{"id":2755,"date":"2026-09-06T20:20:26","date_gmt":"2026-09-06T20:20:26","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-un-test-de-kruskal-wallis-dans-spss\/"},"modified":"2026-09-06T20:20:36","modified_gmt":"2026-09-06T20:20:36","slug":"comment-effectuer-un-test-de-kruskal-wallis-dans-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-un-test-de-kruskal-wallis-dans-spss","title":{"rendered":"Comment effectuer un test de Kruskal-Wallis dans SPSS"},"content":{"rendered":"

Dans le domaine de l’analyse statistique appliqu\u00e9e aux sciences humaines, sociales et biom\u00e9dicales, les chercheurs se heurtent fr\u00e9quemment \u00e0 des donn\u00e9es qui d\u00e9rogent aux postulats classiques de la mod\u00e9lisation param\u00e9trique. Lorsque le protocole exp\u00e9rimental implique la comparaison de trois groupes ind\u00e9pendants ou davantage, le r\u00e9flexe m\u00e9thodologique standard conduit vers l’analyse de variance univari\u00e9e (ANOVA \u00e0 un facteur). N\u00e9anmoins, cette derni\u00e8re repose sur des exigences strictes : la normalit\u00e9 de la distribution des r\u00e9sidus au sein de chaque population parente, l’homog\u00e9n\u00e9it\u00e9 des variances intra-groupes (homosc\u00e9dasticit\u00e9) et la nature m\u00e9trique continue de la variable d\u00e9pendante mesur\u00e9e sur une \u00e9chelle d’intervalles ou de rapports. D\u00e8s lors que ces hypoth\u00e8ses fondamentales se trouvent compromises \u2014 qu’il s’agisse de distributions fortement asym\u00e9triques, d’\u00e9chantillons de taille restreinte ou de variables intrins\u00e8quement ordinales \u2014 le recours aux statistiques param\u00e9triques expose l’analyste \u00e0 une distorsion sensible du taux d’erreur de premi\u00e8re esp\u00e8ce et \u00e0 une perte dramatique de puissance statistique.<\/p>\n

Face \u00e0 ces contraintes distributionnelles, le test de Kruskal-Wallis s’impose comme l’alternative non param\u00e9trique par excellence. Con\u00e7u initialement par les statisticiens William Kruskal et W. Allen Wallis au d\u00e9but des ann\u00e9es 1950, ce test d’hypoth\u00e8se globale permet d’\u00e9valuer s’il existe des diff\u00e9rences statistiquement significatives entre plusieurs \u00e9chantillons ind\u00e9pendants en substituant aux valeurs brutes leurs rangs respectifs au sein de l’\u00e9chantillon combin\u00e9. Au sein du logiciel de r\u00e9f\u00e9rence IBM SPSS Statistics<\/a>, la mise en \u0153uvre de cette proc\u00e9dure b\u00e9n\u00e9ficie d’une double architecture logicielle : d’une part, les bo\u00eetes de dialogue historiques (Legacy Dialogs<\/em>), r\u00e9put\u00e9es pour leur sobri\u00e9t\u00e9 op\u00e9rationnelle et leur contr\u00f4le direct des param\u00e8tres d’ex\u00e9cution ; d’autre part, le module contemporain des tests non param\u00e9triques (Model Viewer<\/em>), qui int\u00e8gre une automatisation sophistiqu\u00e9e des diagnostics, des visualisations graphiques avanc\u00e9es et des proc\u00e9dures de comparaison par paires ajust\u00e9es.<\/p>\n

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, psychom\u00e9triciens, data analysts et \u00e9tudiants universitaires dans la ma\u00eetrise int\u00e9grale du test de Kruskal-Wallis sous SPSS. De la formalisation math\u00e9matique sous-jacente aux subtilit\u00e9s de configuration logicielle, en passant par le d\u00e9pistage des postulats m\u00e9thodologiques, le calcul manuel et automatis\u00e9 de la taille de l’effet, l’analyse post-hoc rigoureuse et la r\u00e9daction acad\u00e9mique normalis\u00e9e selon les crit\u00e8res de l’American Psychological Association<\/a> (APA 7e \u00e9dition), chaque \u00e9tape est diss\u00e9qu\u00e9e avec une pr\u00e9cision chirurgicale. En s’appuyant sur un cas concret issu de la recherche clinique \u00e9valuant l’efficacit\u00e9 diff\u00e9rentielle de traitements antalgiques sur des scores d’intensit\u00e9 douloureuse, cet article offre une feuille de route d\u00e9finitive pour transformer vos donn\u00e9es ordinales ou asym\u00e9triques en inf\u00e9rences scientifiques irr\u00e9prochables.<\/p>\n

1. Introduction et fondements th\u00e9oriques du test de Kruskal-Wallis<\/h2>\n

1.1 D\u00e9finition et \u00e9quivalence non param\u00e9trique de l’ANOVA \u00e0 un facteur<\/h3>\n

Le test de Kruskal-Wallis, \u00e9galement d\u00e9sign\u00e9 sous l’appellation d’analyse de variance \u00e0 un facteur sur rangs (Kruskal-Wallis one-way analysis of variance by ranks<\/em>), constitue une extension directe du test U de Mann-Whitney (ou test de la somme des rangs de Wilcoxon) au cas o\u00f9 le dispositif exp\u00e9rimental comporte k<\/em> groupes ind\u00e9pendants, avec k<\/em> sup\u00e9rieur ou \u00e9gal \u00e0 3. Alors que le test U de Mann-Whitney se limite \u00e0 la confrontation de deux \u00e9chantillons ind\u00e9pendants, le test de Kruskal-Wallis g\u00e9n\u00e9ralise ce paradigme afin de tester l’hypoth\u00e8se nulle selon laquelle k<\/em> \u00e9chantillons proviennent de la m\u00eame population continue ou de populations ayant des fonctions de r\u00e9partition identiques.<\/p>\n

Sur le plan conceptuel, le test de Kruskal-Wallis occupe exactement la m\u00eame position fonctionnelle par rapport \u00e0 l’ANOVA unidirectionnelle param\u00e9trique que le test U de Mann-Whitney par rapport au test t<\/em> de Student pour \u00e9chantillons ind\u00e9pendants. L\u00e0 o\u00f9 l’ANOVA d\u00e9compose la variance totale observ\u00e9e en une composante inter-groupes (due aux effets du traitement) et une composante intra-groupes (due \u00e0 l’erreur r\u00e9siduelle ou variabilit\u00e9 al\u00e9atoire) sur la base des moyennes arithm\u00e9tiques et des carr\u00e9s des \u00e9carts, le test de Kruskal-Wallis op\u00e8re une translation radicale de l’espace m\u00e9trique vers l’espace ordinal. Il ne s’int\u00e9resse plus aux grandeurs num\u00e9riques directes des observations, mais \u00e0 la disposition relative de ces observations les unes par rapport aux autres.<\/p>\n

