Étiquette : mémoire de master

Auto-created tag: mémoire de master

Vous avez mesuré trois choses : trois ANOVA ou une MANOVA ? (2026)
Votre questionnaire produit trois scores : engagement, épuisement, satisfaction. Vous comparez deux groupes. Vous vous apprêtez à lancer trois tests, et votre directeur prononce le mot : « ce serait plutôt une MANOVA ».

Vous notez, et vous rentrez chez vous avec une question à laquelle aucun manuel ne répond en une page : qu’est-ce que ce modèle apporte, et est-ce que votre situation le justifie ?

La réponse courte

Une MANOVA se justifie quand vos variables dépendantes forment un ensemble conceptuel, sont modérément corrélées, et que votre hypothèse porte sur cet ensemble.

Si vos trois mesures sont conceptuellement indépendantes — un score, un délai, un nombre —, trois analyses séparées, annoncées à l’avance dans la méthodologie, sont plus lisibles et parfaitement défendables. La MANOVA n’est pas une version supérieure de l’ANOVA ; c’est une réponse à une question différente.

L’argument que tout le monde donne, et qui ne suffit pas

La justification qu’on entend systématiquement est celle de l’inflation du risque : trois tests à 5 % ne font pas un test à 5 %. C’est exact, c’est traité en détail dans notre article sur le seuil de signification et la p-value, et ce n’est pas la bonne raison de choisir une MANOVA — parce qu’une simple correction du seuil réglerait le problème sans changer de modèle.

La vraie raison est ailleurs, et elle est plus intéressante.

Ce que la MANOVA teste réellement

Le modèle ne teste pas vos trois variables l’une après l’autre. Il construit une combinaison linéaire de vos variables dépendantes — une variable synthétique optimisée pour séparer au mieux les groupes — puis teste si les groupes diffèrent sur cette combinaison.

La conséquence est contre-intuitive et c’est tout l’intérêt de la méthode : deux groupes peuvent ne différer significativement sur aucune variable prise isolément, et différer nettement sur leur combinaison.

Sur chaque axe pris seul, les distributions se recouvrent largement. Dans le plan, les deux groupes se séparent nettement. C’est exactement ce que la MANOVA détecte.

Concrètement : un groupe peut se caractériser non par un engagement plus élevé ni par un épuisement plus faible, mais par une configuration particulière des deux. C’est un résultat que trois ANOVA séparées ne peuvent structurellement pas produire.

L’inverse est vrai aussi, et il faut le savoir avant de se lancer : si vos variables dépendantes sont très fortement corrélées, elles portent la même information et la MANOVA n’ajoute rien — mieux vaut alors les agréger en un score unique après avoir vérifié sa cohérence par un alpha de Cronbach.

Les trois conditions du choix
1. Cohérence conceptuelle. Vos variables dépendantes doivent relever du même champ théorique. Mettre ensemble un score de bien-être et un nombre d’absences produit une combinaison linéaire que personne ne saura interpréter.
2. Corrélation modérée. L’intervalle utile se situe grossièrement entre 0,2 et 0,7. En dessous, la MANOVA perd de la puissance par rapport à des analyses séparées ; au-dessus, vos variables sont redondantes. Vérifiez la matrice avec nos corrélations de Pearson et de Spearman avant de décider.
3. Une hypothèse sur l’ensemble. « Les deux groupes se distinguent-ils par leur profil sur ces trois dimensions ? » appelle une MANOVA. « L’épuisement est-il plus élevé dans le groupe A ? » n’en appelle pas.
Si vos dimensions viennent d’une analyse factorielle exploratoire, un point de vigilance : des scores factoriels issus d’une rotation orthogonale sont par construction peu corrélés, ce qui affaiblit précisément l’argument de la MANOVA.

La procédure sous SPSS

Analyse → Modèle linéaire général → Multivarié. Placez vos variables dépendantes dans la première boîte, votre facteur en facteur fixe. Dans Options, cochez les statistiques descriptives, les estimations de la taille d’effet et les tests d’homogénéité.

La sortie centrale s’appelle Tests multivariés et présente quatre statistiques : trace de Pillai, lambda de Wilks, trace de Hotelling et plus grande racine de Roy. Elles répondent à la même question par des chemins différents.
- Le lambda de Wilks est le plus souvent rapporté, par convention.
- La trace de Pillai est la plus robuste aux violations d’hypothèses et aux groupes de tailles inégales. C’est celle à privilégier dans un mémoire dès que vos effectifs sont déséquilibrés — en disant pourquoi.
Avec deux groupes seulement, les quatre statistiques donnent exactement le même p ; le choix ne se pose vraiment qu’à partir de trois groupes.

Les conditions à vérifier

Le test M de Box évalue l’égalité des matrices de covariance entre groupes. Il apparaît dès que vous cochez les tests d’homogénéité, et il est extrêmement sensible : sur un grand échantillon ou avec une légère non-normalité, il devient significatif pour un écart trivial. La pratique courante consiste à l’évaluer à un seuil très strict, de l’ordre de 0,001, et à rapporter la trace de Pillai s’il est franchi alors que les effectifs sont comparables.

Les valeurs atypiques multivariées sont l’autre point sensible. Un participant peut être parfaitement banal sur chacune de vos variables et complètement atypique dans leur combinaison — engagement très haut avec épuisement très haut, par exemple. La distance de Mahalanobis, calculable en enregistrant les distances dans le menu de régression, est l’outil standard pour les repérer.

L’indépendance des observations reste, ici comme ailleurs, la condition la plus discrète : si vos participants sont imbriqués dans des classes ou des services, aucune statistique multivariée ne le corrigera. Voyez notre article sur les données groupées.

Le piège de la descente

Votre MANOVA est significative. Le réflexe universel consiste à enchaîner trois ANOVA univariées pour voir « d’où ça vient ».

La descente vers les analyses univariées est l’étape où l’argument initial se retourne contre lui-même.

Le problème est logique : vous avez choisi la MANOVA pour éviter de multiplier les tests, et vous multipliez les tests immédiatement après. La protection que le test multivarié était censé fournir ne s’étend pas automatiquement aux analyses de suivi.

Deux voies cohérentes.

La voie simple : conduisez les analyses univariées, mais appliquez une correction explicite du seuil et annoncez-la dans la méthodologie. C’est acceptable, et c’est honnête.

La voie cohérente : passez à une analyse discriminante (Analyse → Classification → Analyse discriminante). C’est le prolongement naturel de la MANOVA : au lieu de redescendre variable par variable, elle décrit la combinaison qui sépare les groupes, en indiquant le poids de chaque variable dans cette séparation. Vous restez au niveau où la question a été posée. Le rapprochement avec les démarches de typologie n’est pas fortuit : dans les deux cas, l’objet est un profil, pas une variable isolée.

Et si vous avez aussi une covariable ?

Le modèle s’appelle alors MANCOVA, et il se déclare dans la même boîte de dialogue en ajoutant la covariable. Le cas typique est un plan avant-après sur plusieurs dimensions : les scores initiaux entrent en covariables, les scores finaux en variables dépendantes. La logique de l’ajustement est celle décrite dans notre article sur l’ANCOVA en plan pré-test / post-test, transposée à plusieurs mesures simultanées — avec la même condition d’homogénéité des pentes, à vérifier pour chaque variable dépendante.

Rédiger le résultat

MANOVA significative : « Une analyse multivariée de la variance a été conduite sur les trois dimensions du questionnaire, dont les corrélations bivariées s’échelonnent de 0,31 à 0,58. Le test M de Box est non significatif (p = 0,214) et les effectifs sont comparables. L’effet du groupe sur l’ensemble des trois dimensions est significatif, trace de Pillai = 0,14, F(3, 182) = 9,87, p < 0,001, η²p = 0,14. »

Décision de ne pas faire de MANOVA : « Les trois variables dépendantes relevant de construits distincts et faiblement corrélées entre elles (r maximal = 0,17), une approche multivariée n’a pas été retenue. Trois analyses univariées, annoncées a priori, ont été conduites avec un seuil ajusté pour tenir compte de leur nombre. »

La seconde phrase vaut la première : refuser une méthode avec un argument chiffré est un résultat méthodologique, pas un aveu.

Les erreurs qui coûtent cher
- Empiler les variables dépendantes pour « voir ce qui sort ». Chaque variable ajoutée coûte de la puissance ; une MANOVA à sept variables dépendantes sur 90 participants ne détectera rien.
- Rapporter les quatre statistiques multivariées. Choisissez-en une, justifiez-la, tenez-vous-y.
- Conclure de la MANOVA à chaque variable. Un effet multivarié significatif ne signifie pas que chaque dimension diffère.
- Ignorer le sens de la combinaison. Si vous ne pouvez pas dire ce que la combinaison représente, votre résultat n’est pas interprétable.
- Confondre plusieurs variables dépendantes et plusieurs facteurs. Deux facteurs croisés avec une seule variable dépendante relèvent de l’ANOVA factorielle, pas de la MANOVA.
- Se tromper de famille de modèle. Si l’une de vos variables dépendantes est binaire, ordinale ou un comptage, elle n’a pas sa place dans une MANOVA : notre annuaire de l’analyse selon le type de variable dépendante permet de vérifier ce point avant de construire le modèle.
Écrire le chapitre qui va avec, sans y passer trois semaines

La MANOVA est un cas où l’analyse est courte et la rédaction longue. Il faut justifier le choix du modèle avant les résultats, expliquer ce que teste une combinaison linéaire à un lecteur qui ne le sait pas, choisir et défendre une statistique multivariée, décider de la stratégie de suivi et s’y tenir, puis interpréter un profil plutôt qu’une variable — le tout en gardant les mêmes termes du chapitre méthode à la discussion.

Tesify travaille avec vous exactement sur ce passage. L’outil structure le chapitre à partir de vos propres décisions d’analyse, tient une terminologie constante d’un bout à l’autre du mémoire, et rédige avec vous les paragraphes de justification qui font la différence à la lecture du jury. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

Rédiger votre chapitre résultats avec Tesify

Questions fréquentes

Combien de participants faut-il pour une MANOVA ?

La contrainte absolue est qu’il faut, dans le plus petit groupe, davantage de participants que de variables dépendantes — faute de quoi le modèle n’est pas estimable. C’est un plancher technique, pas une recommandation : en pratique il faut nettement plus pour une puissance raisonnable, et chaque variable dépendante ajoutée renchérit l’exigence. Traitez la question au moment du calcul d’effectif, pas après la collecte.

Peut-on faire une MANOVA avec deux groupes seulement ?

Oui. Les quatre statistiques multivariées coïncident alors, et le test équivaut au T² de Hotelling, la généralisation multivariée du test t. La procédure SPSS est la même.

La MANOVA remplace-t-elle une correction de seuil ?

Non, et c’est le malentendu le plus répandu. Elle protège le test global, pas les analyses de suivi. Si vous redescendez vers des ANOVA univariées, la question du seuil se repose intégralement.

Mon test de Box est significatif : dois-je abandonner ?

Pas nécessairement. Ce test est très sensible à l’effectif et à la non-normalité, ce qui explique qu’on l’évalue usuellement à un seuil très strict. Avec des groupes de tailles comparables, un résultat significatif reste tolérable si vous rapportez la trace de Pillai et si vous mentionnez la limite. Avec des groupes très déséquilibrés, la prudence s’impose davantage.

Puis-je faire une MANOVA sur des mesures répétées ?

Il faut distinguer deux situations que le vocabulaire confond. Mesurer trois variables différentes sur les mêmes personnes relève bien de la MANOVA. Mesurer la même variable à trois moments relève d’un plan intra-sujets, avec ses conditions propres. Si vous avez les deux à la fois, le plan devient un modèle multivarié à mesures répétées, et il faut l’annoncer comme tel.
août 26, 2026

Annuaire 2026 : chaque tableau de sortie SPSS, ce qu’il dit et le chiffre à recopier

Vous avez lancé la procédure. SPSS a produit sept tableaux. Sur la centaine de nombres affichés, votre mémoire en utilisera cinq — et le reste sert à vérifier des conditions ou n’a aucun intérêt pour vous.

Cet annuaire range les sorties dans l’ordre où elles apparaissent, par famille d’analyse. Pour chacune : ce que le tableau dit, quel nombre recopier, et sous quelle forme l’écrire. Les intitulés donnés sont ceux de l’interface française ; l’équivalent anglais est indiqué quand il diffère nettement, parce que beaucoup de licences universitaires sont installées en anglais.

La règle qui vaut pour tous les tableaux

Trois repères suffisent à lire n’importe quelle sortie.

Trouvez le N — et vérifiez qu’il correspond à ce que vous attendez. Un N plus petit signale des observations écartées pour valeurs manquantes, et il change selon les analyses. C’est le premier chiffre à contrôler, avant même le résultat.
Trouvez la statistique et ses degrés de liberté — t, F, χ², U, accompagnés de leur ddl. Ce couple est ce qui identifie le test ; le p seul ne suffit jamais.
Trouvez la colonne Sig. — c’est le p. SPSS ne l’appelle jamais p.

Trois cellules d'un tableau de sortie deviennent une seule phrase de résultat — Une phrase de résultat, c’est trois cellules : la statistique, ses degrés de liberté, et la significativité.

Les conventions de transcription

Elles ne sont écrites nulle part dans SPSS, et elles reviennent dans presque toutes les corrections.

Sig. affiche « ,000 » : n’écrivez jamais p = 0,000. Une probabilité n’est pas nulle ; SPSS a simplement arrondi à trois décimales. La forme correcte est p < 0,001. Pour toute autre valeur, écrivez l’égalité avec trois décimales : p = 0,032.
Deux décimales pour les statistiques (t = 2,41 ; F = 5,82 ; r = 0,43), trois pour les probabilités. Au-delà, vous affichez une précision que vos données n’ont pas.
Symboles en italiques : t, F, p, r, n, M, SD, d. Les lettres grecques (α, χ², η²) restent droites.
Virgule décimale en français, y compris dans les tableaux, et espace insécable avant les deux-points et les points-virgules. Si votre département impose un gabarit, il prime : vérifiez-le avant de tout reformater.
« Sig. (bilatéral) » veut dire bilatéral. Si votre hypothèse est unilatérale et que vous l’avez annoncée comme telle avant l’analyse, divisez par deux — et dites-le. Ne divisez jamais après avoir vu le résultat.

Statistiques descriptives

« Statistiques descriptives » / « Récapitulatif du traitement des observations ». À recopier : N, moyenne, écart-type, minimum et maximum. Le second tableau donne le nombre de valeurs manquantes par variable : regardez-le, il justifie les écarts de N entre analyses. Ces chiffres alimentent le tableau de description de l’échantillon, jamais le corps du texte ligne à ligne. Notre tutoriel d’analyse quantitative détaille l’enchaînement complet depuis l’import du fichier.

Comparer deux groupes

« Statistiques de groupe » donne n, moyenne et écart-type par groupe. C’est de là que sortent les M et SD de votre phrase.

« Test d’échantillons indépendants » est le tableau le plus mal lu de tout SPSS, parce qu’il contient deux lignes de résultats. La partie gauche donne le test de Levene sur l’égalité des variances ; la partie droite donne le test t, une fois en supposant les variances égales, une fois sans cette hypothèse (correction de Welch). Lisez d’abord Levene, puis choisissez la ligne. Si le Levene est significatif, c’est la seconde ligne qu’il faut recopier, et ses degrés de liberté seront décimaux — c’est normal. Le détail du choix est traité dans notre article sur le test t et Mann-Whitney.

