Qu’est-ce que l’êta-carré ? (Définition et exemple)

Dans le paysage contemporain de la recherche quantitative en psychologie, en sciences de l’éducation, en médecine comportementale et dans l’ensemble des sciences sociales, l’évaluation des résultats empiriques a connu une transformation paradigmatique majeure. Durant une large partie du vingtième siècle, l’hégémonie quasi exclusive du paradigme des tests d’hypothèse nulle (NHST, pour Null Hypothesis Significance Testing) et la fixation méthodologique sur le seuil arbitraire de la valeur p inférieur à 0,05 ont souvent occulté une interrogation pourtant fondamentale : quelle est la magnitude concrète du phénomène observé ? La seule démonstration qu’un effet n’est pas strictement imputable au hasard d’échantillonnage ne renseigne en rien sur sa portée pratique, théorique ou clinique. Face à cette lacune structurelle, la communauté scientifique internationale, guidée par les recommandations réitérées de l’American Psychological Association, a promu de manière impérative l’adoption et la publication systématique des indices d’amplitude d’effet.

Au cœur de cette démarche d’estimation de la puissance substantielle des interventions et des facteurs expérimentaux, l’êta-carré (noté $\eta^2$) occupe une place cardinale. Héritier direct des fondations de l’analyse de variance développée par Sir Ronald Fisher, cet indice de taille d’effet statistique quantifie avec élégance la proportion de la variance totale d’une variable dépendante continue qui est directement attribuable ou expliquée par un ou plusieurs facteurs prédictifs catégoriels. Qu’il s’agisse de mesurer l’impact d’une psychothérapie innovante sur la réduction des scores d’anxiété, d’analyser l’influence de protocoles d’entraînement physique sur la régulation métabolique, ou d’évaluer les déterminants pédagogiques de la réussite académique, l’êta-carré s’impose comme un outil descriptif indispensable pour transcender le simple constat de la significativité statistique.

Cependant, son omniprésence dans la littérature scientifique s’accompagne d’une complexité conceptuelle et technique fréquemment sous-estimée. Les praticiens et chercheurs se heurtent souvent à des confusions persistantes entre l’êta-carré classique, l’êta-carré partiel et l’êta-carré généralisé, tout en naviguant à travers les biais de surestimation intrinsèques aux petits échantillons ou les sorties parfois ambiguës des progiciels statistiques tels qu’IBM SPSS, R ou Python. Ce guide exhaustif a pour ambition d’offrir une déconstruction rigoureuse et didactique de l’êta-carré : de ses soubassements algébriques à son application pas à pas sur des données empiriques, en passant par sa contextualisation épistémologique, ses critères de comparaison face à des métriques correctrices comme l’oméga-carré, et les normes éditoriales les plus strictes de la recherche scientifique actuelle.

1. Introduction à la taille d’effet et fondements statistiques de l’êta-carré

1.1 Au-delà de la significativité statistique : la nécessité de la taille d’effet

L’inférence statistique classique repose traditionnellement sur le calcul d’une probabilité conditionnelle, la fameuse valeur p, qui mesure les chances d’obtenir des données au moins aussi extrêmes que celles observées sous l’hypothèse nulle d’absence totale d’effet. Bien que mathématiquement rigoureux, ce mécanisme décisionnel présente une vulnérabilité critique bien documentée dans la littérature méthodologique : son extrême sensibilité à la taille de l’échantillon. Dans une cohorte de dix mille sujets, une divergence physiologique infinitésimale et dénuée de toute pertinence pratique atteindra un seuil de significativité statistique hautement impressionnant (par exemple, p < 0,001). Inversement, au sein d’une étude pilote méticuleuse impliquant vingt patients atteints d’une pathologie rare, un bénéfice thérapeutique spectaculaire peut se voir refuser le statut de significativité statistique en raison d’un manque criant de puissance statistique.

Cette distorsion a engendré ce que nombre d’épistémologues qualifient d’illusion de la valeur p, conduisant les comités de lecture et les chercheurs à confondre existence probabiliste d’une régularité et importance substantive d’une découverte. Pour endiguer cette dérive, l’American Psychological Association, notamment par le biais de son influent groupe de travail sur l’inférence statistique (Wilkinson & The Task Force on Statistical Inference, 1999), a formulé des directives fermes réitérées dans la septième édition du manuel de publication de l’APA. Désormais, rapporter les tailles d’effet constitue une obligation déontologique et méthodologique incontournable pour quiconque soumet un manuscrit scientifique.

La taille d’effet apporte l’information complémentaire indispensable que la valeur p est intrinsèquement incapable de fournir : l’ampleur quantitative du phénomène étudié. Dans le domaine de la psychologie clinique et des sciences comportementales, cette distinction est salutaire. Elle permet aux praticiens de déterminer si un protocole de réduction du stress procure une amélioration tangible dans le quotidien d’un patient ou s’il s’agit d’une fluctuation arithmétique marginale sans écho fonctionnel. L’amplitude d’effet sert de pont entre l’abstraction mathématique des modèles linéaires et la réalité tangible des interventions humaines.

1.2 Origines théoriques dans le cadre de l’analyse de variance (ANOVA)

Pour appréhender l’émergence de l’êta-carré, il convient de remonter aux travaux pionniers de Sir Ronald Aylmer Fisher dans les années 1920. En introduisant l’analyse de variance (ANOVA) dans le contexte agronomique de la station expérimentale de Rothamsted, Fisher a formalisé une intuition fondamentale : la variabilité totale d’un phénomène biologique complexe peut être mathématiquement décomposée en composantes orthogonales distinctes, attribuables à des causes identifiables d’une part, et à une variabilité résiduelle inexpliquée (l’erreur expérimentale) d’autre part.

Si le test F de Snedecor-Fisher permet d’éprouver l’hypothèse d’égalité des moyennes entre les différents groupes expérimentaux en comparant la variance inter-groupes à la variance intra-groupes, il ne constitue qu’un test de ratio omnibus. Les statisticiens des décennies suivantes ont rapidement ressenti le besoin de disposer d’un indice standardisé d’association, parfaitement analogue au coefficient de détermination ($R^2$) omniprésent dans le champ de la régression linéaire simple et multiple. En formalisant la théorie générale du Modèle Linéaire Généralisé, les méthodologistes ont mis en lumière la continuité absolue entre l’ANOVA et la régression bivariée ou multivariée.

C’est dans ce contexte théorique fertile que l’êta-carré a été conceptualisé comme la transcription directe de la métrique de proportion de variance pour les variables indépendantes nominales ou catégorielles. À mesure que les sciences humaines et sociales abandonnaient les démarches purement corrélationnelles pour embrasser les protocoles expérimentaux randomisés au cours des années 1950 et 1960, l’êta-carré est devenu l’indice descriptif privilégié pour synthétiser en un seul chiffre l’impact global des manipulations expérimentales en laboratoire.

1.3 Positionnement de l’êta-carré dans la taxonomie des tailles d’effet

L’univers des indices de taille d’effet se structure principalement autour de deux grandes traditions métrologiques formalisées par Jacob Cohen et Robert Rosenthal : la famille d (reflétant les différences moyennes standardisées) et la famille r (exprimant la force d’association ou la variance expliquée). L’êta-carré s’inscrit résolument dans la famille r, se distinguant des indices basés sur les unités de déviation standard comme le d de Cohen ou le g de Hedges.

Tandis que la famille d s’avère particulièrement adaptée à la comparaison directe de deux conditions dichotomiques (par exemple, un groupe témoin opposé à un groupe expérimental sous placebo), elle perd de son élégance synthétique dès lors que le protocole intègre trois groupes ou davantage. Dès lors qu’un chercheur déploie un devis factoriel impliquant, par exemple, quatre dosages médicamenteux ou des plans croisés complexes, chercher à résumer la situation par une multitude de comparaisons par paires obscurcit la vision d’ensemble du modèle expérimental.

