Le seuil de significativité et la p-value dans un mémoire : interpréter sans se tromper (2026)

La p-value est la probabilité d’observer un résultat au moins aussi extrême que celui obtenu, si l’hypothèse nulle était vraie. Le seuil de significativité, noté α, est la valeur limite fixée à l’avance — conventionnellement 0,05 — en dessous de laquelle on rejette l’hypothèse nulle.

Que signifie exactement une p-value ?

La formulation exacte compte, car c’est sur elle que se jouent la plupart des erreurs. La p-value répond à cette question : si l’hypothèse nulle était vraie, quelle serait la probabilité d’observer des données au moins aussi éloignées de cette hypothèse que celles que j’ai obtenues ?

Deux éléments méritent d’être soulignés. D’abord, la p-value est calculée en supposant l’hypothèse nulle vraie : c’est un raisonnement conditionnel. Ensuite, elle porte sur la probabilité des données, pas sur celle de l’hypothèse.

Une p-value de 0,03 signifie donc : « si aucun effet n’existait réellement, j’aurais 3 % de chances d’observer un écart au moins aussi marqué que celui-ci ». Cet écart étant peu probable sous l’hypothèse nulle, on choisit de la rejeter. Ce que la valeur ne dit pas, c’est qu’il y a 97 % de chances que votre hypothèse soit vraie — cette phrase, très répandue, est fausse.

Pourquoi le seuil de 0,05 ?

Le seuil de 0,05 est une convention, pas une propriété mathématique. Il s’est imposé historiquement dans les sciences expérimentales et sociales comme un compromis acceptable entre deux risques opposés.

Abaisser α à 0,01 réduit le risque de faux positif mais augmente celui de manquer un effet réel. Le relever à 0,10 fait l’inverse. Certaines disciplines emploient d’ailleurs des seuils différents : 0,01 quand les conséquences d’un faux positif sont lourdes, 0,10 en recherche exploratoire.

La règle absolue est que le seuil se fixe avant l’analyse. Ajuster α après avoir vu les résultats pour faire passer un test constitue une faute méthodologique caractérisée. Le dimensionnement de l’échantillon, qui conditionne la puissance, se traite en amont — voir notre guide pour calculer la taille d’échantillon avec G*Power.

Quels sont les contresens à éviter ?

Quatre erreurs reviennent avec une régularité frappante dans les mémoires, et chacune est immédiatement repérée par un jury attentif.

Le deuxième point est le plus insidieux. Avec un échantillon très grand, un écart minuscule et sans aucune portée pratique devient statistiquement significatif. Inversement, un effet substantiel peut rester non significatif sur un petit échantillon. Significativité statistique et importance pratique sont deux questions distinctes.

Que faire d’un résultat non significatif ?

C’est la situation qui inquiète le plus les étudiants, souvent à tort. Un résultat non significatif n’invalide pas un mémoire : il invalide seulement l’idée qu’un mémoire devrait « prouver » quelque chose.

La formulation correcte consiste à dire que les données ne permettent pas de rejeter l’hypothèse nulle — et non qu’elles démontrent l’absence de relation. La nuance n’est pas cosmétique : plusieurs explications restent ouvertes, et les distinguer constitue une partie substantielle de votre discussion.

• l’effet n’existe pas dans la population ;
• l’effet existe mais votre échantillon manquait de puissance pour le détecter ;
• votre mesure était trop imprécise ou peu valide ;
• un facteur non contrôlé a masqué la relation.

Un mémoire qui analyse honnêtement pourquoi l’effet attendu n’apparaît pas est régulièrement mieux noté qu’un mémoire qui force une conclusion. C’est même l’occasion de démontrer une réelle maîtrise méthodologique.

Pourquoi faut-il aussi rapporter la taille d’effet ?

Puisque la p-value ne renseigne pas sur l’ampleur du phénomène, elle doit être accompagnée d’un indicateur de taille d’effet. C’est aujourd’hui une exigence explicite dans de nombreuses disciplines, et son absence est fréquemment relevée.

Le couple à retenir est simple : la p-value dit si l’on peut conclure à un effet, la taille d’effet dit combien il compte. Les deux sont nécessaires. Sur le choix du test lui-même, voir notre article sur le test t de Student et le test de Mann-Whitney, ainsi que celui consacré au test du khi-deux sur tableau croisé.

Le problème des comparaisons multiples

Voici un piège rarement anticipé. Si vous réalisez vingt tests au seuil de 0,05, vous devez statistiquement vous attendre à environ un résultat significatif par pur hasard, même en l’absence totale d’effet réel.

Le danger est concret : un étudiant qui croise toutes ses variables « pour voir » finira par trouver quelque chose, puis construira une interprétation autour d’un artefact. Cette pratique porte un nom en méthodologie et elle est considérée comme une faute.

Deux parades existent. La première consiste à déclarer ses hypothèses à l’avance et à limiter les tests à celles-ci — la plus simple et la plus solide dans un mémoire. La seconde consiste à appliquer une correction pour comparaisons multiples, qui abaisse le seuil en fonction du nombre de tests. Si vous menez des analyses exploratoires supplémentaires, présentez-les explicitement comme telles.

Comment rédiger ses résultats ?

Les conventions de présentation sont assez stables d’une discipline à l’autre, et les respecter signale immédiatement une bonne maîtrise.

• Rapportez la valeur exacte de p (p = 0,032) plutôt qu’une inégalité vague, sauf pour les très petites valeurs, notées p < 0,001.
• Indiquez la statistique du test et les degrés de liberté, pas seulement la p-value.
• Ajoutez systématiquement la taille d’effet.
• Réservez le mot « significatif » à son sens statistique ; employez « important » ou « marqué » pour l’ampleur.
• Présentez les résultats de façon neutre dans la partie Résultats ; l’interprétation appartient à la Discussion.

Une dernière précaution concerne les conditions d’application. Un test employé hors de ses conditions produit une p-value qui n’a pas de sens, même si le logiciel l’affiche sans broncher. La vérification de la normalité, notamment, se traite en amont — voir notre article sur le test de Shapiro-Wilk et l’interprétation de la normalité.

Questions fréquentes