tesifyFrance
Commencer gratuitement
Comment ça marcheBlogAideContactSe connecter

Étiquette : mémoire quantitatif

  • Vous n’avez pas pu randomiser : différence-de-différences, score de propension ou variable instrumentale ? (2026)

    Vous n’avez pas pu randomiser : différence-de-différences, score de propension ou variable instrumentale ? (2026)

    La question tombe en soutenance, et elle est presque toujours la même : « comment savez-vous que c’est votre dispositif qui a produit cet écart, et non le fait que les personnes qui y ont participé étaient déjà différentes au départ ? »

    C’est la question de l’identification causale, et elle n’a pas de réponse statistique automatique. Dans un essai randomisé, le tirage au sort y répond seul. Mais un mémoire de master travaille presque toujours sur des données observationnelles : les gens ont choisi de suivre la formation, les entreprises ont choisi de se certifier, les communes ont choisi d’adopter le dispositif.

    Trois stratégies existent pour s’en sortir honnêtement : la différence-de-différences, le score de propension et la variable instrumentale. Elles ne demandent pas les mêmes données, ne reposent pas sur les mêmes hypothèses, et ne sont pas également réalistes dans un mémoire. Voici comment choisir.

    Le vrai problème : le contrefactuel manquant

    Ce que vous voudriez mesurer, c’est la différence entre ce qui est arrivé aux personnes traitées et ce qui leur serait arrivé sans le traitement. Cette seconde quantité n’existe pas : c’est le contrefactuel, et il est par construction inobservable.

    Toute la méthodologie causale consiste donc à construire un substitut crédible du contrefactuel — un groupe, une période ou une variation qui puisse raisonnablement tenir lieu de « ce qui se serait passé sinon ».

    Le danger porte un nom : le biais de sélection. Si les personnes qui se portent volontaires pour une formation sont déjà les plus motivées, comparer leur performance à celle des non-participants mesure la motivation autant que la formation. Aucune quantité de sophistication statistique appliquée après coup ne répare une comparaison mal construite. C’est la version opérationnelle du principe bien connu selon lequel une corrélation n’établit pas une causalité.

    Pourquoi « j’ai ajouté des variables de contrôle » ne suffit pas

    Le réflexe naturel est d’introduire l’âge, le diplôme, l’ancienneté et le secteur comme covariables dans une régression linéaire multiple, puis de présenter le coefficient du traitement comme un effet « toutes choses égales par ailleurs ».

    C’est utile, mais il faut être lucide sur la portée : cette formule ne neutralise que les caractéristiques que vous avez mesurées. Elle ne dit rien de la motivation, du soutien hiérarchique, de l’ambition ou de l’état de santé antérieur si vous ne les avez pas dans votre base. Or ce sont précisément ces variables non observées qui déterminent le plus souvent qui reçoit le traitement.

    Les trois méthodes qui suivent se distinguent justement par ce qu’elles font de l’inobservé.

    Deux courbes parallèles qui divergent après une date d'intervention
    La différence-de-différences ne compare pas deux niveaux : elle compare deux évolutions.

    Différence-de-différences : comparer des évolutions, pas des niveaux

    C’est la stratégie la plus accessible en mémoire, et de loin.

    Le principe. Vous observez deux groupes — un traité, un non traité — à deux moments : avant et après l’intervention. Vous calculez l’évolution de chaque groupe, puis la différence entre ces deux évolutions. Le groupe témoin sert à absorber tout ce qui a bougé pour tout le monde pendant la période : la conjoncture, la saison, une réforme nationale.

    Le calcul se fait en une seule régression, avec trois termes : une indicatrice de groupe, une indicatrice de période, et leur produit. C’est le coefficient de ce produit qui est l’estimation de l’effet — la mécanique est rigoureusement celle d’un terme d’interaction, avec la même lecture des coefficients.

    Ce que ça neutralise. Toute différence stable entre les deux groupes, y compris non mesurée. Si votre groupe traité était déjà plus performant au départ, l’écart de départ est éliminé.

    L’hypothèse critique : les tendances parallèles. Sans le traitement, les deux groupes auraient évolué de la même façon. Elle n’est pas démontrable, mais elle se rend crédible : si vous disposez de plusieurs périodes avant l’intervention, montrez que les deux courbes évoluaient déjà en parallèle. Un graphique de ces trajectoires pré-traitement est l’élément le plus convaincant que vous puissiez mettre dans un mémoire d’évaluation.

    Le piège classique. Un traitement déclenché parce que le groupe allait mal — un dispositif d’accompagnement lancé dans les services où l’absentéisme grimpait déjà. Les tendances n’étaient alors pas parallèles avant, et la méthode attribuera au dispositif un retour à la moyenne qui se serait produit de toute façon.

    Le modèle à effets fixes sur données de panel est la généralisation directe de cette logique à plusieurs unités et plusieurs périodes.

    Score de propension : fabriquer un groupe témoin comparable

    Le principe. Vous n’avez pas de mesure « avant », mais vous avez beaucoup de caractéristiques observées. Vous estimez alors, pour chaque individu, la probabilité d’avoir reçu le traitement compte tenu de ces caractéristiques — c’est le score de propension, obtenu par une régression logistique binaire dont la variable dépendante est le fait d’être traité.

    Vous appariez ensuite chaque individu traité à un ou plusieurs non-traités ayant un score voisin, et vous comparez les résultats à l’intérieur de ces paires. L’idée : entre deux personnes qui avaient la même probabilité de participer, celle qui a participé et celle qui n’a pas participé sont raisonnablement comparables.

    Les deux contrôles obligatoires. Ils sont rarement faits dans les mémoires, et un jury informé les demandera.

    • Le support commun. Les distributions de scores des deux groupes doivent se recouvrir. Un individu traité dont le score est de 0,97 n’a aucun jumeau possible : il faut l’écarter, et dire combien vous en avez écartés.
    • L’équilibre après appariement. Vérifiez que chaque covariable est désormais distribuée de façon similaire dans les deux groupes. L’indicateur usuel est la différence de moyennes standardisée, qu’on souhaite ramener sous 0,10. C’est ce tableau « avant / après appariement » qui prouve que la méthode a fait son travail.

    La limite qu’il faut assumer par écrit. L’appariement n’équilibre que ce que vous avez mesuré. Il ne protège en rien contre une variable non observée qui déterminerait à la fois la participation et le résultat. Sur ce point précis, le score de propension est moins protecteur que la différence-de-différences, qui neutralise l’inobservé stable sans avoir eu besoin de le mesurer. Écrivez-le dans vos limites : cela vous vaudra des points plutôt que d’en coûter.