Les propriétés des indices basés sur la proportion de variance partagée, au sommet desquels trône l’êta-carré, offrent une réponse globale et unifiée. En quantifiant quel pourcentage du tableau d’ensemble de la dispersion des observations est capturé par un facteur ou par une interaction factorielle, l’êta-carré permet aux chercheurs d’évaluer la puissance relative de multiples variables indépendantes au sein d’un même devis expérimental, indépendamment de leurs échelles de mesure primitives respectives.

2. Définition conceptuelle et propriétés fondamentales de l’êta-carré

2.1 Définition mathématique et signification substantive

Sur le plan conceptuel, l’êta-carré ($\eta^2$) est défini sans ambiguïté comme le ratio de la variabilité expliquée par une source de variation spécifique sur la variabilité globale observée au sein de l’échantillon d’étude. En d’autres termes, il quantifie la part proportionnelle d’information statistique portée par la variable dépendante continue qui peut être rattachée à l’appartenance des individus aux différentes modalités de la variable indépendante catégorielle.

L’interprétation substantive de cet indice est remarquablement intuitive pour les praticiens. Exprimer un $\eta^2$ sous la forme d’un pourcentage revient à affirmer : « $X$ pour cent des fluctuations individuelles constatées sur la variable dépendante trouvent leur origine fonctionnelle dans les conditions définies par le facteur expérimental ». Cette simplicité interprétative masque néanmoins une subtilité métrologique essentielle : bien que l’ANOVA repose sur des postulats paramétriques classiques (normalité des résidus, homoscédasticité, indépendance), l’êta-carré, dans sa computation purement descriptive, constitue une mesure purement géométrique de la décomposition de l’espace des données de l’échantillon.

Il ne postule en soi aucun paramètre distributionnel a priori lorsqu’il est employé pour caractériser strictement l’ensemble des données observées. Il s’agit d’une métrique rétrospective et descriptive de l’ajustement du modèle linéaire aux observations concrètes recueillies par l’expérimentateur, analogue point pour point au $R^2$ de Pearson obtenu par la méthode des moindres carrés ordinaires.

2.2 Propriétés de l’intervalle d’échelle [0, 1]

L’une des qualités mathématiques les plus rassurantes de l’êta-carré réside dans son confinement strict à l’intérieur de l’intervalle fermé allant de 0 à 1, ou de 0 % à 100 % lorsqu’il est converti en pourcentages. Cette propriété le rend particulièrement aisé à appréhender pour la communication scientifique auprès d’audiences variées.

Une valeur de $\eta^2 = 0$ incarne la stricte indépendance statistique entre la variable prédictive et la variable critère : la moyenne de chaque condition expérimentale est parfaitement identique à la moyenne générale de l’échantillon, signifiant que la connaissance de l’appartenance d’un individu à tel ou tel groupe n’apporte strictement aucune information prédictive sur son score. À l’opposé du continuum, une valeur théorique de $\eta^2 = 1$ matérialiserait un déterminisme absolu : la totalité de la variabilité interindividuelle découlerait exclusivement des conditions expérimentales, la variance intra-groupe (l’erreur résiduelle) étant strictement nulle. Dans cette hypothèse théorique, chaque participant au sein d’une même condition obtiendrait rigoureusement le même score.

Dans la littérature empirique des sciences comportementales, biomédicales et psychologiques, les distributions de $\eta^2$ s’avèrent évidemment bien plus modestes. En raison de la variabilité biologique intrinsèque, du bruit de mesure des questionnaires et des multiples facteurs confondants inhérents à l’humain, les valeurs publiées oscillent généralement entre 0,02 et 0,25. Des valeurs excédant 0,40 sont extrêmement rares en psychologie sociale ou cognitive et doivent souvent inciter le chercheur à vérifier l’absence d’artefacts méthodologiques ou de tautologies conceptuelles entre prédicteurs et critères.

2.3 Caractère additif dans l’ANOVA classique

Une propriété algébrique distinctive et immensément précieuse de l’êta-carré classique réside dans son additivité stricte au sein des plans factoriels orthogonaux équilibrés (c’est-à-dire comportant un nombre rigoureusement égal d’observations par cellule expérimentale). Cette caractéristique découle de la nature même du théorème de Pythagore appliqué aux espaces euclidiens des résidus dans la décomposition des sommes des carrés.

Dans une ANOVA univariée ou factorielle sans déséquilibre de plan, la somme des carrés totale ($SC_{total}$) est partitionnée de manière univoque sans chevauchement de variance entre les différents effets principaux, les termes d’interaction et la somme des carrés de l’erreur résiduelle. Par conséquent, la somme des êta-carrés calculés pour l’ensemble des facteurs, de leurs interactions croisées et du terme d’erreur résiduelle est strictement égale à l’unité :

$$\sum \eta^2_{effets} + \eta^2_{erreur} = 1{,}00 \quad (100%)$$

Cette additivité absolue confère à l’êta-carré une puissance heuristique incomparable pour le chercheur souhaitant disséquer la morphologie de son expérience. Il est possible de dresser un bilan comptable exhaustif de la variance : attribuer avec une précision mathématique 15 % de la dispersion globale au Facteur A, 10 % au Facteur B, 5 % à leur interaction synergique, et constater que les 70 % restants relèvent du bruit expérimental et de l’aléa individuel non capturé. Cet agencement ordonné évite toute redondance analytique dans la décomposition de l’architecture des données.

3. Formule mathématique et calcul détaillé de l’êta-carré

3.1 La formule canonique de calcul

L’expression formelle de l’êta-carré se caractérise par une formule canonique universelle d’une grande simplicité algébrique. Elle rapporte le travail statistique accompli par le facteur étudié à la variabilité totale présente dans l’expérience :

$$\eta^2 = \frac{SC_{effet}}{SC_{total}}$$

Dans cette équation fondamentale :

• $SC_{effet}$ (ou Sum of Squares for the effect, notée fréquemment $SS_{effect}$ dans les manuels anglophones) désigne la somme des carrés des écarts attribuable spécifiquement à la variable indépendante considérée. Elle traduit la déviation des moyennes marginales des groupes par rapport à la moyenne générale pondérée de l’ensemble de l’échantillon.
• $SC_{total}$ (ou Total Sum of Squares, $SS_{total}$) représente la somme des carrés totale des déviations de chaque observation individuelle par rapport à la moyenne générale du jeu de données, sans égard pour les subdivisions de groupes.

Le quotient obtenu fournit un nombre décimal standardisé, adimensionnel, exempt de toute unité de mesure primitive (qu’il s’agisse de milligrammes, de millisecondes, ou de scores d’un inventaire psychométrique), facilitant ainsi les comparaisons directes d’intensité entre des dimensions expérimentales hétérogènes.

3.2 Décomposition algébrique de la somme des carrés totale

Pour saisir les mécanismes intimes sous-tendant ce ratio, il est éclairant de décomposer analytiquement les composantes de la somme des carrés totale. Considérons un plan d’expérience factoriel à deux facteurs inter-sujets $A$ et $B$. L’identité algébrique fondamentale de l’ANOVA stipule que :

$$SC_{total} = SC_{A} + SC_{B} + SC_{A \times B} + SC_{erreur}$$

Chacun de ces termes obéit à une formalisation précise :

• La somme des carrés du facteur $A$ est définie par :
  $$SC_{A} = n \cdot b \sum_{j=1}^{a} (\bar{Y}_{j\cdot} – \bar{Y}_{\cdot\cdot})^2$$
  où $a$ est le nombre de modalités du facteur $A$, $b$ le nombre de modalités du facteur $B$, $n$ la taille d’échantillon par cellule, $\bar{Y}_{j\cdot}$ la moyenne observée pour la modalité $j$ de $A$, et $\bar{Y}_{\cdot\cdot}$ la moyenne générale.
• La somme des carrés de l’erreur résiduelle ($SC_{erreur}$ ou $SC_{intra}$) quantifie la somme des déviations au carré des scores des sujets individuels ($Y_{ijk}$) par rapport à la moyenne spécifique de leur propre cellule d’appartenance ($\bar{Y}_{jk}$) :
  $$SC_{erreur} = \sum_{j=1}^{a} \sum_{k=1}^{b} \sum_{i=1}^{n} (Y_{ijk} – \bar{Y}_{jk})^2$$

La présence du terme $SC_{erreur}$ au dénominateur de l’êta-carré via son inclusion dans $SC_{total}$ exerce une influence déterminante sur la magnitude de l’indice. Dès lors que l’erreur résiduelle augmente — qu’en raison d’une mauvaise fidélité des mesures, de l’absence de contrôle sur des variables parasites ou d’une forte hétérogénéité d’échantillonnage —, le dénominateur s’accroît, comprimant arithmétiquement la valeur de $\eta^2$, même si la différence brute absolue entre les moyennes de groupe demeure inchangée.