« Test des échantillons appariés » pour deux mesures sur les mêmes personnes : le tableau des corrélations qui le précède n’est pas le résultat, c’est un indicateur de liaison entre les deux mesures.

Comparer trois groupes ou plus

« Tests des effets inter-sujets » (Tests of Between-Subjects Effects) est le tableau central de l’ANOVA. Recopiez, pour chaque effet : F, les ddl de l’effet, les ddl de l’erreur (dernière ligne du tableau), Sig. et l’êta-carré partiel si vous l’avez demandé. La ligne « Total corrigé » ne se rapporte jamais. La lecture de l’ANOVA factorielle, et notamment celle de l’interaction, mérite une attention particulière : c’est elle qui porte le résultat, pas les effets principaux.

« Comparaisons multiples » contient les tests post-hoc. Chaque paire y figure deux fois, en miroir : n’en recopiez qu’une.

Si vous avez ajouté une covariable, la sortie s’enrichit d’un tableau de moyennes ajustées — ce sont elles, et non les moyennes brutes, qui doivent être rapportées. Voyez notre article sur l’ANCOVA avec le pré-test en covariable.

Tests non paramétriques

La procédure moderne produit d’abord un « Récapitulatif des tests d’hypothèses » : une ligne, une décision en clair, et un Sig. C’est utile pour trancher, insuffisant pour rédiger. Double-cliquez pour ouvrir la vue détaillée, qui contient la statistique U ou H, les rangs moyens et les effectifs par groupe — ce sont ces valeurs qu’il faut rapporter. Les articles sur le test de Wilcoxon et le test de Friedman donnent la phrase type pour chacun.

Croiser deux variables catégorielles

« Tableau croisé » puis « Tests du khi-deux ». Recopiez la ligne Khi-deux de Pearson : valeur, ddl, Sig. La note sous le tableau indique le pourcentage de cellules dont l’effectif théorique est inférieur à 5 — c’est la condition d’application, et elle décide si vous devez passer au test exact de Fisher. Le tableau « Mesures symétriques » donne le V de Cramér, c’est-à-dire la taille d’effet. Tout est détaillé dans notre article sur le khi-deux sur tableau croisé.

Relier deux variables continues

« Corrélations » : une matrice symétrique où chaque coefficient apparaît deux fois. Recopiez la moitié inférieure. Attention au N propre à chaque paire, qui varie avec les valeurs manquantes. Le choix entre Pearson et Spearman se fait avant, pas en regardant lequel donne le plus petit p.

Expliquer par plusieurs prédicteurs

La régression linéaire produit quatre tableaux, et chacun a un usage distinct.

« Récapitulatif des modèles » — R, R-deux, R-deux ajusté, erreur standard de l’estimation. Rapportez le R-deux ajusté dès que vous avez plusieurs prédicteurs. La statistique de Durbin-Watson, si demandée, s’affiche ici.
« ANOVA » — le test global du modèle. Un F significatif dit que le modèle explique plus que rien, pas que chaque prédicteur compte.
« Coefficients » — le tableau qui porte le résultat : B non standardisé, erreur standard, bêta standardisé, t, Sig., et si vous les avez demandés l’intervalle de confiance de B et les indices de tolérance et de VIF.
« Diagnostics des observations » — la liste des cas dont le résidu standardisé dépasse 3. Ce tableau ne dit pas tout : la question de savoir si une observation pèse sur le modèle se traite avec la distance de Cook et le levier, qui s’enregistrent en colonnes plutôt qu’en tableau.

Pour une issue binaire, la sortie change de noms : « Variables dans l’équation » remplace « Coefficients » et donne B, Wald, Sig. et Exp(B) — c’est ce dernier qui est l’odds ratio. S’y ajoutent le test de Hosmer-Lemeshow, où un résultat non significatif est le bon signe, et le tableau de classement.

L'annuaire des tableaux de sortie, regroupés par famille d'analyse — Chaque famille d’analyse a sa sortie type ; dans chacune, deux ou trois cellules seulement partent dans le mémoire.

Questionnaires et échelles

« Statistiques de fiabilité » donne l’alpha de Cronbach et le nombre d’éléments. Le tableau « Statistiques de total des éléments » qui suit est le plus utile des deux : sa colonne Corrélation complète des éléments corrigés repère les items qui ne collent pas à l’échelle, et sa dernière colonne indique l’alpha obtenu si l’item était supprimé. Une corrélation négative y signale presque toujours un item inversé non recodé — voyez notre article sur l’alpha de Cronbach.

Pour une structure factorielle : « Indice KMO et test de Bartlett » (les deux conditions préalables), « Variance totale expliquée » (le nombre de facteurs retenus et leur part), et « Matrice des composantes après rotation » (les saturations à interpréter). Le détail figure dans nos articles sur l’analyse factorielle exploratoire et sur l’analyse en composantes principales. La suite confirmatoire relève des modèles d’équations structurelles.

Conditions et diagnostics

« Tests de normalité » donne Kolmogorov-Smirnov et Shapiro-Wilk. Ici, un résultat significatif est une mauvaise nouvelle — et ce que l’on en fait dépend de ce qu’on est prêt à changer : l’échelle de la variable, le calcul de l’incertitude ou le test lui-même.

« Aire sous la courbe » accompagne la courbe ROC : recopiez l’AUC, son erreur standard, son Sig. et surtout son intervalle de confiance.

Enfin, si un bloc « Bootstrap » apparaît sous vos tableaux habituels, c’est que l’option est cochée : ce sont ces intervalles-là qu’il faut rapporter, et non les intervalles théoriques de la ligne du dessus.

Où va chaque nombre

Ce que SPSS affiche	Ce que vous recopiez	Où cela va
Sig. = ,000	p < 0,001	Dans la phrase de résultat
Statistiques de groupe	M et SD par groupe	Tableau descriptif, puis la phrase
Test de Levene	Rien, sauf s’il est significatif	Une incise dans la méthode
ddl de l’erreur	Le second nombre entre parenthèses de F	Dans la phrase de résultat
Récapitulatif des modèles	R-deux ajusté	Une phrase avant le tableau des coefficients
Matrice de corrélations	La moitié inférieure seulement	Un tableau reformaté
Le tableau SPSS lui-même	Jamais tel quel	Reformaté au gabarit de votre école

Les cinq pièges

Coller la capture d’écran du tableau SPSS. Un tableau de résultats se reconstruit, avec ses seules colonnes utiles et le format imposé par votre établissement : voyez comment présenter tableaux et figures.
Recopier la mauvaise ligne du test t. Le tableau en contient deux ; Levene décide.
Oublier les degrés de liberté. F = 5,82 ne veut rien dire sans F(2, 147).
Rapporter Sig. sans la statistique. Un p isolé n’est pas vérifiable, et un lecteur ne peut pas le recalculer.
Prendre un N pour un autre. Le N de l’échantillon, le N valide d’une variable et le N d’une analyse donnée diffèrent souvent. C’est la première incohérence que relève un rapporteur.

Sur le sens exact de la colonne Sig. et sur ce qu’un seuil autorise à conclure, voyez notre article sur le seuil de signification ; sur ce que les bornes chiffrées ajoutent, celui sur l’intervalle de confiance. Et si vous travaillez sous jamovi ou JASP, les intitulés changent mais la logique de lecture reste exactement la même.

De la sortie au chapitre

Extraire les bons nombres prend quelques minutes. Ce qui prend du temps, c’est de les enchaîner en un chapitre lisible : annoncer l’analyse, donner le résultat, l’interpréter en une phrase, et passer au suivant sans que le lecteur se perde.

Tesify travaille avec vous sur ce passage : structurer le chapitre résultats à partir de vos propres sorties, tenir un vocabulaire constant d’une analyse à l’autre, et rédiger les transitions. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

Rédiger votre chapitre résultats avec Tesify

Questions fréquentes

Mon SPSS est en anglais. Les intitulés correspondent-ils ?

Oui, tableau pour tableau. Les correspondances les plus utiles : Group Statistics, Independent Samples Test, Tests of Between-Subjects Effects, Model Summary, Coefficients, Variables in the Equation, Reliability Statistics, Total Variance Explained. La colonne Sig. porte le même nom dans les deux langues.

Faut-il mettre les sorties brutes en annexe ?

La plupart des établissements l’apprécient, certains l’exigent. Mettez-y les sorties complètes des analyses principales, pas l’intégralité de vos essais. Le corps du texte ne contient que des tableaux reformatés.

SPSS affiche « . » ou une cellule vide. Pourquoi ?

Une valeur non calculable : effectif nul dans une cellule, variance nulle, ou modèle non identifié. Ce n’est pas un bug d’affichage, c’est un signal — revenez aux données avant d’interpréter quoi que ce soit du tableau.

Dois-je rapporter tous les tableaux produits ?

Non. Un chapitre résultats rapporte ce qui répond aux hypothèses annoncées, plus les vérifications de conditions. Tout le reste appartient aux annexes ou à rien du tout. Le critère n’est pas « SPSS l’a produit » mais « ma question de recherche en a besoin ».

Comment citer une taille d’effet quand SPSS ne l’affiche pas ?

Plusieurs procédures ne la fournissent pas par défaut. L’êta-carré partiel se coche dans les options de l’ANOVA ; le d de Cohen se calcule à partir des moyennes et des écarts-types du tableau descriptif ; le V de Cramér figure dans les mesures symétriques du khi-deux. Pour un accord entre juges, c’est le kappa de Cohen qui joue ce rôle.

Deux tableaux donnent des N différents. Lequel est le bon ?

Les deux, pour leur analyse respective. SPSS exclut les observations au cas par cas ou liste par liste selon les procédures et les options. Notez le N de chaque analyse dans son propre tableau et expliquez l’écart une fois pour toutes en début de chapitre.

août 25, 2026

Annuaire 2026 : l’analyse qui correspond à votre variable dépendante

La question que tout le monde pose à son directeur est « quel test dois-je faire ? ». Ce n’est pas la bonne. La bonne est : qu’est-ce que vous mesurez, exactement ?

La nature de la variable dépendante — ce que vous cherchez à expliquer — élimine à elle seule les trois quarts des méthodes possibles, avant même qu’on parle du nombre de groupes ou des conditions d’application. Un nombre de rechutes, une note sur 20, un « oui / non », un délai avant abandon : ce sont quatre objets mathématiques différents, et ils n’appellent pas la même famille de modèles.

Cet annuaire les range, du cas le plus courant au plus négligé, avec pour chacun ce qui existe déjà sur ce site et ce qu’il faut savoir avant de choisir.

Le tableau d’orientation

Nature de la VD	Exemple typique	Comparer des groupes	Expliquer par plusieurs facteurs
Continue	Score composite, temps de réaction, montant	Test t, ANOVA, ANCOVA	Régression linéaire multiple
Ordinale	Un item de Likert, un stade, un grade	Mann-Whitney, Kruskal-Wallis, Wilcoxon, Friedman	Régression ordinale
Binaire	Réussite / échec, abandon oui-non	Khi-deux, test exact	Régression logistique binaire
Nominale à 3 modalités ou plus	Filière choisie, type de stratégie	Khi-deux	Régression logistique multinomiale
Comptage	Nombre d’absences, d’incidents, de consultations	Comparaison de taux	Régression de Poisson ou binomiale négative
Durée avant événement	Délai avant abandon, avant rechute	Kaplan-Meier + log-rank	Modèle de Cox
Latente multi-items	Un construit mesuré par 8 items	—	Équations structurelles

Cinq natures de variable dépendante conduisant chacune à une famille d'analyses — La nature de ce que vous mesurez décide de la famille de modèles. Le reste — nombre de groupes, conditions, logiciel — vient après.

Variable continue

Le cas le plus fréquent, et le mieux couvert. Deux groupes indépendants : le test t de Student et son alternative de Mann-Whitney. Deux facteurs croisés : l’ANOVA factorielle. Un lien entre deux variables continues : les corrélations de Pearson et de Spearman.

Deux cas particuliers valent d’être connus. Si vous comparez deux groupes après une intervention et que les groupes n’étaient pas au même niveau au départ, la bonne analyse n’est pas un test t mais une ANCOVA avec le pré-test en covariable. Et si vos participants ont été mesurés plusieurs fois, le plan devient intra-sujets, ce qui change la condition d’application à vérifier.

La condition de normalité, dans tous ces cas, porte sur les résidus du modèle et non sur la distribution brute de la variable : enregistrez-les puis testez-les, comme le décrit notre article sur le test de Shapiro-Wilk.

Variable ordinale

Une variable ordinale a un ordre mais pas d’unité : entre « pas du tout d’accord » et « plutôt pas d’accord », l’écart n’est pas nécessairement le même qu’entre « plutôt d’accord » et « tout à fait d’accord ».

Pour comparer deux mesures appariées, le test de Wilcoxon ; pour trois mesures ou plus sur les mêmes personnes, le test de Friedman.

Pour expliquer une variable ordinale par plusieurs prédicteurs, il existe un outil que les mémoires ignorent presque toujours : la régression ordinale, sous SPSS via Analyse → Régression → Ordinale. Elle estime un effet unique par prédicteur sur l’ensemble des seuils de la variable, sous une hypothèse dite des cotes proportionnelles — que SPSS teste automatiquement sous le nom de test des lignes parallèles. Si ce test est significatif, l’hypothèse tombe et il faut se rabattre sur une régression multinomiale ou sur une dichotomisation assumée.

La question du seuil « ordinal ou continu » se pose surtout pour les échelles de Likert, et elle a une réponse pratique : un item isolé est ordinal, un score composite validé se traite comme quasi-continu. Écrivez le choix, ne le subissez pas.

Variable binaire et variable nominale

Pour un simple croisement, le test du khi-deux sur tableau croisé. Pour expliquer un résultat binaire par plusieurs facteurs simultanés, la régression logistique binaire et son odds ratio.

Quand la variable a trois modalités ou plus sans ordre — la filière choisie, le type de stratégie adoptée —, l’extension est la régression logistique multinomiale (Analyse → Régression → Logistique multinomiale). Elle produit un jeu de coefficients par modalité, comparée à une modalité de référence que vous choisissez : le résultat se lit toujours « par rapport à la référence », et le choix de cette référence est une décision à justifier.

Variable de comptage — le cas le plus souvent mal rangé

Nombre d’absences dans le semestre, nombre d’incidents déclarés, nombre de consultations, nombre d’erreurs commises. Le réflexe est de traiter ces nombres comme une variable continue et de lancer une régression linéaire. Ce n’est pas absurde, c’est simplement inadapté dès que les comptages sont faibles.

Une distribution de comptages, très asymétrique et bornée à zéro — Une variable de comptage est bornée à zéro, entière et asymétrique. La courbe normale superposée montre pourquoi le modèle linéaire s’y applique mal.

Trois raisons : la variable est bornée à zéro, elle est entière, et sa distribution est asymétrique à droite — beaucoup de zéros, quelques grandes valeurs. Un modèle linéaire peut prédire −1,4 absence, ce qui n’existe pas, et ses résidus ne seront pas normaux.

Le modèle adapté est la régression de Poisson, accessible sous SPSS par Analyse → Modèles linéaires généralisés en choisissant la loi de Poisson et la fonction de lien logarithmique. Ses coefficients exponentiés se lisent comme des rapports de taux : 1,35 signifie « 35 % d’événements en plus, toutes choses égales par ailleurs ».

