Comment réaliser le test de Friedman dans Excel

Dans le domaine de la recherche quantitative en psychologie, en neurosciences cognitives et en sciences du comportement, l’évaluation rigoureuse des variations intra-individuelles constitue un fondement méthodologique incontournable. Lorsque des chercheurs soumettent une même cohorte de participants à plusieurs conditions expérimentales successives, ou lorsqu’ils suivent l’évolution longitudinale d’un phénomène psychologique à travers différentes phases temporelles, le plan expérimental à mesures répétées s’impose naturellement. Toutefois, les données empiriques recueillies sur le terrain clinique ou en laboratoire violent fréquemment les postulats distributionnels stricts exigés par l’analyse de variance paramétrique classique. Les distributions asymétriques, la présence de valeurs aberrantes inhérentes aux temps de réaction ou encore le caractère purement ordinal des échelles d’évaluation psychométrique rendent l’utilisation d’une ANOVA à mesures répétées théoriquement invalide et méthodologiquement contestable.

Face à ces transgressions systématiques des hypothèses de normalité et de sphéricité, le recours à la statistique non paramétrique devient impératif pour garantir la validité interne des conclusions inférentielles. Développé par l’économiste et statisticien Milton Friedman, le test éponyme représente l’alternative non paramétrique par excellence à l’ANOVA unidirectionnelle à mesures répétées. En substituant aux métriques brutes un système de classement par rangs ordonnés au niveau de chaque individu, le test de Friedman neutralise l’impact délétère des asymétries distributionnelles tout en préservant l’information relative à l’ordre des performances ou des réponses subjectives à travers les différentes conditions expérimentales testées.

Bien que des progiciels spécialisés comme SPSS, SAS, R ou JASP soient couramment mobilisés pour accomplir ces calculs, la mise en œuvre du test de Friedman au sein du tableur Microsoft Excel présente une valeur pédagogique, conceptuelle et pratique inestimable. Décomposer pas à pas le classement ordinal, l’agrégation matricielle, le calcul de la statistique de décision et l’estimation de la taille d’effet dans un environnement transparent permet au chercheur et au praticien de s’affranchir de la « boîte noire » logicielle. Ce guide exhaustif détaille chaque facette théorique, opérationnelle et analytique nécessaire pour réaliser, interpréter et communiquer un test de Friedman dans Excel avec une rigueur méthodologique répondant aux standards les plus stricts de la publication scientifique.

1. Introduction théorique et fondements du test de Friedman en psychologie

1.1 Nature et utilité du test non paramétrique de Friedman

Le test de Friedman, conceptualisé à la fin des années 1930 par Milton Friedman, est un test d’hypothèse non paramétrique conçu spécifiquement pour analyser les données issues d’un plan factoriel à mesures répétées ou d’un plan en blocs complets randomisés. Dans le paradigme méthodologique de la recherche en psychologie clinique, cognitive et sociale, les protocoles expérimentaux impliquent très souvent d’exposer les mêmes sujets à au moins trois conditions expérimentales distinctes (désignées conventionnellement par la lettre k, où k ≥ 3). Dans une telle configuration, l’outil statistique standardisé traditionnellement enseigné est l’analyse de variance (ANOVA) à mesures répétées à un facteur. Néanmoins, cette dernière repose sur des exigences strictes qui incluent la distribution normale multivariée des résidus et la fameuse condition de sphéricité de Mauchly, stipulant l’égalité des variances des différences entre toutes les paires possibles de conditions.

Dans la pratique clinique et expérimentale, ces postulats sont très rarement respectés. Les distributions des scores de dépression, d’anxiété ou de stress présentent régulièrement des asymétries positives ou négatives prononcées, tandis que les temps de réaction enregistrés lors de tâches d’attention soutenue affichent des queues de distribution étendues vers la droite. Par ailleurs, l’usage prédominant d’outils d’évaluation psychométrique reposant sur des échelles de Likert génère des données strictement ordinales pour lesquelles la notion de moyenne arithmétique et d’écart-type n’a pas de légitimité mathématique formelle. Le test de Friedman répond avec une robustesse exemplaire à ces impasses méthodologiques. En ne requérant aucune hypothèse sur la forme sous-jacente de la distribution de la population parente, il permet d’analyser des variables continues non normales aussi bien que des mesures discrètes purement ordinales, conférant une sécurité analytique optimale au chercheur.

1.2 Différenciation avec les autres tests statistiques d’hypothèse

Pour appréhender adéquatement la place du test de Friedman au sein de la taxonomie des méthodes quantitatives, il convient de le confronter aux autres outils inférentiels non paramétriques couramment employés. Une distinction conceptuelle fondamentale doit être établie vis-à-vis du test de Kruskal-Wallis. Bien que tous deux constituent des extensions non paramétriques de l’analyse de variance à au moins trois modalités (k ≥ 3), le test de Kruskal-Wallis est réservé aux devis expérimentaux à groupes indépendants, c’est-à-dire inter-sujets, où chaque participant n’est assigné qu’à une seule et unique modalité du facteur. Le test de Friedman, quant à lui, s’applique exclusivement aux devis intra-sujets (ou appariés), dans lesquels un même groupe de sujets traverse l’intégralité des modalités expérimentales.

D’autre part, le test de Friedman s’articule directement avec le test des rangs signés de Wilcoxon. De la même manière que l’ANOVA à mesures répétées constitue la généralisation du test t de Student pour échantillons appariés au-delà de deux conditions, le test de Friedman représente l’extension directe du test de Wilcoxon apparié pour k conditions expérimentales. Lorsque k = 2, le test de Friedman fournit une conclusion asymptotiquement équivalente à celle du test de Wilcoxon. L’avantage décisif du test de Friedman réside dans sa stratégie opérationnelle : plutôt que de classer globalement l’ensemble des observations de l’expérience, il opère une transformation en rangs distincte pour chaque bloc individuel. Cette conversion intra-individuelle des scores continus ou ordinaux neutralise les écarts interindividuels de base, permettant de focaliser la puissance du test sur les seules fluctuations relatives induites par les conditions expérimentales.

1.3 Formulation des hypothèses statistiques nulle et alternative

L’assise logique de l’inférence statistique via le test de Friedman repose sur la formulation rigoureuse d’un couple d’hypothèses mutuellement exclusives. L’hypothèse nulle, notée H0, postule qu’il n’existe aucune différence systématique entre les distributions des variables associées aux différentes conditions expérimentales. D’un point de vue probabiliste plus précis, H0 énonce que pour chaque sujet (ou chaque bloc), les rangs attribués aux k modalités résultent d’une permutation aléatoire équiprobable. En termes simples, cela signifie que le traitement ou le passage du temps n’exerce aucun effet directionnel et que les médianes populationnelles sous-jacentes sont strictement équivalentes à travers les k conditions de l’étude.

À l’inverse, l’hypothèse alternative, conventionnellement désignée par H1, postule qu’au moins une des conditions expérimentales tend à engendrer des valeurs systématiquement supérieures ou inférieures aux autres modalités, induisant un glissement de médiane et une distribution non aléatoire des rangs au sein des blocs. Il convient de souligner avec force que l’hypothèse alternative du test de Friedman est une hypothèse globale ou omnibus. Elle n’indique en aucun cas quelles sont les modalités spécifiques qui se différencient mutuellement, ni la direction de ces divergences. L’obtention d’un résultat statistiquement significatif au terme du test de Friedman implique uniquement le rejet de l’équiprobabilité des classements, rendant indispensable la mise en place subséquente de procédures d’analyse post-hoc pour localiser avec précision les contrastes empiriques significatifs.

