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.
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.
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)
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
- Analyze → Compare Means → Independent-Samples T Test
- Glissez la variable dépendante dans Test Variable(s)
- Glissez la variable de groupe dans Grouping Variable
- Cliquez Define Groups et saisissez les codes des deux groupes (ex. : 1 et 2)
- Cochez Confidence interval percentage : 95%
- 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
- Analyze → Nonparametric Tests → Legacy Dialogs → 2 Independent Samples
- Glissez la variable dépendante dans Test Variable List
- Glissez la variable de groupe dans Grouping Variable, puis Define Groups
- Cochez Mann-Whitney U dans Test Type
- 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.
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.
Leave a Reply