Ce processus de transformation par rangs (rank transformation<\/em>) neutralise les exigences relatives \u00e0 l’\u00e9chelle de mesure d’origine. Les valeurs quantitatives continues ou ordinales sont converties en une s\u00e9rie discr\u00e8te de nombres entiers repr\u00e9sentant leur position ordonn\u00e9e au sein de la distribution globale mutualis\u00e9e. Par cons\u00e9quent, les contraintes d’intervalles \u00e9gaux entre \u00e9chelons cons\u00e9cutifs \u2014 postulat fondamental des \u00e9chelles m\u00e9triques \u2014 sont abrog\u00e9es. Le test devient ainsi totalement invariant sous n’importe quelle transformation monotone croissante des donn\u00e9es originales, conf\u00e9rant \u00e0 la m\u00e9thode une robustesse math\u00e9matique exceptionnelle face aux artefacts d’\u00e9chelle qui polluent fr\u00e9quemment les instruments d’\u00e9valuation subjective.<\/p>\n

1.2 Pertinence m\u00e9thodologique en recherche psychologique<\/h3>\n

En psychologie clinique, en neuropsychologie et en sciences du comportement, la grande majorit\u00e9 des outils psychom\u00e9triques g\u00e9n\u00e8re des variables qui violent d\u00e9lib\u00e9r\u00e9ment les postulats sous-jacents aux mod\u00e8les gaussiens. L’exemple le plus pr\u00e9gnant r\u00e9side dans l’utilisation omnipr\u00e9sente des \u00e9chelles de Likert<\/a> (souvent gradu\u00e9es de 1 \u00e0 5 ou de 1 \u00e0 7) et des \u00e9chelles visuelles analogiques (EVA) discr\u00e9tis\u00e9es. Bien qu’une pratique courante mais contestable consiste \u00e0 traiter les scores composites comme des variables d’intervalle, les scores d’items isol\u00e9s ou les inventaires courts mesurant des constats subjectifs \u2014 tels que l’intensit\u00e9 de la douleur, le degr\u00e9 d’anxi\u00e9t\u00e9 per\u00e7u, l’alliance th\u00e9rapeutique ou la s\u00e9v\u00e9rit\u00e9 d’un sympt\u00f4me d\u00e9pressif \u2014 sont intrins\u00e8quement ordinaux. L’\u00e9cart per\u00e7u entre un score de 1 (\u00ab\u00a0Absence de douleur\u00a0\u00bb) et de 2 (\u00ab\u00a0Douleur l\u00e9g\u00e8re\u00a0\u00bb) ne poss\u00e8de aucune garantie d’\u00e9quivalence m\u00e9trique avec l’intervalle s\u00e9parant un score de 6 (\u00ab\u00a0Douleur s\u00e9v\u00e8re\u00a0\u00bb) d’un score de 7 (\u00ab\u00a0Douleur insupportable\u00a0\u00bb).<\/p>\n

Par ailleurs, la psychopathologie et les neurosciences comportementales confrontent quasi syst\u00e9matiquement les chercheurs \u00e0 des distributions s\u00e9v\u00e8rement asym\u00e9triques (skewed distributions<\/em>). Dans les populations cliniques, la pr\u00e9sence d’effets de plancher (par exemple, une majorit\u00e9 de participants sains pr\u00e9sentant un score d’id\u00e9ation suicidaire nul ou proche de z\u00e9ro) ou d’effets de plafond (saturation des scores lors de t\u00e2ches cognitives simples chez des t\u00e9moins) engendre des distributions en \u00ab\u00a0L\u00a0\u00bb ou en \u00ab\u00a0J\u00a0\u00bb invers\u00e9. L’application m\u00e9canique d’une ANOVA param\u00e9trique dans ces contextes entra\u00eene une augmentation substantielle des erreurs d’inf\u00e9rence, en distordant l’estimation de l’erreur type de la moyenne et en biaisant la statistique de Fisher.<\/p>\n

Enfin, la recherche translationnelle et les protocoles exp\u00e9rimentaux hautement contr\u00f4l\u00e9s se heurtent souvent \u00e0 la r\u00e9alit\u00e9 des cohortes cliniques r\u00e9duites. Dans les essais \u00e9valuant des pathologies rares, les \u00e9tudes d’imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle (IRMf) ou les th\u00e9rapies comportementales individualis\u00e9es, les effectifs par cellule tombent couramment sous le seuil de 15 \u00e0 20 sujets. Dans de telles conditions, le th\u00e9or\u00e8me central limite (Central Limit Theorem<\/em>), qui garantit la convergence asymptotique de la distribution des moyennes d’\u00e9chantillonnage vers la normalit\u00e9 pour de grands effectifs, ne peut \u00eatre invoqu\u00e9. Le test de Kruskal-Wallis offre ici un rempart m\u00e9thodologique indispensable, garantissant la validit\u00e9 du test d’hypoth\u00e8se sans n\u00e9cessiter d’ajustements artificiels ou de postulats non v\u00e9rifiables.<\/p>\n

1.3 Logique math\u00e9matique du classement par rangs<\/h3>\n

La m\u00e9canique inf\u00e9rentielle du test de Kruskal-Wallis repose sur un algorithme \u00e9l\u00e9gant qui d\u00e9bute par la d\u00e9contextualisation des donn\u00e9es d’origine. Soit une \u00e9tude comprenant k<\/em> groupes exp\u00e9rimentaux ind\u00e9pendants, chaque groupe j<\/em> comportant nj<\/sub><\/em> observations, l’\u00e9chantillon total combin\u00e9 \u00e9tant d\u00e9sign\u00e9 par N<\/em> (o\u00f9 N<\/em> est \u00e9gal \u00e0 la somme des nj<\/sub><\/em> pour j<\/em> variant de 1 \u00e0 k<\/em>). La premi\u00e8re op\u00e9ration consiste \u00e0 rassembler la totalit\u00e9 des N<\/em> observations issues de tous les groupes au sein d’une s\u00e9rie statistique unique non segment\u00e9e.<\/p>\n

Ces N<\/em> scores sont ensuite ordonn\u00e9s de mani\u00e8re strictement ascendante, du plus petit au plus grand. Chaque observation se voit assigner un rang entier, s’\u00e9chelonnant de 1 (pour la valeur la plus basse) \u00e0 N<\/em> (pour la valeur la plus \u00e9lev\u00e9e). En pr\u00e9sence de valeurs identiques \u2014 ph\u00e9nom\u00e8ne qualifi\u00e9 d’\u00e9galit\u00e9s ou d’ex \u00e6quo (ties<\/em>) \u2014 la proc\u00e9dure conventionnelle attribue \u00e0 chaque score r\u00e9p\u00e9t\u00e9 le rang moyen (rang m\u00e9dian partag\u00e9) qu’ils auraient occup\u00e9 s’ils avaient \u00e9t\u00e9 distincts. Par exemple, si les quatri\u00e8me, cinqui\u00e8me et sixi\u00e8me scores de la distribution globale sont strictement identiques, chacun d’eux re\u00e7oit le rang moyen 5, c’est-\u00e0-dire le quotient de la somme de 4, 5 et 6 par 3.<\/p>\n

