Revue Systematique

MANAGEMENT
Sous la direction de
Patrice LAROCHE
La méta-analyse
Méthodes et applications
en sciences sociales
La méta-analyse
La collection Méthodes & Recherches poursuit un double objectif :
• présenter en langue française des états de l’art complets sur des thèmes de recherches
contemporains mais également pratiques, d’intérêt et de niveau international.
• réunir des auteurs et des lecteurs de divers champs disciplinaires (économistes, gestion-
naires, psychologues et sociologues…) et les aider à communiquer entre eux.
Rico Baldegger, avec la collaboration de Marilyne Pasquier, Le management dans un envi-
ronnement dynamique. Concepts, méthodes et outils pour une approche systémique
Christophe Assens, Le management des réseaux. Tisser du lien social pour le bien-être éco-
nomique
Rémi Barré, Bastiaan de Laat, Jacques Theys (sous la direction de), Management de
la recherche. Enjeux et perspectives
Nicole Barthe, Jean-Jacques Rosé (sous la direction de), RSE. Entre globalisation et déve-
loppement durable
Emmanuel Bayle, Jean-Claude Dupuis (sous la direction de), Management des
entreprises de l’économie sociale et solidaire. Identités plurielles et spécificités
Maxime Bellego, Patrick Légeron, Hubert Ribéreau-Gayon (sous la direction de),
Les risques psychosociaux au travail. Les difficultés des entreprises à mettre en place des
actions de prévention
Soumaya Ben Letaifa, Anne Gratacap, Thierry Isckia (Éd.), Understanding Business
Ecosystems. How Firms Succeed in the New World of Convergence?
Michelle Bergadaà, Marine Le Gall-Ely, Bertrand Urien (sous la direction de),
Don et pratiques caritatives
Jean-Pierre Bouchez, L’économie du savoir. Construction, enjeux et perspectives
Denis Cristol, Catherine Laizé, Miruna Radu Lefebvre (sous la direction de),
Leadership et management. Être leader, ça s’apprend !
Nathalie Delobbe, Olivier Herrbach, Delphine Lacaze, Karim Mignonac
(sous la direction de), Comportement organisationnel - Vol. 1. Contrat
psychologique, émotions au travail, socialisation organisationnelle
Xavier Deroy (sous la direction de), Formes de l'agir stratégique
Michel Dion (sous la direction de), La criminalité financière. Prévention, gouvernance et
influences culturelles
Jean-Claude Dupuis, Économie et comptabilité de l’immatériel
Assâad El Akremi, Sylvie Guerrero, Jean-Pierre Neveu (sous la direction de), Comportement
organisationnel - Vol. 2. Justice organisationnelle, enjeux
de carrière et épuisement professionnel
Alain Finet (sous la direction de), Gouvernance d’entreprise. Nouveaux défis financiers et
non financiers
Anne Gratacap, Alice Le Flanchec (sous la direction de), La confiance en gestion.
Un regard pluridisciplinaire
Denis Guiot, Bertrand Urien (sous la direction de), Comprendre le consommateur âgé.
Nouveaux enjeux et perspectives
Thomas Lagoarde-Segot, La finance solidaire. Un humanisme économique
Patrice Laroche (sous la direction de), La méta-analyse. Méthodes et applications en
sciences sociales
Alain Maes, Le management intégrateur. Fondements, méthodes et applications
Denis Monneuse, Le surprésentéisme. Travailler malgré la maladie
Jean-Jacques Rosé (sous la direction de), Responsabilité sociale de l'entreprise.
Pour un nouveau contrat social
Jacques Rojot, Patrice Roussel, Christian Vandenberghe (sous la direction de),
Comportement organisationnel - Vol. 3. Théories des organisations, motivation au travail,
engagement organisationnel
Patrice Roussel, Frédéric Wacheux (sous la direction de), Management des ressources
humaines. Méthodes de recherche en sciences humaines et sociales
Sylvie Saint-Onge, Victor Haines (sous la direction de), Gestion des performances au travail.
Bilan des connaissances
Laurent Taskin et Matthieu de Nanteuil (sous la direction de), Perspectives critiques en
management. Pour une gestion citoyenne
Sylvie Trosa, La crise du management public. Comment conduire le changement ?
Bénédicte Vidaillet, Véronique d'Estaintot, Philippe Abecassis (sous la direction de),
La décision. Une approche pluridisciplinaire des processus de choix
Saïd Yami, Frédéric Le Roy (sous la direction de), Stratégies de coopétition. Rivaliser
et coopérer simultanément
Sous la direction de
Patrice LAROCHE
La méta-analyse
Méthodes et applications
en sciences sociales
Pour toute information sur notre fonds et les nouveautés dans votre
domaine de spécialisation, consultez notre site web : www.deboeck.com
© De Boeck Supérieur s.a., 2015 1re édition

Fond Jean Pâques, 4 – 1348 Louvain-la-Neuve
Tous droits réservés pour tous pays.

Il est interdit, sauf accord préalable et écrit de l’éditeur, de reproduire (notamment
par photocopie) partiellement ou totalement le présent ouvrage, de le stocker dans
une banque de données ou de le communiquer au public, sous quelque forme et
de quelque manière que ce soit.
Imprimé en Belgique
Dépôt légal :
Bibliothèque nationale, Paris : janvier 2015 ISSN 1781-4944
Bibliothèque royale de Belgique, Bruxelles : 2015/0074/021 ISBN 978-2-8041-9009-5
Sommaire
Introduction.................................................................................................. 7
Partie 1
Théories et méthodologies
Chapitre 1
Introduction à la méthodologie méta-analytique................................................ 17
Chapitre 2
La recherche des variables modératrices à l’aide de la méta-analyse...................... 59
Chapitre 3
La méta-analyse de régression : propriétés et utilisation...................................... 77
Chapitre 4
L’exploration du biais de publication : une description des techniques existantes. ...... 89
Partie 2
Applications en sciences humaines et sociales
Chapitre 5
La méta-analyse en sciences de gestion : deux cas illustratifs en management. ... 119
Chapitre 6
Une analyse systématique du biais de sélection sur le test de Feldstein et Horioka....... 135
Chapitre 7
La méta-analyse en psychologie organisationnelle de la santé :
définition et illustration. ................................................................................... 169
6 La méta-analyse
Chapitre 8
L’impact du contact tactile sur l’acceptation d’une requête :
une illustration de l’intérêt de la méta-analyse en sciences du comportement...... 191
Conclusion
Apports et limites de la méta-analyse. ................................................................. 209
Présentation des auteurs.................................................................................... 213

Table des matières............................................................................................... 217
Introduction
Patrice Laroche*
“Scientists have known for centuries that a single study will not resolve a major issue.
Indeed, a small sample study will not even resolve minor issue. Thus, the foundation
of science is the cumulation of knowledge from the results of many studies.”
Hunter, Schmidt et Jackson, 1982, p. 10
Tout projet scientifique est entrepris en réponse à une synthèse de la connais-

sance afin d’identifier les aspects d’un sujet qui exigent davantage de recherche. La
revue de la littérature vise à démontrer l’intérêt d’un sujet d’étude en révélant les
lacunes des recherches scientifiques existantes. De nos jours, le nombre de publi-
cations académiques est tel qu’il devient de plus en plus difficile de mener une
évaluation critique de l’ensemble des études portant sur une question précise de
recherche. Or, la revue de la littérature doit être la plus exhaustive possible afin de
situer son travail par rapport à l’ensemble des études menées antérieurement. La
revue de la littérature est donc une étape essentielle de la démarche scientifique et
peut prendre plusieurs formes allant de la revue narrative traditionnelle – consistant
à synthétiser la littérature en étant sélectif dans le choix des études existantes –
aux revues systématiques de la littérature beaucoup plus exhaustives et rigoureuses
sur les critères de sélection des études. L’objectif de cet ouvrage est de présenter
une approche méthodologique – la méta-analyse – qui s’inscrit dans la catégorie
des outils de revue systématique de la littérature. La méta-analyse est plus pré-
cisément une approche statistique qui a pour but de rassembler les résultats empi-
riques d’études singulières pour en faire une synthèse reproductible et quantifiée. La
méta-analyse va bien au-delà de la simple analyse exhaustive et comparative et de
la « méthode des votes »1 en proposant un cadre plus formel et rigoureux (Shelby
et Vaske, 2008). Il s’agit d’une démarche exigeante consistant à faire la synthèse
des résultats de différentes études au moyen de méthodes statistiques appropriées.
* ESCP Europe et ISAM-IAE Nancy.

1 La méthode des votes (“vote counting”) consiste simplement à classer les études existantes
selon les résultats obtenus (cf. chapitre 1 pour une description plus détaillée de la méthode).
8 La méta-analyse
Renouvelant les méthodes de synthèse de la littérature, la méta-analyse présente

l’avantage de réduire au minimum les éléments arbitraires des revues narratives tra-
ditionnelles en proposant une méthodologie reproductible.
L’utilisation des méta-analyses a sensiblement augmenté ces trente dernières
années en sciences sociales, témoignant ainsi de l’intérêt grandissant que suscite cette
méthodologie dans les milieux scientifiques. Si le développement des procédures méta-
analytiques a connu un rythme soutenu depuis le milieu des années soixante-dix, leur
principe même apparaît dès le début du vingtième siècle, notamment avec les tra-
vaux de Karl Pearson en 1904 sur la combinaison de données provenant de différentes
études portant sur l’immunité et la mortalité des soldats de l’Empire britannique1.
Dans les années trente, les méta-analyses commencent à être appliquées dans
quelques champs scientifiques, en premier lieu grâce aux travaux des expérimentalistes
agricoles comme Yates et Cochran (1938), Cochran (1937), Fisher (1932), Tippett (1931),
souvent considérés comme les instigateurs de la méta-analyse. À cette époque, on relève
également quelques premières applications isolées en psychologie (Peters, 1933) et en
physique (Birge, 1932). En 1954, Cochran a prolongé ces travaux en s’intéressant à la
problématique de la combinaison des résultats de plusieurs expériences indépendantes.
Plus généralement, les années quarante et cinquante s’inscrivent dans la continuité de
ces premières réflexions, mais c’est véritablement à la fin des années soixante, alors
que la recherche en sciences humaines et sociales connaît un réel essor, que les pro-
cédures méta-analytiques trouvent des terrains d’application plus variés et plus nom-
breux. La possibilité de synthétiser un ensemble de résultats empiriques, notamment
lorsqu’ils sont contradictoires, explique cet engouement croissant pour la méta-analyse.
Le principe général de la méta-analyse repose en effet sur l’hypothèse que l’incidence
d’une variable sur une autre est une constante et, par conséquent, que chaque étude
mesure cette même constante. Dès lors, les différences de résultats observées par les
études individuelles ne devraient résulter que de fluctuations aléatoires (c’est-à-dire de
fluctuations liées à l’erreur de mesure et à l’erreur d’échantillonnage). Les travaux fon-
damentaux de Cohen (1962), Dubin et Taveggia (1968), Light et Smith (1971) ont lar-
gement contribué à cette période au développement rapide des méta-analyses dans des
domaines comme l’épidémiologie, la médecine en général, la biologie et la psychologie.
Les travaux de Gene Glass restent une référence pour les spécialistes. Il est le
premier à utiliser et définir explicitement le terme de méta-analyse comme « l’analyse
statistique d’un grand nombre de résultats d’analyse provenant d’études indépendantes qui
vise à intégrer ces résultats et conclusions » (Glass, 1976). Il est également le premier
à souligner les problèmes de mesure de la taille de l’effet2 à partir de statistiques dif-
férentes. Rosenthal (1976 et s.) a également joué un rôle important dans le dévelop-
pement de ces méthodes dès le milieu des années soixante-dix. Son ouvrage de 1984,
réédité plusieurs fois, présente une revue très complète des méthodes méta-analytiques
1 Certains documents renvoient même à un ouvrage publié à l’usage des astronomes en 1861 par
la British Astronomer Royal, qui développe les travaux statistiques de Gauss et Laplace, au fonde-
ment des techniques statistiques aujourd’hui utilisées dans les méta-analyses (Airy G.B., “On the
Algebrical and Numerical Theory of error of Observations and the Combination of Observations”, Lon-
don: MacMillan, 1861).
2 La mesure de l’intensité de la relation entre deux variables d’intérêt est appelée indifféremment
« grandeur d’effet », « taille de l’effet » ou « importance de l’effet » (“effect size” pour les anglo-saxons).
Introduction 9
pour la recherche en sciences sociales. Notons à ce stade que la méta-analyse n’est ni un

outil, ni une méthode précise, mais bien un mode d’approche (une procédure) pour syn-
thétiser, de manière intégrée et quantitative, un certain nombre d’études empiriques. Ce
mode d’approche fait alors appel à plusieurs techniques, outils et méthodes statistiques.
L’utilisation des méta-analyses a sensiblement augmenté dans les années
quatre-vingt-dix en sciences sociales, en médecine et en sciences de l’éducation.
À travers une interrogation de bases de données spécialisées en psychologie et en
médecine, on peut dénombrer près de 250 et 600 articles respectivement dans Psy-
Clit et Medline en 1995, alors qu’il y en avait moins de dix vingt ans plus tôt1. Sur
une période plus récente, Streiner (2003) relève 1 251 articles dans Medline en 2001,
contre les 609 référencés en 1996. Dans le domaine de l’éducation, une exploration
de la base de données ERIC (Educational Resource Information Center) met en évidence
plus de 800 références discutant ou utilisant les méta-analyses dans ce domaine entre
1980 et 1990. Même le célèbre New York Times souligne dans ses colonnes le nombre
de méta-analyses réalisées en médecine qui dépasse les deux milliers… Cucherat et
al. (1997) estiment à 400 le nombre annuel de publications nouvelles depuis 1992
utilisant des méta-analyses dans le domaine de la médecine et de la santé publique2.
La médecine – et, en son sein, certains domaines en particulier, comme les
maladies cardiovasculaires, les soins périnataux et l’oncologie – apparaît ainsi comme
le terrain d’application par excellence des méta-analyses. La dimension fondamentale-
ment expérimentale de ces études, d’une part, et l’enjeu que représentent leurs conclu-
sions pour les praticiens de la santé, d’autre part, expliquent sans doute cet état de
fait. Il est intéressant de noter que cette popularité de la démarche en médecine s’est
même concrétisée dans les années quatre-vingt-dix par la création d’une fondation, la
Cochrane Collaboration3, du nom de l’épidémiologiste Archie Cochrane : cette fonda-
tion fonctionne sous la forme d’un réseau international des professionnels de la santé
qui préparent et mettent régulièrement à jour des revues d’études cliniques (“Cochrane
Reviews”). Ces actions militent en faveur de soins de santé fondés sur des « preuves ».
Un numéro spécial de l’International Journal of Epidemiology a été consacré en 2002
à ces démarches. Comme le soulignent Cucherat et al. (1997, p. 1) : « La somme des
connaissances sur lesquelles doivent se baser maintenant les décisions médicales, et en
particulier les choix thérapeutiques, croît sans cesse. Les médecins ont de plus en plus
besoin de données synthétiques qui intègrent efficacement l’ensemble des informations
existantes pour assurer une base rationnelle à leur décision ». Ces propos ne peuvent
que stimuler la réflexion sur l’utilisation des méta-analyses en sciences sociales, tant
la complexité des informations et des connaissances, et les enjeux des décisions dans
le domaine de la psychologie, de la sociologie et de l’économie, sont importants et
similaires dans leur nature à ceux du domaine de la médecine. De nombreux cher-
cheurs en sciences sociales se sont donc intéressés aux procédures méta-analytiques
pour intégrer efficacement les résultats de la recherche. En fait, la méta-analyse s’est
largement développée au cours de ces trente dernières années en sciences sociales,
1 Document du SAS Institute, “Interpreting Results through Meta-Analytic Review Using SAS
Software”, disponible sur http://support.sas.com/publishing/pubcat/chaps/55810.pdf
2 On visitera avec intérêt les pages réalisées par Michel Cucherat sur le site de l’Université de
Lyon 1 et consacrées aux procédures méta-analytiques appliquées aux essais thérapeutiques.
3 Voir le site très complet de cette fondation sur http://www.cochrane.org/admin/index.htm
10 La méta-analyse
comme en témoigne l’évolution du nombre de publications dans des revues à comité

de lecture (cf. figure 1) et les disciplines concernées par ces travaux (cf. tableau 1).
800
Ebsco (1982-2013)
Nombre de méta-analyses publiées
700
EconLit (1982-2013)
600
ISI Web of Science (Sciences sociales, 1991-2013)
500
400
300
200
100
0
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
Année de publication
Figure 1 — Publications de méta-analyses dans des revues académiques répertoriées

dans Business Source Complete (Ebsco, EconLit) et l’ISI Web of Science1
S/discipline Nombre S/discipline Nombre

d’études d’études
Psychologie 4 755 Systèmes d’information 165
Sciences de gestion 1 325 Droit 123
Économie 695 Mathématiques appliquées 121
aux sciences sociales
Sciences de l’éducation 669 Sociologie 86
Sciences sociales (autres) 355 Linguistique 85
Sciences de l’information 279 Anthropologie 66
et de la communication
Sciences du comportement 215 Géographie 54
Tableau 1 — Nombre de méta-analyses publiées en sciences sociales

entre 1991 et 2013 par sous-discipline (ISI Web of Science – Articles,
Proceedings papers, book chapters)
1 Le recensement des méta-analyses a été réalisé sur la base de données Ebsco (Business Source
Complete & EconLit) à partir des critères de recherche suivants : présence du mot « méta-analyse »
dans le titre ou dans le résumé de l’article, publication dans une revue académique (en sciences
sociales) internationale (en toutes langues) et à comité de lecture.
Introduction 11
Une recherche bibliographique sur la base de données Ebsco entre 1982 et

