1. Introduction th\u00e9orique au test de Friedman en psychologie<\/h2>\n1.1 D\u00e9finition et fondements math\u00e9matiques du test<\/h3>\n
D\u00e9velopp\u00e9 \u00e0 la fin des ann\u00e9es 1930 par le statisticien et futur laur\u00e9at du prix Nobel d’\u00e9conomie Milton Friedman<\/a> (1937, 1939), le test de Friedman est un test non param\u00e9trique con\u00e7u pour d\u00e9terminer s’il existe des diff\u00e9rences statistiquement significatives entre au moins trois conditions exp\u00e9rimentales appari\u00e9es ou mesures r\u00e9p\u00e9t\u00e9es recueillies aupr\u00e8s d’un m\u00eame \u00e9chantillon de sujets. Math\u00e9matiquement, le test repose sur une transformation des donn\u00e9es brutes en rangs calcul\u00e9s de mani\u00e8re strictement intra-individuelle. Contrairement aux approches inter-sujets telles que le test de Kruskal-Wallis, qui classe l’ensemble des observations de l’\u00e9chantillon global du plus petit au plus grand rang sans distinction d’origine, le test de Friedman isole chaque bloc unitaire \u2014 c’est-\u00e0-dire chaque participant ou unit\u00e9 d’observation \u2014 et proc\u00e8de \u00e0 un classement ordonn\u00e9 des valeurs observ\u00e9es au travers des diff\u00e9rentes conditions.<\/p>\n Consid\u00e9rons un plan exp\u00e9rimental compos\u00e9 de N<\/em> sujets mesur\u00e9s sous k<\/em> conditions distinctes. Pour chaque sujet i<\/em> (allant de 1 \u00e0 N<\/em>), les scores observ\u00e9s sous les k<\/em> conditions sont ordonn\u00e9s de fa\u00e7on croissante et se voient assigner un rang rij<\/sub><\/em> compris entre 1 et k<\/em>. En pr\u00e9sence d’\u00e9galit\u00e9s de scores, appel\u00e9es ex \u00e6quo, la m\u00e9thode standard consiste \u00e0 attribuer le rang moyen des positions qu’auraient occup\u00e9es ces observations si elles avaient diff\u00e9r\u00e9. Une fois l’ensemble des rangs individuels attribu\u00e9s, la statistique du test calcule la somme des rangs pour chaque condition j<\/em>, not\u00e9e Rj<\/sub><\/em>, puis \u00e9value l’\u00e9cart quadratique entre ces sommes observ\u00e9es et la somme attendue sous l’hypoth\u00e8se nulle d’\u00e9quiprobabilit\u00e9 des classements.<\/p>\n La statistique de test classique de Friedman, g\u00e9n\u00e9ralement d\u00e9sign\u00e9e par Q<\/em> ou approxim\u00e9e par une distribution de Chi-deux (not\u00e9e \u03c7\u00b2), s’exprime selon l’\u00e9quation canonique suivante :<\/p>\n \u03c7\u00b2 = [12 \/ (N * k * (k + 1))] * \u03a3(Rj<\/sub>\u00b2) – 3 * N * (k + 1)<\/p>\n Dans cette formulation, N<\/em> repr\u00e9sente le nombre d’observations ind\u00e9pendantes (le nombre de participants ou de blocs appari\u00e9s), k<\/em> d\u00e9signe le nombre de modalit\u00e9s ou de conditions exp\u00e9rimentales, et Rj<\/sub><\/em> correspond \u00e0 la somme globale des rangs associ\u00e9s \u00e0 la condition j<\/em>. Lorsque l’hypoth\u00e8se nulle est vraie \u2014 c’est-\u00e0-dire lorsqu’il n’existe aucun effet de traitement ou de temps et que les fluctuations entre conditions rel\u00e8vent purement du hasard de l’\u00e9chantillonnage \u2014, chaque rang de 1 \u00e0 k<\/em> a la m\u00eame probabilit\u00e9 d’appara\u00eetre dans n’importe quelle condition pour un participant donn\u00e9. En cons\u00e9quence, les sommes des rangs Rj<\/sub><\/em> tendent \u00e0 \u00eatre \u00e9quivalentes d’une condition \u00e0 l’autre, se rapprochant de leur valeur th\u00e9orique esp\u00e9r\u00e9e \u00e9gale \u00e0 [N * (k + 1)] \/ 2. \u00c0 l’inverse, si une condition exp\u00e9rimentale engendre syst\u00e9matiquement des scores sup\u00e9rieurs ou inf\u00e9rieurs, les sommes de rangs s’\u00e9cartent massivement de l’esp\u00e9rance math\u00e9matique, provoquant l’\u00e9l\u00e9vation de la statistique \u03c7\u00b2 vers des valeurs critiques associ\u00e9es au rejet de l’hypoth\u00e8se nulle.<\/p>\n Dans la hi\u00e9rarchie des outils de mod\u00e9lisation statistique, le test de Friedman se positionne tr\u00e8s exactement comme le pendant non param\u00e9trique de l’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es unifactorielle. L’ANOVA classique repose sur le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 et impose que les donn\u00e9es respectent un faisceau d’hypoth\u00e8ses rigides : distribution normale des r\u00e9sidus pour chaque niveau du facteur intra-sujet, continuit\u00e9 parfaite de la variable d\u00e9pendante mesur\u00e9e sur une \u00e9chelle d’intervalles constants ou de rapports, et sph\u00e9ricit\u00e9 de la matrice des covariances des diff\u00e9rences entre conditions (postulat de Mauchly). Dans les contextes exp\u00e9rimentaux r\u00e9els, particuli\u00e8rement en psychopathologie, en neuropsychologie clinique ou en ergonomie cognitive, la violation conjointe de ces hypoth\u00e8ses est la r\u00e8gle plut\u00f4t que l’exception.<\/p>\n Lorsque la distribution des donn\u00e9es sous-jacentes s’av\u00e8re fortement dissym\u00e9trique, bimodale ou pollu\u00e9e par des valeurs extr\u00eames cons\u00e9cutives \u00e0 des temps de latence h\u00e9t\u00e9rog\u00e8nes, l’estimateur de la moyenne arithm\u00e9tique perd toute validit\u00e9 en tant qu’indice de tendance centrale repr\u00e9sentatif. Le test de Friedman pallie cette vuln\u00e9rabilit\u00e9 structurelle en substituant aux grandeurs m\u00e9triques brutes leur position relative ordinale. Cette op\u00e9ration de r\u00e9duction par les rangs immunise l’analyse contre les effets d\u00e9stabilisateurs des valeurs aberrantes univari\u00e9es : une observation situ\u00e9e \u00e0 plusieurs \u00e9carts-types de la moyenne n’obtient que le rang maximal k<\/em>, neutralisant son influence disproportionn\u00e9e sur l’estimation de l’effet global.