tesifyFrance
Commencer gratuitement
Comment ça marcheBlogAideContactSe connecter

Étiquette : méthodologie quantitative

  • ANOVA à mesures répétées sous SPSS : Mauchly, sphéricité et corrections (2026)

    ANOVA à mesures répétées sous SPSS : Mauchly, sphéricité et corrections (2026)

    Votre design est le plus courant des mémoires expérimentaux : vous mesurez le même groupe à plusieurs reprises. Avant l’intervention, juste après, trois mois plus tard. Ou sur trois conditions que chaque participant a traversées.

    Vous lancez l’ANOVA à mesures répétées sous SPSS, et le logiciel vous rend un tableau que vous n’attendiez pas : Test de sphéricité de Mauchly, avec un p à 0,003. Puis, juste en dessous, un tableau des effets intra-sujets qui vous propose quatre lignes différentes pour le même effet — et quatre valeurs de p.

    La question devient : laquelle est la vôtre ? C’est exactement ce que cet article résout.

    Pourquoi ce test existe, et ce que « sphéricité » veut dire

    Quand vous comparez des groupes indépendants, l’hypothèse à vérifier est l’égalité des variances entre groupes. Quand vous comparez des mesures répétées sur les mêmes individus, la question change de nature : vos mesures ne sont plus indépendantes, puisqu’un participant qui score haut au temps 1 scorera probablement haut au temps 2.

    La sphéricité est la condition qui remplace l’homogénéité des variances dans ce contexte. Elle exige que les variances des différences entre chaque paire de mesures soient égales.

    Prenez trois temps de mesure. Il existe trois différences possibles : T1−T2, T1−T3 et T2−T3. La sphéricité demande que ces trois différences soient aussi dispersées les unes que les autres. Or c’est souvent faux dans un design longitudinal, et pour une raison très intuitive : deux mesures rapprochées dans le temps se ressemblent beaucoup plus que deux mesures éloignées. La variance de T1−T2 est alors petite, celle de T1−T3 nettement plus grande, et la sphéricité tombe.

    Ce que ça change concrètement : si la sphéricité est violée et que vous lisez quand même la ligne non corrigée, votre test F est trop libéral. Il produit des p-values artificiellement basses, et vous risquez de conclure à un effet qui n’existe pas.

    Trajectoires individuelles sur trois temps de mesure
    Chaque participant est sa propre référence. C’est la force du design — et la raison pour laquelle il a sa condition d’application à lui.

    La procédure sous SPSS, étape par étape

    Premier obstacle : le format des données. En mesures répétées, chaque temps de mesure est une colonne séparée, et chaque participant occupe une seule ligne. C’est le format « large ». Si vos données sont empilées en format long — une ligne par mesure — vous devez les restructurer avant toute chose (Données → Restructurer).

    1. Analyse → Modèle linéaire général → Mesures répétées.
    2. Dans la première boîte, nommez votre facteur intra-sujets (par exemple temps) et indiquez son nombre de niveaux (3). Cliquez Ajouter, puis Définir.
    3. Faites correspondre vos colonnes aux niveaux, dans le bon ordre : la variable du temps 1 sur le niveau 1, et ainsi de suite. C’est l’erreur de manipulation la plus fréquente, et elle produit silencieusement des résultats faux.
    4. Bouton Options (ou Moyennes marginales estimées selon votre version) : déplacez votre facteur dans la zone d’affichage des moyennes, cochez Comparer les effets principaux et choisissez l’ajustement Bonferroni. Cochez aussi Statistiques descriptives et Estimations de la taille d’effet.
    5. Bouton Graphiques : placez le facteur en abscisse pour obtenir le profil des moyennes. C’est la figure que vous mettrez dans le mémoire.

    Avant de lancer, un mot sur l’effectif. Un design à mesures répétées est plus puissant qu’un design à groupes indépendants, parce que chaque participant sert de témoin à lui-même et que la variabilité interindividuelle est neutralisée. Vous avez donc besoin de moins de participants — mais « moins » n’est pas « peu ». La procédure G*Power couvre ce cas précis via la famille Repeated measures, within factors, où la corrélation entre mesures est un paramètre d’entrée décisif.

    Lire le tableau de Mauchly

    SPSS produit un tableau Test de sphéricité de Mauchly qui contient deux informations utiles.

    La colonne Sig. C’est le test lui-même. Ici, contrairement à la logique habituelle, un résultat non significatif est la bonne nouvelle : p > 0,05 signifie que la sphéricité est respectée et que vous pouvez lire la ligne non corrigée.

    Les colonnes epsilon. À droite, SPSS affiche Greenhouse-Geisser et Huynh-Feldt. Ce sont des estimations du paramètre epsilon (ε), qui mesure l’ampleur de l’écart à la sphéricité. Un ε de 1 correspond à une sphéricité parfaite ; plus il descend, plus la violation est sévère. Ces valeurs sont plus informatives que le test lui-même, et voici pourquoi.

    Le test de Mauchly a une faiblesse bien documentée : il dépend fortement de l’effectif. Sur un petit échantillon, il manque de puissance et ne détecte pas une violation réelle ; sur un grand échantillon, il devient significatif pour un écart trivial. Ne lui faites donc pas aveuglément confiance. Beaucoup de méthodologues recommandent aujourd’hui d’appliquer systématiquement une correction dès que le facteur compte plus de deux niveaux, sans même consulter Mauchly. C’est une position défendable et facile à justifier devant un jury : la correction n’est pénalisante que si la sphéricité était respectée, auquel cas ε vaut environ 1 et la correction ne change presque rien.

    Correction appliquée aux degrés de liberté lorsque la sphéricité est violée
    La correction ne touche pas au F. Elle resserre les degrés de liberté, ce qui rend le test plus exigeant.

    Greenhouse-Geisser ou Huynh-Feldt : la règle de décision

    Le tableau Tests des effets intra-sujets vous propose quatre lignes : Sphéricité supposée, Greenhouse-Geisser, Huynh-Feldt et Borne inférieure. Le F est identique sur les quatre. Ce qui change, ce sont les degrés de liberté : chaque correction les multiplie par son epsilon, ce qui les réduit et rend le test plus conservateur.

    La règle de décision généralement enseignée s’appuie sur l’epsilon de Greenhouse-Geisser :

    • Mauchly non significatif (p > 0,05) → lisez Sphéricité supposée.
    • Mauchly significatif et ε < 0,75 → la violation est marquée : retenez Greenhouse-Geisser, la correction la plus prudente.
    • Mauchly significatif et ε > 0,75 → la violation est modérée : Huynh-Feldt est moins conservateur et préserve mieux votre puissance statistique.

    La ligne Borne inférieure correspond au scénario le plus défavorable possible ; elle est trop pénalisante pour un usage courant et ne se rapporte pas dans un mémoire.

    Comme pour tout seuil conventionnel, annoncez la règle que vous appliquez dans votre section méthodologie, avant d’avoir vu vos résultats. Choisir la correction après coup en fonction de celle qui rend l’effet significatif est une pratique qui se voit immédiatement.

    Si l’effet est significatif : les comparaisons par paires

    L’ANOVA vous dit qu’au moins deux temps de mesure diffèrent, pas lesquels. C’est le tableau des Comparaisons par paires, produit par l’option Bonferroni cochée plus haut, qui répond. L’ajustement de Bonferroni est indispensable : avec trois temps, vous faites trois comparaisons, et sans correction votre risque d’erreur de première espèce grimpe bien au-delà de 5 %.

    Rapportez aussi l’eta carré partiel (η²p), que l’option de taille d’effet a fait apparaître. Les repères conventionnels pour cet indice sont 0,01 (petit), 0,06 (moyen) et 0,14 (grand).

    Et si la normalité pose aussi problème ?

    La sphéricité n’est pas la seule condition. L’ANOVA à mesures répétées suppose également une distribution normale des variables à chaque niveau du facteur — même si, comme pour toute ANOVA, elle est raisonnablement robuste à des écarts modérés dès que l’effectif dépasse la trentaine. Notre article sur le test de Shapiro-Wilk et l’interprétation de la normalité détaille ce diagnostic.

    Si la non-normalité est franche, ou si votre variable est ordinale, ou si votre effectif est vraiment petit, le repli existe et il est propre : le test de Friedman, équivalent non paramétrique de l’ANOVA à mesures répétées. Vous perdez un peu de puissance et vous ne pouvez plus tester d’interaction, mais le test ne suppose plus ni normalité ni sphéricité. Pour deux mesures seulement, l’équivalent est le test de Wilcoxon pour échantillons appariés.

    Rédiger le résultat dans le mémoire

    Sphéricité respectée : « Le test de sphéricité de Mauchly n’est pas significatif, χ²(2) = 2,41, p = 0,300 ; l’hypothèse de sphéricité est donc retenue. L’ANOVA à mesures répétées révèle un effet significatif du temps sur le score d’anxiété, F(2, 88) = 14,62, p < 0,001, η²p = 0,25. »

    Sphéricité violée, correction appliquée : « Le test de Mauchly indique une violation de l’hypothèse de sphéricité, χ²(2) = 11,84, p = 0,003 ; l’epsilon de Greenhouse-Geisser étant de 0,81, la correction de Huynh-Feldt a été appliquée conformément à la règle annoncée. L’effet du temps demeure significatif, F(1,74 ; 76,56) = 9,31, p < 0,001, η²p = 0,17. »

    Comparaisons par paires : « Les comparaisons par paires ajustées selon Bonferroni montrent une baisse significative entre T1 et T2 (différence moyenne = 4,12 ; p < 0,001) et entre T1 et T3 (différence moyenne = 5,08 ; p < 0,001), tandis que l’écart entre T2 et T3 n’atteint pas le seuil (p = 0,214). L’effet apparaît donc immédiatement après l’intervention et se maintient à trois mois sans progression supplémentaire. »

    Remarquez les degrés de liberté décimaux dans le deuxième exemple : F(1,74 ; 76,56). Ce ne sont pas des coquilles. Ce sont les degrés de liberté d’origine (2 et 88) multipliés par epsilon, et leur présence est précisément ce qui prouve à votre lecteur que la correction a bien été appliquée.

    Les erreurs qui coûtent cher

    • Lire la ligne « Sphéricité supposée » sans regarder Mauchly. L’erreur la plus fréquente, et elle gonfle votre taux de faux positifs.
    • Assigner les colonnes dans le désordre lors de la définition des niveaux. SPSS ne proteste pas ; les résultats sont simplement faux.
    • Traiter un design à mesures répétées comme des groupes indépendants. Comparer T1 et T2 avec un test t pour échantillons indépendants jette l’appariement à la poubelle et ruine la puissance du design. Sur le choix du plan lui-même, voyez notre guide du design expérimental.
    • Oublier l’ajustement des comparaisons multiples. Trois tests t successifs sans correction, ce n’est plus un test à 5 %.
    • Ignorer l’attrition. SPSS exclut par défaut tout participant ayant une donnée manquante à un seul temps de mesure. Un participant absent au suivi disparaît entièrement de l’analyse — vérifiez votre N effectif dans le tableau des descriptives, il est souvent plus bas que vous ne le croyez.

    Transformer ces sorties en chapitre résultats

    L’analyse prend dix minutes. Ce qui prend des jours, c’est d’en faire un texte : annoncer la règle de décision en méthodologie, la respecter en résultats, articuler l’effet principal avec les comparaisons par paires, et discuter ce que le maintien à trois mois signifie pour votre question de recherche.

    Tesify travaille avec vous sur cette partie-là : organiser le chapitre, tenir une terminologie constante d’un bout à l’autre du mémoire, et rédiger les passages de justification 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

    Mon test de Mauchly est significatif : mon analyse est-elle invalide ?

    Non, pas du tout. Une sphéricité violée ne remet pas en cause votre design ni votre analyse : elle vous impose seulement de lire une ligne corrigée plutôt que la ligne Sphéricité supposée. SPSS a déjà calculé ces corrections dans le même tableau. C’est une bifurcation de lecture, pas un échec.

    Greenhouse-Geisser ou Huynh-Feldt : lequel choisir ?

    La règle usuelle s’appuie sur l’epsilon de Greenhouse-Geisser : en dessous de 0,75, retenez Greenhouse-Geisser, plus conservateur ; au-dessus, Huynh-Feldt préserve mieux votre puissance. Si vous préférez une position simple et défendable, appliquez systématiquement Greenhouse-Geisser dès que le facteur a plus de deux niveaux : vous ne serez jamais critiqué pour excès de prudence.

    Pourquoi SPSS n’affiche-t-il aucun test de Mauchly ?

