One-Way ANOVA vs. Repeated Measures ANOVA: The Difference

L’analyse de variance, universellement désignée sous l’acronyme ANOVA, constitue l’un des piliers méthodologiques et statistiques les plus fondamentaux de la recherche contemporaine en psychologie, en biomédecine, en neurosciences cognitives et dans l’ensemble des sciences comportementales. Conçue à l’origine pour tester l’égalité des moyennes entre plusieurs populations sans subir l’inflation dramatique de l’erreur de première espèce inhérente à la multiplication des tests t de Student, cette famille de techniques paramétriques permet d’isoler l’effet de variables explicatives catégorielles sur une variable dépendante quantitative continue. Néanmoins, l’architecture expérimentale sous-jacente détermine de manière irrévocable la nature de la modélisation statistique à employer : l’assignation des participants à des conditions mutuellement exclusives impose le recours à l’ANOVA à un facteur inter-sujets, tandis que l’observation répétée des mêmes unités expérimentales à travers le temps ou à travers diverses conditions de laboratoire exige impérativement le déploiement d’une ANOVA à mesures répétées intra-sujets.

La confusion entre ces deux approches méthodologiques représente l’une des sources les plus courantes et les plus délétères d’erreurs inférentielles au sein des publications scientifiques. Traiter des observations appariées ou répétées comme des mesures indépendantes viole le postulat cardinal d’indépendance stochastique des résidus, gonfle artificiellement le terme d’erreur et réduit drastiquement la puissance statistique du test, augmentant ainsi de façon critique le risque de commettre une erreur de deuxième espèce. Inversement, appliquer à tort un algorithme de mesures répétées à des groupes non appariés fausse l’estimation des degrés de liberté et invalide la matrice de variance-covariance. Le choix éclairé du chercheur ne relève donc pas d’une simple préférence computationnelle ou logicielle, mais d’une adéquation rigoureuse entre la structure ontologique des données recueillies et les fondements algébriques du modèle linéaire général.

Ce guide exhaustif a pour vocation d’analyser en profondeur les divergences conceptuelles, mathématiques, méthodologiques et pratiques qui séparent l’ANOVA à un facteur inter-sujets (One-Way ANOVA) et l’ANOVA à mesures répétées intra-sujets (Repeated Measures ANOVA). En explorant pas à pas la décomposition de la variance, les structures matricielles de covariance, les postulats d’homogénéité et de sphéricité, la puissance statistique, la gestion des biais expérimentaux et les normes de publication académique, cet article propose une référence définitive pour les chercheurs, statisticiens et étudiants soucieux de garantir une rigueur méthodologique sans faille à leurs investigations empiriques.

1. Fondements théoriques et conceptuels de l’analyse de variance

Pour appréhender la distinction entre les plans inter-sujets et intra-sujets, il est impératif de revenir aux fondements théoriques de l’analyse de variance, telle qu’elle a été formalisée au sein du modèle linéaire général. L’ANOVA n’est pas simplement un test de comparaison de moyennes ; elle représente une stratégie globale de partitionnement et de quantification des différentes sources de fluctuation observées au sein d’un échantillon de données empiriques.

2. La logique de décomposition de la variance totale

Le postulat directeur de l’analyse de variance repose sur l’axiome fondamental selon lequel la variabilité globale observée au sein d’un jeu de données peut être décomposée en composantes additives indépendantes reflétant des processus générateurs distincts. Dans sa formulation la plus générale, la somme totale des écarts au carré par rapport à la moyenne générale (notée Somme des Carrés Totale, ou $SS_{Total}$) mesure l’ensemble des fluctuations individuelles constatées sur la variable dépendante d’intérêt. Cette dispersion globale résulte de l’agrégation de deux forces motrices : d’une part, l’impact systématique induit par la manipulation expérimentale ou l’appartenance à un groupe défini, et d’autre part, les fluctuations aléatoires non contrôlées, couramment qualifiées d’erreur expérimentale ou de bruit résiduel.

Sur le plan algébrique, cette démarche s’exprime par le partitionnement $SS_{Total} = SS_{Effet} + SS_{Erreur}$. Le principe heuristique sous-jacent consiste à formaliser un rapport signal-sur-bruit par l’intermédiaire du ratio $F$ de Fisher-Snedecor. Ce ratio confronte la variance expliquée par le facteur expérimental (le signal, standardisé sous forme de Carré Moyen de l’effet, $MS_{Effet}$) à la variance inexpliquée résiduelle (le bruit de fond, standardisé sous forme de Carré Moyen de l’erreur, $MS_{Erreur}$). Lorsque le signal prédomine significativement sur le bruit au regard des lois théoriques de distribution de Fisher, le chercheur est fondé à rejeter l’hypothèse nulle d’égalité des espérances mathématiques entre les conditions considérées.

3. Origines de l’ANOVA en recherche psychologique et comportementale

L’émergence historique de l’analyse de variance est indissociable des travaux pionniers menés par le statisticien et généticien britannique Sir Ronald A. Fisher dans les années 1920 à la station expérimentale agricole de Rothamsted. Initialement élaborée pour évaluer l’efficacité différentielle de fertilisants sur des parcelles agronomiques réparties dans l’espace, l’ANOVA a rapidement transcendé son cadre agricole originel pour s’imposer comme le paradigme quantitatif dominant au sein des sciences psychologiques naissantes du milieu du vingtième siècle.

Sous l’impulsion de psychologues expérimentalistes tels que Clark Hull, Edward Tolman et plus tard l’école behavioriste, la psychologie scientifique cherchait ardemment à s’affranchir de l’introspectionnisme subjectif au profit de protocoles rigoureux d’expérimentation contrôlée. L’ANOVA a apporté l’appareil formel indispensable pour tester empiriquement des théories complexes de l’apprentissage, de la perception et de la mémoire. Elle permettait d’administrer des doses graduées de stimuli ou d’assigner des sujets à des conditions d’entraînement distinctes, tout en fournissant un critère probabiliste objectif pour déterminer si les variations comportementales enregistrées découlaient de véritables lois psychologiques ou de simples artefacts d’échantillonnage.

4. Principes directeurs du choix d’un plan factoriel univarié

Le choix judicieux de l’architecture d’un plan factoriel repose sur une évaluation méthodologique stricte articulée autour de la nature de la variable indépendante ($VI$), de l’échelle de mesure de la variable dépendante ($VD$) et de l’accessibilité de la population cible. Dans le cadre d’un plan factoriel univarié, le chercheur s’intéresse à l’impact d’une variable indépendante unique, comportant au minimum trois modalités ($k ge 3$), sur une variable dépendante quantitative continue mesurée sur une échelle d’intervalles ou de rapports. Lorsque seules deux modalités sont présentes, l’ANOVA produit un résultat mathématiquement équivalent au test $t$ de Student pour échantillons indépendants ou appariés ($F = t^2$).

La question nodale guidant la sélection entre une approche inter-sujets ou intra-sujets réside dans la faisabilité et la pertinence d’exposer les mêmes unités d’observation à l’ensemble des modalités du facteur. Si l’exposition à une modalité engendre une modification permanente, irréversible ou contaminante de l’état psychophysiologique du participant (comme une intervention chirurgicale, un programme éducatif intensif ou un apprentissage perceptif persistant), l’adoption d’un devis inter-sujets s’avère méthodologiquement inéluctable. En revanche, lorsque les effets sont transitoires ou que la dynamique temporelle constitue l’objet même de l’investigation, l’architecture intra-sujets s’impose comme l’option la plus parcimonieuse et la plus informative.

5. L’ANOVA à un facteur : Principes fondamentaux du plan inter-sujets

L’ANOVA à un facteur entre sujets (couramment désignée dans la littérature anglo-saxonne sous le terme de One-Way Between-Subjects ANOVA) est la structure expérimentale canonique employée pour comparer les performances de groupes mutuellement exclusifs soumis à des traitements ou conditions distincts.

6. Architecture et logique expérimentale des groupes indépendants

L’architecture expérimentale des groupes indépendants repose sur le principe de l’assignation aléatoire intégrale (complete randomization). Dans ce dispositif, chaque participant extrait de la population parente dispose d’une probabilité strictement égale et indépendante d’être affecté à l’un des $k$ niveaux de la variable indépendante. Il en découle que chaque sujet n’est observé qu’une seule et unique fois, au sein d’une seule modalité expérimentale, produisant une étanchéité absolue entre les sous-échantillons.

