Dans le champ de la recherche scientifique et plus particulièrement au sein des sciences psychologiques, comportementales et biomédicales, l’expérimentateur est confronté au défi constant d’isoler des relations de causalité au sein de systèmes intrinsèquement complexes et bruités. L’étude du fonctionnement psychologique ne s’opère jamais en vase clos : tout comportement, processus cognitif ou changement clinique résulte d’une multiplicité de déterminants en interaction constante. Lorsqu’un chercheur postule l’existence d’un lien entre une variable indépendante manipulée ou observée et une variable dépendante mesurant le phénomène d’intérêt, une infinité d’autres dimensions biotiques, psychométriques ou environnementales s’invitent simultanément dans le protocole empirique. C’est à la croisée de cette complexité écologique et de l’exigence de rigueur déductive qu’émerge le concept central de variable concomitante.
La variable concomitante — couramment désignée sous l’appellation de covariable dans la modélisation statistique — représente un facteur mesuré parallèlement au phénomène investigué. Bien qu’elle ne constitue pas l’objet direct de l’hypothèse substantive du chercheur, elle entretient une relation systématique avec la variable dépendante, et fréquemment avec la variable indépendante dans les contextes non strictement expérimentaux. Loin de représenter un détail technique accessoire relégué aux annexes méthodologiques, la prise en compte raisonnée des variables concomitantes détermine fondamentalement la validité des inférences scientifiques. Une variable concomitante négligée est capable d’anéantir la puissance statistique d’une expérience, de masquer un effet thérapeutique réel ou, à l’inverse, d’engendrer des corrélations purement fallacieuses en simulant une causalité inexistante.
Le présent article propose une analyse approfondie et systématique de la variable concomitante, depuis ses fondements épistémologiques jusqu’aux architectures statistiques les plus contemporaines. À travers l’examen de ses propriétés formelles, de ses lignes de démarcation avec les concepts voisins de médiation et de modération, ainsi que de ses applications concrètes au sein de sous-disciplines variées — des neurosciences cognitives à la psychologie clinique et organisationnelle —, ce guide vise à doter les chercheurs, doctorants et praticiens des repères théoriques et méthodologiques indispensables pour maîtriser le bruit expérimental et affiner la précision de leurs modèles empiriques.
1. Introduction et définition fondamentale de la variable concomitante
1.1 Qu’est-ce qu’une variable concomitante en recherche psychologique ?
D’un point de vue épistémologique, une variable concomitante se définit comme une propriété, un attribut ou un événement mesuré de manière concomitante à la variable dépendante principale, qui n’est pas le foyer théorique de l’hypothèse mise à l’épreuve, mais dont on sait ou suspecte qu’elle partage une fraction substantielle de variance avec le critère évalué. Dans le cadre classique de la méthode expérimentale formalisée par Claude Bernard et transposée aux sciences humaines par l’American Psychological Association, le scientifique cherche à établir une fonction causale reliant une variable indépendante (la cause présumée ou le traitement administré) à une variable dépendante (l’effet observé). La variable concomitante se situe en marge de ce diptyque conceptuel : elle n’est ni la cause que l’on manipule délibérément, ni l’effet théorique ultime que l’on cherche à expliquer.
Sur le plan conceptuel, la variable concomitante se distingue par sa contribution à la variabilité globale observée. Tout score psychométrique ou comportemental recueilli lors d’une passation expérimentale intègre deux composantes mathématiques distinctes : la variabilité d’intérêt (associée directement à l’effet de la variable indépendante) et la variabilité de bruit (attribuable aux fluctuations aléatoires, aux erreurs d’échantillonnage et aux différences interindividuelles préexistantes). La variable concomitante appartient initialement à cette variabilité de bruit. Néanmoins, à la différence du bruit purement stochastique qui se distribue de façon gaussienne autour de zéro sans corrélation avec les paramètres du modèle, la variable concomitante introduit une variabilité systématique et structurée. Ne pas l’extraire revient à laisser une portion prédictible de variance se fondre dans l’erreur résiduelle du modèle.
Ainsi, en recherche psychologique, la variable concomitante possède un statut d’auxiliaire analytique. Sa mesure systématique a pour vocation de transformer une part d’incertitude non contrôlée en variance expliquée. En identifiant ces facteurs d’arrière-plan dès la phase de conceptualisation du devis de recherche, le chercheur s’assure que la comparaison entre ses groupes expérimentaux ou l’estimation de ses coefficients de régression reflète au plus près la réalité psychologique sous-jacente, dépouillée des artéfacts inhérents à l’hétérogénéité naturelle des sujets humains.
1.2 Terminologie associée : covariable, variable parasite et variable de confusion
L’usage du terme « variable concomitante » nécessite une clarification sémantique rigoureuse vis-à-vis d’autres notions fréquemment employées de façon interchangeable dans la littérature académique francophone et internationale. Le terme le plus proche, issu du vocabulaire économétrique et biométrique, est celui de covariable. Bien que les deux vocables soient souvent synonymes dans la pratique opérationnelle, la covariable désigne prioritairement l’incarnation statistique de la variable concomitante au sein d’une équation linéaire, qu’il s’agisse d’une analyse de covariance ou d’une régression multiple. La variable concomitante renvoie quant à elle au statut ontologique du phénomène dans le protocole de recherche, soulignant sa présence temporelle et écologique concomitante à l’administration des mesures.
Une distinction fondamentale doit être opérée entre la variable concomitante mesurée et les variables parasites ou de nuisance (souvent qualifiées de nuisance variables ou extraneous variables). Une variable parasite désigne toute source d’influence non désirée susceptible de contaminer la variable dépendante. Si cette variable parasite demeure non identifiée ou non mesurée par l’expérimentateur (comme les fluctuations de température d’un laboratoire ou les variations imperceptibles d’éclairage), elle dégrade la précision de la mesure sans qu’aucun ajustement mathématique ne soit possible. La variable concomitante, au sens strict du terme en méthodologie quantitative, se distingue précisément de la variable parasite brute par le fait qu’elle est formellement capturée par un instrument de mesure valide, ce qui permet son intégration subséquente dans l’appareil d’analyse statistique.
Enfin, la frontière avec les variables de confusion (ou confounders selon la modélisation de Judea Pearl) touche au cœur de l’inférence causale. Une variable de confusion est une tierce variable corrélée à la fois à la variable indépendante et à la variable dépendante, créant une association fallacieuse entre elles ou distordant la véritable magnitude de leur relation. Si toute variable de confusion peut et doit être traitée comme une variable concomitante afin de neutraliser son effet déformant, toute variable concomitante n’est pas nécessairement une variable de confusion. Une covariable peut en effet être totalement indépendante du traitement expérimental tout en étant fortement prédictive du critère, jouant alors un rôle crucial de réduction de variance sans menacer directement la structure causale du plan expérimental.
1.3 Importance méthodologique de la prise en compte de la concomitance
La neutralisation ou l’ajustement pour les variables concomitantes constitue un impératif méthodologique de premier ordre pour garantir la validité interne d’une recherche. La validité interne renvoie à la certitude avec laquelle un scientifique peut affirmer que les variations observées sur le critère d’évaluation résultent univoquement de la manipulation de la variable indépendante, et non de facteurs rivaux alternatifs. Lorsque des variables concomitantes dotées d’un pouvoir prédictif élevé sont ignorées, elles introduisent des explications concurrentes plausibles qui fragilisent les conclusions. De même, la validité de construit se trouve compromise si le score mesuré reflète davantage l’impact d’une covariable périphérique que le construit psychologique ciblé par l’étude.
Sur le plan mathématique, l’omission d’une variable concomitante pertinente se traduit directement par une distorsion des estimations paramétriques. Dans les devis non totalement randomisés, cela se manifeste par le classique biais de variable omise, où les coefficients de régression associés au prédicteur principal absorbent artificiellement la variance imputable à la covariable absente. Cette distorsion peut mener à une surévaluation dramatique de l’efficacité d’une intervention psychothérapeutique ou d’une méthode pédagogique innovante, trompant la communauté scientifique et les décideurs publics sur la portée réelle des découvertes présentées.
Au-delà de la prévention des biais d’estimation, la prise en compte rigoureuse de la concomitance permet de contrer les fausses conclusions scientifiques, qu’il s’agisse d’erreurs de type I (déclarer un effet significatif qui n’est qu’un artefact généré par une covariable non contrôlée) ou d’erreurs de type II (conclure à l’absence d’effet en raison d’une variance d’erreur massivement gonflée par une variable concomitante négligée). L’intégration méthodologique et statistique des variables concomitantes apparaît ainsi comme une condition sine qua non de la réplicabilité et de la robustesse des connaissances produites en psychologie expérimentale et clinique.