2013 permet d’identifier 3 929 références utilisant ou discutant les procédures méta-
analytiques en sciences sociales (plus particulièrement en psychologie du travail,
économie et gestion). Parmi ces références, on peut identifier celles qui sont de
nature méthodologique, sans application empirique, celles qui sont une application
empirique en sciences sociales sur des sujets qui sortent du champ de l’économie
et de la gestion (psychologie, sociologie, etc.) ou sur des sujets qui entrent dans
le champ de l’économie et de la gestion. L’analyse de ces publications appelle plu-
sieurs remarques et commentaires :
–– Le nombre total d’articles parus chaque année avec pour mot clé « méta-
analyse » est en constante progression depuis trente ans, atteignant plus de 350
articles pour la seule année 2013, se répartissant entre les articles méthodologiques
(une dizaine en 2013), les études empiriques hors gestion (80 en 2013) et en ges-
tion (plus de 200 en 2013 !).
–– Une lecture plus fine du contenu et des supports de publication de ces articles
permet de confirmer la place prépondérante des études renvoyant, de près ou de
loin, au domaine de la psychologie : les revues Journal of Applied Psychology, Psy-
chological Bulletin, Personnel Psychology, Journal of Applied Behavioral Science, Jour-
nal of Counselling Psychology sont de loin les plus représentées parmi les 3 929
articles recensés.
–– Au sein des sciences de gestion, les domaines les plus représentés sont à la
fois le marketing, la stratégie et les ressources humaines au sens large. Quelques
études en systèmes d’information ont également utilisé des procédures méta-
analytiques. Assez paradoxalement, peu d’articles ayant recours à ces démarches sont
parus dans le domaine de la finance.
–– Les réflexions sur les méthodes elles-mêmes restent d’ailleurs encore
aujourd’hui plus le fait de statisticiens ou de spécialistes de psychologie. Quelques
articles parus dans des revues de marketing posent les enjeux et les utilités des
méta-analyses pour la recherche dans ce domaine (Franke, 2001 ; Farley et Leh-
mann, 2001 ; Laroche et Schmidt, 2004 ; Laroche et Soulez, 2012). Un article (Eden,
2002) s’interroge plus largement sur l’intérêt des méta-analyses pour le progrès des
connaissances en management, et ce, au regard de la politique éditoriale de la pres-
tigieuse revue Academy of Management Journal.
Parallèlement à l’utilisation croissante de la méta-analyse dans les travaux de
recherche en sciences sociales, la méta-analyse a fait l’objet de nombreux manuels
dans les pays anglo-saxons (plus d’une cinquantaine aux États-Unis), alors qu’au-
cun ouvrage sur ce sujet n’a été publié en langue française, à l’exception de celui
de Michel Cucherat destiné exclusivement aux sciences médicales.
Dès lors, l’originalité de cet ouvrage collectif est de proposer le premier
ouvrage en langue française, consacré spécifiquement à la méta-analyse en sciences
sociales, avec pour objectif d’apporter à la fois une réflexion interdisciplinaire sur la
méta-analyse et une série d’applications permettant d’illustrer les apports de cette
méthodologie aux sciences économiques et sociales.
L’ouvrage s’organise en deux parties : une première destinée à présenter de
manière didactique les méthodes de méta-analyse et à faire le point sur les princi-
paux développements théoriques et méthodologiques les concernant ; une seconde
12 La méta-analyse
chargée de présenter plusieurs applications de la méta-analyse dans le champ des

sciences sociales (notamment en psychologie, économie et gestion).
La première partie est composée de quatre contributions qui exposent l’état
de la réflexion théorique et méthodologique sur la méta-analyse. La première contri-
bution, de Patrice Laroche, présente la méthodologie méta-analytique. L’auteur pro-
pose de développer en détail les procédures et outils existants, en soulignant les
enjeux et les débats qui caractérisent les choix techniques dans la mise en œuvre
de la méta-analyse. La deuxième contribution, celle d’Herman Aguinis et Charles
A. Pierce, présente plus particulièrement la procédure de Hedges et Olkin (1985)
et son importance dans la recherche des sources d’hétérogénéité entre les études.
La troisième contribution, de T.D. Stanley et Stephen J. Jarrell, porte plus spéci-
fiquement sur la méta-analyse de régression ou méta-régression. Cette technique
statistique avancée permet d’identifier les sources de variation entre les résultats
des études empiriques. Enfin, la dernière contribution de cette première partie, de
Patrice Laroche et Chris Doucouliagos, porte sur la détection du biais de publica-
tion dans la méta-analyse. Elle propose une description des différents outils sta-
tistiques qui ont pour but d’identifier un type de biais que le méta-analyste doit
prendre sérieusement en considération.
La seconde partie de l’ouvrage présente plusieurs méta-analyses réalisées dans
des domaines aussi variés que les sciences de gestion, l’économie, et la psycholo-
gie. Elle comprend quatre contributions également. La première d’entre elles, dont
les coauteurs sont Christophe Revelli et Patrice Laroche, a pour objectif d’illustrer
les principales étapes de la méta-analyse à partir de données issues de deux méta-
analyses publiées en sciences de gestion. La deuxième contribution, de Yannick
Bineau, présente les résultats d’une méta-analyse en macroéconomie. Plus précisé-
ment, l’auteur examine l’influence du biais de publication dans la littérature consa-
crée au lien entre les taux d’épargne et d’investissement d’un groupe de pays et
son degré d’intégration financière (et en profite pour revisiter le fameux paradoxe
de Feldstein et Horioka, 1980). Les deux auteurs de la troisième contribution, les
psychologues Marcel Lourel et Nicolas Guéguen, ont quant à eux mené une méta-
analyse qui s’inscrit dans le champ de la psychologie sociale. Cette étude porte sur
les liens entre les habilités verbales et la délinquance chez les garçons. Enfin, Nico-
las Guéguen, Marcel Lourel et Robert-Vincent Joule présentent une illustration du
rôle et de l’apport de la méta-analyse aux sciences cognitives à travers une syn-
thèse des recherches sur l’impact du contact tactile sur l’acceptation d’une requête.
Bibliographie
Birge, R.T. (1932). The calculation of error by the method of least squares. Physical
Review, 40, 207‑227.
Cochran, W.G. (1937). Problems ariser in the analysis of a series of similar experi-
ments. Journal of the Royal Statistical Society, 4, 102‑118.
Cochran, W.G. (1954). The combination of estimates from different experiments. Bio-
metrics, 10, 101‑129.
Cohen, J. (1962). The statistical power of abnormal-social psychological research: a
review. Journal of Abnormal and Social Psychology, 65(3), 145‑153.
Introduction 13
Cucherat M. (1997). Méta-analyse des essais thérapeutiques, Paris : Masson.

Cucherat M., J.P. Boissel, A. Leizorovicz & M. C. Haugh (1997). EasyMA: a program for
the meta-analysis of clinical trials. Comput Methods Programs Biomed 53: 3, 187‑190.
Dubin, R. & Taveggia, T.C. (1968). The teaching-learning paradox: a comparative
analysis of college teaching methods. Center for the Advanced Study of Educational
Administration, University of Oregon.
Eden, D. (2002). “Replication, meta-analysis, scientific progress, and AMJ’s publica-
tion policy“, Academy of Management Journal, 45 (5), 841.
Farley, J. U., & Lehmann, D. R. (2001). The important role of meta-analysis in inter-
national research in marketing. International Marketing Review, 18(1), 70‑79.
Fisher, R.A. (1932). Statistical methods for research workers, Oliver and Boyd, London.
Franke, G.R. (2001), ”Applications of meta-analysis for marketing and public policy:
a review“, Journal of Public Policy and Marketing, vol. 20, n° 2, Fall, pp. 186‑200.
Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational
Researcher, 3‑8.
Hunter, J.E., Schmidt, FL. & Jackson, G.B. (1982). Meta-Analysis: Cumulating Research
findings across studies. Beverly Hills, CA: Sage.
Laroche, P., & Soulez, S. (2012). La méthodologie de la méta-analyse en marketing.
Recherche et Applications en Marketing, 27(1), 79‑105.
Laroche, P. & Schmidt, G. (2004). La méta-analyse en sciences de gestion : utilités,
utilisations et débats. Academy of Management, Research Methods Division, Cros-
sing Frontiers in Quantitative and Qualitative Research Methods, ISEOR, Lyon, France.
Leizorovicz, A., & Boissel, J.P. (1983). Oral anticoagulant in patients surviving myo-
cardial infarction: a new approach to old data. European Journal of Clinical Phar-
macology, 24(3), 333‑336.
Light, R.J. & Smith, P.V. (1971). Accumulating evidence: procedures for resolving
contradictions among different research studies. Harvard Educational Review, 41,
429‑471.
Pearson K. (1904). « Report on certain enteric fever inoculation statistics », British
Medical Journal, 3, pp. 1243‑1246.
Peters, C.C. (1933). Summary of the penn state experiments on the influence on ins-
truction in character education. Journal of Educational Psychology, 7, 269‑272.
Rosenthal, R. (1976). Experimental effects in behavioral research. Irvington, New York.
Rosenthal, R. (1978). Combining results of independent studies. Psychological Bulle-
tin, 65, 185‑193.
Rosenthal, R. (1979). The ”file drawer“ problem and tolerance for null results. Psycho-
logical Bulletin, 86, 638‑641.
Rosenthal, R. (1984). Meta-analytic procedures for social research. Beverly Hills, Sage
Publications.
Shelby, L. B. & Vaske, J. J. (2008). Understanding meta-analysis: A review of the
methodological literature. Leisure Sciences, 30(2), 96‑110.
Streiner, D.L. (2003). Meta-analysis: a 12-step program. eGambling, 9(1), 23 pages.
Tippett, L. H. C. (1931). The methods of statistics. The methods of statistics.
Wilkinson, B. (1951). A statistical consideration in psychological research. Psycholo-
gical Bulletin, 48(2), 156.
Yates F. & Cochran W.G. (1938), “The analysis of groups experiments”, Journal of Agri-
cultural Science, 28, pp. 556‑580.
PARTIE 1
Théories
et méthodologies
Sommaire
Chapitre 1 Introduction à la méthodologie méta-analytique 17

Chapitre 2 La recherche des variables modératrices à l’aide
de la méta-analyse 59
Chapitre 3 La méta-analyse de régression : propriétés et utilisation 77
Chapitre 4 L’exploration du biais de publication :
Une description des techniques existantes 89
Chapitre 1
Introduction à la méthodologie
méta-analytique
Patrice Laroche*
Sommaire
1. La préparation de la méta-analyse 20
2. Le codage des études individuelles 24
3. Le choix et la combinaison des tailles de l’effet 26
4. La recherche des sources d’hétérogénéité

des grandeurs d’effet 41
5. La présentation et l’interprétation des résultats 46
6. La rédaction du rapport final 48
7. Les logiciels de méta-analyse 52
8. Conclusion 54
* ESCP Europe et ISAM-IAE Nancy.

18 Théories et méthodologies
Ce premier chapitre a pour but de présenter la méta-analyse en revenant

plus particulièrement sur les grands principes et les différentes étapes de cette
méthode de synthèse de la littérature. La méta-analyse est « un terme générique
désignant un certain nombre de méthodes d’analyse statistique des résumés quanti-
tatifs d’études antérieures d’un même domaine » (Muller, 1988). Par conséquent, la
méta-analyse s’inscrit parmi les méthodes de synthèse des résultats d’études empi-
riques à la disposition du chercheur (Card, 2012, pp. 5‑7). On retrouve parmi ces
méthodes, la méthode des votes (« vote-counting » ou « box score ») et la combi-
naison des degrés de signification. La méthode des votes, introduite par Light et
Smith (1971), consiste simplement à classer en trois catégories les études exis-
tantes : les études qui présentent un effet positif statistiquement significatif, celles
qui affichent un effet négatif statistiquement significatif et celles qui indiquent
l’absence d’effet significatif. La catégorie qui contient la majorité des études est
alors considérée comme représentative de ce qu’est réellement la nature de l’ef-
fet entre les deux variables d’intérêt. La combinaison des degrés de significativité,
comme son nom l’indique, consiste à combiner entre eux les degrés de signification
(valeur de p) des résultats issus d’études singulières et de tester l’hypothèse nulle
globale selon laquelle il n’existe aucun lien entre deux variables d’intérêt. Par rap-
port à ces deux méthodes, la méta-analyse se fonde sur les effets eux-mêmes en
faisant l’hypothèse que la valeur réelle de la grandeur d’effet est une constante.
Par ailleurs, la méta-analyse permet de prendre en compte les facteurs de varia-
tion de l’effet et offre ainsi une meilleure intégration des résultats quantitatifs des
études empiriques.
Encadré 1 : Définitions et principes fondamentaux des procédures méta-analytiques
• Définitions :
La taille de l’effet ou grandeur d’effet est une mesure de l’intensité de la relation entre
deux variables d’intérêt. Les méthodes les plus répandues pour calculer les tailles de l’ef-
fet sont : le coefficient de corrélation de Pearson, le d de Cohen qui mesure la diffé-
rence standardisée entre deux moyennes et le rapport de cote (odds ratio) qui compare
la probabilité d’un événement dans deux groupes. Le choix de l’une ou l’autre méthode
dépendra des domaines de recherche et de la nature des données collectées et de leurs
traitements statistiques.
La puissance statistique d’une étude mesure sa capacité à mettre en évidence l’effet
d’une variable d’intérêt si cet effet existe. En d’autres termes, la puissance statistique d’un
test est son aptitude (en termes de probabilité) à obtenir un résultat statistiquement signi-
ficatif si l’effet mesuré est réel. La puissance est égale à 1 – b, où b est le risque de
deuxième espèce, celui de ne pas mettre en évidence un effet qui existe pourtant. La
puissance d’un test augmente notamment avec la taille de l’échantillon et l’importance
de l’effet recherché.
L’erreur ou la fluctuation d’échantillonnage découle du fait que le chercheur n’observe
qu’une partie, au lieu de la totalité de la population. Ainsi, toutes les estimations calcu-
lées à partir d’un échantillon sont exposées à l’erreur d’échantillonnage.
L’erreur de mesure correspond à l’erreur faite sur les mesures qui ont conduit aux résul-
tats. Elle dépend de la qualité et de la justesse d’un outil de mesure à donner une valeur
proche de la valeur vraie.
Introduction à la méthodologie méta-analytique 19
• Principes fondamentaux :
Le principe général de la méta-analyse repose sur l’hypothèse que l’importance du lien
entre deux variables (ou grandeur d’effet) est une constante et que chaque étude
consacrée à ce lien mesure cette constante. Les différences de résultats observées entre
les études individuelles ne proviendraient donc que des fluctuations d’échantillonnage. La
valeur réelle de la grandeur d’effet reste inconnue, les études existantes ne donnant que
des estimations soumises à l’erreur de mesure et à l’erreur d’échantillonnage. Par consé-
quent, la méta-analyse cherche à obtenir la meilleure estimation possible de la grandeur
d’effet commune.
La démarche méta-analytique s’appuie alors sur trois grands principes :
–– une recherche exhaustive des études existantes ;
–– une sélection rigoureuse et argumentée des études ;
–– une estimation de la taille de l’effet commun.
Il est possible de distinguer deux types de méta-analyse selon le type de don-

nées utilisées : la méta-analyse sur données résumées de la littérature et la méta-
analyse sur données individuelles. La méta-analyse sur données résumées consiste à
faire la synthèse de résultats d’études publiées et/ou non publiées. La méta-analyse
sur données résumées est le type de méta-analyse le plus souvent utilisé pour des rai-
sons pratiques et constitue le type de méta-analyse qui sera décrit dans cet ouvrage.
La méta-analyse sur données individuelles consiste à faire une synthèse des résultats
des études en s’appuyant sur les données primaires utilisées par toutes les études exis-
tantes. Il faut donc disposer de toutes les données de chacune des études individuelles
et d’en faire une synthèse. La lourdeur de ce travail voire son impossibilité conduit la
très large majorité des méta-analystes à mener leurs études sur des données résumées.
La réalisation d’une méta-analyse – à partir de données résumées ou de don-
nées individuelles – exige une grande rigueur méthodologique et nécessite de suivre
une procédure précise dont les principales étapes sont présentées dans le tableau 1.1.
Étape Question posée Objectif principal