    Parce que votre facteur intra-sujets n’a que deux niveaux. Avec deux mesures, il n’existe qu’une seule différence possible, donc une seule variance de différence, et la sphéricité est vérifiée par construction. Aucune correction n’a de sens, et SPSS le signale d’ailleurs par une note sous le tableau.

    Puis-je écrire des degrés de liberté décimaux ?

    Oui, et c’est même le signe d’un résultat correctement corrigé. La correction multiplie les degrés de liberté par epsilon, ce qui donne des valeurs non entières comme F(1,62 ; 71,28). Rapportez-les telles quelles, arrondies à deux décimales, avec la virgule décimale française et un point-virgule pour séparer les deux degrés de liberté.

    Quelle différence avec une ANOVA factorielle classique ?

    La différence tient à l’indépendance des observations. L’ANOVA factorielle compare des groupes distincts de participants ; l’ANOVA à mesures répétées compare des mesures prises sur les mêmes participants. Les deux se combinent d’ailleurs très bien dans un plan mixte — un facteur inter-sujets (groupe témoin contre groupe expérimental) croisé avec un facteur intra-sujets (avant contre après) —, qui est le plan d’évaluation d’intervention le plus courant en mémoire.

  • Régression linéaire multiple sous SPSS : la procédure et les 5 hypothèses (2026)

    Régression linéaire multiple sous SPSS : la procédure et les 5 hypothèses (2026)

    Vous avez saisi vos données, lancé Analyse → Régression → Linéaire, et SPSS vous a rendu quatre tableaux. Le R² s’affiche, quelques coefficients sont significatifs, et une question vous arrête net : est-ce que j’ai le droit d’interpréter ça ?

    C’est la bonne question, et c’est celle que la plupart des mémoires escamotent. La régression linéaire multiple est le modèle le plus utilisé dans les mémoires quantitatifs de gestion, de psychologie, de sciences de l’éducation et de santé publique — et c’est aussi celui dont les conditions d’application sont le plus souvent passées sous silence. Un jury qui connaît la méthode ouvre presque toujours la discussion par là.

    Cet article suit l’ordre réel du travail : la procédure sous SPSS d’abord, puis les cinq hypothèses, chacune avec son diagnostic, son seuil et, surtout, ce que vous faites quand elle n’est pas vérifiée.

    Nuage de points avec droite de régression et résidus représentés
    La régression ajuste une droite ; les résidus sont ce qui reste. Presque tous les diagnostics portent sur eux, pas sur vos variables brutes.

    À quoi sert exactement une régression linéaire multiple

    Elle répond à une question précise : quelle part de la variation d’une variable dépendante continue est expliquée par plusieurs variables indépendantes prises ensemble, et quelle est la contribution propre de chacune ?

    Le mot important est propre. L’intérêt de la régression multiple par rapport à une série de corrélations simples est qu’elle estime l’effet de chaque prédicteur à niveau constant des autres. C’est ce qui vous permet d’écrire qu’un effet subsiste « après contrôle de l’ancienneté et du niveau de diplôme ».

    Trois conditions de cadrage, avant même les hypothèses statistiques :

    • La variable dépendante doit être continue. Si elle est binaire (réussite/échec, départ/maintien), ce n’est pas ce modèle : voyez la régression logistique binaire et l’interprétation des odds ratios.
    • Les prédicteurs peuvent être continus ou catégoriels, mais un prédicteur catégoriel à plus de deux modalités doit être transformé en variables indicatrices (0/1), avec une modalité de référence que vous choisissez et que vous nommez explicitement dans le mémoire.
    • Il vous faut assez de participants. La référence la plus citée reste Green (1991), Multivariate Behavioral Research, 26(3), 499-510 : environ N ≥ 50 + 8m pour tester le R² global et N ≥ 104 + m pour tester des coefficients individuels, m étant le nombre de prédicteurs. Avec 4 prédicteurs, cela donne 82 et 108. Ce sont des règles empiriques ; un calcul de puissance formel reste préférable, et le site détaille la procédure G*Power pas à pas.

    La procédure sous SPSS, étape par étape

    Le chemin est court, mais deux boîtes de dialogue décident de tout ce que vous pourrez diagnostiquer ensuite. Ne les sautez pas.

    1. Analyse → Régression → Linéaire.
    2. Glissez votre variable dépendante dans Variable dépendante, et l’ensemble de vos prédicteurs dans Variables indépendantes.
    3. Laissez la méthode sur Entrée (Enter). Les méthodes pas à pas (Forward, Backward, Stepwise) laissent l’algorithme choisir vos variables à votre place ; en mémoire, elles sont très critiquées parce qu’elles capitalisent sur le hasard de votre échantillon. Si vos hypothèses sont théoriquement fondées, elles entrent toutes.
    4. Bouton Statistiques : cochez Estimations, Ajustement du modèle, Intervalles de confiance, Diagnostics de colinéarité, et Durbin-Watson dans le cadre Résidus. Les deux dernières cases sont précisément celles qui manquent dans la plupart des mémoires.
    5. Bouton Graphiques : placez *ZRESID en ordonnée et *ZPRED en abscisse, et cochez Diagramme Q-Q ou Histogramme. Ce nuage unique sert à deux diagnostics à la fois.
    6. Bouton Enregistrer : cochez Distance de Cook et Valeurs influentes. SPSS créera de nouvelles colonnes dans votre fichier.

    Vous obtenez alors quatre tableaux : Récapitulatif des modèles (R, R², R² ajusté, Durbin-Watson), ANOVA (le test global du modèle), Coefficients (les B, bêtas, t, p, IC et VIF), et les Diagnostics par observation.

    Lire les trois chiffres qui comptent

    Le tableau ANOVA teste une seule chose : votre modèle fait-il mieux que la moyenne ? Si p > 0,05, le modèle dans son ensemble n’explique rien de significatif, et commenter des coefficients individuels n’a plus de sens.

    Le R² ajusté est la valeur à rapporter en régression multiple, pas le R² brut : le R² augmente mécaniquement à chaque prédicteur ajouté, même inutile ; le R² ajusté pénalise cet ajout. Un écart important entre les deux signale que vous avez trop de prédicteurs pour votre effectif.

    Dans le tableau des coefficients, le B non standardisé s’interprète dans l’unité de la variable (« une année d’ancienneté supplémentaire est associée à +0,34 point de satisfaction »), tandis que le bêta standardisé permet de comparer l’importance relative des prédicteurs entre eux. Rapportez les deux, et l’intervalle de confiance à 95 % du B : un IC qui contient zéro dit la même chose qu’un p > 0,05, mais il dit en plus quelle est la précision de votre estimation. Sur la lecture du seuil lui-même, voyez notre article sur le seuil de significativité et la p-value dans un mémoire.

    Liste de vérification des cinq hypothèses de la régression linéaire
    Cinq conditions, cinq diagnostics, cinq plans de repli. Aucune n’oblige à abandonner le modèle.

    Les cinq hypothèses, et le plan de repli de chacune

    Voici le point que presque aucun tutoriel ne traite honnêtement. Une hypothèse violée n’est pas la fin de votre mémoire : c’est une bifurcation méthodologique que vous documentez. Un jury sanctionne beaucoup plus sévèrement une condition non testée qu’une condition non respectée et assumée.

    1. Linéarité de la relation

    Diagnostic : le nuage *ZRESID × *ZPRED. Les points doivent former un nuage informe autour de l’horizontale zéro. Une courbe nette (en U, en cloche) signale que la relation n’est pas linéaire.

    Si elle échoue : ajoutez un terme quadratique (le carré du prédicteur concerné), transformez la variable (logarithme si la relation s’aplatit aux valeurs hautes), ou découpez le prédicteur en classes et traitez-le comme catégoriel. La solution la plus honnête en mémoire de master est souvent la troisième : elle se justifie et s’explique simplement.

    2. Indépendance des résidus

    Diagnostic : la statistique de Durbin-Watson, dans le tableau récapitulatif. Elle varie de 0 à 4 ; une valeur proche de 2 indique l’absence d’autocorrélation, et la fourchette conventionnellement admise est d’environ 1,5 à 2,5.

    Si elle échoue : l’autocorrélation apparaît surtout avec des données recueillies dans le temps ou par grappes (plusieurs mesures d’un même individu, plusieurs élèves d’une même classe). Ce n’est pas un défaut à corriger par un bricolage : c’est le signe que la structure de vos données est hiérarchique, et le modèle adapté est un modèle multiniveau ou une ANOVA à mesures répétées. Si l’ampleur est faible, mentionnez-la en limite.

    3. Homoscédasticité (variance constante des résidus)

    Diagnostic : le même nuage *ZRESID × *ZPRED. La dispersion verticale doit rester à peu près constante de gauche à droite. Une forme d’entonnoir — les résidus s’écartent quand les valeurs prédites augmentent — indique l’hétéroscédasticité.

    Si elle échoue : deux voies. Transformer la variable dépendante (le logarithme resserre efficacement une variable très étalée à droite, ce qui est typique des revenus, des durées ou des montants). Ou conserver le modèle et rapporter des erreurs standard robustes à l’hétéroscédasticité, disponibles dans SPSS via la procédure de régression du menu Modèles linéaires généralisés ou via une macro. Les coefficients ne changent pas, seuls leurs tests deviennent valides.

    4. Normalité des résidus

    Diagnostic : le diagramme Q-Q des résidus standardisés. Attention à l’erreur la plus fréquente : l’hypothèse porte sur les résidus, pas sur vos variables brutes. Tester la normalité de la variable dépendante elle-même ne renseigne pas sur la validité du modèle. Notre article sur le test de Shapiro-Wilk et l’interprétation de la normalité détaille la lecture du test et du Q-Q plot.

    Si elle échoue : c’est l’hypothèse la moins inquiétante. Au-delà d’une centaine d’observations, le théorème central limite rend les tests de régression très robustes à une non-normalité modérée. Un Q-Q plot qui s’écarte franchement aux extrémités renvoie généralement à un problème de valeurs extrêmes (point 5) plutôt qu’à la distribution elle-même. Le repli formel existe néanmoins : un bootstrap des intervalles de confiance, disponible dans SPSS via le bouton Bootstrap de la boîte de dialogue, produit des IC qui ne supposent aucune forme de distribution.

    5. Absence de multicolinéarité

    Diagnostic : les colonnes Tolérance et VIF du tableau des coefficients — celles que la case Diagnostics de colinéarité a fait apparaître. Les seuils conventionnels : VIF supérieur à 10 (soit une tolérance inférieure à 0,10) signale une multicolinéarité sévère, et beaucoup d’auteurs alertent dès VIF supérieur à 5.

    Si elle échoue : deux de vos prédicteurs mesurent largement la même chose. Le symptôme typique est un modèle globalement très significatif dont aucun coefficient ne l’est individuellement, avec parfois un signe inversé par rapport à la corrélation simple. Les issues : retirer l’un des deux prédicteurs redondants en justifiant théoriquement lequel, ou les combiner en un score composite unique. Cette hypothèse est celle qui produit les erreurs d’interprétation les plus graves en mémoire, et nous lui consacrons un article entier.

    Et les valeurs influentes

    Ce n’est pas une hypothèse à proprement parler, mais le diagnostic va de pair. Ouvrez la colonne Distance de Cook que SPSS a enregistrée : une valeur supérieure à 1 signale une observation qui, à elle seule, déplace sensiblement vos coefficients. La règle de conduite est simple et vaut mieux que n’importe quelle suppression silencieuse : faites tourner le modèle avec et sans cette observation, et rapportez les deux résultats. Si les conclusions ne changent pas, votre résultat est robuste et vous venez de le prouver. Si elles changent, c’est une limite majeure que vous devez discuter.

    Rédiger les résultats dans le mémoire

    La section résultats d’une régression tient en trois mouvements : le contrôle des conditions, le modèle global, les coefficients.

    Modèle de phrase — les conditions : « Les conditions d’application de la régression ont été vérifiées. L’examen du nuage des résidus standardisés en fonction des valeurs prédites n’a pas révélé de structure curviligne ni d’hétéroscédasticité. La statistique de Durbin-Watson (1,92) indique l’absence d’autocorrélation. Les facteurs d’inflation de la variance sont tous inférieurs à 2, écartant un problème de multicolinéarité. Deux observations présentaient une distance de Cook supérieure à 1 ; le modèle a été réestimé sans elles et les conclusions demeurent inchangées. »

    Modèle de phrase — le modèle global : « Le modèle est significatif, F(4, 145) = 12,74, p < 0,001, et explique 24 % de la variance de la satisfaction au travail (R² ajusté = 0,24). »

    Modèle de phrase — un coefficient : « Le soutien perçu du supérieur est le prédicteur le plus fort (β = 0,38 ; B = 0,52 ; IC 95 % [0,31 ; 0,73] ; t = 4,86 ; p < 0,001) : à niveau constant des autres variables, une augmentation d’un point du soutien perçu est associée à une hausse de 0,52 point de satisfaction. »

    Notez la formulation : est associé à, jamais cause. Une régression sur données transversales n’établit pas de causalité, quelle que soit la qualité du modèle, et c’est une phrase que les jurys attendent explicitement en discussion.