Cette indépendance mutuelle garantit que les observations d’un groupe donné ne sont en aucun cas conditionnées ou corrélées aux observations d’un autre groupe. La puissance heuristique de cette organisation réside dans sa neutralisation systématique des effets d’ordre, d’apprentissage ou de lassitude : un participant assigné au groupe témoin ne subira jamais l’influence des matériels didactiques ou pharmacologiques administrés aux groupes expérimentaux. La validité interne du dispositif dépend néanmoins de l’efficacité de la randomisation à équilibrer, entre les groupes, les variables parasites interindividuelles telles que l’âge, le quotient intellectuel, la motivation intrinsèque ou les traits de personnalité préexistants.

7. Décomposition mathématique de la variance inter-groupes

Sur le plan computationnel, l’ANOVA inter-sujets scinde la dispersion totale des observations en deux réservoirs orthogonaux de variance : la somme des carrés inter-groupes ($SS_{Inter}$ ou $SS_{Between}$) et la somme des carrés intra-groupes ($SS_{Intra}$ ou $SS_{Within}$, traditionnellement assimilée à la somme des carrés de l’erreur, $SS_{Erreur}$). Si l’on désigne par $Y_{ij}$ le score du $i$-ème individu au sein du $j$-ème groupe, par $\bar{Y}_j$ la moyenne empirique du groupe $j$, et par $\bar{Y}$ la moyenne globale de l’échantillon, la somme des carrés totale s’exprime selon l’équation classique :

$$SS_{Total} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (Y_{ij} – \bar{Y})^2$$

Cette variabilité globale est scindée de la manière suivante :

$$SS_{Inter} = \sum_{j=1}^{k} n_j (\bar{Y}_j – \bar{Y})^2$$

$$SS_{Intra} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (Y_{ij} – \bar{Y}_j)^2$$

Les degrés de liberté associés se distribuent respectivement sous la forme $df_{Total} = N – 1$, $df_{Inter} = k – 1$ et $df_{Intra} = N – k$, où $N$ représente le nombre total d’observations ($N = \sum n_j$) et $k$ le nombre de modalités du facteur. Les carrés moyens sont obtenus par division des sommes de carrés par leurs degrés de liberté respectifs ($MS_{Inter} = SS_{Inter} / df_{Inter}$ et $MS_{Intra} = SS_{Intra} / df_{Intra}$). La statistique d’inférence est le ratio $F = MS_{Inter} / MS_{Intra}$. Si la variabilité entre les moyennes de groupes surpasse largement la variabilité résiduelle des individus autour de leur moyenne de groupe, le ratio $F$ devient significatif au seuil critique $\alpha$ préalablement défini.

8. Illustration empirique : évaluation de thérapies alternatives

Afin d’ancrer ces considérations formelles dans la pratique empirique, considérons un essai clinique randomisé évaluant l’efficacité de trois protocoles psychothérapeutiques distincts sur la réduction du score d’anxiété sociale mesuré via l’échelle de Liebowitz : la thérapie cognitivo-comportementale classique (TCC), la thérapie d’intégration neuro-émotionnelle par les mouvements oculaires (EMDR), et un programme de méditation de pleine conscience (Mindfulness). Dans ce devis inter-sujets, un échantillon de 45 patients diagnostiqués est réparti aléatoirement en trois cohortes indépendantes et équilibrées de 15 sujets chacune ($n_1 = n_2 = n_3 = 15$, $N = 45$).

Après huit semaines d’intervention, chaque patient n’est évalué qu’une seule fois. L’hypothèse nulle ($H_0$) postule l’égalité stricte des trois moyennes d’anxiété post-traitement : $\mu_{TCC} = \mu_{EMDR} = \mu_{Mindfulness}$. L’hypothèse alternative ($H_1$) pose qu’au moins deux de ces moyennes diffèrent de manière statistiquement significative. L’application de l’ANOVA inter-sujets permet d’évaluer si la variabilité constatée entre les trois modalités thérapeutiques ($MS_{Inter}$, $df = 2$) excède le bruit biologique et psychologique inhérent aux différences interindividuelles au sein de chaque groupe de thérapie ($MS_{Intra}$, $df = 42$).

9. L’ANOVA à mesures répétées : Principes du plan intra-sujets

À l’opposé du modèle inter-sujets, l’ANOVA à mesures répétées (Repeated Measures ANOVA) repose sur un devis intra-sujets (within-subjects design). Dans ce cadre paradigmatique, les participants ne sont plus compartimentés dans des groupes hermétiques : chaque sujet sert de son propre contrôle en traversant successivement toutes les modalités expérimentales.

10. Architecture des mesures appariées et suivi longitudinal

L’architecture des mesures répétées s’articule autour de deux grands axes expérimentaux : les plans à mesures appariées (ou plans d’exposition croisée) et les protocoles longitudinaux de suivi temporel. Dans le premier cas, un individu est soumis à divers contextes cognitifs, environnementaux ou pharmacologiques (par exemple, mémoriser des listes de mots sous trois conditions d’interférence sonore : silence, bruit blanc, musique verbale). Dans le second cas, l’axe expérimental est constitué par l’évolution chronologique intrinsèque, les observations étant prélevées à intervalles réguliers (par exemple : ligne de base, pré-test, post-test immédiat et suivi à six mois).

L’avantage épistémologique cardinal de ce dispositif réside dans l’appariement parfait des unités expérimentales avec elles-mêmes. Les caractéristiques biopsychologiques stables d’un individu — son patrimoine génétique, ses capacités intellectuelles globales, son statut socio-économique, sa réactivité neurovégétative — demeurent théoriquement constantes d’une mesure à l’autre. Cette structure de recueil engendre une dépendance statistique fondamentale entre les scores : deux observations prélevées sur un même sujet sont systématiquement plus fortement corrélées entre elles que deux observations prélevées sur des sujets distincts.

11. Décomposition de la variance et contrôle des différences interindividuelles

La puissance d’élucidation supérieure de l’ANOVA à mesures répétées provient directement de sa capacité à démanteler la variance résiduelle globale pour en extraire et neutraliser les différences systématiques interindividuelles. Dans l’ANOVA inter-sujets, la somme des carrés intra-groupes ($SS_{Intra}$) englobe indistinctement le bruit de mesure aléatoire et les singularités stables propres à chaque participant. Dans l’ANOVA intra-sujets, le modèle isole explicitement la part de dispersion attribuable aux individus ($SS_{Sujets}$).

L’équation de partitionnement s’affine donc substantiellement : la variabilité totale $SS_{Total}$ est premièrement divisée en deux composantes majeures : la variabilité inter-sujets ($SS_{Sujets}$) et la variabilité intra-sujets ($SS_{Intra-Sujets}$). À son tour, cette fraction intra-sujets est rigoureusement subdivisée entre l’effet direct de la variable manipulée ($SS_{Traitement}$ ou $SS_{Conditions}$) et la véritable variance d’erreur résiduelle ($SS_{Erreur}$), qui correspond mathématiquement à l’interaction stochastique entre les participants et le traitement ($SS_{Sujets \times Traitement}$) :

$$SS_{Total} = SS_{Sujets} + SS_{Traitement} + SS_{Erreur}$$

En éliminant formellement $SS_{Sujets}$ du dénominateur du ratio de Fisher, le chercheur réduit drastiquement l’amplitude du Carré Moyen de l’Erreur ($MS_{Erreur}$), affinant de manière spectaculaire la sensibilité du test statistique à détecter de petites variations moyennes induites par le facteur investigué.

12. Illustration empirique : cinétique temporelle d’un symptôme anxieux

Pour matérialiser ce mécanisme algébrique, réexaminons l’investigation des symptômes anxieux, mais cette fois-ci selon une perspective cinétique et développementale. Une cohorte unique de 15 patients souffrant de trouble panique est admise dans un protocole d’intervention basé sur la thérapie d’exposition à la réalité virtuelle. L’anxiété est quantifiée au moyen d’une échelle standardisée à quatre moments critiques : avant le protocole ($T_0$), à mi-parcours après 4 semaines ($T_1$), à l’issue du protocole après 8 semaines ($T_2$), et lors d’une relance évaluative à 3 mois ($T_3$).

