{"id":2592,"date":"2026-09-06T19:02:32","date_gmt":"2026-09-06T19:02:32","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-tester-la-normalite-dans-spss\/"},"modified":"2026-09-06T19:02:44","modified_gmt":"2026-09-06T19:02:44","slug":"comment-tester-la-normalite-dans-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-tester-la-normalite-dans-spss","title":{"rendered":"Comment tester la normalit\u00e9 dans SPSS"},"content":{"rendered":"

Dans le domaine de la recherche quantitative en psychologie et en sciences comportementales, la validit\u00e9 des conclusions statistiques repose fondamentalement sur l’ad\u00e9quation entre la structure empirique des donn\u00e9es recueillies et les postulats th\u00e9oriques sous-jacents aux mod\u00e8les d’analyse employ\u00e9s. Parmi ces pr\u00e9requis, le postulat de distribution normale univari\u00e9e et multivari\u00e9e occupe une place pr\u00e9pond\u00e9rante au sein de la mod\u00e9lisation statistique inf\u00e9rentielle. Nombre de chercheurs recourent quasi syst\u00e9matiquement \u00e0 des tests param\u00e9triques tels que le test t<\/em> de Student, l’analyse de variance (ANOVA<\/a>) ou la r\u00e9gression lin\u00e9aire sans en \u00e9valuer rigoureusement les conditions de validit\u00e9, s’exposant ainsi \u00e0 des distorsions m\u00e9thodologiques s\u00e9v\u00e8res qui compromettent la reproductibilit\u00e9 de leurs r\u00e9sultats empiriques.<\/p>\n

Le logiciel statistique IBM SPSS Statistics constitue l’un des environnements computationnels les plus largement adopt\u00e9s par les chercheurs en sciences humaines et sociales pour investiguer la structure distributionnelle de leurs variables m\u00e9triques. Pourtant, tester la normalit\u00e9 ne saurait se r\u00e9sumer \u00e0 l’ex\u00e9cution aveugle d’un algorithme automatis\u00e9 ou au simple relev\u00e9 d’une valeur p<\/em> isol\u00e9e. Cette d\u00e9marche diagnostique exige au contraire une appr\u00e9ciation nuanc\u00e9e, articulant des indicateurs descriptifs de forme, des visualisations graphiques avanc\u00e9es et des tests formels d’ad\u00e9quation, tout en tenant compte de la sensibilit\u00e9 propre \u00e0 la taille de l’\u00e9chantillon et de la nature intrins\u00e8que des construits psychologiques mesur\u00e9s.<\/p>\n

Ce guide exhaustif a pour vocation d’exposer l’int\u00e9gralit\u00e9 du protocole diagnostique de la normalit\u00e9 sous SPSS, en adoptant une perspective m\u00e9thodologique rigoureuse adapt\u00e9e aux sp\u00e9cificit\u00e9s de la psychom\u00e9trie et de la psychologie empirique. De l’\u00e9lucidation des fondements math\u00e9matiques de la loi de Gauss jusqu’aux proc\u00e9dures de rem\u00e9diation face aux violations distributionnelles, ce document d\u00e9taille pas \u00e0 pas les analyses exploratoires, les configurations logicielles, l’interpr\u00e9tation des sorties informatiques et la r\u00e9daction scientifique selon les normes acad\u00e9miques internationales de l’American Psychological Association (APA).<\/p>\n

1. Introduction aux postulats de normalit\u00e9 dans la recherche psychologique et sous SPSS<\/h2>\n

1.1 Importance th\u00e9orique du postulat de normalit\u00e9 en psychom\u00e9trie<\/h3>\n

L’inf\u00e9rence statistique param\u00e9trique repose sur l’hypoth\u00e8se fondamentale que les variables al\u00e9atoires continues observ\u00e9es au sein d’une population parente suivent une distribution gaussienne ou normale. En psychom\u00e9trie et en psychologie quantitative, cette hypoth\u00e8se n’est pas un simple artifice math\u00e9matique destin\u00e9 \u00e0 faciliter les calculs matriciels : elle d\u00e9coule historiquement des travaux pionniers d’Adolphe Quetelet et de Francis Galton, qui ont postul\u00e9 que les caract\u00e9ristiques morphologiques et les aptitudes psychologiques humaines r\u00e9sultent de l’accumulation d’un grand nombre de facteurs g\u00e9n\u00e9tiques, environnementaux et d\u00e9veloppementaux ind\u00e9pendants, conduisant naturellement \u00e0 une r\u00e9partition en cloche.<\/p>\n

Lorsque cette pr\u00e9misse distributionnelle est viol\u00e9e de mani\u00e8re substantielle, les propri\u00e9t\u00e9s asymptotiques des estimateurs statistiques classiques s’en trouvent directement compromises. La cons\u00e9quence majeure r\u00e9side dans l’alt\u00e9ration impr\u00e9visible des taux d’erreur de d\u00e9cision statistique. Le taux d’erreur de premi\u00e8re esp\u00e8ce (l’erreur de type I, ou risque alpha), qui correspond \u00e0 la probabilit\u00e9 de rejeter \u00e0 tort une hypoth\u00e8se nulle pourtant vraie, peut s’\u00e9carter consid\u00e9rablement du seuil nominal fix\u00e9 \u00e0 0,05 par le chercheur. Dans certaines configurations de forte asym\u00e9trie combin\u00e9e \u00e0 des variances h\u00e9t\u00e9rog\u00e8nes, le test statistique peut devenir ind\u00fbment lib\u00e9ral, augmentant la prolif\u00e9ration de r\u00e9sultats faussement positifs dans la litt\u00e9rature empirique. Inversement, l’erreur de seconde esp\u00e8ce (l’erreur de type II, ou risque b\u00eata) peut cro\u00eetre, diminuant drastiquement la puissance statistique et emp\u00eachant la d\u00e9tection d’effets th\u00e9rapeutiques ou de corr\u00e9lations pourtant r\u00e9els.<\/p>\n

Il convient n\u00e9anmoins d’op\u00e9rer une distinction conceptuelle fondamentale entre la distribution de la variable dans la population parente et la distribution d’\u00e9chantillonnage de la statistique test\u00e9e. Les estimateurs des param\u00e8tres lin\u00e9aires (tels que les coefficients de r\u00e9gression ou les moyennes de groupe) requi\u00e8rent formellement la normalit\u00e9 des r\u00e9sidus d’\u00e9chantillonnage et non n\u00e9cessairement celle de la variable brute observ\u00e9e. N\u00e9anmoins, lorsque la distribution sous-jacente des donn\u00e9es observ\u00e9es s’\u00e9loigne drastiquement de la sym\u00e9trie gaussienne, cette distorsion se r\u00e9percute directement sur la structure des erreurs r\u00e9siduelles dans les \u00e9chantillons de taille modeste. La v\u00e9rification m\u00e9thodique de la normalit\u00e9 univari\u00e9e constitue ainsi le socle indispensable \u00e0 la garantie de validit\u00e9 interne des conclusions psychologiques.<\/p>\n

