Vous demandez une boîte à moustaches, et le logiciel dessine quatre petits ronds au-dessus de la moustache supérieure, chacun avec son numéro d’observation. La tentation est immédiate : les supprimer, et voir si le résultat devient enfin significatif.
Réponse courte : non, pas par défaut. Supprimer une observation n’est légitime que dans un seul cas — quand la valeur est fausse, ou quand l’individu n’appartient pas à la population que vous étudiez. Une valeur simplement grande, aussi gênante soit-elle, est une donnée. La supprimer parce qu’elle dérange est une faute méthodologique que les jurys repèrent, surtout quand la suppression fait passer un p juste sous 0,05.
Voici la démarche complète : distinguer les trois espèces de valeurs aberrantes, les repérer correctement, décider, et surtout écrire ce que vous avez fait.
Trois choses différentes qu’on appelle « valeur aberrante »
La confusion vient de là. Le même mot désigne trois situations dont une seule justifie une suppression.
- L’erreur. Un âge de 220 ans, un score de 55 sur une échelle qui plafonne à 50, une virgule décimale déplacée. C’est une donnée fausse : elle se corrige si la source le permet, se supprime sinon. Aucun débat.
- L’individu hors population. Un cadre dirigeant dans une enquête sur les employés d’exécution ; un patient dont le dossier révèle une pathologie qui figurait dans vos critères d’exclusion. Ce n’est pas une valeur fausse, c’est une personne qui n’aurait pas dû entrer. Elle se retire, à condition que le motif d’exclusion soit énoncé et s’applique à tous de la même manière.
- La valeur extrême et vraie. Le répondant qui a réellement quarante ans d’ancienneté, l’entreprise réellement dix fois plus grande que les autres. Celle-là ne se supprime pas. Elle appartient à la réalité que vous prétendez décrire.
Toute la difficulté du travail consiste à ranger chaque point signalé par le logiciel dans l’une de ces trois cases — et cela ne se fait pas depuis le graphique. Cela se fait en retournant à la source : le questionnaire papier, le dossier, le fichier d’origine.
Les repérer proprement
Sur une seule variable
La boîte à moustaches est l’outil le plus lisible. La convention usuelle marque comme atypique toute valeur située à plus d’une fois et demie l’écart interquartile au-delà d’un quartile, et comme extrême celle qui dépasse trois fois cet écart. SPSS affiche les premières par un cercle et les secondes par un astérisque, avec le numéro d’observation à côté — c’est ce numéro qui vous permet de retourner à la ligne concernée.
Le score standardisé donne le même diagnostic autrement : on convertit la variable en scores centrés-réduits et on examine ceux qui dépassent environ 3,3 en valeur absolue. Sur de petits échantillons, un seuil de 2,5 est parfois retenu, mais il signale mécaniquement plus de points.
Sur plusieurs variables à la fois
Un point peut être parfaitement banal sur chaque variable prise isolément et complètement atypique dans leur combinaison : un étudiant de 19 ans avec quinze ans d’expérience professionnelle. Aucun boxplot ne le verra. La distance de Mahalanobis mesure l’éloignement de chaque observation au centre du nuage multivarié en tenant compte des corrélations entre variables ; on la compare à une loi du khi-deux dont le nombre de degrés de liberté est le nombre de variables considérées, avec un seuil très strict.
En régression : atypique n’est pas influent
C’est la distinction que la plupart des mémoires manquent, et celle qui impressionne quand elle est maîtrisée.
Une observation peut être très éloignée du nuage sans changer quoi que ce soit à vos résultats, si elle se situe dans le prolongement de la tendance générale. À l’inverse, une observation modérément atypique mais placée à l’extrémité de la plage des valeurs prédictives peut, à elle seule, faire pivoter votre droite de régression.
