Vous avez deux groupes et deux temps de mesure. Une classe suit le dispositif, l’autre non ; vous mesurez tout le monde avant, puis après. C’est le plan le plus courant des mémoires d’évaluation.
Puis vous ouvrez vos descriptives et vous voyez ce qui n’était pas prévu : les deux groupes n’étaient déjà pas au même niveau avant l’intervention. Le groupe expérimental part à 12,4, le témoin à 14,1. Vous n’avez pas pu tirer au sort — c’étaient deux classes existantes, deux services, deux promotions.
Comment comparer les scores finaux sans que l’écart de départ pollue tout ? La réponse s’appelle l’ANCOVA. Cet article déroule la décision entre les trois analyses possibles, la procédure SPSS, la condition d’application qui n’existe que pour elle, et la phrase à écrire dans le chapitre résultats.
Trois analyses possibles pour le même plan
Le même tableau de données peut être traité de trois façons. Elles ne donnent pas le même résultat et ne répondent pas exactement à la même question.
| Analyse | Ce que vous testez | Ce qu’elle suppose | Verdict |
|---|---|---|---|
| Test t sur les scores de gain (post − pré) | Les deux groupes progressent-ils différemment ? | Que la relation entre pré et post soit de pente 1 exactement | Simple, mais généralement le moins puissant |
| ANOVA à plan mixte (groupe × temps) | L’interaction groupe × temps est-elle significative ? | Les conditions habituelles de l’ANOVA sur mesures répétées | Correct, mais répond en termes d’interaction, pas d’écart final |
| ANCOVA (post en VD, pré en covariable) | À niveau initial égal, les groupes diffèrent-ils à la fin ? | Une condition supplémentaire : des pentes de régression homogènes | La plus puissante quand pré et post sont corrélés — c’est-à-dire presque toujours |
Le point décisif est la puissance. Le score initial explique en général une grande part de la variance du score final — sur une échelle psychométrique stable, la corrélation pré-post tourne couramment autour de 0,6 à 0,8. L’ANCOVA retire cette part de la variance résiduelle avant de tester l’effet du groupe : le dénominateur du F rétrécit, et un effet invisible dans une comparaison brute devient détectable au même effectif. Le score de gain, lui, impose implicitement que la pente de régression du post sur le pré vaille exactement 1 ; quand elle vaut 0,7, vous perdez de la précision sans le voir.
Sur le choix du plan lui-même — inter-sujets, intra-sujets, quasi-expérimental — notre guide du design expérimental pose le cadre. Cet article commence là où ce cadre s’arrête.
La procédure sous SPSS, étape par étape
Vos données doivent être en format large : une ligne par participant, une colonne pour le score pré, une colonne pour le score post, une colonne pour le groupe codée en 0/1.
- Analyse → Modèle linéaire général → Univarié.
- Variable dépendante : le score post. C’est le point que tout le monde rate au premier essai — la VD n’est ni le gain, ni le pré.
- Facteur fixe : votre variable de groupe.
- Covariable(s) : le score pré. Vous pouvez en ajouter d’autres (l’âge, l’ancienneté), à condition qu’elles aient été mesurées avant l’intervention. Une covariable mesurée après peut avoir été modifiée par l’intervention elle-même : l’inclure retire une partie de l’effet que vous cherchez à démontrer.
- Bouton Options : déplacez le facteur groupe dans la zone des moyennes marginales estimées, cochez Comparer les effets principaux avec l’ajustement Bonferroni, puis Statistiques descriptives, Estimations de la taille d’effet et Tests d’homogénéité.
- Bouton Diagrammes : rien d’obligatoire ici, mais un nuage de points post en fonction de pré, coloré par groupe, est la figure la plus parlante que vous puissiez mettre dans le mémoire.
Un mot sur l’effectif avant de lancer. L’ANCOVA est plus économe qu’une comparaison brute, précisément parce que la covariable absorbe de la variance — mais « plus économe » ne veut pas dire « indifférente à la taille ». La procédure G*Power traite ce cas sous ANCOVA : fixed effects, main effects and interactions, où le nombre de covariables est un paramètre d’entrée à renseigner honnêtement.
L’hypothèse qui n’appartient qu’à l’ANCOVA : les pentes de régression homogènes
L’ANCOVA hérite des conditions de toute ANOVA — indépendance des observations, normalité des résidus, homogénéité des variances. Elle en ajoute une qui lui est propre, et c’est celle que les jurys interrogent.
L’ANCOVA ajuste les moyennes en supposant que la relation entre la covariable et la variable dépendante est la même dans les deux groupes. Autrement dit : les deux droites de régression doivent être parallèles. Si elles ne le sont pas, il n’existe pas d’écart unique entre les groupes à rapporter — l’écart dépend du niveau de départ, et une moyenne ajustée unique devient un artefact.
Comment tester la condition dans SPSS
Le test n’est pas coché par défaut ; il faut le construire une fois, dans un modèle jetable.
