Taille de l’effet : ce que c’est et pourquoi cela compte

Pendant plus d’un demi-siècle, la recherche empirique en psychologie et en sciences comportementales a vécu sous le joug presque exclusif du test de signification de l’hypothèse nulle (NHST, pour Null Hypothesis Significance Testing). Cette approche rituelle, articulée autour du seuil conventionnel de p < 0,05 proposé par Ronald Fisher, a progressivement transformé la démarche scientifique en un processus dichotomique de prise de décision. Les chercheurs ont ainsi appris à traquer la « significativité statistique » comme s’il s’agissait du critère ultime de validation empirique d’une théorie, reléguant au second plan la question fondamentale qui sous-tend pourtant toute entreprise scientifique : quelle est l’ampleur concrète du phénomène étudié ?

Cette hégémonie de la valeur p a engendré des conséquences épistémologiques et pratiques délétères au sein de la communauté académique. Confondant régulièrement la présence d’un signal statistique avec son importance théorique ou clinique, des générations de chercheurs ont publié des travaux célébrant des effets infinitésimaux, rendus artificiellement « significatifs » par le recours à des cohortes de grande envergure, tout en ignorant des effets cliniquement substantiels au sein de petites populations en raison d’un manque mécanique de puissance statistique. Cette dérive méthodologique constitue l’un des piliers sous-jacents de la crise contemporaine de la reproductibilité, mettant en lumière le besoin impérieux de refonder l’inférence statistique sur des bases quantitatives plus solides.

C’est précisément à cette croisée des chemins que s’impose le concept de taille de l’effet (effect size). Loin d’être un simple artifice calculatoire destiné à satisfaire les exigences des comités éditoriaux, la taille de l’effet incarne le véritable cœur battant de l’évaluation scientifique. Elle permet de quantifier directement la magnitude d’un phénomène psychologique, d’estimer la portée réelle d’une intervention thérapeutique et de comparer des résultats expérimentaux à travers des protocoles hétérogènes. Ce traité méthodologique propose une exploration exhaustive, théorique et pratique de la taille de l’effet, de ses fondements mathématiques à ses applications contemporaines dans la recherche et la pratique clinique.

1. Introduction fondamentale à la taille de l’effet en psychologie

1.1 La citation fondatrice de Gene V. Glass et le paradigme de l’ampleur

L’histoire moderne de la quantification des effets en sciences sociales a été profondément marquée par les travaux de Gene V. Glass à la fin des années 1970. Alors confronté au scepticisme ambiant quant à l’efficacité globale de la psychothérapie, Glass a formulé une critique épistémologique dévastatrice à l’encontre du réductionnisme inhérent à la valeur p. Dans son discours présidentiel de 1976 devant l’American Educational Research Association, puis dans ses écrits subséquents consacrés à la méthodologie méta-analytique, Glass a rappelé que l’existence brute d’une différence statistique ne renseigne en rien sur sa signification dans le monde réel. Il soulignait avec insistance que l’entreprise scientifique ne vise pas simplement à déterminer si un traitement produit un effet différent de zéro, mais bien à déterminer dans quelle mesure ce traitement modifie la condition humaine.

Cette critique a marqué l’acte de naissance du paradigme de l’ampleur en psychologie. Auparavant, l’évaluation des interventions psychothérapeutiques reposait sur des revues narratives de littérature sujettes à d’importants biais de confirmation, où les études étaient sommairement classées selon qu’elles atteignaient ou non le seuil sacro-saint de p < 0,05. Glass a démontré l’absurdité mathématique d’une telle démarche : deux études observant exactement le même écart de dix points sur une échelle d’évaluation de la dépression pouvaient aboutir à des conclusions diamétralement opposées (l’une concluant au succès, l’autre à l’échec) simplement parce que la première disposait d’un échantillon deux fois plus grand que la seconde.

En introduisant formellement des métriques standardisées pour quantifier l’écart entre les groupes, Glass a initié une transition paradigmatique majeure. Le modèle binaire de décision, hérité d’une interprétation hybride et souvent erronée des travaux de Fisher, de Neyman et de Pearson, a commencé à céder le pas à une approche quantitative continue. Dans ce nouveau cadre théorique, l’effet d’une intervention n’est plus envisagé comme un interrupteur à deux positions (« existant » ou « inexistant »), mais comme un continuum d’intensité, permettant d’apprécier la magnitude des transformations cognitives, affectives ou comportementales induites par des protocoles expérimentaux ou des thérapeutiques ciblées.

1.2 L’illusion de la significativité dans la recherche comportementale

L’attachement viscéral des chercheurs comportementaux au seuil de significativité statistique a donné naissance à ce que de nombreux méthodologistes qualifient aujourd’hui d’« illusion de la significativité ». Ce travers cognitif et méthodologique repose sur une confusion pernicieuse entre le rejet de l’hypothèse nulle ($H_0$) et l’affirmation de la pertinence théorique ou pratique d’une découverte. Rejeter l’hypothèse nulle indique simplement que la probabilité d’obtenir des données au moins aussi extrêmes que celles observées, sous l’hypothèse d’une absence totale d’effet dans la population générale, est inférieure à un seuil conventionnel arbitraire, généralement fixé à cinq pour cent.

Cette métrique présente une faille structurelle majeure : elle dépend intrinsèquement de la taille de l’échantillon. Avec une cohorte suffisamment vaste comprenant plusieurs dizaines de milliers de participants — situation de plus en plus courante à l’ère des mégadonnées et de la collecte en ligne —, le moindre écart trivial par rapport à l’hypothèse nulle devient hautement significatif sur le plan statistique. Par exemple, une différence de temps de réaction de deux millisecondes entre deux conditions expérimentales ou une corrélation de $r = 0,02$ entre deux traits de personnalité peuvent afficher une valeur p inférieure à 0,001. Présenter ces résultats comme des « percées majeures » sous prétexte qu’ils sont statistiquement significatifs relève de la mystification méthodologique, car ces différences n’ont souvent aucun impact fonctionnel sur les processus cognitifs réels.

Inversement, cette illusion a exercé un effet destructeur sur l’accumulation cumulative du savoir en sciences comportementales. Des interventions éducatives, neurocognitives ou cliniques extraordinairement prometteuses ont été abandonnées ou ignorées simplement parce que les études pilotes, menées sur des échantillons réduits de participants spécifiques, affichaient un p de 0,06 ou 0,08. Le rejet injustifié de ces hypothèses a freiné des trajectoires de recherche fécondes, masquant des régularités empiriques substantielles derrière le paravent d’une non-significativité apparente. La recherche comportementale s’est ainsi retrouvée prise au piège d’une taxonomie artificielle divisant le champ du savoir entre « vérité scientifique » et « néant statistique ».

1.3 Objectifs et portée du présent traité méthodologique

Face aux dysfonctionnements chroniques générés par l’usage exclusif du test d’hypothèse classique, le présent traité méthodologique se fixe pour objectif d’offrir une déconstruction rigoureuse et un guide pratique complet de la taille de l’effet. Il s’agit d’ancrer fermement dans la culture scientifique contemporaine l’impératif de penser les données expérimentales et observationnelles en termes de magnitude, de précision et de variance expliquée, plutôt qu’en termes de seuils binaires de décision probabiliste.

Nous nous proposons de définir avec une précision mathématique et conceptuelle ce que représente la taille de l’effet : un estimateur sans dimension ou ancré dans l’unité d’origine, invariant par rapport à la taille de l’échantillon, capturant la déviation systématique des observations empiriques par rapport à un modèle contraint. Nous explorerons la vaste typologie des familles métriques développées pour répondre aux exigences variées des devis de recherche : la famille $d$ (différences standardisées de moyennes), la famille $r$ (coefficients d’association et de corrélation), la famille $\eta^2$ et $\omega^2$ (proportions de variance expliquée dans le cadre du modèle linéaire général), ainsi que les mesures adaptées aux données catégorielles et à l’épidémiologie clinique telles que l’Odds Ratio et le Nombre de Sujets à Traiter (NNT).

Enfin, ce travail fournira des directives opérationnelles indispensables à la communauté des chercheurs, des étudiants et des praticiens. Nous examinerons les conditions d’application, les postulats distributionnels sous-jacents, l’intégration incontournable des intervalles de confiance non centraux, ainsi que les principes de reporting conformes aux normes éditoriales les plus exigeantes, notamment les recommandations de la 7^e édition du manuel de l’American Psychological Association. Ce document vise à fournir l’appareil critique nécessaire pour substituer à la superstition du p-value une véritable culture de l’estimation de l’ampleur des phénomènes psychologiques.

2. Les limites épistémologiques et pratiques de la seule valeur p

2.1 Dépendance mécanique de la valeur p à la taille de l’échantillon

La vulnérabilité fondamentale de la valeur p réside dans sa dépendance mécanique et absolue à l’effectif de l’échantillon ($N$). Cette réalité peut être aisément comprise à travers l’examen de la formule générique de la statistique de test, telle que le test $t$ de Student pour échantillons indépendants :

$$t = \frac{\bar{X}_1 – \bar{X}_2}{SE} = \frac{\bar{X}_1 – \bar{X}_2}{s_p \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}}$$

Dans cette équation, l’erreur type ($SE$) se trouve au dénominateur. L’erreur type est inversement proportionnelle à la racine carrée de la taille de l’échantillon ($\sqrt{N}$). En conséquence, lorsque $N$ tend vers l’infini, l’erreur type s’écrase inexorablement vers zéro. Cela implique mathématiquement que, pour une différence brute entre les moyennes $(\bar{X}_1 – \bar{X}_2)$ infinitésimale et dénuée de toute signification psychologique — par exemple une divergence de 0,001 écart-type —, la valeur de la statistique $t$ grandira indéfiniment à mesure que des observations s’ajoutent à la base de données. Corollairement, la valeur p décroîtra jusqu’à franchir n’importe quel seuil de significativité préétabli ($p < 0,001$).

Ce phénomène engendre un risque considérable d’erreur de type I pratique : le chercheur conclut à l’existence d’une régularité scientifique majeure et valide son modèle théorique, alors qu’il ne documente qu’un bruit de fond stochastique ou des biais d’échantillonnage imperceptibles sans pertinence écologique. À l’opposé de ce spectre, dans les situations où la collecte de données est contrainte par des réalités matérielles ou éthiques — comme l’étude de pathologies neuropsychologiques rarissimes, de traumatismes sévères ou de protocoles expérimentaux d’imagerie par résonance magnétique fonctionnelle (IRMf) complexes —, les effectifs sont structurellement limités ($N < 20$). L’erreur type est alors mécanique et massivement dilatée.

