Quelle est la différence entre un test t et une ANOVA ?

Dans le champ foisonnant des sciences humaines, cognitives et biomédicales, la démarche expérimentale repose sur une exigence méthodologique fondamentale : transformer des observations empiriques brutes en inférences scientifiques fiables. Lorsqu’un chercheur évalue l’impact d’une psychothérapie cognitive par rapport à une liste d’attente, ou lorsqu’il examine les performances d’attention soutenue sous différentes doses de caféine, la question centrale demeure invariablement la même : les différences quantitatives observées entre les groupes résultent-elles d’un effet réel du traitement ou doivent-elles être attribuées aux simples fluctuations de l’échantillonnage aléatoire ? Pour trancher cette interrogation, l’analyse inférentielle met à disposition un ensemble d’outils statistiques dont les figures emblématiques sont, sans conteste, le test t de Student et l’analyse de variance (ANOVA).

Bien que ces deux méthodes partagent un socle mathématique commun — appartenant toutes deux à la grande famille du Modèle Linéaire Général — leurs domaines d’application, leurs architectures de calcul et leurs hypothèses structurelles divergent de manière substantielle. La confusion entre ces approches constitue l’une des pierres d’achoppement les plus récurrentes chez les chercheurs débutants et les praticiens de la recherche empirique. Choisir un test inadapté ne relève pas d’une simple coquille d’analyse : une telle décision compromet directement la validité des conclusions statistiques, expose le protocole à une inflation incontrôlée de l’erreur de type I (le risque de faux positifs) ou entraîne une dégradation drastique de la puissance statistique de l’étude.

Ce guide exhaustif a pour vocation d’analyser en profondeur les principes théoriques, les mécanismes computationnels et les implications méthodologiques qui distinguent le test t de Student de l’ANOVA. En explorant la décomposition de la variance, la gestion probabiliste du risque d’erreur globale, les postulats de distribution et la formalisation des plans expérimentaux complexes, cet article offre une feuille de route rigoureuse pour quiconque souhaite naviguer avec aisance dans les méandres de la comparaison de moyennes paramétriques.

1. Introduction théorique : Fondements de l’inférence statistique et comparaison de moyennes

1.1 Le rôle central des tests d’hypothèses en recherche psychologique

L’étude scientifique du comportement et des mécanismes mentaux est confrontée à une réalité inéluctable : l’inaccessibilité de la population générale dans sa totalité. Qu’il s’agisse d’évaluer la mémoire de travail, la réactivité émotionnelle ou l’efficacité d’un protocole d’exposition face à une phobie, le chercheur recueille des données sur un sous-ensemble restreint d’individus, l’échantillon, dans l’optique d’extrapoler ses constats à une population parente cible. Cette transposition du particulier vers le général constitue le cœur de la démarche d’inférence statistique. Dans ce cadre, la prise de décision scientifique s’articule autour de la logique de la réfutation mise en lumière par les statisticiens Ronald Fisher, Jerzy Neyman et Egon Pearson, via la formulation rigoureuse de deux propositions mutuellement exclusives : l’hypothèse nulle ($H_0$) et l’hypothèse alternative ($H_1$).

L’hypothèse nulle ($H_0$) postule traditionnellement l’absence de différence systématique entre les conditions expérimentales, stipulant que les écarts constatés entre les moyennes d’échantillons ne reflètent que des aléas d’échantillonnage ou du bruit stochastique. À l’inverse, l’hypothèse alternative ($H_1$) avance que la manipulation de la variable indépendante exerce une influence causale sur la variable dépendante, produisant un décalage substantiel des distributions de scores. Dans les sciences cognitives et comportementales, cette distinction dépasse la pure mécanique algébrique : elle détermine si un phénomène psychologique peut être revendiqué en tant que fait empirique reproductible ou s’il doit être relégué au statut d’artefact de mesure.

L’obligation de recourir aux tests d’hypothèses découle directement de l’immense variabilité interindividuelle qui caractérise les êtres vivants. Contrairement aux sciences physiques fondamentales où certaines constantes universelles peuvent être isolées dans des environnements sous vide, les mesures psychologiques sont systématiquement imprégnées de sources de variance incontrôlées : antécédents développementaux, traits de personnalité, fluctuations circadiennes de l’attention ou biais motivationnels. L’analyse descriptive élémentaire — qui se bornerait à comparer les moyennes et les écarts-types au sein d’un échantillon — s’avère totalement impuissante à déterminer si une différence de quelques points à une échelle de dépression traduit une rémission clinique réelle ou un simple caprice du hasard. Seul le calcul formel de probabilités associées à des statistiques de test standardisées permet d’asseoir une inférence causale robuste dans les protocoles expérimentaux contrôlés.

1.2 Concept de variabilité et estimation des paramètres de population

L’inférence statistique repose sur la dissociation fondamentale entre les paramètres d’une population (notés conventionnellement par des lettres grecques, telles que la moyenne $\mu$ et l’écart-type $\sigma$) et les statistiques calculées sur un échantillon (notées en caractères latins, tels que $\bar{X}$ et $s$). Comme il est virtuellement impossible de mesurer chaque membre d’une population, le chercheur s’appuie sur la théorie de l’échantillonnage pour quantifier l’erreur d’échantillonnage, c’est-à-dire l’écart inévitable entre la statistique observée et le paramètre théorique sous-jacent. Si l’on extrayait de manière répétée une infinité d’échantillons de même taille au sein d’une population donnée, la distribution de leurs moyennes respectives dessinerait la distribution d’échantillonnage des moyennes, dont la dispersion est mesurée par l’erreur-type de la moyenne ($SE = \sigma / \sqrt{n}$).

Dans cette dynamique, le chercheur a le choix entre deux approches complémentaires : l’estimation ponctuelle, qui fournit une valeur unique candidate pour le paramètre inconnu, et l’estimation par intervalle de confiance, qui délimite une plage de valeurs plausibles associée à un degré de certitude prédéfini (usuellement 95 % ou 99 %). L’intervalle de confiance offre une appréciation visuelle et quantitative immédiate de la précision de l’estimation : plus l’échantillon est volumineux, plus l’erreur-type s’amenuise, resserrant ainsi les bornes de l’intervalle autour du véritable paramètre populationnel. La taille de l’échantillon ($n$) opère donc comme un levier direct sur la puissance de l’inférence en réduisant la variance d’erreur.

Au cœur de tous les tests inférentiels de comparaison de moyennes réside un principe fondamental : le rapport signal/bruit. Le « signal » correspond à la différence systématique observée entre les conditions expérimentales, c’est-à-dire l’effet supposé du traitement ou de la variable prédictive. Le « bruit », quant à lui, représente la variabilité résiduelle, l’erreur de mesure et les différences individuelles non contrôlées au sein de chaque groupe. Pour déterminer si une manipulation produit un effet statistiquement convaincant, la statistique de test (qu’il s’agisse de la valeur $t$ ou de la valeur $F$) quantifie systématiquement l’ampleur de ce signal rapportée au bruit d’échantillonnage. Si le signal domine nettement le bruit, l’hypothèse nulle est rejetée avec un degré de confiance contrôlé.

1.3 Aperçu comparatif des rôles du test t de Student et de l’ANOVA

Face à la nécessité empirique de tester une différence entre des moyennes, le statisticien dispose principalement de deux méthodologies paramétriques d’usage universel : le test $t$ de Student et l’analyse de variance (ANOVA). La distinction la plus évidente et la plus immédiate entre ces deux instruments repose sur le nombre de conditions expérimentales ou de niveaux de la variable indépendante considérés. Le test $t$ est un instrument strictement binaire : il a été conçu exclusivement pour comparer les moyennes de deux groupes mutuellement exclusifs ou les moyennes de deux mesures appariées au sein d’une même cohorte. Dès lors qu’un protocole de recherche intègre trois conditions ou davantage, le cadre du test $t$ devient obsolète et l’ANOVA s’impose comme le cadre unifié de référence.

Cependant, réduire leur différence à un simple décompte de groupes masquerait une filiation théorique majeure. Le test $t$ et l’ANOVA appartiennent sans équivoque à la même armature conceptuelle : le Modèle Linéaire Général (GLM). Dans cette modélisation mathématique, toute observation individuelle est conceptualisée comme la somme d’une constante fondamentale, d’un ou plusieurs effets linéaires associés aux variables explicatives, et d’un résidu aléatoire d’erreur. Le test $t$ n’est rien d’autre qu’un cas particulier d’ANOVA restreint à deux modalités, tout comme l’ANOVA est elle-même une déclinaison de la régression linéaire multiple incorporant des prédicteurs catégoriels codés sous forme d’indicateurs binaires.

Le chercheur empirique doit ainsi choisir son outil analytique en fonction des contraintes de son design de recherche : complexité du plan expérimental, nombre de facteurs manipulés, présence de mesures répétées et nécessité d’explorer d’éventuelles interactions statistiques entre variables indépendantes. Alors que le test $t$ brille par sa simplicité d’interprétation pour les questions élémentaires, l’ANOVA offre une flexibilité architecturale inégalée, permettant de disséquer des plans factoriels sophistiqués sans compromettre l’intégrité du protocole d’inférence.

