{"id":1073,"date":"2026-10-14T18:00:37","date_gmt":"2026-10-14T18:00:37","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-une-anova-a-un-facteur-dans-spss\/"},"modified":"2026-10-14T18:00:37","modified_gmt":"2026-10-14T18:00:37","slug":"comment-realiser-une-anova-a-un-facteur-dans-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-une-anova-a-un-facteur-dans-spss","title":{"rendered":"Comment r\u00e9aliser une ANOVA \u00e0 un facteur dans SPSS"},"content":{"rendered":"

L’analyse de variance univari\u00e9e \u00e0 un facteur, universellement d\u00e9sign\u00e9e sous l’acronyme anglophone One-Way ANOVA<\/em>, constitue l’un des piliers m\u00e9thodologiques les plus fondamentaux et les plus fr\u00e9quemment mobilis\u00e9s au sein de la recherche quantitative contemporaine, particuli\u00e8rement en psychologie, en neurosciences cognitives et dans l’ensemble des sciences sociales. \u00c9labor\u00e9e initialement par le statisticien et g\u00e9n\u00e9ticien britannique Ronald A. Fisher<\/a> au d\u00e9but du XXe si\u00e8cle, cette approche inf\u00e9rentielle permet d’\u00e9prouver l’hypoth\u00e8se d’une \u00e9galit\u00e9 des moyennes entre au moins trois groupes ind\u00e9pendants soumis \u00e0 des conditions exp\u00e9rimentales distinctes ou issus de populations naturelles diff\u00e9rentes. Face \u00e0 la complexit\u00e9 croissante des protocoles exp\u00e9rimentaux, le recours aux logiciels de traitement statistique sp\u00e9cialis\u00e9s s’av\u00e8re indispensable, et la suite logicielle IBM SPSS Statistics<\/a> s’est durablement impos\u00e9e comme le standard d’analyse acad\u00e9mique gr\u00e2ce \u00e0 son ergonomie \u00e9prouv\u00e9e et \u00e0 la richesse de ses modules analytiques.<\/p>\n

N\u00e9anmoins, la mise en \u0153uvre rigoureuse d’une ANOVA \u00e0 un facteur au sein de SPSS ne saurait se r\u00e9sumer \u00e0 une simple s\u00e9quence de clics automatis\u00e9s sur une interface graphique. Une utilisation scientifiquement valide requiert une compr\u00e9hension conceptuelle approfondie des fondements math\u00e9matiques sous-jacents, une v\u00e9rification scrupuleuse des postulats distributionnels pr\u00e9alables, ainsi qu’une ma\u00eetrise \u00e9clair\u00e9e des choix d’ajustements post-hoc face aux \u00e9ventuelles violations des conditions d’application. De surcro\u00eet, les \u00e9volutions r\u00e9centes des exigences \u00e9ditoriales internationales, incarn\u00e9es par les standards de l’American Psychological Association (APA)<\/a>, imposent d\u00e9sormais aux chercheurs de compl\u00e9ter syst\u00e9matiquement la signification statistique par le calcul pr\u00e9cis de la taille de l’effet et par une transparence totale sur la gestion des observations atypiques.<\/p>\n

Ce guide exhaustif a \u00e9t\u00e9 con\u00e7u pour accompagner les chercheurs, enseignants-chercheurs, doctorants et \u00e9tudiants avanc\u00e9s dans l’apprentissage m\u00e9thodique, \u00e9tape par \u00e9tape, de l’ANOVA \u00e0 un facteur sous IBM SPSS Statistics. De la d\u00e9composition math\u00e9matique du ratio de Fisher jusqu’aux formulations normatives de la septi\u00e8me \u00e9dition du manuel de l’APA, en passant par la structuration des matrices de donn\u00e9es, le diagnostic empirique de la normalit\u00e9 et de l’homosc\u00e9dasticit\u00e9, la comparaison entre les modules ONEWAY et GLM, et le calcul des estimateurs non biais\u00e9s de la variance expliqu\u00e9e, cet article offre une r\u00e9f\u00e9rence th\u00e9orique et proc\u00e9durale int\u00e9grale pour s\u00e9curiser vos inf\u00e9rences statistiques et garantir l’excellence m\u00e9thodologique de vos publications scientifiques.<\/p>\n

1. Introduction th\u00e9orique \u00e0 l’ANOVA \u00e0 un facteur en psychologie<\/h2>\n

1.1 Fondements conceptuels et math\u00e9matiques du test F de Fisher<\/h3>\n

L’analyse de variance repose sur un principe math\u00e9matique \u00e9l\u00e9gant : tester l’\u00e9galit\u00e9 de plusieurs moyennes non pas en examinant directement les \u00e9carts entre ces moyennes brutes, mais en d\u00e9composant la variabilit\u00e9 totale observ\u00e9e au sein d’un \u00e9chantillon en deux sources ind\u00e9pendantes de variation. Dans un devis univari\u00e9 comportant un \u00e9chantillon total de taille $N$<\/span> subdivis\u00e9 en $k$<\/span> groupes ind\u00e9pendants de taille $n_j$<\/span>, la variabilit\u00e9 totale d’un score individuel autour de la moyenne g\u00e9n\u00e9rale (le grand \u00e9cart) peut \u00eatre rigoureusement partitionn\u00e9e. La somme des carr\u00e9s totale ($SS_{totale}$<\/span>) correspond \u00e0 la somme des carr\u00e9s intergroupes ($SS_{inter}$<\/span> ou somme des carr\u00e9s du traitement) et de la somme des carr\u00e9s intragroupes ($SS_{intra}$<\/span> ou somme des carr\u00e9s de l’erreur r\u00e9siduelle). La premi\u00e8re refl\u00e8te les fluctuations attribuables aux diff\u00e9rences syst\u00e9matiques entre les conditions exp\u00e9rimentales combin\u00e9es aux fluctuations al\u00e9atoires de l’\u00e9chantillonnage, tandis que la seconde capture l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 intrins\u00e8que des individus au sein de chaque condition, constituant ainsi le bruit de fond non expliqu\u00e9 par le facteur \u00e9tudi\u00e9.<\/p>\n

