaux sont fortuitement proches, cette interversion corrompt irrémédiablement le calcul de l’Odds Ratio, inversant le sens sémiologique des conclusions cliniques. Ce qui constituait une détérioration symptomatique se trouve ainsi abusivement présenté comme une rémission thérapeutique.

Pour immuniser le modèle contre ce péril, les en-têtes de colonnes et de lignes doivent être étiquetés sans équivoque (ex. « T1_Positif », « T1_Négatif », « T2_Positif », « T2_Négatif »). De surcroît, une formule de recoupement logique doit vérifier systématiquement que les effectifs pointés par les formules d’écart correspondent rigoureusement aux transitions d’état et non aux maintiens de statut.

11.3 Gestion des données manquantes et attrition expérimentale

Les protocoles longitudinaux en psychologie sont structurellement vulnérables au phénomène d’attrition expérimentale : des participants évalués au temps T1 abandonnent prématurément le protocole ou se soustraient à l’évaluation au temps T2 (perdus de vue). L’incorporation non régulée de ces enregistrements incomplets dans les plages de formules d’Excel engendre des distorsions mathématiques invisibles mais dévastatrices.

Par défaut, si une cellule du temps T2 est laissée vide dans la feuille de données brutes, les fonctions conditionnelles telles que NB.SI.ENS peuvent interpréter cette absence de saisie soit comme un zéro arithmétique (faussant l’attribution catégorielle en classant le sujet dans la modalité négative), soit omettre la ligne, décalant l’alignement matriciel. Pour prémunir le modèle contre ce biais :

• Une analyse rigoureuse en cas complets (complete-case analysis) doit être mise en œuvre en amont, en éliminant physiquement toute ligne d’observation présentant une lacune sur l’une des deux bornes temporelles.
• Le mécanisme régissant la disparition des données doit être testé méthodologiquement afin d’établir si les abandons relèvent d’un processus totalement aléatoire (Missing Completely at Random, MCAR) ou d’une attrition différentielle liée à l’aggravation des symptômes.
• Le flux précis des participants doit être tracé exhaustivement conformément aux normes du diagramme de flux CONSORT, garantissant une transparence absolue quant au passage de la cohorte initiale au pool effectif de paires analysées.

12. Étude de cas clinique appliquée : Évaluation de l’efficacité d’une intervention thérapeutique

12.1 Présentation du protocole expérimental et des données brutes

Afin de concrétiser l’ensemble des préceptes théoriques exposés, examinons une recherche clinique appliquée visant à tester l’efficacité d’un protocole bref de Thérapie Cognitive et Comportementale (TCC) ciblant le trouble panique avec agoraphobie. Une cohorte consécutive de cent patients (N = 100) a été soumise à une entrevue diagnostique structurée (MINI) avant le début de l’intervention (T1) et à l’issue d’un cycle de douze semaines de traitement psychothérapeutique standardisé (T2).

La variable dépendante binaire est opérationnalisée par la présence effective d’une détresse clinique invalidante liée aux attaques de panique. Elle est codée numériquement comme suit :

• Modalité 1 : Présence des critères diagnostiques du trouble panique (état actif/détresse).
• Modalité 0 : Absence de critères diagnostiques invalidants (état de rémission clinique).

L’hypothèse clinique unilatérale prédit une diminution significative de la proportion de patients manifestant le trouble entre T1 et T2. Toutefois, dans le strict respect des standards méthodologiques, l’analyse inférentielle est configurée sous la forme d’un test bilatéral conservateur afin d’accueillir d’éventuelles rechutes ou détériorations symptomatiques iatrogènes.

12.2 Déroulement intégral des calculs dans le classeur Excel

L’importation et la compilation des cent observations individuelles dans la matrice 2×2 sous Excel génèrent la répartition des fréquences conjointes suivantes au sein des cellules du tableur :

• Cellule a (T1 = 1 et T2 = 1) : 30 patients conservent leur état de détresse clinique (stabilité du trouble).
• Cellule b (T1 = 1 et T2 = 0) : 12 patients ont basculé du trouble vers la rémission clinique (amélioration thérapeutique).
• Cellule c (T1 = 0 et T2 = 1) : 14 patients initialement en rémission ont franchi le seuil diagnostique du trouble (détérioration/rechute).
• Cellule d (T1 = 0 et T2 = 0) : 44 patients demeurent asymptomatiques tout au long du protocole (stabilité saine).