    Les erreurs qui reviennent le plus souvent

    • Tester la normalité des variables au lieu des résidus. L’erreur numéro un, et elle conduit à abandonner un modèle parfaitement valide.
    • Empiler les prédicteurs. Chaque variable ajoutée consomme un degré de liberté et augmente le risque de multicolinéarité. Un modèle de mémoire avec 4 à 6 prédicteurs bien choisis vaut mieux qu’un modèle à 15.
    • Utiliser une méthode pas à pas puis présenter le résultat comme une confirmation d’hypothèse. C’est de l’exploration présentée comme de la confirmation.
    • Ne rapporter que le R². Sans les conditions et sans les intervalles de confiance, le lecteur ne peut pas évaluer votre résultat.
    • Supprimer les valeurs aberrantes sans le dire. Toute suppression se justifie et se documente ; sinon, c’est un choix invisible qui fabrique le résultat.

    Écrire tout cela proprement, sans y passer trois semaines

    Le vrai coût de cette partie du mémoire n’est pas le calcul — SPSS le fait en trois secondes. C’est la rédaction : formuler chaque diagnostic, justifier chaque choix, transformer une sortie logicielle en prose scientifique cohérente avec le reste de votre méthodologie, et le faire dans une langue académique qui tienne debout du début à la fin.

    Tesify vous accompagne exactement à cet endroit : structurer votre chapitre méthodologie et votre chapitre résultats, garder une terminologie constante d’un chapitre à l’autre, et rédiger les passages de justification à partir de vos propres décisions d’analyse. Vos données restent les vôtres, vos résultats restent les vôtres, et le texte reste écrit à 100 % par vous.

    Commencer la rédaction de votre mémoire avec Tesify

    Questions fréquentes

    Combien de prédicteurs puis-je mettre dans une régression pour un mémoire de master ?

    Cela dépend de votre effectif avant tout. En appliquant la règle de Green (1991), un échantillon de 120 participants supporte confortablement 4 à 6 prédicteurs pour tester des coefficients individuels. Au-delà, vous perdez en puissance et vous augmentez le risque de multicolinéarité. Le critère décisif n’est pas le nombre maximal possible mais la justification théorique : chaque prédicteur doit répondre à une hypothèse formulée dans votre revue de littérature.

    Mon R² ajusté est de 0,15 : mon modèle est-il mauvais ?

    Non, pas nécessairement. Un R² de 0,15 signifie que vos variables expliquent 15 % de la variance — ce qui est courant, et souvent bon, en sciences humaines et sociales où les comportements dépendent d’une multitude de facteurs non mesurés. Un R² de 0,15 avec des coefficients théoriquement cohérents et significatifs vaut mieux qu’un R² de 0,60 obtenu par accumulation de prédicteurs redondants. Discutez la valeur au regard de ce que rapporte la littérature de votre domaine, pas dans l’absolu.

    Faut-il centrer ou standardiser mes variables avant la régression ?

    Ce n’est pas nécessaire pour une régression simple à effets principaux : SPSS fournit déjà les bêtas standardisés. Le centrage devient utile lorsque vous introduisez un terme d’interaction entre deux variables continues, car il réduit la colinéarité artificielle entre les prédicteurs et leur produit, et il rend l’interprétation des effets principaux beaucoup plus lisible.

    Puis-je utiliser une variable mesurée par une échelle de Likert comme variable dépendante ?

    Un item unique de Likert est ordinal et se prête mal à une régression linéaire. En revanche, un score composite — la moyenne de plusieurs items d’une même dimension, dont vous avez vérifié la cohérence interne — est très largement traité comme continu dans la pratique de recherche. La conception et l’analyse de ces échelles sont détaillées dans notre guide sur l’échelle de Likert dans un mémoire.

    Quelle est la différence entre une régression multiple et une ANOVA factorielle ?

    Mathématiquement, ce sont deux cas particuliers du même modèle linéaire général. La différence est pratique : l’ANOVA factorielle est adaptée à des prédicteurs catégoriels et se concentre sur les effets d’interaction entre groupes, tandis que la régression multiple est adaptée à des prédicteurs majoritairement continus et se concentre sur la contribution propre de chacun. Si vos variables indépendantes sont des groupes expérimentaux, allez voir le guide de l’ANOVA factorielle sous SPSS.

    Dois-je mettre les tableaux SPSS bruts dans mon mémoire ?

    Non. Les captures d’écran de sorties SPSS n’ont pas leur place dans le corps du texte. Reconstruisez un tableau propre au format de votre norme de présentation, ne conservant que les colonnes utiles — prédicteur, B, erreur standard, IC 95 %, β, t, p — et renvoyez en annexe la sortie complète si votre directeur la demande.

  • Multicolinéarité et VIF dans un mémoire : diagnostiquer, décider, corriger (2026)

    Multicolinéarité et VIF dans un mémoire : diagnostiquer, décider, corriger (2026)

    Votre tableau ANOVA est net : F significatif, p < 0,001, le modèle explique 31 % de la variance. Vous descendez au tableau des coefficients, satisfait — et là, plus rien. Aucun prédicteur n’est significatif. Ou pire : l’un d’eux affiche un signe négatif alors que sa corrélation simple avec la variable dépendante était franchement positive.

    Vous n’avez pas fait d’erreur de manipulation. Vous regardez la signature la plus reconnaissable d’un problème précis : la multicolinéarité.

    C’est la condition d’application de la régression la moins bien comprise en mémoire de master, et celle qui produit les contresens les plus coûteux — parce que, contrairement à la normalité ou à l’homoscédasticité, elle ne se voit sur aucun graphique de résidus. Elle se lit dans une colonne que la plupart des étudiants n’ont jamais demandé à SPSS d’afficher.

    Ce que c’est réellement

    La multicolinéarité, c’est le fait que deux ou plusieurs de vos variables indépendantes se prédisent largement les unes les autres. Elles ne mesurent pas exactement la même chose, mais elles portent une information si redondante que le modèle n’arrive plus à démêler leurs contributions respectives.

    Le point à saisir est là. Une régression multiple estime l’effet de chaque prédicteur à niveau constant des autres. Si votre ancienneté dans l’entreprise et votre âge varient presque toujours ensemble, la question « quel est l’effet de l’ancienneté à âge constant ? » n’a presque plus de données pour être répondue : dans votre échantillon, il n’existe quasiment personne de 25 ans avec 20 ans d’ancienneté. Le modèle répond quand même, mais avec une incertitude énorme.

    Cette incertitude a un nom technique : l’inflation de la variance des coefficients. Les estimations restent non biaisées — en moyenne, elles visent juste — mais elles deviennent instables. Leurs erreurs standard gonflent, donc les t chutent, donc les p montent, et vos effets réels deviennent statistiquement invisibles.

    Les trois symptômes qui doivent vous alerter

    • Un modèle globalement significatif dont aucun coefficient ne l’est. L’ensemble explique bien la variable dépendante, mais on ne peut attribuer le mérite à personne en particulier.
    • Un signe inversé. La corrélation simple entre le prédicteur et la variable dépendante est positive, le coefficient de régression est négatif. C’est le symptôme le plus déroutant, et le plus diagnostique.
    • Une instabilité extrême. Vous ajoutez ou retirez une variable, et les coefficients des autres changent radicalement de valeur, parfois d’ordre de grandeur.
    Diagramme en barres illustrant des valeurs de VIF dépassant un seuil
    Le VIF se lit prédicteur par prédicteur. Deux valeurs élevées vont toujours par paire : elles se désignent mutuellement.

    Le diagnostic : VIF et tolérance

    Sous SPSS, ces colonnes n’apparaissent pas par défaut. Dans Analyse → Régression → Linéaire, ouvrez le bouton Statistiques et cochez Diagnostics de colinéarité. Deux colonnes s’ajoutent alors au tableau des coefficients.

    La tolérance d’un prédicteur est la part de sa variance que les autres prédicteurs n’expliquent pas. Une tolérance de 0,08 signifie que 92 % de cette variable est déjà contenue dans les autres : il ne reste que 8 % d’information propre pour estimer son effet.

    Le VIF (facteur d’inflation de la variance, variance inflation factor) est simplement l’inverse de la tolérance. Il se lit très concrètement : un VIF de 4 signifie que l’erreur standard de ce coefficient est deux fois plus grande — la racine carrée de 4 — qu’elle ne le serait sans colinéarité.

    Les seuils conventionnels, à citer tels quels dans un mémoire :

    • VIF < 5 (tolérance > 0,20) : situation généralement considérée comme acceptable.
    • VIF entre 5 et 10 : zone d’alerte. À mentionner et à commenter, sans nécessairement modifier le modèle.
    • VIF > 10 (tolérance < 0,10) : le seuil le plus consensuellement retenu pour parler de multicolinéarité sévère. Une action est attendue.

    Ces seuils sont des conventions, pas des lois : ils n’ont pas de fondement distributionnel. Annoncez celui que vous retenez avant de lire vos résultats, et tenez-vous-y.

    Un réflexe qui ne suffit pas : la matrice de corrélations

    Beaucoup de mémoires se contentent de vérifier que deux prédicteurs ne corrèlent pas au-delà de 0,80 entre eux. C’est utile mais insuffisant, et il faut comprendre pourquoi : la multicolinéarité peut être multivariée. Trois variables peuvent afficher des corrélations deux à deux très modérées — 0,5 ou 0,6 — tout en étant telles que la troisième est presque parfaitement prédite par la combinaison des deux premières. Aucune corrélation bivariée ne le montrera ; le VIF, si. Regardez néanmoins la matrice, elle vous dira quelle paire est en cause. Notre guide sur les corrélations de Pearson et de Spearman sous SPSS détaille sa lecture.

    Quand la multicolinéarité ne pose aucun problème

    Ce point est presque systématiquement omis, et il peut vous éviter de mutiler un modèle parfaitement valide.

    Si votre objectif est la prédiction et non l’explication, la multicolinéarité est sans conséquence. Le R², les valeurs prédites et les résidus ne sont pas affectés du tout. Seule l’interprétation des coefficients individuels l’est. Un modèle destiné à prédire un résultat, sans prétention à attribuer un effet à telle ou telle variable, peut vivre avec des VIF élevés.

    Si la variable colinéaire est une simple variable de contrôle, dont vous ne comptez pas interpréter le coefficient, son VIF élevé ne compromet pas l’interprétation de vos variables d’intérêt — à condition que celles-ci aient, elles, des VIF acceptables. C’est le cas très fréquent où l’âge et l’ancienneté sont tous deux contrôlés mais où votre hypothèse porte sur autre chose.

    Si la colinéarité vient d’un terme d’interaction ou d’un terme quadratique, elle est purement artificielle : le produit de deux variables corrèle mécaniquement avec chacune d’elles. Le remède est simple et bien établi — centrer les variables (soustraire leur moyenne) avant de calculer le produit. Les VIF retombent souvent d’un ordre de grandeur.

    Arbre de décision à trois issues face à une multicolinéarité détectée
    Un VIF élevé n’impose jamais une seule réponse. Il ouvre un choix que vous devez justifier.

    Les quatre issues, de la plus simple à la plus lourde

    1. Retirer l’un des deux prédicteurs redondants

    La solution la plus courante, et celle qui demande le plus de discipline. La tentation est de supprimer mécaniquement celui dont le VIF est le plus haut ; c’est une erreur, parce que ce peut être précisément le prédicteur central de votre hypothèse. Le critère doit être théorique : lequel des deux votre cadre conceptuel désigne-t-il comme le mécanisme pertinent ? Lequel est mesuré avec le plus de fiabilité ? Lequel est le plus directement actionnable pour la question de recherche ? Écrivez la justification dans le mémoire ; c’est elle qui transforme une suppression en décision méthodologique.

    2. Combiner les prédicteurs en un score composite

    Si deux variables corrèlent à 0,88, c’est peut-être qu’elles mesurent une même dimension latente. Plutôt que d’en sacrifier une, faites-en la moyenne (après standardisation si les échelles diffèrent) et entrez ce score unique dans le modèle. Vous perdez la possibilité de distinguer leurs effets — mais cette distinction était de toute façon impossible, c’est exactement ce que le VIF vous disait. Vous gagnez une variable plus fiable et un modèle interprétable.