Planification et préparation de la méta-analyse
1. F ormuler une question Quel est l’objectif Définir les variables
de recherche de la recherche ? d’intérêt et préciser
la relation étudiée afin
d’identifier les études
concernées
2. R
echercher les études Quelles procédures doivent Identifier les sources
empiriques existantes être utilisées pour trouver (bases de données, type
les études pertinentes ? de revues…) et mots clés
utilisés pour rechercher
les études concernées.
3. É valuer la qualité Quelles études doivent Appliquer des critères afin
des études être incluses ou exclues de sélectionner les études.
de la synthèse sur la base Définir les critères
de leurs caractéristiques ? d’inclusion et d’exclusion.
Codage des études sélectionnées

4. R
assembler Quelles informations faut-il Sélectionner les informations
les informations rassembler ? pertinentes et établir
disponibles une liste des caractéristiques
dans les études des études que l’on souhaite
rassembler.
5. O
btenir une métrique Quelles statistiques utilisées Choisir un indicateur
commune afin d’obtenir une métrique quantitatif commun afin
commune ? de pouvoir combiner
ensuite les résultats
des études individuelles
Combinaison et comparaison des tailles de l’effet
6. A
nalyser et intégrer Quelles procédures utilisées Identifier et appliquer
les résultats pour résumer et intégrer des procédures pour
empiriques des études les résultats empiriques ? combiner les résultats
et tester les différences
entre les résultats
des études
Présentation des résultats
7. I nterpréter les résultats Quelles conclusions Résumer les résultats
de la synthèse peut-on tirer des résultats de la méta-analyse
de la méta-analyse ?
8. P
résenter les méthodes Quelles informations Identifier et appliquer
de recherche doivent être présentées les règles éditoriales
et les résultats dans le rapport afin de mettre en avant
de synthèse ? les résultats les plus
significatifs
Tableau 1.1 — Les différentes étapes de la méta-analyse
Les éléments à considérer, pour ceux qui veulent entreprendre une méta-
analyse ou simplement en interpréter les résultats, sont maintenant développés, à
travers une description plus détaillée des différentes étapes.
1. La préparation de la méta-analyse
Cette première phase de la méta-analyse consiste à recenser l’ensemble des
études existantes s’intéressant à la même question de recherche afin d’obtenir une
base pour les traitements statistiques. Elle nécessite de définir précisément l’objec-
tif de la recherche envisagée (1.1.), de faire une recherche exhaustive des études
existantes (1.2.) puis d’établir des critères d’exclusion et d’inclusion des études dans
la méta-analyse (1.3.).
1.1 La formulation de la question de recherche
L’étape préliminaire à toute méta-analyse consiste à acquérir une bonne com-

préhension du problème de recherche et une connaissance des enjeux qui en résul-
tent. Cette première étape, commune à tous les travaux scientifiques, va permettre
d’identifier un problème et de justifier l’intérêt du recours à la méta-analyse. S’il
s’intéresse par exemple au lien entre le prix et la qualité perçue, le méta-analyste
devra tout d’abord décider de l’acception de ces deux concepts, de la définition des
variables et de la prise en compte ou non d’éventuels effets médiateurs et/ou modé-
rateurs (Völckner et Hoffman, 2007). Ces différentes interrogations sont importantes
dans la mesure où elles vont permettre au méta-analyste de sélectionner les études
et d’identifier le type d’informations nécessaires à la réalisation de la méta-analyse.
La question de recherche ne doit pas être formulée de manière trop large, mais au
contraire de façon précise afin de rendre plus utiles les résultats qui seront extraits
de la méta-analyse (Streiner, 2003). En effet, une fois la question de recherche
posée et l’objet de la recherche clairement défini, il sera plus aisé de définir quelle
sera la population étudiée et quels critères de sélection seront appliqués (popula-
tion, types d’études…) pour choisir les études concernées.
1.2 La recherche des études existantes
L’étape suivante consiste à faire une recherche la plus exhaustive possible des
études existantes sur le domaine investigué. Les bases de données bibliographiques
informatisées telles qu’ABI Inform/Proquest, Jstor, Ebsco, Science Direct, Emerald,
Cairn, Springer Link ou Wiley-Blackwell – pour n’en citer que quelques-unes – offrent
la possibilité d’accéder à de nombreux travaux de recherche et sont devenus incon-
tournables aujourd’hui dans le domaine scientifique. Elles fournissent un accès direct
à de nombreuses revues en sciences sociales et à leurs articles téléchargeables direc-
tement sous format PDF. Par ailleurs, d’autres bases telles que Social Science Citation
Index (SSCI), EconLit, Doge, Current Contents, Management Contents, Journal of Eco-
nomic Literature offrent des accès plus limités (en proposant seulement des résumés
des études), mais peuvent constituer un moyen d’identifier des travaux qu’il convien-
dra de collecter par la suite. Enfin, une recherche complémentaire peut être effectuée
sur les moteurs de recherche Internet tels Google Scholar, Google Books, EconPapers
ou SSRN (Social Science Research Network) (Laroche et Soulez, 2012). Une recherche
sur les seules bases de données informatisées ne suffit pas à recenser l’ensemble
des références bibliographiques et à rendre le corpus exhaustif. Une fois les articles,
extraits d’ouvrages et documents sélectionnés, il convient également d’explorer l’en-
semble des bibliographies de chaque étude jusqu’à « saturation ». À partir du moment
où plus aucune étude non déjà identifiée n’apparaît dans une bibliographie nouvelle
et/ou récente, c’est que le niveau de saturation est atteint. Le méta-analyste peut
compléter sa recherche manuelle par une exploration des revues de littérature narra-
tives ayant déjà identifié au préalable les études empiriques existantes dans le champ
de recherche. Il peut également examiner directement les revues académiques consi-
dérées comme majeures dans son champ de recherche afin d’identifier les études non
publiées ou à paraître. Enfin, il est parfois recommandé de contacter les auteurs iden-
tifiés dans les bases de données, mais dont les études ne sont pas téléchargeables
sous format électronique ni disponibles sous format papier.
1.3 Les critères d’inclusion et d’exclusion des études
Avant de commencer le codage des études, il convient de définir les critères

d’inclusion et d’exclusion permettant de retenir une étude dans la méta-analyse.
Le choix des études composant le corpus d’observations s’impose comme une des
étapes les plus importantes de la méta-analyse. En effet, présenter un ensemble de
critères explicites d’inclusion ou d’exclusion des études est essentiel pour au moins
trois raisons. Tout d’abord, ces critères vont permettre au méta-analyste d’identi-
fier plus facilement les études qu’il pourra retenir dans sa méta-analyse. Ensuite, la
présentation de critères explicites facilite l’interprétation des résultats de la méta-
analyse. Par exemple, si une méta-analyse exclut toutes les études portant sur des
individus âgés de plus de 18 ans alors il ne sera pas possible de tirer de cette méta-
analyse des enseignements pour les adultes. Enfin, expliciter les critères de choix
des études assure une certaine transparence méthodologique de telle sorte qu’un
autre méta-analyste puisse obtenir les mêmes résultats à partir des mêmes études.
Cette sélection rigoureuse des études permet de répondre à une critique souvent
formulée à l’égard de la méta-analyse, qui est celle du mélange des « pommes et
des oranges » (cf. infra).
Les critères à retenir vont dépendre des objectifs de la méta-analyse. Cepen-
dant, les méta-analystes fixent souvent les mêmes critères de sélection des études
(Lipsey et Wilson, 2001). On retrouve ainsi :
–– Les construits/concepts théoriques et les variables retenues. Quelles sont
les variables1 clés qui doivent être présentes dans les études ? Il est important de
retenir des études qui proposent une définition assez large des variables d’inté-
rêt. Ainsi, toutes les études envisageant la même problématique seront regroupées,
quelles que soient les définitions retenues des concepts et les mesures utilisées.
Une méta-analyse, dont la variable principale est la productivité du travail, pourra
exploiter une étude consacrée à la productivité mesurée par le nombre de per-
sonnes en emploi (productivité par tête), mais également une étude qui utilise
la productivité par nombre d’heures travaillées (productivité horaire apparente du
travail) ;
–– Les caractéristiques de l’échantillon d’étude. Il est également important
de prendre en considération la nature des échantillons sur lesquels portent les dif-
férentes études existantes, notamment lorsqu’il s’agit de traiter des études portant
sur des populations très différentes (en termes d’âge, de sexe, de groupes ethni
ques, etc.). Quelles sont les caractéristiques de la population étudiée qui permet-
tent de sélectionner les études à inclure dans la méta-analyse ? Dans certains cas,
les méta-analystes peuvent limiter les études éligibles à celles qui s’intéressent à des
individus possédant certaines caractéristiques démographiques, certaines cultures,
habitant certaines régions, liés à certains contextes, etc. Néanmoins, la nécessité
d’opérer une sélection des études sur la nature de la population étudiée reste excep-
tionnelle. En effet, un des objectifs de la méta-analyse est d’augmenter la repré-
sentativité des résultats, il n’est donc pas souhaitable de limiter la méta-analyse à
un type précis d’individus statistiques. D’autant qu’il est toujours possible d’explorer
1 Une variable est une information dont on observe la valeur sur chaque individu. On parle de
variable, car cette valeur diffère d’un individu à l’autre.
une éventuelle interaction en réalisant une méta-analyse en sous-groupe et de faire

ressortir des facteurs de contingence.
–– Le design de recherche : La méta-analyse ne permet pas de combiner les
résultats de recherche adoptant des méthodologies de recherche trop différentes
bien que traitant du même sujet. Il est impossible, par exemple, de combiner les
résultats d’une régression logistique (logit ou probit) avec ceux d’une régression
linéaire (mais rien n’empêche de réaliser deux méta-analyses distinctes)1 ;
–– Le type de publication : le fait d’introduire des études de mauvaise qua-
lité risque de nuire à la qualité de la méta-analyse, selon le principe du garbage
in/garbage out. Certains spécialistes recommandent d’exclure les études de « mau-
vaise qualité » en écartant tous les documents non publiés, n’ayant pas fait l’objet
d’une évaluation par les pairs. D’autres proposent d’intégrer l’ensemble des études et
d’utiliser la base de données de l’ISI Web of Knowledge et le Journal Citation Reports
(JCR®) – qui assure le classement de plus de 1600 revues internationales en sciences
sociales – afin de pondérer chaque publication (Doucouliagos et Laroche, 2003).
D’autres encore examinent de manière approfondie la validité interne et externe de
chaque étude (Cooper, 2010). Quoi qu’il en soit, le type de publication doit faire
l’objet d’une attention particulière de la part du méta-analyste ;
–– La période couverte : la période couverte par la méta-analyse doit être prise
en considération par le méta-analyste. En général, il convient de couvrir la période
la plus large possible (et d’envisager une analyse de l’évolution des résultats des
études à travers le temps) plutôt que d’exclure certaines études. Toutefois, il est
parfois pertinent de ne retenir dans la méta-analyse que les études publiées à cer-
taines périodes (avant et après une crise financière, etc.) ;
–– Les « doublons » : les publications qui s’appuient sur les résultats d’une
même étude doivent être écartées pour éviter un problème de dépendance des effets
(ou biais de représentation). Il n’est pas rare, en effet, qu’un même chercheur publie
plusieurs articles à partir des mêmes données. Il convient alors de ne retenir qu’une
seule des multiples études utilisant les mêmes données.
–– La disponibilité des informations nécessaires au calcul d’une grandeur
d’effet commune : il est essentiel de pouvoir disposer d’informations statistiques
offrant la possibilité de calculer une grandeur d’effet dans les études collectées.
Les études qui ne fournissent pas suffisamment d’informations pour calculer une
métrique commune ne pourront pas être retenues dans la méta-analyse.
À ce stade, se pose aussi la question du nombre d’études à recueillir pour
pouvoir réaliser une méta-analyse. Cette question fait l’objet de débats parmi les
méta-analystes, certains allant jusqu’à considérer que l’on peut réaliser une méta-
analyse à partir d’au moins deux études (Rosenthal, 1991). En fait, la réponse à
cette question dépend de la nature du corpus d’études existant. Par exemple, cinq
études très proches au plan méthodologique peuvent fournir une assez bonne esti-
mation moyenne des paramètres d’un modèle alors qu’un ensemble d’études plus
1 Il est inapproprié de combiner les grandeurs d’effet, mais il n’est pas impossible de combiner
les résultats. En effet, certains méta-analystes proposent une approche de type “vote counting” où
il s’agit de distinguer les études selon qu’elles obtiennent des résultats négatifs, non significatifs
et positifs – codés respectivement 0, 1 et 2 – puis de mener une méta-analyse de régression des
probits ordonnés (voir par exemple, Koetze et al., 2009 ; Waldorf & Byun, 2005).
hétérogènes qui diffèrent sur quatre ou cinq aspects importants demandera de col-
lecter au moins vingt études, avec suffisamment de différences entre elles. Il n’y a
donc pas de règles strictes en la matière, mais il convient de souligner deux points
importants s’agissant de l’intégration de résultats issus d’études individuelles. Tout
d’abord, il y a souvent moins d’études disponibles qu’envisagé au départ de la méta-
analyse. Il ne faut donc pas se décourager si l’on ne récupère qu’une douzaine
d’études empiriques plus ou moins comparables. Ensuite, on dispose souvent de
plusieurs estimations issues d’une même étude (parce que les chercheurs ont testé
différents modèles) et, par conséquent, on recueille un nombre d’estimateurs de l’ef-
fet supérieur au nombre d’études identifiées initialement. Cette situation engendre
d’autres difficultés méthodologiques (notamment un problème de dépendance des
effets) qui sont néanmoins relativement aisées à contourner à l’aide d’outils statis-
tiques adaptés (cf. infra).
2. Le codage des études individuelles
2.1 L’identification des modérateurs potentiels
L’étape suivante consiste à créer une grille de codage. La grille de codage

est l’outil que le méta-analyste va utiliser pour rassembler toutes les informa-
tions sur chacune des études sélectionnées. La plupart des informations sont
issues de l’étude elle-même, mais d’autres sources d’information peuvent parfois
être mobilisées afin d’aller plus loin que la simple réplication d’études1. Lorsque
le nombre d’études collectées est important, l’élaboration de la grille de codage
est une tâche particulièrement laborieuse. En effet, il s’agit d’établir une liste
de toutes les caractéristiques des études que l’on souhaite rassembler. Cette liste
peut réunir de nombreuses variables susceptibles d’être associées aux résultats
de l’étude (Reisinger, 1997). Bien que le contenu de chaque grille de codage
varie d’une méta-analyse à l’autre, on retrouve souvent les mêmes informations
que l’on peut classer selon différentes catégories (Cooper, 2010) : les caractéris-
tiques de la publication, les conditions expérimentales de l’étude, la nature des
variables d’intérêt et leur mode de mesure, la méthodologie adoptée, les résul-
tats statistiques obtenus et, éventuellement, des informations sur le codage lui-
même (cf. encadré 2). Ces différentes caractéristiques peuvent être consignées
dans un tableur (type Excel) afin de pouvoir aisément mener les traitements sta-
tistiques de la méta-analyse.
1 Par exemple, Doucouliagos et Laroche (2013) s’appuient sur des enquêtes internationales ou
des classements (World Value Survey, Index of Economic Freedom, Fraser Institute Ranking, etc.) pour
introduire des informations complémentaires permettant d’expliquer l’hétérogénéité des résultats
des études empiriques qui font l’objet de la méta-analyse.
Encadré 2 : Exemples de modérateurs potentiels à considérer
Les modérateurs potentiels sont de plusieurs natures. Il peut s’agir de façon non exhaus-
tive (1) des caractéristiques distinctives des études (2) de la nature de la population étu-
diée, (3) des variables d’intérêt retenues, (4) de la méthodologie de recherche adoptée,
(5) de la période couverte par les études, (6) du type de publication, etc.
INFORMATION SUR L’ÉTUDE

