Étiquette : statistiques

Analyse en composantes principales (ACP) avec SPSS pour votre mémoire : guide complet 2026

L’analyse en composantes principales (ACP) est l’une des techniques statistiques multivariées les plus utilisées dans les mémoires de master en sciences humaines, sociales et de gestion. Elle permet de réduire un grand nombre de variables corrélées en un nombre restreint de composantes (ou facteurs) qui en capturent l’essentiel de l’information. Pourtant, beaucoup d’étudiants appliquent l’ACP mécaniquement, sans comprendre ce qu’ils font ni comment interpréter les sorties de SPSS — ce qui conduit à des erreurs d’interprétation sévèrement sanctionnées par les jurys. Ce guide vous donne les clés pour conduire, interpréter et rédiger une ACP irréprochable dans votre mémoire universitaire en 2026.

L’ACP est particulièrement utile quand vous avez construit ou utilisé un questionnaire à de nombreux items et que vous souhaitez vérifier que ces items mesurent bien les dimensions théoriques que vous pensez mesurer. Elle constitue également la première étape d’une validation d’instrument de mesure, avant de calculer la fidélité (alpha de Cronbach) de chaque sous-échelle identifiée. Nous verrons comment articuler ces deux analyses dans votre mémoire.

En bref : L’ACP transforme un ensemble de variables corrélées en un ensemble plus petit de variables non corrélées appelées composantes principales. Sous SPSS, la procédure se lance via Analyze → Dimension Reduction → Factor. Les critères de jugement clés sont : l’indice KMO (≥.70), le test de Bartlett (p<.05), la règle de Kaiser (valeurs propres >1) et le scree plot. Les résultats se rapportent selon les normes APA 7 avec la variance expliquée par chaque composante et les saturations (loadings) de chaque item.

Qu’est-ce que l’ACP et à quoi sert-elle ?

L’ACP est une technique d’analyse exploratoire multivariée proposée par Karl Pearson en 1901 et formalisée par Harold Hotelling en 1933. Son objectif est de réduire la dimensionnalité d’un jeu de données : si vous avez mesuré 20 variables corrélées entre elles, l’ACP peut vous permettre de les résumer en 3 ou 4 composantes qui capturent la majeure partie de l’information originale, avec une perte minimale.

Dans un mémoire universitaire, on l’utilise principalement pour deux finalités :

La validation de la structure factorielle d’un questionnaire : Vous avez adapté ou créé une échelle psychométrique. L’ACP (exploratoire) vous permet de vérifier empiriquement que vos items se regroupent bien en dimensions théoriquement cohérentes.
La réduction de données avant une analyse prédictive : Vous avez trop de variables pour une régression multiple (multicolinéarité) ; vous remplacez les variables originales par leurs scores factoriels.

Il est crucial de distinguer l’ACP exploratoire (EFA) — que couvre ce guide — de l’analyse factorielle confirmatoire (CFA), qui teste a priori un modèle de structure prédéfini et requiert des logiciels spécialisés comme R (package lavaan) ou Mplus. La CFA est l’étape suivante dans la validation d’instrument ; l’ACP exploratoire est l’étape de découverte.

Note terminologique : SPSS appelle sa procédure « Factor Analysis » même quand vous demandez une ACP. La différence technique entre analyse en composantes principales et analyse factorielle commune est importante (l’ACP utilise des communautés = 1, l’AF commune estime les communautés) — mais dans SPSS, sélectionner « Principal Components » dans la liste des méthodes d’extraction vous donne bien une ACP. Vérifiez ce paramètre dans vos captures d’écran.

Conditions d’application de l’ACP

Avant de lancer l’ACP, vérifiez que vos données respectent les conditions suivantes :

1. Variables continues ou quasi-continues

L’ACP s’applique idéalement à des variables mesurées sur des échelles continues. Pour des échelles de Likert à 5 ou 7 points, l’ACP est généralement acceptable si les distributions ne sont pas trop asymétriques. Pour des variables dichotomiques (0/1), préférez l’analyse en correspondances multiples (ACM).

2. Taille d’échantillon suffisante

La règle classique est d’avoir au moins 5 à 10 participants par item, avec un minimum absolu de 100 participants. Si vous avez 20 items, visez au moins 100-200 participants. Des échantillons plus petits donnent des solutions factorielles instables qui ne se répliquent pas. Un tableau de référence :

Nombre d’items	Taille minimale (N)	Taille recommandée (N)
5-10	50	100
10-20	100	200
20-40	200	400
>40	300	500+

3. Intercorrélations suffisantes entre les variables

L’ACP suppose que les variables sont corrélées entre elles (sinon, il n’y a rien à factoriser). Inspectez la matrice de corrélations : la majorité des corrélations doit dépasser |.30|. Si toutes les corrélations sont inférieures à |.20|, l’ACP n’est pas appropriée.

4. Absence de valeurs manquantes excessives

SPSS exclut par défaut les cas listwise (un cas avec une seule valeur manquante est exclu de l’ACP). Si vous avez plus de 5% de valeurs manquantes, traitez-les avant l’ACP (imputation multiple, expectation-maximization).

Réaliser l’ACP sous SPSS : étape par étape

ACP avec SPSS : guide complet étape par étape — Comprendre l’informatique

Voici la procédure exacte sous SPSS 29 (les versions antérieures sont identiques) :

Cliquez sur Analyze → Dimension Reduction → Factor…
Déplacez vos variables dans la case « Variables ».
Cliquez sur Descriptives : cochez « Coefficients » (matrice de corrélations), « KMO and Bartlett’s test of sphericity », « Anti-image ». Validez.
Cliquez sur Extraction : dans « Method », sélectionnez « Principal Components ». Sous « Extract », choisissez « Based on Eigenvalue » avec le seuil à 1 (règle de Kaiser, à ajuster selon le scree plot). Cochez « Scree plot ». Validez.
Cliquez sur Rotation : sélectionnez « Varimax » (si vous supposez que les facteurs sont indépendants) ou « Direct Oblimin » (si vous supposez qu’ils peuvent être corrélés). Cochez « Loading plot(s) » et « Rotated solution ». Validez.
Cliquez sur Options : cochez « Exclude cases listwise » et « Suppress small coefficients » avec un seuil à .30 (pour clarifier la lecture de la matrice). Validez.
Cliquez sur OK pour lancer l’analyse.

Interpréter le KMO et le test de Bartlett

La première sortie à regarder est le tableau « KMO and Bartlett’s Test ».

L’indice KMO (Kaiser-Meyer-Olkin)

Le KMO mesure l’adéquation de l’échantillon pour l’ACP. Il compare les corrélations observées aux corrélations partielles. Un KMO proche de 1 indique que les corrélations sont bien expliquées par des facteurs communs. Le barème d’interprétation de Kaiser (1974) :

Valeur du KMO	Interprétation	Décision
>.90	Excellent (marvelous)	Procéder
.80-.89	Très bien (meritorious)	Procéder
.70-.79	Bien (middling)	Procéder
.60-.69	Médiocre (mediocre)	Procéder avec prudence
.50-.59	Mauvais (miserable)	Retirer des items problématiques
<.50	Inacceptable	Ne pas procéder à l’ACP

Le test de sphéricité de Bartlett

Ce test vérifie que la matrice de corrélations n’est pas une matrice identité (ce qui signifierait que les variables sont indépendantes et qu’il n’y a rien à factoriser). Vous cherchez un résultat significatif (p < .05). Dans la quasi-totalité des études sur des questionnaires psychologiques, ce test est significatif. S’il ne l’est pas, vos variables ne sont pas assez corrélées pour justifier une ACP.

Dans votre mémoire, rapportez-le ainsi : « Le test de sphéricité de Bartlett est significatif (χ²(190) = 1847.3, p < .001), et l’indice KMO = .86 (très bien), confirmant que les données sont factorisables. »

Choisir le nombre de composantes à retenir

C’est la décision la plus importante et la plus délicate de l’ACP. SPSS vous fournit plusieurs outils :

La règle de Kaiser (valeurs propres > 1)

Retenez les composantes dont la valeur propre (eigenvalue) est supérieure à 1. Cette règle, simple et largement utilisée, tend cependant à surestimer le nombre de facteurs. Ne l’utilisez pas seule.

Le scree plot (graphique des éboulis)

SPSS génère un graphique représentant les valeurs propres de chaque composante en ordre décroissant. Cherchez le « coude » — le point où la courbe s’infléchit et commence à s’aplatir. Retenez les composantes situées à gauche de ce coude. C’est souvent le critère le plus fiable en pratique.

La variance expliquée totale

Inspectez le tableau « Total Variance Explained ». La somme des variances expliquées par les composantes retenues doit idéalement dépasser 60% de la variance totale pour les sciences sociales (50% est le minimum acceptable). En psychologie et en sciences de gestion, 65-75% est une cible raisonnable.

Analyse parallèle (parallel analysis)

La méthode la plus rigoureuse : elle compare vos valeurs propres observées à celles attendues sous un modèle aléatoire. Vous ne retenez que les composantes dont la valeur propre observée dépasse celle du modèle aléatoire au même rang. SPSS ne la fait pas nativement, mais vous pouvez utiliser JASP (gratuit) ou un script R pour la calculer. Les jurys avancés apprécient cet effort supplémentaire.

Règle d’or : Combinez toujours au moins deux critères (par exemple : règle de Kaiser + scree plot, ou scree plot + variance expliquée). Si les critères divergent, justifiez votre choix sur la base de la cohérence théorique des solutions. La décision doit être défendable intellectuellement, pas seulement statistiquement.

La rotation : varimax, oblimin et promax

La rotation transforme la solution factorielle initiale pour la rendre plus interprétable, sans changer la quantité de variance expliquée au total. Elle redistribue simplement cette variance entre les composantes.

Rotation orthogonale : Varimax

La rotation varimax suppose que les facteurs sont indépendants (non corrélés). Elle maximise la variance de chaque colonne de la matrice des composantes, produisant une structure où chaque item sature fortement sur une composante et faiblement sur les autres. C’est la rotation la plus utilisée et la plus facile à interpréter.

Choisissez varimax quand : vous supposez théoriquement que vos dimensions sont indépendantes (par exemple, différentes compétences non liées entre elles).

Rotation oblique : Direct Oblimin / Promax

Ces rotations permettent aux facteurs d’être corrélés entre eux. Elles sont plus réalistes en sciences humaines, où les dimensions psychologiques ou sociales sont rarement totalement indépendantes. Si la corrélation interfactorielle est inférieure à |.30|, la différence avec varimax est négligeable.

Choisissez oblimin/promax quand : vous supposez que vos dimensions sont reliées (par exemple, différentes formes d’anxiété). Vérifiez a posteriori la matrice de corrélations entre facteurs : si elles dépassent |.30|, la rotation oblique était justifiée.

Interpréter la matrice des composantes

Après rotation, SPSS produit la « Rotated Component Matrix » (varimax) ou la « Pattern Matrix » (oblimin). Cette matrice contient les saturations (loadings) de chaque item sur chaque composante.

Seuil de signification des saturations

La convention courante est de considérer une saturation comme significative si elle dépasse |.40| (ou |.30| pour les grands échantillons). Avec la suppression des petits coefficients que vous avez configurée dans SPSS (seuil .30), seules les saturations significatives apparaissent dans la matrice.

Items problématiques

Deux situations requièrent une attention particulière :

Saturation croisée (cross-loading) : L’item sature significativement sur deux composantes ou plus. Il introduit de l’ambiguïté. Envisagez de le supprimer ou de l’affecter à la composante sur laquelle il sature le plus fortement, en le justifiant théoriquement.
Item isolé (faible communauté) : L’item ne sature sur aucune composante (toutes les saturations < |.30|). Sa communauté (h²) est faible, ce qui signifie qu’il n’est pas bien expliqué par le modèle factoriel. Envisagez de le supprimer.

Nommer les composantes

Une fois que vous avez identifié quels items saturent sur chaque composante, donnez un nom théorique à chaque composante qui reflète le contenu des items qui la constituent. C’est l’étape intellectuellement la plus importante — et la plus subjective — de l’ACP. Justifiez chaque nom en citant votre cadre théorique. Exemple : « La première composante rassemble les items relatifs à l’évitement des situations sociales (items 3, 7, 12, 15) et à la peur du jugement (items 2, 9, 14). Conformément à la théorie de Clark & Wells (1995), nous nommons cette composante ‘Anxiété sociale anticipatoire’. »

Rédiger les résultats de l’ACP dans votre mémoire

Voici un modèle de paragraphe conforme aux normes APA 7 pour rapporter une ACP :

« Une analyse en composantes principales avec rotation varimax a été réalisée sur les 24 items de l’échelle d’auto-efficacité académique (N = 215). Les conditions préalables à l’ACP étaient réunies : le test de sphéricité de Bartlett est significatif (χ²(276) = 2143.7, p < .001) et l’indice KMO = .87, indiquant une adéquation très satisfaisante. Le scree plot et la règle de Kaiser ont conduit à retenir trois composantes, expliquant cumulativement 61.4% de la variance totale (composante 1 : 29.7% ; composante 2 : 18.3% ; composante 3 : 13.4%). Deux items (items 11 et 18) ont été supprimés en raison de saturations croisées (>.40 sur deux composantes). La première composante (8 items) renvoie à l’auto-efficacité en contexte de présentation orale (α = .87) ; la deuxième (7 items) à l’auto-efficacité rédactionnelle (α = .83) ; la troisième (7 items) à l’auto-efficacité organisationnelle (α = .79). Les résultats détaillés sont présentés au Tableau 3. »

Accompagnez ce paragraphe d’un tableau récapitulatif présentant, pour chaque item, ses saturations sur chaque composante et sa communauté (h²). C’est une exigence standard dans les mémoires de psychologie et de gestion.

Pour comprendre comment articuler l’ACP avec votre cadre théorique, notre article sur la méthodologie de recherche vous donnera les bases nécessaires. Si vous utilisez R ou SPSS et souhaitez aller vers une validation plus poussée, consultez notre article sur la analyse de données pour mémoire.

Erreurs fréquentes à éviter

Utiliser l’ACP sans vérifier les conditions préalables : Ne passez jamais directement à la procédure Factor sans vérifier le KMO, le test de Bartlett et la matrice de corrélations. Un jury compétent vous demandera ces vérifications.
Appliquer la règle de Kaiser aveuglément : La règle des valeurs propres > 1 peut conduire à retenir trop de composantes, surtout avec de nombreuses variables. Toujours corroborer avec le scree plot.
Ignorer les communautés : SPSS produit un tableau des communautés (Initial et Extraction). Une communauté d’extraction très faible (<.30) pour un item indique qu’il n’est pas bien capturé par la solution factorielle retenue.
Ne pas justifier les noms des composantes : Nommer une composante « Facteur 1 » sans explication théorique est insuffisant. Le nom doit refléter le contenu des items et être ancré dans votre revue de littérature.
Confondre ACP et régression : L’ACP est descriptive/exploratoire. Elle ne permet pas de conclure sur des relations causales entre les composantes et d’autres variables. Pour cela, une régression sur les scores factoriels (ou une modélisation par équations structurelles) est nécessaire.
Ne pas vérifier la fidélité après l’ACP : L’ACP identifie des dimensions ; le coefficient alpha de Cronbach (ou l’oméga de McDonald) vérifie que les items de chaque dimension mesurent bien le même construit de façon cohérente. Ces deux analyses sont complémentaires et toutes deux attendues dans un mémoire qui valide un instrument.

Besoin d’aide pour structurer votre analyse ou rédiger votre section méthodologie ? Tesify vous accompagne dans la structuration de votre mémoire et la rédaction de vos sections méthodologiques.

FAQ

Quelle est la différence entre ACP et analyse factorielle dans SPSS ?

Dans SPSS, la procédure s’appelle « Factor Analysis » mais vous pouvez choisir la méthode d’extraction « Principal Components » pour faire une ACP, ou « Maximum Likelihood » / « Principal Axis Factoring » pour une analyse factorielle commune. La différence technique : l’ACP utilise des communautés initiales de 1 (elle explique toute la variance, y compris l’erreur), tandis que l’AF commune n’explique que la variance commune entre items. Pour les mémoires de master en sciences humaines, les deux donnent généralement des résultats très similaires quand le nombre d’items est élevé et les communautés sont fortes.

Mon KMO est à .65 : puis-je quand même faire une ACP ?

Un KMO entre .60 et .69 est classé « médiocre » mais pas rédhibitoire. Procédez à l’ACP avec prudence et inspectez la matrice anti-image : les éléments diagonaux (mesures individuelles de KMO) doivent tous dépasser .50. Si certains items ont un MSA (measure of sampling adequacy) très bas, envisagez de les retirer un par un et de relancer l’analyse. Un KMO amélioré après suppression de quelques items problématiques justifie de conserver la solution.

Combien de variance expliquée est suffisant pour une ACP dans un mémoire ?

En sciences sociales et humaines, un seuil de 50-60% de variance totale expliquée est généralement considéré comme acceptable, même si 60-75% est préférable. Ce seuil est plus faible qu’en sciences dures car les construits psychologiques et sociaux sont intrinsèquement plus complexes et bruyants. L’essentiel est de justifier votre solution sur des bases théoriques solides, pas seulement statistiques.

