Comment analyser ses données quantitatives avec SPSS ou Excel pour un mémoire : tutoriel étape par étape (2026)
Vous avez distribué votre questionnaire, récupéré vos réponses et vous vous retrouvez face à un tableur rempli de chiffres — sans savoir par où commencer. Analyser ses données quantitatives pour un mémoire de master est souvent l’étape qui génère le plus d’angoisse, non pas parce qu’elle est impossible, mais parce que personne n’a pris le temps de l’expliquer dans l’ordre. Ce tutoriel vous accompagne de la ligne brute dans Excel jusqu’à la phrase rédigée dans votre chapitre Résultats, en passant par le choix du bon test statistique dans SPSS.
Que vous travailliez sur un mémoire de master 1 en sciences sociales, un master 2 en gestion ou une licence professionnelle, la même logique s’applique : nettoyer les données, choisir le bon test selon vos variables, lire les sorties du logiciel et traduire les chiffres en propos académique. Ce guide suit exactement cet enchaînement.
Étape 1 — Comment préparer et nettoyer vos données dans Excel
Avant tout traitement statistique, vos données doivent être dans un état exploitable. Une base de données mal structurée produit des résultats erronés même si vous maîtrisez parfaitement votre logiciel. Prévoyez vingt à trente minutes pour cette phase de nettoyage, quelle que soit la taille de votre échantillon.
Structurer le tableau de base
Chaque ligne doit représenter un répondant ; chaque colonne, une variable. Nommez vos colonnes sans accents, sans espaces et sans caractères spéciaux (écrivez age, sexe, score_Q1) : SPSS refusera les noms non conformes à l’importation. Évitez les cellules fusionnées et les lignes de sous-titres intercalées dans les données.
Supprimer les doublons
Sous Excel, allez dans Données > Supprimer les doublons, sélectionnez les colonnes identifiantes (par exemple l’adresse e-mail ou l’identifiant de répondant) et confirmez. Pour un contrôle plus fin, utilisez Données > Filtre avancé avec l’option « Extraction sans doublons » vers une nouvelle plage, puis comparez les totaux avant/après.
Traiter les valeurs manquantes
Sélectionnez l’ensemble de votre plage, puis Ctrl+G > Cellules vides pour les mettre en évidence d’un seul coup. Selon leur proportion, vous avez trois options :
- Moins de 5 % par variable : remplacer par la médiane (variables ordinales) ou la moyenne (variables métriques continues), en notant la procédure dans votre section méthode.
- Entre 5 % et 15 % : envisager l’imputation multiple ou l’exclusion listwise selon le logiciel.
- Plus de 15 % : signaler la limite dans votre mémoire et exclure la variable si elle n’est pas centrale.
Standardiser l’encodage textuel
Les variables catégorielles textuelles (« Homme », « homme », « HOMME ») doivent être uniformisées avant l’encodage numérique. Utilisez la formule =PROPER(cellule) pour homogénéiser la casse, =TRIM(cellule) pour éliminer les espaces superflus et =CLEAN(cellule) pour les caractères non imprimables issus d’exports de formulaires en ligne. Une fois uniformisé, convertissez chaque catégorie en code numérique (1 = Homme, 2 = Femme, 3 = Autre) dans une colonne dédiée : c’est cette colonne codée que vous importerez dans SPSS.
Le guide de nettoyage de données proposé par DataCamp détaille également l’usage des mises en forme conditionnelles avec =ISERROR() pour repérer les cellules qui résistent à vos formules de nettoyage.
Étape 2 — Comment importer vos données dans SPSS
SPSS (IBM SPSS Statistics) accepte directement les fichiers Excel .xlsx. Voici la procédure standard pour 2026 :
- Enregistrez votre fichier Excel nettoyé (Fichier > Enregistrer sous > Classeur Excel) avec votre ligne d’en-têtes en ligne 1.
- Dans SPSS, allez dans Fichier > Ouvrir > Données, sélectionnez le type « Excel (*.xlsx) ».
- Cochez « Lire les noms de variables dans la première ligne » et ajustez la plage si nécessaire.
- Vérifiez dans l’onglet Vue des variables que chaque variable a le bon type (Numérique pour les codes, Chaîne pour les textes libres) et le bon niveau de mesure (Nominal, Ordinal ou Échelle).
- Renseignez les étiquettes de valeurs (ex. : 1 = « Homme », 2 = « Femme ») dans la colonne Valeurs : vos tableaux de sortie seront immédiatement lisibles.