N° d’identification
Année de l’étude
Auteur(s) de l’étude
Type de publication
Pays où l’étude a eu lieu
CARACTÉRISTIQUES DE L’ÉCHANTILLON
Période couverte par l’étude
Âge, sexe des répondants
Secteur d’activité
Niveau d’analyse (établissement, entreprise, secteur…)
MESURE DES RÉSULTATS

Type de mesure de la variable dépendante
Type de mesure de la variable d’intérêt
CARACTÉRISTIQUES MÉTHODOLOGIQUES
Taille de l’échantillon
Caractéristique du groupe de contrôle
Type d’approche économétrique (MCO, DMC…)
Type de données (en coupe, longitudinale, de panel)
Nature des variables de contrôle
2.2 Le codage et sa vérification
Le codage des caractéristiques des études est un travail long et fastidieux

dont le résultat peut être sujet à de nombreuses erreurs et faire l’objet de contro-
verses. Dès lors, les deux qualités principales du système de codage doivent être
la transparence et la réplicabilité. Il est ainsi nécessaire de décrire précisément
la manière dont a été codée chaque caractéristique des études (Lipsey et Wil-
son, 2009). Stanley et al. (2013) préconisent de soigneusement vérifier le codage.
Pour ce faire, il est conseillé de doubler le contrôle de toutes les informations
recueillies. Une première option consiste à faire coder séparément la même étude
par deux méta-analystes et à comparer ensuite leur codage (intercoder reliability).
Une seconde option consiste à comparer le codage du même méta-analyste à deux
périodes différentes (intracoder reliability).
N.B. Le coefficient de corrélation partielle r est ici la grandeur d’effet standardisé et il a été calculé par
les auteurs à partir des statistiques disponibles dans les études (cf. infra).
Tableau 1.2 — Extrait du tableau de codage utilisé

par Doucouliagos et Laroche (2009)
Une fois ces vérifications effectuées, le méta-analyste dispose d’un fichier

de données à partir duquel il va pouvoir poursuivre la méta-analyse. Le tableau 1.2
(capture d’écran) propose un exemple de base de données construite à partir des
informations collectées dans chaque étude. Dans ce type de tableau de données,
chaque ligne représente une estimation de la taille de l’effet à laquelle vont être
associées certaines caractéristiques des études (considérées comme des modérateurs
potentiels) présentées ici en colonne.
3. Le choix et la combinaison des tailles de l’effet

Une fois les études codées, le méta-analyste peut commencer l’analyse des
données. À ce stade, les données tirées des études retenues vont servir de base aux
différents calculs permettant d’obtenir une synthèse des résultats existants dans la
littérature. L’obtention de ces résultats passe par trois étapes : (1) le choix d’une
grandeur d’effet commune, (2) la combinaison de ces grandeurs d’effet et (3) l’éva-
luation de l’hétérogénéité des grandeurs d’effet issues de chaque étude. Aujourd’hui,
les chercheurs en sciences sociales se focalisent davantage sur l’intensité ou la force
d’une relation entre deux phénomènes que sur la seule existence de cette relation.
Compte tenu de ces interrogations, les méta-analystes emploient des méthodes de
calcul des grandeurs d’effets plus sophistiquées qui dépassent largement les pre-
mières méthodes utilisées pour synthétiser la littérature (méthode des votes et com-
binaison des degrés de signification p).
3.1 Le choix d’une métrique commune

(ou grandeur d’effet « standardisée »)
Tous les développements statistiques de la méta-analyse reposent sur le
concept de grandeur d’effet qui se définit comme l’estimation du degré de relation
entre deux variables d’intérêt. La grandeur de l’effet s’exprime à l’aide de mesures
quantifiables qui sont différentes suivant les approches méthodologiques adoptées.
Afin de comparer les résultats d’études individuelles, la même grandeur d’effet doit
être utilisée. Le méta-analyste doit, par conséquent, identifier la nature des résul-
tats issus des études collectées et s’assurer que ces résultats peuvent être représen-
tés par une statistique commune.
Il existe plusieurs techniques destinées à transformer les statistiques présen-
tées dans les études collectées afin de calculer une métrique commune qui va per-
mettre de combiner les résultats et de calculer la moyenne des grandeurs d’effet,
appelée aussi « grandeur d’effet commune » (Wolf, 1986, p. 35). Ces méthodes diver-
gent selon la nature des variables (variables continues, variables catégorielles ordi-
nales ou nominales) et selon le type d’études disponibles (recherches expérimentales
ou recherches de type corrélationnel). Trois types d’indicateurs statistiques sont fré-
quemment utilisés par les méta-analystes : le d de Cohen (qui correspond à une dif-
férence de moyenne standardisée), le coefficient de corrélation r de Pearson, et le
rapport de cotes (odds ratio).
3.1.1 Le cas des recherches expérimentales

La recherche expérimentale s’appuie sur des tests de comparaison de moyennes
entre un groupe expérimental et un groupe de contrôle. Les deux indicateurs statis-
tiques les plus utilisés pour résumer les résultats de ce type d’études (et qui permet
l’évaluation de la grandeur d’effet) sont le d de Cohen (1969) et le g de Hedges1.
Cette dernière mesure prend en compte les conditions d’ajustement d’échantillon-
nage. Le tableau 1.3 présente les différentes formules de calcul pour passer d’un
indicateur à l’autre. Ces indicateurs sont très proches par construction dans la
mesure où le numérateur est identique et correspond à la différence de moyennes
des deux groupes. En revanche, ce qui va les distinguer est le recours, au dénomina-
teur, à l’estimation de l’écart-type cumulé de la population à partir de chaque groupe
(pooled SD) dans le cas du g de Hedges alors qu’il s’agit de l’écart-type cumulé de
l’échantillon dans le cas du d de Cohen (cf. formules de calcul dans le tableau 1.3).
En termes d’interprétation, Cohen (1969) suggère de considérer un d = 0,20
(ou un g de Hedges) comme étant un effet faible, un d = 0,50 comme étant un
effet modéré et un d = 0,80 comme un effet fort. Il s’agit là d’une aide à l’inter-
prétation qui n’a rien d’une règle stricte et qui dépend du sujet et du contexte de
l’étude. Rosenthal et Rubin (1982) ont également proposé une table de conversion
facilitant l’interprétation des grandeurs d’effet (Binomial Effect Size Display ou BESD,
présentée notamment dans Wolf, 1986, p. 33).
1 En médecine, les méta-analystes utilisent parfois l’indice de Glass qui ne retient au dénomi-
nateur que l’écart-type du groupe de contrôle qui est considéré comme plus fiable que celui du
groupe expérimental.
MÉTHODE EXPÉRIMENTALE : présence de données expérimentales
Taille de l’échantillon de contrôle
28
NC = 1 NC = 2 NC > 2
d de Cohen d de Cohen ou g de Hedges
E C E C
Y – Y Y – Y
d= d ou g =
SD SDpooled
VE + VC avec
NE = 1
avec SD = E
2 (N – 1)V E + (N C – 1)V C
SDpooled =
(N E – 1) + (N C – 1)
d de Cohen ou g de Hedges d de Hedges

E C E C
Y – Y Y – Y
g= g=
SDpooled SDpooled
avec avec
NE = 2
E
d de Hedges E
(N – 1)V E + (N C – 1)V C E C (N – 1)V E + (N C – 1)V C
SDpooled = Y – Y SDpooled =
(N E – 1) + (N C – 1) g= (N E – 1) + (N C – 1)
SDpooled
d de Hedges avec puis correcteur d’échantillonnage
E C E E C C  3 
Y – Y (N – 1)V + (N – 1)V g
Taille de l’échantillon expérimental

SDpooled = d = 1 –
g=  4 N – 9 
SDpooled (N E – 1) + (N C – 1)
avec puis correcteur d’échantillonnage
E E C C
(N – 1)V + ( N – 1)V  3 
g
NE > 2
SDpooled = d = 1 –
(N E – 1) + (N C – 1)  4 N – 9 
puis correcteur d’échantillonnage
 3 
d = 1 – g
 4 N – 9 
MÉTHODE EXPÉRIMENTALE : présence de données corrélationnelles (t de Student)
Taille de l’échantillon de contrôle
NC = 1 NC = 2 NC > 2
d de Cohen d de Hedges
2t t (N E + N C )
d= d=
N
(N E + N C – 2)(N E N C )
avec N = NE + NC d de Hedges
NE = 1
Si échantillons égaux
2t
d=
ddl
d de Hedges d de Hedges
avec ddl = N – 2
E C 2t
t (N + N ) d= Si échantillons non égaux
d=
ddl
NE = 2
(N E + N C – 2)(N E N C ) d de Hedges
avec ddl = N – 2 t (N E + N C )
d=
d de Hedges (N E + N C – 2)(N E N C )
Taille de l’échantillon expérimental

t (N E + N C )
d=
NE > 2
(N E + N C – 2)(N E N C )
Y E = moyenne du groupe expérimental ; Y C = moyenne du groupe de contrôle ; SD = écart-type (standard deviation) ; SDpooled = écart-type agrégé intragroupe (standard
deviation pooled) ; V E = variance du groupe expérimental ; V C = variance du groupe de contrôle ; N E = taille du groupe expérimental ; N C = taille du groupe de
contrôle ; N = taille du groupe expérimental + taille du groupe de contrôle ; t = t de Student ; ddl = degrés de liberté ; p = proportion de l’échantillon N E dans l’échantillon
total N soit N E/N ; q = proportion de l’échantillon N C dans l’échantillon total N soit N C/N
Introduction à la méthodologie méta-analytique
Tableau 1.3 — Les principales métriques pour l’estimation de la grandeur d’effet à partir de données expérimentales
(source : Revelli, 2011)
29
On notera par ailleurs qu’Hedges et Olkin (1985) ont proposé une correction
de l’indice g, lorsque les méta-analystes travaillent sur de petits échantillons, qui
se calcule de la manière suivante :
3g
gadj = g –
4(n1 + n2 ) – 9
où n1 et n2 correspondent à la taille des échantillons des groupes 1 et 2.
3.1.2 Le cas des recherches de type corrélationnel

Les recherches de type corrélationnel permettent le calcul d’une grandeur d’effet
à partir du coefficient de corrélation de Pearson rxy ou du coefficient de corrélation
partielle rxy.z. Le coefficient de corrélation partielle rxy.z permet d’évaluer l’intensité
de la relation entre deux variables X et Y tout en considérant comme constante
une autre variable Z1. Les principales formules de calcul sont présentées dans le
tableau 1.4. Une corrélation positive signifie qu’un individu qui aurait un score élevé
sur la variable X aura tendance à obtenir un score élevé sur Y. Inversement, une cor-
rélation négative signifie qu’un individu qui obtiendrait un score élevé sur la variable
X aura tendance à obtenir un score faible sur la variable Y. L’intérêt du coefficient de
corrélation comme indicateur de la taille de l’effet est qu’il est standardisé : il varie
entre 0 et 1 en valeur absolue. Là encore, Cohen (1969) a proposé un guide d’inter-
prétation qui considère une corrélation r = 0,10 comme étant faible, une corrélation
r = 0,30 comme étant modérée et un r > 0,50 comme étant une corrélation forte.
Dans de nombreuses méta-analyses, le coefficient de corrélation r fait l’ob-
jet d’une transformation avant de calculer la taille de l’effet commune (Hunter et
Schmidt, 1984). Ainsi, la transformation en Zr de Fisher est fréquemment employée
et se calcule de la manière suivante :
1  1 + r
Zr = ln 
2  1 – r 
MÉTHODE CORRÉLATIONNELLE : présence de données corrélationnelles (t de Student)
t2
r =
(t 2 + ddl)
avec ddl = N – 2
MÉTHODE CORRÉLATIONNELLE : présence de données statistiques du type F de Fisher
F
r =
F + ddl
avec ddl = N – 2
1 Le principe est de retirer de rxy le double effet des corrélations qu’entretiennent X et Y avec Z.
Si ce double effet est minime, on retombe sur un coefficient de corrélation partielle égal à la cor-
rélation de Pearson. Autrement dit, on cherche une corrélation entre les résidus d’une régression
de X sur Z et une régression d’Y sur Z.
MÉTHODE CORRÉLATIONNELLE : présence de données expérimentales (d de Cohen)

NE = NC NE ≠ NC
1/2 1/2
 2
 d    d  
2
 d  d
r =   / (N – 2) / (N +    r =  / (N – 1 / pq ) / (N +   
 2   2   1 / pq    1 / pq  
 
t = t de Student ; ddl = degrés de liberté ; F = F de Fisher ; d = d de Cohen ou de Hedges ;

NE = taille du groupe expérimental ; NC = taille du groupe de contrôle ; N = taille du
groupe expérimental + taille du groupe de contrôle p = proportion de l’échantillon NE
dans l’échantillon total N soit NE/N ; q = proportion de l’échantillon NC dans l’échantillon
total N soit NC/N
Tableau 1.4 — Les principales métriques pour l’estimation

de la grandeur d’effet à partir de données de type corrélationnel
(Source : Revelli, 2011)
Le coefficient de corrélation r fait l’objet d’une transformation en Zr de

Fisher parce que la distribution d’échantillonnage des coefficients r est sou-
vent tronquée (notamment pour les petits échantillons) alors que celle du Zr de
Fisher est symétrique, quelle que soit la taille des échantillons. Cette symétrie
est souhaitable lorsqu’il s’agit de combiner et de comparer les tailles de l’effet
entre les études. Toutefois, Zr est moins facile à interpréter que le coefficient
de corrélation r parce qu’il n’est pas borné (il peut afficher des valeurs supé-
rieures à 1 ou –1). Une pratique courante est de convertir r en Zr pour chaque
étude afin de les combiner et de les comparer puis – une fois la grandeur d’ef-
fet commune calculée (la moyenne des tailles de l’effet) – de reconvertir Zr en
r de la manière suivante :
e2 Zr – 1
r =
e2 Zr + 1
L’écart-type de Zr se calcule ainsi :
1
SE Zr =
N–3
où N représente la taille de l’échantillon de l’étude.
Cette formule de calcul révèle une relation évidente et valable pour tous les
écarts-types : plus la taille de l’échantillon N augmente (c.-à-d. plus le dénomina-
teur augmente) et plus l’écart-type diminue (cf. chapitre 4).
3.1.3 Le cas du rapport de cote ou odds ratio (OR)

