Trois façons de calculer la taille de l’effet pour un test du chi-carré

Dans le champ contemporain des sciences du comportement, de la psychopathologie clinique et des sciences sociales, l’inférence statistique a longtemps été dominée par une déférence quasi exclusive envers le test de signification de l’hypothèse nulle (NHST, pour Null Hypothesis Significance Testing). Au cœur de cet appareil méthodologique, le test d’indépendance du chi-carré formulé initialement par Karl Pearson en 1900 demeure sans conteste l’outil canonique le plus mobilisé pour examiner l’existence d’une relation structurelle entre variables qualitatives nominales. Qu’il s’agisse d’évaluer la concordance entre une typologie diagnostique et un phénotype comportemental ou de mesurer l’impact d’une exposition environnementale sur la survenue d’un trouble psychologique, le statisticien s’est historiquement reposé sur la valeur p pour rejeter l’hypothèse d’indépendance stochastique.

Toutefois, les crises épistémologiques successives ayant ébranlé la psychologie expérimentale et la biomédecine au cours des dernières décennies ont révélé avec une acuité sans précédent les failles inhérentes à cette pratique dichotomique. Réduire la découverte scientifique au franchissement arbitraire d’un seuil alpha de 0,05 expose la communauté scientifique à des écueils majeurs : l’illusion d’avoir identifié un phénomène substantiel alors qu’il n’est que le sous-produit d’un échantillonnage massif, ou inversement, l’occultation d’associations cliniquement déterminantes étouffées par un manque de puissance statistique au sein de cohortes restreintes. C’est précisément pour dépasser ce réductionnisme probabiliste que la quantification standardisée de la taille de l’effet s’est imposée comme une exigence méthodologique primordiale, permettant d’estimer non plus seulement si une relation existe dans la population parente, mais avec quelle magnitude elle s’y déploie concrètement.

Le présent article propose une analyse exhaustive, rigoureuse et opérationnelle des trois métriques fondamentales permettant de calculer et d’interpréter la taille de l’effet dans le cadre d’un test du chi-carré : le coefficient Phi (φ), le V de Cramér et le rapport des cotes (Odds Ratio, OR). À travers un examen approfondi de leurs fondements algébriques, de leurs conditions d’application psychométriques, de leurs modulations par les marges distributionnelles et de leurs formats de restitution selon les directives les plus exigeantes de l’American Psychological Association, cette contribution vise à doter les chercheurs et praticiens des compétences analytiques indispensables à une interprétation robuste et substantielle de leurs données catégorielles.

1. Introduction aux tests du chi-carré et à la notion de taille de l’effet

1.1 Fondements du test d’adéquation et du test d’indépendance

L’univers de l’analyse des données nominales repose sur une distinction conceptuelle fondamentale entre deux déclinaisons majeures de la distribution d’échantillonnage asymptotique établie par Pearson : le test du chi-carré d’adéquation (ou de conformité) et le test du chi-carré d’indépendance (ou d’association). Le test d’adéquation intervient lorsqu’un chercheur confronte la distribution empirique d’une unique variable catégorielle, segmentée en k modalités mutuellement exclusives, à une distribution théorique a priori issue d’un modèle formel, d’une hypothèse génétique mendélienne ou de données démographiques standardisées. Dans ce cadre univarié, la statistique de test quantifie la déviation globale des effectifs observés par rapport à une partition hypothétique préétablie, soumise à k – 1 degrés de liberté.

À l’inverse, le test du chi-carré d’indépendance s’applique à un paradigme bivarié dans lequel les unités d’observation sont classées de manière conjointe selon deux critères qualitatifs distincts, formant ainsi un tableau de contingence de dimensions r × c, où r représente le nombre de lignes et c le nombre de colonnes. La formulation mathématique de la statistique chi-carré repose sur l’évaluation systématique de la divergence quadratique entre les fréquences observées ($O_{ij}$) au sein de chaque cellule de la matrice et les fréquences théoriques ou attendues ($E_{ij}$) sous l’hypothèse nulle d’indépendance stochastique :

$$\chi^2 = \sum_{i=1}^{r} \sum_{j=1}^{c} \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

Dans cette architecture, l’effectif attendu pour une cellule donnée découle directement du produit des probabilités marginales conditionnelles, calculé selon le produit du total marginal de la ligne correspondante ($R_i$) par le total marginal de la colonne ($C_j$), divisé par la taille totale de l’échantillon ($N$) : $E_{ij} = (R_i \times C_j) / N$. Le rôle de l’hypothèse nulle ($H_0$) consiste à postuler que la probabilité conjointe qu’un individu appartienne simultanément à la modalité i de la première variable et à la modalité j de la seconde équivaut strictement au produit de leurs probabilités marginales respectives : $P(A_i \cap B_j) = P(A_i) \times P(B_j)$. L’hypothèse alternative ($H_1$) formalise quant à elle l’existence d’une structure de dépendance ou de contingence statistique entre les deux variables nominales étudiées, signifiant que la distribution des états de la variable B fluctue systématiquement en fonction des niveaux de la variable A.

1.2 Définition épistémologique de la taille de l’effet

Sur le plan épistémologique, l’amalgame persistant entre la signification statistique, matérialisée par la valeur p, et l’amplitude pratique du phénomène constitue l’une des dérives les plus pernicieuses de la modélisation quantitative. La valeur p exprime exclusivement la probabilité conditionnelle d’observer une statistique de test au moins aussi extrême que celle recueillie dans l’échantillon, sous l’hypothèse stricte que l’hypothèse nulle soit vérifiée dans la population générale : $P(\text{Données ou plus extrêmes} mid H_0)$. Elle constitue un indice purement probabiliste d’incompatibilité entre les données empiriques et le modèle nul, mais ne renferme intrinsèquement aucune information concernant l’ampleur ontologique, la force ou l’importance fonctionnelle de l’association observée.

L’émergence formelle du concept de taille de l’effet plonge ses racines dans les travaux séminaux de Jacob Cohen (1969, 1988), qui a forgé la notion d’indice d’amplitude standardisé affranchi de l’effet direct du volume d’échantillonnage. Dans la vision cohénienne, la taille de l’effet représente le degré d’écart concret par rapport à l’hypothèse nulle, une métrique invariantive qui reflète la réalité phénoménologique sous-jacente. En psychologie empirique et en psychiatrie expérimentale, cette quantification s’avère indispensable : découvrir qu’un facteur environnemental est associé à un trouble psychopathologique avec un niveau de signification infinitésimal ($p < 0{,}00001$) demeure une indication clinique vide de sens si la proportion de variance partagée s'avère marginale ou si l'augmentation du risque relatif est quasi indiscernable à l'échelle individuelle.

La taille de l’effet fournit l’étalon invariable nécessaire à la capitalisation des connaissances scientifiques. Elle permet aux méta-analystes de compiler quantitativement des résultats issus d’études conduites avec des méthodologies, des contextes institutionnels et des cohortes distinctes, assurant ainsi la comparabilité directe des observations au-delà des contingences de chaque protocole empirique.

1.3 Aperçu des trois métriques fondamentales

Face à la pluralité structurelle des tableaux de contingence générés par la recherche catégorielle, trois métriques cardinales se distinguent par leur pertinence théorique, leur rigueur algébrique et leur adoptabilité pratique. Chacune répond à des spécifications dimensionnelles et méthodologiques rigoureuses qui régissent son champ d’application légitime au sein du modèle linéaire généralisé.

La première de ces métriques est le coefficient Phi (φ), spécifiquement conçu pour les matrices de contingence d’ordre 2×2. Algébriquement équivalent au coefficient de corrélation produit-moment de Bravais-Pearson calculé sur deux variables indicatrices binaires (codées 0 et 1), le coefficient Phi capture la covariance standardisée entre deux états dichotomiques. Sa force réside dans sa simplicité dérivationnelle et son ancrage direct dans la théorie classique de la corrélation bivariée, bien que son utilisation s’avère restreinte dès lors que le système classificatoire s’émancipe de la structure d’opposition binaire.

Pour dépasser l’étroitesse du format dichotomique, le statisticien suédois Harald Cramér a formalisé en 1946 le V de Cramér, une métrique intégratrice capable d’évaluer la force de l’association nominale au sein de tables multidimensionnelles comprenant un nombre arbitraire de lignes r et de colonnes c. En réajustant la statistique chi-carré non seulement par rapport à la taille globale de l’échantillon, mais également en fonction du rang géométrique effectif du tableau croisé via la considération explicite des degrés de liberté marginaux minimaux, le V de Cramér assure une comparabilité standardisée bornée rigoureusement entre 0 et 1, quelle que soit la complexité catégorielle du protocole.

Enfin, l’Odds Ratio (OR), ou rapport des cotes, constitue une mesure d’association asymétrique fondamentale issue de l’épidémiologie clinique et de la biomédecine, dont l’usage s’est généralisé en psychopathologie et en neuropsychiatrie. Contrairement à Phi et au V de Cramér qui évaluent l’intensité globale de la contingence sur une échelle de corrélation, l’Odds Ratio quantifie le rapport de chance relative d’exposition ou de survenue d’un statut symptomatique entre deux groupes distincts. Cette caractéristique offre une intuitivité clinique sans équivalent pour communiquer les facteurs de risque et alimenter la prise de décision thérapeutique fondée sur des preuves.