Rester sous Excel est une option valide pour les analyses simples (statistiques descriptives, corrélation de Pearson, t-test via l’Utilitaire d’analyse). SPSS devient indispensable dès que vous avez besoin d’une ANOVA à facteurs multiples, d’une régression linéaire avec diagnostics ou d’un test du khi-deux avec tableau de contingence complet. Le tutoriel de référence de Redaxio détaille l’ensemble des menus SPSS pour chaque test.
Étape 3 — Comment choisir le bon test statistique
Le choix du test dépend de deux critères : la nature de vos variables (nominales, ordinales, métriques) et votre question de recherche (décrire, comparer, associer, prédire). Le tableau suivant couvre les cas les plus fréquents en mémoire de master.
| Objectif | Variable indépendante | Variable dépendante | Test recommandé | SPSS : chemin de menu |
|---|---|---|---|---|
| Décrire la distribution | — | Nominale / Ordinale | Effectifs et fréquences | Analyse > Statistiques descriptives > Fréquences |
| Décrire la distribution | — | Métrique (continue) | Moyenne, médiane, écart-type | Analyse > Statistiques descriptives > Descriptives |
| Lien entre deux variables catégorielles | Nominale | Nominale | Khi-deux (χ²) | Analyse > Stat. descriptives > Tableaux croisés > Statistiques |
| Comparer deux groupes indépendants | Nominale (2 modalités) | Métrique | t-test pour échantillons indépendants | Analyse > Comparer les moyennes > Test t pour échantillons indépendants |
| Comparer trois groupes ou plus | Nominale (3+ modalités) | Métrique | ANOVA à un facteur | Analyse > Comparer les moyennes > Analyse de variance à 1 facteur |
| Lien entre deux variables métriques | Métrique | Métrique | Corrélation de Pearson (ou Spearman si non-normale) | Analyse > Corrélation > Bivariée |
| Prédire une variable à partir d’une ou plusieurs | Métrique(s) | Métrique | Régression linéaire | Analyse > Régression > Linéaire |
Conseil pratique : avant tout test comparatif ou de corrélation, vérifiez la normalité de votre distribution avec le test de Shapiro-Wilk (Analyse > Explorer > Graphiques > Tests de normalité). Si la distribution est non-normale et votre échantillon inférieur à 30 répondants, utilisez les équivalents non-paramétriques : test de Mann-Whitney à la place du t-test, test de Kruskal-Wallis à la place de l’ANOVA, corrélation de Spearman à la place de Pearson.
Pour dimensionner votre échantillon en amont, consultez notre guide sur la taille d’échantillon pour un mémoire qualitatif vs quantitatif — un t-test exige au minimum 30 répondants par groupe, une régression multiple entre 10 et 20 observations par prédicteur.
Étape 4 — Comment réaliser les tests dans SPSS et Excel
Dans SPSS : déroulement type
- Vérifier l’hypothèse de normalité : Analyse > Statistiques descriptives > Explorer, cochez « Tests de normalité avec graphiques ».
- Lancer le test principal en suivant le chemin indiqué dans le tableau de décision ci-dessus.
- Lire les tableaux de sortie dans la fenêtre Visionneur : chaque procédure produit plusieurs tableaux. Concentrez-vous sur la colonne « Sig. » (ou « p ») qui donne la probabilité observée.
- Vérifier les postulats du test (homogénéité des variances pour le t-test : si Levene p < 0,05, lisez la ligne « Hypothèse de variances inégales » ; pour l’ANOVA, vérifiez le test de Levene fourni en sortie).
- Exporter les tableaux vers Word via Fichier > Exporter dans le Visionneur (format .docx) ou par copier-coller direct.
Dans Excel : Utilitaire d’analyse
Si SPSS n’est pas disponible, activez l’Utilitaire d’analyse via Fichier > Options > Compléments > Compléments Excel > Utilitaire d’analyse. Vous trouverez ensuite sous Données > Analyse de données : statistiques descriptives, corrélation, régression, test t (deux échantillons supposés de variances égales ou inégales) et ANOVA à un facteur. La limitation principale d’Excel est l’absence de test de Shapiro-Wilk natif et de tableaux de contingence automatisés pour le khi-deux — pour ces analyses, SPSS (ou jamovi, gratuit) reste préférable.
Cas pratique : comparer la satisfaction selon le statut professionnel
Supposons que vous ayez mesuré la satisfaction au travail (score de 1 à 10) auprès de deux groupes : salariés en CDI et salariés en CDD. Votre objectif est de tester si les moyennes diffèrent significativement.
- Variable indépendante : statut (nominale, 2 modalités) → t-test pour échantillons indépendants.