D’autres recherches moins courantes en sciences sociales s’appuient sur le
rapport de côte (Odds Ratio ou OR). Il s’agit d’un indicateur d’association entre deux
variables binaires. Il est fréquemment utilisé en épidémiologie et permet d’évaluer
l’effet d’un traitement, par exemple1. Cet indicateur se définit comme le rapport de
la cote d’un événement arrivant à un groupe d’individus (groupe expérimental), par
exemple une maladie, avec celle du même événement arrivant à un autre groupe
d’individus (groupe témoin). Si la probabilité qu’un événement arrive dans le groupe
expérimental est p et q celle dans le groupe témoin, le rapport de cote est :
p (1 − p) p (1 − q )
=
q (1 − q ) q (1 − p)
La cote d’un événement se définit donc comme la probabilité de l’événement
(par exemple, répondre positivement à une question de type oui/non) divisée par la
probabilité alternative (répondre négativement à la même question) qui peut donc
s’exprimer par le rapport p/(1 – p). À titre illustratif, si vous étudiez le fait d’être satis-
fait ou pas au travail, vous pouvez évaluer le pourcentage de salariés satisfaits (p) et
estimer la cote correspondant au fait d’être satisfait au travail en divisant ce pourcen-
tage par le pourcentage de salariés insatisfaits (1 – p). Soulignons ici que vous pouvez
également calculer la cote ou la probabilité d’être un homme ou une femme. L’intérêt
est ensuite de comparer les probabilités ou les cotes entre deux groupes d’individus.
Par exemple, vous pourriez vous demander si le fait d’être un homme ou une femme
a une influence sur le niveau de satisfaction au travail. Une manière de répondre à
cette interrogation pourrait être de calculer le risque relatif ou risk ratio (RR) qui est
égal au rapport entre la proportion d’individus satisfaits dans un groupe (celui des
hommes) et la proportion d’individus satisfaits dans l’autre groupe (celui des femmes).
Toutefois, cet indicateur ne tient pas compte des différences de cotes entre les deux
groupes que l’on peut aussi présenter sous cette forme :
n n
OR = 00 11
n01 n10
Avec n00 correspondant au nombre de participants ayant répondu négative-

ment sur les variables X et Y, n01 est le nombre de participants ayant répondu négati-
vement sur X et positivement sur Y, n10 est le nombre de participants ayant répondu
positivement sur X et négativement sur Y, n11 est le nombre de participants ayant
répondu positivement sur Y et X.
L’odds ratio est égal à 1 lorsqu’il n’existe pas de lien entre les deux variables d’in-
térêt, varie de 0 à 1 s’il existe une association négative et varie de 1 à l’infini lorsque
le lien est positif. Par construction, la distribution des estimations des odds ratios est
asymétrique. Ainsi, il est plus fréquent d’utiliser le logarithme népérien des odds ratios
(ln(OR)) lorsqu’il s’agit de combiner cette métrique dans une méta-analyse. Quant à
l’écart-type de ce logarithme, il se calcule facilement à partir de la formule suivante :
1 Le d de Cox – qui correspond à une différence de moyenne standardisée (Sanchez-Meca et al.,

2003) – est parfois utilisé pour mesurer la taille de l’effet à partir du logarithme du rapport de
ln(OR)
cote (OR) de la manière suivante : dCox = .
1,65
1 1 1 1
SEln(OR ) = + + +
n00 n01 n10 n11
En réalité, il est fréquent dans les méta-analyses de combiner des études

utilisant plusieurs types de données, qu’elles soient expérimentales ou corrélation-
nelles. Les trois statistiques d, t et r sont interchangeables et transformables. Wolf
(1986), Rosenthal (1991), Hunter et Schmidt (2004) ainsi que Card (2012) propo-
sent des conversions permettant de passer d’un indicateur à un autre. Les formules
de conversion les plus courantes sont présentées en annexes de ce chapitre.
Afin d’illustrer les modes de calcul des grandeurs d’effet standardisées, l’enca-
dré 3 présente un exemple de calcul à partir de données expérimentales et un autre
à partir de données corrélationnelles tiré de l’article de Laroche et Soulez (2012).
Encadré 3 : Une illustration des modes de calcul des grandeurs d’effet standardisées
(d’après Laroche et Soulez, 2012)
Pour les résultats issus de recherches expérimentales, la taille de l’effet est souvent
exprimée par le g de Hedges. L’importance de l’effet dans chaque étude est ainsi cal-
culée selon la formule : E C
Y –Y
g=
s
où Y E est la moyenne du groupe expérimental, Y C est la moyenne du groupe de contrôle
et s est la variance agrégée intragroupe. La variance est calculée comme suit :
(nE – 1)(s E )2 + (nC – 1)(s C ) 2
s=
nE + nC – 2
où nE et sE représentent la taille et l’écart-type du groupe expérimental et nc et sc la taille
et l’écart-type du groupe de contrôle. Cela étant, la métrique g est un estimateur biaisé,
surtout pour les échantillons de petite taille. Il convient alors d’utiliser un estimateur sans
biais d qui se calcule de la manière suivante :
3
d = 1– g
4N – 9
Exemple 1 : Dans une étude portant sur l’âge et la sensibilité à une marque, la moyenne
d’âge des consommateurs dans le groupe de contrôle est YC = 41 ans avec un écart-type
de 4,5 ans. Dans le groupe expérimental (constitué de gens sensibles à une marque don-
née) YE = 38 et sE = 4. La taille du groupe de contrôle est nC = 158 et celle du groupe
expérimental nE = 155. L’estimation de l’écart-type commun s’obtient de la manière suivante :
(155 – 1)42 + (158 – 1)4,52
s= = 4,26
158 + 155 – 2
La taille de l’effet est estimée en utilisant les formules précédentes :
38 – 41 3
g= = – 0,70 d = 1 – (– 0,70) = – 0,69
4,26 4 313 – 9
Pour les résultats issus de recherches de type corrélationnel, les coefficients de régression,
les coefficients de corrélation de Pearson ou bien encore les élasticités estimés dans chaque
étude peuvent être transformés en coefficients de corrélation partielle r (Wolf, 1986, p. 35).
Exemple 2 : Le tableau suivant illustre le mode de calcul de l’effet standardisé à partir

de données issues de 4 régressions :
Coefficient Valeur du t k nombre
Coeff.
Taille de régression associé de variables explicatives
Étude de corrélation
de l’échantillon standardisé au coeff. dans le modèle
partielle r
(ou non) de régression de régression
A 118 – 0,054 – 0,32 7 – 0,030
B 85 – 0,410*** – 5,88 4 – 0,467
C 95 – 0,660*** – 4,01 4 – 0,389
D 98 0,122 0,10 9 0,011
où t est le t de Student associé à la variable explicative principale et ddl est le nombre

de degrés de liberté associé à l’équation de régression. Soulignons ici que la valeur
obtenue (ici 0,030) est toujours en valeur absolue et qu’il faut veiller à conserver le signe
de l’effet non standardisé.
3.2 La correction des grandeurs d’effet « standardisées »

Il s’agit d’une étape qui n’est pas préconisée par tous les méta-analystes
et qui fait encore l’objet de débats actuellement (cf. chapitre 2). En effet, cer-
tains spécialistes insistent sur la nécessité de corriger un certain nombre d’arte-
facts méthodologiques alors que d’autres considèrent que ce type de correction
n’est pas indispensable. Hunter et Schmidt (2004) défendent l’idée qu’il faut cor-
riger les grandeurs d’effet dans la mesure où la plupart des études reportent des
tailles d’effet entre des construits mesurés de manière imparfaite. Ces mesures
imparfaites sont dues à une variété de facteurs : manque de fiabilité et de validité
des mesures1, mauvais choix de variables… Ainsi, il n’existe pas seulement des
erreurs aléatoires d’échantillonnage, mais aussi des erreurs systématiques liées à
la nature des échantillons sur lesquels s’appuient les études existantes. Ces imper-
fections sont inhérentes à toutes études empiriques et il convient alors de corri-
ger ces « artefacts » dans la méta-analyse. Malgré les arguments en faveur de la
correction des artefacts, un certain nombre de méta-analystes considèrent que ces
corrections ne sont pas nécessaires. Rosenthal (1991) juge, par exemple, que ce
type de correction conduit parfois à des estimations biaisées de la taille de l’effet
dans la population (certaines corrections pouvant amener à présenter des corréla-
tions supérieures à un). Par ailleurs, d’aucuns considèrent que ce type de correc-
tions complexifie considérablement les procédures méta-analytiques pour un gain
de précision, somme toute, marginal.
Les corrections d’artefact à considérer sont relativement nombreuses et sont
plus particulièrement développées dans le chapitre 2 de cette première partie. (Pour
une description plus détaillée, consulter Card, 2012, pp. 128‑146).
1 La fiabilité fait référence à l’uniformité des mesures ou sa fidélité (obtient-on le même résul-
tat si on répète la procédure ?). La validité porte sur les conclusions que nous pouvons tirer des
résultats obtenus (nos résultats correspondent-ils à la véritable nature du phénomène étudié ?).
3.3 Le biais de publication
Au-delà des « artefacts statistiques » qui peuvent s’avérer délicats à traiter,

les méta-analystes sont aussi confrontés au problème du biais de publication (Sutton
et al., 2001). Un biais de publication apparaît lorsque la publication d’une recherche
dépend de la direction des résultats obtenus (biais de type I) et/ou de la significa-
tivité statistique (biais de type II). Plusieurs études ont ainsi montré que les revues
académiques avaient tendance à ne publier que certains types de résultats (Begg et
Berlin, 1988 ; Begg, 1994). L’un des meilleurs moyens pour neutraliser le biais de
publication est encore d’incorporer des études non publiées dans la méta-analyse et
d’évaluer empiriquement si ces études présentent des grandeurs d’effet plus faibles
que celles des études publiées. Cela implique de mener une analyse des effets modé-
rateurs en utilisant, par exemple, une indicatrice codée 1 si l’étude a été publiée et
0 si elle ne l’a pas été. D’autres techniques statistiques peuvent être utilisées pour
évaluer et neutraliser ce type de biais. L’objet du chapitre 4 de cet ouvrage propose
une synthèse des outils existants pour identifier et contrôler le biais de publication.
3.4 La combinaison des grandeurs d’effet « standardisées »

Une fois l’ensemble des grandeurs d’effet calculé pour chaque étude (corri-
gées ou pas des artefacts), on établit la moyenne des grandeurs d’effet « standar-
disées » pour obtenir une estimation de la grandeur de l’effet dans la population.
3.4.1 La pondération des résultats

Bien que la démarche consistant à attribuer le même poids à toutes les
études présente un certain attrait, il existe des études de meilleure qualité que
d’autres et il convient de donner plus de poids à ces études lorsqu’il s’agit d’agré-
ger les résultats. Les méta-analystes appliquent différentes pondérations s’appuyant
sur la précision des estimations de la taille de l’effet. La précision des estimations
de la taille de l’effet est liée à l’écart-type estimé de la taille de l’effet (cf. infra).
Prenons l’exemple de deux études : la première se fonde sur un échantillon de
10 observations et présente une corrélation entre deux variables X et Y de 0,20
(après transformation en Zr de Fisher, on obtient Zr = 0,203) et la seconde s’ap-
puie sur un échantillon de 10 000 observations et affiche une corrélation entre X
et Y de 0,30 (Zr = 0,310). Avant de calculer la moyenne de ces deux corrélations
permettant d’obtenir une estimation de la corrélation de X et Y dans la population,
il est indispensable de prendre en considération la précision de ces deux estima-
tions de la taille de l’effet. La première étude s’appuie sur 10 individus seulement
et l’écart-type calculé est égal à 0,378. La seconde étude porte sur beaucoup plus
d’individus (10 000) et l’écart-type est égal à 0,010. Par conséquent, plus la taille
de l’échantillon sera grande et plus cet échantillon permettra d’estimer précisément
la taille de l’effet dans la population. Autrement dit, l’écart-type de la taille de
l’effet est inversement proportionnel à la taille de l’échantillon et permet d’évaluer
le niveau de précision d’une estimation. Dès lors, les méta-analystes vont donner
plus de poids aux études portant sur de grands échantillons (celles dont l’écart-type
est plus petit) en pondérant les résultats des études par l’inverse de leur variance
(ou écart-type au carré) :
1
wi =
SEi2
où SEi représente l’écart-type de l’estimation de la taille de l’effet de l’étude i.
Cette pondération doit être calculée pour toutes les estimations issues de
chaque étude collectée. On notera à ce stade que l’on peut aussi, tout simplement,
substituer à wi la valeur de la taille de l’échantillon N, afin de pondérer les estima-
tions de la taille de l’effet.
Encadré 4 : Le problème de la dépendance des effets
Il n’est possible d’envisager une méta-analyse que si l’on considère un ensemble d’estima-
teurs de l’effet totalement indépendants. En effet, l’hypothèse de base de la statistique infé-
rentielle est l’indépendance des observations, autrement dit chaque observation doit être
issue d’un échantillon unique tiré aléatoirement à partir d’une population donnée. Concrète-
ment, cette condition est respectée si chaque étude retenue dans la méta-analyse fournit une
seule grandeur d’effet. Or, en réalité, il arrive fréquemment que cette hypothèse soit violée,
car les études existantes peuvent fournir plusieurs estimateurs de l’effet que les méta-analystes
sont tentés d’exploiter, créant ainsi un problème de dépendance des effets. Plusieurs options
sont proposées aux méta-analystes afin de résoudre ce problème de dépendance des effets.
Une première option consiste à ne retenir qu’un seul estimateur de l’effet par étude. Il arrive
ainsi que l’auteur de l’étude, lui-même, indique le modèle qui lui semble le plus robuste,
permettant ainsi au méta-analyste de retenir le « meilleur » estimateur de l’effet. À défaut,
la pratique la plus courante, revient à calculer une moyenne de l’ensemble des multiples
grandeurs d’effet et d’utiliser cette moyenne comme la grandeur d’effet de l’étude concer-
née. Toutefois, cette approche réduit la puissance statistique de la méta-analyse en dimi-
nuant le nombre d’observations. Une deuxième approche, proposée par Bijmolt et Pieters
(2001), consiste à pondérer chaque étude par l’inverse du nombre d’estimations de l’étude
(wms = M/MsS où M représente le nombre total d’estimations, Ms, le nombre d’estima-
tions issues de l’étude s et S, le nombre d’études introduites dans la méta-analyse). Enfin,
une troisième option, plus fréquente en économie appliquée, consiste à mobiliser des outils
économétriques sophistiqués afin de contrôler ce type de biais dans des modèles de méta-
régression. Ainsi, Stanley et Doucouliagos (2012, page 68‑70) proposent de mener des
méta-analyses multi-niveaux qui tiennent compte de la dépendance des effets.
3.4.2 Effets fixes vs effets aléatoires

Il existe deux méthodes d’agglomération des effets « standardisés » : une pre-
mière, dite « méthode à effet fixe », et une seconde, dite « méthode à effet aléa-
toire » (Erez, Bloom et Wells, 1996). Pour certains méta-analystes, l’utilisation de
ces deux méthodes s’inscrit dans une démarche complémentaire. Le méta-analyste
utilisera systématiquement, dans un premier temps, le modèle à effets fixes et se
donnera le choix de compléter ses investigations via le modèle à effets aléatoires si
les tests d’hétérogénéité des grandeurs d’effet sont significatifs1. Dans la pratique, le
1 L’estimation de l’erreur d’échantillonnage et de l’erreur de mesure permet de déterminer si les

études partagent une grandeur d’effet commune à la population, c’est-à-dire si les résultats sont
homogènes entre eux. L’hétérogénéité renferme deux sources de dissimilarité : d’une part, une dis-
similarité dans les résultats des études individuelles, d’ordre statistique, qui peut être explorée par
les méthodes statistiques vues précédemment ; d’autre part, une dissimilarité dans les modalités
méta-analyste optera souvent directement pour un modèle à effets aléatoires compte

tenu des hypothèses discutables retenues par le modèle à effets fixes. La figure 1.1
présente les étapes à considérer afin d’obtenir la grandeur d’effet commune.
MODÈLE À EFFETS Étape 1 Étape 2.