Dans cette configuration univariée intra-sujets, nous disposons de 15 individus mesurés chacun à quatre reprises, générant un jeu de 60 observations au total. La question statistique centrale consiste à déterminer si les scores moyens d’anxiété subissent une inflexion significative au cours du temps, tout en extirpant des calculs d’erreur le fait incontestable que certains patients sont chroniquement plus anxieux que d’autres à tous les temps de mesure. L’ANOVA à mesures répétées permet d’isoler l’effet du facteur temporel ($df_{Temps} = 4 – 1 = 3$) en le confrontant au terme d’erreur purifié des disparités d’anxiété de base ($df_{Erreur} = (15 – 1) \times (4 – 1) = 42$).

13. Distinction structurelle : indépendance versus dépendance des données

La ligne de démarcation essentielle entre l’ANOVA à un facteur inter-sujets et l’ANOVA à mesures répétées ne réside pas dans les formules d’estimation des moyennes de conditions, mais dans la structure probabiliste des résidus et la matrice de variance-covariance des mesures collectées.

14. Origine et traitement de la variance d’échantillonnage

Dans l’ANOVA inter-sujets, la variance d’échantillonnage découle de l’hétérogénéité intrinsèque entre les entités biologiques distinctes composant les groupes expérimentaux. Lorsqu’un individu dans le groupe TCC présente un score de dépression résiduelle exceptionnellement bas, cette observation peut résulter d’une sensibilité remarquable à l’alliance thérapeutique, mais aussi d’un réseau de soutien social plus dense ou d’une prédisposition génétique favorisant la résilience. Dans le devis inter-sujets, cette variance interindividuelle est entièrement amalgamée au sein de la variance d’erreur résiduelle ($MS_{Intra}$). Elle constitue un obstacle statistique qui tend à masquer l’effet réel du traitement en gonflant le dénominateur de $F$.

À l’inverse, l’ANOVA à mesures répétées traite la variance interindividuelle comme une information traçable et modélisable. Puisque le même individu est suivi à travers l’ensemble des conditions, le modèle statistique est capable d’estimer un paramètre moyen individuel $\bar{Y}_i$ qui quantifie le niveau de base propre à ce participant. Cette variance d’échantillonnage liée aux différences stables inter-sujets est alors soustraite du bruit expérimental non contrôlé. La variance d’échantillonnage résiduelle ne contient plus que les fluctuations intra-individuelles non systématiques et l’erreur d’instrumentation pure, offrant une modélisation infiniment plus pure de l’action de la variable manipulée.

15. Structure matricielle des degrés de liberté

La répartition formelle des degrés de liberté constitue l’un des indicateurs les plus révélateurs du fonctionnement interne des deux algorithmes. Soit un schéma expérimental impliquant $k$ conditions et mobilisant au total $N$ observations. Dans un devis à groupes indépendants composé de $k$ groupes de $n$ sujets (avec $N = n \times k$), les degrés de liberté sont structurés de manière binaire :

• Degrés de liberté inter-groupes : $df_{Inter} = k – 1$
• Degrés de liberté intra-groupes (erreur) : $df_{Intra} = N – k = k(n – 1)$
• Degrés de liberté totaux : $df_{Total} = N – 1$

Dans le devis à mesures répétées correspondant, impliquant un échantillon unique de $n$ participants évalués chacun dans les $k$ conditions (soit également un volume total de données $N = n \times k$), la partition matricielle des degrés de liberté s’avère plus sophistiquée et subdivisée :

• Degrés de liberté inter-sujets (sujets) : $df_{Sujets} = n – 1$
• Degrés de liberté intra-sujets (total intra) : $df_{Intra-Sujets} = n(k – 1)$
• Degrés de liberté de la condition (effet) : $df_{Conditions} = k – 1$
• Degrés de liberté de l’erreur résiduelle : $df_{Erreur} = (n – 1)(k – 1)$
• Degrés de liberté totaux : $df_{Total} = N – 1 = n \cdot k – 1$

Cette décomposition met en lumière un compromis statistique capital : l’ANOVA à mesures répétées paie la soustraction de la variance des sujets par une perte mécanique de degrés de liberté au dénominateur du test de Fisher. Alors que le modèle inter-sujets dispose de $k(n – 1)$ degrés de liberté d’erreur, le modèle intra-sujets ne dispose plus que de $(n – 1)(k – 1)$ degrés de liberté. Pour que le devis intra-sujets soit avantageux, la réduction du Carré Moyen de l’Erreur ($MS_{Erreur}$) induite par l’élimination de $SS_{Sujets}$ doit donc être proportionnellement plus importante que la réduction des degrés de liberté résiduels.

16. Gestion des covariances entre conditions expérimentales

L’ANOVA à un facteur inter-sujets postule explicitement que les covariances entre les groupes sont nulles, dans la mesure où aucun participant n’appartient à plus d’une cohorte. La matrice de variance-covariance des données y est par conséquent strictement diagonale : les éléments hors diagonale représentant les covariances entre paires d’observations de groupes distincts sont supposés être rigoureusement égaux à zéro.

En revanche, l’ANOVA à mesures répétées opère sur des données intrinsèquement corrélées. La matrice de variance-covariance de dimensions $k \times k$ comporte sur sa diagonale principale les variances empiriques de chaque modalité ($\sigma_1^2, \sigma_2^2, dots, \sigma_k^2$), et sur ses positions hors diagonale les covariances croisées entre les différentes paires de modalités ($\sigma_{12}, \sigma_{13}, dots, \sigma_{k-1,k}$). La modélisation classique de l’ANOVA intra-sujets requiert que cette matrice présente une forme spécifique dite de symétrie composée (compound symmetry), ou de manière plus générale et réaliste, qu’elle satisfasse à la condition de sphéricité d’Edward Mauchly, condition qui n’a aucun sens mathématique dans le cadre de l’ANOVA inter-sujets.

17. Postulats statistiques et hypothèses sous-jacentes

Comme toute procédure paramétrique d’inférence, la validité des conclusions issues d’une analyse de variance est tributaire du strict respect d’un ensemble d’hypothèses probabilistes concernant les distributions des variables et des termes résiduels.

18. Postulats partagés par les deux approches statistiques

L’ANOVA à un facteur et l’ANOVA à mesures répétées partagent un socle fondamental d’exigences métrologiques et distributionnelles. En premier lieu, la variable dépendante doit impérativement être mesurée sur une échelle quantitative métrique continue (intervalles réguliers ou rapports réels). L’application de l’ANOVA à des données ordinales pures (telles que des échelles de Likert à faible nombre de points sans distributions symétriques) sans précautions particulières peut fausser les probabilités critiques associées.

En second lieu, les deux modèles postulent la normalité multivariée des distributions d’échantillonnage, qui se traduit opérationnellement par la normalité de la distribution des résidus d’estimation dans chaque condition. Ce postulat est traditionnellement vérifié au moyen du test de Shapiro-Wilk ou par l’inspection visuelle des diagrammes quantile-quantile (Q-Q plots). Conformément au théorème central limite, l’ANOVA démontre une robustesse reconnue face aux déviations modérées de la normalité dès lors que la taille des échantillons est suffisante ($n ge 30$ par cellule) et que les distributions ne présentent pas d’asymétrie ou d’aplatissement (kurtosis) excessifs. Enfin, l’échantillonnage global doit être aléatoire et représentatif de la population parente ciblée.

19. Homogénéité des variances vs condition de sphéricité

La divergence la plus manifeste entre les deux modèles au niveau de leurs postulats réside dans la modélisation de la dispersion d’erreur. L’ANOVA inter-sujets exige l’homogénéité des variances entre les groupes indépendants, également désignée sous le concept d’homoscédasticité :

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

Ce postulat est classiquement testé par l’intermédiaire du test de Levene ou de Bartlett. En cas de violation modérée dans un plan équilibré (effectifs identiques $n_j$), le ratio $F$ demeure robuste ; en présence de groupes de tailles inégales, l’hétéroscédasticité compromet gravement le taux nominal d’erreur $\alpha$.

