Qu’est-ce que l’hypothèse d’indépendance en statistique ?

Dans l’édifice imposant de la statistique inférentielle moderne, certaines hypothèses agissent comme des piliers invisibles sur lesquels repose l’intégralité des déductions scientifiques. Si des postulats tels que la normalité de la distribution des résidus ou l’homogénéité des variances font régulièrement l’objet de vérifications méticuleuses et de débats méthodologiques animés au sein des publications empiriques, un postulat encore plus fondamental demeure fréquemment relégué à l’arrière-plan ou tenu pour acquis : l’hypothèse d’indépendance des observations. Pourtant, cette prémisse constitue le cœur battant de la théorie des probabilités appliquées. Dès lors qu’un chercheur entreprend de généraliser les conclusions tirées d’un échantillon fini vers une population parente plus vaste, la validité logique de sa démarche dépend de manière critique de l’absence de liens stochastiques non modélisés entre ses unités expérimentales.

L’illusion d’une indépendance naturelle est particulièrement prégnante dans les sciences humaines, sociales, comportementales et biomédicales. Dans ces disciplines, les données ne sont pas générées par des automates désincarnés opérant dans un vide absolu, mais sont issues d’êtres humains interconnectés, inscrits dans des contextes spatiotemporels, culturels, organisationnels et familiaux complexes. Qu’il s’agisse d’évaluer l’efficacité d’une psychothérapie, de sonder les dynamiques d’apprentissage en milieu scolaire ou de modéliser des réactions cognitives en laboratoire, chaque mesure porte potentiellement en elle l’empreinte de proximités partagées, d’influences mutuelles ou d’une histoire commune. Ignorer ces dépendances structurelles équivaut à bâtir un raisonnement mathématique sur des fondations mouvantes, transformant des calculs apparemment rigoureux en artifices de calcul incapables de soutenir l’épreuve de la réplication.

Le présent traité propose une déconstruction exhaustive de l’hypothèse d’indépendance en statistique. En explorant ses fondements probabilistes rigoureux, ses manifestations au sein des principaux modèles d’analyse univariés et multivariés, les causes structurelles de sa violation, ainsi que ses conséquences désastreuses sur l’erreur de type I et la précision des estimations, ce document vise à fournir aux chercheurs, statisticiens et étudiants avancés les clés conceptuelles, diagnostiques et méthodologiques pour naviguer avec rigueur dans la complexité des données réelles. Nous verrons que loin d’être un obstacle insurmontable, la dépendance statistique, lorsqu’elle est correctement appréhendée et modélisée, ouvre la voie à une compréhension infiniment plus riche et écologique des phénomènes étudiés.

1. Introduction conceptuelle : Définition fondamentale de l’indépendance statistique

1.1 Définition formelle et intuitive de l’indépendance des observations

Sur le plan conceptuel, l’indépendance entre deux unités statistiques se définit par l’absence totale de relation prédictive ou d’information partagée entre elles : la connaissance de la valeur observée chez un premier individu n’apporte strictement aucune information quant à la valeur que prendra cette même variable chez un second individu. De manière probabiliste formelle, deux événements A et B sont dits indépendants si et seulement si leur probabilité conjointe correspond au produit de leurs probabilités marginales respectives, ce qui s’écrit mathématiquement selon la règle de multiplication classique :

P(A ∩ B) = P(A) × P(B)

Transposée au domaine de l’échantillonnage et de la collecte de données, cette règle implique que la distribution de probabilité conditionnelle d’une observation ne doit pas être altérée par la réalisation ou la mesure d’une autre observation. Si nous mesurons une variable quantitative Y chez deux sujets distincts i et j, l’hypothèse d’indépendance stipule que la fonction de densité conditionnelle satisfait l’égalité fondamentale :

f(Y_i | Y_j = y_j) = f(Y_i)

Il est impératif d’établir ici une distinction épistémologique cruciale entre l’indépendance causale et l’indépendance statistique. Deux entités peuvent être parfaitement exemptes de toute relation causale directe sans pour autant être statistiquement indépendantes. Par exemple, deux étudiants qui ne se sont jamais rencontrés et n’exercent aucune influence directe l’un sur l’autre peuvent présenter des performances académiques corrélées du simple fait qu’ils partagent le même enseignant, suivent le même cursus ou sont soumis aux mêmes exigences institutionnelles. Inversement, l’absence de corrélation linéaire ne garantit pas à elle seule l’indépendance stochastique, cette dernière exigeant l’absence de tout lien fonctionnel, linéaire ou non linéaire. Dans la théorie de l’échantillonnage aléatoire simple, cette condition d’indépendance mutuelle entre chaque unité sélectionnée garantit que chaque nouvelle observation apporte une quantité pleine et entière d’information nouvelle, condition sine qua non de la validité de l’inférence.

1.2 L’analogie de la portée et les regroupements naturels

Pour illustrer de façon tangible la mécanique de l’interdépendance, l’analogie classique de la portée en biologie et en médecine vétérinaire demeure particulièrement éclairante. Imaginons qu’un chercheur souhaite évaluer l’effet d’un nouveau complément nutritionnel sur le poids corporel de chatons nouveau-nés. S’il recrute cinquante chatons provenant de dix portées distinctes (soit cinq chatons par portée), commettrait-il une faute en considérant qu’il dispose d’un échantillon effectif de taille N = 50 observations indépendantes ? La réponse est sans équivoque : oui. En effet, les animaux issus d’une même portée partagent un bagage génétique commun substantiel, ont bénéficié du même environnement utérin chez la même mère et ont été exposés aux mêmes conditions thermiques et d’allaitement post-natal immédiat. Les résidus associés aux chatons d’une même fratrie sont dès lors intimement liés.

Ces regroupements naturels engendrent ce que la statistique désigne sous le terme d’effets de grappe ou de conglomérat (clustering effects). Lorsque des observations sont nichées au sein d’unités d’ordre supérieur, la variance globale d’un phénomène se scinde en deux composantes distinctes : la variance existant à l’intérieur des grappes et celle existant entre les grappes. Les individus au sein d’un même groupe se ressemblent davantage entre eux qu’ils ne ressemblent aux membres d’autres groupes. Ce phénomène de similitude intra-groupe brise net la prémisse d’indépendance : dès lors que nous connaissons le poids moyen particulièrement élevé d’une portée spécifique, la probabilité que le cinquième chaton de cette même portée soit également lourd devient considérablement plus élevée que celle d’un chaton choisi au hasard dans la population générale.

Cette problématique biologique se transpose trait pour trait aux sciences sociales et comportementales. Lorsque des psychologues étudient des fratries, des jumeaux, ou analysent les dynamiques relationnelles au sein de couples et de dyades thérapeutiques, chaque partenaire constitue une observation nichée. Prétendre analyser les réponses de deux membres d’une même dyade amoureuse comme s’il s’agissait de deux individus tirés au sort indépendamment dans la population globale constitue une violation manifeste du postulat d’indépendance, les réponses de l’un étant structurellement influencées, synchronisées ou contrastées par rapport à celles de l’autre.

1.3 Différenciation entre variables indépendantes et observations indépendantes

Une confusion terminologique récurrente chez les étudiants et certains chercheurs juniors réside dans l’assimilation erronée entre la notion de variable indépendante (VI) et le postulat d’indépendance des observations. Cette polysémie malheureuse du terme « indépendance » constitue l’un des pièges pédagogiques les plus fréquents de l’apprentissage méthodologique. Une variable indépendante, dans le contexte d’un plan factoriel ou d’une régression, désigne simplement la variable explicative, le prédicteur ou le facteur manipulé par l’expérimentateur dans le but d’évaluer son effet sur une variable dépendante (VD). Le qualificatif d’indépendance réfère ici au fait que les niveaux de cette variable sont supposés fixés ou définis a priori, sans être déterminés par la variable d’intérêt clinique ou comportementale.

À l’inverse, l’hypothèse d’indépendance des observations ne porte nullement sur la structure de conception des prédicteurs, mais sur la nature probabiliste des unités d’échantillonnage et, plus particulièrement, sur les erreurs résiduelles du modèle. On peut parfaitement concevoir une expérience dotée d’une variable indépendante orthogonale (par exemple, un traitement administré selon deux conditions expérimentales bien équilibrées : placebo contre molécule active) qui viole de manière catastrophique l’hypothèse d’indépendance des observations. Tel serait le cas si tous les participants du groupe placebo étaient testés simultanément dans une même salle bruyante tandis que les sujets du groupe expérimental étaient évalués individuellement dans un bureau insonorisé.

L’indépendance statistique est une propriété intrinsèque de la structure stochastique des résidus. Confondre le rôle structural d’une variable dans une équation avec le comportement des erreurs de mesure conduit souvent à un faux sentiment de sécurité méthodologique : le fait d’avoir aléatoirement assigné des sujets à une variable indépendante n’assure en rien que les observations recueillies par la suite demeurent indépendantes les unes des autres tout au long du protocole expérimental.

