ANOVA factorielle dans un mémoire avec SPSS : guide complet avec exemples 2026

Vous analysez l’effet de deux variables indépendantes sur une variable dépendante continue et vous ne savez pas si leurs effets sont additifs ou s’ils interagissent ? L’ANOVA factorielle avec SPSS est l’outil statistique conçu exactement pour cette situation. Plus puissante qu’une simple ANOVA à un facteur, elle permet de tester simultanément les effets principaux et — surtout — l’effet d’interaction entre deux facteurs, information qu’aucune analyse séparée ne peut produire. Ce guide vous accompagne de la vérification des prémisses jusqu’à la rédaction des résultats dans votre mémoire.

Dans les masters en psychologie, sciences de l’éducation, gestion et sciences de la santé, l’ANOVA factorielle (également appelée ANOVA à deux facteurs ou ANOVA two-way) figure parmi les tests les plus attendus par les jurys. Savoir la réaliser sous SPSS et en restituer les résultats avec rigueur distingue un mémoire solide d’un mémoire superficiel.

Qu’est-ce que l’ANOVA factorielle ?

L’ANOVA factorielle (Analysis of Variance factorielle) est une extension de l’ANOVA à un facteur. Elle évalue dans quelle mesure deux facteurs catégoriels (et leur interaction) expliquent la variance d’une variable dépendante continue. Le modèle général s’écrit :

Y_ijk = μ + α_i + β_j + (αβ)_ij + ε_ijk

Où μ est la moyenne générale, α_i l’effet du facteur A, β_j l’effet du facteur B, (αβ)_ij l’effet d’interaction et ε_ijk le terme d’erreur résiduelle.

SPSS produit trois ratios F distincts :

• Facteur A : variabilité expliquée par A / variabilité résiduelle
• Facteur B : variabilité expliquée par B / variabilité résiduelle
• Interaction A × B : variabilité expliquée par la combinaison A et B / variabilité résiduelle

Quand utiliser l’ANOVA factorielle dans un mémoire ?

L’ANOVA factorielle convient lorsque :

• Votre variable dépendante est continue (score, mesure, durée, etc.)
• Vous avez exactement deux variables indépendantes catégorielles
• Vous souhaitez tester si l’effet d’un facteur est modifié par l’autre facteur (modération)
• Les groupes sont indépendants (ANOVA between-subjects) — pour des mesures répétées, l’ANOVA mixte ou à mesures répétées est plus appropriée

Exemples typiques en mémoire de master

Vérification des prémisses

Avant de lancer l’analyse, quatre prémisses doivent être vérifiées. Une prémisse violée ne rend pas forcément l’analyse caduque, mais oblige à signaler la limite et, dans certains cas, à recourir à des alternatives non-paramétriques.

1. Normalité de la distribution des résidus

Utilisez le test de Shapiro-Wilk (n < 50) ou le test de Kolmogorov-Smirnov (n ≥ 50) sur les résidus standardisés. Si p > 0,05, la normalité est retenue. Pour des échantillons supérieurs à 100, l’ANOVA est robuste aux violations modérées grâce au théorème central limite.

2. Homogénéité des variances (homoscédasticité)

Le test de Levene est automatiquement produit par SPSS dans la procédure Univariate. Si p > 0,05, les variances sont homogènes. En cas de violation, utiliser la correction de Welch ou les intervalles de confiance bootstrap.

3. Indépendance des observations

Chaque participant appartient à un seul groupe. Vérifiez votre design de collecte : si les mêmes individus apparaissent dans plusieurs cellules, vous avez besoin d’une ANOVA à mesures répétées.

4. Taille d’échantillon équilibrée

Un design balancé (effectifs égaux dans chaque cellule) maximise la puissance statistique. En cas de déséquilibre, SPSS utilise la somme des carrés de type III (Type III SS), qui est la valeur par défaut — et la bonne option pour un mémoire.

Procédure pas à pas sous SPSS

Vidéo : Faire une ANOVA I ou II sur SPSS — StatsAtHome

Voici la séquence de menus à suivre dans SPSS 28/29 (IBM SPSS Statistics) :

1. Analyze → General Linear Model → Univariate
2. Glissez votre variable dépendante dans le champ Dependent Variable
3. Glissez vos deux facteurs dans Fixed Factor(s)
4. Cliquez sur Model : sélectionnez Full factorial pour inclure automatiquement les deux effets principaux et l’interaction
5. Cliquez sur Plots : ajoutez un graphique de profils (Facteur A en abscisse, Facteur B en séparé) — indispensable pour visualiser l’interaction
6. Cliquez sur Post Hoc : sélectionnez Tukey ou Bonferroni pour les comparaisons par paires
7. Cliquez sur Options : cochez Descriptive statistics, Estimates of effect size (eta carré partiel), Homogeneity tests et Observed power
8. Cliquez sur OK

Interpréter les résultats : tableaux SPSS décryptés

SPSS génère plusieurs tableaux. Voici ceux qui sont essentiels pour votre mémoire.

Tableau des statistiques descriptives

Présentez les moyennes (M) et écarts-types (ET) pour chaque cellule du design. Ce tableau donne une première idée visuelle de l’interaction : si les différences entre niveaux du Facteur A varient selon les niveaux du Facteur B, une interaction est probable.