    Deux groupes d'individus appariés deux à deux, certains restant sans paire
    Apparier, c’est aussi accepter de perdre les individus qui n’ont aucun équivalent dans l’autre groupe.

    Variable instrumentale : élégante, et rarement praticable

    Le principe. Vous cherchez une variable — l’instrument — qui pousse les gens vers le traitement sans avoir d’effet propre sur le résultat. Elle joue le rôle d’un tirage au sort naturel : la part de variation du traitement qu’elle explique est, elle, indépendante des caractéristiques des individus.

    L’estimation se fait en deux temps : on prédit d’abord le traitement à partir de l’instrument, puis on utilise cette prédiction à la place du traitement réel dans l’équation de résultat.

    Deux conditions, dont une invérifiable.

    1. La pertinence : l’instrument doit être fortement corrélé au traitement. Cela se teste, et la règle usuelle est un F supérieur à 10 dans la première équation. Un instrument faible produit des estimations très biaisées, parfois pires que la régression naïve.
    2. La restriction d’exclusion : l’instrument ne doit influencer le résultat que par le canal du traitement. Cette condition ne se teste pas. Elle s’argumente, et c’est là que presque tous les candidats échouent.

    Les instruments crédibles de la littérature sont typiquement des accidents administratifs ou géographiques : la distance au centre de formation le plus proche, une date-seuil d’éligibilité, une loterie d’attribution. Ils sont rares, et un instrument bricolé est plus dangereux qu’utile.

    Verdict honnête pour un mémoire de master : ne partez pas sur une variable instrumentale à moins qu’un instrument évident ne soit déjà présent dans votre terrain et que votre directeur le valide. Une différence-de-différences bien conduite vaut mieux qu’une variable instrumentale mal défendue.

    Comment choisir en pratique

    La question à se poser n’est pas « quelle méthode est la meilleure » mais « quelle structure de données ai-je réellement ». Trois questions dans l’ordre :

    1. Ai-je des observations avant et après, sur un groupe traité et un groupe non traité ? → différence-de-différences. C’est le premier choix chaque fois qu’il est disponible.
    2. Sinon, ai-je une seule photographie, mais beaucoup de covariables de qualité ? → score de propension, avec les tableaux de support commun et d’équilibre.
    3. Sinon, ai-je un instrument que je peux défendre théoriquement en trois phrases ? → variable instrumentale. Si l’argument prend plus de trois phrases, vous n’avez pas d’instrument.

    Et si la réponse est non aux trois ? C’est fréquent, et ce n’est pas un échec. Vous présentez alors une association ajustée et non un effet causal : régression avec covariables, vocabulaire prudent, et une section de limites qui explique précisément quel confondant vous ne pouvez pas exclure. Un mémoire qui délimite honnêtement sa portée est mieux noté qu’un mémoire qui revendique une causalité que son plan de recherche ne permet pas.

    Ce qu’il faut écrire

    Quelle que soit la méthode, quatre éléments sont attendus dans le chapitre méthodologie : la nature du traitement et sa date, la manière dont le groupe de comparaison a été constitué, l’hypothèse d’identification énoncée en clair, et les tests ou éléments qui la rendent plausible.

    Modèle de phrase — différence-de-différences : « L’effet est estimé par différence-de-différences, en comparant l’évolution des services équipés à celle des services non équipés entre 2024 et 2026. L’identification repose sur l’hypothèse de tendances parallèles, dont la plausibilité est appuyée par l’évolution comparable des deux groupes sur les trois exercices antérieurs (figure 4). Le coefficient d’interaction indique une réduction de 3,2 points (p = 0,014). »

    Modèle de phrase — score de propension : « Les scores de propension ont été estimés par régression logistique sur huit covariables, puis les participants appariés au plus proche voisin dans la limite du support commun. Onze participants sans équivalent ont été exclus. Après appariement, toutes les différences de moyennes standardisées sont inférieures à 0,10 (tableau 3). L’identification suppose l’absence de confondant non observé, hypothèse discutée en limites. »

    Et la règle de vocabulaire qui traverse tout : est associé à tant que l’identification n’est pas défendue, a pour effet seulement une fois qu’elle l’est.

    Écrire le chapitre qui porte tout cela

    La difficulté d’un mémoire d’évaluation n’est pas le calcul — chacune de ces méthodes tient en quelques lignes de code. Elle est dans l’argumentation : expliquer pourquoi votre groupe de comparaison est crédible, énoncer une hypothèse d’identification sans jargon, et discuter ce qu’elle laisse ouvert.

    Tesify vous accompagne sur cette rédaction : structurer le chapitre méthodologie, articuler la stratégie d’identification avec votre question de recherche, et transformer vos choix techniques en argumentation défendable devant un jury. Vos données et vos analyses restent les vôtres.

    Structurer votre mémoire d’évaluation avec Tesify

    Questions fréquentes

    Puis-je faire une différence-de-différences sans groupe témoin ?

    Non — une comparaison avant/après sur le seul groupe traité n’est pas une différence-de-différences, c’est une simple évolution temporelle. Elle confond votre dispositif avec tout ce qui s’est passé d’autre pendant la période. Si aucun groupe non traité n’existe, cherchez une comparaison imparfaite mais argumentable — un service voisin, une région comparable, une cohorte antérieure — et discutez explicitement ses limites.

    Combien de variables faut-il pour un score de propension ?

    La règle n’est pas quantitative mais conceptuelle : incluez tout ce qui influence à la fois la participation et le résultat. En revanche, n’incluez jamais une variable postérieure au traitement, ni une conséquence du traitement : cela introduit un biais au lieu de le réduire. Une dizaine de covariables bien choisies vaut mieux que trente ajoutées au hasard.

    Faut-il un logiciel particulier ?

    Non. La différence-de-différences se fait dans n’importe quel logiciel de régression, y compris SPSS, puisqu’il s’agit d’une régression avec un terme produit. L’appariement sur score de propension demande une extension sous SPSS, et existe en standard sous R et Stata. Le choix de l’outil n’a aucune incidence sur la validité de la stratégie d’identification.

    Ces méthodes s’appliquent-elles à un mémoire qualitatif ?