2. Les fondements mathématiques et probabilistes de l’indépendance

2.1 Variables aléatoires et distributions conditionnelles

Pour aborder avec rigueur la mécanique de l’indépendance, il est indispensable d’examiner le formalisme régissant les variables aléatoires. Soient deux variables aléatoires réelles, X et Y, définies sur un même espace de probabilité. L’indépendance stochastique entre X et Y s’énonce formellement par l’égalité entre leur fonction de répartition conjointe F_X,Y(x, y) et le produit de leurs fonctions de répartition marginales respectives F_X(x) et F_Y(y), pour tout couple de réels (x, y) :

F_X,Y(x, y) = F_X(x) × F_Y(y)

Au niveau des densités de probabilité continues, cela se traduit de manière analogue par f(x, y) = f_X(x) f_Y(y), ce qui implique immédiatement l’invariance de la distribution conditionnelle :

f(y | x) = f_Y(y) pour tout x tel que f_X(x) > 0

Une déduction mathématique immédiate de cette relation concerne l’espérance du produit de deux variables indépendantes : E[XY] = E[X] × E[Y]. Par conséquent, la covariance entre X et Y, définie par Cov(X, Y) = E[(X – E[X])(Y – E[Y])] = E[XY] – E[X]E[Y], est strictement nulle lorsque l’indépendance est vérifiée.

Cependant, il convient de souligner avec la plus grande force qu’une covariance nulle constitue une condition nécessaire mais absolument non suffisante pour affirmer l’indépendance stochastique. L’annulation de la covariance — et par corollaire du coefficient de corrélation linéaire de Bravais-Pearson — indique seulement l’absence d’association linéaire de premier degré entre les deux variables. Deux variables peuvent être intimement liées de manière non linéaire tout en présentant une corrélation linéaire exactement égale à zéro. Par exemple, si X suit une distribution normale centrée et réduite et que Y = X², la dépendance déterministe entre les deux variables est totale, mais leur covariance est rigoureusement nulle en vertu des propriétés de symétrie. L’indépendance exige l’absence de tout lien statistique, qu’il soit d’ordre linéaire, quadratique, exponentiel ou chaotique.

2.2 L’hypothèse IID (Indépendantes et Identiquement Distribuées)

La quasi-totalité des développements fondamentaux de la statistique mathématique repose sur l’hypothèse canonique selon laquelle les observations d’un échantillon constituent une famille de variables aléatoires indépendantes et identiquement distribuées, couramment désignée sous l’acronyme IID. L’exigence que les variables soient « identiquement distribuées » postule qu’elles émanent toutes de la même loi de probabilité sous-jacente avec des paramètres invariants (même moyenne μ et même variance σ²). L’exigence qu’elles soient « indépendantes » garantit que l’occurrence d’une valeur ne conditionne pas l’occurrence des autres.

Cette double hypothèse est le moteur du célèbre Théorème Central Limite (TCL). Sous le postulat IID, la somme standardisée d’un grand nombre de variables aléatoires de variance finie converge asymptotiquement en loi vers une distribution normale standard, indépendamment de la distribution originelle de ces variables. Ce théorème prodigieux justifie l’utilisation des tests paramétriques usuels (test t, régression, ANOVA) sur de grands échantillons :

lim_{n → ∞} P( (S_n – nμ) / (σ √n) ≤ z ) = Φ(z)

Toutefois, dès lors que la clause d’indépendance est violée, la variance de la somme n’est plus la somme des variances simples, mais intègre l’ensemble de la matrice des covariances :

Var(∑ X_i) = ∑ Var(X_i) + 2 ∑_{i < j} Cov(X_i, X_j)

Lorsque les covariances croisées Cov(X_i, X_j) sont positives — ce qui est le cas dans la majorité des regroupements contextuels —, la variance empirique de la moyenne explose bien au-delà de la valeur nominale σ² / n. Les garanties asymptotiques du théorème central limite vacillent, les distributions d’échantillonnage théoriques ne correspondent plus aux distributions réelles, et les calculs de probabilités critiques (valeurs p) deviennent fallacieux. Si, de surcroît, cette rupture d’indépendance se combine à de l’hétéroscédasticité (variances inégales), l’appareil inférentiel standard s’effondre intégralement.

2.3 Degrés de liberté et information réelle

Le concept de degrés de liberté (degrees of freedom, notés ddl) représente l’un des aspects les plus élégants et les plus méconnus de la théorie statistique. Il désigne mathématiquement la dimensionnalité de l’espace vectoriel dans lequel les résidus peuvent fluctuer librement, ce qui correspond concrètement au nombre de pièces d’information indépendantes et non redondantes fournies par l’ensemble des données collectées pour estimer les paramètres du modèle.

Dans un échantillon de taille N strictement indépendant, chaque sujet apporte une unité complète d’information nouvelle. En conséquence, après déduction des contraintes nécessaires à l’estimation des paramètres de localisation (comme la moyenne générale), le nombre de degrés de liberté résiduels s’élève classiquement à N – 1 ou N – k. En revanche, lorsque les données sont corrélées ou organisées en grappes, cette identité entre la taille nominale de l’échantillon N et la quantité d’information disponible est irrémédiablement rompue. Puisque les individus au sein d’une même unité partagent une fraction substantielle de variance commune, ils se répètent mutuellement de manière partielle. L’analyste ne dispose plus de N données uniques, mais d’une quantité d’information bien inférieure.

Pour formaliser cette déperdition d’information, le statisticien Leslie Kish a introduit la notion de taille effective d’échantillon (effective sample size, notée N_eff). En présence d’un plan d’échantillonnage en grappes de taille moyenne m et caractérisé par une corrélation intra-classe ρ (ICC), la taille d’échantillon effective se formule comme suit :

N_eff = N / [1 + (m – 1)ρ]

Le dénominateur [1 + (m – 1)ρ] est désigné sous le nom d’effet de plan (Design Effect ou VIF_grappe). Si un chercheur interroge 500 élèves répartis dans 10 classes de 50 élèves chacune (m = 50) et que l’ICC est de 0,10, l’effet de plan atteint 1 + (49 × 0,10) = 5,9. Par conséquent, la taille effective de cet échantillon n’est pas de 500, mais de 500 / 5,9 ≈ 85 observations. Réaliser des calculs inférentiels en attribuant 499 degrés de liberté à cette cohorte revient à fabriquer artificiellement plus de 400 degrés de liberté fantômes, conférant au test une fausse certitude qui pulvérise le contrôle des erreurs statistiques.

3. L’hypothèse d’indépendance dans le test t pour deux échantillons indépendants

3.1 Conditions de validité du test t de Student et de Welch

Le test t de Student pour deux échantillons indépendants ainsi que sa variante hétéroscédastique de Welch constituent sans doute les outils de comparaison de moyennes les plus répandus de la littérature scientifique. Les manuels d’introduction à la statistique énumèrent traditionnellement trois conditions préalables à leur application : la distribution approximativement normale de la variable au sein de chaque groupe, l’homogénéité des variances (homoscédasticité, bien que le test de Welch s’en affranchisse brillamment), et l’indépendance absolue des observations à l’intérieur de chaque échantillon et entre les deux groupes.

Il existe toutefois une asymétrie monumentale dans la tolérance de ces tests à la violation de ces trois postulats. La statistique mathématique et les études intensives de simulation de Monte-Carlo ont démontré de longue date que le test t se montre remarquablement robuste face aux entorses à la normalité en vertu du théorème central limite, pour peu que la taille de l’échantillon soit modérément élevée et que les distributions ne présentent pas d’asymétrie ou d’aplatissement monstrueux. De même, la disparité des variances est parfaitement neutralisée par l’ajustement de Welch-Satterthwaite sur les degrés de liberté résiduels.

En revanche, la condition d’indépendance présente un caractère absolu et non négociable. Le test t pour échantillons indépendants ne possède strictement aucune tolérance face à la non-indépendance. Il présuppose que la covariance entre une observation quelconque du premier groupe et n’importe quelle observation du second groupe est rigoureusement nulle :

Cov(Y_1i, Y_2j) = 0 ∀ (i, j)

Si les deux ensembles d’observations partagent un facteur de liaison systématique, l’utilisation du test pour échantillons indépendants au détriment du test pour échantillons appariés constitue une faute majeure. La procédure de Welch ou de Student est totalement démunie pour réajuster d’elle-même son dénominateur face à une telle configuration.

3.2 Exemples concrets de violation du test t en psychologie

Pour matérialiser cette dérive dans la pratique empirique, considérons un essai clinique randomisé évaluant l’efficacité d’une nouvelle thérapie cognitive pour réduire l’anxiété sociale. Le chercheur recrute 40 patients anxieux qu’il assigne aléatoirement à deux conditions : 20 individus reçoivent une thérapie individuelle tandis que les 20 autres sont placés dans un groupe de parole collectif conduit par un unique thérapeute. À l’issue des dix semaines de protocole, le clinicien compare les scores d’anxiété des deux groupes à l’aide d’un test t standard pour échantillons indépendants. Ce design viole lourdement le postulat d’indépendance. Au sein de la condition de groupe, les participants ont interagi, ont partagé leurs doutes, ont développé des liens affectifs et ont tous été soumis à la personnalité et aux compétences spécifiques de ce thérapeute particulier. Les 20 observations de ce groupe ne sont pas indépendantes : elles sont mutuellement corrélées par la dynamique groupale partagée.

Un deuxième cas d’école très fréquent découle de la confusion entre mesures répétées et sujets distincts. Un expérimentateur évalue le temps de réaction de 15 conducteurs confrontés à deux interfaces visuelles différentes dans un simulateur de conduite. Si, pour maximiser la puissance de calcul, l’analyste traite chaque essai répété comme une ligne indépendante dans sa matrice de données — comparant par exemple 300 mesures issues de la première interface à 300 mesures de la seconde sans spécifier que ces 600 essais n’émanent en réalité que de 15 conducteurs uniques —, il commet une pseudo-réplication flagrante. Le test t analysera les données comme si 600 individus autonomes avaient été testés, alors que la stabilité cognitive propre à chaque individu lie inexorablement ses réponses successives.