1.2 Vue d’ensemble des analyses statistiques requ\u00e9rant la normalit\u00e9<\/h3>\n

Le catalogue des techniques quantitatives tributaires du postulat de normalit\u00e9 traverse l’ensemble du paradigme param\u00e9trique univari\u00e9 et multivari\u00e9. Au premier chef figurent les tests de comparaison de moyennes. Le test t<\/em> de Student<\/a>, qu’il soit appliqu\u00e9 \u00e0 deux \u00e9chantillons ind\u00e9pendants (pour contraster un groupe exp\u00e9rimental et un groupe t\u00e9moin) ou \u00e0 des \u00e9chantillons appari\u00e9s (dans les devis pr\u00e9-test et post-test \u00e0 mesures r\u00e9p\u00e9t\u00e9es), assume explicitement que la variable continue d\u00e9pendante se distribue normalement au sein de chaque sous-population th\u00e9orique consid\u00e9r\u00e9e, ou que les scores de diff\u00e9rence soient distribu\u00e9s selon la loi normale.<\/p>\n

Dans le cadre du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral (MLG), le respect de la normalit\u00e9 des erreurs est imp\u00e9ratif pour l’exactitude des calculs de variance r\u00e9siduelle et l’assignation exacte des degr\u00e9s de libert\u00e9. L’analyse de variance \u00e0 un ou plusieurs facteurs (ANOVA), l’analyse de covariance (ANCOVA) contr\u00f4lant des covariables continues, ainsi que la r\u00e9gression lin\u00e9aire multiple reposent toutes sur la supposition que les \u00e9carts individuels autour du plan de r\u00e9gression th\u00e9orique se distribuent selon une loi $\\mathcal{N}(0, \\sigma^2)$<\/span>. Dans le champ multivari\u00e9, l’analyse multivari\u00e9e de la variance (MANOVA) impose une condition encore plus stricte : le respect de la normalit\u00e9 multivari\u00e9e, impliquant que chaque combinaison lin\u00e9aire des variables d\u00e9pendantes suive une loi normale conjointe.<\/p>\n

Les techniques corr\u00e9lationnelles et psychom\u00e9triques ne sont nullement exemptes de ces exigences. Le calcul du coefficient de corr\u00e9lation lin\u00e9aire r<\/em> de Pearson exige la normalit\u00e9 bivari\u00e9e des deux variables investigu\u00e9es afin que les tests de significativit\u00e9 associ\u00e9s soient rigoureusement calibr\u00e9s. De surcro\u00eet, les m\u00e9thodologies avanc\u00e9es d’analyse factorielle confirmatoire (AFC) et de mod\u00e9lisation par \u00e9quations structurelles (SEM), largement employ\u00e9es pour valider la structure dimensionnelle des \u00e9chelles d’\u00e9valuation psychologique, mobilisent par d\u00e9faut l’estimateur du maximum de vraisemblance (Maximum Likelihood), extr\u00eamement vuln\u00e9rable aux kurtosis excessifs et aux asym\u00e9tries s\u00e9v\u00e8res.<\/p>\n

1.3 Approches compl\u00e9mentaires d’\u00e9valuation : subjectives versus objectives<\/h3>\n

Face \u00e0 l’imp\u00e9ratif de documenter la normalit\u00e9, le chercheur contemporain dispose d’un vaste \u00e9ventail d’instruments diagnostiques que la litt\u00e9rature m\u00e9thodologique divise classiquement en m\u00e9thodes subjectives (exploratoires et visuelles) et m\u00e9thodes objectives (tests d’hypoth\u00e8ses formels et m\u00e9triques num\u00e9riques). Aucune de ces approches, employ\u00e9e de mani\u00e8re isol\u00e9e, ne suffit \u00e0 asseoir une d\u00e9cision statistique irr\u00e9prochable sous SPSS. Une convergence d’indices est imp\u00e9rative.<\/p>\n

Les m\u00e9thodes visuelles \u2014 telles que l’inspection minutieuse des histogrammes \u00e9talonn\u00e9s, des trac\u00e9s quantile-quantile (Q-Q plots) et des diagrammes de probabilit\u00e9 (P-P plots) \u2014 permettent d’appr\u00e9hender la morphologie globale de la distribution. Elles offrent une sensibilit\u00e9 qualitative in\u00e9gal\u00e9e pour discerner l’origine pr\u00e9cise d’un \u00e9cart \u00e0 la norme : pr\u00e9sence de valeurs extr\u00eames, \u00e9tirement unilat\u00e9ral des queues de distribution ou bimodalisme sugg\u00e9rant l’agr\u00e9gation non identifi\u00e9e de deux sous-populations cliniques distinctes. N\u00e9anmoins, l’interpr\u00e9tation de ces repr\u00e9sentations graphiques souffre in\u00e9vitablement d’une part de subjectivit\u00e9 humaine, le seuil de tol\u00e9rance visuelle variant selon l’exp\u00e9rience du statisticien.<\/p>\n

\u00c0 l’oppos\u00e9, les d\u00e9marches quantitatives objectives \u2014 articul\u00e9es autour du calcul des coefficients standardis\u00e9s d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>), compl\u00e9t\u00e9s par les tests d’ad\u00e9quation formels de Kolmogorov-Smirnov et de Shapiro-Wilk \u2014 fournissent des indicateurs math\u00e9matiques pr\u00e9cis assortis de seuils de d\u00e9cision univoques. Toutefois, ces tests souffrent de faiblesses statistiques intrins\u00e8ques, d\u00e9pendantes de la puissance d’\u00e9chantillonnage : ils s’av\u00e8rent excessivement permissifs dans les petits \u00e9chantillons et excessivement rigides dans les grands effectifs. C’est pourquoi seule une approche diagnostique int\u00e9gr\u00e9e, associant rigoureusement l’examen graphique et l’analyse num\u00e9rique, permet d’\u00e9tablir un diagnostic robuste de normalit\u00e9 dans l’environnement SPSS.<\/p>\n

2. Comprendre la distribution normale : concepts math\u00e9matiques et psychom\u00e9triques fondamentaux<\/h2>\n

2.1 Propri\u00e9t\u00e9s math\u00e9matiques de la loi normale univari\u00e9e<\/h3>\n

D’un point de vue strictement math\u00e9matique, la loi normale univari\u00e9e, couramment d\u00e9sign\u00e9e sous le nom de loi de Laplace-Gauss, est une distribution de probabilit\u00e9 th\u00e9orique pour variable al\u00e9atoire continue. Sa fonction de densit\u00e9 de probabilit\u00e9 est formellement d\u00e9finie par l’\u00e9quation math\u00e9matique suivante :<\/p>\n

$$f(x) = \\frac{1}{\\sigma \\sqrt{2\\pi}} \\exp\\left( -\\frac{1}{2}\\left(\\frac{x – \\mu}{\\sigma}\\right)^2 \\right)$$<\/span><\/p>\n