2. Le test t de Student : Principes, typologies et mécanismes mathématiques

2.1 Origine et logique distributionnelle de la loi t de Student

L’histoire du test $t$ de Student est intimement liée aux exigences du contrôle de qualité industriel à l’aube du XXe siècle. C’est en 1908 que le chimiste et mathématicien britannique William Sealy Gosset, alors employé au sein de la brasserie Guinness à Dublin, développe cette distribution. La politique de l’entreprise interdisant formellement à ses scientifiques de publier des recherches sous leur nom réel afin de préserver des secrets de fabrication, Gosset diffusa ses travaux sous le pseudonyme de « Student » dans la revue Biometrika. Sa motivation première répondait à une faille théorique majeure : lorsque la taille de l’échantillon est restreinte et que la variance de la population ($\sigma^2$) demeure inconnue, l’utilisation de la loi normale standard ($Z$) sous-estime l’incertitude et génère un nombre anormalement élevé de faux positifs.

Pour pallier cette lacune, Gosset élabora la distribution $t$, une loi de probabilité continue symétrique en forme de cloche, analogue à la loi normale, mais présentant des queues de distribution notablement plus épaisses (un phénomène désigné sous le terme de leptokurticité relative). Cette épaisseur supplémentaire des queues traduit mathématiquement l’incertitude accrue découlant du fait que l’écart-type de la population est lui-même estimé à partir de l’écart-type de l’échantillon ($s$). Par conséquent, pour un niveau de confiance donné (par exemple 95 %), la valeur critique seuil d’une distribution $t$ est systématiquement plus éloignée de zéro que la valeur 1,96 typique de la loi normale standard.

La forme exacte de la distribution $t$ dépend d’un paramètre fondamental : le nombre de degrés de liberté (notés $ddl$ ou $df$ pour degrees of freedom). Les degrés de liberté reflètent le nombre d’observations indépendantes disponibles pour estimer le paramètre statistique après déduction des contraintes imposées par les calculs préalables. À mesure que la taille de l’échantillon augmente, les degrés de liberté croissent de concert, l’estimation de la variance devient de plus en plus précise, et les queues de la distribution $t$ s’amincissent progressivement. Sur le plan asymptotique, lorsque les degrés de liberté tendent vers l’infini, la distribution $t$ de Student converge parfaitement vers la distribution normale standard $Z$.

2.2 Le test t pour échantillons indépendants

Le test $t$ pour échantillons indépendants (ou test $t$ inter-sujets) est mobilisé lorsqu’un chercheur souhaite comparer les moyennes de deux groupes d’individus distincts, formés de manière mutuellement exclusive. Dans cette configuration, chaque participant n’est exposé qu’à un seul niveau de la variable indépendante. Le plan expérimental garantit l’indépendance statistique entre les observations des deux groupes : les réponses d’un sujet assigné au groupe expérimental ne partagent aucune corrélation sous-jacente avec celles d’un sujet assigné au groupe témoin.

Sur le plan computationnel, lorsque le chercheur assume l’hypothèse d’homogénéité des variances (ou homoscédasticité), la variance des deux échantillons est mutualisée pour former une estimation pondérée globale, désignée sous le nom de variance combinée (pooled variance, $s_p^2$). La formule s’exprime ainsi :

$$s_p^2 = \frac{(n_1 – 1)s_1^2 + (n_2 – 1)s_2^2}{n_1 + n_2 – 2}$$

La statistique $t$ est ensuite calculée en divisant la différence observée entre les moyennes d’échantillon par l’erreur-type de la différence :

$$t = \frac{\bar{X}_1 – \bar{X}_2}{\sqrt{s_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$$

Cette valeur empirique $t$ est ensuite comparée à une valeur critique issue de la table de Student pour $ddl = n_1 + n_2 – 2$ au seuil $\alpha$ choisi. En psychologie clinique, ce test intervient typiquement pour comparer les scores moyens d’anxiété entre un groupe recevant un nouvel anxiolytique et un groupe sous placebo. Si la valeur $t$ calculée franchit le seuil critique (ou si la $p$-valeur associée est inférieure à 0,05), l’hypothèse nulle d’égalité des moyennes de population ($\mu_1 = \mu_2$) est rejetée en faveur de l’hypothèse alternative d’une divergence effective.

2.3 Le test t pour échantillons appariés

À la différence du design inter-sujets, le test $t$ pour échantillons appariés (également nommé test $t$ pour mesures répétées ou intra-sujets) s’applique lorsque les deux moyennes à comparer proviennent d’une même cohorte d’individus évaluée à deux reprises, ou de paires de participants appariés sur des variables d’intérêt critiques (telles que des jumeaux monozygotes ou des couples mariés). Le cas de figure le plus répandu en sciences comportementales demeure le protocole « pré-test / post-test », dans lequel une variable cognitive ou émotionnelle est mesurée avant puis après l’administration d’une intervention ciblée.

L’élégance mathématique du test $t$ apparié réside dans la réduction drastique de la variance d’erreur. Au lieu d’analyser séparément deux séries de scores bruts, l’algorithme calcule pour chaque sujet individuel un score de différence : $D_i = X_{post, i} – X_{pre, i}$. L’analyse se transforme alors conceptuellement en un test $t$ à échantillon unique appliqué à cette série de différences, testant si la moyenne observée de ces écarts ($\bar{D}$) diffère significativement de zéro :

$$t = \frac{\bar{D} – \mu_D}{\frac{s_D}{\sqrt{N}}}$$

où $\mu_D = 0$ sous $H_0$, $s_D$ est l’écart-type des scores de différence et $N$ représente le nombre total de paires (avec $ddl = N – 1$).

Ce mécanisme neutralise intégralement la variance interindividuelle stable. Les caractéristiques fixes des participants (comme leur niveau d’intelligence générale, leurs prédispositions génétiques ou leur milieu socio-économique) qui parasitent la variance dans un plan à échantillons indépendants sont ici maintenues constantes à travers les deux mesures. Il en résulte un accroissement considérable de la puissance statistique du test : à taille d’échantillon égale, un test $t$ apparié est beaucoup plus apte à détecter un effet expérimental subtil qu’un test $t$ pour groupes indépendants, car le dénominateur (l’erreur-type du dénominateur) est expurgé du bruit interindividuel.

3. L’analyse de variance (ANOVA) : Décomposition de la variance et logique globale

3.1 La décomposition fondamentale de la variance totale

L’analyse de variance, conçue par le statisticien et généticien Ronald Aylmer Fisher dans les années 1920, repose sur une intuition fondamentale qui donne son nom à la méthode : pour déterminer si des moyennes de groupes sont significativement différentes, il convient d’analyser et de partitionner la variance globale des données. Bien que l’objectif ultime de l’ANOVA soit de statuer sur des égalités de moyennes, la stratégie opératoire passe par la décomposition de la Somme des Carrés Totale ($SS_{total}$, pour Total Sum of Squares) en fractions distinctes et additives.

Dans une ANOVA unifactorielle à groupes indépendants, la variabilité globale observée autour de la moyenne générale ($\bar{X}_{grand}$) est ventilée en deux composantes fondamentales : la Somme des Carrés Intergroupe ($SS_{between}$ ou $SS_{effet}$) et la Somme des Carrés Intragroupe ($SS_{within}$ ou $SS_{erreur}$) :

$$SS_{total} = SS_{between} + SS_{within}$$

où :

$$SS_{total} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_{grand})^2$$

$$SS_{between} = \sum_{j=1}^{k} n_j (\bar{X}_j – \bar{X}_{grand})^2$$

$$SS_{within} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_j)^2$$

La somme des carrés intergroupe ($SS_{between}$) quantifie la dispersion des moyennes de chaque condition expérimentale ($\bar{X}_j$) autour de la grande moyenne générale. Elle représente la part de variance « expliquée » par l’appartenance aux différents groupes de traitement. À l’opposé, la somme des carrés intragroupe ($SS_{within}$) mesure la dispersion des scores individuels des participants ($X_{ij}$) autour de la moyenne spécifique de leur propre groupe. Cette dernière reflète la variance résiduelle non contrôlée, attribuable aux différences interindividuelles et aux erreurs instrumentales aléatoires.

Pour transformer ces sommes de carrés en mesures de variance directement comparables, il est impératif de les diviser par leurs degrés de liberté respectifs, aboutissant ainsi aux Carrés Moyens (notés $MS$ pour Mean Squares) :

$$MS_{between} = \frac{SS_{between}}{k – 1}$$

$$MS_{within} = \frac{SS_{within}}{N – k}$$

où $k$ représente le nombre de groupes expérimentaux et $N$ l’effectif global cumulé de l’échantillon.

3.2 La distribution de Fisher-Snedecor et le calcul du ratio F

Une fois les carrés moyens isolés, la logique de décision statistique repose sur le calcul du ratio de Fisher, communément désigné sous le terme de statistique $F$ (en hommage à Ronald Fisher, formalisé ultérieurement par George Snedecor). Ce ratio exprime de manière limpide le principe du rapport signal/bruit sous forme de quotient mathématique :

$$F = \frac{MS_{between}}{MS_{within}} = \frac{\text{Variance expliquée par le traitement}}{\text{Variance d’erreur résiduelle}}$$

Sous l’hypothèse nulle ($H_0 : \mu_1 = \mu_2 = dots = \mu_k$), le traitement expérimental n’exerce aucune influence systématique sur la variable d’intérêt. Par conséquent, les fluctuations observées entre les moyennes de groupes ne sont rien d’autre qu’une manifestation supplémentaire de l’erreur d’échantillonnage aléatoire. Dans cette configuration, $MS_{between}$ et $MS_{within}$ constituent deux estimateurs indépendants mais théoriquement convergents de la même variance d’erreur de la population ($\sigma^2$). Le ratio $F$ attendu sous $H_0$ oscille donc structurellement autour d’une valeur proche de 1.

