{"id":2867,"date":"2026-09-06T22:18:18","date_gmt":"2026-09-06T22:18:18","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-resume-cinq-nombres-spss\/"},"modified":"2026-09-06T22:18:27","modified_gmt":"2026-09-06T22:18:27","slug":"comment-calculer-resume-cinq-nombres-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-resume-cinq-nombres-spss","title":{"rendered":"Comment calculer un r\u00e9sum\u00e9 \u00e0 cinq nombres dans SPSS"},"content":{"rendered":"

Dans le domaine des sciences humaines, et plus particuli\u00e8rement en psychologie cognitive, clinique et exp\u00e9rimentale, la quantification des ph\u00e9nom\u00e8nes psychiques se heurte de mani\u00e8re r\u00e9currente \u00e0 l’irr\u00e9gularit\u00e9 morphologique des distributions empiriques. Qu’il s’agisse de mesurer la latence cognitive au milli\u00e8me de seconde, l’intensit\u00e9 d’un affect d\u00e9pressif \u00e0 travers un inventaire clinique standardis\u00e9, ou encore le niveau d’adh\u00e9sion sur une \u00e9chelle de Likert multipoints, les donn\u00e9es r\u00e9elles s’\u00e9cartent fr\u00e9quemment de l’id\u00e9al th\u00e9orique de la distribution normale de Gauss-Laplace. Face \u00e0 ces asym\u00e9tries prononc\u00e9es, \u00e0 la pr\u00e9sence in\u00e9vitable de valeurs extr\u00eames et aux effets d’\u00e9chelle inh\u00e9rents aux instruments de mesure psychom\u00e9triques, l’utilisation aveugle des statistiques descriptives param\u00e9triques traditionnelles \u2014 au premier rang desquelles tr\u00f4nent la moyenne arithm\u00e9tique et l’\u00e9cart-type \u2014 expose le chercheur \u00e0 des distorsions analytiques s\u00e9v\u00e8res qui compromettent la validit\u00e9 interne des conclusions empiriques.<\/p>\n

Afin de pallier ces vuln\u00e9rabilit\u00e9s m\u00e9trologiques, l’analyse exploratoire des donn\u00e9es propose une approche fond\u00e9e sur l’ordre et la position relative des observations, mat\u00e9rialis\u00e9e de mani\u00e8re embl\u00e9matique par le concept du r\u00e9sum\u00e9 \u00e0 cinq nombres<\/strong> (Five-Number Summary<\/em>). \u00c9labor\u00e9 pour capturer l’essence structurelle d’une distribution sans postuler la moindre forme param\u00e9trique a priori, cet ensemble synth\u00e9tique condense l’information distributionnelle en cinq jalons critiques : la valeur minimale, le premier quartile (25e percentile), la m\u00e9diane (50e percentile), le troisi\u00e8me quartile (75e percentile) et la valeur maximale. En ancrant la description quantitative sur des statistiques de rang insensibles aux contaminations marginales, le r\u00e9sum\u00e9 \u00e0 cinq nombres offre une lisibilit\u00e9 imm\u00e9diate de la tendance centrale, de la dispersion et de l’asym\u00e9trie d’un jeu de donn\u00e9es, constituant ainsi la colonne vert\u00e9brale num\u00e9rique sur laquelle repose le diagramme en bo\u00eete de Tukey.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique se propose de guider de fa\u00e7on exhaustive les chercheurs, cliniciens et analystes de donn\u00e9es dans la mise en \u0153uvre pratique, l’interpr\u00e9tation statistique approfondie et la communication acad\u00e9mique rigoureuse du r\u00e9sum\u00e9 \u00e0 cinq nombres au sein de l’environnement logiciel IBM SPSS Statistics<\/a>. \u00c0 travers l’examen d\u00e9taill\u00e9 des modules proc\u00e9duraux int\u00e9gr\u00e9s, l’analyse des algorithmes d’interpolation sous-jacents, l’\u00e9tude d’un protocole clinique concret et l’expos\u00e9 des directives de pr\u00e9sentation conformes \u00e0 la 7e \u00e9dition du manuel de publication de l’American Psychological Association (APA), cet article fournit un cadre technique complet pour exploiter pleinement la puissance descriptive des estimateurs d’ordre dans la recherche contemporaine.<\/p>\n