Dans cette formulation, $\\mu$<\/span> repr\u00e9sente l’esp\u00e9rance math\u00e9matique (la moyenne de la population parente) et $\\sigma$<\/span> figure l’\u00e9cart-type de cette m\u00eame population, $\\sigma^2$<\/span> en constituant la variance. Cette \u00e9quation met en lumi\u00e8re une caract\u00e9ristique structurelle remarquable : la loi normale est enti\u00e8rement param\u00e9tr\u00e9e par seulement deux moments statistiques, sa moyenne (qui localise le centre de gravit\u00e9 sur l’axe des abscisses) et sa variance (qui r\u00e9gule la dispersion ou l’\u00e9talement horizontal de la fonction). L’int\u00e9grale de cette fonction sur l’intervalle de $-\\infty$<\/span> \u00e0 $+\\infty$<\/span> est strictement \u00e9gale \u00e0 1, refl\u00e9tant la certitude de l’espace probabiliste complet.<\/p>\n

La courbe r\u00e9sultante exhibe une sym\u00e9trie parfaite de part et d’autre de son axe central perpendiculaire situ\u00e9 au point d’abscisse $x = \\mu$<\/span>. Cette sym\u00e9trie bilat\u00e9rale implique que la moyenne arithm\u00e9tique, la m\u00e9diane (le point s\u00e9parant l’\u00e9chantillon en deux moiti\u00e9s \u00e9quivalentes de 50 %) et le mode (le point d’ordonn\u00e9e maximale correspondant \u00e0 la densit\u00e9 de fr\u00e9quence la plus \u00e9lev\u00e9e) co\u00efncident rigoureusement en un unique point d’inflexion central. Par ailleurs, la distribution r\u00e9pond strictement \u00e0 la r\u00e8gle empirique des trois sigmas, selon laquelle approximativement 68,27 % des observations sont contenues dans l’intervalle $[\\mu – \\sigma, \\mu + \\sigma]$<\/span>, 95,45 % se situent entre $[\\mu – 2\\sigma, \\mu + 2\\sigma]$<\/span>, et 99,73 % sont circonscrites dans les bornes $[\\mu – 3\\sigma, \\mu + 3\\sigma]$<\/span>. Les queues de la courbe s’\u00e9tendent de mani\u00e8re asymptotique vers l’infini positif et n\u00e9gatif sans jamais toucher l’axe des abscisses.<\/p>\n

2.2 La normalit\u00e9 dans la mesure des traits psychologiques<\/h3>\n

En contexte psychom\u00e9trique, la distribution normale sert de mod\u00e8le th\u00e9orique r\u00e9gulateur pour l’\u00e9valuation des traits latents, tels que le quotient intellectuel, l’anxi\u00e9t\u00e9-trait, les dimensions de personnalit\u00e9 du mod\u00e8le des Big Five<\/em> ou les capacit\u00e9s neurocognitives. La plupart des instruments de mesure standardis\u00e9s reposent sur la th\u00e9orie classique des tests (TCT) ou la th\u00e9orie de r\u00e9ponse aux items (TRI), qui postulent que le trait sous-jacent latent $\\theta$<\/span> se distribue selon une loi continue normale standardis\u00e9e $\\mathcal{N}(0, 1)$<\/span> au sein de la population g\u00e9n\u00e9rale.<\/p>\n

Cependant, les r\u00e9alit\u00e9s du recueil de donn\u00e9es cliniques et psychosociales confrontent r\u00e9guli\u00e8rement le praticien \u00e0 des entorses s\u00e9v\u00e8res \u00e0 cette distribution id\u00e9ale. L’un des obstacles les plus r\u00e9currents r\u00e9side dans les art\u00e9facts d’asym\u00e9trie g\u00e9n\u00e9r\u00e9s par les ph\u00e9nom\u00e8nes de plancher (floor effects<\/em>) et de plafond (ceiling effects<\/em>). Par exemple, lors de l’administration d’une \u00e9chelle \u00e9valuant la symptomatologie d\u00e9pressive (comme le BDI-II) \u00e0 une population \u00e9tudiante saine non clinique, une immense majorit\u00e9 de participants obtiendra des scores nuls ou extr\u00eamement faibles, provoquant une accumulation massive d’observations \u00e0 l’extr\u00e9mit\u00e9 gauche de l’\u00e9chelle et cr\u00e9ant une asym\u00e9trie positive prononc\u00e9e. Inversement, l’\u00e9valuation de comp\u00e9tences mn\u00e9siques simples aupr\u00e8s d’adultes sains g\u00e9n\u00e9rera un effet de plafond avec une concentration des scores au maximum th\u00e9orique.<\/p>\n

De surcro\u00eet, la nature intrins\u00e8que des \u00e9chelles psychologiques constitue une source structurelle de d\u00e9bat m\u00e9thodologique. Les \u00e9chelles de type Likert en 4, 5 ou 7 points constituent formellement des variables ordinales discr\u00e8tes et non des variables continues m\u00e9triques. Bien que la pratique psychom\u00e9trique courante consiste \u00e0 agr\u00e9ger les items individuels pour calculer un score composite trait\u00e9 de facto comme une variable continue, cette approximation ne satisfait pas automatiquement aux exigences infinit\u00e9simales de la courbe de Gauss. Il appartient alors au chercheur de s’assurer que les distributions de ces scores composites pr\u00e9sentent un niveau de continuit\u00e9 et de lissage distributionnel suffisant pour justifier l’application des proc\u00e9dures param\u00e9triques sous SPSS.<\/p>\n

3. Pr\u00e9paration des donn\u00e9es psychologiques dans SPSS avant l’\u00e9valuation de la normalit\u00e9<\/h2>\n

3.1 V\u00e9rification et codification des variables dans l’\u00e9diteur SPSS<\/h3>\n

Avant d’initier la moindre proc\u00e9dure de calcul ou de g\u00e9n\u00e9rer des trac\u00e9s graphiques sous SPSS, une \u00e9tape pr\u00e9liminaire de v\u00e9rification architecturale des variables s’impose au sein de la vue des variables (Variable View<\/em>). Le logiciel SPSS attribue \u00e0 chaque colonne un type de donn\u00e9es (num\u00e9rique, cha\u00eene, date) ainsi qu’un niveau de mesure formel : nominal, ordinal ou \u00e9chelle (Scale<\/em>). Il est imp\u00e9ratif de s’assurer que toutes les variables psychom\u00e9triques continues ou composites destin\u00e9es au diagnostic de normalit\u00e9 soient formellement param\u00e9tr\u00e9es avec la mesure \u00ab \u00c9chelle \u00bb. Une erreur de d\u00e9signation \u00e0 ce niveau peut inhiber l’acc\u00e8s \u00e0 certaines options graphiques dans le constructeur de graphiques ou fausser les param\u00e8tres de calcul par d\u00e9faut.<\/p>\n

