Votre questionnaire produit trois scores : engagement, épuisement, satisfaction. Vous comparez deux groupes. Vous vous apprêtez à lancer trois tests, et votre directeur prononce le mot : « ce serait plutôt une MANOVA ».
Vous notez, et vous rentrez chez vous avec une question à laquelle aucun manuel ne répond en une page : qu’est-ce que ce modèle apporte, et est-ce que votre situation le justifie ?
La réponse courte
Une MANOVA se justifie quand vos variables dépendantes forment un ensemble conceptuel, sont modérément corrélées, et que votre hypothèse porte sur cet ensemble.
Si vos trois mesures sont conceptuellement indépendantes — un score, un délai, un nombre —, trois analyses séparées, annoncées à l’avance dans la méthodologie, sont plus lisibles et parfaitement défendables. La MANOVA n’est pas une version supérieure de l’ANOVA ; c’est une réponse à une question différente.
L’argument que tout le monde donne, et qui ne suffit pas
La justification qu’on entend systématiquement est celle de l’inflation du risque : trois tests à 5 % ne font pas un test à 5 %. C’est exact, c’est traité en détail dans notre article sur le seuil de signification et la p-value, et ce n’est pas la bonne raison de choisir une MANOVA — parce qu’une simple correction du seuil réglerait le problème sans changer de modèle.
La vraie raison est ailleurs, et elle est plus intéressante.
Ce que la MANOVA teste réellement
Le modèle ne teste pas vos trois variables l’une après l’autre. Il construit une combinaison linéaire de vos variables dépendantes — une variable synthétique optimisée pour séparer au mieux les groupes — puis teste si les groupes diffèrent sur cette combinaison.
La conséquence est contre-intuitive et c’est tout l’intérêt de la méthode : deux groupes peuvent ne différer significativement sur aucune variable prise isolément, et différer nettement sur leur combinaison.
Concrètement : un groupe peut se caractériser non par un engagement plus élevé ni par un épuisement plus faible, mais par une configuration particulière des deux. C’est un résultat que trois ANOVA séparées ne peuvent structurellement pas produire.
L’inverse est vrai aussi, et il faut le savoir avant de se lancer : si vos variables dépendantes sont très fortement corrélées, elles portent la même information et la MANOVA n’ajoute rien — mieux vaut alors les agréger en un score unique après avoir vérifié sa cohérence par un alpha de Cronbach.
Les trois conditions du choix
- Cohérence conceptuelle. Vos variables dépendantes doivent relever du même champ théorique. Mettre ensemble un score de bien-être et un nombre d’absences produit une combinaison linéaire que personne ne saura interpréter.
- Corrélation modérée. L’intervalle utile se situe grossièrement entre 0,2 et 0,7. En dessous, la MANOVA perd de la puissance par rapport à des analyses séparées ; au-dessus, vos variables sont redondantes. Vérifiez la matrice avec nos corrélations de Pearson et de Spearman avant de décider.
- Une hypothèse sur l’ensemble. « Les deux groupes se distinguent-ils par leur profil sur ces trois dimensions ? » appelle une MANOVA. « L’épuisement est-il plus élevé dans le groupe A ? » n’en appelle pas.
Si vos dimensions viennent d’une analyse factorielle exploratoire, un point de vigilance : des scores factoriels issus d’une rotation orthogonale sont par construction peu corrélés, ce qui affaiblit précisément l’argument de la MANOVA.
La procédure sous SPSS
Analyse → Modèle linéaire général → Multivarié. Placez vos variables dépendantes dans la première boîte, votre facteur en facteur fixe. Dans Options, cochez les statistiques descriptives, les estimations de la taille d’effet et les tests d’homogénéité.
La sortie centrale s’appelle Tests multivariés et présente quatre statistiques : trace de Pillai, lambda de Wilks, trace de Hotelling et plus grande racine de Roy. Elles répondent à la même question par des chemins différents.
- Le lambda de Wilks est le plus souvent rapporté, par convention.
- La trace de Pillai est la plus robuste aux violations d’hypothèses et aux groupes de tailles inégales. C’est celle à privilégier dans un mémoire dès que vos effectifs sont déséquilibrés — en disant pourquoi.
Avec deux groupes seulement, les quatre statistiques donnent exactement le même p ; le choix ne se pose vraiment qu’à partir de trois groupes.
Les conditions à vérifier
Le test M de Box évalue l’égalité des matrices de covariance entre groupes. Il apparaît dès que vous cochez les tests d’homogénéité, et il est extrêmement sensible : sur un grand échantillon ou avec une légère non-normalité, il devient significatif pour un écart trivial. La pratique courante consiste à l’évaluer à un seuil très strict, de l’ordre de 0,001, et à rapporter la trace de Pillai s’il est franchi alors que les effectifs sont comparables.
Les valeurs atypiques multivariées sont l’autre point sensible. Un participant peut être parfaitement banal sur chacune de vos variables et complètement atypique dans leur combinaison — engagement très haut avec épuisement très haut, par exemple. La distance de Mahalanobis, calculable en enregistrant les distances dans le menu de régression, est l’outil standard pour les repérer.
L’indépendance des observations reste, ici comme ailleurs, la condition la plus discrète : si vos participants sont imbriqués dans des classes ou des services, aucune statistique multivariée ne le corrigera. Voyez notre article sur les données groupées.
Le piège de la descente
Votre MANOVA est significative. Le réflexe universel consiste à enchaîner trois ANOVA univariées pour voir « d’où ça vient ».
Le problème est logique : vous avez choisi la MANOVA pour éviter de multiplier les tests, et vous multipliez les tests immédiatement après. La protection que le test multivarié était censé fournir ne s’étend pas automatiquement aux analyses de suivi.
Deux voies cohérentes.
