tesifyFrance
Commencer gratuitement
Comment ça marcheBlogAideContactSe connecter

Étiquette : VIF

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

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

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

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

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

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

    À quoi sert exactement une régression linéaire multiple

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

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

    Trois conditions de cadrage, avant même les hypothèses statistiques :

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

    La procédure sous SPSS, étape par étape

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

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

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

    Lire les trois chiffres qui comptent

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

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

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

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

    Les cinq hypothèses, et le plan de repli de chacune

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

    1. Linéarité de la relation

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

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

    2. Indépendance des résidus

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

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

    3. Homoscédasticité (variance constante des résidus)

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

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

    4. Normalité des résidus

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

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

    5. Absence de multicolinéarité

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

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

    Et les valeurs influentes

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

    Rédiger les résultats dans le mémoire

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

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

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

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

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

    Les erreurs qui reviennent le plus souvent

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

    Écrire tout cela proprement, sans y passer trois semaines

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

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

    Commencer la rédaction de votre mémoire avec Tesify

    Questions fréquentes

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

    Ce que c’est réellement

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

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

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

    Les trois symptômes qui doivent vous alerter

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

    Le diagnostic : VIF et tolérance

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

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

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

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

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

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

    Un réflexe qui ne suffit pas : la matrice de corrélations

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

    Quand la multicolinéarité ne pose aucun problème

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

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

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

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

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

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

    1. Retirer l’un des deux prédicteurs redondants

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

    2. Combiner les prédicteurs en un score composite

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

    3. Passer par une réduction de dimensions

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

    4. Assumer et documenter

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

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

    Ce que vous écrivez dans le mémoire

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

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

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

    Rédiger cette justification sans y perdre une semaine

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

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

    Rédiger votre chapitre méthodologie avec Tesify

    Questions fréquentes

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

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

    La multicolinéarité fausse-t-elle mon R² ?

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

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

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

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

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

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

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

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

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

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

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

    Le tableau des cinq seuils

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

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

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

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

    0,80 — une puissance qui encode un arbitrage

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

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

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

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

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

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

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

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

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

    VIF < 10, ou VIF < 5 ?

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

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

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

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

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

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

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

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

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

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

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

    Trois règles à appliquer dans votre mémoire

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

    Deux phrases modèles

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

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

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

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

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

    Écrire une méthodologie qui justifie ses critères

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

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

    Rédiger votre méthodologie avec Tesify

    Questions fréquentes

    Le seuil de 0,05 est-il obligatoire ?

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

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

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

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

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

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

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

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

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