2. Les limites intrinsèques de la valeur p dans les tests d’association

2.1 Sensibilité extrême de la valeur p à la taille de l’échantillon

La limitation la plus pernicieuse du test de Pearson réside dans le fait que la statistique chi-carré calculée est directement proportionnelle à la taille globale de l’échantillon ($N$). Cette dépendance mathématique directe est illustrée par l’équation reliant le chi-carré au coefficient de contingence moyen :

$$\chi^2 = N \sum_{i=1}^{r} \sum_{j=1}^{c} \frac{(p_{ij} – p_{i\cdot}p_{\cdot j})^2}{p_{i\cdot}p_{\cdot j}}$$

où $p_{ij}$ représente la probabilité observée dans la cellule ij et $p_{i\cdot}p_{\cdot j}$ la probabilité conjointe attendue sous l’hypothèse d’indépendance. Il en résulte qu’à divergence proportionnelle rigoureusement constante entre fréquences observées et attendues, le simple fait de multiplier l’échantillon par un facteur k entraîne une multiplication linéaire de la valeur du chi-carré calculé par ce même facteur k, provoquant un effondrement mécanique de la valeur p vers des seuils microscopiques.

Dans l’ère contemporaine des mégadonnées (Big Data), des cohortes biobancaires comprenant des centaines de milliers d’individus et des études épidémiologiques massives, cette propriété mécanique engendre un risque méthodologique omniprésent : identifier des associations triviales, dénuées de toute pertinence théorique ou clinique, comme étant « hautement significatives » sur le plan statistique. Une variation minime d’un demi pour cent dans la répartition d’une caractéristique phénotypique entre deux populations obtiendra une valeur $p < 0{,}001$ dès lors que la cohorte dépasse cinquante mille sujets. Le chercheur non averti s'expose dès lors à une erreur d'interprétation majeure en confondant puissance d'échantillonnage et portée scientifique du phénomène.

À l’opposé du spectre méthodologique, la recherche clinique hautement spécialisée — notamment en neuropsychologie des lésions cérébrales focales, en pédiatrie des maladies orphelines ou dans les protocoles d’imagerie fonctionnelle contraignants — doit fréquemment composer avec des cohortes d’effectifs réduits ($N < 40$). Dans ce contexte de faible puissance statistique, de véritables fractures comportementales ou des relations d’association substantielles échouent régulièrement à franchir le seuil d’admissibilité académique de$alpha = 0{,}05$. L’évaluation exclusive de la valeur p conduit ainsi au rejet injustifié d’hypothèses de recherche prometteuses, générant une inflation d’erreurs de type II (non-rejet d’une hypothèse nulle fausse) et masquant des pistes d’intervention thérapeutique d’une valeur incontestable.

2.2 Signification statistique versus pertinence clinique

L’incapacité rédhibitoire de la valeur p à quantifier l’amplitude réelle d’une relation observée entraîne des conséquences désastreuses lorsqu’elle sert d’unique guide à la prise de décision en recherche comportementale, en évaluation diagnostique et en neuropsychologie appliquée. L’inférence bayésienne et la psychométrie contemporaine rappellent qu’une décision d’action pragmatique — telle que l’adoption d’un nouveau protocole de prise en charge psychothérapeutique, l’octroi d’une allocation de soutien éducatif ou la prescription d’une médication psychotrope — ne peut rationnellement s’articuler autour d’une simple preuve d’existence probabiliste formalisée par le rejet de $H_0$.

Considérons l’évaluation d’un programme de remédiation cognitive administré à des patients présentant des troubles du spectre de l’autisme. Si l’étude croise la variable d’adhésion au programme (oui/non) avec l’amélioration de l’autonomie adaptative (oui/non) sur un échantillon de dix mille participants, un chi-carré de Pearson peut révéler une association statistiquement robuste ($p = 0{,}004$). Toutefois, si l’analyse approfondie de la taille de l’effet indique que le bénéfice net représente une amélioration de seulement 1,2 % des cas traités par rapport au groupe témoin, la pertinence clinique de l’intervention s’avère négligeable, particulièrement si le dispositif exige des investissements matériels, financiers et humains massifs. Si le clinicien se base aveuglément sur la signification statistique pour généraliser cette pratique, il induit des dépenses d’énergie institutionnelle sans commune mesure avec les gains substantiels réels pour les bénéficiaires.

Il est donc impératif de dissocier catégoriquement l’acte mathématique de rejet de l’hypothèse nulle et l’estimation qualitative de l’utilité pratique d’un modèle d’association. La valeur p agit comme un détecteur de signal : elle informe le chercheur quant à la crédibilité du fait que le signal perçu ne soit pas le simple fruit des fluctuations d’échantillonnage aléatoire. En revanche, elle est totalement muette quant à la clarté, l’amplitude ou l’impact fonctionnel de ce signal dans l’écologie du sujet étudié.

2.3 Recommandations contemporaines de l’American Psychological Association

Face à la persistance de ces écueils interprétatifs et à la suite des débats houleux entourant la reproductibilité des résultats scientifiques, les instances normatives internationales ont radicalement réformé leurs standards d’édition scientifique. Les directives de la 7e édition du manuel de publication de l’APA ainsi que les recommandations du Task Force on Statistical Inference (Wilkinson et al., 1999) stipulent explicitement que la communication de la signification statistique d’un test doit impérativement s’accompagner de la mention systématique d’une estimation ponctuelle de la taille de l’effet et de son intervalle de confiance associé.

Cette transition méthodologique vers une approche d’estimation marque une rupture avec l’orthodoxie décisionnelle unilatérale issue du modèle de Neyman-Pearson. L’accent analytique se déplace désormais de la question binaire : « L’effet est-il différent de zéro ? » vers une interrogation probabiliste et paramétrique bien plus mature : « Quelle est l’amplitude plausible de l’effet observé au sein de la population cible, et avec quel degré de précision métrologique nos instruments actuels parviennent-ils à la circonscrire ? »

L’exigence de systématicité dans la déclaration des tailles d’effet pour les tests d’indépendance du chi-carré conditionne directement l’intégrité du processus d’accumulation des preuves empiriques. Ce n’est qu’en documentant rigoureusement les métriques d’association affranchies de l’effet de taille de cohorte que la recherche en sciences humaines préserve sa réplicabilité, ouvre ses données aux méta-analyses prospectives et garantit la transparence déontologique de ses conclusions.

3. Le coefficient Phi (φ) : Fondements théoriques et mathématiques

3.1 Définition et cadre restrictif des tables 2×2

Le coefficient Phi (φ), introduit initialement par Karl Pearson dans le prolongement de ses réflexions sur les corrélations non linéaires, constitue une mesure de dépendance symétrique exclusivement dévolue aux tableaux de contingence comprenant strictement deux lignes et deux colonnes ($2 \times 2$). Cette métrique trouve sa place théorique dans l’analyse des situations expérimentales où les deux dimensions examinées renvoient à des attributs dichotomiques nets : présence ou absence d’un trait clinique, succès ou échec à une épreuve psychométrique, exposition ou non-exposition à une condition expérimentale.

Sur le plan de l’architecture vectorielle, le coefficient Phi ne constitue rien de moins qu’un cas particulier strict du coefficient de corrélation linéaire de Pearson ($r$) calculé sur deux variables binaires numériques encodées sous forme d’indicateurs discrets, traditionnellement sous la forme booléenne {0, 1}. Lorsque l’on projette deux distributions d’échantillonnage dichotomiques dans un espace euclidien, la covariance normalisée par le produit des écarts-types marginaux se réduit, par simplification mathématique directe, à la statistique de dépendance du tableau croisé standardisé. Il s’agit par conséquent d’une mesure de corrélation produit-moment opérant sur un espace catégoriel discret.

Cette nature restreinte confère au coefficient Phi une grande pureté conceptuelle, mais impose également une contrainte d’usage infranchissable : toute tentative d’application du coefficient Phi à des matrices d’ordre supérieur (telles que des tables 2×3 ou 3×3) corrompt son ancrage métrique standardisé. Dès lors que l’une des dimensions excède deux modalités, la borne supérieure théorique de la métrique dépasse la valeur canonique de 1,0, détruisant son comparatisme direct avec l’échelle de corrélation standard de Bravais-Pearson.

3.2 Formulation algébrique du coefficient Phi

L’estimation ponctuelle du coefficient Phi peut s’effectuer à partir de deux perspectives analytiques distinctes mais convergentes : soit par dérivation directe de la statistique globale du chi-carré de Pearson préalablement calculée, soit par le calcul direct des fréquences observées issues des quatre cellules de la matrice croisée.

La formulation standard liant le coefficient Phi à la statistique chi-carré globale s’exprime selon la relation suivante :

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

où $\chi^2$ représente la valeur empirique du test d’indépendance de Pearson et $N$ symbolise la taille totale de l’échantillon d’observation ($N = a + b + c + d$). Cette équation démontre avec transparence la fonction première de la métrique : épurer radicalement la statistique chi-carré de la contamination arithmétique induite par le volume des effectifs collectés. En divisant le chi-carré par $N$ préalablement à l’extraction de la racine carrée, on neutralise l’inflation d’échantillonnage.

Alternativement, considérons un tableau de contingence 2×2 conventionnellement désigné selon la disposition vectorielle suivante :

• Cellule a : Ligne 1, Colonne 1
• Cellule b : Ligne 1, Colonne 2
• Cellule c : Ligne 2, Colonne 1
• Cellule d : Ligne 2, Colonne 2

Le coefficient Phi peut s’obtenir sans calcul intermédiaire du chi-carré à travers la formule algébrique exacte des déterminants matriciels et des produits marginaux :

$$\phi = \frac{ad – bc}{\sqrt{(a + b)(c + d)(a + c)(b + d)}}$$

Le numérateur ($ad – bc$) correspond à la différence des produits croisés, expression formelle de la dépendance linéaire bivariée, tandis que le dénominateur correspond à la racine carrée du produit combiné des quatre effectifs marginaux de la table croisée ($R_1 = a + b$, $R_2 = c + d$, $C_1 = a + c$, $C_2 = b + d$). Les bornes théoriques de ce coefficient s’étendent de -1,0 (relation d’exclusion mutuelle parfaite) à +1,0 (concordance d’association parfaite), avec une valeur centrale de 0,0 indiquant l’indépendance stochastique totale.