\"\"<\/figure>\n

La gestion rigoureuse des donn\u00e9es manquantes constitue la seconde exigence critique de cette phase pr\u00e9paratoire. Dans les protocoles de recherche en psychologie, les omissions de r\u00e9ponse sont fr\u00e9quentes. L’analyste doit imp\u00e9rativement param\u00e9trer de mani\u00e8re explicite les valeurs manquantes d\u00e9finies par l’utilisateur (User-Missing Values<\/em>) dans l’\u00e9diteur de variables \u2014 par exemple en attribuant les codes 999 ou -99 aux non-r\u00e9ponses ou aux abandons \u2014 afin d’\u00e9viter que ces codes num\u00e9riques soient trait\u00e9s par SPSS comme des valeurs quantitatives r\u00e9elles. Une omission \u00e0 ce niveau introduirait des valeurs aberrantes massives, d\u00e9truisant instantan\u00e9ment toute normalit\u00e9 distributionnelle.<\/p>\n

Enfin, l’\u00e9valuation de la normalit\u00e9 doit s’op\u00e9rer au niveau ad\u00e9quat d’agr\u00e9gation de l’information psychologique. Il est g\u00e9n\u00e9ralement peu pertinent de v\u00e9rifier la normalit\u00e9 item par item sur des \u00e9chelles de Likert individuelles polytomiques, puisque celles-ci sont intrins\u00e8quement discr\u00e8tes et limit\u00e9es. L’analyste doit au pr\u00e9alable g\u00e9n\u00e9rer la variable composite (score global ou score moyen de l’\u00e9chelle) par le truchement de la commande Transformer > Calculer la variable<\/code> (Transform > Compute Variable<\/em>), en mobilisant des fonctions d’agr\u00e9gation robustes telles que SUM()<\/code> ou MEAN()<\/code>, conditionn\u00e9es au respect d’un pourcentage minimal de compl\u00e9tion des items par sujet pour pr\u00e9server la m\u00e9trique de l’instrument.<\/p>\n

3.2 Tri et segmentation des bases de donn\u00e9es par sous-groupes<\/h3>\n

Une m\u00e9prise m\u00e9thodologique fr\u00e9quente chez les utilisateurs de SPSS r\u00e9side dans la v\u00e9rification de la normalit\u00e9 sur l’ensemble agglom\u00e9r\u00e9 de l’\u00e9chantillon, alors m\u00eame que le devis de recherche implique des comparaisons entre sous-groupes exp\u00e9rimentaux ou quasi-exp\u00e9rimentaux distincts. Dans le cadre d’un plan factoriel \u00e0 groupes ind\u00e9pendants, le postulat de normalit\u00e9 doit \u00eatre v\u00e9rifi\u00e9 au sein de chaque cellule du plan exp\u00e9rimental<\/em>, c’est-\u00e0-dire de mani\u00e8re disjointe pour chaque modalit\u00e9 de la variable ind\u00e9pendante, et non sur le corpus global.<\/p>\n

Pour ex\u00e9cuter cette d\u00e9sagr\u00e9gation sous SPSS, la proc\u00e9dure la plus \u00e9l\u00e9gante consiste \u00e0 recourir \u00e0 la commande de segmentation du fichier via le menu Donn\u00e9es > Fractionner le fichier<\/code> (Data > Split File<\/em>). L’activation de l’option \u00ab Comparer les groupes \u00bb ou \u00ab Organiser les r\u00e9sultats par groupes \u00bb en ins\u00e9rant la variable cat\u00e9gorielle de regroupement (par exemple : Groupe Clinique versus Groupe T\u00e9moin ; Condition Exp\u00e9rimentale A, B ou C) contraint SPSS \u00e0 ex\u00e9cuter l’ensemble des analyses descriptives, graphiques et tests formels de fa\u00e7on \u00e9tanche pour chaque strate de la population. Une distribution globale peut en effet sembler bimodale ou asym\u00e9trique simplement parce qu’elle agr\u00e8ge deux sous-groupes ayant des moyennes divergentes, alors m\u00eame que la normalit\u00e9 intra-groupe est parfaitement pr\u00e9serv\u00e9e au sein de chacun d’eux.<\/p>\n

De surcro\u00eet, dans les mod\u00e8les de r\u00e9gression lin\u00e9aire multiple ou d’analyse de variance multivari\u00e9e, l’attention m\u00e9thodologique doit se d\u00e9placer de la variable brute vers les r\u00e9sidus non standardis\u00e9s ou standardis\u00e9s du mod\u00e8le. L’analyste doit d’abord estimer le mod\u00e8le lin\u00e9aire via le menu Analyser > R\u00e9gression > Lin\u00e9aire<\/code> (ou Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral) et cocher l’option de sauvegarde des r\u00e9sidus (Save > Residuals > Unstandardized<\/em>). Ce sont ces valeurs r\u00e9siduelles g\u00e9n\u00e9r\u00e9es dans une nouvelle colonne du tableur qui feront l’objet de l’ensemble du protocole diagnostique de normalit\u00e9 expos\u00e9 ci-apr\u00e8s.<\/p>\n

4. M\u00e9thode graphique 1 : L’analyse des histogrammes et courbes de Gauss sous SPSS<\/h2>\n

4.1 G\u00e9n\u00e9ration d’histogrammes avec superposition de la courbe normale<\/h3>\n

L’histogramme constitue la repr\u00e9sentation graphique univari\u00e9e la plus \u00e9l\u00e9mentaire et la plus intuitive pour appr\u00e9cier empiriquement la morphologie de la distribution d’une variable psychologique continue. Dans l’environnement SPSS, la construction d’un histogramme rigoureux ne doit pas \u00eatre laiss\u00e9e aux algorithmes sommaires des menus de base, mais optimis\u00e9e pour int\u00e9grer la r\u00e9f\u00e9rence math\u00e9matique de la courbe de densit\u00e9 normale th\u00e9orique.<\/p>\n

La d\u00e9marche standardis\u00e9e s’op\u00e8re pr\u00e9f\u00e9rentiellement \u00e0 travers le module Graphes > G\u00e9n\u00e9rateur de graphiques<\/code> (Graphs > Chart Builder<\/em>) ou via le menu interactif classique Graphes > Bo\u00eetes de dialogue anciennes > Histogramme<\/code> (Histogram<\/em>). Dans cette interface, le chercheur glisse la variable psychom\u00e9trique d’int\u00e9r\u00eat dans le champ \u00ab Variable \u00bb et s’assure d’activer explicitement la case \u00e0 cocher \u00ab Afficher la courbe normale \u00bb (Display normal curve<\/em>). Cette instruction contraint le moteur graphique de SPSS \u00e0 mod\u00e9liser et superposer sur les barres empiriques une courbe gaussienne continue param\u00e9tr\u00e9e rigoureusement \u00e0 partir de la moyenne et de l’\u00e9cart-type observ\u00e9s dans l’\u00e9chantillon.<\/p>\n