À l’inverse, si l’hypothèse alternative est vérifiée et que la variable indépendante génère un effet substantiel, les moyennes de groupe vont s’écarter drastiquement les unes des autres. La quantité $MS_{between}$ va alors intégrer non seulement la variance d’erreur intrinsèque, mais également la composante systématique induite par l’effet du traitement. Le numérateur devient alors notablement supérieur au dénominateur, propulsant la valeur du ratio $F$ bien au-delà de l’unité.

Contrairement à la distribution $t$ de Student qui est bilatérale et symétrique autour de zéro, la distribution $F$ de Fisher-Snedecor est asymétrique positive, bornée à gauche par zéro et s’étendant théoriquement vers l’infini positif. Elle est paramétrée par deux valeurs de degrés de liberté : ceux du numérateur ($ddl_1 = k – 1$) et ceux du dénominateur ($ddl_2 = N – k$). Le test de l’hypothèse nulle globale en ANOVA est structurellement unilatéral à droite : seules les valeurs de $F$ extrêmement élevées situées dans la queue supérieure droite de la distribution permettent de rejeter l’hypothèse nulle au seuil $\alpha$ convenu.

3.3 L’ANOVA unifactorielle à groupes indépendants

L’ANOVA unifactorielle (ou One-Way ANOVA) représente l’extension directe du test $t$ de Student à des devis de recherche comprenant trois conditions expérimentales ou davantage, gouvernées par un unique facteur explicatif. Considérons un protocole évaluant l’efficacité de différentes stratégies mnémotechniques sur le rappel libre de mots : un groupe contrôle sans consigne, un groupe utilisant l’imagerie mentale, un groupe appliquant la méthode des lieux et un groupe recourant à la répétition espacée. Ici, la variable indépendante est qualitative nominale à quatre modalités ($k = 4$), et la variable dépendante est quantitative continue (nombre d’items correctement restitués).

L’application d’une ANOVA unifactorielle permet d’évaluer simultanément l’hypothèse nulle omnibus selon laquelle les quatre populations partagent strictement la même moyenne théorique de rappel :

$$H_0 : \mu_{contrôle} = \mu_{imagerie} = \mu_{lieux} = \mu_{répétition}$$

L’obtention d’un ratio $F$ statistiquement significatif au terme de cette procédure atteste formellement que la variable « stratégie mnémotechnique » exerce un impact mesurable sur la performance de mémorisation. Toutefois, cette conclusion globale met en lumière la limitation inhérente et majeure du ratio $F$ : son caractère omnibus. Le test $F$ signale l’existence d’une divergence quelque part au sein de la famille de moyennes, mais il est par nature incapable d’identifier précisément quelles conditions diffèrent les unes des autres. Est-ce l’imagerie mentale qui surpasse le contrôle ? La méthode des lieux est-elle supérieure à la répétition espacée ? Pour lever cette indétermination, l’ANOVA doit obligatoirement être secondée par des analyses complémentaires ciblées, formalisées sous forme de contrastes ou de tests post-hoc.

4. La distinction fondamentale : Deux groupes versus trois groupes ou plus

4.1 La contrainte structurelle du test t

La distinction primaire séparant le test $t$ de l’ANOVA réside dans une frontière arithmétique rigide : le test $t$ est structurellement borné à la comparaison de deux entités empiriques. Sa formule mathématique repose sur l’évaluation directe de la différence brute entre deux moyennes $(\bar{X}_1 – \bar{X}_2)$ divisée par la variabilité combinée de ces deux mêmes groupes. Cette architecture binaire le rend totalement inapte à intégrer, au sein d’un modèle unifié unique, trois conditions ou davantage.

Cette limitation n’est pas purement formelle ; elle restreint considérablement la portée théorique des questions de recherche pouvant être abordées par le seul test $t$. Dans la réalité des sciences biologiques et comportementales, les relations entre variables sont rarement dichotomiques. L’évaluation de l’efficacité d’une molécule pharmacologique, par exemple, requiert l’examen de multiples paliers de dosage afin de détecter d’éventuels paliers de saturation ou des effets non monotones (comme les courbes de réponse en U inversé dictées par la loi de Yerkes-Dodson sur l’éveil et la performance). Un test $t$ est structurellement aveugle à de telles trajectoires complexes, puisqu’il ne peut confronter qu’un point A à un point B.

Face à cette impasse, certains chercheurs commettent l’erreur méthodologique de dichotomiser artificiellement des variables explicatives continues ou polychotomiques pour forcer les données à entrer dans le cadre restreint d’un test $t$ (par exemple, en scindant un groupe clinique en deux catégories via une séparation par la médiane : scores « bas » versus scores « hauts »). Cette pratique, largement condamnée par la littérature méthodologique, induit une perte irréversible d’information statistique, diminue la puissance des analyses et peut générer des corrélations fallacieuses.

4.2 La flexibilité architecturale de l’ANOVA

À l’opposé du confinement binaire du test $t$, l’analyse de variance déploie une architecture computationnelle modulaire et extensible à l’infini. Elle permet d’accueillir sans la moindre restriction théorique $k$ groupes expérimentaux ($k ge 3$). En ancrant son analyse non pas sur les écarts directs entre paires de moyennes, mais sur la dispersion générale des moyennes de traitement autour d’un barycentre commun (la grande moyenne), l’ANOVA standardise le protocole d’inférence, quel que soit le niveau de raffinement du dispositif expérimental.

Cette flexibilité permet aux chercheurs de modéliser avec élégance des gradients thérapeutiques, des études dose-réponse ou des protocoles comparatifs multicentriques impliquant de multiples bras de traitement concurrents. L’ANOVA traite l’ensemble des données comme un écosystème statistique cohérent, où la variance d’erreur résiduelle ($MS_{within}$) est estimée à l’échelle globale de l’échantillon consolidé. Il en découle une fidélité accrue de l’estimation de l’erreur, bénéficiant d’un nombre total de degrés de liberté considérablement accru par rapport à ce que permettrait l’analyse fragmentée de sous-groupes isolés.

De surcroît, cette architecture matricielle pave la voie vers des enrichissements analytiques majeurs : introduction simultanée de plusieurs variables catégorielles indépendantes (plans factoriels), incorporation de mesures répétées longitudinales, ou ajustement statistique de covariables parasites continues via l’analyse de covariance (ANCOVA). L’ANOVA s’érige ainsi en une plateforme méthodologique polyvalente dont le test $t$ ne représente que le seuil d’accès le plus rudimentaire.

4.3 L’équivalence formelle pour deux groupes : F = t²

L’un des théorèmes les plus fondamentaux et les plus élégants de l’inférence statistique démontre l’identité mathématique absolue unissant le test $t$ de Student pour échantillons indépendants et l’ANOVA unifactorielle à deux groupes ($k = 2$). Bien que ces deux méthodologies semblent emprunter des voies calculatoires distinctes — l’une manipulant une différence directe de moyennes, l’autre partitionnant des sommes de carrés de variance — elles aboutissent à une décision statistique rigoureusement superposable. Dans la condition $k = 2$, la relation algébrique exacte s’établit comme suit :

$$F = t^2$$

Pour en appréhender la logique sans entrer dans une dérivation matricielle fastidieuse, considérons le numérateur de l’ANOVA pour deux groupes de tailles égales ($n_1 = n_2 = n$). La somme des carrés intergroupe s’exprime par :

$$SS_{between} = n(\bar{X}_1 – \bar{X}_{grand})^2 + n(\bar{X}_2 – \bar{X}_{grand})^2$$

Puisque $\bar{X}_{grand} = (\bar{X}_1 + \bar{X}_2)/2$, un réarrangement algébrique direct démontre que :

$$SS_{between} = \frac{n}{2}(\bar{X}_1 – \bar{X}_2)^2$$

Comme $ddl_{between} = k – 1 = 2 – 1 = 1$, le carré moyen $MS_{between}$ est rigoureusement égal à $SS_{between}$. Le dénominateur $MS_{within}$, quant à lui, correspond exactement à la variance combinée ($s_p^2$) du test $t$. En divisant $MS_{between}$ par $MS_{within}$, on retrouve point par point l’expression quadratique de la formule du test $t$ :

$$F = \frac{\frac{n}{2}(\bar{X}_1 – \bar{X}_2)^2}{s_p^2} = \left( \frac{\bar{X}_1 – \bar{X}_2}{\sqrt{\frac{2s_p^2}{n}}} \right)^2 = t^2$$

Il découle de cette équivalence parfaite que la valeur de la probabilité associée ($p$-valeur) est scrupuleusement identique entre un test $t$ bilatéral et une ANOVA menée sur deux groupes. Dès lors, la question du choix entre ces deux outils pour $k = 2$ ne relève pas d’une distinction de validité mathématique, mais d’une convention de clarté communicative : la communauté scientifique préconise universellement l’usage du test $t$ de Student pour les plans à deux modalités, car la statistique $t$ préserve le signe directionnel de la différence de moyennes ($+$ ou $-$), offrant une lisibilité immédiate de l’orientation de l’effet clinique ou expérimental.