3.3 Conditions préalables d’application en psychologie

L’élection du coefficient Phi au titre d’estimateur de la taille de l’effet n’échappe pas aux postulats mathématiques qui conditionnent la validité asymptotique de la loi du chi-carré de Pearson. La première condition impérative réside dans l’indépendance probabiliste absolue des observations individuelles. Chaque participant, observation ou événement clinique ne peut figurer que dans une seule et unique cellule de la matrice de contingence. L’analyse des mesures répétées ou des protocoles prétest-posttest requiert d’autres modélisations dédiées (telles que le test de McNemar et ses métriques dérivées).

En second lieu, l’échantillonnage doit répondre aux critères de l’échantillonnage probabiliste au sein de la population cible pour autoriser une inférence valide. Sur le plan de la distribution interne des données, les effectifs attendus sous l’hypothèse nulle ($E_{ij}$) doivent respecter les critères de sécurité de Cochran (1954) : aucune cellule de la matrice 2×2 ne doit afficher un effectif théorique inférieur à 5 individus. Bien que l’estimateur de Phi puisse être mécaniquement calculé même lorsque cette condition est violée, la statistique chi-carré sous-jacente perd son ajustement à la distribution continue théorique, biaisant gravement la précision des intervalles de confiance ultérieurs.

Enfin, le chercheur doit s’assurer de l’adéquation méthodologique de ses variables catégorielles. Le coefficient Phi suppose que les variables nominales sous-jacentes soient des dichotomies naturelles (telles que vivant/décédé, admis/rejeté) ou des variables artificiellement discrétisées dont la distribution ne trahit pas excessivement la continuité du construit psychologique original. Si la variable continue sous-jacente est une distribution gaussienne discrétisée arbitrairement par la médiane, le statisticien privilégiera un coefficient de corrélation tétrachorique plutôt que Phi, ce dernier sous-estimant la force réelle de la relation latente en raison de la perte d’information consécutive au découpage catégoriel.

4. Procédure de calcul étape par étape du coefficient Phi

4.1 Extraction des paramètres et calcul manuel

L’exécution manuelle d’un calcul de coefficient Phi exige une démarche séquentielle standardisée pour prémunir le chercheur contre les biais d’arrondi intermédiaires. La première phase consiste à dresser la matrice croisée des fréquences empiriques observées et à dériver immédiatement les totaux marginaux de lignes et de colonnes, ainsi que le grand total de la cohorte analysée ($N$).

À partir de cette configuration primaire, deux algorithmes de calcul s’offrent au chercheur. S’il opte pour la trajectoire passant par le test d’indépendance de Pearson, il convient de générer une matrice miroir contenant les quatre fréquences théoriques calculées via $E_{ij} = (R_i \times C_j) / N$. Ensuite, l’analyste détermine la contribution quadratique standardisée de chaque case :

$$\frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

La sommation vectorielle de ces quatre fractions produit la statistique globale $\chi^2$. Enfin, l’application rigoureuse du ratio $\chi^2 / N$ suivie de l’extraction de la racine carrée permet d’extraire la valeur absolue du coefficient Phi.

Si le chercheur privilégie l’accès algébrique direct par les effectifs bruts (la formule matricielle des produits croisés), il procède en calculant le numérateur $ad – bc$. Il multiplie ensuite l’ensemble des marges périphériques : $(a + b) \times (c + d) \times (a + c) \times (b + d)$, puis applique l’opérateur racine carrée à ce produit scalaire. Le quotient final du déterminant matriciel par cette racine livre le coefficient Phi doté de sa polarité intrinsèque (+ ou -), reflétant le sens mathématique de l’association nominale selon la structuration des axes de classification.

4.2 Étude de cas en recherche psychologique

Pour ancrer cette formulation algébrique dans la réalité empirique de la recherche comportementale, examinons une étude clinique menée auprès d’une cohorte de 200 individus évalués dans le cadre d’un protocole sur le psychotraumatisme. L’investigateur cherche à modéliser la force de l’association univariée entre l’exposition antérieure à un événement traumatique majeur (variable dichotomique : Exposé versus Non-Exposé) et l’émergence d’un trouble anxieux généralisé diagnostiqué selon les critères du DSM-5 (variable dichotomique : Présent versus Absent).

Les données brutes collectées au sein de cet échantillon de $N = 200$ participants sont synthétisées dans la matrice de contingence 2×2 suivante :

• Cellule a (Exposé / Anxiété Présente) : 45 individus
• Cellule b (Exposé / Anxiété Absente) : 35 individus
• Cellule c (Non-Exposé / Anxiété Présente) : 25 individus
• Cellule d (Non-Exposé / Anxiété Absente) : 95 individus

Calculons tout d’abord les marges distributionnelles :

• Marge Ligne 1 (Total Exposés, $R_1$) = $45 + 35 = 80$
• Marge Ligne 2 (Total Non-Exposés, $R_2$) = $25 + 95 = 120$
• Marge Colonne 1 (Total Anxiété Présente, $C_1$) = $45 + 25 = 70$
• Marge Colonne 2 (Total Anxiété Absente, $C_2$) = $35 + 95 = 130$
• Total Général de l’Échantillon ($N$) = 200

Procédons à l’estimation directe par la formule algébrique déterminantale :

$$\text{Numérateur} = (ad – bc) = (45 \times 95) – (35 \times 25) = 4275 – 875 = 3400$$

$$\text{Dénominateur} = \sqrt{80 \times 120 \times 70 \times 130} = \sqrt{87360000} \approx 9346{,}657$$

$$\phi = \frac{3400}{9346{,}657} \approx 0{,}36377$$

Effectuons à présent la validation croisée asymptotique par le calcul de la statistique chi-carré de Pearson :

• $E_{11} = (80 \times 70) / 200 = 28$
• $E_{12} = (80 \times 130) / 200 = 52$
• $E_{21} = (120 \times 70) / 200 = 42$
• $E_{22} = (120 \times 130) / 200 = 78$

Le calcul des écarts quadratiques standardisés donne :

$$\chi^2 = \frac{(45 – 28)^2}{28} + \frac{(35 – 52)^2}{52} + \frac{(25 – 42)^2}{42} + \frac{(95 – 78)^2}{78}$$

$$\chi^2 = \frac{289}{28} + \frac{289}{52} + \frac{289}{42} + \frac{289}{78} \approx 10{,}3214 + 5{,}5577 + 6{,}8810 + 3{,}7051 = 26{,}4652$$

En réinjectant cette valeur dans la formule canonique de Phi :

$$\phi = \sqrt{\frac{26{,}4652}{200}} = \sqrt{0{,}132326} \approx 0{,}36377$$

L’adéquation des résultats confirme l’exactitude de la dérivation manuelle. Ce coefficient de $\phi \approx 0{,}364$ témoigne d’une association modérée à substantielle entre l’exposition traumatique antérieure et l’état psychopathologique anxieux documenté au sein de cette cohorte clinique.

4.3 Gestion des cas particuliers et marges asymétriques

Un angle mort critique de l’utilisation du coefficient Phi concerne sa vulnérabilité structurelle aux distributions marginales inégales ou asymétriques. En théorie, l’espace des valeurs du coefficient s’étend de -1 à +1 ; toutefois, cette amplitude maximale théorique ne peut être mathématiquement atteinte que sous une condition très restrictive : les distributions marginales des deux variables doivent être rigoureusement symétriques et parfaitement identiques ($R_1 = C_1$ et $R_2 = C_2$).

Dès lors que la prévalence globale d’un phénomène est rare (par exemple, un trouble psychiatrique sévère n’affectant que 5 % de la cohorte) tandis que le facteur d’exposition étudié concerne 50 % de l’échantillon, la valeur maximale théorique que le coefficient Phi peut atteindre s’effondre de manière drastique, se trouvant souvent plafonnée artificiellement à des niveaux bien inférieurs à l’unité (parfois $\phi_{\max} \approx 0{,}30$ ou 0,20). Ce phénomène de troncature artificielle découle directement de la contrainte algébrique imposée par les marges marginales non équilibrées : il devient impossible de remplir la matrice de façon à ce que tous les individus soient concentrés uniquement sur la diagonale principale sans violer les contraintes de sommation des marges.

Ce biais de troncature peut induire le chercheur en erreur, le poussant à conclure à la faiblesse intrinsèque d’une relation empirique alors que le coefficient obtenu correspond en réalité à la valeur maximale atteignable compte tenu de la distribution des prévalences de base. Pour pallier cette anomalie psychométrique, certains théoriciens préconisent d’évaluer le coefficient Phi standardisé ou normalisé par rapport à sa borne maximale concevable : $\phi / \phi_{\max}$. Néanmoins, cette correction alternative présente l’inconvénient d’altérer la stabilité de l’échantillonnage asymptotique et de compliquer l’agrégation méta-analytique standardisée des tailles d’effet.

5. Interprétation et seuils de référence empiriques pour le coefficient Phi

5.1 Les conventions normatives de Jacob Cohen

L’évaluation quantitative d’un coefficient d’association nécessite un cadre interprétatif normé permettant de traduire une valeur métrique en un qualificatif intelligible pour la communauté académique. C’est dans cette optique que Jacob Cohen (1988, 1992) a formalisé des paliers heuristiques qui constituent aujourd’hui encore la référence dominante dans les sciences du comportement.