Ce qui compte n’est donc pas l’éloignement mais l’influence. Deux indicateurs à demander dans les options de sauvegarde de votre régression linéaire multiple :
- la distance de Cook, qui résume de combien l’ensemble des coefficients changerait si l’observation était retirée. Une valeur supérieure à 1 est le signal d’alerte classique ; certains auteurs retiennent un seuil plus sensible, de l’ordre de quatre divisé par la taille de l’échantillon ;
- le levier, qui mesure l’atypie de l’observation sur les variables explicatives seules.
Le bon réflexe : trier votre fichier par distance de Cook décroissante et examiner les cinq premières lignes. C’est cinq minutes de travail, et c’est exactement ce qu’un directeur de mémoire vérifiera.
L’arbre de décision
Face à un point signalé, trois questions dans cet ordre — et une seule mène à la suppression.
- La valeur est-elle possible ? Non → erreur : corrigez depuis la source, ou supprimez la valeur en la traitant ensuite comme une donnée manquante plutôt qu’en supprimant l’individu entier.
- L’individu relève-t-il de votre population ? Non → exclusion documentée, avec un critère explicite appliqué uniformément.
- La valeur est vraie et l’individu est bien dans votre population ? → vous la gardez. Reste alors à choisir comment analyser en sa présence.
Quatre façons de gérer une valeur extrême qu’on garde
Garder ne veut pas dire ignorer. Quatre options, de la plus légère à la plus interventionniste.
1. Ne rien faire, et le dire. Si les indicateurs d’influence sont faibles, la valeur extrême ne pose aucun problème. Mentionnez que vous avez vérifié, et passez à la suite. C’est l’issue la plus fréquente et la plus sous-utilisée.
2. Changer de test. Beaucoup de méthodes non paramétriques travaillent sur les rangs et sont donc insensibles à l’ampleur des valeurs extrêmes. C’est la raison pour laquelle on bascule d’un test t vers Mann-Whitney, ou du coefficient de Pearson vers Spearman. La médiane, de la même façon, résiste là où la moyenne cède.
3. Transformer la variable. Une transformation logarithmique ou racine carrée comprime la queue haute d’une distribution asymétrique et ramène les valeurs extrêmes vers le corps de la distribution. Le prix à payer est l’interprétation : vos coefficients ne s’expriment plus dans l’unité d’origine, et il faut le gérer dans la rédaction.
4. Winsoriser. Plutôt que de retirer l’observation, on ramène sa valeur à un seuil — par exemple au 95e centile. L’individu reste dans l’échantillon, son influence est plafonnée. C’est un compromis acceptable en gestion et en finance, à condition d’annoncer le seuil retenu avant de regarder les résultats, et non après.
L’analyse de sensibilité : la réponse qui satisfait tous les jurys
Voici la meilleure stratégie disponible, et elle est étonnamment simple : faites tourner l’analyse dans les deux versions et rapportez les deux.
Cela transforme une décision arbitraire en résultat. Deux cas de figure, et vous êtes gagnant dans les deux :
- Les conclusions sont les mêmes. Votre résultat est robuste. Une phrase en note de bas de page suffit, et elle renforce considérablement votre crédibilité.
- Les conclusions diffèrent. C’est une information de premier ordre, pas un échec : votre résultat dépend d’une poignée d’observations. Vous le signalez, vous décrivez qui sont ces individus, et vous en faites une limite argumentée. Un jury préfère de très loin cette honnêteté à un résultat fragile présenté comme solide.
Le seul mauvais choix est de tester les deux versions en silence et de ne rapporter que celle qui arrange. C’est ce que la littérature appelle le tri sélectif des résultats, et c’est précisément ce que l’analyse de sensibilité rend inutile.
Ce qu’il faut écrire
Le traitement des valeurs extrêmes se décrit dans la section de préparation des données, avant les résultats, en trois ou quatre phrases. Le lecteur doit pouvoir reconstituer exactement ce que vous avez fait.