Une vérification est indispensable : la loi de Poisson suppose que la variance égale la moyenne. Dans les données réelles, la variance est souvent bien supérieure — c’est la surdispersion, que SPSS signale par un rapport déviance / degrés de liberté nettement supérieur à 1. La réponse standard est alors la régression binomiale négative, disponible dans le même menu. Et si vos données comptent une masse de zéros que le modèle n’explique pas — par exemple parce qu’une partie de vos répondants n’était structurellement pas exposée —, mentionnez la question des modèles à inflation de zéros plutôt que de l’ignorer.

Dernier point souvent omis : si vos participants n’ont pas été observés pendant la même durée, il faut inclure cette durée comme variable de décalage (offset) en logarithme, faute de quoi vous comparez des comptages non comparables.

Durée avant événement

Si votre variable est un délai et que tous vos participants n’ont pas été suivis aussi longtemps, aucune des familles précédentes ne convient : il faut une analyse de survie — Kaplan-Meier, log-rank et modèle de Cox. Le signe qui doit alerter est simple : vous avez des participants pour qui l’événement n’était pas survenu à la fin de l’observation. Les traiter comme des « non » dans une régression logistique jette l’information temporelle et biaise le résultat.

Variable latente mesurée par plusieurs items

Quand ce que vous voulez expliquer n’est pas directement observable — la satisfaction, l’engagement, l’anxiété — et qu’il est mesuré par un bloc d’items, deux voies s’ouvrent.

La voie simple : réduire le bloc à un score, après avoir vérifié sa structure par une analyse factorielle exploratoire et sa cohérence par un alpha de Cronbach, puis retomber sur le cas « variable continue ».

La voie complète : les modèles d’équations structurelles, qui estiment simultanément le modèle de mesure et le modèle de relations. Plus exigeants en effectif et en rédaction, mais seuls capables de tester un réseau d’hypothèses d’un seul tenant.

Trois questions à poser avant de valider votre choix

Trois questions successives à se poser avant de choisir une analyse — La nature de la variable oriente ; la structure de l’échantillon peut tout changer.

1. Vos observations sont-elles indépendantes ? Si vos répondants sont imbriqués dans des classes, des services ou quelques structures de recrutement, la famille de modèle change ou doit être corrigée : voyez notre article sur les données groupées et le modèle multiniveau. Cette question prime sur toutes les autres, parce qu’elle affecte chaque ligne du tableau ci-dessus.

2. Sur qui vos conclusions portent-elles ? Un modèle correct sur un échantillon mal cadré reste un modèle mal interprété. Notre article sur ce qu’il faut faire quand l’échantillon n’est pas représentatif traite de la portée à donner aux résultats.

3. Cherchez-vous à expliquer une variable, ou à décrire des personnes ? S’il n’y a pas de variable dépendante du tout — vous voulez repérer des profils —, vous n’êtes pas dans ce tableau : vous êtes dans une démarche de typologie, qui répond à une autre question.

Les trois erreurs de rangement les plus fréquentes

Dichotomiser une variable continue pour « simplifier ». Couper un score en deux au niveau de la médiane fait perdre de l’information et de la puissance, et le seuil choisi devient un résultat arbitraire. Gardez la variable continue et laissez le modèle faire son travail.
Traiter un comptage comme une note. Le nombre d’absences n’est pas un score : il a un plancher, il est entier, et il est asymétrique.
Transformer une durée en « oui / non ». C’est la perte d’information la plus coûteuse du tableau, parce qu’elle rend incomparables des participants suivis inégalement.

Une quatrième, plus insidieuse : changer de famille de modèle après avoir vu les résultats. Le choix se déduit de la nature de la variable, il s’annonce dans la méthodologie, et il ne dépend pas du p obtenu. Notre guide général de l’analyse de données replace cette décision dans l’enchaînement complet du chapitre.

Écrire la justification du choix

Choisir le bon modèle prend cinq minutes une fois la nature de la variable identifiée. Ce qui prend du temps, c’est d’écrire le paragraphe qui l’explique : nommer la nature de la variable dépendante, en déduire la famille de modèle, annoncer les conditions que vous allez vérifier, et tenir ce vocabulaire jusqu’à la discussion.

Tesify travaille avec vous sur ce passage : structurer la section méthode, tenir une terminologie constante d’un chapitre à l’autre, et rédiger les justifications à partir de vos propres choix d’analyse. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

Rédiger votre partie méthode avec Tesify

Questions fréquentes

Un score de Likert est-il continu ou ordinal ?

Un item isolé est ordinal. Un score composite, obtenu en moyennant plusieurs items d’une même dimension dont la fidélité a été vérifiée, se traite par convention comme quasi-continu — c’est la pratique dominante en sciences sociales et elle est acceptée par les jurys. Ce qui ne l’est pas, c’est de ne rien dire : écrivez le choix et sa raison en une phrase.

Peut-on faire une régression linéaire sur un nombre d’événements ?

C’est possible et parfois acceptable lorsque les comptages sont élevés et la distribution proche d’une normale. Cela devient inadapté dès que les zéros sont nombreux ou que les valeurs restent basses. Le signe qui tranche : si votre modèle linéaire prédit des valeurs négatives, changez de famille.

Faut-il tester la normalité de la variable dépendante ?

Non : la condition porte sur les résidus du modèle. Et si votre variable est ordinale, binaire, de comptage ou de durée, la question ne se pose même pas — c’est le modèle qu’il faut changer, pas la distribution qu’il faut corriger par une transformation.

Que faire si j’ai plusieurs variables dépendantes ?

Trois cas de figure. Si elles mesurent le même construit, agrégez-les en un score et vérifiez la fidélité. Si elles sont conceptuellement distinctes mais corrélées, une analyse multivariée se justifie. Si elles sont indépendantes, analysez-les séparément — en annonçant à l’avance combien de tests seront conduits, ce qui est la seule protection contre le reproche d’avoir cherché jusqu’à trouver.

Et pour une synthèse de résultats déjà publiés ?

Il ne s’agit alors plus d’analyser des individus mais des études, et la nature de l’unité change tout : c’est le domaine de la méta-analyse, avec ses propres tailles d’effet et ses propres indicateurs d’hétérogénéité.

août 25, 2026

0,05 · 0,80 · 0,70 · 10 · 0,60 : d’où viennent les seuils que votre mémoire cite (2026)

Votre mémoire contient cinq nombres que vous n’avez jamais discutés. Ils sont dans votre méthodologie, ils sont dans vos résultats, et si un membre du jury demande « pourquoi 0,70 ? », la réponse honnête serait : « parce que tout le monde écrit 0,70 ».

Ces seuils ne sont pas des constantes mathématiques. Ce sont des propositions faites par des auteurs identifiables, dans des textes datés, pour des raisons précises — et dans plusieurs cas, ce qu’on cite aujourd’hui n’est pas ce que la source dit. Voici les cinq principaux, avec leur origine vérifiable.

Le tableau des cinq seuils

Seuil	Ce qu’on en dit	Source primaire	Ce que la source dit vraiment
α = 0,05	Le seuil de signification	Fisher, Statistical Methods for Research Workers, 1925	Un repère commode, explicitement présenté comme un choix de convenance
Puissance = 0,80	La puissance minimale acceptable	Cohen, travaux sur la puissance statistique, 1969 puis 1988 ; synthèse en 1992	Une convention par défaut dérivée d’un arbitrage assumé entre les deux types d’erreur
α de Cronbach ≥ 0,70	Le seuil de fidélité d’une échelle	Nunnally, Psychometric Theory, 1978 (concept : Cronbach, 1951)	Acceptable aux premiers stades d’une recherche ; bien davantage exigé pour une décision individuelle
VIF < 10	La limite de multicolinéarité	Marquardt, Technometrics, 1970	Une discussion de l’inflation de la variance, pas l’énoncé d’une règle universelle
KMO > 0,60	La factorisabilité minimale	Kaiser, Psychometrika, 1974	Une échelle graduée de six adjectifs, dont 0,60 n’est que l’un des paliers

Des valeurs de référence conventionnelles alignées sur une même échelle — Cinq nombres, cinq auteurs, cinq contextes différents. Aucun n’est une constante.

0,05 — le seuil qui n’a jamais prétendu être une loi

Ronald Fisher popularise le niveau de 1 sur 20 dans Statistical Methods for Research Workers, en 1925. Le point que les mémoires oublient : il le présente comme un repère commode, pas comme une frontière naturelle. Fisher lui-même envisage explicitement qu’un chercheur retienne un autre niveau selon ce qu’il est prêt à risquer, et il a plus tard critiqué l’usage mécanique d’un seuil unique.

La conséquence pratique est double. D’abord, un p de 0,051 et un p de 0,049 décrivent des données presque identiques : la frontière est nette, la réalité ne l’est pas. Ensuite, rien ne vous interdit de retenir 0,01 dans un contexte où une erreur de première espèce serait coûteuse — à condition de l’annoncer avant l’analyse. Notre article sur le seuil de signification et la p-value traite de la lecture du résultat ; ce qui précède porte sur le choix du seuil lui-même.

0,80 — une puissance qui encode un arbitrage

La convention d’une puissance minimale de 0,80 vient des travaux de Jacob Cohen sur la puissance statistique, développés à partir de 1969 et systématisés dans l’édition de 1988. Sa synthèse la plus accessible reste l’article A power primer, paru dans Psychological Bulletin en 1992 (vol. 112, p. 155–159).

Ce que la convention encode et que personne ne cite : en fixant β à 0,20 avec α à 0,05, on décide implicitement qu’une erreur de première espèce est quatre fois plus grave qu’une erreur de seconde espèce. C’est un jugement de valeur, cohérent dans un contexte où l’on veut se prémunir contre les fausses découvertes, discutable dans un contexte où manquer un effet réel serait plus dommageable.

Dans un mémoire, la phrase qui impressionne n’est pas « une puissance de 0,80 a été visée » mais « une puissance de 0,80 a été visée, ce qui correspond à l’arbitrage conventionnel entre les deux types d’erreur ». Le calcul lui-même relève de la procédure G*Power.

0,70 pour l’alpha de Cronbach — le seuil le plus mal cité de tous

Le coefficient lui-même vient de Lee Cronbach, Coefficient alpha and the internal structure of tests, Psychometrika, 1951 (vol. 16, p. 297–334). Mais le seuil de 0,70 n’est pas de lui : il est attribué à Jum Nunnally, dans Psychometric Theory.

Et c’est là que la citation dérape. Nunnally ne pose pas 0,70 comme une norme universelle : il écrit que ce niveau est suffisant aux premiers stades d’une recherche, et il recommande des valeurs nettement supérieures dès qu’une décision concernant un individu est prise à partir du score. Le seuil unique et absolu que l’on trouve dans des milliers de mémoires est une simplification progressive de cette position nuancée.

Cette dérive a été documentée systématiquement par Lance, Butts et Michels dans The Sources of Four Commonly Reported Cutoff Criteria, Organizational Research Methods, 2006 (vol. 9, p. 202–220) — un article dont le sujet est précisément la généalogie de ces seuils et les écarts entre ce qu’ils prescrivent aujourd’hui et ce que leurs sources disaient.

Un texte source réduit à un seul chiffre au fil des citations successives — Le mécanisme est toujours le même : un énoncé conditionnel devient une règle, par citations successives de citations.

Deux conséquences directes pour votre mémoire. Un alpha de 0,68 n’invalide pas votre échelle si votre travail est exploratoire — dites-le. Et un alpha de 0,95 n’est pas un triomphe : il signale souvent des items redondants, ce que notre article sur l’alpha de Cronbach sous SPSS détaille, tout comme celui consacré aux échelles de Likert et à leur fidélité.

VIF < 10, ou VIF < 5 ?

Le seuil de 10 renvoie habituellement à Donald Marquardt, Generalized inverses, ridge regression, biased linear estimation, and nonlinear estimation, Technometrics, 1970 (vol. 12, p. 591–612). Le contexte de cet article est la régression ridge et le diagnostic de l’inflation de variance : la valeur y apparaît comme un repère dans une discussion technique, non comme une règle décrétée pour l’ensemble des sciences sociales.

Le seuil de 5, plus conservateur, circule largement dans les manuels récents — mais il n’a pas de source primaire unique et identifiable de la même façon. C’est une convention de convention.

La conduite défendable : annoncez le seuil que vous retenez, citez-le, et surtout ne vous arrêtez pas au chiffre. Un VIF de 6 sur une variable de contrôle sans intérêt théorique n’a pas la même portée qu’un VIF de 6 sur votre prédicteur principal.

KMO > 0,60 — un seuil extrait d’une échelle

L’indice de Kaiser-Meyer-Olkin est proposé par Henry Kaiser dans An index of factorial simplicity, Psychometrika, 1974 (vol. 39, p. 31–36).

Ce que la source contient et que la pratique a perdu : Kaiser n’y pose pas un seuil binaire mais une échelle graduée d’adjectifs, du niveau inacceptable jusqu’au niveau qu’il qualifie d’admirable, avec plusieurs paliers intermédiaires. Le « KMO > 0,60 » des mémoires est l’un de ces paliers, isolé du reste de la gradation.

Rapporter la valeur exacte plutôt que le verdict est donc plus fidèle à la source : « KMO = 0,74 » informe le lecteur ; « KMO satisfaisant » ne dit rien. La procédure et son interprétation sont traitées dans notre guide de l’analyse factorielle exploratoire.

Le bonus : d = 0,20 / 0,50 / 0,80

Les repères « petit, moyen, grand » pour le d de Cohen viennent du même auteur, et ils sont assortis d’un avertissement explicite : ils sont proposés faute de mieux, pour les situations où l’on ne dispose d’aucun autre point de comparaison, et doivent céder la place aux effets typiques du domaine dès que ceux-ci sont connus.

Autrement dit, la bonne pratique n’est pas de qualifier votre d de 0,45 de « moyen », mais de le comparer aux tailles d’effet publiées sur le même objet. Un d de 0,25 peut être remarquable dans un champ où les effets tournent autour de 0,10.

Un dégradé continu coupé arbitrairement par une frontière nette — Toutes ces grandeurs sont continues. Le seuil est la frontière que l’on trace dessus, pas une propriété des données.

Trois règles à appliquer dans votre mémoire

Annoncez le seuil avant l’analyse, dans la méthodologie. C’est la seule chose qui distingue un critère d’une justification a posteriori, et elle ne coûte qu’une phrase.
Citez la source primaire du seuil que vous appliquez. Une référence par seuil suffit, et c’est immédiatement lisible comme le signe d’un travail sérieux. Écrire « communément admis » invite exactement la question à laquelle vous ne voulez pas répondre.
Rapportez la valeur, pas seulement le verdict. « α = 0,68 » permet au lecteur de juger ; « fidélité acceptable » lui demande de vous croire. La même logique vaut pour le KMO, le VIF et le coefficient kappa de Cohen, dont les paliers d’interprétation ont eux aussi une source datée.

Deux phrases modèles

Seuil respecté : « La cohérence interne de l’échelle est satisfaisante (α = 0,82), au-delà du seuil de 0,70 usuellement retenu à la suite de Nunnally, et en deçà du niveau à partir duquel une redondance entre items devient probable. »

Seuil non atteint, assumé : « La sous-échelle d’engagement obtient α = 0,66, en deçà du repère de 0,70. Cette valeur reste acceptable au stade exploratoire qui est celui de ce travail, conformément à la formulation d’origine de ce critère ; les résultats portant sur cette dimension sont néanmoins interprétés avec prudence. »

La seconde formulation est nettement plus solide que la première devant un jury, parce qu’elle montre que vous connaissez le statut réel du chiffre.