Dans ces conditions de sous-puissance, des effets expérimentaux d’une ampleur spectaculaire, représentant des transformations cognitives majeures, échouent fréquemment à franchir le seuil fatidique de $p = 0,05$. Le chercheur se trouve alors contraint par les usages académiques de conclure à une « absence d’effet significatif », conduisant à l’abandon de pistes de recherche pourtant novatrices. L’arbitrage de la valeur p est donc aveugle à la réalité physique du phénomène : il mesure conjointement et de manière indissociable la magnitude de l’effet et les ressources logistiques déployées pour recruter des participants.

2.2 Ce que la valeur p indique réellement versus ce qu’on lui prête

L’interprétation de la valeur p est parasitée par des contresens épistémologiques profondément enracinés, y compris parmi les enseignants-chercheurs et les praticiens chevronnés. Sur le plan de la théorie des probabilités, la valeur p se définit de façon très étroite : il s’agit de la probabilité conditionnelle d’observer des données au moins aussi divergentes du modèle nul que celles recueillies dans l’échantillon, sachant que l’hypothèse nulle est strictement vraie dans la population :

$$p = P(\text{Données extrêmes} mid H_0)$$

Pourtant, le raisonnement clinique et la communication scientifique glissent quasi systématiquement vers une inversion bayésienne illégitime, connue sous le nom d’erreur d’inversion conditionnelle ou sophisme du procureur. De nombreux auteurs affirment à tort que la valeur p représente la probabilité que l’hypothèse nulle soit vraie, ou réciproquement que $1 – p$ représente la probabilité que l’hypothèse de recherche soit vérifiée :

$$P(\text{Données} mid H_0) \neq P(H_0 mid \text{Données})$$

Passer de l’un à l’autre sans intégrer la probabilité a priori de l’hypothèse et la distribution des probabilités alternatives constitue une aberration mathématique formelle. La valeur p ne fournit aucune information sur la véracité d’une théorie scientifique, non plus qu’elle ne renseigne sur la probabilité qu’une réplication ultérieure confirme le résultat obtenu. De surcroît, le cadre du NHST est structurellement incapable de quantifier l’erreur d’estimation. Il délivre un verdict de rejet ou de non-rejet sans jamais localiser où se situe la véritable valeur du paramètre populationnel dans l’espace des possibles. Confier l’évaluation de la pertinence d’une théorie psychologique à ce seul indicateur revient à évaluer la qualité d’une œuvre architecturale en se bornant à vérifier si les fondations ne reposent pas sur du vide absolu.

2.3 Le p-hacking et la crise de la reproductibilité

La fixation institutionnelle sur le seuil binaire de p < 0,05 a directement façonné les incitations professionnelles dans le milieu académique, instaurant la règle délétère du « publier ou périr » (publish or perish). Puisqu’un manuscrit contenant des valeurs p non significatives avait historiquement d’infimes chances d’être accepté dans les revues d’impact, les chercheurs ont développé, consciemment ou non, un ensemble de pratiques de recherche contestables (QRP, pour Questionable Research Practices), regroupées sous le terme générique de p-hacking.

Ces dérives méthodologiques incluent l’arrêt opportuniste de la collecte de données dès que le seuil de significativité est franchi (peeking), l’exclusion post-hoc sélective de participants sous prétexte de valeurs aberrantes, la manipulation a posteriori des covariables dans les modèles de régression, ou la formulation d’hypothèses après que les résultats sont connus (HARKing, pour Hypothesizing After the Results are Known). Le simulateur de laboratoire ou l’analyse statistique deviennent alors un laminoir où les données sont torturées jusqu’à ce qu’elles confessent un résultat $p < 0,05$.

Parallèlement, le phénomène du tiroir de classement (file-drawer effect), formalisé par Robert Rosenthal, a conduit à l’ensevelissement sous silence de milliers de protocoles expérimentaux irréprochables n’ayant pas atteint la significativité statistique. La littérature scientifique publiée s’est ainsi retrouvée artificiellement saturée d’erreurs de type I et d’effets gonflés au-delà de toute vraisemblance. Lorsque le mouvement de science ouverte a initié de vastes campagnes de réplication indépendante à partir des années 2010 — comme le retentissant travail coordonné par Brian Nosek et le Center for Open Science —, l’édifice s’est fissuré : une proportion considérable de résultats emblématiques de la psychologie sociale et cognitive s’est révélée impossible à répliquer. La crise de la reproductibilité est pour une grande part l’héritière directe de ce culte aveugle de la significativité statistique.

3. Définition conceptuelle et théorique de la taille de l’effet

3.1 Nature quantitative de la magnitude d’un phénomène

Sur le plan conceptuel et formel, la taille de l’effet peut être définie comme la quantification numérique directe de la divergence systématique existant entre une observation empirique et un état de référence théorique — le plus souvent l’absence d’effet ou l’invariance postulée par le modèle nul. Contrairement aux statistiques de test qui mélangent inextricablement l’intensité du signal et l’effort d’échantillonnage, la taille de l’effet possède la vertu cardinale d’être asymptotiquement indépendante de la taille de l’échantillon $N$.

Il est fondamental de maintenir une séparation claire entre la magnitude sous-jacente du phénomène au sein de la population (le paramètre latent, noté par exemple $\delta$ ou $rho$) et la précision avec laquelle ce paramètre est estimé dans un échantillon fini (reflétée par l’intervalle de confiance ou l’erreur type de l’estimateur, qui eux dépendent de $N$). Une étude portant sur un échantillon modeste peut produire une estimation fidèle et non biaisée d’un effet massif, bien que son intervalle de confiance soit étendu. Inversement, une cohorte immense mesurera avec une précision chirurgicale un effet rigoureusement nul ou microscopique.

La taille de l’effet permet d’ancrer le raisonnement scientifique dans une logique d’estimation plutôt que dans une mécanique d’exclusion. Elle répond aux interrogations centrales de la démarche scientifique : Quel est le différentiel d’apprentissage induit par telle modalité pédagogique par rapport à une méthode témoin ? Quelle est la réduction quantifiable des symptômes d’anxiété mesurée sur une échelle clinique à l’issue de six mois de psychothérapie cognitivo-comportementale ? Quel pourcentage de la variabilité des performances mnésiques est tributaire des perturbations de la qualité du sommeil ? En quantifiant le « combien », elle confère aux théories scientifiques une assise métrique vérifiable et réfutable.

3.2 Tailles d’effet non standardisées versus standardisées

La littérature méthodologique scinde les tailles d’effet en deux grandes catégories épistémologiques : les métriques non standardisées (ou naturelles) et les métriques standardisées (ou sans dimension). Les tailles d’effet non standardisées s’expriment directement dans l’unité de mesure originale de la variable dépendante. Si l’on évalue l’impact d’un entraînement attentionnel sur le temps de réaction motrice, la taille d’effet non standardisée s’exprime en millisecondes : une différence de moyennes de 45 ms constitue en soi une quantification absolue, tangible et immédiatement compréhensible par la communauté des spécialistes du domaine.

Ces métriques brutes présentent une supériorité interprétative indéniable lorsque l’échelle sous-jacente possède une signification physique, biologique ou économique concrète : nombre d’heures de sommeil, taux de cortisol salivaire en nanomoles par litre, nombre de rechutes dépressives sur douze mois, ou encore points obtenus à un examen standardisé national dont la métrique est établie. Chaque fois qu’une variable dépendante repose sur une unité naturelle stable et universellement partagée, l’utilisation de la taille d’effet non standardisée doit être priorisée, car elle préserve la réalité empirique du phénomène sans introduire d’artifices de normalisation.

Toutefois, la psychologie et la psychiatrie contemporaines font un usage massif d’instruments psychométriques composés d’échelles ordinales, de scores composites à des questionnaires de personnalité ou de batteries d’évaluations cognitives spécifiques. Dans ce contexte, que signifie concrètement un gain de 4,3 points sur une échelle d’estime de soi auto-rapportée en dix items, comparativement à une progression de 7,1 points sur un questionnaire d’affirmation de soi en vingt items ? Les échelles étant arbitraires et dépendantes de la formulation des questions, la comparaison inter-études devient impossible. La standardisation statistique — qui consiste à diviser la différence brute par un indicateur de variabilité distributionnelle tel que l’écart-type — devient alors indispensable. Elle convertit des grandeurs disparates en une échelle sans unité, universellement compréhensible et agrégeable dans le cadre de synthèses quantitatives.

3.3 Propriétés distributionnelles et postulats sous-jacents

L’emploi d’indices standardisés de taille d’effet ne constitue pas une opération mathématiquement neutre ; il engage la validité des conclusions statistiques à l’égard de postulats distributionnels stricts. Les mesures standardisées classiques, au premier rang desquelles figurent les familles $d$ de Cohen et $\eta^2$, postulent explicitement la normalité des distributions sous-jacentes ainsi que l’homoscédasticité, c’est-à-dire l’homogénéité des variances entre les groupes comparés ($\sigma_1^2 = \sigma_2^2 = \sigma^2$).

Lorsque le postulat d’homogénéité des variances est violé — une situation extrêmement fréquente en psychopathologie où un groupe clinique présente couramment une dispersion des scores bien supérieure à celle observée chez des témoins sains —, la standardisation devient instable. Si l’on standardise par un écart-type combiné qui masque des variances hétérogènes, la taille de l’effet calculée peut être artificiellement compressée ou dilatée, induisant en erreur sur l’efficacité réelle de l’intervention. Des corrections spécifiques, telles que l’ajustement de Welch ou le recours au delta de Glass, doivent alors être impérativement mobilisées.

De même, la présence d’asymétries distributionnelles sévères (skewness) ou d’un aplatissement anormal (kurtosis), caractéristiques récurrentes des données comportementales comme les temps de latence ou les échelles de détresse psychologique, fragilise considérablement la robustesse des estimateurs gaussiens de taille d’effet. Dans ces configurations non paramétriques, l’écart-type cesse d’être une mesure d’échelle fiable de la dispersion des observations. L’analyste rigoureux doit alors se tourner vers des alternatives robustes, telles que le $d$ calculé à partir de moyennes tronquées et de variances de Winsor, le coefficient de dominance de Cliff, ou la statistique de probabilité de supériorité, qui garantissent l’invariance de l’estimation face aux déviations de la loi normale.