La voie simple : conduisez les analyses univariées, mais appliquez une correction explicite du seuil et annoncez-la dans la méthodologie. C’est acceptable, et c’est honnête.
La voie cohérente : passez à une analyse discriminante (Analyse → Classification → Analyse discriminante). C’est le prolongement naturel de la MANOVA : au lieu de redescendre variable par variable, elle décrit la combinaison qui sépare les groupes, en indiquant le poids de chaque variable dans cette séparation. Vous restez au niveau où la question a été posée. Le rapprochement avec les démarches de typologie n’est pas fortuit : dans les deux cas, l’objet est un profil, pas une variable isolée.
Et si vous avez aussi une covariable ?
Le modèle s’appelle alors MANCOVA, et il se déclare dans la même boîte de dialogue en ajoutant la covariable. Le cas typique est un plan avant-après sur plusieurs dimensions : les scores initiaux entrent en covariables, les scores finaux en variables dépendantes. La logique de l’ajustement est celle décrite dans notre article sur l’ANCOVA en plan pré-test / post-test, transposée à plusieurs mesures simultanées — avec la même condition d’homogénéité des pentes, à vérifier pour chaque variable dépendante.
Rédiger le résultat
MANOVA significative : « Une analyse multivariée de la variance a été conduite sur les trois dimensions du questionnaire, dont les corrélations bivariées s’échelonnent de 0,31 à 0,58. Le test M de Box est non significatif (p = 0,214) et les effectifs sont comparables. L’effet du groupe sur l’ensemble des trois dimensions est significatif, trace de Pillai = 0,14, F(3, 182) = 9,87, p < 0,001, η²p = 0,14. »
Décision de ne pas faire de MANOVA : « Les trois variables dépendantes relevant de construits distincts et faiblement corrélées entre elles (r maximal = 0,17), une approche multivariée n’a pas été retenue. Trois analyses univariées, annoncées a priori, ont été conduites avec un seuil ajusté pour tenir compte de leur nombre. »
La seconde phrase vaut la première : refuser une méthode avec un argument chiffré est un résultat méthodologique, pas un aveu.
Les erreurs qui coûtent cher
- Empiler les variables dépendantes pour « voir ce qui sort ». Chaque variable ajoutée coûte de la puissance ; une MANOVA à sept variables dépendantes sur 90 participants ne détectera rien.
- Rapporter les quatre statistiques multivariées. Choisissez-en une, justifiez-la, tenez-vous-y.
- Conclure de la MANOVA à chaque variable. Un effet multivarié significatif ne signifie pas que chaque dimension diffère.
- Ignorer le sens de la combinaison. Si vous ne pouvez pas dire ce que la combinaison représente, votre résultat n’est pas interprétable.
- Confondre plusieurs variables dépendantes et plusieurs facteurs. Deux facteurs croisés avec une seule variable dépendante relèvent de l’ANOVA factorielle, pas de la MANOVA.
- Se tromper de famille de modèle. Si l’une de vos variables dépendantes est binaire, ordinale ou un comptage, elle n’a pas sa place dans une MANOVA : notre annuaire de l’analyse selon le type de variable dépendante permet de vérifier ce point avant de construire le modèle.
Écrire le chapitre qui va avec, sans y passer trois semaines
La MANOVA est un cas où l’analyse est courte et la rédaction longue. Il faut justifier le choix du modèle avant les résultats, expliquer ce que teste une combinaison linéaire à un lecteur qui ne le sait pas, choisir et défendre une statistique multivariée, décider de la stratégie de suivi et s’y tenir, puis interpréter un profil plutôt qu’une variable — le tout en gardant les mêmes termes du chapitre méthode à la discussion.
Tesify travaille avec vous exactement sur ce passage. L’outil structure le chapitre à partir de vos propres décisions d’analyse, tient une terminologie constante d’un bout à l’autre du mémoire, et rédige avec vous les paragraphes de justification qui font la différence à la lecture du jury. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.
Rédiger votre chapitre résultats avec Tesify
Questions fréquentes
Combien de participants faut-il pour une MANOVA ?
La contrainte absolue est qu’il faut, dans le plus petit groupe, davantage de participants que de variables dépendantes — faute de quoi le modèle n’est pas estimable. C’est un plancher technique, pas une recommandation : en pratique il faut nettement plus pour une puissance raisonnable, et chaque variable dépendante ajoutée renchérit l’exigence. Traitez la question au moment du calcul d’effectif, pas après la collecte.
Peut-on faire une MANOVA avec deux groupes seulement ?
Oui. Les quatre statistiques multivariées coïncident alors, et le test équivaut au T² de Hotelling, la généralisation multivariée du test t. La procédure SPSS est la même.
La MANOVA remplace-t-elle une correction de seuil ?
Non, et c’est le malentendu le plus répandu. Elle protège le test global, pas les analyses de suivi. Si vous redescendez vers des ANOVA univariées, la question du seuil se repose intégralement.
Mon test de Box est significatif : dois-je abandonner ?
Pas nécessairement. Ce test est très sensible à l’effectif et à la non-normalité, ce qui explique qu’on l’évalue usuellement à un seuil très strict. Avec des groupes de tailles comparables, un résultat significatif reste tolérable si vous rapportez la trace de Pillai et si vous mentionnez la limite. Avec des groupes très déséquilibrés, la prudence s’impose davantage.
Puis-je faire une MANOVA sur des mesures répétées ?
Il faut distinguer deux situations que le vocabulaire confond. Mesurer trois variables différentes sur les mêmes personnes relève bien de la MANOVA. Mesurer la même variable à trois moments relève d’un plan intra-sujets, avec ses conditions propres. Si vous avez les deux à la fois, le plan devient un modèle multivarié à mesures répétées, et il faut l’annoncer comme tel.