Où ces seuils s’insèrent dans votre plan d’analyse

Chaque seuil appartient à une étape précise, et la nature de votre variable dépendante détermine lesquels vous concernent réellement : notre annuaire de l’analyse selon le type de variable dépendante permet de vérifier que vous n’appliquez pas un critère importé d’une autre famille de modèles. Les indices propres aux modèles à variables latentes — fidélité composite, variance moyenne extraite — ont leurs propres conventions, décrites dans notre article sur les modèles d’équations structurelles.

Écrire une méthodologie qui justifie ses critères

Retrouver une source prend dix minutes. Ce qui prend du temps, c’est d’écrire une méthodologie où chaque critère est annoncé, situé et tenu jusqu’à la discussion — sans transformer le chapitre en revue de littérature statistique.

Tesify travaille avec vous sur ce passage : structurer la section, tenir une terminologie et des critères constants d’un chapitre à l’autre, et rédiger les justifications à partir de vos propres choix. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

Rédiger votre méthodologie avec Tesify

Questions fréquentes

Le seuil de 0,05 est-il obligatoire ?

Non, c’est une convention disciplinaire. Certains champs travaillent couramment à 0,01, d’autres à 0,10 sur de petits échantillons exploratoires. Ce qui est obligatoire, c’est d’annoncer le seuil avant l’analyse et de ne pas en changer ensuite.

Faut-il citer ces sources dans un mémoire de master ?

Une référence par seuil appliqué, placée dans la méthodologie au moment où vous annoncez le critère, suffit largement. Ce n’est pas attendu de tous les mémoires, ce qui est précisément la raison pour laquelle cela se remarque.

Que répondre si le jury demande pourquoi j’ai retenu ce seuil ?

Trois éléments : le nom de la source, le fait qu’il s’agit d’une convention et non d’une propriété mathématique, et la raison pour laquelle elle convient à votre contexte. Une réponse de trente secondes qui contient ces trois éléments clôt la question.

Mon résultat est à p = 0,052 : puis-je écrire « tendanciellement significatif » ?

L’expression est fréquente et de plus en plus critiquée, parce qu’elle réintroduit par le vocabulaire ce que le seuil venait d’exclure. La formulation défendable consiste à rapporter la valeur exacte, la taille d’effet et son intervalle de confiance, puis à commenter la précision de l’estimation plutôt qu’à requalifier le verdict.

Existe-t-il des seuils propres à ma discipline ?

Souvent, oui, et ils priment sur les conventions générales. Les sociétés savantes et les revues de référence de votre champ publient des recommandations de report qui fixent parfois d’autres valeurs. Vérifiez-les avant d’importer un critère lu dans un manuel généraliste.

août 25, 2026

Un seul répondant change vos conclusions : distance de Cook, levier et observations influentes (2026)

Votre régression donne un coefficient de 2,31, significatif à 0,02. Par curiosité — ou parce que votre directeur vous l’a demandé — vous relancez le modèle sans le participant n° 47. Le coefficient tombe à 0,89, et le p monte à 0,31.

Une personne sur cent quarante vient de décider de votre conclusion. Ce n’est pas une anomalie de vos données : c’est une propriété ordinaire des moindres carrés, qui accordent à chaque observation un poids d’autant plus grand qu’elle est éloignée du centre du nuage. La question n’est donc pas de savoir si certaines observations pèsent plus que d’autres — c’est toujours le cas — mais de combien, lesquelles, et ce que vous en faites.

C’est un diagnostic standard, il prend cinq minutes, et il distingue nettement un mémoire qui a regardé son modèle d’un mémoire qui l’a subi.

Trois notions à ne pas confondre

Le vocabulaire courant range tout sous « valeur aberrante ». En régression, il faut séparer trois choses distinctes, dont une seule compte vraiment.

Trois situations distinctes : résidu élevé, levier élevé, et la combinaison des deux qui produit l'influence — Un point mal prédit n’est pas dangereux ; un point excentré non plus. C’est leur combinaison qui déplace le modèle.

Le résidu élevé — l’observation est mal prédite par le modèle. Elle est loin de la droite verticalement. Prise isolément, c’est une information sur la qualité de l’ajustement, pas une menace.
Le levier élevé — l’observation est atypique sur les prédicteurs : le seul participant de 61 ans dans un échantillon d’étudiants, le seul établissement de 2 000 salariés parmi des PME. Elle est loin du centre du nuage horizontalement. Elle peut être parfaitement bien prédite et ne poser aucun problème.
L’observation influente — la combinaison des deux : atypique sur les prédicteurs et mal prédite. C’est celle-là, et seulement celle-là, qui déplace les coefficients.

La conséquence pratique est immédiate : chercher les valeurs extrêmes variable par variable ne suffit pas. Un participant dont chaque valeur prise séparément est banale peut occuper une position très inhabituelle dans la combinaison des prédicteurs — quelqu’un de très jeune avec beaucoup d’ancienneté, par exemple. Les diagnostics d’influence travaillent sur le modèle entier ; c’est ce qui les rend irremplaçables.

Les quatre indicateurs, et comment les obtenir

Sous SPSS, tout se trouve dans une seule boîte de dialogue : Analyse → Régression → Linéaire, puis le bouton Enregistrer. Cochez, dans Distances, les cases Cook et Valeurs influentes (levier) ; dans Résidus, Standardisés ; et dans Statistiques d’influence, DfBeta(s) standardisés. SPSS ajoute alors une colonne par indicateur à votre fichier de données. Les mêmes quantités s’obtiennent dans jamovi et dans R en une ligne.

Indicateur	Ce qu’il mesure	Repère d’alerte courant	Ce qu’il ne dit pas
Résidu standardisé	L’écart entre l’observé et le prédit, en unités d’écart-type	Au-delà de \|3\|	Si l’observation pèse sur le modèle
Levier (h)	L’excentricité sur les prédicteurs	Au-delà de 2 ou 3 fois la moyenne, soit 2(k+1)/n	Si l’observation est mal prédite
Distance de Cook	Le déplacement de l’ensemble des valeurs prédites si l’observation est retirée	Au-delà de 1, ou de 4/n pour un critère plus sensible	Quel coefficient est touché
DFBETA standardisé	Le déplacement d’un coefficient donné	Au-delà de 2/√n en valeur absolue	L’effet sur le modèle global

Ces repères sont des conventions, pas des tests. Aucun ne s’accompagne d’un p, et il n’existe pas de valeur au-delà de laquelle une observation devient officiellement problématique. Le critère « Cook > 1 » est très permissif et ne signale presque jamais rien sur un petit échantillon ; le critère 4/n est beaucoup plus sensible et signale souvent plusieurs points sur un échantillon de mémoire. La bonne pratique consiste à ne pas chercher un franchissement de seuil mais un décrochage : classez les distances de Cook par ordre décroissant et regardez s’il existe une ou deux valeurs nettement au-dessus du reste.

Diagramme en bâtons des distances de Cook : deux observations dépassent nettement les autres — Ce qu’il faut chercher n’est pas un dépassement de seuil, mais une rupture dans le classement.

Le graphique est plus parlant que la colonne : demandez un simple diagramme en bâtons des distances de Cook, avec le numéro d’observation en abscisse. Un profil plat avec deux pics indique deux cas à examiner ; un profil régulièrement décroissant indique qu’aucune observation ne domine et que la question est réglée en une phrase.

Ce qu’il faut faire d’une observation influente

La réponse par défaut, celle qui vaut dans la grande majorité des cas, est : rien, sinon la documenter. Une observation influente n’est pas une erreur ; c’est souvent l’observation la plus informative du jeu de données, parce qu’elle explore une région que les autres n’atteignent pas.

La démarche se déroule en trois temps.

1. Retourner à la ligne du fichier

Ouvrez la ligne concernée et lisez-la. Trois situations :

Une erreur manifeste — un âge de 213 ans, un salaire annuel saisi en centimes, une unité inversée. Corrigez si vous pouvez remonter à la source, sinon passez la valeur en manquante et dites-le.
Un cas hors du champ de l’étude — un répondant qui, à la lecture, ne relève pas de la population visée par vos critères d’inclusion. Il est exclu par le critère, pas par son influence. Si le cas n’est signalé par aucun critère écrit à l’avance et n’attire l’attention que parce qu’il déplace le résultat, le retirer n’est pas défendable — c’est la même logique que celle qui gouverne l’écartement des réponses bâclées : la règle précède le résultat.
Un cas réel et légitime — c’est le cas le plus fréquent. Il reste dans l’analyse.

2. Se demander ce que le cas révèle du modèle

Une observation influente signale souvent que le modèle est mal spécifié plutôt que la donnée mauvaise. Quatre pistes valent le détour :

La relation n’est pas linéaire, et le point excentré est le seul à le montrer.
Une variable manque, qui expliquerait précisément ce cas.
La variable dépendante est fortement asymétrique — auquel cas la question devient celle du choix entre transformation, bootstrap et méthode non paramétrique, et une transformation logarithmique réduit souvent l’influence sans rien retirer.
Votre échantillon contient en réalité deux sous-populations, ce qui est une question de structure de l’échantillon avant d’être une question de régression.

3. Rapporter les deux résultats

Si un cas influent est conservé — ce qui doit être la norme —, donnez le coefficient avec et sans lui. Deux nombres et une phrase suffisent. Si la conclusion tient, le lecteur est rassuré ; si elle ne tient pas, il faut le dire, et cela devient un résultat en soi : votre effet dépend d’une seule observation, ce qui est une information importante sur sa solidité.

Ce que le diagnostic change dans l’écriture

« L’examen des diagnostics d’influence identifie deux observations dont la distance de Cook (0,31 et 0,27) se détache nettement des autres (maximum suivant : 0,06), toutes deux associées à un levier élevé. La relecture des questionnaires correspondants n’a révélé aucune erreur de saisie ; il s’agit de deux établissements de taille très supérieure au reste de l’échantillon, appartenant à la population visée. Ces observations ont été conservées. Le modèle réestimé sans elles conduit à un coefficient de 1,94 au lieu de 2,31, la conclusion restant inchangée quant au sens et à la significativité de l’effet. »

Ce paragraphe se place à la fin de la section résultats de la régression, ou en note sous le tableau des coefficients. Il occupe cinq lignes et il désamorce une des questions les plus fréquentes en soutenance.

Les erreurs les plus fréquentes

Supprimer tout ce qui dépasse un seuil. Avec le critère 4/n sur un échantillon de 80 observations, il est courant d’en signaler cinq ou six. Les retirer toutes revient à construire un modèle sur les seules données qui lui obéissent.
Ne regarder que la variable dépendante. L’influence naît de la position sur les prédicteurs autant que du résidu. Un balayage variable par variable ne la détecte pas.
Confondre influence et non-normalité. Ce sont deux diagnostics différents. Une distribution asymétrique se voit sur le test de normalité des résidus et sur le Q-Q plot ; l’influence se voit sur les distances de Cook. Les deux peuvent coexister ou survenir séparément.
Oublier que le diagnostic dépend du modèle. Ajoutez une variable, et la liste des observations influentes change. Les diagnostics se relancent sur le modèle final, pas sur une version intermédiaire.
Croire que le problème disparaît sur un grand échantillon. Il devient plus rare, pas impossible : une observation très excentrée sur une combinaison de prédicteurs peut peser lourd même parmi mille autres.

Au-delà de la régression linéaire

Le raisonnement se transpose. En régression logistique, SPSS fournit les mêmes statistiques d’influence dans la boîte Enregistrer, et un cas influent y est typiquement un participant dont l’issue observée contredit fortement ce que ses prédicteurs annonçaient. En ANOVA, l’analogue est une cellule à faible effectif contenant une valeur extrême, ce qui déstabilise à la fois la moyenne et la variance du groupe. Et sur une corrélation simple, un unique point peut faire passer un coefficient de 0,05 à 0,45 : le nuage de points reste, dans ce cas, le meilleur diagnostic disponible.

La règle générale ne change pas d’une procédure à l’autre : un résultat qui repose sur une observation n’est pas un résultat, c’est une observation.

Écrire la section diagnostics

Le calcul prend cinq minutes. Ce qui prend du temps, c’est de rédiger le passage qui l’expose sans donner l’impression que le modèle est fragile : présenter le diagnostic comme une vérification de routine, motiver la conservation des cas, et articuler la réestimation sans qu’elle occupe trois pages.

Tesify travaille avec vous sur ce passage : structurer la section résultats, tenir un vocabulaire constant entre la méthode et la discussion, et transformer vos sorties en un texte qui se défend. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

Rédiger votre chapitre résultats avec Tesify

Questions fréquentes

Faut-il vérifier l’influence dans tous les mémoires ?

Dès qu’un modèle de régression est estimé, oui — et cela tient en une phrase quand rien ne se détache. Sur un simple test de comparaison de moyennes, la question ne se pose pas dans ces termes : c’est la distribution de chaque groupe qu’il faut examiner.

Distance de Cook supérieure à 1 ou à 4/n : quel critère retenir ?

Déclarez celui que vous utilisez, et n’en changez pas en cours de route. Le seuil de 1 est prudent et rarement franchi sur de petits effectifs ; 4/n est plus sensible et convient mieux à un échantillon de mémoire, à condition de traiter les cas signalés un par un plutôt que de les supprimer en bloc.

Combien d’observations influentes est-ce « trop » ?

Il n’y a pas de nombre. Si un tiers de vos observations est signalé, ce n’est pas un problème de données : c’est que votre modèle n’ajuste pas grand-chose, et la question à traiter est celle de sa spécification.

Peut-on utiliser une régression robuste à la place ?

C’est une solution élégante : ces méthodes pondèrent automatiquement les observations selon leur écart au modèle, sans supprimer personne. Elles ne figurent pas dans les menus de base de SPSS et demandent R ou un module additionnel. Si vous y avez accès, présentez-les en analyse complémentaire plutôt qu’en remplacement, pour que le lecteur puisse comparer.

Le point influent est le cas le plus intéressant de mon corpus. Que faire ?

Gardez-le et parlez-en. Un cas atypique et documenté enrichit la discussion : il indique où le modèle cesse de valoir, et cette frontière est un résultat. Signalez simplement, chiffres à l’appui, ce que la conclusion doit à ce seul cas.

Où placer les diagnostics dans le mémoire ?

Le paragraphe de synthèse va dans les résultats, juste après le tableau des coefficients. Le graphique des distances de Cook et le tableau détaillé des cas signalés vont en annexe. Notre guide général de l’analyse de données replace cette vérification dans l’enchaînement complet du chapitre.

août 24, 2026

Mon échantillon n’est pas représentatif : faut-il pondérer ou le déclarer ? (2026)
Votre questionnaire est fermé. 187 réponses. Vous ouvrez les descriptives et vous voyez : 78 % de femmes, 62 % en troisième année, presque personne hors de votre propre université. Vous vouliez parler des étudiants ; vous avez parlé à votre réseau.

La question que tout le monde se pose à ce moment-là est la même : faut-il pondérer pour corriger, ou faut-il l’assumer et l’écrire ?

La réponse courte

Dans la grande majorité des mémoires : ne pondérez pas, déclarez.

La pondération n’est légitime que si les trois conditions ci-dessous sont réunies simultanément. Elles le sont rarement dans un mémoire de master. Et surtout, la pondération corrige un problème de composition — elle ne corrige jamais le problème qui compte vraiment, celui du biais de sélection.

Le reste de cet article explique ce que chaque option fait réellement, pour que vous puissiez justifier votre choix devant un jury plutôt que le subir.

« Représentatif » désigne deux choses différentes

Avant toute décision, il faut séparer deux problèmes que le mot représentativité confond.