Varimax ou oblimin : comment choisir la rotation ?

Si vos facteurs sont censés être théoriquement indépendants, utilisez varimax (rotation orthogonale). Si vous pensez qu’ils peuvent être corrélés (ce qui est souvent plus réaliste en psychologie et sociologie), utilisez Direct Oblimin ou Promax (rotations obliques). En pratique, lancez les deux et comparez. Si la corrélation interfactorielle dans la solution oblique est inférieure à |.30|, les deux solutions seront très similaires et varimax suffit. Si elle dépasse |.30|, la solution oblique est plus appropriée.

Dois-je calculer l’alpha de Cronbach après l’ACP ?

Oui, systématiquement. L’ACP identifie les dimensions ; l’alpha de Cronbach vérifie la fidélité interne de chaque dimension. Pour chaque groupe d’items formant une composante, calculez l’alpha sous SPSS (Analyze → Scale → Reliability Analysis). Un alpha ≥ .70 est acceptable, ≥ .80 est bon, ≥ .90 est excellent (mais peut indiquer une redondance excessive entre items). Si un item augmente l’alpha quand on le retire (« alpha if item deleted »), envisagez sa suppression.

Peut-on faire une ACP avec moins de 100 participants ?

Techniquement oui, mais la solution sera instable et peu généralisable. Si vous avez moins de 100 participants, des études de simulation montrent que les saturations peuvent varier considérablement d’un échantillon à l’autre. Si votre contrainte est la taille d’échantillon, réduisez le nombre d’items (moins de 10, ratio 10:1 participants/items) et reconnaissez cette limite dans votre mémoire. Alternativement, utilisez un test exact de McDonald (ω) plutôt que l’ACP si votre objectif est uniquement la validation de fidélité.

mai 21, 2026

Test de Friedman avec SPSS : Mesures Répétées Non Paramétriques pour Mémoire 2026

Vous avez mesuré les mêmes participants à trois moments distincts ou dans trois conditions différentes, mais vos données ne respectent pas les hypothèses de l’ANOVA à mesures répétées — soit parce qu’elles ne sont pas normalement distribuées, soit parce qu’elles sont mesurées sur une échelle ordinale. Le test de Friedman avec SPSS est l’alternative non paramétrique qui répond précisément à ce besoin : comparer trois mesures ou plus issues des mêmes sujets sans présupposer la normalité des données.

Développé par le statisticien et économiste Milton Friedman (Prix Nobel d’économie 1976), ce test est fréquemment mobilisé dans les mémoires en psychologie expérimentale, sciences de l’éducation, neurosciences cognitives et sciences de la santé. Ce guide vous accompagne depuis le choix du test jusqu’à la rédaction de vos résultats, en passant par les étapes précises dans SPSS et le calcul de la taille d’effet.

En résumé : Le test de Friedman compare k ≥ 3 mesures répétées sans hypothèse de normalité. Dans SPSS : Analyse → Tests non paramétriques → Ancienne boîte de dialogue → K échantillons appariés → Friedman. Si p < 0,05, au moins deux conditions diffèrent. Rapportez χ²(ddl) et le W de Kendall comme taille d’effet. Procédez ensuite aux tests post-hoc de Wilcoxon avec correction de Bonferroni.

1. Qu’est-ce que le test de Friedman ?

Le test de Friedman (aussi appelé ANOVA de Friedman par les rangs) est un test statistique non paramétrique qui évalue si k ≥ 3 traitements ou conditions mesurés sur les mêmes sujets produisent des résultats différents. Il fonctionne en remplaçant les valeurs brutes par leurs rangs, calculés pour chaque sujet séparément.

La statistique du test est :

χ²_r = [12 / (n × k × (k+1))] × ΣR²_j − 3 × n × (k+1)

Où n est le nombre de sujets, k le nombre de conditions, et R_j la somme des rangs pour chaque condition j. Cette statistique suit approximativement une distribution chi-deux avec k−1 degrés de liberté.

Exemple concret pour un mémoire : Vous étudiez l’effet de trois types de feedback (correctif, positif, neutre) sur les scores de performance d’apprenants, mesurés dans trois conditions successives sur les mêmes étudiants. Les scores ne suivant pas une distribution normale (distribution asymétrique), vous choisissez le test de Friedman.

Source : Said Mazouz — Test de Friedman avec SPSS

2. Quand utiliser le test de Friedman ?

Le test de Friedman est approprié quand :

Design à mesures répétées avec k ≥ 3 conditions : Les mêmes sujets sont mesurés dans trois conditions ou plus (avant/pendant/après, ou trois types de traitements)
Non-normalité des données : Le test de Shapiro-Wilk indique que les résidus ne suivent pas une distribution normale (p < 0,05)
Variables ordinales : La variable dépendante est mesurée sur une échelle de Likert ou autre échelle ordinale où la normalité est théoriquement intenable
Petit échantillon : N < 30 pour chaque condition, rendant difficile la vérification de la normalité
Violations de sphéricité non récupérables : Si l’ANOVA à mesures répétées est abandonnée malgré les corrections (Greenhouse-Geisser, Huynh-Feldt)

À ne pas confondre : Le test de Friedman est l’extension du test de Wilcoxon à k > 2 conditions appariées. Si vous n’avez que deux conditions appariées, utilisez le test de Wilcoxon. Si vous avez k groupes indépendants, utilisez le test de Kruskal-Wallis.

3. Hypothèses nulle et alternative

H₀ : Les k conditions ont des distributions identiques — il n’existe pas de différence systématique entre les conditions. Les rangs moyens sont égaux.
H₁ : Au moins deux conditions ont des distributions différentes — au moins une condition produit des rangs systématiquement plus élevés ou plus faibles que les autres.

Un résultat significatif du test de Friedman indique seulement que « quelque chose diffère quelque part » entre les k conditions. Il ne précise pas quelles paires de conditions diffèrent. C’est le rôle des tests post-hoc (voir section 8).

4. Conditions d’application

Même sujet dans toutes les conditions : Design intra-sujet ou bloc complet — chaque participant fournit une mesure dans chacune des k conditions
Variable dépendante ordinale ou continue : Les valeurs doivent pouvoir être classées
Indépendance entre les blocs (sujets) : Les observations entre différents sujets sont indépendantes
Au moins 5 sujets avec au moins 3 conditions (ou 3 sujets avec au moins 5 conditions) : Pour que l’approximation chi-deux soit valide; sinon, utilisez la distribution exacte de Friedman

5. Étapes dans SPSS pas à pas

Préparation des données

Dans SPSS, chaque ligne correspond à un sujet et chaque colonne à une condition. Par exemple :

Sujet | Condition_1 | Condition_2 | Condition_3
1     | 4           | 3           | 5
2     | 2           | 4           | 4
...

Via les menus

Analyse → Tests non paramétriques → Ancienne boîte de dialogue → K échantillons appariés
Déplacez vos variables de conditions dans le champ « Variables de test »
Cochez « Friedman » dans « Type de test »
Cliquez sur « Statistiques » et cochez « Quartiles » pour des statistiques descriptives complémentaires
Cliquez sur « OK »

Via la syntaxe SPSS

NPAR TESTS
  /FRIEDMAN = Condition_1 Condition_2 Condition_3
  /STATISTICS DESCRIPTIVES
  /MISSING ANALYSIS.

6. Lire et interpréter la sortie SPSS

SPSS produit deux tableaux principaux :

Tableau 1 : Rangs moyens

Ce tableau présente le rang moyen de chaque condition. La condition avec le rang moyen le plus élevé correspond aux scores les plus hauts. Ce tableau vous donne la direction et l’ordre des différences entre conditions, mais pas leur significativité.

Tableau 2 : Statistiques de test

Statistique	Signification	Utilisation
N	Nombre de sujets	Rapporter dans les statistiques descriptives
Chi-deux (χ²)	Statistique du test de Friedman	Rapporter avec ddl et p-value
Ddl	Degrés de liberté (k−1)	Inclure dans la notation χ²(ddl)
Signification asymptotique	p-value	Si p < 0,05 : H0 rejetée

Exemple de lecture : χ²(2) = 13,56 ; p = 0,001 → « Le type de condition entraîne des différences significatives dans les scores (χ²(2) = 13,56, p = 0,001). »

7. W de Kendall : la taille d’effet du test de Friedman

SPSS ne calcule pas automatiquement la taille d’effet. Le coefficient W de Kendall est la mesure standard pour le test de Friedman :

W = χ²_r / [N × (k−1)]

Le W de Kendall varie entre 0 (aucun accord entre les classements) et 1 (accord parfait). En suivant les recommandations de Cohen (1988) adaptées par Field (2013) :

W de Kendall	Taille d’effet
0,10 – 0,29	Petit
0,30 – 0,49	Modéré
≥ 0,50	Grand

Exemple : χ²(2) = 13,56 ; N = 15 ; k = 3 → W = 13,56 / [15 × 2] = 13,56 / 30 = 0,45 → taille d’effet modérée.

8. Tests post-hoc : comparaisons par paires

Un test de Friedman significatif ne précise pas quelles conditions diffèrent entre elles. Vous devez procéder à des comparaisons post-hoc. La procédure recommandée est :

Réaliser des tests de Wilcoxon pour chaque paire de conditions (Condition 1 vs 2, 1 vs 3, 2 vs 3)
Appliquer la correction de Bonferroni : diviser le seuil α par le nombre de comparaisons. Avec 3 paires, le seuil devient α = 0,05/3 = 0,0167
Déclarer une différence significative uniquement si p < 0,0167

Alternative : La nouvelle boîte de dialogue SPSS (Analyse → Tests non paramétriques → Échantillons appariés) inclut une option « Comparer toutes les paires » qui effectue automatiquement les comparaisons post-hoc avec correction. C’est l’approche la plus pratique pour les mémoires de master.

Nombre de comparaisons post-hoc selon k

k conditions	Nombre de paires	α corrigé (Bonferroni)
3	3	0,0167
4	6	0,0083
5	10	0,0050

9. Rédiger les résultats dans le mémoire

Voici un exemple de rédaction APA 7 pour le test de Friedman :

« Pour tester l’hypothèse d’un effet différentiel des trois types de feedback sur les scores de performance (H4), un test de Friedman a été conduit, les données ne suivant pas une distribution normale selon le test de Shapiro-Wilk. Les résultats indiquent un effet significatif du type de feedback sur les scores (χ²(2) = 13,56, p = 0,001). La taille d’effet est modérée (W de Kendall = 0,45). Les comparaisons post-hoc par paires (test de Wilcoxon avec correction de Bonferroni, α = 0,0167) révèlent que le feedback correctif produit des scores significativement plus élevés que le feedback neutre (Z = -2,98, p = 0,003) et que le feedback positif (Z = -2,54, p = 0,011). En revanche, les scores obtenus avec le feedback positif et le feedback neutre ne diffèrent pas significativement (Z = -1,23, p = 0,22). »

Éléments à inclure dans vos résultats

Justification du recours au test non paramétrique (résultats du test de normalité)
Rangs moyens par condition (présentés dans un tableau)
Statistique χ²(ddl) et p-value
W de Kendall et son interprétation
Résultats des tests post-hoc par paire avec correction appliquée

Pour les analyses statistiques complémentaires qui peuvent accompagner vos mesures répétées — notamment pour valider la structure de vos instruments — consultez notre article sur l’analyse factorielle exploratoire. Et pour la rédaction de vos interprétations, Tesify vous accompagne dans la mise en forme de vos résultats statistiques.

FAQ — Test de Friedman SPSS

Puis-je utiliser le test de Friedman avec des données continues normales ?

Techniquement oui, mais c’est sous-optimal. L’ANOVA à mesures répétées est plus puissante que le test de Friedman quand les données respectent ses hypothèses (normalité, sphéricité). Friedman perd environ 5 à 10 % de puissance statistique par rapport à l’ANOVA sous normalité. Réservez Friedman aux situations où la normalité est clairement violée ou pour les données ordinales.

Comment vérifier la sphéricité pour le test de Friedman ?

Le test de Friedman ne requiert pas l’hypothèse de sphéricité (contrairement à l’ANOVA à mesures répétées). C’est l’un de ses avantages : il n’est pas sensible aux violations de sphéricité. Vous n’avez donc pas besoin de tester la sphéricité (test de Mauchly) si vous utilisez le test de Friedman.

Mon test de Friedman est significatif mais tous mes post-hoc sont non significatifs. Pourquoi ?

Ce paradoxe s’explique par la perte de puissance due à la correction de Bonferroni. Le test global de Friedman détecte une différence « quelque part », mais après correction pour comparaisons multiples, aucune paire spécifique ne dépasse le seuil corrigé. Solutions : (1) utiliser une correction moins stricte (Holm-Bonferroni), (2) augmenter la taille d’échantillon, (3) interpréter les résultats post-hoc avec un seuil légèrement supérieur (p < 0,05 non corrigé) en les présentant comme exploratoires.

Le W de Kendall est-il la même chose que le tau de Kendall ?

Non, ce sont deux statistiques différentes. Le W de Kendall (coefficient de concordance) mesure l’accord entre plusieurs classements (ici, les conditions), et est la taille d’effet du test de Friedman. Le tau de Kendall (τ) est une mesure de corrélation entre deux variables ordinales. Ils sont liés mathématiquement (W = (n×τ̄ + 1) / n pour n juges) mais servent des objectifs différents.

Quelle est la taille d’échantillon minimale pour le test de Friedman ?

Pour que l’approximation chi-deux soit valide : au moins 5 sujets avec k = 3 conditions, ou au moins 4 sujets avec k = 4 conditions. Pour des estimations de puissance adéquates (80 %), des études de simulation suggèrent N ≥ 20 pour détecter des effets modérés. Pour un mémoire de master, visez N ≥ 25 avec k = 3 conditions pour des résultats interprétables.

Friedman ou Kruskal-Wallis : quelle différence ?

Friedman est l’équivalent non paramétrique de l’ANOVA à mesures répétées : les mêmes sujets dans toutes les conditions (design intra-sujet). Kruskal-Wallis est l’équivalent non paramétrique de l’ANOVA à un facteur entre sujets : des groupes indépendants (design inter-sujets). Choisissez Friedman si chaque sujet apparaît dans toutes les conditions, Kruskal-Wallis si chaque sujet n’appartient qu’à un seul groupe.

Rédigez vos résultats de Friedman avec précision

Tesify vous aide à rédiger vos sections méthodologie et résultats en transformant vos tableaux SPSS en texte académique structuré, conforme aux exigences APA 7 et aux attentes des jurys. Essayer gratuitement →

mai 20, 2026

Test de Wilcoxon avec SPSS : Interprétation Complète pour Mémoire 2026

Vous avez collecté des données avant et après une intervention (pré-test / post-test), ou vous comparez deux groupes appariés, mais le test de Shapiro-Wilk révèle que vos données ne suivent pas une distribution normale. La solution méthodologique rigoureuse s’appelle le test de Wilcoxon avec SPSS — l’alternative non paramétrique au test t de Student pour échantillons appariés qui figure dans de nombreux mémoires de master en psychologie, sciences de l’éducation, santé publique et sciences cognitives.

Ce guide vous explique quand et comment utiliser le test de Wilcoxon, les deux variantes que vous devez distinguer, les étapes précises dans SPSS, et comment rédiger vos résultats de manière professionnelle pour votre jury.

En résumé : Le test de Wilcoxon s’utilise quand les données ne sont pas normalement distribuées et que vous comparez deux mesures appariées (même sujet à deux moments, ou deux conditions). Dans SPSS : Analyse → Tests non paramétriques → Ancienne boîte de dialogue → 2 échantillons appariés. Si p < 0,05, la différence est significative. Rapportez le Z, la p-value et l’indice r = Z/√N comme taille d’effet.

1. Quand utiliser le test de Wilcoxon ?

Source : Said Mazouz — Test des rangs signés de Wilcoxon pour échantillons appariés

Le test de Wilcoxon des rangs signés est indiqué dans les situations suivantes :

Données appariées : Les mêmes participants sont mesurés deux fois (avant/après traitement, deux conditions expérimentales, deux questionnaires sur le même sujet)
Non-normalité : Le test de Shapiro-Wilk ou de Kolmogorov-Smirnov révèle que les différences entre les paires ne suivent pas une distribution normale (p < 0,05)
Petit échantillon : Avec N < 30, l’hypothèse de normalité est difficile à vérifier et le test de Wilcoxon est plus prudent
Données ordinales : La variable dépendante est mesurée sur une échelle ordinale (ex. : Likert 5 points) où l’hypothèse de normalité est fondamentalement inappropriée
Présence de valeurs aberrantes : Des outliers influents qui ne peuvent pas être supprimés légitimement

Important : Si vous comparez deux groupes indépendants (pas appariés) avec des données non normales, utilisez le test de Mann-Whitney U — pas le test de Wilcoxon. La distinction est fondamentale et souvent confondue dans les mémoires.

