Vous avez choisi les lettres, l’histoire, les sciences de l’éducation ou le droit — au moins en partie parce que les mathématiques n’y occupaient plus le premier rang. Et voilà que votre mémoire de master repose sur un questionnaire de 180 répondants, que votre directeur parle de « tester vos hypothèses », et que quelqu’un a prononcé le mot ANOVA.
Vous n’êtes pas une exception. Vous êtes la majorité : à la rentrée 2024, 40,8 % des étudiants inscrits en diplôme de master relèvent des lettres, langues et sciences humaines, et 33,0 % du droit, des sciences économiques et de l’AES — près de trois masterants sur quatre. Ce sont précisément les disciplines où l’enquête par questionnaire est reine et où la formation statistique initiale est la plus légère.
Voici ce dont vous avez réellement besoin, et surtout ce dont vous n’avez pas besoin.
Vous n’avez pas à devenir statisticien
C’est le malentendu qui fait perdre le plus de temps. Personne n’attend de vous que vous démontriez un théorème, que vous compreniez pourquoi une distribution converge, ou que vous sachiez d’où sort la formule d’un écart-type.
Aucun calcul ne se fait à la main dans un mémoire de master. Le logiciel calcule. Ce qu’on vous demande est d’un autre ordre, et c’est de la logique, pas de l’arithmétique : savoir quel outil répond à quelle question, savoir ce qu’il suppose, et savoir ce que son résultat autorise à conclure.
Autrement dit, exactement le type de raisonnement qu’une formation littéraire entraîne très bien.
Les six compétences qui suffisent
1. Savoir de quel type est chacune de vos variables
Continue, ordinale ou catégorielle. Rien de plus. Ce classement détermine à lui seul quels tests sont possibles, et c’est la compétence la plus rentable de la liste : la majorité des impasses de fin de mémoire viennent d’une variable mesurée dans un format qui interdit l’analyse prévue.
2. Savoir associer une question à un test
Comparer deux groupes, comparer trois groupes ou plus, mesurer un lien entre deux variables continues, croiser deux variables catégorielles, prédire une variable à partir de plusieurs autres. Cinq familles de questions, cinq familles de tests. Vous n’avez pas à connaître les vingt tests existants : vous avez à savoir dans quelle famille vous êtes.
3. Savoir lire trois nombres dans une sortie
Une sortie logicielle affiche des dizaines de valeurs, et trois suffisent presque toujours : la statistique du test, la valeur de p, et une mesure de la taille d’effet. Apprenez à les localiser dans le tableau que votre logiciel produit, et l’essentiel est acquis.
4. Savoir quoi faire quand une condition n’est pas remplie
C’est la compétence qui distingue un mémoire solide d’un mémoire fragile — et la seule qui demande un peu d’anticipation. Les tests supposent des conditions : normalité, égalité des variances, indépendance. Elles ne seront pas toutes remplies, et ce n’est pas un problème tant que vous savez vers quoi basculer. Notre annuaire des conditions et de leurs plans de secours est conçu pour être gardé ouvert à côté de vous.
5. Savoir écrire la phrase
Un résultat n’existe pas tant qu’il n’est pas rédigé. La forme est conventionnelle, donc apprenable une fois pour toutes : notre annuaire des phrases à écrire pour chaque test donne un gabarit par situation. C’est la partie où votre formation vous avantage nettement.
6. Savoir dire ce que vous ne pouvez pas conclure
Sous-estimée, et pourtant très valorisée en soutenance. Distinguer une association d’une causalité, reconnaître qu’un résultat non significatif n’est pas une preuve d’absence, énoncer les limites de son échantillon : rien de tout cela n’est mathématique. C’est de l’honnêteté intellectuelle, et un jury la repère immédiatement.
Les trois réflexes à abandonner tout de suite
Vouloir comprendre les formules avant de commencer. C’est la façon la plus efficace de perdre trois semaines. On apprend à lire une sortie logicielle en la lisant, pas en remontant à sa dérivation mathématique. Commencez par une analyse réelle sur vos propres données ; la compréhension viendra par l’usage.
Lancer des tests « pour voir ». Cliquer partout jusqu’à trouver une étoile de significativité produit mécaniquement des faux positifs, et cela se voit dans un mémoire — parce que les analyses présentées ne correspondent plus aux hypothèses annoncées. Décidez avant, avec un plan d’analyse écrit avant la collecte.
Déléguer entièrement à quelqu’un d’autre. Compréhensible, et risqué : vous devrez défendre chaque choix en soutenance, et la question « pourquoi ce test-là ? » arrive toujours. Faire relire ses résultats par quelqu’un de compétent est en revanche une excellente idée — à condition d’avoir conduit les analyses soi-même.
Le fichier de départ : cinq règles de saisie
Voici la partie dont personne ne parle et qui coûte le plus de temps. Un logiciel de statistiques n’analyse pas un tableau mis en forme pour être lu par un humain ; il attend une structure précise.
- Une ligne = un individu, une colonne = une variable. Jamais de sous-tableaux, jamais de cellules fusionnées, jamais de lignes de titre au milieu du fichier. Si vous avez mesuré la même personne à trois moments, cela fait trois colonnes, pas trois lignes.
- Une seule ligne d’en-tête, en haut, avec des noms de colonnes courts, sans espaces ni accents :
age,sexe,satisf_1,satisf_2. - Une colonne d’identifiant en première position, avec un numéro unique par répondant. C’est elle qui vous permettra de retrouver un questionnaire papier lorsqu’une valeur paraîtra suspecte — le geste central du traitement des valeurs aberrantes.