<\/p>\n Par ailleurs, l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es pr\u00e9suppose que les erreurs de mesure associ\u00e9es aux diff\u00e9rentes paires de conditions pr\u00e9sentent des variances homog\u00e8nes (la fameuse sph\u00e9ricit\u00e9). En cas d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 des diff\u00e9rences de variances, les corrections traditionnelles telles que celles d’Epsilon de Greenhouse-Geisser ou de Huynh-Feldt permettent d’ajuster les degr\u00e9s de libert\u00e9 du test param\u00e9trique. Toutefois, ces ajustements demeurent inop\u00e9rants pour corriger l’impact n\u00e9gatif d’une asym\u00e9trie distributionnelle prononc\u00e9e. Le test de Friedman s’affranchit nativement de ce formalisme puisque la normalisation pr\u00e9alable par les rangs intra-blocs impose une variance fixe et math\u00e9matiquement constante \u00e0 chaque distribution ordinale individuelle, rendant le concept m\u00eame de sph\u00e9ricit\u00e9 sans objet au sein de son architecture computationnelle.<\/p>\n L’utilisation du test de Friedman est omnipr\u00e9sente dans les investigations psychologiques qui recourent \u00e0 des plans d’\u00e9valuations longitudinales ou \u00e0 des protocoles transversaux de mesures r\u00e9p\u00e9t\u00e9es sous conditions modul\u00e9es. Un premier champ d’application canonique r\u00e9side dans l’\u00e9valuation psychom\u00e9trique de la progression th\u00e9rapeutique au fil du temps. Par exemple, un chercheur \u00e9valuant l’efficacit\u00e9 d’une intervention bas\u00e9e sur la th\u00e9rapie d’acceptation et d’engagement (ACT) mesure la d\u00e9tresse psychologique de patients atteints de douleurs chroniques \u00e0 l’aide d’un questionnaire standardis\u00e9 \u00e0 quatre temps chronologiques : pr\u00e9-intervention (baseline), mi-parcours (semaine 4), post-intervention imm\u00e9diate (semaine 8), et suivi \u00e0 long terme (suivi \u00e0 six mois). Compte tenu des biais de s\u00e9lection inh\u00e9rents aux cohortes cliniques et de la nature discr\u00e8te de l’\u00e9chelle d’\u00e9valuation, le test de Friedman constitue la d\u00e9marche inf\u00e9rentielle la plus robuste pour attester de la d\u00e9croissance significative des scores au fil du temps.<\/p>\n Un deuxi\u00e8me cas de figure embl\u00e9matique concerne la psychologie cognitive et la neuropsychologie exp\u00e9rimentale, o\u00f9 un m\u00eame groupe d’individus est soumis \u00e0 diff\u00e9rentes conditions de traitement de l’information. Imaginons une exp\u00e9rience \u00e9valuant les fonctions ex\u00e9cutives au moyen d’une t\u00e2che d’inhibition de type Stroop administr\u00e9e sous trois environnements sonores concurrents : silence total, bruit blanc al\u00e9atoire, et parole signifiante intelligible. Les temps de r\u00e9action m\u00e9dians ou le taux d’erreurs commises sous chaque modalit\u00e9 sensorielle sont appari\u00e9s par sujet. L’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des vitesses de traitement interindividuelles combin\u00e9e aux asym\u00e9tries de distribution typiques des temps de r\u00e9ponse justifie amplement l’usage du test de Friedman pour \u00e9valuer si la nature du distracteur alt\u00e8re s\u00e9lectivement la performance cognitive.<\/p>\n Enfin, la recherche en psychologie sociale et du consommateur mobilise fr\u00e9quemment ce test pour l’analyse des pr\u00e9f\u00e9rences ordinales et des donn\u00e9es psychom\u00e9triques collect\u00e9es via des \u00e9chelles de Likert. Si l’on demande \u00e0 un panel d’\u00e9valuer l’acceptabilit\u00e9 morale ou l’attractivit\u00e9 esth\u00e9tique de cinq sc\u00e9narios d’intelligence artificielle distincts sur une \u00e9chelle gradu\u00e9e de 1 (\u00ab\u00a0totalement inacceptable\u00a0\u00bb) \u00e0 7 (\u00ab\u00a0pleinement acceptable\u00a0\u00bb), ces donn\u00e9es rel\u00e8vent d’une m\u00e9trique strictement ordinale. Les \u00e9carts psychologiques entre les \u00e9chelons cons\u00e9cutifs de l’\u00e9chelle ne pouvant \u00eatre tenus pour rigoureusement \u00e9quidistants, les op\u00e9rations arithm\u00e9tiques requises par l’ANOVA (calcul des moyennes et sommes de carr\u00e9s) sont formellement invalides. Le test de Friedman r\u00e9pond avec une rigueur m\u00e9thodologique irr\u00e9prochable \u00e0 ce type de contrainte m\u00e9trologique.<\/p>\n Pour qu’un test de Friedman d\u00e9livre une inf\u00e9rence statistique valide, le plan de recherche doit r\u00e9pondre \u00e0 une architecture stricte en mesures r\u00e9p\u00e9t\u00e9es ou en blocs randomis\u00e9s complets. La premi\u00e8re exigence stipule que l’investigation doit reposer sur un \u00e9chantillon unique d’unit\u00e9s statistiques (g\u00e9n\u00e9ralement des participants humains, des animaux de laboratoire ou des paires de jumeaux) mesur\u00e9 au travers d’au moins trois conditions exp\u00e9rimentales diff\u00e9rentes ou temps d’observation cons\u00e9cutifs (k<\/em> \u2265 3). Lorsque k<\/em> = 2, le test de Friedman est math\u00e9matiquement fonctionnel, mais il devient conceptuellement redondant avec le test des rangs sign\u00e9s de Wilcoxon, qui dispose alors d’une plus grande \u00e9l\u00e9gance interpr\u00e9tative.<\/p>\n L’\u00e9chantillonnage doit en principe d\u00e9couler d’un processus al\u00e9atoire simple issu de la population cible \u00e9tudi\u00e9e afin de garantir la repr\u00e9sentativit\u00e9 des conclusions statistiques. De surcro\u00eet, le postulat de d\u00e9pendance intra-bloc et d’ind\u00e9pendance inter-blocs est fondamental. Les observations recueillies au sein d’une m\u00eame ligne du tableau de donn\u00e9es (c’est-\u00e0-dire pour un sujet donn\u00e9 \u00e0 travers les diff\u00e9rentes conditions) sont intrins\u00e8quement appari\u00e9es, corr\u00e9l\u00e9es et interd\u00e9pendantes. \u00c0 l’inverse, l’ind\u00e9pendance mutuelle entre les diff\u00e9rents sujets constitue une condition sine qua non : la r\u00e9ponse ou le score d’un participant particulier ne doit en aucun cas \u00eatre influenc\u00e9, conditionn\u00e9 ou contamin\u00e9 par les r\u00e9ponses des autres membres du groupe \u00e9chantillonn\u00e9. Tout manquement \u00e0 cette ind\u00e9pendance inter-sujets (comme des participants travaillant en dyades ou en groupes communicants sans contr\u00f4le m\u00e9thodologique) g\u00e9n\u00e8re une autocorr\u00e9lation non mod\u00e9lis\u00e9e susceptible de biaiser le calcul de l’erreur globale.