2. Conditions d’application et postulats méthodologiques

2.1 Structure des données et plan d’échantillonnage

La validité des inférences tirées à partir du test de Friedman est conditionnée par le respect de critères méthodologiques précis touchant à la nature des variables et à la structuration du devis expérimental. La variable indépendante doit obligatoirement être un facteur qualitatif nominal ou ordinal comportant un nombre fini k de niveaux ou modalités répétées, avec la contrainte stricte que k soit supérieur ou égal à trois. Si le chercheur dispose uniquement de deux conditions expérimentales, l’emploi du test des rangs signés de Wilcoxon pour séries appariées doit être privilégié, car il offre une meilleure puissance statistique exacte et une modélisation plus directe des différences intra-paires.

La variable dépendante, pour sa part, doit être mesurée au minimum sur une échelle ordinale. Elle peut consister en un score sur une échelle de type Likert (par exemple, une échelle d’évaluation de la détresse psychologique en 5 ou 7 points), un rang d’ordre de préférence, ou une mesure quantitative continue d’intervalle ou de rapport (telle qu’un temps de réaction en millisecondes ou une concentration sérique de cortisol). En outre, la structure des données impose un appariement parfait : chaque bloc individuel doit avoir été évalué sous chacune des k conditions sans aucune exception. La présence d’une seule observation manquante pour un participant donné invalide la structure matricielle équilibrée requise par le calcul des rangs de Friedman. Face à des données manquantes, le chercheur doit soit recourir à des méthodes d’imputation valides, soit exclure le participant de l’analyse, soit s’orienter vers des modèles mixtes plus flexibles mais plus complexes.

2.2 Indépendance inter-sujets et homogénéité des blocs

Bien que le test de Friedman gère explicitement la dépendance intra-sujet inhérente aux mesures répétées, il repose sur le postulat impérieux d’indépendance mutuelle entre les différents blocs ou participants de l’échantillon. Cela signifie que la réponse ou le comportement d’un sujet i ne doit exercer aucune influence, directe ou indirecte, sur les réponses fournies par le sujet j. Dans le contexte des recherches en psychologie, ce postulat requiert un protocole d’administration strict : les passations doivent s’effectuer de manière individuelle et isolée, en évitant les effets de groupe, la contagion sociale ou la communication entre sujets expérimentaux.

Parallèlement, la comparabilité des blocs au sein du plan expérimental doit être préservée par un contrôle méthodique rigoureux. Dans les protocoles à mesures répétées, les données sont particulièrement vulnérables aux menaces pesant sur la validité interne, telles que les effets de fatigue, de lassitude, d’habituation ou d’apprentissage moteur et cognitif. Pour s’assurer que les rangs attribués traduisent fidèlement l’effet de la variable indépendante et non un artefact lié à la chronologie des mesures, l’expérimentateur doit systématiquement recourir à des procédures de contrebalancement des conditions, par exemple par le biais d’un carré latin équilibré ou d’une randomisation complète de l’ordre d’administration des modalités pour chaque participant.

2.3 Considérations relatives à la taille de l’échantillon

L’estimation de la probabilité critique (la p-valeur) associée au test de Friedman repose le plus fréquemment sur une approximation asymptotique de la statistique de test par la loi du Chi-carré (χ²). Cette approximation n’est théoriquement et empiriquement fiable que lorsque l’échantillon comprend un effectif suffisant. En règle générale, la littérature méthodologique s’accorde sur le fait que l’approximation par le Chi-carré est valide dès lors que le nombre de sujets n est supérieur ou égal à 10 lorsque k = 3 ou 4, ou dès que k ≥ 5 pour des échantillons plus restreints. Lorsque la taille de l’échantillon descend en dessous de ces seuils critiques (par exemple pour n < 6), la distribution d’échantillonnage exacte de la statistique de Friedman s’écarte sensiblement de la courbe continue théorique du Chi-carré.

Dans de telles configurations de petits échantillons, l’utilisation aveugle de l’approximation par le Chi-carré majore le risque d’erreur de type I (rejet à tort de l’hypothèse nulle) ou altère gravement la puissance statistique du test. Bien qu’Excel utilise par défaut la distribution continue du Chi-carré via ses fonctions intégrées, le praticien confronté à un très petit échantillon devra comparer sa statistique observée aux tables des distributions exactes de Friedman établies par combinatoire. En ce qui concerne la sensibilité analytique face aux asymétries prononcées, le test de Friedman conserve une excellente puissance relative par rapport aux approches paramétriques standard, particulièrement lorsque la taille d’échantillon est modérée et que les données présentent des traînes distributives lourdes ou des scores plafonds/planchers.

3. Structuration et organisation de la feuille de calcul Excel

3.1 Disposition matricielle standardisée des observations

La première phase opérationnelle pour exécuter le test de Friedman dans Microsoft Excel réside dans l’agencement méthodique et standardisé des données brutes au sein de la feuille de calcul. Contrairement au format dit « long » fréquemment privilégié dans les bases de données relationnelles ou les progiciels comme R (où chaque ligne représente une mesure unique), le calcul manuel ou semi-automatisé sous Excel requiert impérativement une présentation matricielle en format « large ». Dans cette configuration spatiale, les participants ou unités expérimentales sont disposés le long des lignes du tableau, tandis que les différentes conditions expérimentales occupent les colonnes successives.

Considérons, à titre d’exemple clinique appliqué qui servira de fil conducteur à l’ensemble de ce guide, une étude portant sur l’efficacité comparée de trois interventions pharmacologiques distinctes (Traitement A, Traitement B et Traitement C) administrées de manière croisée à une cohorte de dix patients souffrant de troubles de l’attention. La variable dépendante mesurée correspond au temps moyen d’inhibition cognitive exprimé en millisecondes au test de Stroop. La première colonne de la feuille de calcul (colonne A) recevra les identifiants univoques des sujets (de « Patient 01 » en ligne 2 à « Patient 10 » en ligne 11). Les colonnes adjacentes B, C et D contiendront respectivement les valeurs numériques associées au Traitement A, au Traitement B et au Traitement C pour chacun des participants. Il est essentiel de s’assurer du format typologique strict des cellules : celles-ci doivent être paramétrées en type numérique standard et exemptes de caractères textuels ou d’espaces invisibles susceptibles d’induire des erreurs d’évaluation lors de l’application ultérieure des fonctions matricielles.

3.2 Création d’une zone dédiée à l’analyse non paramétrique

Afin de préserver une lisibilité irréprochable et de prévenir les écueils d’écrasement de formules, il est fortement recommandé d’isoler la table des données initiales de la zone consacrée au traitement non paramétrique. La meilleure pratique consiste à dupliquer la structure des en-têtes quelques lignes plus bas ou sur une plage latérale dédiée. Nous réserverons la plage F2:H11 pour implanter la matrice des rangs intra-individuels, où chaque cellule contiendra le rang relatif de la performance du patient pour la condition considérée. Les en-têtes de colonnes en F1, G1 et H1 reprendront fidèlement les libellés « Rang Traitement A », « Rang Traitement B » et « Rang Traitement C ».