Un troisième exemple classique concerne le recrutement de couples hétérosexuels dans des recherches sur la communication conjugale. Assigner systématiquement les conjoints masculins au groupe de traitement A et les conjointes féminines au groupe de traitement B, puis analyser la différence entre les deux groupes via un test t indépendant, ignore le fait indiscutable que les dynamiques au sein de chaque couple créent une covariance substantielle entre les réponses des partenaires, détruisant l’autonomie probabiliste des observations.

3.3 Sensibilité du test t à la dépendance sérielle et intraclasse

La conséquence mathématique directe de l’introduction d’une dépendance positive entre les unités statistiques est la distorsion sévère de l’erreur type de la différence de moyennes. Rappelons que la statistique t s’obtient en divisant la différence empirique des moyennes par son erreur type estimée :

t = (Ȳ₁ – Ȳ₂) / SE(Ȳ₁ – Ȳ₂)

Dans un contexte d’indépendance parfaite, l’erreur type théorique s’écrit :

SE(Ȳ₁ – Ȳ₂) = √[ (σ₁² / n₁) + (σ₂² / n₂) ]

Toutefois, si les observations à l’intérieur des groupes présentent une corrélation intra-classe positive non nulle ρ > 0 en raison d’un effet de grappe ou de session partagée, la variance réelle de la moyenne d’un groupe devient :

Var(Ȳ) = (σ² / n) [1 + (n – 1)ρ]

En ignorant le facteur multiplicatif [1 + (n – 1)ρ], la formule standard du test t sous-estime drastiquement le dénominateur de la fraction. L’erreur type calculée est artificiellement minuscule. En conséquence, la statistique t obtenue est artificiellement gonflée, propulsant le résultat loin dans la région de rejet critique de la distribution théorique. Le taux d’erreur de première espèce nominal (usuellement fixé au seuil α = 0,05) subit une inflation spectaculaire : pour un groupe de 20 sujets affichant une corrélation intra-classe apparemment anodine de ρ = 0,10, le taux d’erreur α réel grimpe souvent au-delà de 20 % ou 30 %. Le chercheur conclut à l’existence d’une différence thérapeutique statistiquement significative qui n’est en vérité qu’un pur artefact issu de la méconnaissance de la structure de dépendance interne des données.

4. L’indépendance des résidus et des observations dans l’analyse de variance (ANOVA)

4.1 L’hypothèse d’indépendance dans l’ANOVA factorielle et unidirectionnelle

L’analyse de variance (ANOVA), développée par Ronald A. Fisher, repose sur une décomposition algébrique rigoureuse de la somme totale des carrés des écarts (SS_Total) en composantes orthogonales indépendantes : la variance attribuable aux facteurs contrôlés entre les groupes (SS_Inter) et la variance résiduelle non expliquée à l’intérieur des groupes (SS_Intra ou SS_Erreur) :

SS_Total = SS_Traitement + SS_Erreur

La validité probabiliste de ce rapport de variances, évalué via la statistique F de Fisher-Snedecor, exige de manière incontournable que les termes d’erreur résiduelle ε_ij associés à chaque observation individuelle Y_ij = μ + α_j + ε_ij soient des variables aléatoires indépendantes mutuellement non corrélées, de moyenne nulle et de variance homogène σ².

L’orthogonalité mathématique des sous-espaces de projection dans l’espace géométrique des données dépend strictement de cette hypothèse. Lorsque les résidus sont indépendants, le numérateur (carré moyen du traitement) et le dénominateur (carré moyen résiduel) de la statistique F constituent deux variables aléatoires régies par des distributions indépendantes du Chi-deux (χ²). Dès l’instant où les résidus sont corrélés, les distributions du Chi-deux cessent d’être indépendantes l’une de l’autre : le rapport F = MS_Traitement / MS_Erreur ne suit plus du tout une distribution centrale de Fisher-Snedecor sous l’hypothèse nulle. La partition de la variance devient faussée, et les propriétés de non-biais des estimateurs de variance s’évanouissent.

4.2 Effets de classe et structures hiérarchiques courantes

L’environnement éducatif fournit l’illustration par excellence de la fragilité de l’ANOVA standard face aux structures hiérarchiques. Considérons une expérience pédagogique évaluant trois méthodes différentes d’enseignement des mathématiques. Pour mener cette étude, l’expérimentateur sélectionne six classes d’école primaire et alloue chaque méthode à deux classes distinctes. Au terme du trimestre, chaque élève passe un test standardisé. L’analyste entreprend ensuite une ANOVA univariée à un facteur en saisissant les 180 élèves individuellement comme unités d’observation, les regroupant selon les trois méthodes d’enseignement.

Une telle analyse constitue une violation méthodologique sévère. Les élèves ne flottent pas librement dans l’espace expérimental : ils sont regroupés au sein de classes animées chacune par un enseignant unique possédant sa pédagogie propre, son niveau d’énergie, son autorité et son empathie. De surcroît, le climat de chaque salle de classe — caractérisé par le niveau moyen des camarades, le degré d’agitation collective, le niveau socio-économique de l’école ou même la température ambiante — induit une dépendance systématique entre les performances des enfants d’une même pièce. En omettant de déclarer la classe comme facteur hiérarchique ou unité de regroupement, l’ANOVA confond l’effet de la méthode didactique avec l’effet idiosyncrasique de l’enseignant ou du collectif d’élèves.

Cette confusion génère ce que l’on qualifie d’erreur de niveau d’inférence. Si l’assignation du traitement s’est opérée au niveau de la classe entière, l’unité légitime de randomisation et d’indépendance statistique est la classe, et non l’élève individuel. En analysant les données au niveau individuel sans correction appropriée, le modèle gonfle artificiellement le dénominateur des degrés de liberté de l’erreur résiduelle, ce qui induit une réduction factice de la variance résiduelle et conduit inévitablement à déclarer des effets hautement significatifs là où ne s’exprime que la simple variation aléatoire d’une classe à l’autre.

4.3 Distinction entre ANOVA standard et ANOVA pour mesures répétées

Pour contourner l’écueil de la dépendance tout en exploitant la puissance des plans d’expérience intra-sujets, la méthodologie expérimentale a développé l’ANOVA pour mesures répétées. Dans ce type de plan factoriel, chaque participant est exposé successivement à l’ensemble des conditions expérimentales, agissant ainsi comme son propre contrôle. Par construction, ce design viole frontalement l’hypothèse d’indépendance globale des observations : les scores d’un même sujet à travers le temps ou à travers les différentes conditions sont inévitablement corrélés du fait de sa personnalité, de son niveau d’intelligence ou de sa constitution physiologique.

Pour légitimer le traitement statistique de ces données dépendantes, l’ANOVA pour mesures répétées remplace le postulat d’indépendance stricte par une hypothèse plus souple mais extrêmement précise : le postulat de sphéricité (ou circularité de la matrice de variance-covariance), formalisé par Box et Wilks. La condition de sphéricité exige que les variances de l’ensemble des différences possibles entre chaque paire de conditions expérimentales soient rigoureusement égales :

Var(Y_j – Y_k) = Constante ∀ j ≠ k

Cette condition mathématique implique que la structure d’autocorrélation résiduelle interne doit présenter une homogénéité parfaite. Cependant, dans la recherche empirique réelle, la sphéricité est extrêmement souvent violée : deux conditions temporellement proches affichent presque toujours une corrélation supérieure à celle unissant deux conditions très distantes. Lorsque le test de sphéricité de Mauchly rejette cette égalité, l’inférence de l’ANOVA pour mesures répétées devient biaisée au même titre qu’une ANOVA standard en présence de dépendance non maîtrisée. L’analyste se trouve alors contraint d’appliquer des corrections correctives sur les degrés de liberté, telles que les coefficients d’ajustement de Greenhouse-Geisser ou de Huynh-Feldt, qui réduisent les degrés de liberté du test F pour restaurer le calibrage exact de la valeur p.

5. L’hypothèse d’indépendance des erreurs dans la régression linéaire

5.1 Le théorème de Gauss-Markov et les erreurs non corrélées

Dans le cadre du modèle de régression linéaire multiple estimé par la méthode des moindres carrés ordinaires (MCO), le comportement statistique des estimateurs des coefficients de régression est régi par les conditions formalisées dans le célèbre théorème de Gauss-Markov. Ce théorème fondamental stipule que si les erreurs résiduelles ont une espérance conditionnelle nulle E[ε | X] = 0, présentent une variance constante Var(ε | X) = σ² I (homoscédasticité), et sont mutuellement non corrélées, alors les estimateurs MCO des pentes sont BLUE (Best Linear Unbiased Estimator, soit les Meilleurs Estimateurs Linéaires Sans Biais).

La clause d’orthogonalité ou de non-corrélation des termes d’erreur s’énonce formellement par :

Cov(ε_i, ε_j | X) = 0 pour tout i ≠ j

Sous cette condition, la matrice de variance-covariance des erreurs s’écrit simplement comme une matrice diagonale σ² I_n, où I_n représente la matrice identité de dimension n. Il convient de bien distinguer l’indépendance entre les variables prédictives X et l’indépendance des termes d’erreur ε. La présence de corrélations linéaires entre différentes variables prédictives (multicolinéarité) rend l’estimation des coefficients imprécise et augmente leurs variances, mais ne viole pas le théorème de Gauss-Markov. En revanche, la présence de corrélations entre les termes d’erreur individuels brise le fondement même du théorème.

