burnout<\/em>). De nombreuses enqu\u00eates \u00e9pid\u00e9miologiques et organisationnelles d\u00e9montrent qu’une activit\u00e9 professionnelle tr\u00e8s restreinte (sous-emploi ou inactivit\u00e9 contrainte) g\u00e9n\u00e8re une d\u00e9tresse psychologique li\u00e9e \u00e0 la privation de statut social et d’autonomie financi\u00e8re. Cependant, l\u2019accroissement du volume d’heures travaill\u00e9es ne produit des b\u00e9n\u00e9fices psychologiques que jusqu’\u00e0 un certain seuil hebdomadaire — souvent situ\u00e9 entre 35 et 40 heures. Au-del\u00e0, l’empi\u00e8tement sur les temps de r\u00e9cup\u00e9ration somatique et la conciliation vie personnelle-vie professionnelle pr\u00e9cipite l’\u00e9rosion du bien-\u00eatre.<\/p>\nL’exploration empirique de ces fonctions non lin\u00e9aires int\u00e8gre fr\u00e9quemment l\u2019hypoth\u00e8se d’une mod\u00e9ration par les ressources psychologiques individuelles. Par exemple, le sentiment d\u2019auto-efficacit\u00e9 ou le soutien social per\u00e7u ne modifie pas n\u00e9cessairement la forme quadratique g\u00e9n\u00e9rale, mais d\u00e9cale le sommet de la parabole. Un employ\u00e9 disposant de ressources psychologiques substantielles tol\u00e9rera une charge d’heures plus \u00e9lev\u00e9e avant d’entamer la phase de d\u00e9clin psychologique, illustrant la pertinence de l’analyse polynomiale pour comprendre la variabilit\u00e9 humaine.<\/p>\n
2. Pr\u00e9requis m\u00e9thodologiques et hypoth\u00e8ses statistiques du mod\u00e8le<\/h2>\n2.1 Hypoth\u00e8ses de distribution des r\u00e9sidus et homosc\u00e9dasticit\u00e9<\/h3>\n Bien que la r\u00e9gression quadratique mod\u00e9lise une trajectoire incurv\u00e9e dans l’espace des donn\u00e9es, elle rel\u00e8ve du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Par cons\u00e9quent, elle h\u00e9rite directement de la totalit\u00e9 des exigences distributionnelles classiques relatives aux termes d\u2019erreur r\u00e9siduelle. La premi\u00e8re condition imp\u00e9rative stipule que les r\u00e9sidus standardis\u00e9s du mod\u00e8le doivent \u00eatre distribu\u00e9s selon une loi normale de moyenne nulle et d’\u00e9cart-type unitaire. Une d\u00e9viation marqu\u00e9e par rapport \u00e0 la normalit\u00e9 r\u00e9siduelle remet en cause l’exactitude des calculs de valeurs p<\/em> et corrompt la validit\u00e9 des inf\u00e9rences d\u00e9duites des tests t<\/em> de Student et F<\/em> de Fisher-Snedecor.<\/p>\nL’homosc\u00e9dasticit\u00e9 — ou \u00e9galit\u00e9 de la variance des r\u00e9sidus \u00e0 travers l’ensemble des niveaux pr\u00e9dits — constitue un autre pr\u00e9requis m\u00e9thodologique fondamental. Dans le cas pr\u00e9cis des mod\u00e8les d’ordre deux, la violation de l’homosc\u00e9dasticit\u00e9 pr\u00e9sente un risque analytique accru. En effet, en raison de la nature multiplicative du terme X<\/em>2<\/sup>, toute instabilit\u00e9 de variance pr\u00e9sente aux extr\u00eames du pr\u00e9dicteur initial se trouve amplifi\u00e9e math\u00e9matiquement au carr\u00e9. Si la dispersion des scores de bien-\u00eatre est beaucoup plus forte chez les individus travaillant 60 heures par semaine que chez ceux travaillant 20 heures, les r\u00e9sidus deviennent fortement h\u00e9t\u00e9rosc\u00e9dastiques.