De surcroît, la conception d’un bloc de métadonnées paramétriques s’avère indispensable pour garantir le dynamisme et l’évolutivité du modèle d’analyse. Dans une zone adjacente clairement délimitée (par exemple en cellules J2:K6), le praticien définira les constantes structurelles du protocole expérimental. La cellule K2 hébergera le nombre d’observations ou de blocs, désigné par la variable n, calculé dynamiquement par la formule =NBVAL(A2:A11) ou =NB(B2:B11). La cellule K3 contiendra le nombre de conditions répétées, désigné par la variable k, calculé via la syntaxe =COLONNES(B2:D2). L’intégration précoce de ces références automatisées facilitera grandement l’élaboration des équations arithmétiques ultérieures en évitant l’encodage rigide de constantes numériques dans les barres de formules.

4. Étape 1 : Calcul des rangs intra-sujets avec la fonction RANG.MOYENNE

4.1 Syntaxe et logique de la fonction de classement

L’opération fondamentale constitutive du test de Friedman réside dans le remplacement des métriques brutes individuelles par des rangs ordinaux attribués de manière strictement interne à chaque bloc de sujet. Pour chaque ligne de données correspondant à un participant spécifique, les valeurs obtenues sous les k conditions doivent être ordonnées de la plus faible à la plus élevée (ou inversement, selon la métrique psychologique étudiée), en assignant la valeur 1 à la condition manifestant la magnitude minimale, la valeur 2 à la suivante, et la valeur k à la condition présentant la valeur la plus haute. Pour opérer ce classement dans Microsoft Excel, l’usage de la fonction contemporaine RANG.MOYENNE (correspondant à RANK.AVG dans les versions anglophones) est strictement obligatoire.

La syntaxe canonique de la fonction s’articule autour de trois arguments précis : RANG.MOYENNE(nombre; référence; [ordre]). Le premier argument, nombre, désigne la cellule dont on recherche le rang ordinal au sein de la ligne. Le second argument, référence, délimite l’ensemble de la série de valeurs à laquelle la cellule cible doit être comparée. Le troisième argument, facultatif mais ici capital, est l’argument ordre. Si cet argument est omis ou fixé à 0, Excel classe les valeurs par ordre décroissant (attribuant le rang 1 à la valeur la plus volumineuse). Or, dans l’immense majorité des devis de temps de réaction ou d’évaluation clinique, la convention scientifique requiert un classement croissant où une performance rapide ou un score bas reçoit le premier rang. On assignera donc explicitement la valeur 1 à cet argument.

4.2 Implémentation technique de la formule ligne par ligne

Pour concrétiser cette transformation ordinale dans notre matrice d’analyse, positionnez le curseur sur la cellule F2, destinée à recevoir le rang du premier patient pour le Traitement A. La formule exacte à saisir s’énonce comme suit : =RANG.MOYENNE(B2; $B2:$D2; 1). L’analyse de cette écriture révèle un détail technique d’une importance capitale : l’usage rigoureux d’une référence semi-absolue pour la plage de comparaison $B2:$D2. Le verrouillage des colonnes par le préfixe dollar ($B et$D) garantit que lors de l’étirement horizontal de la formule vers la droite (en colonnes G et H), la plage de référence demeure inaltérable et circonscrite aux trois traitements du patient 1, tout en autorisant l’incrémentation automatique de la ligne lors de l’étirement vertical vers le bas.

Une fois la formule saisie et validée en F2, il suffit de la copier horizontalement jusqu’à la cellule H2. À ce stade, la cellule G2 contiendra =RANG.MOYENNE(C2; $B2:$D2; 1) et la cellule H2 affichera =RANG.MOYENNE(D2; $B2:$D2; 1). Les trois cellules de la plage F2:H2 affichent alors la permutation des rangs (allant de 1 à 3) pour le Patient 01. L’étape suivante consiste à sélectionner le bloc F2:H2 et à le recopier verticalement vers le bas jusqu’à la ligne 11. En une fraction de seconde, l’ensemble de la matrice de données quantitatives est converti en une matrice ordinale intra-sujet rigoureuse, standardisée et entièrement dynamique.

4.3 Contrôle de conformité de la matrice des rangs

Avant d’engager les calculs d’agrégation d’ordre supérieur, une validation méthodologique de la matrice des rangs nouvellement générée s’impose. En vertu des lois fondamentales de la combinatoire arithmétique, la somme des entiers successifs de 1 à k pour n’importe quelle séquence non répétée est invariablement égale à la constante théorique définie par la relation :

Somme théorique = k * (k + 1) / 2

Dans le cadre de notre étude où k = 3 conditions expérimentales, chaque ligne individuelle de la matrice des rangs doit impérativement produire une somme égale à 3 * (3 + 1) / 2 = 6, et ce, qu’il existe ou non des valeurs ex æquo (puisque le partage des rangs moyens conserve strictement la masse totale des rangs). Pour vérifier ce postulat de manière systématique, nous insérons une colonne de contrôle en colonne I, intitulée « Validation Ligne ». En cellule I2, implémentez la formule logique suivante : =SOMME(F2:H2)=($K$3*($K$3+1)/2). En étirant cette formule jusqu’à la cellule I11, chaque cellule doit impérativement renvoyer la valeur booléenne VRAI. L’apparition d’un indicateur FAUX signalerait une altération fatale dans l’adressage des cellules lors de l’étirement de la formule RANG.MOYENNE, nécessitant une correction immédiate avant toute poursuite analytique.

5. Gestion mathématique des ex æquo dans Microsoft Excel

5.1 Comportement natif de RANG.MOYENNE face aux égalités

Dans l’évaluation psychométrique ou chronométrique des comportements humains, la survenue de scores rigoureusement identiques pour un même sujet à travers différentes conditions est un événement fréquent, tout particulièrement lorsque la variable dépendante est mesurée sur une échelle ordinale discrète à faible amplitude (comme une échelle de Likert en 5 points). Lorsqu’une telle égalité (ou ex æquo) se produit au sein d’une ligne, la fonction statistique historique d’Excel RANG ou sa déclinaison contemporaine RANG.EQ assigne le rang le plus élevé à toutes les valeurs concordantes, faussant ainsi artificiellement la somme des rangs et la variance de l’échantillon.

C’est précisément ici que réside la supériorité méthodologique de la fonction RANG.MOYENNE. En cas d’ex æquo, celle-ci calcule la moyenne arithmétique exacte des rangs théoriques que ces observations auraient occupés si elles avaient été infinitésimalement distinctes. Si un patient obtient un score identique pour deux conditions qui auraient dû occuper les rangs 1 et 2, la fonction leur assigne à chacune le rang moyen de (1 + 2) / 2 = 1,5. Si trois conditions s’avèrent strictement indiscernables pour les rangs 1, 2 et 3, le rang (1 + 2 + 3) / 3 = 2 sera alloué aux trois cellules. Ce comportement préserve scrupuleusement la somme théorique marginale de chaque bloc, garantissant la stabilité mathématique des étapes ultérieures de l’algorithme de Friedman.