2. Caractéristiques conceptuelles et propriétés des variables concomitantes
2.1 Statut d’intérêt secondaire versus rôle d’interférence
Le statut épistémique de la variable concomitante est par essence asymétrique vis-à-vis des objectifs fondamentaux du chercheur. Dans tout programme expérimental, la sélection des variables procède d’une théorie substantive qui stipule des relations nomothétiques précises : la mémoire de travail influence la compréhension de lecture, l’exposition à un stimulus anxiogène accroît l’évitement comportemental, ou une thérapie cognitive réduit les distorsions cognitives. Dans cette architecture conceptuelle, la variable concomitante possède un statut subordonné ou d’intérêt secondaire ; elle n’est pas le moteur du développement théorique en cours mais représente un paramètre contextuel ou individuel incontournable de l’écologie du sujet.
En dépit de ce statut théorique secondaire, la capacité d’interférence de la variable concomitante sur le plan opérationnel est considérable. Cette interférence peut se manifester sous deux formes dynamiques opposées : masquante ou amplificatrice. Une interférence masquante survient lorsque la variable concomitante agit dans le sens inverse du traitement expérimental ou disperse si profondément les scores des participants au sein de chaque groupe que l’effet propre de la variable indépendante devient indétectable au milieu du vacarme statistique. À l’opposé, une interférence amplificatrice peut simuler un effet expérimental particulièrement robuste alors que la différence intergroupe observée ne résulte que d’un déséquilibre initial accidentel sur la covariable.
Face à cette ambivalence, le chercheur ne peut se contenter d’espérer la neutralité passive de ses variables concomitantes. Il est contraint d’adopter une posture proactive consistant à modéliser explicitement leur contribution mathématique au sein de l’espace vectoriel des données. Modéliser la variable concomitante permet d’extraire la variance qui lui revient de droit dans la matrice de covariance, permettant aux estimateurs de se focaliser exclusivement sur le signal véritable émis par la variable d’intérêt théorique.
2.2 Types de relation avec les variables indépendantes et dépendantes
La caractérisation d’une variable concomitante dépend étroitement de la topologie de ses interconnexions avec les autres variables du modèle. Le premier cas de figure, idéal sur le plan du contrôle expérimental pur, correspond à une situation de corrélation exclusive avec la variable dépendante, sans aucun lien statistique avec la variable indépendante. Cette configuration se rencontre fréquemment dans les expériences randomisées en laboratoire : la répartition aléatoire garantit que la variable indépendante et la covariable sont orthogonales (corrélation nulle), tandis que la covariable demeure fortement liée au critère d’évaluation. Dans ce scénario précis, la variable concomitante ne modifie aucunement la valeur absolue de l’effet moyen du traitement, mais elle en réduit drastiquement l’erreur standard.
Le second scénario, prédominant dans les recherches corrélationnelles, quasi-expérimentales ou épidémiologiques, implique une corrélation simultanée de la variable concomitante avec la variable indépendante et la variable dépendante. Dès lors que cette double liaison se concrétise, la variable concomitante accède au statut de variable de confusion. L’effet brut observé entre l’exposition et le critère devient un agrégat composite comprenant l’effet direct du prédicteur et l’effet indirect transmis par la covariable. L’ajustement mathématique devient alors obligatoire non seulement pour réduire la variance d’erreur, mais pour décontaminer le coefficient de régression principal et restaurer une estimation non biaisée du paramètre.
Enfin, il existe des situations complexes où la variable concomitante n’entretient pas uniquement des relations additives simples, mais participe à des interactions d’ordre supérieur. Lorsque l’effet de la variable indépendante sur la variable dépendante varie systématiquement selon les modalités ou le niveau de la variable concomitante, cette dernière cesse de fonctionner comme une covariable standard pour devenir un modérateur de facto. Ce phénomène d’hétérogénéité des effets du traitement souligne l’importance impérieuse de vérifier que la covariable ne modifie pas la nature même de la réponse au traitement avant de procéder à son ajustement linéaire univarié.
2.3 La nature des échelles de mesure des variables concomitantes
L’opérationnalisation d’une variable concomitante s’inscrit au sein de la typologie classique des échelles de mesure formalisée par Stanley Smith Stevens. Les variables continues, mesurées sur des échelles d’intervalles ou de rapports, constituent la typologie la plus fréquemment mobilisée lors de l’application des modèles de covariance classiques. On y retrouve l’âge chronologique des participants, les temps de réaction exprimés en millisecondes, ou des indices psychométriques standardisés tels que le quotient intellectuel ou des scores dimensionnels d’anxiété-trait. La continuité mathématique de ces variables permet une modélisation fine de leur trajectoire prédictive au travers de fonctions de régression linéaires ou polynomiales.
À côté des variables continues, un nombre considérable de variables concomitantes adoptent une nature catégorielle, polytomique ou strictement dichotomique. Le sexe biologique, le statut d’emploi, la catégorie socio-économique d’origine ou l’appartenance à une cohorte clinique spécifique illustrent ces propriétés discrètes. Le traitement statistique de ces variables nécessite des adaptations techniques précises, telles que le codage disjonctif complet (codage dummy ou codage par contraste de déviation), afin de pouvoir les injecter dans la matrice de design du modèle linéaire général sans transgresser les axiomes de calcul matriciel.
Le choix de l’échelle de mesure et la fidélité de l’instrument employé conditionnent de manière critique l’efficacité du contrôle exercé par la variable concomitante. Une erreur de catégorisation artificielle d’une variable continue sous-jacente — comme la dichotomisation arbitraire d’un score de dépression par une séparation par la médiane (median split) — induit une perte sévère d’information statistique, diminue la puissance des tests d’ajustement et peut paradoxalement générer des effets résiduels de confusion là où le chercheur pensait avoir assaini ses données. La préservation de la granularité maximale de la mesure demeure ainsi un prérequis technique fondamental.
3. Distinction entre variable concomitante, variable médiatrice et variable modératrice
3.1 Variable concomitante versus variable médiatrice
L’une des confusions conceptuelles les plus périlleuses en analyse multivariée réside dans l’assimilation hâtive d’une variable médiatrice à une simple variable concomitante. La médiation renvoie fondamentalement à une chaîne générative ou un mécanisme causal intermédiaire : elle cherche à répondre à la question du comment ou du pourquoi un phénomène produit un effet. Dans une structure de médiation classique, la variable indépendante exerce une influence causale sur le médiateur, qui à son tour engendre des variations sur la variable dépendante (schématisé par la séquence : Variable Indépendante → Médiateur → Variable Dépendante). Le médiateur se trouve donc positionné sur la trajectoire causale directe reliant l’antécédent au conséquent.
À l’opposé, une variable concomitante authentique ne doit en aucun cas se situer en aval causal de la variable indépendante. Elle ne représente nullement le vecteur fonctionnel par lequel le traitement diffuse son action. Dans la majorité des protocoles rigoureux, la variable concomitante est soit préexistante à l’exposition (comme les traits de personnalité ou les données sociodémographiques), soit totalement exogène au traitement administré. Traiter une variable concomitante comme un médiateur n’a pas de sens théorique, car celle-ci n’est pas engendrée par l’intervention expérimentale.
Réciproquement, le danger le plus dévastateur réside dans le fait d’ajuster statistiquement un modèle pour une variable médiatrice en croyant ajuster pour une banale variable concomitante. Cette bévue analytique, souvent qualifiée de sur-ajustement ou de contrôle intermédiaire illégitime, a pour conséquence immédiate d’épurer la variable dépendante de la variance même qui matérialise l’effet indirect du traitement. En contrôlant pour un médiateur, le chercheur « annule » artificiellement l’impact réel de son intervention en neutralisant le canal d’action biologique ou psychologique par lequel celle-ci opère, aboutissant à une fausse conclusion d’inefficacité thérapeutique.
3.2 Variable concomitante versus variable modératrice
La distinction entre variable concomitante et variable modératrice s’articule autour de la notion d’interaction statistique. Une variable modératrice vise à répondre aux interrogations portant sur le quand ou pour qui un effet donné se produit. Elle spécifie les conditions contextuelles ou les caractéristiques individuelles qui modifient la force, la direction ou l’amplitude de la relation unissant la variable indépendante à la variable dépendante. Dans un modèle de régression, la modération est formalisée par l’inclusion explicite d’un terme de produit croisé entre le prédicteur principal et le modérateur.