<\/p>\nLes ruptures d\u2019homosc\u00e9dasticit\u00e9 dans une r\u00e9gression quadratique conduisent fr\u00e9quemment \u00e0 des estimations artificiellement gonfl\u00e9es de la significativit\u00e9 du terme quadratique ou, \u00e0 l’inverse, \u00e0 l’incapacit\u00e9 de d\u00e9tecter une courbure pourtant statistiquement r\u00e9elle dans la population. Il est donc indispensable d’\u00e9valuer scrupuleusement les graphiques de dispersion liant les r\u00e9sidus standardis\u00e9s aux valeurs pr\u00e9dites avant de valider tout mod\u00e8le polynomial sous SPSS.<\/p>\n
2.2 Lin\u00e9arit\u00e9 des param\u00e8tres et nature de la relation curviligne<\/h3>\n Une confusion \u00e9pist\u00e9mologique et s\u00e9mantique persiste fr\u00e9quemment chez les chercheurs d\u00e9butants : la distinction entre une r\u00e9gression non lin\u00e9aire au sens param\u00e9trique strict et une r\u00e9gression polynomiale curviligne. Sur le plan statistique, le qualificatif de \u00ab lin\u00e9arit\u00e9 \u00bb ne s\u2019applique pas \u00e0 la forme g\u00e9om\u00e9trique du trac\u00e9 reliant la variable ind\u00e9pendante \u00e0 la variable d\u00e9pendante, mais \u00e0 la fa\u00e7on dont les coefficients de r\u00e9gression (les param\u00e8tres b<\/em>) s\u2019articulent au sein de l\u2019\u00e9quation math\u00e9matique.<\/p>\nDans l\u2019\u00e9quation Y<\/em> = b<\/em>0<\/sub> + b<\/em>1<\/sub>X<\/em> + b<\/em>2<\/sub>X<\/em>2<\/sup> + e<\/em>, les param\u00e8tres inconnus b<\/em>0<\/sub>, b<\/em>1<\/sub> et b<\/em>2<\/sub> sont combin\u00e9s par de simples op\u00e9rations d’addition et de multiplication scalaire. Aucun coefficient n\u2019appara\u00eet en exposant, au d\u00e9nominateur d’une fraction ou \u00e0 l’int\u00e9rieur d’une fonction logarithmique ou trigonom\u00e9trique (contrairement \u00e0 des mod\u00e8les intrins\u00e8quement non lin\u00e9aires tels que le mod\u00e8le logistique \u00e0 quatre param\u00e8tres ou les fonctions exponentielles de type Gompertz). Par cons\u00e9quent, la r\u00e9gression quadratique demeure une r\u00e9gression lin\u00e9aire dans ses param\u00e8tres, ce qui autorise pleinement son estimation via la machinerie math\u00e9matique \u00e9prouv\u00e9e des moindres carr\u00e9s ordinaires dans la proc\u00e9dure de r\u00e9gression lin\u00e9aire de SPSS.<\/p>\nToutefois, cette souplesse alg\u00e9brique ne doit pas inciter \u00e0 une utilisation opportuniste et ath\u00e9orique de la polynomialisation. L\u2019introduction d’un terme quadratique au sein d’une analyse psychom\u00e9trique doit \u00eatre fermement justifi\u00e9e en amont par des fondements conceptuels solides ou par des observations exploratoires non \u00e9quivoques. Transformer artificiellement un mod\u00e8le lin\u00e9aire en mod\u00e8le de degr\u00e9 sup\u00e9rieur sans hypoth\u00e8se directrice expose l\u2019analyste \u00e0 surinterpr\u00e9ter de simples fluctuations \u00e9chantillonnales.<\/p>\n