Lorsque la condition Cov(ε_i, ε_j) = 0 n’est plus satisfaite, les estimateurs MCO demeurent certes sans biais au sens mathématique (leur espérance coïncide toujours avec la vraie valeur du paramètre dans la population), mais ils perdent irrémédiablement leur statut d’estimateurs de variance minimale. Ils cessent d’être efficaces. Pire encore, la formule standard utilisée par les logiciels statistiques pour estimer la matrice de variance-covariance des coefficients Var(β̂) = σ² (X^TX)^-1 devient complètement erronée, propageant des erreurs systématiques sur les tests de Student associés à chaque prédicteur individuel.

5.2 L’autocorrélation temporelle dans les séries chronologiques

L’une des manifestations les plus pernicieuses de la rupture d’indépendance résiduelle réside dans l’autocorrélation temporelle. Ce phénomène surgit naturellement dès lors que les données sont recueillies de manière répétée au cours du temps, comme dans les séries chronologiques macroéconomiques ou les protocoles de psychologie intensive tels que l’évaluation écologique momentanée (Ecological Momentary Assessment, ou EMA). Dans ces protocoles, les participants complètent des questionnaires sur leur état affectif ou leur niveau de stress plusieurs fois par jour via leur téléphone portable pendant plusieurs semaines.

Dans cette configuration temporelle, l’état psychologique mesuré au temps t dépend inévitablement de l’état psychologique au temps t-1. Ce phénomène d’inertie comportementale ou de mémoire sérielle se modélise classiquement sous la forme d’un processus autorégressif d’ordre un, noté AR(1) :

ε_t = ρ ε_t-1 + u_t avec |ρ| < 1 et u_t ∼ IID(0, σ_u²)

Ici, ρ représente le paramètre d’autocorrélation de premier ordre. Si ρ > 0, un résidu positif au temps précédent augmente considérablement la probabilité d’observer un résidu positif au temps suivant. L’impact de cette autocorrélation temporelle sur la régression linéaire standard par les MCO est dévastateur. En présence d’une autocorrélation positive des erreurs associée à des prédicteurs qui affichent eux-mêmes une continuité temporelle, l’erreur type des coefficients de régression est substantiellement sous-estimée. Les statistiques t associées à chaque variable explicative sont gonflées, et le coefficient de détermination globale R² affiche une valeur artificiellement élevée, créant une régression dite « fallacieuse » (spurious regression) où des variables sans aucun lien causal apparaissent statistiquement associées avec des valeurs p infinitésimales.

5.3 L’autocorrélation spatiale et contextuelle

De façon symétrique à l’axe temporel, la dimension spatiale constitue une source majeure de violation de l’hypothèse d’indépendance. En psychologie environnementale, en sociologie quantitative, en criminologie et en épidémiologie sociale, les données sont collectées auprès d’individus résidant dans des unités géographiques identifiables : quartiers, municipalités, régions administratives ou pays entiers. Cette configuration tombe immédiatement sous le coup du principe fondamental formulé par le géographe Waldo Tobler, connu sous le nom de première loi de la géographie : « Tout interagit avec tout, mais des choses proches interagissent plus que des choses éloignées. »

En conséquence statistique directe, les résidus d’un modèle de régression linéaire géolocalisé ne sont pas distribués de manière aléatoire sur la carte : ils s’agencent fréquemment en conglomérats géographiques (spatial clusters). Deux résidents habitant la même rue partagent les mêmes facteurs environnementaux non observés : exposition à la pollution sonore de la voirie, présence ou absence d’espaces verts, taux de criminalité local, offre de transport collectif ou composition socio-économique globale du voisinage. Ces variables latentes non incluses dans l’équation de régression sont automatiquement capturées par le terme d’erreur ε_i.

Dès lors, les erreurs résiduelles ε_i et ε_j d’individus géographiquement contigus deviennent positivement corrélées. Si l’on applique une régression ordinaire par les MCO sans prendre en compte cette structure spatiale — par exemple via des modèles autorégressifs spatiaux (Spatial Autoregressive Models, SAR) ou des matrices de poids géographiques W —, les inférences statistiques subissent les mêmes distorsions dramatiques que celles observées dans les séries temporelles : les intervalles de confiance s’avèrent trop étroits et le risque d’attribuer fallacieusement une influence majeure à un comportement individuel augmente, alors que le déterminant sous-jacent est contextuel et spatial.

6. Les causes courantes de violation de l’indépendance en recherche psychologique et sociale

6.1 La structure hiérarchique et emboîtée des données humaines

L’étude scientifique du comportement humain se heurte en permanence au fait que l’individu est intrinsèquement et inévitablement un être écologique, imbriqué dans des niveaux organisationnels multiples et superposés. Cette architecture naturelle se traduit statistiquement par des structures de données dites nichées ou emboîtées (nested data structures). Les individus sont des composants d’unités familiales ; ces familles résident dans des quartiers spécifiques ; ces quartiers appartiennent à des agglomérations urbaines ; et ces agglomérations s’inscrivent dans des cadres législatifs, économiques et culturels nationaux distincts.

De manière similaire, dans le monde du travail, les salariés sont groupés en équipes opérationnelles, ces équipes dépendent de départements fonctionnels, lesquels sont régis par la culture propre d’une entreprise donnée. Dans le champ médical, les patients sont soignés dans des services hospitaliers par des praticiens particuliers au sein d’établissements de santé dont les protocoles et les ressources varient considérablement. Dans chacune de ces configurations, les membres d’une même sous-unité partagent un micro-environnement physique, social et organisationnel commun.

L’omission de cette structure emboîtée conduit à l’erreur conceptuelle majeure consistant à vouloir modéliser le comportement individuel sans tenir compte de la variance macro-contextuelle. Si l’on interroge la détresse psychologique d’employés répartis dans vingt entreprises différentes sans modéliser l’effet propre de chaque entreprise, les résidus des employés travaillant sous la direction d’un gestionnaire toxique ou dans une firme menacée de faillite seront tous décalés dans la même direction défavorable. Tenter d’inférer des liens causaux individuels à partir de données regroupées sans décomposer la variance intra-groupe et inter-groupes constitue un non-sens méthodologique qui viole frontalement l’hypothèse d’indépendance.

6.2 Les dynamiques de groupe et l’interdépendance sociale

Au-delà du simple partage passif d’un cadre spatial ou institutionnel, les interactions actives entre les individus constituent un vecteur d’interdépendance probabiliste encore plus puissant. En psychologie sociale et en sciences de la communication, les protocoles expérimentaux réunissent régulièrement les participants en petits groupes de travail pour évaluer des prises de décision collectives, des négociations, des phénomènes de leadership ou des processus de résolution de problèmes complexes. Même lorsque l’expérimentateur administre un questionnaire individuel à l’issue de la séance de travail, les réponses de chaque membre du groupe sont profondément imprégnées des dynamiques relationnelles qui viennent de se déployer.

Des phénomènes psychosociaux bien documentés tels que la conformité normative (effet Asch), la polarisation de groupe, l’illusion d’unanimité (pensée de groupe), ou encore la contagion émotionnelle implicite créent une synchronisation des attitudes et des états internes entre les membres d’une même session. Si une figure dominante ou charismatique s’exprime avec vigueur durant l’exercice, elle module le jugement de l’ensemble de ses pairs. Deux sujets d’une même session de test ressemblent dès lors beaucoup plus l’un à l’autre qu’à un individu ayant participé à une autre session où régnait un climat d’apathie ou d’hostilité.

Traiter les données recueillies auprès de ces individus comme des observations mathématiquement indépendantes constitue ce que David A. Kenny et ses collègues ont défini comme le problème fondamental de l’interdépendance sociale. L’unité statistique réelle d’observation n’est plus la personne, mais le groupe ou la session de test. Dès lors que les sujets ont communiqué visuellement, verbalement ou posturalement, toute prétention d’indépendance stochastique au niveau individuel est anéantie.

6.3 Plans d’échantillonnage répétés et temporels non modélisés

Une troisième source massive de non-indépendance découle de l’accumulation de mesures successives chez un même participant sans que le modèle d’analyse ne structure formellement cette répétition. Avec l’avènement des sciences cognitives computationnelles, des neurosciences comportementales et de la psychophysique, un protocole expérimental typique ne recueille plus une seule mesure par sujet, mais soumet chaque individu à des centaines, voire des milliers d’essais successifs (tâches de temps de réaction au milliseconde près, enregistrements électroencéphalographiques (EEG), oculométrie, ou potentiels évoqués).

Dans ces designs d’échantillonnage intensif au sein du sujet (within-subject designs), les performances fluctuent au cours du temps en raison de processus psychophysiologiques internes non stationnaires. Des facteurs endogènes tels que la fatigue cognitive progressive, l’ennui, la perte de vigilance, ou au contraire l’apprentissage perceptivo-moteur, l’automatisation de la réponse et la familiarisation avec le matériel expérimental génèrent une dérive temporelle systématique des mesures. L’essai numéro 150 n’est pas indépendant de l’essai numéro 149 : il intègre les réajustements attentionnels et les corrections motrices induits par l’essai précédent.

L’erreur la plus grossière commise par certains chercheurs consiste à agréger ces essais bruts dans une table globale de données et à tester des effets expérimentaux sans intégrer de paramètre d’identification du sujet (effet aléatoire individuel ou variable de blocage). Ce traitement naïf convertit artificiellement la variance individuelle stable en une inflation massive de la taille de l’échantillon nominal, générant des tests d’hypothèse dont les valeurs p s’effondrent vers zéro sous l’effet de degrés de liberté complètement factices.