5.2 Formule de correction pour les ex æquo fréquents

Bien que l’usage de RANG.MOYENNE neutralise la dérive de la somme des rangs, la présence d’un volume significatif d’ex æquo induit une réduction systématique de la variance intra-bloc des classements. Pour pallier cette sous-estimation de la dispersion qui tend à rendre le test de Friedman artificiellement conservateur (diminuant indûment la puissance statistique du test et augmentant le risque d’erreur de type II), la littérature statistique standard (Siegel & Castellan, 1988) a formalisé un facteur correctif d’ex æquo. Ce coefficient d’ajustement, désigné par C, est modélisé par l’expression mathématique :

C = 1 – [ Σ(t_i^3 – t_i) / (n * k * (k^2 – 1)) ]

Dans cette équation, t_i représente le nombre d’observations liées (égalités) au sein d’un groupe d’ex æquo donné pour un bloc spécifique. Lorsque l’ensemble des rangs est constitué d’entiers distincts sans aucun lien, le terme de sommation Σ(t_i^3 – t_i) s’annule rigoureusement, et le facteur C prend exactement la valeur 1. En revanche, lorsque des nœuds d’ex æquo se multiplient, C devient strictement inférieur à 1. La statistique de Friedman non corrigée devra alors être divisée par ce coefficient C, ce qui rehaussera mécaniquement la valeur du test pour restaurer sa pleine sensibilité analytique. Dans Excel, si vos données comportent une proportion marginale d’égalités (par exemple un seul ex æquo sur toute la matrice), l’omission du facteur n’aura qu’une répercussion infinitésimale sur la p-valeur. Néanmoins, pour des données massives issues d’échelles ordinales courtes, l’implémentation de ce calcul d’ajustement via des cellules auxiliaires devient indispensable pour atteindre une conformité académique absolue.

6. Étape 2 : Agrégation des rangs et calcul des sommes marginales

6.1 Calcul de la somme des rangs par condition

La deuxième grande étape procédurale du calcul consiste à agréger les classements individuels au niveau de chaque condition expérimentale pour quantifier la tendance globale de l’effet de traitement. Cette métrique d’intérêt central, désignée conventionnellement par la notation R_j, représente la somme marginale des rangs obtenus par la condition expérimentale j à travers l’ensemble des n participants de l’échantillon. Dans notre modèle de feuille de calcul, cette opération s’exécute directement à la base de la matrice ordinale.

Positionnez-vous sur la ligne immédiatement inférieure au dernier sujet, à savoir la ligne 12. Dans la cellule F12, correspondant au Traitement A, insérez la formule de sommation élémentaire : =SOMME(F2:F11). Copiez ensuite cette formule par étirement horizontal vers les cellules adjacentes G12 (Traitement B) et H12 (Traitement C). Les trois cellules résultantes affichent respectivement les valeurs de R_1, R_2 et R_3. Pour s’assurer de l’infaillibilité mathématique de cette sommation globale, une vérification immédiate de fermeture algébrique s’impose. La somme cumulative de toutes les valeurs R_j doit impérativement correspondre au produit du nombre de participants par la constante de somme d’une ligne, modélisé par :

Somme totale des rangs = n * k * (k + 1) / 2

Dans notre cas de figure avec n = 10 et k = 3, la sommation globale des cellules F12, G12 et H12 doit égaler rigoureusement 10 * 3 * 4 / 2 = 60. Vous pouvez valider cette identité dans une cellule périphérique en programmant : =SOMME(F12:H12)=($K$2*$K$3*($K$3+1)/2). L’obtention de la valeur VRAI confirme que la masse totale des classements est parfaitement répartie entre les conditions expérimentales sans la moindre déperdition métrique.

6.2 Élévation au carré des sommes marginales

Dans la logique de l’analyse de variance sur rangs, la détection d’un effet systématique de traitement repose sur l’évaluation de l’hétérogénéité des sommes marginales R_j. Si l’hypothèse nulle est vraie, les rangs moyens de chaque condition devraient être approximativement équivalents et osciller autour d’une valeur centrale théorique égale à n * (k + 1) / 2 (soit 10 * 4 / 2 = 20 dans notre exemple). À l’inverse, si l’hypothèse alternative se vérifie, certaines conditions accumuleront des rangs très faibles tandis que d’autres concentreront des rangs particulièrement élevés, engendrant une dispersion substantielle de leurs sommes marginales.

Pour quantifier cette variabilité inter-conditions, l’algorithme de Friedman impose d’élever au carré la somme des rangs de chaque modalité, produisant les termes notés R_j^2. Sur la ligne 13 de notre tableau Excel, insérez en cellule F13 l’instruction : =F12^2. Étirez cette commande sur les cellules G13 et H13 pour obtenir respectivement R_B^2 et R_C^2. Enfin, l’élément d’entrée déterminant pour l’équation finale réside dans la sommation de ces carrés marginaux, désignée mathématiquement par l’expression Σ(R_j^2). Dans la cellule I13 ou dans une cellule récapitulative dédiée, vous pouvez accomplir cette agrégation soit en écrivant =SOMME(F13:H13), soit directement en combinant les étapes antérieures à l’aide de la formule matricielle native : =SOMME.CARRES(F12:H12). Cette valeur numérique condensée constitue le moteur arithmétique de la statistique de décision.

7. Étape 3 : Calcul de la statistique de test Q de Friedman

7.1 Décomposition algébrique de l’équation standard

La statistique de décision du test de Friedman, historiquement désignée par la lettre Q ou par la notation χ²_F (pour souligner son assimilation asymptotique à une distribution du Chi-carré), repose sur une formulation algébrique élégante décomposant la déviation quadratique des rangs observés par rapport aux rangs attendus sous l’hypothèse nulle. Dans sa version standardisée classique (sans ajustement d’ex æquo), l’équation formelle s’articule comme suit :

Q = [ 12 / (n * k * (k + 1)) ] * Σ(R_j^2) – [ 3 * n * (k + 1) ]

Cette expression mathématique se subdivise en trois composantes distinctes hautement significatives :

• Le premier facteur, 12 / [n * k * (k + 1)], constitue un coefficient multiplicatif de standardisation. Le numérateur 12 est directement issu du calcul de la variance d’une distribution uniforme discrète continue de nombres entiers (dont la variance théorique vaut (k^2 – 1) / 12). Ce ratio ajuste l’échelle de la statistique en fonction de la taille de l’échantillon n et de l’étendue de l’espace des permutations k.
• Le terme central, Σ(R_j^2), représente la somme des carrés des sommes marginales de rangs établie à la section précédente. Plus ce terme est volumineux, plus la dissociation des rangs entre les différentes modalités expérimentales est marquée.
• Le second terme soustractif, 3 * n * (k + 1), agit comme une constante de centrage d’échelle. Il correspond à la valeur attendue mathématique de la somme standardisée des carrés sous la validité absolue de l’hypothèse nulle H0. La soustraction de cette constante garantit que lorsque les rangs moyens sont uniformément distribués entre les conditions, la statistique Q prend une valeur proche de zéro.

7.2 Traduction syntaxique directe dans la barre de formule Excel

L’implémentation de cette équation dans Microsoft Excel doit être menée avec une rigueur absolue quant à l’ordre de priorité des opérateurs arithmétiques et à l’encapsulation des parenthèses. Nous assignerons la cellule K8 de notre bloc de résultats pour héberger la statistique Q brute. En exploitant les cellules de paramètres n (cellule K2), k (cellule K3) et la somme des carrés des rangs calculée en I13, la syntaxe Excel la plus transparente et la plus robuste s’écrit :

=(12 / ($K$2 * $K$3 * ($K$3 + 1))) * I13 – (3 * $K$2 * ($K$3 + 1))

Pour illustrer concrètement ce calcul à partir de données numériques réalistes, supposons que notre expérience sur les 10 patients (n = 10, k = 3) produise les sommes de rangs suivantes : R_A = 12 (Traitement A très efficace avec des temps de réaction rapides), R_B = 19 (Traitement B intermédiaire) et R_C = 29 (Traitement C peu performant avec des temps très élevés). La somme totale des rangs vérifie parfaitement 12 + 19 + 29 = 60. Les carrés des sommes marginales sont respectivement 12^2 = 144, 19^2 = 361 et 29^2 = 841. La sommation des carrés Σ(R_j^2) en cellule I13 est donc égale à 144 + 361 + 841 = 1346.