    Non, elles supposent une variable de résultat mesurée sur un nombre suffisant d’unités. Un mémoire qualitatif répond à la question causale autrement : par la reconstitution du mécanisme et la comparaison raisonnée de cas, et non par l’estimation d’un effet moyen. Les deux démarches sont légitimes ; ce qui ne l’est pas, c’est d’emprunter le vocabulaire de l’une en pratiquant l’autre.

    Mon jury me demandera-t-il vraiment tout cela en master ?

    Il ne vous demandera pas une variable instrumentale. Il vous demandera presque à coup sûr pourquoi votre groupe de comparaison est comparable — c’est la question standard des soutenances sur données observationnelles. Avoir une réponse préparée, nommée et assumée en limites suffit à transformer le moment le plus redouté de la soutenance en démonstration de maîtrise. Notre guide du design expérimental couvre le cas symétrique, celui où la randomisation reste possible.

  • Faut-il supprimer les valeurs aberrantes de votre mémoire ? (2026)

    Faut-il supprimer les valeurs aberrantes de votre mémoire ? (2026)

    Vous demandez une boîte à moustaches, et le logiciel dessine quatre petits ronds au-dessus de la moustache supérieure, chacun avec son numéro d’observation. La tentation est immédiate : les supprimer, et voir si le résultat devient enfin significatif.

    Réponse courte : non, pas par défaut. Supprimer une observation n’est légitime que dans un seul cas — quand la valeur est fausse, ou quand l’individu n’appartient pas à la population que vous étudiez. Une valeur simplement grande, aussi gênante soit-elle, est une donnée. La supprimer parce qu’elle dérange est une faute méthodologique que les jurys repèrent, surtout quand la suppression fait passer un p juste sous 0,05.

    Voici la démarche complète : distinguer les trois espèces de valeurs aberrantes, les repérer correctement, décider, et surtout écrire ce que vous avez fait.

    Trois choses différentes qu’on appelle « valeur aberrante »

    La confusion vient de là. Le même mot désigne trois situations dont une seule justifie une suppression.

    1. L’erreur. Un âge de 220 ans, un score de 55 sur une échelle qui plafonne à 50, une virgule décimale déplacée. C’est une donnée fausse : elle se corrige si la source le permet, se supprime sinon. Aucun débat.
    2. L’individu hors population. Un cadre dirigeant dans une enquête sur les employés d’exécution ; un patient dont le dossier révèle une pathologie qui figurait dans vos critères d’exclusion. Ce n’est pas une valeur fausse, c’est une personne qui n’aurait pas dû entrer. Elle se retire, à condition que le motif d’exclusion soit énoncé et s’applique à tous de la même manière.
    3. La valeur extrême et vraie. Le répondant qui a réellement quarante ans d’ancienneté, l’entreprise réellement dix fois plus grande que les autres. Celle-là ne se supprime pas. Elle appartient à la réalité que vous prétendez décrire.

    Toute la difficulté du travail consiste à ranger chaque point signalé par le logiciel dans l’une de ces trois cases — et cela ne se fait pas depuis le graphique. Cela se fait en retournant à la source : le questionnaire papier, le dossier, le fichier d’origine.

    Boîte à moustaches stylisée avec trois points situés au-delà des moustaches
    Le logiciel signale des points ; il ne dit jamais lequel est une erreur et lequel est une réalité.

    Les repérer proprement

    Sur une seule variable

    La boîte à moustaches est l’outil le plus lisible. La convention usuelle marque comme atypique toute valeur située à plus d’une fois et demie l’écart interquartile au-delà d’un quartile, et comme extrême celle qui dépasse trois fois cet écart. SPSS affiche les premières par un cercle et les secondes par un astérisque, avec le numéro d’observation à côté — c’est ce numéro qui vous permet de retourner à la ligne concernée.

    Le score standardisé donne le même diagnostic autrement : on convertit la variable en scores centrés-réduits et on examine ceux qui dépassent environ 3,3 en valeur absolue. Sur de petits échantillons, un seuil de 2,5 est parfois retenu, mais il signale mécaniquement plus de points.

    Sur plusieurs variables à la fois

    Un point peut être parfaitement banal sur chaque variable prise isolément et complètement atypique dans leur combinaison : un étudiant de 19 ans avec quinze ans d’expérience professionnelle. Aucun boxplot ne le verra. La distance de Mahalanobis mesure l’éloignement de chaque observation au centre du nuage multivarié en tenant compte des corrélations entre variables ; on la compare à une loi du khi-deux dont le nombre de degrés de liberté est le nombre de variables considérées, avec un seuil très strict.

    En régression : atypique n’est pas influent

    C’est la distinction que la plupart des mémoires manquent, et celle qui impressionne quand elle est maîtrisée.

    Une observation peut être très éloignée du nuage sans changer quoi que ce soit à vos résultats, si elle se situe dans le prolongement de la tendance générale. À l’inverse, une observation modérément atypique mais placée à l’extrémité de la plage des valeurs prédictives peut, à elle seule, faire pivoter votre droite de régression.

    Ce qui compte n’est donc pas l’éloignement mais l’influence. Deux indicateurs à demander dans les options de sauvegarde de votre régression linéaire multiple :

    • la distance de Cook, qui résume de combien l’ensemble des coefficients changerait si l’observation était retirée. Une valeur supérieure à 1 est le signal d’alerte classique ; certains auteurs retiennent un seuil plus sensible, de l’ordre de quatre divisé par la taille de l’échantillon ;
    • le levier, qui mesure l’atypie de l’observation sur les variables explicatives seules.

    Le bon réflexe : trier votre fichier par distance de Cook décroissante et examiner les cinq premières lignes. C’est cinq minutes de travail, et c’est exactement ce qu’un directeur de mémoire vérifiera.

    L’arbre de décision

    Face à un point signalé, trois questions dans cet ordre — et une seule mène à la suppression.

    1. La valeur est-elle possible ? Non → erreur : corrigez depuis la source, ou supprimez la valeur en la traitant ensuite comme une donnée manquante plutôt qu’en supprimant l’individu entier.
    2. L’individu relève-t-il de votre population ? Non → exclusion documentée, avec un critère explicite appliqué uniformément.
    3. La valeur est vraie et l’individu est bien dans votre population ? → vous la gardez. Reste alors à choisir comment analyser en sa présence.

    Quatre façons de gérer une valeur extrême qu’on garde

    Garder ne veut pas dire ignorer. Quatre options, de la plus légère à la plus interventionniste.