Dans sa conception opérationnelle standard (notamment au sein de l’analyse de covariance classique), la variable concomitante postule au contraire une stricte homogénéité des pentes de régression. Cela implique que l’on assume l’absence fondamentale d’interaction entre la variable indépendante et la covariable. L’ajustement repose sur le principe que l’impact de la covariable sur le critère d’évaluation est d’une amplitude rigoureusement identique quelle que soit la condition expérimentale assignée au participant. La variable concomitante se borne à décaler verticalement la droite ou le plan de régression sans en altérer l’inclinaison marginale.
Si lors de la modélisation statistique empirique, le chercheur observe que l’hypothèse d’homogénéité des pentes est violée de façon significative, le statut méthodologique de la tierce variable bascule instantanément. Elle cesse d’agir comme un simple agent d’ajustement additif pour devenir un modérateur à part entière du traitement. Prétendre maintenir une modélisation de covariance univariée face à une telle non-homogénéité constitue une erreur de spécification grave, masquant le fait capital que l’intervention fonctionne différemment selon les sous-groupes de la population étudiée.
3.3 Arbre décisionnel pour classifier une tierce variable
Afin d’orienter le chercheur dans la caractérisation typologique d’une tierce variable mesurée au cours d’un protocole empirique, plusieurs critères décisionnels successifs doivent être méthodiquement évalués. Le premier filtre relève de l’antériorité chronologique : la variable tierce a-t-elle été mesurée ou déterminée avant la mise en œuvre de la manipulation expérimentale ? Si la réponse est affirmative, la variable ne peut en aucun cas être un médiateur de l’effet immédiat du traitement, car un effet ne peut précéder temporellement sa cause. Elle se qualifie immédiatement comme candidate éligible au rôle de variable concomitante ou de modérateur potentiel.
Le second filtre décisionnel mobilise l’architecture théorique et l’analyse de dépendance conditionnelle, concepts formellement théorisés par les modèles graphiques causaux ou DAGs (Directed Acyclic Graphs). Le chercheur doit interroger la plausibilité d’une chaîne causale : la variable est-elle la conséquence directe de la variable indépendante et la cause directe de la dépendante ? Si la théorie substantive appuie cette conjecture mécanistique, la variable doit être catégorisée comme médiatrice et analysée via des équations structurelles ou le macro Process de Hayes, sans faire l’objet d’un ajustement de covariance traditionnel.
Le troisième filtre consiste à tester statistiquement la présence d’une interaction entre la tierce variable et le facteur de traitement. Si le test de parallélisme révèle un terme d’interaction statistiquement significatif ou de taille substantielle, la variable doit être spécifiée comme un modérateur. Si l’interaction est négligeable et que la variable se contente de partager une covariance robuste avec le critère tout en étant insensible à la manipulation expérimentale, elle répond pleinement à la définition d’une variable concomitante pure, idéale pour l’application d’un modèle d’analyse de covariance classique.
4. L’impact de la non-prise en compte des variables concomitantes
4.1 Biais d’omission de variable et distorsion des coefficients
L’omission d’une variable concomitante majeure lorsqu’elle est corrélée aux prédicteurs inclus engendre des conséquences destructrices sur l’exactitude des estimations statistiques. Ce phénomène, documenté mathématiquement sous le nom de biais de variable omise (omitted variable bias), découle de la redistribution forcée de la variance non capturée. Dans le cadre d’un modèle de régression linéaire de la forme :
Y = β0 + β1X + β2Z + ε
où Y représente la variable dépendante, X la variable indépendante d’intérêt et Z la variable concomitante non observée, l’estimation d’un modèle tronqué ignorant Z attribue à l’estimateur de β1 une espérance mathématique biaisée :
E(β̂1) = β1 + β2 × Cov(X, Z) / Var(X)
Cette formalisation met en lumière le mécanisme de la distorsion : tant que β2 (l’effet de la covariable sur le critère) et la covariance entre le prédicteur et la covariable sont non nuls, le coefficient estimé s’écarte inévitablement de la véritable valeur du paramètre populationnel. Selon les signes respectifs de ces deux relations, le chercheur s’expose à une surestimation dramatique de l’effet étudié ou, inversement, à une sous-estimation artificielle pouvant aboutir à l’illusion d’une absence d’impact. Dans les contextes appliqués comme l’évaluation des politiques de santé mentale, une telle distorsion paramétrique peut conduire au déploiement inutile de programmes inefficaces ou au rejet prématuré d’approches thérapeutiques prometteuses.
De surcroît, même lorsque la variable concomitante n’est pas corrélée à la variable indépendante — ce qui préserve l’espérance non biaisée du coefficient —, son omission entraîne une élévation mécanique de la variance de l’erreur résiduelle. Les coefficients de régression perdent leur propriété d’efficacité asymptotique : leurs erreurs standards deviennent excessivement larges, diluant la précision des intervalles de confiance et affaiblissant considérablement la stabilité des réplications expérimentales futures.
4.2 Gonflement de la variance résiduelle et perte de puissance statistique
Le second péril majeur lié à la négligence d’une variable concomitante prédictive réside dans l’affaiblissement de la puissance statistique des tests d’hypothèse. Dans toute l’architecture du modèle linéaire général, la décision de rejeter l’hypothèse nulle repose sur le calcul d’un ratio de variance, à l’instar du ratio F de Fisher-Snedecor au sein de l’analyse de variance. Ce ratio confronte la variance systématique attribuable au traitement à la variance non expliquée ou variance résiduelle (le carré moyen de l’erreur) :
F = CMTraitement / CMErreur
Lorsqu’une variable concomitante fortement corrélée au critère est ignorée par le protocole expérimental, toute la variance qu’elle aurait pu expliquer se déverse intégralement au numérateur du carré moyen de l’erreur résiduelle. Ce gonflement artificiel du dénominateur a pour effet mécanique d’écraser la magnitude du ratio F obtenu, provoquant une augmentation corrélative de la p-valeur associée. Le chercheur s’expose alors directement à l’erreur statistique de type II : échouer à rejeter l’hypothèse nulle alors même que la manipulation expérimentale a produit un effet réel d’amplitude clinique ou théorique majeure.
Le contrôle rigoureux de la variable concomitante offre à l’inverse une optimisation spectaculaire de la taille d’échantillon requise. En extrayant une proportion substantielle de la variance d’erreur, le dénominateur du test F se contracte, démultipliant la sensibilité du dispositif expérimental. Une étude qui nécessiterait plusieurs centaines de participants pour détecter un effet ténu peut ainsi voir ses effectifs requis réduits de moitié dès lors que des variables concomitantes prédictives pertinentes — telles que le niveau cognitif initial ou des indicateurs biologiques de base — sont méthodiquement mesurées et intégrées au modèle analytique.
4.3 Relations fallacieuses et paradoxe de Simpson en psychologie
La manifestation la plus spectaculaire et contre-intuitive de la non-prise en compte des variables concomitantes est sans conteste le paradoxe de Simpson. Ce phénomène statistique survient lorsqu’une association observée entre deux variables au sein d’une population globale s’inverse complètement ou s’annihile lorsque les données sont segmentées selon les strates d’une tierce variable concomitante sous-jacente. L’omission de cette covariable structurelle ne se borne pas à distordre marginalement une taille d’effet : elle engendre une inversion vectorielle totale de l’inférence scientifique.
En psychologie différentielle et sociale, ce paradoxe trouve des illustrations saisissantes. Considérons une recherche fictive examinant la relation entre le temps passé sur les réseaux sociaux et le niveau d’estime de soi chez des adultes. Une analyse globale naïve ne tenant pas compte de la variable concomitante de l’âge pourrait indiquer une corrélation positive statistiquement significative : les individus passant le plus de temps sur ces plateformes semblent afficher une estime de soi plus élevée. Toutefois, l’âge constitue une variable concomitante critique corrélée négativement à l’usage des technologies et positivement à l’estime de soi moyenne dans cette cohorte. Lorsque l’analyse est ajustée pour la variable de l’âge, la corrélation s’inverse radicalement au sein de chaque strate générationnelle : à âge égal, une consultation accrue des réseaux sociaux est en réalité corrélée à une détérioration de l’estime de soi.