En substituant ces métriques dans notre équation au sein d’Excel :

• Premier terme : 12 / (10 * 3 * (3 + 1)) = 12 / 120 = 0,10.
• Produit intermédiaire : 0,10 * 1346 = 134,60.
• Terme de centrage soustractif : 3 * 10 * (3 + 1) = 30 * 4 = 120.
• Statistique finale : Q = 134,60 – 120 = 14,60.

La cellule K8 affiche ainsi avec une netteté totale la valeur empirique Q = 14,60.

7.3 Prise en compte du facteur de correction des liens

Si la matrice ordinale comporte des ex æquo, la statistique Q brute calculée ci-dessus tend à être légèrement sous-estimée. Pour parvenir à une précision mathématique irréprochable identique à celle délivrée par les moteurs computationnels de R ou de SPSS, la statistique corrigée des égalités (notée Q_corrigé) est calculée en divisant la valeur brute de Q par le facteur correctif C décrit précédemment à la sous-section 5.2 :

Q_corrigé = Q / C

Dans l’éventualité où aucun ex æquo n’est présent dans le tableau de données, le coefficient C vaut exactement 1, ce qui rend Q_corrigé strictement identique à Q. Dans notre exemple des 10 patients sous les trois traitements psychotropes, si aucune égalité de score n’a été enregistrée au sein d’un même patient, la statistique observée finale demeure 14,60. Dans le cas contraire, si quelques égalités ont nécessité l’usage de rangs moyens (par exemple des rangs 1,5), la valeur de C s’abaisserait légèrement (par exemple à 0,985), portant la statistique Q_corrigé à 14,60 / 0,985 = 14,82. La cellule K9 de notre tableau récapitulatif pourra ainsi accueillir la formule conditionnelle : =SI(C=1; K8; K8/C), offrant une adaptabilité algorithmique sans faille à toute éventualité empirique.

8. Étape 4 : Détermination des degrés de liberté et déduction de la p-valeur

8.1 Calcul des degrés de liberté du modèle

Pour déterminer si la statistique de décision Q obtenue témoigne d’un effet scientifiquement significatif ou si elle relève simplement de fluctuations d’échantillonnage aléatoires, il est impératif de situer cette valeur au sein de la distribution théorique appropriée. Sous l’hypothèse nulle et sous réserve que la taille de l’échantillon soit adéquate, la statistique Q de Friedman suit asymptotiquement la distribution de probabilité continue du Chi-carré (χ²). Cette distribution théorique est paramétrée par un indicateur fondamental : les degrés de liberté (notés ddl ou df pour degrees of freedom).

Dans le test de Friedman, le nombre de degrés de liberté est exclusivement déterminé par le nombre de conditions répétées k, indépendamment de la taille de l’échantillon n. L’équation canonique s’énonce simplement :

ddl = k – 1

Cette propriété s’explique aisément par la structure du devis : puisque la somme des rangs attribués au sein de chaque ligne individuelle est rigoureusement contrainte par la constante k(k+1)/2, dès lors que les rangs de k – 1 conditions sont alloués, le rang de la dernière condition est mathématiquement déterminé et dépourvu de toute liberté de variation. Dans notre modèle Excel, nous implémentons ce calcul en cellule K10 au moyen de la formule élémentaire : =$K$3 – 1. Pour notre étude portant sur 3 traitements, nous obtenons donc rigoureusement ddl = 3 – 1 = 2 degrés de liberté.

8.2 Calcul de la probabilité critique unilatérale sous Excel

L’estimation de la probabilité critique (la fameuse p-valeur) consiste à déterminer la probabilité d’obtenir, par pur hasard sous la validité de l’hypothèse nulle, une statistique de test au moins aussi extrême que la valeur empirique Q observée dans notre échantillon. Puisque toute divergence entre les distributions des traitements majore positivement la sommation des carrés des rangs, le test de Friedman est par essence un test unilatéral à droite : la zone de rejet de l’hypothèse nulle se situe exclusivement dans la queue supérieure de la distribution du Chi-carré.

Dans Microsoft Excel, l’estimation de cette probabilité de dépassement s’effectue avec une précision exemplaire grâce à la fonction contemporaine LOI.KHIDEUX.DROITE (disponible depuis Excel 2010 pour remplacer l’ancienne fonction LOI.KHIDEUX). La syntaxe de cette fonction requiert deux arguments : LOI.KHIDEUX.DROITE(x; degrés_liberté). Dans la cellule K11 de notre feuille, nous saisissons l’instruction :

=LOI.KHIDEUX.DROITE(K8; K10)

En injectant notre statistique Q = 14,60 et nos ddl = 2, la fonction calcule avec exactitude l’intégrale de la fonction de densité de probabilité du Chi-carré de 14,60 à l’infini. Le résultat renvoyé par Excel affiche la valeur p = 0,000675 (soit p < 0,001). Cette probabilité infinitésimale démontre qu’il n’y a qu’environ 7 chances sur 10 000 d’observer une telle disparité dans l’ordonnancement des temps de réaction sous l’hypothèse d’une stricte équivalence d’action des trois traitements psychotropes.

8.3 Extraction de la valeur critique théorique

Pour enrichir la grille d’analyse et satisfaire aux exigences pédagogiques traditionnelles, il est hautement formateur de confronter la statistique observée à la valeur critique théorique du Chi-carré correspondant au seuil de risque α choisi a priori (conventionnellement fixé à α = 0,05 dans les sciences humaines et biomédicales). Cette valeur critique délimite la frontière géométrique exacte au-delà de laquelle la zone de rejet de l’hypothèse nulle est enclenchée.

Dans Excel, l’extraction de ce point de coupure théorique est réalisée via la fonction réciproque LOI.KHIDEUX.INVERSE.DROITE, dont la syntaxe s’énonce : LOI.KHIDEUX.INVERSE.DROITE(probabilité; degrés_liberté). En cellule K12, fixez le seuil alpha à 0,05, puis programmez en cellule K13 :

=LOI.KHIDEUX.INVERSE.DROITE(K12; K10)

Pour un seuil α = 0,05 et 2 degrés de liberté, Excel restitue la valeur critique théorique standard : χ²_critique = 5,991. La règle de décision inférentielle formelle s’énonce alors selon une double formulation rigoureusement équivalente :

• Si la p-valeur calculée est strictement inférieure au seuil alpha (α = 0,05), l’hypothèse nulle H0 est rejetée.
• Si la statistique observée Q est strictement supérieure à la valeur critique χ²_critique (ici 14,60 > 5,991), l’hypothèse nulle H0 est rejetée avec un niveau de confiance de 95 %.

9. Interprétation statistique et calcul de la taille d’effet

9.1 Critères de décision statistique et seuil alpha

L’aboutissement de la phase inférentielle réside dans la formulation d’une conclusion scientifique rigoureuse étayée par les critères de décision statistique préalablement établis. Dans le cadre de notre étude empirique sur l’inhibition cognitive sous l’effet de différents psychotropes, la p-valeur observée de 0,000675 se situe largement sous le seuil d’erreur de première espèce (α = 0,05 et même sous le seuil très strict de α = 0,001). Par conséquent, le chercheur rejette catégoriquement l’hypothèse nulle d’égalité des distributions conditionnelles.