- Coder les réponses en chiffres, et tenir un dictionnaire des codes à côté : 1 = femme, 2 = homme, 3 = autre. Ne mélangez jamais du texte et des nombres dans une même colonne, y compris pour un « NSP ».
- Laisser une cellule vide pour une non-réponse. Surtout pas un zéro, qui serait lu comme une valeur réelle, ni un tiret, qui transformerait la colonne en texte. La distinction entre vide et zéro conditionne tout le traitement des données manquantes.
Une heure passée à construire le fichier correctement en économise dix par la suite. Si vos données viennent d’un formulaire en ligne, l’export est généralement déjà dans ce format : ne le « rangez » pas.
Choisir un logiciel qui ne vous combatte pas
La règle d’or : utilisez ce que votre département enseigne, parce que c’est ce sur quoi on pourra vous dépanner à 23 heures la veille d’un rendu. Un outil moins pratique mais soutenu vaut mieux qu’un outil idéal utilisé seul.
À défaut de consigne, privilégiez une interface graphique. JASP et jamovi sont gratuits, se pilotent à la souris, affichent les résultats déjà mis en forme, et donnent exactement les mêmes valeurs que les logiciels payants. Un langage de programmation est un excellent investissement si vous poursuivez en recherche, et un détour coûteux si votre horizon est la soutenance de juin.
Dans tous les cas, indiquez le logiciel et sa version dans votre méthodologie : c’est attendu, et c’est une ligne.
Un calendrier réaliste
Les proportions surprennent souvent, et c’est précisément pour cela qu’il faut les connaître :
- Préparer le fichier : environ une semaine. Presque toujours sous-estimé.
- Lancer les analyses : deux à trois jours. Presque toujours surestimé — une fois le plan d’analyse écrit et le fichier propre, la manipulation est rapide.
- Rédiger le chapitre résultats : une à deux semaines.
- Rédiger la discussion : au moins autant.
Autrement dit, la statistique proprement dite occupe une fraction minime du temps total. Ce qui prend du temps, c’est ce qui l’entoure : préparer, puis écrire. Et l’écriture est votre terrain.
Une remarque sur la taille de l’échantillon, puisqu’elle inquiète : mieux vaut la calculer avant de collecter, avec un calcul de puissance, que la subir après. Et si votre échantillon reste modeste, ce n’est pas une faute — c’est une limite à énoncer. Ce que les jurys sanctionnent n’est jamais un petit échantillon, c’est un petit échantillon présenté comme s’il permettait de généraliser.
Votre avantage réel
Terminons par ce que personne ne vous dira. Un mémoire quantitatif n’est pas jugé sur la sophistication de ses tests. Il est jugé sur la qualité de son raisonnement : la façon dont la question de recherche devient une hypothèse, dont l’hypothèse devient une mesure, et dont le résultat est interprété avec la prudence qui convient.
Un étudiant issu d’une formation littéraire qui applique correctement un test t et l’écrit avec rigueur rendra un meilleur mémoire qu’un étudiant qui empile des modèles sophistiqués sans savoir ce qu’ils supposent. La partie difficile de votre mémoire n’est pas celle que vous redoutez.
Tesify vous accompagne sur cette partie-là : structurer le chapitre méthodologie et le chapitre résultats, transformer une sortie logicielle en paragraphe académique, et maintenir une terminologie cohérente entre vos hypothèses, vos analyses et votre discussion. Vos données et vos analyses restent les vôtres, et le texte est écrit à 100 % par vous.
Rédiger votre mémoire quantitatif avec Tesify
Questions fréquentes
Faut-il être bon en mathématiques pour faire un mémoire quantitatif ?
Non. Aucun calcul ne se fait à la main : le logiciel s’en charge intégralement. Ce qui est évalué relève de la logique — quel test répond à quelle question, quelles conditions il suppose, ce que son résultat permet de conclure. Beaucoup d’étudiants excellents en mathématiques rendent des mémoires quantitatifs médiocres parce qu’ils négligent précisément cette couche de raisonnement.
Mon directeur ne connaît pas les statistiques : comment faire ?
C’est fréquent en sciences humaines, et gérable. Cherchez une seconde ressource : un enseignant de méthodologie de votre département, la bibliothèque universitaire qui propose souvent des ateliers, ou un doctorant de votre laboratoire. Présentez votre plan d’analyse sur une page plutôt que votre mémoire entier : c’est un format qu’on peut relire en dix minutes, et vous obtiendrez beaucoup plus facilement un avis.
Puis-je faire un mémoire mixte, à la fois qualitatif et quantitatif ?
Oui, et c’est souvent pertinent en sciences humaines. Attention toutefois au volume : une approche mixte demande de mener deux collectes et deux analyses dans le même temps imparti. En master, mieux vaut un volet quantitatif modeste mais bien conduit, complété par quelques entretiens, qu’une ambition double mal terminée.
Que faire si je découvre en cours de route que mes données ne permettent pas mon analyse ?
Ne le cachez pas : documentez-le. Écrivez ce qui était prévu, pourquoi cela n’a pas été possible, et ce que vous avez fait à la place. Ce paragraphe démontre exactement la lucidité méthodologique attendue à ce niveau. Ce qui est sanctionné, c’est le silence sur un changement de plan, jamais le changement lui-même.
Combien de tests faut-il pour un mémoire de master ?
Aussi peu que votre problématique en exige — souvent trois à cinq, un par hypothèse. Multiplier les analyses ne renforce pas un mémoire : cela dilue le propos et augmente le risque de résultats significatifs par hasard. Trois tests bien choisis, bien conduits et bien rédigés valent mieux que quinze tableaux dont personne ne saisit l’articulation.