1. Introduction aux statistiques descriptives et au r\u00e9sum\u00e9 \u00e0 cinq nombres en psychologie<\/h2>\n

1.1 Origines conceptuelles et vision de John Tukey<\/h3>\n

L’\u00e9mergence formelle du r\u00e9sum\u00e9 \u00e0 cinq nombres s’inscrit au c\u0153ur de la r\u00e9volution \u00e9pist\u00e9mologique initi\u00e9e au d\u00e9but des ann\u00e9es 1970 par le statisticien am\u00e9ricain John Wilder Tukey<\/a>. Dans son ouvrage s\u00e9minal paru en 1977, intitul\u00e9 Exploratory Data Analysis<\/em> (EDA), Tukey s’est insurg\u00e9 contre l’h\u00e9g\u00e9monie quasi dictatoriale de l’inf\u00e9rence statistique formelle et du paradigme n\u00e9o-fisherien de la confirmation d’hypoth\u00e8ses par le test de signification de l’hypoth\u00e8se nulle (NHST). Tukey soutenait avec force que l’analyse des donn\u00e9es devait imp\u00e9rativement d\u00e9buter par une phase d’exploration sans \u0153ill\u00e8res, une \u00e9coute attentive et visuelle de ce que les observations empiriques ont \u00e0 r\u00e9v\u00e9ler, avant toute tentative de mod\u00e9lisation math\u00e9matique probabiliste contraignante.<\/p>\n

Face \u00e0 la pr\u00e9dominance historique de la courbe de Gauss \u2014 souvent \u00e9rig\u00e9e en dogme ind\u00e9boulonnable \u2014, Tukey constata la vuln\u00e9rabilit\u00e9 intrins\u00e8que des m\u00e9triques classiques lorsque les distributions r\u00e9elles d\u00e9vient de la sym\u00e9trie th\u00e9orique. Il d\u00e9veloppa la conviction que les sciences quantitatives avaient un besoin imp\u00e9rieux d’indicateurs de position et de variabilit\u00e9 fond\u00e9s sur l’ordre, qui soient structurellement robustes face aux contaminations p\u00e9riph\u00e9riques et aux asym\u00e9tries morphologiques. Le r\u00e9sum\u00e9 \u00e0 cinq nombres est n\u00e9 de cette volont\u00e9 d’op\u00e9rer une r\u00e9duction statistique maximale tout en pr\u00e9servant scrupuleusement l’int\u00e9grit\u00e9 de la dispersion et de la forme de l’\u00e9chantillon, \u00e9tablissant une passerelle \u00e9l\u00e9gante entre la condensation num\u00e9rique d’une s\u00e9rie et la conservation de son profil volum\u00e9trique.<\/p>\n

Dans l’histoire des sciences humaines, cette rupture paradigmatique a permis de d\u00e9lier l’analyse descriptive de la stricte obligation param\u00e9trique. Alors que l’approche d\u00e9ductive classique contraignait le praticien \u00e0 ajuster artificiellement ses donn\u00e9es \u00e0 des distributions analytiques \u00e9l\u00e9gantes \u2014 souvent par le biais de transformations logarithmiques ou inverses parfois d\u00e9nu\u00e9es de sens psychologique \u2014, la bo\u00eete \u00e0 outils exploratoire non param\u00e9trique de Tukey a redonn\u00e9 toute sa l\u00e9gitimit\u00e9 \u00e0 l’\u00e9tat brut de la mesure. Le r\u00e9sum\u00e9 \u00e0 cinq nombres est devenu le socle fondamental d’une m\u00e9trologie du r\u00e9el, respectueuse de la variabilit\u00e9 naturelle et des rugosit\u00e9s empiriques inh\u00e9rentes \u00e0 l’\u00e9tude des comportements humains.<\/p>\n