Dans l’ANOVA à mesures répétées, l’exigence d’homoscédasticité simple est remplacée par le postulat beaucoup plus complexe et restrictif de sphéricité, formalisé par John Mauchly en 1940. La sphéricité stipule que la variance des différences entre toutes les paires possibles de conditions expérimentales doit être constante. Formellement, pour deux conditions quelconques $j$ et $m$ :

$$Var(Y_{ij} – Y_{im}) = \sigma_{j-m}^2 = Constante \quad \forall (j, m)$$

La sphéricité est mathématiquement satisfaite si la matrice vérifie la condition de symétrie composée (variances égales sur la diagonale et covariances égales hors diagonale). Cependant, la symétrie composée n’est qu’une condition suffisante mais non nécessaire : la sphéricité requiert simplement que les disparités de covariances compensent exactement les écarts de variance. Cette hypothèse est formellement évaluée par le test $W$ de Mauchly. Si la valeur de $p$ associée à $W$ est inférieure au seuil critique $\alpha = 0{,}05$, l’hypothèse nulle de sphéricité est rejetée, ce qui dénote une violation majeure invalidant les probabilités critiques issues de la distribution standard de Fisher.

20. Procédures d’ajustement en cas de violation de sphéricité

La violation de la sphéricité constitue la règle plutôt que l’exception dans les recherches longitudinales, en raison de l’effet d’atténuation temporelle : deux mesures prélevées à des moments très rapprochés dans le temps présentent presque toujours une covariance supérieure à celle observée entre deux mesures prélevées à des moments très distants. En présence d’une violation de sphéricité, le ratio $F$ d’origine présente un taux excessif de faux positifs, gonflant le risque de rejeter indûment l’hypothèse nulle (inflation du taux d’erreur de première espèce).

Pour remédier à cette anomalie computationnelle sans renoncer au modèle de l’ANOVA univariée, les statisticiens ont développé des indices de correction visant à réduire les degrés de liberté de l’effet et de l’erreur par un facteur multiplicatif d’ajustement $epsilon$ (epsilon), où $\frac{1}{k-1} le \epsilon le 1$. La réduction des degrés de liberté a pour conséquence géométrique de durcir le seuil de rejet en déplaçant la valeur critique de $F$ vers la droite :

• L’epsilon de Greenhouse-Geisser ($\hat{\epsilon}_{GG}$) : Introduit en 1959, cet indice offre un ajustement conservateur particulièrement indiqué lorsque les violations de sphéricité sont sévères ($\hat{\epsilon} < 0{,}75$). Il tend cependant à pénaliser légèrement la puissance statistique.
• L’epsilon de Huynh-Feldt ($\tilde{\epsilon}_{HF}$) : Élaboré en 1976 pour corriger le biais conservateur de Greenhouse-Geisser, cet indice est recommandé lorsque $\hat{\epsilon}_{GG} > 0{,}75$. Il peut occasionnellement produire une valeur d’ajustement légèrement supérieure à 1, laquelle est alors conventionnellement ramenée à 1.
• La borne inférieure (Lower-bound epsilon) : Correspondant au cas limite de dégradation absolue de la matrice ($epsilon = 1 / (k – 1)$), elle représente le conservatisme maximal mais s’avère beaucoup trop pénalisante pour un usage courant.

21. Analyse comparative de la puissance statistique

L’argument décisif motivant l’adoption préférentielle d’un plan à mesures répétées réside dans son extraordinaire supériorité en matière de puissance statistique ($1 – \beta$), c’est-à-dire sa capacité mathématique à détecter un effet réel existant au sein de la population.

22. Gain de puissance apporté par le devis intra-sujets

Pour saisir l’origine de ce gain mécanique, il convient d’analyser la composition interne du dénominateur du ratio de Fisher dans les deux architectures expérimentales. Dans une ANOVA à un facteur inter-sujets, la dispersion des individus autour de leur moyenne de groupe respective intègre la totalité des singularités interindividuelles stables. Ainsi, si l’on tente d’évaluer l’impact d’un entraînement cognitif sur la vitesse de traitement de l’information avec un devis inter-groupes, un participant naturellement lent fera chuter la moyenne de son groupe, tandis qu’un participant hyper-performant tirera la sienne vers le haut, créant un large nuage d’erreur $MS_{Intra}$.

Dans l’ANOVA à mesures répétées, cette variance interindividuelle est formalisée par la somme des carrés des sujets ($SS_{Sujets}$) et soustraite de l’équation avant le calcul de l’erreur résiduelle. Si la corrélation moyenne entre les mesures appariées est élevée (par exemple $r = 0{,}70$ ou plus), la variance résiduelle non systématique ($MS_{Erreur}$) devient une infime fraction de ce qu’elle aurait été dans un devis inter-sujets équivalent. En conséquence, pour une même amplitude brute de différence de moyennes, le ratio $F = MS_{Traitement} / MS_{Erreur}$ est considérablement plus volumineux dans le plan intra-sujets, propulsant la puissance statistique à des niveaux inaccessibles pour un devis à groupes indépendants de taille d’échantillon analogue.

23. Risques d’inflation de l’erreur de type I en mesures répétées

Bien que le plan intra-sujets surpasse le plan inter-sujets sur le plan de la sensibilité, cette surpuissance s’accompagne d’une vulnérabilité accrue aux faux positifs dès lors que ses présupposés algébriques ne sont pas respectés. L’inflation de l’erreur de type I ($\alpha$) représente la menace la plus insidieuse pesant sur l’ANOVA à mesures répétées.

Lorsque la condition de sphéricité est compromise, la distribution empirique du ratio $F$ ne suit plus la distribution théorique $F$ de Fisher paramétrée par les degrés de liberté initiaux $(k – 1)$ et $(n – 1)(k – 1)$. Les valeurs de probabilité calculées sont alors artificiellement optimistes : une valeur de $p$ annoncée à $0{,}03$ par un logiciel non corrigé peut en réalité correspondre à un taux d’erreur effectif avoisinant $0{,}08$ ou $0{,}12$. Contrairement à l’ANOVA inter-sujets, où l’hétéroscédasticité n’affecte substantiellement $\alpha$ qu’en présence de tailles de groupes asymétriques, l’ANOVA intra-sujets subit une distorsion systématique de son taux de faux positifs dès que la sphéricité n’est pas vérifiée, imposant impérativement l’application des correctifs d’epsilon sous peine de compromettre la reproductibilité des résultats.

24. Détermination de la taille d’échantillon optimale

La planification quantitative a priori de la taille de l’échantillon via des programmes de calcul de puissance tels que G*Power met en exergue l’économie monumentale de ressources humaines et temporelles permise par l’ANOVA à mesures répétées. Pour détecter un effet d’ampleur moyenne (selon les critères de Cohen, $f = 0{,}25$) avec une puissance visée standard de $1 – \beta = 0{,}80$ et un seuil d’erreur $\alpha = 0{,}05$ au sein d’une expérience comparant trois conditions ($k = 3$) :

Dans le cadre d’une ANOVA à un facteur inter-sujets, l’expérimentateur doit recruter un effectif total de $N = 159$ participants distincts (soit 53 sujets par condition expérimentale). Si la logistique de recrutement est complexe ou onéreuse, cette exigence peut constituer un écueil rédhibitoire.

Dans le cadre d’une ANOVA à mesures répétées portant sur les trois mêmes conditions, sous l’hypothèse fort plausible d’une corrélation modérée à forte entre les mesures répétées ($r = 0{,}50$) et d’une sphéricité respectée ($epsilon = 1$), l’effectif nécessaire s’effondre à seulement $n = 28$ participants uniques. Chaque sujet parcourant les trois conditions, l’expérience génère 84 points de données au total, mais ne requiert la sélection, l’indemnisation et le suivi que de 28 êtres humains, divisant par plus de cinq la charge de recrutement tout en maintenant une puissance prédictive strictement identique.

25. Biais expérimentaux et menaces à la validité interne

Si l’ANOVA à mesures répétées l’emporte de façon écrasante sur le plan de l’efficacité statistique et de la gestion de la variance, l’ANOVA à un facteur inter-sujets reprend l’avantage sur le terrain de la validité méthodologique interne et de l’immunité contre les contaminations temporelles croisées.