5. L’inflation de l’erreur de type I et l’inadéquation des tests t multiples

5.1 Mécanisme probabiliste de l’erreur de type I globale (FWER)

Lorsqu’un chercheur est confronté à une expérience impliquant trois groupes ou plus, la tentation intuitive — mais méthodologiquement désastreuse — consiste à exécuter une série de tests $t$ bilatéraux comparant chaque groupe deux à deux. Pour une étude comprenant $k$ groupes, le nombre total de comparaisons par paires possibles, noté $c$, est déterminé par la formule combinatoire :

$$c = \binom{k}{2} = \frac{k(k – 1)}{2}$$

Ainsi, une étude comptant 3 groupes génère 3 comparaisons ; 4 groupes engendrent 6 comparaisons ; 5 groupes imposent 10 comparaisons, et un plan à 10 groupes débouche sur 45 tests distincts. L’erreur conceptuelle majeure de cette approche fragmentée réside dans l’ignorance du phénomène probabiliste de l’inflation de l’erreur de type I au niveau de la famille d’hypothèses (Family-Wise Error Rate, ou FWER).

Lorsque le seuil de significativité nominal ($\alpha$) est fixé à la valeur conventionnelle de 0,05 pour un test unique, la probabilité de ne pas commettre d’erreur de type I (c’est-à-dire de conserver à juste titre l’hypothèse nulle lorsque celle-ci est vraie) s’élève à $1 – \alpha = 0,95$. Si l’on réalise plusieurs tests indépendants au sein de la même batterie expérimentale, la probabilité conjointe de n’observer aucun faux positif sur l’ensemble des comparaisons équivaut au produit de leurs probabilités individuelles, soit $(1 – \alpha)^c$. Par conséquent, la probabilité résiduelle de commettre au moins une fausse découverte (déclarer à tort une différence significative) à l’échelle de l’expérience globale s’exprime par la formule :

$$\alpha_{global} = 1 – (1 – \alpha)^c$$

Ce mécanisme exponentiel démontre que l’erreur de faux positif s’accumule de manière incontrôlée dès que le nombre de comparaisons s’accroît, vidant le seuil alpha nominal de toute sa portée régulatrice.

5.2 Démonstration empirique de la multiplication des tests t

Pour concrétiser l’impact délétère de cette dérive, prenons l’exemple d’un protocole expérimental évaluant quatre méthodes pédagogiques ($k = 4$) face à l’apprentissage des statistiques. Si un chercheur décide de sonder l’efficacité relative de ces méthodes en menant des tests $t$ multiples sans ajustement statistique, il devra réaliser $c = 4(4 – 1)/2 = 6$ tests $t$ indépendants. En injectant cette valeur dans l’équation probabiliste sous un seuil nominal $\alpha = 0,05$ :

$$\alpha_{global} = 1 – (1 – 0,05)^6 = 1 – (0,95)^6 = 1 – 0,735 = 0,265$$

Le risque effectif de déclarer faussement qu’au moins une des méthodes pédagogiques surpasse une autre grimpe ainsi à plus de 26,5 %. En d’autres termes, le chercheur a désormais plus d’une chance sur quatre de polluer la littérature scientifique avec un résultat fallacieux purement imputable aux aléas de l’échantillonnage.

Si l’expérience comprenait 6 conditions distinctes (générant 15 comparaisons par paires), le risque global d’erreur de type I atteindrait $1 – (0,95)^{15} \approx 53,7%$. À ce niveau d’inflation, la démarche scientifique perd toute crédibilité : la probabilité de rejeter indûment l’hypothèse nulle devient supérieure à celle d’obtenir un résultat valide. Cette pratique délétère s’apparente directement à une forme involontaire mais destructrice de « p-hacking », où l’accumulation de tests non contrôlés garantit l’émergence d’effets statistiquement significatifs factices.

5.3 L’ANOVA comme barrière protectrice préliminaire

C’est précisément pour juguler cette crise méthodologique que l’ANOVA s’impose comme une nécessité absolue. En synthétisant l’ensemble des données dans une matrice unique et en calculant un ratio $F$ fondé sur le modèle global, l’ANOVA agit comme un test omnibus qui contrôle rigoureusement l’erreur de type I à son seuil nominal strict ($\alpha = 0,05$) pour l’ensemble du système expérimental.

Le principe de précaution scientifique repose sur la règle de décision séquentielle : tant que le test omnibus $F$ ne franchit pas le seuil de significativité critique, le chercheur n’est formellement pas autorisé à inspecter les écarts spécifiques entre moyennes de groupe au moyen de tests par paires. Le ratio $F$ agit comme une sentinelle méthodologique : il atteste d’abord de la présence d’une variation globale supérieure à ce que le hasard permettrait d’expliquer, avant d’autoriser l’exploration des contrastes locaux.

Ce mécanisme de protection globale préserve l’intégrité inférentielle de la recherche. Il offre une réponse mathématique rigoureuse au problème des comparaisons multiples en subordonnant l’investigation détaillée à la validation préalable de l’effet global, protégeant ainsi la communauté scientifique contre la prolifération de découvertes illusoires.

6. Postulats statistiques et robustesse : Comparaison des exigences méthodologiques

6.1 L’hypothèse de normalité distributionnelle

En tant que méthodes paramétriques issues du modèle linéaire, le test $t$ de Student et l’analyse de variance reposent tous deux sur le postulat théorique de normalité distributionnelle. Cette condition stipule que la variable dépendante doit suivre une loi normale au sein de chaque sous-population correspondant aux différents groupes expérimentaux (ce qui revient à exiger que les résidus du modèle linéaire soient distribués selon une loi gaussienne de moyenne nulle).

L’évaluation de cette hypothèse s’appuie sur une combinaison d’outils exploratoires visuels (diagrammes quantile-quantile ou tracés Q-Q) et de procédures d’inférence formelles telles que les tests de Shapiro-Wilk ou de Kolmogorov-Smirnov (ajusté par Lilliefors). Les indices d’asymétrie (skewness) et d’aplatissement (kurtosis) fournissent également des repères numériques essentiels pour quantifier les déviations par rapport à la courbe idéale en cloche.

Néanmoins, la sensibilité des tests paramétriques aux entorses à la normalité est largement tempérée par l’action bienfaisante du Théorème Central Limite (TCL). Ce théorème établit que dès lors que la taille des échantillons devient substantielle (typiquement lorsque $n ge 30$ par groupe), la distribution d’échantillonnage des moyennes converge de manière asymptotique vers une loi normale, même si la distribution parente originelle présente des déviations modérées. Ainsi, le test $t$ et l’ANOVA font preuve d’une robustesse remarquable face aux violations modérées de la normalité, à condition que les échantillons demeurent équilibrés et ne soient pas contaminés par des valeurs aberrantes (outliers) sévères, lesquelles peuvent distordre artificiellement la moyenne et gonfler démesurément la variance d’erreur.

6.2 L’homoscédasticité et ses violations

Le deuxième postulat crucial sous-tendant ces analyses est l’hypothèse d’homogénéité des variances, ou homoscédasticité. Cette exigence postule que la dispersion de la variable dépendante autour de la moyenne doit être statistiquement identique dans toutes les populations sous examen :

$$\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$$

La détection de l’hétéroscédasticité s’effectue usuellement par le test de Levene (fondé sur les écarts absolus à la médiane, ce qui lui confère une bonne résistance à la non-normalité) ou par le test de Bartlett (plus sensible à la violation de la normalité).

L’impact d’une violation de l’homoscédasticité dépend intimement de la symétrie des effectifs de groupe (devis équilibré versus déséquilibré). Lorsque les groupes présentent des tailles d’échantillons parfaitement égales ($n_1 = n_2 = dots = n_k$), le test $t$ et l’ANOVA conservent une robustesse remarquable, le taux réel d’erreur de type I oscillant très près du seuil nominal de 5 %. En revanche, l’association conjointe d’un devis déséquilibré et d’une hétérogénéité des variances produit des conséquences désastreuses :

• Si les plus petits échantillons présentent les plus grandes variances, la variance globale d’erreur est systématiquement sous-estimée, ce qui gonfle artificiellement le ratio $F$ (ou la statistique $t$) et propulse le taux d’erreur de type I bien au-delà de 10 % ou 15 % (test libéral).
• Si les plus grands groupes affichent les plus fortes variances, l’erreur globale est surestimée, entraînant une perte dramatique de puissance statistique et une incapacité à détecter des effets réels (test excessivement conservateur).

En présence d’hétéroscédasticité confirmée, les formules paramétriques conventionnelles doivent être abandonnées au profit d’adaptations robustes éprouvées : la correction de Welch-Satterthwaite pour le test $t$, et l’ANOVA de Welch ou la procédure de Brown-Forsythe pour les comparaisons multigroupes. Ces méthodes ajustent mathématiquement à la baisse les degrés de liberté résiduels pour rétablir le contrôle strict du taux d’erreur de type I sans exiger l’abandon du cadre paramétrique.

6.3 L’indépendance des observations et la sphéricité

De tous les postulats méthodologiques, l’indépendance des observations constitue sans équivoque le plus critique et le moins négociable. Cette condition exige que le score d’un participant donné ne soit en aucune manière influencé, prédit ou corrélé avec les scores d’un quelconque autre participant. Contrairement aux entorses à la normalité ou à l’homoscédasticité, pour lesquelles des ajustements mathématiques existent, la violation du postulat d’indépendance vicie irrémédiablement le modèle linéaire à sa racine. Une dépendance non modélisée (comme des élèves évalués au sein d’une même classe, ou des patients suivis par un même thérapeute) génère une sous-estimation massive de l’erreur-type, provoquant une explosion incontrôlée des faux positifs qui ne peut être compensée par le volume de l’échantillon.