    3. Passer par une réduction de dimensions

    Avec un grand nombre de prédicteurs fortement intercorrélés, une analyse en composantes principales permet d’extraire quelques composantes orthogonales — donc, par construction, sans aucune colinéarité — et de les utiliser comme prédicteurs. Le coût est réel : les composantes sont des combinaisons abstraites, plus difficiles à nommer et à commenter qu’une variable observée. À réserver aux cas où la redondance est massive.

    4. Assumer et documenter

    Parfaitement légitime lorsque les VIF sont dans la zone 5-10 et que retirer une variable amputerait votre modèle théorique. Vous conservez le modèle, vous rapportez les VIF, vous signalez que les coefficients concernés doivent être interprétés avec prudence, et vous montrez idéalement un modèle alternatif sans la variable en cause pour prouver la robustesse de vos conclusions. Un jury accueille très bien cette transparence.

    Une cinquième voie mérite d’être connue même si elle dépasse le cadre du master : lorsque la redondance est structurelle et théoriquement assumée, les modèles d’équations structurelles traitent explicitement les variables latentes mesurées par plusieurs indicateurs corrélés, et le problème disparaît par construction.

    Ce que vous écrivez dans le mémoire

    Cas favorable : « Les diagnostics de colinéarité ne révèlent aucun problème : les facteurs d’inflation de la variance s’échelonnent de 1,08 à 2,34, très en deçà du seuil de 10 conventionnellement retenu, et les tolérances sont toutes supérieures à 0,42. »

    Cas d’une correction : « L’examen initial des diagnostics de colinéarité a révélé un VIF de 11,7 pour l’ancienneté et de 10,9 pour l’âge (r = 0,91), signalant une multicolinéarité sévère. L’ancienneté ayant été retenue comme le mécanisme pertinent au regard du cadre théorique mobilisé, l’âge a été retiré du modèle. Après cette modification, l’ensemble des VIF est inférieur à 2,1 et le coefficient de l’ancienneté devient significatif. »

    Cas assumé : « Deux prédicteurs présentent des VIF compris entre 6 et 8, en zone d’alerte sans atteindre le seuil de multicolinéarité sévère. Ces deux variables étant centrales dans le modèle théorique, elles ont été conservées. Leurs coefficients doivent néanmoins être interprétés avec prudence, leurs erreurs standard étant mécaniquement majorées. Un modèle alternatif excluant le second prédicteur, présenté en annexe, conduit aux mêmes conclusions. »

    Rédiger cette justification sans y perdre une semaine

    Le calcul prend une case à cocher. C’est la mise en mots qui coûte : expliquer le diagnostic, argumenter le choix, articuler la décision avec votre cadre théorique — et tenir la même terminologie du chapitre méthodologie au chapitre résultats.

    Tesify vous aide précisément là : structurer ces passages, garder une cohérence de vocabulaire d’un chapitre à l’autre, et rédiger les justifications à partir de vos propres décisions d’analyse. Vos données et vos arbitrages restent les vôtres ; le texte est écrit à 100 % par vous.

    Rédiger votre chapitre méthodologie avec Tesify

    Questions fréquentes

    À partir de quelle valeur de VIF faut-il s’inquiéter ?

    Le seuil le plus consensuel est VIF > 10 (tolérance < 0,10), qui signale une multicolinéarité sévère appelant une action. Beaucoup d’auteurs alertent dès VIF > 5, et c’est un seuil plus prudent à retenir pour un mémoire. Aucun des deux n’a de fondement distributionnel : ce sont des conventions. L’essentiel est d’annoncer le vôtre avant de lire vos résultats.

    La multicolinéarité fausse-t-elle mon R² ?

    Non, et c’est l’idée la plus utile de tout cet article. Le R², le test F global, les valeurs prédites et les résidus ne sont pas affectés. Seules les erreurs standard des coefficients individuels gonflent, donc leurs tests t, leurs p-values et leurs intervalles de confiance. Un modèle colinéaire prédit toujours aussi bien ; il explique moins bien.

    Puis-je simplement supprimer la variable au VIF le plus élevé ?

    Techniquement oui, méthodologiquement c’est risqué. Le VIF le plus haut peut appartenir à votre variable explicative centrale, et la retirer viderait votre question de recherche de son objet. Le choix doit être théorique et écrit. Notez aussi que les VIF s’effondrent en cascade : retirer une seule variable fait souvent redescendre tous les autres d’un coup, car ils se gonflaient mutuellement.

    La multicolinéarité concerne-t-elle aussi la régression logistique ?

    Oui, le mécanisme est exactement le même. SPSS n’affiche cependant pas les VIF dans la procédure de régression logistique binaire. L’astuce pratique et parfaitement admise : lancez une régression linéaire fictive sur exactement les mêmes prédicteurs, uniquement pour lire les diagnostics de colinéarité. Les VIF ne dépendent que des relations entre variables indépendantes, pas de la variable dépendante — la lecture est donc valide.

    Faut-il tester la multicolinéarité avant ou après avoir lancé le modèle ?

    Les deux se font en une seule opération, puisque la case à cocher produit les VIF dans le même tableau que les coefficients. Mais interprétez-les avant de commenter le moindre coefficient : un tableau lu dans le mauvais ordre conduit à s’étonner d’un résultat dont l’explication se trouvait deux colonnes plus loin. Sur l’organisation générale de cette étape, voyez notre guide complet de l’analyse de données pour un mémoire.

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

    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.

    1. 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.
    2. 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.
    3. 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.

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

    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.

  • Compter dans un jeu de données ouvert sans savoir programmer : la méthode par URL (2026)

    Compter dans un jeu de données ouvert sans savoir programmer : la méthode par URL (2026)

    Vous voulez écrire dans votre mémoire : « au 11 août 2026, cette base contenait X enregistrements ». Vous ouvrez le portail, vous lancez une recherche, et vous relevez le nombre affiché.

    Il y a de fortes chances que ce nombre soit faux — et il existe une manière simple d’obtenir le bon, sans écrire une seule ligne de programme.

    Pourquoi une page de résultats ne compte pas

    Beaucoup d’interfaces publiques de recherche plafonnent le nombre de résultats qu’elles acceptent d’énumérer. Le compteur affiché s’arrête alors à une valeur ronde, quelle que soit la taille réelle de l’ensemble.

    Le test qui révèle le problème tient en dix secondes : ajoutez un filtre qui devrait réduire l’ensemble, et regardez si le nombre baisse. S’il ne bouge pas, vous ne lisez pas un décompte, vous lisez un plafond. Interrogé de cette manière le 11 août 2026, un moteur public de recherche d’entreprises a renvoyé exactement 10 000 résultats sur un département, puis encore 10 000 après ajout d’un filtre supplémentaire.

    Un chiffre qui refuse de diminuer quand on restreint la question ne mesure rien. S’il finit dans votre mémoire, il y restera comme une donnée fausse, et sa rondeur le dénoncera.

    La solution n’est pas de renoncer au chiffre : c’est d’interroger le point d’accès qui, lui, est fait pour compter.

    L’anatomie d’une requête, segment par segment

    Une adresse de requête décomposée en segments qui remplissent chacun un rôle
    Chaque segment de l’adresse a une fonction : rien n’y est décoratif.

    Un grand nombre de portails publics français reposent sur la même technologie de diffusion, et exposent donc la même forme d’adresse. Une fois qu’on l’a comprise sur un portail, on sait interroger tous les autres.

    L’adresse se lit de gauche à droite comme une phrase :

    1. L’adresse du portail — le producteur des données.
    2. Le chemin d’accès aux données, qui contient généralement les mots explore et catalog, suivi d’un numéro de version.
    3. Le mot datasets, éventuellement suivi de l’identifiant du jeu qui vous intéresse.
    4. Le mot records si vous voulez interroger les lignes du jeu plutôt que la liste des jeux.
    5. Les paramètres, après un point d’interrogation, séparés par des esperluettes.

    Sans identifiant de jeu, vous interrogez le catalogue lui-même : c’est ainsi qu’on obtient le nombre de jeux publiés par un portail. Avec un identifiant et le mot records, vous interrogez les lignes d’un jeu précis.

    Les quatre paramètres qui suffisent

    limit fixe le nombre de lignes ramenées. Mettez-le à 1 : vous ne voulez pas les données, vous voulez le total, et celui-ci est renvoyé de toute façon dans un champ dédié, généralement nommé total_count.

    group_by demande une ventilation par la valeur d’un champ. C’est le paramètre le plus utile d’un mémoire : il transforme une masse indistincte en tableau de résultats.

    select précise ce que vous voulez calculer. Une fonction de comptage à laquelle on donne un nom lisible suffit dans l’immense majorité des cas ; on peut aussi demander la plus petite et la plus grande valeur d’un champ de date, ce qui donne d’un coup la période couverte par la base.

    where filtre. C’est aussi votre instrument de contrôle : c’est en ajoutant un filtre que vous vérifiez que le compteur réagit.

    Le seul point technique à connaître : les espaces et certains caractères doivent être encodés dans une adresse. Si votre requête échoue, remplacez chaque espace par %20 et réessayez. C’est la cause de la quasi-totalité des erreurs de débutant.

    Le contrôle qui rend votre chiffre défendable

    La somme des sous-groupes comparée au total annoncé comme contrôle de complétude
    Si la somme des parties retombe sur le total, aucune catégorie ne manque.

    Voici la manœuvre qui distingue un chiffre relevé d’un chiffre établi, et elle ne coûte qu’une requête de plus.

    Demandez le total. Puis demandez la ventilation. Puis additionnez la ventilation et comparez.

    Si la somme des sous-groupes retombe exactement sur le total, vous n’avez pas seulement vérifié un nombre : vous avez démontré que votre énumération est complète, c’est-à-dire qu’aucune catégorie ne vous a échappé. Aucune vérification ligne à ligne ne peut établir cela.

    Appliquée le 11 août 2026 à la base des annonces légales d’entreprises, la manœuvre donne 50 294 290 par les deux voies — total direct et somme des douze familles d’avis. C’est ce qui autorise à écrire le chiffre sans réserve, et le détail figure dans l’article sur les données d’entreprise pour un mémoire de gestion.

    Quand les deux voies divergent, ne choisissez pas : cherchez pourquoi. La cause la plus fréquente est une fiche descriptive mise en cache, dont le nombre affiché date d’une actualisation antérieure. Deux interrogations vivantes qui concordent l’emportent sur une métadonnée figée.

    Ouvrez votre mémoire dans Tesify et transformez ces décomptes en tableaux, en commentaires et en méthode — la rédaction reste la vôtre.

    Ce que vous mettez dans le mémoire

    Trois éléments, et ils tiennent en quelques lignes.

    L’adresse exacte de la requête, en annexe ou en note. C’est l’équivalent, pour des données, du protocole d’enquête : elle rend votre résultat reproductible par n’importe quel lecteur.

    La date et l’heure de l’interrogation. Ces bases sont alimentées en continu ; sans date, votre chiffre n’est pas vérifiable, et un lecteur qui relance la requête six mois plus tard obtiendra autre chose sans savoir pourquoi.

    La mention de ce que vous avez calculé vous-même. Un total renvoyé par la base est une donnée ; un pourcentage que vous en dérivez est un calcul. Signalez le second comme tel — c’est une exigence élémentaire, et son absence est ce que les jurys repèrent le plus vite.

    Les limites de la méthode

    Tous les portails ne suivent pas cette forme d’adresse. Certains proposent une autre interface, d’autres n’en proposent aucune et n’offrent qu’un téléchargement de fichier. Dans ce dernier cas, la voie reste le tableur : téléchargez, et comptez avec un tableau croisé dynamique. Le principe de contrôle ne change pas — comparez toujours la somme des parties au total.

    Par ailleurs, un décompte n’est jamais une réponse en soi. Savoir combien de lignes contient une base ne dit rien de ce qu’elles mesurent : la documentation du jeu, elle, reste à lire. C’est là que se logent les erreurs d’unité qui traversent un mémoire entier sans être vues, comme le montre le cas des données par établissement évoqué dans les données ouvertes en sciences de l’éducation.

    Enfin, si votre question appelle des données individuelles, aucun portail ouvert n’y répondra : il faut alors passer par la commande de fichiers d’enquête. Et pour choisir dans quel portail chercher plutôt que de parcourir le catalogue général, voyez l’état du portail national des données ouvertes.

    Questions fréquentes

    Faut-il créer un compte ou obtenir une clé ?