<\/p>\n Enfin, le plan exp\u00e9rimental doit th\u00e9oriquement \u00eatre complet. Chaque sujet doit pr\u00e9senter une donn\u00e9e valide pour l’ensemble des k<\/em> conditions explor\u00e9es. La pr\u00e9sence de valeurs manquantes ponctuelles chez un individu conduit, dans la majorit\u00e9 des progiciels statistiques conventionnels dont SPSS, \u00e0 l’\u00e9limination pure et simple de l’unit\u00e9 statistique dans son int\u00e9gralit\u00e9 (proc\u00e9dure de suppression par observation enti\u00e8re, ou listwise deletion<\/em>), ce qui r\u00e9duit drastiquement l’effectif final et peut induire des biais d’attrition syst\u00e9matiques.<\/p>\n Le postulat m\u00e9trologique sous-jacent au test de Friedman est caract\u00e9ris\u00e9 par sa remarquable flexibilit\u00e9 en comparaison des exigences drastiques du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9. Pour \u00eatre analys\u00e9e via ce test, la variable d\u00e9pendante doit au minimum \u00eatre mesur\u00e9e \u00e0 un niveau ordinal, ce qui signifie que ses valeurs permettent d’\u00e9tablir un ordre de tri non \u00e9quivoque (plus grand que, plus petit que, \u00e9gal \u00e0) entre les diff\u00e9rentes modalit\u00e9s exp\u00e9rimentales au sein de chaque sujet individuel. Les \u00e9chelles d’intervalles et les \u00e9chelles de rapports (variables continues) sont \u00e9galement parfaitement compatibles, puisqu’elles peuvent \u00eatre converties en rangs ordinaux de mani\u00e8re descendante ou ascendante sans perte de l’ordonnancement structurel.<\/p>\n Ce statut fait du test de Friedman la m\u00e9thode de pr\u00e9dilection pour l’exploitation des questionnaires standardis\u00e9s constitu\u00e9s d’items de type Likert, des classements hi\u00e9rarchiques de choix multiples (par exemple, le classement pr\u00e9f\u00e9rentiel d’options professionnelles de la 1\u00e8re \u00e0 la 5\u00e8me position), et des scores psychom\u00e9triques bruts issus de grilles d’observation comportementale. De nombreuses \u00e9chelles d’\u00e9valuation clinique, telles que l’inventaire de d\u00e9pression de Beck (BDI-II) ou l’\u00e9chelle d’anxi\u00e9t\u00e9 de Hamilton (HAM-A), g\u00e9n\u00e8rent des scores totaux qui, bien que trait\u00e9s \u00e0 tort comme continus par certains praticiens, rel\u00e8vent en r\u00e9alit\u00e9 d’une distribution discr\u00e8te born\u00e9e sans garantie th\u00e9orique d’intervalles constants.<\/p>\n Dans le cas o\u00f9 la variable d\u00e9pendante est une variable quantitative continue pr\u00e9sentant des \u00e9carts massifs par rapport \u00e0 la distribution normale (forte asym\u00e9trie positive ou n\u00e9gative, kurtosis excessif, troncature ou effets de plancher et de plafond), le recours au test de Friedman \u00e9vite les transformations math\u00e9matiques artificielles (logarithmiques, inverses ou racines carr\u00e9es) dont l’interpr\u00e9tation substantielle sur le plan psychologique s’av\u00e8re souvent d\u00e9licate et source de distorsions cognitives lors de la communication des r\u00e9sultats.<\/p>\n L’un des avantages les plus d\u00e9cisifs du test de Friedman r\u00e9side dans son insensibilit\u00e9 intrins\u00e8que au postulat de sph\u00e9ricit\u00e9. Dans le cadre de l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es, la sph\u00e9ricit\u00e9 implique que les variances des diff\u00e9rences calcul\u00e9es entre toutes les combinaisons possibles de paires de conditions soient rigoureusement identiques dans la population parente. Dans les faits, ce postulat est extr\u00eamement contraignant et syst\u00e9matiquement transgress\u00e9 d\u00e8s lors que les intervalles de temps entre les mesures sont in\u00e9gaux ou que certaines conditions induisent des charges attentionnelles disparates. L’absence de sph\u00e9ricit\u00e9 gonfle consid\u00e9rablement le taux d’erreur de premi\u00e8re esp\u00e8ce (rejet intempestif de l’hypoth\u00e8se nulle en l’absence d’effet r\u00e9el). Le test de Friedman s’abstrait totalement de cette exigence : la mod\u00e9lisation ne s’appuyant pas sur la matrice de variance-covariance des r\u00e9sidus, aucun test de Mauchly pr\u00e9alable n’est requis.<\/p>\n Cependant, la robustesse du test de Friedman d\u00e9pend de son comportement face \u00e0 la pr\u00e9sence de rangs ex \u00e6quo (scores strictement identiques attribu\u00e9s par un m\u00eame participant \u00e0 deux conditions diff\u00e9rentes ou plus). Lorsqu’un sujet pr\u00e9sente des valeurs ex \u00e6quo, SPSS et la litt\u00e9rature math\u00e9matique recommandent l’emploi d’une formule de correction de la statistique de Chi-deux. Si un grand nombre d’\u00e9galit\u00e9s survient \u2014 ph\u00e9nom\u00e8ne classique lorsqu’une \u00e9chelle ordinale comporte un nombre excessivement restreint de cat\u00e9gories, par exemple une \u00e9chelle en trois points \u2014, la variance de la statistique du test est m\u00e9caniquement sous-estim\u00e9e sans correction, pouvant fausser l’inf\u00e9rence. Le logiciel IBM SPSS int\u00e8gre heureusement cette correction pour ex \u00e6quo de fa\u00e7on native dans son algorithme de calcul asymptotique.<\/p>\n Enfin, la distribution d’\u00e9chantillonnage de la statistique de Friedman converge vers une distribution th\u00e9orique de Chi-deux avec k<\/em> – 1 degr\u00e9s de libert\u00e9 \u00e0 mesure que la taille de l’\u00e9chantillon N<\/em> cro\u00eet. Lorsque la taille de l’\u00e9chantillon est petite (typiquement N<\/em> < 15 si k<\/em> = 3, ou N<\/em> < 10 si k<\/em> = 4), l’approximation par la loi asymptotique du Chi-deux peut se r\u00e9v\u00e9ler impr\u00e9cise et g\u00e9n\u00e9rer une l\u00e9g\u00e8re sur\u00e9valuation de la significativit\u00e9. Dans ce contexte pr\u00e9cis, la consultation de tables exactes de probabilit\u00e9 combinatoire ou l’ex\u00e9cution d’un module d’\u00e9chantillonnage exact (SPSS Exact Tests) s’av\u00e8re m\u00e9thodologiquement sup\u00e9rieure \u00e0 l’approximation asymptotique conventionnelle.