Dans le domaine spécifique des plans à mesures répétées (intra-sujets), l’ANOVA est soumise à une exigence distributionnelle additionnelle : le postulat de sphéricité. La sphéricité stipule que les variances de l’ensemble des différences possibles entre chaque paire de conditions expérimentales doivent être rigoureusement égales. Cette condition est formellement examinée au moyen du test de sphéricité de Mauchly.

Lorsque le test de Mauchly se révèle significatif ($p < 0,05$), l'hypothèse de sphéricité est formellement réfutée, ce qui entraîne un biais haussier artificiel du ratio $F$ et une surévaluation de la significativité statistique. Pour neutraliser ce biais, les statisticiens appliquent des facteurs de correction d'Epsilon ($epsilon$) aux degrés de liberté du numérateur et du dénominateur du test $F$. Les deux ajustements de référence sont la correction conservative de Greenhouse-Geisser (privilégiée lorsque l'estimation de l'epsilon est inférieure à 0,75) et la correction de Huynh-Feldt (recommandée lorsque les déviations à la sphéricité sont plus modérées, avec un epsilon supérieur à 0,75). Ces corrections resserrent les exigences de rejet de l'hypothèse nulle sans compromettre l'intégrité du design intra-sujets.

7. Analyses post-hoc et contrastes : Dépasser le caractère omnibus de l’ANOVA

7.1 La nature omnibus du test F et ses limites descriptives

Le principal atout de l’analyse de variance réside dans sa force de synthèse : en condensant la totalité de la variabilité intergroupe au sein d’un indicateur scalaire unique — le ratio $F$ —, elle offre un verdict sans équivoque quant à la présence globale d’une hétérogénéité significative au sein des populations étudiées. Cependant, cette vertu intégratrice constitue également sa plus grande limite sur le plan descriptif. L’obtention d’une $p$-valeur statistiquement significative associée au ratio $F$ autorise exclusivement le chercheur à affirmer qu’au moins une des moyennes de groupe diffère de manière non aléatoire d’au moins une autre moyenne.

Le ratio $F$ ne fournit aucune information spatiale ou topologique relative à la localisation de cette divergence. Face à un devis à cinq groupes expérimentaux affichant un $F$ significatif, le test omnibus est incapable d’indiquer si l’effet est imputable à un groupe marginal divergent s’isolant des quatre autres, à une scission binaire de l’échantillon en deux blocs homogènes, ou à un étalement graduel et continu de l’ensemble des conditions. Se fier à la simple inspection visuelle des moyennes observées pour énoncer des inférences empiriques constitue une régression vers l’analyse descriptive élémentaire, exposant le chercheur aux pièges de la suggestibilité projective. Pour conférer une valeur scientifique rigoureuse aux nuances internes du design, l’ANOVA doit nécessairement être relayée par une seconde étape analytique : l’interrogation ciblée des écarts de moyennes.

7.2 Comparaisons planifiées a priori versus tests post-hoc a posteriori

La décomposition des effets d’une ANOVA se segmente épistémologiquement en deux paradigmes divergents, dictés par la chronologie de la formulation des hypothèses scientifiques : les contrastes planifiés *a priori* et les tests *post-hoc a posteriori*.

Les contrastes planifiés sont élaborés en amont de la phase de collecte des données, trouvant leur justification exclusive dans les prédictions déductives de théories scientifiques formalisées. Le chercheur ne cherche pas à sonder le champ des possibles, mais pose une question ciblée au modèle en assignant un jeu de coefficients mathématiques pondérés ($c_j$) aux différents groupes, respectant la condition formelle $\sum c_j = 0$. Idéalement, lorsque plusieurs contrastes sont formulés, ils sont agencés de manière orthogonale, garantissant l’indépendance informationnelle parfaite de chaque comparaison. L’avantage majeur des contrastes planifiés réside dans leur remarquable puissance statistique : ne testant qu’un nombre circonscrit d’hypothèses théoriques précises, ils n’exigent pas l’application de pénalités probabilistes disproportionnées pour réguler l’erreur de type I.

À l’inverse, les tests post-hoc s’inscrivent dans une démarche exploratoire *a posteriori*. Lorsque les données ont été recueillies sans prédiction hiérarchique explicite, le chercheur scrute la matrice empirique afin d’examiner exhaustivement toutes les paires de moyennes possibles ($k(k – 1)/2$). Cette quête exhaustive rétablit immédiatement la menace de l’inflation de l’erreur par famille (FWER). Pour maintenir la rigueur méthodologique du protocole, les tests post-hoc intègrent systématiquement des pénalisations algorithmiques intrinsèques afin d’ajuster le seuil de rejet proportionnellement au volume de comparaisons testées.

7.3 Panorama des corrections d’erreur par famille

La littérature statistique regorge de procédures post-hoc, chacune matérialisant un compromis singulier entre la sévérité du contrôle de l’erreur de type I et la préservation de la puissance statistique (contrôle de l’erreur de type II) :

• La méthode de Bonferroni : Il s’agit de la procédure la plus intuitive et la plus universelle. Elle consiste à diviser le seuil alpha nominal par le nombre total de comparaisons planifiées ($\alpha_{ajusté} = \alpha / c$). Bien qu’extrêmement robuste et mathématiquement transparente, la correction de Bonferroni devient excessivement conservative dès que le nombre de comparaisons augmente, augmentant drastiquement le risque de manquer des effets réels. L’adaptation séquentielle de Holm-Bonferroni (procédure pas à pas descendante) est aujourd’hui privilégiée car elle confère une puissance statistique supérieure tout en maintenant un contrôle strict du FWER.
• Le test HSD de Tukey (Honestly Significant Difference) : Conçu spécifiquement pour les comparaisons par paires exhaustives sous hypothèse de variances homogènes et d’échantillons de tailles similaires (ou sa variante Tukey-Kramer pour échantillons inégaux). Fondé sur la distribution de l’étendue studentisée ($q$), le test de Tukey ajuste le seuil critique pour examiner toutes les paires possibles tout en bloquant l’erreur globale à exactement 5 %. Il représente le standard méthodologique par excellence dans la recherche expérimentale courante.
• La méthode de Scheffé : Procédure la plus polyvalente et la plus rigoureuse, elle permet d’examiner non seulement les comparaisons directes par paires, mais également n’importe quelle combinaison linéaire complexe imaginable entre les groupes (par exemple, confronter la moyenne consolidée de deux groupes témoins face à celle de trois groupes thérapeutiques). Sa flexibilité absolue a pour corollaire une extrême sévérité : Scheffé est le test le plus conservateur de tout le corpus paramétrique.
• La procédure de Games-Howell : Indispensable dès lors que les données violent sévèrement le postulat d’homogénéité des variances et que les effectifs de groupe sont déséquilibrés. Dérivée des principes d’approximation de Welch, elle calcule des erreurs-types individualisées pour chaque paire et module les degrés de liberté, assurant une protection fiable contre les faux positifs là où le test de Tukey échouerait.

8. Plans factoriels et effets d’interaction : La supériorité structurelle de l’ANOVA

8.1 L’ANOVA multifactorielle (Two-Way ANOVA et au-delà)

L’une des limites les plus rédhibitoires du test $t$ de Student — qu’il soit indépendant ou apparié — réside dans son incapacité intrinsèque à modéliser plus d’une variable indépendante à la fois. Or, les mécanismes psychologiques et neurobiologiques s’articulent rarement autour de déterminismes linéaires isolés. Le comportement émerge invariablement de la convergence synergique de déterminants environnementaux, dispositionnels, biologiques et contextuels. Pour appréhender cette complexité écologique, la méthode statistique doit s’élever au niveau des plans d’expérience factoriels.

L’ANOVA multifactorielle (dont la forme la plus classique est l’ANOVA à deux facteurs, ou Two-Way ANOVA) permet d’incorporer simultanément deux ou plusieurs variables indépendantes catégorielles au sein d’une seule et même équation linéaire. Considérons un protocole évaluant l’efficacité d’une intervention psychologique en manipulant à la fois le Type de Traitement (Facteur A : TCC vs Pleine Conscience) et le Contexte d’Administration (Facteur B : Présentiel vs Téléconsultation). Ce devis factoriel $2 \times 2$ donne naissance à quatre cellules expérimentales distinctes.

Au-delà de la formalisation méthodologique, l’ANOVA factorielle génère une remarquable économie conceptuelle et matérielle. En mobilisant les mêmes participants pour répondre à deux interrogations expérimentales simultanées, le devis réduit considérablement la taille totale d’échantillon requise comparativement à la conduite successive de plusieurs expériences unifactorielles séparées. Elle décompose la variabilité totale en extrayant les effets principaux distincts de chaque facteur ($SS_A$ et $SS_B$), tout en isolant la composante mathématique qui fonde sa véritable supériorité scientifique : le terme d’interaction ($SS_{A \times B}$).