- Refaites Univarié avec les mêmes variables.
- Bouton Modèle → choisissez Personnalisé.
- Faites passer dans la zone du modèle : le facteur groupe, la covariable pré, puis le produit des deux (sélectionnez les deux ensemble et choisissez le terme Interaction).
- Lancez, et regardez la seule ligne qui compte : groupe × pré.
Si cette interaction est non significative (p > 0,05), la condition est remplie : jetez ce modèle, revenez au modèle complet par défaut, et c’est lui que vous rapportez. Si elle est significative, vous avez une information réelle et non un échec : l’effet de l’intervention dépend du niveau initial.
Si les pentes ne sont pas homogènes
Trois issues, par ordre de solidité.
- Rapportez l’interaction comme un résultat. C’est un effet de modération : le dispositif profite davantage aux participants qui partaient bas, ou l’inverse. C’est souvent plus intéressant que l’effet moyen que vous cherchiez, et cela se raconte très bien en discussion. Notre article sur la médiation et les macros PROCESS sous SPSS décrit l’outillage voisin de ce type de modèle.
- Repliez-vous sur le score de gain. Un test t sur (post − pré) ne suppose pas de pentes homogènes. Vous perdez de la puissance ; vous gagnez une analyse défendable. Le test t de Student et son alternative non paramétrique couvrent la procédure et le repli si la normalité pose aussi problème.
- Découpez et décrivez. En dernier recours, décrivez l’effet séparément sous et au-dessus de la médiane du pré-test, en annonçant qu’il s’agit d’une analyse descriptive, non confirmatoire.
Ce qu’il ne faut pas faire : constater l’interaction, ne rien dire, et rapporter quand même les moyennes ajustées. C’est la seule des trois voies qui soit une faute.
Lire la sortie : les moyennes marginales estimées
Le tableau central s’appelle Tests des effets inter-sujets. Vous y lisez deux lignes.
La ligne de la covariable confirme d’abord que l’ajustement servait à quelque chose : elle est presque toujours très significative, et c’est normal — c’est même la raison d’être de l’analyse. Ne la présentez pas comme un résultat de recherche.
La ligne du groupe est votre réponse. Elle teste la différence entre les groupes une fois le niveau initial neutralisé. Rapportez son F, ses degrés de liberté, son p et l’êta carré partiel.
Puis vient le tableau des moyennes marginales estimées. Ce ne sont pas vos moyennes observées : ce sont les moyennes que les deux groupes auraient eues s’ils étaient partis du même niveau, à savoir la moyenne générale du pré-test. C’est ce couple de valeurs qu’il faut mettre dans le tableau du mémoire, avec les moyennes brutes juste à côté pour que le lecteur voie l’ampleur de l’ajustement.
Le piège du groupe non équivalent
Voici la limite qu’il faut connaître avant que le jury ne la formule à votre place.
L’ANCOVA a été conçue pour des groupes constitués par tirage au sort, chez qui l’écart initial n’est que du bruit d’échantillonnage. Quand vos groupes sont naturels — deux classes, deux services, des volontaires contre des non-volontaires —, cet écart n’est pas du bruit : il est le symptôme d’une différence réelle et souvent non mesurée entre les deux populations. Ajuster sur le pré-test en corrige une partie, sans garantie de la corriger entièrement.
Cette ambiguïté est ancienne et bien documentée : sur les mêmes données non randomisées, une analyse en moyennes brutes et une analyse ajustée peuvent conduire à des conclusions opposées, et aucune des deux n’est arithmétiquement fausse. Ce que vous pouvez faire est simple et honnête :
- Écrire noir sur blanc que l’affectation n’était pas aléatoire.
- Décrire ce qui distinguait les groupes en dehors du pré-test, avec les chiffres dont vous disposez.
- Nommer la conséquence : l’effet estimé est un effet ajusté sur le niveau initial, pas un effet causal établi.
Cette phrase-là dans vos limites vaut mieux qu’une prudence vague. Notre inventaire des biais méthodologiques d’un mémoire de master détaille comment formuler ce type de limite sans démolir votre propre travail.
Vérifier les conditions restantes
Une fois le modèle final tourné, testez la normalité des résidus — enregistrez-les (bouton Enregistrer → Résidus non standardisés) plutôt que de tester les variables brutes ; la démarche est décrite dans notre article sur le test de Shapiro-Wilk. Vérifiez ensuite le test de Levene, apparu grâce à l’option Tests d’homogénéité : avec deux groupes d’effectifs comparables il n’est pas rédhibitoire, avec des effectifs très déséquilibrés il faut le signaler.