Modèle de phrase — aucune suppression : « L’examen des boîtes à moustaches a identifié quatre observations atypiques sur la variable d’ancienneté. Le retour aux questionnaires a confirmé qu’il s’agissait de valeurs plausibles ; aucune n’a donc été supprimée. Les distances de Cook restant toutes inférieures à 1, ces observations n’exercent pas d’influence déterminante sur les estimations. »
Modèle de phrase — suppression justifiée : « Deux observations présentaient un âge incompatible avec les critères d’inclusion (respectivement 4 et 220 ans) et ont été identifiées comme des erreurs de saisie ; la valeur a été recodée en donnée manquante. Aucune autre observation n’a été retirée. »
Modèle de phrase — analyse de sensibilité : « L’analyse a été conduite avec puis sans les trois observations les plus influentes. Les coefficients varient marginalement et les conclusions restent inchangées ; les résultats présentés portent sur l’échantillon complet. »
Une règle de forme, enfin : ne parlez jamais de « nettoyage » des données sans dire ce que vous avez nettoyé et combien de lignes en sont sorties. Un effectif final qui ne correspond pas à l’effectif annoncé au chapitre méthodologie est l’une des incohérences que les jurys relèvent le plus souvent. L’annuaire des conditions statistiques et de leurs plans de secours reprend cette vérification parmi les contrôles à faire avant de rédiger les résultats.
Rédiger la partie qui explique vos choix
Décider quoi faire d’une valeur extrême prend dix minutes. Écrire le paragraphe qui justifie ce choix, l’articuler avec vos critères d’inclusion et le rappeler correctement en limites prend beaucoup plus longtemps — et c’est ce paragraphe que le jury lira.
Tesify vous accompagne sur cette rédaction : structurer la section de préparation des données, maintenir la cohérence des effectifs d’un chapitre à l’autre, et transformer vos décisions techniques en justifications défendables. Vos données et vos analyses restent les vôtres.
Rédiger votre chapitre méthodologie avec Tesify
Questions fréquentes
Combien de valeurs aberrantes est-il normal d’avoir ?
Il n’y a pas de norme, et c’est important à comprendre : le critère de la boîte à moustaches signale mécaniquement des points même dans une distribution parfaitement normale, d’autant plus que l’échantillon est grand. En voir quelques-uns n’indique rien d’anormal. Ce qui doit alerter, c’est une proportion élevée sur une même variable — signe possible d’un problème de saisie, d’une échelle mal comprise par les répondants, ou d’une population plus hétérogène que prévu.
Puis-je supprimer une observation parce qu’elle rend mon test non significatif ?
Non, jamais. C’est la seule règle absolue de cet article. Une décision de suppression doit être prise sur un critère défini avant de regarder les résultats, et appliquée de la même façon à toutes les observations. Si vous découvrez après coup qu’un point change tout, l’issue correcte n’est pas la suppression mais l’analyse de sensibilité : rapportez les deux versions et discutez la différence.
Faut-il traiter les valeurs extrêmes avant ou après le test de normalité ?
Avant, car elles en sont souvent la cause. Une distribution rejetée par un test de normalité l’est fréquemment à cause de deux ou trois valeurs en queue de distribution. Examinez-les d’abord, décidez, puis relancez le diagnostic de normalité sur les données telles que vous avez décidé de les analyser.
Que faire d’un individu qui a répondu de façon manifestement peu sérieuse ?
C’est un cas de qualité de réponse, pas de valeur extrême, et il se traite avec ses propres critères : temps de passation anormalement court, réponse identique à tous les items, incohérence entre deux questions de contrôle. Ces critères doivent être fixés à l’avance et énoncés dans le mémoire. Un individu ainsi écarté est une exclusion documentée, pas une valeur aberrante supprimée.
La winsorisation est-elle acceptée dans un mémoire de master ?
Oui, à condition d’être annoncée et justifiée. Elle est courante en finance et en gestion, où les distributions de variables monétaires sont très asymétriques. Précisez le seuil retenu, le nombre de valeurs affectées, et présentez de préférence les résultats non winsorisés en annexe. Dans un mémoire, la transparence sur le traitement compte davantage que le choix du traitement lui-même.