L’apparition de ces corrélations illusoires démontre qu’en l’absence d’une identification théorique rigoureuse des variables concomitantes, les analyses bivariées les plus élémentaires sont susceptibles de fabriquer des mirages empiriques. L’interprétation causale des données psychologiques requiert impérativement de scruter les arrière-plans distributionnels afin de s’assurer que les conclusions tirées sur un groupe agrégé ne reflètent pas simplement la composition asymétrique d’une variable concomitante ignorée.
5. Variables concomitantes dans les plans d’études observationnelles
5.1 Vulnérabilité inhérente aux devis non expérimentaux
Les devis observationnels, qu’ils soient de nature transversale, corrélationnelle ou longitudinale, se caractérisent par l’impossibilité éthique ou pratique pour le chercheur de manipuler activement l’exposition des participants et d’assigner ces derniers de manière aléatoire aux différentes conditions. Cette absence de contrôle direct rend les études observationnelles structurellement vulnérables aux biais de confusion. Dans ce contexte écologique, les participants s’auto-sélectionnent au sein des modalités d’exposition en fonction de déterminants génétiques, psychopathologiques, socio-économiques ou culturels qui agissent tous simultanément comme des variables concomitantes enchevêtrées.
Cette constellation de facteurs préexistants compromet l’échangeabilité contrefactuelle des groupes observés. Deux groupes d’individus qui se distinguent par une habitude de vie (par exemple, la pratique quotidienne de la méditation de pleine conscience versus l’absence de pratique) ne diffèrent jamais uniquement sur cette dimension spécifique. Ils se distinguent également par leur régime alimentaire, leur niveau d’anxiété basale, leur capital culturel et leur accès aux soins médicaux. Chacune de ces variables concomitantes représente une hypothèse concurrente susceptible de rendre compte des écarts observés sur les indicateurs de santé mentale ou de longévité.
Dès lors, l’inférence causale en contexte observationnel relève d’un défi probabiliste redoutable. Le chercheur ne dispose pas de l’arme maîtresse que constitue la randomisation pour blanchir les groupes de leurs disparités initiales. La crédibilité scientifique de l’étude repose alors exclusivement sur la capacité théorique du chercheur à anticiper, identifier, opérationnaliser et modéliser l’ensemble des variables concomitantes critiques susceptibles de biaiser l’estimation des relations d’intérêt.
5.2 Identification a priori des variables concomitantes critiques
Face à la plasticité des devis non expérimentaux, l’identification des variables concomitantes ne peut en aucun cas reposer sur un processus empirique opportuniste ou sur des explorations statistiques automatiques non guidées par la théorie. Elle exige une démarche déductive rigoureuse, initiée dès la formulation de la question de recherche au moyen d’une revue systématique et critique de la littérature spécialisée. Le chercheur doit répertorier l’ensemble des déterminants connus du critère d’évaluation documentés par les méta-analyses antérieures.
Cette cartographie conceptuelle débouche sur la construction d’une matrice explicite de covariables candidates. Dans les protocoles contemporains conformes aux standards de l’épidémiologie causale, cette sélection s’appuie formellement sur l’élaboration de diagrammes causaux acycliques (DAGs). Ces représentations graphiques forcent le chercheur à expliciter ses hypothèses relatives aux trajectoires causales liant les variables mesurées, identifiant avec précision les chemins secondaires (back-door paths) qu’il est impératif d’obstruer par l’ajustement de variables concomitantes spécifiques afin d’isoler l’effet direct de l’exposition.
La collecte opportuniste de covariables, guidée par la seule disponibilité des banques de données préexistantes sans fondation conceptuelle, représente une dérive méthodologique majeure. Elle multiplie le risque d’inclure des variables parasites non pertinentes, d’épuiser prématurément les degrés de liberté statistiques du modèle et d’intégrer accidentellement des variables qui ne doivent surtout pas être contrôlées sous peine d’induire de nouveaux biais méthodologiques.
5.3 Limites inhérentes au contrôle statistique a posteriori
Il est fondamental de reconnaître que le contrôle statistique d’une variable concomitante via des modèles de régression multivariée n’est jamais le strict équivalent expérimental de sa neutralisation physique par manipulation en laboratoire. La première limitation inhérente au contrôle a posteriori réside dans l’inaccessibilité des variables concomitantes non mesurées ou non suspectées. Quelle que soit la sophistication des algorithmes statistiques employés, un modèle ne peut ajuster une relation que pour les dimensions qui ont été formellement quantifiées au sein de la base de données. L’écueil de la confusion résiduelle inobservée plane perpétuellement sur les études observationnelles.
La seconde limitation majeure concerne la fidélité métrologique de la covariable. Lorsque l’instrument mobilisé pour capturer la variable concomitante est entaché d’erreur de mesure — ce qui constitue la règle quasi universelle avec les échelles d’auto-évaluation psychométriques ou les questionnaires rétrospectifs —, le contrôle statistique opéré demeure incomplet. L’erreur de mesure agit comme un atténuateur du pouvoir d’ajustement : une part de la covariance d’arrière-plan échappe au terme de correction mathématique et continue de contaminer sournoisement le paramètre d’intérêt, créant une fausse illusion de neutralisation méthodologique.
Pour parer à ces impasses inhérentes aux devis observationnels, la recherche moderne impose le recours systématique à des analyses de sensibilité poussées. Le calcul de la valeur E (E-value), développée par Tyler VanderWeele à l’Université Harvard, permet par exemple de quantifier l’amplitude minimale qu’une variable concomitante non mesurée devrait posséder, tant vis-à-vis de l’exposition que de l’effet, pour annuler l’association causale observée. Si cette magnitude requise s’avère invraisemblable au regard de l’état actuel des connaissances scientifiques, le chercheur peut conclure avec une assurance raisonnable à la robustesse de son inférence empirique.
6. Variables concomitantes dans les devis quasi-expérimentaux et expérimentaux
6.1 La randomisation et ses limites face aux déséquilibres d’échantillon
Dans l’arsenal méthodologique des sciences empiriques, l’essai contrôlé randomisé représente l’étalon d’or incontesté. Le tirage au sort probabiliste pour assigner les sujets aux conditions expérimentales a pour mission fondamentale d’équilibrer l’ensemble des caractéristiques individuelles entre les bras de l’étude. Cette propriété miraculeuse de la randomisation opère tant sur les variables observables que sur les dimensions inobservables ou inconnues du chercheur, brisant net tout lien de dépendance entre les déterminants intrinsèques des sujets et leur condition de traitement.
Néanmoins, l’affirmation selon laquelle la randomisation suffirait à rendre superflue la prise en compte des variables concomitantes repose sur une mécompréhension des lois fondamentales de la probabilité. La convergence vers une équivalence stricte des groupes n’est garantie qu’asymptotiquement, c’est-à-dire pour des échantillons tendant vers l’infini selon la loi des grands nombres. Dans la réalité matérielle de la recherche psychologique, où la taille des cohortes expérimentales oscille fréquemment entre 20 et 80 participants par condition, les fluctuations d’échantillonnage créent régulièrement des asymétries fortuites mais substantielles entre les groupes sur des variables concomitantes déterminantes.
Un déséquilibre initial accidentel sur une variable telle que la gravité initiale d’une pathologie, l’âge moyen ou le niveau de motivation intrinsèque peut altérer profondément les résultats post-test. C’est pourquoi la vérification méticuleuse de l’équivalence initiale des groupes à l’inclusion (baseline balance) constitue une étape préalable incontournable. Toutefois, la réponse à ces déséquilibres ne doit pas être la réalisation de tests d’hypothèse bivariés (tels que des tests t sur la ligne de base, pratique unanimement condamnée par les méthodologistes contemporains), mais l’ajustement systématique de ces covariables au sein du modèle analytique final.
6.2 Techniques de contrôle méthodologique a priori
Afin de prémunir les devis expérimentaux contre les dérives liées aux asymétries fortuites des variables concomitantes, le chercheur dispose d’outils de contrôle procédural opérant en amont de la phase de recueil de données. La première modalité repose sur la stratification expérimentale et la constitution de blocs randomisés. Cette technique consiste à découper la population d’échantillonnage en sous-groupes homogènes (ou strates) fondés sur une variable concomitante majeure (par exemple, trois tranches d’âge ou deux niveaux de sévérité clinique), puis à exécuter une randomisation indépendante et équilibrée au sein de chaque strate.
Une alternative classique est l’appariement préalable (matching) sur une variable concomitante critique. Les participants sont regroupés par paires partageant un niveau rigoureusement identique sur la covariable (par exemple, deux patients présentant un même score psychométrique de base et le même niveau de scolarité), puis l’un des membres de la paire est assigné aléatoirement à la condition expérimentale et l’autre à la condition contrôle. Ce devis en blocs appariés neutralise de façon absolue l’influence de la variable concomitante sur la comparaison intergroupe dès la genèse de l’expérience.