Une fois le classement exhaustif \u00e9tabli, les rangs sont redistribu\u00e9s \u00e0 leurs groupes exp\u00e9rimentaux respectifs. Pour chaque groupe j<\/em>, deux grandeurs descriptives fondamentales sont calcul\u00e9es : la somme des rangs, not\u00e9e Rj<\/sub><\/em>, et le rang moyen, not\u00e9 R\u0304j<\/sub><\/em>, obtenu en divisant Rj<\/sub><\/em> par nj<\/sub><\/em>. Sous l’hypoth\u00e8se nulle (H0<\/sub><\/em>), les populations d’origine sont identiques ; les observations sont donc cens\u00e9es se r\u00e9partir de mani\u00e8re al\u00e9atoire et uniforme dans l’ensemble des groupes. Le rang moyen attendu th\u00e9oriquement pour n’importe quel groupe sous H0<\/sub><\/em> est \u00e9gal au rang moyen global de l’\u00e9chantillon combin\u00e9, d\u00e9fini par l’expression math\u00e9matique suivante :<\/p>\n

Rang moyen th\u00e9orique global = (N + 1) \/ 2<\/strong><\/p>\n

La statistique de test, conventionnellement d\u00e9sign\u00e9e par la lettre H<\/em>, quantifie la d\u00e9viation quadratique globale des rangs moyens observ\u00e9s dans chaque groupe par rapport \u00e0 ce rang moyen attendu sous l’hypoth\u00e8se nulle. La formule computationnelle standard sans ex \u00e6quo s’exprime comme suit :<\/p>\n

H = [ 12 \/ (N * (N + 1)) ] * \u03a3 [ (Rj<\/sub>2<\/sup>) \/ nj<\/sub> ] – 3 * (N + 1)<\/strong><\/p>\n

Lorsque des \u00e9galit\u00e9s sont pr\u00e9sentes dans le jeu de donn\u00e9es, la variance des rangs assign\u00e9s est m\u00e9caniquement r\u00e9duite, ce qui entra\u00eene une l\u00e9g\u00e8re sous-estimation de la statistique H<\/em>. Pour compenser ce biais, un facteur de correction standardis\u00e9 C<\/em> est appliqu\u00e9 au d\u00e9nominateur :<\/p>\n

C = 1 – [ \u03a3 (tm<\/sub>3<\/sup> – tm<\/sub>) \/ (N3<\/sup> – N) ]<\/strong><\/p>\n

Dans cette formulation de correction, tm<\/sub><\/em> repr\u00e9sente le nombre d’observations ex \u00e6quo associ\u00e9es au m<\/em>-i\u00e8me groupe de valeurs identiques. La statistique H<\/em> corrig\u00e9e pour les \u00e9galit\u00e9s s’obtient ainsi en divisant le H<\/em> brut par ce coefficient C<\/em>. Lorsque la taille globale de l’\u00e9chantillon est suffisante (g\u00e9n\u00e9ralement lorsque chaque sous-groupe comporte au moins cinq observations), la statistique H<\/em> suit asymptotiquement une distribution th\u00e9orique du Khi-deux (\u03c72<\/sup><\/em>) dont le nombre de degr\u00e9s de libert\u00e9 est strictement \u00e9gal au nombre de groupes moins un, soit df = k – 1<\/em>.<\/p>\n

2. Conditions d’application et postulats m\u00e9thodologiques<\/h2>\n

2.1 Nature et ind\u00e9pendance des variables d’\u00e9tude<\/h3>\n

Bien que le test de Kruskal-Wallis soit exempt de l’exigence de normalit\u00e9 des distributions, son emploi rigoureux n’en demeure pas moins assujetti \u00e0 des conditions d’application m\u00e9thodologiques pr\u00e9cises. La premi\u00e8re condition concerne l’\u00e9chelle de mesure de la variable d\u00e9pendante (ou variable de r\u00e9ponse). Celle-ci doit imp\u00e9rativement \u00eatre mesur\u00e9e au minimum sur une \u00e9chelle ordinale, ou sur une \u00e9chelle continue d’intervalles ou de rapports. Les variables nominales pures (comme le groupe sanguin, le statut matrimonial ou le canton g\u00e9ographique), d\u00e9pourvues de toute relation d’ordre sous-jacente, sont strictement in\u00e9ligibles \u00e0 ce test ; elles rel\u00e8vent de tests d’ind\u00e9pendance de tables de contingence tels que le Khi-deux de Pearson.<\/p>\n

La variable ind\u00e9pendante (ou facteur de regroupement), quant \u00e0 elle, doit \u00eatre une variable cat\u00e9gorielle nominale ou ordinale comportant au minimum trois modalit\u00e9s qualitatives mutuellement exclusives. Chaque participant ou unit\u00e9 statistique exp\u00e9rimentale ne peut appartenir qu’\u00e0 une seule et unique condition \u00e0 la fois. Si la variable ind\u00e9pendante ne comporte que deux modalit\u00e9s, le test de Kruskal-Wallis demeure math\u00e9matiquement valide mais s’av\u00e8re parfaitement redondant avec le test U de Mann-Whitney, dont la statistique H<\/em> sera rigoureusement \u00e9gale au carr\u00e9 de la statistique standardis\u00e9e z<\/em> associ\u00e9e.<\/p>\n

Le postulat le plus critique et le plus rigide r\u00e9side dans l’ind\u00e9pendance stricte des observations, tant \u00e0 l’int\u00e9rieur de chaque groupe qu’entre les diff\u00e9rents groupes compar\u00e9s. Cela signifie que l’assignation d’un sujet \u00e0 un groupe donn\u00e9 et la valeur de sa mesure ne doivent en aucun cas \u00eatre corr\u00e9l\u00e9es ou conditionn\u00e9es par les mesures d’autres participants. Ce crit\u00e8re exclut de facto l’utilisation du test de Kruskal-Wallis dans les protocoles longitudinaux, les plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es ou les sch\u00e9mas intra-sujets (o\u00f9 les m\u00eames participants sont \u00e9valu\u00e9s \u00e0 diff\u00e9rents temps de mesure ou sous diff\u00e9rentes conditions). Dans de telles configurations d\u00e9pendantes, l’\u00e9quivalent non param\u00e9trique requis est le test de Friedman.<\/p>\n

2.2 Examen de la forme des distributions et hypoth\u00e8ses test\u00e9es<\/h3>\n

L’une des ambigu\u00eft\u00e9s m\u00e9thodologiques les plus persistantes dans la litt\u00e9rature concerne la formulation exacte de l’hypoth\u00e8se nulle et de l’hypoth\u00e8se alternative lors de l’ex\u00e9cution d’un test de Kruskal-Wallis. De nombreux manuels vulgaris\u00e9s affirment p\u00e9remptoirement que le test de Kruskal-Wallis constitue un \u00ab\u00a0test de comparaison des m\u00e9dianes\u00a0\u00bb. Cette assertion n’est exacte que sous une condition g\u00e9om\u00e9trique tr\u00e8s sp\u00e9cifique : l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 de la forme des distributions (distributional shape assumption<\/em>).<\/p>\n

\"\"<\/figure>\n

De mani\u00e8re stricte et universelle, le test de Kruskal-Wallis teste l’hypoth\u00e8se nulle selon laquelle les distributions des populations d’origine sont stochastiquement \u00e9quivalentes face \u00e0 l’hypoth\u00e8se alternative selon laquelle au moins une population a tendance \u00e0 produire des valeurs syst\u00e9matiquement plus \u00e9lev\u00e9es ou plus basses qu’une autre. En d’autres termes, le test omnibus compare les rangs moyens<\/em> des diff\u00e9rents groupes exp\u00e9rimentaux. Rien, dans les calculs sous-jacents, n’implique directement la m\u00e9diane g\u00e9om\u00e9trique ou arithm\u00e9tique de chaque sous-\u00e9chantillon.<\/p>\n