4. Les mesures standardisées de différence entre moyennes (Famille d)

4.1 Le d de Cohen : formulation et dérivation mathématique

La mesure standardisée la plus universellement répandue pour comparer deux moyennes indépendantes est le d proposé par le statisticien et psychologue Jacob Cohen. Son principe fondamental consiste à exprimer l’écart constaté entre deux moyennes d’échantillons en unités d’écart-type. Sur le plan populationnel, le paramètre théorique $\delta$ est défini par :

$$\delta = \frac{\mu_1 – \mu_2}{\sigma}$$

Dans un contexte d’échantillonnage où les paramètres $\mu$ et $\sigma$ sont inconnus, le $d$ de Cohen s’estime à partir des statistiques descriptives calculées sur les échantillons :

$$d = \frac{\bar{X}_1 – \bar{X}_2}{s_{\text{pooled}}}$$

L’élément clé de cette équation réside dans le dénominateur, à savoir l’écart-type combiné ou pondéré ($s_{\text{pooled}}$). Ce dernier ne correspond pas à la moyenne arithmétique simple des deux écarts-types, mais à la racine carrée de la moyenne de leurs variances respectives, pondérée par leurs degrés de liberté ($n_1 – 1$ et $n_2 – 1$) :

$$s_{\text{pooled}} = \sqrt{\frac{(n_1 – 1)s_1^2 + (n_2 – 1)s_2^2}{n_1 + n_2 – 2}}$$

Cette formulation suppose impérativement que les variances des deux populations parentes soient homogènes. Dans le cadre de devis expérimentaux intra-sujets (mesures répétées ou appariées), le calcul classique du $d$ de Cohen ne peut être appliqué sans ajustement. Deux approches s’opposent alors dans la pratique : diviser la différence moyenne par l’écart-type de la différence ($s_{\text{diff}}$), ce qui produit le $d_z$ couramment utilisé dans les logiciels de test $t$ apparié, ou standardiser par l’écart-type moyen des conditions pré et post-test tout en intégrant le coefficient de corrélation intra-sujet ($r$) pour préserver la métrique de comparaison inter-groupes ($d_{\text{rm}}$). Confondre ces métriques au sein d’un même rapport d’analyse constitue une source fréquente d’erreurs d’interprétation dans la littérature cognitive.

Sur le plan géométrique, le $d$ de Cohen traduit le degré de décalage spatial entre deux courbes de densité de probabilité gaussiennes. Un $d$ de 0 indique une superposition totale des distributions, tandis qu’une valeur croissante traduit une translation progressive de la distribution du groupe expérimental le long de l’axe des abscisses, réduisant l’aire d’intersection mutuelle entre les deux populations.

4.2 Le g de Hedges : correction systématique pour petits échantillons

Bien que le $d$ de Cohen soit largement plébiscité, Larry Hedges a mis en évidence au début des années 1980 une faille mathématique critique de cet indice : le $d$ de Cohen constitue un estimateur légèrement biaisé du paramètre populationnel $\delta$, en particulier lorsque les effectifs d’échantillons sont restreints ($N < 20$). En raison des propriétés mathématiques de l’espérance de la racine carrée de la variance combinée, le $d$ de Cohen a tendance à surestimer systématiquement la véritable magnitude de l’effet dans les petits échantillons.

Pour remédier à cette distorsion, Hedges a introduit une métrique corrigée, universellement désignée sous le nom de g de Hedges ($g$). Cette correction s’effectue en multipliant le $d$ de Cohen par un facteur de correction analytique dépendant des degrés de liberté globaux de l’analyse ($df = n_1 + n_2 – 2$) :

$$g = d \times J(df)$$

La formulation exacte de la fonction de correction $J(df)$ fait intervenir la fonction Gamma ($\Gamma$) d’Euler :

$$J(df) = \frac{\Gamma(df / 2)}{\sqrt{df / 2} \times \Gamma((df – 1) / 2)}$$

Dans la pratique courante, une approximation algébrique proposée par Hedges se révèle extraordinairement précise, même pour de très petits échantillons :

$$J(df) \approx 1 – \frac{3}{4df – 1}$$

Lorsque la taille globale de l’échantillon franchit la cinquantaine de participants, la valeur de $J(df)$ se rapproche de 0,99, rendant la divergence entre $d$ et $g$ négligeable. En revanche, dans une étude clinique pilote comportant dix sujets par groupe ($df = 18$), le facteur de correction atteint environ 0,958, ce qui signifie que le $d$ de Cohen surestime la taille de l’effet de plus de 4 %. Pour cette raison fondamentale, le g de Hedges s’est imposé comme le standard absolu et exclusif de rapportage au sein des méta-analyses quantitatives modernes, prévenant l’inflation artificielle des effets agrégés issue de micro-études sous-puissantes.

4.3 Le Delta de Glass : la référence au groupe contrôle

Le Delta de Glass ($\Delta$) a été conçu par Gene V. Glass pour répondre à un défi empirique spécifique récurrent dans l’évaluation des interventions psychologiques et médicales : l’hétéroscédasticité induite par le traitement lui-même. Dans de nombreux protocoles cliniques ou neuro-pharmacologiques, l’intervention thérapeutique n’a pas seulement pour effet de déplacer le score moyen des participants traités, mais elle peut également accroître ou resserrer de manière radicale l’hétérogénéité de leurs réponses.

Par exemple, une thérapie innovante peut induire une amélioration spectaculaire chez une sous-catégorie de patients tout en restant inopérante chez d’autres, multipliant ainsi par deux ou trois la variance du groupe expérimental par rapport à son niveau pré-thérapeutique. Dans une telle configuration, calculer un écart-type combiné ($s_{\text{pooled}}$) viole le postulat fondamental d’homoscédasticité et pollue l’indicateur de standardisation en y intégrant la variabilité propre aux effets secondaires ou différentiels du traitement.

Pour résoudre cette aporie, Glass a théorisé que seul le groupe contrôle — n’ayant subi aucune manipulation expérimentale — reflète la dispersion naturelle et pure du phénomène au sein de la population non traitée. Le Delta de Glass prend ainsi la forme suivante :

$$\Delta = \frac{\bar{X}_{\text{\exp}} – \bar{X}_{\text{ctrl}}}{s_{\text{ctrl}}}$$

Dans ce calcul, l’écart-type du groupe expérimental est rigoureusement ignoré au profit de l’écart-type exclusif du groupe témoin ($s_{\text{ctrl}}$). Cette approche assure une référence d’échelle stable et neutre. Néanmoins, elle présente une contrepartie mathématique : en renonçant à combiner les variances, elle se prive des degrés de liberté du groupe expérimental pour l’estimation de l’erreur, ce qui augmente la variance d’échantillonnage de $\Delta$. Le Delta de Glass exige par conséquent que le groupe contrôle dispose d’un effectif suffisant pour que son écart-type constitue une estimation robuste du paramètre de dispersion de référence.

5. Les mesures d’association et de corrélation (Famille r)

5.1 Le coefficient r de Pearson comme mesure directe d’effet

Le coefficient de corrélation linéaire produit-moment de Bravais-Pearson, universellement désigné par la lettre $r$, occupe une place singulière et remarquable dans l’histoire de la statistique inférentielle. Il possède en effet une double nature mathématique : il fonctionne à la fois comme une statistique de test d’hypothèse (associé à une distribution de Student pour tester l’écart à zéro) et comme une mesure d’ampleur d’effet pleinement standardisée, intrinsèque et autosuffisante.

Dérivé du rapport entre la covariance des variables $X$ et $Y$ et le produit de leurs écarts-types respectifs, le coefficient $r$ formalise l’intensité et la direction de la relation linéaire reliant deux grandeurs continues :

$$r = \frac{\sum_{i=1}^n (X_i – \bar{X})(Y_i – \bar{Y})}{\sqrt{\sum_{i=1}^n (X_i – \bar{X})^2 \sum_{i=1}^n (Y_i – \bar{Y})^2}}$$

Les propriétés métriques du coefficient $r$ sont optimales pour la modélisation en sciences humaines : il s’agit d’une quantité adimensionnelle bornée entre $-1$ (corrélation linéaire négative parfaite) et $+1$ (corrélation linéaire positive parfaite), le 0 signalant une absence totale d’association linéaire. De plus, il bénéficie d’une stricte invariance d’échelle : toute transformation affine positive appliquée à $X$ ou à $Y$ laisse la valeur de $r$ rigoureusement inchangée.

Cependant, l’estimation empirique de $r$ se heurte fréquemment au phénomène redoutable de la restriction de variance (restriction of range). Si une étude évalue la relation entre le quotient intellectuel et la réussite académique, mais ne sélectionne ses participants qu’au sein des promotions des grandes écoles les plus sélectives, la variance du quotient intellectuel se trouve artificiellement rabotée. Mathématiquement, cette troncature compresse mécaniquement la covariance et fait chuter drastiquement la valeur observée de $r$, masquant la puissance réelle du lien prédictif. L’application des formules de correction de sélection de Pearson ou de Thorndike s’avère alors obligatoire pour restaurer la taille de l’effet à son niveau réel dans la population générale.

5.2 Le coefficient de détermination (r²) et la proportion de variance

Dans la littérature psychologique, le passage du coefficient de corrélation $r$ au coefficient de détermination ($r^2$) s’accompagne régulièrement d’erreurs de jugement quant à l’importance réelle des phénomènes documentés. Sur le plan algébrique, $r^2$ représente la proportion de la variance totale de la variable dépendante qui peut être expliquée, prédite ou comptabilisée par la variation linéaire de la variable indépendante dans le cadre d’un modèle linéaire simple.

Cette métrique bénéficie d’une interprétation ensembliste intuitive : si deux variables corrèlent à $r = 0,30$, le coefficient de détermination s’établit à $r^2 = 0,09$, signifiant que 9 % de la dispersion des scores est partagée entre les deux construits, tandis que 91 % relève d’autres facteurs non mesurés ou de l’erreur de mesure aléatoire. C’est précisément cette élévation au carré qui induit fréquemment une sous-estimation subjective des tailles d’effet par les chercheurs. Face à un chiffre comme « 9 % de variance expliquée », le réflexe cognitif conduit souvent à disqualifier l’effet comme négligeable ou sans portée pragmatique.

Or, cette appréciation pèche par manque de perspective translationnelle. Comme l’ont démontré des méthodologistes éminents tels que Robert Rosenthal, des interventions médicales aux conséquences majeures reposent sur des coefficients de détermination apparemment minuscules. L’arrêt prématuré d’un essai clinique célèbre sur l’aspirine dans la prévention des infarctus du myocarde a été décidé pour des raisons éthiques face à l’ampleur des vies sauvées, alors même que le $r$ n’était que de 0,034, correspondant à un $r^2$ de 0,0011 (à peine un dixième de pour cent de variance expliquée). En sciences cognitives, rejeter une corrélation de $r = 0,20$ ($r^2 = 0,04$) sous prétexte que 96 % de la variance demeure inexpliquée méconnaît la nature profondément multifactorielle des conduites humaines, où chaque déterminant isolé ne peut prétendre expliquer qu’une modeste fraction de la complexité comportementale globale.