D’un point de vue clinique et comportemental, ce rejet implique qu’il existe une différence statistiquement significative et hautement reproductible entre les temps d’inhibition des dix patients selon le traitement administré. Les trois molécules pharmacologiques n’induisent pas un niveau de performance équivalent sur les processus d’attention sélective. Toutefois, comme mentionné lors de l’exposé des fondements théoriques, la statistique globale Q de Friedman est une analyse omnibus : à ce stade de l’investigation, nous pouvons affirmer avec certitude qu’au moins une condition diffère des autres, mais il nous est rigoureusement impossible d’isoler si le Traitement A surpasse individuellement le Traitement B, si le Traitement B surpasse le C, ou si seul le Traitement A se dissocie du Traitement C.

9.2 Estimation de la taille d’effet par le W de Kendall

La simple déclaration d’une significativité statistique (p < 0,05) est notoirement insuffisante dans la pratique scientifique contemporaine, dans la mesure où la p-valeur est fortement tributaire de la taille de l’échantillon n. Un effet minime et sans aucune pertinence clinique peut devenir statistiquement significatif au sein d’un très large échantillon, tandis qu’un effet massif peut échouer à franchir le seuil alpha au sein d’un groupe restreint. Pour évaluer la magnitude concrète de l’effet de traitement et faciliter les comparaisons méta-analytiques, l’estimation d’une taille d’effet standardisée est impérative.

Pour le test de Friedman, l’indice de taille d’effet par excellence est le coefficient de concordance W de Kendall. Cet indice reflète le degré d’accord ou de consensus entre les différents participants dans leur façon de classer les conditions expérimentales. Le W de Kendall est mathématiquement lié à la statistique Q de Friedman par la relation biunivoque suivante :

W = Q / [ n * (k – 1) ]

Le coefficient W est une métrique bornée variant de 0 (absence totale d’accord entre les sujets, distribution anarchique et purement aléatoire des rangs) à 1 (accord unanime et parfait de l’ensemble des n participants sur le classement hiérarchique absolu des k conditions). Dans notre feuille Excel, implémentez ce calcul en cellule K14 par la syntaxe directe : =K8 / ($K$2 * ($K$3 – 1)). Dans notre exemple appliqué, nous obtenons :

W = 14,60 / [ 10 * (3 – 1) ] = 14,60 / 20 = 0,730

Pour interpréter l’ampleur de ce coefficient, la communauté scientifique se réfère couramment à la grille d’interprétation conventionnelle adaptée des travaux de Cohen :

• W < 0,10 : Effet négligeable.
• 0,10 ≤ W < 0,30 : Effet faible (faible concordance intra-sujet).
• 0,30 ≤ W < 0,50 : Effet modéré (tendance convergente nette).
• W ≥ 0,50 : Effet fort ou prononcé (très forte concordance inter-juges ou inter-blocs).

Avec un indice W = 0,730, nous pouvons conclure que l’effet des traitements psychotropes sur l’inhibition cognitive est particulièrement puissant : 73 % de la concordance maximale théorique observable dans le classement des performances est effectivement constatée dans notre échantillon clinique.

10. Procédures de tests post-hoc et comparaisons multiples

10.1 Nécessité de tests post-hoc après rejet de l’hypothèse nulle

Lorsque le test omnibus de Friedman conclut à un rejet hautement significatif de l’hypothèse nulle (comme dans notre exemple où p = 0,000675), le travail analytique du chercheur n’est que partiellement achevé. Il devient indispensable d’identifier les paires spécifiques de conditions qui manifestent des divergences statistiquement fiables. Cette exploration est dévolue aux procédures de tests d’hypothèse dits post-hoc (comparaisons multiples a posteriori).

Cependant, la conduite d’une série de tests d’hypothèse successifs sur un même jeu de données expose l’analyste à un péril méthodologique redoutable : l’inflation cumulative de l’erreur de première espèce (α), communément désignée sous le terme de risque d’erreur par famille d’hypothèses (family-wise error rate). Si un chercheur conduit m tests statistiques indépendants au seuil nominal α = 0,05, la probabilité globale de commettre au moins une fausse alerte (rejeter indûment au moins une hypothèse nulle vraie) s’élève à 1 – (1 – α)^m. Pour un plan à k = 3 conditions, le nombre total de comparaisons binaires possibles s’établit selon la combinatoire :

m = k * (k – 1) / 2

Soit 3 * 2 / 2 = 3 comparaisons (Traitement A vs B, Traitement A vs C, et Traitement B vs C). Sans correction adaptée, le risque d’erreur de première espèce global atteindrait 1 – (1 – 0,05)^3 = 14,3 %, ce qui constitue une dégradation inacceptable de la rigueur inférentielle.

10.2 Application du test de Wilcoxon apparié sous Excel

L’approche non paramétrique canonique pour orchestrer des comparaisons post-hoc après un test de Friedman consiste à appliquer le test des rangs signés de Wilcoxon pour chaque paire de conditions appariées. Pour mettre en œuvre ce test sous Excel sur la première paire (Traitement A vs Traitement B) :

1. Calculez la différence algébrique intra-sujet pour chaque ligne en soustrayant le score de la condition B de celui de la condition A (cellule M2 : =B2 – C2).
2. Isolez les valeurs absolues de ces écarts dans une colonne adjacente (cellule N2 : =ABS(M2)). Si une différence est strictement égale à zéro (score identique pour les deux modalités), la convention standard de Wilcoxon impose d’éliminer cette observation du calcul du test binaire.
3. Attribuez un rang ordinal à chacune de ces valeurs absolues non nulles au moyen de la fonction RANG.MOYENNE appliquée verticalement sur l’ensemble de la colonne des écarts (cellule O2 : =RANG.MOYENNE(N2; $N$2:$N$11; 1)).
4. Séparez ensuite ces rangs en deux colonnes distinctes selon le signe de la différence initiale : les rangs positifs (si la différence brute en M2 est strictement supérieure à zéro) et les rangs négatifs (si M2 est strictement inférieure à zéro).
5. Sommez l’ensemble des rangs positifs d’une part (notée W+) et l’ensemble des rangs négatifs d’autre part (notée W-). La statistique de décision formelle du test de Wilcoxon apparié, désignée par T, correspond au plus petit de ces deux totaux : T = MIN(W+; W-).

Pour un échantillon de n = 10, la p-valeur exacte bilatérale associée à cette statistique T peut être obtenue en confrontant T aux tables exactes de distribution de Wilcoxon, ou en calculant sa transformation en score standard Z lorsque n est supérieur à 15.