Dans la typologie canonique de Cohen, le coefficient Phi — en vertu de sa parfaite équivalence algébrique avec le coefficient de corrélation r de Pearson sur variables indicatrices — s’interprète selon la grille triadique suivante :

• Effet faible (small effect size) : $\phi \approx 0{,}10$. À ce niveau, l’association rend compte de seulement 1 % de la variance conjointe totale entre les deux construits ($r^2 = \phi^2 = 0{,}01$). Bien que substantiellement ténu, un effet de cette amplitude peut revêtir une importance épidémiologique non négligeable à l’échelle d’une population nationale.
• Effet moyen (medium effect size) : $\phi \approx 0{,}30$. L’association explique 9 % de la variance partagée. Ce seuil caractérise des phénomènes visibles à l’œil nu par un observateur clinique averti et correspond à la médiane des tailles d’effet documentées au sein de la littérature de recherche empirique en psychologie clinique.
• Effet fort (large effect size) : $\phi \approx 0{,}50$ ou supérieur. La part de variance expliquée atteint ou dépasse 25 %. L’association traduit une dépendance structurelle massive entre les deux caractéristiques étudiées, signalant une forte convergence sémiologique ou pronostique.

Cohen lui-même a cependant explicitement mis en garde la communauté scientifique contre l’application doctrinaire, rigide et aveugle de ces seuils conventionnels. Ces étalons n’ont jamais été conçus comme des frontières absolues ou des dogmes mathématiques, mais comme de simples repères opérationnels pragmatiques destinés à guider l’interprétation initiale en l’absence de tout référentiel disciplinaire antérieur.

5.2 Prise en compte de l’orientation et de la polarité

L’interprétation de la polarité algébrique (le signe positif ou négatif) du coefficient Phi requiert une vigilance méthodologique extrême. Contrairement à une corrélation paramétrique de Pearson calculée sur deux échelles d’intervalles naturels (telles que le poids et la taille, où un signe positif dénote de façon univoque une relation proportionnelle ascendante), l’orientation du signe de Phi est entièrement dépendante de la convention arbitraire choisie par l’analyste pour coder numériquement les modalités nominales.

Si l’on encode l’exposition au facteur de risque par 1 et la non-exposition par 0, et l’apparition de la pathologie par 1 et son absence par 0, un coefficient $phi > 0$ symbolisera une relation de concomitance positive (la présence de l’exposition covarie avec la présence de la maladie). Néanmoins, si un chercheur distinct décide d’inverser ce codage en assignant la valeur 1 à l’absence de pathologie et 0 à sa présence, la même matrice empirique générera un coefficient d’amplitude strictement identique mais affublé d’un signe algébrique négatif. L’orientation mathématique dépend donc de l’ordre d’agencement des lignes et colonnes au sein du tableau croisé.

Pour cette raison, les rapports d’études empiriques consacrés à l’indépendance nominale préfèrent fréquemment rapporter la valeur absolue de la statistique, désignée par $|phi|$, en explicitant clairement dans le corps du texte la direction descriptive de l’effet à travers la lecture des pourcentages marginaux. Cette pratique prémunit les lecteurs contre les confusions sémantiques relatives au sens de la relation sous-jacente.

5.3 Contextualisation substantielle dans les diagnostics cliniques

L’évaluation de la signification pratique d’un coefficient d’effet exige un enracinement dans le contexte épistémologique et appliqué du champ disciplinaire étudié. En psychopathologie et en neuropsychiatrie, la valeur isolée d’un indice de taille d’effet ne peut être interprétée sans une mise en perspective avec la gravité de l’état clinique considéré et les répercussions potentielles en matière de santé publique.

Un effet caractérisé comme formellement « faible » selon les grilles de lecture de Cohen ($\phi = 0{,}12$) peut s’avérer capital s’il porte sur l’émergence d’idées suicidaires chez des adolescents ou sur la prévention d’un accident vasculaire cérébral post-traumatique. Si l’administration d’une intervention brève permet d’infléchir une association de cette magnitude à l’échelle d’une population de millions de bénéficiaires, le nombre de vies préservées s’avère considérable. À l’inverse, un effet qualifié de « fort » ($\phi = 0{,}55$) associant deux sous-échelles d’auto-questionnaires prétendant mesurer des concepts supposément distincts peut simplement révéler une redondance conceptuelle ou un biais de méthode commune (common method bias), ne présentant dès lors qu’un intérêt épistémologique mineur.

En conséquence, le chercheur doit systématiquement confronter l’amplitude de son coefficient Phi empirique aux valeurs antérieures répertoriées dans la littérature spécialisée du domaine. C’est de cette mise en perspective contextuelle que découle l’appréciation de l’apport substantiel d’une étude, dépassant largement l’application machinale de barèmes génériques.

6. Le V de Cramér : Généralisation aux tableaux de dimensions supérieures

6.1 Extension mathématique au-delà du format 2×2

Dès lors que le protocole de recherche abandonne le paradigme dichotomique pour intégrer des variables qualitatives polytomiques — c’est-à-dire comportant trois catégories ou plus, telles que l’évaluation de multiples profils de personnalité, de filières thérapeutiques diversifiées ou de classes d’âge segmentées —, le coefficient Phi devient méthodologiquement inopérant. Si l’on appliquait sans discernement la formule $\sqrt{\chi^2 / N}$ à un tableau de contingence de dimensions 3×4 ou 5×5, l’indice obtenu pourrait largement franchir le seuil limite de 1,0, perdant son statut de corrélation standardisée normée.

Pour résoudre cette discontinuité structurelle, Harald Cramér a développé une extension analytique universelle en introduisant une normalisation basée sur la dimensionnalité géométrique minimale de la matrice de contingence : le V de Cramér (souvent désigné par la lettre $\text{V}$ ou le symbole $\phi_c$). Cette métrique a été forgée avec l’objectif de préserver l’invariance d’échelle face aux variations du nombre de catégories : quelle que soit l’amplitude du tableau de contingence, qu’il s’agisse d’une matrice 3×3 ou d’un réseau complexe de 10×12 modalités, le V de Cramér est mathématiquement contraint de s’inscrire rigoureusement dans l’intervalle fermé $[0, 1]$.

Sur le plan dérivationnel, la cohérence mathématique de cette généralisation est mise en évidence par sa convergence formelle : lorsque le V de Cramér est appliqué à un tableau de contingence restreint aux dimensions élémentaires 2×2, sa formulation devient analytiquement indiscernable de celle du coefficient Phi standard. Le V de Cramér constitue ainsi le cadre matriciel unificateur au sein duquel le coefficient Phi n’est qu’un cas particulier d’ordre minimal.

6.2 Le rôle des degrés de liberté marginaux

L’élégance de la solution de Cramér réside dans l’intégration explicite, au dénominateur de la formule de normalisation, du rang géométrique effectif du tableau croisé, opérationnalisé par la valeur minimale entre le nombre de lignes décrémenté d’une unité ($r – 1$) et le nombre de colonnes décrémenté d’une unité ($c – 1$). Cette quantité dimensionnelle clé est désignée dans la littérature formelle par la lettre $k$ :

$$k = \min(r – 1, c – 1)$$

Cette variable d’ajustement structurel joue un rôle stabilisateur indispensable. En probabilité multivariée, il est démontré que la valeur théorique maximale que peut atteindre la statistique du chi-carré de Pearson sur un tableau de contingence de dimensions arbitraires r × c n’est pas bornée par la seule taille de l’échantillon $N$, mais par le produit scalaire direct de l’échantillon par cette contrainte géométrique minimale :

$$\chi^2_{\max} = N \times \min(r – 1, c – 1)$$

En intégrant ce facteur correcteur $k$ directement sous le radical de l’estimateur, l’équation s’écrit de la manière suivante :

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

Grâce à ce diviseur d’échelle, même en multipliant les catégories descriptives — ce qui entraîne mécaniquement une hausse substantielle du chi-carré calculé par l’accumulation des degrés de liberté —, le V de Cramér neutralise cette inflation géométrique artificielle. Il restaure ainsi une échelle d’évaluation équitable, rendant les tailles d’effet comparables entre des études dont les architectures d’observation diffèrent par le nombre de cellules mobilisées.

6.3 Domaines d’élection en psychologie différentielle et sociale

Le V de Cramér constitue l’outil de référence au sein des disciplines empiriques confrontées à la complexité des profils multivariés polytomiques. En psychologie différentielle, par exemple, les typologies comportementales ou caractérologiques se déclinent rarement sous forme d’antagonismes binaires étanches. L’investigation de l’association entre les profils de traits de personnalité issus du modèle des Big Five (Ouverture, Conscienciosité, Extraversion, Agréabilité, Névrosisme) et le choix d’une filière académique ou professionnelle nécessite le déploiement d’une matrice polytomique de dimensions minimales 5×4 ou 5×6.

De même, en psychologie sociale et en sociologie des attitudes, les chercheurs croisent fréquemment des variables statutaires polytomiques (appartenance socioprofessionnelle segmentée en six catégories, zones géographiques réparties en quatre quadrants) avec des choix électoraux ou des positionnements idéologiques multiples. Le V de Cramér permet d’extraire une mesure synthétique de la force d’attachement sociologique globale qui lie ces deux univers de catégorisation.

Enfin, un champ d’élection privilégié du V de Cramér concerne le traitement des échelles ordinales regroupées issues de questionnaires de type Likert (par exemple : Pas du tout d’accord, Neutre, D’accord, Tout à fait d’accord). Lorsqu’un analyste refuse de poser l’hypothèse risquée de continuité linéaire sous-jacente propre aux tests paramétriques, il traite légitimement ces réponses comme des modalités catégorielles qualitatives. Le V de Cramér offre alors une mesure conservative et robuste de la dépendance inter-items sans exiger le respect des postulats gaussiens.

7. Méthodologie de calcul du V de Cramér

7.1 Décomposition formelle de l’algorithme

Le déploiement rigoureux de l’algorithme de calcul du V de Cramér s’articule autour d’une chaîne séquentielle de trois opérations fondamentales : l’évaluation globale de la statistique chi-carré de Pearson, la détermination géométrique du facteur de réduction dimensionnelle, et l’extraction finale de la racine du ratio d’échelle standardisé.