1. L’écart de composition. Votre échantillon compte 78 % de femmes alors que la population visée en compte 58 %. C’est mesurable, sur une variable que vous connaissez pour les deux ensembles. C’est ce que la pondération sait traiter.

2. Le biais de sélection. Les personnes qui ont répondu diffèrent des autres sur ce que vous mesurez. Les étudiants qui remplissent un questionnaire sur la charge de travail sont peut-être précisément ceux qui la trouvent lourde. C’est invisible, non mesurable avec vos données, et aucune pondération ne le répare.

Un écart de composition se voit et se mesure. Un biais de sélection porte sur la variable étudiée elle-même, et ne se voit pas.

Une troisième chose doit être posée avant les deux autres : quelle est votre population cible ? Un échantillon n’est jamais représentatif dans l’absolu, seulement par rapport à une population définie. « Les étudiants » n’est pas une population ; « les étudiants inscrits en master de psychologie dans les universités publiques françaises en 2026 » en est une. Tant que cette phrase n’est pas écrite dans votre méthodologie, la question de la représentativité n’a pas de sens. Notre guide de l’échantillonnage en mémoire de master détaille comment poser ce cadrage.

Ce que la pondération fait exactement

La technique s’appelle la post-stratification, et son principe tient en une division. Pour chaque catégorie, le poids est :

poids = part de la catégorie dans la population ÷ part de la catégorie dans l’échantillon

Un exemple concret. Selon les données du ministère de l’Enseignement supérieur, la rentrée 2024 comptait 765 895 inscrits en cursus master dans les établissements publics sous sa tutelle, dont 445 370 femmes, soit 58,2 %. Si votre échantillon en compte 78 %, les poids sont :
- femmes : 0,582 ÷ 0,780 = 0,746 — chaque répondante compte pour trois quarts d’observation ;
- hommes : 0,418 ÷ 0,220 = 1,900 — chaque répondant compte pour presque deux.
Une mise en garde sur ce chiffre, qui vaut pour tout redressement : vérifiez que le périmètre annoncé est bien celui que vous croyez. « Cursus master » est un niveau, pas un diplôme : ces 765 895 inscrits incluent les formations de santé, les écoles d’ingénieurs et les instituts d’études politiques. Le sous-ensemble qui prépare effectivement le diplôme national de master est nettement plus petit, et sa composition n’est pas la même. Si votre population cible est « les étudiants en master », vous devez filtrer sur le diplôme, pas sur le cursus. Un redressement calculé sur la mauvaise marge est pire qu’aucun redressement.

La pondération ne crée pas de répondants : elle donne plus de voix à ceux qui manquaient, en s’appuyant sur les rares personnes de cette catégorie que vous avez réellement interrogées.

Les trois conditions pour que pondérer soit légitime
1. Vous disposez de marges de population fiables et publiées. Pas d’une estimation, pas d’un ordre de grandeur : d’un chiffre officiel, daté, dont vous pouvez citer la source et le périmètre exact. Les effectifs de l’enseignement supérieur public sont interrogeables en accès libre par API, et notre article sur la manière d’interroger un jeu de données ouvert sans savoir programmer montre comment obtenir la marge exacte de votre population.
2. La variable de pondération est réellement liée à ce que vous mesurez. Redresser sur le sexe ne sert à rien si votre variable dépendante ne varie pas selon le sexe : vous ajoutez de la variance sans corriger quoi que ce soit. Vérifiez d’abord que la relation existe dans vos propres données.
3. Aucune cellule n’est quasi vide. Si vous n’avez que six hommes, un poids de 1,9 signifie que ces six personnes portent la voix de tout un groupe. Le poids maximal est le bon indicateur d’alerte : au-delà de 3 ou 4, vos estimations deviennent instables et un seul répondant atypique peut faire basculer une moyenne.
Si l’une des trois manque, ne pondérez pas. Un jury préfère systématiquement une limite bien décrite à une correction mal fondée.

Le piège des poids sous SPSS

Techniquement, la manipulation est simple : créez une variable de poids avec Transformer → Calculer, puis activez Données → Pondérer les observations.

Et c’est là que se produit l’erreur la plus spectaculaire de tout ce dossier. Si vos poids somment à la taille de la population plutôt qu’à celle de votre échantillon, SPSS croit analyser des centaines de milliers d’observations. Toutes vos p-values deviennent inférieures à 0,001, tous vos intervalles de confiance se resserrent à néant, et vos résultats deviennent spectaculairement — et faussement — significatifs.

La parade tient en une ligne : normalisez vos poids pour qu’ils somment à votre effectif réel. Divisez chaque poids par la moyenne des poids avant d’activer la pondération. Vérifiez ensuite dans n’importe quelle sortie que le N affiché est bien 187, et non 765 895.

Second réflexe, tout aussi important : rapportez systématiquement les résultats pondérés et non pondérés. Si les deux racontent la même histoire, la pondération renforce votre conclusion ; si elles divergent, c’est un résultat en soi, et le cacher serait une faute.

L’option honnête : décrire, déclarer, restreindre

C’est le choix que fait la majorité des bons mémoires, et il se construit en trois gestes.

Décrire. Donnez la composition de votre échantillon sur toutes les variables sociodémographiques dont vous disposez, en la comparant chiffre contre chiffre à la population visée quand la donnée existe. Un tableau à deux colonnes suffit et vaut mieux qu’un paragraphe.

Déclarer. Nommez le mécanisme de recrutement plutôt que le mot « commodité » tout seul : diffusion par une liste de diffusion universitaire, relais par deux associations étudiantes, partage sur un réseau social. Le lecteur peut alors juger lui-même de qui manque.

Restreindre. C’est le geste décisif. Au lieu d’écrire « les étudiants déclarent que… », écrivez « parmi les 187 étudiants ayant répondu, majoritairement des femmes en troisième année d’une même université, … ». Vous ne perdez rien de votre analyse : vous ajustez la portée de la phrase à ce que les données autorisent.

Restreindre la portée n’affaiblit pas le mémoire. C’est ce qui le rend défendable.

Ce qu’il faut écrire

Sans pondération, limite déclarée : « L’échantillon a été constitué par recrutement volontaire via deux listes de diffusion et un groupe étudiant. Il compte 78,1 % de femmes, contre 58,2 % parmi les inscrits en cursus master des établissements publics sous tutelle du ministère à la rentrée 2024. Aucun redressement n’a été appliqué : la variable de sexe n’est pas associée à la variable dépendante dans nos données (p = 0,41) et l’effectif masculin (n = 41) rendrait les poids instables. Les résultats sont donc rapportés comme valables pour la population effectivement atteinte, et non pour l’ensemble des étudiants en master. »

Avec pondération : « Un redressement par post-stratification a été appliqué sur le sexe et le niveau d’études, à partir des effectifs officiels de la rentrée 2024. Les poids, normalisés pour sommer à l’effectif de l’échantillon (n = 187), varient de 0,75 à 1,90. Les analyses sont présentées pondérées ; les résultats non pondérés, reportés en annexe, ne diffèrent pas dans leurs conclusions. »

Ces deux formulations disent au jury la même chose : vous avez vu le problème, vous l’avez mesuré, et vous avez tranché pour une raison explicite.

Les erreurs qui coûtent cher
- Écrire « notre échantillon est représentatif » sans marge de comparaison. Représentatif de quoi, mesuré comment ? La phrase se retourne immédiatement.
- Pondérer pour faire disparaître la limite. Un redressement se déclare et se justifie ; il n’efface pas la section « limites », il la déplace.
- Laisser les poids sommer à la population. Le signe est évident : un N de plusieurs centaines de milliers dans vos sorties.
- Redresser sur une variable sans lien avec la variable dépendante. Vous perdez de la précision pour rien.
- Confondre non-réponse et non-représentativité. Ce sont deux mécanismes distincts, et notre article sur la diffusion d’un questionnaire et le taux de réponse traite spécifiquement du second.
- Oublier que l’échantillon peut aussi être groupé. Si vos répondants viennent de trois structures seulement, vous avez un problème d’indépendance en plus du problème de composition : voyez notre article sur les données groupées.
Écrire la section limites qui tient

Le calcul des poids prend dix minutes. Ce qui prend du temps, c’est d’écrire une demi-page qui reconnaît le problème sans saborder le mémoire : décrire la composition sans se justifier, expliquer la décision de pondérer ou non, et reformuler les conclusions pour qu’elles restent vraies.

Tesify travaille avec vous sur ce passage : structurer la section, tenir une terminologie constante entre méthode, résultats et limites, et reformuler les conclusions à la portée exacte que vos données autorisent. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

Rédiger vos limites méthodologiques avec Tesify

Questions fréquentes

Un échantillon de commodité disqualifie-t-il un mémoire ?

Non. La très grande majorité des mémoires de master reposent sur un échantillon de commodité et les jurys le savent parfaitement. Ce qui est sanctionné n’est pas l’échantillon, c’est la généralisation abusive : présenter des résultats obtenus sur 187 volontaires comme valables pour l’ensemble des étudiants français. Notre guide de la méthodologie quantitative replace ce choix dans la construction d’ensemble.

Combien de réponses faut-il pour être « représentatif » ?

La question est mal posée : la représentativité est une affaire de procédure de tirage, pas de taille. Mille réponses recueillies auprès de volontaires ne sont pas plus représentatives que deux cents. La taille détermine la précision et la puissance — c’est l’objet de la procédure G*Power —, pas l’absence de biais.

Puis-je pondérer sur plusieurs variables à la fois ?

Oui, en croisant les catégories (sexe × niveau, par exemple), mais chaque croisement multiplie le nombre de cellules et vide les plus rares. Avec 187 réponses et quatre niveaux croisés avec deux sexes, vous obtenez huit cellules dont certaines compteront trois personnes. En pratique, une seule variable de redressement, bien choisie, vaut mieux que trois mal remplies.

Mon jury peut-il me reprocher de ne pas avoir pondéré ?

Il peut vous reprocher de ne pas avoir traité la question, ce qui n’est pas la même chose. Une phrase qui énonce l’écart de composition, la raison de ne pas redresser et la portée restreinte des conclusions répond entièrement à l’objection. C’est le silence qui est reproché, pas la décision.

Comment décrire les personnes qui n’ont pas répondu ?

Si vous connaissez la composition de la liste initiale, comparez-la à celle des répondants : c’est la meilleure preuve disponible. Sinon, décrivez le canal de diffusion et raisonnez explicitement sur qui il exclut. Notre inventaire des biais méthodologiques d’un mémoire de master propose des formulations pour ce type de raisonnement plausible mais non vérifiable.
août 24, 2026
Construire une typologie de répondants : CAH, k-means et la justification du nombre de classes (2026)
Votre directeur lit votre tableau de moyennes et lâche la phrase : « ce serait intéressant de faire une typologie de vos répondants ». Vous notez, vous acquiescez, et vous rentrez chez vous sans savoir par où commencer.

Une typologie n’est pas un test de plus. C’est un changement d’unité d’analyse : au lieu de décrire des variables, vous décrivez des profils de personnes. La procédure est accessible, elle tient en deux étapes sous SPSS, et le vrai travail n’est pas le calcul — c’est la justification du nombre de classes et le nom que vous leur donnez.

Ce qu’une typologie répond, et ce qu’elle ne répond pas

Une classification est une méthode descriptive et exploratoire. Elle regroupe les individus qui se ressemblent sur un ensemble de variables. Elle ne teste aucune hypothèse, elle ne démontre aucun lien de cause à effet, et elle produira toujours un résultat — même sur des données parfaitement homogènes, l’algorithme rendra le nombre de classes que vous lui demandez.

C’est la première phrase à écrire dans votre méthodologie, et c’est aussi votre meilleure protection : personne ne peut reprocher à une analyse exploratoire de ne pas prouver, si elle a été annoncée comme exploratoire.

Elle est utile quand votre question porte réellement sur des profils : « existe-t-il des manières différentes de vivre la charge de travail, plutôt qu’un continuum du moins au plus ? ». Elle est un détour inutile quand vous cherchez simplement à croiser deux variables — le tri croisé y répond plus directement.

Une typologie déplace l’unité d’analyse : de la variable vers la personne.

Étape préalable — choisir et préparer les variables actives

Les variables actives sont celles qui construisent la classification. Trois règles pour les choisir.

Peu, et cohérentes. Cinq à huit variables actives suffisent largement. Au-delà, les distances deviennent floues et les classes perdent leur lisibilité. Elles doivent relever du même registre conceptuel : mélanger des attitudes et des données administratives produit des classes que personne ne saura nommer.

Standardisées. C’est la condition technique la plus souvent oubliée. La distance euclidienne est dominée par la variable de plus grande amplitude : un revenu en euros écrasera un score de Likert en 1–5. Convertissez tout en scores z (Analyse → Statistiques descriptives → Descriptives, en cochant Enregistrer les valeurs standardisées) avant de classer.

Non redondantes. Si vos douze items mesurent trois dimensions, ne classez pas sur les douze : deux items presque identiques comptent double dans la distance. Réduisez d’abord par une analyse factorielle exploratoire ou une analyse en composantes principales, puis classez sur les scores factoriels. Ils ont un double avantage : ils sont déjà standardisés et ils sont peu corrélés entre eux.

Étape 1 — La classification ascendante hiérarchique

La CAH part de chaque individu isolé et fusionne à chaque pas les deux éléments les plus proches, jusqu’à ne former qu’un seul groupe. Son intérêt : elle ne vous demande pas de fixer le nombre de classes à l’avance, elle le suggère.

Sous SPSS : Analyse → Classification → Classification hiérarchique. Placez vos variables actives, puis :
- Méthode : Ward. C’est le choix standard pour des variables quantitatives ; elle produit des classes de tailles comparables et minimise la variance interne.
- Mesure : Distance euclidienne au carré, qui est la mesure appariée à la méthode de Ward.
- Diagrammes : cochez le Dendrogramme.
- Statistiques : cochez la Chaîne des agrégations, qui donne les coefficients de fusion à chaque étape.
Le dendrogramme se lit de bas en haut : plus la barre de fusion est haute, plus les deux groupes réunis étaient différents. Une coupe horizontale du dendrogramme définit un nombre de classes.

Le niveau de la coupe fixe le nombre de classes. Le bon niveau est celui qui précède un saut visible dans la hauteur des fusions.

Étape 2 — Affiner par les nuées dynamiques

La CAH a un défaut : une fois deux individus réunis, ils ne se séparent plus, même si une meilleure affectation apparaît plus tard. Les nuées dynamiques — le k-means — corrigent cela en réaffectant les individus de façon itérative jusqu’à stabilisation.

Mais le k-means exige que vous fixiez k d’avance. D’où la procédure en deux temps, qui est la pratique standard : la CAH suggère le nombre de classes, le k-means affine l’affectation pour ce nombre.

Sous SPSS : Analyse → Classification → Nuées dynamiques. Indiquez le nombre de classes issu de l’étape 1, demandez l’enregistrement de l’appartenance de chaque individu comme nouvelle variable, et les centres de classes finaux.

Un détail qui compte : le k-means dépend de son initialisation. Relancez-le une deuxième fois ; si l’affectation change substantiellement, votre structure est fragile et le nombre de classes est probablement trop élevé.

La question qui décide : combien de classes ?