\"\"<\/figure>\n

Une vigilance technique extr\u00eame doit \u00eatre accord\u00e9e au param\u00e9trage du d\u00e9coupage en classes (le binning<\/em>). Par d\u00e9faut, SPSS emploie une r\u00e8gle de calcul automatis\u00e9e pour d\u00e9terminer le nombre et la largeur des intervalles d’abscisse. Or, ce d\u00e9coupage arbitraire peut introduire des artefacts de perception : un nombre insuffisant d’intervalles masque des asym\u00e9tries locales ou des discontinuit\u00e9s, tandis qu’un nombre excessif de classes morc\u00e8le artificiellement une distribution pourtant continue en g\u00e9n\u00e9rant des asp\u00e9rit\u00e9s al\u00e9atoires dues aux fluctuations d’\u00e9chantillonnage. En double-cliquant sur le graphique pour ouvrir l’\u00c9diteur de graphiques de SPSS, le chercheur peut acc\u00e9der aux propri\u00e9t\u00e9s de l’axe des X pour ajuster manuellement la largeur des classes (selon la r\u00e8gle de Sturges ou la r\u00e8gle de Freedman-Diaconis), garantissant ainsi une repr\u00e9sentation fid\u00e8le de la structure latente.<\/p>\n

4.2 Interpr\u00e9tation visuelle de la forme de la distribution<\/h3>\n

L’analyse qualitative de l’histogramme avec courbe normale superpos\u00e9e vise \u00e0 traquer trois anomalies morphologiques principales : les asym\u00e9tries unilat\u00e9rales, le polymorphisme modal et l’anomalie de d\u00e9charnement ou d’\u00e9paisseur des queues de distribution. Le chercheur compare la silhouette des barres empiriques avec le trac\u00e9 continu de la cloche th\u00e9orique.<\/p>\n

Une asym\u00e9trie positive (ou \u00e9talement vers la droite) se caract\u00e9rise par une concentration majeure des observations dans la r\u00e9gion des scores faibles ou mod\u00e9r\u00e9s (la masse de la cloche se situant \u00e0 gauche), tandis qu’une tra\u00eene de valeurs \u00e9parses s’\u00e9tire loin vers les valeurs \u00e9lev\u00e9es de l’axe horizontal. Cette configuration est typique des \u00e9chelles mesurant des comportements pathologiques en population g\u00e9n\u00e9rale (par exemple les \u00e9chelles de schizotypie ou d’agressivit\u00e9). Inversement, une asym\u00e9trie n\u00e9gative (\u00e9talement vers la gauche) pr\u00e9sente une queue \u00e9tir\u00e9e vers les faibles scores avec une agglom\u00e9ration des effectifs \u00e0 l’extr\u00eame droite, ce qui s’observe fr\u00e9quemment sur des \u00e9chelles d’estime de soi ou de bien-\u00eatre subjectif au sein de populations non cliniques.<\/p>\n

L’inspection visuelle doit \u00e9galement scruter la pr\u00e9sence d’une configuration bimodale ou multimodale, visualisable sous la forme de deux ou plusieurs sommets distincts s\u00e9par\u00e9s par un creux de fr\u00e9quence. En psychologie empirique, une bimodalit\u00e9 franche sur un histogramme trahit presque immanquablement la violation du principe d’homog\u00e9n\u00e9it\u00e9 de l’\u00e9chantillon. Elle indique que la variable mesur\u00e9e regroupe deux populations distinctes n’ayant pas \u00e9t\u00e9 dissoci\u00e9es par l’exp\u00e9rimentateur (par exemple, des participants masculins et f\u00e9minins pr\u00e9sentant des distributions de scores \u00e9tag\u00e9es sur des \u00e9chelles de force physique ou d’empathie, ou la pr\u00e9sence conjointe de sujets sains et de patients cliniques non d\u00e9pist\u00e9s). Enfin, le niveau d’alignement des queues de distribution permet d’\u00e9valuer grossi\u00e8rement si les effectifs extr\u00eames sont conformes aux probabilit\u00e9s infinit\u00e9simales de Gauss ou s’ils s’en d\u00e9tachent anormalement.<\/p>\n

5. M\u00e9thode graphique 2 : L’interpr\u00e9tation rigoureuse des diagrammes Q-Q et P-P<\/h2>\n

5.1 Principes th\u00e9oriques des trac\u00e9s Quantile-Quantile (Q-Q Plots)<\/h3>\n

Bien que l’histogramme offre une perception globale s\u00e9duisante, le diagramme Quantile-Quantile (couramment d\u00e9sign\u00e9 sous l’appellation Q-Q Plot) constitue l’outil diagnostique graphique par excellence dans l’analyse statistique moderne. Sa sup\u00e9riorit\u00e9 m\u00e9thodologique r\u00e9side dans sa capacit\u00e9 \u00e0 transformer la comparaison complexe de deux densit\u00e9s curvilignes en une analyse lin\u00e9aire directe par rapport \u00e0 une bissectrice th\u00e9orique.<\/p>\n

Sur le plan math\u00e9matique, un diagramme Q-Q confronte directement les quantiles de la distribution empirique observ\u00e9e aux quantiles correspondants de la distribution th\u00e9orique normale attendue pour un \u00e9chantillon de taille \u00e9quivalente. SPSS classe l’ensemble des $N$<\/span> observations par ordre croissant, assigne \u00e0 chaque rang d’observation une probabilit\u00e9 cumulative th\u00e9orique en utilisant une formule de tra\u00e7age standardis\u00e9e (telle que l’algorithme de Blom, de Tukey ou de Hazen), puis calcule les quantiles th\u00e9oriques issus de la fonction quantile normale inverse $\\Phi^{-1}(p)$<\/span>. Les couples de coordonn\u00e9es $(\\text{Quantile Th\u00e9orique}, \\text{Quantile Observ\u00e9})$<\/span> sont ensuite projet\u00e9s dans un rep\u00e8re cart\u00e9sien bidimensionnel.<\/p>\n