L’équation maîtresse s’énonce comme suit :

$$V = \sqrt{\frac{\chi^2}{N(k)}}$$

où la variable dimensionnelle $k$ est définie par $k = min(r – 1, c – 1)$. Pour prémunir le calcul contre les approximations prématurées susceptibles de distordre les décimales de l’indice final, l’analyste doit impérativement conserver la pleine précision flottante de la statistique $\chi^2$ issue de la double sommation des divergences quadratiques marginales. La multiplication de l’effectif global $N$ par la constante de degré géométrique $k$ s’effectue au dénominateur préalablement à la division vectorielle. Enfin, l’opérateur de racine carrée univariée est appliqué sur l’ensemble du quotient résultant.

7.2 Exemple concret sur une matrice 3×4

Afin de détailler chaque étape opératoire, considérons une étude clinique examinant l’interaction entre trois sous-types nosologiques de troubles dépressifs majeurs (Ligne 1 : Dépression Mélancolique, Ligne 2 : Dépression Atypique, Ligne 3 : Dépression Persistante/Dysthymie) et quatre trajectoires de réponse thérapeutique à une intervention psychopharmacologique de douze semaines (Colonne 1 : Rémission Complète, Colonne 2 : Réponse Partielle, Colonne 3 : Non-Réponse, Colonne 4 : Rechute Précoce).

L’étude inclut un effectif global de $N = 300$ patients sous protocole. La matrice de contingence empirique 3×4 présente la distribution suivante :

• Ligne 1 (Mélancolique) : Rémission = 20, Partielle = 30, Non-Réponse = 40, Rechute = 10 (Total Ligne $R_1 = 100$)
• Ligne 2 (Atypique) : Rémission = 40, Partielle = 35, Non-Réponse = 15, Rechute = 10 (Total Ligne $R_2 = 100$)
• Ligne 3 (Dysthymie) : Rémission = 15, Partielle = 25, Non-Réponse = 45, Rechute = 15 (Total Ligne $R_3 = 100$)

Les totaux marginaux de colonnes s’établissent ainsi :

• Colonne 1 (Rémission) : $20 + 40 + 15 = 75$
• Colonne 2 (Partielle) : $30 + 35 + 25 = 90$
• Colonne 3 (Non-Réponse) : $40 + 15 + 45 = 100$
• Colonne 4 (Rechute) : $10 + 10 + 15 = 35$
• Grand total : $N = 300$

Calculons les effectifs théoriques attendus ($E_{ij} = [R_i \times C_j] / N$) pour chaque cellule. Étant donné que les marges de lignes sont uniformes ($R_1 = R_2 = R_3 = 100$), les effectifs théoriques sont identiques d’une ligne à l’autre :

• $E_{\cdot 1} = (100 \times 75) / 300 = 25$
• $E_{\cdot 2} = (100 \times 90) / 300 = 30$
• $E_{\cdot 3} = (100 \times 100) / 300 = 33{,}333$
• $E_{\cdot 4} = (100 \times 35) / 300 = 11{,}667$

Calculons à présent les contributions quadratiques pour les 12 cellules :

• Ligne 1 :
  • $(20 – 25)^2 / 25 = 25 / 25 = 1{,}000$
  • $(30 – 30)^2 / 30 = 0 / 30 = 0{,}000$
  • $(40 – 33{,}333)^2 / 33{,}333 = (6{,}667)^2 / 33{,}333 = 44{,}449 / 33{,}333 \approx 1{,}333$
  • $(10 – 11{,}667)^2 / 11{,}667 = (-1{,}667)^2 / 11{,}667 = 2{,}779 / 11{,}667 \approx 0{,}238$
• Ligne 2 :
  • $(40 – 25)^2 / 25 = 225 / 25 = 9{,}000$
  • $(35 – 30)^2 / 30 = 25 / 30 \approx 0{,}833$
  • $(15 – 33{,}333)^2 / 33{,}333 = (-18{,}333)^2 / 33{,}333 = 336{,}099 / 33{,}333 \approx 10{,}083$
  • $(10 – 11{,}667)^2 / 11{,}667 = (-1{,}667)^2 / 11{,}667 = 2{,}779 / 11{,}667 \approx 0{,}238$
• Ligne 3 :
  • $(15 – 25)^2 / 25 = 100 / 25 = 4{,}000$
  • $(25 – 30)^2 / 30 = 25 / 30 \approx 0{,}833$
  • $(45 – 33{,}333)^2 / 33{,}333 = (11{,}667)^2 / 33{,}333 = 136{,}119 / 33{,}333 \approx 4{,}084$
  • $(15 – 11{,}667)^2 / 11{,}667 = (3{,}333)^2 / 11{,}667 = 11{,}109 / 11{,}667 \approx 0{,}952$

Sommons ces contributions partielles pour extraire le chi-carré total :

$$\chi^2 \approx (1{,}000 + 0{,}000 + 1{,}333 + 0{,}238) + (9{,}000 + 0{,}833 + 10{,}083 + 0{,}238) + (4{,}000 + 0{,}833 + 4{,}084 + 0{,}952)$$

$$\chi^2 \approx 2{,}571 + 20{,}154 + 9{,}869 = 32{,}594$$

Les dimensions de la table étant $r = 3$ et $c = 4$, nous déterminons la constante géométrique $k$ :

$$k = \min(3 – 1, 4 – 1) = \min(2, 3) = 2$$

Nous pouvons dès lors formaliser le calcul du dénominateur d’échelle :

$$\text{Dénominateur} = N \times k = 300 \times 2 = 600$$

L’application de l’équation standard du V de Cramér donne :

$$V = \sqrt{\frac{32{,}594}{600}} = \sqrt{0{,}054323} \approx 0{,}23307$$

Le calcul aboutit à une estimation ponctuelle de $V \approx 0{,}233$. Cette valeur documente avec clarté la magnitude standardisée du lien statistique unissant le profil dépressif au destin thérapeutique sous protocole médicamenteux.

7.3 Mise en œuvre assistée par logiciel statistique

Dans la pratique de recherche, la computation manuelle s’efface généralement au profit d’environnements d’analyse automatisés de pointe tels que le langage R ou le progiciel IBM SPSS Statistics. Maîtriser les spécificités de leur implémentation garantit une extraction conforme des paramètres.

Dans l’environnement de programmation statistique R, l’extraction canonique du V de Cramér ne s’effectue pas via la fonction de base chisq.test() (qui isole uniquement la valeur de test et le niveau de signification asymptotique), mais requiert des bibliothèques psychométriques et bio-statistiques dédiées. Le package vcd met à disposition la syntaxe vectorielle assocstats() qui dérive simultanément le chi-carré, le coefficient de contingence, Phi et le V de Cramér. Alternativement, le package moderne rstatix propose la fonction unifiée cramer_v() permettant d’obtenir l’estimateur ponctuel directement à partir d’un data frame en formulant simplement : data %>% cramer_v(Depression ~ Traitement). De surcroît, le package effectsize développé par Makowski et al. fournit la fonction cramers_v() qui automatise conjointement le calcul des intervalles de confiance par rééchantillonnage non paramétrique (bootstrap) ou par approximation asymptotique basée sur la distribution non-centrale.

Dans le logiciel IBM SPSS Statistics, le V de Cramér s’obtient via la procédure des tableaux croisés dynamiques en accédant au menu déroulant : Analyse > Statistiques descriptives > Tableaux croisés. Dans la boîte de dialogue contextuelle, l’utilisateur insère les variables cibles en lignes et colonnes, puis clique sur l’onglet Statistiques pour cocher expressément la case intitulée « Chi-carré » ainsi que l’option couplée « Phi et V de Cramér ». Il convient néanmoins d’alerter le praticien : SPSS calcule par défaut la formule brute asymptotique classique de Cramér, sans appliquer de corrections d’échantillonnage pour petits effectifs, ce qui justifie une vigilance méthodologique accrue lors de l’analyse d’échantillons restreints.

8. Critères d’interprétation et nuances méthodologiques du V de Cramér

8.1 Modulation des seuils selon les degrés de liberté

L’erreur la plus fréquente commise lors de l’évaluation du V de Cramér consiste à lui calquer indistinctement les seuils fixes de Cohen établis pour le coefficient de corrélation r ou pour le coefficient Phi (0,10 pour faible, 0,30 pour moyen, et 0,50 pour fort). Une telle pratique est méthodologiquement erronée dès lors que $k > 1$.

En effet, plus la dimensionnalité géométrique minimale de la matrice s’accroît, plus la valeur maximale attendue d’un V de Cramér tend à s’abaisser pour une même force conceptuelle de couplage associatif. Jacob Cohen lui-même a spécifié un tableau d’ajustement structurel des seuils critiques, calibré en fonction de la valeur de $k = min(r – 1, c – 1)$ :

• Pour $k = 1$ (équivalent à une table 2×2) :
  • Effet faible : $V = 0{,}10$
  • Effet moyen : $V = 0{,}30$
  • Effet fort : $V = 0{,}50$
• Pour $k = 2$ (par exemple, une table 3×3 ou 3×4) :
  • Effet faible : $V = 0{,}07$
  • Effet moyen : $V = 0{,}21$
  • Effet fort : $V = 0{,}35$
• Pour $k = 3$ (par exemple, une table 4×4 ou 4×5) :
  • Effet faible : $V = 0{,}06$
  • Effet moyen : $V = 0{,}17$
  • Effet fort : $V = 0{,}29$
• Pour $k = 4$ (par exemple, une table 5×5) :
  • Effet faible : $V = 0{,}05$
  • Effet moyen : $V = 0{,}15$
  • Effet fort : $V = 0{,}25$
• Pour $k = 5$ (par exemple, une table 6×6) :
  • Effet faible : $V = 0{,}04$
  • Effet moyen : $V = 0{,}13$
  • Effet fort : $V = 0{,}22$

L’abaissement numérique progressif de ces seuils s’explique mathématiquement : à mesure que le nombre de cellules prolifère, la dispersion stochastique des individus augmente, rendant la probabilité d’une concentration concentrique des profils de plus en plus improbable sous le simple effet de la multiplicité des combinaisons possibles. Dans notre exemple clinique précédent portant sur une matrice 3×4 ($k = 2$), la valeur empirique obtenue ($V \approx 0{,}233$) surpasse le seuil moyen de 0,21 : elle traduit dès lors un effet d’une amplitude moyenne à substantielle dans son cadre géométrique précis.