Toutefois, si le chercheur proc\u00e8de \u00e0 une inspection visuelle pr\u00e9alable des donn\u00e9es et \u00e9tablit de mani\u00e8re \u00e9tay\u00e9e que les distributions des diff\u00e9rents groupes partagent une forme g\u00e9om\u00e9trique substantiellement similaire (c’est-\u00e0-dire un degr\u00e9 de sym\u00e9trie, un aplatissement et une variabilit\u00e9 comparables, m\u00eame si la distribution est nettement non normale), alors le test de Kruskal-Wallis acquiert le statut de test d’homog\u00e9n\u00e9it\u00e9 des m\u00e9dianes. Dans cette perspective restreinte mais tr\u00e8s commune, le rejet de l’hypoth\u00e8se nulle autorise l’auteur \u00e0 conclure formellement \u00e0 une diff\u00e9rence statistiquement significative entre les m\u00e9dianes des populations \u00e9tudi\u00e9es. Si les formes des distributions divergent profond\u00e9ment (par exemple, une distribution \u00e9tir\u00e9e vers la droite confront\u00e9e \u00e0 une distribution bimodale et une distribution sym\u00e9trique), le test demeure valide, mais la conclusion doit obligatoirement \u00eatre circonscrite \u00e0 une diff\u00e9rence entre les rangs moyens ou entre les distributions de probabilit\u00e9 cumul\u00e9es stochastiques.<\/p>\n

2.3 Strat\u00e9gies face aux violations m\u00e9thodologiques<\/h3>\n

Que doit entreprendre le statisticien lorsque les distributions affichent des dissemblances morphologiques majeures ou lorsque d’autres entorses m\u00e9thodologiques surviennent ? Face \u00e0 une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 marqu\u00e9e de la forme des distributions ou \u00e0 des variances extr\u00eamement disparates associ\u00e9es \u00e0 des effectifs in\u00e9gaux, l’interpr\u00e9tation des rangs moyens demeure techniquement correcte mais peut s’av\u00e9rer trompeuse sur le plan clinique. Le test de Kruskal-Wallis est susceptible d’indiquer une significativit\u00e9 globale sous l’effet conjugu\u00e9 d’\u00e9carts de dispersion plut\u00f4t que de d\u00e9calages de localisation centrale pure.<\/p>\n

Par ailleurs, la pr\u00e9sence de groupes fortement d\u00e9s\u00e9quilibr\u00e9s en taille (par exemple, n1<\/sub><\/em> = 10, n2<\/sub><\/em> = 45 et n3<\/sub><\/em> = 80) affaiblit la robustesse asymptotique du test et p\u00e9nalise sa puissance statistique. Si le groupe de faible effectif pr\u00e9sente simultan\u00e9ment la plus grande dispersion, le risque d’inflation de l’erreur de type I est substantiellement accru, bien que de mani\u00e8re moins catastrophique que dans le cas d’une ANOVA param\u00e9trique violant l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 de Levene.<\/p>\n

Dans ce genre de configuration critique, plusieurs alternatives d\u00e9cisionnelles doivent \u00eatre envisag\u00e9es de mani\u00e8re raisonn\u00e9e :<\/p>\n

    \n
  • La transformation de variables :<\/strong> Tenter des transformations math\u00e9matiques sur la variable d\u00e9pendante d’origine (logarithmique, racine carr\u00e9e, puissance de Box-Cox) pour r\u00e9tablir la normalit\u00e9 et l’homog\u00e9n\u00e9it\u00e9 des variances, autorisant ainsi un retour vers l’ANOVA param\u00e9trique standard ou l’ANOVA de Welch.<\/li>\n
  • L’ANOVA de Welch sur donn\u00e9es brutes :<\/strong> Si la variable d\u00e9pendante est continue et que seule l’homosc\u00e9dasticit\u00e9 fait d\u00e9faut, le test param\u00e9trique de Welch pour \u00e9chantillons ind\u00e9pendants s’av\u00e8re particuli\u00e8rement robuste \u00e0 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances, y compris avec des distributions mod\u00e9r\u00e9ment non gaussiennes.<\/li>\n
  • Le r\u00e9\u00e9chantillonnage bootstrap ou permutations exactes :<\/strong> Recourir aux algorithmes d’estimation non param\u00e9trique par r\u00e9\u00e9chantillonnage (Bootstrapping<\/em>) ou aux tests de permutation exacte (Exact Tests<\/em>), disponibles nativement au sein des extensions d’\u00e9chantillonnage de SPSS, afin de calculer une valeur p<\/em> empirique ind\u00e9pendante de toute distribution th\u00e9orique limite.<\/li>\n
  • L’analyse des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM \/ GAMLSS) :<\/strong> S’orienter vers la r\u00e9gression logistique ordinale \u00e0 cotes proportionnelles, qui mod\u00e9lise explicitement la nature cumulative des donn\u00e9es d’\u00e9chelles de Likert sans postuler l’\u00e9quidistance des cat\u00e9gories de r\u00e9ponse.<\/li>\n<\/ul>\n

    3. Pr\u00e9paration des donn\u00e9es psychom\u00e9triques dans SPSS<\/h2>\n

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

    La rigueur de toute mod\u00e9lisation statistique d\u00e9pend intimement de la qualit\u00e9 de la configuration de la matrice de donn\u00e9es. Dans l’environnement SPSS Statistics, cette phase architecturale s’effectue dans l’onglet Vue des variables<\/strong> (Variable View<\/em>), situ\u00e9 au bas de la fen\u00eatre de l’\u00e9diteur de donn\u00e9es. Pour orchestrer correctement un test de Kruskal-Wallis, au moins deux colonnes de variables doivent \u00eatre minutieusement param\u00e9tr\u00e9es.<\/p>\n

    La premi\u00e8re variable repr\u00e9sente la variable ind\u00e9pendante cat\u00e9gorielle (facteur de classification). Dans la colonne Nom<\/em> (Name<\/em>), attribuez-lui un identifiant explicite d\u00e9pourvu d’espaces et de caract\u00e8res sp\u00e9ciaux, tel que Groupe_Traitement<\/code>. Dans la colonne Type<\/em>, conservez le format standard Num\u00e9rique<\/em> (Numeric<\/em>), car le moteur de calcul de SPSS traite de mani\u00e8re optimale les identifiants cod\u00e9s sous forme num\u00e9rique plut\u00f4t que textuelle (cha\u00eene de caract\u00e8res). La colonne \u00c9tiquette<\/em> (Label<\/em>) permet de documenter la d\u00e9signation acad\u00e9mique exhaustive, par exemple : \u00ab\u00a0Condition d’intervention pharmacologique antalgique\u00a0\u00bb.<\/p>\n

    L’\u00e9tape indispensable r\u00e9side dans la configuration des Valeurs<\/strong> (Values<\/em>). Cliquez sur le bouton d’ellipse (…) au sein de cette cellule pour ouvrir la bo\u00eete de dialogue \u00c9tiquettes de valeurs<\/em> (Value Labels<\/em>). D\u00e9finissez-y chaque condition exp\u00e9rimentale par un code entier distinct. Dans le cadre de notre exemple clinique sur la gestion de la douleur :<\/p>\n