Tests des effets inter-sujets (Tests of Between-Subjects Effects)

C’est le tableau central. Pour chaque source de variation, SPSS indique :

• SS : somme des carrés (Type III)
• dl : degrés de liberté
• CM : carré moyen (SS/dl)
• F : le ratio F
• Sig. : la p-value
• η² partiel : taille d’effet

Exemple de lecture d’un résultat fictif cohérent avec la littérature :

Analyser l’effet d’interaction

L’effet d’interaction est le cœur de l’ANOVA factorielle. Il répond à la question : « L’effet du Facteur A sur la variable dépendante est-il le même quel que soit le niveau du Facteur B ? »

Interaction significative (p < 0,05)

Lorsque l’interaction est significative, les effets principaux ne peuvent pas s’interpréter seuls — ils seraient trompeurs. Vous devez :

1. Examiner le graphique de profils (Estimated Marginal Means Plot) : des droites non parallèles signalent une interaction
2. Réaliser des comparaisons simples (Simple Effects) : analyser l’effet du Facteur A pour chaque niveau de B séparément, avec correction Bonferroni
3. Décrire verbalement la nature de l’interaction (ordinale vs. désordinale)

Interaction non significative (p > 0,05)

Vous pouvez alors interpréter les effets principaux de manière indépendante. Indiquez dans votre mémoire : « L’interaction entre A et B n’était pas significative, F(2, 114) = 1,43, p = .244, η²p = .02 ; les effets principaux ont donc été interprétés séparément. »

Interaction ordinale vs. désordinale

Une interaction est ordinale lorsque les droites du graphique de profils ne se croisent pas (une condition est toujours supérieure à l’autre). Elle est désordinale (ou disordinale) lorsque les droites se croisent : l’effet du Facteur A s’inverse selon le niveau de B. L’interaction désordinale est la plus intéressante théoriquement, mais aussi la plus complexe à expliquer.

Taille d’effet : l’êta carré partiel

L’êta carré partiel (η²p) mesure la proportion de variance de la variable dépendante expliquée par un effet, en contrôlant les autres effets du modèle. Les balises de Cohen (1988) sont les références standard :

Tests post-hoc et comparaisons simples

Lorsqu’un effet principal est significatif et que le facteur comporte plus de deux modalités, vous avez besoin de savoir quelles paires de groupes diffèrent significativement.

Tests post-hoc disponibles dans SPSS

• Tukey HSD : le plus utilisé dans les mémoires français ; contrôle bien le risque d’erreur de type I pour des groupes de taille égale
• Bonferroni : plus conservateur ; recommandé pour des comparaisons planifiées a priori ou des effectifs inégaux
• Scheffé : très conservateur ; adapté quand vous testez toutes les combinaisons possibles
• Games-Howell : pour des variances hétérogènes (Levene significatif)

Comparaisons simples (Simple Effects)

En cas d’interaction significative, les tests post-hoc standards ne sont pas adaptés. SPSS permet les comparaisons simples via la syntaxe /EMMEANS TABLES(A*B) COMPARE(A) ADJ(BONFERRONI), ou via l’option Compare main effects dans le menu Options. Ces comparaisons testent l’effet d’un facteur à chaque niveau de l’autre.

Comment rédiger les résultats dans votre mémoire

La rédaction doit suivre le format APA 7 et inclure tous les indicateurs statistiques nécessaires à la reproductibilité.

Modèle de phrase pour un effet principal

Une ANOVA factorielle 2 (Genre : femme/homme) × 3 (Domaine : sciences/lettres/gestion) a été conduite sur le score de satisfaction. L’effet principal du Genre était significatif, F(1, 114) = 12,34, p = .001, η²p = .09, les femmes (M = 3,82, ET = 0,71) obtenant des scores plus élevés que les hommes (M = 3,41, ET = 0,68).

Modèle de phrase pour une interaction significative

L’effet d’interaction Genre × Domaine était significatif, F(2, 114) = 5,22, p = .007, η²p = .08. L’analyse des effets simples indique que la différence de satisfaction entre femmes et hommes était significative dans le domaine Gestion (F(1, 38) = 18,4, p < .001) mais non significative dans les domaines Sciences (p = .31) et Lettres (p = .18). [Renvoyer au Graphique X pour la visualisation des profils.]

Pour des ressources complémentaires sur la rédaction académique, consultez notre guide sur la méthodologie de recherche et notre article sur l’ACP avec SPSS.

Erreurs fréquentes à éviter

• Interpréter les effets principaux sans vérifier l’interaction : Si l’interaction est significative, les effets principaux sont conditionnels — les interpréter seuls est une erreur méthodologique grave.
• Oublier de rapporter η²p : La significativité statistique seule est insuffisante depuis la révision des normes APA (6ᵉ et 7ᵉ édition).
• Confondre design factoriel et design corrélationnel : L’ANOVA factorielle ne prouve pas la causalité si les groupes ne sont pas constitués aléatoirement.
• Utiliser des tests post-hoc standards en présence d’une interaction : Les tests de Tukey ou Bonferroni s’appliquent aux effets principaux, pas à une interaction — utilisez les comparaisons simples.
• Ne pas vérifier Levene : Si les variances sont hétérogènes et vous l’ignorez, vos p-values sont biaisées.

Questions fréquentes