26. Effets d’ordre et de report spécifiques aux mesures répétées

Le talon d’Achille indiscutable du plan intra-sujets réside dans les interactions psychologiques et physiologiques consécutives à la succession des passations. L’état d’un individu mesuré au cours de la deuxième ou troisième condition est inévitablement altéré par son passage préalable dans la première condition. Ces contaminations méthodologiques se regroupent sous deux dénominations majeures :

• Les effets d’ordre (ou de séquence) : Ils résultent de la simple accumulation du temps passé dans l’expérimentation. Les effets d’ordre incluent l’apprentissage moteur ou perceptif (le sujet s’améliore progressivement au fur et à mesure des essais indépendamment de la condition), l’adaptation sensorielle, ou au contraire l’épuisement cognitif, la fatigue physique et la désimplication progressive liée à l’ennui.
• Les effets de report (carryover effects) : Ils désignent la contamination directe et substantielle d’une condition spécifique sur la condition subséquente. L’administration d’une molécule psychoactive dont les métabolites persistent dans l’organisme lors de la session suivante, ou l’apprentissage d’une stratégie de mémorisation explicite au sein de la condition A qui est ensuite spontanément réemployée dans la condition B, représentent des cas d’école d’effets de report asymétriques.

27. Stratégies méthodologiques de contrôle : Contrebalancement

Pour neutraliser ces menaces sans renoncer aux vertus statistiques de l’ANOVA intra-sujets, le chercheur doit obligatoirement intégrer des mécanismes rigoureux de contrebalancement (counterbalancing) lors de l’attribution de l’ordre des conditions aux participants. Le contrebalancement a pour fonction d’assurer que chaque condition apparaisse un nombre égal de fois à chaque position séquentielle de l’expérience.

Lorsque le nombre de conditions $k$ est faible (par exemple $k = 3$), un contrebalancement complet est aisément déployable : les participants sont répartis équitablement entre les $k! = 3! = 6$ ordres d’administration possibles ($ABC, ACB, BAC, BCA, CAB, CBA$). Lorsque le nombre de modalités s’accroît, le recours au carré latin (Latin Square) ou au carré latin équilibré (Balanced Latin Square) devient incontournable. Dans un carré latin équilibré, chaque condition n’apparaît pas seulement une fois par position ordinale, mais elle précède et succède à chaque autre condition un nombre strictement équivalent de fois, contrôlant ainsi les effets de report de premier ordre. Dans le domaine pharmacologique ou interventionnel, l’intégration de périodes de sevrage ou de latence (périodes de wash-out) entre les sessions expérimentales est indispensable pour dissiper tout résidu physiologique rémanent.

28. Attrition différentielle et biais de sélection

La validité interne des devis inter-sujets et intra-sujets est exposée à des risques différentiels d’altération de l’échantillon. Dans l’ANOVA inter-sujets, le risque dominant est le biais de sélection : si la randomisation échoue ou si les effectifs sont faibles, des disparités fortuites mais massives peuvent exister dès le pré-test entre les groupes, conduisant à attribuer faussement à la variable indépendante des écarts qui découlaient en réalité des profils individuels initiaux.

Dans l’ANOVA à mesures répétées, le péril majeur est l’attrition différentielle ou déperdition d’échantillon (drop-out). Dans les protocoles longitudinaux étalés sur des mois, une proportion notable de participants peut abandonner l’étude avant la fin du parcours en raison d’effets secondaires, d’un déménagement, d’un découragement ou d’une rémission spontanée. Cette attrition n’est que rarement aléatoire. Si les sujets qui abandonnent sont systématiquement ceux pour lesquels le protocole est inefficace ou trop contraignant, l’échantillon final complétant l’intégralité des mesures répétées subit un biais de sélection de survie majeur, faussant dramatiquement la trajectoire moyenne observée et compromettant la généralisabilité des résultats.

29. Formulation algébrique et comparaison des tables d’ANOVA

La transcription synthétique des opérations algébriques s’incarne traditionnellement dans la table d’ANOVA. La confrontation structurelle de la table issue d’un plan inter-sujets et de celle émanant d’un plan intra-sujets permet de visualiser avec une clarté absolue le mécanisme de réaffectation de la variance.

30. Structure tabulaire de l’ANOVA à un facteur

Dans l’ANOVA à un facteur inter-sujets, la table d’analyse de variance adopte une conformation tripartite élémentaire. La variance globale est ventilée exclusivement entre l’effet modélisé de la variable indépendante et le compartiment résiduel de l’erreur intra-groupe.

Le tableau ci-dessous formalise l’agencement universel des sources de variation, des sommes de carrés, des degrés de liberté, des carrés moyens et de la statistique de décision :

Source de Variation	Somme des Carrés ($SS$)	Degrés de Liberté ($df$)	Carré Moyen ($MS$)	Ratio $F$
Inter-groupes (Facteur)	$SS_{Inter}$	$k – 1$	$SS_{Inter} / (k – 1)$	$MS_{Inter} / MS_{Intra}$
Intra-groupes (Erreur)	$SS_{Intra}$	$N – k$	$SS_{Intra} / (N – k)$	—
Total	$SS_{Total}$	$N – 1$	—	—

Ici, $MS_{Intra}$ (également noté $MS_{Erreur}$ ou $MS_{Within}$) fait office d’unique référence d’erreur d’échantillonnage pour tester la portée du facteur investigué. L’absence de terme identifiant spécifiquement les participants découle de l’impossibilité d’évaluer une variabilité interindividuelle isolée du bruit d’observation, chaque individu n’étant documenté que par une coordonnée empirique unique.

31. Structure tabulaire de l’ANOVA à mesures répétées

Dans l’ANOVA à mesures répétées univariée, la décomposition s’enrichit d’un niveau d’arborescence intermédiaire. La variance totale est tout d’abord scindée en une composante inter-sujets et une composante intra-sujets. Seule cette dernière est mobilisée pour l’inférence causale relative aux manipulations expérimentales.

Source de Variation	Somme des Carrés ($SS$)	Degrés de Liberté ($df$)	Carré Moyen ($MS$)	Ratio $F$
Inter-Sujets (Sujets)	$SS_{Sujets}$	$n – 1$	$SS_{Sujets} / (n – 1)$	—
Intra-Sujets :
— Facteur (Conditions)	$SS_{Conditions}$	$k – 1$	$SS_{Cond} / (k – 1)$	$MS_{Cond} / MS_{Erreur}$
— Erreur résiduelle	$SS_{Erreur}$	$(n – 1)(k – 1)$	$SS_{Err} / [(n – 1)(k – 1)]$	—
Total	$SS_{Total}$	$n \cdot k – 1$	—	—

La statistique $F$ est construite par le quotient direct $F = MS_{Conditions} / MS_{Erreur}$. Le carré moyen des sujets ($MS_{Sujets}$) n’est généralement pas testé par une statistique d’inférence dans ce plan à un facteur, mais son exclusion computationnelle de $SS_{Erreur}$ illustre le principe d’épuration du dénominateur qui caractérise l’analyse intra-sujets.

32. Analyse comparative pas à pas sur un même jeu de données

Pour apprécier la divergence radicale des inférences selon le modèle mobilisé, appliquons les deux démarches à une même matrice matricielle numérique. Soit une matrice de données expérimentales impliquant 5 participants ($n = 5$) mesurés à travers 3 conditions ($k = 3$), soit un ensemble de 15 observations :

• Sujet 1 : Condition A = 10, Condition B = 14, Condition C = 18 (Moyenne sujet = 14)
• Sujet 2 : Condition A = 12, Condition B = 15, Condition C = 21 (Moyenne sujet = 16)
• Sujet 3 : Condition A = 20, Condition B = 24, Condition C = 28 (Moyenne sujet = 24)
• Sujet 4 : Condition A = 8, Condition B = 11, Condition C = 14 (Moyenne sujet = 11)
• Sujet 5 : Condition A = 15, Condition B = 16, Condition C = 24 (Moyenne sujet = 18,33)

Les moyennes des trois conditions sont respectivement $\bar{Y}_A = 13{,}0$, $\bar{Y}_B = 16{,}0$, et $\bar{Y}_C = 21{,}0$. La moyenne générale est $\bar{Y} = 16{,}67$.

Le calcul algébrique produit une Somme des Carrés Totale $SS_{Total} = 485{,}33$ ($df = 14$) et une Somme des Carrés du Facteur $SS_{Conditions} = 163{,}33$ ($df = 2$, $MS = 81{,}67$).