      \n
    • Valeur 1<\/code> = \u00c9tiquette \u00ab\u00a0Placebo\u00a0\u00bb<\/li>\n
    • Valeur 2<\/code> = \u00c9tiquette \u00ab\u00a0Mol\u00e9cule A (Analg\u00e9sique standard)\u00a0\u00bb<\/li>\n
    • Valeur 3<\/code> = \u00c9tiquette \u00ab\u00a0Mol\u00e9cule B (Nouveau principe actif)\u00a0\u00bb<\/li>\n<\/ul>\n

      Enfin, dans la colonne Mesure<\/em> (Measure<\/em>), s\u00e9lectionnez imp\u00e9rativement la modalit\u00e9 Nominale<\/strong> ou Ordinale<\/strong> selon la nature intrins\u00e8que des modalit\u00e9s compar\u00e9es.<\/p>\n

      La seconde variable incarne la variable d\u00e9pendante. Nommez-la, par exemple, Score_Douleur<\/code>, avec pour \u00e9tiquette \u00ab\u00a0\u00c9valuation subjective de la douleur post-traitement (\u00c9chelle 0-10)\u00a0\u00bb. Dans la colonne Mesure<\/em>, assignez-lui le niveau Ordinale<\/strong> (si l’\u00e9valuation repose sur une \u00e9chelle d’\u00e9valuation num\u00e9rique discr\u00e8te ou une \u00e9chelle de Likert) ou \u00c9chelle<\/strong> (Scale<\/em>, si la mesure d\u00e9rive d’une variable m\u00e9trique continue ou quasi continue). Ce param\u00e9trage strict du niveau de mesure est primordial pour le bon fonctionnement des assistants modernes de s\u00e9lection de tests dans les versions r\u00e9centes de SPSS.<\/p>\n

      3.2 Organisation du tableau de donn\u00e9es dans la Vue des donn\u00e9es (Data View)<\/h3>\n

      Une fois les m\u00e9tadonn\u00e9es d\u00e9clar\u00e9es, basculez dans l’onglet Vue des donn\u00e9es<\/strong> (Data View<\/em>). L’\u00e9cueil classique rencontr\u00e9 par les analystes d\u00e9butants habitu\u00e9s aux tableurs g\u00e9n\u00e9ralistes consiste \u00e0 structurer les donn\u00e9es au \u00ab\u00a0format large\u00a0\u00bb (wide format<\/em>), c’est-\u00e0-dire en assignant une colonne distincte par groupe exp\u00e9rimental (par exemple : une colonne pour le groupe Placebo, une colonne pour le groupe Mol\u00e9cule A, et une colonne pour le groupe Mol\u00e9cule B). Cette disposition matricielle est formellement prohib\u00e9e pour le traitement des \u00e9chantillons ind\u00e9pendants sous SPSS.<\/p>\n

      SPSS exige une organisation stricte au format long<\/strong> (long format<\/em> ou format unaire), o\u00f9 chaque ligne horizontale repr\u00e9sente une unit\u00e9 d’\u00e9chantillonnage unique (un patient ou sujet sp\u00e9cifique) et chaque colonne verticale correspond \u00e0 une variable mesur\u00e9e. Si notre protocole exp\u00e9rimental comporte un \u00e9chantillon global de 30 patients r\u00e9partis \u00e9quitablement \u00e0 raison de 10 sujets par condition pharmacologique, la matrice de donn\u00e9es doit \u00eatre constitu\u00e9e de 30 lignes s\u00e9quentielles.<\/p>\n

      Pour illustrer concr\u00e8tement la disposition des donn\u00e9es, le protocole exp\u00e9rimental standard se d\u00e9ploie selon la structure suivante :<\/p>\n

        \n
      • Les lignes 1 \u00e0 10 affichent le chiffre 1<\/code> dans la colonne Groupe_Traitement<\/code>, accompagn\u00e9 des scores de douleur respectifs mesur\u00e9s chez les participants du groupe Placebo (par exemple : 7, 8, 6, 9, 7, 8, 9, 6, 8, 7).<\/li>\n
      • Les lignes 11 \u00e0 20 pr\u00e9sentent la valeur num\u00e9rique 2<\/code> pour la colonne factorielle, associ\u00e9e aux scores des patients ayant re\u00e7u la Mol\u00e9cule A (par exemple : 5, 6, 4, 6, 5, 7, 4, 5, 6, 5).<\/li>\n
      • Les lignes 21 \u00e0 30 contiennent la valeur 3<\/code> pour le groupe, juxtapos\u00e9e aux mesures obtenues sous la Mol\u00e9cule B (par exemple : 3, 2, 4, 3, 1, 3, 2, 4, 3, 2).<\/li>\n<\/ul>\n

        Avant d’engager toute d\u00e9marche inf\u00e9rentielle, activez l’ic\u00f4ne \u00c9tiquettes de valeurs<\/em> (repr\u00e9sent\u00e9e par une \u00e9tiquette barr\u00e9e des mentions 1 -> A<\/code>) sur la barre d’outils sup\u00e9rieure pour v\u00e9rifier visuellement que les codes num\u00e9riques s’affichent alternativement sous leur forme brute ou sous leurs libell\u00e9s descriptifs textuels, confirmant ainsi l’int\u00e9grit\u00e9 de l’encodage relationnel.<\/p>\n

        3.3 Nettoyage pr\u00e9liminaire et d\u00e9tection des donn\u00e9es aberrantes<\/h3>\n

        Avant d’ex\u00e9cuter la statistique de test, une \u00e9tape rigoureuse d’\u00e9puration des donn\u00e9es s’av\u00e8re indispensable. Celle-ci comprend deux volets cardinaux : la gestion des donn\u00e9es manquantes et le traitement des observations extr\u00eames (outliers<\/em>).<\/p>\n

        Dans la Vue des variables<\/em>, au sein de la colonne Manquant<\/em> (Missing<\/em>), d\u00e9terminez explicitement les valeurs discr\u00e8tes r\u00e9serv\u00e9es aux non-r\u00e9ponses, aux abandons de protocole ou aux refus d’\u00e9valuation (par exemple : -99<\/code> ou 999<\/code>). Cette pr\u00e9caution \u00e9vite que SPSS n’agr\u00e8ge ces codes num\u00e9riques aberrants au sein des calculs de rangs, ce qui fausserait dramatiquement les sommes de rangs et conduirait \u00e0 des conclusions fallacieuses.<\/p>\n

        L’identification des donn\u00e9es aberrantes s’effectue id\u00e9alement via le menu d’exploration univari\u00e9e : acc\u00e9dez \u00e0 Analyser > Statistiques descriptives > Explorer<\/strong> (Analyze > Descriptive Statistics > Explore<\/em>). Transf\u00e9rez Score_Douleur<\/code> dans la liste des Variables d\u00e9pendantes<\/em> et Groupe_Traitement<\/code> dans la liste des Facteurs<\/em>. Dans l’onglet Graphiques<\/em> (Plots<\/em>), assurez-vous que la case Diagrammes en bo\u00eete<\/em> (Boxplots<\/em>) soit coch\u00e9e avec l’option Regroup\u00e9s par facteur<\/em>.<\/p>\n