10.3 Ajustement du seuil de significativité par la méthode de Bonferroni

Pour juguler l’inflation du risque d’erreur de type I évoquée précédemment, l’analyste doit appliquer une procédure de contrôle rigoureuse. La technique classique la plus universellement reconnue dans la littérature psychologique et médicale est la correction de Bonferroni. Cette méthode hautement conservatrice ajuste le seuil d’acceptabilité alpha pour chaque contraste individuel selon l’équation :

α_ajusté = α / m

Dans notre cas de figure comportant m = 3 contrastes possibles et un seuil initial fixé à 0,05, le seuil de décision ajusté pour chaque comparaison par paire devient :

α_ajusté = 0,05 / 3 = 0,0167

Une modalité alternative et strictement équivalente pour présenter ces résultats consiste à calculer la p-valeur corrigée (notée p_bonferroni) en multipliant la p-valeur brute obtenue lors de chaque test de Wilcoxon par le nombre total de comparaisons m, en veillant à plafonner cette probabilité à 1,00 :

p_corrigée = MIN(1; p_brute * m)

Dans Excel, vous pouvez automatiser cette décision binaire en cellule P2 au moyen d’une fonction logique simple : =SI(p_brute < ($K$12 / 3); « Significatif »; « Non significatif »). Si l’analyse post-hoc révèle, par exemple, que la comparaison entre le Traitement A et le Traitement C produit une p-valeur brute de 0,005 (ce qui donne 0,005 < 0,0167 ou une p-valeur corrigée de 0,015), nous concluons formellement que le Traitement A engendre une réduction des temps de réaction statistiquement supérieure à celle du Traitement C au seuil corrigé de 5 %. Si la différence entre A et B génère un p = 0,04, celle-ci ne franchit pas le filtre de Bonferroni (0,04 > 0,0167) et doit être rigoureusement déclarée non significative après ajustement méthodologique.

11. Automatisation et conception d’un modèle dynamique sous Excel

11.1 Utilisation des tableaux structurés et plages dynamiques

Pour métamorphoser une feuille de calcul statique en un véritable outil d’analyse pérenne et réutilisable, la meilleure pratique consiste à convertir la plage de données brutes initiale en un Tableau Structuré Excel officiel (raccourci clavier Ctrl + L ou Ctrl + T). En nommant ce tableau de données « TableDonnees », toute adjonction ultérieure de nouveaux participants le long des lignes ou toute suppression d’observations mettra automatiquement à jour l’étendue des plages de référence sans qu’il soit nécessaire de redéfinir manuellement les coordonnées spatiales des formules arithmétiques.

Dans les versions contemporaines de Microsoft 365, l’exploitation des fonctions matricielles dynamiques permet d’élever considérablement le niveau d’automatisation. Les fonctions CHOISIRCOLS, PRENDRE et REDUIRE permettent de manipuler des matrices entières de manière programmatique dans une cellule unique. Par exemple, la délimitation dynamique du nombre de sujets n peut être directement couplée à la hauteur effective du tableau structuré au moyen de l’expression :

=LIGNES(TableDonnees)

Tandis que le nombre de conditions k s’obtient instantanément par :

=COLONNES(TableDonnees) – 1

(en retranchant la première colonne réservée aux identifiants des patients). Cette architecture assure que l’ensemble du pipeline computationnel du test de Friedman s’ajuste en temps réel en cas d’expansion de l’échantillon clinique.

11.2 Conception d’une fonction personnalisée via LAMBDA

L’introduction du moteur de calcul matriciel et de la fonction LAMBDA dans les versions modernes de Microsoft Excel offre désormais la possibilité de créer de véritables fonctions statistiques personnalisées sans avoir recours au moindre script VBA (Visual Basic for Applications). Il devient ainsi envisageable d’encapsuler l’intégralité du calcul du test de Friedman au sein d’une fonction réutilisable dénommée, par exemple, TEST.FRIEDMAN.

Pour construire cette architecture, accédez au ruban Formules, cliquez sur le Gestionnaire de noms, puis créez un nouveau nom intitulé TEST.FRIEDMAN. Dans le champ « Fait référence à : », saisissez une architecture modulaire basée sur la syntaxe LAMBDA combinée à la fonction LET :

=LAMBDA(plage_donnees; LET(n; LIGNES(plage_donnees); k; COLONNES(plage_donnees); rangs; BYROW(plage_donnees; LAMBDA(ligne; RANG.MOYENNE(ligne; ligne; 1))); som_rangs; BYCOL(rangs; SOMME); ss_r; SOMME.CARRES(som_rangs); Q; (12 / (n * k * (k + 1))) * ss_r – 3 * n * (k + 1); ddl; k – 1; p_val; LOI.KHIDEUX.DROITE(Q; ddl); W; Q / (n * (ddl)); CHOOSE({1234}; Q; ddl; p_val; W)))

Une fois cette fonction enregistrée dans votre classeur de travail, l’utilisateur n’a plus qu’à taper dans n’importe quelle cellule vide l’instruction minimaliste suivante :

=TEST.FRIEDMAN(B2:D11)

Excel génère alors instantanément un vecteur horizontal dynamique de quatre cellules consécutives contenant dans l’ordre : la statistique Q observée, les degrés de liberté ddl, la probabilité critique p et la taille d’effet W de Kendall. Cette méthodologie garantit une reproductibilité analytique absolue tout en préservant l’intégrité de la feuille de calcul contre les erreurs manuelles de manipulation.

11.3 Visualisation graphique des distributions par rangs

La communication des résultats scientifiques requiert une mise en scène graphique rigoureuse permettant au lecteur d’appréhender intuitivement la structure des données ordinales au-delà des indicateurs numériques agrégés. Pour illustrer graphiquement les résultats d’un test de Friedman dans Excel, deux représentations visuelles se distinguent par leur pertinence méthodologique :

1. Le diagramme en boîte à moustaches (box-plot) : Bien qu’Excel permette de construire des box-plots sur les données brutes, il est particulièrement pertinent de représenter les distributions des rangs intra-sujets par condition. Sélectionnez la plage des rangs calculés (F1:H11), rendez-vous dans l’onglet Insertion, puis choisissez Graphique en boîte et moustaches. Ce graphique permet d’illustrer la médiane ordinale, les quartiles inférieur et supérieur, ainsi que l’étendue des rangs pour chaque modalité thérapeutique. Un glissement visuel net des boîtes entre la condition A (médiane basse) et la condition C (médiane haute) apporte une confirmation visuelle spectaculaire du résultat statistique du test.
2. Le tracé des profils individuels intra-sujets : Pour rendre compte de la variabilité interindividuelle et de la cohérence de l’effet à travers les sujets, le graphique en courbes superposées s’avère idéal. En disposant les conditions sur l’axe des abscisses et les rangs (ou les scores bruts) sur l’axe des ordonnées, chaque ligne représente un participant singulier. Si l’accord est fort (taille d’effet W élevée), la quasi-totalité des droites individuelles affichent des pentes orientées dans le même sens, illustrant concrètement le parallélisme comportemental que le test de Friedman s’attache à quantifier mathématiquement.

Enfin, l’application d’une mise en forme conditionnelle sous forme de « nuances de couleurs » sur la matrice des rangs (du vert pour le rang 1 au rouge pour le rang 3) offre une lecture synoptique immédiate des patrons de réponse au sein de l’échantillon clinique.

12. Erreurs courantes, validation des résultats et rédaction aux normes APA

12.1 Diagnostic des pièges méthodologiques fréquents sous Excel

L’exécution d’analyses inférentielles non paramétriques dans l’environnement ouvert d’un tableur expose fréquemment l’analyste à des bévues d’encodage ou à des mécompréhensions conceptuelles. L’erreur la plus préjudiciable, observée de manière récurrente chez les chercheurs novices, consiste à opérer un classement vertical au lieu d’un classement horizontal. En appliquant par mégarde la fonction RANG.MOYENNE le long des colonnes de données brutes, le praticien compare les scores des différents sujets entre eux au sein d’une même condition (ce qui relève d’une logique inter-sujets de type Kruskal-Wallis), anéantissant purement et simplement la structure appariée du test de Friedman qui exige un ordonnancement strict des conditions à l’intérieur de chaque participant individuel.