Option 1 : Traitement sous forme d’ANOVA inter-sujets (Groupes Indépendants)
Si l’analyste commet l’erreur d’ignorer l’appariement et traite ces données comme émanant de 15 sujets distincts répartis en 3 groupes indépendants de 5 sujets :
La variance d’erreur intra-groupes vaut $SS_{Intra} = SS_{Total} – SS_{Inter} = 485{,}33 – 163{,}33 = 322{,}00$.
Les degrés de liberté sont $df_{Intra} = 15 – 3 = 12$.
Le carré moyen d’erreur s’élève à $MS_{Intra} = 322{,}00 / 12 = 26{,}83$.
Le ratio de Fisher vaut : $F(2, 12) = 81{,}67 / 26{,}83 = 3{,}04$, associé à une valeur de $p = 0{,}085$.
Conclusion au seuil $\alpha = 0{,}05$ : L’effet du traitement n’est pas statistiquement significatif. Le chercheur échoue à rejeter l’hypothèse nulle.

Option 2 : Traitement sous forme d’ANOVA à mesures répétées (Devis Intra-Sujets)
En adoptant la modélisation appropriée, nous calculons la somme des carrés attribuable aux écarts de niveau de base entre participants :
$SS_{Sujets} = k \sum (\bar{Y}_i – \bar{Y})^2 = 3 \times [(14 – 16{,}67)^2 + dots + (18{,}33 – 16{,}67)^2] = 305{,}33$ ($df = 4$).
La véritable somme des carrés d’erreur résiduelle devient :
$SS_{Erreur} = SS_{Total} – SS_{Conditions} – SS_{Sujets} = 485{,}33 – 163{,}33 – 305{,}33 = 16{,}67$.
Les degrés de liberté d’erreur sont $df_{Erreur} = (5 – 1) \times (3 – 1) = 8$.
Le nouveau carré moyen d’erreur résiduel est : $MS_{Erreur} = 16{,}67 / 8 = 2{,}08$.
Le ratio de Fisher devient : $F(2, 8) = 81{,}67 / 2{,}08 = 39{,}26$, associé à une valeur de $p = 0{,}00008$.
Conclusion au seuil $\alpha = 0{,}05$ : L’effet du traitement est hautement significatif.

Cet exemple numérique illustre la puissance de la décomposition : en soustrayant les 305,33 points de variance purement interindividuelle (les participants 3 et 4 se distinguant structurellement du reste du groupe), le terme d’erreur s’est trouvé divisé par un facteur d’environ 13, propulsant le test statistique d’une apparente non-significativité ($p = 0{,}085$) vers un résultat d’une éclatante robustesse ($p < 0{,}001$).

33. Comparaisons multiples post-hoc et analyses de contrastes

L’obtention d’un ratio $F$ globalement significatif au terme d’une ANOVA (inter ou intra) établit l’existence d’une différence globale entre les modalités, mais ne renseigne en rien sur la localisation topologique précise des divergences. Des procédures complémentaires de comparaisons multiples doivent être déployées pour explorer les contrastes spécifiques.

34. Techniques post-hoc pour les groupes indépendants

Dans l’ANOVA inter-sujets, le choix de la procédure de comparaisons par paires (pairwise post-hoc comparisons) dépend de la préservation du postulat d’homogénéité des variances et de l’équilibre des effectifs par groupe :

• Le test HSD de Tukey (Honestly Significant Difference) : Basé sur la distribution de l’étendue studentisée ($q$), il constitue le choix de référence pour comparer exhaustivement toutes les paires possibles de moyennes tout en maintenant le taux global d’erreur par famille à $\alpha = 0{,}05$. Il suppose des variances homogènes et des effectifs approximativement équilibrés (variante de Tukey-Kramer en cas de légères disparités).
• L’ajustement de Bonferroni : Approche plus universelle mais conservatrice, consistant à diviser le seuil nominal par le nombre total de comparaisons planifiées ($alpha’ = \alpha / c$). Particulièrement recommandée lorsque le nombre de contrastes investigués est restreint.
• Le test de Games-Howell : Procédure robuste par excellence en présence d’hétéroscédasticité avérée des variances ou d’inégalités substantielles d’effectifs, combinant des ajustements de degrés de liberté de type Welch-Satterthwaite à l’étendue studentisée.
• La méthode de Scheffé : La plus conservatrice de toutes les procédures, permettant de tester n’importe quelle combinaison linéaire complexe a posteriori sans risque d’inflation de faux positifs.

35. Techniques post-hoc adaptées aux mesures répétées

L’analyse post-hoc au sein des devis à mesures répétées requiert une vigilance méthodologique redoublée. Deux écueils majeurs guettent l’analyste : l’inflation de l’erreur due à la violation locale de sphéricité entre sous-paires de conditions, et l’inadéquation de l’usage d’un terme d’erreur global moyenné.

Bien que certains logiciels permettent d’exécuter des tests de Tukey traditionnels en intégrant le $MS_{Erreur}$ résiduel global, les recommandations contemporaines préconisent l’exécution d’une série de tests $t$ de Student pour échantillons appariés (paired-samples t-tests) restreints aux paires de conditions considérées. Chaque test $t$ univarié apparié dispose ainsi de son propre terme d’erreur spécifique à la paire de modalités comparée, s’affranchissant totalement des présupposés de sphéricité globale de la matrice. Pour juguler l’inflation du risque de première espèce consécutive à ces tests répétés, une méthode moderne de contrôle du taux de faux positifs doit être rigoureusement adjointe, telle que la correction séquentielle de Holm-Bonferroni ou le contrôle du taux de fausse découverte (False Discovery Rate, FDR) formalisé par Benjamini et Hochberg.

36. Contrastes orthogonaux et hypothèses a priori

Lorsque le chercheur dispose d’hypothèses théoriques précises élaborées avant la collecte des données (a priori hypotheses), l’usage de tests post-hoc exploratoires indifférenciés s’avère sous-optimal en matière de puissance statistique. L’analyse par contrastes orthogonaux représente l’alternative canonique privilégiée.

Un ensemble de $k – 1$ contrastes est dit orthogonal si la somme des produits croisés de leurs coefficients de pondération respectifs ($c_j$) est strictement égale à zéro pour toute paire de contrastes, et si la somme des coefficients de chaque contraste individuel est nulle ($\sum c_j = 0$). Dans le cadre spécifique de l’ANOVA à mesures répétées appliquée à un facteur longitudinal ordonné (le temps), l’analyse par contrastes polynomiaux orthogonaux s’impose comme une technique d’une élégance méthodologique incomparable :

• Contraste linéaire : Évalue l’existence d’une progression monotone continue (croissance ou décroissance régulière du score au cours des sessions).
• Contraste quadratique : Évalue l’existence d’une inflexion en forme de parabole en $U$ ou en $U$ inversé (par exemple, un effet de traitement maximal à mi-parcours suivi d’une rechute ou d’un plateau).
• Contraste cubique : Détecte une double inversion de courbure (trajectoire en $S$), témoignant d’une dynamique de réponse biphasique.

Ces contrastes polynomiaux offrent une modélisation qualitativement supérieure de la dynamique des données tout en consommant exactement un degré de liberté par test élémentaire.

37. Indices de taille d’effet et interprétation pratique

L’évaluation exclusive de la significativité statistique par l’intermédiaire de la valeur de $p$ est aujourd’hui universellement reconnue comme insuffisante par les standards métrologiques internationaux. La taille d’effet quantifie l’amplitude réelle du phénomène investigué, indépendamment de la taille de l’échantillon mobilisé.