        \u00c0 la lecture des sorties graphiques, SPSS signale les valeurs atypiques mod\u00e9r\u00e9es par des cercles (observations situ\u00e9es entre 1,5 et 3 fois l’intervalle interquartile au-del\u00e0 des quartiles sup\u00e9rieur ou inf\u00e9rieur) et les valeurs extr\u00eames par des ast\u00e9risques (au-del\u00e0 de 3 fois l’intervalle interquartile). L’un des atouts intrins\u00e8ques majeurs du test de Kruskal-Wallis r\u00e9side dans son immunit\u00e9 relative face aux donn\u00e9es aberrantes isol\u00e9es : puisqu’une valeur extr\u00eame est tronqu\u00e9e \u00e0 son simple rang d’ordre (par exemple, un score anormalement \u00e9lev\u00e9 de 100 n’obtiendra que le rang maximal N<\/em> = 30, exactement au m\u00eame titre qu’un score de 11 qui serait le maximum de l’\u00e9chantillon), elle n’exerce pas l’effet d\u00e9stabilisant d’\u00e9tirement de variance typique de la moyenne param\u00e9trique. N\u00e9anmoins, il convient de v\u00e9rifier si cette valeur ne r\u00e9sulte pas d’une erreur d’encodage mat\u00e9riel dans la matrice de donn\u00e9es.<\/p>\n

        4. Proc\u00e9dure pas \u00e0 pas via les bo\u00eetes de dialogue existantes (Legacy Dialogs)<\/h2>\n

        4.1 Navigation dans l’interface des menus de tests non param\u00e9triques<\/h3>\n

        Bien qu’IBM SPSS Statistics ait d\u00e9velopp\u00e9 un moteur unifi\u00e9 de tests non param\u00e9triques depuis ses versions r\u00e9centes, la m\u00e9thode op\u00e9ratoire traditionnelle via les Bo\u00eetes de dialogue existantes<\/strong> (Legacy Dialogs<\/em>) demeure immens\u00e9ment pris\u00e9e par les chercheurs chevronn\u00e9s et les analystes universitaires. Cette p\u00e9rennit\u00e9 s’explique par sa clart\u00e9 conceptuelle, sa transparence algorithmique et la restitution directe de sorties sous forme de tableaux tabulaires standards, facilement manipulables et exportables vers des logiciels de traitement de texte.<\/p>\n

        \"\"<\/figure>\n

        Pour initier cette analyse selon la m\u00e9thode historique, d\u00e9roulez le menu principal de SPSS selon l’arborescence suivante :<\/p>\n

        Analyser > Tests non param\u00e9triques > Bo\u00eetes de dialogue existantes > \u00c9chantillons K ind\u00e9pendants…<\/strong>
        (Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples…<\/em>)<\/p>\n

        Cette s\u00e9lection d\u00e9clenche l’ouverture imm\u00e9diate d’une bo\u00eete de dialogue modale intitul\u00e9e Tests pour plusieurs \u00e9chantillons ind\u00e9pendants<\/em> (Tests for Several Independent Samples<\/em>). Cette fen\u00eatre se structure en deux zones majeures de s\u00e9lection : le panneau de gauche, qui liste l’ensemble des variables d\u00e9clar\u00e9es dans votre fichier actif, et le panneau de droite, qui attend la d\u00e9signation des r\u00f4les op\u00e9rationnels d\u00e9volus \u00e0 ces variables.<\/p>\n

        4.2 Assignation des variables et d\u00e9finition des \u00e9tendues de groupes<\/h3>\n

        Dans la colonne des variables disponibles situ\u00e9e \u00e0 gauche, localisez la variable d\u00e9pendante continue ou ordinale (dans notre cas clinique : Score_Douleur<\/code>). Cliquez sur cette variable pour la surligner, puis actionnez le bouton fl\u00e9ch\u00e9 sup\u00e9rieur orient\u00e9 vers la droite afin de la transf\u00e9rer dans la liste intitul\u00e9e Liste des variables \u00e0 tester<\/strong> (Test Variable List<\/em>). Il est \u00e0 noter que vous pouvez ins\u00e9rer simultan\u00e9ment plusieurs variables d\u00e9pendantes au sein de cette zone ; SPSS traitera alors chaque variable de mani\u00e8re s\u00e9quentielle en ex\u00e9cutant un test de Kruskal-Wallis distinct pour chacune d’entre elles.<\/p>\n

        S\u00e9lectionnez ensuite la variable cat\u00e9gorielle ind\u00e9pendante Groupe_Traitement<\/code> et transf\u00e9rez-la au moyen de la fl\u00e8che m\u00e9diane dans le champ intitul\u00e9 Variable de regroupement<\/strong> (Grouping Variable<\/em>). D\u00e8s cet instant, vous constaterez que le bouton de confirmation OK<\/em> demeure inactif et que la variable de groupe est affich\u00e9e sous la forme Groupe_Traitement(? ?)<\/code>. Cette syntaxe indique que SPSS exige une d\u00e9finition manuelle de la plage de valeurs num\u00e9riques \u00e0 inclure dans l’analyse.<\/p>\n

        Cliquez sur le bouton D\u00e9finir plage…<\/strong> (Define Range…<\/em>) situ\u00e9 imm\u00e9diatement en dessous du champ de la variable de regroupement. Une bo\u00eete de dialogue contextuelle secondaire s’affiche, pr\u00e9sentant deux champs num\u00e9riques obligatoires :<\/p>\n

          \n
        • Minimum :<\/strong> Saisissez le code num\u00e9rique entier assign\u00e9 \u00e0 votre premier groupe exp\u00e9rimental (dans notre exemple, entrez la valeur 1<\/code> pour le groupe Placebo).<\/li>\n
        • Maximum :<\/strong> Saisissez le code num\u00e9rique entier d\u00e9volu au dernier groupe de votre continuum factoriel (dans notre exemple, saisissez la valeur 3<\/code> pour le groupe Mol\u00e9cule B).<\/li>\n<\/ul>\n

          Cette fonctionnalit\u00e9 s’av\u00e8re particuli\u00e8rement puissante : si votre fichier de donn\u00e9es initial comporte cinq conditions exp\u00e9rimentales cod\u00e9es de 1 \u00e0 5, mais que votre question de recherche actuelle ne concerne que les conditions 2 \u00e0 4, il vous suffit d’indiquer Minimum = 2 et Maximum = 4. SPSS exclura automatiquement de l’analyse toutes les observations n’appartenant pas \u00e0 cet intervalle. Cliquez sur Poursuivre<\/strong> (Continue<\/em>) pour valider cette s\u00e9lection et revenir \u00e0 la fen\u00eatre principale.<\/p>\n