2.3 Probl\u00e9matique de la multicolin\u00e9arit\u00e9 structurelle<\/h3>\n L\u2019\u00e9cueil m\u00e9thodologique le plus s\u00e9v\u00e8re rencontr\u00e9 lors du calibrage d\u2019une r\u00e9gression quadratique r\u00e9side dans l\u2019\u00e9mergence spontan\u00e9e d’une colin\u00e9arit\u00e9 structurelle majeure. Par d\u00e9finition math\u00e9matique, le second pr\u00e9dicteur d’ordre deux est obtenu en \u00e9levant au carr\u00e9 les valeurs de la variable ind\u00e9pendante brute : X<\/em>2<\/sup> = X<\/em> × X<\/em>. Si la variable X<\/em> est mesur\u00e9e sur une \u00e9chelle de valeurs positives ne contenant pas le z\u00e9ro en son centre (comme un temps de travail compris entre 10 et 60 heures, ou un score psychologique born\u00e9 de 1 \u00e0 7 sur une \u00e9chelle de Likert), la corr\u00e9lation bivari\u00e9e de Pearson entre X<\/em> et X<\/em>2<\/sup> est syst\u00e9matiquement proche de l’unit\u00e9, oscillant typiquement entre r<\/em> = .90 et r<\/em> = .99.<\/p>\nCette multicolin\u00e9arit\u00e9 extr\u00eame n’est pas le reflet d’une d\u00e9pendance conceptuelle entre deux construits distincts, mais provient exclusivement de la construction arithm\u00e9tique du terme d’ordre sup\u00e9rieur. N\u00e9anmoins, ses r\u00e9percussions statistiques sous SPSS sont d\u00e9vastatrices si aucun traitement n’est appliqu\u00e9 :<\/p>\n
\nInflation massive des erreurs types :<\/strong> Les variances des coefficients b<\/em>1<\/sub> et b<\/em>2<\/sub> augmentent consid\u00e9rablement, ce qui a pour effet direct de comprimer les statistiques de test t<\/em> associ\u00e9es.<\/li>\nInstabilit\u00e9 param\u00e9trique :<\/strong> Les coefficients deviennent extr\u00eamement sensibles \u00e0 l’ajout ou au retrait d’une seule observation dans la base de donn\u00e9es.<\/li>\nMasquage des effets r\u00e9els :<\/strong> Il n’est pas rare de constater qu’une r\u00e9gression quadratique brute affiche un R<\/em>2<\/sup> global hautement significatif, alors qu’aucun des pr\u00e9dicteurs pris individuellement n’atteint le seuil de significativit\u00e9 conventionnel de p<\/em> < .05.<\/li>\n<\/ul>\nPour neutraliser cette multicolin\u00e9arit\u00e9 structurelle sans alt\u00e9rer l’ajustement global du mod\u00e8le, une op\u00e9ration pr\u00e9liminaire de transformation m\u00e9trique est formellement requise par la communaut\u00e9 scientifique : le centrage de la variable sur sa moyenne empirique.<\/p>\n
3. Pr\u00e9paration des donn\u00e9es psychom\u00e9triques dans SPSS<\/h2>\n3.1 Encodage et v\u00e9rification de la coh\u00e9rence des variables<\/h3>\n Avant d\u2019engager toute d\u00e9marche de calcul sous SPSS, un travail minutieux de v\u00e9rification de l\u2019int\u00e9grit\u00e9 du fichier de donn\u00e9es s’impose. Consid\u00e9rons, \u00e0 titre d\u2019illustration empirique tout au long de cet article, une \u00e9tude fictive portant sur N<\/em> = 350 professionnels du secteur tertiaire. L’objectif consiste \u00e0 \u00e9valuer l’impact non lin\u00e9aire du volume horaire hebdomadaire de travail (notre variable ind\u00e9pendante, not\u00e9e Heures<\/code>) sur l’indice de bien-\u00eatre psychologique au travail (notre variable d\u00e9pendante, not\u00e9e Bonheur<\/code>, mesur\u00e9e via un score composite valid\u00e9 born\u00e9 de 0 \u00e0 100).