    Pour la plupart des portails publics français, non : l’adresse fonctionne telle quelle dans un navigateur. Certaines interfaces, notamment celles qui donnent accès à des données plus sensibles, exigent une inscription gratuite et une clé à joindre à la requête.

    Le résultat s’affiche en un bloc illisible. Est-ce normal ?

    Oui. La réponse est un format structuré destiné aux machines. Les navigateurs récents proposent un affichage lisible, et à défaut le champ qui vous intéresse — le total — se repère en cherchant le mot count au début de la réponse.

    Puis-je récupérer toutes les lignes de cette façon ?

    Ce n’est pas l’usage recommandé : les portails limitent le nombre de lignes par appel. Pour disposer des données complètes, téléchargez le fichier proposé par le jeu. La requête sert à compter, à ventiler et à vérifier, pas à extraire en masse.

    Comment connaître le nom exact d’un champ ?

    Interrogez d’abord le jeu sans group_by, avec une limite de 1 : la ligne renvoyée montre tous les noms de champs disponibles. C’est le réflexe à prendre avant toute ventilation.

    Est-ce considéré comme une compétence technique en soutenance ?

    C’est surtout considéré comme de la rigueur. Un mémoire qui donne la requête ayant produit ses chiffres se place au-dessus d’un mémoire qui cite un nombre sans dire d’où il vient — et cela ne suppose aucune programmation.

    Que faire si la requête renvoie une erreur ?

    Lisez le message : ces interfaces expliquent généralement ce qui ne va pas, le plus souvent un nom de champ inexistant ou un espace non encodé. Reprenez la requête minimale qui fonctionnait, puis rajoutez un paramètre à la fois.

    Une ventilation peut-elle contenir une catégorie vide ou inconnue ?

    Oui, très souvent, et il ne faut surtout pas la supprimer du tableau. Une ligne « non renseigné » est une information sur la qualité de la base, et c’est aussi elle qui permet à la somme de retomber sur le total. L’écarter par souci d’esthétique casse le contrôle arithmétique et masque un défaut de saisie qui méritait d’être commenté.

    Faut-il refaire la requête avant de rendre le mémoire ?

    C’est prudent si plusieurs mois se sont écoulés depuis votre extraction. Si les chiffres ont changé, deux options honnêtes : actualiser l’ensemble de l’analyse, ou conserver l’extraction d’origine en indiquant clairement sa date et en signalant que la base a évolué depuis. Ce qu’il ne faut pas faire, c’est mettre à jour un seul chiffre dans un texte construit sur les anciens.

    Un chiffre, une requête, une date : c’est tout ce qu’il faut pour qu’il soit citable. Rédigez votre mémoire avec Tesify.

  • N’écrivez pas vos items : adopter une échelle déjà validée pour son mémoire avec Tesify (2026)

    N’écrivez pas vos items : adopter une échelle déjà validée pour son mémoire avec Tesify (2026)

    Le moment vient toujours au même endroit. Le cadre théorique est écrit, les hypothèses sont posées, et il faut fabriquer le questionnaire. L’étudiant ouvre un document vide et commence à rédiger ses questions.

    C’est le chemin le plus long, et celui qui produit le mémoire le plus fragile.

    Ce qu’une échelle validée vous donne déjà

    Les éléments qu'une échelle déjà validée apporte sans travail supplémentaire
    Quatre acquis que vous n’aurez pas à produire — ni à défendre.

    Une échelle publiée n’est pas seulement une liste de questions bien tournées. Elle vous apporte quatre choses qu’un questionnaire maison n’aura jamais.

    1. Des items déjà testés. Leur formulation a été éprouvée sur des centaines de répondants : les questions ambiguës ont été éliminées avant vous.
    2. Une structure de dimensions. L’échelle indique quels items composent quel construit. Votre plan d’analyse est donc écrit avant votre collecte, et non improvisé après.
    3. Une fidélité déjà mesurée. Les publications antérieures rapportent ses indices de cohérence interne. Vous calculerez les vôtres, mais vous aurez une référence à laquelle les comparer — ce qui transforme un chiffre isolé en argument.
    4. Une littérature de comparaison. D’autres travaux ont utilisé la même échelle. Votre discussion peut donc confronter vos résultats aux leurs, au lieu de commenter vos seuls chiffres dans le vide. C’est souvent ce qui sépare une bonne discussion d’une paraphrase des tableaux.

    Un questionnaire écrit de zéro vous prive des quatre. En soutenance, la question qui tombe est invariablement : « comment savez-vous que vos questions mesurent ce que vous croyez ? » Avec une échelle validée, la réponse tient en une référence.

    Où en trouver une

    Commencez par le modèle théorique lui-même. Les cadres les plus utilisés publient leurs instruments, et c’est précisément le critère qui devrait guider votre choix de modèle — voyez à ce sujet comment choisir un modèle théorique qui vient avec son instrument.

    Le centre officiel de la théorie de l’autodétermination en est l’exemple le plus net : il met en ligne une quarantaine d’échelles couvrant la motivation, la satisfaction des besoins psychologiques, la vitalité subjective et les orientations de régulation, avec des déclinaisons spécifiques à l’éducation, au sport, à la santé, au travail et à la parentalité. On y trouve notamment l’échelle de satisfaction et de frustration des besoins psychologiques fondamentaux, l’inventaire de motivation intrinsèque, l’échelle de motivation au travail, l’échelle de motivation en sport et les échelles de compétence perçue.

    Si votre modèle n’a pas de site dédié, la voie est l’article fondateur, puis les articles de validation qui en publient des versions dans d’autres langues. Une échelle sérieuse est toujours accompagnée d’un article qui décrit sa construction.

    Vérifiez la licence avant de diffuser, pas après

    C’est l’étape que presque personne ne fait, et elle prend cinq minutes.

    Les instruments de la théorie de l’autodétermination, par exemple, sont explicitement ouverts : « You are welcome to use the instruments for academic (non-commercial) research projects ». La restriction est tout aussi explicite : « however, you may not use any of them for any commercial purposes without written permission to do so from the Center for Self-Determination Theory ». Un mémoire universitaire entre dans le premier cas ; une étude conduite pour le compte de votre entreprise d’alternance, non.

    D’autres échelles, notamment en santé, sont sous licence payante ou exigent une demande écrite à leurs auteurs. Lisez les conditions avant d’envoyer votre lien de questionnaire à deux cents personnes : revenir en arrière n’est pas possible.

    Le piège qui annule tout : traduire soi-même

    Une échelle traduite sans procédure qui perd la validation qui faisait son intérêt
    Traduite à la va-vite, une échelle validée redevient un questionnaire maison.

    La plupart de ces instruments sont publiés en anglais. La tentation est évidente : traduire les items en une soirée et diffuser.

    Le problème est que la validation porte sur les items tels qu’ils sont formulés. Une traduction improvisée produit un instrument dont personne n’a testé les propriétés — c’est-à-dire, exactement, un questionnaire maison, mais avec en plus la prétention d’être validé. Vous perdez les quatre bénéfices listés plus haut tout en croyant les conserver.

    Trois conduites possibles, dans l’ordre de préférence.

    • Cherchez une version française déjà validée et citez l’article de validation. C’est la solution propre, et elle existe plus souvent qu’on ne le croit pour les échelles très utilisées.
    • Si votre population maîtrise l’anglais et que le contexte s’y prête, utilisez la version originale et justifiez ce choix.
    • À défaut, traduisez, mais dites-le. Décrivez la procédure suivie et inscrivez explicitement dans vos limites que l’instrument est une traduction non validée. Un jury pardonne une limite annoncée ; il ne pardonne pas une validité revendiquée à tort.

    Ce que Tesify fait, et ce qu’il ne fait pas

    Soyons précis, parce que c’est une étape où l’automatisation serait dangereuse.

    Tesify ne fabrique pas d’échelle validée et n’en invente pas les items. Une échelle est un objet publié, avec des auteurs et des conditions d’usage : elle se cherche, se lit et se cite, elle ne se génère pas.

    Tesify ne traduit pas un instrument à votre place pour lui rendre sa validité. Aucun outil ne le peut : la validation est un fait empirique, pas une propriété du texte.

    Ce que l’outil fait utilement à ce moment du travail : garder la cohérence entre le construit annoncé dans votre cadre théorique, la dimension mesurée et l’item présenté dans votre méthode ; écrire la section « instrument » qui décrit l’échelle, sa source, sa structure et ses conditions d’utilisation ; et maintenir la même terminologie du cadre théorique jusqu’à la discussion, ce qui est précisément ce qui se perd quand un mémoire s’écrit sur plusieurs mois.

    Ouvrez votre mémoire dans Tesify et rédigez votre partie instrument proprement — chaque phrase reste écrite par vous.

    La suite du parcours

    Adopter une échelle ne dispense d’aucune des étapes qui suivent, et c’est une bonne nouvelle : elles deviennent plus simples.

    Le passage du construit à l’item reste à expliciter dans votre méthode : voyez l’opérationnalisation des variables. Les aspects de forme — format de réponse, nombre de modalités, ordre des questions — relèvent de la construction d’un questionnaire à échelle de Likert, y compris quand les items sont repris tels quels.

    Avant diffusion, faites un test pilote même sur une échelle validée : ce que vous testez alors n’est pas l’instrument mais votre dispositif de passation. Et une fois les réponses collectées, calculez et rapportez la cohérence interne de vos dimensions, puis comparez-la à celle publiée par les auteurs — c’est cette comparaison, plus que la valeur elle-même, qui a du poids.

    Questions fréquentes

    Utiliser une échelle existante, est-ce moins bien vu qu’en créer une ?

    C’est l’inverse. Créer un instrument est un travail de recherche à part entière, qui suppose une phase de validation psychométrique — hors de portée d’un mémoire de master. Reprendre un instrument validé montre que vous connaissez la littérature de votre champ.

    Peut-on n’utiliser qu’une partie d’une échelle ?

    Techniquement oui, avec prudence : retirer des items peut modifier les propriétés mesurées. Si vous ne gardez qu’une sous-échelle explicitement identifiée par les auteurs, c’est généralement acceptable ; si vous piochez des items isolés, vous ne pouvez plus vous prévaloir de la validation.

    Faut-il demander l’autorisation aux auteurs ?

    Cela dépend des conditions publiées. Certains instruments sont ouverts à l’usage académique non commercial sans démarche ; d’autres exigent une demande écrite. Vérifiez la page officielle de l’échelle, et conservez la preuve de l’autorisation le cas échéant.

    Comment citer une échelle dans le mémoire ?

    Citez l’article d’origine, et l’article de validation de la version que vous utilisez si elle diffère. Dans la méthode, indiquez le nom exact de l’échelle, le nombre d’items, les dimensions et le format de réponse.

    Deux échelles dans le même questionnaire, est-ce possible ?

    Oui, c’est courant dès que vous mesurez deux construits. Surveillez seulement la longueur totale : un questionnaire trop long fait chuter le taux de réponse, et un échantillon amputé coûte plus cher qu’une variable en moins.

    Et si aucune échelle n’existe pour mon objet ?

    C’est possible sur un objet très spécifique. Construisez alors vos items en le disant clairement, appuyez-vous sur la littérature pour les justifier un par un, et traitez l’absence de validation comme une limite explicite. C’est une position défendable — à condition d’avoir vraiment cherché d’abord.

    Une échelle éprouvée, une méthode claire, et il ne reste qu’à écrire. Rédigez votre mémoire avec Tesify.

  • Vos données sont groupées : ANOVA classique, erreurs-types au cluster ou modèle multiniveau ? (2026)

    Vos données sont groupées : ANOVA classique, erreurs-types au cluster ou modèle multiniveau ? (2026)

    Vous annoncez fièrement 240 participants. Votre directeur pose une seule question : « ils viennent de combien de classes ? » Huit. Et là, la conversation change de nature.

    Parce que vos 240 élèves ne sont pas 240 observations indépendantes. Ceux d’une même classe partagent un enseignant, un emploi du temps, un quartier, une dynamique de groupe. Ils se ressemblent plus entre eux qu’ils ne ressemblent aux élèves des sept autres classes. Le même problème se pose avec des patients répartis dans des services, des salariés dans des agences, des sportifs dans des clubs, des répondants recrutés via quelques associations.

    L’indépendance des observations est la condition d’application la plus discrète de toutes : aucun logiciel ne la teste, aucune sortie ne signale sa violation, et elle est celle qui fausse le plus violemment les résultats. Voici les quatre façons de la traiter, et comment choisir.