5.3 Corrélations spécifiques : bisériale de point, Spearman et Tau de Kendall

La polyvalence de la famille $r$ s’illustre dans son adaptabilité aux types de variables et aux formes distributionnelles rencontrées sur le terrain expérimental. Lorsque le chercheur souhaite relier une variable continue (comme le score d’anxiété) à une variable intrinsèquement dichotomique (comme le genre biologique ou l’appartenance à un groupe témoin versus un groupe ayant subi une lésion cérébrale), le calcul standard de Pearson se simplifie pour donner le coefficient de corrélation bisériale de point ($r_{\text{pb}}$) :

$$r_{\text{pb}} = \frac{\bar{X}_1 – \bar{X}_0}{s_Y} \sqrt{p(1 – p)}$$

Où $\bar{X}_1$ et $\bar{X}_0$ désignent les moyennes de la variable continue pour les deux catégories dichotomiques, $s_Y$ l’écart-type global de la variable continue, et $p$ la proportion de participants appartenant au groupe 1. Cette équation établit un pont mathématique direct entre la famille $d$ et la famille $r$, prouvant qu’une différence de moyennes n’est qu’une autre modalité d’expression d’une corrélation bivariée.

Face à des échelles de mesure purement ordinales (échelles de Likert à granularité grossière, classements hiérarchiques) ou lorsque la présence de valeurs aberrantes massives compromet la normalité bivariée, le recours aux coefficients non paramétriques s’impose. Le rho de Spearman ($r_s$ ou $rho$) applique le calcul de Pearson aux rangs des observations plutôt qu’à leurs valeurs brutes, offrant une estimation de la monotonicité de la relation plutôt que de sa stricte linéarité :

$$r_s = 1 – \frac{6 \sum d_i^2}{n(n^2 – 1)}$$

Alternativement, le Tau de Kendall ($tau$) repose sur l’analyse combinatoire des paires d’observations concordantes et discordantes. Si le rho de Spearman est le plus largement rapporté en psychologie, le Tau de Kendall présente des propriétés statistiques supérieures : sa distribution d’échantillonnage converge beaucoup plus rapidement vers la normalité dans les petits échantillons, et son interprétation probabiliste directe — la différence entre la probabilité que deux observations soient concordantes et la probabilité qu’elles soient discordantes — en fait une taille d’effet non paramétrique d’une clarté théorique remarquable.

6. Les mesures de variance expliquée en analyse multivariée (Famille éta² et oméga²)

6.1 L’Éta-carré (η²) et l’Éta-carré partiel (η²p) en ANOVA

Dans les dispositifs de recherche factoriels et multivariés impliquant l’analyse de variance (ANOVA), l’indice historique le plus intuitif de taille d’effet est l’Éta-carré ($\eta^2$). Algébriquement, il se définit comme le ratio de la somme des carrés associée à l’effet d’intérêt ($SS_{\text{effet}}$) sur la somme des carrés totale ($SS_{\text{total}}$) de l’expérience :

$$\eta^2 = \frac{SS_{\text{effet}}}{SS_{\text{total}}}$$

Bien que conceptuellement équivalent au coefficient de détermination $r^2$, l’$\eta^2$ classique présente une limitation de taille dans les devis factoriels à plusieurs variables indépendantes : la variance totale inclut systématiquement tous les autres facteurs expérimentaux ainsi que leurs interactions. Dès lors, la taille d’effet d’un facteur donné dépend mécaniquement du nombre d’autres variables incluses dans le modèle statistique, compromettant la comparaison des effets d’une étude à l’autre.

Pour s’affranchir de cette contrainte, les méthodologistes ont introduit l’Éta-carré partiel ($\eta_p^2$). Cet indice isole la variance attribuée au facteur étudié en excluant du dénominateur la variance générée par les autres facteurs expérimentaux, ne conservant que la somme des carrés de l’effet et la somme des carrés des résidus d’erreur ($SS_{\text{erreur}}$) :

$$\eta_p^2 = \frac{SS_{\text{effet}}}{SS_{\text{effet}} + SS_{\text{erreur}}}$$

Si l’Éta-carré partiel neutralise avec succès l’influence des autres prédicteurs fixes, il génère une distorsion conceptuelle majeure que de nombreux chercheurs ignorent : la somme des $\eta_p^2$ d’un modèle factoriel peut largement dépasser 1,00 (soit plus de 100 % de variance expliquée), ce qui contredit le principe même de décomposition canonique de la variance. En outre, à l’instar du $d$ de Cohen dans les petits échantillons, l’Éta-carré souffre d’un biais d’échantillonnage positif persistant : calculé à partir des données empiriques de l’échantillon, il tend systématiquement à surévaluer la véritable proportion de variance expliquée au sein de la population générale.

6.2 L’Oméga-carré (ω²) et l’Oméga-carré partiel (ω²p) : l’estimateur non biaisé

Pour éliminer le biais de surestimation inhérent à l’Éta-carré, William Hays a proposé l’Oméga-carré ($\omega^2$). Cet estimateur est à l’ANOVA ce que la variance corrigée par les degrés de liberté est à l’estimation de la variance d’échantillon : il ajuste les calculs en retranchant la variance résiduelle attendue sous l’hypothèse nulle afin d’obtenir un estimateur non biaisé du paramètre de population. Pour un modèle d’ANOVA à un facteur, l’Oméga-carré s’exprime par la formule suivante :

$$\omega^2 = \frac{SS_{\text{effet}} – (df_{\text{effet}} \times MS_{\text{erreur}})}{SS_{\text{total}} + MS_{\text{erreur}}}$$

Dans cette expression, $MS_{\text{erreur}}$ désigne le carré moyen de l’erreur (l’estimation de la variance intra-groupe non expliquée) et $df_{\text{effet}}$ représente les degrés de liberté du facteur analysé. Si la somme des carrés de l’effet est inférieure ou égale à ce que le modèle prédit sous l’effet du seul hasard d’échantillonnage ($df_{\text{effet}} \times MS_{\text{erreur}}$), le numérateur devient négatif. Par convention théorique, on fixe alors $\omega^2 = 0$.

Dans le contexte des plans factoriels complexes, l’Oméga-carré partiel ($\omega_p^2$) s’applique pour quantifier la part de variance unique attribuable à un facteur tout en intégrant la correction du biais d’erreur :

$$\omega_p^2 = \frac{df_{\text{effet}}(MS_{\text{effet}} – MS_{\text{erreur}})}{df_{\text{effet}}MS_{\text{effet}} + (N – df_{\text{effet}})MS_{\text{erreur}}}$$

La supériorité asymptotique de l’Oméga-carré sur l’Éta-carré est particulièrement manifeste lorsque les cohortes analysées comportent de petits effectifs, situation récurrente en neurosciences cognitives, en neuropsychologie ou en psychophysiologie animale. Tandis qu’un $\eta^2$ d’échantillon peut afficher un impressionnant 0,15 pour une série d’observations purement aléatoires collectées sur des groupes restreints, l’$\omega^2$ convergera de manière exemplaire vers 0,00, démasquant l’absence d’effet réel. Les comités éditoriaux les plus stricts imposent désormais la publication systématique de $\omega^2$ ou de $\omega_p^2$ en lieu et place des traditionnels $\eta^2$.

6.3 L’Epsilon-carré (ε²) et les extensions aux modèles linéaires mixtes

Aux côtés de l’Oméga-carré, l’histoire méthodologique a vu émerger l’Epsilon-carré ($\epsilon^2$), formulé à l’origine par Paul Kelley en 1935. Bien que mathématiquement très proche de l’$\omega^2$, l’Epsilon-carré s’avère légèrement moins conservateur, ne modifiant que le numérateur en lui soustrayant la variance d’erreur sans ajuster le dénominateur :

$$\epsilon^2 = \frac{SS_{\text{effet}} – (df_{\text{effet}} \times MS_{\text{erreur}})}{SS_{\text{total}}}$$

L’Epsilon-carré constitue un jalon théorique de transition vers des problématiques beaucoup plus complexes contemporaines : la quantification de la taille de l’effet au sein des modèles linéaires généralisés et des modèles linéaires mixtes hiérarchiques (HLM, pour Hierarchical Linear Models). Dans ces devis modernes, de plus en plus plébiscités en psychologie pour le traitement des données longitudinales, d’échantillonnage d’expériences (ESM) ou de mesures répétées nichées dans des structures sociales, l’architecture de la variance est éclatée sur plusieurs niveaux (variance inter-individuelle et variance intra-individuelle).

Dans ce cadre multi-niveaux, calculer un unique indicateur de variance expliquée relève de l’illusion mathématique. Les chercheurs ont développé des coefficients dits pseudo-$R^2$, notamment les formulations pionnières de Snijders et Bosker ou les métriques marginales et conditionnelles formalisées par Nakagawa et Schielzeth. Le $R^2$ marginal quantifie la proportion de variance globale expliquée uniquement par les effets fixes du modèle théorique, tandis que le $R^2$ conditionnel reflète la variance cumulée expliquée à la fois par les facteurs fixes et par la structure stochastique des effets aléatoires. Cette décomposition permet de cartographier la complexité des déterminants psychologiques avec une granularité inaccessible aux approches canoniques de l’ANOVA.

7. Les mesures d’effet pour données catégorielles et risques relatifs

7.1 Le V de Cramér et le coefficient Phi pour tableaux de contingence

Lorsque la recherche psychologique manipule des variables strictement catégorielles, qualitatives ou multinomiales (par exemple le rattachement à une catégorie nosographique, l’orientation diagnostique, le statut d’abandon thérapeutique), l’inférence repose classiquement sur le test d’indépendance du Chi-carré ($\chi^2$) de Karl Pearson. Cependant, la statistique $\chi^2$ présente le même écueil que la statistique $t$ : sa magnitude croît de manière proportionnelle à l’effectif global de l’échantillon $N$. Une simple dépendance catégorielle sans portée réelle atteint une significativité extrême si l’on examine plusieurs milliers de patients.