<\/p>\nDans l’onglet \u00ab Affichage des variables \u00bb (Variable View<\/em>) de SPSS, le chercheur doit s’assurer que les deux variables sont formellement assign\u00e9es au type num\u00e9rique (Numeric<\/em>) et dot\u00e9es d’un niveau de mesure \u00ab \u00c9chelle \u00bb (Scale<\/em>). Les libell\u00e9s de variables doivent \u00eatre clairement document\u00e9s. Une attention rigoureuse doit \u00eatre port\u00e9e au param\u00e9trage des valeurs manquantes (Missing Values<\/em>). Les codes num\u00e9riques conventionnellement utilis\u00e9s pour d\u00e9signer l’absence de r\u00e9ponse (par exemple -99 ou 999) doivent imp\u00e9rativement \u00eatre d\u00e9clar\u00e9s comme valeurs manquantes discr\u00e8tes sous peine d’\u00eatre int\u00e9gr\u00e9s \u00e0 tort dans les calculs arithm\u00e9tiques, ce qui fausserait gravement le calcul de la moyenne et du carr\u00e9 polynomial.<\/p>\nL’examen des bornes empiriques constitue une barri\u00e8re de s\u00e9curit\u00e9 indispensable : pour la variable Heures<\/code>, des valeurs inf\u00e9rieures \u00e0 0 ou sup\u00e9rieures \u00e0 90 doivent susciter une v\u00e9rification imm\u00e9diate des fiches d’encodage brutes afin d’\u00e9liminer toute erreur de frappe. De m\u00eame, la m\u00e9trique du score Bonheur<\/code> ne doit comporter aucune valeur en dehors de l’intervalle [0, 100].<\/p>\n3.2 Exploration descriptive univari\u00e9e et bivari\u00e9e<\/h3>\n L’exploration initiale d\u00e9bute par l’extraction des indicateurs de tendance centrale et de dispersion univari\u00e9e. \u00c0 travers le menu Analyser > Statistiques descriptives > Descriptives<\/strong>, le chercheur s\u00e9lectionne la moyenne arithm\u00e9tique, la m\u00e9diane, l’\u00e9cart-type, ainsi que les coefficients d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>). Pour une distribution approximativement gaussienne, les ratios de ces coefficients d’asym\u00e9trie et de voussure sur leurs erreurs standards respectives ne doivent id\u00e9alement pas d\u00e9passer la valeur absolue de 2.<\/p>\nDans notre \u00e9chantillon d’\u00e9tude, supposons que la moyenne empirique de la variable Heures<\/code> s\u2019\u00e9tablit \u00e0 M<\/em> = 38.45 heures par semaine (ET<\/em> = 9.82, \u00e9tendue = 15 \u00e0 68 heures), tandis que le score de Bonheur<\/code> affiche une moyenne de M<\/em> = 65.20 (ET<\/em> = 14.15). L\u2019\u00e9valuation pr\u00e9liminaire des corr\u00e9lations bivari\u00e9es via Analyser > Corr\u00e9lation > Bivari\u00e9e<\/strong> fournit un premier enseignement fondamental : le coefficient de Pearson lin\u00e9aire entre les heures travaill\u00e9es et le score de bien-\u00eatre ressort \u00e0 un niveau quasi nul, par exemple r<\/em> = -.04, p<\/em> = .456.<\/p>\nCette absence de corr\u00e9lation lin\u00e9aire ne signifie absolument pas une absence de relation fonctionnelle entre les deux construits. Si la trajectoire empirique prend la forme d’un U invers\u00e9 sym\u00e9trique, la corr\u00e9lation positive de la phase ascendante est exactement annul\u00e9e par la corr\u00e9lation n\u00e9gative de la phase descendante, aboutissant \u00e0 un coefficient lin\u00e9aire de Pearson fallacieusement nul. Ce paradoxe met en lumi\u00e8re le danger de s’arr\u00eater pr\u00e9matur\u00e9ment aux m\u00e9triques bivari\u00e9es classiques lorsque des processus non lin\u00e9aires sont suspect\u00e9s.<\/p>\n