8.2 Le V de Cramér corrigé pour le biais d’échantillon

À l’instar de multiples estimateurs dérivés du modèle linéaire classique (tel que le $R^2$ non ajusté en régression multiple), la formulation conventionnelle du V de Cramér souffre d’un biais systématique de surestimation dans la population d’échantillonnage, particulièrement exacerbé lorsque la taille de l’échantillon ($N$) est modeste ou que le produit des dimensions catégorielles ($r \times c$) est élevé par rapport au volume d’observations.

Afin de corriger cette anomalie statistique, le chercheur Wicher Bergsma (2013) a formalisé une version corrigée du V de Cramér, fréquemment désignée par $\tilde{V}$ ou Cramér’s V with bias correction. Cette adaptation repose sur l’ajustement direct de la statistique chi-carré par soustraction des degrés de liberté globaux du tableau de contingence :

$$\tilde{\chi}^2 = \max\left(0, , \chi^2 – \frac{(r – 1)(c – 1)}{N – 1}\right)$$

Les effectifs totaux ainsi que les dimensions marginales sont ensuite réévalués à travers des transformations spécifiques :

$$\tilde{N} = N – \frac{(r – 1)(c – 1)}{N – 1}$$

$$\tilde{r} = r – \frac{(r – 1)^2}{N – 1}, \quad \tilde{c} = c – \frac{(c – 1)^2}{N – 1}, \quad \tilde{k} = \min(\tilde{r} – 1, \tilde{c} – 1)$$

L’estimateur corrigé se dérive alors selon l’expression :

$$\tilde{V} = \sqrt{\frac{\tilde{\chi}^2 / \tilde{N}}{\tilde{k}}}$$

Lorsque la statistique chi-carré observée n’excède pas l’espérance mathématique sous l’hypothèse nulle d’indépendance, l’estimateur corrigé se stabilise précisément à 0, éliminant ainsi les faux signaux d’association qui polluent fréquemment les synthèses méta-analytiques lorsqu’elles compilent des études à faibles effectifs.

8.3 Interprétation contextuelle et prudence analytique

En dépit de son élégance mathématique, le V de Cramér présente une limite méthodologique fondamentale : c’est un indice d’omnibus. Tout comme la valeur p d’une analyse de variance (ANOVA) factorielle à plusieurs niveaux confirme qu’il existe quelque part une différence entre les groupes sans pouvoir localiser formellement quelles moyennes spécifiques s’écartent les unes des autres, le V de Cramér informe l’analyste de l’intensité globale de l’écart à l’indépendance sans désigner quelles cellules du tableau croisé sont les vecteurs directeurs de cette dynamique.

Dans un tableau complexe comprenant des dizaines de cellules, un V de Cramér modéré ou élevé peut découler soit d’une déviation uniforme et modeste répartie sur l’ensemble des cases, soit d’une concentration asymétrique massive d’effectifs dans une unique cellule critique, le reste de la table respectant scrupuleusement les espérances de l’hypothèse nulle. Pour éviter des conclusions trop réductrices, le recours au V de Cramér doit impérativement s’accompagner d’une analyse post-hoc approfondie des résidus ajustés standardisés (ou résidus de Haberman).

Ces résidus, qui suivent asymptotiquement une loi normale centrée réduite ($\mathcal{N}(0, 1)$), permettent d’isoler précisément quelles cellules affichent un effectif observé significativement supérieur (résidu $> +1{,}96$) ou inférieur (résidu $< -1{,}96$) aux prédictions de l’hypothèse nulle au seuil conventionnel de$alpha = 0{,}05$. Seule cette double approche combinant le V de Cramér (pour la taille d’effet globale) et l’inspection des résidus ajustés (pour la localisation fine de l’effet) confère à l’analyse catégorielle sa pleine rigueur scientifique.

9. L’Odds Ratio : Définition, logique et applications catégorielles

9.1 Distinguer les probabilités des cotes (odds)

L’assimilation conceptuelle inexacte entre probabilité et cote (odds en anglais) constitue l’un des obstacles épistémologiques majeurs dans l’assimilation des mesures de risque en psychologie et en biomédecine. La probabilité ($p$) représente le rapport arithmétique classique entre le nombre d’occurrences d’un événement d’intérêt particulier et le nombre total d’événements possibles au sein de l’espace d’échantillonnage, s’inscrivant rigoureusement sur l’intervalle continu $[0, 1]$.

À l’inverse, la cote (ou le rapport des probabilités complémentaires) quantifie le ratio direct entre la probabilité qu’un événement survienne et la probabilité qu’il ne survienne pas :

$$\text{Cote} = \frac{p}{1 – p}$$

Si la probabilité d’apparition d’un épisode dépressif caractérisé au cours de la vie au sein d’une population spécifique est de $p = 0{,}20$ (soit 20 % ou 1 individu sur 5), la cote correspondante s’exprime selon le calcul : $0{,}20 / (1 – 0{,}20) = 0{,}20 / 0{,}80 = 0{,}25$ (soit 1 contre 4). La cote est une grandeur définie sur l’intervalle ouvert $[0, +\infty[$. Elle prend la valeur 1,0 lorsque la survenue et la non-survenue de l’événement sont parfaitement équiprobables ($p = 0{,}50$).

Cette distinction s’avère déterminante lorsque l’on contraste le Risque Relatif (RR) et le Rapport des Cotes (Odds Ratio). Le Risque Relatif compare directement deux probabilités : $RR = p_1 / p_2$. Si son interprétation intuitive est immédiate pour les praticiens, il possède le désavantage mathématique d’être conditionné par le schéma d’échantillonnage et s’avère inopérant dans les études rétrospectives. La cote et son ratio d’association transcendent cette restriction.

9.2 Structure conceptuelle de l’Odds Ratio

L’Odds Ratio (OR) est une métrique bivariée asymétrique qui correspond rigoureusement au rapport géométrique unissant deux cotes indépendantes calculées pour deux conditions, strates ou cohortes distinctes :

$$OR = \frac{\text{Cote}_1}{\text{Cote}_2} = \frac{p_1 / (1 – p_1)}{p_2 / (1 – p_2)}$$

L’Odds Ratio possède une propriété algébrique remarquable qui fonde sa prééminence dans l’analyse catégorielle : l’invariance symétrique d’exposition et de statut. Que l’on calcule l’Odds Ratio en comparant la cote de la maladie chez les sujets exposés par rapport aux non-exposés, ou en comparant la cote de l’exposition chez les sujets malades par rapport aux sujets sains, la valeur numérique obtenue demeure rigoureusement identique. Cette invariance mathématique assure la transposabilité directe de la métrique, indépendamment de la perspective longitudinale ou transversale retenue lors de l’investigation empirique.

L’échelle naturelle de l’Odds Ratio s’articule autour d’une valeur pivotale invariable :

• $OR = 1{,}0$ : La cote de l’événement d’intérêt est strictement identique entre les deux groupes comparés. Il y a indépendance stochastique absolue ; la taille de l’effet est nulle.
• $OR > 1{,}0$ : L’événement étudié a une probabilité relative plus élevée de se produire dans le premier groupe comparé au second. C’est l’indicateur d’un facteur de risque ou d’une association positive.
• $OR < 1{,}0$ : L’événement étudié a une probabilité relative plus faible d’apparaître dans le premier groupe. L’exposition joue ici un rôle modulateur favorable, caractéristique d’un facteur de protection ou d’un bénéfice thérapeutique.

9.3 Pertinence clinique et psychopathologique

L’Odds Ratio tire son statut privilégié au sein des sciences cliniques de son adéquation structurelle aux protocoles de recherche rétrospectifs de type cas-témoins (case-control studies). En psychopathologie clinique ou en génétique comportementale, de nombreux phénotypes majeurs (par exemple, les épisodes psychotiques aigus, les passages à l’acte suicidaires ou les troubles bipolaires à début précoce) affichent une prévalence épidémiologique globale relativement faible dans la population générale. Recourir à une étude de cohorte prospective impliquerait de suivre des dizaines de milliers d’individus pendant des décennies pour observer l’émergence d’une poignée de cas, ce qui s’avère logistiquement et financièrement prohibitif.

Dans un devis cas-témoins, le chercheur sélectionne proactivement un groupe déterminé de patients porteurs du trouble cible (les « cas ») et lui apparie un groupe d’individus exempts de ce trouble (les « témoins »). Dans ce cadre méthodologique spécifique où les ratios de prévalence sont artificiellement fixés par le plan d’échantillonnage de l’investigateur, le calcul du Risque Relatif est formellement interdit, car il nécessite la connaissance des taux d’incidence réels dans la population. En revanche, l’Odds Ratio demeure un estimateur parfaitement non biaisé de l’association causale latente.

Sur le plan de la communication médicale et psychopathologique, l’Odds Ratio offre une puissance rhétorique immédiate. Annoncer à un comité de santé publique ou à une équipe de soignants que les individus ayant vécu des maltraitances infantiles sévères présentent une cote de dépendance addictive à l’âge adulte multipliée par un Odds Ratio de 4,5 permet une compréhension clinique concrète, bien plus parlante que l’évocation d’un coefficient Phi abstrait de 0,22.