Pour mesurer la force de l’association au sein d’une table de contingence $2 \times 2$, on dérive directement la taille de l’effet sous la forme du coefficient Phi ($phi$) :

$$\phi = \sqrt{\frac{\chi^2}{N}}$$

Le coefficient Phi présente une équivalence mathématique exacte avec le coefficient de corrélation de Pearson calculé sur deux variables indicatrices codées 0 et 1. Sa valeur évolue entre 0 (indépendance absolue des catégories) et 1 (déterminisme catégoriel absolu), ou entre $-1$ et $+1$ si une orientation spécifique est assignée aux modalités binaires.

Cependant, dès lors que le tableau de contingence s’étend au-delà de la matrice $2 \times 2$ (soit une matrice $k \times m$ croisant par exemple trois protocoles de soins et quatre sous-types de troubles anxieux), la valeur de $phi$ peut dépasser 1,00, détruisant son calibrage métrique. Harald Cramér a résolu cette difficulté en introduisant le $V$ de Cramér, qui normalise la statistique du Chi-carré par les dimensions géométriques minimales du tableau :

$$V = \sqrt{\frac{\chi^2}{N \times \min(k – 1, m – 1)}}$$

En divisant par la plus petite valeur entre le nombre de lignes décrémenté d’une unité ($k – 1$) et le nombre de colonnes décrémenté d’une unité ($m – 1$), le $V$ de Cramér garantit un bornage rigoureux de l’indice dans l’intervalle $[0, 1]$, quelle que soit la complexité dimensionnelle du devis catégoriel. L’interprétation de sa magnitude doit toutefois impérativement prendre en compte les degrés de liberté effectifs du tableau, un $V$ de 0,20 représentant une force d’association modeste pour une table $2 \times 2$, mais substantielle pour une table $5 \times 5$.

7.2 Le Rapport de Cotes (Odds Ratio) et le Risque Relatif (RR)

Au croisement de la psychologie clinique, de la psychiatrie et de l’épidémiologie comportementale, la quantification des effets s’exprime très fréquemment à travers des mesures de probabilité comparative : le Risque Relatif ($RR$) et le Rapport de Cotes, universellement désigné par son vocable anglo-saxon d’Odds Ratio ($OR$). Ces indicateurs répondent à des questionnements pragmatiques : dans quelle proportion l’exposition à un traumatisme sévère dans l’enfance décuple-t-elle la probabilité de développer un épisode dépressif majeur à l’âge adulte ?

Le Risque Relatif compare directement deux probabilités absolues. Si $p_1$ représente la probabilité de développer une pathologie dans le groupe exposé et $p_0$ la même probabilité dans le groupe témoin, le Risque Relatif s’établit par le rapport :

$$RR = \frac{p_1}{p_0}$$

Bien que le $RR$ soit d’une limpidité conceptuelle totale, il ne peut être calculé de manière valide que dans le cadre de protocoles prospectifs de cohortes ou d’essais contrôlés randomisés. Dans les études cas-témoins rétrospectives, où le nombre de participants malades et sains est fixé a priori par l’expérimentateur, la prévalence réelle du trouble dans la population générale est inaccessible, rendant le calcul du $RR$ impossible. L’analyste recourt alors à l’Odds Ratio, qui rapporte la cote (odds) de l’événement dans un groupe à la cote du même événement dans le second :

$$OR = \frac{p_1 / (1 – p_1)}{p_0 / (1 – p_0)}$$

L’Odds Ratio est asymétrique : il évolue sur une échelle semi-infinie allant de 0 à $+\infty$, la valeur 1,00 constituant la valeur neutre sous l’hypothèse nulle. Cette asymétrie interdit son utilisation directe dans les modélisations inférentielles linéaires symétriques ; l’estimation statistique impose sa transformation préalable en logarithme népérien du rapport de cotes ($ln(OR)$ ou log-odds), dont la distribution d’échantillonnage approche la normalité.

Une dérive interprétative ubiquitaire consiste à confondre l’Odds Ratio avec le Risque Relatif. Dire qu’un patient bénéficiant d’une prise en charge a un $OR$ de rémission de 3 ne signifie absolument pas qu’il a trois fois plus de chances de guérir que le patient contrôle. Cette assimilation abusive n’est mathématiquement acceptable que dans le cas de pathologies extrêmement rares dont le taux de prévalence n’excède pas 5 %. Dès lors que l’événement d’intérêt devient fréquent, l’Odds Ratio s’éloigne drastiquement du Risque Relatif et gonfle de façon démesurée la perception subjective de la magnitude de l’effet.

7.3 Le Nombre de Sujets à Traiter (NNT) en psychologie clinique

Si les indices comme le d de Cohen ou le log-odds satisfont les exigences théoriques des statisticiens, ils manquent souvent d’ancrage opérationnel pour éclairer la décision médicale et la pratique psychothérapeutique quotidienne. Pour pallier cette abstraction, Laupacis, Sackett et Roberts ont développé en 1988 un indice de taille d’effet translationnel d’une grande valeur pragmatique : le Nombre de Sujets à Traiter (NNT, pour Number Needed to Treat).

Le NNT traduit les bénéfices cliniques d’une intervention thérapeutique en une métrique d’action concrète : il quantifie le nombre moyen de patients qu’un praticien doit traiter avec un protocole spécifique pour observer un événement thérapeutique favorable supplémentaire (ou prévenir une rechute indésirable) par rapport au traitement témoin ou au placebo. Le NNT s’obtient simplement par l’inverse de la Réduction Absolue du Risque (ARR, pour Absolute Risk Reduction) :

$$ARR = |p_{\text{\exp}} – p_{\text{ctrl}}|$$

$$NNT = \frac{1}{ARR} = \frac{1}{|p_{\text{\exp}} – p_{\text{ctrl}}|}$$

Supposons qu’un programme de prévention de l’épuisement professionnel (burnout) permette d’atteindre un taux de maintien dans l’emploi sans arrêt maladie de 80 % ($p_{\text{\exp}} = 0,80$), tandis que dans le groupe recevant le soutien standard habituel, ce taux est de 60 % ($p_{\text{ctrl}} = 0,60$). La réduction absolue du risque thérapeutique est de $0,80 – 0,60 = 0,20$. Le NNT s’élève donc à :

$$NNT = \frac{1}{0,20} = 5$$

Cette valeur signifie que le clinicien doit inclure cinq professionnels dans ce protocole novateur pour obtenir un succès thérapeutique supplémentaire qu’il n’aurait pas obtenu sous le régime standard. Un NNT idéal tend théoriquement vers 1 (chaque patient traité guérit tandis qu’aucun témoin ne guérit), tandis qu’un NNT infini reflète une inefficacité absolue de l’intervention ($ARR = 0$). Dans le champ de la santé mentale contemporaine, où les molécules pharmacologiques affichent souvent des NNT oscillant entre 6 et 15 pour le traitement des dépressions modérées, la métrique du NNT offre un étalon incontournable pour arbitrer les politiques de santé publique et éclairer le consentement du patient.

8. Les repères d’interprétation conventionnels selon Jacob Cohen et leurs écueils

8.1 Les seuils de Cohen : faible, moyen, grand (d = 0.2, 0.5, 0.8)

Dans son ouvrage classique de 1988, Statistical Power Analysis for the Behavioral Sciences, Jacob Cohen a tenté de doter les chercheurs en psychologie d’un cadre heuristique pour conceptualiser la magnitude de leurs observations. Il a alors proposé les repères conventionnels les plus célèbres de l’histoire de la psychométrie appliquée : qualifier un effet de faible ($d = 0,20$), de moyen ($d = 0,50$) ou de grand ($d = 0,80$). Cohen a parallèlement dressé les équivalences théoriques de ces seuils au sein de la famille des coefficients de corrélation et de détermination :

• Effet faible : $d = 0,20$ | $r = 0,10$ | $r^2 = 0,01$ ($\eta^2 \approx 0,01$)
• Effet moyen : $d = 0,50$ | $r = 0,30$ | $r^2 = 0,09$ ($\eta^2 \approx 0,06$)
• Effet grand : $d = 0,80$ | $r = 0,50$ | $r^2 = 0,25$ ($\eta^2 \approx 0,14$)

Pour ancrer intuitivement ces repères dans le monde réel, Cohen illustrait l’effet faible ($d = 0,20$) comme l’équivalent de la différence de taille mesurable entre des adolescentes de 15 et 16 ans au sein d’une même population — une nuance réelle, quantifiable, mais imperceptible au regard profane lors d’une interaction courante. L’effet moyen ($d = 0,50$) représentait selon lui un décalage suffisant pour être perceptible à l’œil nu par un observateur attentif, à l’image du différentiel de stature entre des femmes de 14 et 18 ans. Enfin, l’effet grand ($d = 0,80$) correspondait à une divergence flagrante, équivalente à l’écart séparant la taille moyenne d’individus de sexe féminin et masculin dans la population adulte.

Ce que l’histoire méthodologique a trop souvent occulté, c’est l’avertissement explicite et répété formulé par Jacob Cohen lui-même dans les premières pages de son traité. Cohen a souligné que ces seuils étaient arbitraires et n’avaient vocation à servir de guide temporaire que dans les situations désespérées où le chercheur se trouvait en terra incognita, dépourvu du moindre cadre théorique ou empirique préalable pour situer ses attentes. Il adjurait la communauté scientifique de ne pas transformer ces repères conventionnels en règles d’interprétation figées.

8.2 Les dangers du dogmatisme et de la décontextualisation

Malgré les mises en garde répétées de leur créateur, la littérature scientifique contemporaine a sombré dans un dogmatisme méthodologique rigide. Il est devenu routinier d’observer des articles académiques disqualifier sommairement des résultats expérimentaux présentant un $d = 0,18$ sous prétexte qu’il s’agirait d’un effet « négligeable », tout en s’enthousiasmant sans discernement pour un $d = 0,85$ obtenu au moyen de protocoles artificiels déconnectés de toute validité écologique.

Cette application aveugle des seuils de Cohen ignore une vérité épistémologique fondamentale : la valeur substantielle d’une taille d’effet est intégralement tributaire de son contexte d’application. En santé publique et en psychologie préventive, un effet qui semble minime à l’échelle de l’individu ($d = 0,10$ ou $r = 0,05$) peut représenter une avancée épidémiologique majeure s’il s’applique de manière universelle à une population de plusieurs dizaines de millions de citoyens. Une campagne incitative réduisant de seulement 2 % l’incidence des comportements à risque d’addiction préserve des dizaines de milliers de trajectoires de vie, justifiant largement des investissements publics massifs.