3.3 D\u00e9pistage des valeurs aberrantes et influentes univari\u00e9es<\/h3>\n La pr\u00e9sence de valeurs extr\u00eames au sein d’une distribution constitue un facteur de distorsion particuli\u00e8rement critique dans le cadre d’une r\u00e9gression polynomiale. \u00c9tant donn\u00e9 que le terme quadratique repose sur une puissance de deux, tout point situ\u00e9 aux extr\u00e9mit\u00e9s de l’\u00e9chelle d’\u00e9chantillonnage verra son poids d\u00e9cupl\u00e9 lors de l’estimation g\u00e9om\u00e9trique de la courbure.<\/p>\nPour d\u00e9pister m\u00e9thodiquement ces observations atypiques, la proc\u00e9dure Analyser > Statistiques descriptives > Explorer<\/strong> est ex\u00e9cut\u00e9e en ins\u00e9rant Heures<\/code> et Bonheur<\/code> dans la liste des variables d\u00e9pendantes. Les bo\u00eetes \u00e0 moustaches (boxplots<\/em>) g\u00e9n\u00e9r\u00e9es permettent de rep\u00e9rer les cas dits aberrants (marqu\u00e9s d’un cercle, situ\u00e9s \u00e0 plus de 1.5 fois l’\u00e9cart interquartile de la charni\u00e8re) et les cas extr\u00eames (marqu\u00e9s d’une \u00e9toile, situ\u00e9s \u00e0 plus de 3 fois l’\u00e9cart interquartile). Parall\u00e8lement, la conversion des valeurs brutes en scores standardis\u00e9s Z<\/em> (via la commande coch\u00e9e \u00ab Enregistrer les valeurs standardis\u00e9es dans des variables \u00bb dans la bo\u00eete de dialogue des statistiques descriptives) offre un crit\u00e8re num\u00e9rique normatif : tout participant affichant un score |Z<\/em>| > 3.29 peut \u00eatre qualifi\u00e9 de valeur aberrante univari\u00e9e au seuil de significativit\u00e9 de p<\/em> < .001 pour des \u00e9chantillons de taille mod\u00e9r\u00e9e \u00e0 grande.<\/p>\nL’exclusion d\u00e9finitive d’un individu ne doit jamais \u00eatre automatique ou dogmatique. Elle doit d\u00e9couler d’un examen approfondi : s’agit-il d’une erreur de mesure patente, d’un dysfonctionnement d’enregistrement ou d’un v\u00e9ritable profil atypique appartenant \u00e0 la population cible ? Si les cas extr\u00eames s’av\u00e8rent valides, le chercheur privil\u00e9giera des analyses de sensibilit\u00e9 en ex\u00e9cutant la r\u00e9gression quadratique avec et sans ces participants, afin de garantir que la courbure observ\u00e9e n’est pas le pur artefact d’une poign\u00e9e de sujets isol\u00e9s.<\/p>\n
4. Centrage sur la moyenne pour att\u00e9nuer la colin\u00e9arit\u00e9 dans SPSS<\/h2>\n4.1 Fondements math\u00e9matiques du centrage de la variable ind\u00e9pendante<\/h3>\n Pour neutraliser efficacement la multicolin\u00e9arit\u00e9 structurelle identifi\u00e9e \u00e0 la section 2.3, la strat\u00e9gie math\u00e9matique standard consiste \u00e0 proc\u00e9der au centrage sur la moyenne empirique de l’\u00e9chantillon (mean centering<\/em>). Cette transformation lin\u00e9aire \u00e9l\u00e9mentaire consiste \u00e0 soustraire de chaque score individuel X<\/em>i<\/em><\/sub> la moyenne arithm\u00e9tique globale de ce pr\u00e9dicteur calcul\u00e9e sur l’\u00e9chantillon complet :<\/p>\nX<\/em>centr\u00e9, i<\/em><\/sub> = X<\/em>i<\/em><\/sub> – M<\/em>X<\/em><\/sub><\/p>\nCette op\u00e9ration modifie radicalement les propri\u00e9t\u00e9s distributives de la variable sans en alt\u00e9rer la dispersion originelle ni la structure de covariance avec d’autres variables externes. La nouvelle variable centr\u00e9e poss\u00e8de obligatoirement une moyenne exactement \u00e9gale \u00e0 z\u00e9ro. Sur le plan g\u00e9om\u00e9trique, le nuage de points est simplement translat\u00e9 le long de l’axe des abscisses de mani\u00e8re \u00e0 ce que l’origine math\u00e9matique du rep\u00e8re cart\u00e9sien co\u00efncide rigoureusement avec le centre de gravit\u00e9 des observations.<\/p>\n