FIXES Calculer la moyenne Déterminer l’intervalle
Hypothèse pondérée des grandeurs de confiance
de l’homogénéité d’effet en utilisant de la moyenne
des grandeurs d’effet la pondération pondérée
par l’inverse
de la variance
MODÈLE À EFFETS Distribution

ALÉATOIRES homogène Étape 3.
Suppose que la variabilité Analyser
des grandeurs d’effet Distribution l’homogénéité
est aléatoire. Répéter hétérogène
les étapes 1 à 3 en utilisant
la pondération par l’inverse
de la variance selon
le modèle aléatoire
Figure 1.1 — Processus d’évaluation de la grandeur d’effet commune

(Revelli, 2011)
L’évaluation d’une moyenne pondérée par la méthode à effets fixes (étape 1)

fait l’hypothèse d’une répartition homogène des grandeurs d’effet, impliquant que
leur dispersion autour de leur moyenne soit inférieure ou égale à l’erreur d’échan-
tillonnage attendue. Ce modèle suppose que la grandeur d’effet observée à partir
d’une étude est une estimation précise de la population prenant en compte unique-
ment l’erreur d’échantillonnage aléatoire et que la moyenne des grandeurs d’effet de
toutes les études est une estimation exacte de la relation entre les deux variables
d’intérêt (Lipsey et Wilson, 2001).
Il convient d’estimer, dans un deuxième temps, l’intervalle de confiance
(étape 2) permettant d’identifier l’intervalle de valeurs qui contient la vraie valeur
du paramètre estimé (à savoir la grandeur d’effet commune), et selon une probabilité
1 – α. Les méta-analystes adoptent généralement un intervalle à 95 % (Hasselblad
et Hedges, 1995, Hunter et Schmidt, 2004). Si l’intervalle de confiance inclut la
valeur 0, alors les résultats sont considérés comme hétérogènes et la relation entre
les variables d’intérêt est considérée comme non significative.
Il convient, par la suite, de mener un test d’hétérogénéité supplémentaire permet
tant de déterminer si les grandeurs d’effet sont homogènes ou non (étape 3). Ce test
d’hétérogénéité est différent selon la nature des données disponibles. Hedges et Olkin
(1985) ont proposé un test pour les données expérimentales différent de celui de Hunter
et al. (1982) pour les données de type corrélationnel (cf. encadré 5 et figure 1.3).
mêmes des études existantes, qui est d’ordre contextuel ou méthodologique. Il s’agit de répondre
alors à la question suivante : quels sont les facteurs contextuels et/ou les particularités méthodolo-
giques des études empiriques qui expliquent cette hétérogénéité des résultats ?
En présence d’hétérogénéité, le méta-analyste pourra choisir d’appliquer le

modèle à effets aléatoires pour calculer la grandeur d’effet commune. En théorie,
cette étape intervient seulement si les résultats issus du modèle à effets fixes sont
hétérogènes. Pour Hasselblad et Hedges (1995, p. 172), « s’il y a une évidence d’hé-
térogénéité entre études, alors le modèle à effets aléatoires peut être approprié ». Le
modèle à effets aléatoires intègre donc une composante aléatoire de la variance de
l’effet Vi* à la variance Vi issue du modèle à effets fixes.
Ce modèle paraît dans l’absolu plus réaliste, puisque le modèle à effets fixes fait
l’hypothèse d’une homogénéité des grandeurs d’effet et donc de leur variance, tandis que
le modèle à effets aléatoires part du principe que les grandeurs d’effet et leur variance
varient d’une étude à l’autre. Ainsi, l’interprétation des résultats par le modèle à effets
aléatoires autorisera une observation plus large de l’intervalle de confiance et une défi-
nition de la grandeur d’effet commune différente, ce qui pourra amener à des conclu-
sions divergentes de celles issues du modèle à effets fixes quant à sa significativité.
Encadré 5 : La procédure de Hunter, Schmidt et Jackson (1982)
La procédure de Hunter, Schmidt et Jackson (1982) vise, dans un premier temps, à éva-
luer la part de la variance des effets liée aux erreurs d’échantillonnage. Ainsi, pour déter-
miner dans la population la variance des grandeurs d’effets, on calcule la somme des
différences au carré entre chaque grandeur d’effet et la grandeur d’effet estimée dans
la population. On pondère ensuite chaque différence en fonction de la taille des échan-
tillons de chaque étude. Celle-ci correspond à la variance observée de la population.
k
Ni (ri – r )2
2 i =1
S =
r k
[Variance observée]
Ni
i =1
On calcule ensuite la part de la variance des effets liée aux erreurs d’échantillonnage
comme suit :
k(1 – r 2 )2
Ser2 = k [Variance liée à l’erreur d’échantillonnage]
Ni
i =1
avec k : nombre d’études dans l’échantillon.

Enfin, la variance liée à l’erreur d’échantillonnage est retranchée de la variance obser-
vée et la différence correspond à la variance résiduelle.
2
Spxy = Sr2 – Ser2 [Variance corrigée ou résiduelle]
Si la variance résiduelle est inférieure à 25 % de la variance totale, les grandeurs d’effet
sont considérées comme homogènes. Dans le cas contraire, la détermination de variables
modératrices est nécessaire (Hunter, Schmidt et Jackson, 1982). Cependant, cette règle
n’est pas suffisante pour tester l’homogénéité de petits échantillons d’études. Ainsi, un
test supplémentaire destiné à s’assurer du manque d’homogénéité des études, reposant
sur la prise en compte de la variance, est prévu dans la nouvelle procédure de Hunter
et Schmidt (1990). Il s’agit d’un test non paramétrique qui suit une loi du khi-deux et s’in-
terprète comme le test QT de Cochran :
2 N
k –1 = S2
(1 – r 2 )2 r
En définitive, la mise en évidence de variables modératrices, dans la procédure de

unter et Schmidt (1990), doit reposer sur une batterie d’indicateurs qui sont :
H
(1) la règle des 75 % de la variance résiduelle,
(2) le test d’homogénéité qui suit une loi du Khi-2,
(3) l’intervalle de confiance à 95 % sachant que si la valeur zéro est comprise dans
cet intervalle, nous acceptons l’hypothèse d’un coefficient rxy = 0.
La figure 1.2 représente schématiquement la différence entre un modèle à

effets fixes et un modèle à effets aléatoires. Dans un modèle à effets aléatoires, on
ne considère pas une seule grandeur d’effet dans la population (q), mais plutôt une
distribution des grandeurs d’effet dans la population représentée par un indicateur
de tendance centrale (m) et son écart-type (t).
Modèle à effets fixes
Grandeur d’effet
de la population, θ
Étude 1
Étude 2
Étude 3
Étude 4
Étude 5
Éventail de grandeurs d’effet
Modèle à effets aléatoires
Grandeur d’effet
de la population, μ
Étude 1
Étude 2
Étude 3
τ
Étude 4
Étude 5
Éventail de grandeurs d’effet
Figure 1.2 — Représentation conceptuelle des modèles à effets fixes

et à effets aléatoires
La figure 1.3. ci-après reprend l’ensemble des formules de calcul applicables à

chacune des étapes décrites ci-dessus.
40
Mesure de la grandeur d’effet commune

3. Test d’hétérogénéité Méthode corrélationnelle
Test de la variance résiduelle
1. Méthode à effets fixes
Méthode expérimentale Variance observée
k
Ni (ri – r )2
Méthode expérimentale Méthode corrélationnelle ou 2 i =1
S = r k
k
i =1
d iw i Ni
i =1
d= k Variance liée à l’erreur
k
i =1
wi ou
k QT = w i (d i – d )2 échantillonnage
avec i =1
Ni ri i =1
r = k(1 – r 2 )2
1 k Ser2 = k
i =1
wi = Ni N
i =1 i
Vi Hétérogénéité si QT ≥ Variance résiduelle

et 2
valeur 2 théorique avec Spxy = Sr2 – Ser2
N E + NC d2
Vi = + k – 1 ddl Test d’hétérogénéité
N E NC 2(N E + N C ) 2 N
k –1
= Sr2
(1 – r 2 )2
2. Intervalle de confiance 2
Spxy
Hétérogénéité si 2 25% et si
Sr
Méthode expérimentale Méthode corrélationnelle 3. Méthode à effets valeur ² observée valeur ²
ICr .95% = r ± 1,96SE aléatoires théorique avec k –1 ddl
1
k
ICd .95% = d ± 1,96
w
i =1 i
avec Reprendre les étapes 2 et 3 avec
QT – k – 1
ou SE = (1 – r )2 / (N – k)1/2 k *
dw
i =1 i i
1 Vi * =
k 2
d i* = k *
ou w i* = et k
w
i =1 i
w v i + v i* i =1
wi –
i =1 i k
w
i =1 i
di = grandeur de l’effet de l’étude i ; wi = coefficient de pondération correspondant à l’inverse de la variance associée à l’étude i ;
ri = grandeur de l’effet de l’étude i ; Ni = taille de l’échantillon de l’étude i ; N = taille de l’échantillon total ; k = nombre d’études ;
w*i = coefficient de pondération correspondant à l’inverse de la variance associée à l’étude i et issu du modèle à effets aléatoires.
Figure 1.3 — Estimation de la grandeur d’effet commune et évaluation de l’hétérogénéité des grandeurs d’effet (Revelli, 2011)
4. La recherche des sources d’hétérogénéité

des grandeurs d’effet
Lorsqu’une hétérogénéité est mise en évidence, une recherche de ses sources
doit être entreprise1. L’identification de facteurs liés à la structure même de l’étude,
au type de population étudiée, ou encore à la relation testée, est une étape impor-
tante (Aguinis et Pierce, 1998 ; Cortina, 2003). Trois approches sont à la disposi-
tion du méta-analyste. Une première approche consiste à réaliser des méta-analyses
en sous-groupes, aussi appelées stratifiées. Une deuxième approche consiste à
régresser les variables supposées modératrices sur la grandeur de l’effet calculée
pour chaque étude. On parle alors de méta-analyse de régression (MRA). Enfin,
une troisième approche, de plus en plus utilisée en sciences sociales notamment en
psychologie, s’appuie sur les modèles d’équations structurelles.
4.1 Méta-analyses stratifiées (en sous-groupes)
Les analyses en sous-groupes permettent d’effectuer une recherche des sources

d’hétérogénéité de façon univariée, en comparant les résultats obtenus entre des
sous-groupes d’études (Muller, 1988). Les sous-groupes sont constitués en fonction
des facteurs supposés modérateurs. Par exemple, le genre d’un individu peut consti-
tuer une variable explicative pertinente de différences de comportement d’achat à
l’égard d’un produit ou d’un service. Finalement, effectuer une méta-analyse stra-
tifiée revient à suivre la même procédure d’analyse statistique par sous-groupes
constitués sur la base des modérateurs potentiels (mesures des grandeurs d’effet
communes ESgroup, intervalles de confiance ICgroup, tests d’hétérogénéité Qgroup). Les
règles d’interprétation sont identiques à celles appliquées lors de la méta-analyse
sur l’ensemble de l’échantillon d’études.
Lipsey et Wilson (2001) proposent également d’aller plus loin dans l’éva-
luation de l’hétérogénéité. Au-delà de sa mesure au sein de chaque sous-groupe
(hétérogénéité des grandeurs d’effet composant le sous-groupe), il s’agit de mesu-
rer directement si les sous-groupes présentent des dissimilarités entre eux (hétéro-
généité des grandeurs d’effet communes de chaque sous-groupe). Pour ce faire, les
auteurs proposent dans un premier temps de mesurer une hétérogénéité Qw (Qwithin),
qui sera égale à la somme des tests d’hétérogénéité Qgroup de chaque sous-groupe :
Qw = Qgroup1 + Qgroup2 + … + Qgroup j
avec j = nombre de sous-groupes.
L’hétérogénéité inter-groupe QB (QBetween) est ensuite calculée de la manière
suivante :
QB = QT – QW
Avec QB = Hétérogénéité entre les sous-groupes, QT = Hétérogénéité totale des
grandeurs d’effet, Qw = somme des hétérogénéités des sous-groupes, df = k – j
où k = nombre de grandeurs d’effet communes et j = nombre de sous-groupes.
1 Cf. chapitre 4 sur la recherche des effets modérateurs (Aguinis & Pierce).
Le test se distribue toujours comme un khi-deux. S’il est significatif (valeur

observée du QB supérieure à la valeur du khi-deux théorique pour j-1 degrés de
liberté avec j = nombre d’études), alors on rejette l’hypothèse nulle d’homogénéité
des résultats. Afin que le test soit interprétable, il s’agit de calculer une somme des
tests d’hétérogénéité Qgroup pour chaque variable modératrice identifiée. Le chercheur
identifiera, par variable modératrice et non pas sur l’ensemble des variables modé-
ratrices, si les sous-groupes définis sont hétérogènes ou homogènes.
Si ces tests sont fréquemment utilisés par les méta-analystes en psychologie et
en management pour identifier les variables modératrices, il n’en demeure pas moins
que ces analyses en sous-groupes augmentent le risque d’erreur de première espèce.
La multiplication des tests statistiques (un par sous-groupe) augmente la probabi-
lité d’obtenir un test significatif uniquement par hasard. Pour minimiser le risque de
résultats significatifs par hasard dans les analyses en sous-groupe, il convient alors
de définir a priori un petit nombre de sous-groupes. Cette approche s’apparentera à
une démarche hypothético-déductive. Selon cette approche, les variables potentiel-
lement modératrices sont codées sur la base de justifications théoriques.
4.2 Méta-analyses de régression (MRA ou MARA)

La méta-analyse de régression (ou méta-régression) consiste à régresser les
différentes variables supposées modératrices sur la grandeur de l’effet « standardisé »,
calculée pour chaque étude (Stanley, 2001)1. L’objectif de cette modélisation est
d’examiner l’effet simultané de ces variables modératrices sur la grandeur de l’effet.
Il s’agit ici d’estimer un modèle de régression multiple qui prend la forme suivante :
Yi = a + b1Ni + g1Xi1 + … + gkXik + d1Ki1 +…+ dnKin + ui
où Yi représente la grandeur de l’effet de l’étude i, a représente la constante qui
peut être interprétée ici comme la « vraie » grandeur de l’effet, Ni correspond à la
taille de l’échantillon de l’étude i, X correspond à un ensemble de variables muettes
représentant certaines caractéristiques associées à l’étude i, K correspond à la valeur
moyenne d’une variable quantitative, et ui représente la perturbation aléatoire.
Cette méthodologie nécessite généralement de coder sous forme de variables
dichotomiques (ou binaires) les variables qui semblent a priori influencer la grandeur
de l’effet (Hunter et al., 1982, p. 119). Le principe d’interprétation de la régres-
sion se fait suivant la nature des variables codées. Si les variables explicatives sont
codées sous forme qualitative, le modèle de régression appliqué sera une ANOVA
(Analysis of Variance). Dans le cas où les variables explicatives sont codées sous
forme quantitative, alors le modèle sera une régression linéaire simple ou multiple
(selon le nombre de variables explicatives).
Des extensions méthodologiques se sont développées ces dernières années,
sous l’impulsion des économistes (Stanley et Doucouliagos, 2012). Le chapitre 3 de
cet ouvrage propose une description plus précise de nouvelles méthodes économé-
triques permettant notamment de tenir compte du biais de publication.
1 Le chapitre 3 de cet ouvrage est consacré exclusivement à une présentation de la méta-analyse

de régression.
4.3 L’approche par les modèles d’équations structurelles (MES)

Cheung (2008) a, quant à lui, proposé une approche méta-analytique origi-
nale, dans le cadre des modèles d’équations structurelles (MES), qui peut être exploi-
tée pour tester les effets modérateurs. Il convient cependant d’être familier avec les
modèles d’équations structurelles et les logiciels spécialisés permettant de traiter ce
type de modèles (Amos, LISREL, Mx…)1. Il s’agit d’une approche en trois étapes qui
consiste (1) à transformer les grandeurs d’effet, (2) estimer la taille de l’effet ajus-
tée puis (3) à identifier les modérateurs à l’aide d’un modèle de causalité.
4.3.1 T ransformations afin d’obtenir des erreurs égales

entre les études
Comme nous l’avons vu, les études collectées présentent des variances
d’échantillonnage différentes qui vont servir à pondérer les études (cf. supra). La
première étape de l’approche MES consiste à « réétalonner » les tailles de l’effet et
leurs prédicteurs de façon à ce que chaque étude présente des erreurs d’échantillon-
nage équivalentes. Pour ce faire, la racine carrée de la pondération wi (wi = 1/SEi²)
va servir de coefficient d’ajustement. Il s’agit ensuite de multiplier la taille de l’ef-
fet et ses prédicteurs par ce coefficient (y compris la constante X0) (Cheung, 2008,
page 186) comme suit :
ESi* = ESi Wi
X i* = X i Wi
où ESi* représente la taille de l’effet ajustée de l’étude i

ESi est la taille de l’effet (non ajustée) de l’étude i
Wi est la pondération égale à 1/SEi² de l’étude i
Xi* est la valeur ajustée d’un prédicteur de l’étude i (y compris la constante)
Xi est la valeur d’un prédicteur de l’étude i (y compris la constante)
4.3.2 Estimation de la taille de l’effet commune