7. Les conséquences théoriques et statistiques de la violation de l’indépendance

7.1 L’inflation dramatique de l’erreur de type I (faux positifs)

Parmi l’ensemble des postulats régissant l’inférence paramétrique classique, la violation de l’indépendance est incontestablement celle qui produit les conséquences les plus ravageuses sur le contrôle des erreurs de décision statistique. L’erreur de type I consiste à rejeter l’hypothèse nulle (H₀) à tort, c’est-à-dire à déclarer l’existence d’un effet ou d’une différence dans la population parente alors qu’elle n’existe absolument pas en réalité. Dans la pratique scientifique conventionnelle régie par les critères de Ronald Fisher et de Neyman-Pearson, ce risque d’erreur est fixé a priori à un seuil nominal strict, presque universellement établi à α = 0,05 (soit 5 % de faux positifs acceptés).

Or, dès qu’une dépendance positive s’infiltre dans les données, ce taux d’erreur nominal n’est plus du tout maintenu. Les démonstrations mathématiques séminales conduites par Kenneth D. Hopkins et par Scariano et Davenport ont apporté une preuve éclatante de cette catastrophe méthodologique. Considérons un échantillon composé de 10 groupes contenant chacun 10 individus (taille totale N = 100). Si l’on applique une ANOVA à un facteur pour comparer deux conditions sous l’hypothèse nulle d’absence totale de différence, et que les données présentent une corrélation intra-classe d’apparence minuscule de seulement ρ = 0,01, le taux d’erreur de première espèce réel ne s’élève pas à 5 %, mais bondit immédiatement aux alentours de 11 %.

Si cette corrélation intra-classe atteint ρ = 0,05 — une valeur extrêmement fréquente, voire basse, dans les données scolaires ou hospitalières —, le taux d’erreur α effectif grimpe à plus de 30 %. Avec un coefficient ρ = 0,20, la probabilité d’obtenir un résultat déclaré « statistiquement significatif » sous une hypothèse nulle parfaitement vraie dépasse les 70 % ! Le chercheur travaillant sous ces prémisses faussées évolue dans un univers statistique dégradé où le rejet de l’hypothèse nulle n’est plus l’indice d’une découverte empirique, mais la conséquence mécanique inéluctable d’un modèle sous-dimensionné face à la corrélation interne de ses données. Cette inflation gigantesque des faux positifs a joué un rôle moteur sous-estimé dans l’actuelle crise de la réplicabilité qui frappe les sciences du comportement.

7.2 Sous-estimation et distorsion des erreurs types

Le mécanisme mathématique qui déclenche l’avalanche de faux positifs précédemment décrite réside dans la sous-estimation systématique des erreurs types (standard errors). L’erreur type d’un estimateur représente l’écart-type théorique de sa distribution d’échantillonnage : elle quantifie la précision avec laquelle la statistique empirique (comme la différence de deux moyennes ou la pente d’une régression) approche le paramètre vrai de la population. Dans les modèles paramétriques conventionnels, la formule algébrique de l’erreur type présuppose que les erreurs sont indépendantes, ce qui permet de négliger totalement les termes de covariance croisée.

Lorsque cette présomption s’avère erronée, l’erreur type calculée par le logiciel est systématiquement trop petite par rapport à sa variabilité réelle entre différents échantillons possibles. Il en découle que les intervalles de confiance construits selon la formule conventionnelle :

IC_95% = θ̂ ± (1,96 × SE(θ̂))

sont artificiellement resserrés. Ces intervalles créent une illusion de précision et de certitude métrologique qui trompe l’expérimentateur. L’intervalle de confiance nominal à 95 % ne capture en réalité le vrai paramètre de la population que dans 80 %, 70 %, voire 50 % des cas lorsque la corrélation intra-conglomérat est substantielle.

Cette distorsion a des retombées désastreuses sur la synthèse cumulative des connaissances scientifiques, et tout particulièrement sur les méta-analyses. Dans un modèle méta-analytique à effets fixes ou aléatoires, le poids accordé à chaque étude empirique est proportionnel à l’inverse de la variance de son effet estimé (w_i = 1 / SE_i²). Une étude empirique ayant violé l’hypothèse d’indépendance affichera une erreur type artificielle extrêmement faible, ce qui conduira le méta-analyste à lui conférer un poids disproportionné dans le calcul de la taille d’effet globale, faussant ainsi l’ensemble de la littérature de synthèse sur le domaine thérapeutique ou pédagogique concerné.

7.3 Conséquences sur l’erreur de type II et la puissance statistique

Si la dépendance positive au sein des groupes gonfle l’erreur de type I pour les comparaisons inter-groupes, les conséquences de la non-indépendance sur l’erreur de type II (notée β, la probabilité d’échouer à détecter un effet qui existe réellement) et sur la puissance statistique (1 – β) s’avèrent infiniment plus complexes et dépendent étroitement de la structure géométrique de cette corrélation.

Dans un plan expérimental où la dépendance se manifeste de manière intra-sujet ou intra-paire (comme dans un plan apparié ou des mesures répétées bien modélisées), la corrélation positive entre les observations successives d’un même individu est au contraire extrêmement bénéfique : elle permet de soustraire la variance inter-individuelle stable de la variance d’erreur résiduelle. L’erreur type de la différence de moyennes intra-sujet s’écrit :

SE(Ȳ₁ – Ȳ₂) = √[ (σ₁² + σ₂² – 2 Cov(Y₁, Y₂)) / n ]

Ici, la présence d’une covariance positive Cov(Y₁, Y₂) > 0 réduit substantiellement l’erreur type globale, ce qui augmente considérablement la puissance du test statistique par rapport à un design inter-sujets indépendant. Si un chercheur venait par mégarde à analyser des données appariées à l’aide d’un modèle pour données indépendantes, il commettrait l’erreur inverse : il surestimerait l’erreur type de la différence, ce qui ferait chuter dramatiquement sa puissance statistique et induirait une explosion monumentale de l’erreur de type II. Le test échouerait lamentablement à détecter une efficacité thérapeutique authentique.

En revanche, dans les structures de grappes inter-groupes (effets de classe, de quartier), l’introduction de la corrélation intra-classe réduit impitoyablement la quantité d’information réelle. Pour une taille nominale N donnée, la puissance réelle du test est bien plus faible que celle escomptée par un calcul de puissance statistique conventionnel. Le chercheur se retrouve avec une étude structurellement sous-puissante pour identifier les véritables effets différentiels, tout en étant simultanément surexposé à la détection d’artéfacts au niveau macro-contextuel.

8. Diagnostic statistique : Comment détecter les violations de l’indépendance ?

8.1 Analyses graphiques exploratoires des résidus

La première ligne de défense de l’analyste face aux risques de rupture de l’indépendance réside dans l’inspection visuelle et exploratoire méthodique des résidus du modèle. Les méthodes purement numériques ne doivent jamais se substituer à une analyse graphique détaillée, car l’œil humain est extraordinairement compétent pour déceler des ruptures d’homogénéité et des motifs spatio-temporels structurés qui échappent parfois aux tests sommaires.

Le tracé graphique le plus universel consiste à représenter les résidus standardisés ou studentisés sur l’axe vertical en fonction de l’ordre séquentiel d’acquisition des données (ordre temporel de passage des sujets dans le protocole) sur l’axe horizontal. En cas de parfait respect de l’indépendance stochastique, le nuage de points doit présenter une apparence chaotique, homogène, dépourvue de toute trajectoire continue ou périodique, oscillant librement autour de la ligne horizontale zéro. À l’inverse, l’apparition de regroupements consécutifs de résidus du même signe, de vagues sinusoïdales ou de tendances linéaires ascendantes ou descendantes dénonce immédiatement l’existence d’une dérive temporelle, d’effets de fatigue, de chauffe du matériel de laboratoire ou d’une modification progressive de l’attitude de l’expérimentateur.

Un second outil graphique majeur repose sur les diagrammes de dispersion ou boîtes à moustaches des résidus tracés en fonction des unités potentielles de regroupement (identifiant de la salle de classe, du centre de recrutement clinique, du thérapeute, de la fratrie ou de la commune de résidence). Si l’hypothèse d’indépendance tient, la distribution des résidus au sein de chaque boîte doit être centrée sur zéro avec une dispersion similaire. Dès lors que certaines grappes présentent des médianes systématiquement positives et d’autres des médianes négatives, l’effet de grappe est visuellement avéré : les résidus ne sont pas indépendants, ils portent en eux la marque explicative de l’unité supérieure de regroupement.

8.2 Tests formels pour la dépendance temporelle et spatiale

Lorsque l’analyse visuelle suggère une dépendance sérielle ou géographique, l’analyste doit recourir à des tests statistiques formels permettant de quantifier la signification probabiliste de cette association. Dans le domaine temporel, le test le plus emblématique de la littérature est sans conteste le test de Durbin-Watson. Ce test évalue la présence d’une autocorrélation résiduelle de premier ordre AR(1) à partir de la statistique d définie par la somme des différences au carré des résidus successifs divisée par la somme des résidus au carré :

d = [ ∑_t=2ⁿ (e_t – e_t-1)² ] / [ ∑_t=1ⁿ e_t² ]

La statistique d oscille entre 0 et 4. Une valeur proche de 2 indique une absence d’autocorrélation de premier ordre. Une valeur descendant significativement vers 0 atteste d’une forte autocorrélation temporelle positive, tandis qu’une valeur convergeant vers 4 indique une autocorrélation négative. L’interprétation rigoureuse du test s’effectue par comparaison avec des bornes critiques tabulées (d_L et d_U) en fonction du nombre d’observations et de prédicteurs.