    1. Ne rien faire, et le dire. Si les indicateurs d’influence sont faibles, la valeur extrême ne pose aucun problème. Mentionnez que vous avez vérifié, et passez à la suite. C’est l’issue la plus fréquente et la plus sous-utilisée.

    2. Changer de test. Beaucoup de méthodes non paramétriques travaillent sur les rangs et sont donc insensibles à l’ampleur des valeurs extrêmes. C’est la raison pour laquelle on bascule d’un test t vers Mann-Whitney, ou du coefficient de Pearson vers Spearman. La médiane, de la même façon, résiste là où la moyenne cède.

    3. Transformer la variable. Une transformation logarithmique ou racine carrée comprime la queue haute d’une distribution asymétrique et ramène les valeurs extrêmes vers le corps de la distribution. Le prix à payer est l’interprétation : vos coefficients ne s’expriment plus dans l’unité d’origine, et il faut le gérer dans la rédaction.

    4. Winsoriser. Plutôt que de retirer l’observation, on ramène sa valeur à un seuil — par exemple au 95e centile. L’individu reste dans l’échantillon, son influence est plafonnée. C’est un compromis acceptable en gestion et en finance, à condition d’annoncer le seuil retenu avant de regarder les résultats, et non après.

    Deux versions d'une même analyse comparées côte à côte sur une balance
    La question n’est pas « avec ou sans », mais « le résultat tient-il dans les deux cas ».

    L’analyse de sensibilité : la réponse qui satisfait tous les jurys

    Voici la meilleure stratégie disponible, et elle est étonnamment simple : faites tourner l’analyse dans les deux versions et rapportez les deux.

    Cela transforme une décision arbitraire en résultat. Deux cas de figure, et vous êtes gagnant dans les deux :

    • Les conclusions sont les mêmes. Votre résultat est robuste. Une phrase en note de bas de page suffit, et elle renforce considérablement votre crédibilité.
    • Les conclusions diffèrent. C’est une information de premier ordre, pas un échec : votre résultat dépend d’une poignée d’observations. Vous le signalez, vous décrivez qui sont ces individus, et vous en faites une limite argumentée. Un jury préfère de très loin cette honnêteté à un résultat fragile présenté comme solide.

    Le seul mauvais choix est de tester les deux versions en silence et de ne rapporter que celle qui arrange. C’est ce que la littérature appelle le tri sélectif des résultats, et c’est précisément ce que l’analyse de sensibilité rend inutile.

    Ce qu’il faut écrire

    Le traitement des valeurs extrêmes se décrit dans la section de préparation des données, avant les résultats, en trois ou quatre phrases. Le lecteur doit pouvoir reconstituer exactement ce que vous avez fait.

    Modèle de phrase — aucune suppression : « L’examen des boîtes à moustaches a identifié quatre observations atypiques sur la variable d’ancienneté. Le retour aux questionnaires a confirmé qu’il s’agissait de valeurs plausibles ; aucune n’a donc été supprimée. Les distances de Cook restant toutes inférieures à 1, ces observations n’exercent pas d’influence déterminante sur les estimations. »

    Modèle de phrase — suppression justifiée : « Deux observations présentaient un âge incompatible avec les critères d’inclusion (respectivement 4 et 220 ans) et ont été identifiées comme des erreurs de saisie ; la valeur a été recodée en donnée manquante. Aucune autre observation n’a été retirée. »

    Modèle de phrase — analyse de sensibilité : « L’analyse a été conduite avec puis sans les trois observations les plus influentes. Les coefficients varient marginalement et les conclusions restent inchangées ; les résultats présentés portent sur l’échantillon complet. »

    Une règle de forme, enfin : ne parlez jamais de « nettoyage » des données sans dire ce que vous avez nettoyé et combien de lignes en sont sorties. Un effectif final qui ne correspond pas à l’effectif annoncé au chapitre méthodologie est l’une des incohérences que les jurys relèvent le plus souvent. L’annuaire des conditions statistiques et de leurs plans de secours reprend cette vérification parmi les contrôles à faire avant de rédiger les résultats.

    Rédiger la partie qui explique vos choix

    Décider quoi faire d’une valeur extrême prend dix minutes. Écrire le paragraphe qui justifie ce choix, l’articuler avec vos critères d’inclusion et le rappeler correctement en limites prend beaucoup plus longtemps — et c’est ce paragraphe que le jury lira.

    Tesify vous accompagne sur cette rédaction : structurer la section de préparation des données, maintenir la cohérence des effectifs d’un chapitre à l’autre, et transformer vos décisions techniques en justifications défendables. Vos données et vos analyses restent les vôtres.

    Rédiger votre chapitre méthodologie avec Tesify

    Questions fréquentes

    Combien de valeurs aberrantes est-il normal d’avoir ?

    Il n’y a pas de norme, et c’est important à comprendre : le critère de la boîte à moustaches signale mécaniquement des points même dans une distribution parfaitement normale, d’autant plus que l’échantillon est grand. En voir quelques-uns n’indique rien d’anormal. Ce qui doit alerter, c’est une proportion élevée sur une même variable — signe possible d’un problème de saisie, d’une échelle mal comprise par les répondants, ou d’une population plus hétérogène que prévu.

    Puis-je supprimer une observation parce qu’elle rend mon test non significatif ?

    Non, jamais. C’est la seule règle absolue de cet article. Une décision de suppression doit être prise sur un critère défini avant de regarder les résultats, et appliquée de la même façon à toutes les observations. Si vous découvrez après coup qu’un point change tout, l’issue correcte n’est pas la suppression mais l’analyse de sensibilité : rapportez les deux versions et discutez la différence.

    Faut-il traiter les valeurs extrêmes avant ou après le test de normalité ?

    Avant, car elles en sont souvent la cause. Une distribution rejetée par un test de normalité l’est fréquemment à cause de deux ou trois valeurs en queue de distribution. Examinez-les d’abord, décidez, puis relancez le diagnostic de normalité sur les données telles que vous avez décidé de les analyser.

    Que faire d’un individu qui a répondu de façon manifestement peu sérieuse ?

    C’est un cas de qualité de réponse, pas de valeur extrême, et il se traite avec ses propres critères : temps de passation anormalement court, réponse identique à tous les items, incohérence entre deux questions de contrôle. Ces critères doivent être fixés à l’avance et énoncés dans le mémoire. Un individu ainsi écarté est une exclusion documentée, pas une valeur aberrante supprimée.