Le test statistique central repose sur le calcul du ratio $F$<\/span> de Fisher-Snedecor. Ce ratio est d\u00e9fini comme le quotient de deux variances estim\u00e9es, appel\u00e9es carr\u00e9s moyens ($MS$<\/span> pour Mean Squares<\/em>). Le carr\u00e9 moyen intergroupe ($MS_{inter}$<\/span>) est obtenu en divisant $SS_{inter}$<\/span> par ses degr\u00e9s de libert\u00e9 associ\u00e9s ($k – 1$<\/span>), tandis que le carr\u00e9 moyen intragroupe ($MS_{intra}$<\/span>) s’obtient en divisant $SS_{intra}$<\/span> par ses degr\u00e9s de libert\u00e9 r\u00e9siduels ($N – k$<\/span>). Math\u00e9matiquement, la statistique de test s’exprime sous la forme :<\/p>\n

$$F = \\frac{MS_{inter}}{MS_{intra}} = \\frac{SS_{inter} \/ (k – 1)}{SS_{intra} \/ (N – k)}$$<\/span><\/p>\n

Ce ratio compare directement la variance observ\u00e9e entre les groupes \u00e0 la variance observ\u00e9e au sein des groupes. Si l’hypoth\u00e8se nulle ($H_0$<\/span>) est vraie, ce qui signifie que l’ensemble des populations partagent rigoureusement la m\u00eame moyenne ($\\mu_1 = \\mu_2 = dots = \\mu_k$<\/span>), $MS_{inter}$<\/span> et $MS_{intra}$<\/span> constituent deux estimateurs non biais\u00e9s de la m\u00eame variance populationnelle r\u00e9siduelle ($\\sigma^2$<\/span>), et la valeur th\u00e9orique attendue du ratio $F$<\/span> oscille autour de 1. \u00c0 l’inverse, si l’hypoth\u00e8se alternative ($H_1$<\/span>) s’applique, stipulant qu’au moins une moyenne populationnelle diff\u00e8re d’au moins une autre (ce qui s’\u00e9crit formellement $\\exists (i, j) \\text{ tel que } \\mu_i \\neq \\mu_j$<\/span>), le num\u00e9rateur capture l’effet sp\u00e9cifique du facteur exp\u00e9rimental en plus de l’erreur d’\u00e9chantillonnage, provoquant une \u00e9l\u00e9vation significative de la valeur de $F$<\/span> bien au-del\u00e0 de 1.<\/p>\n

La formulation des hypoth\u00e8ses statistiques ob\u00e9it \u00e0 une rigueur formelle absolue. L’hypoth\u00e8se nulle ne postule pas simplement une absence de r\u00e9sultat saillant, mais une identit\u00e9 parfaite des distributions conditionnelles sous l’angle de leur tendance centrale. L’int\u00e9r\u00eat m\u00e9thodologique capital de l’ANOVA r\u00e9side dans sa capacit\u00e9 \u00e0 juguler l’inflation exponentielle du risque d’erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>), traditionnellement fix\u00e9 \u00e0 5 % ($\\alpha = 0{,}05$<\/span>). Si un chercheur souhaitait comparer quatre groupes ind\u00e9pendants sans recourir \u00e0 l’ANOVA, il devrait ex\u00e9cuter six tests $t$<\/span> de Student pour \u00e9chantillons ind\u00e9pendants distincts. Or, la probabilit\u00e9 cumul\u00e9e de commettre au moins une erreur de type I (rejeter \u00e0 tort l’hypoth\u00e8se nulle alors qu’elle est vraie) lors de $m$<\/span> tests ind\u00e9pendants est calcul\u00e9e par la formule :<\/p>\n

$$\\alpha_{global} = 1 – (1 – \\alpha_{individuel})^m$$<\/span><\/p>\n

Dans cette configuration \u00e0 six comparaisons, le taux d’erreur global r\u00e9el s’\u00e9l\u00e8verait \u00e0 $1 – (0{,}95)^6 \\approx 0{,}2649$<\/span>, soit plus de 26,5 %. Une telle inflation ruinerait la validit\u00e9 des conclusions scientifiques. L’ANOVA r\u00e9sout magistralement cette impasse en proposant un test omnibus unique qui \u00e9value simultan\u00e9ment la dispersion de l’ensemble des moyennes tout en maintenant le taux nominal d’erreur de premi\u00e8re esp\u00e8ce strictement born\u00e9 au seuil pr\u00e9d\u00e9termin\u00e9 de 5 %.<\/p>\n

\"\"<\/figure>\n

1.2 Distinction entre ANOVA univari\u00e9e simple et autres devis factoriels<\/h3>\n

Pour positionner ad\u00e9quatement l’ANOVA \u00e0 un facteur dans le paysage m\u00e9thodologique, il est crucial d’en clarifier les fronti\u00e8res architecturales vis-\u00e0-vis des devis factoriels plus complexes. Une ANOVA univari\u00e9e simple met en relation une unique variable d\u00e9pendante quantitative continue avec une seule variable ind\u00e9pendante cat\u00e9gorielle, que cette derni\u00e8re comporte trois, quatre ou davantage de modalit\u00e9s discr\u00e8tes. D\u00e8s lors qu’un chercheur introduit une deuxi\u00e8me variable ind\u00e9pendante cat\u00e9gorielle \u2014 par exemple en \u00e9tudiant simultan\u00e9ment l’effet du type d’intervention th\u00e9rapeutique (trois modalit\u00e9s) et du sexe biologique des participants (deux modalit\u00e9s) \u2014, le protocole bascule vers une ANOVA factorielle \u00e0 deux facteurs (plan $3 \\times 2$<\/span>). Cette extension factorielle ne se contente pas d’additionner deux analyses \u00e0 un facteur ; elle permet d’estimer les effets principaux de chaque facteur tout en testant formellement l’existence d’un effet d’interaction, c’est-\u00e0-dire une situation o\u00f9 l’impact d’une premi\u00e8re variable ind\u00e9pendante varie selon le niveau de la seconde.<\/p>\n