38. L’Eta-carré ($\eta^2$) et sa déclinaison partielle ($\eta_p^2$)

Dans l’ANOVA à un facteur inter-sujets, l’indice d’ampleur classique le plus intuitif est l’Eta-carré ($\eta^2$), qui mesure la proportion directe de variance de la variable dépendante imputable au facteur expérimental par rapport à la dispersion globale :

$$\eta^2 = \frac{SS_{Inter}}{SS_{Total}}$$

Dans l’ANOVA à mesures répétées, l’usage de l’Eta-carré ordinaire devient problématique, car la présence du compartiment inter-sujets ($SS_{Sujets}$) dans le dénominateur compresse artificiellement la valeur estimée. On lui substitue universellement l’Eta-carré partiel ($\eta_p^2$), qui rapporte la variabilité du traitement uniquement à la somme de l’effet et de l’erreur résiduelle non systématique :

$$\eta_p^2 = \frac{SS_{Conditions}}{SS_{Conditions} + SS_{Erreur}}$$

Dans un plan inter-sujets simple, $\eta^2$ et $\eta_p^2$ sont rigoureusement identiques dans la mesure où $SS_{Total} = SS_{Inter} + SS_{Intra}$. En revanche, dans un devis intra-sujets, $\eta_p^2$ est systématiquement et notablement supérieur à $\eta^2$, dans la mesure où $SS_{Sujets}$ est délibérément évacué du dénominateur. Il en résulte un risque critique de méta-analyse erronée : comparer sans standardisation préalable un $\eta_p^2$ issu d’un plan à mesures répétées avec un $\eta^2$ issu d’un devis inter-sujets aboutit à une surestimation dramatique de l’efficacité relative du devis intra-sujets.

39. Indices non biaisés : Oméga-carré ($\omega^2$) et Oméga-carré partiel ($\omega_p^2$)

Bien que massivement rapportés dans la littérature en raison de leur intégration par défaut dans les sorties de logiciels comme SPSS, $\eta^2$ et $\eta_p^2$ sont des estimateurs descriptifs d’échantillon intrinsèquement biaisés positivement. Ils tendent à surestimer la variance véritablement expliquée dans la population parente, d’autant plus drastiquement que l’échantillon est restreint.

Pour obtenir une estimation asymptotiquement non biaisée de la taille d’effet populationnelle, il est impératif de calculer l’Oméga-carré ($\omega^2$) ou sa version partielle ($\omega_p^2$). Ces indices intègrent le terme d’erreur résiduel ($MS_{Erreur}$) dans leur formulation pour retrancher le biais d’échantillonnage de l’estimation du numérateur. Dans le cas d’une ANOVA à mesures répétées univariée comportant $n$ sujets et $k$ conditions, l’Oméga-carré partiel se calcule selon l’équation ajustée :

$$\omega_p^2 = \frac{(k – 1)(MS_{Conditions} – MS_{Erreur})}{(k – 1)MS_{Conditions} + (n – k + 1)MS_{Erreur} + dots}$$

La formulation exacte dépend de la prise en compte ou non des composantes de variance aléatoire des participants. L’utilisation d’estimateurs de type $\omega_p^2$ garantit une restitution fidèle de l’ampleur empirique sans céder au miroir aux alouettes de l’inflation statistique d’échantillon.

40. Standardisation de l’ampleur clinique selon les critères de Jacob Cohen

L’interprétation de ces métriques de taille d’effet s’appuie historiquement sur les balises probabilistes proposées par le statisticien américain Jacob Cohen dans son ouvrage séminal de 1988 sur l’analyse de puissance pour les sciences comportementales :

• Effet de faible amplitude (small effect) : $\eta^2 \approx 0{,}01$ (correspondant à un $d$ de Cohen d’environ $0{,}20$ ou un $f = 0{,}10$). Le phénomène est subtil et n’est détectable qu’au moyen d’échantillons d’envergure.
• Effet d’amplitude moyenne (medium effect) : $\eta^2 \approx 0{,}06$ (correspondant à un $d \approx 0{,}50$ ou un $f = 0{,}25$). L’effet est visible à l’œil nu pour un observateur averti et possède une pertinence clinique ou sociétale certaine.
• Effet de forte amplitude (large effect) : $\eta^2 ge 0{,}14$ (correspondant à un $d ge 0{,}80$ ou un $f = 0{,}40$). Le facteur expérimental explique une fraction substantielle des variations observées.

Néanmoins, la communauté scientifique moderne insiste sur la relativité contextuelle de ces seuils théoriques. Dans un essai pharmacologique évaluant la survie face à une pathologie létale ou la réduction d’idées suicidaires aiguës, un effet qualifié de « faible » selon Cohen ($\eta^2 = 0{,}02$) peut revêtir une importance médicale vitale. À l’inverse, dans un protocole de laboratoire hautement aseptisé mesurant des temps de réaction motrice sur un écran calibré, un effet « fort » ($\eta^2 = 0{,}20$) peut n’avoir aucune transférabilité fonctionnelle dans le monde écologique réel.

41. Prise de décision méthodologique et alternatives contemporaines

L’arbitrage ultime entre un devis inter-sujets et un devis intra-sujets ne doit pas être guidé par une habitude technique, mais par une évaluation séquentielle des contraintes paradigmatiques, de la dynamique du phénomène et de la structure des données colligées.

42. Algorithme décisionnel face aux contraintes du devis

Le chercheur confronté à la planification de son étude peut s’appuyer sur l’algorithme logique de décision suivant :

1. Évaluation de la rémanence du traitement : L’exposition d’un individu à la modalité A est-elle susceptible d’altérer de manière indélébile sa réponse à la modalité B (effet de report insurmontable, apprentissage définitif, destruction chirurgicale, thérapie curative définitive) ?
   • Si OUI : Le devis à Groupes Indépendants (ANOVA inter-sujets) est méthodologiquement obligatoire.
   • Si NON : Passer à l’étape 2.
2. Évaluation de l’objectif empirique : La trajectoire temporelle, la cinétique d’adaptation ou l’évolution intra-individuelle constitue-t-elle l’objet direct du questionnement scientifique ?
   • Si OUI : Le devis à Mesures Répétées (ANOVA intra-sujets) est conceptuellement requis.
   • Si NON : Passer à l’étape 3.
3. Évaluation des contraintes d’échantillonnage : La population cible est-elle rare, clinique ou d’accès particulièrement difficile ?
   • Si OUI : Privilégier l’ANOVA à Mesures Répétées pour maximiser la puissance statistique sur un effectif restreint, sous réserve d’un contrebalancement strict.
   • Si NON : Les deux devis sont envisageables ; privilégier le devis inter-sujets si la durée de passation par sujet risque d’induire une fatigue expérimentale excessive.

43. Gestion des données manquantes dans les deux approches

La tolérance aux défaillances de collecte constitue une divergence opérationnelle majeure entre les deux paradigmes. Dans l’ANOVA à un facteur inter-sujets, la survenue de données manquantes (par exemple, un participant qui omet de remplir un questionnaire d’auto-évaluation ou dont l’enregistrement électrophysiologique est artéfacté) entraîne simplement la perte de cette unité expérimentale isolée. L’analyse se poursuit sans distorsion majeure sur les données restantes au moyen d’une ANOVA à effectifs inégaux (plan non équilibré), moyennant l’utilisation des sommes de carrés de Type III pour compenser la perte d’orthogonalité.

Dans l’ANOVA à mesures répétées classique implémentée sous les progiciels traditionnels, le problème s’avère infiniment plus grave. L’algorithme standard univarié applique la suppression par liste complète (listwise deletion) : si un participant évalué à cinq reprises manque une seule session de mesure (par exemple au Temps 4), la totalité de ses observations à travers les cinq temps est purement et simplement rayée de l’analyse générale. Cette suppression globale réduit drastiquement la taille d’échantillon effective, anéantit le gain de puissance chèrement acquis et injecte un redoutable biais de sélection si l’absence n’est pas strictement distribuée de manière aléatoire (Missing Completely at Random, MCAR).

44. Au-delà de l’ANOVA : Modèles mixtes linéaires (LMM)

Face aux limites intrinsèques de l’ANOVA à mesures répétées — intolérance absolue aux données manquantes, vulnérabilité à la non-sphéricité, incapacité à modéliser des prédicteurs continus variant dans le temps —, la statistique inférentielle contemporaine a massivement opéré une transition paradigmatique vers les Modèles Mixtes Linéaires (Linear Mixed Models, LMM), également qualifiés de modèles multi-niveaux ou modèles hiérarchiques linéaires (HLM).

Les modèles mixtes transcendent l’ANOVA intra-sujets en modélisant conjointement des effets fixes (les tendances moyennes de groupe ou de conditions) et des effets aléatoires (les trajectoires propres et singularités basales de chaque participant). Leurs bénéfices méthodologiques sont considérables :

• Ils s’accommodent nativement de matrices incomplètes sans exclure les participants : un individu ne disposant que de trois mesures sur quatre est conservé dans le calcul des paramètres d’effets fixes sans perte d’information.
• Ils s’affranchissent du carcan rigide de la sphéricité en permettant à l’analyste de spécifier des structures matricielles de résidus hautement diversifiées (autorégressive d’ordre 1 [AR1], toeplitz, hétérogène, ou totalement non structurée).
• Ils permettent d’analyser des données longitudinales où les intervalles temporels de passation ne sont pas strictement identiques pour tous les individus.