1.2 Pertinence du r\u00e9sum\u00e9 \u00e0 cinq nombres en recherche psychologique<\/h3>\n

L’investigation empirique en psychologie et en neurosciences cognitives pr\u00e9sente des singularit\u00e9s m\u00e9thodologiques majeures qui justifient pleinement le recours pr\u00e9f\u00e9rentiel au r\u00e9sum\u00e9 \u00e0 cinq nombres. En premier lieu, la distribution des scores psychom\u00e9triques issus de populations r\u00e9elles est notoire pour son caract\u00e8re asym\u00e9trique. Consid\u00e9rons les temps de r\u00e9action recueillis dans des paradigmes d’amor\u00e7age attentionnel ou de t\u00e2che de type Stroop : ces latences pr\u00e9sentent invariablement une distribution fortement \u00e9tir\u00e9e vers la droite (asym\u00e9trie positive prononc\u00e9e), caract\u00e9ris\u00e9e par une accumulation massive d’observations rapides et une longue tra\u00eene de r\u00e9ponses ralenties induites par des lapsus attentionnels transitoires. R\u00e9sumer de telles donn\u00e9es par une moyenne et un \u00e9cart-type aboutit \u00e0 une d\u00e9naturation \u00e9vidente de la r\u00e9alit\u00e9 chronom\u00e9trique.<\/p>\n

De surcro\u00eet, le champ de la psychopathologie quantitative et de l’\u00e9valuation clinique est domin\u00e9 par des \u00e9chelles symptomatiques \u2014 telles que l’Inventaire de D\u00e9pression de Beck (BDI) ou l’\u00e9chelle d’anxi\u00e9t\u00e9 de Hamilton \u2014 au sein desquelles la majorit\u00e9 des individus issus d’\u00e9chantillons non cliniques obtiennent des scores nuls ou marginaux, g\u00e9n\u00e9rant une concentration ph\u00e9nom\u00e9nale d’observations sur la borne inf\u00e9rieure de l’instrument. Ce ph\u00e9nom\u00e8ne, couramment d\u00e9sign\u00e9 sous le terme d’effet plancher, rend l’application des param\u00e8tres gaussiens totalement aberrante, dans la mesure o\u00f9 l’\u00e9cart-type soustrait \u00e0 la moyenne projette th\u00e9oriquement des seuils n\u00e9gatifs sur des variables qui sont conceptuellement et physiquement born\u00e9es \u00e0 z\u00e9ro.<\/p>\n

Enfin, la nature ordinale pr\u00e9pond\u00e9rante des donn\u00e9es psychologiques, particuli\u00e8rement celles issues des \u00e9chelles d’attitudes ou de personnalit\u00e9 de Likert \u00e0 cinq ou sept points, impose une prudence m\u00e9trologique rigoureuse. L’absence d’intervalle m\u00e9trique constant et d\u00e9montrable entre des modalit\u00e9s telles que \u00ab mod\u00e9r\u00e9ment en accord \u00bb et \u00ab tout \u00e0 fait en accord \u00bb interdit sur le plan \u00e9pist\u00e9mologique le calcul de moyennes pond\u00e9r\u00e9es. En exploitant des rangs d’apparition et des fractions d’effectifs ordonn\u00e9s, le r\u00e9sum\u00e9 \u00e0 cinq nombres respecte scrupuleusement l’invariance ordinale des donn\u00e9es, tout en permettant une d\u00e9tection instantan\u00e9e de la dispersion des sympt\u00f4mes au sein d’une cohorte sans que cette derni\u00e8re ne soit artificiellement gonfl\u00e9e par quelques observations extr\u00eames atypiques.<\/p>\n

1.3 Limites des statistiques param\u00e9triques classiques<\/h3>\n

Pour mesurer pleinement la valeur scientifique du r\u00e9sum\u00e9 \u00e0 cinq nombres, il est indispensable de diss\u00e9quer les faiblesses structurelles des indicateurs param\u00e9triques que sont la moyenne arithm\u00e9tique et l’\u00e9cart-type. La moyenne poss\u00e8de une propri\u00e9t\u00e9 de sensibilit\u00e9 critique extr\u00eame : son point de rupture (breakdown point<\/em>) est math\u00e9matiquement \u00e9gal \u00e0 $1\/n$<\/span>. Cela signifie qu’il suffit d’une unique valeur aberrante, d’une seule erreur de saisie typographique ou du score d’un participant d\u00e9sengag\u00e9 pour corrompre arbitrairement la moyenne et d\u00e9placer le centre de gravit\u00e9 de l’ensemble de l’\u00e9chantillon, le rendant parfaitement non repr\u00e9sentatif de la vaste majorit\u00e9 des observations sous-jacentes.<\/p>\n