De surcroît, les ordres de grandeur typiques varient drastiquement selon les sous-disciplines comportementales. En psychologie cognitive expérimentale, où le contrôle en laboratoire est maximal et le bruit de mesure réduit, des manipulations fondamentales de perception ou d’amorçage sémantique peuvent générer des tailles d’effet atteignant facilement $d = 1,00$. En revanche, en psychologie sociale ou en psychologie différentielle, où l’on cherche à prédire des conduites complexes déterminées par des centaines d’influences environnementales et génétiques croisées, observer un $r$ excédant 0,30 constitue une rareté empirique. Comme l’ont démontré Funder et Ozer en 2019, la distribution réelle des effets dans la littérature psychologique contemporaine montre qu’un $r = 0,10$ est la norme, un $r = 0,20$ reflète un effet typique substantiel, et un $r = 0,30$ signale une découverte aux conséquences individuelles et sociétales majeures. L’interprétation scientifique doit impérativement troquer les conventions décontextualisées pour une comparaison rigoureuse avec les effets documentés dans le domaine de recherche précis.

8.3 Traductions probabilistes et intuitives : le CLES et le chevauchement

Pour échapper à l’abstraction aride des métriques standardisées et faciliter la communication scientifique auprès des cliniciens et du grand public, des statisticiens ont développé des traductions probabilistes intuitives du différentiel entre groupes. La plus élégante est sans conteste la Statistique de Taille d’Effet en Langage Commun (CLES, pour Common Language Effect Size), introduite par McGraw et Wong en 1992, également conceptualisée sous le vocable de Probabilité de Supériorité ($PS$).

Le CLES traduit directement le $d$ de Cohen en un énoncé probabiliste : il s’agit de la probabilité qu’un individu extrait au hasard du groupe expérimental obtienne un score supérieur à celui d’un individu extrait au hasard du groupe contrôle. Sous l’hypothèse de normalité et d’homoscédasticité, cette probabilité se dérive à l’aide de la fonction de répartition de la loi normale centrée réduite ($Phi$) :

$$CLES = \Phi\left(\frac{d}{\sqrt{2}}\right)$$

Cette métrique transforme radicalement l’appréhension des résultats expérimentaux :

• Pour $d = 0,00$ : $CLES = 0,50$ (soit une chance sur deux, l’équivalent d’un tirage à pile ou face).
• Pour $d = 0,20$ : $CLES \approx 0,56$ (un individu traité a 56 % de chances d’avoir une évolution plus favorable qu’un individu témoin).
• Pour $d = 0,50$ : $CLES \approx 0,64$ (la probabilité de supériorité s’établit à 64 %).
• Pour $d = 0,80$ : $CLES \approx 0,71$ (dans 71 % des paires comparées, le participant traité aura un score plus avantageux).

Parallèlement, Jacob Cohen avait formulé des coefficients géométriques de non-recouvrement des distributions pour visualiser concrètement l’écart induit par un traitement. L’indice $U_1$ documente le pourcentage de la surface totale couverte par les deux distributions qui ne se chevauche pas ($U_1 = 33,%$ pour $d = 0,50$, grimpant à $47,4,%$ pour $d = 0,80$). L’indice $U_3$, quant à lui, quantifie le pourcentage d’individus du groupe expérimental dont le score dépasse la médiane stricte du groupe contrôle : pour un $d = 0,80$, l’indice $U_3$ atteint $79,%$, signifiant que près de quatre cinquièmes des patients traités surpassent le patient médian du groupe témoin. Ces traductions visuelles et probabilistes évitent l’appauvrissement conceptuel induit par la simple mention d’une valeur numérique abstraite.

9. Analyse de puissance statistique et détermination de la taille d’échantillon

9.1 L’interconnexion tétragonale : alpha, beta, taille d’effet et effectif N

La planification méthodologique rigoureuse d’un protocole empirique repose sur la maîtrise d’un système mathématique d’interdépendance impliquant quatre grandeurs inférentielles fondamentales. Ce formalisme, érigé par Jacob Cohen et ancré dans le paradigme décisionnel de Neyman-Pearson, lie de façon indissociable :

• Le seuil de signification alpha ($\alpha$) : le risque consenti de commettre une erreur de type I, c’est-à-dire de rejeter à tort l’hypothèse nulle alors qu’elle est vérifiée dans la population.
• La puissance statistique ($1 – \beta$) : la probabilité d’identifier et de rejeter avec succès l’hypothèse nulle si un effet d’une amplitude donnée existe réellement dans la population, où $\beta$ matérialise le risque d’erreur de type II (faux négatif).
• La taille de l’effet ($\delta$, $rho$, ou $f$) : l’ampleur postulée ou ciblée du phénomène psychologique au sein de la population parente.
• La taille de l’échantillon ($N$) : le volume global des observations collectées.

Ce tétragone mathématique fonctionne selon une règle déterministe absolue : la fixation de trois de ces paramètres détermine automatiquement la valeur exacte du quatrième. Il est rigoureusement impossible d’accroître la puissance statistique d’une expérience sans augmenter la taille de l’échantillon, sans élever le risque d’erreur alpha ou sans cibler une taille de l’effet plus importante.

Pendant des décennies, la littérature comportementale a ignoré ce quadrilatère, maintenant arbitrairement $\alpha$ à 0,05 tout en recrutant des échantillons de convenance trop réduits ($N \approx 20$ à 30). Ce déficit systématique a fait chuter la puissance médiane historique de la recherche psychologique autour de $1 – \beta = 0,50$. Une telle sous-puissance chronique engendre une conséquence funeste : en dehors du fait de manquer la moitié des effets réels, les seules études qui réussissent à franchir le seuil de $p < 0,05$ dans ces conditions sont celles qui, par simple fluctuation aléatoire d’échantillonnage, surestiment massivement la taille de l’effet sous-jacent. C’est l’un des mécanismes mathématiques clés à l’origine des incohérences de la littérature empirique.

9.2 Analyse de puissance a priori : planifier la rigueur de l’étude

L’analyse de puissance a priori constitue l’acte fondateur incontournable de tout devis expérimental éthique et rigoureux. Menée en amont de toute collecte de données, elle consiste à calculer l’effectif d’échantillon minimal requis pour détecter, avec un niveau de puissance statistique conventionnel élevé (idéalement $1 – \beta ge 0,80$, voire 0,90), une taille d’effet scientifiquement pertinente au seuil d’erreur alpha fixé (généralement $\alpha = 0,05$).

Cependant, l’analyse a priori trébuche souvent sur la spécification de la taille d’effet à injecter dans le modèle prédictif. Une erreur récurrente consiste à baser cette valeur sur les tailles d’effet rapportées dans les études pilotes ou dans la littérature existante. En raison des biais de publication et de la surestimation propre aux petits échantillons, ces grandeurs publiées sont fréquemment gonflées du double ou du triple de leur réalité. Planifier une recherche sur la base d’un $d = 0,70$ tiré d’une étude pilote de 15 sujets expose presque inévitablement l’expérimentateur à un échec d’échantillonnage.

La méthodologie contemporaine, portée par des auteurs tels que Daniël Lakens, préconise plutôt d’ancrer l’analyse de puissance a priori sur la Plus Petite Taille d’Effet d’Intérêt (SESOI, pour Smallest Effect Size of Interest). Le chercheur ne se demande plus « quel est l’effet espéré d’après trois articles ? », mais « quelle est l’ampleur minimale en dessous de laquelle cet effet n’aurait plus de portée théorique ou d’utilité pratique ? ». Si un chercheur juge qu’un gain thérapeutique inférieur à $d = 0,30$ ne justifie pas le coût d’une nouvelle prise en charge, c’est ce seuil de 0,30 qui doit servir au calcul de $N$. Dans les plans factoriels hautement complexes, les mesures répétées longitudinales ou les modèles mixtes où les formules analytiques directes font défaut, la détermination de l’effectif repose sur des protocoles avancés de simulation de données monté-carlo, simulant des milliers de distributions empiriques potentielles pour fixer avec rigueur les besoins d’échantillonnage.

9.3 La futilité absolue de l’analyse de puissance post-hoc

À l’inverse exact de l’analyse a priori, l’analyse de puissance a posteriori — dite puissance post-hoc ou rétrospective — représente une dérive méthodologique dénoncée de longue date par les statisticiens, mais qui subsiste pourtant dans de nombreux rapports de recherche clinique. Confronté à un résultat non significatif ($p > 0,05$), le chercheur s’avise d’injecter dans son logiciel d’analyse la taille de l’effet observée dans son propre échantillon ainsi que son effectif $N$, pour calculer la prétendue « puissance rétrospective » de son étude et conclure : « notre test n’a pas atteint la significativité car notre puissance a posteriori n’était que de 22 % ».

Cette manœuvre intellectuelle et mathématique relève d’une tautologie circulaire complète. Comme l’ont démontré formellement Hoenig et Heisey en 2001 dans leur publication de référence, la puissance post-hoc calculée à partir de la taille de l’effet d’échantillon est une fonction strictement décroissante et redondante de la valeur p observée. Dès lors qu’un test classique échoue à atteindre la significativité à $\alpha = 0,05$, la puissance post-hoc calculée est mathématiquement garantie d’être inférieure à 50 % ! Elle ne délivre aucune information indépendante supplémentaire sur la réalité de l’hypothèse nulle ou sur la sensibilité physique du devis.

Présenter la puissance post-hoc comme une explication causale d’un échec expérimental revient simplement à reformuler la valeur p sous un autre costume mathématique. Si l’on souhaite analyser avec rigueur un résultat non significatif, la démarche épistémologique correcte ne consiste jamais à calculer une puissance rétrospective stérile, mais à examiner l’intervalle de confiance de la taille de l’effet ou à recourir à des procédures formelles de test d’équivalence (comme les procédures TOST, pour Two One-Sided Tests). Ces dernières permettent de déterminer formellement si les données sont statistiquement équivalentes à zéro au regard de la SESOI définie en amont.

10. Le rôle central de la taille de l’effet dans la méta-analyse et la crise de réplication

10.1 La standardisation des résultats comme monnaie d’échange méta-analytique

La synthèse cumulative des savoirs scientifiques à travers les méta-analyses quantitatives repose intégralement sur l’usage des tailles d’effet standardisées. Dans une discipline comme la psychologie, où des dizaines de laboratoires explorent des paradigmes théoriques similaires au moyen d’indicateurs métriques hétérogènes, agréger des valeurs p n’a aucun sens scientifique. La taille de l’effet constitue la véritable « monnaie d’échange » méthodologique permettant de projeter sur un étalon universel commun des données issues de protocoles disparates.