3.3 Relation directe avec les paramètres de sortie de l’ANOVA

Dans la pratique de la recherche, il est fréquent que les auteurs d’articles omettent de publier directement l’indice d’êta-carré, ne fournissant que le tableau canonique de l’ANOVA avec les statistiques de test F, les degrés de liberté ($dl$) et les valeurs de p. Il est pourtant aisé de recalculer $\eta^2$ ou de vérifier la cohérence interne des analyses à l’aide de transformations directes.

Dans le cas d’une ANOVA à un facteur unique (one-way ANOVA), il existe une relation bijective directe entre la valeur empirique du F de Fisher-Snedecor et l’êta-carré, gouvernée par la structure des degrés de liberté du facteur ($dl_{effet} = k – 1$, où $k$ est le nombre de groupes) et de l’erreur résiduelle ($dl_{erreur} = N – k$, où $N$ est la taille totale de l’échantillon) :

$$\eta^2 = \frac{F \times dl_{effet}}{F \times dl_{effet} + dl_{erreur}}$$

Cette relation découle du fait que le carré moyen de l’effet ($CM_{effet}$) équivaut à $SC_{effet} / dl_{effet}$ et le carré moyen de l’erreur ($CM_{erreur}$) à $SC_{erreur} / dl_{erreur}$, tandis que le ratio de test est par définition $F = CM_{effet} / CM_{erreur}$.

Dans un devis factoriel à plusieurs variables indépendantes, cette formule convertit l’information vers l’êta-carré partiel et non vers l’êta-carré total. Pour recalculer l’êta-carré classique dans un devis complexe, il est indispensable de sommer toutes les sommes des carrés individuelles rapportées dans le tableau d’ANOVA afin de reconstituer fidèlement le $SC_{total}$ avant d’opérer la division élémentaire.

4. Directives d’interprétation et repères empiriques de Cohen

4.1 Les seuils conventionnels de Jacob Cohen (1988)

L’interprétation qualitative d’un indice quantitatif continu représente l’un des défis majeurs de l’évaluation méthodologique. Conscient de ce vide normatif, le statisticien et psychologue Jacob Cohen a proposé, dans son ouvrage de référence Statistical Power Analysis for the Behavioral Sciences (1988), une grille de lecture indicatrice qui fait aujourd’hui référence dans la communauté internationale.

Pour l’êta-carré, Cohen a formalisé les seuils opérationnels suivants :

• Effet de faible amplitude ($\eta^2 \approx 0{,}01$) : Le facteur expérimental explique environ 1 % de la variance totale du critère mesuré. Bien que détectable avec un échantillon suffisant, cet effet demeure ténu au regard de la dispersion générale.
• Effet d’amplitude moyenne ($\eta^2 \approx 0{,}06$) : Le facteur rend compte de 6 % de la variance globale. Il s’agit d’une magnitude typique des interventions psychologiques et éducatives standardisées, immédiatement perceptible à l’œil d’un observateur entraîné.
• Effet de forte amplitude ($\eta^2 ge 0{,}14$) : Le facteur modélise 14 % ou davantage de la variabilité globale. Un tel impact atteste d’une influence déterminante du prédicteur au sein du système comportemental ou biologique évalué.

Il est crucial de souligner que Cohen n’a jamais envisagé ces repères comme des impératifs dogmatiques, mais plutôt comme des règles empiriques par défaut (rules of thumb), formulées pour guider les calculs de puissance a priori en l’absence absolue de littérature préalable.

4.2 Nuances d’interprétation dans le contexte psychologique

L’application machinale et décontextualisée des seuils de Cohen expose les chercheurs à de graves contresens substantifs. L’ampleur d’un effet ne saurait être jugée indépendamment de la nature du problème scientifique investigué et des coûts d’intervention afférents.

En médecine préventive et en épidémiologie psychiatrique, un effet modélisant un $\eta^2$ de seulement 0,005 (soit un demi pourcent de variance) peut revêtir une importance sociétale monumentale. L’exemple classique de l’essai clinique randomisé sur l’efficacité de l’aspirine pour prévenir l’infarctus du myocarde démontrait un pourcentage de variance expliquée inférieur à 1 % ; pourtant, à l’échelle d’une population de plusieurs dizaines de millions de citoyens, cet effet infinitésimal se traduit par des dizaines de milliers de vies épargnées chaque année. De manière analogue, en psychologie des apprentissages, une intervention pédagogique brève qui parvient à expliquer 2 % des variations cognitives des élèves vulnérables peut constituer un progrès éducatif décisif.

À l’inverse, dans le cadre d’expérimentations psychophysiques en laboratoire contrôlant rigoureusement l’environnement (chambre insonorisée, stimuli visuels calibrés au milliseconde près), un $\eta^2$ de 0,08 pourrait être jugé décevant et révéler un contrôle méthodologique insuffisant. Il convient également de prendre en considération l’impact de l’imprécision métrologique : l’atténuation causée par une faible fidélité des instruments d’évaluation (comme un coefficient alpha de Cronbach médiocre) compresse mécaniquement la taille d’effet observable, sous-estimant la véritable force de l’interaction théorique.

4.3 Visualisation graphique et communication des pourcentages de variance

L’un des immenses atouts de l’êta-carré réside dans son adéquation remarquable aux supports de médiation visuelle. Pour transmettre des résultats statistiques complexes à des décideurs politiques, des administrateurs cliniques ou des étudiants, la transposition des pourcentages de variance sous forme de représentations graphiques modulaires est d’une remarquable efficacité.

Le diagramme circulaire (souvent nommé « camembert de variance ») demeure la métaphore visuelle la plus limpide pour matérialiser l’additivité de l’êta-carré dans un plan orthogonal. La surface totale du cercle figurant la totalité de la somme des carrés (100 %), chaque secteur circulaire se voit attribuer une surface angulaire rigoureusement proportionnelle au $\eta^2$ calculé : une tranche colorée pour chaque effet principal, un quartier distinct pour les interactions, et une portion résiduelle majeure illustrant le poids de l’erreur aléatoire.

Une alternative graphique privilégiée dans les rapports scientifiques consiste à recourir à des diagrammes à barres empilées normalisées à 100 %. Cette méthode permet d’aligner côte à côte plusieurs variables dépendantes distinctes au sein d’une même batterie de tests, et de comparer instantanément la manière dont les différents facteurs expérimentaux se partagent la variance de chacun de ces construits psychométriques.

5. Exemple pratique pas à pas : Expérience sur l’activité physique et la perte de poids

5.1 Présentation du devis expérimental et des variables

Afin de concrétiser l’ensemble de ces propositions algébriques, examinons une étude interventionnelle contrôlée et équilibrée menée en psychologie de la santé et physiologie de l’exercice. Un groupe de recherche souhaite déterminer l’impact conjoint de deux variables indépendantes sur l’amincissement corporel de participants volontaires.

Le plan expérimental est un devis factoriel inter-sujets $2 \times 3$, parfaitement équilibré. Les caractéristiques méthodologiques sont rigoureusement agencées comme suit :

• Échantillon global : $N = 60$ adultes sédentaires, assignés de manière aléatoire et stratifiée dans les différentes conditions expérimentales.
• Variable Indépendante 1 (Facteur Sexe) : Variable dichotomique comportant 2 modalités (Hommes vs Femmes), soit 30 participants par modalité.
• Variable Indépendante 2 (Facteur Intensité d’entraînement) : Variable catégorielle ordonnée comprenant 3 modalités distinctes d’activité physique dispensée pendant un mois (Aucun entraînement / témoin ; Entraînement aérobie à intensité modérée ; Entraînement par intervalles à haute intensité). Il y a 20 participants par niveau d’intensité.
• Design factoriel de cellule : Le croisement des deux facteurs génère $2 \times 3 = 6$ cellules expérimentales. En raison de l’équilibrage strict du devis, chaque cellule accueille exactement $n = 10$ sujets ($10 \times 6 = 60$).
• Variable Dépendante : La perte de poids nette mesurée en kilogrammes (kg) au terme du protocole standardisé de quatre semaines de suivi continu.