L’\u00e9cart-type partage cette m\u00eame vuln\u00e9rabilit\u00e9 et l’amplifie consid\u00e9rablement en raison de l’\u00e9l\u00e9vation au carr\u00e9 des \u00e9carts \u00e0 la moyenne dans son \u00e9quation constitutive ($\\sum (x_i – \\bar{x})^2$<\/span>). En pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 ou d’une queue de distribution exceptionnellement lourde \u2014 situation banale lors de l’\u00e9valuation de traits de personnalit\u00e9 pathologiques ou de conduites addictives \u2014, l’\u00e9cart-type se trouve exponentiellement major\u00e9 par les \u00e9carts distaux, conf\u00e9rant une impression trompeuse d’instabilit\u00e9 globale de la mesure l\u00e0 o\u00f9 il n’existe qu’une poign\u00e9e de cas p\u00e9riph\u00e9riques. L’utilisation conjointe de ces param\u00e8tres dans des distributions non gaussiennes induit ainsi le statisticien en erreur, faussant les calculs de puissance a priori et multipliant le risque d’erreurs d’inf\u00e9rence de type I ou de type II lors des analyses ult\u00e9rieures.<\/p>\n

\u00c0 l’inverse, les estimateurs d’ordre jouissent de propri\u00e9t\u00e9s de robustesse locale et globale hautement d\u00e9sirables pour la mod\u00e9lisation de traits psychologiques rares ou de ph\u00e9nom\u00e8nes hautement variables. En substituant le principe de minimisation des distances absolues \u00e0 celui des moindres carr\u00e9s, le r\u00e9sum\u00e9 de Tukey pr\u00e9serve la fid\u00e9lit\u00e9 de la cartographie descriptive. Il permet de discerner avec une nettet\u00e9 remarquable le comportement typique d’une cohorte sans l’amalgamer aux singularit\u00e9s comportementales isol\u00e9es, garantissant une interpr\u00e9tation clinique et exp\u00e9rimentale d’une probit\u00e9 scientifique irr\u00e9prochable.<\/p>\n

2. Les composantes fondamentales du r\u00e9sum\u00e9 \u00e0 cinq nombres : Fondements math\u00e9matiques<\/h2>\n

2.1 La valeur minimale : D\u00e9tection des seuils planchers<\/h3>\n

Sur le plan de l’analyse formelle, la premi\u00e8re composante du r\u00e9sum\u00e9 \u00e0 cinq nombres correspond \u00e0 la plus petite observation enregistr\u00e9e dans une s\u00e9rie statistique ordonn\u00e9e. Si nous consid\u00e9rons un \u00e9chantillon de taille $n$<\/span>, compos\u00e9 d’observations ind\u00e9pendantes et identiquement distribu\u00e9es not\u00e9es $X_1, X_2, dots, X_n$<\/span>, le r\u00e9arrangement de ces donn\u00e9es par ordre croissant produit la s\u00e9rie des statistiques d’ordre not\u00e9e :<\/p>\n

$$X_{(1)} le X_{(2)} le dots le X_{(n)}$$<\/span><\/p>\n

La valeur minimale est formellement d\u00e9finie comme la premi\u00e8re statistique d’ordre, soit :<\/p>\n

$$\\text{Minimum} = X_{(1)}$$<\/span><\/p>\n

Loin d’\u00eatre une simple anecdote num\u00e9rique, la statistique $X_{(1)}$<\/span> remplit des fonctions diagnostiques de premier ordre dans l’audit psychom\u00e9trique. Dans les inventaires d’auto-\u00e9valuation psychologique, elle permet d’identifier l’existence d’effets planchers s\u00e9v\u00e8res. Lorsqu’une fraction substantielle de l’\u00e9chantillon partage la valeur minimale de l’\u00e9chelle th\u00e9orique, cela signale imm\u00e9diatement l’incapacit\u00e9 de l’instrument \u00e0 discriminer les variations infra-cliniques ou les niveaux particuli\u00e8rement bas du trait mesur\u00e9 chez les sujets sains.<\/p>\n