Une seconde fronti\u00e8re structurelle majeure s\u00e9pare l’ANOVA pour groupes ind\u00e9pendants (ou intersujets) de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es (ou intrasujets). Dans le plan \u00e0 un facteur inter-sujets, chaque participant n’est assign\u00e9 qu’\u00e0 une seule et unique condition exp\u00e9rimentale, garantissant l’ind\u00e9pendance mutuelle des observations. \u00c0 l’oppos\u00e9, si les m\u00eames sujets sont \u00e9valu\u00e9s de mani\u00e8re longitudinale ou soumis successivement \u00e0 l’ensemble des conditions exp\u00e9rimentales (comme dans un protocole pr\u00e9-test, post-test imm\u00e9diat et post-test diff\u00e9r\u00e9 \u00e0 six mois), la d\u00e9pendance s\u00e9rielle des mesures requiert l’isolement de la variance interindividuelle stable. Cette situation exige le recours \u00e0 l’ANOVA pour mesures r\u00e9p\u00e9t\u00e9es, assortie de l’\u00e9valuation sp\u00e9cifique du postulat de sph\u00e9ricit\u00e9 via le test de Mauchly.<\/p>\n

Enfin, il convient de distinguer l’approche univari\u00e9e de la mod\u00e9lisation multivari\u00e9e. L’ANOVA univari\u00e9e se focalise exclusivement sur un unique indicateur comportemental ou physiologique. Si le protocole exp\u00e9rimental recueille plusieurs variables d\u00e9pendantes continues conceptuellement corr\u00e9l\u00e9es (par exemple, le score d’anxi\u00e9t\u00e9 \u00e9tat, le rythme cardiaque moyen et le niveau de cortisol salivaire), le chercheur pourrait \u00eatre tent\u00e9 d’ex\u00e9cuter une s\u00e9rie d’ANOVA univari\u00e9es ind\u00e9pendantes. Cependant, cette pratique r\u00e9introduit le risque d’inflation d’erreur de type I et m\u00e9conna\u00eet la structure de covariance partag\u00e9e par les variables d\u00e9pendantes. Le recours \u00e0 l’analyse multivari\u00e9e de la variance (MANOVA<\/a>) s’av\u00e8re alors conceptuellement sup\u00e9rieur, permettant de cr\u00e9er une combinaison lin\u00e9aire optimale des variables d\u00e9pendantes pour tester les \u00e9carts entre groupes dans un espace vectoriel multidimensionnel.<\/p>\n

1.3 Applications empiriques typiques dans la recherche psychologique<\/h3>\n

Les applications empiriques de l’ANOVA \u00e0 un facteur traversent l’ensemble des sous-disciplines de la psychologie scientifique et des sciences comportementales. En psychologie clinique et en psychopathologie exp\u00e9rimentale, elle repr\u00e9sente le devis de r\u00e9f\u00e9rence pour les essais contr\u00f4l\u00e9s randomis\u00e9s \u00e9valuant l’efficacit\u00e9 diff\u00e9rentielle d’interventions th\u00e9rapeutiques concurrentes. \u00c0 titre d’exemple paradigmatique, des chercheurs peuvent vouloir comparer l’impact d’une th\u00e9rapie cognitivo-comportementale (TCC), d’une intervention bas\u00e9e sur la r\u00e9duction du stress par la pleine conscience (MBSR) et d’une condition t\u00e9moin sur liste d’attente chez des patients souffrant d’anxi\u00e9t\u00e9 sociale g\u00e9n\u00e9ralis\u00e9e. Dans un tel cadre, la variable ind\u00e9pendante est le protocole th\u00e9rapeutique (trois niveaux), et la variable d\u00e9pendante est constitu\u00e9e par le score obtenu \u00e0 l’\u00e9chelle d’anxi\u00e9t\u00e9 de Liebowitz au terme de douze semaines d’intervention.<\/p>\n

Dans le domaine de la psychologie cognitive et de l’ing\u00e9nierie p\u00e9dagogique, l’ANOVA \u00e0 un facteur permet d’\u00e9prouver scientifiquement l’efficacit\u00e9 de diff\u00e9rentes strat\u00e9gies de codage mn\u00e9sique sur la r\u00e9tention d’informations complexes \u00e0 long terme. Une \u00e9quipe de recherche peut ainsi tester quatre conditions d’apprentissage aupr\u00e8s d’\u00e9tudiants : la relecture passive de textes acad\u00e9miques, la prise de notes manuscrite lin\u00e9aire, la g\u00e9n\u00e9ration active de cartes conceptuelles num\u00e9riques et la pratique de tests de r\u00e9cup\u00e9ration espac\u00e9s (retrieval practice<\/em>). La variable d\u00e9pendante mesur\u00e9e correspondra au pourcentage de concepts correctement restitu\u00e9s lors d’une \u00e9preuve de transfert cognitif administr\u00e9e une semaine apr\u00e8s la phase d’acquisition. L’ANOVA permettra de d\u00e9terminer si le mode de traitement de l’information module significativement les performances mn\u00e9siques globales.<\/p>\n

En neuropsychologie et en psychiatrie biologique, ce mod\u00e8le statistique s’applique fr\u00e9quemment \u00e0 l’analyse comparative des profils cognitifs associ\u00e9s \u00e0 divers sous-types nosographiques ou \u00e0 des stades d’\u00e9volution d’une pathologie neurod\u00e9g\u00e9n\u00e9rative. Par exemple, des cliniciens peuvent comparer les capacit\u00e9s de flexibilit\u00e9 cognitive, mesur\u00e9es par le nombre d’erreurs pers\u00e9v\u00e9ratives au Wisconsin Card Sorting Test<\/em> (WCST), entre des patients pr\u00e9sentant un trouble cognitif l\u00e9ger amn\u00e9sique (aMCI), des patients atteints d’un trouble cognitif l\u00e9ger multidomaine (mdMCI), des patients diagnostiqu\u00e9s avec une maladie d’Alzheimer au stade l\u00e9ger, et un groupe de contr\u00f4le constitu\u00e9 de personnes \u00e2g\u00e9es saines appari\u00e9es en \u00e2ge et en niveau d’\u00e9ducation. L’analyse d\u00e9montrera si l’alt\u00e9ration des fonctions ex\u00e9cutives pr\u00e9sente une sp\u00e9cificit\u00e9 neurophysiologique proportionnelle au d\u00e9clin neuropathologique.<\/p>\n