Le processus méta-analytique ne se borne pas à établir la moyenne arithmétique simple des tailles d’effet isolées recueillies dans la littérature. Une telle démarche accorderait le même poids à une étude fragile menée sur douze participants qu’à un essai clinique multicentrique international contrôlé portant sur trois mille individus. L’agrégation rigoureuse repose sur la méthode de pondération par l’inverse de la variance d’échantillonnage ($w_i = 1 / v_i$). L’erreur type d’une taille d’effet étant inversement liée à l’effectif de l’échantillon, cette formule mathématique attribue automatiquement un poids prépondérant aux études les plus précises, réduisant l’influence des estimations bruitées.

De plus, la théorie méta-analytique contemporaine impose un arbitrage entre modèles à effets fixes et modèles à effets aléatoires. Le modèle à effets fixes postule l’existence d’une seule et unique taille d’effet réelle ($\theta$) commune à l’ensemble des études, les fluctuations n’étant attribuables qu’à l’erreur d’échantillonnage intra-étude. En sciences humaines, ce postulat est presque constamment battu en brèche : les populations étudiées, les dosages thérapeutiques, les contextes institutionnels et la formulation des épreuves varient inévitablement. Les méthodologistes préconisent donc l’utilisation du modèle à effets aléatoires de DerSimonian et Laird, qui modélise explicitement la variance inter-études ($\tau^2$). L’objectif n’est plus d’estimer un hypothétique point fixe universel, mais d’estimer la moyenne et la dispersion d’une distribution normale de tailles d’effet réelles au sein de la population d’investigations possibles.

10.2 La crise de la reproductibilité sous l’angle de la taille de l’effet

L’avènement de la crise de la reproductibilité au début de la décennie 2010 a révélé l’ampleur des distorsions métriques présentes dans les revues académiques de premier plan. L’initiative collaborative pionnière Reproducibility Project: Psychology, menée par plus de 270 chercheurs sous la direction de Brian Nosek en 2015, a répliqué avec une puissance statistique élevée cent articles expérimentaux issus de revues prestigieuses en psychologie sociale et cognitive. Les enseignements issus de ce projet ne se résument pas au simple taux de « réplication binaire » (seules 36 % des études ont reproduit un $p < 0,05$), mais s’observent surtout au niveau de l’effondrement des grandeurs d’effet.

Alors que la taille de l’effet moyenne rapportée dans les études princeps initiales s’élevait à un confortable $r = 0,403$, l’amplitude moyenne observée dans les réplications directes a chuté vertigineusement à $r = 0,197$ — soit une division par plus de deux de la magnitude réelle des phénomènes psychologiques rapportés. Cet écart massif documente empiriquement l’impact cumulé du p-hacking, des biais d’échantillonnage et de la sélection éditoriale des résultats les plus spectaculaires.

Ce phénomène d’évaporation de la magnitude expérimentale correspond précisément à ce que les économistes et statisticiens qualifient de malédiction du vainqueur (Winner’s Curse). Dans un environnement académique où seules les études atteignant la significativité statistique sont sélectionnées pour publication à partir de petits échantillons sous-puissants, les estimations publiées ne représentent pas la moyenne du phénomène, mais sa queue de distribution supérieure la plus extrême induite par le bruit aléatoire. Lorsque des consortiums internationaux réalisent des réplications directes hautement puissées (comme les projets Many Labs), les tailles d’effet se réalignent impitoyablement sur la réalité empirique, révélant la véritable modestie métrique de mécanismes comportementaux que l’on croyait autrefois monumentaux.

10.3 Détection et correction du biais de publication

L’un des apports majeurs de la modélisation des tailles d’effet réside dans la capacité à diagnostiquer et à corriger quantitativement les biais de publication au sein d’un corpus de recherche. La technique visuelle et diagnostique princeps repose sur le graphique en entonnoir (funnel plot). Ce graphique projette la taille de l’effet estimée par chaque étude sur l’axe des abscisses face à un indicateur de sa précision statistique sur l’axe des ordonnées (généralement l’erreur type ou l’inverse de la taille d’échantillon).

En l’absence totale de biais de publication, la distribution spatiale des études doit former un entonnoir symétrique inversé : les cohortes massives très précises se concentrent de manière resserrée autour de la véritable valeur moyenne au sommet du graphique, tandis que les petites études s’éparpillent largement et équitablement à la base, de part et d’autre de l’effet moyen, sous l’action exclusive de l’erreur d’échantillonnage stochastique. En revanche, si la littérature est corrompue par l’enterrement d’études non significatives, le graphique affiche une asymétrie flagrante : la base de l’entonnoir est amputée dans la zone regroupant les effets nuls ou négatifs de faible puissance, dessinant un vide révélateur.

Des techniques algorithmiques ont été développées pour remédier à cette troncature. La méthode du trim-and-fill (rogner et remplir) développée par Duval et Tweedie impute mathématiquement des études virtuelles manquantes pour rééquilibrer la symétrie du funnel plot, recalculant ensuite une taille d’effet globale dégonflée de son biais de sélection. Plus récemment, Simonsohn, Nelson et Simmons ont conçu l’analyse de courbe de p (p-curve analysis). Cette approche étudie la distribution statistique des seules valeurs p significatives ($p < 0,05$) d’un domaine : si un effet possède une teneur en vérité empirique, la distribution des valeurs p présente une asymétrie droite marquée (davantage de valeurs à 0,01 qu’à 0,04). Si la distribution s’avère plate ou inclinée à gauche vers 0,05, la p-curve démontre mathématiquement que la taille d’effet apparente du domaine ne reflète que des artefacts de p-hacking, dénués de toute réalité sous-jacente.

11. Signification statistique versus pertinence clinique : implications pratiques

11.1 La différence minimale cliniquement importante (MCID)

L’une des dérives les plus préoccupantes de la psychiatrie et de la psychologie médicale a longtemps été d’assimiler sans nuance l’obtention d’une différence statistiquement significative ($p < 0,05$) à un succès thérapeutique chez l’être humain. Face à ce réductionnisme, la recherche clinique translationnelle a formalisé le concept de Différence Minimale Cliniquement Importante (MCID, pour Minimal Clinically Important Difference). La MCID représente le changement numérique minimal sur une échelle d’évaluation clinique que le patient perçoit comme un bénéfice tangible dans son fonctionnement quotidien, et qui justifierait une modification de sa prise en charge médicale, compte tenu des effets indésirables et des contraintes du traitement.

L’estimation de la MCID fait appel à deux méthodologies complémentaires : les approches basées sur l’ancrage et les approches basées sur la distribution :

• Les méthodes d’ancrage : elles relient la variation quantitative du score psychométrique (par exemple l’échelle de dépression de Hamilton) à un critère externe subjectif d’évaluation globale rempli par le patient ou son entourage (l’échelle d’impression clinique globale, notant si le patient se sent « inchangé », « un tout petit peu mieux », ou « nettement mieux »). Le différentiel moyen de score mesuré chez les patients signalant une amélioration marginale définit le seuil absolu de la MCID.
• Les méthodes distributionnelles : elles se réfèrent aux propriétés statistiques intrinsèques de l’outil psychométrique, établissant souvent le seuil de significativité clinique à un demi-écart-type ($0,5,s$) ou à une unité d’erreur type de mesure ($SEM$).

L’application rigoureuse de la MCID éclaire des décalages cruciaux. Un essai clinique évaluant un nouvel antidépresseur peut démontrer, sur une cohorte de cinq mille participants, une supériorité statistique éclatante ($p < 0,0001$) sur le placebo. Toutefois, si l’écart moyen entre les deux groupes ne s’élève qu’à 1,5 point sur l’échelle de Hamilton alors que la MCID consensuelle pour cette pathologie est de 3 ou 4 points, cette molécule s’avère dans les faits cliniquement inopérante. Déclarer une intervention efficace sur la seule base de sa p-value relève d’une négligence translationnelle aux conséquences éthiques lourdes.

11.2 L’indice de changement fiable (Reliable Change Index – RCI) de Jacobson et Truax

Même lorsqu’une étude documente une taille d’effet moyenne substantielle ($d = 0,70$) et franchit la MCID au niveau groupal, cette information agrégée masque l’hétérogénéité des trajectoires individuelles au sein de la cohorte expérimentale. Une thérapie peut afficher une progression moyenne globale remarquable, tirée par un quart de répondeurs spectaculaires, tout en laissant la majorité des patients dans la stagnation psychologique ou en détériorant l’état d’un sous-groupe vulnérable.

Pour résoudre cette limite inhérente aux modèles d’évaluation de groupe, Neil Jacobson et Paula Truax ont formulé en 1991 un modèle méthodologique en deux étapes qui demeure la référence incontournable de l’évaluation psychothérapeutique : l’Indice de Changement Fiable (RCI, pour Reliable Change Index) combiné aux critères de récupération clinique. Le RCI permet de déterminer si l’évolution numérique constatée chez un patient spécifique entre son pré-test ($X_1$) et son post-test ($X_2$) dépasse la marge d’erreur aléatoire attribuable à l’imprécision psychométrique de l’instrument de mesure :

$$RCI = \frac{X_2 – X_1}{S_{\text{diff}}}$$

L’élément clé réside dans l’erreur type de la différence ($S_{\text{diff}}$), calculée à partir de l’erreur type de mesure standard de l’outil ($S_E = s_1 \sqrt{1 – r_{xx}}$), où $r_{xx}$ est le coefficient de fidélité test-retest de l’instrument :

$$S_{\text{diff}} = \sqrt{2(S_E)^2}$$

Si la valeur absolue du RCI individuel excède 1,96, le clinicien a la garantie mathématique ($p < 0,05$) que le changement observé ne provient pas d’un bruit de mesure aléatoire, mais d’une transformation clinique réelle. En croisant ce score avec le franchissement d’un seuil de césure nosologique normatif (le passage de la distribution d’une population dysfonctionnelle à celle d’une population saine), Jacobson et Truax établissent une classification rigoureuse en quatre profils cliniques :

• Détérioration : régression statistiquement fiable ($RCI < -1,96$).
• Absence de changement : variation non distinguable de l’erreur de mesure ($-1,96 le RCI le 1,96$).
• Amélioration fiable : progrès thérapeutique statistiquement avéré sans franchissement de la zone saine.
• Récupération clinique complète : amélioration fiable combinée au retour du score psychologique au sein des normes de la population non clinique.

Cette granularité individuelle complète indispensablement les calculs de taille d’effet de groupe en apportant une réponse concrète aux réalités du cabinet thérapeutique.