    La winsorisation est-elle acceptée dans un mémoire de master ?

    Oui, à condition d’être annoncée et justifiée. Elle est courante en finance et en gestion, où les distributions de variables monétaires sont très asymétriques. Précisez le seuil retenu, le nombre de valeurs affectées, et présentez de préférence les résultats non winsorisés en annexe. Dans un mémoire, la transparence sur le traitement compte davantage que le choix du traitement lui-même.

  • Analyse de modération sous SPSS : effet d’interaction, PROCESS et pentes simples (2026)

    Analyse de modération sous SPSS : effet d’interaction, PROCESS et pentes simples (2026)

    Votre hypothèse H3 ressemble sans doute à ceci : « l’effet du stress perçu sur l’épuisement professionnel est plus fort lorsque le soutien social est faible ». Ou : « la relation entre l’ancienneté et la performance est plus marquée dans les petites structures ».

    Ces énoncés ont tous la même forme. Vous ne dites pas que X influence Y. Vous dites que l’intensité de cet effet dépend d’une troisième variable. C’est une hypothèse de modération, et elle ne se teste pas en ajoutant simplement cette troisième variable au modèle.

    C’est l’erreur la plus fréquente sur cette famille d’hypothèses, et elle est invisible : le modèle tourne, sort des coefficients lisibles, et ne teste pas ce que l’étudiant croit qu’il teste. Voici la procédure correcte, la lecture de la sortie et les deux pièges classiques.

    Modération et médiation ne répondent pas à la même question

    Ces deux notions sont systématiquement confondues, alors que la distinction tient en une phrase.

    • La médiation répond à pourquoi et par quel chemin X influence Y. La variable intermédiaire M transmet l’effet : X agit sur M, qui agit sur Y.
    • La modération répond à pour qui, quand et dans quelles conditions. La variable W ne transmet rien : elle règle l’intensité, voire le signe, de la relation entre X et Y.

    Le test diagnostique est simple. Si votre variable supplémentaire est une conséquence de X, vous êtes en médiation. Si elle préexiste à X et n’en dépend pas — le sexe, la taille de l’entreprise, un trait de personnalité, l’ancienneté —, vous êtes en modération. Notre guide de l’analyse de médiation avec la macro PROCESS traite le cas symétrique en détail.

    Un point de vocabulaire, parce qu’il rassure : modération, effet d’interaction et effet modérateur désignent la même chose. La psychologie dit « modération », l’économétrie dit « interaction ».

    Schéma d'un modèle de modération : une variable agit sur la relation entre deux autres
    Le modérateur ne pointe pas vers Y : il pointe vers la flèche qui relie X à Y.

    Le principe : un terme produit

    Une modération se teste en ajoutant à votre régression une variable supplémentaire : le produit de la variable indépendante par le modérateur. Le modèle complet comporte donc trois prédicteurs : X, le modérateur W, et le terme d’interaction X × W.

    Les deux premiers doivent impérativement figurer dans le modèle en même temps que le troisième. Un terme d’interaction sans ses composantes n’est pas interprétable — c’est une contrainte, pas une convention.

    L’intuition derrière le produit est la suivante : le coefficient de X × W indique de combien la pente de X sur Y change quand W augmente d’une unité. S’il est nul, la pente de X est la même partout, et il n’y a pas de modération. S’il est non nul, la pente varie selon le niveau de W — ce qui est précisément votre hypothèse.

    Faut-il centrer les variables ? Oui, mais pas pour la raison qu’on vous a donnée

    Le conseil universel est de centrer X et W sur leur moyenne avant de calculer le produit. Il est bon, mais la justification qui l’accompagne est presque toujours fausse.

    Ce qu’on vous dira : « il faut centrer pour éliminer la multicolinéarité entre le produit et ses composantes ». Il est vrai que X × W est mécaniquement très corrélé à X et à W, et que le centrage fait chuter les facteurs d’inflation de la variance (VIF) de façon spectaculaire.

    Ce qu’on ne vous dira pas : cela ne change absolument rien au test. Le coefficient du terme d’interaction, son erreur standard, son t, sa p-valeur et le R² du modèle sont rigoureusement identiques avec ou sans centrage. Ce sont les mêmes chiffres. La colinéarité introduite par un terme produit est dite « non essentielle » : elle vient du choix de l’origine de l’échelle, pas d’une redondance réelle entre les variables, et le centrage ne fait que déplacer cette origine.

    Le centrage a néanmoins un vrai bénéfice, et c’est lui qu’il faut invoquer devant un jury : l’interprétabilité. Sur variables centrées, le coefficient de X se lit comme l’effet de X lorsque W est à sa moyenne — une valeur qui existe dans votre échantillon. Sur variables brutes, il se lit comme l’effet de X lorsque W vaut zéro, ce qui peut désigner un âge de zéro an ou un score de satisfaction impossible.

    Conséquence pratique : ne rapportez jamais un VIF élevé sur un terme d’interaction comme un problème, et ne supprimez surtout pas une variable pour cette raison — c’est un artefact d’échelle.

    La procédure sous SPSS

    SPSS n’a pas de boîte de dialogue « modération ». Deux chemins sont possibles, et ils donnent le même test.

    Voie 1 — la régression hiérarchique manuelle

    Elle a l’avantage d’être transparente : vous voyez exactement ce que vous faites, ce qui est appréciable si votre jury vous interroge sur la construction du modèle.

    1. Centrer. Transformer > Calculer la variable : créez X_c = X - moyenne(X) et W_c = W - moyenne(W). Relevez les moyennes au préalable avec Analyse > Statistiques descriptives.
    2. Créer le produit. Transformer > Calculer la variable : XW = X_c * W_c.
    3. Bloc 1. Analyse > Régression > Linéaire. Variable dépendante : Y. Indépendantes : X_c et W_c, plus vos éventuelles variables de contrôle.
    4. Bloc 2. Cliquez sur Suivant et ajoutez XW seul dans ce second bloc.
    5. Options. Dans Statistiques, cochez Variation de R-deux. C’est cette case qui produit le chiffre que vous allez rapporter.

    Toutes les conditions d’application de la régression linéaire multiple s’appliquent ici sans changement : linéarité, indépendance et normalité des résidus, homoscédasticité.

    Voie 2 — la macro PROCESS, modèle 1

    PROCESS, développée par Andrew F. Hayes, est téléchargeable gratuitement et s’installe comme une extension SPSS. Le modèle 1 est celui de la modération simple.