Ces dispositifs procéduraux a priori possèdent des bénéfices considérables sur la réduction de l’erreur résiduelle. En contrôlant la structure distributionnelle de la covariable en amont, ils garantissent une dispersion homogène entre les traitements et permettent d’intégrer formellement le facteur de blocage dans les modèles statistiques d’évaluation, optimisant ainsi au maximum la sensibilité analytique de l’expérimentation.
6.3 Augmentation de la précision expérimentale
L’intégration délibérée de variables concomitantes au sein de devis expérimentaux parfaitement randomisés répond à un objectif fondamental qui transcende la simple correction des déséquilibres fortuits : l’amplification massive de la précision expérimentale. Même lorsque la randomisation a fonctionné de manière exemplaire et que les moyennes de la covariable sont indiscernables d’un groupe à l’autre, la variable dépendante continue d’incorporer une variabilité interindividuelle naturelle non imputable à l’intervention testée.
En soustrayant mathématiquement la fraction de variance attribuable à la variable concomitante, l’analyse de covariance permet de resserrer l’intervalle de confiance encadrant l’estimation de l’effet moyen du traitement (Average Treatment Effect). L’erreur standard de l’estimateur de contraste se trouve réduite d’un facteur proportionnel à la corrélation multiple unissant la covariable au critère :
SEAjustée ≈ SEBrute × √(1 – R2Cov)
Cette équation fondamentale formalise la convergence harmonieuse entre la rigueur du devis expérimental et l’élégance de la modélisation statistique. Plus la variable concomitante est fortement corrélée au critère d’évaluation, plus la réduction de l’erreur standard est substantielle, métamorphosant un test expérimental hésitant en une démonstration d’une clarté empirique irréfutable, sans exiger l’inclusion d’un seul participant additionnel.
7. Exemples en psychologie cognitive et neuropsychologie
7.1 L’âge et le niveau d’éducation dans les épreuves mnésiques
Dans le domaine des neurosciences cognitives et de la neuropsychologie clinique, l’âge chronologique et le niveau d’éducation formelle incarnent les exemples archétypaux de variables concomitantes indispensables à toute modélisation rigoureuse. Imaginons une étude expérimentale évaluant l’efficacité d’un nouveau protocole informatisé d’entraînement cognitif destiné à renforcer la mémoire de travail chez des adultes d’âge moyen et avancé. Deux groupes de participants sont constitués : l’un suit le programme expérimental durant six semaines, tandis que l’autre est assigné à une condition contrôle active d’apprentissage de la bureautique élémentaire.
Bien que les participants soient assignés aléatoirement, la mémoire de travail est un processus cognitif d’une vulnérabilité neurobiologique extrême face à la sénescence cérébrale. L’âge chronologique explique de façon universelle une fraction massive de la variance des scores de rappel libre et de vitesse de traitement de l’information. De même, le niveau d’études préalables conditionne fortement la réserve cognitive du sujet, modulant l’adoption de stratégies métacognitives compensatoires lors des épreuves de restitution de listes de mots.
Si le chercheur se contente d’exécuter un test t de Student comparant les scores post-test bruts des deux conditions, la variabilité interindividuelle colossale générée par la dispersion des âges (par exemple de 45 à 78 ans au sein de l’échantillon) risque de noyer totalement le gain cognitif moyen généré par l’entraînement. En introduisant l’âge et les années de scolarisation comme variables concomitantes continues dans une analyse de covariance, le chercheur épure mathématiquement la variance résiduelle, isolant la contribution propre du protocole informatisé et révélant des effets neuro-plastiques qui seraient demeurés invisibles au sein des données brutes.
7.2 L’anxiété de performance lors d’évaluations de l’attention soutenue
L’investigation expérimentale des fonctions exécutives offre une autre illustration frappante de l’impact des variables concomitantes émotionnelles. Considérons un protocole visant à déterminer l’impact d’une privation partielle de sommeil (trois heures de sommeil autorisées la nuit précédant le test) sur les capacités d’attention soutenue, évaluées via un test de vigilance psychomotrice (Psychomotor Vigilance Task ou PVT) mesurant la fréquence des temps de réaction ralentis et des défaillances attentionnelles.
Dans ce contexte expérimental hautement normé, les participants ne réagissent pas uniquement à l’épuisement somatique induit par le manque de sommeil. La situation même de passation sous chronométrage génère chez certains profils psychologiques une anxiété de performance transitoire, communément évaluée via l’échelle de l’inventaire d’anxiété état (STAI-Y1). Or, une anxiété étatique aiguë est reconnue pour mobiliser des ressources exécutives centrales dans des pensées parasites d’auto-évaluation, dégradant mécaniquement la vigilance et la vitesse de réponse motrice.
L’anxiété de performance agit ici comme une variable concomitante critique. Si elle est négligée, le chercheur court le risque de confondre l’altération attentionnelle attribuable au dysfonctionnement neuronal induit par la dette de sommeil avec celle résultant du stress réactif généré par le dispositif d’évaluation. En mesurant l’état anxieux immédiatement avant l’épreuve et en le traitant comme une variable concomitante, le statisticien est en mesure de dissocier mathématiquement la composante affective de la composante purement neuro-somatique, garantissant une estimation non contaminée des répercussions cognitives de la privation de sommeil.
7.3 La capacité intellectuelle générale (Facteur g) dans l’apprentissage implicite
L’étude de l’apprentissage procédural ou implicite soulève depuis des décennies des débats théoriques passionnés sur l’indépendance de ces formes de mémoire non déclarative vis-à-vis de l’intelligence générale. Imaginons une recherche comparant l’efficacité de deux types de feedback sensoriel (auditif versus visuel) sur la vitesse d’acquisition d’une séquence motrice complexe dans une tâche de temps de réaction sériel (SRTT). Les sujets doivent presser le plus vite possible des touches correspondant à l’apparition de cibles lumineuses, une séquence sous-jacente de douze éléments étant répétée sans qu’ils en soient informés.
Bien que l’apprentissage implicite soit traditionnellement conceptualisé comme un processus automatique indépendant du raisonnement formel, les aptitudes cognitives basales des participants — synthétisées sous le construit du facteur g et mesurées via des épreuves non verbales comme les Matrices Progressives de Raven — continuent d’expliquer une part significative de la rapidité d’adaptation sensorimotrice et de la flexibilité cognitive générale. Deux individus confrontés à un même feedback ne possèdent pas le même seuil d’intégration sensorielle si leurs compétences de traitement fluide divergent.
En calibrant le modèle expérimental avec le facteur g en tant que variable concomitante continue, les chercheurs neutralisent une source gigantesque de variance interindividuelle parasite. Les scores d’apprentissage procédural ajustés permettent de déterminer avec une précision chirurgicale si la modalité sensorielle du feedback confère un avantage moteur réel, indépendamment du niveau d’efficience intellectuelle globale du sujet, maximisant ainsi la validité théorique du protocole expérimental.
8. Exemples en psychologie clinique et psychothérapie
8.1 Sévérité initiale de la symptomatologie dans les essais cliniques
L’évaluation rigoureuse des interventions psychothérapeutiques fournit sans doute le terrain d’application le plus exigeant pour le maniement des variables concomitantes. Dans le cadre d’un essai clinique randomisé (RCT) comparant l’efficacité d’une thérapie d’acceptation et d’engagement (ACT) à une thérapie cognitivo-comportementale standard (TCC) dans la prise en charge du trouble dépressif caractérisé, les patients sont évalués avant et après un cycle de seize semaines de traitement au moyen d’un outil psychométrique étalonné, tel que l’inventaire de dépression de Beck (BDI-II).
Dans ce scénario clinique, le score pré-thérapeutique à l’inventaire de Beck constitue la variable concomitante par excellence. Il est impensable de se contenter d’analyser les scores post-thérapeutiques bruts sans ajuster pour le niveau de sévérité initial, ni même de se fier aveuglément aux simples scores de changement soustractifs (score post – score pré). Les scores de base exercent une contrainte probabiliste majeure sur la dynamique évolutive en raison de deux artefacts statistiques redoutables : la régression vers la moyenne et les effets de plancher ou de plafond.