          4.3 Configuration des options d’analyse et validation du test<\/h3>\n

          De retour dans la fen\u00eatre principale, portez votre attention sur la section inf\u00e9rieure intitul\u00e9e Type de test<\/strong> (Test Type<\/em>). Assurez-vous que la case \u00e0 cocher Kruskal-Wallis H<\/strong> soit rigoureusement activ\u00e9e par un crochet. Par d\u00e9faut, SPSS propose \u00e9galement le test de la m\u00e9diane (Median test<\/em>) ou le test de Jonckheere-Terpstra ; ce dernier ne doit \u00eatre coch\u00e9 que si vos groupes exp\u00e9rimentaux sous-tendent une hypoth\u00e8se directionnelle a priori strictement ordonn\u00e9e (par exemple : Dose faible < Dose moyenne < Dose forte).<\/p>\n

          \"Kruskal-Wallis
          Kruskal-Wallis test options in SPSS<\/figcaption><\/figure>\n

          Afin d’enrichir la finesse des sorties statistiques, cliquez sur le bouton Options…<\/strong> localis\u00e9 dans l’angle sup\u00e9rieur droit de la bo\u00eete de dialogue. Une fen\u00eatre d’options p\u00e9riph\u00e9riques appara\u00eet. Dans le cadre Statistiques<\/em>, cochez imp\u00e9rativement la case Descriptives<\/strong> ainsi que la case Quartiles<\/strong>. L’activation des quartiles est une d\u00e9marche m\u00e9thodologique cardinale dans le cadre des analyses non param\u00e9triques, car elle permettra de documenter la m\u00e9diane (50e percentile) ainsi que le 25e et le 75e percentiles de chaque sous-\u00e9chantillon dans le rapport final.<\/p>\n

          Dans la section Valeurs manquantes<\/em> (Missing Values<\/em>), laissez activ\u00e9e l’option par d\u00e9faut Exclure les observations analyse par analyse<\/em> (Exclude cases test-by-test<\/em>). Cliquez sur Poursuivre<\/em>. \u00c0 ce stade, vous disposez de deux alternatives d’ex\u00e9cution : cliquer sur le bouton OK<\/strong> pour lancer l’ex\u00e9cution algorithmique imm\u00e9diate et g\u00e9n\u00e9rer les sorties dans la fen\u00eatre d’affichage (Viewer<\/em>), ou cliquer sur le bouton Coller<\/strong> (Paste<\/em>). Ce dernier bouton g\u00e9n\u00e8re l’instruction de programmation formelle au sein de l’\u00e9diteur de syntaxe de SPSS, garantissant l’auditabilit\u00e9 et la reproductibilit\u00e9 int\u00e9grale de votre d\u00e9marche empirique.<\/p>\n

          5. Proc\u00e9dure moderne via la commande standard des tests non param\u00e9triques<\/h2>\n

          5.1 Acc\u00e8s au module int\u00e9gr\u00e9 des \u00e9chantillons ind\u00e9pendants<\/h3>\n

          Introduite pour moderniser l’exp\u00e9rience utilisateur et r\u00e9pondre aux standards contemporains du data mining, la proc\u00e9dure standardis\u00e9e int\u00e9gr\u00e9e d’IBM SPSS offre un environnement analytique interactif unifi\u00e9. Ce module ne se contente pas de calculer la statistique d’ordre ; il supervise l’int\u00e9gralit\u00e9 du flux de travail, du diagnostic automatique des variables jusqu’\u00e0 l’ajustement dynamique des comparaisons multiples post-hoc et la mod\u00e9lisation graphique vectorielle.<\/p>\n

          Pour mobiliser cette architecture avanc\u00e9e, suivez le cheminement de navigation suivant au sein de la barre des menus :<\/p>\n

          Analyser > Tests non param\u00e9triques > \u00c9chantillons ind\u00e9pendants…<\/strong>
          (Analyze > Nonparametric Tests > Independent Samples…<\/em>)<\/p>\n

          Cette action ouvre une interface contemporaine structur\u00e9e sous forme de classeur \u00e0 trois onglets s\u00e9quentiels : Objectif<\/strong> (Objective<\/em>), Champs<\/strong> (Fields<\/em>) et Param\u00e8tres<\/strong> (Settings<\/em>). Dans le premier onglet, intitul\u00e9 Objectif<\/em>, trois boutons radio r\u00e9gissent le comportement de l’assistant logiciel :<\/p>\n

            \n
          • Comparer automatiquement les donn\u00e9es aux groupes<\/em> (s\u00e9lection automatique du test appropri\u00e9 en fonction du nombre de modalit\u00e9s et des m\u00e9tadonn\u00e9es).<\/li>\n
          • Comparer les m\u00e9dianes entre les groupes<\/em> (s\u00e9lectionne le test de Kruskal-Wallis ou de la m\u00e9diane selon les options).<\/li>\n
          • Analyse personnalis\u00e9e<\/em> (Customize analysis<\/em>).<\/li>\n<\/ul>\n

            Pour un chercheur d\u00e9sireux de ma\u00eetriser avec exactitude les param\u00e8tres m\u00e9thodologiques de son inf\u00e9rence, il est formellement recommand\u00e9 de s\u00e9lectionner l’option Analyse personnalis\u00e9e<\/strong>, \u00e9vitant ainsi que SPSS ne prenne des d\u00e9cisions heuristiques opaques quant au choix des tests.<\/p>\n

            5.2 D\u00e9finition des r\u00f4les des variables dans l’onglet Champs<\/h3>\n

            Basculez ensuite vers le second onglet, intitul\u00e9 Champs<\/strong> (Fields<\/em>). Cet \u00e9cran assure la distribution fonctionnelle des variables au sein de l’architecture du mod\u00e8le statistique. La partie gauche pr\u00e9sente la liste des variables \u00e9ligibles issues de votre dictionnaire de donn\u00e9es actif.<\/p>\n

            S\u00e9lectionnez la variable ordinale ou d’\u00e9chelle Score_Douleur<\/code> et faites-la glisser (ou transf\u00e9rez-la via la fl\u00e8che centrale) dans l’encadr\u00e9 sup\u00e9rieur droit d\u00e9sign\u00e9 sous l’\u00e9tiquette Cibles<\/strong> (Test Fields<\/em>). C’est sur cette variable que s’exercera la transformation par rangs et l’\u00e9valuation des d\u00e9calages stochastiques.<\/p>\n

            Localisez ensuite la variable cat\u00e9gorielle Groupe_Traitement<\/code> et ins\u00e9rez-la dans l’encadr\u00e9 inf\u00e9rieur intitul\u00e9 Groupes<\/strong> (Groups<\/em>). Contrairement \u00e0 la proc\u00e9dure historique des bo\u00eetes de dialogue existantes, il n’est nullement requis de renseigner manuellement un intervalle de valeurs minimales et maximales via un sous-menu de d\u00e9finition de plage : l’algorithme sous-jacent lit de mani\u00e8re autonome l’ensemble des modalit\u00e9s exhaustives contenues dans la variable de groupe et dimensionne le mod\u00e8le en cons\u00e9quence. Il est toutefois imp\u00e9ratif que le niveau de mesure ait \u00e9t\u00e9 pr\u00e9alablement et ad\u00e9quatement d\u00e9fini dans la Vue des variables<\/em> (Ordinale\/Nominale pour le groupe, Ordinale\/\u00c9chelle pour la cible), sous peine de voir l’assistant bloquer le transfert des variables.<\/p>\n