    Son intérêt est de produire automatiquement tout ce qui vient après la régression : le centrage, le terme produit, les effets conditionnels aux différents niveaux du modérateur, la région de significativité et les données du graphique. C’est plusieurs heures de manipulation en moins, et beaucoup moins d’occasions de se tromper.

    Sortie logicielle stylisée avec la ligne du terme d'interaction mise en évidence
    Une seule ligne de la sortie décide du sort de votre hypothèse : celle du terme produit.

    Lire la sortie sans se tromper

    Une seule ligne décide

    Toute votre hypothèse tient sur la ligne du terme d’interaction. Si sa p-valeur est inférieure à 0,05, la modération est établie ; sinon, elle ne l’est pas. En régression hiérarchique, le ΔR² du bloc 2 donne la même information sous une forme plus parlante : la part de variance de Y expliquée en plus par le fait de tenir compte de l’interaction. Les deux tests sont équivalents dans le cas d’un modérateur unique.

    Le piège des « effets principaux »

    Voici l’erreur qui coûte le plus de points en soutenance. Dans un modèle avec terme d’interaction, le coefficient de X n’est pas l’effet moyen de X. C’est l’effet de X lorsque W vaut zéro — c’est-à-dire, sur variables centrées, lorsque W est à sa moyenne. On parle d’effet conditionnel, et non d’effet principal.

    Deux conséquences que les jurys aiment vérifier :

    • Un coefficient de X non significatif dans le modèle avec interaction ne signifie pas que X n’a pas d’effet. Il peut avoir un effet fort chez les uns, un effet inverse chez les autres, et une moyenne proche de zéro.
    • Inversement, si l’interaction est significative, commenter longuement les coefficients de X et de W comme s’il s’agissait d’effets généraux est une faute d’interprétation.

    C’est la même logique que celle de l’ANOVA factorielle, où une interaction significative impose de ne plus interpréter les effets principaux tels quels, mais d’aller décomposer les effets simples.

    Décomposer : les pentes simples

    Savoir que l’effet varie ne dit pas encore comment. La décomposition consiste à estimer la pente de X sur Y à plusieurs niveaux choisis de W — conventionnellement à la moyenne, à un écart-type en dessous et à un écart-type au-dessus. PROCESS fournit ces trois pentes avec leur test de significativité.

    C’est là que le résultat devient racontable : « chez les répondants à faible soutien social, l’effet du stress est fort ; chez ceux à soutien élevé, il n’est plus distinguable de zéro ».

    Quand le modérateur est continu, découper à ±1 écart-type reste arbitraire. La technique de Johnson-Neyman répond autrement : au lieu de tester trois points choisis d’avance, elle identifie la plage de valeurs de W sur laquelle l’effet de X est significatif. PROCESS la propose en option, et c’est un vrai plus dans un mémoire quantitatif.

    Le graphique n’est pas décoratif

    Une modération se comprend visuellement en deux secondes et se lit péniblement dans un tableau ; attendez-vous à ce qu’un jury regarde la figure avant les chiffres. La convention : X en abscisse, Y en ordonnée, une droite par niveau du modérateur. Des droites qui se croisent signalent une interaction disordinale, où l’effet change de signe selon le niveau du modérateur — le résultat le plus intéressant qu’on puisse obtenir sur ce type d’hypothèse.

    La vraie difficulté : la puissance

    Il faut le dire franchement, parce que beaucoup d’étudiants concluent trop vite à l’absence de modération. Les effets d’interaction sont notoirement difficiles à détecter dans les études de terrain. Le ΔR² attribuable à une interaction dépasse rarement quelques centièmes, même quand l’effet est réel et théoriquement solide. Le terme produit hérite en effet de l’erreur de mesure de ses deux composantes, et la variance restant à expliquer après X et W est faible par construction.

    Conséquence directe : une modération non significative sur un échantillon de 80 personnes n’est pas une réfutation, c’est le plus souvent un manque de puissance. Deux réflexes en découlent — dimensionner l’échantillon en amont avec un calcul de puissance sous G*Power, en visant le ΔR² et non l’effet global du modèle ; et, en aval, formuler la conclusion comme une non-détection plutôt que comme une absence d’effet.

    Une précaution de mesure, enfin : plus vos échelles sont fiables, plus vous avez de chances de détecter l’interaction. Soigner la fidélité d’une échelle de Likert n’est pas un détail de forme ici.

    Ce qu’il faut rapporter

    Un tableau de régression hiérarchique à deux blocs, avec pour chacun les coefficients standardisés et le R², et pour le bloc 2 le ΔR² et son test. Puis un tableau ou un paragraphe des pentes simples, et la figure.

    Modèle de phrase — le test : « Les variables ont été centrées avant construction du terme produit. L’introduction de l’interaction stress × soutien social au bloc 2 améliore significativement le modèle (ΔR² = 0,04 ; F(1, 212) = 9,87 ; p = 0,002), le coefficient du terme produit étant négatif (β = −0,21 ; p = 0,002). »

    Modèle de phrase — la décomposition : « L’analyse des pentes simples indique que l’effet du stress perçu sur l’épuisement est significatif lorsque le soutien social est faible (−1 ET : B = 0,48 ; p < 0,001), atténué au niveau moyen (B = 0,27 ; p = 0,004) et non significatif lorsque le soutien est élevé (+1 ET : B = 0,06 ; p = 0,52). »

    Modèle de phrase — un résultat nul : « Le terme d’interaction n’atteint pas le seuil de significativité (ΔR² = 0,01 ; p = 0,18). Compte tenu de la puissance limitée dont disposent les tests d’interaction sur un échantillon de cette taille, ce résultat est interprété comme une non-détection et non comme une preuve d’absence de modération. »

    Sur le choix de l’indicateur, notre guide des tailles d’effet selon le test employé détaille les conventions : pour une modération, c’est le ΔR², éventuellement converti en f².

    Rédiger le chapitre qui va autour

    Le test lui-même prend une après-midi. Ce qui prend des semaines, c’est de justifier théoriquement pourquoi ce modérateur-là, d’articuler l’hypothèse H3 avec la revue de littérature, puis d’écrire une discussion qui explique ce que la décomposition des pentes signifie pour votre terrain.

    Tesify vous accompagne sur cette partie rédactionnelle : structurer l’argumentation qui amène l’hypothèse, garder une terminologie constante entre le cadre théorique, les résultats et la discussion, et transformer une sortie logicielle en texte académique défendable. Vos données et vos analyses restent les vôtres.