Toutefois, le test de Durbin-Watson présente une faiblesse notable : il ne teste que l’autocorrélation d’ordre 1 et devient inopérant si des variables endogènes retardées figurent parmi les régresseurs. On lui préfère dès lors fréquemment le test de Breusch-Godfrey (test LM d’autocorrélation), qui autorise l’évaluation d’autocorrélations d’ordres supérieurs AR(p) ou de moyennes mobiles MA(q) via une régression auxiliaire des résidus sur leurs propres valeurs retardées et les prédicteurs initiaux.

Dans l’espace géographique, l’analogue direct est constitué par le I de Moran. Cet indice statistique mesure la corrélation spatiale globale en confrontant les écarts à la moyenne des observations situées dans des zones contiguës, pondérées par une matrice de distances spatiales W :

I = [ n / ∑∑ w_ij ] × [ ∑∑ w_ij(Y_i – Ȳ)(Y_j – Ȳ) / ∑(Y_i – Ȳ)² ]

Un indice I significativement supérieur à sa valeur théorique sous l’hypothèse nulle d’indépendance spatiale E[I] = -1 / (n – 1) confirme un phénomène d’agglomération (clustering) des résidus géographiques, imposant une modélisation spatiale explicite.

8.3 Quantification de la dépendance groupée : Le coefficient de corrélation intra-classe (ICC)

Dans les contextes de données hiérarchiques, l’indicateur universel de la violation de l’indépendance est le coefficient de corrélation intra-classe (noté ICC ou ρ). Issu de la tradition de l’analyse des composants de la variance développée par Fisher, l’ICC se calcule formellement dans le cadre d’un modèle à effets aléatoires univarié sans prédicteur (modèle vide ou null model) :

Y_ij = γ₀₀ + u_0j + e_ij

où u_0j ∼ N(0, τ₀₀) représente la déviation du groupe j par rapport à la moyenne générale, et e_ij ∼ N(0, σ²) représente le résidu individuel au sein du groupe. L’ICC représente le ratio de la variance inter-groupe (τ₀₀) sur la variance phénotypique totale (somme de la variance inter-groupe et de la variance intra-groupe σ²) :

ICC = τ₀₀ / (τ₀₀ + σ²)

Sur le plan interprétatif, l’ICC exprime deux concepts équivalents : d’une part, la proportion de la variance totale du phénomène qui est directement attribuable à l’appartenance aux différents groupes ; d’autre part, le degré de corrélation moyen existant entre deux individus sélectionnés aléatoirement au sein d’une même grappe. Les seuils de décision clinique et statistique couramment admis dans la littérature méthodologique (notamment établis par Hox et Maas) stipulent :

• ICC < 0,05 : La dépendance de groupe est marginale ; les modèles linéaires standard peuvent être conservés sous réserve de prudence méthodologique, bien qu’un effet de plan élevé puisse tout de même poser problème si la taille des grappes est très grande.
• 0,05 ≤ ICC < 0,15 : Dépendance modérée mais substantielle ; le recours à une modélisation hiérarchique ou à une correction des erreurs types devient fortement recommandé pour juguler l’inflation de l’erreur α.
• ICC ≥ 0,15 : Dépendance critique ; l’analyse par des modèles MCO ou ANOVA standard est méthodologiquement irrecevable. L’utilisation de modèles multiniveaux devient une obligation absolue.

9. Approches d’échantillonnage et protocoles pour préserver l’indépendance

9.1 Méthodes rigoureuses d’échantillonnage probabiliste

Le moyen le plus élégant et le plus radical de garantir la validité de l’hypothèse d’indépendance consiste à concevoir un plan d’échantillonnage probabiliste strict dès la phase préparatoire de la recherche. Le standard d’or demeure l’échantillonnage aléatoire simple (EAS). Dans un univers fini de taille N, un EAS garantit que chaque unité statistique possède une probabilité rigoureusement identique d’être sélectionnée, et que la sélection d’une unité quelconque n’altère en rien la probabilité d’extraction d’aucune autre unité.

Une distinction fondamentale mérite d’être rappelée entre l’échantillonnage avec remise (qui préserve une indépendance stochastique formelle absolue à chaque tirage, car la distribution de probabilité reste strictement stationnaire) et l’échantillonnage sans remise. Dans ce dernier, la sélection d’une observation modifie théoriquement la probabilité d’occurrence des suivantes (processus hypergéométrique). Toutefois, dès lors que la fraction de sondage n / N est inférieure à 5 %, l’impact de ce conditionnement devient infinitésimal et l’indépendance approximative est universellement admise.

Une stratégie opérationnelle redoutablement efficace pour préserver l’indépendance face à des groupements naturels consiste à n’échantillonner qu’un seul et unique individu par grappe. Si l’on dispose de 100 familles ou de 100 classes scolaires, au lieu d’interroger tous les enfants d’une même unité, l’analyste sélectionne par tirage au sort un seul enfant par famille ou un seul élève par classe. Cette procédure élimine purement et simplement toute corrélation intra-classe (m = 1 implique que l’effet de plan 1 + (1 – 1)ρ = 1). Bien qu’exigeante sur le plan logistique, cette méthode confère aux données une indépendance irréprochable et autorise sans réserve l’usage des tests paramétriques les plus simples.

9.2 Standardisation des conditions d’expérimentation

L’indépendance ne se décide pas seulement lors du tirage au sort des noms dans une base de données : elle se préserve activement à chaque seconde de la passation expérimentale dans le laboratoire. L’une des menaces les plus insidieuses pesant sur l’indépendance des observations est l’« effet d’expérimentateur » (experimenter effect) et les variations micro-environnementales de session.

Pour immuniser une étude contre ces violations, la règle d’or est la séparation physique et temporelle stricte des participants. Les sujets ne doivent en aucun cas pouvoir interagir, communiquer verbalement, échanger des regards ou observer les comportements ou les temps de réponse de leurs pairs durant la phase de collecte. Tester des participants côte à côte dans une même salle sans cloisons acoustiques et visuelles est le moyen le plus rapide d’injecter une dépendance par imitation ou contagion émotionnelle.

De surcroît, la standardisation absolue des consignes via l’utilisation d’interfaces logicielles informatisées (ex. PsychoPy, E-Prime, Gorilla) constitue une avancée méthodologique cruciale. Dès lors que les instructions sont lues à haute voix par un être humain, des inflexions de voix, des sourires, des signes d’impatience ou des variations d’intonation d’une session à l’autre créent un biais d’expérimentateur systématique liant tous les sujets ayant passé le test sous la houlette de cet assistant de recherche à cette date précise. L’automatisation complète de la tâche et la randomisation stricte de l’ordre d’apparition des stimuli et des blocs de tests permettent de dissoudre ces corrélations parasites et de restaurer la pureté stochastique des résidus.

9.3 Précautions éthiques et logistiques lors du recrutement

À l’ère des panels en ligne et du recrutement numérique massif (sur des plateformes comme Prolific Academic, Amazon Mechanical Turk, ou CloudResearch Connect), de nouveaux défis méthodologiques menacent directement le respect de l’indépendance des données. Le premier écueil réside dans le phénomène de participations multiples ou répétées par un même internaute utilisant des identifiants virtuels différents ou contournant les pare-feux pour maximiser sa rétribution financière. Traiter deux questionnaires complétés par la même personne à deux heures d’intervalle comme deux observations indépendantes injecte une pseudo-réplication indétectable par les algorithmes standards.

Pour parer à cette menace, la mise en place de protocoles stricts de filtrage technique s’avère indispensable : vérification des adresses IP, blocage des proxys et serveurs VPN, injection de balises numériques uniques (device fingerprinting), et validation d’identifiants cryptographiques sécurisés garantissant l’unicité de chaque contributeur. De plus, les chercheurs doivent explicitement intégrer des filtres de parenté et de cohabitation géographique dans les questionnaires démographiques pour identifier d’éventuels couples ou colocataires partageant une même connexion domestique.

Enfin, une documentation minutieuse de l’historique complet de recrutement (date, heure, canal d’acquisition, version du script de passation) doit être archivée. Cette traçabilité rigoureuse permet de tester formellement a posteriori l’absence de biais de cohorte ou de rupture temporelle dans la dynamique de réponse des sujets.

10. Solutions méthodologiques et modèles pour données dépendantes

10.1 Modèles linéaires mixtes et multiniveaux (MLM / HLM)

Lorsque la dépendance entre les observations découle de structures emboîtées ou de suivis longitudinaux incompressibles, tenter d’éliminer cette dépendance par des artifices de sélection constitue un appauvrissement méthodologique dommageable. L’approche scientifique la plus moderne et la plus robuste consiste à intégrer directement la structure de dépendance au cœur même de l’équation statistique via les modèles linéaires mixtes (Linear Mixed Models ou LMM), également qualifiés de modèles hiérarchiques linéaires (Hierarchical Linear Models, HLM).

Ces modèles décomposent la variable de réponse en deux composantes fondamentales : des effets fixes (qui représentent les associations moyennes globales à l’échelle de la population, analogues aux coefficients d’une régression standard) et des effets aléatoires (qui capturent la variabilité stochastique propre à chaque grappe, école, sujet ou unité de niveau supérieur). L’équation générale matricielle d’un modèle mixte s’écrit formellement :

Y = Xβ + Zb + ε

où X est la matrice du plan des effets fixes, β le vecteur des paramètres fixes, Z la matrice du plan des effets aléatoires, b ∼ N(0, G) le vecteur des effets aléatoires de groupe, et ε ∼ N(0, R) le vecteur des résidus individuels conditionnels. Dans cette formulation, les erreurs conditionnelles ε demeurent parfaitement indépendantes et homoscédastiques, car l’ensemble de la dépendance structurelle des données a été capturé et modélisé par la matrice de variance-covariance G des effets aléatoires.