Dans tout contexte empirique complexe confronté à des abandons ou des protocoles répétés denses, les Modèles Mixtes Linéaires représentent aujourd’hui le prolongement naturel et la relève méthodologique de l’ANOVA intra-sujets.

45. Protocoles de mise en œuvre logicielle et restitution académique (normes APA)

La translation des principes formels vers la pratique de laboratoire suppose une maîtrise de la syntaxe informatique et une restitution conforme aux exigences les plus rigoureuses des comités éditoriaux internationaux, notamment formalisées par l’American Psychological Association (APA Style).

46. Syntaxe et exécution sous R, SPSS et JASP

La mise en œuvre computationnelle diffère substantiellement selon l’environnement logiciel mobilisé :

Sous R :
Pour l’ANOVA inter-sujets, la fonction canonique est aov(VD ~ Groupe, data = donnees). Pour l’ANOVA à mesures répétées, l’utilisation du package spécialisé afex ou de la fonction aov_car() est hautement recommandée en raison de sa gestion automatique de la correction de sphéricité et du calcul des tailles d’effet :
library(afex)
modele_rm <- aov_car(Score ~ Temps + Error(ID/Temps), data = donnees_long)
Pour les contrastes post-hoc et estimations sur moyennes marginales, l’utilisation du package emmeans offre une flexibilité incomparable : emmeans(modele_rm, pairwise ~ Temps, adjust = "holm").

Sous SPSS :
L’ANOVA inter-sujets s’exécute via le menu Analyser > Comparer les moyennes > ANOVA à un facteur. L’ANOVA à mesures répétées requiert impérativement de structurer les données au format large (une colonne distincte par temps de mesure) et de passer par le menu Modèle Linéaire Général > Mesures Répétées. L’analyste doit y définir le facteur intra-sujets et ses niveaux, puis cocher impérativement l’affichage des estimations de taille d’effet et les tests d’homogénéité et de sphéricité.

Sous JASP :
Environnement open-source ergonomique et fondé sur R, JASP propose deux modules séparés distincts au sein de son onglet ANOVA : « ANOVA » pour les plans inter-sujets, et « Repeated Measures ANOVA » pour les plans intra-sujets. JASP présente l’avantage majeur de générer instantanément des sorties dynamiques formatées selon les normes strictes de l’APA, en affichant par défaut le test de Mauchly et les tableaux de corrections de Greenhouse-Geisser et Huynh-Feldt.

47. Normes de rédaction et de restitution selon l’APA (7e édition)

La transcription des résultats dans la section « Résultats » d’un manuscrit soumis à une revue scientifique à comité de lecture doit obéir à une stylistique standardisée. La valeur de la statistique $F$, les degrés de liberté, la probabilité exacte ($p$-value avec trois décimales sans zéro initial si $p < 1$), ainsi que la taille d'effet doivent être rigoureusement rapportés.

Exemple de formulation pour une ANOVA inter-sujets :
« Une analyse de variance à un facteur inter-sujets a été conduite pour évaluer l’impact des approches psychothérapeutiques sur le score d’anxiété. Les résultats révèlent un effet principal statistiquement significatif du type d’intervention, F(2, 42) = 4,85, p = 0,013, $\eta_p^2$ = 0,19. Les comparaisons post-hoc menées via le test HSD de Tukey indiquent que le groupe ayant suivi la TCC (M = 42,13, ET = 5,42) présente un score d’anxiété significativement inférieur au groupe Mindfulness (M = 48,60, ET = 6,11, p = 0,011). En revanche, aucune différence significative n’a été détectée entre le groupe EMDR et les deux autres modalités. »

Exemple de formulation pour une ANOVA à mesures répétées :
« L’évolution temporelle de la symptomatologie panique a été analysée au moyen d’une ANOVA à mesures répétées univariée comportant quatre temps d’évaluation. Le test de sphéricité de Mauchly s’étant révélé significatif, W = 0,42, p = 0,004, la condition de sphéricité a été violée. En conséquence, les degrés de liberté ont été ajustés au moyen de la correction de Greenhouse-Geisser ($\hat{\epsilon}$ = 0,68). L’analyse démontre un effet temporel hautement significatif sur l’intensité des crises, F(2,04, 28,56) = 24,18, p < 0,001, $\eta_p^2$ = 0,63. Des comparaisons appariées ajustées selon la méthode de Holm confirment une diminution significative du score entre la ligne de base (M = 68,40, ET = 8,12) et le post-test immédiat (M = 45,20, ET = 7,34, p < 0,001), diminution qui s'est stabilisée lors du suivi à trois mois (p = 0,342). »

48. Inventaire des erreurs méthodologiques fréquentes et bonnes pratiques

Pour parachever ce tour d’horizon, synthétisons les manquements statistiques les plus fréquemment relevés par les évaluateurs lors du processus d’expertise par les pairs (peer review), assortis des conduites méthodologiques recommandées :

• Erreur n° 1 : Traiter des données appariées comme des données indépendantes. C’est la faute la plus désastreuse. Elle pulvérise la puissance du test en noyant le signal de l’effet dans les différences interindividuelles et viole le postulat fondamental d’indépendance statistique des erreurs. Bonne pratique : Toujours identifier la présence d’identifiants participants uniques dupliqués à travers les lignes.
• Erreur n° 2 : Oublier d’inspecter ou de corriger la sphéricité en mesures répétées. Se fonder sur la ligne non corrigée (« Sphericity Assumed ») sans vérifier le test de Mauchly expose à une sévère inflation des faux positifs. Bonne pratique : Adopter systématiquement la correction de Greenhouse-Geisser lorsque $\hat{\epsilon} < 0{,}75$ et de Huynh-Feldt lorsque $\hat{\epsilon} ge 0{,}75$.
• Erreur n° 3 : Confronter directement des Eta-carrés partiels ($\eta_p^2$) issus de devis différents. Présenter le $\eta_p^2$ d’un plan intra-sujets comme équivalent à celui d’un devis inter-sujets est scientifiquement trompeur en raison de la neutralisation du terme inter-sujets. Bonne pratique : Privilégier le rapport de l’Oméga-carré partiel ($\omega_p^2$) ou convertir les indices en $d$ de Cohen standardisé fondé sur l’écart-type de référence pour faciliter les synthèses méta-analytiques.
• Erreur n° 4 : Ignorer les effets de séquence dans les devis intra-sujets. Appliquer une ANOVA à mesures répétées sans avoir procédé à un contrebalancement systématique ou à une randomisation de l’ordre d’exposition condamne l’étude : il devient impossible de dissocier l’effet du traitement d’un simple effet de lassitude ou d’apprentissage temporel. Bonne pratique : Intégrer formellement la variable « Ordre » comme facteur inter-sujets d’exploration dans un modèle mixte ou une ANOVA mixte de contrôle pour s’assurer de l’absence d’interaction Ordre $\times$ Traitement.
• Erreur n° 5 : Maintenir l’ANOVA intra-sujets en présence d’une attrition massive. Se borner à l’analyse sur le sous-échantillon des participants ayant complété toutes les vagues de mesure (suppression par liste) jette au rebut une fraction substantielle de l’information empirique et biaise les trajectoires inférées. Bonne pratique : Migrer immédiatement vers la modélisation mixte linéaire (LMM) dès lors que le taux de données manquantes longitudinales dépasse 5 à 10 %.

Références

• Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• 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
• 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.
• Huynh, H., & Feldt, L. S. (1976). Estimation of the box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.2307/1164736
• Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863
• 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
• Maxwell, S. E., & Delaney, H. D. (2004). Designing experiments and analyzing data: A model comparison perspective (2nd ed.). Lawrence Erlbaum Associates.
• 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
• Singmann, H., & Kellen, D. (2019). An introduction to mixed modeling for experimental psychology. In D. H. Spieler & E. Schumacher (Eds.), New methods in cognitive psychology (pp. 4–31). Psychology Press.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.