    Le tableau de décision

    Stratégie Ce qu’elle fait Condition pour l’utiliser Ce qu’elle coûte
    Ignorer le groupement Analyse classique sur les individus Corrélation intraclasse quasi nulle, ou groupes très nombreux et très petits p-values trop optimistes si la condition n’est pas remplie
    Agréger au niveau du groupe Une ligne par classe, moyenne du groupe en variable Votre hypothèse porte réellement sur les groupes Vous tombez à 8 observations ; vous perdez toute variance individuelle
    Erreurs-types robustes au cluster Garde les individus, corrige seulement les écarts-types Vous ne voulez qu’un test honnête de l’effet moyen N’explique rien du groupement ; nécessite un nombre raisonnable de groupes
    Modèle multiniveau Modélise explicitement la variance entre groupes et à l’intérieur Idéalement une trentaine de groupes ou plus Plus lourd à apprendre, à écrire et à défendre

    La recommandation courte : mesurez d’abord la corrélation intraclasse. Si elle est négligeable, la première ligne suffit et vous le documentez. Si elle ne l’est pas et que vous avez peu de groupes, prenez les erreurs-types robustes. Si vous avez beaucoup de groupes et une question qui porte sur le niveau groupe, le modèle multiniveau est le seul qui y réponde. La suite explique comment trancher avec un chiffre plutôt qu’à l’intuition.

    Des observations regroupées en grappes plutôt que dispersées indépendamment
    À gauche, l’échantillon que suppose votre test. À droite, celui que vous avez réellement collecté.

    Le chiffre qui décide : la corrélation intraclasse

    La corrélation intraclasse, notée ρ ou ICC, mesure la part de la variance totale qui se situe entre les groupes plutôt qu’à l’intérieur. Un ICC de 0 signifie que les classes ne se distinguent en rien ; un ICC de 0,30 signifie que 30 % de la variabilité de votre variable tient à l’appartenance au groupe.

    Vous l’obtenez avec le modèle le plus simple qui soit, dit modèle vide : sous SPSS, Analyse → Modèles mixtes → Linéaire, en déclarant votre variable de groupe comme sujet, sans aucun prédicteur, en demandant la structure de covariance des effets aléatoires. Le tableau des paramètres de covariance vous donne deux variances : celle de l’intercept aléatoire et la résiduelle. L’ICC est la première divisée par leur somme.

    Ce chiffre gouverne tout, via l’effet de plan :

    effet de plan = 1 + (taille moyenne des groupes − 1) × ICC

    Prenons vos huit classes de 30 élèves avec un ICC de 0,10, une valeur courante en sciences de l’éducation : 1 + (30 − 1) × 0,10 = 3,9. Votre échantillon de 240 se comporte comme un échantillon de 240 ÷ 3,9 ≈ 62 observations indépendantes. Vous n’avez pas perdu des données ; vous découvrez ce que vous aviez réellement. C’est aussi la raison pour laquelle un test lancé sur 240 lignes produit des p-values beaucoup trop petites : il croit disposer de quatre fois plus d’information qu’il n’en existe.

    L'effectif effectif d'un échantillon groupé est plus petit que son effectif brut
    Effectif brut contre effectif effectif : l’écart est entièrement déterminé par l’ICC et par la taille des groupes.

    Le piège de la taille des groupes

    Regardez la formule : l’ICC est multiplié par la taille des groupes. Un ICC minuscule de 0,02 devient sérieux si vos grappes comptent 100 personnes chacune (effet de plan ≈ 3,0), et reste négligeable si elles en comptent 5 (≈ 1,08). Ce n’est pas l’ICC seul qui décide, c’est le produit. C’est pourquoi une enquête diffusée via trois grands groupes en ligne est bien plus exposée qu’une enquête menée dans quarante petites structures.

    Stratégie 1 — Ignorer le groupement, mais le documenter

    Ce n’est pas une faute en soi. C’est une faute si vous ne l’avez pas vérifié.

    Calculez l’ICC, calculez l’effet de plan, et si celui-ci reste proche de 1, écrivez-le dans la méthodologie : « la corrélation intraclasse liée à l’établissement est de 0,01, soit un effet de plan de 1,05 ; les analyses ont donc été conduites au niveau individuel. » Cette phrase désamorce la question du jury avant qu’elle soit posée, et elle prend deux lignes.

    La faute, c’est de ne jamais avoir regardé — et de découvrir en soutenance que vos p-values reposaient sur un effectif imaginaire. Notre inventaire des biais méthodologiques d’un mémoire de master range ce cas parmi les plus coûteux, parce qu’il est invisible jusqu’à ce qu’on le nomme.

    Stratégie 2 — Agréger au niveau du groupe

    Vous calculez la moyenne de chaque classe et vous travaillez sur 8 lignes. L’indépendance est restaurée : chaque classe n’apparaît qu’une fois.

    C’est légitime quand votre hypothèse porte vraiment sur les groupes — « les établissements qui ont mis en place le dispositif obtiennent-ils de meilleurs résultats moyens ? ». C’est un désastre quand votre hypothèse porte sur les individus, parce que vous perdez la totalité de la variance intra-classe et parce qu’un effet observé au niveau agrégé ne se transpose pas mécaniquement au niveau individuel.

    Et surtout : avec huit unités, votre puissance statistique s’effondre. Vérifiez ce que cela implique avec la procédure G*Power avant de vous engager dans cette voie — le résultat est souvent dissuasif.

    Stratégie 3 — Les erreurs-types robustes au cluster

    C’est le compromis le plus sous-utilisé dans les mémoires, et souvent le plus raisonnable.

    L’idée : garder toutes vos observations individuelles et tous vos prédicteurs, ne rien changer aux coefficients estimés, mais recalculer les écarts-types en tenant compte du fait que les erreurs sont corrélées à l’intérieur de chaque groupe. Vos intervalles de confiance s’élargissent, vos p-values remontent, et le test redevient honnête.

    Sous SPSS, la voie accessible passe par les équations d’estimation généralisées (Analyse → Modèles linéaires généralisés → Équations d’estimation généralisées) : déclarez votre variable de groupe comme variable sujet, une structure de corrélation de travail échangeable, et l’estimateur de covariance robuste. Sous R, la même chose s’obtient avec un estimateur sandwich groupé. Le comparatif R, Python ou SPSS pour l’analyse statistique pose les différences d’ergonomie entre ces environnements.

    La limite : cette correction est asymptotique. Elle suppose un nombre de groupes suffisant pour être fiable ; avec cinq ou six clusters, elle sous-corrige et donne une fausse impression de rigueur. Avec huit classes, présentez-la comme une correction imparfaite plutôt que comme une solution.

    Stratégie 4 — Le modèle multiniveau

    Le modèle multiniveau — aussi appelé modèle hiérarchique linéaire ou modèle mixte — ne corrige pas le problème : il le prend pour objet. Il décompose la variance en une part entre groupes et une part entre individus, puis permet de tester des prédicteurs à chaque niveau.

    Il devient indispensable dès que votre question de recherche contient elle-même les deux niveaux : « à motivation individuelle égale, le climat de la classe influence-t-il le résultat ? » Aucune des trois autres stratégies ne peut répondre à cette phrase.

    Sous SPSS : Analyse → Modèles mixtes → Linéaire. On procède par étapes — d’abord le modèle vide pour l’ICC, puis les prédicteurs de niveau 1, puis ceux de niveau 2, en comparant l’ajustement à chaque ajout. Jamovi et JASP proposent des interfaces plus lisibles pour ces modèles ; le comparatif JASP, jamovi ou SPSS détaille ce que chacun couvre.

    Combien de groupes faut-il ?

    C’est la question qui décide réellement, et la réponse est décevante : beaucoup plus que vous n’en avez. La règle empirique la plus citée en sciences sociales demande une trentaine de groupes pour estimer correctement les variances de niveau 2, et davantage encore pour tester des pentes aléatoires. C’est une convention, pas une loi — mais un jury la connaît.

    Avec huit classes, un modèle multiniveau est techniquement calculable et statistiquement fragile : les estimations de variance de niveau 2 seront instables, et un lecteur averti vous le dira. Ce n’est pas une raison pour renoncer à en parler ; c’est une raison pour choisir la stratégie 3 et expliquer pourquoi. Un mémoire qui écrit « le nombre de grappes est insuffisant pour un modèle multiniveau fiable, une correction robuste au cluster a donc été retenue » est plus solide qu’un mémoire qui empile les niveaux sans le dire.

    Ce qu’il faut écrire dans le mémoire

    Groupement négligeable : « Les participants étant recrutés dans six structures, la corrélation intraclasse a été estimée à partir d’un modèle vide : ρ = 0,012, soit un effet de plan de 1,20. Le regroupement a donc été considéré comme négligeable et les analyses conduites au niveau individuel. »

    Groupement traité par correction robuste : « Les 240 élèves étant répartis dans 8 classes, la corrélation intraclasse s’établit à ρ = 0,10, soit un effet de plan de 3,9 et un effectif effectif d’environ 62 observations. Le nombre de grappes étant trop faible pour un modèle multiniveau fiable, les erreurs-types ont été estimées de façon robuste au niveau de la classe. »

    Modèle multiniveau : « Un modèle multiniveau à intercept aléatoire a été spécifié, les élèves (niveau 1) étant imbriqués dans 42 classes (niveau 2). Le modèle vide indique ρ = 0,14. L’introduction des prédicteurs individuels réduit la variance résiduelle de 18 %. »

    Dans les trois cas, la structure d’échantillonnage doit apparaître explicitement dans la section méthode. Notre guide de l’échantillonnage en mémoire de master décrit comment décrire un tirage par grappes ; le présent article traite de ce qui vient après, au moment de l’analyse.

    Les erreurs qui coûtent cher

    • Confondre « beaucoup de participants » et « beaucoup d’information ». 240 élèves dans 8 classes en valent parfois 62.
    • Ne calculer l’ICC qu’après avoir vu que le résultat était significatif. Le calcul se fait avant, et se rapporte quel qu’en soit le verdict.
    • Empiler un modèle multiniveau sur cinq groupes parce que c’est la méthode qui impressionne. Le jury regardera d’abord le nombre de grappes.
    • Oublier de centrer les prédicteurs de niveau 1 dans un modèle multiniveau. Sans centrage, le coefficient mélange l’effet individuel et l’effet de contexte, et l’interprétation devient ambiguë.
    • Traiter les mesures répétées d’un même participant comme des grappes ordinaires. La logique est proche, mais le plan est un autre : voyez notre guide du design expérimental pour situer les deux structures.
    • Oublier que le groupement s’ajoute aux autres conditions. Si vous évaluez un dispositif sur deux classes entières avant et après, vous cumulez le problème d’indépendance traité ici et celui du niveau initial, traité dans notre article sur l’ANCOVA en plan pré-test / post-test.
    • Ajouter le groupe comme simple facteur fixe dans une ANOVA en croyant avoir réglé le problème. Cela consomme sept degrés de liberté et ne modélise toujours pas la corrélation résiduelle. Sur les plans à facteurs croisés, l’ANOVA factorielle reste l’outil adapté — mais à observations indépendantes.

    Écrire la partie méthode qui va avec

    Le calcul de l’ICC prend cinq minutes. Ce qui prend du temps, c’est de justifier la stratégie retenue en une demi-page défendable : dire pourquoi vos données sont groupées, ce que cela change à l’effectif, quelle correction vous avez choisie et ce que vous renoncez à savoir.

    Tesify travaille avec vous sur ce passage : structurer la section, tenir une terminologie constante entre méthode et résultats, et rédiger la justification à partir de vos propres choix. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

    Rédiger votre partie méthode avec Tesify

    Questions fréquentes

    À partir de quelle valeur d’ICC faut-il s’inquiéter ?

    Il n’existe pas de seuil universel, et c’est précisément le piège : la question n’est pas l’ICC seul mais l’effet de plan, qui dépend aussi de la taille des grappes. Calculez 1 + (taille moyenne − 1) × ICC. En dessous de 1,2, le groupement est négligeable en pratique ; au-delà de 2, il faut le traiter et le dire.

    Comment obtenir l’ICC si je n’ai pas accès aux modèles mixtes ?

    Une ANOVA à un facteur, avec la variable de groupe en facteur et votre variable d’intérêt en dépendante, donne les carrés moyens inter et intra à partir desquels l’ICC se calcule à la main. C’est moins direct qu’un modèle vide, mais la procédure existe dans toutes les versions de SPSS et dans les tutoriels d’analyse quantitative sous SPSS ou Excel.

    Mon questionnaire a circulé sur les réseaux sociaux : mes données sont-elles groupées ?