2. Deux variantes : rangs signés vs somme des rangs

Test	Design	Question typique	SPSS
Test des rangs signés de Wilcoxon	2 mesures, mêmes sujets (appariés)	« Les scores ont-ils changé entre T1 et T2 ? »	Analyse → 2 échantillons appariés → Wilcoxon
Test de la somme des rangs de Wilcoxon (= Mann-Whitney)	2 groupes indépendants	« Le groupe A diffère-t-il du groupe B ? »	Analyse → 2 échantillons indépendants → Mann-Whitney

Pour la majorité des mémoires qui testent l’effet d’une intervention (avant/après), c’est le test des rangs signés de Wilcoxon qui s’applique. Pour les articles sur le traitement des données multivariées, d’autres techniques statistiques peuvent compléter votre arsenal méthodologique.

3. Conditions d’application

Le test de Wilcoxon des rangs signés requiert les conditions suivantes :

Données appariées : Les observations sont liées par paires (même individu à deux moments, ou paires naturelles)
Variable dépendante continue ou ordinale : Les différences entre paires doivent pouvoir être ordonnées
Symétrie de la distribution des différences : Contrairement au t-test, Wilcoxon ne requiert pas la normalité, mais assume une distribution symétrique des différences. Avec de petits échantillons, cette condition est difficile à vérifier formellement.
Indépendance entre les paires : Les différentes paires sont indépendantes les unes des autres

4. Étapes dans SPSS pas à pas

Via les menus (SPSS 27+)

Menu : Analyse → Tests non paramétriques → Ancienne boîte de dialogue → 2 échantillons appariés
Dans la fenêtre « Tests pour deux échantillons appariés » :
- Sélectionnez vos deux variables (ex. : Score_avant et Score_après) et déplacez-les dans le champ « Paires de test »
- Cochez « Wilcoxon » dans la section « Type de test »
Cliquez sur « Options » pour obtenir les statistiques descriptives
Cliquez sur « OK »

Via la syntaxe SPSS

NPAR TESTS
  /WILCOXON=Score_avant WITH Score_après (PAIRED)
  /MISSING ANALYSIS.

Nouvelle boîte de dialogue (SPSS 22+)

Les nouvelles versions de SPSS proposent une interface modernisée via Analyse → Tests non paramétriques → Échantillons appariés. Cette interface est plus conviviale et génère automatiquement des graphiques de distributions.

5. Lire et interpréter le tableau de sortie SPSS

SPSS produit deux tableaux pour le test de Wilcoxon :

Tableau 1 : Rangs

Ce tableau présente les rangs négatifs (sujets dont le score a diminué), les rangs positifs (sujets dont le score a augmenté) et les ex-aequo (aucune différence). Il vous indique la direction générale du changement. Par exemple : « 18 rangs positifs, 7 rangs négatifs » suggère que la majorité des participants ont amélioré leur score.

Tableau 2 : Statistiques de test

Ce tableau contient les informations cruciales pour votre mémoire :

Statistique	Signification	Comment l’utiliser
Z	Statistique de test (standardisée)	Rapporter avec sa valeur exacte et son signe
Sig. asymptotique (bilatéral)	p-value	Si p < 0,05 : différence significative
Sig. exacte	p-value exacte (petits échantillons)	Préférable pour N < 25

SPSS utilise par défaut la p-value asymptotique (approximation normale), qui est précise pour N > 25. Pour de petits échantillons (N < 25), activez la p-value exacte dans les options.

6. Calculer et rapporter la taille d’effet

SPSS ne calcule pas automatiquement la taille d’effet pour le test de Wilcoxon. Vous devez la calculer manuellement. La mesure la plus utilisée est l’indice r de Cohen :

r = |Z| / √N

Où N est le nombre total d’observations (pas le nombre de paires). Les conventions d’interprétation de Cohen (1988) s’appliquent :

Valeur de r	Taille d’effet
0,10 – 0,29	Petit
0,30 – 0,49	Moyen
≥ 0,50	Grand

Exemple : Z = -2,84 ; N = 50 → r = 2,84 / √50 = 2,84 / 7,07 = 0,40 → taille d’effet modérée.

Les nouvelles versions de SPSS (v27+) via la nouvelle boîte de dialogue calculent automatiquement l’indice r et d’autres mesures de taille d’effet dans le tableau de sortie.

7. Rédiger les résultats dans le mémoire

Format APA 7 pour le rapport du test de Wilcoxon :

« Pour tester l’hypothèse d’une amélioration des scores de satisfaction après le programme d’intervention, un test de Wilcoxon des rangs signés a été conduit (les données ne suivant pas une distribution normale selon le test de Shapiro-Wilk : W = 0,93, p = 0,02). Les résultats indiquent une différence statistiquement significative entre les scores pré-test (Md = 3,20, EI = 1,50) et post-test (Md = 4,10, EI = 1,25), Z = -3,12, p = 0,002. La taille d’effet est modérée à grande (r = 0,44), ce qui indique que le programme a produit un changement substantiel dans les scores de satisfaction. »

Ce qu’il faut toujours inclure

Justification du recours au test non paramétrique (résultat du test de normalité)
Médianes et intervalles interquartiles (pas moyennes et écart-types pour les données non normales)
Statistique Z et p-value
Taille d’effet r et son interprétation
Direction du changement (amélioration ou détérioration)

Pour organiser vos analyses non paramétriques et les mettre en forme selon les standards APA 7, consultez notre guide sur la rédaction des résultats statistiques dans le mémoire ou utilisez Tesify pour automatiser la mise en forme.

8. Wilcoxon vs t de Student : comment choisir ?

Critère	Test t apparié	Test de Wilcoxon
Normalité	Requise (ou N > 30 par TCL)	Non requise
Niveau de mesure	Intervalle / Ratio	Ordinal / Continu
Outliers	Sensible	Robuste
Puissance statistique	Plus élevée si normalité respectée	95% de la puissance du test t sous normalité
Statistique	t	Z (ou T de Wilcoxon)

Le test de Wilcoxon conserve environ 95 % de la puissance statistique du test t de Student lorsque les données sont normalement distribuées. Cette « efficience asymptotique » signifie que vous ne perdez quasiment rien à utiliser Wilcoxon même si les données sont normales, mais vous gagnez beaucoup en robustesse si elles ne le sont pas.

FAQ — Test de Wilcoxon SPSS

Mon N est supérieur à 30 : dois-je quand même utiliser Wilcoxon si les données ne sont pas normales ?

Avec N > 30, le théorème central limite (TCL) assure que la distribution de la moyenne est approximativement normale, même si les données brutes ne le sont pas. Le test t reste donc robuste. Cependant, si les données présentent une asymétrie forte ou des valeurs aberrantes influentes, Wilcoxon reste préférable même avec de grands échantillons. La règle pratique : si le test de normalité rejette H0 fortement (p < 0,01) et que vous observez une asymétrie marquée, préférez Wilcoxon.

Que faire avec les ex-aequo (différences = 0) dans le test de Wilcoxon ?

Les paires avec une différence nulle sont exclues du calcul du test de Wilcoxon. SPSS le fait automatiquement et vous indique le nombre d’ex-aequo dans le tableau des rangs. Mentionnez ce nombre dans votre rapport (« 3 ex-aequo ont été exclus de l’analyse »). Si le nombre d’ex-aequo est élevé (> 10% des paires), cela peut réduire la puissance du test et doit être discuté.

Le test de Wilcoxon peut-il être unilatéral dans SPSS ?

SPSS rapporte par défaut la p-value bilatérale (test à deux queues). Si votre hypothèse est directionnelle (« le score va augmenter après l’intervention »), vous pouvez diviser la p-value bilatérale par 2 pour obtenir la p-value unilatérale, à condition de vérifier que la direction observée est bien celle prédite. Notez et justifiez explicitement ce choix dans votre mémoire.

Quelle est la taille d’effet alternative à r pour Wilcoxon ?

En plus de r = |Z|/√N, vous pouvez rapporter le d de Cohen estimé à partir des rangs, ou la probabilité de supériorité (A de Vargha et Delaney), qui indique la probabilité qu’une observation aléatoire du groupe 1 soit supérieure à une observation du groupe 2. Ces mesures sont particulièrement utiles pour communiquer l’importance pratique des résultats à un public non statisticien.

Wilcoxon ou Friedman pour plus de deux mesures répétées ?

Le test de Wilcoxon est limité à deux mesures (ou deux conditions). Si vous avez trois mesures ou plus (ex. : T1, T2, T3), utilisez le test de Friedman, qui est l’extension non paramétrique de l’ANOVA à mesures répétées. Le test de Wilcoxon peut ensuite être utilisé comme test post-hoc avec correction de Bonferroni pour les comparaisons par paires. Voir notre article dédié au test de Friedman avec SPSS.

Rédigez votre section statistiques avec confiance

Tesify vous aide à transformer vos tableaux SPSS en texte académique structuré, conforme aux normes APA 7 et aux attentes des jurys de mémoire français. Commencer gratuitement →

mai 17, 2026

Test t de Student vs Mann-Whitney dans un mémoire : quand utiliser chaque test ? 2026
Test t de Student vs Mann-Whitney dans un mémoire : quand utiliser chaque test ? 2026

Vous comparez les scores de deux groupes indépendants et vous hésitez entre le test t de Student et le test de Mann-Whitney dans votre mémoire ? Ce choix conditionne la validité de vos résultats statistiques et la rigueur de votre méthodologie — deux éléments que les jurys examinent attentivement. Beaucoup d’étudiants appliquent l’un ou l’autre par défaut, sans vérifier si les conditions sont bien réunies. Ce guide vous donne les critères précis pour choisir le bon test, l’exécuter dans SPSS et en rédiger les résultats correctement.

La distinction fondamentale est simple : le test t est paramétrique et suppose que la variable dépendante est normalement distribuée dans les deux populations comparées. Le test de Mann-Whitney est son équivalent non paramétrique, ne faisant aucune hypothèse sur la distribution — mais moins puissant lorsque les conditions du test t sont respectées.

Règle de décision rapide
Utilisez le test t de Student si : variable continue, normalité vérifiée (Shapiro-Wilk p > 0,05), variances homogènes ou correction de Welch appliquée. Utilisez le test de Mann-Whitney si : normalité violée, effectifs petits (n < 20 par groupe), variable ordinale ou distribution asymétrique. En cas de doute avec n ≥ 30, les deux tests donnent généralement des résultats très proches.
Table des matières

Contexte : comparer deux groupes indépendants

Le test t de Student : principe et conditions

Le test de Mann-Whitney : principe et avantages

Étape 1 : vérifier la normalité avec Shapiro-Wilk

Étape 2 : vérifier l’égalité des variances avec Levene

Arbre de décision complet

Procédure test t dans SPSS

Procédure Mann-Whitney dans SPSS

Interpréter les résultats

Rédiger en APA 7

FAQ
Contexte : comparer deux groupes indépendants

La situation est fréquente dans les mémoires de master : vous disposez d’une variable dépendante mesurée sur deux groupes distincts (groupe expérimental vs. groupe contrôle, hommes vs. femmes, avant-formation vs. après-formation sur deux groupes séparés) et vous souhaitez tester si les deux groupes diffèrent significativement.

La question statistique est : la différence observée entre les deux groupes est-elle compatible avec une variation aléatoire (H₀ : μ₁ = μ₂, ou plus précisément : les deux groupes proviennent de la même population) ou est-elle trop grande pour être due au hasard (H₁ : μ₁ ≠ μ₂) ?

Le test t de Student : principe et conditions

Le test t de Student pour échantillons indépendants compare les moyennes de deux groupes. Il calcule un ratio t :

t = (M₁ − M₂) / √[(s²₁/n₁) + (s²₂/n₂)]

Plus ce ratio est éloigné de 0, plus la différence entre les moyennes est grande relativement à la variabilité intra-groupe. Ce ratio suit une distribution t de Student sous H₀, avec n₁ + n₂ − 2 degrés de liberté (ou les degrés de Welch en cas de variances inégales).

Conditions du test t
- Variable dépendante continue (intervalle ou ratio)
- Normalité de la distribution dans chaque groupe (ou n suffisamment grand pour invoquer le TCL)
- Indépendance des observations (deux groupes distincts)
- Homogénéité des variances (testée par Levene) — ou application de la correction de Welch
Le test de Mann-Whitney : principe et avantages

Le test de Mann-Whitney U (également appelé test de Wilcoxon-Mann-Whitney) est l’alternative non paramétrique au test t. Il ne compare pas les moyennes mais les rangs : il fusionne les deux échantillons, classe tous les individus par rang croissant, puis vérifie si les rangs élevés se concentrent dans un groupe plus que dans l’autre.

La statistique U compte le nombre de fois qu’une observation du groupe 1 précède (est supérieure à) une observation du groupe 2 :

U₁ = n₁ × n₂ + n₁(n₁+1)/2 − R₁

Avantages du Mann-Whitney
- Ne suppose pas la normalité — robuste pour les petits échantillons et les distributions asymétriques
- Applicable aux variables ordinales (scores de satisfaction sur échelle de Likert 5 points, par exemple)
- Robuste aux valeurs extrêmes (outliers) qui gonflent la moyenne
Limite principale

Lorsque les conditions du test t sont respectées, le test t est plus puissant : il détecte plus facilement un effet réel. La puissance relative du Mann-Whitney est d’environ 95% par rapport au test t sous normalité (efficacité asymptotique), ce qui est excellent — mais ces 5% de puissance perdue peuvent faire la différence dans les petits échantillons.

Étape 1 : vérifier la normalité avec Shapiro-Wilk

Avant de choisir entre les deux tests, vérifiez la normalité de votre variable dépendante dans chaque groupe séparément. Le test de Shapiro-Wilk est recommandé pour n < 50 ; le test de Kolmogorov-Smirnov (avec correction de Lilliefors) pour n ≥ 50.

Dans SPSS : Analyze → Descriptive Statistics → Explore → Plots → Normality plots with tests.

Vidéo : Test t de Student des moyennes dans SPSS — Olivier M

Interpréter le test de Shapiro-Wilk
- p > 0,05 : Vous ne rejetez pas H₀ de normalité. La distribution ne s’écarte pas significativement de la normale → test t applicable
- p < 0,05 : Violation de la normalité → envisagez le Mann-Whitney, ou utilisez le test t si n ≥ 30 (robustesse par le théorème central limite)
Nuance importante : Avec un grand échantillon (n > 100), le test de Shapiro-Wilk devient très sensible et peut rejeter la normalité pour des déviations minimes, sans conséquence pratique pour le test t. Dans ce cas, examinez les graphiques Q-Q plots et les indices d’asymétrie (skewness) et d’aplatissement (kurtosis) : si |asymétrie| < 2 et |kurtosis| < 7, le test t est généralement robuste.

Étape 2 : vérifier l’égalité des variances avec Levene

SPSS intègre automatiquement le test de Levene dans la procédure Independent Samples T-Test. Il teste H₀ : σ²₁ = σ²₂.
- Levene p > 0,05 : Variances égales → utilisez la ligne Equal variances assumed dans l’output SPSS
- Levene p < 0,05 : Variances inégales → utilisez la ligne Equal variances not assumed (correction de Welch), qui ajuste les degrés de liberté
Arbre de décision complet

Variable dépendante continue ?

→ Non : variable ordinale → Mann-Whitney

→ Oui : vérifier la normalité (Shapiro-Wilk)

→ p > 0,05 et n ≥ 5 par groupe : Test t (vérifier Levene)

→ Levene p > 0,05 : Test t variances égales

→ Levene p < 0,05 : Test t Welch

→ p < 0,05 et n < 30 : Mann-Whitney

→ p < 0,05 et n ≥ 30 : Test t robuste (ou les deux, à mentionner)

Procédure test t dans SPSS
1. Analyze → Compare Means → Independent-Samples T Test
2. Glissez la variable dépendante dans Test Variable(s)
3. Glissez la variable de groupe dans Grouping Variable
4. Cliquez Define Groups et saisissez les codes des deux groupes (ex. : 1 et 2)
5. Cochez Confidence interval percentage : 95%
6. Cliquez OK
Résultats clés à reporter
- Moyennes et écarts-types des deux groupes
- Valeur t, degrés de liberté (df), p-value bilatérale
- Intervalle de confiance à 95% de la différence des moyennes
- d de Cohen (taille d’effet) : calculé manuellement comme (M₁ − M₂) / ET_poolé
Interpréter le d de Cohen

d de Cohen Interprétation

0,20 Petit effet

0,50 Effet moyen

0,80 Grand effet

Procédure Mann-Whitney dans SPSS
1. Analyze → Nonparametric Tests → Legacy Dialogs → 2 Independent Samples
2. Glissez la variable dépendante dans Test Variable List
3. Glissez la variable de groupe dans Grouping Variable, puis Define Groups
4. Cochez Mann-Whitney U dans Test Type
5. Cliquez OK
Résultats clés à reporter pour Mann-Whitney
- Médianes et rangs moyens des deux groupes
- Statistique U, statistique Z (pour grand n), p-value
- Taille d’effet r = Z / √N (petit : 0,10 ; moyen : 0,30 ; grand : 0,50)
Interpréter les résultats

Pour le test t, SPSS produit :
- Le tableau Group Statistics : moyennes, ET, effectifs
- Le tableau Independent Samples Test : test de Levene + résultats du test t (avec et sans correction de Welch)
Lisez toujours en priorité la ligne correspondant au résultat du test de Levene (Sig. de Levene > ou < 0,05) pour choisir la bonne ligne du test t.