            5.3 Personnalisation des tests et options d’ajustement automatique<\/h3>\n

            L’\u00e9tape de param\u00e9trage fin s’op\u00e8re au sein du troisi\u00e8me onglet, Param\u00e8tres<\/strong> (Settings<\/em>). Dans la colonne d’options affich\u00e9e \u00e0 gauche, s\u00e9lectionnez le menu Choisir les tests<\/strong> (Choose Tests<\/em>). Activez le bouton radio Personnaliser les tests<\/strong> (Customize tests<\/em>) afin de lib\u00e9rer l’acc\u00e8s aux options d\u00e9taill\u00e9es. Dans la section d\u00e9volue aux comparaisons inter-groupes, cochez imp\u00e9rativement la case ANOVA \u00e0 un facteur de Kruskal-Wallis (\u00e9chantillons k)<\/strong> (Kruskal-Wallis 1-way ANOVA (k samples)<\/em>).<\/p>\n

            Sous cette s\u00e9lection, un menu d\u00e9roulant critique intitul\u00e9 Comparaisons multiples<\/strong> (Multiple comparisons<\/em>) s’illumine. Ce param\u00e8tre r\u00e9git l’ex\u00e9cution automatique des contrastes post-hoc en cas de rejet de l’hypoth\u00e8se nulle globale. Vous avez le choix entre :<\/p>\n

              \n
            • Toutes par paires<\/strong> (All pairwise<\/em>) : Calcule la totalit\u00e9 des comparaisons deux \u00e0 deux entre chaque modalit\u00e9 exp\u00e9rimentale via la m\u00e9thode de Dunn avec ajustement strict de Bonferroni.<\/li>\n
            • Par \u00e9tapes<\/strong> (Stepwise step-down<\/em>) : Applique une proc\u00e9dure de comparaisons s\u00e9quentielles par \u00e9tapes, analogue au test de Student-Newman-Keuls ou de Ryan-Einot-Gabriel-Welsch.<\/li>\n<\/ul>\n

              Il est pr\u00e9conis\u00e9 dans l’\u00e9crasante majorit\u00e9 des designs exp\u00e9rimentaux acad\u00e9miques de conserver l’option Toutes par paires<\/strong>.<\/p>\n

              Poursuivez en s\u00e9lectionnant l’\u00e9l\u00e9ment Options de test<\/strong> (Test Options<\/em>) dans le menu vertical de gauche. Vous pouvez y stipuler le seuil de signification th\u00e9orique alpha (g\u00e9n\u00e9ralement 0,05<\/code>, correspondant \u00e0 un intervalle de confiance de 95 %). Dans la section d\u00e9volue \u00e0 l’ajustement de la valeur p<\/em> pour les tests multiples, v\u00e9rifiez que l’algorithme applique la correction de Bonferroni. Enfin, cliquez sur le bouton Ex\u00e9cuter<\/strong> (Run<\/em>) situ\u00e9 en bas de l’interface pour lancer l’ensemble des mod\u00e9lisations int\u00e9gr\u00e9es.<\/p>\n

              6. Syntaxe SPSS pour l’ex\u00e9cution et l’automatisation du test<\/h2>\n

              6.1 Structure et ex\u00e9cution de la commande NPAR TESTS<\/h3>\n

              L’utilisation de la syntaxe de commande SPSS repr\u00e9sente le standard m\u00e9thodologique absolu dans la recherche scientifique contemporaine. Elle permet non seulement une reproductibilit\u00e9 parfaite des analyses statistiques conform\u00e9ment aux pr\u00e9conisations de la science ouverte, mais offre \u00e9galement un gain d’efficience consid\u00e9rable lors du traitement de jeux de donn\u00e9es massifs ou it\u00e9ratifs.<\/p>\n

              Pour ex\u00e9cuter le test de Kruskal-Wallis selon le moteur classique, l’instruction ma\u00eetresse repose sur la commande NPAR TESTS<\/code>. La structure du code s’articule comme suit :<\/p>\n

              NPAR TESTS
              \n  \/K-W=Score_Douleur BY Groupe_Traitement(1 3)
              \n  \/STATISTICS DESCRIPTIVES QUARTILES
              \n  \/MISSING ANALYSIS.<\/code><\/p>\n

              Analysons la d\u00e9composition syntaxique de cette directive :<\/p>\n

                \n
              • NPAR TESTS<\/code> invoque le module d’ex\u00e9cution des statistiques non param\u00e9triques g\u00e9n\u00e9rales de SPSS.<\/li>\n
              • La sous-commande \/K-W=<\/code> stipule l’ex\u00e9cution de l’algorithme de Kruskal-Wallis. Elle est suivie imm\u00e9diatement de la variable d\u00e9pendante \u00e0 tester (Score_Douleur<\/code>), du mot-cl\u00e9 op\u00e9rateur BY<\/code>, puis de la variable de classification ind\u00e9pendante (Groupe_Traitement<\/code>). Entre parenth\u00e8ses sont d\u00e9clar\u00e9es les valeurs minimale et maximale de l’\u00e9tendue des groupes \u00e0 comparer (dans notre cas clinique : 1 3<\/code>).<\/li>\n
              • La sous-commande \/STATISTICS DESCRIPTIVES QUARTILES<\/code> ordonne l’adjonction au rapport de sortie des param\u00e8tres de statistique descriptive univari\u00e9e standard ainsi que les valeurs relatives aux percentiles 25, 50 (m\u00e9diane) et 75 pour l’\u00e9chantillon global.<\/li>\n
              • La sous-commande \/MISSING ANALYSIS<\/code> pr\u00e9cise la r\u00e8gle d’exclusion des donn\u00e9es incompl\u00e8tes en mode \u00ab\u00a0test par test\u00a0\u00bb.<\/li>\n<\/ul>\n

                Pour ex\u00e9cuter ce code, mettez l’int\u00e9gralit\u00e9 du texte en surbrillance dans l’\u00e9diteur de syntaxe (Syntax Editor<\/em>) et cliquez sur l’ic\u00f4ne triangulaire verte Ex\u00e9cuter la s\u00e9lection<\/em> (ou utilisez le raccourci clavier standard Ctrl + R<\/strong> sous Windows, ou Cmd + R<\/strong> sous macOS).<\/p>\n

                6.2 Programmation avanc\u00e9e avec la commande NPTESTS<\/h3>\n

                Pour exploiter par voie de programmation le module moderne de tests non param\u00e9triques (introduit \u00e0 partir de la version 18 d’IBM SPSS), c’est la commande haut niveau NPTESTS<\/code> qui doit \u00eatre mobilis\u00e9e. Cette instruction dispose d’une flexibilit\u00e9 sup\u00e9rieure et permet de param\u00e9trer directement les analyses post-hoc automatis\u00e9es et la production de figures dynamiques.<\/p>\n

                Voici la formulation syntaxique optimale pour reproduire l’analyse standardis\u00e9e avanc\u00e9e :<\/p>\n

                NPTESTS
                \n  \/INDEPENDENT TEST (Score_Douleur) GROUP (Groupe_Traitement)
                \n    KRUSKAL_WALLIS(COMPARE=PAIRWISE)
                \n  \/CRITERIA ALPHA=0.05 CILEVEL=95.<\/code><\/p>\n

                Cette instruction se diss\u00e8que de la fa\u00e7on suivante :<\/p>\n