Une fois les tailles de l’effet et les prédicteurs ajustés, les analyses menées
dans le cadre des modèles d’équations structurelles ne nécessitent plus aucune pon-
dération, ce qui facilite la construction et le test des modèles. Afin d’estimer la taille
de l’effet moyen (mean effect size), on régresse la taille de l’effet ajustée (ES*) sur
la constante ajustée (X0*)2. L’ordonnée à l’origine correspond à une constante égale
à 1 qui est ensuite ajustée en utilisant la formule ci-dessus. Bien que ce modèle
de régression simple puisse être estimé avec n’importe quel logiciel de statistiques,
deux contraintes importantes doivent être prises en compte dans ce modèle et elles
imposent l’utilisation d’un progiciel de MES : (1) il faut fixer la variance de ES* à
1.0 et (2) il faut fixer la constante d’ES* à 0. Une fois ces deux contraintes prises
1 Pour une description des méthodes d’équations structurelles, consulter Kline (2011) et/ou
Roussel et al. (2002).
2 On régresse Y (la variable à expliquer) sur X (la variable explicative).
en compte, la grandeur d’effet commune est ni plus ni moins que le coefficient de

régression de la constante ajustée (b0 dans la figure 1.4).
Path diagram:
1.0*
b0 =.420**
Interc* Zr*
0*
Mplus Syntax:
1
TITLE: Fixed-effects mean
DATA: File is Table 1_2014.txt;
VARIABLE: NAMES N r Zr W interc;
USEVARIABLES ARE Zr interc;
DEFINE: w2 = SQRT(W);
Zr = w2 * Zr;
Interc = w2 * interc;
MODEL:
[Zr@0.0]; ! Fixes intercept at 0
Zr@1.0; ! Fixes variance at 1
Zr ON X1 X2 X3 D_Genre interc; ! Regress transformed Zr
on transformed moderators
OUTPUT:
Figure 1.4 — Diagramme et syntaxe Mplus permettant d’estimer la taille de l’effet

commune (modèle à effets fixes)(d’après Card, 2012, page 221).
4.3.3 Identification des modérateurs potentiels

À partir de ce modèle, il est facile d’ajouter des prédicteurs afin d’évaluer
les effets modérateurs de telle ou telle variable qualitative ou quantitative. Il s’agit
simplement de pondérer les prédicteurs avec wi et de les ajouter au modèle pré-
dictif. En définitive, les résultats obtenus sont identiques à ceux obtenus avec la
méta-analyse de régression. Reste que l’utilisation des modèles d’équations structu-
relles permet d’incorporer toutes les études, y compris celles qui n’offrent pas d’in-
formations sur certaines variables modératrices. La figure 1.5. présente le cas d’un
modèle constitué de quatre variables explicatives (quatre modérateurs potentiels,
X1, X2, X3 et une dichotomique D_Genre) pouvant agir sur la taille de l’effet (Zr*).
Dans cet exemple, la variable genre (homme vs femme) n’est pas significativement
associée à la taille de l’effet, réfutant l’hypothèse selon laquelle cette variable puisse
être un modérateur de la relation étudiée.
Path diagram:
X1*
b1 = .423*
X2*
b2 = .058
X3*
b3 = .148*
D_Genre*
1.0*
b4 = –.015
Interc* b0 = .395* Zr*
0*
Mplus Syntax: 1
TITLE: Moderator analysis

DATA: File is Table 1_2014.txt;
VARIABLE: NAMES N r Zr W X1 X2 X3 D_Genre Interc;
USEVARIABLES ARE Zr X1 X2 X3 D_Genre interc;
DEFINE: w2 =SQRT(W);
Zr=w2*Zr;
EC1=w2 * X1
EC2=w2 * X2
EC3=w2 * X3
C_Age=w2 * D_Genre
interc=w2 * interc;
MODEL:
[Zr@0.01]; ! Fixes intercept at 0
Zr@1.0; ! Fixes variance at 1
Zr ON X1 X2 X3 D_Genre interc; ! Regress transforme d Zr
on transformed moderators
OUTPUT:
Figure 1.5 — Diagramme et syntaxe Mplus permettant d’identifier les variables

modératrices (d’après Card, 2012, page 223).
L’utilisation de modèles d’équations structurelles par les méta-analystes est

de plus en plus fréquente en sciences sociales. En effet, les MES permettent non
seulement d’analyser les effets modérateurs, comme nous venons de le voir, mais
aussi d’étudier les relations (directes et/ou indirectes) entre des variables d’intérêt
qui n’ont pas été nécessairement examinées par les études originales. Par exemple,
considérons 10 études rapportant des résultats sur la relation entre des variables A
et B, 10 autres études présentant des résultats sur la relation entre des variables B
et C et 5 autres études indiquant des résultats entre des variables C et D. L’inter-
corrélation entre les variables A, B, C et D peut alors être estimée bien qu’aucune
étude singulière n’ait envisagé d’examiner l’ensemble des variables simultanément.
Cette procédure, dite MASEM (Meta-Analytic Structural Equation Modeling), relative-
ment récente, s’effectue en deux étapes (Cheung, 2005). La première étape consiste
à calculer les coefficients de corrélation entre les différentes variables d’intérêt, à
partir de plusieurs méta-analyses indépendantes. La seconde étape consiste à tes-
ter le modèle causal (ou path analysis) envisagé, à partir de la matrice des corré-
lations obtenue à l’aide de logiciels tels qu’Amos ou LISREL (Viswesvaran et Ones,
1995 ; Cheung et Chan, 2005). Ce type d’approche méta-analytique est particuliè-
rement prometteur et laisse entrevoir de nouvelles perspectives de recherche en
sciences sociales.
Le cadre méthodologique étant posé, il reste à présenter les résultats
de la méta-analyse sous la forme d’un document (article de recherche, rapport,
etc.) qui doit respecter un certain nombre de règles sur la forme et sur le fond
(cf. encadré 6).
5. La présentation et l’interprétation des résultats

Les résultats de la méta-analyse se présentent généralement sous la forme
d’un tableau comportant : le nombre d’études incluses dans la méta-analyse (k) ; la
taille de l’échantillon total (N) ; l’estimation de la grandeur de l’effet commun en
combinant l’ensemble des données issues des études réunies dans la méta-analyse.
Cette estimation est accompagnée de son intervalle de confiance (généralement au
seuil de risque de 5 %) et parfois de l’étendue des grandeurs d’effets ; et enfin le
résultat du test d’hétérogénéité (cf. tableau 1.5).
Les résultats de la méta-analyse sont aussi fréquemment représentés sous
forme graphique. Il existe plusieurs types de représentation graphique des résultats
d’une méta-analyse. La plus courante est la représentation graphique en ligne (ou
Forest Plot) qui permet de présenter facilement l’ensemble des résultats issus d’une
méta-analyse. Les tailles de l’effet de chaque étude et l’effet estimé dans la popula-
tion sont représentés sur le même graphique sous la forme de points (carré ou tiret
vertical) entourés par leur intervalle de confiance (trait horizontal). Cette repré-
sentation de la distribution des fréquences des valeurs de l’effet mesuré permet de
constater que le rejet de l’hypothèse d’homogénéité n’est pas le fait de quelques
points dispersés (Light et Pillemer, 1984).
Modérateurs
Échantillon Études Études Secteur
total États-Unis britanniques industriel U.S.
Nombre d’études (k) 73 56 6 10

Taille 58 403 48 481 755 5 004
de l’échantillon (N) + 0.03 + 0.04 – 0.19 + 0.12
Moyenne r (– 0.21 à + 0.26) (– 0.22 à + 0.31) (– 1.00 à + 0.86) (– 0.59 à + 0.84)
Médiane r + 0.03 + 0.04 – 0.19 + 0.11
Moyenne pondérée r + 0.01 + 0.015 – 0.14 + 0.07
avec effets fixes (+ 0.00 à + 0.02) (+ 0.01 à + 0.02) (– 0.23 à – 0.04) (+ 0.04 à + 0.10)
Moyenne pondérée r + 0.04 + 0.05 – 0.17 + 0.10
avec effets (+ 0.01 à + 0.06) (+ 0.02 à + 0.08) (-0.34 à + 0.01) (+ 0.01 à + 0.20)
aléatoires
Étendue des r – 0.58 à + 0.47 – 0.58 à + 0.47 – 0.46 à + 0.093 – 0.20 à + 0.42
Test d’hétérogénéité 511*** 391*** 14*** 62***
Qt
*** p < 0,005 et Intervalle de confiance à 95 % entre parenthèses

Tableau 1.5 — Exemple de présentation des résultats d’une méta-analyse.
(Source : Doucouliagos et Laroche, 2003)
Grandeurs d’effet et IC 95%
Anderson (1992)
Andrew (1987)
Bart (2003)
Johns (1995)
Johnson (2002)
Stewart (2008)
Wilson (1994)
Wright (2011)
-0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8
Figure 1.6 — Exemple de représentation de la distribution des valeurs de l’effet

autour de l’effet dans la population (« vraie » grandeur d’effet)
Dans un deuxième temps, il est nécessaire de présenter les résultats de l’ana-

lyse des modérateurs. Un exemple tiré de la méta-analyse de Doucouliagos et Laroche
(2003) qui étudient le lien entre la présence syndicale et la productivité du travail
est fourni dans le tableau 1.5. Il s’agit ici d’une méta-analyse stratifiée qui repose
sur une analyse en sous-groupe afin d’identifier des modérateurs. À la lecture de
ces résultats, il apparaît que les études menées en Grande-Bretagne indiquent plus
souvent un lien négatif entre la présence de syndicats et la productivité du travail

(r = – 0,17), contrairement au secteur industriel étatsunien (r = + 0,10). Cela étant,
le test d’hétérogénéité QT demeure significatif pour le sous-groupe indiquant la pré-
sence d’autres modérateurs au sein du groupe d’études britanniques. Des tests com-
plémentaires sont nécessaires ici pour conclure définitivement à l’existence d’un lien
entre ces deux variables d’intérêt.
Il est également conseillé de présenter une série de tests visant à évaluer
le biais de publication. Plus précisément, il est de plus en plus fréquent de trou-
ver des graphes en entonnoir (funnel graphs) et des tests de robustesse (Fail-Safe
N ou nombre d’études dans le tiroir, par exemple). Le chapitre 4 de cet ouvrage
revient précisément sur l’interprétation de ces outils de diagnostic du biais de
publication.
6. La rédaction du rapport final

Dans le domaine des sciences sociales, une task force de l’Association amé-
ricaine de Psychologie (American Psychological Association, APA) a proposé en 2008
un guide de rédaction et de présentation des travaux méta-analytiques, appelé MARS
(Meta-Analysis Reporting Standards). Ce guide est loin d’être exhaustif – et a été par
ailleurs complété et adapté par le réseau de méta-analystes en économie et ges-
tion, MAER-Net (Meta-Analysis for Economic Research Network)1, en 2013 (Stanley et
al., 2013) –, mais il intègre les éléments de base à respecter lors de la présenta-
tion d’une méta-analyse.
La partie introductive du rapport ou de l’article, comme pour tout tra-
vail scientifique, a vocation à exposer la question de recherche et ses enjeux,
définir les principaux concepts mobilisés, et formuler des hypothèses de travail
sur la base des théories existantes. Cette étape est importante, car elle va per-
mettre de justifier les critères de sélection des études retenues et d’orienter le
choix des variables modératrices. Elle va aussi permettre d’identifier les modéra-
teurs potentiels qui pourraient faire l’objet d’une investigation plus poussée dans
le cadre du travail proposé. En outre, cette partie introductive va permettre au
méta-analyste d’assurer le bouclage conceptuel de son travail, en posant les fon-
dements et les arguments théoriques qui vont permettre d’interpréter les résul-
tats de la méta-analyse.
La partie méthodologie du manuscrit doit permettre au lecteur d’évaluer la
fiabilité et la validité de la méta-analyse. Dès lors, il convient d’être le plus pré-
cis possible dans la description de la procédure adoptée et de revenir sur les diffé-
rentes étapes de la procédure méta-analytique. Quatre aspects de la méthodologie
sont incontournables et doivent être abordés dans le rapport final : la procédure
de collecte des études, les critères d’inclusion et d’exclusion des études, le codage
des caractéristiques des études et des grandeurs d’effet et enfin, la stratégie d’ana-
lyse des données.
1 http://www.hendrix.edu/maer-network/
La procédure de collecte des données : La qualité de la méta-analyse est for-

tement influencée par la qualité des études qui vont être introduites dans l’analyse.
Pour cette raison, il est important de décrire de façon détaillée la procédure de col-
lecte des études. Par exemple, si vous avez mené une recherche bibliographique
informatisée, il est essentiel d’indiquer quelles bases de données ont été consultées
et quels mots clés ont été utilisés.
Les critères d’exclusion et d’inclusion des études : La collecte des données est
finalement dépendante de l’idée que l’on se fait du phénomène étudié. Ce constat
implique que le lecteur doit avoir une idée précise de la population étudiée qui est
définie par les critères d’inclusion et d’exclusion retenus. Dès lors, il est suggéré de
présenter un tableau de synthèse indiquant les études qui ont été exclues et pour
quelles raisons (doublons, absence d’informations suffisantes pour calculer les gran-
deurs d’effet, etc.).
Le codage des caractéristiques des études et de la taille de l’effet : Il est
très important de décrire le processus de codage des études retenues. S’agissant
du codage des caractéristiques des études, il convient de décrire la nature des
variables utilisées. Il s’agit au minimum de présenter un tableau de synthèse des
variables retenues en donnant la définition de chaque variable et son opération-
nalisation. Des statistiques descriptives pour chacune d’elle doivent être propo-
sées dans le corps du texte ou en annexes. Il est également nécessaire de décrire
le codage de la grandeur d’effet et de présenter toutes les corrections d’artefacts
éventuellement réalisées.
Stratégie d’analyse de données : Les techniques méta-analytiques étant encore
peu maîtrisées par les chercheurs, il est important de présenter la procédure statis-
tique adoptée. Il y a au moins cinq éléments de la procédure méta-analytique sur
lesquels il faut revenir dans le détail. Premièrement, il convient d’expliquer com-
ment a été traitée la question des grandeurs d’effets multiples issues d’une même
étude. Deuxièmement, il faut revenir sur le choix des coefficients de pondération
retenus dans votre méta-analyse. Troisièmement, il faut décrire le processus d’ana-
lyse des tendances centrales des grandeurs d’effet. Avez-vous pris la décision d’uti-
liser un modèle à effet aléatoire sur la base d’un test initial d’hétérogénéité ou
avez-vous pris cette décision d’utiliser l’un ou l’autre modèle a priori ? Quatrième-
ment, il est important de présenter la méthode retenue pour identifier les variables
modératrices. Enfin, il convient d’indiquer si le biais de publication a été traité et
si oui, de quelle manière.
Le tableau suivant présente de manière synthétique les principaux éléments
devant constituer une présentation de travaux méta-analytiques selon le MARS (APA).
Section du rapport Description

et thèmes couverts
Titre •D oit être évocateur et doit informer le lecteur qu’il s’agit
d’une méta-analyse
• Indiquer les sources de financement éventuelles
dans une note de bas de page
Résumé • Problème et relation(s) étudiées
• Critères d’éligibilité des études
• Méthodes méta-analytiques (effets fixes vs aléatoires,
mixte)
• Principaux résultats (grandeurs de l’effet, modérateurs)
• Conclusion (y compris limites de l’étude)
• Implications théoriques et pratiques
Introduction • É noncé clair de la question de recherche
et du ou des relations faisant l’objet de l’investigation
–– Contexte historique
–– Problèmes théoriques et pratiques liés à la question
de recherche
–– Justification du choix et du codage des modérateurs
potentiels
–– Nature des designs de recherche adoptés
par les études existantes
–– Nature des mesures des prédicteurs et des résultats
–– Population pour laquelle la question est pertinente
–– Hypothèses, le cas échéant
Méthode
Critères d’inclusion • C aractéristiques des variables indépendantes
et d’exclusion et dépendantes
• Population des participants éligible
• Design de recherche éligible
• Période couverte
• Lieu géographique et/ou contexte culturel
Modérateurs et analyses • Définition de toutes les variables modératrices codées
des modérateurs
Stratégies de recherche • Bases de données utilisées
des études • Mots clés
• Période couverte
• Autres moyens pour trouver les études existantes
–– Demande à des ListServs
–– Contacts auteurs
–– Examen des références bibliographiques des études
collectées
• Traitement des articles en langue étrangère
• Processus afin de déterminer l’éligibilité des études
• Format des études collectées (titre, résumé, texte
complet)
• Traitement des études non publiées
Table des matières
Sommaire. ....................................................................................................... 5
Introduction.................................................................................................. 7
Partie 1
Chapitre 1
Introduction à la méthodologie méta-analytique. ................................ 17
1. La préparation de la méta-analyse......................................................... 20
1.1 La formulation de la question de recherche......................................... 21
1.2 La recherche des études existantes...................................................... 21
1.3 Les critères d’inclusion et d’exclusion des études. ............................... 22
2. Le codage des études individuelles. ...................................................... 24
2.1 L’identification des modérateurs potentiels.......................................... 24
2.2 Le codage et sa vérification................................................................. 25
3. Le choix et la combinaison des tailles de l’effet................................. 26
3.1 Le choix d’une métrique commune (ou grandeur d’effet « standardisée »)..... 27
3.1.1 Le cas des recherches expérimentales........................................... 27
3.1.2 Le cas des recherches de type corrélationnel................................ 30
3.1.3 Le cas du rapport de cote ou odds ratio (OR)............................. 32
3.2 La correction des grandeurs d’effet « standardisées »........................... 34
3.3 Le biais de publication......................................................................... 35
3.4 La combinaison des grandeurs d’effet « standardisées »....................... 35
3.4.1 La pondération des résultats. ...................................................... 35
3.4.2 Effets fixes vs effets aléatoires.................................................... 36
218 La méta-analyse
4. La recherche des sources d’hétérogénéité des grandeurs d’effet........ 41