Pour le test de Mann-Whitney, SPSS produit :
- Les rangs moyens de chaque groupe (Ranks)
- La statistique U, la valeur W de Wilcoxon, la statistique Z approximée et la p-value bilatérale
Rédiger en APA 7

Modèle pour le test t

Un test t pour échantillons indépendants a été conduit pour comparer les scores de satisfaction entre le groupe expérimental (M = 4,12, ET = 0,83) et le groupe contrôle (M = 3,56, ET = 0,91). Le test de Levene n’était pas significatif (F(1, 118) = 2,14, p = .146), indiquant des variances homogènes. La différence entre les deux groupes était significative, t(118) = 3,52, p = .001, d = 0,64, IC 95% [0,24 ; 0,88].

Modèle pour Mann-Whitney

La normalité ayant été violée dans le groupe contrôle (Shapiro-Wilk W(28) = .91, p = .018), un test de Mann-Whitney a été utilisé. Les résultats indiquent que le groupe expérimental (rang moyen = 38,2) présentait des scores significativement plus élevés que le groupe contrôle (rang moyen = 24,7), U = 287, Z = −2,84, p = .004, r = .41.

Pour compléter votre approche statistique, consultez notre guide sur l’ANOVA factorielle, le design expérimental et la méthodologie de recherche.

Gagnez du temps sur votre mémoire : Tesify vous accompagne dans la structuration et la rédaction de vos sections méthodologie et résultats, en respectant les normes APA 7 et les attentes des jurys français.

Questions fréquentes

Peut-on utiliser le test de Mann-Whitney pour une variable continue si la normalité est respectée ?

Techniquement oui, mais c’est sous-optimal. Quand la normalité est respectée, le test t est plus puissant (efficacité asymptotique de ~95% pour Mann-Whitney vs t). Préférez toujours le test t lorsque ses conditions sont satisfaites : vous maximisez la probabilité de détecter un effet réel si celui-ci existe.

Les résultats du test t et de Mann-Whitney divergent dans mon mémoire : lequel croire ?

Une divergence (t significatif mais Mann-Whitney non, ou inversement) est un signal important. Elle peut indiquer que la moyenne est influencée par des valeurs aberrantes (outliers) que le test t capte mais pas Mann-Whitney. Examinez vos boxplots pour identifier les outliers. Si leur présence est justifiée théoriquement, rapportez les deux tests et discutez la divergence. Si ce sont des erreurs de saisie, corrigez-les et relancez les analyses.

Mon jury demande la taille d’effet pour Mann-Whitney : comment la calculer ?

La taille d’effet pour Mann-Whitney s’exprime le plus souvent comme r = Z / √N, où Z est la valeur Z standardisée que SPSS fournit dans l’output et N est le nombre total d’observations. Interprétation selon Cohen : r = 0,10 (petit), r = 0,30 (moyen), r = 0,50 (grand). SPSS 27+ produit directement une mesure d’effet dans l’interface de la procédure Nonparametric Tests nouvelle génération.

Le test t de Student peut-il s’utiliser avec des données d’échelle de Likert ?

C’est un débat méthodologique actif. Les puristes statistiques arguent que les données de Likert (ordinal) ne satisfont pas la condition d’intervalles équidistants du test t. En pratique, une majorité de chercheurs en psychologie et sciences sociales utilisent le test t sur des scores composites de plusieurs items Likert (somme ou moyenne), considérés comme pseudo-continus. Si votre variable est un item unique, préférez Mann-Whitney.

Quelle est la différence entre Mann-Whitney et Wilcoxon ?

Le test de Mann-Whitney compare deux groupes indépendants. Le test de Wilcoxon (signed-rank test) compare deux mesures appariées sur les mêmes individus (ou des paires liées) — c’est l’équivalent non paramétrique du test t pour mesures répétées. SPSS les propose tous deux dans les menus Nonparametric Tests. Ne confondez pas les deux : ils répondent à des questions différentes.
mai 16, 2026

d de Cohen	Interprétation
0,20	Petit effet
0,50	Effet moyen
0,80	Grand effet

Analyse de données pour votre mémoire : méthodes qualitatives et quantitatives (2026)

L’analyse de données est souvent la phase qui génère le plus d’anxiété dans la rédaction d’un mémoire. Les étudiants savent qu’ils doivent « analyser » leurs données — entretiens, questionnaires, documents — mais ne savent pas toujours comment passer concrètement du brut à l’analytique. Cette hésitation se traduit souvent par des mémoires qui décrivent sans analyser, ou qui appliquent mécaniquement des outils statistiques sans les interpréter.

Ce guide pratique vous explique comment conduire une analyse de données mémoire rigoureuse, que vous travailliez avec des données qualitatives (entretiens, observations, documents) ou quantitatives (questionnaires, mesures, données secondaires), en vous donnant des méthodes concrètes, des exemples et des outils vérifiés.

En bref : L’analyse de données dans un mémoire transforme les données brutes (transcriptions, réponses, chiffres) en résultats analytiques qui répondent à la problématique. Elle requiert une méthode explicitement choisie, documentée et justifiée. Pour les données qualitatives : analyse thématique ou de contenu. Pour les données quantitatives : statistiques descriptives, inférentielles ou exploratoires. La présentation des résultats doit distinguer clairement les faits (résultats) de leur interprétation (discussion).

1. Avant l’analyse : préparer ses données

Aucune analyse ne peut donner de bons résultats sur des données mal préparées. Cette phase, souvent négligée, conditionne la qualité de tout ce qui suit :

Pour les données qualitatives

Transcription verbatim : reproduire mot pour mot les entretiens enregistrés, avec les hésitations, les pauses et les interruptions (notées entre parenthèses)
Anonymisation : remplacer les noms par des codes (P1, P2…) ou des pseudonymes
Mise en forme du corpus : un fichier par entretien, avec numérotation des lignes pour faciliter les renvois
Premier journal réflexif : noter ses impressions initiales sur les données avant d’entrer dans l’analyse formelle

Pour les données quantitatives

Nettoyage des données : traitement des valeurs manquantes, des outliers, des erreurs de saisie
Codage des variables : transformer les réponses catégorielles en codes numériques (ex. : oui = 1, non = 0)
Vérification de la distribution : histogrammes et tests de normalité avant toute analyse statistique
Documentation du codebook : fichier qui détaille chaque variable, ses valeurs possibles et son mode de calcul

2. Analyse de données qualitatives : les grandes approches

Plusieurs méthodes d’analyse qualitative s’appliquent selon votre cadre théorique et vos objectifs de recherche :

Méthode	Fondements	Usage typique
Analyse thématique	Braun & Clarke (2006)	SHS, psychologie, éducation
Analyse de contenu	Bardin (1977)	Communication, médias, politiques
Théorisation ancrée	Glaser & Strauss (1967)	Sociologie, gestion, soins
Analyse phénoménologique	IPA (Smith et al.)	Psychologie clinique, santé
Analyse du discours	Foucault, Maingueneau	Sciences politiques, lettres, info-com
Analyse narrative	Riessman (2008)	Histoires de vie, biographies

Pour un mémoire de master en SHS, l’analyse thématique de Braun et Clarke est la plus accessible et la plus répandue. Pour la maîtrise de la recherche qualitative dans sa globalité, consultez notre guide dédié.

3. Analyse thématique pas à pas

La méthode de Braun et Clarke (2006, révisée 2019) se déroule en six phases distinctes. Voici leur application concrète à un corpus d’entretiens :

Phase 1 : Familiarisation avec les données

Lisez intégralement chaque transcription au moins deux fois, en prenant des notes marginales libres. L’objectif est d’immerger dans les données avant tout codage formel. Cette lecture « flottante » (Bardin, 2013) permet de laisser émerger les premières impressions sans les forcer.

Phase 2 : Génération des codes initiaux

Relisez les transcriptions ligne par ligne et attribuez des codes à chaque segment signifiant. Un code est une étiquette courte (2 à 5 mots) qui résume ce que le segment dit ou fait. À ce stade, codez largement : mieux vaut trop de codes que pas assez.

Exemple de codage :
Verbatim : « J’ai attendu quatre ans avant que mon université accepte mon sujet de thèse, parce que personne ne travaillait dessus dans mon équipe. »
Codes possibles : « délai acceptation sujet », « isolement thématique », « dépendance à l’équipe », « obstacles institutionnels »

Phase 3 : Recherche des thèmes

Regroupez les codes en thèmes potentiels. Un thème capture quelque chose d’important par rapport à la question de recherche. À ce stade, il est utile de créer une carte thématique visuelle (mind map) pour voir comment les codes s’organisent.

Phase 4 : Révision des thèmes

Vérifiez la cohérence interne de chaque thème (les codes qui le composent parlent-ils vraiment de la même chose ?) et la différenciation entre thèmes (sont-ils suffisamment distincts ?). Lisez tous les extraits d’un thème ensemble pour tester sa solidité.

Phase 5 : Définition et nomination des thèmes

Nommez chaque thème avec un intitulé analytique — pas seulement descriptif. Distinguez : « Difficultés rencontrées » (descriptif, faible) vs « La solitude structurelle du doctorant français » (analytique, fort).

Phase 6 : Rédaction du rapport analytique

Rédigez chaque thème en alternant analyse et illustration par verbatim. Chaque thème doit montrer comment il répond à la problématique.

4. Analyse de données quantitatives : les fondamentaux

Si votre mémoire repose sur des données quantitatives (questionnaire, base de données secondaire, expérience), l’analyse suit une progression logique :

Analyse descriptive : décrire les données sans inférence (moyennes, fréquences, distributions)
Analyse exploratoire : chercher des patterns, des corrélations, des regroupements (analyse factorielle exploratoire, clustering)
Analyse inférentielle : tester des hypothèses, estimer des effets de population (tests T, ANOVA, régression)

Le choix du test statistique dépend de la nature des variables (continues, ordinales, nominales), de la distribution des données et du type de relation que vous cherchez à tester.

5. Statistiques descriptives : l’essentiel pour un mémoire

Même dans un mémoire à dominante qualitative, un tableau de statistiques descriptives sur l’échantillon est souvent attendu. Voici les indicateurs essentiels :

Statistique	Quand l’utiliser	Interprétation
Moyenne (M)	Variables continues, distribution normale	Centre de la distribution
Médiane	Distribution asymétrique, ordinal	Valeur centrale robuste aux outliers
Écart-type (ET)	Variables continues	Dispersion autour de la moyenne
Fréquences (%)	Variables nominales et ordinales	Proportion de chaque modalité
Corrélation de Pearson (r)	Deux variables continues, relation linéaire	Force et direction de la relation (−1 à +1)

6. Statistiques inférentielles pour mémoire de master

Pour tester des hypothèses, le choix du test dépend de votre design de recherche :

Situation	Test recommandé	Logiciel
Comparer 2 groupes indépendants	Test T de Student	SPSS, R, JASP
Comparer 3+ groupes	ANOVA à un facteur	SPSS, R, JASP
Relation entre 2 variables continues	Corrélation + régression linéaire	R, SPSS, Excel
Variable dépendante binaire	Régression logistique	R, SPSS
Données nominales / tableau croisé	Test du Chi-deux (χ²)	SPSS, R, Excel

Point crucial : La significativité statistique (p < 0,05) ne signifie pas l’importance pratique. Toujours accompagner les tests de la taille d’effet (d de Cohen, η², r) et de l’intervalle de confiance. Un résultat statistiquement significatif avec n = 1000 peut avoir un effet pratique négligeable (d = 0,02).

7. Logiciels d’analyse de données

Pour l’analyse quantitative

JASP (gratuit) : interface moderne, recommandé pour débutants, approche fréquentiste et bayésienne
R + RStudio (gratuit) : le standard académique, apprentissage plus long mais puissance maximale
SPSS (payant, souvent disponible en BU) : interface intuitive, très utilisé en SHS françaises
Excel : suffisant pour statistiques descriptives de base

Pour l’analyse qualitative

NVivo : le plus complet, gérer transcriptions, codage, memo, visualisations
Atlas.ti : réseau sémantique entre codes, très utilisé en Allemagne et en France
MAXQDA : mixte quali/quanti, adapté aux méthodes mixtes
Dedoose : en ligne, collaboratif, bonne option pour groupes de recherche

8. Triangulation et méthodes mixtes

La triangulation consiste à croiser plusieurs sources de données ou plusieurs méthodes pour renforcer la crédibilité des résultats. Pour un mémoire, les formes les plus accessibles sont :

Triangulation des sources : comparer les données de plusieurs participants sur un même thème — divergences et convergences sont toutes analytiquement intéressantes
Triangulation méthodologique : combiner entretiens et questionnaire, ou observation et entretiens
Triangulation théorique : interpréter les résultats à travers plusieurs cadres théoriques

Dans un design mixte séquentiel exploratoire, la phase qualitative oriente la construction du questionnaire quantitatif. Dans un design explicatif, la phase quantitative identifie des patterns que la phase qualitative cherche à expliquer.

9. Présenter les résultats dans le mémoire

La présentation des résultats obéit à un principe cardinal : distinguer les résultats (ce que vous avez trouvé) de la discussion (ce que cela signifie). De nombreux mémoires mélangent les deux, affaiblissant l’argumentation.

Pour les résultats qualitatifs

Organisez par thèmes analytiques (pas chronologiquement)
Illustrez chaque thème avec 2-3 verbatim significatifs
Analysez chaque verbatim — il ne « parle » pas de lui-même
Indiquez la récurrence ou la singularité (ex. : « 9 participants sur 12 mentionnent… », « un seul participant signale… »)

Pour les résultats quantitatifs

Présentez d’abord le tableau descriptif de l’échantillon
Pour chaque test : hypothèse testée, statistique, ddl, p-value, taille d’effet
Utilisez des figures claires (histogrammes, boîtes à moustaches, scatter plots)
Toute figure doit avoir un titre, des axes légendés et une source

Pour rédiger vos résultats avec le style approprié, consultez notre guide de rédaction académique. Pour la mise en forme des références bibliographiques de vos sources méthodologiques, référez-vous à notre guide APA 7e édition.

FAQ — Questions fréquentes sur l’analyse de données

Combien de thèmes faut-il avoir dans une analyse thématique ?

Il n’y a pas de nombre idéal de thèmes, mais pour un mémoire de master avec 10-15 entretiens, 4 à 7 thèmes principaux constituent généralement une structure analytique robuste et maniable. Trop peu (2-3) suggère une analyse superficielle ; trop nombreux (10+) crée une fragmentation qui nuit à la lisibilité. Chaque thème devrait pouvoir être illustré par au moins 3-4 extraits significatifs issus de différents participants.

Doit-on utiliser un logiciel d’analyse qualitative pour un mémoire de master ?

Non, ce n’est pas obligatoire. Pour un mémoire avec 8-15 entretiens, une analyse rigoureuse peut se mener avec un traitement de texte (codage manuel avec styles de couleur ou commentaires) ou un tableur. Les logiciels comme NVivo ou Atlas.ti deviennent vraiment utiles à partir de 20-30 entretiens ou pour une thèse de doctorat. Ce qui compte, c’est la rigueur du processus de codage, pas l’outil utilisé.

Quelle taille d’échantillon faut-il pour une analyse quantitative dans un mémoire ?

La taille d’échantillon requise dépend du test utilisé et de la taille d’effet attendue. Pour une régression linéaire simple, 50 à 100 répondants constituent une base acceptable. Pour un test T comparant deux groupes, 30 à 50 par groupe est souvent suffisant. Des outils en ligne comme G*Power permettent de calculer la taille d’échantillon nécessaire pour votre design spécifique. Indiquez toujours dans votre mémoire la puissance statistique de votre étude.

Comment traiter les données manquantes dans un questionnaire ?

Plusieurs options existent selon le taux de données manquantes. Si moins de 5 % : suppression listwise (exclure les observations incomplètes). Si 5-20 % : imputation par la moyenne ou la médiane pour les variables continues, imputation par le mode pour les catégorielles. Si plus de 20 % : signaler cette limitation et envisager l’imputation multiple. Dans tous les cas, documenter le traitement et vérifier si les données sont manquantes aléatoirement (MAR) ou non (MNAR).

Quelle est la différence entre résultats et discussion dans un mémoire ?

Les résultats décrivent ce que vous avez observé dans vos données, sans interprétation ni jugement (« L’analyse thématique révèle trois thèmes principaux… » / « Le test T montre une différence significative entre les groupes, t(48) = 2,34, p = 0,023 »). La discussion interprète ces résultats à la lumière de votre cadre théorique et des travaux antérieurs (« Ce résultat confirme / contredit / nuance la théorie de X… »). Cette distinction est fondamentale : la confondre est l’une des erreurs les plus souvent signalées par les jurys.

Conclusion

L’analyse de données est une compétence qui s’acquiert progressivement. Ce guide vous a donné les fondations — préparation des données, analyse thématique pas à pas, statistiques descriptives et inférentielles, logiciels, triangulation, présentation des résultats — pour aborder cette phase avec méthode et confiance.