C’est la seule question que le jury posera, et il n’existe aucun critère purement statistique qui tranche. Croisez quatre arguments et exposez-les.
1. Le saut d’inertie. Dans la chaîne des agrégations, repérez l’étape où le coefficient de fusion augmente brutalement : cela signifie qu’on vient de réunir deux groupes réellement dissemblables. Le nombre de classes retenu est celui d’avant ce saut.
2. La taille des classes. Une classe de quatre personnes sur 240 n’est pas un profil, c’est un groupe d’individus atypiques. En pratique, une classe qui rassemble moins de 5 à 10 % de l’échantillon ne se défend pas — sauf si vous l’assumez explicitement comme un cas limite intéressant.
3. L’interprétabilité. Si vous ne pouvez pas décrire une classe en une phrase substantielle, elle n’existe pas pour votre lecteur. Une solution en trois classes nommables bat une solution en cinq classes que personne ne comprend.
4. La stabilité. Découpez votre échantillon en deux moitiés aléatoires et relancez la classification sur chacune. Si les profils se retrouvent, votre structure est robuste ; sinon, réduisez le nombre de classes.
Annoncez ces critères dans la méthodologie avant de rapporter la solution retenue. Choisir le nombre de classes après avoir vu lequel donne le résultat le plus flatteur est exactement ce que la démarche exploratoire ne permet pas.

Le piège de circularité — et la vraie validation

Voici l’erreur qui distingue un mémoire relu d’un mémoire sanctionné.

Une fois vos trois classes obtenues, la tentation est de lancer une ANOVA pour montrer qu’elles diffèrent significativement sur les variables actives. Le résultat sera spectaculaire — p < 0,001 partout — et il ne prouvera rien du tout. L’algorithme a précisément été conçu pour maximiser ces différences. Tester ce qu’on a soi-même construit est tautologique, et un jury qui connaît la méthode le verra immédiatement.

La validation se fait sur des variables illustratives, c’est-à-dire des variables non utilisées dans la classification :
- variables sociodémographiques : un test du khi-deux sur le croisement classe × filière, classe × niveau ;
- votre variable dépendante principale, si elle n’a pas servi à classer : une ANOVA sur les classes est ici parfaitement légitime, et c’est votre résultat ;
- des questions ouvertes ou des verbatims, qui donnent chair aux profils.
C’est cette étape qui transforme une partition arithmétique en typologie utile : les classes existent réellement si elles se comportent différemment sur ce qui n’a pas servi à les construire.

Nommer les classes

Le nommage est un travail analytique, pas cosmétique. Comparez le centre de chaque classe à la moyenne générale, variable par variable, et cherchez ce qui la distingue plutôt que ce qui la caractérise dans l’absolu.

Le graphique de profils est la figure la plus lisible d’une typologie : une ligne par classe, les mêmes dimensions en abscisse.

Deux principes : un nom doit être descriptif et non évaluatif — « les surchargés isolés » plutôt que « les mauvais élèves » —, et il doit renvoyer à ce qui différencie la classe, pas à une caractéristique partagée par tout l’échantillon. Si vos variables actives sont des échelles de Likert, rappelez que les scores sont standardisés : « au-dessus de la moyenne » ne veut pas dire « d’accord ».

Rédiger la typologie dans le mémoire

Méthodologie : « Une classification ascendante hiérarchique (méthode de Ward, distance euclidienne au carré) a été réalisée sur les scores standardisés des trois dimensions issues de l’analyse factorielle. Le dendrogramme et la chaîne des agrégations indiquent un saut d’inertie marqué au passage de trois à deux classes ; la solution à trois classes a donc été retenue, puis stabilisée par nuées dynamiques. »

Résultats : « La typologie distingue trois profils : les engagés soutenus (n = 96, 40,0 %), les surchargés isolés (n = 78, 32,5 %) et les distants pragmatiques (n = 66, 27,5 %). La répartition par filière diffère significativement entre classes, χ²(6) = 21,4, p = 0,002, alors que la filière n’a pas été utilisée comme variable active. »

Limites : « La classification est une méthode descriptive : elle produit une partition quel que soit le degré de structuration réelle des données. La solution a été vérifiée par découpage aléatoire de l’échantillon en deux moitiés, sur lesquelles les trois profils se retrouvent. »

Les erreurs qui coûtent cher
- Ne pas standardiser. Vos classes reflètent alors l’unité de mesure de vos variables, pas la structure de vos données.
- Tester les classes sur les variables qui les ont créées. Le piège de circularité décrit plus haut.
- Choisir k pour obtenir la conclusion voulue. Le critère se fixe avant, et se rapporte.
- Garder une classe minuscule parce qu’elle est intéressante. Vous pouvez la commenter, pas la traiter comme un profil à part entière.
- Confondre typologie et analyse factorielle. L’analyse factorielle regroupe des variables, la classification regroupe des individus. Les deux se combinent bien, dans cet ordre, mais elles ne répondent pas à la même question.
- Présenter la classification comme du « machine learning ». Le vocabulaire impressionne et n’ajoute rien ; notre article sur le machine learning en sciences humaines délimite ce que ces méthodes apportent réellement à un mémoire.
Écrire les profils, pas seulement les calculer

Obtenir trois classes prend vingt minutes. Ce qui prend des jours, c’est d’en faire un chapitre : justifier le nombre retenu sans se contredire, nommer les profils dans les termes de votre discipline, tenir ces noms d’un bout à l’autre du mémoire, et discuter ce que la typologie apporte à votre question de recherche.

Tesify travaille avec vous sur cette partie-là : structurer le chapitre, tenir une terminologie constante entre méthode, résultats et discussion, et rédiger les justifications 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

Combien de répondants faut-il pour une typologie ?

Il n’existe pas de seuil officiel, mais la contrainte réelle vient de la taille des classes : avec 60 répondants et trois classes, la plus petite comptera une quinzaine de personnes, ce qui rend toute comparaison ultérieure peu puissante. En pratique, une centaine de répondants est un plancher raisonnable pour trois classes. Vérifiez aussi que votre échantillon n’est pas trop homogène : sur un groupe très uniforme, l’algorithme découpera quand même.

Peut-on faire une typologie sur des variables qualitatives ?

Pas directement avec la distance euclidienne, qui suppose des variables quantitatives. La voie usuelle passe par une analyse factorielle adaptée aux données catégorielles, dont on récupère les coordonnées des individus pour les classer ensuite. Certains logiciels proposent également des mesures de distance spécifiques aux variables binaires.

Faut-il rapporter le dendrogramme dans le mémoire ?

Le dendrogramme complet d’un échantillon de 240 personnes est illisible et n’a pas sa place dans le corps du texte. Mettez-le en annexe, et gardez dans le chapitre le graphique de profils, beaucoup plus parlant. En revanche, le tableau des coefficients de fusion des dernières étapes tient en cinq lignes et justifie visuellement votre coupe.

Mes classes n’ont aucun sens : que faire ?

C’est un résultat, pas un échec. Trois causes possibles : vos variables actives sont trop hétérogènes, vous en avez mis trop, ou vos données sont réellement continues sans structure de groupe. Réduisez le nombre de variables, revenez à deux classes, et si rien ne se dégage, écrivez-le. Une typologie qui ne se stabilise pas est une information sur votre objet.

Le nombre de classes peut-il être déterminé automatiquement ?

Certaines procédures, dont la classification en deux étapes proposée par SPSS, suggèrent un nombre de classes à partir d’un critère d’information. C’est un argument de plus, pas un verdict : le critère peut proposer sept classes dont quatre seraient inutilisables. Il vient s’ajouter aux quatre arguments ci-dessus, il ne les remplace pas.
août 24, 2026

« Quelle était la puissance de votre étude ? » — que répondre quand votre résultat n’est pas significatif (2026)

Votre test rend p = 0,18. Vous écrivez que la différence n’est pas significative, et la remarque tombe — en pré-soutenance, dans un commentaire de votre directeur, ou en séance : « quelle était la puissance de votre étude ? »

La tentation est de rouvrir G*Power, de passer en mode Post hoc, d’entrer l’effectif et la taille d’effet observée, et de recopier le nombre qui s’affiche. C’est ce que fait la majorité des mémoires. Et c’est la seule réponse qui n’apporte strictement rien, pour une raison mathématique que peu de gens ont eu l’occasion de se faire expliquer.

Voici pourquoi, et surtout ce qu’il faut mettre à la place.

Pourquoi la puissance calculée après coup ne répond pas à la question

La puissance est une probabilité prospective : c’est la chance de détecter un effet d’une taille donnée, si cet effet existe, avec un effectif donné. Elle se calcule avant la collecte, à partir d’une taille d’effet que l’on postule — issue de la littérature, d’une étude pilote, ou d’un seuil de pertinence pratique.

La « puissance observée », elle, se calcule après coup en injectant la taille d’effet que vous venez de mesurer. Or cette taille d’effet et votre p sont deux lectures du même résultat. Il en découle une propriété exacte : la puissance observée est une fonction décroissante du p. Un p élevé donne toujours une puissance observée faible, un p juste sous le seuil donne toujours une puissance observée d’un peu plus de la moitié, et cela reste vrai quels que soient l’échantillon, la discipline et la variable.

La puissance observée est une fonction décroissante du p : elle ne contient aucune information nouvelle — Puissance observée et p sont deux expressions du même résultat : la première ne peut donc pas servir à expliquer la seconde.

Le raisonnement « mon résultat n’est pas significatif parce que ma puissance était faible » est donc circulaire : il utilise le résultat pour expliquer le résultat. Un jury attentif le relèvera, et le fait de l’avoir écrit avec un logiciel à l’appui n’y change rien.

La question posée est pourtant légitime. Ce que le jury veut savoir, c’est : votre étude était-elle capable de repérer un effet de taille intéressante ? C’est une question sur le dispositif, pas sur le résultat — et il existe trois façons correctes d’y répondre.

Réponse 1 — L’intervalle de confiance de l’effet

C’est la réponse la plus simple, la plus honnête, et celle qui coûte le moins d’effort : elle est déjà dans votre sortie.

Un p non significatif dit une chose et une seule : les données sont compatibles avec l’absence d’effet. Il ne dit pas de quelle taille d’effet elles restent également compatibles. L’intervalle de confiance, lui, le dit exactement.

Un intervalle étroit autour de zéro — par exemple une différence de 0,4 point avec un intervalle allant de −1,1 à +1,9 sur une échelle où seuls des écarts de 5 points ont un sens — est un résultat informatif : vous avez montré que s’il existe un effet, il est petit.
Un intervalle très large — la même différence de 0,4 point avec un intervalle allant de −12 à +12,8 — signifie que votre étude ne tranche rien. C’est le cas où la remarque du jury est fondée, et c’est précisément ce qu’il faut écrire.

Dans les deux cas, l’intervalle répond à la question de la puissance sans en prononcer le mot, et il le fait sur l’échelle de votre variable, ce que la puissance ne fait jamais.

Réponse 2 — L’analyse de sensibilité

C’est la version rigoureuse de ce que la puissance a posteriori essaie maladroitement de faire. La question inversée est : compte tenu de mon effectif, quelle est la plus petite taille d’effet que j’avais 80 % de chances de détecter ?

L'analyse de sensibilité : la plus petite taille d'effet que votre échantillon pouvait détecter — L’analyse de sensibilité ne dépend pas de votre résultat : elle ne dépend que de votre effectif, du seuil et de la puissance visée.

Cette quantité ne dépend que de trois choses que vous n’avez pas choisies après coup : l’effectif réellement analysé, le seuil α et la puissance conventionnellement visée. Elle est donc immunisée contre la circularité.

Dans G*Power, c’est le mode Sensitivity — pas Post hoc. Vous sélectionnez votre test, vous renseignez α = 0,05, la puissance = 0,80 et vos effectifs, et le logiciel renvoie la taille d’effet minimale détectable. Le reste de la procédure et le choix du test sont identiques à ceux du calcul de taille d’échantillon a priori : c’est la même boîte de dialogue, avec l’inconnue déplacée.

La phrase qui en découle est celle que les jurys retiennent : « avec 62 participants, l’étude disposait de 80 % de chances de détecter un effet d’au moins d = 0,72, soit un effet de taille moyenne à forte. Un effet plus modeste, mais potentiellement pertinent en pratique, n’aurait pas été détecté. »

Cette phrase reconnaît la limite, la quantifie, et ne prétend rien de plus que ce que les données permettent.

Réponse 3 — Le test d’équivalence, si vous voulez conclure à l’absence d’effet

Il y a une différence de nature entre « je n’ai pas trouvé de différence » et « j’ai montré qu’il n’y a pas de différence notable ». La première est un constat d’échec de détection ; la seconde est une affirmation positive, et un test classique ne peut jamais la produire.

Si votre question de recherche est réellement une question d’équivalence — deux méthodes pédagogiques donnent-elles des résultats comparables, une organisation allégée fait-elle aussi bien —, la démarche correcte consiste à définir à l’avance une zone d’indifférence : l’écart en deçà duquel vous considérez les deux conditions comme équivalentes en pratique. On conclut à l’équivalence si l’intervalle de confiance de la différence tient entièrement dans cette zone.

C’est exigeant, cela demande d’avoir posé la zone d’indifférence avant l’analyse, et cela ne s’improvise pas en fin de mémoire. Mais si c’est votre vraie question, un simple p non significatif ne pourra jamais y répondre, quelle que soit la puissance affichée à côté.

Le tableau des réponses

Ce que le jury demande	Ce qu’il faut fournir	Où le trouver
« Quelle était votre puissance ? »	La taille d’effet minimale détectable	GPower, mode Sensitivity*
« Peut-on conclure qu’il n’y a pas d’effet ? »	L’intervalle de confiance, et sa largeur	La sortie du test, déjà disponible
« Votre échantillon était-il suffisant ? »	Le calcul a priori s’il a été fait, sinon l’analyse de sensibilité	Le protocole, ou G*Power
« Vos deux groupes sont-ils équivalents ? »	Un test d’équivalence avec zone d’indifférence déclarée	À prévoir avant l’analyse
« Pourquoi si peu de participants ? »	Le récit du recrutement, et ce qui l’a limité	La section méthode

Le paragraphe à écrire

« La différence entre les deux groupes n’atteint pas le seuil de signification (t(60) = 1,36 ; p = 0,18 ; d = 0,35 ; IC à 95 % de la différence : −1,4 à +7,2 points). L’intervalle reste compatible avec des écarts allant d’une légère infériorité à une supériorité substantielle du groupe expérimental : les données ne permettent pas de trancher. Une analyse de sensibilité indique qu’avec 62 participants, le dispositif offrait 80 % de chances de détecter un effet d’au moins d = 0,72. Un effet de taille faible à moyenne, plausible dans ce champ, n’était donc pas détectable et l’absence de significativité ne doit pas être lue comme une absence d’effet. »

Quatre phrases. Elles disent ce qui a été trouvé, ce que cela n’exclut pas, ce que le dispositif pouvait voir, et comment interpréter le tout. Aucune ne comporte le mot « puissance observée ».

Trois choses à ne pas écrire

« La puissance de l’étude était de 27 %, ce qui explique l’absence de significativité. » Circulaire, et le raisonnement se voit.
« Une tendance à la significativité est observée (p = 0,07). » Un seuil n’admet pas de demi-mesure. Si vous voulez nuancer, donnez la taille d’effet et son intervalle et laissez le lecteur juger — voyez notre article sur le seuil de signification et le p.
« Nos résultats montrent qu’il n’y a pas de différence entre les groupes. » Sauf test d’équivalence, cette phrase dépasse ce que vos données autorisent. Écrivez « nous n’observons pas de différence », ce qui est exact et suffit.

Ce qu’il faut faire si l’effectif est réellement le problème

Un dispositif sous-dimensionné n’est pas une faute morale : c’est une contrainte de terrain, et les jurys la connaissent. Ce qui se juge, c’est la lucidité avec laquelle elle est traitée.