10. Calcul mathématique et propriétés statistiques de l’Odds Ratio

10.1 Calcul direct par les produits croisés

Dans une table de contingence 2×2 conventionnelle partitionnée selon la désignation canonique des cellules (a, b, c, d), le calcul direct de l’Odds Ratio s’opère sans difficulté à partir des effectifs bruts observés. Considérons la répartition suivante :

• Cellule a : Sujets exposés présentant l’événement
• Cellule b : Sujets exposés ne présentant pas l’événement
• Cellule c : Sujets non-exposés présentant l’événement
• Cellule d : Sujets non-exposés ne présentant pas l’événement

La cote de survenue de l’événement dans le groupe exposé s’exprime par le ratio $a / b$. De même, la cote de survenue dans le groupe non-exposé s’établit à $c / d$. Le rapport de ces deux entités livre la formulation canonique par le produit croisé direct :

$$OR = \frac{a / b}{c / d} = \frac{a \times d}{b \times c} = \frac{ad}{bc}$$

Illustrons cette mécanique à partir d’un essai comparatif en psychothérapie évaluant l’efficacité d’une nouvelle thérapie cognitive processuelle face au traitement habituel (TAU) sur la rémission d’un état de stress post-traumatique :

• Nouvelle thérapie (Groupe 1) : Rémission (a) = 40 ; Échec (b) = 10
• Traitement habituel (Groupe 2) : Rémission (c) = 20 ; Échec (d) = 30

L’Odds Ratio d’atteinte de la rémission sous la nouvelle approche par rapport au TAU se dérive immédiatement :

$$OR = \frac{40 \times 30}{10 \times 20} = \frac{1200}{200} = 6{,}00$$

Ce résultat indique que sous la nouvelle thérapie, la cote de rémission est 6 fois supérieure à celle mesurée dans le protocole standard.

Une pathologie calculatoire survient inévitablement dès lors que l’une quelconque des quatre cellules matricielles affiche un effectif nul ($a, b, c \text{ ou } d = 0$), ce qui induit une division par zéro ou aboutit à un produit nul au numérateur, rendant l’Odds Ratio soit infini, soit indéfini. Pour pallier cette impasse numérique, la littérature biostatistique impose le recours systématique à la correction de Haldane-Anscombe (1955, 1956). Cette correction consiste à adjoindre une pseudoconstante protectrice de 0,5 à l’ensemble des quatre cellules du tableau croisé :

$$OR_{\text{corrigé}} = \frac{(a + 0{,}5)(d + 0{,}5)}{(b + 0{,}5)(c + 0{,}5)}$$

Cette correction supprime la singularité arithmétique tout en minimisant le biais d’estimation asymptotique introduit par la modification des données brutes.

10.2 Transformation logarithmique et symétrie distributionnelle

L’échelle métrique naturelle de l’Odds Ratio présente une asymétrie distributionnelle sévère qui complique son intégration directe dans les modèles d’inférence linéaire. En effet, la zone mesurant les associations positives ou les sur-risques s’étend de 1,0 à l’infini ($[1, +\infty[$), offrant un espace numérique illimité. À l’opposé, l’ensemble des associations inverses ou des effets protecteurs se trouve compressé de manière asymétrique au sein de l’étroit intervalle compris entre 0,0 et 1,0 ($]0, 1]$).

Cette disproportion engendre une anomalie cognitive majeure : un Odds Ratio de 4,0 (cote quadruplée) et un Odds Ratio de 0,25 (cote divisée par quatre) traduisent des forces de liaison parfaitement symétriques en valeur absolue, mais leur représentation graphique brute suggère une disparité phénoménale. De surcroît, la distribution d’échantillonnage de l’Odds Ratio s’avère hautement asymétrique à droite, violant les prérequis de normalité indispensables à la construction d’intervalles de confiance conventionnels de Wald.

Pour restaurer une parfaite symétrie distributionnelle, l’analyste applique l’opérateur logarithme népérien ($ln$), générant le Log Odds Ratio (ou logit) :

$$\text{Log}(OR) = \ln(OR) = \ln\left(\frac{ad}{bc}\right)$$

Sur cette nouvelle échelle logarithmique continue ($]-\infty, +\infty[$), le point d’indépendance statistique absolue se positionne sur la valeur nulle ($\ln(1{,}0) = 0$). Un sur-risque et une protection d’amplitudes comparables affichent désormais une parfaite équivalence de distance par rapport à l’origine, avec des polarités inversées : $\ln(4{,}0) \approx +1{,}386$ et $\ln(0{,}25) \approx -1{,}386$.

L’erreur-type asymptotique (Standard Error, SE) du Log Odds Ratio suit une loi asymptotique remarquablement stable établie par Woolf en 1955, formulée par la racine carrée de la sommation des inverses des quatre effectifs empiriques :

$$SE(\ln(OR)) = \sqrt{\frac{1}{a} + \frac{1}{b} + \frac{1}{c} + \frac{1}{d}}$$

Cette variance d’échantillonnage normalisée constitue le socle indispensable à toute modélisation en régression logistique binaire et aux synthèses méta-analytiques contemporaines.

10.3 Construction et interprétation des intervalles de confiance

L’inférence moderne exige impérativement que l’estimation ponctuelle d’un Odds Ratio soit accompagnée de son intervalle de confiance à 95 % ($\text{IC}_{95%}$). En raison de l’asymétrie structurelle de l’échelle naturelle évoquée précédemment, il est mathématiquement prohibé d’ajouter et de soustraire la marge d’erreur directement sur la valeur brute de l’OR. La procédure canonique impose de transiter par l’espace symétrique du logarithme népérien avant d’opérer une rétro-transformation exponentielle.

L’algorithme séquentiel se déploie en trois phases rigoureuses :

1. Calcul des bornes inférieure et supérieure sur l’échelle logarithmique en mobilisant le quantile critique de la distribution normale standard ($Z_{1 – alpha/2} = 1{,}96$ pour un niveau de confiance à 95 %) :

   $$\ln(OR)_{\text{inférieur}} = \ln(OR) – 1{,}96 \times SE(\ln(OR))$$

   $$\ln(OR)_{\text{supérieur}} = \ln(OR) + 1{,}96 \times SE(\ln(OR))$$

2. Rétro-transformation par la fonction exponentielle ($exp$) pour rapatrier les estimateurs sur l’échelle métrique d’origine :

   $$\text{IC}_{95%} = \left[ \exp\left(\ln(OR)_{\text{inférieur}}\right) ; , \exp\left(\ln(OR)_{\text{supérieur}}\right) \right]$$

3. Décision d’inférence statistique : si l’intervalle de confiance ainsi délimité englobe en son sein la valeur de référence 1,0 (par exemple, $\text{IC}_{95%} = [0{,}85 ; 2{,}40]$), le chercheur est tenu de conclure à l’absence de signification statistique au seuil $\alpha = 0{,}05$, ce qui équivaut au non-rejet de l’hypothèse nulle du chi-carré d’indépendance sous-jacent. Si en revanche la borne inférieure demeure strictement supérieure à 1,0 (par exemple, $\text{IC}_{95%} = [1{,}25 ; 4{,}80]$), l’association est déclarée statistiquement significative avec un niveau de confiance robuste quant à l’existence d’un effet positif au sein de la population parente.

11. Comparaison critique et guide décisionnel entre Phi, V de Cramér et Odds Ratio

11.1 Matrice décisionnelle basée sur la topologie des données

Le choix raisonné de la métrique de taille de l’effet ne relève pas d’une préférence subjective de l’analyste, mais d’une adéquation algorithmique rigoureuse à la topologie structurelle des données recueillies et aux finalités conceptuelles de la recherche. Pour guider l’analyste dans ce processus d’élection méthodologique, plusieurs critères discriminants doivent être examinés de manière hiérarchique.

Le premier critère directeur concerne la dimensionnalité globale du tableau croisé d’indépendance. Face à une matrice polytomique arbitraire d’ordre r × c (où soit le nombre de lignes, soit le nombre de colonnes excède la valeur 2), le choix s’impose de façon univoque : le V de Cramér est la seule métrique capable de fournir une estimation standardisée bornée entre 0 et 1. Le coefficient Phi et l’Odds Ratio standard sont exclus de ce périmètre par construction géométrique.

Le second filtre décisionnel intervient face à une matrice dichotomique stricte 2×2. Deux alternatives majeures s’affrontent alors :

• Si la recherche s’inscrit dans le champ de la modélisation corrélationnelle, de la psychométrie différentielle ou de l’évaluation de la variance partagée entre deux attributs descriptifs de même statut conceptuel, le coefficient Phi constitue l’estimateur canonique le plus adapté en raison de sa correspondance directe avec la métrique r de Pearson.
• Si l’investigation s’ancre dans un devis épidémiologique, une recherche clinique cas-témoins, une évaluation d’efficacité thérapeutique différentielle ou un protocole orienté vers l’estimation d’un risque pathologique, l’Odds Ratio supplante le coefficient Phi grâce à sa non-sensibilité au plan d’échantillonnage rétrospectif et à son intuitivité pratique immédiate.

11.2 Sensibilité aux distributions marginales et asymétries

La sensibilité différentielle des métriques aux contraintes marginales constitue un élément d’arbitrage méthodologique déterminant. Le coefficient Phi et le V de Cramér sont des mesures de corrélation hautement dépendantes de la distribution des taux de base (base rates) et de la prévalence des modalités au sein de l’échantillon. Dès lors qu’une asymétrie marginale prononcée se manifeste — par exemple lorsqu’un comportement clinique marginal ne s’observe que chez 2 % des sujets —, la magnitude maximale atteignable de Phi s’effondre sous l’effet de la contrainte géométrique, introduisant un biais conservateur important.

À l’inverse, l’Odds Ratio fait preuve d’une robustesse mathématique exceptionnelle face aux déséquilibres marginaux : il s’avère totalement invariant face à la multiplication scalaire d’une ligne ou d’une colonne par une constante quelconque. Cette résilience découle de son équivalence avec le modèle multiplicatif sous-jacent. L’Odds Ratio capture l’interaction pure entre les variables indépendamment de la prévalence relative de chaque catégorie, ce qui en fait l’outil d’élection pour les études ciblant des phénomènes rares ou atypiques.