2. Conditions d’application et postulats statistiques fondamentaux<\/h2>\n

2.1 Ind\u00e9pendance des observations et protocole d’\u00e9chantillonnage<\/h3>\n

L’ind\u00e9pendance des observations constitue sans nul doute le postulat le plus critique, le plus intransigeant et le plus sensible de l’analyse de variance. Contrairement aux violations mineures de la normalit\u00e9 distributionnelle ou de l’homog\u00e9n\u00e9it\u00e9 des variances, pour lesquelles des ajustements math\u00e9matiques efficaces existent, la violation de l’ind\u00e9pendance des erreurs r\u00e9siduelles fausse irr\u00e9m\u00e9diablement l’estimation des erreurs-types et invalide l’ensemble du processus inf\u00e9rentiel. Ce postulat stipule formellement que la valeur mesur\u00e9e pour un participant donn\u00e9 ne doit en aucun cas d\u00e9pendre, influencer ou partager une variance commune syst\u00e9matique avec la valeur mesur\u00e9e pour un quelconque autre participant de l’\u00e9chantillon, qu’il appartienne au m\u00eame groupe ou \u00e0 une condition exp\u00e9rimentale concurrente.<\/p>\n

Sur le plan m\u00e9thodologique, la garantie de cette ind\u00e9pendance repose exclusivement sur la qualit\u00e9 intrins\u00e8que du protocole exp\u00e9rimental et sur les proc\u00e9dures d’\u00e9chantillonnage probabiliste. La pierre angulaire de cette exigence r\u00e9side dans la randomisation stricte, c’est-\u00e0-dire l’assignation al\u00e9atoire int\u00e9grale de chaque individu \u00e0 l’une des modalit\u00e9s de la variable ind\u00e9pendante. Lorsque les participants interagissent au cours de l’exp\u00e9rimentation \u2014 par exemple lors de passations collectives en milieu scolaire, d’ateliers th\u00e9rapeutiques de groupe ou de s\u00e9ances de travail collaboratif \u2014, une interd\u00e9pendance insidieuse s’installe. Les scores d’individus test\u00e9s au sein d’une m\u00eame classe ou par un m\u00eame exp\u00e9rimentateur tendent \u00e0 \u00eatre plus homog\u00e8nes entre eux qu’avec ceux des participants d’autres groupes, cr\u00e9ant une corr\u00e9lation intraclasse non nulle.<\/p>\n

La contamination intergroupe repr\u00e9sente une autre menace s\u00e9v\u00e8re pour l’ind\u00e9pendance et la validit\u00e9 interne globale du protocole. Si des participants assign\u00e9s \u00e0 la condition contr\u00f4le \u00e9changent des informations sur la nature des t\u00e2ches avec des participants de la condition exp\u00e9rimentale active, un biais de diffusion survient, alt\u00e9rant la puret\u00e9 de la manipulation exp\u00e9rimentale. D\u00e8s lors que l’ind\u00e9pendance des observations est compromise, le taux d’erreur de premi\u00e8re esp\u00e8ce peut \u00eatre dramatiquement sous-estim\u00e9 ; une d\u00e9pendance positive r\u00e9siduelle, m\u00eame t\u00e9nue (de l’ordre de $r = 0{,}10$<\/span>), peut gonfler le risque d’erreur $\\alpha$<\/span> nominal de 5 % jusqu’\u00e0 des niveaux r\u00e9els d\u00e9passant 20 % ou 30 %. En pr\u00e9sence de donn\u00e9es hi\u00e9rarchiques ou imbriqu\u00e9es av\u00e9r\u00e9es, le chercheur doit renoncer \u00e0 l’ANOVA univari\u00e9e classique au profit des mod\u00e8les lin\u00e9aires mixtes ou multiniveaux.<\/p>\n

\"\"<\/figure>\n

2.2 Postulat de normalit\u00e9 distributionnelle de la variable d\u00e9pendante<\/h3>\n

Le second postulat de l’ANOVA \u00e0 un facteur concerne la distribution de la variable d\u00e9pendante, qui doit suivre une distribution normale gaussienne au sein de chaque population correspondant aux diff\u00e9rentes modalit\u00e9s du facteur \u00e9tudi\u00e9. Il importe de souligner une m\u00e9prise conceptuelle r\u00e9currente chez de nombreux praticiens : la normalit\u00e9 ne doit pas \u00eatre \u00e9valu\u00e9e sur l’ensemble agr\u00e9g\u00e9 de l’\u00e9chantillon toutes conditions confondues, mais bien s\u00e9par\u00e9ment au sein de chaque strate exp\u00e9rimentale, ou de mani\u00e8re \u00e9quivalente sur la distribution globale des r\u00e9sidus standardis\u00e9s du mod\u00e8le lin\u00e9aire ($e_{ij} = Y_{ij} – \\bar{Y}_j$<\/span>). L’\u00e9valuation conjointe de scores issus de groupes aux moyennes contrast\u00e9es produirait artificiellement une distribution globale multimodale ou aplatie, masquant une normalit\u00e9 sous-jacente pourtant parfaitement respect\u00e9e au niveau local.<\/p>\n

Heureusement pour la pratique de recherche, le test $F$<\/span> de Fisher fait preuve d’une robustesse math\u00e9matique remarquable face aux d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9 univari\u00e9e. Cette tol\u00e9rance intrins\u00e8que s’explique par l’action bienfaisante du th\u00e9or\u00e8me central limite<\/a> (TCL). Selon ce th\u00e9or\u00e8me fondamental du calcul des probabilit\u00e9s, d\u00e8s lors que la taille d’\u00e9chantillon au sein de chaque sous-groupe est suffisamment importante (classiquement $n_j ge 30$<\/span>), la distribution d’\u00e9chantillonnage de la moyenne tend asymptotiquement vers une loi normale, quand bien m\u00eame la population parente pr\u00e9senterait une asym\u00e9trie sensible ou un aplatissement non gaussien.<\/p>\n

N\u00e9anmoins, la prudence reste de mise lorsque les \u00e9chantillons sont de taille modeste ($n_j < 15$<\/span>) et que la distribution pr\u00e9sente une asym\u00e9trie prononc\u00e9e (un coefficient de sym\u00e9trie ou skewness<\/em> s’\u00e9cartant drastiquement de z\u00e9ro) combin\u00e9e \u00e0 des queues de distribution \u00e9paisses (un aplatissement ou kurtosis<\/em> fortement positif traduisant une leptocurticit\u00e9). De telles d\u00e9viations extr\u00eames peuvent \u00e9roder la puissance statistique du test, augmentant le risque d’erreur de type II (ne pas d\u00e9tecter un effet r\u00e9el), ou \u00e0 l’inverse induire des fluctuations erratiques du taux d’erreur $\\alpha$<\/span>. Dans ces contextes d\u00e9favorables, le recours \u00e0 des transformations math\u00e9matiques pr\u00e9liminaires des donn\u00e9es ou \u00e0 des proc\u00e9dures inf\u00e9rentielles non param\u00e9triques devient une n\u00e9cessit\u00e9 m\u00e9thodologique incontournable.<\/p>\n