Racontez ce qui s’est passé — un taux de réponse inférieur à l’attendu, un terrain fermé en cours de route, une population de départ réellement peu nombreuse. Précisez si des participants ont été écartés et pourquoi : un effectif réduit par des critères de qualité des réponses s’explique différemment d’un effectif jamais atteint. Puis reformulez ce que votre travail apporte malgré cela : une estimation, même imprécise, une procédure reproductible, un résultat exploratoire chiffré qui peut servir à dimensionner une étude ultérieure.

C’est d’ailleurs l’usage le plus utile de vos données : la taille d’effet que vous avez observée, avec son intervalle, est précisément ce dont quelqu’un aura besoin pour calculer l’effectif d’une réplication. Le dire transforme une limite en contribution.

Écrire la discussion d’un résultat non significatif

C’est le passage le plus difficile du mémoire, parce qu’il faut y être exact sans y être défaitiste : reconnaître la limite, quantifier ce que le dispositif pouvait voir, et donner au lecteur une raison de considérer le travail comme informatif.

Tesify travaille avec vous sur cette section : formuler l’interprétation à partir de vos propres sorties, tenir la distinction entre absence de preuve et preuve d’absence, et construire une discussion qui assume le résultat au lieu de le contourner. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

Rédiger votre discussion avec Tesify

Questions fréquentes

SPSS affiche une colonne « puissance observée ». Faut-il la recopier ?

Elle apparaît dans les tableaux d’ANOVA lorsque l’option est cochée, et c’est exactement la quantité décrite plus haut. Vous pouvez la laisser dans la sortie brute en annexe ; ne construisez aucune interprétation dessus dans le corps du mémoire.

Puis-je encore faire un calcul de puissance si je ne l’ai pas fait avant la collecte ?

Oui — mais sous la forme d’une analyse de sensibilité, pas d’un calcul rétrospectif de puissance. Écrivez-le honnêtement : « aucun calcul d’effectif n’a été réalisé en amont, l’échantillon étant déterminé par la population accessible ; une analyse de sensibilité a posteriori indique que… ». C’est plus solide qu’un calcul a priori reconstitué après coup.

Mon directeur m’a demandé la puissance a posteriori. Dois-je refuser ?

Non. Donnez-lui le chiffre s’il le souhaite, et ajoutez l’analyse de sensibilité et l’intervalle de confiance à côté. En pratique, l’objection porte rarement sur le nombre lui-même : elle porte sur le fait que la limite ne soit pas traitée. Traitez-la mieux que demandé et la discussion s’arrête là.

Quelle puissance faut-il viser dans un calcul a priori ?

La convention est 0,80, parfois 0,90 pour un travail à enjeu. Ce sont des conventions et non des exigences réglementaires ; ce qui compte est de déclarer la valeur retenue et la taille d’effet postulée, car c’est ce dernier choix qui détermine réellement l’effectif.

Un effet significatif dispense-t-il de parler de puissance ?

La question de la puissance ne se pose plus de la même façon, mais une autre apparaît : sur un petit échantillon, un effet qui atteint la significativité est nécessairement de grande taille, et souvent surestimé. Rapportez la taille d’effet avec son intervalle et restez prudent sur son amplitude.

Cela vaut-il aussi pour les tests non paramétriques ?

Le raisonnement est identique, avec une nuance pratique : les tailles d’effet et les calculs de puissance y sont moins standardisés. G*Power propose des équivalents approchés pour plusieurs de ces tests. Si vous avez basculé sur un test de rangs faute de normalité, notez que d’autres voies existaient et que certaines conservent une taille d’effet directement interprétable.

août 23, 2026

Votre terrain vous a été refusé : les trois voies de repli pour sauver le mémoire (2026)

Le courriel arrive en février. Le service ne peut pas vous accueillir. Ou l’entreprise refuse que vous interrogiez ses salariés. Ou la direction de l’établissement ne donne pas suite, ce qui revient au même.

La réaction spontanée est de considérer le mémoire comme perdu. C’est une erreur d’appréciation : ce qui est perdu, c’est un matériau, pas un sujet. Et le matériau se remplace beaucoup plus facilement qu’une question de recherche.

D’abord, ne réécrivez pas encore votre sujet

L’erreur la plus coûteuse à ce stade est de changer de sujet dans la panique. Vous perdriez alors le cadre théorique, la revue de littérature et la problématique — c’est-à-dire les mois déjà investis — pour un problème qui ne touche que la collecte.

Posez-vous la question dans l’autre sens : quelle est la plus petite modification de ma question qui la rende traitable avec un matériau auquel j’ai accès ? Neuf fois sur dix, la réponse est un déplacement d’échelle ou d’angle, pas un changement d’objet.

La destination ne change pas ; seul l’itinéraire est à revoir.

Voie 1 — les données publiques déjà ouvertes

C’est la voie la plus rapide, parce qu’elle ne demande aucune autorisation ni aucun délai. Vous téléchargez et vous travaillez le jour même.

Elle convient dès que votre question peut se poser à l’échelle d’un territoire, d’un secteur ou d’une population plutôt que d’un établissement particulier. Un exemple de reformulation : « comment les soignants de ce service vivent-ils la charge de travail ? » devient « comment se distribuent les densités de professionnels de santé et l’accès aux soins entre territoires, et qu’est-ce que cela dit des conditions d’exercice ? ». Vous perdez la parole des personnes, vous gagnez une portée que votre terrain initial n’aurait jamais eue.

Selon votre discipline, l’entrée diffère. Pour la santé, voyez l’état des données de santé ouvertes sans démarche. Pour l’éducation, les données ouvertes en sciences de l’éducation. Pour la gestion et l’économie, les annonces légales d’entreprises. Pour le droit, la jurisprudence en open data. Et pour une vue d’ensemble, l’état du portail national des données ouvertes, qui explique surtout comment ne pas s’y noyer.

Voie 2 — les fichiers d’enquête commandés

Moins connue, et souvent la meilleure quand votre question porte sur des individus.

Les grandes enquêtes nationales — emploi, conditions de vie, santé, opinions, parcours de formation — sont accessibles gratuitement aux étudiants rattachés à un organisme d’enseignement, sur signature d’un engagement. Vous obtenez alors des données au niveau individuel, avec des échantillons qu’aucun étudiant ne pourrait constituer seul, et des questionnaires déjà validés.

Le prix à payer est un délai : il faut compter le temps d’instruction de la demande. C’est pourquoi cette voie doit être engagée le jour même où le terrain tombe, pas trois semaines plus tard. La procédure exacte, les conditions d’éligibilité et les engagements à signer sont détaillés dans la commande de données d’enquête auprès de Quetelet-Progedo.

Voie 3 — le corpus documentaire

La voie qu’on oublie systématiquement, et la seule qui conserve une analyse qualitative.

Si votre projet reposait sur des entretiens, un corpus de textes peut souvent porter une question voisine : rapports d’activité, comptes rendus publics, référentiels professionnels, décisions, presse spécialisée, forums professionnels, offres d’emploi. Ces matériaux sont publics, datés, et se prêtent aux mêmes méthodes d’analyse que des verbatims — codage, catégorisation, analyse thématique.

Reformulation typique : « comment les cadres de santé définissent-ils leur rôle ? » devient « comment le rôle de cadre de santé est-il défini dans les référentiels et les offres d’emploi, et quelles tensions ces définitions laissent-elles voir ? ». C’est un vrai sujet, et il est souvent plus original que l’enquête d’origine.

Si votre repli vous conduit vers un travail entièrement documentaire, voyez ce que recouvre exactement le mémoire bibliographique, qui obéit à ses propres règles de construction.

Reformuler sans forcer

Une question ajustée au matériau passe ; une question forcée casse.

Trois déplacements suffisent presque toujours, et ils se combinent.

Changer d’échelle. Du service au territoire, de l’entreprise au secteur. Vous passez du singulier au comparatif, ce que les jurys valorisent.

Changer de source d’énonciation. Ce que les acteurs disent en entretien devient ce que les institutions écrivent dans leurs documents. L’objet reste le discours ; seul son support change.

Changer de temporalité. L’état actuel, inaccessible, devient une évolution sur plusieurs années, que les données publiques documentent souvent mieux qu’une enquête ponctuelle.

Ce qu’il ne faut pas faire : garder mot pour mot la question initiale et prétendre que les nouvelles données y répondent. Un jury voit immédiatement l’écart entre une problématique et un matériau qui ne la sert pas.

Le calendrier de bascule, semaine par semaine

La contrainte réelle n’est pas intellectuelle, elle est temporelle. Voici l’ordonnancement qui limite la casse.

Jour 1. Prévenez votre directeur de mémoire et, si vous envisagez la voie 2, lancez la demande de fichiers d’enquête le jour même. C’est la seule démarche à délai incompressible : tout le reste peut attendre une semaine, pas celle-là.

Jours 2 à 4. Écrivez en une phrase la variable dont vous avez besoin, puis vérifiez qu’elle existe réellement dans le matériau visé — à la bonne maille, sur la bonne période. Ne réécrivez rien tant que cette vérification n’est pas faite : reformuler une question autour de données que vous n’avez pas encore ouvertes revient à recommencer deux fois.

Jours 5 à 7. Réécrivez la problématique et les hypothèses, et seulement elles. Le cadre théorique et la revue de littérature restent en place dans la très grande majorité des cas — c’est précisément ce qui rend la bascule supportable.

Semaine 2. Rédigez la nouvelle méthode, y compris le paragraphe qui explique le changement. À ce stade, vous avez rattrapé le retard, et vous avez gagné une section que les autres mémoires n’ont pas.

Ouvrez votre mémoire dans Tesify et réécrivez problématique, hypothèses et méthode en cohérence avec le matériau réellement disponible — sans repartir de zéro.

Ce que vous écrivez dans la méthodologie

Ne cachez pas le refus : exploitez-le. Deux ou trois phrases suffisent, et elles jouent en votre faveur.

Dites que l’accès au terrain initialement envisagé n’a pas pu être obtenu, ce que cela impliquait pour la question de départ, quelle reformulation vous avez retenue et pourquoi le nouveau matériau y répond. Vous démontrez ainsi une compétence que le terrain prévu ne vous aurait pas permis de montrer : la capacité à ajuster un dispositif de recherche à une contrainte réelle.

Ajoutez la limite qui en découle — ce que vous ne pouvez plus établir — et la discussion en sortira renforcée. Un mémoire qui énonce ses limites est plus solide qu’un mémoire qui n’en a apparemment aucune.

Questions fréquentes

Faut-il prévenir son directeur de mémoire ?

Immédiatement, et avant d’avoir choisi votre repli. C’est la personne qui connaît les attentes du jury de votre formation, et elle a souvent une piste de terrain de substitution ou de source que vous n’envisagez pas. Attendre pour « arriver avec une solution » fait perdre les semaines qui comptent.

Un mémoire sur données existantes est-il moins bien noté ?

Non. Ce qui est évalué, c’est la cohérence entre la question, la méthode et les conclusions. Un travail rigoureux sur données publiques vaut mieux qu’une enquête bâclée sur douze répondants trouvés dans l’urgence.

Puis-je réduire mon échantillon au lieu de changer de matériau ?

C’est possible si le refus est partiel. Mais un échantillon très réduit change la nature de ce que vous pouvez conclure : vous passez d’une prétention à la représentativité à une étude de cas, ce qui doit se dire dans la méthode et se refléter dans la formulation des résultats.

Combien de temps faut-il pour basculer ?

Comptez une à deux semaines en suivant le calendrier ci-dessus. La voie des données ouvertes est immédiate ; celle des fichiers d’enquête suppose un délai d’instruction, d’où l’intérêt de lancer la demande sans attendre.

Dois-je expliquer pourquoi le terrain a refusé ?

Mentionnez le fait, pas les personnes. « L’établissement sollicité n’a pas donné suite » suffit. Nommer et commenter un refus n’apporte rien à la démonstration et vous expose inutilement.

Et si je retrouve un terrain en cours de route ?

Tant mieux : combinez. Un cadrage sur données publiques suivi de quelques entretiens forme un design mixte solide, et le cadrage donnera à vos entretiens une portée qu’ils n’auraient pas eue seuls.

Le refus peut-il devenir un objet d’étude ?

Parfois, et c’est une piste sérieuse en sciences sociales : la difficulté d’accès à un terrain renseigne sur son fonctionnement, sa fermeture ou sa charge de travail. Cela demande de le documenter méthodiquement dès le premier refus — dates, canaux, réponses — et de le traiter comme une donnée, non comme une plainte.

Un terrain fermé n’est pas un mémoire perdu. Reprenez la rédaction avec Tesify — nouvelle méthode, même sujet, vos mots.

août 23, 2026
L’analyse de survie dans un mémoire : la masterclass Kaplan-Meier, log-rank et Cox (2026)
Votre variable dépendante n’est pas « est-ce que c’est arrivé ? » mais « au bout de combien de temps est-ce arrivé ? ». Combien de semaines avant qu’un étudiant abandonne la formation. Combien de mois avant la première rechute. Combien de jours avant la démission, avant le retour à l’emploi, avant la première utilisation du service.

Et vous avez un problème que les tests habituels ne savent pas gérer : à la fin de votre période d’observation, l’événement n’est pas survenu pour tout le monde. Certains participants ont quitté l’étude en cours de route, d’autres sont encore là sans que rien ne se soit produit. Vous ne pouvez ni les supprimer — ce sont vos meilleurs cas — ni leur attribuer une durée que vous n’avez pas observée.

C’est exactement le problème que l’analyse de survie résout. Cette masterclass la déroule en quatre étapes, du format des données jusqu’à la phrase du chapitre résultats.

Étape 0 — Reconnaître que vous êtes dans ce cas

Trois signes qui ne trompent pas :
- Votre question contient un mot de durée : quand, au bout de, combien de temps, délai, rapidité.
- L’événement d’intérêt est binaire mais datable, et il ne peut survenir qu’une fois par participant sur la période observée.
- Le suivi n’a pas la même longueur pour tout le monde : les participants sont entrés dans l’étude à des dates différentes, ou certains ont disparu avant la fin.
Si les trois sont réunis, une régression logistique binaire ne suffira pas. Elle vous dira si l’événement est survenu ; elle ignorera complètement quand, et elle traitera de la même façon quelqu’un observé deux semaines et quelqu’un observé deux ans. Le vocabulaire vient de la médecine, mais la méthode s’applique à n’importe quel délai avant événement.

Étape 1 — La censure, et pourquoi tout dépend d’elle

Un participant est censuré lorsque vous savez seulement que l’événement n’était pas survenu à un moment donné. Trois situations la produisent :
- l’étude se termine et l’événement n’a pas eu lieu ;
- le participant est perdu de vue avant la fin ;
- le participant sort de l’étude pour une autre raison que l’événement étudié.
Le point crucial, et la raison d’être de toute la méthode : une observation censurée n’est pas une donnée manquante. Un étudiant observé pendant 22 semaines sans avoir abandonné vous apprend quelque chose de réel — pendant 22 semaines, il n’a pas abandonné. L’analyse de survie utilise cette information jusqu’à la date de censure, puis retire la personne du groupe « à risque ».

Chaque ligne est un participant. Certaines se terminent par un événement, d’autres par une censure. Les deux comptent, différemment.

Il existe cependant une condition rarement énoncée dans les mémoires : la censure doit être non informative. Autrement dit, les personnes censurées ne doivent pas différer systématiquement de celles restées observables. Si vos perdus de vue sont précisément ceux qui allaient abandonner, votre courbe sera optimiste. Vous ne pouvez pas tester cette hypothèse ; vous pouvez la discuter, en décrivant qui a été perdu de vue et à quel moment.