    Rédiger votre chapitre d’analyse avec Tesify

    Questions fréquentes

    Mon modérateur est une variable catégorielle : la procédure change-t-elle ?

    Le principe est identique, avec une étape en plus. Une variable à deux modalités se code en 0/1 et se multiplie directement à X. Au-delà de deux modalités, il faut créer k−1 indicatrices et autant de termes produits, puis tester leur apport conjoint au bloc 2 — c’est le ΔR² du bloc entier qui fait foi, pas chaque coefficient pris isolément. PROCESS gère ce cas nativement via son option pour modérateur multicatégoriel.

    Le terme d’interaction est significatif mais le coefficient de X ne l’est pas. Est-ce contradictoire ?

    Non, et c’est même une configuration très informative. Le coefficient de X représente son effet au niveau moyen du modérateur ; il peut être proche de zéro parce qu’un effet positif chez les uns compense un effet négatif chez les autres. Décomposez en pentes simples : vous découvrirez probablement une interaction disordinale, où la relation s’inverse selon le niveau de W. C’est un résultat fort, à condition de le présenter comme tel.

    Dois-je vraiment centrer si le logiciel donne les mêmes p-valeurs ?

    Le test est effectivement inchangé, mais centrez quand même. Sans centrage, le coefficient de X s’interprète à W = 0, une valeur souvent impossible dans votre échantillon, ce qui rend le tableau ininterprétable pour votre lecteur. Le centrage ne change pas le résultat : il change ce que vos autres coefficients veulent dire. PROCESS centre automatiquement lorsque l’option correspondante est activée.

    Peut-on tester une modération dans une régression logistique ?

    Oui, la logique du terme produit est identique et PROCESS accepte une variable dépendante binaire. L’interprétation demande plus de soin, parce que les coefficients sont des logarithmes de rapports de cotes et que leur addition ne se lit pas aussi directement que dans le cas linéaire. Sur un mémoire de master, appuyez-vous surtout sur les effets conditionnels et sur une représentation graphique des probabilités prédites.

    Combien de participants faut-il pour tester une modération ?

    Il n’existe pas de nombre magique, et les règles empiriques du type « 10 observations par prédicteur » sont trompeuses ici : elles suffisent pour estimer le modèle, pas pour détecter une interaction. Le calcul de puissance doit porter sur le ΔR² attendu, qui est petit. À titre d’ordre de grandeur, détecter un ΔR² de 0,02 avec une puissance de 80 % demande couramment plus de 350 participants. En dessous de 150, considérez qu’un résultat nul n’est pas concluant et dites-le dans vos limites.

    Puis-je tester plusieurs modérateurs dans le même mémoire ?

    Techniquement oui, mais séparément et avec parcimonie. Empiler les interactions multiplie les tests, épuise la puissance et ouvre la porte au sur-ajustement. Le meilleur usage en mémoire de master est un seul modérateur, choisi et justifié théoriquement avant de regarder les données. Une modération testée après coup parce que le résultat principal était décevant se voit immédiatement, et un jury la sanctionnera.

  • Rédiger un mémoire sur données secondaires avec Tesify en 2026

    Rédiger un mémoire sur données secondaires avec Tesify en 2026

    Rédiger un mémoire sur données secondaires avec Tesify en 2026

    Un mémoire sur données secondaires analyse des données déjà collectées par d’autres — enquêtes nationales, bases institutionnelles, jeux de données ouverts — au lieu de mener son propre terrain. La démarche est parfaitement légitime scientifiquement, à condition d’être assumée et justifiée dans la méthodologie.

    Réponse rapide : l’analyse secondaire consiste à exploiter un jeu de données existant pour répondre à une question de recherche différente de celle qui a motivé sa collecte. Elle convient particulièrement quand le temps de terrain manque, quand la population est difficile d’accès, ou quand on veut travailler sur de grands échantillons. Attention à ne pas la confondre avec la source secondaire en citation, qui désigne le fait de citer un auteur à travers un autre : ce sont deux notions distinctes.

    Qu’est-ce qu’une analyse de données secondaires ?

    Les données primaires sont celles que vous collectez vous-même : questionnaires que vous diffusez, entretiens que vous menez, observations que vous conduisez. Les données secondaires ont été produites par quelqu’un d’autre, pour ses propres objectifs, et vous les réexploitez.

    Le point qui définit l’analyse secondaire n’est pas la simple réutilisation, mais le déplacement de la question. Vous ne refaites pas l’étude d’origine : vous posez au jeu de données une question qu’il n’avait pas été conçu pour traiter, en croisant des variables autrement, en isolant une sous-population, ou en comparant deux vagues d’enquête.

    Une clarification s’impose ici, car la confusion est fréquente. « Source secondaire » en matière de citation désigne le fait de citer un auteur à travers un autre — une question de référencement traitée dans notre article sur la différence entre sources primaires et secondaires. Les « données secondaires » relèvent, elles, de la méthodologie de recueil. Un même mémoire peut parfaitement mobiliser l’une sans l’autre.

    Étudiant analysant un tableau de données statistiques sur son ordinateur
    L’analyse secondaire pose à un jeu de données existant une question qu’il n’avait pas été conçu pour traiter.

    Quand choisir cette approche ?

    Ce choix est souvent perçu comme un repli. C’est une erreur d’appréciation : dans plusieurs configurations, il produit un meilleur mémoire qu’un terrain mené dans l’urgence.

    Terrain propre ou données secondaires : comment trancher
    Situation Approche recommandée
    Moins de trois mois avant le dépôt Données secondaires
    Population difficile d’accès ou vulnérable Données secondaires
    Question exigeant un grand échantillon Données secondaires
    Comparaison dans le temps ou entre territoires Données secondaires
    Question très située, propre à un terrain précis Terrain propre
    Objectif d’apprentissage de la conduite d’enquête Terrain propre

    L’argument décisif est souvent la taille d’échantillon. Un étudiant qui collecte lui-même obtient rarement plus de 100 à 200 réponses ; une enquête nationale en compte des milliers. Pour toute question demandant des croisements fins ou des tests sur des sous-groupes, l’écart de puissance statistique est simplement sans commune mesure.

    Où trouver des jeux de données exploitables ?

    Les gisements sont plus abondants qu’on ne l’imagine, et beaucoup sont librement accessibles.