<\/p>\n La c\u00e9sure \u00e9pist\u00e9mologique entre l’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es et le test de Friedman repose sur la fa\u00e7on dont chaque proc\u00e9dure d\u00e9compose, mod\u00e9lise et neutralise la variabilit\u00e9 des donn\u00e9es observ\u00e9es. L’ANOVA param\u00e9trique applique le principe de partition de la somme totale des carr\u00e9s des \u00e9carts \u00e0 la moyenne g\u00e9n\u00e9rale (SSTotal<\/sub><\/em>) en plusieurs composantes orthogonales distinctes : la variabilit\u00e9 inter-sujets (SSBetween-Subjects<\/sub><\/em>), la variabilit\u00e9 intra-sujets li\u00e9e \u00e0 la manipulation exp\u00e9rimentale (SSTreatment<\/sub><\/em>), et la variabilit\u00e9 r\u00e9siduelle inexpliqu\u00e9e ou r\u00e9siduelle d’erreur (SSError<\/sub><\/em>). Ce mod\u00e8le \u00e9value ensuite le rapport de variances (le ratio F<\/em> de Fisher-Snedecor) en divisant le carr\u00e9 moyen du traitement par le carr\u00e9 moyen de l’erreur. L’hypoth\u00e8se nulle fondamentale (H0<\/sub><\/em>) y est stipul\u00e9e de mani\u00e8re strictement param\u00e9trique : \u03bc1<\/sub> = \u03bc2<\/sub> = … = \u03bck<\/sub>, postul\u00e9e sur les moyennes arithm\u00e9tiques populationnelles.<\/p>\n \u00c0 l’oppos\u00e9, le test de Friedman \u00e9limine d’embl\u00e9e la variance interindividuelle globale par une op\u00e9ration d’alignement relatif. En rempla\u00e7ant les scores m\u00e9triques bruts de chaque participant par des rangs restreints \u00e0 l’ensemble {1, 2, …, k<\/em>}, la somme des rangs pour chaque ligne individuelle devient une constante math\u00e9matique invariante \u00e9gale \u00e0 k(k + 1) \/ 2<\/em>. De facto, toute variabilit\u00e9 du niveau moyen de base entre les individus est instantan\u00e9ment expurg\u00e9e de l’espace d’analyse avant m\u00eame la mise en \u0153uvre de la statistique de test. L’\u00e9valuation porte alors exclusivement sur la concordance ou la discordance du classement ordinal entre les participants au fil des conditions.<\/p>\n L’hypoth\u00e8se nulle du test de Friedman est par cons\u00e9quent notablement plus subtile que celle de l’ANOVA : elle postule que pour l’ensemble des k<\/em> conditions, les distributions sous-jacentes sont parfaitement identiques et que n’importe quelle permutation possible des rangs de 1 \u00e0 k<\/em> est \u00e9quiprobable au sein de chaque unit\u00e9 d’observation. L’hypoth\u00e8se alternative (H1<\/sub><\/em>) affirme qu’au moins une condition exp\u00e9rimentale tend syst\u00e9matiquement \u00e0 afficher des rangs syst\u00e9matiquement d\u00e9cal\u00e9s (plus \u00e9lev\u00e9s ou plus faibles) par rapport aux autres conditions au sein de la population. Il ne s’agit donc pas formellement d’une comparaison de moyennes brutes, ni m\u00eame strictement d’une comparaison de m\u00e9dianes (sauf \u00e0 postuler que les distributions de chaque condition poss\u00e8dent rigoureusement la m\u00eame forme g\u00e9om\u00e9trique et la m\u00eame dispersion).<\/p>\n L’arbitrage m\u00e9thodologique entre le choix d’une ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es et le recours au test de Friedman est dict\u00e9 par le compromis s\u00e9culaire entre puissance statistique et robustesse analytique face aux violations des postulats th\u00e9oriques. Lorsque l’ensemble des hypoth\u00e8ses param\u00e9triques est parfaitement valid\u00e9 \u2014 \u00e0 savoir une normalit\u00e9 gaussienne des r\u00e9sidus, une continuit\u00e9 quantitative des mesures et une matrice de covariance respectant la sph\u00e9ricit\u00e9 \u2014, l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es est le test uniform\u00e9ment le plus puissant. Dans de telles conditions id\u00e9ales, le test de Friedman accuse une perte relative d’efficacit\u00e9 asymptotique (Asymptotic Relative Efficiency<\/em>, ARE). Face \u00e0 l’ANOVA sous distribution normale pure, l’efficacit\u00e9 relative du test de Friedman plafonne approximativement \u00e0 0,637 lorsque k<\/em> = 3, et cro\u00eet asymptotiquement pour atteindre des valeurs de l’ordre de 3\/\u03c0 \u2248 0,955 lorsque le nombre de conditions k<\/em> tend vers l’infini.<\/p>\n N\u00e9anmoins, cette sup\u00e9riorit\u00e9 th\u00e9orique de l’ANOVA s’effondre de mani\u00e8re spectaculaire d\u00e8s lors que les donn\u00e9es r\u00e9elles s’\u00e9cartent du mod\u00e8le gaussien. Lorsque les distributions empiriques pr\u00e9sentent une kurtosis \u00e9lev\u00e9e, des queues de distribution \u00e9paisses (distributions leptokurtiques ou de Student) ou des asym\u00e9tries prononc\u00e9es (distributions log-normales ou exponentielles), le test de Friedman surclasse l’ANOVA param\u00e9trique. Dans ces sc\u00e9narios fr\u00e9quents en recherche comportementale, l’efficacit\u00e9 relative du test non param\u00e9trique peut largement d\u00e9passer 1,00, ce qui d\u00e9montre qu’il dispose d’une probabilit\u00e9 substantiellement plus \u00e9lev\u00e9e de rejeter \u00e0 bon escient une hypoth\u00e8se nulle fausse (puissance empirique sup\u00e9rieure) que son homologue param\u00e9trique rendu myope par la dispersion asym\u00e9trique des r\u00e9sidus.<\/p>\n Le chercheur doit donc appliquer des crit\u00e8res d\u00e9cisionnels objectifs pour orienter son choix. Le basculement vers le test de Friedman s’impose de fa\u00e7on indiscutable lorsque :<\/p>\n Face \u00e0 des donn\u00e9es exp\u00e9rimentales r\u00e9fractaires aux pr\u00e9requis de l’ANOVA param\u00e9trique, de nombreux analystes d\u00e9ploient machinalement des m\u00e9canismes de compensation statistique, au premier rang desquels figurent les corrections de degr\u00e9s de libert\u00e9 de Greenhouse-Geisser et de Huynh-Feldt. Si ces proc\u00e9dures sont math\u00e9matiquement efficaces pour r\u00e9ajuster le seuil critique F<\/em> en situation de non-sph\u00e9ricit\u00e9, il est crucial de rappeler qu’elles ne corrigent en aucune fa\u00e7on la non-normalit\u00e9 univari\u00e9e ou multivari\u00e9e des scores. L’application d’un facteur de correction d’Epsilon \u00e0 une ANOVA dont les distributions sous-jacentes sont hautement asym\u00e9triques produit une fausse sensation de rigueur m\u00e9thodologique mais maintient une estimation erratique de l’erreur quadratique moyenne.