8.2 Le concept fondamental d’interaction statistique

L’effet d’interaction représente l’un des concepts les plus puissants et les plus féconds de toute la démarche scientifique contemporaine. Il y a interaction statistique lorsque l’effet d’une variable indépendante sur la variable dépendante change de magnitude ou d’orientation selon le niveau spécifique d’une autre variable indépendante. En termes méthodologiques, l’effet du facteur A n’est pas additif, mais conditionné par le facteur B :

$$Y_{ijk} = \mu + \alpha_j + \beta_k + (\alpha\beta)_{jk} + \epsilon_{ijk}$$

La visualisation graphique constitue l’outil le plus intuitif pour interpréter une interaction :

• Absence d’interaction : Les lignes représentant les effets d’un facteur à travers les niveaux de l’autre facteur demeurent strictement parallèles. L’effet de la modalité thérapeutique est identique, que le patient soit en présentiel ou en ligne.
• Interaction ordinale : Les trajectoires convergent ou divergent sans se croiser. L’effet du traitement est simplement amplifié ou atténué selon le contexte d’administration, sans que la hiérarchie d’efficacité ne s’inverse.
• Interaction désordinale (croisée) : Les lignes graphiques s’entrecroisent explicitement. Ce cas de figure traduit une inversion complète de la dynamique fonctionnelle : par exemple, la TCC s’avère nettement supérieure à la Pleine Conscience en présentiel, mais devient significativement inférieure à celle-ci lorsqu’elle est transposée en téléconsultation.

Face à une interaction statistique significative, les tests $t$ séquentiels s’avèrent structurellement impuissants. Réaliser des tests $t$ successifs sur des sous-groupes éparpillés masque complètement la structure globale des données et empêche d’évaluer le terme $(\alpha\beta)_{jk}$. De surcroît, la présence d’une interaction majeure invalide l’interprétation brute des « effets principaux » : affirmer qu’un traitement est universellement plus efficace qu’un autre n’a aucun sens scientifique si cette supériorité s’inverse selon le canal d’intervention. Seule l’ANOVA multifactorielle permet de cartographier ces modulations avec rigueur.

8.3 Les plans mixtes en psychologie expérimentale

Dans la recherche expérimentale et clinique, l’architecture empirique combine fréquemment des variables inter-sujets et des variables intra-sujets. Ces protocoles sophistiqués sont formalisés au moyen de l’ANOVA mixte (également désignée sous l’appellation d’ANOVA split-plot). Un exemple prototypique consiste à évaluer des patients répartis au sein de deux groupes diagnostiques (Facteur Inter : Sujets Dépressifs versus Témoins Sains) évalués sur une performance cognitive mesurée à trois moments distincts de la journée (Facteur Intra : Matin, Midi, Soir).

Ce devis factoriel $2 \times 3$ scinde la variance globale en deux strates superposées : une strate de variance inter-sujets (où le facteur Groupe est testé contre la variabilité des individus nichés au sein des groupes) et une strate de variance intra-sujets (où le facteur Temps ainsi que l’interaction Groupe $\times$ Temps sont testés contre la variance d’erreur résiduelle intra-individuelle).

Lorsque l’interaction Groupe $\times$ Temps s’avère significative, elle atteste que la trajectoire circadienne de la performance cognitive fluctue selon le statut clinique des individus. Pour décomposer cette interaction, le chercheur recourt à l’analyse des effets simples, qui consiste à tester l’effet du temps à l’intérieur de chaque groupe séparément, ou l’effet du groupe à chaque palier temporel individuel. L’intégration de telles architectures expérimentales met en exergue le gouffre méthodologique séparant l’ANOVA des tests $t$ élémentaires, démontrant la prééminence du modèle de variance pour capturer la richesse des phénomènes psychologiques dynamiques.

9. Tailles d’effet et puissance statistique : Métriques adaptées à chaque test

9.1 Indices de taille d’effet pour le test t

L’inférence statistique moderne a définitivement rompu avec la dépendance exclusive envers la seule $p$-valeur. Une valeur de $p$ renseigne formellement sur l’incompatibilité des données avec l’hypothèse nulle, mais elle est intrinsèquement tributaire de la taille de l’échantillon : avec un effectif colossal, un écart microscopique et dénué de toute pertinence pratique atteindra inévitablement le seuil de significativité statistique ($p < 0,05$). C'est pourquoi les recommandations contemporaines (notamment de l'APA) imposent de rapporter systématiquement des mesures standardisées de la taille de l’effet, quantifiant la magnitude concrète du phénomène sous investigation.

Pour le test $t$ de Student, l’indicateur d’élection par excellence est le $d$ de Cohen. Il exprime la divergence entre deux moyennes en unités d’écart-type standardisé :

$$d = \frac{\bar{X}_1 – \bar{X}_2}{s_p}$$

où $s_p$ est l’écart-type combiné des groupes. Jacob Cohen a proposé des repères empiriques conventionnels pour interpréter cet indice en sciences humaines : un effet faible ($d = 0,2$), moyen ($d = 0,5$) et fort ($d = 0,8$).

Toutefois, lorsque les effectifs d’échantillons sont très modestes ($N < 20$), le $d$ de Cohen présente un biais systématique d'estimation positive. Il convient alors de mobiliser le $g$ de Hedges, qui applique un facteur de correction polynomial correcteur d'échantillon :

$$g \approx d \times \left(1 – \frac{3}{4(n_1 + n_2) – 9}\right)$$

Enfin, dans les situations où l’homoscédasticité est violée et où l’on soupçonne que le traitement modifie la dispersion même du groupe expérimental, la métrique $\Delta$ de Glass est préconisée. Elle standardise la différence des moyennes exclusivement à l’aide de l’écart-type du groupe contrôle ($s_{contrôle}$), considéré comme le repère non contaminé de la variabilité naturelle de la population parente.

9.2 Indices de taille d’effet pour l’ANOVA

Dans l’écosystème de l’ANOVA, la taille de l’effet ne mesure plus l’écart univarié entre deux points, mais quantifie la proportion de variance de la variable dépendante imputable aux facteurs expérimentaux. Trois indices majeurs structurent cette évaluation :

• L’éta-carré ($\eta^2$) : Métrique historique représentant le ratio direct entre la Somme des Carrés de l’effet et la Somme des Carrés Totale :
  $$\eta^2 = \frac{SS_{effet}}{SS_{total}}$$
  Bien qu’intuitif (s’interprétant directement comme un pourcentage de variance expliquée), l’$\eta^2$ souffre de deux biais majeurs : il surestime la variance expliquée dans l’échantillon par rapport à la population, et dans les plans multifactoriels, la somme des $\eta^2$ de chaque facteur dépend du nombre de variables intégrées dans le devis.
• L’éta-carré partiel ($\eta_p^2$) : Indice standard restitué par les logiciels d’analyse (SPSS, JASP, jamovi). Il isole le facteur d’intérêt en rapportant sa variabilité à la somme de sa propre variance et de la variance d’erreur résiduelle, neutralisant l’impact des autres facteurs :
  $$\eta_p^2 = \frac{SS_{effet}}{SS_{effet} + SS_{erreur}}$$
  Selon les critères de Cohen, un $\eta_p^2$ de 0,01 dénote un effet mineur, 0,06 un effet moyen et 0,14 un effet majeur. Cependant, dans les devis multifactoriels, la somme de l’ensemble des $\eta_p^2$ peut dépasser 1,00, ce qui complique son interprétation intuitive.
• L’oméga-carré ($\omega^2$) : Estimateur non biaisé et hautement recommandé pour la modélisation populationnelle. À l’image du $R^2$ ajusté en régression, l’$\omega^2$ pénalise le résultat en fonction des degrés de liberté et de l’erreur résiduelle :
  $$\omega^2 = \frac{SS_{effet} – (ddl_{effet} \times MS_{erreur})}{SS_{total} + MS_{erreur}}$$
  Pour les devis factoriels complexes, la version partielle ($\omega_p^2$) offre l’estimation la plus probe et la plus reproductible de la force de l’association statistique à l’échelle de la population.

9.3 Calcul de la puissance statistique et détermination de la taille de l’échantillon

La validité d’une démarche inférentielle dépend étroitement de sa puissance statistique ($1 – \beta$), définie comme la probabilité formelle de rejeter à juste titre une hypothèse nulle qui est effectivement fausse dans la population. Dans la recherche expérimentale, une puissance statistique nominale de 0,80 (soit 80 % de chances de détecter un effet s’il existe réellement) est considérée comme le standard minimal acceptable. Négliger cette dimension expose l’expérimentateur au risque d’exécuter des études sous-puissantes, incapables d’aboutir à des conclusions exploitables.

Le calcul de puissance *a priori* — couramment instrumenté par des progiciels tels que G*Power — est indispensable pour dimensionner l’échantillon en amont de toute collecte de données. Cette modélisation lie quatre paramètres interdépendants : le niveau de risque d’erreur de type I ($\alpha$), la puissance désirée ($1 – \beta$), la taille d’échantillon ($N$), et la taille d’effet minimale théoriquement pertinente escomptée ($d$ ou $f$ de Cohen, où $f = \sqrt{\eta^2 / (1 – \eta^2)}$).