5.2 Tableau récapitulatif complet de l’ANOVA à deux facteurs

À la suite du recueil scrupuleux des données et de l’exécution des procédures d’analyse de variance via un modèle linéaire général univarié, nous obtenons le tableau récapitulatif standard d’ANOVA suivant :

Source de variation	Somme des Carrés ($SC$)	Degrés de Liberté ($dl$)	Carré Moyen ($CM$)	Statistique $F$	Valeur de $p$
Intensité d’entraînement	180,00	2	90,00	36,00	< 0,001
Sexe biologique	35,00	1	35,00	14,00	< 0,001
Interaction Sexe × Intensité	20,00	2	10,00	4,00	0,024
Erreur résiduelle (intra-groupe)	135,00	54	2,50	—	—
Total général ($SC_{total}$)	370,00	59	—	—	—

Le contrôle arithmétique de la structure de l’ANOVA confirme la décomposition de la somme des carrés totale :

$$SC_{total} = 180{,}00 + 35{,}00 + 20{,}00 + 135{,}00 = 370{,}00$$

De même, les degrés de liberté s’additionnent de manière parfaite : $2 + 1 + 2 + 54 = 59$, validant l’orthogonalité totale du plan factoriel.

5.3 Calcul arithmétique rigoureux pour chaque composante

À partir des données canoniques extraites du tableau d’ANOVA, nous pouvons maintenant procéder au calcul manuel rigoureux de l’êta-carré pour chacune des sources systématiques et résiduelles de variation, en appliquant méticuleusement l’équation $\eta^2 = SC_{effet} / SC_{total}$.

1. Effet principal de l’Intensité de l’activité physique :

$$\eta^2_{\text{Intensité}} = \frac{SC_{\text{Intensité}}}{SC_{total}} = \frac{180{,}00}{370{,}00} \approx 0{,}4865$$

L’intensité de l’exercice déployé explique donc approximativement 48,65 % de la variance totale de la perte de poids constatée chez l’ensemble des 60 participants.

2. Effet principal du Sexe biologique :

$$\eta^2_{\text{Sexe}} = \frac{SC_{\text{Sexe}}}{SC_{total}} = \frac{35{,}00}{370{,}00} \approx 0{,}0946$$

Le sexe biologique des volontaires modélise à lui seul 9,46 % de la variabilité globale de la perte pondérale enregistrée.

3. Terme d’interaction croisée (Sexe × Intensité) :

$$\eta^2_{\text{Sexe} \times \text{Intensité}} = \frac{SC_{\text{Sexe} \times \text{Intensité}}}{SC_{total}} = \frac{20{,}00}{370{,}00} \approx 0{,}0541$$

L’interaction entre le sexe et le niveau d’intensité de l’effort rend compte de 5,41 % de la variance globale de la réponse pondérale.

4. Variance inexpliquée (Terme d’erreur résiduelle) :

$$\eta^2_{\text{Erreur}} = \frac{SC_{\text{Erreur}}}{SC_{total}} = \frac{135{,}00}{370{,}00} \approx 0{,}3648$$

Enfin, les différences individuelles non contrôlées (génétique sous-jacente, métabolisme de base, apports caloriques résiduels non captés) représentent 36,48 % de la variance totale.

Vérifions la sommation additive des êta-carrés :

$$0{,}4865 + 0{,}0946 + 0{,}0541 + 0{,}3648 = 1{,}0000 \quad (100%)$$

L’ensemble de la dispersion est intégralement et harmonieusement explicité au sein de l’échantillon.

6. Analyse substantielle et contextualisation des résultats de l’exemple

6.1 Classification des tailles d’effet selon la grille de Cohen

En confrontant les valeurs numériques obtenues aux critères conventionnels proposés par Jacob Cohen, nous pouvons formuler une appréciation diagnostique qualitative standardisée de chaque facteur évalué :

• Facteur Intensité ($\eta^2 = 0{,}4865$) : Avec près de la moitié de la variance totale expliquée, cet effet dépasse très largement le seuil d’un effet majeur fixé à 0,14. Nous nous trouvons en présence d’un impact expérimental exceptionnellement puissant, ce qui indique que l’énergie dépensée et la sollicitation cardiovasculaire constituent le moteur prédominant de la perte pondérale dans ce protocole.
• Facteur Sexe ($\eta^2 = 0{,}0946$) : Se situant confortablement entre le palier intermédiaire de 0,06 et le seuil élevé de 0,14, l’effet principal du sexe biologique est classé comme un effet d’amplitude moyenne à soutenue. Il confirme l’existence de disparités physiologiques significatives entre les hommes et les femmes face aux dépenses énergétiques induites.
• Effet d’interaction Sexe × Intensité ($\eta^2 = 0{,}0541$) : Bien que statistiquement significatif au seuil standard ($p = 0{,}024$), cet effet frôle la limite d’un effet moyen (seuil de 0,06). Sa magnitude indique que, si la modulation de la réponse à l’intensité dépend en partie du sexe de l’individu, cette synergie demeure une composante secondaire par rapport à l’impact mécanique massif de l’intensité brute.

6.2 Interprétation théorique et physiologique pour la psychologie de la santé

Cette décomposition chiffrée offre des perspectives cliniques d’un grand intérêt pour la psychologie de la santé et la prise en charge comportementale du surpoids. En démontrant que l’intensité de l’activité physique capture à elle seule 48,65 % de la variance des résultats thérapeutiques, l’équipe soignante est confortée dans l’idée que l’adhésion du patient à un programme physique vigoureux constitue le levier le plus déterminant de succès, éclipsant les prédispositions liées au genre biologique.

Toutefois, la découverte d’un effet d’interaction substantiel ($\eta^2 \approx 5{,}4%$) met en garde les praticiens contre une standardisation aveugle des protocoles. L’analyse des moyennes cellulaires révélerait sans doute que les hommes et les femmes ne répondent pas de façon strictement homothétique au passage d’un entraînement modéré à un protocole par intervalles à haute intensité (peut-être en raison de régulations endocriniennes ou de compositions musculaires différenciées). La taille d’effet permet ainsi d’arbitrer rationnellement l’allocation des efforts thérapeutiques : focaliser en priorité l’accompagnement comportemental sur l’intensité perçue, tout en personnalisant l’encadrement en fonction du sexe pour maximiser l’efficience de l’intervention.

6.3 Vérification des postulats d’application sur les données d’exemple

L’estimation et l’interprétation de l’êta-carré ne sauraient être considérées comme isolées des contraintes inférentielles de l’ANOVA. La validité conceptuelle des conclusions dépend directement du respect des postulats sous-jacents aux modèles linéaires généraux :

• Normalité distributionnelle des résidus : Il est impératif de s’assurer que la distribution des erreurs au sein de chacune des 6 cellules expérimentales suit approximativement une loi normale. L’application d’un test de Shapiro-Wilk combinée à l’inspection visuelle des graphiques quantile-quantile (Q-Q plots) s’impose. Une asymétrie marquée ou une leptocurtose sévère déformerait l’évaluation de la somme des carrés de l’erreur, altérant le ratio de l’êta-carré.
• Homoscédasticité (homogénéité des variances) : L’égalité des variances intra-cellulaires doit être attestée par le test de Levene. Si le groupe soumis à un entraînement intense présentait une variance résiduelle considérablement plus élevée que le groupe sédentaire, l’estimation de $SC_{erreur}$ serait compromise. Dans les plans équilibrés ($n_1 = n_2 = dots = n_6$), l’ANOVA fait preuve d’une robustesse mathématique remarquable face aux écarts modérés à l’homoscédasticité, mais une violation majeure requiert des transformations de données ou des modélisations hétéroscédastiques.
• Détection des valeurs aberrantes univariées : Un participant ayant perdu un poids anormalement élevé suite à une gastro-entérite aiguë durant l’expérimentation gonflerait artificiellement la somme des carrés de sa cellule. L’analyse des résidus studentisés est requise pour éliminer ou corriger de tels artefacts susceptibles d’inflater de manière fallacieuse l’amplitude du $\eta^2$.