\"\"<\/figure>\n

Si la distribution des donn\u00e9es est rigoureusement normale, l’ensemble des points empiriques s’agr\u00e8ge de fa\u00e7on quasi parfaite le long d’une droite diagonale ascendante formant un angle id\u00e9al de 45 degr\u00e9s (la ligne de r\u00e9f\u00e9rence $y = x$<\/span>). Tout \u00e9cart structurel par rapport \u00e0 cette diagonale fournit un diagnostic pr\u00e9cis sur la nature math\u00e9matique de la distorsion distributionnelle. Une d\u00e9viation formant une courbure en arc de cercle concave ou convexe r\u00e9v\u00e8le une asym\u00e9trie unilat\u00e9rale : une courbure au-dessus de la ligne aux deux extr\u00e9mit\u00e9s indique une asym\u00e9trie positive, tandis qu’une d\u00e9flexion en dessous signale une asym\u00e9trie n\u00e9gative. Lorsque le trac\u00e9 prend une forme sigmo\u00efde caract\u00e9ristique en \u00ab S \u00bb, le graphique documente une anomalie d’aplatissement (kurtosis). Une forme en S croisant la ligne centrale de bas en haut d\u00e9note une distribution leptokurtique (\u00e0 queues lourdes), tandis qu’un S invers\u00e9 trahit une distribution platykurtique (\u00e0 queues l\u00e9g\u00e8res ou bo\u00eete tronqu\u00e9e).<\/p>\n

5.2 Analyse des diagrammes Q-Q sans tendance (Detrended Q-Q Plots)<\/h3>\n

Pour affiner l’acuit\u00e9 du regard critique du chercheur, SPSS g\u00e9n\u00e8re automatiquement, lors de la demande d’un diagramme Q-Q, une seconde repr\u00e9sentation graphique compl\u00e9mentaire d\u00e9sign\u00e9e sous le nom de diagramme Q-Q sans tendance (Detrended Normal Q-Q Plot<\/em>). Cette visualisation \u00e9limine la composante de pente diagonale pour focaliser l’observation sur les \u00e9carts r\u00e9siduels stricts.<\/p>\n

L’axe horizontal conserve les quantiles th\u00e9oriques normaux, mais l’axe vertical affiche d\u00e9sormais la diff\u00e9rence arithm\u00e9tique directe entre la valeur observ\u00e9e et la valeur attendue sous l’hypoth\u00e8se de normalit\u00e9 : $\\Delta = \\text{Valeur Observ\u00e9e} – \\text{Valeur Attendue}$<\/span>. La ligne de r\u00e9f\u00e9rence th\u00e9orique est ainsi repr\u00e9sent\u00e9e par une droite horizontale plate d’ordonn\u00e9e $y = 0$<\/span>. Dans une situation de normalit\u00e9 distributionnelle id\u00e9ale, les points doivent se r\u00e9partir de mani\u00e8re totalement al\u00e9atoire, chaotique et homog\u00e8ne autour de cette ligne d’ordonn\u00e9e z\u00e9ro, sans manifester aucune structure g\u00e9om\u00e9trique organis\u00e9e.<\/p>\n

Le trac\u00e9 sans tendance agit comme une v\u00e9ritable loupe microscopique sur les anomalies de distribution. Il permet de mettre instantan\u00e9ment en exergue des distorsions ondulatoires de faible amplitude qui passeraient inaper\u00e7ues sur le Q-Q plot standard en raison de l’\u00e9crasement visuel provoqu\u00e9 par l’\u00e9chelle diagonale. Si le nuage de points dessine une parabole descendante ou ascendante, le diagnostic d’asym\u00e9trie est formellement confort\u00e9. Si le trac\u00e9 r\u00e9siduel adopte une ondulation sinuso\u00efdale r\u00e9guli\u00e8re traversant alternativement le niveau z\u00e9ro, la pr\u00e9sence d’un kurtosis anormal est \u00e9tablie avec une grande pr\u00e9cision s\u00e9miologique.<\/p>\n

5.3 Diagrammes Probabilit\u00e9-Probabilit\u00e9 (P-P Plots) : utilit\u00e9 et limites<\/h3>\n

Le diagramme Probabilit\u00e9-Probabilit\u00e9 (P-P Plot) constitue une variante g\u00e9om\u00e9trique qui confronte cette fois-ci non pas les quantiles m\u00e9triques, mais les fonctions de r\u00e9partition empiriques cumul\u00e9es aux probabilit\u00e9s cumul\u00e9es th\u00e9oriques de la loi normale :<\/p>\n

$$P_{\\text{th\u00e9orique}} = \\Phi\\left(\\frac{x – \\mu}{\\sigma}\\right)$$<\/span><\/p>\n

Les coordonn\u00e9es port\u00e9es sur le graphique P-P sont toutes born\u00e9es sur l’intervalle $[0, 1]$<\/span>, tant sur l’axe des abscisses que sur l’axe des ordonn\u00e9es. Comme pour le trac\u00e9 Q-Q, une distribution normale parfaite se traduit par l’alignement continu des points sur la bissectrice diagonale principale reliant l’origine $(0,0)$<\/span> au sommet sup\u00e9rieur droit $(1,1)$<\/span>.<\/p>\n

Toutefois, la sensibilit\u00e9 diagnostique du diagramme P-P diff\u00e8re fondamentalement de celle du diagramme Q-Q. En raison des propri\u00e9t\u00e9s math\u00e9matiques de la fonction de r\u00e9partition cumulative, les variations relatives sont maximales au centre de la distribution (dans la zone m\u00e9diane o\u00f9 la densit\u00e9 de probabilit\u00e9 est la plus forte) et se tassent drastiquement aux deux extr\u00e9mit\u00e9s probabilistes (vers 0 et vers 1). En cons\u00e9quence, le trac\u00e9 P-P est un d\u00e9tecteur d’anomalies extr\u00eamement puissant pour identifier les d\u00e9viations de forme situ\u00e9es au c\u0153ur de la distribution, mais il est particuli\u00e8rement insensible aux d\u00e9viations majeures situ\u00e9es dans les queues. Or, en psychom\u00e9trie et dans la validation des postulats param\u00e9triques, ce sont pr\u00e9cis\u00e9ment les queues de distribution et la pr\u00e9sence d’observations extr\u00eames qui d\u00e9truisent la validit\u00e9 des inf\u00e9rences statistiques. Ainsi, bien que SPSS permette de g\u00e9n\u00e9rer les deux trac\u00e9s, le chercheur en sciences humaines privil\u00e9giera syst\u00e9matiquement le trac\u00e9 Q-Q pour son diagnostic formel.<\/p>\n

6. M\u00e9thode graphique 3 : Les bo\u00eetes \u00e0 moustaches et l’identification des valeurs aberrantes<\/h2>\n

6.1 Construction math\u00e9matique de la bo\u00eete \u00e0 moustaches (Boxplot) sous SPSS<\/h3>\n

La bo\u00eete \u00e0 moustaches, con\u00e7ue par le math\u00e9maticien John Tukey sous l’appellation originale de Boxplot<\/em>, constitue une technique exploratoire non param\u00e9trique incontournable pour jauger simultan\u00e9ment de la sym\u00e9trie centrale d’une variable et de l’int\u00e9grit\u00e9 de ses marges distributionnelles sous SPSS. Sa g\u00e9om\u00e9trie ne d\u00e9pend d’aucune hypoth\u00e8se de distribution pr\u00e9alable, ce qui en fait un \u00e9talon diagnostique particuli\u00e8rement objectif.<\/p>\n