4.1 Méta-analyses stratifiées (en sous-groupes)......................................... 41
4.2 Méta-analyses de régression (MRA ou MARA)....................................... 42
4.3 L’approche par les modèles d’équations structurelles (MES). ................ 43
4.3.1 Transformations afin d’obtenir des erreurs égales entre les études..... 43
4.3.2 Estimation de la taille de l’effet commune.................................. 43
4.3.3 Identification des modérateurs potentiels.................................... 44
5. La présentation et l’interprétation des résultats.................................. 46
6. La rédaction du rapport final. ................................................................ 48
7. Les logiciels de méta-analyse................................................................. 52
8. Conclusion................................................................................................. 54
Chapitre 2
La recherche des variables modératrices à l’aide
de la méta-analyse........................................................................................ 59
1. L’approche méta-analytique de Hedges et Olkin (HO)......................... 60
1.1 Arguments en faveur de l’utilisation de la statistique d’homogénéité Q.... 61
2. Mettre en œuvre des corrections au niveau des études
dans la méta-analyse. ................................................................................... 62
2.1 Arguments en faveur de l’introduction de corrections.......................... 63
3. Introduire une correction intra-étude dans la procédure
de Hedges et Olkin : une procédure en trois étapes................................ 65
3.1. Étape 1............................................................................................... 66
3.2. Étape 2............................................................................................... 67
3.3. Étape 3............................................................................................... 69
4. Une illustration de l’utilisation de la procédure en trois étapes....... 70
4.1. Étape 1............................................................................................... 70
4.2. Étape 2............................................................................................... 71
4.3. Étape 3............................................................................................... 72
5. Synthèse et conclusion............................................................................ 73
Chapitre 3
La méta-analyse de régression : propriétés et utilisation. ..................... 77
1. Le problème de la spécification............................................................. 79
2. La méta-analyse : la combinaison des résultats................................... 79
3. La méta-analyse de régression (MAR).................................................... 80
4. Propriétés économétriques et taille de l’effet. ..................................... 82
5. L’analyse de méta-régression : opportunités méthodologiques.......... 84
Table des matières 219
Chapitre 4
L’exploration du biais de publication :
une description des techniques existantes............................................... 89
1. Les outils d’investigations graphiques du biais de publication.......... 91
1.1. Les graphiques en entonnoir ou « funnel graphs ».............................. 91
1.2 La représentation radiaire de Galbraith (1988) et la publication
sélective de type II. ................................................................................... 95
2. La méta-régression et l’analyse du biais de publication..................... 96
2.1. Test d’asymétrie et correction du biais de publication. ...................... 96
2.2. Le test de méta-significativité ou MST (Meta-Significance Testing). .... 102
2.3. La méta-analyse de régression explicative
(MRA – Meta-Regression Analysis)................................................................ 106
3. L’investigation des études manquantes dans la méta-analyse :
le calcul du nombre d’études dans le tiroir (Fail-Safe N)......................... 109
4. Conclusion................................................................................................. 111
Partie 2
Applications en sciences humaines et sociales
Chapitre 5
La méta-analyse en sciences de gestion :
deux cas illustratifs en management........................................................ 119
1. Collecte de l’ensemble des études existantes sur la question
de recherche................................................................................................... 120
2. Choix des études et contrôle des biais de sélection........................... 122
3. Analyse des résultats............................................................................... 124
3.1 Mesure des grandeurs d’effet................................................................ 124
3.2 Contrôle des biais de publication......................................................... 126
3.3 Mesure de la grandeur d’effet commune et évaluation
de l’hétérogénéité des grandeurs d’effet..................................................... 127
4. Conclusion................................................................................................. 133
Chapitre 6
Une analyse systématique du biais de sélection sur le test
de Feldstein et Horioka............................................................................... 135
1. Le paradoxe de Feldstein-Horioka.......................................................... 137
2. Bases de données..................................................................................... 141
3. Détection du biais de publication.......................................................... 145
3.1 Analyse graphique................................................................................ 145
3.2 Évaluation économétrique du biais de publication............................... 148
220 La méta-analyse
4. Comment expliquer ce biais ?................................................................. 155

4.1 Variables modératrices. ........................................................................ 156
4.2 Autres méta-variables........................................................................... 158
4.3 Discussion des résultats....................................................................... 158
5. Conclusion................................................................................................. 162
Chapitre 7
La méta-analyse en psychologie organisationnelle de la santé :
définition et illustration. ............................................................................ 169
1. Un exemple de méta-analyse : l’étude du burn-out
en situation de travail.................................................................................. 174
1.1 Méthodologie et stratégie d’analyse..................................................... 175
1.2 Procédure............................................................................................. 176
1.3 Population............................................................................................ 176
2. Résultats.................................................................................................... 176
2.1 Métacorrélations des variables organisationnelles
et/ou individuelles avec la dimension de l’épuisement émotionnel. ........... 176
et/ou individuelles avec la dimension dépersonnalisation.......................... 179
et/ou individuelles avec la dimension d’accomplissement personnel........... 182
3. Conclusion................................................................................................. 185
4. Limites de l’étude. ................................................................................... 185
Chapitre 8
L’impact du contact tactile sur l’acceptation d’une requête :
une illustration de l’intérêt de la méta-analyse en sciences
du comportement......................................................................................... 191
1. L’influence du toucher sur l’acceptation de requêtes.......................... 192
2. Méthode..................................................................................................... 193
2.1 Principe de la méta-analyse................................................................. 193
2.2 La recherche documentaire. ................................................................. 193
2.3 L’indicateur de l’importance de l’effet.................................................. 194
3. Résultats : mesure de l’importance de l’effet du toucher. .................. 195
3.1 Culture et contact tactile..................................................................... 199
3.2 Genre et contact tactile....................................................................... 201
4. Discussion générale.................................................................................. 203
5. Conclusion................................................................................................. 205
Table des matières 221
Conclusion
Apports et limites de la méta-analyse........................................................ 209
Présentation des auteurs............................................................................. 213

La méta-analyse
Méthodes et applications en sciences sociales
La méta-analyse est plus que jamais une démarche indispensable
pour synthétiser les résultats des études scientifiques.
Cet ouvrage expose les principales techniques d’analyse
statistique utilisées afin d’agréger les résultats des études
empiriques existantes. Il s’organise en deux parties : la première
détaille de manière didactique les méthodes de méta-analyse
et fait le point sur les derniers développements théoriques et
méthodologiques les concernant ; la seconde présente plusieurs
applications de la méta-analyse dans le champ des sciences
sociales, notamment en psychologie, économie et gestion.
Cet ouvrage s’adresse aux chercheurs et experts en sciences
humaines et sociales souhaitant mettre en œuvre une méta-
analyse ou qui sont confrontés à l’analyse d’études recourant
à ces techniques. Véritable guide alliant rigueur scientifique et
accessibilité, il intéressera aussi les étudiants de 2e et 3e cycles en
sciences humaines et sociales.
Patrice LAROCHE
Docteur et agrégé des Universités en sciences de gestion, Patrice
Laroche est professeur de gestion des ressources humaines à ESCP-
Europe et membre honoraire de l’Institut Universitaire de France.
Ses domaines d’enseignements et de recherche sont la gestion des
ressources humaines, les relations professionnelles et les méthodes
de recherche. Spécialiste des approches méta-analytiques, il
a publié une série d’études dont l’outil d’investigation est la méta-analyse et
des travaux d’essence plus méthodologique consacrés à cette procédure de
recherche. Il est également l’auteur de deux ouvrages consacrés aux relations
sociales en entreprise.
Ont également contribué à la rédaction de cet ouvrage :

Herman Aguinis, Yannick Bineau, Chris (Hristos) Doucouliagos, Nicolas Guéguen,
Stephen B. Jarrell, Robert-Vincent Joule, Marcel Lourel, Charles A. Pierce,
Christophe Revelli et Tom D. Stanley.
http://noto.deboeck.com : la version numérique de votre ouvrage

• 24h/24, 7 jours/7
• Offline ou online, enregistrement synchronisé
• Sur PC et tablette
• Personnalisation et partage
METANA
ISBN 978-2-8041-9009-5
ISSN 1781-4944 www.deboeck.com

Revue Systematique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Revue Systematique

Transféré par

Droits d'auteur :

Formats disponibles

MANAGEMENT

© De Boeck Supérieur s.a., 2015 1re édition

Tous droits réservés pour tous pays.

Présentation des auteurs.................................................................................... 213

Tout projet scientifique est entrepris en réponse à une synthèse de la connais-

* ESCP Europe et ISAM-IAE Nancy.

Renouvelant les méthodes de synthèse de la littérature, la méta-­analyse présente

pour la recherche en sciences sociales. Notons à ce stade que la méta-­analyse n’est ni un

comme en témoigne l’évolution du nombre de publications dans des revues à comité

Figure 1 — Publications de méta-­analyses dans des revues académiques répertoriées

S/discipline Nombre S/discipline Nombre

Tableau 1 — Nombre de méta-­analyses publiées en sciences sociales

Une recherche bibliographique sur la base de données Ebsco entre 1982 et

chargée de présenter plusieurs applications de la méta-­analyse dans le champ des

Cucherat M. (1997). Méta-­analyse des essais thérapeutiques, Paris : Masson.

Chapitre 1 Introduction à la méthodologie méta-­analytique 17

2. Le codage des études individuelles 24

3. Le choix et la combinaison des tailles de l’effet 26

4. La recherche des sources d’hétérogénéité

5. La présentation et l’interprétation des résultats 46

6. La rédaction du rapport final 48

7. Les logiciels de méta-­analyse 52

* ESCP Europe et ISAM-IAE Nancy.

Ce premier chapitre a pour but de présenter la méta-­analyse en revenant

Encadré 1 : Définitions et principes fondamentaux des procédures méta-­analytiques

Il est possible de distinguer deux types de méta-­analyse selon le type de don-

Étape Question posée Objectif principal

Codage des études sélectionnées

Tableau 1.1 — Les différentes étapes de la méta-­analyse

1.1 La formulation de la question de recherche

L’étape préliminaire à toute méta-­analyse consiste à acquérir une bonne com-

1.2 La recherche des études existantes

1.3 Les critères d’inclusion et d’exclusion des études

Avant de commencer le codage des études, il convient de définir les critères

une éventuelle interaction en réalisant une méta-­analyse en sous-­groupe et de faire

2. Le codage des études individuelles

2.1 L’identification des modérateurs potentiels

L’étape suivante consiste à créer une grille de codage. La grille de codage

Encadré 2 : Exemples de modérateurs potentiels à considérer

INFORMATION SUR L’ÉTUDE

MESURE DES RÉSULTATS

2.2 Le codage et sa vérification

Le codage des caractéristiques des études est un travail long et fastidieux

Tableau 1.2 — Extrait du tableau de codage utilisé

Une fois ces vérifications effectuées, le méta-­analyste dispose d’un fichier

3. Le choix et la combinaison des tailles de l’effet

3.1 Le choix d’une métrique commune

3.1.1 Le cas des recherches expérimentales

d de Cohen ou g de Hedges d de Hedges

Taille de l’échantillon expérimental

Taille de l’échantillon expérimental

où n1 et n2 correspondent à la taille des échantillons des groupes 1 et 2.

3.1.2 Le cas des recherches de type corrélationnel

MÉTHODE CORRÉLATIONNELLE : présence de données corrélationnelles (t de Student)

MÉTHODE CORRÉLATIONNELLE : présence de données statistiques du type F de Fisher

MÉTHODE CORRÉLATIONNELLE : présence de données expérimentales (d de Cohen)

t = t de Student ; ddl = degrés de liberté ; F = F de Fisher ; d = d de Cohen ou de Hedges ;

Tableau 1.4 — Les principales métriques pour l’estimation

Le coefficient de corrélation r fait l’objet d’une transformation en Zr de

3.1.3 Le cas du rapport de cote ou odds ratio (OR)

Avec n00 correspondant au nombre de participants ayant répondu négative-

1 Le d de Cox – qui correspond à une différence de moyenne standardisée (Sanchez-­Meca et al.,

En réalité, il est fréquent dans les méta-­analyses de combiner des études

* ESCP Europe et ISAM-IAE Nancy.

Renouvelant les méthodes de synthèse de la littérature, la méta-analyse présente

pour la recherche en sciences sociales. Notons à ce stade que la méta-analyse n’est ni un

Figure 1 — Publications de méta-analyses dans des revues académiques répertoriées

Tableau 1 — Nombre de méta-analyses publiées en sciences sociales

chargée de présenter plusieurs applications de la méta-analyse dans le champ des

Cucherat M. (1997). Méta-analyse des essais thérapeutiques, Paris : Masson.

Chapitre 1 Introduction à la méthodologie méta-analytique 17

7. Les logiciels de méta-analyse 52

* ESCP Europe et ISAM-IAE Nancy.

Ce premier chapitre a pour but de présenter la méta-analyse en revenant

Encadré 1 : Définitions et principes fondamentaux des procédures méta-analytiques

Il est possible de distinguer deux types de méta-analyse selon le type de don-

Tableau 1.1 — Les différentes étapes de la méta-analyse

L’étape préliminaire à toute méta-analyse consiste à acquérir une bonne com-

une éventuelle interaction en réalisant une méta-analyse en sous-groupe et de faire

Une fois ces vérifications effectuées, le méta-analyste dispose d’un fichier

1 Le d de Cox – qui correspond à une différence de moyenne standardisée (Sanchez-Meca et al.,

En réalité, il est fréquent dans les méta-analyses de combiner des études

Au-delà des « artefacts statistiques » qui peuvent s’avérer délicats à traiter,

méta-analyste optera souvent directement pour un modèle à effets aléatoires compte

En présence d’hétérogénéité, le méta-analyste pourra choisir d’appliquer le

La figure 1.3. ci-après reprend l’ensemble des formules de calcul applicables à

4.1 Méta-analyses stratifiées (en sous-groupes)

Les analyses en sous-groupes permettent d’effectuer une recherche des sources

Le test se distribue toujours comme un khi-deux. S’il est significatif (valeur

4.2 Méta-analyses de régression (MRA ou MARA)

1 Le chapitre 3 de cet ouvrage est consacré exclusivement à une présentation de la méta-analyse

4.3.1 T ransformations afin d’obtenir des erreurs égales

L’utilisation de modèles d’équations structurelles par les méta-analystes est

La procédure de collecte des données : La qualité de la méta-analyse est for-