7. Distinction cruciale : Êta-carré ($\eta^2$) versus Êta-carré partiel ($\eta^2_p$)

7.1 Définition et formulation mathématique de l’êta-carré partiel

L’une des sources de confusion les plus répandues et dommageables au sein de la littérature scientifique concerne la distinction conceptuelle et arithmétique entre l’êta-carré classique ($\eta^2$) et l’êta-carré partiel, universellement désigné par le symbole $\eta^2_p$. Alors que l’êta-carré classique rapporte la variance d’un effet à la somme totale des variations mesurées dans l’expérience, l’êta-carré partiel neutralise la variance associée aux autres facteurs contrôlés par le plan expérimental.

La formulation algébrique canonique de l’êta-carré partiel s’énonce comme suit :

$$\eta^2_p = \frac{SC_{effet}}{SC_{effet} + SC_{erreur}}$$

Comme l’illustre cette formule, le dénominateur ne contient plus le terme $SC_{total}$. Il s’est délesté de l’ensemble des autres sommes des carrés attribuables aux effets concurrents et à leurs termes d’interaction croisée. L’êta-carré partiel cherche à répondre à une question fondamentalement différente : quelle est la proportion de variance expliquée par ce facteur spécifique, après avoir mathématiquement extrait et exclu de l’équation toute la variabilité expliquée par les autres facteurs du modèle ?

Cette métrique a été massivement popularisée parce qu’elle est générée par défaut par les routines du Modèle Linéaire Généralisé d’IBM SPSS, incitant des cohortes entières d’étudiants et de chercheurs à reporter par inadvertance un $\eta^2_p$ en le baptisant incorrectement $\eta^2$.

7.2 Comparaison structurelle entre les deux métriques

La distinction entre ces deux indices présente des implications théoriques et quantitatives fondamentales. Premièrement, il existe un cas unique d’équivalence absolue : dans une ANOVA à un facteur unique (one-way ANOVA), le modèle ne comportant aucun autre prédicteur systématique, $SC_{total}$ est strictement égal à $SC_{effet} + SC_{erreur}$. Dans cette configuration exclusive, $\eta^2 = \eta^2_p$.

En revanche, dès lors qu’un second facteur est introduit dans le protocole (comme dans notre exemple factoriel $2 \times 3$), les deux métriques divergent de manière inéluctable. Puisque $SC_{effet} + SC_{erreur}$ est structurellement inférieur à $SC_{total}$, la valeur de l’êta-carré partiel est systématiquement supérieure ou égale à celle de l’êta-carré classique :

$$\eta^2_p ge \eta^2$$

Calculons sans attendre les êta-carrés partiels sur notre jeu de données précédent pour illustrer cette divergence spectaculaire :

• $\eta^2_{p(\text{Intensité})} = \frac{180{,}00}{180{,}00 + 135{,}00} = \frac{180{,}00}{315{,}00} \approx 0{,}5714$ (contre $0{,}4865$ pour $\eta^2$)
• $\eta^2_{p(\text{Sexe})} = \frac{35{,}00}{35{,}00 + 135{,}00} = \frac{35{,}00}{170{,}00} \approx 0{,}2059$ (contre $0{,}0946$ pour $\eta^2$)
• $\eta^2_{p(\text{Interaction})} = \frac{20{,}00}{20{,}00 + 135{,}00} = \frac{20{,}00}{155{,}00} \approx 0{,}1290$ (contre $0{,}0541$ pour $\eta^2$)

La conséquence la plus frappante de cette opération algébrique réside dans la perte irrémédiable de l’additivité. Si nous additionnons les êta-carrés partiels de nos trois composantes systématiques :

$$\sum \eta^2_p = 0{,}5714 + 0{,}2059 + 0{,}1290 = 0{,}9063 \quad (90{,}63%)$$

Si l’on ajoute à ce total les 36,48 % de variance résiduelle pure, nous atteignons la valeur absurde de 127,11 % de variance totale. Dans des plans comportant de multiples facteurs, la somme des $\eta^2_p$ peut fréquemment excéder 2,00 ou 3,00 (soit 200 % ou 300 %), ce qui démontre sans équivoque qu’un êta-carré partiel ne peut jamais être interprété comme une fraction d’un gâteau fini représentant la totalité des observations réelles.

7.3 Critères de choix entre êta-carré et êta-carré partiel en recherche

Face à ces divergences mathématiques, quel estimateur le chercheur doit-il privilégier lors de la valorisation de ses travaux ? Le choix n’est pas arbitraire et dépend étroitement de la finalité épistémologique poursuivie :

• Privilégier l’êta-carré classique ($\eta^2$) : Lorsqu’il s’agit de comparer l’influence relative et concrète de plusieurs prédicteurs au sein d’une même expérimentation. L’additivité stricte permet d’affirmer avec certitude que le facteur $A$ est deux fois plus déterminant dans la réalité observée que le facteur $B$. C’est également l’indicateur le plus honnête pour décrire l’utilité brute d’un traitement dans le monde réel, sans éluder la variabilité induite par d’autres caractéristiques des individus.
• Privilégier l’êta-carré partiel ($\eta^2_p$) : Lorsqu’un chercheur souhaite isoler théoriquement la force d’une manipulation expérimentale en faisant abstraction du bruit généré par des variables de blocage ou de contrôle méthodologique. En retirant la variance due aux variables de confusion contrôlées, $\eta^2_p$ estime la taille d’effet qui aurait été observée si l’ensemble des participants avait été strictement homogène sur ces autres facteurs.
• Enjeux majeurs pour les méta-analyses : L’usage non critique de $\eta^2_p$ dans les synthèses quantitatives constitue un écueil redoutable. La valeur de $\eta^2_p$ pour un même traitement varie dramatiquement d’une étude à l’autre en fonction du nombre arbitraire de covariables incluses par chaque auteur. Les méta-analystes chevronnés exigent de reconstituer systématiquement les tailles d’effet brutes standardisées pour garantir l’équivalence des comparaisons inter-études.

8. Comparaison approfondie avec d’autres estimateurs de taille d’effet

8.1 L’oméga-carré ($\omega^2$) : le correcteur du biais d’échantillonnage

Malgré sa commodité intuitive, l’êta-carré souffre d’une lacune statistique majeure connue de longue date des théoriciens de l’estimation : il s’agit d’un estimateur descriptif systématiquement biaisé positivement. Tout comme le coefficient de détermination $R^2$ non ajusté en régression multiple, $\eta^2$ capitalise sans vergogne sur le hasard d’échantillonnage. En utilisant les moyennes de groupe échantillonnées pour maximiser l’écart inter-groupes, il tend systématiquement à surestimer la véritable force de l’association présente au sein de la population parente.

Ce biais devient particulièrement prononcé et trompeur lorsque la taille totale de l’échantillon ($N$) est réduite ou que le nombre de cellules expérimentales est élevé. Pour remédier à cette anomalie métrologique, William L. Hays et Truman Lee Kelley ont introduit et développé l’oméga-carré ($\omega^2$). Cet estimateur intègre le carré moyen de l’erreur ($CM_{erreur}$) comme terme correcteur au numérateur et au dénominateur pour déflater l’estimation et offrir une projection asymptotiquement non biaisée de la variance expliquée dans la population.