    Potentiellement, oui, et c’est le cas le plus difficile à traiter honnêtement. Si la diffusion s’est faite via un petit nombre de groupes ou de pages, les répondants issus d’une même source se ressemblent. Le problème est que vous ne connaissez généralement pas la source de chaque réponse. Deux options : ajouter une question sur le canal de recrutement dès le départ, ou reconnaître la limite en discussion sans prétendre la quantifier.

    Le modèle multiniveau est-il la même chose que la régression hiérarchique ?

    Non, et la confusion de vocabulaire est fréquente en français. La régression dite hiérarchique désigne l’introduction de prédicteurs par blocs successifs dans une régression ordinaire ; le modèle multiniveau, parfois appelé modèle hiérarchique linéaire, modélise une structure de données imbriquée. On peut faire l’une sans l’autre. Précisez toujours de laquelle vous parlez.

    Puis-je faire un mémoire en sciences de l’éducation sans modèle multiniveau ?

    Oui, très largement — la majorité des mémoires du domaine travaillent sur un nombre de classes trop faible pour cela. Ce qui est attendu n’est pas la technique la plus avancée, mais la conscience du problème : mesurer l’ICC, en tirer une conséquence, l’écrire. Notre guide de la méthodologie du mémoire en sciences de l’éducation replace cette décision dans l’ensemble du plan.

  • Vos données ne sont pas normales : transformer, bootstrapper ou passer au non-paramétrique ? (2026)

    Vos données ne sont pas normales : transformer, bootstrapper ou passer au non-paramétrique ? (2026)

    Le test de Shapiro-Wilk affiche p = 0,003. La normalité est rejetée, et le réflexe enseigné partout est immédiat : basculer sur l’équivalent non paramétrique. C’est une réponse correcte. Ce n’est pas la seule, et ce n’est pas toujours la meilleure.

    Il existe trois voies, et elles ne coûtent pas la même chose. On peut transformer la variable pour la ramener vers une forme symétrique. On peut garder le test paramétrique et bootstrapper ses intervalles. On peut changer de test. Chacune répond à une situation différente, et le choix se justifie en une phrase — à condition d’avoir compris ce que chacune abandonne.

    Avant de choisir : la normalité de quoi, exactement ?

    Deux vérifications préalables font disparaître le problème dans un cas sur deux.

    Première vérification : ce n’est pas la variable brute qui doit être normale. Pour un test t, une ANOVA ou une régression, la condition porte sur les résidus du modèle — l’écart entre chaque observation et ce que le modèle prédit. Une variable dépendante fortement asymétrique dans l’ensemble de l’échantillon peut parfaitement produire des résidus symétriques une fois les groupes ou les prédicteurs pris en compte. Enregistrez les résidus, testez-les, et relisez notre article sur le test de Shapiro-Wilk avant de conclure.

    Deuxième vérification : la taille de l’échantillon. Shapiro-Wilk devient très sensible au-delà de 200 ou 300 observations : il détecte des écarts minuscules et sans conséquence. Or c’est précisément dans les grands échantillons que le théorème central limite protège la distribution de la moyenne. Un test significatif sur n = 400, accompagné d’un histogramme d’allure raisonnable et d’un Q-Q plot sans décrochage massif, ne justifie pas de changer de méthode. À l’inverse, sur n = 25, un test non significatif ne prouve rien : il manque simplement de puissance.

    Regardez le graphique avant le p. Si, après ces deux vérifications, l’asymétrie est réelle et l’échantillon petit, alors la question se pose vraiment.

    Une variable asymétrique avant et après transformation logarithmique
    Une transformation ne « corrige » pas les données : elle change l’échelle sur laquelle la question est posée.

    Voie 1 — Transformer la variable

    Le principe est de remplacer votre variable par une fonction d’elle-même qui comprime les grandes valeurs. Sur une asymétrie à droite — salaires, durées, nombres de consultations, temps de réaction —, la transformation logarithmique est de loin la plus utilisée : sous SPSS, Transformer → Calculer la variable avec LN(variable). La racine carrée comprime plus doucement, l’inverse plus brutalement.

    Ce que vous gagnez : vous restez dans le monde paramétrique. Vous conservez l’ANOVA, la régression, les covariables, les interactions — tout l’appareil qui permet de contrôler plusieurs facteurs simultanément et qu’aucun test non paramétrique classique ne remplace.

    Ce que vous perdez : l’interprétabilité directe. Un coefficient estimé sur LN(salaire) ne se lit pas en euros. Il faut le retransformer, et la retransformation d’une moyenne logarithmique ne redonne pas la moyenne arithmétique mais la moyenne géométrique. C’est une nuance à assumer, pas à cacher : écrivez que les analyses portent sur la variable log-transformée et donnez les statistiques descriptives sur l’échelle d’origine.

    Les trois pièges :

    • Les zéros et les valeurs négatives. Le logarithme n’est pas défini en zéro. La parade courante, LN(x + 1), fonctionne mais déplace la distribution et rend la constante ajoutée arbitraire : signalez-la.
    • Transformer une variable qui n’a aucune raison de l’être. Une variable de comptage ou une durée avec censure appelle un modèle adapté, pas une transformation. Corriger la distribution d’une variable mal modélisée, c’est traiter le symptôme.
    • Essayer les transformations les unes après les autres jusqu’à ce que Shapiro-Wilk passe. La méthode de Box-Cox, qui choisit l’exposant optimal, existe précisément pour éviter cette pêche — mais elle n’est pas accessible dans les menus de base de SPSS et demande de passer par R ou par une syntaxe dédiée. Si vous ne pouvez pas la mettre en œuvre, choisissez la transformation d’après la nature de la variable, pas d’après le résultat du test.

    Voie 2 — Garder le test et bootstrapper

    Le bootstrap ne transforme rien et ne change pas de test. Il change la façon dont l’incertitude est estimée. Au lieu de supposer que la statistique suit une loi théorique, on tire au sort, avec remise, des milliers de rééchantillons de la même taille dans votre propre base, on recalcule la statistique dans chacun, et on lit l’intervalle directement dans la distribution obtenue.

    Le principe du bootstrap : rééchantillonner la base pour construire un intervalle de confiance
    Le bootstrap remplace une hypothèse de forme par un calcul : l’incertitude est lue dans la variabilité des rééchantillons.

    Ce que vous gagnez : un intervalle de confiance qui ne repose plus sur la normalité, sur la statistique de votre choix — une différence de moyennes, un coefficient de régression, un effet indirect de médiation, une différence de médianes. C’est d’ailleurs pourquoi le bootstrap est devenu la norme en analyse de médiation, où la distribution de l’effet indirect n’est jamais normale.

    Ce que vous perdez : peu de choses sur le plan statistique, davantage sur le plan pratique. Sous SPSS, le bootstrap est un module additionnel : il apparaît sous forme d’un bouton Bootstrap dans la plupart des boîtes de dialogue lorsque la licence l’inclut, et il est simplement absent sinon. Vérifiez avant de bâtir votre plan dessus. R le fait nativement, jamovi et JASP le proposent sur plusieurs procédures — voyez notre comparatif des logiciels si vous devez changer d’outil.

    Les réglages à déclarer : le nombre de rééchantillons (1 000 suffit pour explorer, 5 000 pour un résultat que vous publiez), la méthode d’intervalle (percentile, ou BCa qui corrige le biais et l’asymétrie et qu’il faut préférer quand elle est disponible), et la graine aléatoire si vous voulez que le résultat soit reproductible à l’identique.

    Le malentendu à éviter : le bootstrap ne répare pas un échantillon trop petit, ne corrige pas une dépendance entre observations, et ne rattrape pas un modèle mal spécifié. Il relâche une hypothèse de forme, une seule.

    Voie 3 — Passer au non-paramétrique

    C’est la voie enseignée par défaut : Mann-Whitney à la place du test t sur deux groupes indépendants, Wilcoxon sur deux mesures appariées, Kruskal-Wallis à la place de l’ANOVA à un facteur, Spearman à la place de Pearson.

    Ce que vous gagnez : aucune hypothèse de forme, une robustesse totale aux valeurs extrêmes, et une perte de puissance bien plus faible qu’on ne le croit — de l’ordre de 5 % par rapport au test t lorsque les données sont réellement normales, et un gain lorsqu’elles ne le sont pas.

    Ce que vous perdez : l’objet même de la comparaison change, et c’est le point que les mémoires escamotent le plus souvent. Mann-Whitney ne compare pas deux moyennes. Il teste la probabilité qu’une observation tirée d’un groupe dépasse une observation tirée de l’autre. On ne peut le lire comme une différence de médianes que si les deux distributions ont approximativement la même forme : superposez-les avant d’écrire « la médiane du groupe A est significativement plus élevée ».

    La limite structurelle : ces tests comparent des groupes. Dès que votre question comporte plusieurs facteurs croisés, une covariable à contrôler ou une interaction à tester, il n’existe pas d’équivalent non paramétrique simple, et la voie 1 ou la voie 2 redevient la seule option praticable. C’est le cas, par exemple, dès que vous devez ajuster sur un pré-test en covariable.

    Le tableau de décision

    Transformer Bootstrapper Non-paramétrique
    Ce qui est modifié L’échelle de la variable Le calcul de l’incertitude Le test lui-même
    Modèle multifactoriel possible Oui Oui Non, en pratique
    Interprétation directe Non, retransformation nécessaire Oui Sur les rangs, pas sur les moyennes
    Robuste aux valeurs extrêmes Partiellement Non Oui
    Disponible sous SPSS de base Oui Selon la licence Oui
    Situation typique Asymétrie à droite, variable positive Petit échantillon, statistique complexe Variable ordinale, valeurs extrêmes

    Comment trancher en pratique

    Quatre questions, dans cet ordre, suffisent presque toujours.

    1. Ai-je besoin de contrôler autre chose ? Si oui — covariable, second facteur, interaction —, la voie 3 est écartée d’emblée.
    2. La variable est-elle naturellement asymétrique et strictement positive ? Un montant, une durée, un délai : la transformation logarithmique est la réponse conventionnelle, comprise par tous les jurys de la discipline.
    3. L’asymétrie vient-elle de quelques observations extrêmes ? Alors ni la transformation ni le bootstrap ne sont la bonne réponse : la question devient celle du poids de ces observations et de ce qu’il faut en faire.
    4. Ma variable est-elle ordinale par nature ? Un item unique de Likert, un stade, un grade : le non-paramétrique n’est pas un repli, c’est le choix correct dès le départ.

    Et une règle qui vaut pour les trois : annoncez la voie avant de la prendre. Une phrase dans la méthode — « en cas de violation de la normalité des résidus, les intervalles seront estimés par bootstrap à 5 000 rééchantillons » — vaut mieux que trois pages d’explications a posteriori. Le reproche de p-hacking ne porte que sur les décisions prises après avoir vu le résultat.

    Ce que vous écrivez

    Trois modèles, à adapter :

    Transformation. « La distribution des résidus s’écartant de la normalité (Shapiro-Wilk, p = 0,003 ; asymétrie = 1,84), la variable a fait l’objet d’une transformation logarithmique naturelle avant analyse. Les statistiques descriptives sont présentées sur l’échelle d’origine ; les tests portent sur la variable transformée. »

    Bootstrap. « La normalité des résidus n’étant pas vérifiée, les intervalles de confiance à 95 % ont été estimés par bootstrap (5 000 rééchantillons, méthode BCa). L’estimation ponctuelle reste celle des moindres carrés. »

    Non-paramétrique. « La normalité étant rejetée sur les deux groupes et l’effectif restant modeste (n = 31), la comparaison a été conduite par un test U de Mann-Whitney. Les distributions présentant des formes comparables, le résultat est interprété en termes de différence de tendance centrale. »

    Dans les trois cas, un jury retient la même chose : vous avez vu le problème, vous avez choisi, et vous savez ce que votre choix coûte.

    Rédiger la justification sans y passer la semaine

    Le calcul prend dix minutes. Ce qui prend du temps, c’est d’articuler le diagnostic, la décision et sa conséquence dans un paragraphe de méthode qui tienne debout du protocole jusqu’à la discussion, sans changer de vocabulaire en route.

    Tesify travaille avec vous sur ce passage : formuler la justification à partir de vos propres sorties, maintenir la cohérence terminologique entre les chapitres, et transformer une décision technique en un texte que le lecteur suit. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.

    Rédiger votre section méthode avec Tesify

    Questions fréquentes

    Peut-on combiner deux voies ?

    Oui, et c’est parfois la meilleure solution : transformer la variable pour rendre le modèle raisonnable, puis bootstrapper les intervalles pour ne pas dépendre d’une normalité résiduelle imparfaite. Ce qu’il ne faut pas faire, c’est présenter successivement trois analyses et retenir celle qui donne le plus petit p.