2.3 Homog\u00e9n\u00e9it\u00e9 des variances ou homosc\u00e9dasticit\u00e9<\/h3>\n

Le postulat d’homog\u00e9n\u00e9it\u00e9 des variances, \u00e9galement d\u00e9sign\u00e9 sous le terme d’homosc\u00e9dasticit\u00e9, stipule que les variances de la variable d\u00e9pendante au sein des diff\u00e9rentes sous-populations \u00e9tudi\u00e9es doivent \u00eatre rigoureusement \u00e9gales ($\\sigma_1^2 = \\sigma_2^2 = dots = \\sigma_k^2 = \\sigma^2$<\/span>). Ce pr\u00e9requis math\u00e9matique d\u00e9coule directement de la logique du ratio $F$<\/span> : le d\u00e9nominateur ($MS_{intra}$<\/span>) agr\u00e8ge les variances mesur\u00e9es au sein de chaque modalit\u00e9 afin de calculer une estimation globale combin\u00e9e de la variance d’erreur unique de la population parente. Si cette variance r\u00e9siduelle fluctue substantiellement d’un groupe \u00e0 un autre, l’utilisation d’une estimation moyenne unique perd toute pertinence statistique et conceptuelle.<\/p>\n

L’impact d’une violation du postulat d’homog\u00e9n\u00e9it\u00e9 sur la validit\u00e9 de l’ANOVA est intimement tributaire de l’\u00e9quilibre des tailles d’\u00e9chantillons entre les groupes. Dans le cadre d’un plan d’exp\u00e9rience strictement \u00e9quilibr\u00e9 \u2014 o\u00f9 chaque condition exp\u00e9rimentale comporte un effectif parfaitement identique ($n_1 = n_2 = dots = n_k$<\/span>) \u2014, le test $F$<\/span> de Fisher conserve une excellente robustesse face \u00e0 des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s mod\u00e9r\u00e9es de variance (des ratios de variance maximale sur variance minimale pouvant aller jusqu’\u00e0 3 ou 4 sans perturber massivement le taux d’erreur $\\alpha$<\/span>). Le calcul de la moyenne globale compense sym\u00e9triquement les sous-estimations et les surestimations locales des dispersions.<\/p>\n

En revanche, la situation devient critique lorsque l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 se conjugue \u00e0 un plan d\u00e9s\u00e9quilibr\u00e9 caract\u00e9ris\u00e9 par des effectifs in\u00e9gaux. Si les groupes poss\u00e9dant les plus petits effectifs affichent les plus grandes variances (une relation n\u00e9gative entre taille d’\u00e9chantillon et variance), la variance d’erreur globale pooled ($MS_{intra}$<\/span>) sera syst\u00e9matiquement sous-estim\u00e9e, ce qui gonfle artificiellement la statistique $F$<\/span> et propulse le taux r\u00e9el d’erreur de premi\u00e8re esp\u00e8ce \u00e0 des niveaux inacceptables (pouvant atteindre 10 % \u00e0 15 % pour un seuil vis\u00e9 de 5 %). Inversement, si les groupes aux effectifs les plus massifs pr\u00e9sentent les plus fortes dispersions, $MS_{intra}$<\/span> sera surestim\u00e9, rendant le test $F$<\/span> excessivement conservateur au d\u00e9triment dramatique de la puissance statistique. Cette instabilit\u00e9 exige une v\u00e9rification syst\u00e9matique de l’homosc\u00e9dasticit\u00e9 via des tests d\u00e9di\u00e9s et l’application imm\u00e9diate de corrections robustes en cas d’infirmation empirique.<\/p>\n

2.4 \u00c9chelle de mesure des variables int\u00e9gr\u00e9es au mod\u00e8le<\/h3>\n

L’architecture math\u00e9matique de l’ANOVA impose des contraintes pr\u00e9cises quant \u00e0 la nature et au niveau de mesure des variables int\u00e9gr\u00e9es dans l’\u00e9quation. La variable d\u00e9pendante ($Y$<\/span>) doit imp\u00e9rativement poss\u00e9der un statut m\u00e9trique quantitatif, \u00e9tant mesur\u00e9e sur une \u00e9chelle d’intervalles constants ou sur une \u00e9chelle de rapports. En psychom\u00e9trie, bien que les \u00e9chelles de r\u00e9ponses de type Likert (par exemple gradu\u00e9es de 1 \u00e0 5 ou de 1 \u00e0 7) constituent formellement des variables ordinales, la coutume acad\u00e9mique et les d\u00e9monstrations de la th\u00e9orie de la mesure admettent l’agr\u00e9gation de plusieurs items Likert en un score composite total continu, trait\u00e9 l\u00e9gitimement comme une \u00e9chelle d’intervalles par les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux.<\/p>\n

La variable ind\u00e9pendante ($X$<\/span>), quant \u00e0 elle, doit n\u00e9cessairement \u00eatre une variable qualitative, nominale ou cat\u00e9gorielle, d\u00e9finissant les diff\u00e9rents groupes ou conditions \u00e0 comparer. Dans le cadre pr\u00e9cis d’une ANOVA \u00e0 un facteur, cette variable doit obligatoirement \u00eatre polytomique et comporter au minimum trois modalit\u00e9s distinctes ($k ge 3$<\/span>). S’il n’existait que deux modalit\u00e9s ($k = 2$<\/span>), la mod\u00e9lisation resterait math\u00e9matiquement valide, mais le test $F$<\/span> de Fisher deviendrait strictement \u00e9quivalent au test $t$<\/span> de Student pour \u00e9chantillons ind\u00e9pendants, avec la relation alg\u00e9brique exacte $F = t^2$<\/span>. L’int\u00e9r\u00eat fonctionnel distinct de l’ANOVA s’exprime pleinement d\u00e8s lors que l’on d\u00e9passe cette dichotomie basique pour explorer des gradients exp\u00e9rimentaux ou des typologies cliniques plus complexes.<\/p>\n