Un deuxième écueil réside dans l’omission involontaire de données manquantes brisant la régularité matricielle. Si la cellule D6 d’un patient est vide et que la formule calcule néanmoins un rang sur les deux cellules restantes B6 et C6, la somme des rangs de cette ligne deviendra mathématiquement incompatible avec celle des autres blocs (somme égale à 3 au lieu de 6), introduisant un biais majeur dans la sommation finale. Le tableau suivant récapitule les diagnostics et correctifs des principales erreurs rencontrées :

• Erreur d’axe de classement : Formule appliquée en colonne au lieu d’être restreinte à la ligne intra-sujet. Diagnostic : La somme des rangs d’une ligne individuelle n’égale pas k(k+1)/2. Correction : Verrouiller impérativement la plage horizontale par adressage semi-absolu $B2:$D2.
• Usage de fonctions obsolètes : Utilisation de RANG ou RANG.EQ provoquant des distorsions en présence d’égalités. Diagnostic : Apparition d’entiers redondants qui faussent la somme théorique de la ligne. Correction : Recourir exclusivement à RANG.MOYENNE.
• Mauvaise fonction de probabilité : Recours à LOI.KHIDEUX (ancienne mouture) avec une ambiguïté sur l’unilatéralité du calcul. Diagnostic : P-valeur aberrante ou divergente par rapport aux logiciels académiques. Correction : Employer formellement LOI.KHIDEUX.DROITE.
• Confusion de protocoles : Application du test de Friedman alors que le protocole comprend des variables explicatives continues ou des prédicteurs inter-groupes. Correction : Dans ce cas, la modélisation mixte non paramétrique ou les modèles linéaires généralisés à effets mixtes doivent être privilégiés.

12.2 Validation croisée avec les logiciels statistiques de référence

Pour garantir une intégrité scientifique absolue avant la transmission d’un manuscrit pour révision par les pairs (peer review), il est hautement salutaire de confronter les résultats obtenus sous Microsoft Excel avec les sorties générées par les progiciels statistiques académiques de référence. Dans le langage de programmation statistique R, l’exécution du test de Friedman s’effectue simplement au moyen de la fonction standard issue du package stats :

friedman.test(y = as.matrix(donnees[, c(« Traitement_A », « Traitement_B », « Traitement_C »)]))

Sous SPSS, l’accès à l’analyse s’opère via la séquence de menus : Analyse > Tests non paramétriques > Échantillons liés > Test de Friedman. Dans l’écrasante majorité des configurations sans ex æquo, la statistique du Chi-carré (Friedman Chi-Square), les degrés de liberté et la significativité asymptotique (Asymptotic Sig.) générés par SPSS ou R concordent jusqu’à la sixième décimale avec le tableau dynamique élaboré dans notre feuille Excel.

Si des divergences infinitésimales venaient à apparaître sur la deuxième ou troisième décimale de la p-valeur, celles-ci ne traduisent nullement une erreur de programmation sous Excel, mais résultent du choix de l’algorithme de gestion des liens. Tandis que l’équation classique d’Excel modélise la distribution asymptotique par le Chi-carré continu standard, certains progiciels intègrent par défaut le facteur correctif d’ex æquo ou exécutent un calcul de probabilité combinatoire exacte si l’effectif est faible (n < 15), comme le propose nativement le logiciel open-source JASP. La maîtrise de ces subtilités algorithmiques permet au chercheur de justifier précisément ses choix numériques lors des échanges avec les comités de lecture.

12.3 Restitution académique selon les normes de l’APA (7e édition)

La communication des résultats quantitatifs au sein d’un article de recherche ou d’une thèse universitaire doit se conformer rigoureusement aux normes formelles dictées par la 7e édition du manuel de publication de l’American Psychological Association (APA). La restitution textuelle d’un test de Friedman exige la spécification explicite de la statistique de décision (désignée conventionnellement par la lettre grecque χ² avec l’indice F, ou simplement par χ²), du nombre de degrés de liberté entre parenthèses, de la taille globale de l’échantillon N, de la probabilité critique exacte p, et de la mesure de taille d’effet standardisée (le W de Kendall).

Pour parfaire la précision de la description, il est fortement encouragé de rapporter pour chaque condition expérimentale non pas les moyennes et écart-types (inadaptés aux statistiques non paramétriques), mais les rangs moyens (notés RM) ainsi que les médianes (notées Mdn) accompagnées de l’écart interquartile (noté EIQ). En application directe de notre jeu de données sur les traitements psychotropes, la rédaction standardisée selon les normes APA s’énoncera de la manière suivante :

« Une analyse non paramétrique de Friedman pour mesures répétées a été conduite afin d’évaluer l’impact des trois interventions pharmacologiques sur les temps d’inhibition cognitive (exprimés en millisecondes) au sein de la cohorte de patients (N = 10). L’analyse révèle une variation statistiquement significative de la performance d’inhibition à travers les trois conditions de traitement, χ²_F(2) = 14,60, p < 0,001. La taille d’effet mesurée par le coefficient de concordance de Kendall témoigne d’une force d’association particulièrement élevée, W = 0,730, indiquant un consensus très marqué des profils individuels face aux traitements. »

« L’inspection des rangs moyens et des médianes conditionnelles indique que le Traitement A génère les temps de réaction les plus efficients (RM = 1,20 ; Mdn = 425 ms, EIQ = 45 ms), suivi par le Traitement B (RM = 1,90 ; Mdn = 480 ms, EIQ = 60 ms), tandis que le Traitement C enregistre les performances les plus ralenties (RM = 2,90 ; Mdn = 560 ms, EIQ = 75 ms). Des comparaisons post-hoc appariées conduites via des tests des rangs signés de Wilcoxon avec correction de Bonferroni pour tests multiples (seuil alpha ajusté à α = 0,0167) confirment que le Traitement A réduit significativement le temps d’inhibition par rapport au Traitement C (T = 0,00, Z = -2,80, p = 0,005). La comparaison entre le Traitement A et le Traitement B n’atteint pas le seuil critique d’ajustement (T = 8,00, Z = -1,99, p = 0,047, p_ajustée = 0,141), tout comme la comparaison entre le Traitement B et le Traitement C (T = 6,00, Z = -2,19, p = 0,028, p_ajustée = 0,084). En conclusion, ces résultats empiriques démontrent la supériorité d’action exclusive du Traitement A sur les capacités d’inhibition cognitive par rapport au traitement de référence C. »

Cette rigueur de contextualisation, alliant l’évaluation globale omnibus, la quantification standardisée de la puissance de l’effet et la dissection minutieuse des contrastes post-hoc protégés contre l’inflation de l’erreur alpha, confère à l’investigation empirique un niveau de crédibilité et de transparence analytique irréprochable au sein de la littérature scientifique internationale.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701. https://doi.org/10.1080/01621459.1937.10503522
• Friedman, M. (1940). A comparison of alternative tests of significance for the problem of m rankings. The Annals of Mathematical Statistics, 11(1), 86–92. https://doi.org/10.1214/aoms/1177731944
• Holland-Smith, D., & Howell, D. C. (2014). Statistical methods for psychology (8th ed.). Cengage Learning.
• Kendall, M. G., & Babington Smith, B. (1939). The problem of m rankings. The Annals of Mathematical Statistics, 10(3), 275–287. https://doi.org/10.1214/aoms/1177732186
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. https://doi.org/10.2307/3001968