    Le bootstrap fonctionne-t-il sur un très petit échantillon ?

    Mal. Le bootstrap rééchantillonne dans vos données : si elles sont trop peu nombreuses pour représenter la population, les rééchantillons héritent du problème. En dessous d’une vingtaine d’observations par groupe, il ne faut pas en attendre de miracle — le non-paramétrique est plus prudent.

    Faut-il retester la normalité après transformation ?

    Oui, mais sans en faire une condition de passage. Regardez surtout l’histogramme et le Q-Q plot des résidus. Si la transformation a réduit l’asymétrie sans l’annuler, le modèle est généralement utilisable : les procédures paramétriques sont robustes à des écarts modérés, beaucoup moins à des écarts massifs.

    Mon directeur me dit que le non-paramétrique « fait moins sérieux ». A-t-il raison ?

    Non, mais l’objection cache souvent une vraie question : un test non paramétrique répond à une question plus pauvre. Il dit qu’un groupe tend à dépasser l’autre, sans quantifier de combien sur l’échelle d’origine. Si votre discussion a besoin d’une taille d’effet interprétable en unités réelles, c’est un argument en faveur des voies 1 ou 2.

    Et si mes données ne sont pas normales parce qu’il y a deux populations mélangées ?

    Une distribution bimodale n’est pas un problème de normalité : c’est un signe que la variable qui distingue les deux sous-groupes manque à votre modèle. Ajoutez-la comme facteur — vous découvrirez souvent que les résidus redeviennent symétriques et que l’asymétrie n’était qu’un symptôme.

    Peut-on transformer la variable indépendante plutôt que la dépendante ?

    La condition de normalité ne porte jamais sur les prédicteurs, donc transformer un prédicteur ne sert pas à satisfaire une hypothèse. Cela peut en revanche se justifier pour linéariser une relation courbe — c’est une décision de spécification du modèle, à argumenter comme telle et non comme un correctif de distribution.

  • Commander des données d’enquête pour son mémoire (2026) : la procédure Quetelet-Progedo étape par étape

    Commander des données d’enquête pour son mémoire (2026) : la procédure Quetelet-Progedo étape par étape

    Un étudiant en sociologie, en économie, en sciences politiques ou en sciences de l’éducation qui veut travailler sur des données quantitatives se heurte presque toujours au même mur : monter soi-même une enquête représentative est impossible en un semestre, et il croit que les grandes enquêtes nationales sont réservées aux laboratoires.

    C’est faux, et le règlement de diffusion le dit en toutes lettres.

    Vous y avez droit, et c’est gratuit

    Le texte est sans ambiguïté : « Les données diffusées par Progedo sont accessibles, gratuitement, aux chercheurs, enseignants-chercheurs, doctorants et étudiants (français et étrangers), rattachés à un organisme de recherche ou d’enseignement. »

    Vous n’avez donc pas à être doctorant. Il suffit d’être inscrit dans une université, une école ou un établissement d’enseignement, et de demander les données dans une finalité de recherche.

    Cette finalité est définie, elle aussi : « Les critères d’une finalité de recherche sont la production ou reproduction dans un but de validation de connaissances nouvelles de portée générale. Les résultats sont publics et libres de diffusion, la finalité est désintéressée et ne sert pas les intérêts particuliers d’institutions publiques ou privées. »

    Un mémoire de master entre dans ce cadre. Une étude commandée par votre entreprise d’alternance pour son usage interne, non — et c’est le seul point sur lequel une demande d’étudiant se fait refuser pour un motif de fond.

    Le règlement de diffusion a été établi par le Comité interministériel de Concertation pour les Données en Sciences Humaines et Sociales, sur avis de son Conseil scientifique.

    Ce que vous pouvez demander

    Le catalogue couvre dix domaines : éducation et formation, travail et emploi, salaires et revenus, conditions de vie et société, santé et protection sociale, population et démographie, opinions, entreprises, données localisées et données historiques.

    S’y ajoutent les grandes enquêtes internationales relayées par la même infrastructure — SHARE sur la santé et le vieillissement, l’European Social Survey, l’European Values Study, le Generations and Gender Programme, l’International Social Survey Programme — ainsi que l’accès au catalogue européen CESSDA.

    Autrement dit : des enquêtes construites par l’INSEE et les grands producteurs publics, avec des échantillons que vous ne pourriez jamais atteindre seul, et des questionnaires déjà validés.

    Deux types de fichiers, deux procédures

    Trois niveaux de finesse de fichiers d'enquête, du plus agrégé au plus détaillé et le plus encadré
    Plus le fichier est fin, plus la porte est étroite — et le niveau intermédiaire vous est ouvert.

    Depuis juillet 2019, la procédure d’accès diffère selon la nature du fichier.

    Les fichiers standards sont anonymisés et plus agrégés. La procédure est la plus légère.

    Les fichiers production recherche (FPR) occupent un niveau intermédiaire : plus détaillés que les fichiers standards, moins que les données confidentielles. Ce changement fait suite à la Loi pour une République Numérique et à l’avis du Comité du Secret Statistique du 14 décembre 2018.

    Au-delà, les données confidentielles les plus détaillées passent par le CASD, dont les services sont payants — hors périmètre d’un mémoire, sauf adossement à un projet financé.

    Dans tous les cas, deux constantes : le demandeur doit être rattaché à un organisme de recherche ou d’enseignement (EPST, universités, écoles), et l’acceptation d’une demande est toujours conditionnée par la signature d’un formulaire individuel par lequel il s’engage à respecter la finalité de recherche et les autres conditions énoncées. Les demandes passent par le portail de commande de Quetelet-Progedo.

    L’habilitation FPR : une fois, puis plus jamais

    Une habilitation obtenue une seule fois puis réutilisée pour toutes les demandes suivantes
    La formalité lourde n’a lieu qu’au premier accès ; les demandes suivantes s’y adossent.

    C’est l’étape que les étudiants redoutent, et elle est plus simple qu’il n’y paraît.

    Pour accéder à des sources FPR pour la première fois, l’utilisateur doit signer et retourner un engagement de confidentialité conformément à l’avis du Comité du Secret Statistique. Les deux conditions d’habilitation sont d’être chercheur, enseignant-chercheur, doctorant ou étudiant, au sein d’une unité de recherche ou d’enseignement figurant à l’annexe 2 de l’avis du CSS. L’habilitation ouvre alors l’accès à l’ensemble des sources FPR listées à l’annexe 1 du même avis.

    Le point décisif pour un étudiant qui envisage une thèse ensuite : « Une fois obtenue, l’habilitation individuelle et personnelle reste valable pour toutes les demandes de données suivantes et sans limite de temps, sous réserve que l’utilisateur soit toujours rattaché à un établissement habilité. »

    Vous ne refaites donc cette démarche qu’une seule fois dans votre parcours. Progedo se réserve par ailleurs le droit de demander toute précision jugée nécessaire et de soumettre les cas litigieux à son Conseil scientifique.

    Les onze engagements que vous signez

    Lisez-les avant de commander, pas après : deux d’entre eux ont des conséquences directes sur la manière dont vous rédigerez et archiverez votre mémoire. En signant, vous vous engagez à :

    1. utiliser les données exclusivement dans une finalité de recherche, toute autre utilisation, commerciale ou non, étant strictement interdite ;
    2. ne pas céder ces données, sous quelque forme que ce soit, à un tiers, à titre gratuit ou onéreux ;
    3. traiter ces données conformément aux règles communes ainsi qu’à celles du secret statistique ;
    4. respecter l’intégrité des données ;
    5. mentionner la source dans vos communications et publications, conformément au modèle de citation ;
    6. informer le diffuseur de vos communications et publications et lui en faire parvenir les références ;
    7. l’informer de vos constats sur la qualité des données ou leur difficulté d’utilisation ;
    8. l’informer de toute réutilisation des données pour une autre recherche que celle spécifiée dans la demande ;
    9. stocker les données sur un serveur sécurisé ou dans un espace crypté pendant le travail de recherche ;
    10. respecter la réglementation en matière de protection des données personnelles ;
    11. faire inscrire votre recherche au registre de déclaration de traitement des données de votre établissement.

    Deux conséquences pratiques. Le point 2 interdit de joindre le fichier de données en annexe de votre mémoire ou de le partager avec un camarade : votre annexe contiendra votre code et vos tableaux, jamais les données brutes. Le point 9 exclut le stockage sur une clé USB non chiffrée ou un service de partage grand public — prévoyez l’espace sécurisé avant de commander, pas le jour de la livraison.

    Le producteur et le diffuseur ne sont par ailleurs pas responsables des interprétations ou déductions faites à partir des données : ce que vous en concluez n’engage que vous, ce qui est aussi la définition d’un mémoire.

    Le calendrier réaliste

    Aucun délai n’est garanti, et c’est la raison pour laquelle cette démarche doit être lancée tôt. Trois conseils tirés de la structure même de la procédure.

    Repérez le fichier avant de rédiger votre projet. Explorez le catalogue en ligne, lisez la documentation de l’enquête, vérifiez que les variables dont vous avez besoin existent réellement et dans les millésimes utiles. Une problématique écrite avant cette vérification est une problématique à réécrire.

    Vérifiez que votre établissement figure bien à l’annexe 2 si vous visez un fichier production recherche. C’est le seul point qui peut bloquer une demande par elle-même recevable.

    Prévenez votre directeur de mémoire. Le formulaire individuel engage votre responsabilité, mais l’inscription au registre des traitements de l’établissement suppose de savoir à qui s’adresser — souvent le délégué à la protection des données de votre université.

    Pendant que la demande chemine, écrivez : revue de littérature, cadre théorique, hypothèses. Ouvrez votre mémoire dans Tesify et avancez sur tout ce qui ne dépend pas des données — vous récupérerez des semaines.

    Est-ce vraiment la bonne voie pour vous ?

    Non, si vos questions se satisfont de données agrégées. Un travail comparant des territoires ou décrivant des tendances peut souvent se faire sans aucune formalité — voyez le panorama des jeux de données ouvertes par discipline et, pour la santé, l’état exact des données de santé ouvertes sans démarche.

    Oui, si votre question exige le niveau individuel : croiser diplôme et salaire, isoler un effet de génération, construire une typologie de trajectoires. Aucune donnée agrégée ne le permet, et c’est précisément ce que ces fichiers apportent.

    Pour la conduite d’ensemble d’un travail bâti sur des données que vous n’avez pas produites, voyez la méthode du mémoire sur données secondaires. Et si vous hésitez encore entre données existantes et enquête personnelle, la méthodologie quantitative par questionnaire vous donnera le point de comparaison — notamment sur ce que coûte réellement la construction d’un échantillon défendable.

    Questions fréquentes

    Un étudiant de master 1 peut-il faire une demande ?

    Oui. Le règlement vise les étudiants rattachés à un organisme de recherche ou d’enseignement, sans distinguer le niveau. Ce qui est examiné, c’est la finalité de recherche de la demande, pas votre année d’inscription.

    Faut-il payer quelque chose ?

    Non pour les données diffusées par Progedo, explicitement gratuites pour les publics visés. En revanche, les services du CASD, qui donnent accès aux données confidentielles les plus détaillées, sont payants — c’est une autre voie, et elle dépasse le cadre d’un mémoire.

    Puis-je mettre les données en annexe de mon mémoire ?

    Non. Vous vous engagez à ne céder les données à personne, sous quelque forme que ce soit. Mettez en annexe votre code, vos tableaux de résultats et la documentation de l’enquête, jamais le fichier lui-même.

    Mon établissement n’est pas dans la liste des unités habilitées. Que faire ?

    Cela ne bloque que l’accès aux fichiers production recherche. Les fichiers standards suivent une procédure distincte. Adressez-vous d’abord à votre directeur de mémoire ou à votre laboratoire de rattachement : un étudiant est souvent rattachable à une unité qui figure bien à l’annexe.

    Dois-je refaire l’habilitation pour ma thèse ?

    Non. L’habilitation est individuelle, personnelle et valable sans limite de temps pour toutes vos demandes ultérieures, tant que vous restez rattaché à un établissement habilité. C’est un argument sérieux pour la demander dès le master.

    Comment citer les données dans le mémoire ?

    En suivant le modèle de citation fourni par le diffuseur, ce à quoi vous vous engagez explicitement. Mentionnez le producteur de l’enquête, le diffuseur, le millésime et la version du fichier. Et informez le diffuseur de votre travail une fois soutenu : c’est le sixième engagement, et il est rarement respecté.

    Lancez la demande, puis écrivez pendant qu’elle chemine. Rédigez votre mémoire avec Tesify — la structure tient, les mots sont les vôtres.