Concernant le V de Cramér, une vigilance particulière s’impose lors de l’adjonction de modalités dites « vides » ou ultra-marginales (n’abritant que quelques observations isolées). Bien que le facteur dimensionnel $k = min(r – 1, c – 1)$ compense théoriquement l’élargissement de la matrice, l’inclusion de catégories résiduelles sans consistance empirique tend à diluer la variance explicative et à abaisser mécaniquement la valeur du coefficient global, soulignant l’importance d’un travail préalable d’agrégation catégorielle conceptuellement justifiée.

11.3 Traduction et interchangeabilité des indices

Dans la perspective de la synthèse méta-analytique et de l’intégration cumulative des données probantes, les méthodologistes ont établi des fonctions de conversion mathématique permettant d’assurer la passerelle entre ces différentes familles de métriques d’association.

Dans le cadre d’un tableau 2×2 où les prévalences marginales ne s’écartent pas excessivement de l’équilibre symétrique ($p \approx 0{,}50$), une relation d’approximation heuristique lie le coefficient Phi à l’Odds Ratio :

$$OR \approx \exp\left(\frac{\phi \times \pi}{\sqrt{3}}\right) \approx \exp(1{,}814 \times \phi)$$

Inversement, le passage de l’Odds Ratio vers le coefficient d de Cohen — étalon fondamental de la différence de moyennes standardisée — s’opère couramment dans les méta-analyses biomédicales via la transformation classique de Hasselblad et Hedges :

$$d = \frac{\ln(OR) \times \sqrt{3}}{\pi} \approx \frac{\ln(OR)}{1{,}814}$$

Ces formules de conversion doivent néanmoins être mobilisées avec une prudence extrême. Elles reposent sur l’hypothèse implicite d’une distribution normale logistique sous-jacente continue ayant subi une dichotomisation artificielle. Si les variables analysées renvoient à des entités nominales qualitatives discrètes sans continuité sous-jacente possible (par exemple, des typologies religieuses ou géographiques), ces passerelles de conversion perdent leur validité théorique et doivent être proscrites.

12. Normes de restitution académique et rédaction selon les standards APA

12.1 Directives de mise en forme typographique APA (7e édition)

La transmission des données statistiques dans un manuscrit scientifique soumis aux périodiques internationaux exige une conformité rigoureuse avec les canons de l’American Psychological Association (APA, 7e édition). Ces directives visent à garantir la standardisation typographique, l’intégrité sémiotique et la lisibilité immédiate des résultats pour la communauté académique.

Sur le plan de la formalisation typographique, toutes les lettres latines symbolisant des paramètres statistiques ou des métriques quantitatives doivent être composées en caractères italiques : ainsi, le chi-carré s’écrit $\chi^2$, le coefficient Phi s’illustre par $phi$, le V de Cramér par $V$, l’Odds Ratio par la mention OR, la taille d’échantillon globale par la majuscule italique N, et la valeur de signification probabiliste par l’initiale minuscule p. Les lettres grecques (telles que $\chi$ et $phi$) échappent en revanche à l’italisation selon les canons stricts de l’APA, bien que les logiciels de traitement de texte tolèrent souvent un usage uniforme.

La formulation textuelle d’un test d’association doit impérativement consigner de manière exhaustive :

1. L’identification du test statistique exécuté.
2. Les degrés de liberté associés, présentés entre parenthèses immédiatement après le symbole du test.
3. La taille totale de l’échantillon analysé.
4. La valeur numérique calculée de la statistique avec deux décimales de précision.
5. La valeur p exacte rapportée avec trois décimales (sauf lorsqu’elle est inférieure à 0,001, auquel cas la formulation consacrée est p < 0,001).
6. La valeur ponctuelle de la taille de l’effet choisie accompagnée de son intervalle de confiance.

Voici un exemple de rédaction canonique textuelle intégrant le coefficient Phi pour un tableau 2×2 :

« Un test d’indépendance du chi-carré de Pearson a révélé une association statistiquement significative entre l’exposition antérieure à un traumatisme et la survenue d’un trouble anxieux, χ²(1, N = 200) = 26,47, p < 0,001, φ = 0,36, IC à 95 % [0,23 ; 0,49]. »

Dans le cas d’une matrice multidimensionnelle polytomique rapportant le V de Cramér :

« Le croisement des sous-types nosologiques dépressifs avec les profils de réponse thérapeutique indique une contingence statistique hautement significative, χ²(6, N = 300) = 32,59, p < 0,001, V = 0,23, IC à 95 % [0,14 ; 0,33]. »

12.2 Intégration systématique des intervalles de confiance

L’exigence contemporaine de transparence scientifique impose de ne plus jamais rapporter une taille d’effet sous la forme d’une estimation ponctuelle isolée. Une métrique de taille de l’effet n’est qu’un estimateur empirique soumis à l’aléa de l’échantillonnage ; son intervalle de confiance fournit la mesure indispensable de son imprécision structurelle.

Alors que la construction analytique de l’intervalle de confiance de l’Odds Ratio s’effectue via l’erreur-type asymptotique de Woolf sur l’échelle logit, l’établissement des intervalles de confiance pour le V de Cramér et le coefficient Phi s’avère plus complexe en raison de la nature asymétrique et non-centrale de la distribution théorique du chi-carré sous l’hypothèse alternative. Deux approches méthodologiques sont privilégiées :

• La dérivation paramétrique par distribution non-centrale : Elle mobilise la distribution du chi-carré non-central ($\chi^2(df, \lambda)$) pour retrouver les paramètres de non-centralité ($lambda$) compatibles avec la statistique empirique observée, qui sont ensuite réinjectés dans l’équation d’échelle pour délimiter les bornes à 95 %.
• Le rééchantillonnage non paramétrique (Bootstrapping) : Cette méthode computationnelle moderne génère un grand nombre de répliques simulées de l’échantillon d’origine (typiquement 2 000 à 5 000 itérations par tirage avec remise). L’estimation empirique du V de Cramér est recalculée sur chaque pseudo-échantillon, et les quantiles à 2,5 % et 97,5 % de la distribution empirique générée définissent l’intervalle de confiance final. Cette approche présente l’avantage décisif d’être exempte de tout postulat de normalité asymptotique.

La formulation textuelle normalisée intègre ces bornes de manière systématique, permettant aux examinateurs de juger immédiatement de la robustesse de l’association observée.

12.3 Élaboration de tableaux de contingence normalisés

Dans le format de mise en page requis par l’American Psychological Association, la diffusion des données qualitatives bivariées au sein d’un tableau synthétique doit répondre à des critères stricts de clarté visuelle et d’exhaustivité sémiotique. Les normes graphiques de l’APA proscrivent l’usage des grilles quadrillées intégrales : les tableaux ne doivent comporter aucune bordure verticale et se limiter à trois lignes horizontales principales (une sous le titre de la table, une sous la ligne d’en-tête descriptive, et une fermant la base du tableau avant les notes méthodologiques).

Sur le plan du contenu informatif, chaque cellule de la matrice de contingence doit comporter l’effectif observé brut (n) enrichi obligatoirement d’un indicateur de proportion standardisé (le pourcentage en ligne, le pourcentage en colonne, ou les deux délinéés avec précision). Les marges récapitulatives de lignes et de colonnes doivent figurer de manière explicite afin de permettre au lecteur de reconstituer sans ambiguïté les calculs des effectifs attendus sous l’hypothèse d’indépendance.

Enfin, la base du tableau doit être pourvue de notes descriptives organisées selon les trois registres codifiés par l’APA : une note générale (Note.) détaillant les conventions d’abréviation et précisant si les pourcentages ont été calculés sur la base des totaux de lignes ou de colonnes ; des notes spécifiques (marquées par des lettres en exposant) éclairant le sens d’un statut particulier ; et des notes de probabilité (identifiées par des astérisques standardisées : *p < 0,05, **p < 0,01, ***p < 0,001) signalant le niveau d’incompatibilité statistique issu du test d’hypothèse globale.

Références

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

Anscombe, F. J. (1956). On estimating binomial response relations. Biometrika, 43(3/4), 461–464. https://doi.org/10.1093/biomet/43.3-4.461

Bergsma, W. (2013). A bias-correction for Cramér’s V and Tschuprow’s T. Journal of the Korean Statistical Society, 42(3), 323–328. https://doi.org/10.1016/j.jkss.2012.10.002

Cochran, W. G. (1954). The χ² test of goodness of fit. The Annals of Mathematical Statistics, 23(3), 315–345. https://doi.org/10.1214/aoms/1177729380

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587

Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155

Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press. https://press.princeton.edu/books/paperback/9780691172828/mathematical-methods-of-statistics

Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966

Fleiss, J. L., Levin, B., & Paik, M. C. (2003). Statistical methods for rates and proportions (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471445428

Haberman, S. J. (1973). The analysis of residuals in cross-classified tables. Biometrics, 29(1), 205–220. https://doi.org/10.2307/2529686

Haldane, J. B. S. (1955). The estimation and significance of the logarithm of a ratio of frequencies. Annals of Human Genetics, 20(4), 309–311. https://doi.org/10.1111/j.1469-1809.1955.tb01285.x

Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.2307/1164588

Makowski, D., Ben-Shachar, M. S., & Lüdecke, D. (2019). Compute and conduct next-generation analysis with the tidyverse and easystats. Journal of Open Source Software, 4(40), 1541. https://doi.org/10.21105/joss.01541

Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. Philosophical Magazine Series 5, 50(302), 157–175. https://doi.org/10.1080/14786440009463897

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

Woolf, B. (1955). On estimating the relation between blood group and disease. Annals of Human Genetics, 19(4), 251–253. https://doi.org/10.1111/j.1469-1809.1955.tb01348.x