Les modèles mixtes offrent des avantages conceptuels et computationnels monumentaux par rapport aux approches classiques d’ANOVA pour mesures répétées :

• Ils tolèrent sans aucune difficulté les données manquantes (missing data) sous l’hypothèse de perte aléatoire (MAR, Missing at Random), évitant la suppression pure et simple de participants ayant manqué une seule session de test.
• Ils gèrent les intervalles de temps inégaux entre les mesures répétées, permettant de modéliser des trajectoires de développement personnel même si les visites cliniques n’ont pas eu lieu à des dates rigoureusement identiques pour chaque patient.
• Ils autorisent l’estimation simultanée de prédicteurs mesurés au niveau individuel (niveau 1) et au niveau du groupe ou de l’école (niveau 2), ainsi que les interactions modératrices entre ces différents niveaux (cross-level interactions).

10.2 Équations d’estimation généralisées (GEE)

Une alternative élégante aux modèles multiniveaux complets, particulièrement prisée en épidémiologie clinique et en recherche biomédicale, est constituée par les Équations d’Estimation Généralisées (Generalized Estimating Equations, GEE), théorisées par Kung-Yee Liang et Scott Zeger en 1986. Alors que les modèles mixtes s’intéressent aux trajectoires individuelles spécifiques à chaque sujet ou grappe (modèles conditionnels), les GEE adoptent une approche populationnelle dite marginale : elles visent à modéliser la moyenne de la réponse globale de la population en ajustant simplement les erreurs types pour tenir compte de la dépendance résiduelle intra-sujet.

Le point fort de la méthodologie GEE réside dans la spécification d’une matrice de corrélation de travail (working correlation matrix, R(α)). L’analyste choisit une structure mathématique approximant au mieux la dépendance attendue de ses données :

• Indépendante : Postule une corrélation nulle entre les mesures successives d’un sujet (sert de matrice de référence).
• Échangeable (ou composée symétrique) : Postule que toutes les paires d’observations au sein d’une même grappe partagent une corrélation uniforme constante, quel que soit l’intervalle temporel les séparant.
• Autorégressive AR(1) : Postule que la corrélation entre deux observations décroît de façon exponentielle à mesure que la distance temporelle s’accroît : Corr(Y_t, Y_t+k) = ρ^k.
• Non structurée : Estime librement l’ensemble des corrélations distinctes existant entre toutes les paires possibles de temps de mesure (hautement flexible mais très gourmande en degrés de liberté).

L’atout phénoménal de l’algorithme GEE réside dans l’utilisation de l’estimateur de variance robuste en sandwich (estimateur de Huber-White). En vertu des propriétés asymptotiques du sandwich, même si l’analyste spécifie une matrice de corrélation de travail incorrecte (par exemple, en postulant une structure échangeable alors que les données suivent un processus autorégressif), les estimateurs des coefficients de régression demeurent convergents et les erreurs types robustes convergent vers leur vraie valeur asymptotique, dès lors que le nombre de grappes ou de sujets est suffisamment volumineux (généralement K ≥ 40).

10.3 Agrégation de données et erreurs types ajustées aux grappes

Lorsque la structure de dépendance est relativement simple et que l’analyste ne possède ni le volume d’échantillon ni les compétences techniques pour ajuster un modèle mixte complexe, deux solutions simplificatrices mais rigoureuses méritent d’être considérées.

La première stratégie repose sur l’agrégation des données au niveau de l’unité supérieure. Si un chercheur évalue l’efficacité d’un protocole d’hygiène hospitalière déployé dans 30 services de soins, plutôt que de traiter les 3 000 patients comme des lignes individuelles au risque de violer l’indépendance, il calcule le taux moyen d’infection pour chacun des 30 services. Le modèle statistique (régression linéaire ou test t) est ensuite ajusté exclusivement sur ces 30 moyennes de service. Cette démarche élimine l’effet de grappe et garantit une indépendance absolue des données d’analyse. Toutefois, cette simplification a un coût intellectuel et empirique majeur : elle détruit une part immense de la variabilité intra-groupe et expose le chercheur au risque fatal du sophisme écologique (ou sophisme de Robinson), qui consiste à attribuer faussement à des individus des relations statistiques qui n’existent qu’au niveau des moyennes agrégées de leurs groupes.

La seconde alternative, extrêmement répandue en économétrie et en science politique, consiste à conserver les données au niveau individuel tout en recourant aux erreurs types robustes regroupées (Cluster-Robust Standard Errors, ou CRSE, également désignées sous le terme de corrections de Rogers ou sandwich de Liang-Zeger). Cette méthode estime le modèle linéaire par les MCO traditionnels — ce qui fournit des coefficients de régression parfaitement non biaisés —, mais corrige la matrice de variance-covariance des résidus en autorisant une corrélation arbitraire entre toutes les erreurs appartenant à une même grappe :

Var(β̂)_CRSE = (X^TX)^-1 [ ∑_g=1^G X_g^T e_g e_g^T X_g ] (X^TX)^-1

Cette correction permet de redresser les erreurs types et de restaurer le taux nominal de l’erreur de type I à 0,05 sans imposer de structure paramétrique contraignante, à condition de disposer d’au moins 30 à 50 grappes distinctes pour éviter le biais d’échantillonnage de petit nombre.

11. L’indépendance dans les tests non paramétriques et les données catégorielles

11.1 Le test d’indépendance du Chi-deux de Pearson

Le test du Chi-deux d’indépendance de Pearson (χ²) occupe une place singulière dans l’arsenal statistique, car il expose les étudiants à une double utilisation sémantique du terme « indépendance ». D’une part, l’indépendance constitue l’hypothèse nulle (H₀) même du test : le chercheur teste si deux variables catégorielles X et Y sont stochastiquement indépendantes dans la population, c’est-à-dire si la distribution des effectifs observés dans le tableau de contingence correspond aux effectifs théoriques attendus sous le produit des probabilités marginales :

E_ij = (Total Ligne_i × Total Colonne_j) / N

D’autre part — et c’est ici que réside l’écueil —, le test exige de manière irrévocable comme condition de validité fondamentale que les unités d’échantillonnage soient mutuellement indépendantes. Cette règle stipule de manière absolue qu’une même entité biologique ou qu’un même sujet humain ne peut apparaître qu’une seule et unique fois dans l’ensemble du tableau de contingence. La somme totale des effectifs de toutes les cases du tableau doit être rigoureusement égale au nombre total N de participants uniques recrutés dans l’étude.

Une violation courante et désastreuse de ce postulat survient lorsque des chercheurs demandent à un panel de participants de choisir plusieurs options parmi une liste fermée (questions à choix multiples de type « Cochez toutes les cases qui s’appliquent »), puis insèrent ces réponses multiples directement dans un tableau de contingence de Pearson. En procédant ainsi, un même individu génère plusieurs observations dépendantes qui gonflent artificiellement les effectifs N et lient les cellules du tableau. Le dénominateur de la statistique de Pearson est faussé, la distribution théorique du Chi-deux ne tient plus, et les inférences produites sont dénuées de toute valeur probabiliste.

11.2 Tests non paramétriques pour échantillons indépendants vs appariés

Il existe un mythe tenace dans la culture méthodologique selon lequel les tests non paramétriques (tests basés sur les rangs) s’affranchiraient de toutes les contraintes pesant sur les tests paramétriques. S’il est vrai que ces approches dites à distribution libre s’affranchissent élégamment du postulat de normalité des distributions, elles demeurent tout aussi vulnérables et intransigeantes que leurs équivalents paramétriques quant à l’exigence d’indépendance des observations.

Le test U de Mann-Whitney (équivalent non paramétrique du test t pour échantillons indépendants) repose sur l’assignation de rangs à l’ensemble des données combinées. Son équation présuppose impérativement que chaque rang assigné dérive d’une unité expérimentale autonome. L’existence d’une dépendance intra-groupe produit exactement les mêmes conséquences dévastatrices sur le test de Mann-Whitney que sur le test de Student : l’erreur type de la somme des rangs est sous-estimée et le taux de faux positifs explose.

Face à des données ordonnées ou non normales provenant d’échantillons dépendants (sujets appariés ou mesures avant-après), l’analyste doit obligatoirement abandonner le test de Mann-Whitney au profit du test des rangs signés de Wilcoxon. De même, lorsqu’on compare plus de deux groupes, le test de Kruskal-Wallis ne peut être utilisé que si les k échantillons sont rigoureusement indépendants. En présence de mesures répétées sur les mêmes sujets à travers plusieurs conditions ordonnées, c’est l’ANOVA non paramétrique de Friedman qui doit être impérativement mobilisée.

11.3 Alternatives pour tableaux de contingence appariés

Lorsque les variables catégorielles sont issues de mesures répétées chez les mêmes individus, l’analyste ne peut pas utiliser le test du Chi-deux de Pearson standard. Pour traiter rigoureusement cette dépendance, des outils méthodologiques spécifiques ont été conçus.