L’impact de ce centrage sur la corr\u00e9lation bivari\u00e9e entre le pr\u00e9dicteur lin\u00e9aire (X<\/em>centr\u00e9<\/sub>) et son terme d’ordre deux (X<\/em>centr\u00e9<\/sub>2<\/sup>) est spectaculaire. Lorsque la distribution initiale est sym\u00e9trique, les valeurs positives et n\u00e9gatives \u00e9quilibr\u00e9es de X<\/em>centr\u00e9<\/sub> produisent, une fois \u00e9lev\u00e9es au carr\u00e9, des valeurs identiques qui se r\u00e9partissent de fa\u00e7on bilat\u00e9rale et sym\u00e9trique autour de z\u00e9ro. La corr\u00e9lation lin\u00e9aire de Pearson entre X<\/em>centr\u00e9<\/sub> et (X<\/em>centr\u00e9<\/sub>)2<\/sup> chute alors vers une valeur math\u00e9matiquement proche de z\u00e9ro, \u00e9liminant ainsi la multicolin\u00e9arit\u00e9 artificielle.<\/p>\nAu-del\u00e0 de la stabilisation num\u00e9rique des calculs matriciels, le centrage offre un gain qualitatif consid\u00e9rable pour l’interpr\u00e9tation des r\u00e9sultats statistiques. Dans le mod\u00e8le non centr\u00e9, le param\u00e8tre lin\u00e9aire b<\/em>1<\/sub> repr\u00e9sente la pente instantan\u00e9e de la courbe au point X<\/em> = 0, ce qui constitue fr\u00e9quemment une extrapolation absurde (un individu ne pouvant pas travailler z\u00e9ro heure dans notre \u00e9tude de professionnels actifs). Dans le mod\u00e8le centr\u00e9, le coefficient b<\/em>1<\/sub> capture la pente tangentielle exacte de la trajectoire au point o\u00f9 X<\/em>centr\u00e9<\/sub> = 0, c’est-\u00e0-dire pr\u00e9cis\u00e9ment au niveau de la moyenne de l’\u00e9chantillon.<\/p>\n4.2 Proc\u00e9dure pas \u00e0 pas de calcul de la moyenne et du centrage<\/h3>\n Pour ex\u00e9cuter le centrage de mani\u00e8re reproductible sous SPSS, l’utilisateur doit en premier lieu obtenir la valeur exacte de la moyenne empirique de la variable ind\u00e9pendante. Deux voies op\u00e9rationnelles s’offrent \u00e0 lui : l’extraction textuelle manuelle ou l’automatisation via des routines syntaxiques.<\/p>\n
La d\u00e9marche standard via l’interface graphique requiert les manipulations suivantes :<\/p>\n
\nAcc\u00e9dez au menu principal de SPSS : Analyser > Statistiques descriptives > Descriptives<\/strong>.<\/li>\nFaites glisser la variable Heures<\/code> dans le champ d’analyse et validez pour afficher le tableau des sorties. Relevez la moyenne exacte avec un niveau de pr\u00e9cision maximal (par exemple, M<\/em> = 38.4521).<\/li>\nRendez-vous ensuite dans le menu sup\u00e9rieur : Transformer > Calculer la variable<\/strong> (Compute Variable<\/em>).<\/li>\n<\/ul>\nCompute a new variable in SPSS<\/figcaption><\/figure>\nDans la bo\u00eete de dialogue \u00ab Calculer la variable \u00bb qui s’affiche \u00e0 l’\u00e9cran, renseignez les param\u00e8tres suivants :<\/p>\n