Étape 2 — Structurer les données

Toute l’analyse repose sur deux colonnes, et c’est la partie que les étudiants ratent le plus souvent.
1. Une colonne de temps : la durée entre l’entrée du participant dans l’étude et, soit l’événement, soit sa dernière observation. Ce n’est pas une date : c’est un nombre de jours, de semaines ou de mois. Choisissez une unité et tenez-la.
2. Une colonne de statut : 1 si l’événement est survenu, 0 si l’observation est censurée.
Un participant qui abandonne à la semaine 9 : temps = 9, statut = 1. Un participant encore inscrit à la fin du semestre, semaine 30 : temps = 30, statut = 0. Un participant perdu de vue après 14 semaines : temps = 14, statut = 0.

Deux décisions à écrire noir sur blanc dans la méthodologie : ce qui définit l’entrée dans l’étude (l’origine du temps) et ce qui compte exactement comme l’événement. Une définition floue de l’événement rend toute la suite indéfendable.

Étape 3 — La courbe de Kaplan-Meier

L’estimateur de Kaplan-Meier construit, pas à pas, la probabilité de ne pas avoir connu l’événement à chaque instant. À chaque date où un événement survient, la courbe descend d’une marche dont la hauteur dépend du nombre de personnes encore à risque à cet instant. Entre deux événements, elle est plate. C’est pour cela qu’elle a une allure d’escalier et non de courbe lisse.

Sous SPSS : Analyse → Survie → Kaplan-Meier. Placez la variable de temps, la variable de statut (en cliquant sur Définir l’événement pour indiquer que 1 signifie « survenu »), et éventuellement une variable de groupe en facteur. Dans Options, demandez la table de survie, les quartiles et le graphique de la fonction de survie.

Ce que vous rapportez ensuite :
- La médiane de survie — le délai au bout duquel la moitié des participants ont connu l’événement. C’est la statistique de référence, et elle est souvent plus honnête qu’une moyenne.
- Si la courbe ne descend pas sous 50 %, la médiane n’existe pas. N’inventez pas de valeur : rapportez plutôt la probabilité de survie à un instant fixé (« 78 % des étudiants étaient encore inscrits à la semaine 20 »).
- Le nombre de participants encore à risque à quelques instants clés, sous l’axe des abscisses. C’est la convention qui permet au lecteur de voir que la fin de la courbe repose parfois sur cinq personnes.
Étape 4 — Comparer deux groupes : le test du log-rank

Deux courbes séparées ne prouvent rien tant que vous ne les avez pas comparées. Le test du log-rank, que SPSS nomme aussi Mantel-Cox, fait exactement cela : il compare, à chaque date d’événement, le nombre d’événements observés dans chaque groupe au nombre attendu si les deux groupes étaient identiques, puis cumule les écarts.

Il apparaît automatiquement dès que vous déclarez un facteur dans la procédure Kaplan-Meier, via le bouton Comparer les facteurs.

Deux limites à connaître avant de l’utiliser :
- Il vous dit que les courbes diffèrent, pas de combien. Pour une taille d’effet, il faut passer au modèle de Cox.
- Il perd beaucoup de puissance quand les courbes se croisent, parce que les écarts de sens opposé s’annulent en s’additionnant. Regardez toujours le graphique avant de conclure d’un p non significatif que les groupes se ressemblent.
Étape 5 — Le modèle de Cox et le hazard ratio

Le modèle de Cox, dit à risques proportionnels, est l’équivalent en analyse de survie d’une régression multiple : plusieurs prédicteurs simultanés, continus ou catégoriels, et un effet ajusté pour chacun.

Sous SPSS : Analyse → Survie → Régression de Cox. Même variable de temps, même variable de statut, vos prédicteurs en covariables, et dans Options, cochez les intervalles de confiance à 95 % de Exp(B).

La sortie qui compte est la colonne Exp(B), c’est-à-dire le hazard ratio. Il se lit ainsi :
- HR = 1 : aucun effet, le risque instantané est le même dans les deux groupes.
- HR = 1,8 : à chaque instant, le risque de connaître l’événement est 80 % plus élevé dans ce groupe.
- HR = 0,6 : le risque est réduit de 40 %.
Le piège d’interprétation est constant : un hazard ratio n’est pas un rapport de durées. Un HR de 2 ne signifie pas « deux fois plus vite » ni « deux fois plus de cas à la fin ». Il porte sur le risque instantané, chez les personnes encore à risque à cet instant. Et il n’est pas non plus un odds ratio, qui ignore le temps : deux groupes peuvent finir avec la même proportion d’événements et avoir des hazard ratios très différents si les événements ne surviennent pas au même moment.

L’hypothèse propre au modèle : les risques proportionnels

Le nom du modèle contient sa condition d’application. Cox suppose que le rapport de risque entre deux groupes est constant dans le temps. Un traitement qui protège fortement les trois premiers mois puis ne protège plus du tout viole cette hypothèse, et le HR unique rapporté par SPSS devient une moyenne trompeuse entre deux périodes opposées.

À gauche, l’hypothèse tient et un hazard ratio unique décrit la situation. À droite, elle est violée : le rapport de risque s’inverse en cours de route.

Trois vérifications, du plus simple au plus rigoureux :
1. Regardez vos courbes de Kaplan-Meier. Si elles se croisent, l’hypothèse est très probablement fausse. C’est gratuit et cela suffit souvent à trancher.
2. Demandez le graphique log-moins-log (bouton Diagrammes de la procédure Cox). Les courbes doivent être approximativement parallèles.
3. Testez une covariable dépendante du temps. SPSS propose Régression de Cox avec variable dépendante du temps : créez l’interaction entre votre prédicteur et le temps, et vérifiez qu’elle n’est pas significative.
Si l’hypothèse ne tient pas, trois issues honnêtes : découper le suivi en périodes et rapporter un HR par période ; conserver le modèle en déclarant explicitement que le HR est une moyenne sur la période ; ou renoncer au modèle de Cox et s’en tenir aux courbes de Kaplan-Meier avec un log-rank. La faute serait de ne pas vérifier.

Combien d’événements faut-il ?

Voici la contrainte que personne n’anticipe : en analyse de survie, ce n’est pas l’effectif qui limite le modèle, c’est le nombre d’événements observés. Trois cents participants dont douze ont abandonné vous donnent douze événements, et non trois cents observations utiles pour estimer les coefficients.

La règle empirique la plus répandue demande environ dix événements par variable explicative dans un modèle de Cox. Avec douze événements, vous pouvez raisonnablement tester un prédicteur, pas trois. C’est une convention, pas une loi, mais elle est connue des jurys et elle évite les modèles instables.

Conséquence pratique : anticipez le taux d’événement avant la collecte, comme vous le feriez pour n’importe quel calcul d’effectif. La procédure G*Power traite le cas de la régression de Cox, et l’exercice révèle souvent qu’il faut allonger la période de suivi plutôt qu’élargir l’échantillon.

Rédiger les résultats

Kaplan-Meier et log-rank : « Sur 214 étudiants suivis pendant un semestre, 63 ont interrompu leur formation (29,4 %) et 151 observations ont été censurées, dont 22 perdues de vue. La médiane de maintien n’est pas atteinte sur la période observée ; la probabilité de maintien à la semaine 20 est estimée à 0,74 (IC 95 % [0,68 ; 0,80]). Le test du log-rank indique une différence significative entre les deux dispositifs, χ²(1) = 6,41, p = 0,011. »

Modèle de Cox : « Après ajustement sur l’âge et le statut de boursier, l’appartenance au dispositif d’accompagnement est associée à une réduction du risque d’interruption, HR = 0,62, IC 95 % [0,41 ; 0,94], p = 0,024. L’hypothèse de proportionnalité des risques a été vérifiée par inspection du graphique log-moins-log et par un terme d’interaction avec le temps, non significatif (p = 0,412). »

Notez les trois éléments qu’un lecteur cherche systématiquement : le nombre d’événements, le nombre de censures avec leur motif, et la vérification de la proportionnalité. Les grilles de rédaction internationales le demandent explicitement, et notre article sur les grilles STROBE, CONSORT et COREQ détaille lesquelles s’appliquent à votre type d’étude.

Les erreurs qui coûtent cher
- Supprimer les participants sans événement. C’est l’erreur fatale : elle transforme votre échantillon en sous-groupe de ceux à qui c’est arrivé, et biaise tout vers le bas.
- Remplacer l’analyse par un test du khi-deux sur « événement oui/non ». Vous jetez l’information temporelle, et vous comparez des personnes suivies deux semaines à des personnes suivies deux ans.
- Rapporter une médiane de survie qui n’existe pas. Si la courbe ne descend pas sous 50 %, SPSS laisse la case vide — et c’est correct.
- Interpréter un hazard ratio comme un rapport de durées. « Deux fois plus de risque instantané » n’est pas « deux fois plus vite ».
- Ne jamais vérifier la proportionnalité des risques. C’est la première question technique d’un jury qui connaît la méthode.
- Ignorer que le suivi est groupé. Si vos participants sont imbriqués dans des services ou des promotions entières, la condition d’indépendance saute aussi ici — voyez notre article sur les données groupées et le modèle multiniveau.
Où trouver des données de durée

Vous n’avez pas nécessairement besoin de collecter un suivi vous-même. Les bases françaises en accès libre contiennent des variables temporelles exploitables, et notre inventaire des données de santé ouvertes pour un mémoire recense celles qui ne demandent aucune démarche préalable. Pour un mémoire de médecine ou de pharmacie, la thèse d’exercice reste le format où cette méthode est la plus attendue ; en soins infirmiers, notre exemple de travail de fin d’études d’IFSI montre comment l’insérer dans un format plus court.

Écrire le chapitre autour de la courbe

Produire la courbe prend une demi-heure. Ce qui prend des jours, c’est le texte : définir l’événement sans ambiguïté, justifier l’origine du temps, décrire les censures sans les noyer, interpréter un hazard ratio dans les mots de votre discipline, et écrire la limite de la censure informative.

Tesify travaille avec vous sur cette partie-là : structurer le chapitre, tenir une terminologie constante entre méthode et résultats, et rédiger les justifications 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 travailler en santé pour faire une analyse de survie ?

Non. Le vocabulaire — survie, risque, décès — vient de la médecine, mais la méthode s’applique à tout délai avant un événement : temps avant l’abandon d’une formation, avant une démission, avant un retour à l’emploi, avant la première utilisation d’un service. En gestion, on parle souvent d’analyse de durée ou de modèles de durée pour la même chose.

Que faire des participants perdus de vue ?

Vous les censurez, vous ne les excluez pas : conservez la durée pendant laquelle vous les avez observés sans événement, avec un statut à 0. Décrivez ensuite combien ils sont, à quel moment ils ont disparu, et si leur profil diffère des autres — c’est la seule façon d’aborder honnêtement la question de la censure informative.

Quelle différence entre odds ratio et hazard ratio ?

L’odds ratio compare la cote de l’événement à la fin de l’étude, sans regarder le moment. Le hazard ratio compare le risque instantané à chaque date, parmi les personnes encore à risque. Deux groupes peuvent afficher la même proportion finale d’événements et des hazard ratios très différents, si les événements se concentrent tôt d’un côté et tard de l’autre.

Puis-je faire une analyse de survie avec des données rétrospectives ?

Oui, et c’est le cas le plus fréquent en mémoire : vous reconstituez les durées à partir de dossiers existants. Deux précautions : vérifiez que la date d’origine est disponible et fiable pour tout le monde, et méfiez-vous du biais qui consiste à ne retenir que les dossiers complets — les dossiers incomplets sont souvent ceux des sorties précoces.

SPSS est-il suffisant, ou faut-il R ?

SPSS couvre Kaplan-Meier, le log-rank et le modèle de Cox, y compris avec covariable dépendante du temps : c’est amplement suffisant pour un mémoire. R offre des diagnostics plus fins, notamment les résidus de Schoenfeld, mais aucun jury de master ne les exigera si vos trois vérifications de proportionnalité sont documentées.
août 23, 2026

Étiquette : mémoire de master

La réponse courte

L’argument que tout le monde donne, et qui ne suffit pas

Ce que la MANOVA teste réellement

Les trois conditions du choix

La procédure sous SPSS

Les conditions à vérifier

Le piège de la descente

Et si vous avez aussi une covariable ?

Rédiger le résultat

Les erreurs qui coûtent cher

Écrire le chapitre qui va avec, sans y passer trois semaines

Questions fréquentes

Combien de participants faut-il pour une MANOVA ?

Peut-on faire une MANOVA avec deux groupes seulement ?

La MANOVA remplace-t-elle une correction de seuil ?

Mon test de Box est significatif : dois-je abandonner ?

Puis-je faire une MANOVA sur des mesures répétées ?

La règle qui vaut pour tous les tableaux

Les conventions de transcription

Statistiques descriptives

Comparer deux groupes

Comparer trois groupes ou plus

Tests non paramétriques

Croiser deux variables catégorielles

Relier deux variables continues

Expliquer par plusieurs prédicteurs

Questionnaires et échelles

Conditions et diagnostics

Où va chaque nombre

Les cinq pièges

De la sortie au chapitre

Questions fréquentes

Mon SPSS est en anglais. Les intitulés correspondent-ils ?

Faut-il mettre les sorties brutes en annexe ?

SPSS affiche « . » ou une cellule vide. Pourquoi ?

Dois-je rapporter tous les tableaux produits ?

Comment citer une taille d’effet quand SPSS ne l’affiche pas ?

Deux tableaux donnent des N différents. Lequel est le bon ?

Le tableau d’orientation

Variable continue

Variable ordinale

Variable binaire et variable nominale

Variable de comptage — le cas le plus souvent mal rangé

Durée avant événement

Variable latente mesurée par plusieurs items

Trois questions à poser avant de valider votre choix

Les trois erreurs de rangement les plus fréquentes

Écrire la justification du choix

Questions fréquentes

Un score de Likert est-il continu ou ordinal ?

Peut-on faire une régression linéaire sur un nombre d’événements ?

Faut-il tester la normalité de la variable dépendante ?

Que faire si j’ai plusieurs variables dépendantes ?

Et pour une synthèse de résultats déjà publiés ?

Le tableau des cinq seuils

0,05 — le seuil qui n’a jamais prétendu être une loi

0,80 — une puissance qui encode un arbitrage

0,70 pour l’alpha de Cronbach — le seuil le plus mal cité de tous

VIF < 10, ou VIF < 5 ?

KMO > 0,60 — un seuil extrait d’une échelle

Le bonus : d = 0,20 / 0,50 / 0,80

Trois règles à appliquer dans votre mémoire

Deux phrases modèles

Où ces seuils s’insèrent dans votre plan d’analyse

Écrire une méthodologie qui justifie ses critères

Questions fréquentes

Le seuil de 0,05 est-il obligatoire ?

Faut-il citer ces sources dans un mémoire de master ?

Que répondre si le jury demande pourquoi j’ai retenu ce seuil ?

Mon résultat est à p = 0,052 : puis-je écrire « tendanciellement significatif » ?

Existe-t-il des seuils propres à ma discipline ?

Trois notions à ne pas confondre

Les quatre indicateurs, et comment les obtenir

Ce qu’il faut faire d’une observation influente

1. Retourner à la ligne du fichier

2. Se demander ce que le cas révèle du modèle

3. Rapporter les deux résultats

Ce que le diagnostic change dans l’écriture

Les erreurs les plus fréquentes