La formule standard de l’oméga-carré dans une ANOVA à un facteur s’énonce comme suit :

$$\omega^2 = \frac{SC_{effet} – (dl_{effet} \times CM_{erreur})}{SC_{total} + CM_{erreur}}$$

Si nous reprenons les données de notre exemple pour le facteur Sexe biologique ($SC = 35{,}00$, $dl = 1$, $CM_{erreur} = 2{,}50$, $SC_{total} = 370{,}00$) :

$$\omega^2_{\text{Sexe}} = \frac{35{,}00 – (1 \times 2{,}50)}{370{,}00 + 2{,}50} = \frac{32{,}50}{372{,}50} \approx 0{,}0872$$

Nous constatons que l’oméga-carré (8,72 %) réajuste à la baisse le chiffre fourni par l’êta-carré (9,46 %). Lorsque l’effet est rigoureusement inexistant dans la réalité, l’oméga-carré peut parfois renvoyer une valeur numérique négative ; par convention internationale, celle-ci est alors immédiatement tronquée à 0,00.

8.2 L’epsilon-carré ($\epsilon^2$) et l’êta-carré généralisé ($\eta^2_G$)

Dans la panoplie des métriques de substitution, d’autres raffinements algorithmiques méritent l’attention des chercheurs méthodologistes :

• L’epsilon-carré ($\epsilon^2$) : Proposé initialement par Chester Bliss et développé par Paul Kelley, l’epsilon-carré applique un redressement basé exclusivement sur les degrés de liberté :
  $$\epsilon^2 = \frac{SC_{effet} – (dl_{effet} \times CM_{erreur})}{SC_{total}}$$
  Moins conservateur que l’oméga-carré, l’epsilon-carré est fréquemment mobilisé dans les extensions non paramétriques (notamment comme taille d’effet associée au test de Kruskal-Wallis pour les données ordinales).
• L’êta-carré généralisé ($\eta^2_G$) : Formalisé par Stephen Olejnik et James Algina (2003), puis vigoureusement défendu par Peter Bakeman (2005), l’êta-carré généralisé répond à une aporie structurelle des devis à mesures répétées et des plans mixtes intra-sujets. Dans de tels protocoles, la présence d’une variance intra-individuelle stable (la variabilité stable inter-participants) biaise lourdement les calculs d’êta-carré standard. $\eta^2_G$ partitionne la variance en séparant explicitement les facteurs manipulés des facteurs mesurés (ou covariables stables du sujet). Il permet enfin de comparer équitablement la taille d’effet d’une intervention mesurée entre deux groupes indépendants avec celle obtenue par une manipulation intra-sujet répétée au fil du temps.

8.3 Tableau synoptique des indicateurs de variance expliquée

Pour guider le praticien à travers cet écosystème d’indices de la famille r, le tableau synoptique suivant résume les caractéristiques différentielles, les formules types et les contextes d’application privilégiés :

Indicateur	Formule de base	Propriétés & Biais	Recommandation d’usage
Êta-carré ($\eta^2$)	$$\frac{SC_{effet}}{SC_{total}}$$	Purement descriptif ; additif dans les plans équilibrés ; surestime l’effet en population (biais positif).	Description brute de l’échantillon ; comparaison directe du poids relatif des prédicteurs d’une même étude.
Êta-carré partiel ($\eta^2_p$)	$$\frac{SC_{effet}}{SC_{effet} + SC_{erreur}}$$	Non additif (somme > 100 %) ; isole l’effet en occultant les autres sources ; biaise les méta-analyses.	Calculs de puissance statistique a priori ; études fondamentales isolant un mécanisme spécifique.
Oméga-carré ($\omega^2$)	$$\frac{SC_{effet} – dl_{effet} \times CM_{erreur}}{SC_{total} + CM_{erreur}}$$	Correcteur de population ; non biaisé asymptotiquement ; peut être négatif si l’effet est nul.	Petits échantillons ; inférence robuste vers la population parente ; standards actuels de rigueur.
Êta-carré généralisé ($\eta^2_G$)	Dépend de la structure des facteurs manipulés/observés	Harmonise les devis mixtes et à mesures répétées ; rend comparables plans inter et intra-sujets.	Protocoles expérimentaux complexes en psychologie cognitive et neurosciences avec mesures répétées.

Le choix de l’indicateur pertinent doit obéir à un arbre décisionnel rationnel : pour une description instantanée et comptable de son échantillon, l’êta-carré prévaut ; pour généraliser prudemment des conclusions basées sur un petit groupe, l’oméga-carré s’impose impérativement ; enfin, pour un devis à mesures répétées complexe, l’êta-carré généralisé constitue la norme méthodologique d’excellence.

9. Calcul de l’êta-carré à l’aide des principaux logiciels statistiques

9.1 Calcul et extraction sous IBM SPSS Statistics

Sous IBM SPSS Statistics, le traitement des tailles d’effet dans l’analyse de variance a historiquement constitué une source d’erreurs récurrente pour des générations d’utilisateurs. Lors de l’exécution d’une ANOVA factorielle via le menu déroulant :

Analyser > Modèle linéaire général > Univarié…

L’utilisateur est invité à cliquer sur le sous-bouton Options… et à cocher la case intitulée « Estimations de la taille de l’effet » (Estimates of effect size). Il est primordial de souligner qu’en effectuant cette opération classique, SPSS calcule et affiche dans son tableau récapitulatif l’êta-carré partiel ($\eta^2_p$), bien que l’intitulé de colonne dans les versions antérieures à la version 27 ait souvent porté l’étiquette simplifiée et trompeuse « Êta au carré ».

Pour extraire l’êta-carré classique ($\eta^2$) pur et non partiel dans SPSS lorsque le modèle comporte plusieurs facteurs, l’utilisateur a deux options :

• Récupérer manuellement la somme des carrés de l’effet ($SC_{effet}$) et la somme des carrés totale ($SC_{total}$) directement dans le tableau principal « Tests des effets inter-sujets », puis exécuter la division via le processeur de syntaxe ou une feuille de calcul externe.
• Faire usage des commandes syntaxiques de manipulation de matrice (SPSS Matrix) ou recourir à des macros développées par la communauté pour générer les indices $\omega^2$ et $\eta^2$ au sein d’une même fenêtre de résultats.

9.2 Implémentation automatisée dans l’environnement R

Dans l’environnement de programmation statistique R, la flexibilité et la transparence méthodologique atteignent des sommets grâce à l’écosystème du package spécialisé effectsize (développé au sein de l’organisation easystats), qui s’articule idéalement avec le flux de travail moderne du tidyverse.

Après avoir ajusté le modèle linéaire canonique au moyen de la fonction standard lm() ou aov(), le chercheur dispose de fonctions dédiées extrêmement explicites :

• Pour obtenir l’êta-carré classique pur, il suffit de passer l’objet modélisé à la fonction :
  eta_squared(modele, partial = FALSE)
• Pour requérir l’êta-carré partiel, il convient simplement de modifier l’argument logique :
  eta_squared(modele, partial = TRUE)
• Pour extraire l’oméga-carré ajusté non biaisé :
  omega_squared(modele)

L’un des avantages considérables de ce package réside dans sa capacité à délivrer instantanément des intervalles de confiance non paramétriques (calculés via des méthodes de bootstrap robuste ou basés sur les distributions de probabilité non centrales du test F), garantissant ainsi une conformité totale avec les plus hauts standards d’intégrité analytique sans nécessiter l’écriture de scripts de rééchantillonnage complexes.

9.3 Calcul sous Python pour les chercheurs en psychologie computationnelle

Avec l’essor de la science des données et de la modélisation computationnelle du comportement, Python est devenu un environnement d’analyse de premier plan. Bien que des bibliothèques généralistes comme SciPy ou Statsmodels permettent d’ajuster des modèles d’ANOVA, c’est indéniablement le package Pingouin (pensé par des chercheurs en neurosciences cognitives) qui offre la syntaxe la plus intuitive pour l’extraction de l’êta-carré.

Grâce à la fonction unifiée anova() de Pingouin, l’utilisateur obtient d’un seul bloc un DataFrame Pandas exhaustif contenant non seulement les valeurs de F, les degrés de liberté et les p-valeurs corrigées, mais également la colonne np2 correspondant à l’êta-carré partiel. Si l’on souhaite spécifier un calcul direct d’êta-carré généralisé ou classique, Pingouin autorise la spécification de l’argument effsize='n2'.