Un patient présentant un score initial extrêmement élevé verra mécaniquement son score régresser vers la moyenne de la population lors de la seconde passation, indépendamment de toute efficacité spécifique du protocole thérapeutique. De plus, son potentiel de réduction de points est mathématiquement bien plus ample que celui d’un patient inclus avec une dépression d’intensité modérée. L’introduction du score initial comme variable concomitante au sein d’un modèle d’analyse de covariance (ANCOVA) post-test/pré-test constitue la méthode préconisée par les instances internationales pour contrôler ces artefacts et mesurer l’effet pur attribuable à chaque modalité thérapeutique.
8.2 Prise concomitante de psychotropes pendant la psychothérapie
La recherche clinique en santé mentale se déploie majoritairement auprès de populations souffrant de comorbidités et bénéficiant d’accompagnements pharmacologiques prescrits en amont de leur entrée dans les protocoles d’investigation psychothérapeutique. Considérons une étude examinant l’efficacité d’une thérapie d’exposition prolongée pour le trouble de stress post-traumatique (TSPT). Pour des raisons éthiques évidentes, il est souvent interdit de contraindre les patients à interrompre leur traitement pharmacologique anxiolytique ou antidépresseur (inhibiteurs sélectifs de la recapture de la sérotonine – ISRS).
L’usage de substances psychotropes représente une variable concomitante majeure qui interfère directement avec les processus neurobiologiques de l’extinction de la peur conditionnée et de l’habituation émotionnelle. Certains anxiolytiques de la classe des benzodiazépines peuvent émousser la réactivité physiologique nécessaire à la réussite de l’exposition, tandis que les antidépresseurs peuvent potentialiser la plasticité synaptique hippocampique.
Le chercheur est donc tenu d’opérationnaliser cette consommation concomitante de médicaments, soit sous forme de variable catégorielle ordonnée (absence de traitement, monothérapie stable, poly-médication), soit par une conversion en doses équivalentes standardisées. L’intégration de cette covariable dans le modèle linéaire permet d’isoler l’effet propre de la psychothérapie d’exposition, en contrôlant statistiquement la part des rémissions symptomatiques ou des résistances thérapeutiques attribuable aux modulations neurochimiques induites par les molécules pharmacologiques.
8.3 Alliance thérapeutique préalable et caractéristiques du thérapeute
Les débats contemporains sur les facteurs communs en psychothérapie ont démontré que la relation thérapeutique transcende fréquemment les spécificités techniques de chaque école de pensée. Imaginons une étude comparant les résultats thérapeutiques obtenus par une thérapie cognitive administrée en présentiel versus le même protocole délivré par téléconsultation synchrone via visioconférence.
Au sein d’un tel dispositif, l’alliance thérapeutique établie dès les premières séances — mesurée par exemple via le questionnaire Working Alliance Inventory (WAI) — et l’expérience clinique du thérapeute (nombre d’années de pratique) constituent des variables concomitantes éminemment puissantes. Un praticien particulièrement chevronné peut parvenir à tisser un lien d’une chaleur et d’une confiance exceptionnelles à travers un écran, compensant la distance technologique, tandis qu’un thérapeute débutant peut peiner à établir cette alliance même en présence physique directe.
Si ces variables d’alliance précoce et d’expertise clinique ne sont pas intégrées comme des covariables au sein de l’analyse comparative finale, le chercheur s’expose au risque de biaiser l’attribution causale du succès ou de l’échec de la prise en charge. Ajuster pour le niveau initial d’alliance permet d’apprécier la véritable valeur ajoutée ou le déficit intrinsèque du support technique de téléconsultation, toutes choses étant égales par ailleurs sur le plan de la relation humaine interpersonnelle.
9. Exemples en psychologie du travail, sociale et développementale
9.1 Ancienneté et niveau hiérarchique dans les études de satisfaction au travail
La psychologie des organisations examine fréquemment l’impact des réformes managériales et des conditions d’exercice professionnel sur des construits tels que le bien-être au travail, l’épuisement professionnel (burnout) ou la satisfaction organisationnelle. Imaginons une entreprise mettant en œuvre un programme pilote d’assouplissement du temps de travail, autorisant jusqu’à trois jours de télétravail flexible hebdomadaire pour un groupe de départements volontaires, tandis qu’un groupe contrôle conserve des horaires rigides sur site.
Dans cette configuration quasi-expérimentale d’entreprise, l’ancienneté professionnelle des salariés et leur positionnement dans l’organigramme hiérarchique constituent des variables concomitantes incontournables. Un cadre supérieur ou un employé présent dans l’organisation depuis deux décennies jouit naturellement d’une marge d’autonomie décisionnelle, d’une reconnaissance institutionnelle et de rémunérations sans commune mesure avec celles d’un stagiaire ou d’un opérateur récemment recruté. Ces caractéristiques structurelles influencent lourdement leur niveau de satisfaction intrinsèque.
Si l’analyste se contente de comparer le niveau de bien-être moyen des employés en télétravail flexible et de ceux sur site sans modéliser ces variables concomitantes, les conclusions risquent d’être totalement faussées par la surreprésentation des cadres au sein du dispositif expérimental. L’ajustement statistique pour l’ancienneté et le niveau hiérarchique permet de neutraliser ce biais de composition socioprofessionnelle et de déterminer si la flexibilité spatiotemporelle produit un gain de satisfaction net pour l’ensemble des employés, indépendamment de leurs privilèges structurels acquis.
9.2 Niveau de développement langagier dans les tâches de théorie de l’esprit
La psychologie du développement cognitif offre des cas d’école quant à la nécessité absolue de contrôler le développement langagier lors de l’évaluation des compétences socio-cognitives émergentes. Une thématique majeure concerne l’émergence de la théorie de l’esprit chez l’enfant d’âge préscolaire (de 3 à 5 ans), c’est-à-dire la capacité à attribuer à autrui des états mentaux, des désirs et des croyances distincts des siens. Cette aptitude est classiquement testée par des paradigmes de fausse croyance, tels que la célèbre tâche de Sally et Anne.
Pour réussir l’épreuve de Sally et Anne, l’enfant ne doit pas simplement posséder une compréhension conceptuelle de l’esprit d’autrui ; il doit impérativement décoder un récit verbal complexe comprenant des propositions enchâssées et des subordonnées temporelles (« Où Sally cherchera-t-elle sa bille ? »). Le niveau de vocabulaire réceptif et la maîtrise de la syntaxe complexe — évalués par exemple via l’échelle de vocabulaire en images Peabody (EVIP) — constituent dès lors une variable concomitante massive qui parasite l’évaluation.
Si un chercheur compare les performances d’enfants issus de différents milieux éducatifs sans ajuster pour leurs habiletés langagières réceptives, il est impossible de déterminer si un échec à la tâche reflète une incapacité à conceptualiser les fausses croyances d’autrui ou une simple surcharge cognitive face à la complexité lexicale de la consigne. En traitant le score langagier comme une covariable continue au sein d’un modèle de régression logistique, le psychologue développemental parvient à dissocier la compétence socio-cognitive pure des prérequis linguistiques indispensables à son expression motrice et verbale.
9.3 Désirabilité sociale dans les mesures d’attitudes implicites et préjugés
Dans les champs de la psychologie sociale expérimentale consacrés à la mesure des attitudes morales, du racisme, du sexisme ou des préjugés intergroupes, les chercheurs font face à la censure délibérée ou inconsciente des participants. Considérons une expérience évaluant l’efficacité d’un atelier immersif de sensibilisation à la diversité sur la réduction des biais implicites et explicites envers les minorités ethniques au sein d’une cohorte d’étudiants universitaires.
Les attitudes explicites sont usuellement mesurées par le biais d’échelles de Likert d’auto-évaluation. Dans un tel contexte évaluatif, le besoin d’approbation et la tendance à la désirabilité sociale — capturés par des outils psychométriques dédiés comme l’inventaire de Marlowe-Crowne ou l’échelle de Balanced Inventory of Desirable Responding (BIDR) — agissent comme des variables concomitantes systématiquement corrélées aux réponses fournies. Un participant fortement motivé par l’image de soi favorable rapportera des scores de tolérance exceptionnellement hauts simplement pour se conformer aux normes institutionnelles du laboratoire.
La désirabilité sociale masque ainsi la véritable distribution des attitudes sous-jacentes. En intégrant le score de désirabilité sociale comme variable concomitante au sein du modèle statistique, le chercheur soustrait cette variance d’auto-présentation complaisante. L’analyse permet alors d’épurer les scores d’attitudes post-intervention de leur vernis d’orthodoxie sociale, mesurant l’évolution réelle des préjugés des participants de manière authentique et non contaminée par le conformisme ambiant.