Enfin, le chercheur doit scrupuleusement veiller \u00e0 l’absence de saturation artificielle des scores sur la variable d\u00e9pendante, mat\u00e9rialis\u00e9e par l’absence d’effets plancher (floor effects<\/em>) ou d’effets plafond (ceiling effects<\/em>). Une \u00e9chelle psychom\u00e9trique dont les items seraient trop faciles conduirait la majorit\u00e9 des participants \u00e0 accumuler les scores maximaux possibles, g\u00e9n\u00e9rant une concentration anormale de valeurs \u00e0 la borne sup\u00e9rieure de l’instrument. Un tel \u00e9crasement de la variance compromet la d\u00e9tection des diff\u00e9rences r\u00e9elles entre conditions, tronque artificiellement la dispersion intragroupe et fausse les calculs de covariation lin\u00e9aire n\u00e9cessaires \u00e0 la validation de l’inf\u00e9rence.<\/p>\n

3. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales dans SPSS<\/h2>\n

3.1 Configuration des variables dans la Vue des variables (Variable View)<\/h3>\n

La conduite d’une analyse rigoureuse dans IBM SPSS Statistics d\u00e9bute imp\u00e9rativement par une configuration m\u00e9ticuleuse des m\u00e9tadonn\u00e9es au sein de l’onglet Vue des variables<\/strong> (Variable View<\/em>), situ\u00e9 dans le coin inf\u00e9rieur gauche de l’interface principale. Une nomenclature anarchique ou un param\u00e9trage erron\u00e9 des propri\u00e9t\u00e9s d’\u00e9chelle constitue l’une des sources les plus fr\u00e9quentes de dysfonctionnement analytique ou d’erreurs d’interpr\u00e9tation chez les chercheurs novices. Deux variables centrales doivent \u00eatre configur\u00e9es pour une ANOVA \u00e0 un facteur simple : l’identifiant de groupe (variable ind\u00e9pendante) et le score quantitatif continu (variable d\u00e9pendante).<\/p>\n

Pour la variable ind\u00e9pendante, il convient d’attribuer un libell\u00e9 concis dans la colonne Nom<\/em> (par exemple Groupe_Therapie<\/code>), sans espaces ni caract\u00e8res sp\u00e9ciaux interdits. La colonne Type<\/em> doit \u00eatre param\u00e9tr\u00e9e sur Num\u00e9rique<\/code>, car SPSS g\u00e8re les facteurs statistiques plus efficacement sous forme de codes num\u00e9riques sous-jacents plut\u00f4t que sous forme de cha\u00eenes de caract\u00e8res (String<\/em>). La colonne D\u00e9cimales<\/em> sera fix\u00e9e \u00e0 0. Dans la colonne \u00c9tiquette<\/em> (Label<\/em>), le chercheur inscrira une description narrative compl\u00e8te (ex. : \u00ab Modalit\u00e9 d’intervention psychoth\u00e9rapeutique \u00bb), laquelle appara\u00eetra de mani\u00e8re exhaustive sur l’ensemble des tableaux et graphiques g\u00e9n\u00e9r\u00e9s dans le visualiseur de sorties.<\/p>\n

\"\"<\/figure>\n

L’\u00e9tape la plus strat\u00e9gique pour la variable ind\u00e9pendante r\u00e9side dans la colonne Valeurs<\/strong> (Values<\/em>). En cliquant sur le petit carr\u00e9 \u00e0 trois points qui appara\u00eet dans la cellule, l’utilisateur ouvre la bo\u00eete de dialogue d’attribution des \u00e9tiquettes de valeurs. Il s’agit d’associer explicitement chaque code num\u00e9rique \u00e0 sa signification textuelle correspondante. Par exemple, il conviendra de saisir 1<\/code> dans le champ Valeur<\/em> et Contr\u00f4le Liste d'attente<\/code> dans le champ \u00c9tiquette<\/em>, puis de cliquer sur Ajouter<\/em>, avant de r\u00e9p\u00e9ter l’op\u00e9ration pour 2 = TCC Classique<\/code> et 3 = Pleine Conscience (MBSR)<\/code>. Enfin, dans la colonne Mesure<\/em>, il est indispensable de s\u00e9lectionner rigoureusement l’option Nominal<\/strong> (ou Ordinal<\/strong> si les groupes respectent une hi\u00e9rarchie intrins\u00e8que ordonn\u00e9e).<\/p>\n

Pour la variable d\u00e9pendante (par exemple Score_Anxiete<\/code>), le type sera \u00e9galement Num\u00e9rique<\/code>, les d\u00e9cimales ajust\u00e9es selon la pr\u00e9cision des instruments de mesure (g\u00e9n\u00e9ralement 2), et une \u00e9tiquette claire sera renseign\u00e9e (ex. : \u00ab Score post-th\u00e9rapie \u00e0 l’inventaire d’anxi\u00e9t\u00e9 de Beck \u00bb). Dans la colonne Mesure<\/em>, il est fondamental de s\u00e9lectionner l’option \u00c9chelle<\/strong> (Scale<\/em>), qui correspond dans la terminologie de SPSS aux \u00e9chelles quantitatives d’intervalles et de rapports. Ce param\u00e9trage informe le moteur statistique interne de la nature m\u00e9trique de la variable, autorisant le calcul des moyennes et des variances associ\u00e9es.<\/p>\n

3.2 Structuration des observations dans la Vue des donn\u00e9es (Data View)<\/h3>\n

Une fois les variables correctement param\u00e9tr\u00e9es, le chercheur bascule vers l’onglet Vue des donn\u00e9es<\/strong> (Data View<\/em>) afin de proc\u00e9der \u00e0 la saisie ou \u00e0 l’importation de la matrice empirique. L’ANOVA \u00e0 un facteur pour groupes ind\u00e9pendants exige une organisation stricte des donn\u00e9es selon le format dit \u00ab long \u00bb ou univari\u00e9 standardis\u00e9 : chaque ligne horizontale de la matrice doit repr\u00e9senter de mani\u00e8re univoque un participant unique<\/em>, et chaque colonne verticale correspond \u00e0 une variable sp\u00e9cifique du protocole exp\u00e9rimental.<\/p>\n