Pour une variable dichotomique mesurée à deux moments successifs chez les mêmes participants (par exemple, la présence ou l’absence de symptômes dépressifs avant et après une psychothérapie), l’outil de référence est le test de McNemar. Ce test focalise son calcul exclusivement sur les cellules discordantes du tableau de contingence 2×2 (les sujets qui passent de « Malade » à « Sain », et ceux qui passent de « Sain » à « Malade »). Sa statistique s’exprime par :

χ_McNemar² = (|b – c| – 1)² / (b + c)

où b et c représentent les effectifs des cellules de transition hors diagonale. En neutralisant les cellules concordantes sur la diagonale principale, le test de McNemar tient parfaitement compte du fait que les observations pré- et post-intervention sont générées par les mêmes patients.

Lorsque le design longitudinal dichotomique s’étend à plus de deux temps de mesure successifs (par exemple, succès ou échec évalué à 1 mois, 6 mois et 12 mois de suivi), la généralisation appropriée est le test Q de Cochran. Enfin, pour des structures catégorielles multivariées emboîtées ou présentant des associations croisées complexes entre plusieurs réponses dépendantes, les statisticiens recourent aux modèles log-linéaires conditionnels ou aux modèles de régression logistique multiniveaux, garantissant ainsi un traitement non biaisé des fréquences marginales.

12. Synthèse et recommandations pour les chercheurs en psychologie

12.1 Grille décisionnelle pour la gestion de l’indépendance

Pour naviguer avec rigueur dans la gestion de l’indépendance lors de la planification et du traitement des données, les chercheurs ont avantage à suivre un algorithme décisionnel standardisé articulé en quatre phases méthodologiques successives :

• Phase 1 : Diagnostic a priori de la structure du protocole. Avant même le premier jour de collecte, le chercheur doit se poser la question : Mes unités expérimentales sont-elles nichées dans un contexte partagé ? Y a-t-il passation collective, interaction humaine, mesure répétée, utilisation d’un même matériel ou encadrement par un même expérimentateur ? Si oui, la dépendance doit être tenue pour acquise d’emblée dans le devis d’échantillonnage.
• Phase 2 : Évaluation quantitative de la corrélation intra-classe (ICC). Dès la saisie des premières données d’un échantillon pilote ou des données finales, ajuster un modèle vide à effets aléatoires. Si l’ICC est inférieur à 0,05 et que la taille des groupes est modérée, un modèle MCO avec erreurs types robustes ou un modèle standard peut être envisagé. Dès lors que l’ICC dépasse 0,05, l’utilisation de modèles conventionnels devient méthodologiquement proscrite.
• Phase 3 : Sélection du modèle analytique approprié.
  • Si l’intérêt théorique porte sur les effets de contexte, les mécanismes médiateurs au sein des groupes ou les interactions entre niveaux individuels et contextuels : adopter un Modèle Linéaire Mixte (MLM).
  • Si l’intérêt théorique porte uniquement sur l’effet moyen au niveau de la population globale dans une vaste cohorte longitudinale : adopter les Équations d’Estimation Généralisées (GEE).
  • Si les données ne comportent que quelques grappes larges (G < 20) sans intérêt pour la variance inter-groupe : employer une régression MCO intégrant des Erreurs Types Robustes aux Grappes (CRSE) ou des variables indicatrices de blocage (effets fixes de grappe).
• Phase 4 : Diagnostic post-estimation. Vérifier systématiquement l’absence d’autocorrélation résiduelle résiduelle (tests de Durbin-Watson, Breusch-Godfrey, I de Moran) sur les résidus conditionnels finaux du modèle.

12.2 Normes de transparence et de publication (APA)

Le manuel de publication de l’American Psychological Association (APA, 7e édition), ainsi que les directives du consortium JARS (Journal Article Reporting Standards), imposent désormais des exigences de transparence méthodologique strictes concernant la description de la structure probabiliste des données empiriques. Tout article scientifique digne d’éloge doit expliciter sans ambiguïté les éléments suivants dans sa section Méthode :

• La stratégie détaillée d’échantillonnage, en précisant formellement si la randomisation s’est effectuée au niveau individuel, dyadique, familial ou institutionnel.
• La présence de structures hiérarchiques ou de regroupements naturels (nombre total de grappes, taille moyenne des grappes, et étendue de leur taille).
• La valeur empirique du coefficient de corrélation intra-classe (ICC) calculé sur la variable d’intérêt clinique ou comportementale, accompagnée de son intervalle de confiance à 95 %.
• La justification méthodologique détaillée du choix du modèle statistique retenu pour neutraliser ou exploiter cette corrélation (spécification de la matrice de covariance, logiciels et bibliothèques d’analyse utilisés, comme lme4 sous R, SAS PROC MIXED, ou Mplus).

Dans le cadre des initiatives en faveur de la science ouverte (Open Science Framework), le partage transparent des scripts d’analyse complets (en R, Python ou Julia) et des matrices de données anonymisées devient la norme incontournable. Les réviseurs et éditeurs scientifiques exigent désormais la vérification publique que le postulat d’indépendance n’a pas été escamoté pour obtenir artificiellement des valeurs p inférieures au seuil fatidique de 0,05.

12.3 Perspectives futures dans l’analyse de données hautement connectées

À l’aube du XXIe siècle, l’avènement des mégadonnées (Big Data), des traces numériques massives issues des réseaux sociaux en ligne, des capteurs biométriques connectés (smartwatches, électrocardiogrammes continus) et de l’intelligence artificielle bouscule en profondeur la conception même de l’indépendance statistique. Dans un monde hyper-connecté où chaque individu génère en permanence des flux d’informations influencés par les algorithmes de recommandation et les comportements de son réseau social global, l’indépendance au sens classique de l’échantillonnage aléatoire simple tend à devenir l’exception plutôt que la règle.

Cette transition paradigmatique a stimulé l’émergence spectaculaire de l’analyse de réseaux psychométriques (Psychometric Network Analysis), popularisée par Denny Borsboom et ses collaborateurs en psychopathologie quantitative. Dans cette approche, les symptômes dépressifs ou anxieux ne sont plus considérés comme les indicateurs indépendants d’une variable latente commune, mais comme les nœuds d’un système dynamique complexe et interconnecté qui s’auto-activent mutuellement par des boucles de rétroaction causales directes. L’interdépendance n’est plus un bruit statistique gênant à neutraliser : elle devient l’objet d’étude premier et fondamental.

Parallèlement, le développement de l’apprentissage automatique causal (Causal Machine Learning) et des modèles graphiques probabilistes orientés (DAGs, formulés par Judea Pearl) permet aujourd’hui de modéliser avec une acuité sans précédent les flux d’informations et les dépendances directionnelles au sein d’écosystèmes sociaux et sanitaires complexes. La statistique du XXIe siècle ne cherche plus à contraindre artificiellement la réalité humaine dans le carcan réducteur d’une indépendance illusoire, mais forge les outils mathématiques permettant de célébrer, quantifier et modéliser l’infinie richesse des interconnexions du monde réel.

Références

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

Borsboom, D., Deserno, M. K., Rhemtulla, M., Epskamp, S., Fried, E. I., McNally, R. J., Robinaugh, D. J., Perugini, M., Dalege, J., Costantini, G., Isvoranu, A. M., Wysocki, A. C., van Borkulo, C. D., van Bork, R., & Waldorp, L. J. (2021). Network analysis of multivariate data in psychological science. Nature Reviews Methods Primers, 1(1), Article 58. https://doi.org/10.1038/s43586-021-00055-w

Box, G. E. P. (1954). Some theorems on quadratic forms applied in the study of analysis of variance problems, I. Effect of inequality of variance in the one-way classification. The Annals of Mathematical Statistics, 25(2), 290–302. https://doi.org/10.1214/aoms/1177728786

Breusch, T. S. (1978). Testing for autocorrelation in dynamic linear models. Australian Economic Papers, 17(31), 334–355. https://doi.org/10.1111/j.1467-8454.1978.tb00635.x

Durbin, J., & Watson, G. S. (1950). Testing for serial correlation in least squares regression: I. Biometrika, 37(3/4), 409–428. https://doi.org/10.2307/2332388

Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.

Godfrey, L. G. (1978). Testing against general autoregressive and moving average error models when the regressors include lagged dependent variables. Econometrica, 46(6), 1293–1301. https://doi.org/10.2307/1913829

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

Hopkins, K. D. (1982). The unit of analysis: « Group » means versus « individual » observations. American Educational Research Journal, 19(1), 5–18. https://doi.org/10.3102/00028312019001005

Hox, J. J., Moerbeek, M., & van de Schoot, R. (2017). Multilevel analysis: Techniques and applications (3rd ed.). Routledge. https://doi.org/10.4324/9781315650982

Kenny, D. A., Kashy, D. A., & Cook, W. L. (2006). Dyadic data analysis. Guilford Press.

Kish, L. (1965). Survey sampling. John Wiley & Sons.

Liang, K. Y., & Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 73(1), 13–22. https://doi.org/10.1093/biomet/73.1.13

Maas, C. J., & Hox, J. J. (2005). Sufficient sample sizes for multilevel modeling. Methodology, 1(3), 86–92. https://doi.org/10.1027/1614-2241.1.3.86

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

Moran, P. A. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1/2), 17–23. https://doi.org/10.2307/2332142

Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161

Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models: Applications and data analysis methods (2nd ed.). SAGE Publications.

Scariano, S. M., & Davenport, J. M. (1987). The effects of violations of independence assumptions in the one-way ANOVA. The American Statistician, 41(3), 202–206. https://doi.org/10.1080/00031305.1987.10475478

Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit region. Economic Geography, 46(sup1), 234–240. https://doi.org/10.2307/143141