\nDans le champ Variable cible<\/strong> (Target Variable<\/em>), saisissez l’intitul\u00e9 de votre variable transform\u00e9e, par exemple : Heures_Centrees<\/code>.<\/li>\nDans la zone d’\u00e9dition intitul\u00e9e Expression num\u00e9rique<\/strong> (Numeric Expression<\/em>), formulez la soustraction arithm\u00e9tique : Heures - 38.4521<\/code>.<\/li>\nCliquez sur le bouton OK<\/strong> pour lancer l’ex\u00e9cution de la commande de transformation.<\/li>\n<\/ul>\nAlternativement, pour les utilisateurs privil\u00e9giant la rapidit\u00e9 de la syntaxe SPSS, le code \u00e9quivalent s’\u00e9crit directement comme suit :<\/p>\n
COMPUTE Heures_Centrees = Heures - 38.4521.<\/code>EXECUTE.<\/code><\/p>\nUne fois l’op\u00e9ration ex\u00e9cut\u00e9e, une nouvelle colonne appara\u00eet instantan\u00e9ment \u00e0 l’extr\u00eame droite de l’\u00e9diteur de donn\u00e9es. Une v\u00e9rification rapide dans les descriptives permet de s’assurer que la variable Heures_Centrees<\/code> poss\u00e8de d\u00e9sormais une moyenne rigoureusement \u00e9gale \u00e0 0.000 et un \u00e9cart-type strictement inchang\u00e9 (9.82).<\/p>\n4.3 G\u00e9n\u00e9ration de la variable quadratique au carr\u00e9<\/h3>\n La constitution formelle du pr\u00e9dicteur non lin\u00e9aire repose ensuite sur l’\u00e9l\u00e9vation au carr\u00e9 de la variable centr\u00e9e pr\u00e9alablement g\u00e9n\u00e9r\u00e9e. Il est fondamental de veiller \u00e0 ne jamais \u00e9lever au carr\u00e9 la variable brute d’origine, sous peine d’an\u00e9antir l’ensemble des b\u00e9n\u00e9fices statistiques du centrage que nous venons de concr\u00e9tiser.<\/p>\nComputing a new variable in SPSS<\/figcaption><\/figure>\nLa s\u00e9quence op\u00e9rationnelle sous l’interface graphique de SPSS s’ordonne comme suit :<\/p>\n
\nRetournez dans le menu Transformer > Calculer la variable<\/strong>.<\/li>\nDans le champ Variable cible<\/strong>, inscrivez le nom norm\u00e9 du pr\u00e9dicteur quadratique : Heures_Centrees_Carre<\/code>.<\/li>\nDans la fen\u00eatre de l’Expression num\u00e9rique<\/strong>, r\u00e9digez l’op\u00e9ration arithm\u00e9tique de puissance. Deux formulations sont admises par le moteur SPSS : Heures_Centrees * Heures_Centrees<\/code> ou, alternativement, l’emploi de la syntaxe d’exponentiation : Heures_Centrees ** 2<\/code>.<\/li>\nValidez en cliquant sur OK<\/strong>.<\/li>\n<\/ul>\nLa syntaxe SPSS correspondante s’av\u00e8re limpide :<\/p>\n
COMPUTE Heures_Centrees_Carre = Heures_Centrees ** 2.<\/code>EXECUTE.<\/code><\/p>\nPour attester du succ\u00e8s de l’op\u00e9ration et du traitement de la colin\u00e9arit\u00e9, l’analyste ex\u00e9cute une matrice de corr\u00e9lation bivari\u00e9e (Analyser > Corr\u00e9lation > Bivari\u00e9e<\/strong>) incluant Heures_Centrees<\/code> et Heures_Centrees_Carre<\/code>. Si la corr\u00e9lation brute entre la variable non centr\u00e9e et son carr\u00e9 oscillait typiquement autour de r<\/em> = .98, la corr\u00e9lation observ\u00e9e entre les deux variables centr\u00e9es tombe d\u00e9sormais \u00e0 une valeur n\u00e9gligeable, par exemple r<\/em> = .06. La colin\u00e9arit\u00e9 structurelle est ainsi neutralis\u00e9e, autorisant une estimation sans biais des erreurs types dans les \u00e9tapes ult\u00e9rieures.