Cette intégration automatisée au sein de pipelines de traitement de mégadonnées comportementales facilite la réalisation d’analyses massives et reproductibles, tout en minimisant le risque d’erreur humaine inhérent au calcul manuel sur des volumes considérables d’expérimentations.

10. Normes de rédaction et de communication selon les standards de l’APA

10.1 Directives formelles de l’APA (7e édition)

Le manuel de publication officiel de l’American Psychological Association (APA, 7e édition, 2020) édicte des prescriptions stylistiques et éditoriales rigides relatives à la communication des grandeurs statistiques. La première règle déontologique impose de ne jamais mentionner un résultat inférentiel d’analyse de variance sans l’accompagner explicitement de son indicateur de taille d’effet standardisé.

Sur le plan typographique, les conventions internationales requièrent :

• L’usage systématique de la lettre grecque minuscule êta en italique, surmontée du signe carré en exposant : η². L’indice d’effet partiel doit intégrer un « p » minuscule non italique en indice : η²_p.
• L’insertion d’espaces insécables autour des opérateurs mathématiques (par exemple : η² = 0,14).
• Le respect de la règle d’arrondi décimal : l’APA préconise généralement deux ou trois décimales de précision selon la finesse requise par l’analyse.
• L’absence de zéro initial devant la virgule (ou le point dans les revues anglophones) pour les métriques bornées entre 0 et 1 : en anglais, on écrira η² = .49 au lieu de 0.49, car la statistique ne peut mathématiquement jamais franchir le seuil de 1,00. En français académique strict, la conservation du zéro initial (η² = 0,49) est néanmoins couramment tolérée pour préserver l’harmonie grammaticale.

10.2 Intégration des intervalles de confiance pour l’êta-carré

Les recommandations méthodologiques contemporaines stipulent qu’une estimation ponctuelle de taille d’effet est insuffisante : elle doit impérativement être escortée de son intervalle de confiance (généralement calibré à 90 % ou 95 %). Cette exigence reflète la prise de conscience que les tailles d’effet sont elles-mêmes des statistiques échantillonnales sujettes aux aléas et aux fluctuations de mesure.

Une particularité théorique capitale doit être mise en relief : les intervalles de confiance entourant un indice de variance comme l’êta-carré sont asymétriques. Puisque la distribution d’échantillonnage de l’êta-carré découle directement de la distribution de Fisher non centrale ($F$ non central, noté $lambda$), l’intervalle ne peut pas être calculé en appliquant simplement plus ou moins deux erreurs types autour de la moyenne estimée. Il est calibré à l’aide d’algorithmes itératifs d’inversion de distribution non centrale disponibles dans les modules spécialisés (tels que effectsize sous R ou des scripts syntaxiques avancés).

Voici un modèle rédactionnel exemplaire en langue française respectant rigoureusement les normes de l’APA :

« L’analyse de variance factorielle révèle un effet principal hautement significatif de l’intensité de l’entraînement physique sur la perte de poids, F(2, 54) = 36,00, p < 0,001, η² = 0,49, IC à 95 % [0,32 ; 0,61]. Cet impact substantiel démontre que près de la moitié de la dispersion totale des performances pondérales est imputable à la charge énergétique programmée. »

10.3 Erreurs courantes de rapportage à éviter impérativement

L’évaluation par les pairs (peer review) met régulièrement en lumière des bévues rédactionnelles récurrentes qui discréditent la qualité méthodologique des publications soumises. Trois fautes majeures doivent être proscrites avec fermeté :

• La substitution terminologique clandestine : L’erreur la plus fréquente consiste à extraire le chiffre issu de la colonne « Partial Eta Squared » de SPSS et à le consigner dans le texte de l’article sous le label générique « η² ». Ce glissement méthodologique est trompeur : il laisse croire au lecteur que l’on manipule une proportion de variance totale, alors qu’il s’agit d’une variance résiduelle partielle souvent considérablement gonflée.
• L’omission de la taille totale de l’échantillon ou des sommes de carrés : Sans la mention des degrés de liberté complets ou des sommes des carrés d’erreur et totales, il devient impossible pour les pairs et les futurs méta-analystes de recalculer d’autres estimateurs correcteurs (comme l’oméga-carré ou l’êta-carré généralisé). La transparence de la science ouverte exige la divulgation de l’intégralité du tableau de l’ANOVA.
• L’arrondi abusif ou trompeur : Présenter un êta-carré de 0,006 sous la forme arrondie de 0,01 sans mentionner les décimales supplémentaires peut altérer de manière substantielle la perception de la reproductibilité d’un phénomène lors d’une tentative ultérieure de réplication.

11. Limites méthodologiques et précautions d’interprétation en recherche empirique

11.1 Surestimation de l’effet et dépendance à la taille de l’échantillon

L’interprétation de l’êta-carré en tant qu’indice d’effet sans faille se heurte à des écueils structurels que tout chercheur averti doit intégrer dans son analyse critique. Le premier de ces écueils réside dans la vulnérabilité intrinsèque de la métrique face aux faibles effectifs d’échantillonnage.

Dans les protocoles caractérisés par des micro-échantillons (par exemple, des groupes de six à huit animaux de laboratoire ou sujets humains par condition), la somme des carrés inter-groupes subit des distorsions aléatoires massives. La moindre fluctuation idiosyncrasique d’un participant d’exception conduit à un étirement spectaculaire des moyennes de groupe, produisant un $\eta^2$ d’apparence spectaculaire (dépassant couramment 0,30 ou 0,40), qui s’évanouit irrémédiablement lors de la réplication de l’expérience sur une cohorte convenablement dimensionnée. Cette capitalisation sur le bruit expérimental fait de l’êta-carré descriptif un vecteur notoire d’inflation des effets dans les disciplines confrontées à la crise de la reproductibilité.

Pour immuniser ses travaux contre ce biais de publication interne, la communauté scientifique encourage vivement le préenregistrement des protocoles de recherche et le recours systématique aux réplications directes programmées, couplées à l’usage d’estimateurs pénalisés pour la taille tels que l’oméga-carré.

11.2 Sensibilité à l’hétéroscédasticité et aux violations des postulats

Bien que l’êta-carré soit défini comme un ratio descriptif des sommes de carrés calculées, l’interprétation théorique de sa signification substantive repose implicitement sur l’idée que ces sommes de carrés capturent convenablement les véritables centres de gravité et dispersions du phénomène. Dès lors que les postulats fondamentaux du modèle linéaire généralisé sont enfreints, cette belle régularité s’effondre.

L’hétéroscédasticité — c’est-à-dire la violation de l’homogénéité des variances entre les groupes expérimentaux — pose un péril aigu. Si une condition expérimentale génère une dispersion considérablement plus erratique que les autres (ce qui arrive fréquemment lorsqu’un traitement pharmacologique provoque des réactions indésirables asymétriques chez certains sujets), la variance résiduelle totale se trouve artificiellement gonflée ou asymétriquement pondérée. Dans ce contexte, l’êta-carré cesse de refléter fidèlement l’efficacité moyenne du facteur.

Face à des données fortement asymétriques, plurimodales ou corrompues par des variances de cellule hétérogènes, les statisticiens recommandent de privilégier des alternatives robustes. Celles-ci incluent l’ANOVA sur moyennes élaguées (trimmed means) développée par Rand Wilcox, l’estimation d’intervalles par rééchantillonnage bootstrap non paramétrique, ou encore le passage à des modèles linéaires généralisés (GLM) autorisant des familles de distributions adaptées (telles que les lois Gamma ou Log-normales).

11.3 L’influence de la sélection des variables de contrôle

Une propriété souvent ignorée de l’amplitude de l’effet concerne son impermanence contextuelle : l’êta-carré n’est pas une constante biologique ou psychologique immuable propre à un phénomène. Sa valeur est intimement subordonnée au design expérimental choisi et à la sélection des facteurs auxiliaires intégrés par l’investigateur.

Considérons l’introduction d’une covariable pertinente au sein d’une Analyse de Covariance (ANCOVA). Si un chercheur mesurant l’effet d’une intervention cognitive introduit la mesure du quotient intellectuel de base en covariable, cette variable va capturer et éliminer une fraction substantielle de la variance d’erreur résiduelle ($SC_{erreur}$). Cette opération mathématique aura pour conséquence directe de modifier la somme des carrés totale ($SC_{total}$) du modèle, altérant par contrecoup l’amplitude numérique de l’êta-carré calculé pour l’intervention expérimentale.