\"\"<\/figure>\n

Une erreur structurelle classique commise par les utilisateurs habitu\u00e9s aux tableurs bureautiques de type Microsoft Excel consiste \u00e0 saisir les scores de chaque condition dans des colonnes s\u00e9par\u00e9es (par exemple, une colonne pour le groupe Contr\u00f4le, une pour le groupe TCC, et une pour le groupe MBSR). Bien que cette organisation soit intuitive pour un simple affichage descriptif ou adapt\u00e9e \u00e0 un devis \u00e0 mesures r\u00e9p\u00e9t\u00e9es, elle rend l’ex\u00e9cution de l’ANOVA intersujets impossible dans le module standard de SPSS. Dans l’architecture SPSS pour \u00e9chantillons ind\u00e9pendants, il ne doit exister qu’une seule et unique colonne regroupant la totalit\u00e9 des scores de la variable d\u00e9pendante, et une colonne adjacente contenant le vecteur d’appartenance cat\u00e9gorielle indiquant \u00e0 quel groupe chaque score est rattach\u00e9.<\/p>\n

Il est vivement recommand\u00e9 d’int\u00e9grer une premi\u00e8re colonne purement identifiante, nomm\u00e9e par exemple ID_Sujet<\/code>, contenant un num\u00e9ro d’ordre unique pour chaque participant (de 1 \u00e0 $N$<\/span>). Cette pr\u00e9caution technique simple s’av\u00e8re pr\u00e9cieuse lors des phases ult\u00e9rieures d’audit des donn\u00e9es : elle permet de tracer imm\u00e9diatement les observations isol\u00e9es identifi\u00e9es comme atypiques ou probl\u00e9matiques par les proc\u00e9dures diagnostiques graphiques de SPSS, sans risque de confusion induite par d’\u00e9ventuels tris ou r\u00e9organisations ult\u00e9rieures de la feuille de calcul.<\/p>\n

3.3 D\u00e9tection et gestion pr\u00e9liminaire des valeurs manquantes et aberrantes<\/h3>\n

L’assainissement pr\u00e9alable de la base de donn\u00e9es constitue un pr\u00e9alable m\u00e9thodologique absolu avant tout traitement inf\u00e9rentiel. Les valeurs aberrantes univari\u00e9es (outliers<\/em>) d\u00e9signent des observations dont la valeur s’\u00e9carte de mani\u00e8re disproportionn\u00e9e du centre de gravit\u00e9 de la distribution. Ces donn\u00e9es extr\u00eames peuvent exercer une influence disproportionn\u00e9e sur le calcul des moyennes arithm\u00e9tiques et gonfler artificiellement les sommes des carr\u00e9s des \u00e9carts ($SS_{intra}$<\/span>), conduisant \u00e0 une baisse s\u00e9v\u00e8re de la puissance du test $F$<\/span> ou, \u00e0 l’inverse, \u00e0 la g\u00e9n\u00e9ration d’effets artificiels fallacieux. Une m\u00e9thode standardis\u00e9e de rep\u00e9rage consiste \u00e0 transformer les scores bruts de la variable d\u00e9pendante en scores centr\u00e9s-r\u00e9duits ($z$<\/span>-scores) au sein de chaque groupe via la proc\u00e9dure Descriptives<\/em> en cochant l’option Enregistrer les valeurs normalis\u00e9es dans des variables<\/em>. Tout score $|z| > 3{,}29$<\/span> (correspondant \u00e0 une probabilit\u00e9 d’occurrence inf\u00e9rieure \u00e0 $p = 0{,}001$<\/span> sous la loi normale) doit \u00eatre qualifi\u00e9 d’aberrant potentiel et faire l’objet d’un examen approfondi.<\/p>\n

Parall\u00e8lement, la probl\u00e9matique des donn\u00e9es manquantes (missing values<\/em>) doit \u00eatre trait\u00e9e avec circonspection. Il importe de distinguer les trois m\u00e9canismes d’absence th\u00e9oris\u00e9s par Little et Rubin : les donn\u00e9es manquant de mani\u00e8re totalement al\u00e9atoire (MCAR pour Missing Completely at Random<\/em>), les donn\u00e9es manquant de mani\u00e8re al\u00e9atoire conditionnelle (MAR pour Missing at Random<\/em>), et les donn\u00e9es manquant de fa\u00e7on non al\u00e9atoire syst\u00e9matique (MNAR pour Missing Not at Random<\/em>). Si les abandons ou omissions sont de nature MNAR (par exemple, les participants les plus s\u00e9v\u00e8rement d\u00e9prim\u00e9s ou anxieux qui abandonnent massivement l’\u00e9tude dans la condition contr\u00f4le), l’exclusion pure et simple des sujets biaise irr\u00e9m\u00e9diablement l’\u00e9chantillon final et compromet la validit\u00e9 \u00e9cologique des r\u00e9sultats.<\/p>\n

Lorsque le m\u00e9canisme est diagnostiqu\u00e9 comme MCAR ou MAR via le test de Little impl\u00e9ment\u00e9 dans le module optionnel des valeurs manquantes de SPSS, et que la proportion d’absences demeure infinit\u00e9simale (moins de 5 % du total), la suppression par observation (listwise deletion<\/em>) repr\u00e9sente la solution conventionnelle admise. En revanche, face \u00e0 des pertes d’effectifs plus substantielles, le recours \u00e0 l’imputation multiple it\u00e9rative par cha\u00eenes de Markov (MICE) ou \u00e0 l’algorithme d’esp\u00e9rance-maximisation (EM) au sein de SPSS permet de pr\u00e9server la compl\u00e9tude de l’\u00e9chantillon tout en \u00e9vitant l’\u00e9crasement artificiel de la variance induit par les approches na\u00efves comme le remplacement par la moyenne.<\/p>\n

4. Exploration visuelle pr\u00e9alable des donn\u00e9es via les bo\u00eetes \u00e0 moustaches<\/h2>\n

4.1 G\u00e9n\u00e9ration de graphiques via le G\u00e9n\u00e9rateur de graphiques (Chart Builder)<\/h3>\n

Avant d’engager la machinerie inf\u00e9rentielle formelle de l’ANOVA, une exploration visuelle descriptive des donn\u00e9es s’av\u00e8re indispensable pour appr\u00e9hender intuitivement la structure des scores. L’outil le plus puissant, le plus informatif et le plus universellement recommand\u00e9 pour cet examen pr\u00e9liminaire est la bo\u00eete \u00e0 moustaches comparative (Boxplot<\/em>). Dans IBM SPSS Statistics, la g\u00e9n\u00e9ration de repr\u00e9sentations graphiques vectorielles de haute qualit\u00e9 s’effectue via le G\u00e9n\u00e9rateur de graphiques<\/strong> (Chart Builder<\/em>), accessible par le menu d\u00e9roulant Graphiques<\/strong> (Graphs<\/em>) > G\u00e9n\u00e9rateur de graphiques<\/strong> (Chart Builder<\/em>).<\/p>\n