Complétez votre formation méthodologique avec notre guide complet de la recherche qualitative et notre guide de la recherche quantitative. Pour trouver les sources bibliographiques qui alimenteront votre cadre théorique, utilisez Google Scholar et HAL Archives Ouvertes.

Analysez vos données avec l’aide de l’IA
Tesify accompagne les étudiants dans toutes les étapes du mémoire, de la problématique à la soutenance. Essayez Tesify gratuitement →

mai 14, 2026

Régression logistique binaire dans un mémoire SPSS : interprétation odds ratio et modèle 2026

Votre variable dépendante est binaire — réussite/échec, adopté/rejeté, présent/absent — et vous souhaitez identifier quels facteurs permettent de prédire cette issue ? La régression logistique binaire avec SPSS est le modèle statistique de référence pour cette situation, bien plus robuste qu’une régression linéaire appliquée à une variable dichotomique. Utilisée en épidémiologie, en sciences sociales, en gestion et en psychologie, elle est pourtant souvent mal interprétée dans les mémoires de master, notamment pour l’odds ratio et les indices d’ajustement du modèle.

Ce guide couvre l’ensemble du pipeline : vérification des conditions, procédure SPSS, lecture de chaque tableau de sortie, interprétation précise de l’Exp(B), et rédaction des résultats selon les normes APA 7.

Réponse rapide
La régression logistique binaire modélise la probabilité qu’un événement binaire se produise. Dans SPSS : Analyze → Regression → Binary Logistic. La colonne Exp(B) donne les odds ratios : OR > 1 signifie un facteur de risque, OR < 1 un facteur protecteur. La qualité du modèle s’évalue avec le R² de Nagelkerke (> 0,20 acceptable) et le test de Hosmer-Lemeshow (p > 0,05 souhaitable).

Fondements de la régression logistique binaire

La régression logistique appartient à la famille des modèles linéaires généralisés (GLM). Elle n’ajuste pas une droite sur les données brutes, mais modélise le logit — le logarithme du rapport des cotes — en fonction d’un ensemble de prédicteurs :

logit(p) = log(p / 1−p) = β₀ + β₁X₁ + β₂X₂ + … + βₖXₖ

Cette transformation logit (ou lien logistique) contraint les probabilités prédites entre 0 et 1, ce qu’une régression linéaire ordinaire ne peut garantir. Le modèle produit pour chaque prédicteur un coefficient β dont l’exponentielle donne directement l’odds ratio.

Logit, odds et probabilité : triangle fondamental

Probabilité (p) : proportion attendue de l’événement dans un groupe donné
Odds (cote) : p / (1 − p) — rapport entre la probabilité que l’événement se produise et celle qu’il ne se produise pas
Log odds (logit) : log naturel de l’odds — la variable que le modèle linéarise
Odds ratio (OR) : rapport de deux odds — mesure d’association entre un prédicteur et l’issue binaire

Quand l’utiliser dans un mémoire ?

La régression logistique binaire s’impose dans les situations suivantes :

Variable dépendante dichotomique (oui/non, succès/échec, malade/sain, 0/1)
Prédicteurs continus, catégoriels ou mixtes
Objectif de prédiction ou d’identification de facteurs associés
Contrôle de variables confondantes dans une analyse multivariée

Exemples dans différentes disciplines

Discipline	Variable dépendante	Prédicteurs typiques
Santé publique	Diabète (oui/non)	IMC, âge, sédentarité
Sciences de l’éducation	Réussite à l’examen	Heures de travail, méthode pédagogique
Marketing / Gestion	Intention d’achat (oui/non)	Prix, satisfaction, fidélité
Criminologie	Récidive (oui/non)	Âge, type de délit, suivi judiciaire

Conditions d’application

Contrairement à la régression linéaire, la régression logistique ne requiert pas la normalité ni l’homoscédasticité des résidus. Ses conditions sont :

1. Variable dépendante binaire

La variable Y doit avoir exactement deux modalités codées 0 et 1. SPSS prend la plus petite valeur comme événement de référence (code 0) et modélise la probabilité de la valeur la plus grande (code 1). Vérifiez toujours quel événement est modélisé — cela change l’interprétation des OR.

2. Taille d’échantillon suffisante

La règle empirique la plus répandue est de disposer d’au moins 10 à 20 événements par prédicteur (EPV — Events Per Variable). Si votre variable dépendante présente 40 cas « événement = 1 », ne dépassez pas 4 prédicteurs dans le modèle pour éviter le sur-ajustement.

3. Absence de multicolinéarité sévère

Vérifiez la matrice de corrélations entre prédicteurs continus. Des corrélations supérieures à r = 0,80 signalent une multicolinéarité problématique. Sous SPSS, activez l’option Collinearity diagnostics dans la procédure de régression linéaire (à titre indicatif, car l’output de régression logistique SPSS ne produit pas directement les VIF).

4. Linéarité du logit pour les prédicteurs continus

Testez la relation entre chaque prédicteur continu et le logit de Y via le test de Box-Tidwell : créez un terme d’interaction entre chaque prédicteur et son log naturel. Si ce terme est significatif, la relation n’est pas linéaire dans le logit — une transformation (log, racine carrée) peut être nécessaire.

5. Indépendance des observations

Chaque individu ne doit apparaître qu’une fois dans les données. Les données longitudinales ou groupées nécessitent des extensions (régression logistique à effets mixtes ou conditionnelle).

Procédure SPSS pas à pas

Vidéo : SPSS : La régression logistique binaire — Bibliothèque Paul-Émile-Boulet (UQAC)

Analyze → Regression → Binary Logistic
Glissez votre variable dichotomique dans Dependent
Glissez vos prédicteurs dans Covariates
Pour les prédicteurs catégoriels : cliquez sur Categorical et définissez la modalité de référence
Choisissez la méthode : Enter (toutes variables forcées, recommandé pour tests d’hypothèses) ou Forward LR / Backward LR (sélection pas-à-pas, exploratoire)
Cliquez sur Options : cochez Hosmer-Lemeshow goodness-of-fit, Classification plots, CI for exp(B)
Cliquez sur Save : sauvegardez les probabilités prédites et les résidus standardisés pour vérifier les cas aberrants
Cliquez OK

Lire et interpréter les tableaux de sortie

Block 0 vs Block 1

SPSS présente deux blocs. Block 0 (modèle nul) classe tous les individus dans la catégorie majoritaire — c’est le point de départ. Block 1 contient votre modèle avec les prédicteurs. Comparez les taux de classification pour mesurer le gain apporté par vos variables.

Omnibus Tests of Model Coefficients

Ce tableau présente un test du Chi² global. Un résultat significatif (p < 0,05) indique que le modèle avec prédicteurs est significativement meilleur que le modèle nul — condition minimale pour poursuivre l’interprétation.

Model Summary

Trois indices sont présentés : −2 Log likelihood (à minimiser), le R² de Cox & Snell et le R² de Nagelkerke. Ce dernier est le pseudo-R² de référence dans les mémoires, car sa valeur maximale est 1. Un R² de Nagelkerke entre 0,20 et 0,40 est considéré comme modéré à acceptable en sciences humaines.

Hosmer and Lemeshow Test

Ce test évalue l’adéquation globale du modèle (goodness-of-fit). Si p > 0,05, le modèle ne dévie pas significativement des données observées — c’est un signal favorable. Attention : un p > 0,05 ne prouve pas que le modèle est excellent, seulement qu’il n’est pas clairement inadéquat.

Variables in the Equation

C’est le tableau principal des résultats. Il contient :

B : coefficient de régression logistique (log odds)
S.E. : erreur standard de B
Wald : test de Wald (B/SE)² — analogue du test t en régression linéaire
Sig. : p-value associée au test de Wald
Exp(B) : l’odds ratio
IC 95% pour Exp(B) : intervalle de confiance — si cet IC ne contient pas 1, l’OR est significatif

Interpréter l’odds ratio (Exp(B))

L’odds ratio est l’indicateur central de la régression logistique. Son interprétation diffère selon le type de prédicteur :

Prédicteur continu

OR = 1,45 pour le prédicteur « âge » signifie : pour chaque augmentation d’un an, les chances que l’événement se produise sont multipliées par 1,45 (augmentation de 45%), toutes autres variables maintenues constantes.

Prédicteur dichotomique

OR = 2,30 pour le prédicteur « sexe masculin (ref: féminin) » signifie : les hommes ont des chances 2,30 fois plus élevées que les femmes de vivre l’événement.

Tableau de référence pour l’interprétation

Valeur de l’OR	Interprétation	Direction
OR = 1,00	Aucune association	Neutre
OR > 1	Facteur de risque / association positive	Augmente la probabilité de l’événement
OR < 1	Facteur protecteur / association négative	Diminue la probabilité de l’événement
IC 95% contenant 1	Résultat non significatif	p > 0,05

Mise en garde importante : L’OR n’est pas un risque relatif. Il ne peut être interprété comme tel que lorsque la fréquence de l’événement est rare (< 10%). Pour des événements fréquents, l’OR surestime la force de l’association. Dans ce cas, préférez la régression de Poisson modifiée (Zou, 2004) ou la méthode de Zhang & Yu (1998) pour estimer directement le risque relatif.

Évaluer l’ajustement du modèle

Plusieurs indicateurs complémentaires permettent d’évaluer la qualité du modèle :

Tableau de classification

SPSS présente le nombre d’individus correctement classés par le modèle (seuil par défaut : 0,50). La sensibilité mesure la proportion de vrais positifs correctement identifiés ; la spécificité mesure la proportion de vrais négatifs. Pour un mémoire, rapportez les deux plutôt que le seul taux de classification global, qui peut être trompeur avec des classes déséquilibrées.

Résidus et observations influentes

Examinez les résidus standardisés de Pearson et les statistiques de Cook. Des valeurs > 3 en valeur absolue pour les résidus signalent des observations atypiques à analyser. Ces diagnostics sont disponibles via les variables sauvegardées lors de l’étape Save.

Analyse univariée puis multivariée

La démarche standard en sciences de la santé et en épidémiologie — de plus en plus adoptée en sciences sociales — procède en deux étapes :

Analyse univariée : tester chaque prédicteur individuellement. Les variables avec p < 0,20 ou ayant une justification théorique sont retenues pour le modèle multivarié.
Analyse multivariée : intégrer simultanément toutes les variables retenues. Les OR ajustés (aOR) contrôlent l’effet des autres prédicteurs.

Cette démarche permet de repérer les variables confondantes : un prédicteur dont l’OR change de plus de 10% entre l’analyse univariée et multivariée est un confondeur potentiel que vous devez discuter dans votre mémoire.

Rédiger les résultats en APA 7

Une régression logistique binaire a été réalisée pour prédire la probabilité de réussite académique à partir de trois prédicteurs : heures de travail hebdomadaires, méthode pédagogique (cours magistral vs. classe inversée) et satisfaction envers l’enseignant. Le modèle global était significatif (χ²(3) = 27,8, p < .001). Le R² de Nagelkerke indiquait que le modèle expliquait 31% de la variance de l’issue (R²N = .31). Le test d’Hosmer-Lemeshow confirmait l’adéquation du modèle (χ²(8) = 6,43, p = .600). Le nombre d’heures de travail hebdomadaires était un prédicteur significatif (OR = 1,23, IC 95% [1,09 ; 1,38], p = .001), indiquant que chaque heure supplémentaire hebdomadaire multipliait les chances de réussite par 1,23.

Pour enrichir votre cadre méthodologique, consultez notre article sur l’ANOVA factorielle, l’ACP avec SPSS et notre guide général de la méthodologie de recherche.

Limites et alternatives

Régression logistique ordinale : si Y a plus de deux modalités ordonnées (faible/moyen/élevé)
Régression logistique multinomiale : si Y a plus de deux modalités non ordonnées
Régression de Cox : si le temps jusqu’à l’événement est une information pertinente (données de survie)
Régression logistique à effets mixtes : si les données sont groupées (élèves dans des classes, patients dans des hôpitaux)

Accélérez votre rédaction avec Tesify : La structuration de la section résultats d’une régression logistique — avec les tableaux au format APA, les interprétations des OR et les tests d’ajustement — est précisément ce que Tesify vous aide à formaliser efficacement.

Questions fréquentes

Quelle est la différence entre régression logistique et régression linéaire ?

La régression linéaire modélise une variable dépendante continue et suppose des résidus normalement distribués. La régression logistique modélise une variable dépendante binaire via une transformation logit et ne requiert pas ces conditions. Appliquer une régression linéaire à une variable 0/1 produit des probabilités prédites pouvant dépasser 0 ou 1 — une absurdité mathématique que la régression logistique évite structurellement.

Mon R² de Nagelkerke est de 0,12 : mon modèle est-il mauvais ?

Pas nécessairement. Les pseudo-R² en régression logistique sont systématiquement plus faibles qu’en régression linéaire. En sciences humaines et sociales, un R²N de 0,10 à 0,20 est fréquemment observé pour des phénomènes complexes. Évaluez la qualité du modèle via le test de Hosmer-Lemeshow, la sensibilité/spécificité et la significativité globale du Chi² — pas uniquement via le pseudo-R².

Puis-je utiliser des variables ordinales comme prédicteurs ?

Oui. Vous avez deux options : traiter la variable ordinale comme continue (si vous supposez une relation linéaire avec le logit) ou la déclarer comme catégorielle dans SPSS en cliquant sur le bouton Categorical (ce qui crée des variables indicatrices pour chaque modalité). La seconde approche est plus flexible mais consomme davantage de degrés de liberté.

Comment choisir entre méthode Enter et méthode Forward/Backward ?

Utilisez la méthode Enter (toutes les variables forcées) lorsque votre modèle est théoriquement justifié — c’est la norme pour les mémoires fondés sur des hypothèses a priori. Les méthodes pas-à-pas (Forward/Backward) sont exploratoires et non recommandées pour des tests d’hypothèses confirmatoires, car elles augmentent le risque d’erreur de type I et génèrent des modèles difficiles à répliquer.

Faut-il normaliser les prédicteurs continus avant la régression logistique ?

La normalisation n’est pas obligatoire pour la régression logistique (contrairement à certains algorithmes d’apprentissage automatique). Elle peut néanmoins faciliter la comparaison des coefficients β entre prédicteurs d’unités différentes. La centration-réduction (moyenne = 0, ET = 1) est courante dans les mémoires qui cherchent à comparer l’importance relative des prédicteurs.

L’OR de 0,62 signifie-t-il une réduction de 38% ou de 62% ?

Un OR de 0,62 signifie que les chances de l’événement sont multipliées par 0,62, soit une réduction de 38% (1 − 0,62 = 0,38). L’erreur fréquente consiste à dire « réduction de 62% », ce qui correspondrait à un OR de 0,38. Formulez toujours l’OR < 1 en termes de réduction : « les chances diminuent de 38% ».

mai 14, 2026

Analyse Factorielle Exploratoire (AFE) avec SPSS : Guide Complet pour Mémoire 2026

Vous avez construit un questionnaire, collecté vos données, et vous vous demandez maintenant comment regrouper vos variables en dimensions cohérentes. L’analyse factorielle exploratoire (AFE) avec SPSS est précisément la technique statistique qui répond à ce besoin : elle permet d’identifier les structures latentes sous-jacentes à un ensemble de variables observées, sans imposer a priori un modèle théorique. Pour les étudiants en master et en doctorat, maîtriser l’AFE est un avantage concurrentiel majeur dans la rédaction de leur mémoire ou de leur thèse.

Contrairement à l’analyse en composantes principales (ACP), qui maximise la variance totale expliquée, l’AFE vise à modéliser uniquement la variance commune (communalité) entre les variables. Cette distinction, souvent mal comprise, conditionne le choix du bon outil statistique selon vos hypothèses de recherche. Ce guide vous accompagne pas à pas, de la vérification des prérequis jusqu’à l’interprétation et la rédaction des résultats dans votre mémoire.

En résumé : L’AFE avec SPSS permet de réduire un grand nombre de variables en facteurs latents. Les étapes clés sont : vérification des prérequis (KMO > 0,70 ; test de Bartlett significatif), choix de la méthode d’extraction (factorisation en axes principaux), sélection du nombre de facteurs (valeur propre > 1, scree plot, variance expliquée > 60 %), choix de la rotation (varimax si facteurs indépendants, oblimin si corrélés), et interprétation des saturations (> 0,40).

1. Qu’est-ce que l’analyse factorielle exploratoire ?

Source : Bibliothèque Paul-Émile-Boulet (UQAC) — SPSS : L’analyse factorielle exploratoire (ACP)

L’analyse factorielle exploratoire est une technique statistique multivariée dont l’objectif est de découvrir la structure latente d’un ensemble de variables observées. En d’autres termes, elle cherche à répondre à la question : « Existe-t-il un nombre réduit de facteurs non observables (latents) qui expliquent les corrélations observées entre mes variables ? »

Le modèle mathématique de l’AFE postule que chaque variable observée X_i est une combinaison linéaire de k facteurs communs F_j et d’un facteur unique U_i :

X_i = λ_i1F₁ + λ_i2F₂ + … + λ_ikF_k + U_i

Où les λ_ij sont les saturations (ou loadings), c’est-à-dire les corrélations entre chaque variable et chaque facteur. Cette technique est particulièrement utile en sciences humaines et sociales, en psychologie, en sciences de gestion et en santé publique, domaines où les construits théoriques (satisfaction, motivation, anxiété) ne peuvent être mesurés directement.