La morphologie de la bo\u00eete centrale est d\u00e9finie par trois quantiles cardinaux : la charni\u00e8re inf\u00e9rieure correspond au premier quartile ($Q_1$<\/span>, soit le 25e centile), la charni\u00e8re sup\u00e9rieure correspond au troisi\u00e8me quartile ($Q_3$<\/span>, soit le 75e centile), et la barre transversale int\u00e9rieure mat\u00e9rialise la m\u00e9diane arithm\u00e9tique ($Q_2$<\/span> ou 50e centile). La hauteur de cette bo\u00eete d\u00e9limite l’intervalle interquartile ($IQR = Q_3 – Q_1$<\/span>), qui encapsule 50 % des observations centrales de la s\u00e9rie statistique. Les moustaches (ou segments verticaux) s’\u00e9tendent depuis les bords de la bo\u00eete jusqu’aux valeurs observ\u00e9es les plus extr\u00eames qui demeurent \u00e0 l’int\u00e9rieur des limites de Tukey, d\u00e9finies math\u00e9matiquement comme suit :<\/p>\n

$$\\text{Limite Int\u00e9rieure Inf\u00e9rieure} = Q_1 – 1,5 \\times IQR$$<\/span><\/p>\n

$$\\text{Limite Int\u00e9rieure Sup\u00e9rieure} = Q_3 + 1,5 \\times IQR$$<\/span><\/p>\n

\"\"<\/figure>\n

L’\u00e9valuation de la normalit\u00e9 via la bo\u00eete \u00e0 moustaches implique une triple v\u00e9rification sym\u00e9trique : la m\u00e9diane horizontale doit \u00eatre rigoureusement positionn\u00e9e au centre \u00e9quidistant de la bo\u00eete ($Q_2 – Q_1 \\approx Q_3 – Q_2$<\/span>), la longueur de la moustache sup\u00e9rieure doit \u00eatre \u00e9quivalente \u00e0 celle de la moustache inf\u00e9rieure, et aucun point de dispersion individuelle ne doit \u00eatre projet\u00e9 au-del\u00e0 des moustaches terminales.<\/p>\n

6.2 D\u00e9tection et classification des observations extr\u00eames<\/h3>\n

L’un des apports majeurs de la bo\u00eete \u00e0 moustaches dans SPSS r\u00e9side dans son algorithme de discrimination automatique et d’identification univoque des observations aberrantes (outliers<\/em>). SPSS impl\u00e9mente une taxonomie typologique \u00e0 deux niveaux distincts, caract\u00e9ris\u00e9e par des marqueurs visuels diff\u00e9renci\u00e9s assortis du num\u00e9ro d’identification de la ligne du participant dans la matrice de donn\u00e9es.<\/p>\n

Le premier niveau correspond aux valeurs aberrantes l\u00e9g\u00e8res ou mod\u00e9r\u00e9es, d\u00e9sign\u00e9es dans l’environnement SPSS par un petit cercle ou un rond ($circ$<\/span>). Ces points repr\u00e9sentent des observations qui d\u00e9passent les limites int\u00e9rieures de Tukey sans exc\u00e9der les limites ext\u00e9rieures, c’est-\u00e0-dire comprises dans les intervalles $[Q_3 + 1,5 \\times IQR ,;, Q_3 + 3 \\times IQR]$<\/span> ou $[Q_1 – 3 \\times IQR ,;, Q_1 – 1,5 \\times IQR]$<\/span>. Le second niveau, beaucoup plus alarmant pour la validit\u00e9 distributionnelle, concerne les valeurs aberrantes extr\u00eames, syst\u00e9matiquement d\u00e9sign\u00e9es sur le graphique par un ast\u00e9risque ($ast$<\/span>). Ces valeurs se situent au-del\u00e0 des limites ext\u00e9rieures absolues de Tukey ($> Q_3 + 3 \\times IQR$<\/span> ou $< Q_1 – 3 \\times IQR$<\/span>). Dans une loi normale standard th\u00e9orique, la probabilit\u00e9 d’occurrence d’une telle observation extr\u00eame est infinit\u00e9simale ($p < 0,000002$<\/span>).<\/p>\n

La pr\u00e9sence de ces ast\u00e9risques et cercles sur le boxplot explique tr\u00e8s fr\u00e9quemment le rejet m\u00e9canique de l’hypoth\u00e8se de normalit\u00e9 lors des tests formels sous SPSS. Une unique observation extr\u00eame situ\u00e9e \u00e0 4 ou 5 \u00e9carts-types de la moyenne exerce un effet de levier disproportionn\u00e9 sur le calcul de la moyenne arithm\u00e9tique et \u00e9tire artificiellement la variance, provoquant une distorsion majeure des coefficients d’asym\u00e9trie et de kurtosis. L’identification rigoureuse de ces num\u00e9ros de cas permet au chercheur d’inspecter son tableur brut pour d\u00e9m\u00ealer s’il s’agit d’une coquille de saisie typographique ou d’un profil clinique authentique appelant un traitement m\u00e9thodologique sp\u00e9cifique.<\/p>\n

7. \u00c9valuation num\u00e9rique : Coefficients d’asym\u00e9trie (Skewness) et d’aplatissement (Kurtosis)<\/h2>\n

7.1 Calcul et signification statistique de l’asym\u00e9trie (Skewness)<\/h3>\n

L’exploration visuelle doit obligatoirement \u00eatre confort\u00e9e par la quantification math\u00e9matique de la forme de la distribution. Le premier indice num\u00e9rique cardinal est le coefficient d’asym\u00e9trie (d\u00e9sign\u00e9 sous le vocable anglais de Skewness<\/em><\/a>). Sur le plan th\u00e9orique, l’asym\u00e9trie d’une population est le moment centr\u00e9 d’ordre trois standardis\u00e9, d\u00e9fini par :<\/p>\n

$$\\gamma_1 = \\mathbb{E}\\left[\\left(\\frac{X – \\mu}{\\sigma}\\right)^3\\right]$$<\/span><\/p>\n