La planification de la puissance met en lumière des divergences fondamentales entre les tests. Pour un devis à deux groupes comparés par un test $t$, détecter un effet moyen ($d = 0,5$) avec $\alpha = 0,05$ et une puissance de 0,80 requiert un effectif de $n = 64$ participants par groupe, soit $N = 128$. Dans le cadre d’une ANOVA unifactorielle à quatre groupes ciblant un effet moyen équivalent ($f = 0,25$), l’effectif global exigé s’établit à $N = 180$ individus ($n = 45$ par cellule). Cependant, si le chercheur envisage d’exécuter des corrections post-hoc hautement conservatives comme Bonferroni ou Scheffé, la sévérité du seuil d’ajustement réduit mécaniquement la puissance disponible, contraignant l’expérimentateur à gonfler notablement les cohortes initiales pour maintenir la viabilité probabiliste de son protocole.

10. Applications pratiques en psychologie : Études de cas illustratives

10.1 Cas clinique : Comparaison de deux approches psychothérapeutiques

Afin de concrétiser les arbitrages méthodologiques régissant la sélection des tests, examinons une première étude de cas clinique s’intéressant à la prise en charge du trouble panique avec agoraphobie. Une équipe hospitalière souhaite confronter l’efficacité de deux prises en charge empiriquement fondées : la Thérapie Cognitive-Comportementale classique (TCC) et la Thérapie d’Acceptation et d’Engagement (ACT). Quarante patients diagnostiqués sont assignés de façon aléatoire à l’un des deux protocoles ($n_1 = 20$ en TCC, $n_2 = 20$ en ACT). La variable dépendante est l’amélioration symptomatique, quantifiée par la diminution du score à l’Inventaire d’Agoraphobie de Mobilité (MI) après 12 semaines d’intervention.

Dans ce scénario, la variable indépendante est catégorielle dichotomique ($k = 2$ groupes indépendants), et la variable dépendante est continue d’intervalle. Le recours à un test $t$ de Student pour échantillons indépendants constitue l’option analytique la plus directe, la plus élégante et la plus informative. Bien qu’une ANOVA unifactorielle conduirait à un résultat mathématiquement strictement équivalent ($F = t^2$), le test $t$ est priorisé en vertu de sa lisibilité : le signe de la statistique $t$ permet de statuer immédiatement sur l’orientation de la supériorité clinique.

Avant d’exécuter le test, les cliniciens procèdent à la vérification scrupuleuse des postulats :

• Le test de Shapiro-Wilk confirme la normalité des scores dans chaque cohorte ($p_{TCC} = 0,42$ ; $p_{ACT} = 0,68$).
• Le test de Levene atteste de l’homogénéité parfaite des variances ($F(1, 38) = 0,14, p = 0,71$).

L’application du test $t$ bilatéral pour échantillons indépendants livre les résultats suivants : le groupe ACT présente une réduction moyenne de $M = 14,20$ ($SD = 3,15$), contre $M = 13,85$ ($SD = 3,40$) pour le groupe TCC. Le test révèle : $t(38) = 0,33, p = 0,74$, avec un $d$ de Cohen négligeable de $0,11$. L’équipe conclut formellement à l’absence de différence statistiquement significative entre les deux approches, affirmant la non-infériorité de l’ACT face au traitement de référence pour cette indication clinique.

10.2 Cas cognitif : Effet de trois doses de caféine sur l’attention soutenue

Considérons à présent un protocole relevant des neurosciences cognitives, explorant la modulation psychopharmacologique des capacités attentionnelles. Soixante participants adultes sont soumis à une tâche de vigilance psychomotrice (PVT) mesurant leur temps de réaction moyen (en millisecondes) à des stimuli visuels imprévisibles. Les participants sont répartis aléatoirement entre trois conditions expérimentales en double aveugle ($n = 20$ par groupe) : un groupe Placebo (0 mg de caféine), un groupe Dose Modérée (100 mg) et un groupe Dose Élevée (300 mg).

Ici, la variable explicative comporte $k = 3$ niveaux ordonnés. Tenter de comparer ces conditions par trois tests $t$ indépendants (Placebo vs 100 mg, Placebo vs 300 mg, 100 mg vs 300 mg) est méthodologiquement prohibé, sous peine de propulser le risque de faux positif à $\alpha_{global} = 1 – (0,95)^3 = 14,26%$. L’ANOVA unifactorielle à groupes indépendants s’impose comme l’unique cadre valide.

L’extraction des données livre les moyennes suivantes :

• Placebo : $M = 345\text{ ms}$ ($SD = 28$)
• 100 mg : $M = 310\text{ ms}$ ($SD = 25$)
• 300 mg : $M = 318\text{ ms}$ ($SD = 27$)

L’ANOVA omnibus livre un ratio de variance hautement significatif : $F(2, 57) = 9,48, p < 0,001$, associé à un effet fort $\eta_p^2 = 0,25$. Ce résultat atteste qu'au moins une condition diverge des autres.

Ayant validé la significativité globale, le chercheur applique immédiatement le test post-hoc HSD de Tukey pour cartographier les écarts :

• La comparaison Placebo versus 100 mg est significative ($p < 0,001$), attestant d'un gain substantiel de vitesse d'attention soutenue.
• La comparaison Placebo versus 300 mg est également significative ($p = 0,006$).
• Cependant, la confrontation 100 mg versus 300 mg ne franchit pas le seuil critique ($p = 0,58$).

La conclusion cognitive met en évidence un effet de saturation pharmacologique : l’apport de 100 mg de caféine optimise les temps de réaction, mais tripler la dose à 300 mg n’apporte aucun bénéfice incrémental additionnel, suggérant l’atteinte d’un plafond d’efficacité attentionnelle.

10.3 Cas neuropsychologique mixte : Évolution cognitive longitudinale

Pour illustrer un dispositif expérimental de haute complexité structurelle, considérons une étude neuropsychologique s’intéressant au déclin mnémotechnique chez des patients présentant un Trouble Neurocognitif Léger amnésique (TCL, $n = 25$) comparés à des participants témoins sains appariés ($n = 25$). Les chercheurs souhaitent examiner l’évolution de la mémoire épisodique verbale (score à une tâche de rappel différé) à travers trois temps de mesure réguliers : à l’inclusion ($T_0$), après 12 mois ($T_1$) et après 24 mois ($T_2$).

Ce protocole met en scène deux variables indépendantes distinctes : une variable inter-sujets (Groupe : TCL vs Témoins) et une variable intra-sujets à mesures répétées (Temps : $T_0$, $T_1$, $T_2$). Aucun test $t$ ne peut rendre compte de cette double dynamique. Seule une ANOVA factorielle mixte $2 \times 3$ (Split-Plot ANOVA) permet de modéliser ce devis.

L’analyse met en lumière :

1. Un effet principal du Groupe significatif : $F(1, 48) = 45,12, p < 0,001, \eta_p^2 = 0,48$, attestant que globalement, les patients TCL affichent des performances inférieures aux témoins.
2. Un effet principal du Temps significatif : $F(2, 96) = 18,34, p < 0,001, \eta_p^2 = 0,28$, traduisant une diminution globale des scores au fil des deux années.
3. Une interaction Groupe $\times$ Temps hautement significative : $F(2, 96) = 12,65, p < 0,001, \eta_p^2 = 0,21$.

L’apparition de cette interaction majeure constitue la découverte clinique centrale. L’analyse ultérieure des effets simples révèle que si les témoins sains maintiennent des performances stables à travers les trois temps d’évaluation ($p = 0,38$), le groupe de patients TCL subit une dégradation linéaire drastique et continue de son score de rappel différé entre $T_0$ et $T_2$ ($p < 0,001$). Ce profil de divergence temporelle asymétrique n'aurait jamais pu être formalisé sans l'architecture matricielle de l'ANOVA mixte.

11. Guide opérationnel et reporting académique selon les normes de l’APA (7e édition)

11.1 Protocole de restitution des résultats du test t selon l’APA

La diffusion rigoureuse des résultats quantitatifs dans les revues affiliées à l’American Psychological Association (APA) obéit à des conventions typographiques et structurelles inflexibles. Pour le test $t$ de Student, l’énoncé textuel doit obligatoirement juxtaposer les statistiques descriptives complètes (moyennes et écarts-types pour chaque groupe) et la chaîne d’inférence statistique normalisée, comprenant la lettre de la statistique en italique ($t$), les degrés de liberté placés entre parenthèses, la valeur calculée arrondie au centième près, la valeur de probabilité exacte ($p$) au millième près, et la taille de l’effet standardisée ($d$ de Cohen ou $g$ de Hedges).

La règle typographique stipule qu’aucun zéro ne doit précéder la virgule décimale pour les indicateurs bornés par 1 (comme la $p$-valeur), tandis que le zéro est maintenu pour les métriques non bornées (comme la valeur de $t$ ou le $d$). De plus, la mention explicite de la direction de l’effet et de l’intervalle de confiance à 95 % de la différence renforce la probité du compte-rendu.

Exemple canonique de restitution APA pour un test t indépendant :

« Un test t de Student pour échantillons indépendants a été conduit afin de comparer l’efficacité de la thérapie ACT ($n = 20$) face à la TCC ($n = 20$) sur la réduction de l’anxiété. Les résultats n’indiquent aucune divergence statistiquement significative entre le groupe ACT ($M = 14,20$, $SD = 3,15$) et le groupe TCC ($M = 13,85$, $SD = 3,40$), $t(38) = 0,33$, $p = 0,741$, $d = 0,11$, IC à 95 % $[-1,75 ; 2,45]$. Ces données confirment l’absence d’écart mesurable entre les deux modalités d’intervention. »

11.2 Protocole de restitution des résultats de l’ANOVA selon l’APA

Le reporting d’une analyse de variance selon l’APA 7e édition exige la déclaration conjointe de deux ensembles de degrés de liberté pour chaque ratio $F$ rapporté : les degrés de liberté associés au facteur manipulé (effet intergroupe) suivis de ceux de l’erreur résiduelle (effet intragroupe), séparés par une virgule au sein de la parenthèse : $F(ddl_{effet}, ddl_{erreur})$. Cette information est immédiatement suivie de la valeur exacte de $F$, de la $p$-valeur et de l’indice de taille d’effet privilégié (usuellement $\eta_p^2$ ou $\omega^2$).