En France, l’AFE est fréquemment mobilisée dans les mémoires de master 1, master 2 et les thèses de doctorat pour valider la structure dimensionnelle d’échelles de mesure avant de procéder à des analyses confirmatoires ou à des tests d’hypothèses. Des travaux de référence sur HAL archives ouvertes documentent son usage croissant dans la recherche francophone en psychologie et sciences de gestion.

2. AFE vs ACP : quelle différence pour votre mémoire ?

La confusion entre l’AFE et l’analyse en composantes principales (ACP) est extrêmement courante. Voici les distinctions essentielles que votre jury attend de vous :

Critère	AFE	ACP
Objectif	Identifier des facteurs latents	Réduire la dimensionnalité
Variance modélisée	Variance commune uniquement	Variance totale (commune + unique)
Hypothèse sur l’erreur	Erreur de mesure modélisée	Pas d’erreur de mesure
Contexte d’usage	Validation d’échelles, mesure de construits	Réduction de données, analyse descriptive
Méthode d’extraction	Factorisation en axes principaux (FAP)	Composantes principales

Pour la majorité des mémoires en sciences humaines qui cherchent à valider un questionnaire ou à mesurer des construits latents, l’AFE avec extraction par factorisation en axes principaux (FAP) est le choix méthodologiquement défendable devant un jury.

3. Prérequis et conditions d’application

Avant de lancer l’AFE dans SPSS, vérifiez les conditions suivantes :

Taille d’échantillon : Le ratio recommandé est de 5 à 10 observations par variable. Un minimum absolu de 100 observations est généralement requis, et 200+ est préférable pour des résultats stables. Comrey et Lee (1992) proposent l’échelle : 50 = médiocre, 100 = acceptable, 200 = bon, 300 = très bon, 500+ = excellent.
Niveau de mesure : Les variables doivent être continues ou pseudo-continues (échelles de Likert à 5+ points). Pour des variables ordinales avec peu de catégories, une matrice de corrélations polychoriques est préférable.
Corrélations entre variables : Il doit exister des corrélations suffisantes (r > 0,30) entre au moins certaines variables. Si toutes les corrélations sont faibles, l’AFE n’est pas pertinente.
Absence de multicolinéarité parfaite : Des corrélations supérieures à 0,90 signalent une redondance excessive et peuvent poser des problèmes d’estimation.
Variables continues ou pseudo-continues : Pas de variables nominales dichotomiques isolées.

4. Test KMO et test de Bartlett dans SPSS

Ces deux tests s’obtiennent automatiquement dans SPSS via Analyse → Réduction des données → Analyse factorielle → Descriptives → KMO et test de sphéricité de Bartlett.

L’indice KMO (Kaiser-Meyer-Olkin)

Le KMO mesure l’adéquation de l’échantillonnage en comparant les corrélations observées aux corrélations partielles. Sa valeur varie entre 0 et 1 :

Valeur KMO	Interprétation (Kaiser)
≥ 0,90	Excellent
0,80 – 0,89	Très bien (méritoire)
0,70 – 0,79	Bien (moyen)
0,60 – 0,69	Médiocre
< 0,50	Inacceptable — AFE inadaptée

Dans votre mémoire, citez toujours la valeur KMO et interprétez-la explicitement. Un KMO de 0,82 se rapporte comme : « L’indice KMO (0,82) indique une adéquation méritoire de l’échantillon à l’analyse factorielle (Kaiser, 1974). »

Le test de sphéricité de Bartlett

Ce test vérifie que la matrice de corrélations n’est pas une matrice identité (ce qui signifierait que les variables sont toutes indépendantes, rendant l’AFE inutile). Vous avez besoin d’un résultat significatif (p < 0,05). Dans la pratique, avec des échantillons de taille raisonnable, ce test est presque toujours significatif. Reportez-le ainsi : « Le test de sphéricité de Bartlett est significatif (χ² = 1245,3 ; ddl = 78 ; p < 0,001), confirmant que les corrélations entre les variables sont significativement différentes de zéro. »

5. Méthodes d’extraction : comment choisir ?

SPSS propose plusieurs méthodes d’extraction. Pour une AFE rigoureuse en sciences humaines :

Factorisation en axes principaux (FAP) : C’est la méthode de référence pour l’AFE. Elle estime les communalités de façon itérative et modélise uniquement la variance commune. À privilégier quand votre objectif est d’identifier des construits latents.
Maximum de vraisemblance (ML) : Permet des tests d’ajustement et des indices de fit. Nécessite la multinormalité des données. Utile si vous envisagez ensuite une AFC (analyse factorielle confirmatoire).
Composantes principales : Techniquement une ACP, pas une AFE. À éviter si vous souhaitez modéliser des facteurs latents.

Conseil pratique : Dans votre mémoire, justifiez explicitement le choix de la factorisation en axes principaux en indiquant que votre objectif est d’identifier des structures latentes, conformément aux recommandations de Fabrigar et al. (1999) dans Psychological Methods.

6. Critères pour déterminer le nombre de facteurs

Déterminer le bon nombre de facteurs est l’étape la plus délicate. Utilisez plusieurs critères convergents :

Critère de Kaiser (valeur propre > 1)

Par défaut dans SPSS, ce critère retient les facteurs dont la valeur propre (eigenvalue) est supérieure à 1. Il est pratique mais tend à sur-extraire les facteurs, surtout avec de nombreuses variables. Ne l’utilisez pas seul.

Graphique des éboulis (Scree Plot)

Le graphique représente les valeurs propres en décroissance. Identifiez le « coude » (point d’inflexion) où la courbe s’aplatit. Les facteurs situés avant ce coude sont retenus. Ce critère visuel est subjectif mais précieux comme validation complémentaire.

Critère de la variance expliquée

La solution factorielle doit expliquer au minimum 50 à 60 % de la variance totale pour être considérée comme satisfaisante. Dans certains domaines (sciences de gestion, psychologie), 40 % peut être acceptable avec justification.

Analyse parallèle de Horn (recommandée)

L’analyse parallèle compare les valeurs propres obtenues à partir de vos données réelles avec celles générées par des matrices de données aléatoires de même taille. On ne retient que les facteurs dont la valeur propre réelle dépasse la valeur propre aléatoire correspondante. C’est la méthode la plus rigoureuse, recommandée par les méthodologues contemporains (Hayton, Allen et Scarpello, 2004). SPSS ne la propose pas nativement, mais des macros existent.

Critère théorique

La solution finale doit être interprétable théoriquement. Un facteur qui ne peut pas être nommé avec un concept clair est un signal d’alarme.

7. Rotation varimax vs oblimin : la clé de l’interprétation

La rotation factorielle transforme la solution initiale pour rendre les saturations plus lisibles, sans modifier l’ajustement global. Il existe deux grandes familles :

Rotation orthogonale (varimax)

La rotation varimax, la plus utilisée, maximise la variance des saturations au carré pour chaque facteur. Elle contraint les facteurs à rester non corrélés (orthogonaux). À utiliser quand :

Votre théorie prédit des construits indépendants
Vous souhaitez utiliser les scores factoriels comme variables dans des analyses ultérieures (régression, ANOVA)
Vous souhaitez simplifier l’interprétation

Rotation oblique (oblimin, promax)

La rotation oblimin autorise les facteurs à se corréler entre eux. Elle est plus réaliste en sciences humaines, où les construits théoriques sont rarement indépendants. À utiliser quand :

Votre théorie prédit des construits corrélés (ex. : dimensions de la personnalité, attitudes)
Vous planifiez une AFC après l’AFE

Avec une rotation oblique, SPSS produit deux matrices : la matrice de structure (corrélations variables-facteurs) et la matrice de configuration (saturations uniques après contrôle des autres facteurs). C’est la matrice de configuration qui doit être interprétée pour identifier l’appartenance des variables aux facteurs.

Règle pratique : Examinez d’abord la matrice de corrélations des facteurs. Si les corrélations inter-factorielles sont < 0,20, la rotation orthogonale et oblique produiront des résultats similaires. Si elles dépassent 0,30, la rotation oblique est préférable.

8. Lire et interpréter la matrice des saturations

La matrice des saturations (pattern matrix pour rotation oblique, component matrix pour varimax) est le cœur des résultats de l’AFE. Voici comment l’interpréter :

Seuils de saturation

> 0,70 : Saturation excellente
0,50 – 0,69 : Saturation satisfaisante
0,40 – 0,49 : Saturation acceptable (avec justification)
< 0,40 : Saturation faible — envisager la suppression de la variable

Variables problématiques

Saturation complexe : Une variable sature fortement (> 0,40) sur plusieurs facteurs. Elle obscurcit l’interprétation ; envisagez sa suppression si l’écart entre les deux saturations est < 0,20.
Variable isolée : Une variable qui ne sature fortement que sur un facteur avec une seule autre variable, ou qui forme un facteur à elle seule.

Nommer les facteurs

Chaque facteur doit recevoir un nom théorique qui résume les variables qui lui sont associées. Ce nom doit être justifié par la littérature. Par exemple, si les items « confiance en soi », « estime de soi » et « sentiment d’efficacité personnelle » saturent sur le même facteur, ce facteur peut être nommé « Confiance en soi généralisée ».

9. Communalités : que nous disent-elles ?

La communalité (h²) d’une variable représente la proportion de sa variance expliquée par l’ensemble des facteurs retenus. Elle varie entre 0 et 1 :

h² > 0,60 : La variable est bien représentée dans la solution factorielle
h² entre 0,40 et 0,60 : Représentation modérée
h² < 0,40 : La variable est mal représentée — elle contribue peu à la structure factorielle

Les variables avec une communalité faible sont des candidates à la suppression lors d’une démarche itérative d’AFE. Dans votre mémoire, présentez le tableau des communalités initiales et finales dans vos annexes, et commentez les variables présentant des communalités faibles (< 0,40) dans le texte principal.

10. Rédiger les résultats de l’AFE dans votre mémoire

La rédaction des résultats d’une AFE doit suivre un format précis attendu par les comités de lecture académiques :

Structure type du paragraphe de résultats

« Une analyse factorielle exploratoire a été conduite sur les 18 items du questionnaire (N = 245) à l’aide de la méthode de factorisation en axes principaux avec rotation oblimin. L’indice KMO (0,84) indique une adéquation méritoire de l’échantillon (Kaiser, 1974) ; le test de sphéricité de Bartlett est significatif (χ² = 1678,4 ; ddl = 153 ; p < 0,001). L’analyse parallèle de Horn a conduit à retenir trois facteurs, expliquant conjointement 62,4 % de la variance commune. L’examen de la matrice de configuration (rotation oblimin, δ = 0) révèle des saturations comprises entre 0,48 et 0,87 pour toutes les variables sur leur facteur principal. Les facteurs ont été nommés [F1 = Autonomie], [F2 = Engagement affectif] et [F3 = Charge cognitive], conformément aux construits théoriques identifiés dans la revue de littérature. »

Ce qu’il faut inclure en annexes

Tableau complet des communalités (initiales et finales)
Tableau de la variance totale expliquée (valeurs propres par facteur)
Graphique des éboulis (scree plot)
Matrice des saturations après rotation (avec les seuils < 0,30 supprimés pour la lisibilité)
Matrice de corrélations entre facteurs (si rotation oblique)

Pour constituer un échantillon adapté à votre étude, notre guide sur l’échantillonnage dans un mémoire de master (méthodes probabiliste, raisonnée, boule de neige) vous aide à dimensionner et justifier votre collecte. Si vous administrez un questionnaire en ligne, consultez également notre guide sur comment diffuser un questionnaire et améliorer le taux de réponse pour atteindre les N nécessaires à une AFE robuste.

Pour structurer l’ensemble de votre analyse de données et rédiger chaque section de manière cohérente, Tesify vous aide à organiser vos résultats statistiques avec un accompagnement méthodologique adapté au format académique français.

FAQ — Analyse Factorielle Exploratoire SPSS

Quelle est la différence entre l’AFE et l’AFC ?

L’AFE (analyse factorielle exploratoire) est utilisée quand vous n’avez pas encore de modèle théorique précis et souhaitez découvrir la structure sous-jacente de vos données. L’AFC (analyse factorielle confirmatoire), réalisée avec des logiciels comme AMOS ou R (lavaan), teste si les données s’ajustent à un modèle prédéfini. En pratique, on réalise d’abord l’AFE sur un sous-échantillon, puis l’AFC sur un autre sous-échantillon pour confirmer la structure.

Mon KMO est de 0,65 : puis-je quand même réaliser l’AFE ?

Un KMO de 0,65 est « médiocre » selon Kaiser (1974), ce qui ne l’exclut pas mais nécessite une justification dans votre mémoire. Examinez les MSA (mesures de précision d’échantillonnage) individuelles pour identifier les variables qui tirent le KMO global vers le bas. Si une ou deux variables ont un MSA < 0,50, leur suppression peut améliorer significativement le KMO global.

Combien de variables par facteur sont nécessaires ?

Un facteur interprétable doit être défini par au moins 3 variables avec des saturations satisfaisantes (> 0,40). Un facteur à 2 variables seulement est généralement instable et peu interprétable. Si votre solution produit des facteurs avec 1 ou 2 variables, envisagez de réduire le nombre de facteurs extraits ou de revoir votre questionnaire.

Dois-je utiliser varimax ou oblimin dans mon mémoire ?

La rotation oblimin (ou promax) est généralement préférable en sciences humaines et sociales, où les construits théoriques sont rarement indépendants. Si les corrélations entre facteurs sont inférieures à 0,20, les deux rotations donnent des résultats similaires et varimax peut être utilisée. Justifiez votre choix par la nature de vos construits théoriques, pas par commodité.

Quelle est la taille d’échantillon minimale pour une AFE fiable ?

Les recommandations varient selon les auteurs : Tabachnick et Fidell (2013) recommandent au moins 300 observations pour une solution factorielle stable. MacCallum et al. (1999) montrent que 100 observations peuvent suffire si les communalités sont élevées (> 0,60) et les facteurs bien définis (4+ variables par facteur). En pratique, pour un mémoire de master, 150 à 200 observations avec des communalités satisfaisantes est un compromis acceptable.

Comment indiquer l’AFE dans ma section méthodologie ?

Dans votre section méthodologie, précisez : (1) la méthode d’extraction choisie et sa justification, (2) les critères pour déterminer le nombre de facteurs, (3) la méthode de rotation et sa justification, (4) les seuils de saturation retenus. Dans la section résultats, présentez les indices KMO et Bartlett, la variance expliquée par facteur, et la matrice des saturations annotée. Référencez au moins une source méthodologique de référence (Fabrigar et al., 1999 ; Costello et Osborne, 2005).

Prêt à rédiger votre section analyse factorielle ?

Tesify vous accompagne dans la rédaction et la structuration de votre analyse de données, de l’interprétation des résultats SPSS jusqu’à la mise en forme finale conforme aux normes académiques françaises. Commencer gratuitement →

mai 12, 2026

ANOVA factorielle dans un mémoire avec SPSS : guide complet avec exemples 2026

Vous analysez l’effet de deux variables indépendantes sur une variable dépendante continue et vous ne savez pas si leurs effets sont additifs ou s’ils interagissent ? L’ANOVA factorielle avec SPSS est l’outil statistique conçu exactement pour cette situation. Plus puissante qu’une simple ANOVA à un facteur, elle permet de tester simultanément les effets principaux et — surtout — l’effet d’interaction entre deux facteurs, information qu’aucune analyse séparée ne peut produire. Ce guide vous accompagne de la vérification des prémisses jusqu’à la rédaction des résultats dans votre mémoire.

Dans les masters en psychologie, sciences de l’éducation, gestion et sciences de la santé, l’ANOVA factorielle (également appelée ANOVA à deux facteurs ou ANOVA two-way) figure parmi les tests les plus attendus par les jurys. Savoir la réaliser sous SPSS et en restituer les résultats avec rigueur distingue un mémoire solide d’un mémoire superficiel.

Réponse rapide
L’ANOVA factorielle teste simultanément l’effet de deux facteurs (variables indépendantes catégorielles) et de leur interaction sur une variable dépendante continue. Dans SPSS : Analyze → General Linear Model → Univariate. Interprétez d’abord l’interaction (terme A×B) : si elle est significative (p < 0,05), les effets principaux ne peuvent s’interpréter isolément et nécessitent des graphiques de profils et des comparaisons simples.

Qu’est-ce que l’ANOVA factorielle ?

L’ANOVA factorielle (Analysis of Variance factorielle) est une extension de l’ANOVA à un facteur. Elle évalue dans quelle mesure deux facteurs catégoriels (et leur interaction) expliquent la variance d’une variable dépendante continue. Le modèle général s’écrit :

Y_ijk = μ + α_i + β_j + (αβ)_ij + ε_ijk

Où μ est la moyenne générale, α_i l’effet du facteur A, β_j l’effet du facteur B, (αβ)_ij l’effet d’interaction et ε_ijk le terme d’erreur résiduelle.