10. Méthodes d’analyse statistique : L’ANCOVA (Analyse de covariance)
10.1 Fondements mathématiques et modèle linéaire général
L’analyse de covariance (ANCOVA) représente l’architecture statistique de référence spécifiquement conçue pour incorporer une ou plusieurs variables concomitantes continues au sein d’un devis factoriel comparant des groupes distincts. Fondée sur le modèle linéaire général unifié (GLM), l’ANCOVA réalise une fusion élégante et puissante entre l’analyse de variance univariée (ANOVA) et la régression linéaire classique par la méthode des moindres carrés ordinaires. Le modèle de base pour un facteur intersujets à k modalités et une covariable continue s’écrit de la manière suivante :
Yij = μ + αi + β(Xij – X̄) + εij
où Yij est le score individuel du sujet j dans le groupe i, μ est la moyenne générale théorique, αi est l’effet différentiel fixe du traitement i, β est le coefficient de régression linéaire commun reliant la variable dépendante à la variable concomitante X, X̄ est la moyenne globale de la covariable, et εij désigne l’erreur résiduelle aléatoire, distribuée normalement avec une moyenne nulle et une variance constante σ2.
La mécanique sous-jacente de l’ANCOVA procède par une décomposition séquentielle de la somme des carrés. Contrairement à l’ANOVA où la somme des carrés totale (SST) est simplement partitionnée entre la somme des carrés intergroupes (SSB) et la somme des carrés intragroupes (SSW), l’ANCOVA extrait en premier lieu la portion de variance attribuable à la relation linéaire avec la variable concomitante (SSCov). L’analyse de variance résiduelle s’applique ensuite non pas sur les scores bruts Y, mais sur les scores résiduels épurés de l’influence de X.
Cette soustraction mathématique permet le calcul des fameuses « moyennes marginales estimées » (souvent désignées par l’anglicisme adjusted means). Ces moyennes ajustées représentent la valeur attendue sur la variable dépendante pour chaque groupe si tous les participants de l’échantillon avaient possédé un score rigoureusement identique sur la variable concomitante, fixé à la moyenne générale X̄. C’est sur ces moyennes marginales décontaminées que s’exécutent les tests de contrastes et de comparaisons multiples post-hoc.
10.2 Les postulats rigoureux de l’ANCOVA
Bien que l’analyse de covariance constitue un outil d’une puissance analytique redoutable, sa validité inférentielle dépend de la satisfaction stricte d’un ensemble de postulats mathématiques qui s’ajoutent aux hypothèses classiques de l’ANOVA (normalité des résidus et homoscédasticité vérifiée par le test de Levene). La violation de ces postulats compromet irrémédiablement le contrôle de l’erreur de type I et la justesse des conclusions publiées.
Le premier postulat cardinal est celui de la linéarité absolue de la relation unissant la variable dépendante à la variable concomitante au sein de chaque groupe expérimental. Si la véritable trajectoire sous-jacente est curvilinéaire ou exponentielle, un ajustement linéaire standard sous-estime systématiquement la variance expliquée par la covariable et échoue à décontaminer adéquatement les moyennes de groupe. Cette relation linéaire doit impérativement être vérifiée visuellement par des graphiques de dispersion bivariés et par l’examen des résidus studentisés.
Le second postulat, souvent considéré comme le plus critique en pratique, est le postulat d’homogénéité des pentes de régression (ou parallélisme des droites de régression). L’ANCOVA conventionnelle contraint le modèle à appliquer un coefficient d’ajustement unique (β) pour l’ensemble des groupes expérimentaux. Ce postulat exige formellement qu’il n’existe aucune interaction statistique significative entre le facteur de traitement et la variable concomitante (VI × Covariable). Si la pente de régression liant la covariable au critère est fortement positive dans le groupe expérimental mais plate ou négative dans le groupe témoin, la notion même de moyenne ajustée commune s’effondre conceptuellement.
Enfin, le troisième postulat exige l’indépendance de la variable concomitante vis-à-vis du traitement expérimental. La variable concomitante doit impérativement être mesurée soit avant l’assignation au traitement, soit être totalement insensible à celui-ci. Si l’administration de l’intervention psychologique modifie elle-même le score de la covariable, l’ajustement statistique revient à amputer une fraction directe de l’effet du traitement, commettant l’erreur de sur-ajustement mentionnée précédemment.
10.3 Conséquences de la violation des postulats et alternatives
Lorsque le postulat d’homogénéité des pentes de régression est violé de manière irréversible — matérialisé par un terme d’interaction Traitement × Covariable hautement significatif —, le chercheur ne doit pas chercher à forcer l’ANCOVA classique. Une telle violation signale une découverte empirique majeure : le traitement n’a pas un impact universel mais s’avère conditionnellement efficace selon le niveau initial du participant sur la variable concomitante.
Dans ce contexte, la réponse statistique préconisée par la méthodologie contemporaine consiste à basculer formellement vers un modèle de modération ou à mobiliser la technique de Johnson-Neyman. Au lieu de tester arbitrairement des effets à des niveaux standards (par exemple à plus ou moins un écart-type de la moyenne de la covariable), la procédure de Johnson-Neyman dérive mathématiquement les frontières exactes et continues de significativité sur l’échelle de la variable concomitante. Elle permet d’affirmer avec rigueur statistique : « Le traitement A surpasse significativement le traitement B uniquement pour les individus présentant un score de sévérité initiale supérieur au seuil critique de 42,3 points, tandis qu’aucune différence n’est décelable en deçà de cette valeur ».
En cas de non-linéarité flagrante de la relation unissant la covariable au critère, le modèle linéaire général standard doit être dépassé au profit des modèles additifs généralisés (Generalized Additive Models ou GAM). Ces approches non paramétriques permettent d’ajuster des fonctions lissées par splines (penalized splines) sur la variable concomitante, capturant fidèlement les trajectoires non linéaires sans imposer une forme fonctionnelle polynomiale rigide a priori, préservant ainsi l’intégralité du pouvoir d’ajustement sans introduire de biais de spécification formelle.
11. Méthodes avancées de traitement des variables concomitantes
11.1 Régression multiple hiérarchique et contrôle séquentiel
Dans les contextes corrélationnels où l’ANCOVA n’est pas applicable en raison de l’absence de variable nominale de groupe bien délimitée, la régression multiple hiérarchique (ou régression par blocs successifs) s’impose comme la méthodologie classique pour neutraliser l’impact de multiples variables concomitantes. Cette approche offre au chercheur la possibilité de partitionner de manière chronologique et conceptuelle la variance expliquée du phénomène investigué.
Le protocole analytique se déploie usuellement en deux ou trois étapes standardisées :
- Bloc 1 : Modélisation des variables concomitantes de contrôle. L’expérimentateur introduit l’ensemble des variables d’arrière-plan démographiques (âge, sexe, niveau de diplôme) et des variables cliniques ou dispositionnelles préexistantes. Ce premier bloc calcule le coefficient de détermination R2 de base, quantifiable comme la part globale de variance imputable aux covariables.
- Bloc 2 : Introduction de la variable d’intérêt théorique. Le prédicteur principal ciblé par l’hypothèse substantive du chercheur est injecté dans le modèle de régression linéaire.
- Évaluation incrémentielle : L’attention mathématique se focalise alors sur le changement de variance expliquée (ΔR2) et le test F associé. On détermine si l’ajout du prédicteur cible permet d’accroître significativement le pouvoir explicatif du modèle au-delà de ce qui était déjà parfaitement prédit par le réseau des variables concomitantes.
Cette décomposition hiérarchique garantit que les coefficients de régression standardisés (β) attribués à la variable d’intérêt théorique dans l’équation finale reflètent une contribution semi-partielle pure, rigoureusement épurée de toute colinéarité partagée avec le bloc des variables concomitantes de premier niveau.
11.2 Méthode des scores de propension (Propensity Score Matching)
Lorsque le chercheur est confronté à un devis quasi-expérimental ou observationnel comportant une multiplicité écrasante de variables concomitantes (parfois plusieurs dizaines de caractéristiques cliniques, génétiques et comportementales), l’incorporation de toutes ces covariables dans une régression classique s’avère impossible en raison du risque de sur-paramétrisation et de multicolinéarité sévère. Formalisée par Paul Rosenbaum et Donald Rubin en 1983, la méthode des scores de propension (Propensity Score Matching ou PSM) apporte une réponse méthodologique révolutionnaire.