\"\"<\/figure>\n

Dans l’interface interactive du G\u00e9n\u00e9rateur de graphiques, l’utilisateur s\u00e9lectionne la cat\u00e9gorie Bo\u00eete \u00e0 moustaches<\/strong> (Boxplot<\/em>) dans la galerie situ\u00e9e en bas, puis effectue un glisser-d\u00e9poser de l’ic\u00f4ne repr\u00e9sentant la Bo\u00eete \u00e0 moustaches simple 1-D<\/em> vers la vaste zone de pr\u00e9visualisation sup\u00e9rieure. L’\u00e9tape suivante requiert une assignation pr\u00e9cise des axes g\u00e9om\u00e9triques : la variable d\u00e9pendante continue (ex. : Score_Anxiete<\/code>) doit \u00eatre gliss\u00e9e depuis la liste des variables vers la zone r\u00e9ceptrice de l’axe vertical (axe des ordonn\u00e9es ou $Y$<\/span>-axis). Simultan\u00e9ment, la variable ind\u00e9pendante cat\u00e9gorielle (ex. : Groupe_Therapie<\/code>) doit \u00eatre d\u00e9pos\u00e9e sur la zone r\u00e9ceptrice de l’axe horizontal (axe des abscisses ou $X$<\/span>-axis). Ce param\u00e9trage commande \u00e0 SPSS de segmenter la distribution continue en autant de bo\u00eetes juxtapos\u00e9es qu’il existe de modalit\u00e9s exp\u00e9rimentales dans le facteur.<\/p>\n

4.2 Analyse descriptive de la dispersion et de la sym\u00e9trie<\/h3>\n

L’inspection analytique de la bo\u00eete \u00e0 moustaches g\u00e9n\u00e9r\u00e9e fournit une quantit\u00e9 remarquable d’informations s\u00e9miotiques directes sur la distribution empirique des scores. La barre horizontale pleine traversant l’int\u00e9rieur de chaque rectangle repr\u00e9sente la m\u00e9diane empirique ($Q_2$<\/span> ou 50e percentile) du groupe consid\u00e9r\u00e9. En observant la hauteur relative de ces m\u00e9dianes \u00e0 travers les diff\u00e9rents groupes sur l’axe des ordonn\u00e9es, le chercheur recueille une premi\u00e8re indication visuelle intuitive sur l’existence probable de d\u00e9calages majeurs dans la tendance centrale des conditions, pr\u00e9figurant l’issue du test omnibus.<\/p>\n

La hauteur m\u00eame du rectangle central mat\u00e9rialise l’\u00e9cart interquartile (IQR pour Interquartile Range<\/em>), lequel englobe pr\u00e9cis\u00e9ment les 50 % centraux des participants, d\u00e9limit\u00e9 par le premier quartile ($Q_1$<\/span>, 25e percentile) \u00e0 sa base et le troisi\u00e8me quartile ($Q_3$<\/span>, 75e percentile) \u00e0 son sommet. La comparaison de la hauteur respective des bo\u00eetes entre les groupes offre une estimation visuelle directe de la conformit\u00e9 au postulat d’homosc\u00e9dasticit\u00e9 : des bo\u00eetes pr\u00e9sentant des hauteurs spectaculairement disparates \u2014 par exemple une bo\u00eete trois fois plus \u00e9tendue qu’une autre \u2014 signalent imm\u00e9diatement une probable h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances sous-jacentes.<\/p>\n

Par ailleurs, la sym\u00e9trie de la distribution se lit \u00e0 travers la position relative de la m\u00e9diane au sein de la bo\u00eete et l’extension sym\u00e9trique des \u00ab moustaches \u00bb (lignes pointill\u00e9es s’\u00e9tendant au-del\u00e0 de la bo\u00eete). Si la barre de la m\u00e9diane est rigoureusement centr\u00e9e au milieu du rectangle et que les moustaches sup\u00e9rieure et inf\u00e9rieure affichent des longueurs approximativement \u00e9quivalentes, la distribution pr\u00e9sente une sym\u00e9trie compatible avec la loi normale. Si la m\u00e9diane est \u00e9cras\u00e9e vers le bas du rectangle avec une moustache sup\u00e9rieure d\u00e9mesur\u00e9ment \u00e9tir\u00e9e vers le haut, les donn\u00e9es pr\u00e9sentent une asym\u00e9trie positive prononc\u00e9e (\u00e9talement vers la droite), indiquant une violation potentielle du postulat de normalit\u00e9.<\/p>\n

4.3 Rep\u00e9rage des observations atypiques univari\u00e9es<\/h3>\n

La bo\u00eete \u00e0 moustaches sous SPSS int\u00e8gre un algorithme graphique automatis\u00e9 d’identification des scores aberrants, fond\u00e9 sur les crit\u00e8res th\u00e9oriques formalis\u00e9s par John W. Tukey<\/a>. Les moustaches ne s’\u00e9tendent pas jusqu’aux valeurs extr\u00eames absolues, mais atteignent au maximum une distance \u00e9gale \u00e0 1,5 fois l’\u00e9cart interquartile \u00e0 partir des charni\u00e8res de la bo\u00eete ($Q_1 – 1{,}5 \\times \\text{IQR}$<\/span> pour la borne inf\u00e9rieure, et $Q_3 + 1{,}5 \\times \\text{IQR}$<\/span> pour la borne sup\u00e9rieure). Toute observation situ\u00e9e au-del\u00e0 de ces bornes de cl\u00f4ture est imm\u00e9diatement individualis\u00e9e sous forme de glyphe distinctif sur le graphique.<\/p>\n

SPSS op\u00e8re une distinction visuelle hi\u00e9rarchique capitale entre deux intensit\u00e9s d’atypicit\u00e9 univari\u00e9e :<\/p>\n