<\/p>\n5. Visualisation graphique pr\u00e9liminaire de la courbure dans SPSS<\/h2>\n5.1 G\u00e9n\u00e9ration du nuage de points via le G\u00e9n\u00e9rateur de graphiques<\/h3>\n Avant d’examiner les tableaux d’ajustement num\u00e9rique et les tests d’hypoth\u00e8ses, une inspection visuelle exploratoire s’av\u00e8re indispensable pour appr\u00e9cier la dynamique morphologique r\u00e9elle liant la variable explicative au crit\u00e8re psychologique. L’outil le plus puissant pour construire cette repr\u00e9sentation sous SPSS est le G\u00e9n\u00e9rateur de graphiques (Chart Builder<\/em>).<\/p>\nPour d\u00e9ployer ce visualiseur bivari\u00e9, appliquez le protocole d’actions suivant :<\/p>\n
\nNaviguez vers Graphiques > G\u00e9n\u00e9rateur de graphiques<\/strong> dans la barre des menus. Si un message d’alerte s’ouvre au sujet de la conformit\u00e9 des niveaux de mesure des variables, confirmez en cliquant sur OK<\/strong>.<\/li>\nDans la galerie inf\u00e9rieure de types de graphiques, cliquez sur l’onglet Nuage de points\/Lignes<\/strong> (Scatter\/Dot<\/em>).<\/li>\nGlissez-d\u00e9posez la premi\u00e8re vignette, figurant un Nuage de points simple<\/strong>, directement dans la grande fen\u00eatre de pr\u00e9visualisation centrale.<\/li>\nDans la liste de gauche contenant vos variables d’\u00e9tude, s\u00e9lectionnez la variable pr\u00e9dictive brute Heures<\/code> et d\u00e9placez-la sur la zone de d\u00e9p\u00f4t de l’Axe des X<\/strong>.<\/li>\nS\u00e9lectionnez ensuite la variable d\u00e9pendante Bonheur<\/code> et d\u00e9posez-la sur la zone r\u00e9ceptrice de l’Axe des Y<\/strong>.<\/li>\nValidez la construction en cliquant sur le bouton OK<\/strong> dans l’angle inf\u00e9rieur droit.<\/li>\n<\/ul>\nLe nuage de points qui se mat\u00e9rialise dans la fen\u00eatre des sorties de SPSS offre un premier panorama de la dispersion globale de l’\u00e9chantillon. Chaque point repr\u00e9sente les coordonn\u00e9es conjointes d’un participant sur les dimensions du temps de travail et de son \u00e9panouissement per\u00e7u.<\/p>\n
5.2 Superposition des courbes d’ajustement lin\u00e9aire et quadratique<\/h3>\n Pour \u00e9valuer visuellement la sup\u00e9riorit\u00e9 de l’ajustement non lin\u00e9aire sur le mod\u00e8le lin\u00e9aire traditionnel, il est extr\u00eamement formateur de superposer directement les deux trajectoires math\u00e9matiques th\u00e9oriques sur le nuage de points g\u00e9n\u00e9r\u00e9.<\/p>\n
Cette incrustation s’op\u00e8re par l’interm\u00e9diaire de l’\u00c9diteur de graphiques interactif de SPSS :<\/p>\n
\nEffectuez un double-clic vigoureux directement sur le graphique dans la fen\u00eatre des r\u00e9sultats pour ouvrir l’
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quadregSPSS1.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quadregSPSS2.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quadregSPSS3.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quadregSPSS4.png\")
<\/figure>\n![\"Compute](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quadregSPSS5.png\")
![\"Computing](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quadregSPSS6.png\")
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quadregSPSS7.png\")
<\/figure>\n