Sous SPSS, le logiciel applique un estimateur non biais\u00e9 pour \u00e9chantillons finis calcul\u00e9 \u00e0 partir de la somme des \u00e9carts \u00e0 la moyenne \u00e9lev\u00e9s \u00e0 la puissance trois, pond\u00e9r\u00e9 par les degr\u00e9s de libert\u00e9 li\u00e9s \u00e0 la taille de l’\u00e9chantillon $N$<\/span>. Une distribution normale th\u00e9orique, \u00e9tant rigoureusement sym\u00e9trique, pr\u00e9sente un coefficient d’asym\u00e9trie exactement \u00e9gal \u00e0 z\u00e9ro. Un coefficient de Skewness positif indique un \u00e9talement de la distribution vers la droite (longue queue droite), refl\u00e9tant une surrepr\u00e9sentation de scores faibles avec quelques scores isol\u00e9s tr\u00e8s \u00e9lev\u00e9s. Un coefficient n\u00e9gatif traduit un \u00e9talement vers la gauche (longue queue gauche).<\/p>\n

Pour \u00e9valuer si l’asym\u00e9trie observ\u00e9e s’\u00e9carte significativement de z\u00e9ro sur le plan inf\u00e9rentiel, SPSS fournit conjointement l’erreur standard d’asym\u00e9trie ($SE_{\\text{skewness}} \\approx \\sqrt{6\/N}$<\/span>). Le chercheur peut alors calculer manuellement un score standardis\u00e9 $z$<\/span> d’asym\u00e9trie en divisant la valeur du coefficient par son erreur standard :<\/p>\n

$$z_{\\text{skewness}} = \\frac{\\text{Skewness}}{SE_{\\text{skewness}}}$$<\/span><\/p>\n

Sous l’hypoth\u00e8se nulle de normalit\u00e9, ce score $z$<\/span> suit asymptotiquement une loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>. En cons\u00e9quence, un score $z$<\/span> exc\u00e9dant la valeur absolue de 1,96 rejette l’hypoth\u00e8se de sym\u00e9trie au seuil bilat\u00e9ral de $\\alpha = 0,05$<\/span>, tandis qu’une valeur d\u00e9passant $|2,58|$<\/span> la rejette au seuil tr\u00e8s conservateur de $\\alpha = 0,01$<\/span>.<\/p>\n

\"\"<\/figure>\n

7.2 Calcul et signification statistique de l’aplatissement (Kurtosis)<\/h3>\n

Le second param\u00e8tre fondamental de forme est le coefficient d’aplatissement (d\u00e9sign\u00e9 sous le terme de Kurtosis<\/em><\/a>). Math\u00e9matiquement, il d\u00e9rive du moment centr\u00e9 d’ordre quatre standardis\u00e9. Il convient d’embl\u00e9e de lever une confusion m\u00e9thodologique majeure persistante : le kurtosis ne mesure pas simplement \u00ab la pointicit\u00e9 \u00bb ou la finesse du pic central de la cloche, mais quantifie prioritairement la propension de la distribution \u00e0 concentrer sa variance dans ses queues extr\u00eames (la tailness<\/em> ou propension aux valeurs aberrantes).<\/p>\n

Dans la th\u00e9orie statistique classique, la loi normale pr\u00e9sente un kurtosis brut de 3. Toutefois, l’environnement logiciel IBM SPSS Statistics adopte la convention internationale de l’exc\u00e8s de kurtosis (Excess Kurtosis<\/em>), en retranchant syst\u00e9matiquement 3 \u00e0 la valeur calcul\u00e9e :<\/p>\n

$$\\text{Kurtosis}_{\\text{SPSS}} = \\frac{m_4}{s^4} – 3$$<\/span><\/p>\n

De ce fait, sous SPSS, une distribution normale parfaite pr\u00e9sente un coefficient de Kurtosis rigoureusement \u00e9gal \u00e0 z\u00e9ro (distribution dite m\u00e9sokurtique). Une valeur positive indique une distribution leptokurtique : les queues de distribution sont \u00e9paisses et charg\u00e9es en probabilit\u00e9, signifiant une probabilit\u00e9 anormalement \u00e9lev\u00e9e d’observer des valeurs extr\u00eames comparativement \u00e0 la loi normale. Une valeur n\u00e9gative documente une distribution platykurtique : les queues sont minces, d\u00e9charn\u00e9es ou tronqu\u00e9es, et la distribution ressemble davantage \u00e0 un profil rectangulaire ou uniforme.<\/p>\n

\u00c0 l’instar de l’asym\u00e9trie, SPSS fournit l’erreur standard du kurtosis ($SE_{\\text{kurtosis}} \\approx \\sqrt{24\/N}$<\/span>). Le score standardis\u00e9 $z$<\/span> d’aplatissement se calcule de mani\u00e8re analogue :<\/p>\n

$$z_{\\text{kurtosis}} = \\frac{\\text{Kurtosis}}{SE_{\\text{kurtosis}}}$$<\/span><\/p>\n

Les m\u00eames seuils critiques d\u00e9cisionnels s’appliquent : une valeur exc\u00e9dant $|1,96|$<\/span> ou $|2,58|$<\/span> indique une violation statistiquement significative du postulat m\u00e9sokurtique aux seuils respectifs de 5 % et 1 %.<\/p>\n

7.3 Directives contemporaines et r\u00e8gles empiriques en sciences du comportement<\/h3>\n

Bien que le recours aux scores $z_{\\text{skewness}}$<\/span> et $z_{\\text{kurtosis}}$<\/span> demeure classique dans les manuels d’introduction, la m\u00e9thodologie psychologique contemporaine met en garde contre l’application servile de ces indices de d\u00e9cision bas\u00e9s sur le seuil d’erreur standard. En effet, l’erreur standard \u00e9tant fonction inverse de la racine carr\u00e9e de $N$<\/span> ($1\/\\sqrt{N}$<\/span>), elle converge math\u00e9matiquement vers z\u00e9ro \u00e0 mesure que la taille de l’\u00e9chantillon s’accro\u00eet. D\u00e8s lors, pour des \u00e9chantillons mod\u00e9r\u00e9ment larges ($N > 200$<\/span> ou $300$), des d\u00e9viations morphologiques totalement d\u00e9risoires et cliniquement insignifiantes conduisent syst\u00e9matiquement \u00e0 des scores $z$<\/span> largement sup\u00e9rieurs \u00e0 1,96, entra\u00eenant le rejet infond\u00e9 de la normalit\u00e9.<\/p>\n

Pour s’extraire de cette aporie de puissance statistique, la litt\u00e9rature psychom\u00e9trique avanc\u00e9e pr\u00e9conise de se r\u00e9f\u00e9rer directement aux grandeurs absolues des coefficients non standardis\u00e9s d’asym\u00e9trie et d’aplatissement. Les crit\u00e8res m\u00e9thodologiques de r\u00e9f\u00e9rence formul\u00e9s par West, Finch et Curran (1995), et largement adopt\u00e9s pour l’estimation des mod\u00e8les de r\u00e9gression et de mod\u00e9lisation par \u00e9quations structurelles, \u00e9tablissent une grille d’interpr\u00e9tation pragmatique :<\/p>\n