En présence d’effets significatifs requérant des tests post-hoc, le chercheur doit expliciter la procédure d’ajustement mobilisée (par exemple Tukey, Bonferroni) et restituer les valeurs de $p$ ajustées conjointement aux statistiques descriptives de chaque groupe.

Exemple canonique de restitution APA pour une ANOVA unifactorielle :

« Une analyse de variance unifactorielle à groupes indépendants a mis en évidence un effet significatif de la dose de caféine sur le temps de réaction des participants, $F(2, 57) = 9,48$, $p < 0,001$, $\eta_p^2 = 0,25$. Des comparaisons post-hoc menées à l'aide du test HSD de Tukey indiquent que le groupe Dose Modérée ($M = 310\text{ ms}$, $SD = 25$) et le groupe Dose Élevée ($M = 318\text{ ms}$, $SD = 27$) affichent tous deux des temps de réaction significativement plus rapides que le groupe Placebo ($M = 345\text{ ms}$, $SD = 28$, respectivement $p < 0,001$ et $p = 0,006$). En revanche, aucune différence significative n'a été détectée entre les doses de 100 mg et 300 mg ($p = 0,582$). »

11.3 Erreurs fréquentes d’interprétation et de rédaction dans la littérature scientifique

Malgré la codification rigoureuse des normes internationales, plusieurs dérives conceptuelles et rédactionnelles polluent fréquemment les publications empiriques en sciences humaines :

• Le mirage de la « tendance à la significativité » : Face à une $p$-valeur oscillant entre 0,051 et 0,099, de nombreux auteurs tentent d’arranger leurs conclusions en revendiquant une « tendance quasi-significative ». Cette rhétorique est formellement condamnée par les méthodologistes : le cadre de Neyman-Pearson repose sur une règle de décision binaire stricte dictée par le seuil $\alpha$ fixé *a priori*. Un résultat est soit significatif, soit non significatif ; l’assertion de tendances intermédiaires viole la rigueur probabiliste de l’inférence.
• La confusion entre significativité statistique et pertinence clinique : Rejeter l’hypothèse nulle ($p < 0,05$) n'implique nullement que l'effet découvert possède une quelconque importance pratique dans le monde réel. Une intervention réduisant la tension artérielle de 0,5 mm de mercure peut s'avérer statistiquement significative sur un échantillon de 10 000 sujets, tout en étant médicalement triviale. C'est l'examen conjoint de la taille de l'effet ($d$, $\eta_p^2$) et des intervalles de confiance qui permet de statuer sur la valeur pragmatique des résultats.
• L’omission de rapporter les tailles d’effet et les postulats : Publier des tests paramétriques sans avoir formellement évalué ni consigné la vérification de la normalité et de l’homoscédasticité constitue une lacune méthodologique majeure, empêchant les pairs d’évaluer la robustesse des conclusions tirées.

12. Arbre décisionnel méthodologique et alternatives non paramétriques

12.1 Algorithme de décision séquentiel pour le choix du test statistique

Pour guider le praticien et le chercheur à travers le dédale des choix analytiques, le processus décisionnel quantitatif peut être schématisé sous forme d’une cascade séquentielle rigoureuse articulée autour de quatre interrogations cardinales :

1. Structure de la variable dépendante : La mesure est-elle quantitative continue d’intervalle ou de rapport ? Si la variable est purement ordinale ou nominale, le cadre paramétrique ($t$ et ANOVA) doit être écarté au profit de modélisations catégorielles (tests du Chi-carré) ou non paramétriques.
2. Nombre de niveaux de la variable indépendante : Combien de groupes ou de conditions expérimentales le design comporte-t-il ?
   • Si $k = 2$ : Le test $t$ de Student représente le choix optimal.
   • Si $k ge 3$ : L’ANOVA s’impose obligatoirement pour préserver le FWER.
3. Nature de l’échantillonnage : Les conditions expérimentales impliquent-elles des cohortes distinctes ou les mêmes sujets évalués de manière répétée ?
   • Groupes distincts : Test $t$ pour échantillons indépendants ou ANOVA à groupes indépendants.
   • Mesures répétées ou appariées : Test $t$ pour échantillons appariés ou ANOVA à mesures répétées.
4. Complexité factorielle : Le devis évalue-t-il l’influence d’un facteur unique ou manipule-t-il simultanément deux variables ou plus ? Dès lors que deux facteurs explicatifs interagissent, l’ANOVA factorielle (ou mixte) devient la seule modélisation théoriquement adaptée.

12.2 Alternatives non paramétriques en cas de violation sévère des postulats

Lorsque les données empiriques bafouent irrémédiablement les postulats du modèle linéaire — présence de distributions fortement asymétriques, effectifs minuscules interdisant l’invocation du Théorème Central Limite, ou échelles de mesure purement ordinales —, l’usage aveugle du test $t$ et de l’ANOVA devient méthodologiquement proscrit. Le chercheur doit alors opérer une translation vers la sphère des tests non paramétriques (fondés sur l’analyse des rangs plutôt que des moyennes brutes) :

• Remplacement du test t indépendant : Le test U de Mann-Whitney (ou Wilcoxon-Mann-Whitney). En classant l’ensemble des observations par ordre de rang croissant tous groupes confondus, il évalue si la somme des rangs d’un groupe diverge de manière disproportionnée de celle du second groupe, testant ainsi l’égalité stochastique des distributions sans exiger la normalité des populations parentes.
• Remplacement du test t apparié : Le test des rangs signés de Wilcoxon. Il analyse la médiane des scores de différence individuelle en pondérant chaque écart par son rang hiérarchique, neutralisant ainsi la variabilité intersujet sans postuler une loi normale des écarts.
• Remplacement de l’ANOVA unifactorielle : Le test de Kruskal-Wallis. Extension directe de Mann-Whitney à $k ge 3$ groupes indépendants. Il compare la somme moyenne des rangs entre les différents bras de traitement, fournissant un test omnibus non paramétrique régissant l’erreur globale.
• Remplacement de l’ANOVA à mesures répétées : Le test de Friedman. Il procède à un classement par rangs des conditions expérimentales à l’intérieur de chaque sujet individuel, testant si la hiérarchie des modalités répétées s’écarte d’une distribution uniforme purement aléatoire.

12.3 Ouverture vers les modélisations linéaires avancées

Si la dichotomie fondamentale entre test $t$ et ANOVA structure l’initiation à l’analyse quantitative, la pratique contemporaine de la recherche requiert fréquemment de dépasser ce clivage élémentaire pour embrasser des modélisations statistiques intégratives plus puissantes issues du Modèle Linéaire Généralisé :

• L’analyse de covariance (ANCOVA) : Elle combine les mécanismes de l’ANOVA factorielle et de la régression linéaire multiple. En introduisant une ou plusieurs covariables quantitatives continues mesurées en amont (comme l’âge des participants ou leur score initial d’anxiété), l’ANCOVA soustrait la variance attribuable à cette variable parasite de la variance d’erreur résiduelle, décuplant ainsi la sensibilité et la puissance statistique du test de l’effet de traitement principal.
• L’analyse de variance multivariée (MANOVA) : Nécessaire dès lors qu’un protocole expérimental mesure simultanément plusieurs variables dépendantes continues conceptuellement interconnectées (par exemple, évaluer l’impact d’une psychothérapie sur l’anxiété, la dépression et l’estime de soi conjointement). La MANOVA crée une variable synthétique linéaire optimale, protégeant l’expérimentateur contre l’inflation de l’erreur de type I inhérente à la multiplication d’ANOVAs univariées séparées.
• Les Modèles Linéaires Mixtes (LMM / HLM) : Représentant l’étalon-or moderne dans l’analyse de données hiérarchiques et longitudinales, les modèles mixtes surpassent définitivement les contraintes de l’ANOVA à mesures répétées classique. Ils intègrent avec aisance des trajectoires temporelles non linéaires, traitent élégamment les données manquantes sans exiger l’exclusion arbitraire de participants (contrairement à l’ANOVA qui applique la suppression de liste), et modélisent simultanément des effets fixes (paramètres populationnels) et des effets aléatoires (variabilité individuelle d’interception et de pente), offrant une résolution analytique d’une sophistication inégalée.

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.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal N’s and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113–125. https://doi.org/10.2307/1164979
• Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
• Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.2307/1164588
• Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733
• Howell, D. C. (2012). Statistical methods for psychology (8th ed.). Cengage Learning.
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2017). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, 231(694-706), 289–337. https://doi.org/10.1098/rsta.1933.0009
• Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434
• Scheffé, H. (1959). The analysis of variance. John Wiley & Sons.
• Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554
• Tukey, J. W. (1949). Comparing individual means in the analysis of variance. Biometrics, 5(2), 99–114. https://doi.org/10.2307/3001913
• Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28–35. https://doi.org/10.2307/2332510