De même, comparer de manière naïve l’êta-carré issu d’une étude inter-sujets (où la variance génétique et personnelle des individus amplifie l’erreur résiduelle) avec celui obtenu par un devis intra-sujets (où chaque participant sert de son propre témoin, diminuant drastiquement le dénominateur d’erreur) constitue une grave erreur méthodologique. Les deux indices ne mesurent tout simplement pas la même portion de réalité, renforçant l’obligation pour les chercheurs de toujours qualifier le plan d’expérience avant de porter un jugement de valeur sur un pourcentage de variance.

12. Applications pratiques : Calcul de puissance statistique et méta-analyses

12.1 Utilisation de l’êta-carré pour le calcul de puissance a priori

L’une des étapes les plus déterminantes dans la maturation d’un projet de recherche quantitative réside dans la détermination a priori de la taille minimale d’échantillon requise pour détecter l’effet théorisé avec une puissance statistique satisfaisante (classiquement fixée à $1 – \beta = 0{,}80$ ou $0{,}90$). Pour alimenter des outils de calcul de puissance reconnus tels que le logiciel libre G*Power, l’êta-carré constitue un point d’ancrage indispensable.

Cependant, les algorithmes de G*Power dans la famille des tests ANOVA requièrent généralement la spécification de l’indice de taille d’effet f de Cohen. Il existe heureusement une relation algébrique directe et élégante permettant de convertir un êta-carré anticipé (ou un êta-carré partiel) en taille d’effet f :

$$f = \sqrt{\frac{\eta^2}{1 – \eta^2}}$$

Illustrons cette conversion numérique à partir des seuils théoriques canoniques définis par Cohen :

• Pour un faible effet ($\eta^2 = 0{,}01$) :
  $$f = \sqrt{\frac{0{,}01}{1 – 0{,}01}} = \sqrt{\frac{0{,}01}{0{,}99}} \approx 0{,}10$$
• Pour un effet moyen ($\eta^2 = 0{,}06$) :
  $$f = \sqrt{\frac{0{,}06}{1 – 0{,}06}} = \sqrt{\frac{0{,}06}{0{,}94}} \approx 0{,}25$$
• Pour un effet fort ($\eta^2 = 0{,}14$) :
  $$f = \sqrt{\frac{0{,}14}{1 – 0{,}14}} = \sqrt{\frac{0{,}14}{0{,}86}} \approx 0{,}40$$

En introduisant cet indice f, le seuil d’erreur alpha consenti ($\alpha = 0{,}05$), la puissance ciblée ($0{,}80$) et le nombre de groupes dans G*Power, le chercheur prévient tout risque de sous-dimensionnement de son étude. Il évite ainsi l’écueil éthique et financier consistant à mobiliser des volontaires humains dans une expérimentation trop peu puissante pour valider statistiquement son hypothèse de travail.

12.2 Conversion et intégration dans les modèles méta-analytiques

Dans le domaine de l’évaluation systématique des connaissances, les méta-analyses constituent le sommet de la hiérarchie des preuves scientifiques. Cependant, les méta-analystes sont confrontés à un défi métrologique récurrent : l’hétérogénéité flagrante des métriques d’effet adoptées par les auteurs des études primaires au cours des décennies écoulées. Certains publient des différences moyennes standardisées ($d$ de Cohen), d’autres des corrélations de Pearson ($r$), et d’autres encore des ratios de variance issus d’ANOVA ($\eta^2$).

Pour unifier ces corpus disparates au sein d’un même modèle à effets aléatoires, des équations de conversion éprouvées sont mobilisées. Dans le cadre d’une comparaison opposant strictement deux groupes indépendants (où $dl_{effet} = 1$), la conversion entre le $d$ de Cohen et l’êta-carré est régie par la relation biunivoque suivante :

$$\eta^2 = \frac{d^2}{d^2 + \frac{N^2 – 2N}{n_1 n_2}}$$

Lorsque les tailles de groupe sont équilibrées ($n_1 = n_2 = N/2$), cette formulation se simplifie de manière remarquable sous la forme classique :

$$\eta^2 = \frac{d^2}{d^2 + 4}$$

Réciproquement, pour réextraire un équivalent du $d$ de Cohen à partir d’un êta-carré disponible :

$$d = 2 \times \sqrt{\frac{\eta^2}{1 – \eta^2}} = 2f$$

Par ailleurs, pour les designs à deux groupes, l’êta-carré équivaut mathématiquement au carré de la corrélation point-bisérial ($r_{pb}^2 = \eta^2$). Grâce à ce réseau de passerelles trigonométriques et algébriques, les méta-analystes peuvent intégrer des études centenaires aux publications les plus contemporaines sans dénaturer la métrique commune de synthèse.

12.3 Synthèse conclusive et recommandations pour les chercheurs

Parvenu au terme de cette exploration transversale de l’êta-carré, il apparaît avec évidence que cet indice ne se réduit pas à une simple modalité d’exécution logicielle ou à une formalité d’écriture exigée par les comités de rédaction. Il incarne un instrument d’analyse conceptuelle d’une remarquable subtilité pour comprendre l’architecture de la variabilité dans les systèmes vivants et sociaux.

Pour clore ce panorama et armer méthodologiquement le chercheur ou l’étudiant dans ses démarches quotidiennes, nous formulons une check-list opérationnelle en cinq impératifs fondamentaux :

• Rigueur conceptuelle : Distinguer explicitement et sans équivoque, dans le corps du manuscrit comme dans les tableaux, si la métrique rapportée est l’êta-carré classique ($\eta^2$), l’êta-carré partiel ($\eta^2_p$) ou l’êta-carré généralisé ($\eta^2_G$).
• Vigilance logicielle : Se souvenir qu’IBM SPSS délivre systématiquement l’êta-carré partiel par défaut lors des procédures univariées GLM, et recalculer manuellement l’êta-carré total si l’objectif est d’évaluer la variance décomposée brute.
• Évaluation des alternatives non biaisées : Préférer systématiquement l’oméga-carré ($\omega^2$) lorsque les cohortes étudiées reposent sur des tailles d’échantillons réduites, afin de ne pas propager des estimations artificiellement gonflées dans la littérature.
• Rapportage métrologique complet : Accompagner toujours l’estimation de son intervalle de confiance à 90 % ou 95 %, en soulignant la dissymétrie intrinsèque des bornes dérivées des distributions non centrales.
• Sens critique contextuel : Refuser l’application servile des seuils de Jacob Cohen comme des frontières immuables ; juger l’importance d’une taille d’effet à l’aune de ses implications cliniques, sociétales ou théoriques propres au domaine disciplinaire concerné.

En inscrivant l’estimation de la taille d’effet au centre de leurs pratiques d’inférence, les chercheurs s’affranchissent du dogme binaire et réducteur de la significativité statistique pour embrasser une science quantitative mature, transparente, reproductible et résolument tournée vers la mesure de l’impact substantiel.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Bakeman, R. (2005). Recommended effect size statistics for repeated measures designs. Behavior Research Methods, 37(3), 379–384. https://doi.org/10.3758/BF03192707
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Hays, W. L. (1994). Statistics (5th ed.). Harcourt Brace College Publishers.
• Kelley, T. L. (1935). An unbiased correlation ratio measure. Proceedings of the National Academy of Sciences of the United States of America, 21(9), 554–559. https://doi.org/10.1073/pnas.21.9.554
• 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
• 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
• Pierce, C. A., Block, R. A., & Aguinis, H. (2004). Cautionary note on reporting eta-squared values from multifactor ANOVA designs. Educational and Psychological Measurement, 64(6), 916–924. https://doi.org/10.1177/0013164404264848
• Rosenthal, R. (1994). Parametric measures of effect size. In H. Cooper & L. V. Hedges (Eds.), The handbook of research synthesis (pp. 231–244). Russell Sage Foundation.
• Wilkinson, L., & The Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594