- Dans SPSS : Analyse > Comparer les moyennes > Test t pour échantillons indépendants. Glissez
satisfactiondans « Variable(s) de test »,statutdans « Variable de regroupement », définissez les groupes (1 et 2). - Lisez le tableau « Test de Levene pour l’égalité des variances » : si p > 0,05, reportez-vous à la ligne « Hypothèse de variances égales » ; sinon à « Hypothèse de variances inégales ».
- Note la valeur t, les degrés de liberté et la valeur Sig. (bilatérale).
Étape 5 — Comment interpréter les résultats (p-value et intervalles de confiance)
La valeur p (ou « Sig. » dans SPSS) exprime la probabilité d’observer un résultat au moins aussi extrême que celui obtenu si l’hypothèse nulle était vraie. La convention académique standard est :
- p < 0,05 : résultat statistiquement significatif au seuil de 5 % — vous pouvez rejeter l’hypothèse nulle.
- p < 0,01 : significatif au seuil de 1 % (résultat plus robuste).
- p > 0,05 : absence de significativité statistique — ne signifie pas l’absence d’effet, mais que vos données ne permettent pas de le confirmer avec ce niveau de confiance.
Les intervalles de confiance à 95 % sont systématiquement fournis par SPSS pour les différences de moyennes et les coefficients de régression. Un intervalle de confiance [IC 95 %] qui ne contient pas zéro confirme la significativité de l’effet. Préférez rapporter l’IC plutôt que de vous limiter à p : les jurys de master apprécient cette précision, car elle renseigne sur la taille et la direction de l’effet.
Taille de l’effet : la significativité statistique ne renseigne pas sur l’importance pratique d’un effet. Complétez systématiquement par une mesure de taille d’effet :
- Khi-deux → V de Cramér (disponible dans SPSS via Tableaux croisés > Statistiques > Phi et V de Cramér).
- t-test → d de Cohen (calculer manuellement : différence des moyennes divisée par l’écart-type poolé).
- ANOVA → η² (êta carré) ou ω² : dans SPSS, cochez « Estimation de la taille d’effet » dans les options de l’ANOVA.
- Régression → R² (coefficient de détermination, affiché directement dans le tableau Récapitulatif du modèle).
Pour aller plus loin sur la mise en forme des tableaux de résultats selon les normes APA 7, consultez notre guide sur comment présenter les résultats d’un mémoire avec des tableaux et figures.
Étape 6 — Comment rédiger les résultats en prose académique
La rédaction de la section Résultats suit une logique immuable : annoncer le test utilisé, rapporter les statistiques dans l’ordre conventionnel, conclure sur la significativité, puis interpréter brièvement — sans anticiper la discussion.
Formulations types par test
Statistiques descriptives :
« Les participants présentent un score moyen de satisfaction de 6,8 (ET = 1,4, n = 87). La distribution est approximativement symétrique (asymétrie = −0,21). »
Khi-deux :
« L’analyse de l’indépendance entre le genre et le choix de filière révèle une association statistiquement significative, χ²(2, N = 120) = 8,43, p = 0,015, V de Cramér = 0,27. »
t-test :
« Les salariés en CDI obtiennent un score de satisfaction significativement plus élevé (M = 7,2, ET = 1,1) que les salariés en CDD (M = 5,9, ET = 1,6), t(98) = 4,12, p < 0,001, IC 95 % [0,68 ; 1,92], d = 0,94. »
ANOVA :
« L’analyse de variance indique un effet significatif du niveau d’études sur le score d’engagement, F(2, 117) = 6,78, p = 0,002, η² = 0,10. Les comparaisons post-hoc (Tukey) révèlent que les diplômés de master diffèrent significativement des titulaires d’un bac+2 (p = 0,004). »
Régression linéaire :
« Le modèle de régression explique 34 % de la variance du score de performance (R² = 0,34, F(3, 86) = 14,7, p < 0,001). L’ancienneté (β = 0,42, p < 0,001) et la formation continue (β = 0,28, p = 0,012) sont des prédicteurs significatifs. »
Notez que les valeurs numériques présentées dans ces formulations-types sont des exemples illustratifs de format de rédaction, non des données empiriques issues d’une étude publiée. Elles vous servent de modèle de mise en forme.
La méthodologie quantitative guide proposée par Expert Mémoire insiste également sur l’importance de contextualiser chaque résultat par rapport à la littérature avant d’entrer dans la section Discussion — une frontière que les étudiants franchissent trop souvent involontairement.
Pour structurer l’ensemble de votre démarche scientifique, reportez-vous à notre article sur comment justifier le choix de sa méthodologie dans un mémoire en 2026.