    • Portails de données publiques — statistiques officielles nationales et européennes, données ministérielles, données territoriales.
    • Bases d’enquêtes en sciences sociales, dont les grandes enquêtes récurrentes déposées par les organismes de recherche.
    • Entrepôts de données de la recherche, où les chercheurs déposent les jeux associés à leurs publications.
    • Données d’organisations internationales, particulièrement utiles pour les comparaisons entre pays.
    • Données produites par votre laboratoire — la piste la plus sous-exploitée : beaucoup d’équipes disposent de corpus non entièrement analysés.

    Le recensement détaillé de ces ressources figure dans notre article sur les jeux de données ouvertes exploitables pour un mémoire. Commencez toutefois par la dernière piste : une demande à votre directeur de recherche coûte cinq minutes et donne parfois accès à un corpus déjà nettoyé et documenté.

    Comment évaluer un jeu de données avant de s’engager ?

    C’est l’étape décisive, et celle que l’on bâcle le plus souvent. S’engager sur un jeu de données inadapté fait perdre plusieurs semaines, parfois découvertes trop tard pour changer de sujet.

    1. La documentation existe-t-elle ? Sans dictionnaire des variables ni note méthodologique, le jeu est inexploitable — vous ne saurez pas ce que mesure chaque colonne.
    2. Les variables dont vous avez besoin sont-elles présentes ? Vérifiez-le sur la documentation avant même de télécharger.
    3. Quelle est la population couverte ? Un échantillon national ne permet pas de conclure sur une région particulière si le sous-effectif y est trop faible.
    4. Les données sont-elles à jour ? Un jeu de 2018 peut rester pertinent, à condition de justifier explicitement ce décalage.
    5. Quelle licence d’utilisation ? Vérifiez le droit de réutilisation à des fins de recherche et les conditions de citation.

    Un test pragmatique clôt l’évaluation : téléchargez le jeu et produisez trois tris à plat sur vos variables clés. Si l’opération se fait sans obstacle, le jeu est exploitable. Si vous butez déjà, l’analyse complète sera pire.

    Documentation méthodologique et dictionnaire des variables d'une base de données ouverte
    Sans dictionnaire des variables ni note méthodologique, un jeu de données reste inexploitable.

    Comment structurer le mémoire ?

    La structure générale ne change pas, mais deux sections demandent un traitement spécifique.

    La méthodologie doit consacrer un développement au jeu de données lui-même : qui l’a produit, dans quel but, selon quel protocole d’échantillonnage, sur quelle population et à quelle date. Ce passage remplace la description de votre protocole de collecte, et il doit être aussi rigoureux que celui-ci l’aurait été.

    Il faut ensuite expliciter le travail de préparation, trop souvent passé sous silence : recodages effectués, traitement des valeurs manquantes, construction de variables composites, filtres appliqués. Ces opérations sont votre contribution méthodologique propre et doivent être traçables — un lecteur doit pouvoir reproduire votre échantillon d’analyse à partir du jeu d’origine.

    Pour la partie traitement à proprement parler, la démarche rejoint celle de tout mémoire quantitatif, détaillée dans notre guide pour analyser des données quantitatives avec SPSS et Excel.

    Quelles limites faut-il déclarer ?

    Un jury évalue toujours favorablement une limite reconnue et discutée. Sur données secondaires, quatre limites reviennent systématiquement et doivent figurer explicitement :

    • L’inadéquation partielle des variables — les indicateurs disponibles approchent votre concept sans le mesurer exactement.
    • L’absence de maîtrise du protocole — vous héritez de choix d’échantillonnage et de formulation que vous n’avez pas faits.
    • Le décalage temporel, si le jeu date de plusieurs années.
    • L’impossibilité de revenir sur le terrain pour lever une ambiguïté ou approfondir un résultat inattendu.

    La bonne pratique consiste à ne pas se contenter de les énoncer, mais à indiquer en quoi elles affectent l’interprétation, et ce qu’un travail ultérieur devrait faire pour les lever.

    Comment Tesify aide sur ce type de mémoire

    Le mémoire sur données secondaires déplace la charge de travail : moins de temps sur le terrain, davantage sur la justification méthodologique et la rédaction analytique. C’est précisément là que Tesify intervient utilement — structurer la section méthodologie, formuler avec précision la description du jeu de données et de ses limites, et maintenir un registre académique constant sur des passages techniques.

    Le travail scientifique reste entièrement le vôtre : le choix du jeu, les recodages, les analyses et leur interprétation. L’outil intervient sur la mise en forme du raisonnement, pas sur sa production.

    Questions fréquentes

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

    Non, à condition que le choix soit justifié méthodologiquement. L’analyse secondaire est une démarche scientifique reconnue. Ce qui est sanctionné, c’est un choix subi et non assumé, ou une description sommaire du jeu de données — pas le recours à des données existantes en tant que tel.

    Quelle différence entre données secondaires et source secondaire ?

    Ce sont deux notions distinctes. Les données secondaires relèvent de la méthodologie : vous analysez des données collectées par d’autres. La source secondaire relève de la citation : vous citez un auteur à travers un autre auteur. Un mémoire peut mobiliser l’une sans l’autre.

    Comment savoir si un jeu de données est exploitable ?

    Vérifiez cinq points : l’existence d’une documentation et d’un dictionnaire des variables, la présence des variables dont vous avez besoin, la population couverte, la date de collecte et la licence de réutilisation. Puis testez en produisant trois tris à plat sur vos variables clés.

    Faut-il quand même une problématique originale ?

    Oui, et c’est même le cœur de l’exercice. L’analyse secondaire ne consiste pas à refaire l’étude d’origine mais à poser au jeu de données une question différente : nouveau croisement de variables, focalisation sur une sous-population, comparaison entre deux vagues d’enquête.

    Quelles limites faut-il déclarer dans le mémoire ?

    Quatre principalement : l’inadéquation partielle entre les variables disponibles et vos concepts, l’absence de maîtrise du protocole de collecte, le décalage temporel éventuel, et l’impossibilité de retourner sur le terrain. Indiquez aussi en quoi elles affectent l’interprétation.

    Où chercher en priorité un jeu de données ?

    Commencez par votre propre laboratoire : beaucoup d’équipes disposent de corpus non entièrement exploités, souvent déjà nettoyés et documentés. Explorez ensuite les portails de données publiques, les bases d’enquêtes en sciences sociales et les entrepôts de données de la recherche.