Rédiger le résultat dans le mémoire
Condition vérifiée, effet significatif : « L’interaction entre le groupe et le score initial n’est pas significative, F(1, 84) = 1,12, p = 0,293 ; l’hypothèse d’homogénéité des pentes de régression est donc retenue. L’ANCOVA, avec le score pré-test en covariable, révèle un effet significatif du groupe sur le score post-test, F(1, 85) = 8,74, p = 0,004, η²p = 0,09. Les moyennes marginales estimées s’établissent à 16,2 (ET = 0,41) pour le groupe expérimental contre 14,5 (ET = 0,40) pour le groupe témoin, contre respectivement 15,8 et 14,9 en moyennes observées. »
Condition non vérifiée : « L’interaction groupe × score initial est significative, F(1, 84) = 6,03, p = 0,016 : l’hypothèse d’homogénéité des pentes n’est pas tenable et l’ANCOVA n’a pas été retenue. L’effet du dispositif dépend du niveau initial des participants, et il est décrit ci-dessous séparément selon ce niveau. »
Trois détails de forme comptent : la virgule décimale française, l’êta carré partiel systématiquement joint au p, et le mot « significatif » réservé à son sens statistique strict.
Les erreurs qui coûtent cher
- Mettre le score de gain en variable dépendante et le pré-test en covariable. Cela revient à ajuster deux fois ; le test change de sens et devient très difficile à interpréter.
- Choisir la covariable après avoir vu les résultats. Essayer l’âge, puis l’ancienneté, puis les deux, et garder la combinaison qui rend p inférieur à 0,05 : la démarche se repère immédiatement. Annoncez vos covariables dans la méthodologie.
- Utiliser une covariable mesurée après l’intervention. Elle peut porter une partie de l’effet ; vous retirez alors de la variance qui vous appartenait.
- Rapporter uniquement les moyennes ajustées. Le lecteur ne peut plus juger de l’ampleur de la correction. Donnez les deux.
- Oublier de comparer les groupes sur le pré-test. Ce test descriptif justifie l’ANCOVA ; son absence est la première question du jury.
- Traiter des données groupées comme des données indépendantes. Si vos participants sont imbriqués dans des classes ou des services entiers, l’unité d’analyse n’est plus l’individu, et c’est une autre condition qui saute — celle de l’indépendance des observations.
Transformer ces sorties en chapitre résultats
L’analyse prend un quart d’heure. Ce qui prend des jours, c’est le texte autour : annoncer la covariable en méthodologie, justifier l’ANCOVA plutôt que le score de gain, présenter les deux jeux de moyennes sans noyer le lecteur, et écrire la limite du groupe non équivalent sans saborder votre propre conclusion.
Tesify travaille avec vous sur cette partie-là : structurer le chapitre, tenir une terminologie constante d’un bout à l’autre du mémoire, et rédiger les passages de justification à partir de vos propres choix d’analyse. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.
Rédiger votre chapitre résultats avec Tesify
Questions fréquentes
Faut-il que les groupes soient équivalents au pré-test pour faire une ANCOVA ?
Non — c’est même l’inverse : l’ANCOVA existe précisément pour traiter un écart initial. Ce qu’il faut, c’est que la relation entre le pré-test et le post-test soit la même dans les deux groupes. Comparez tout de même les groupes sur le pré-test et rapportez le résultat : cette comparaison ne conditionne pas l’analyse, elle documente l’ampleur de l’ajustement que vous demandez au modèle.
Peut-on faire une ANCOVA avec trois groupes ou plus ?
Oui, la logique est identique : la ligne du facteur teste alors une différence globale entre les groupes ajustés, et les comparaisons par paires ajustées selon Bonferroni indiquent lesquels diffèrent. La condition d’homogénéité des pentes se teste de la même façon, sur le terme d’interaction. Pour un plan à deux facteurs croisés sans covariable, voyez plutôt notre guide de l’ANOVA factorielle.
Combien de covariables puis-je inclure ?
Peu, et choisies à l’avance. Chaque covariable consomme un degré de liberté et doit être justifiée théoriquement. Deux ou trois covariables préenregistrées valent mieux que huit choisies après coup ; au-delà, vous risquez surtout d’introduire de la colinéarité entre elles et de rendre le modèle instable.
Ma covariable doit-elle être corrélée à la variable dépendante ?
Oui, sinon elle ne sert à rien : une covariable non corrélée au post-test n’absorbe aucune variance et vous coûte un degré de liberté pour rien. Vérifiez la corrélation pré-post avant de construire le modèle — notre article sur les corrélations de Pearson et de Spearman sous SPSS couvre la procédure. En revanche, la covariable ne doit pas être corrélée à l’appartenance au groupe pour une raison causale, sans quoi vous risquez d’ajuster sur une conséquence de l’intervention.
ANCOVA ou régression multiple : est-ce la même chose ?
Mathématiquement, oui : une ANCOVA est une régression avec une indicatrice pour le groupe et une variable continue pour la covariable. La différence est de présentation. Sous Univarié, SPSS produit les moyennes marginales estimées et l’êta carré partiel — exactement ce qu’un jury attend dans un chapitre d’évaluation ; une sortie de régression donnerait le même effet sous forme de coefficient B, moins immédiat à lire.