<\/p>\n Le test de Friedman assure une conservation stricte du risque d’erreur de premi\u00e8re esp\u00e8ce (taux nominal d’alpha fix\u00e9 \u00e0 0,05), y compris au sein de petits \u00e9chantillons pour lesquels l’ANOVA pr\u00e9sente un comportement impr\u00e9visible selon le sens de la dissym\u00e9trie. En convertissant les grandeurs scalaires en rangs, la m\u00e9trique se trouve born\u00e9e et standardis\u00e9e, immunisant la statistique globale contre l’hypertrophie artificielle de la variance intra-groupe provoqu\u00e9e par une observation aberrante isol\u00e9e.<\/p>\n Toutefois, le chercheur doit \u00eatre conscient de l’inconv\u00e9nient structurel majeur inh\u00e9rent au test de Friedman : son incapacit\u00e9 intrins\u00e8que \u00e0 \u00e9valuer les plans exp\u00e9rimentaux factoriels complexes comportant de multiples facteurs intra-sujets ou des combinaisons mixtes (facteurs inter-sujets crois\u00e9s avec des facteurs intra-sujets). L’architecture computationnelle de Friedman ne permet pas d’extraire des termes d’interaction au sens multiplicatif classique de l’analyse de variance lin\u00e9aire. D\u00e8s lors qu’une probl\u00e9matique scientifique exige formellement l’investigation d’une interaction factorielle (par exemple, Temps \u00d7 Traitement ou Dose \u00d7 Sexe biologique) en pr\u00e9sence de donn\u00e9es non conformes aux postulats gaussiens, le test de Friedman atteint ses limites \u00e9pist\u00e9mologiques et doit c\u00e9der le pas \u00e0 des approches non param\u00e9triques plus sophistiqu\u00e9es, telles que la proc\u00e9dure de transformation par rangs align\u00e9s (Aligned Rank Transform<\/em>) ou les mod\u00e8les lin\u00e9aires mixtes g\u00e9n\u00e9ralis\u00e9s (GLMM).<\/p>\n L’impl\u00e9mentation r\u00e9ussie d’une analyse statistique dans le progiciel IBM SPSS repose imp\u00e9rativement sur la concordance entre l’architecture de la grille de donn\u00e9es et les algorithmes internes de la proc\u00e9dure sollicit\u00e9e. Pour ex\u00e9cuter le test de Friedman dans SPSS, les donn\u00e9es empiriques doivent imp\u00e9rativement \u00eatre configur\u00e9es selon le standard du format large (Wide Format<\/em>), \u00e9galement d\u00e9sign\u00e9 sous le terme de structuration par variables horizontales. Dans cette topologie matricielle, chaque ligne horizontale de la grille de donn\u00e9es repr\u00e9sente une et une seule unit\u00e9 statistique ind\u00e9pendante (un participant, un patient ou un sujet animal unique).<\/p>\n Contrairement au format long (Long Format<\/em> ou Tidy Data<\/em>), o\u00f9 chaque mesure r\u00e9p\u00e9t\u00e9e donne lieu \u00e0 une nouvelle ligne associ\u00e9e \u00e0 une variable indicatrice du temps ou de la condition \u2014 format obligatoire pour les r\u00e9gressions multiniveaux et les mod\u00e8les mixtes lin\u00e9aires \u2014, le format large mat\u00e9rialise les diff\u00e9rents niveaux du facteur intra-sujet sous la forme de colonnes s\u00e9par\u00e9es et adjacentes. Ainsi, si une exp\u00e9rience \u00e9value l’\u00e9volution d’un score de m\u00e9moire de travail sous trois conditions de charge cognitive (faible, moyenne, \u00e9lev\u00e9e), la feuille de donn\u00e9es SPSS doit comporter un minimum de trois colonnes quantitatives distinctes, par exemple labellis\u00e9es La pr\u00e9sence d’un identifiant unique par sujet dans une colonne initiale (par exemple Une fois les colonnes cr\u00e9\u00e9es, une configuration minutieuse des m\u00e9tadonn\u00e9es dans l’onglet \u00ab Affichage des variables \u00bb (Variable View<\/em>) de SPSS est une condition indispensable \u00e0 la rigueur de l’analyse. M\u00eame si le test de Friedman effectue de mani\u00e8re autonome une transformation interne des scores en rangs num\u00e9riques, d\u00e9clarer correctement les propri\u00e9t\u00e9s des variables conditionne la pertinence des sorties descriptives associ\u00e9es et la lisibilit\u00e9 globale des tableaux r\u00e9capitulatifs.<\/p>\n Les param\u00e8tres essentiels \u00e0 ajuster dans la vue des variables s’articulent comme suit :<\/p>\n Avant d’engager le calcul inf\u00e9rentiel du test de Friedman, une \u00e9tape exploratoire d’audit des donn\u00e9es s’av\u00e8re indispensable pour appr\u00e9hender la morphologie des distributions empiriques et v\u00e9rifier la qualit\u00e9 du recueil. M\u00eame si la transformation en rangs neutralise l’impact d\u00e9stabilisateur des observations atypiques, la pr\u00e9sence de valeurs aberrantes extr\u00eames (outliers<\/em>) peut refl\u00e9ter des erreurs de saisie mat\u00e9rielle ou signaler des patterns de r\u00e9ponse non repr\u00e9sentatifs de la population cible.<\/p>\n Le chercheur proc\u00e9dera avantageusement \u00e0 une exploration descriptive univari\u00e9e via le menu Si une valeur aberrante r\u00e9sulte manifestement d’un artefact exp\u00e9rimental incontestable (par exemple, un temps de r\u00e9action neuropsychologique enregistr\u00e9 \u00e0 12 millisecondes en raison d’un faux contact du capteur mat\u00e9riel), la donn\u00e9e doit \u00eatre purg\u00e9e et d\u00e9clar\u00e9e comme valeur manquante. En revanche, si la valeur refl\u00e8te une v\u00e9ritable variabilit\u00e9 biologique ou psychologique, le test de Friedman d\u00e9montre ici toute sa robustesse : contrairement \u00e0 la moyenne qui se trouverait tract\u00e9e vers l’aberrance, le rang attribu\u00e9 \u00e0 cette observation plafonnera simplement au rang le plus \u00e9lev\u00e9 de la s\u00e9rie pour ce sujet, \u00e9vitant la contamination indue de la statistique de test globale.