11.3 L’analyse coût-bénéfice des interventions comportementales

L’évaluation translationnelle des tailles d’effet doit obligatoirement s’inscrire dans un cadre décisionnel multidimensionnel intégrant les impératifs de santé publique, d’allocation de ressources limitées et d’analyse coût-bénéfice. Isoler la valeur mathématique d’une magnitude d’effet sans la mettre en perspective avec les coûts financiers, temporels, logistiques et psychologiques induits par son obtention conduit à des aberrations de gestion politique.

Une intervention psychologique intensive en milieu scolaire requérant une prise en charge individuelle quotidienne par un pédopsychiatre pendant un an peut afficher une formidable taille d’effet de $d = 0,90$ sur la régulation émotionnelle des élèves. Néanmoins, son coût astronomique et la pénurie structurelle de praticiens qualifiés rendent son déploiement à grande échelle irréalisable. À l’inverse, un programme digital automatisé de psycho-éducation, dispensé via une application pour smartphone, peut n’afficher qu’un modeste $d = 0,15$. Pourtant, ce micro-effet, déployable instantanément auprès d’un million d’adolescents pour un coût marginal dérisoire et sans effet secondaire délétère, engendre un impact sanitaire global immensément supérieur à l’intervention lourde.

Cette dynamique sociétale illustre le théorème de Rosenthal sur les petits effets cumulatifs : au sein de systèmes dynamiques complexes à grande échelle, des décalages statistiques apparemment mineurs se sédimentent au fil des itérations pour générer des bifurcations sociétales massives. La prise de décision médicale et politique ne doit donc jamais se focaliser de façon myope sur le seul chiffre de l’effet standardisé, mais doit l’intégrer dans une équation globale articulant efficacité clinique, innocuité, acceptabilité écologique, équité d’accès et soutenabilité macroéconomique.

12. Bonnes pratiques de calcul, de rapportage (normes APA) et d’interprétation

12.1 Les intervalles de confiance associés aux tailles d’effet

La pratique méthodologique moderne considère l’estimation ponctuelle isolée d’une taille d’effet comme une information insuffisante et potentiellement trompeuse. Tout comme une moyenne d’échantillon fluctue autour de son espérance théorique, la taille d’effet observée dans une étude n’est qu’une approximation incertaine soumise aux aléas de l’échantillonnage. En conséquence, les standards de la science ouverte imposent l’adjonction systématique d’intervalles de confiance (généralement fixés à 95 %) encadrant chaque indicateur de magnitude ($d$, $r$, $\eta_p^2$, $\omega^2$, $OR$).

Toutefois, le calcul des bornes de ces intervalles ne relève pas d’une mécanique symétrique simple basée sur la loi normale, comme c’est le cas pour les moyennes. Puisque la taille de l’effet standardisée dépend conjointement d’une différence et d’une variance d’échantillon, sa distribution d’échantillonnage exacte ne suit pas une loi de Student classique, mais une loi de probabilité spécifique : la distribution t non centrale (caractérisée par son paramètre de non-centralité, noté $lambda$ ou $\delta_{\text{nc}}$) :

$$\lambda = \delta \sqrt{\frac{n_1 n_2}{n_1 + n_2}}$$

De même, les intervalles de confiance encadrant les proportions de variance expliquée en ANOVA ($\eta_p^2$, $\omega_p^2$) exigent le recours aux distributions F non centrales, tandis que les indices d’association catégoriels s’appuient sur les distributions $\chi^2$ non centrales. En raison de l’asymétrie marquée de ces distributions de probabilités, les intervalles de confiance qui en résultent sont eux-mêmes structurellement asymétriques autour de la valeur ponctuelle observée.

L’évaluation visuelle de la largeur de l’intervalle de confiance constitue un indicateur immédiat de la précision empirique. Déclarer une taille d’effet de $d = 0,75$ assortie d’un intervalle de confiance à 95 % compris entre $[0,05 ; 1,45]$ renseigne le lecteur sur l’immense incertitude qui entoure l’observation : le phénomène sous-jacent pourrait tout aussi bien être microscopique qu’extraordinairement titanesque. À l’inverse, observer un $d = 0,35$ cerné par un intervalle étroit $[0,28 ; 0,42]$ fournit une confirmation empirique robuste et circonscrite, conférant à la théorie sous-jacente un degré élevé de crédibilité scientifique.

12.2 Conformité aux recommandations éditoriales de l’APA (7e édition)

Depuis la parution de sa sixième édition, accentuée de manière encore plus catégorique dans les lignes directrices de la 7^e édition du manuel de style de l’American Psychological Association (APA 7th, 2020), la politique de publication scientifique a acté l’obligation formelle de renseigner la taille de l’effet pour chaque test d’inférence statistique principal rapporté dans les sections « Résultats » des manuscrits scientifiques. L’omission de cet indicateur expose le manuscrit à un rejet direct lors du processus d’évaluation par les pairs.

Les normes éditoriales prescrivent des règles typographiques strictes : les symboles mathématiques et statistiques latins ou grecs représentant des estimations d’échantillons ou des paramètres populationnels doivent être scrupuleusement mis en italique ($d$, $g$, $r$, $\eta_p^2$, $\omega^2$, $p$, $t$, $F$). En revanche, les abréviations textuelles d’indices composées de plusieurs lettres s’écrivent en caractères romains normaux (par exemple, OR pour l’Odds Ratio, RR pour le Risque Relatif, NNT pour le Nombre de Sujets à Traiter, ou CI pour l’intervalle de confiance).

Pour illustrer la transition requise entre des pratiques vétustes et le standard méthodologique contemporain, considérons ces deux exemples comparatifs :

• Formulation textuelle inadéquate et obsolète : « L’analyse montre que le groupe traité a obtenu des scores d’anxiété significativement inférieurs au groupe contrôle ($t(58) = 2,41 ; p < 0,05$). »
• Formulation optimale et conforme aux normes APA (7e édition) : « Les participants ayant bénéficié du protocole d’intervention affichent des scores d’anxiété significativement inférieurs ($M = 34,12 ; SD = 6,45$) comparativement aux participants du groupe témoin ($M = 38,25 ; SD = 6,80$), $t(58) = 2,41, p = 0,019, d = 0,62, 95,% \text{ CI } [0,10, 1,14]$. »

Cette description rigoureuse fournit au lecteur l’intégralité des données nécessaires au jugement scientifique : les statistiques descriptives complètes, la statistique exacte de test avec ses degrés de liberté, la valeur p précise non tronquée (le recours au paresseux « $p < 0,05$ » est proscrit par l’APA sauf si $p < 0,001$), l’indice d’ampleur adéquat, et la borne d’incertitude via l’intervalle de confiance non central à 95 %.

12.3 Outils logiciels et scripts de calcul automatisés

L’intégration de la taille de l’effet et de ses intervalles de confiance dans la pratique scientifique quotidienne a été considérablement démocratisée par l’émergence d’écosystèmes logiciels modernes. Dans l’environnement de programmation statistique open-source R, le paquet spécialisé effectsize (développé au sein du collectif easystats) est devenu la boîte à outils de référence. Il permet, à travers une syntaxe harmonisée, d’extraire et de convertir instantanément les tailles d’effet appropriées ($d$, $g$, $\eta_p^2$, $\omega_p^2$, $V$, $r$) directement à partir d’objets de modèles statistiques préexistants, tout en calculant automatiquement les intervalles de confiance non centraux associés.

Parallèlement, le paquet metafor développé par Wolfgang Viechtbauer offre un environnement mathématique complet pour le calcul, la conversion et la méta-régression des tailles d’effet agrégées, tandis que le paquet pwr simplifie la conduite d’analyses de puissance a priori selon les règles formelles de Cohen. Les chercheurs peuvent automatiser l’intégralité de leurs calculs statistiques au sein de documents reproductibles (via RMarkdown ou Quarto), garantissant une transparence analytique totale conforme aux principes de la science ouverte.

Pour les chercheurs, étudiants et cliniciens qui préfèrent une interface graphique sans programmation en ligne de commande, des alternatives remarquables, gratuites et ergonomiques ont vu le jour. Les logiciels libres open-source tels que JASP (développé sous l’impulsion de l’Université d’Amsterdam) et Jamovi ont révolutionné l’accès aux méthodologies rigoureuses. Dans ces interfaces intuitives, chaque test statistique (test $t$, ANOVA, corrélations, régression) propose d’un simple clic le calcul simultané des tailles d’effet d’échantillon, de leurs corrections pour petits échantillons, ainsi que de leurs intervalles de confiance exacts. L’utilisation de ces outils contemporains élimine définitivement toute excuse logistique ou technique quant à l’omission de la taille de l’effet dans la production académique.

Références

• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cohen, J. (1994). The earth is round ($p < .05$). American Psychologist, 49(12), 997–1003. https://doi.org/10.1037/0003-066X.49.12.997
• Cumming, G. (2012). Understanding the new statistics: Effect sizes, confidence intervals, and meta-analysis. Routledge.
• Duval, S., & Tweedie, R. (2000). Trim and fill: A simple funnel-plot-based method of testing and adjusting for publication bias in meta-analysis. Biometrics, 56(2), 455–463. https://doi.org/10.1111/j.0006-341X.2000.00455.x
• Funder, D. C., & Ozer, D. J. (2019). Evaluating effect size in psychological research: Sense and nonsense. Advances in Methods and Practices in Psychological Science, 2(2), 156–168. https://doi.org/10.1177/2515245919847202
• Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational Researcher, 5(10), 3–8. https://doi.org/10.3102/0013189X005010003
• Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
• Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24. https://doi.org/10.1198/000313001300339897
• Jacobson, N. S., & Truax, P. (1991). Clinical significance: A statistical approach to defining meaningful change in psychotherapy research. Journal of Consulting and Clinical Psychology, 59(1), 12–19. https://doi.org/10.1037/0022-006X.59.1.12
• 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
• Laupacis, A., Sackett, D. L., & Roberts, R. S. (1988). An assessment of clinically useful measures of the consequences of treatment. New England Journal of Medicine, 318(26), 1728–1733. https://doi.org/10.1056/NEJM198806303182605
• McGraw, K. O., & Wong, S. P. (1992). A common language effect size statistic. Psychological Bulletin, 111(2), 361–365. https://doi.org/10.1037/0033-2909.111.2.361
• Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
• Rosenthal, R. (1979). The file drawer problem and tolerance for null results. Psychological Bulletin, 86(3), 638–641. https://doi.org/10.1037/0033-2909.86.3.638
• Simonsohn, U., Nelson, L. D., & Simmons, J. P. (2014). P-curve: A key to the file-drawer. Journal of Experimental Psychology: General, 143(2), 534–547. https://doi.org/10.1037/a0033242