L’assistant IA Tesify structure automatiquement votre chapitre Résultats à partir de vos données et génère les tableaux APA conformes. Commencer gratuitement →
FAQ — Questions fréquentes sur l’analyse des données quantitatives pour un mémoire
Quelle est la différence entre SPSS et Excel pour analyser des données de mémoire ?
Excel suffit pour les statistiques descriptives (moyenne, médiane, écart-type, histogrammes) et les tests simples disponibles via l’Utilitaire d’analyse (t-test, corrélation, régression simple). SPSS est indispensable dès que vous avez besoin d’un khi-deux avec tableau de contingence complet, d’une ANOVA avec tests post-hoc, d’une régression multiple avec diagnostics de multicolinéarité ou de tests de normalité (Shapiro-Wilk, Kolmogorov-Smirnov). Pour un mémoire de master 2 avec une démarche hypothético-déductive rigoureuse, SPSS est fortement conseillé.
Combien de répondants faut-il pour que les résultats soient significatifs ?
Le minimum absolu est de 30 répondants par groupe pour un t-test. Pour une ANOVA à trois groupes, prévoyez 30 répondants par modalité (soit 90 au total). Pour une régression multiple avec trois prédicteurs, la règle empirique de 10 observations par prédicteur recommande au moins 30 répondants, mais 50 ou plus offre une puissance statistique satisfaisante. Un khi-deux requiert que chaque cellule du tableau de contingence contienne au moins 5 effectifs théoriques — ce qui dépend de votre croisement de variables.
Comment interpréter un p-value supérieur à 0,05 dans mon mémoire ?
Un p > 0,05 ne signifie pas que votre hypothèse est fausse ni que votre mémoire est raté. Cela signifie que vos données ne fournissent pas suffisamment de preuves statistiques pour rejeter l’hypothèse nulle au seuil de 5 %. Vous pouvez rédiger : « Les analyses n’ont pas permis de mettre en évidence un effet statistiquement significatif (p = 0,12). Cette absence de résultat significatif pourrait s’expliquer par une puissance statistique limitée liée à la taille de l’échantillon (n = 42). » Discutez les pistes dans votre section Limites.
Peut-on utiliser jamovi à la place de SPSS pour un mémoire ?
Oui, jamovi est une alternative gratuite et open source qui couvre la quasi-totalité des tests disponibles dans SPSS (t-test, ANOVA, régression, corrélation, khi-deux, tests non-paramétriques). Son interface est plus intuitive et ses sorties sont préformatées selon les normes APA. Un nombre croissant d’universités françaises l’acceptent dans les mémoires de master. Vérifiez les consignes de votre directeur de recherche avant de l’utiliser : certains programmes exigent spécifiquement SPSS.
Comment présenter les tableaux SPSS dans le corps du mémoire ?
Les tableaux SPSS bruts (avec leur fond gris et leurs polices par défaut) ne s’insèrent pas directement dans un mémoire. Recréez-les sous Word ou Excel en respectant le format APA 7 : pas de lignes verticales, en-tête en gras, note explicative sous le tableau commençant par « Note. ». N’exportez que les statistiques essentielles (moyennes, écarts-types, valeur du test, degrés de liberté, p-value, taille d’effet) — les tableaux complets peuvent figurer en annexe. Consultez notre guide sur la présentation des résultats avec tableaux et figures pour les formats exacts.
Quel test utiliser pour analyser des données d’une échelle de Likert ?
Les items d’une échelle de Likert sont techniquement ordinaux, mais la pratique académique courante en sciences sociales traite les scores agrégés (somme ou moyenne de plusieurs items) comme des variables métriques continues, autorisant ainsi les tests paramétriques (t-test, ANOVA, corrélation de Pearson). Si vous analysez un item isolé ou si votre échantillon est inférieur à 30, préférez les tests non-paramétriques équivalents. Assurez-vous de valider au préalable la fiabilité de votre échelle (alpha de Cronbach dans SPSS : Analyse > Échelle > Analyse de fiabilité).
Comment corriger une distribution non-normale avant d’effectuer des tests paramétriques ?
Trois approches sont courantes dans les mémoires de master. Première option : transformer la variable (logarithme, racine carrée) pour l’approcher d’une distribution normale — notez et justifiez la transformation dans votre section méthode. Deuxième option : utiliser les équivalents non-paramétriques (Mann-Whitney, Kruskal-Wallis, Spearman) sans transformation. Troisième option : invoquer le théorème central-limite si n > 30 par groupe, qui garantit la normalité asymptotique de la distribution des moyennes. La troisième option est la plus courante et la plus acceptée dans les mémoires de master en sciences sociales.
Leave a Reply