SPSS produit trois ratios F distincts :

Facteur A : variabilité expliquée par A / variabilité résiduelle
Facteur B : variabilité expliquée par B / variabilité résiduelle
Interaction A × B : variabilité expliquée par la combinaison A et B / variabilité résiduelle

Quand utiliser l’ANOVA factorielle dans un mémoire ?

L’ANOVA factorielle convient lorsque :

Votre variable dépendante est continue (score, mesure, durée, etc.)
Vous avez exactement deux variables indépendantes catégorielles
Vous souhaitez tester si l’effet d’un facteur est modifié par l’autre facteur (modération)
Les groupes sont indépendants (ANOVA between-subjects) — pour des mesures répétées, l’ANOVA mixte ou à mesures répétées est plus appropriée

Exemples typiques en mémoire de master

Discipline	Facteur A	Facteur B	Variable dépendante
Psychologie	Sexe (H/F)	Type de thérapie (3 modalités)	Score d’anxiété
Sciences de l’éducation	Niveau scolaire (3 niveaux)	Méthode d’enseignement	Score à l’évaluation
Gestion / RH	Domaine d’études	Genre	Salaire à l’embauche
Santé publique	Tranche d’âge	Région géographique	Score de bien-être

Vérification des prémisses

Avant de lancer l’analyse, quatre prémisses doivent être vérifiées. Une prémisse violée ne rend pas forcément l’analyse caduque, mais oblige à signaler la limite et, dans certains cas, à recourir à des alternatives non-paramétriques.

1. Normalité de la distribution des résidus

Utilisez le test de Shapiro-Wilk (n < 50) ou le test de Kolmogorov-Smirnov (n ≥ 50) sur les résidus standardisés. Si p > 0,05, la normalité est retenue. Pour des échantillons supérieurs à 100, l’ANOVA est robuste aux violations modérées grâce au théorème central limite.

2. Homogénéité des variances (homoscédasticité)

Le test de Levene est automatiquement produit par SPSS dans la procédure Univariate. Si p > 0,05, les variances sont homogènes. En cas de violation, utiliser la correction de Welch ou les intervalles de confiance bootstrap.

3. Indépendance des observations

Chaque participant appartient à un seul groupe. Vérifiez votre design de collecte : si les mêmes individus apparaissent dans plusieurs cellules, vous avez besoin d’une ANOVA à mesures répétées.

4. Taille d’échantillon équilibrée

Un design balancé (effectifs égaux dans chaque cellule) maximise la puissance statistique. En cas de déséquilibre, SPSS utilise la somme des carrés de type III (Type III SS), qui est la valeur par défaut — et la bonne option pour un mémoire.

Procédure pas à pas sous SPSS

Vidéo : Faire une ANOVA I ou II sur SPSS — StatsAtHome

Voici la séquence de menus à suivre dans SPSS 28/29 (IBM SPSS Statistics) :

Analyze → General Linear Model → Univariate
Glissez votre variable dépendante dans le champ Dependent Variable
Glissez vos deux facteurs dans Fixed Factor(s)
Cliquez sur Model : sélectionnez Full factorial pour inclure automatiquement les deux effets principaux et l’interaction
Cliquez sur Plots : ajoutez un graphique de profils (Facteur A en abscisse, Facteur B en séparé) — indispensable pour visualiser l’interaction
Cliquez sur Post Hoc : sélectionnez Tukey ou Bonferroni pour les comparaisons par paires
Cliquez sur Options : cochez Descriptive statistics, Estimates of effect size (eta carré partiel), Homogeneity tests et Observed power
Cliquez sur OK

Conseil pratique : Nommez clairement vos facteurs dans SPSS avant l’analyse (ex. Genre, Domaine plutôt que V1, V2). Les sorties SPSS reprennent exactement les noms de variables, ce qui facilite la rédaction.

Interpréter les résultats : tableaux SPSS décryptés

SPSS génère plusieurs tableaux. Voici ceux qui sont essentiels pour votre mémoire.

Tableau des statistiques descriptives

Présentez les moyennes (M) et écarts-types (ET) pour chaque cellule du design. Ce tableau donne une première idée visuelle de l’interaction : si les différences entre niveaux du Facteur A varient selon les niveaux du Facteur B, une interaction est probable.

Tests des effets inter-sujets (Tests of Between-Subjects Effects)

C’est le tableau central. Pour chaque source de variation, SPSS indique :

SS : somme des carrés (Type III)
dl : degrés de liberté
CM : carré moyen (SS/dl)
F : le ratio F
Sig. : la p-value
η² partiel : taille d’effet

Exemple de lecture d’un résultat fictif cohérent avec la littérature :

Source	dl	F	Sig.	η² partiel
Sexe (A)	1	12,34	.001	.09
Domaine (B)	2	8,71	.000	.12
Sexe × Domaine	2	5,22	.007	.08
Erreur	114	—	—	—

Analyser l’effet d’interaction

L’effet d’interaction est le cœur de l’ANOVA factorielle. Il répond à la question : « L’effet du Facteur A sur la variable dépendante est-il le même quel que soit le niveau du Facteur B ? »

Interaction significative (p < 0,05)

Lorsque l’interaction est significative, les effets principaux ne peuvent pas s’interpréter seuls — ils seraient trompeurs. Vous devez :

Examiner le graphique de profils (Estimated Marginal Means Plot) : des droites non parallèles signalent une interaction
Réaliser des comparaisons simples (Simple Effects) : analyser l’effet du Facteur A pour chaque niveau de B séparément, avec correction Bonferroni
Décrire verbalement la nature de l’interaction (ordinale vs. désordinale)

Interaction non significative (p > 0,05)

Vous pouvez alors interpréter les effets principaux de manière indépendante. Indiquez dans votre mémoire : « L’interaction entre A et B n’était pas significative, F(2, 114) = 1,43, p = .244, η²p = .02 ; les effets principaux ont donc été interprétés séparément. »

Interaction ordinale vs. désordinale

Une interaction est ordinale lorsque les droites du graphique de profils ne se croisent pas (une condition est toujours supérieure à l’autre). Elle est désordinale (ou disordinale) lorsque les droites se croisent : l’effet du Facteur A s’inverse selon le niveau de B. L’interaction désordinale est la plus intéressante théoriquement, mais aussi la plus complexe à expliquer.

Taille d’effet : l’êta carré partiel

L’êta carré partiel (η²p) mesure la proportion de variance de la variable dépendante expliquée par un effet, en contrôlant les autres effets du modèle. Les balises de Cohen (1988) sont les références standard :

η²p	Interprétation	Contexte en sciences humaines
0,01	Petit	Effet modeste mais détectable avec grand n
0,06	Moyen	Effet clairement observable
0,14	Grand	Effet substantiel, d’intérêt pratique

À retenir : Ne confondez pas significativité statistique et taille d’effet. Un F significatif avec η²p = 0,02 dans un grand échantillon (n = 500) indique un effet réel mais probablement sans portée pratique. Discutez toujours la taille d’effet dans votre section résultats.

Tests post-hoc et comparaisons simples

Lorsqu’un effet principal est significatif et que le facteur comporte plus de deux modalités, vous avez besoin de savoir quelles paires de groupes diffèrent significativement.

Tests post-hoc disponibles dans SPSS

Tukey HSD : le plus utilisé dans les mémoires français ; contrôle bien le risque d’erreur de type I pour des groupes de taille égale
Bonferroni : plus conservateur ; recommandé pour des comparaisons planifiées a priori ou des effectifs inégaux
Scheffé : très conservateur ; adapté quand vous testez toutes les combinaisons possibles
Games-Howell : pour des variances hétérogènes (Levene significatif)

Comparaisons simples (Simple Effects)

En cas d’interaction significative, les tests post-hoc standards ne sont pas adaptés. SPSS permet les comparaisons simples via la syntaxe /EMMEANS TABLES(A*B) COMPARE(A) ADJ(BONFERRONI), ou via l’option Compare main effects dans le menu Options. Ces comparaisons testent l’effet d’un facteur à chaque niveau de l’autre.

Comment rédiger les résultats dans votre mémoire

La rédaction doit suivre le format APA 7 et inclure tous les indicateurs statistiques nécessaires à la reproductibilité.

Modèle de phrase pour un effet principal

Une ANOVA factorielle 2 (Genre : femme/homme) × 3 (Domaine : sciences/lettres/gestion) a été conduite sur le score de satisfaction. L’effet principal du Genre était significatif, F(1, 114) = 12,34, p = .001, η²p = .09, les femmes (M = 3,82, ET = 0,71) obtenant des scores plus élevés que les hommes (M = 3,41, ET = 0,68).

Modèle de phrase pour une interaction significative

L’effet d’interaction Genre × Domaine était significatif, F(2, 114) = 5,22, p = .007, η²p = .08. L’analyse des effets simples indique que la différence de satisfaction entre femmes et hommes était significative dans le domaine Gestion (F(1, 38) = 18,4, p < .001) mais non significative dans les domaines Sciences (p = .31) et Lettres (p = .18). [Renvoyer au Graphique X pour la visualisation des profils.]

Pour des ressources complémentaires sur la rédaction académique, consultez notre guide sur la méthodologie de recherche et notre article sur l’ACP avec SPSS.

Erreurs fréquentes à éviter

Interpréter les effets principaux sans vérifier l’interaction : Si l’interaction est significative, les effets principaux sont conditionnels — les interpréter seuls est une erreur méthodologique grave.
Oublier de rapporter η²p : La significativité statistique seule est insuffisante depuis la révision des normes APA (6ᵉ et 7ᵉ édition).
Confondre design factoriel et design corrélationnel : L’ANOVA factorielle ne prouve pas la causalité si les groupes ne sont pas constitués aléatoirement.
Utiliser des tests post-hoc standards en présence d’une interaction : Les tests de Tukey ou Bonferroni s’appliquent aux effets principaux, pas à une interaction — utilisez les comparaisons simples.
Ne pas vérifier Levene : Si les variances sont hétérogènes et vous l’ignorez, vos p-values sont biaisées.

Gain de temps avec Tesify : Si la partie rédaction de l’analyse statistique vous prend trop de temps, Tesify peut vous aider à structurer et rédiger votre section méthodologie et résultats en respectant les normes APA 7 et les exigences des jurys français.

Questions fréquentes

Combien de participants faut-il minimum pour une ANOVA factorielle ?

La règle pratique est d’avoir au minimum 20 observations par cellule du design. Pour un design 2×3 (6 cellules), cela donne un minimum de 120 participants. En dessous, la puissance statistique est insuffisante pour détecter des effets moyens (η²p ≈ 0,06). Utilisez G*Power pour calculer la taille d’échantillon nécessaire avant la collecte de données et inclure ce calcul dans votre méthodologie.

Peut-on réaliser une ANOVA factorielle avec des groupes d’effectifs très différents ?

Oui, mais avec précautions. SPSS utilise par défaut les sommes des carrés de Type III, adaptées aux designs non-équilibrés. Vérifiez que la différence d’effectifs ne dépasse pas un ratio de 1:4 entre la cellule la plus petite et la plus grande. Des ratios extrêmes compromettent la robustesse du test de Levene et peuvent biaiser les intervalles de confiance.

Quelle est la différence entre ANOVA factorielle et ANOVA à mesures répétées ?

L’ANOVA factorielle (between-subjects) compare des groupes différents de participants pour chaque condition. L’ANOVA à mesures répétées (within-subjects) compare les mêmes participants mesurés à plusieurs reprises. Si votre design inclut les deux types de facteurs (ex. : groupe expérimental/contrôle × temps de mesure pré/post), utilisez l’ANOVA mixte (Analyze → General Linear Model → Repeated Measures dans SPSS).

Comment interpréter un graphique de profils SPSS ?

Le graphique de profils trace les moyennes marginales estimées. Chaque ligne représente un niveau du second facteur. Si les lignes sont parallèles : il n’y a pas d’interaction. Si les lignes convergent, divergent ou se croisent : une interaction est présente. Des lignes qui se croisent (interaction désordinale) indiquent que l’effet du premier facteur s’inverse selon le niveau du second — le résultat le plus intéressant théoriquement.

ANOVA factorielle ou régression multiple : lequel choisir dans mon mémoire ?

Les deux analyses sont mathématiquement équivalentes (le modèle linéaire général). L’ANOVA factorielle est préférable lorsque vos prédicteurs sont catégoriels et que vous souhaitez tester des interactions entre groupes définis. La régression multiple est plus adaptée lorsque vos prédicteurs sont continus ou mixtes. Pour les mémoires en psychologie et sciences de l’éducation, l’ANOVA factorielle est la présentation conventionnellement attendue.

Dois-je inclure le tableau complet de SPSS dans mon mémoire ?

Non. Le tableau brut de SPSS ne doit jamais être copié-collé dans un mémoire académique. Recréez un tableau au format APA 7 ne contenant que les colonnes essentielles (Source, dl, F, Sig., η²p). La sortie SPSS complète peut être placée en annexe avec la mention « disponible sur demande » ou déposée sur un dépôt institutionnel.

mai 12, 2026

Plagiat dans les universités françaises à l’ère de l’IA : statistiques, détection et sanctions 2026

Le plagiat dans les universités françaises n’est pas un phénomène nouveau — mais ChatGPT l’a transformé en profondeur. Avant novembre 2022, plagier nécessitait de copier-coller des sources existantes, détectables par similarité textuelle. En 2026, un étudiant peut soumettre un texte entièrement rédigé par une IA sans aucune correspondance avec des sources connues, rendant les outils anti-plagiat traditionnels partiellement obsolètes. Les statistiques sur le plagiat dans les universités françaises doivent donc être lues à la lumière de cette rupture technologique.

Cette page compile toutes les données disponibles : taux de similitude acceptables par établissement, adoption des logiciels de détection, comportements étudiants déclarés et sanctions encourues. Chaque statistique est sourcée et datée.

Résultat clé : Le taux de similitude acceptable varie de 5 % à 25 % selon les établissements français. Compilatio Magister+ (détection IA) est déployé dans environ 100 établissements depuis 2023. Pourtant, selon une étude britannique 2024, les enseignants ne détectent pas 97 % des textes entièrement générés par IA — rendant la détection humaine quasi inopérante sans outils automatiques.

Taux de similitude acceptables dans les universités françaises

Il n’existe pas de seuil légal national pour le taux de similitude dans les mémoires et thèses en France. Chaque établissement fixe ses propres règles, ce qui produit une grande hétérogénéité.

Taux de similitude acceptables selon le type d’établissement (Sources : Scribbr.fr, Com&Doc, Redaction-memoire.fr)
Type d’établissement	Seuil de tolérance	Exemples
Grandes écoles (élites)	5 % max	HEC, Sciences Po
Universités sélectives (Sorbonne, etc.)	5-15 %	Paris 1 Panthéon-Sorbonne (12 %), Toulouse 1 Capitole (15 %)
Universités standard (majorité)	~ 25 %	La majorité des universités françaises
Thèses de doctorat	0-15 %	Tolérance quasi nulle dans les établissements exigeants

Un point crucial : le taux de similitude mesuré par Compilatio ou Turnitin n’est pas un taux de plagiat. Il s’agit d’un indicateur de correspondances textuelles avec d’autres documents indexés. Une référence bibliographique correctement citée fait monter ce taux. Un texte entièrement généré par IA peut afficher un taux de similitude de 0 % tout en étant une forme de fraude académique selon les règles de l’établissement.

Outils de détection : Compilatio domine en France

Compilatio est le logiciel anti-plagiat le plus utilisé dans les universités françaises. Fondée en 2005, l’entreprise française revendique plus de 1 100 établissements clients dans 45 pays, dont une majorité d’établissements francophones.

Principaux outils de détection de plagiat et IA dans les universités françaises
Outil	Origine	Spécificité	Adoption FR
Compilatio	France	Similarité + détection IA (Magister+)	Leader du marché FR
Turnitin	États-Unis	Similarité + détection IA, base mondiale	Présent dans les grandes universités
Copyleaks	Israël	Détection IA multi-langues	Émergent
Quetext	États-Unis	Plagiat textuel simple	Marginal en FR

Compilatio Magister+ (détection de contenu IA dans les travaux) a été mis en service en septembre 2023 pour les abonnés du supérieur. Fin 2024, environ 100 institutions françaises avaient souscrit à cette offre spécifique de détection IA — les universités pionnières incluant Aix-Marseille, Lyon 3 et la Sorbonne Paris Nord. Compilatio revendique un taux de rappel de 98 % et une exactitude de 99 % pour sa version 4.5.3 (mise en service septembre 2025), en conditions de texte IA non modifié.

Cependant, cette précision chute fortement lorsqu’un texte IA est reformulé, mixé avec de l’écriture humaine ou légèrement retouché — ce que font naturellement les étudiants qui utilisent l’IA de manière assistée plutôt que substitutive.