<\/p>\n L’acc\u00e8s \u00e0 l’interface computationnelle du test de Friedman au sein d’IBM SPSS Statistics s’effectue au moyen de deux architectures ergonomiques distinctes : le moteur historique via les bo\u00eetes de dialogue anciennes (Legacy Dialogs<\/em>), et le moteur moderne introduit dans les versions r\u00e9centes du progiciel (g\u00e9n\u00e9rateur de mod\u00e8les non param\u00e9triques interactifs). Pour la tr\u00e8s grande majorit\u00e9 des praticiens et des statisticiens universitaires, le passage par les bo\u00eetes de dialogue anciennes demeure la voie la plus transparente, didactique et directe pour g\u00e9n\u00e9rer les r\u00e9sultats classiques.<\/p>\n Pour engager la proc\u00e9dure classique, l’op\u00e9rateur doit d\u00e9rouler l’arborescence des menus \u00e0 partir de la barre d’outils sup\u00e9rieure de SPSS en respectant la s\u00e9quence suivante :<\/p>\n L’ouverture de cette bo\u00eete de dialogue modale mat\u00e9rialise l’acc\u00e8s au module de calcul d\u00e9di\u00e9 aux plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es et appariements multiples pour variables non param\u00e9triques.<\/p>\n D\u00e8s l’ouverture de la bo\u00eete de dialogue \u00ab Tests pour plusieurs \u00e9chantillons li\u00e9s \u00bb, l’interface pr\u00e9sente \u00e0 sa gauche le catalogue exhaustif des variables disponibles au sein du fichier actif, et \u00e0 sa droite une zone r\u00e9ceptrice intitul\u00e9e Variables de test :<\/strong> (Test Variables:<\/em>). L’\u00e9tape initiale consiste \u00e0 s\u00e9lectionner manuellement l’ensemble des colonnes repr\u00e9sentant les diff\u00e9rentes conditions exp\u00e9rimentales de l’\u00e9tude (au minimum trois variables) puis \u00e0 les transf\u00e9rer dans la zone de test en cliquant sur la fl\u00e8che centrale d’attribution.<\/p>\n Dans la zone inf\u00e9rieure de la bo\u00eete de dialogue, \u00e9tiquet\u00e9e Type de test<\/strong> (Test Type<\/em>), plusieurs alternatives m\u00e9thodologiques sont propos\u00e9es par SPSS :<\/p>\n Pour assurer la richesse interpr\u00e9tative des r\u00e9sultats extraits, il est capital de ne pas lancer l’ex\u00e9cution imm\u00e9diatement apr\u00e8s la s\u00e9lection des variables, mais de configurer les statistiques descriptives requises pour documenter la tendance centrale des conditions. Sur le bord droit de la bo\u00eete de dialogue principale, cliquer sur le bouton Options…<\/strong>.<\/p>\n Une fen\u00eatre secondaire s’affiche, offrant plusieurs choix cruciaux d’agr\u00e9gation :<\/p>\n Dans le bloc inf\u00e9rieur intitul\u00e9 Valeurs manquantes<\/strong> (Missing Values<\/em>), SPSS applique par d\u00e9faut l’option \u00ab Exclure les observations par analyse \u00bb (Exclude cases test-by-test<\/em>). Dans le cadre sp\u00e9cifique d’un test \u00e0 mesures r\u00e9p\u00e9t\u00e9es o\u00f9 chaque individu traverse l’ensemble des variables d\u00e9sign\u00e9es, cette option \u00e9quivaut de facto \u00e0 l’exclusion par liste compl\u00e8te (listwise<\/em>) : tout participant ayant une donn\u00e9e manquante sur l’une quelconque des variables de test sera int\u00e9gralement exclu de l’\u00e9valuation globale de Friedman. Valider les s\u00e9lections en cliquant sur Poursuivre<\/strong> (Continue<\/em>), puis d\u00e9clencher le calcul statistique en cliquant sur OK<\/strong> (ou sur Coller<\/strong> pour transf\u00e9rer l’instruction dans la syntaxe).<\/p>\n Bien que l’environnement graphique par menus d\u00e9roulants et bo\u00eetes de dialogue soit ergonomique et intuitif, la ma\u00eetrise de l’environnement de programmation textuelle (la Syntaxe SPSS) constitue la pierre angulaire de l’excellence m\u00e9thodologique en analyse de donn\u00e9es. L’ex\u00e9cution d’un test de Friedman via le code source SPSS s’articule autour de la puissante commande canonique L’architecture textuelle d’un script d’analyse pour le test de Friedman se pr\u00e9sente sous une structure compacte et intelligible, illustr\u00e9e ci-apr\u00e8s :<\/p>\n \nNPAR TESTS Dans ce segment de code hautement standardis\u00e9, l’instruction inaugurale L’utilisation d\u00e9lib\u00e9r\u00e9e de fichiers de syntaxe SPSS (portant l’extension native L’archivage des instructions statistiques sous forme de scripts offre une multitude de garanties qualitatives :<\/p>\n Un autre b\u00e9n\u00e9fice d\u00e9cisif conf\u00e9r\u00e9 par l’approche syntaxique r\u00e9side dans la capacit\u00e9 d’automatiser des s\u00e9ries massives d’analyses sans intervention manuelle r\u00e9p\u00e9titive. Dans le cadre de protocoles d’imagerie c\u00e9r\u00e9brale, de biom\u00e9canique ou d’\u00e9tudes psychom\u00e9triques comprenant des dizaines de sous-\u00e9chelles comportementales mesur\u00e9es \u00e0 plusieurs reprises, ex\u00e9cuter des tests de Friedman successifs par les bo\u00eetes de dialogue deviendrait une t\u00e2che chronophage et propice \u00e0 l’erreur.<\/p>\n Gr\u00e2ce \u00e0 la syntaxe SPSS, il est possible de cha\u00eener instantan\u00e9ment l’analyse de multiples familles de variables en une seule ex\u00e9cution, ou d’encapsuler la commande Lors de l’ex\u00e9cution du test de Friedman, le visualiseur de sorties d’IBM SPSS g\u00e9n\u00e8re en premier lieu un tableau \u00e9l\u00e9mentaire mais hautement informatif intitul\u00e9 \u00ab Rangs \u00bb (Ranks<\/em>). Ce tableau consigne pour chaque variable de test introduite son Rang moyen<\/strong> (Mean Rank<\/em>). Une confusion conceptuelle dramatiquement r\u00e9pandue chez les analystes novices consiste \u00e0 assimiler ce rang moyen \u00e0 la moyenne arithm\u00e9tique brute des donn\u00e9es initiales. Il est imp\u00e9ratif de souligner que cette m\u00e9trique est totalement d\u00e9connect\u00e9e des unit\u00e9s physiques d’origine de la variable : elle exprime la moyenne math\u00e9matique des rangs ordinaux (compris entre 1 et k<\/em>) obtenus par la condition \u00e0 travers l’ensemble des N<\/em> participants de l’\u00e9chantillon.