L’inspection liminaire révèle un volume cumulé de discordants modéré : n_d = b + c = 12 + 14 = 26. Ce chiffre excédant tout juste le seuil critique d’alerte de 25, il autorise formellement l’application de la formule asymptotique du Khi-deux de McNemar à condition d’y incorporer scrupuleusement la correction de continuité de Yates :

1. Calcul de l’écart absolu net : |b - c| = |12 - 14| = 2
2. Déduction de la correction de continuité : |b - c| - 1 = 2 - 1 = 1
3. Élévation au carré du numérateur corrigé : 1² = 1
4. Division par l’effectif discordant total : Chi²_corrigé = 1 / 26 = 0,0384615

La dérivation de la p-valeur via la fonction Excel =LOI.KHIDEUX.DROITE(0,0384615; 1) aboutit à une probabilité de p = 0,8445. À titre de validation croisée computationnelle, l’exécution du test binomial exact unilatéral inférieur via =LOI.BINOMIALE.N(12; 26; 0,5; VRAI) restitue 0,4227, dont le doublement symétrique donne une p-valeur exacte bilatérale de p = 0,8454, confirmant la convergence quasi parfaite des deux approches d’inférence.

12.3 Interprétation clinique, discussion et conclusions scientifiques

L’analyse statistique exécutée au sein du tableur livre un verdict sans ambiguïté : la p-valeur observée (p = 0,845) excède de façon écrasante le seuil de significativité conventionnel fixé à 0,05. L’hypothèse nulle d’homogénéité marginale ne peut en aucun cas être rejetée. La statistique du Khi-deux corrigée (0,038) est infinitésimale et se situe très en deçà du seuil critique théorique de 3,841.

Sur le plan de la dynamique clinique, bien que le protocole ait permis à douze patients d’atteindre la rémission symptomatique, ce bénéfice thérapeutique a été presque rigoureusement neutralisé par l’émergence simultanée de quatorze décompensations symptomatiques au sein de la même cohorte d’observation. L’Odds Ratio apparié s’établit à OR = 12 / 14 = 0,857 (IC 95 % [0,39, 1,89]), avec un indice de taille d’effet de Cohen virtuellement nul (g = 0,038), confirmant l’absence de directionnalité privilégiée dans les transitions d’état.

Cette étude de cas illustre magistralement la puissance analytique du test de McNemar : un clinicien examinant de manière naïve et non appariée le taux global de prévalence du trouble aurait constaté que celui-ci est passé de 42 % (30 + 12) à 44 % (30 + 14), concluant sommairement à une stabilité générale de l’échantillon. Le test de McNemar révèle la dynamique cachée sous-jacente : il n’y a pas eu absence de mouvement, mais une compensation stochastique bilatérale exacte entre trajectoires d’amélioration et trajectoires d’aggravation.

En conclusion, la modélisation sous Microsoft Excel démontre qu’elle ne constitue pas un pis-aller face aux progiciels statistiques spécialisés, mais un outil d’ingénierie mathématique et psychométrique transparent, puissant et hautement pédagogique. En fournissant une visibilité complète sur la matrice de contingence, les résidus de divergence et les lois de probabilité sous-jacentes, le tableur permet aux chercheurs et cliniciens d’exercer un contrôle épistémologique absolu sur leurs données, gage indispensable de l’intégrité de la découverte scientifique.

Références

Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Edwards, A. L. (1948). Note on the « correction for continuity » in testing the significance of the difference between correlated proportions. Psychometrika, 13(3), 185-187. https://doi.org/10.1007/BF02289261

Fleiss, J. L., Levin, B., & Paik, M. C. (2003). Statistical methods for rates and proportions (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471445428

McNemar, Q. (1947). Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, 12(2), 153-157. https://doi.org/10.1007/BF02295996

Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.

Sheskin, D. J. (2020). Handbook of parametric and nonparametric statistical procedures (5th ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429186196

Yates, F. (1934). Contingency tables involving small numbers and the chi-squared test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217-235. https://doi.org/10.2307/2983604