Le score de propension se définit formellement comme la probabilité conditionnelle qu’un individu reçoive le traitement d’intérêt (ou appartienne au groupe expérimental), sachant l’ensemble de ses caractéristiques concomitantes observées de base :
e(x) = P(T = 1 | X = x)
Cette probabilité scalaire unique, comprise entre 0 et 1, est typiquement estimée au moyen d’un modèle de régression logistique multivariée incluant toutes les covariables pré-thérapeutiques candidates. Le score de propension réalise ainsi une réduction de dimensionnalité remarquable : il compresse l’ensemble du profil multidimensionnel des variables concomitantes en un indicateur synthétique unidimensionnel.
Une fois les scores estimés, le chercheur peut neutraliser la totalité du biais de sélection initial à travers différentes procédures techniques :
- L’appariement direct sur le score de propension : chaque participant traité est apparié à un participant non traité affichant un score mathématiquement quasi-identique (algorithme du plus proche voisin avec calibrage strict).
- La pondération inverse par la probabilité de traitement (IPTW) : les sujets sont pondérés statistiquement par l’inverse de leur probabilité de recevoir le traitement effectivement reçu, recréant une pseudo-population contrefactuelle parfaitement équilibrée sur l’intégralité des variables concomitantes.
11.3 Modélisation par équations structurelles (SEM) et variables latentes
Bien que les approches de régression multiple et de scores de propension constituent des avancées méthodologiques indispensables, elles partagent toutes un axiome particulièrement vulnérable en sciences psychologiques : elles postulent que les variables concomitantes sont mesurées sans la moindre erreur de mesure (fidélité parfaite de 1,0). Or, en psychologie, les instruments de mesure (inventaires de personnalité, échelles d’attitudes, évaluations projectives) n’affichent qu’une consistance interne imparfaite, oscillant fréquemment entre des coefficients alpha de Cronbach de 0,70 et 0,85.
La modélisation par équations structurelles (Structural Equation Modeling ou SEM) permet de surmonter définitivement cet écueil en opérant au niveau des variables latentes. Au sein d’un modèle SEM, la variable concomitante n’est plus représentée par un score composite brut observable, mais par un construit latent non mesuré directement, modélisé à travers les covariances partagées de multiples indicateurs empiriques observables (items ou sous-échelles de questionnaires) :
Cette modélisation en deux étapes sépare formellement la variance d’erreur de mesure propre à chaque item de la variance commune substantielle sous-tendant le construit latent. Lors de l’estimation des relations structurelles reliant la variable indépendante au critère dépendant, le contrôle exercé par la variable concomitante latente s’opère de façon purement asymptotique, totalement décontaminé de l’erreur métrologique aléatoire.
De surcroît, les modèles SEM autorisent la spécification simultanée de multiples variables concomitantes interconnectées par des flux directionnels complexes, permettant de distinguer empiriquement les mécanismes de confusion des dynamiques de covariation réciproque au sein d’une matrice causale unifiée.
12. Bonnes pratiques méthodologiques et recommandations de rapportage
12.1 Sélection rigoureuse des variables concomitantes
L’intégration de variables concomitantes au sein d’un protocole scientifique doit impérativement être gouvernée par une parcimonie éclairée. La tentation fréquente chez les jeunes chercheurs d’inclure dans leurs modèles analytiques toutes les variables mesurées au cours de l’enquête représente une dérive méthodologique préjudiciable connue sous le nom de « pêche aux covariables ». Cette pratique gonfle artificiellement le risque de multicolinéarité, compresse inutilement les degrés de liberté résiduels et augmente l’instabilité numérique des matrices d’inversion.
Les méthodes de sélection automatisée par étapes (telles que les régressions stepwise ascendantes ou descendantes) doivent être formellement proscrites pour la sélection des covariables. Ces algorithmes purely empiriques se fondent exclusivement sur des fluctuations aléatoires d’échantillonnage pour inclure ou rejeter des paramètres, gonflant dramatiquement les taux d’erreur de type I et produisant des modèles incapables de se répliquer dans des échantillons indépendants. La sélection doit demeurer souverainement théorique et découler d’hypothèses causales étayées en amont du recueil des données.
Une vigilance épistémologique extrême doit également être accordée à l’identification des variables collusoires (ou colliders dans le cadre des DAGs). Un collisionneur est une variable qui est causée simultanément par deux autres variables du modèle. Contrôler ou ajuster statistiquement pour un collisionneur — sous prétexte qu’il présente des corrélations empiriques avec d’autres mesures — induit paradoxalement une corrélation fallacieuse artificielle entre ses propres causes, fabriquant un biais de sélection destructeur (connu sous le nom de paradoxe de Berkson) là où il n’existait aucune confusion préalable.
12.2 Transparence, pré-enregistrement et science ouverte
Dans le sillage de la crise de la réplicabilité qui a profondément ébranlé la psychologie expérimentale au cours de la dernière décennie, la gestion des variables concomitantes a été identifiée comme l’un des vecteurs majeurs des « degrés de liberté non déclarés des chercheurs » (researcher degrees of freedom). Il est historiquement aisé pour un auteur peu scrupuleux de tester secrètement une multitude de combinaisons de covariables (avec ou sans l’âge, avec ou sans le niveau d’anxiété) jusqu’à dénicher par hasard la combinaison spécifique qui permet à la valeur p de franchir le seuil arbitraire de 0,05.
Pour éradiquer cette dérive de p-hacking, le mouvement de la science ouverte préconise impérativement le pré-enregistrement systématique des protocoles d’analyse sur des plateformes dédiées telles que l’Open Science Framework (OSF). Dans le plan d’analyse pré-enregistré, le chercheur doit expliciter avec une précision millimétrique :
- La liste exhaustive des variables concomitantes qui seront formellement incluses dans le modèle primaire confirmatif.
- L’opérationnalisation exacte de chaque covariable (transformation d’échelle, gestion des valeurs aberrantes ou extrêmes).
- La formulation mathématique du modèle statistique mobilisé (ANCOVA, régression multiple hiérarchique, modèle mixte).
Toute modification apportée à ces analyses lors de la phase effective de traitement des données doit être explicitement documentée dans l’article final sous la bannière d’« analyses exploratoires post-hoc », garantissant une étanchéité épistémologique absolue entre la confirmation d’hypothèses préétablies et la génération fortuite de nouvelles pistes empiriques.
12.3 Normes de rapportage selon l’APA (American Psychological Association)
La restitution académique d’analyses statistiques incorporant des variables concomitantes est rigoureusement normée par les standards de publication de l’American Psychological Association (7e édition du manuel de style de l’APA). Ces préconisations visent à offrir aux lecteurs et aux méta-analystes l’ensemble des données nécessaires pour apprécier la validité et la précision des effets rapportés.
Le rapportage d’une analyse de covariance exige impérativement la présentation conjointe et systématique des moyennes brutes non corrigées et des moyennes marginales estimées (ajustées), accompagnées chacune de leurs erreurs standards respectives et de leurs intervalles de confiance à 95 %. Cette double présentation permet de visualiser sans ambiguïté la direction et l’amplitude de l’ajustement opéré par la variable concomitante sur chaque modalité de l’intervention.
De plus, le chercheur doit consacrer un paragraphe spécifique à l’explicitation des tests diagnostiques préalables. Il est requis de rapporter formellement le test statistique de l’homogénéité des pentes de régression (terme d’interaction Traitement × Covariable, avec sa valeur F, ses degrés de liberté et sa valeur p exacte), attestant que ce postulat fondamental a été dûment vérifié avant de procéder à l’interprétation des moyennes ajustées.
Enfin, la quantification de l’ampleur de l’effet ne doit jamais se limiter au signalement de la significativité statistique. Les tailles d’effet standardisées — telles que l’êta-carré partiel (ηp2) ou le d de Cohen dérivé des moyennes ajustées — doivent être systématiquement formulées, assorties d’une discussion honnête et prudente quant à la part de variance résiduelle pouvant résulter de covariables écologiques non mesurées dans le cadre du protocole présenté.
Références
American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
Beck, A. T., Steer, R. A., & Brown, G. K. (1996). Manual for the Beck Depression Inventory-II. Psychological Corporation. https://doi.org/10.1037/t00742-000
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203774441
Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). The Guilford Press.
Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161
Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. https://doi.org/10.1093/biomet/70.1.41
Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
VanderWeele, T. J., & Ding, P. (2017). Sensitivity analysis in observational research: Introducing the E-value. Annals of Internal Medicine, 167(4), 268–274. https://doi.org/10.7326/M16-2607