<\/p>\n L’analyse de ce tableau fournit une photographie imm\u00e9diate de la directionnalit\u00e9 de l’effet exp\u00e9rimental. Si une condition affiche un rang moyen proche de 1,00, cela d\u00e9montre que pour une \u00e9crasante majorit\u00e9 de sujets, cette condition a suscit\u00e9 les scores les plus faibles de l’\u00e9ventail exp\u00e9rimental. R\u00e9ciproquement, un rang moyen approchant la valeur plafond k<\/em> (par exemple 4,00 dans un plan \u00e0 4 conditions) atteste que ladite condition a g\u00e9n\u00e9r\u00e9 de mani\u00e8re quasi-unanime les scores les plus \u00e9lev\u00e9s aupr\u00e8s des participants. Si l’hypoth\u00e8se nulle \u00e9tait rigoureusement observ\u00e9e, l’ensemble des conditions pr\u00e9senterait des rangs moyens sensiblement identiques, gravitant autour du barycentre th\u00e9orique calcul\u00e9 par la formule (k + 1) \/ 2<\/em> (soit 2,00 pour 3 conditions ; 2,50 pour 4 conditions ; 3,00 pour 5 conditions).<\/p>\n L’observation des disparit\u00e9s num\u00e9riques entre ces rangs moyens permet de hi\u00e9rarchiser intuitivement les modalit\u00e9s exp\u00e9rimentales du point de vue de leur impact psychologique ou physiologique. Toutefois, cette hi\u00e9rarchisation descriptive ne saurait en aucun cas suffire \u00e0 elle seule pour conclure formellement \u00e0 l’existence d’effets r\u00e9els : seule la confrontation avec le tableau des statistiques inf\u00e9rentielles permet d’\u00e9carter l’hypoth\u00e8se d’une simple fluctuation d’\u00e9chantillonnage.<\/p>\n Le second tableau g\u00e9n\u00e9r\u00e9 par le moteur logiciel est le tableau d\u00e9cisionnel central, intitul\u00e9 \u00ab Statistiques de test \u00bb (Test Statistics<\/em>). Ce bloc synth\u00e9tique condense les trois valeurs m\u00e9triques fondamentales requises pour porter un jugement sur l’hypoth\u00e8se nulle g\u00e9n\u00e9rale de l’\u00e9tude.<\/p>\n Ce tableau pr\u00e9sente les indicateurs suivants :<\/p>\n La r\u00e8gle formelle de d\u00e9cision statistique repose sur la comparaison conventionnelle de la signification asymptotique (p<\/em>) avec le seuil d’erreur alpha pr\u00e9alablement \u00e9tabli par le chercheur avant le recueil des donn\u00e9es (seuil fix\u00e9 quasi-universellement \u00e0 \u03b1 = 0,05 dans le champ des sciences comportementales).<\/p>\n Deux trajectoires inf\u00e9rentielles exclusives se dessinent alors :<\/p>\n Cependant, une mise en garde m\u00e9thodologique fondamentale doit \u00eatre formul\u00e9e : \u00e0 l’instar de l’ANOVA param\u00e9trique, le test de Friedman est un test omnibus<\/strong> (ou test global). Cela signifie qu’une p-valeur hautement significative (par exemple, p<\/em> < 0,001) confirme formellement l’existence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 globale quelque part au sein du plan exp\u00e9rimental, mais ne permet en aucune mani\u00e8re d’identifier sp\u00e9cifiquement quelles paires de conditions diff\u00e8rent significativement les unes des autres. La statistique omnibus ne permet pas de savoir si la condition A diff\u00e8re de B, si B diff\u00e8re de C, ou si seule la modalit\u00e9 extr\u00eame D se d\u00e9marque des trois autres. Pour localiser pr\u00e9cis\u00e9ment l’origine topologique des effets observ\u00e9s, l’investigateur doit obligatoirement proc\u00e9der \u00e0 des analyses post-hoc<\/em>.<\/p>\n L’ex\u00e9cution de comparaisons par paires (pairwise comparisons<\/em>) suite \u00e0 un test omnibus significatif expose le chercheur \u00e0 un pi\u00e8ge m\u00e9thodologique pernicieux th\u00e9oris\u00e9 sous le nom d’inflation du taux d’erreur de premi\u00e8re esp\u00e8ce \u00e0 l’\u00e9chelle de la famille de tests (Family-Wise Error Rate<\/em>, FWER). Si l’on applique le seuil critique conventionnel \u03b1 = 0,05 de mani\u00e8re autonome \u00e0 une multitude de comparaisons binaires successives, la probabilit\u00e9 cumul\u00e9e de commettre au moins une erreur de type I (d\u00e9clarer \u00e0 tort une diff\u00e9rence significative qui n’est qu’un art\u00e9fact du bruit stochastique) cro\u00eet exponentiellement.<\/p>\n Pour une exp\u00e9rience articul\u00e9e autour de k<\/em> conditions, le nombre total de comparaisons binaires possibles s’\u00e9tablit selon la combinaison math\u00e9matique m = k(k – 1) \/ 2<\/em>. Dans une recherche impliquant 4 conditions, 6 comparaisons bilat\u00e9rales ind\u00e9pendantes doivent \u00eatre conduites ; ce nombre grimpe \u00e0 10 pour 5 conditions, et \u00e0 15 pour 6 conditions. Le risque global effectif d’erreur de type I est donn\u00e9 par la borne probabiliste \u03b1global<\/sub> = 1 – (1 – \u03b1)m<\/sup><\/em>. Sans correction sp\u00e9cifique, le chercheur conduisant 6 comparaisons successives s’expose \u00e0 un risque d’erreur d’environ 1 – (0,95)6<\/sup> \u2248 0,265, soit plus de 26,5 % de chances de publier un r\u00e9sultat faussement positif.<\/p>\n Il est donc imp\u00e9ratif de souligner deux pr\u00e9requis \u00e9thiques et statistiques : premi\u00e8rement, les tests post-hoc<\/em> ne doivent \u00eatre enclench\u00e9s qu’\u00e0 la condition exclusive<\/strong> que le test omnibus de Friedman pr\u00e9alable ait atteint le seuil de significativit\u00e9 r\u00e9glementaire (principe de protection de Fisher). Deuxi\u00e8mement, les seuils critiques ou les p-valeurs individuelles des tests par paires doivent \u00eatre imp\u00e9rativement soumis \u00e0 un algorithme math\u00e9matique de contr\u00f4le et d’ajustement du FWER.<\/p>\n La strat\u00e9gie historique classique pour conduire des comparaisons post-hoc<\/em> suite \u00e0 un test de Friedman consiste \u00e0 d\u00e9composer le facteur en s\u00e9ries de tests non param\u00e9triques \u00e0 deux \u00e9chantillons appari\u00e9s, en utilisant le c\u00e9l\u00e8bre test des rangs sign\u00e9s de Wilcoxon<\/a> (Wilcoxon Signed-Rank Test<\/em>). Le chercheur acc\u00e8de \u00e0 ce module via 1.2 Positionnement comme alternative \u00e0 l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/repeatedANOVASPSS1-1.png\")
<\/figure>\n1.3 Cas d’usage typiques dans la recherche psychologique<\/h3>\n
2. Conditions d’application et postulats statistiques pr\u00e9alables<\/h2>\n