L’IA générative : une nouvelle forme de plagiat non encore codifiée

La grande rupture de 2023-2026 est l’émergence de l’IA générative comme vecteur de fraude académique. Contrairement au plagiat traditionnel, un texte généré par ChatGPT ou Mistral :

Ne correspond à aucun texte source préexistant dans les bases de données
Peut afficher un taux de similitude Compilatio proche de 0 %
Est difficilement détectable à l’œil nu par un enseignant

Une étude menée en 2024 au Royaume-Uni a glissé des travaux rédigés à 100 % par IA dans les piles de copies à corriger d’enseignants universitaires. Ces enseignants n’ont pas détecté 97 % de ces textes — une donnée qui illustre l’ampleur du problème. Les conséquences pour le système académique français sont considérables.

Selon l’enquête Compilatio (juin-août 2023, 1 242 enseignants et 4 443 étudiants du supérieur) :

55 % des étudiants utilisent une IA générative au moins occasionnellement
26 % déclarent utiliser l’IA « pour faire leur travail à leur place »
76 % des enseignants considèrent l’usage de l’IA générative dans les travaux comme équivalent à de la triche
88 % des enseignants estiment que les étudiants utilisent l’IA pour leurs travaux
Seule 65 % des étudiants eux-mêmes considèrent cet usage comme de la triche

Ce décalage de perceptions entre enseignants et étudiants est au cœur du problème de régulation. Pour une vision complète de l’adoption de l’IA dans les études françaises, voir notre analyse IA dans l’enseignement supérieur France 2026 : 80+ statistiques.

Comportements étudiants déclarés face au plagiat

Les données comportementales sont rares et nécessitent prudence d’interprétation (biais de désirabilité sociale). Voici les chiffres disponibles :

Perceptions et comportements des étudiants face à l’IA et au plagiat (Source : Compilatio, 2023)
Comportement / Perception	% étudiants
Utilisent l’IA générative au moins occasionnellement	55 %
Déclarent utiliser l’IA pour faire leur travail à leur place	26 %
Déclarent avoir amélioré leurs notes grâce à l’IA	47 %
Considèrent l’usage IA dans les devoirs comme équivalent à tricher	65 %
Soutiennent une réglementation de l’usage IA	79 %
S’opposent à une interdiction totale de l’IA	~ 67 %

Sanctions disciplinaires et juridiques en cas de plagiat

Le cadre légal français est clair. En vertu du Code de l’éducation et du Code de la propriété intellectuelle, le plagiat constitue à la fois une faute disciplinaire et potentiellement une infraction civile et pénale.

Échelle des sanctions pour plagiat dans l’enseignement supérieur français (Source : Etudiant.gouv.fr, Code de l’éducation)
Type de sanction	Gravité	Description
Note de 0	Légère	Pour le travail concerné uniquement
Avertissement / Blâme	Modérée	Décision de la section disciplinaire de l’université
Exclusion temporaire	Grave	De l’établissement, pour une durée déterminée
Exclusion définitive de tout établissement	Très grave	Interdiction de passer tout examen pour 5 ans maximum
Sanction civile / pénale	Extrême	Jusqu’à 150 000 € d’amende et 2 ans d’emprisonnement (contrefaçon)

Évolution du plagiat 2022-2026 : l’avant et l’après IA générative

Évolution du paysage du plagiat académique en France (synthèse des sources)
Période	Forme dominante	Outils de détection efficaces
Avant 2022	Copier-coller de sources web	Compilatio, Turnitin (similarité)
2023	Textes IA générés non modifiés	Compilatio Magister+ (nouveauté), fiabilité variable
2024-2025	Textes IA retouchés / mixés	Détection difficile, taux d’erreur élevé
2026	Rédaction assistée multi-outils	Zone grise : aucune technologie fiable à 100 %

Note méthodologique

Sources :

Compilatio / Campus Matin : enquête 1 242 enseignants + 4 443 étudiants (juin-août 2023)
Scribbr.fr : guide sur les taux de plagiat acceptables dans les universités francophones
Etudiant.gouv.fr : cadre légal des sanctions académiques

Foire aux questions

Quel taux de plagiat est acceptable dans un mémoire de master en France ?

Il n’existe pas de seuil national unique. La majorité des universités françaises tolèrent environ 25 % de similitude, mais les grandes écoles et universités sélectives descendent à 5-12 %.

Compilatio peut-il détecter les textes générés par l’IA ?

Compilatio Magister+ est déployé depuis septembre 2023 pour la détection IA, avec une précision revendiquée de 99 % sur les textes IA non modifiés. Mais cette précision chute fortement dès que le texte est retouché ou reformulé.

Quelles sont les sanctions pour plagiat dans une université française ?

Les sanctions vont de la note de 0 à l’exclusion définitive de tout établissement d’enseignement supérieur pour 5 ans. Dans les cas graves, des poursuites civiles ou pénales peuvent aboutir à 150 000 € d’amende et 2 ans d’emprisonnement.

Rédigez votre mémoire sans risque

L’utilisation responsable de l’IA dans un mémoire implique de comprendre les règles de votre établissement et de maintenir votre voix propre dans le travail. Tesify vous guide dans la structuration et la rédaction de votre mémoire tout en vous aidant à rester dans le cadre académique.

mai 8, 2026

Taux de réussite mémoire universités France 2026 : analyse par profil étudiant, discipline et établissement

Que vous vous apprêtiez à entrer en master ou que vous encadriez des étudiants, une question revient sans cesse : quel est le taux de réussite mémoire dans les universités françaises ? La réponse varie considérablement selon votre profil d’entrée, votre discipline, votre âge et le type de baccalauréat que vous avez obtenu. La publication annuelle du SIES (Systèmes d’Information et d’Études Statistiques, MESRI) fournit désormais un éclairage détaillé sur la cohorte 2021, dont les résultats à la session 2024 viennent d’être publiés.

Ces données sont essentielles à deux titres. D’abord, elles permettent aux futurs étudiants de mesurer objectivement leurs chances de valider un diplôme national de master (DNM) dans les temps. Ensuite, elles révèlent des disparités profondes — selon le genre, l’âge, l’origine scolaire — qui interrogent les politiques d’accompagnement des universités françaises. Voici l’analyse complète des taux de réussite mémoire pour 2026, appuyée sur les données officielles les plus récentes.

Résultat clé : Selon les données SIES-MESRI (session 2024, cohorte 2021), 66,5 % des étudiants inscrits en M1 obtiennent leur master en deux ans, et 76 % l’obtiennent en deux ou trois ans. Le taux de réussite des femmes dépasse celui des hommes de 2,4 points (76,9 % vs 74,5 %). Les étudiants entrés à 22 ans ou moins affichent un taux record de 83,1 %.

Chiffres clés nationaux 2024 : ce que disent les données SIES

La publication « Parcours et réussite en master à l’université — résultats de la session 2024 » du MESRI constitue la source de référence pour toute analyse du taux de réussite mémoire en France. Elle porte sur la cohorte d’étudiants inscrits pour la première fois en M1 en 2021, suivis jusqu’en 2024.

Taux de réussite master — cohorte 2021, session 2024 (Source : MESR-SIES)
Indicateur	Taux	Évolution vs cohorte 2019
Réussite en 2 ans (dans les délais)	66,5 %	Hausse
Réussite en 2 ou 3 ans	76 %	Hausse
Réussite femmes (2 ou 3 ans)	76,9 %	+2,4 pts vs hommes
Réussite hommes (2 ou 3 ans)	74,5 %	—

Ces chiffres marquent une amélioration constante par rapport aux cohortes précédentes. La tendance de fond est positive : depuis la mise en place de la sélection en master en 2017, le taux de poursuite des licences générales vers le master a augmenté de 2,5 points sur deux années consécutives, signe d’une meilleure adéquation entre profil d’étudiant et exigences du diplôme.

Il est important de distinguer le « taux de réussite dans les délais » (deux ans, soit M1+M2 sans redoublement) du taux global incluant une troisième année. Un étudiant qui prend trois ans pour valider son master est comptabilisé dans les 76 %, mais pas dans les 66,5 %.

Réussite par genre : les femmes en avance de 2,4 points

Les données SIES confirment une tendance structurelle bien documentée dans l’enseignement supérieur français : les femmes réussissent mieux que les hommes en master. Pour la cohorte 2021, le taux de réussite en deux ou trois ans s’établit à 76,9 % pour les femmes, contre 74,5 % pour les hommes — un écart de 2,4 points.

Cet écart est cohérent avec les données du Baromètre national de la santé mentale des étudiants (IÉSEG/Ipsos BVA, 2025), qui montre paradoxalement que les femmes sont aussi les plus exposées à la détresse psychologique (60 % vs 53 % pour les hommes qui se disent en bonne santé mentale), suggérant que la résilience académique coexiste avec une charge émotionnelle plus lourde. Pour approfondir ce point, consultez notre analyse sur la santé mentale des étudiants et le mémoire.

Impact de l’âge d’entrée en M1 : un facteur déterminant

L’âge auquel un étudiant s’inscrit en première année de master est l’un des prédicteurs les plus fiables de sa réussite. Les données de la cohorte 2021 le confirment avec une netteté frappante.

Taux de réussite master selon l’âge d’entrée en M1 — cohorte 2021 (Source : MESR-SIES, 2024)
Âge à l’entrée en M1	Taux de réussite (2 ou 3 ans)
22 ans ou moins	83,1 %
23 ans	75,8 %
24 ans et plus	59,6 %

L’écart entre les étudiants de 22 ans ou moins et ceux de 24 ans et plus est considérable : 23,5 points. Cette différence s’explique par plusieurs facteurs cumulatifs. Les étudiants plus âgés ont souvent des contraintes professionnelles ou familiales plus importantes. Ils peuvent aussi avoir interrompu leurs études, ce qui complexifie la reprise du rythme académique. Enfin, les ruptures de parcours antérieures sont un facteur indépendant de risque d’abandon ou de prolongation.

Pour les étudiants ayant un parcours atypique, la rédaction du mémoire représente souvent l’obstacle le plus difficile. Des outils d’assistance comme Tesify permettent de structurer et d’accélérer cette phase critique, indépendamment du profil d’âge.

Réussite selon le type de baccalauréat

Le type de baccalauréat obtenu plusieurs années avant l’entrée en master conserve une influence statistiquement significative sur la réussite.

Taux de réussite master selon le baccalauréat d’origine — cohorte 2021 (Source : MESR-SIES, 2024)
Type de baccalauréat	Réussite en 2 ans	Réussite en 2 ou 3 ans
Baccalauréat général	70,0 %	80,0 %
Baccalauréat technologique	63,7 %	71,8 %
Baccalauréat professionnel	57,8 %	66,0 %

Les titulaires d’un baccalauréat général ont un avantage de 14 points sur ceux d’un baccalauréat professionnel pour la réussite en deux ans. Cet écart diminue légèrement en intégrant la troisième année (14 points à 8 points en tendance), ce qui suggère que les étudiants de bac pro mettent davantage de temps mais finissent par valider leur diplôme à un taux pas si éloigné lorsqu’on leur accorde plus de temps.

Cette nuance est importante : comparer uniquement les taux à deux ans reviendrait à pénaliser artificiellement les parcours atypiques. Les universités qui proposent des dispositifs de soutien méthodologique (ateliers de rédaction, suivi rapproché de directeur de mémoire) voient ces écarts se réduire significativement.

Disparités par discipline : droit, psychologie, STAPS en tête

Les variations par discipline sont substantielles. Quelques exemples issus des publications SIES et de l’analyse Diplomeo (2024) :

Droit / Sciences politiques : 77 % de réussite (données 2022, stabilité confirmée)
Psychologie : plus de 80 % des étudiants diplômés en deux ou trois ans
STAPS : progression de +2,5 points sur la dernière cohorte
Arts, lettres, langues et SHS : taux moyen national de 57,8 % — le plus bas parmi les grandes familles disciplinaires

La discipline Arts-Lettres-SHS présente un taux particulièrement bas, en partie lié à la nature des mémoires (recherche qualitative, corpus bibliographiques étendus, absence de résultat « binaire ») et aux ressources méthodologiques moins standardisées que dans les sciences dures. Pour ces étudiants, une structuration rigoureuse de la rédaction est décisive — ce que propose notre guide complet de rédaction de mémoire 2026.

L’université Le Mans affiche 39 % de réussite en master dans cette filière, tandis que l’Université Toulouse 1 Capitole dépasse les 80 %. Ces écarts inter-établissements reflètent à la fois des différences de recrutement, de sélection à l’entrée et de dispositifs d’accompagnement.

Tendances 2022-2026 : une progression continue mais fragile

Évolution du taux de réussite master en France (Source : MESR-SIES, séries chronologiques)
Cohorte d’entrée	Session évaluée	Taux réussite 2 ans	Taux réussite 2-3 ans
2019	2022	~64 %	~74 %
2020	2023	~65 %	~75 %
2021	2024	66,5 %	76 %

La tendance est positive sur l’ensemble des cohortes suivies. La progression de deux points environ par cohorte indique que les réformes mises en place (sélection à l’entrée en master depuis 2017, développement des parcours aménagés, soutien méthodologique) portent leurs fruits.

Cependant, plusieurs facteurs pourraient perturber cette trajectoire dans les années à venir : la montée en puissance de l’IA générative (qui modifie les modes de rédaction et de contrôle de l’originalité), la pression croissante sur la santé mentale des étudiants (voir nos statistiques IA dans l’enseignement supérieur 2026), et les contraintes budgétaires pesant sur l’encadrement académique.

Note méthodologique

Sources : Les données présentées proviennent principalement de :

MESR-SIES, « Parcours et réussite en master à l’université — session 2024 » (Note Flash n°32, décembre 2024)
Publication EESR — « Les parcours et la réussite en Licence, Licence professionnelle et Master à l’université »
Analyse Diplomeo sur les taux de réussite master session 2024
Classement L’Étudiant des masters 2026 (méthodologie SIES)

Limites : Les taux par établissement sont issus de datasets Excel téléchargeables non agrégés dans les textes officiels. Les données 2025-2026 ne seront publiées qu’à l’automne 2026 pour la cohorte 2022. Les comparaisons inter-disciplines sont à interpréter avec prudence en raison des modes de sélection différenciés.

Année de référence : Cohorte 2021, session 2024. Données les plus récentes disponibles à la date de publication (mai 2026).

IA et réussite au mémoire : un levier croissant

L’émergence des outils d’IA constitue un nouveau facteur dans l’équation de la réussite. Selon l’enquête Léonard de Vinci x Talan, 86 % des étudiants français utilisent l’IA dans le cadre de leurs études, dont 65 % pour améliorer leur productivité. Ces outils permettent notamment d’accélérer la revue de littérature, de structurer la problématique et de gagner un temps précieux sur la rédaction des sections méthodologiques.

Des plateformes comme Tesify sont spécifiquement conçues pour accompagner les étudiants dans la rédaction de leur mémoire avec l’IA, tout en restant conformes aux exigences académiques françaises. Cette assistance peut représenter un facteur différenciant particulièrement important pour les profils à risque (bac professionnel, entrée tardive en M1, étudiants salariés).

Pour en savoir plus sur l’utilisation de l’IA dans les travaux académiques, consultez notre analyse IA dans l’enseignement supérieur : 60+ statistiques 2026.

Foire aux questions

Quel est le taux de réussite moyen en master en France en 2026 ?

Selon les dernières données SIES-MESRI (cohorte 2021, session 2024), 66,5 % des étudiants obtiennent leur master en deux ans et 76 % en deux ou trois ans. Ces chiffres sont en hausse par rapport aux cohortes précédentes.

Les femmes réussissent-elles mieux leur mémoire que les hommes ?

Oui. Le taux de réussite en deux ou trois ans est de 76,9 % pour les femmes contre 74,5 % pour les hommes, soit un écart de 2,4 points en faveur des femmes, selon les données SIES 2024.

Quelle discipline a le taux de réussite master le plus élevé en France ?

La psychologie affiche plus de 80 % de réussite en deux ou trois ans. Le droit et les sciences politiques atteignent 77 %. À l’inverse, les arts, lettres, langues et SHS présentent le taux moyen le plus bas, autour de 57,8 %.

L’âge d’entrée en master influence-t-il vraiment la réussite ?

Oui, de manière très significative. Les étudiants entrant à 22 ans ou moins affichent un taux de 83,1 %, contre 59,6 % pour ceux entrant à 24 ans ou plus — un écart de 23,5 points selon les données SIES 2024.

Quelle est la différence de réussite entre bac général et bac professionnel en master ?

En deux ans, les titulaires d’un bac général réussissent à 70 %, contre 57,8 % pour ceux d’un bac professionnel, soit 12,2 points d’écart. En incluant la troisième année, l’écart se réduit à 14 points (80 % vs 66 %).

Comment améliorer ses chances de réussir son mémoire dans les délais ?

Les facteurs protecteurs identifiés dans les données SIES incluent : entrer en master sans retard, bénéficier d’un encadrement régulier du directeur de mémoire, et structurer la rédaction très tôt dans l’année de M2. L’utilisation d’outils d’IA académiques peut également accélérer les phases de recherche documentaire et de rédaction.

Mettez toutes les chances de votre côté

Ces statistiques montrent clairement que le profil d’entrée joue un rôle important — mais il ne fait pas tout. L’accompagnement méthodologique et la qualité de la rédaction sont des leviers actionnables. Tesify vous aide à structurer, rédiger et réviser votre mémoire avec l’IA, en respectant les exigences académiques françaises.

mai 6, 2026