Calculateur d'Eta-carré et Omega-carré

Utilisez eta-carré et oméga-carré lorsque vous devez rapporter la taille d'effet pour une ANOVA. Alors que les valeurs p vous indiquent si un effet existe, ces mesures vous disent à quel point cet effet est important — quelle part de la variance du résultat est expliquée par l'appartenance au groupe.

Que sont Eta-Carré et Oméga-Carré ?

Les deux mesurent la proportion de variance de la variable dépendante expliquée par la ou les variables indépendantes dans une ANOVA.

Eta-Carré (η²)

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

Simple et intuitif : le rapport de la variance de l'effet à la variance totale.

Oméga-Carré (ω²)

$\omega^2 = \frac{SS_{effet} - df_{effet} \times MS_{erreur}}{SS_{total} + MS_{erreur}}$

Estimation moins biaisée, en particulier pour les petits échantillons.

Pourquoi deux mesures ?

Eta-carré est :

• Facile à calculer et à interpréter
• Positivement biaisé (surestime l'effet de la population)
• Équivalent au R² en régression
• La taille d'effet descriptive pour votre échantillon

Oméga-carré est :

• Plus complexe à calculer
• Moins biaisé (meilleure estimation de la population)
• Préféré à des fins inférentielles
• Recommandé par les directives APA

Exemple de calcul

Résultats ANOVA :

Eta-carré : $\eta^2 = \frac{120}{300} = 0.40$

Oméga-carré : $\omega^2 = \frac{120 - (2)(4)}{300 + 4} = \frac{120 - 8}{304} = \frac{112}{304} = 0.37$

Interprétation : Environ 37-40% de la variance du résultat est attribuable aux différences entre les groupes.

Interpréter les tailles d'effet

Ces repères proviennent de Cohen (1988). Le contexte compte — dans certains domaines, les effets « petits » sont toujours significatifs.

Tailles d'effet partielles

Pour l'ANOVA factorielle avec plusieurs facteurs, utilisez les tailles d'effet partielles :

Eta-Carré Partiel

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

Cela élimine la variance des autres facteurs, en se concentrant sur l'effet spécifique.

Oméga-Carré Partiel

$\omega_p^2 = \frac{SS_{effet} - df_{effet} \times MS_{erreur}}{SS_{effet} + (N - df_{effet}) \times MS_{erreur}}$

Quand utiliser chacun

Calcul à partir de la statistique F

Si vous n'avez que F et les degrés de liberté :

Eta-carré : $\eta^2 = \frac{df_{effet} \times F}{df_{effet} \times F + df_{erreur}}$

Oméga-carré : $\omega^2 = \frac{df_{effet} \times (F - 1)}{df_{effet} \times F + df_{erreur} + 1}$

Exemple : F(2, 45) = 15.0 $\eta^2 = \frac{2 \times 15}{2 \times 15 + 45} = \frac{30}{75} = 0.40$ $\omega^2 = \frac{2 \times (15-1)}{2 \times 15 + 45 + 1} = \frac{28}{76} = 0.37$

Intervalles de confiance

Pour eta-carré, utilisez la distribution F non centrale :

1. Trouvez le paramètre de non-centralité λ = F × df₁
2. Utilisez la distribution F non centrale pour obtenir les limites de confiance pour λ
3. Reconvertissez en η²

Les logiciels comme R (package effectsize) ou G*Power peuvent calculer ceux-ci.

Relation avec d'autres tailles d'effet

Conversion de η² en f de Cohen : $f = \sqrt{\frac{\eta^2}{1 - \eta^2}}$

Epsilon-Carré (ε²)

Une troisième alternative, également moins biaisée :

$\varepsilon^2 = \frac{SS_{effet} - df_{effet} \times MS_{erreur}}{SS_{total}}$

Similaire à oméga-carré mais utilise SS_total au lieu de SS_total + MS_erreur au dénominateur.

Pour l'ANOVA à mesures répétées

Les tailles d'effet pour les mesures répétées sont plus complexes :

$\eta_G^2 = \frac{SS_{effet}}{SS_{effet} + SS_{sujets} + SS_{erreur}}$

L'eta-carré généralisé (η²_G) tient compte de la structure de corrélation et est recommandé pour les plans à mesures répétées.

Directives de présentation

Format APA : « Il y avait un effet principal significatif du traitement, F(2, 45) = 15.00, p < .001, η² = .40, IC 90% [.22, .52]. »

Ou avec oméga-carré : « ...ω² = .37, indiquant un effet important. »

Inclure :

• Statistique F avec degrés de liberté
• Valeur p
• Taille d'effet (η² ou ω²)
• Intervalle de confiance si disponible

Erreurs courantes

Utiliser η² pour la généralisation

Eta-carré décrit votre échantillon. Pour les estimations de la population, préférez oméga-carré.

Partiel vs. Régulier

Le η² partiel est toujours plus grand que η² (sauf s'il n'y a qu'un seul facteur). Ne comparez pas les effets partiels entre des études avec des plans différents.

Ignorer les valeurs négatives

Oméga-carré peut être négatif quand F < 1. Cela indique essentiellement un effet nul — rapportez comme ω² ≈ 0.

Sur-interpréter les petits effets

Un effet statistiquement significatif peut être minuscule. Rapportez toujours la taille d'effet aux côtés des valeurs p.

Applications

Psychologie

Effet du type de thérapie sur les scores de dépression.

Éducation

Effet de la méthode d'enseignement sur les performances aux tests.

Médecine

Effet de la posologie du médicament sur la pression artérielle.

Affaires

Effet de la stratégie marketing sur les ventes.

Contexte historique

Paul Hays a introduit eta-carré dans les années 1960. Oméga-carré a été développé par Hays et d'autres comme une alternative moins biaisée.

La distinction entre les tailles d'effet de l'échantillon et de la population est devenue importante lorsque les chercheurs ont reconnu que η² surestime systématiquement les effets de la population.

Calculs associés

• ANOVA à un facteur — Calculer les valeurs F et SS
• ANOVA à deux facteurs — Plans factoriels
• Calculateur de d de Cohen — Taille d'effet pour les tests t
• Calculateur de puissance — Planification de la taille d'échantillon avec taille d'effet
• Calculateur de g de Hedges — Tailles d'effet alternatives

Résumé

Eta-carré et oméga-carré mesurent la quantité de variance qu'un facteur ANOVA explique. Eta-carré (η² = SS_effet/SS_total) est simple mais surestime les effets de la population. Oméga-carré s'ajuste pour ce biais et est préféré pour l'inférence. Pour les plans factoriels, utilisez les versions partielles. Interprétez en utilisant les repères de Cohen (0.01 = petit, 0.06 = moyen, 0.14 = grand) mais considérez le contexte. Rapportez toujours les tailles d'effet aux côtés des tests de significativité pour transmettre l'importance pratique.