2.1 Structure des donn\u00e9es et plan d’\u00e9chantillonnage<\/h3>\n
2.2 Nature m\u00e9trologique de la variable d\u00e9pendante<\/h3>\n
2.3 Sensibilit\u00e9 \u00e0 la sph\u00e9ricit\u00e9 et robustesse m\u00e9thodologique<\/h3>\n
3. Comparaison m\u00e9thodologique : Test de Friedman versus ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h2>\n
3.1 Diff\u00e9rences conceptuelles de traitement des variances<\/h3>\n
3.2 Compromis entre puissance statistique et robustesse<\/h3>\n
\n
3.3 Gestion des violations de postulats param\u00e9triques<\/h3>\n
4. Pr\u00e9paration et structuration des donn\u00e9es dans SPSS<\/h2>\n
4.1 Organisation des donn\u00e9es en format large (Wide Format)<\/h3>\n
Memoire_Faible<\/code>, Memoire_Moyenne<\/code>, et Memoire_Elevee<\/code>.<\/p>\nID_Sujet<\/code>) est une bonne pratique m\u00e9thodologique absolue. Elle pr\u00e9vient les risques d’inversion accidentelle de donn\u00e9es lors des manipulations ult\u00e9rieures et garantit l’auditabilit\u00e9 du jeu de donn\u00e9es scientifiques. Chaque cellule situ\u00e9e \u00e0 l’intersection de la ligne i<\/em> et de la colonne j<\/em> doit h\u00e9berger la mesure exacte obtenue par le sujet i<\/em> sous la condition j<\/em>.<\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedmanSPSS1.png\")
<\/figure>\n4.2 Configuration rigoureuse de la vue des variables<\/h3>\n
\n
Score_T0<\/code>, Score_T1<\/code>, Score_T2<\/code>).<\/li>\n4.3 Audit pr\u00e9liminaire et d\u00e9tection des valeurs aberrantes<\/h3>\n
Analyser > Statistiques descriptives > Explorer<\/code>. Cette proc\u00e9dure permet de g\u00e9n\u00e9rer simultan\u00e9ment pour chaque condition exp\u00e9rimentale les estimateurs de tendance centrale non param\u00e9triques (m\u00e9diane, \u00e9cart interquartile, minimum et maximum) ainsi que les diagrammes en bo\u00eete \u00e0 moustaches (Boxplots<\/em>). L’examen attentif des bo\u00eetes \u00e0 moustaches permet d’identifier visuellement les points identifi\u00e9s par un cercle (valeurs situ\u00e9es entre 1,5 et 3 fois l’\u00e9cart interquartile au-del\u00e0 des charni\u00e8res de la bo\u00eete) et par un ast\u00e9risque (valeurs extr\u00eames situ\u00e9es au-del\u00e0 de 3 fois l’\u00e9cart interquartile).<\/p>\n5. Proc\u00e9dure pas \u00e0 pas dans SPSS via les bo\u00eetes de dialogue<\/h2>\n
5.1 Acc\u00e8s aux tests non param\u00e9triques pour \u00e9chantillons li\u00e9s<\/h3>\n
\n
5.2 Param\u00e9trage de la bo\u00eete de dialogue principale<\/h3>\n
![\"Friedman](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedmanSPSS2.png\")
\n
5.3 S\u00e9lection des options descriptives et statistiques compl\u00e9mentaires<\/h3>\n
\n
6. Ex\u00e9cution de l’analyse via la syntaxe SPSS<\/h2>\n
6.1 Structure syntaxique fondamentale de la commande NPAR TESTS<\/h3>\n
NPAR TESTS<\/code> (abr\u00e9viation de Nonparametric Tests<\/em>).<\/p>\n
\n \/FRIEDMAN = Variable_T1 Variable_T2 Variable_T3 Variable_T4
\n \/STATISTICS = DESCRIPTIVES QUARTILES
\n \/MISSING = LISTWISE.
\nEXECUTE.\n<\/p>\nNPAR TESTS<\/code> initialise le module d’inf\u00e9rence non param\u00e9trique. La sous-commande \/FRIEDMAN =<\/code> est le c\u0153ur du traitement : elle indique au compilateur d’appliquer l’algorithme des rangs intra-sujets de Friedman exclusivement sur la liste ordonn\u00e9e de variables \u00e9num\u00e9r\u00e9es \u00e0 sa suite. La sous-commande \/STATISTICS = DESCRIPTIVES QUARTILES<\/code> sollicite l’extraction simultan\u00e9e des moyennes, \u00e9carts-types, m\u00e9dianes et intervalles interquartiles indispensables \u00e0 la publication des r\u00e9sultats. Enfin, le param\u00e8tre \/MISSING = LISTWISE<\/code> formalise de fa\u00e7on explicite et non ambigu\u00eb la r\u00e8gle de gestion des observations incompl\u00e8tes, garantissant l’int\u00e9grit\u00e9 de l’appariement. Toute instruction se conclut rigoureusement par un point final, op\u00e9rateur terminal imp\u00e9ratif au sein de l’interpr\u00e9teur de commandes SPSS.<\/p>\n6.2 Avantages de la syntaxe pour la reproductibilit\u00e9 scientifique<\/h3>\n
.sps<\/code>) au d\u00e9triment des clics de souris s’aligne directement sur les standards actuels de la \u00ab science ouverte \u00bb (Open Science<\/em>) et du principe universel de reproductibilit\u00e9 computationnelle. Dans le contexte de la r\u00e9plication des \u00e9tudes en psychologie et en m\u00e9decine factuelle, fournir le script exact des traitements analytiques constitue d\u00e9sormais une exigence r\u00e9currente des comit\u00e9s de lecture des revues internationales index\u00e9es.<\/p>\n\n
6.3 Automatisation et traitement par lots<\/h3>\n
NPAR TESTS<\/code> au sein de macros SPSS d’automatisation it\u00e9rative. De surcro\u00eet, le couplage de la syntaxe avec le syst\u00e8me de gestion des sorties OMS<\/em> (Output Management System<\/em>) de SPSS permet de capturer automatiquement les statistiques de test \u03c7\u00b2, les degr\u00e9s de libert\u00e9 et les p-valeurs calcul\u00e9es pour les exporter directement vers des fichiers structur\u00e9s au format Excel (.xlsx), CSV ou des documents Word (.docx), facilitant consid\u00e9rablement la phase d’\u00e9dition finale des manuscrits scientifiques.<\/p>\n7. Interpr\u00e9tation statistique approfondie des r\u00e9sultats SPSS<\/h2>\n
7.1 Analyse du tableau des rangs moyens (Mean Ranks)<\/h3>\n
7.2 D\u00e9cryptage du tableau des statistiques de test<\/h3>\n
![\"Output](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/friedmanSPSS3.png\")
\n
7.3 Prise de d\u00e9cision m\u00e9thodologique et inf\u00e9rence<\/h3>\n
\n
8. Analyses post-hoc et ajustement pour comparaisons multiples<\/h2>\n
8.1 N\u00e9cessit\u00e9 m\u00e9thodologique des tests post-hoc par paires<\/h3>\n
8.2 Mise en \u0153uvre manuelle via le test des rangs sign\u00e9s de Wilcoxon<\/h3>\n
Analyser > Tests non param\u00e9triques > Bo\u00eetes de dialogue anciennes > 2 \u00e9chantillons li\u00e9s...<\/code> et introduit successivement l’ensemble des paires de variables deux \u00e0 deux.<\/p>\n