D’autre part, la valeur minimale constitue un filtre \u00e9l\u00e9mentaire mais puissant pour le diagnostic pr\u00e9coce des erreurs de codage de donn\u00e9es et des anomalies mat\u00e9rielles. Dans un protocole \u00e9valuant des temps de r\u00e9action informatis\u00e9s, l’apparition d’un minimum \u00e0 0 milliseconde ou n\u00e9gatif trahit sans \u00e9quivoque un dysfonctionnement de l’horloge syst\u00e8me ou une erreur de script, tandis qu’un score minimal de 15 millisecondes r\u00e9v\u00e8le une r\u00e9ponse anticipatoire r\u00e9flexe biologiquement incompatible avec les d\u00e9lais de conduction synaptique c\u00e9r\u00e9brale. Enfin, sur le plan de la g\u00e9om\u00e9trie distributionnelle, la valeur minimale d\u00e9limite la borne inf\u00e9rieure absolue indispensable au calcul de l’\u00e9tendue brute de l’\u00e9chantillon ($E = X_{(n)} – X_{(1)}$<\/span>).<\/p>\n

2.2 Le premier quartile (Q1) : Borne du quart inf\u00e9rieur<\/h3>\n

Le premier quartile, universellement d\u00e9sign\u00e9 par le symbole $Q_1$<\/span>, correspond au 25e percentile de la distribution cumulative empirique. Math\u00e9matiquement, il repr\u00e9sente la valeur sous laquelle se situent pr\u00e9cis\u00e9ment 25 % des observations ordonn\u00e9es de l’\u00e9chantillon, et au-dessus de laquelle se trouvent les 75 % restants. Si la fonction de r\u00e9partition empirique est d\u00e9sign\u00e9e par $F_n(x)$<\/span>, le premier quartile est formellement la plus petite valeur de $x$<\/span> satisfaisant l’in\u00e9galit\u00e9 $F_n(x) ge 0,25$<\/span>.<\/p>\n

Il importe d’\u00e9tablir ici une distinction conceptuelle fondamentale entre le quartile calcul\u00e9 selon les conventions probabilistes standard et la charni\u00e8re inf\u00e9rieure (lower hinge<\/em>) formalis\u00e9e originellement par Tukey. Tandis que le quartile standard repose g\u00e9n\u00e9ralement sur des interpolations lin\u00e9aires sp\u00e9cifiques entre deux rangs cons\u00e9cutifs, la charni\u00e8re inf\u00e9rieure de Tukey est d\u00e9finie de mani\u00e8re discr\u00e8te comme la m\u00e9diane de la moiti\u00e9 inf\u00e9rieure de la s\u00e9rie statistique, incluant la m\u00e9diane globale lorsque l’effectif $n$<\/span> est impair selon certaines variantes algorithmiques. Bien que ces deux notions convergent vers une valeur asymptotiquement identique \u00e0 mesure que l’effectif $n$<\/span> tend vers l’infini, des nuances d’arrondi peuvent appara\u00eetre sur les petits \u00e9chantillons de recherche.<\/p>\n

En pratique clinique et psychologique, le premier quartile d\u00e9limite le niveau d’intensit\u00e9 basal d’un trait au sein d’une population ou marque le seuil de vuln\u00e9rabilit\u00e9 inf\u00e9rieure. Dans les bilans de d\u00e9veloppement cognitif chez l’enfant, un score tombant sous la borne du premier quartile interpelle l’\u00e9valuateur sur un possible retard fonctionnel. Enfin, sur le plan de la mod\u00e9lisation statistique, $Q_1$<\/span> constitue le pivot inf\u00e9rieur n\u00e9cessaire au calcul de l’intervalle interquartile, m\u00e9trique reine de la dispersion robuste.<\/p>\n

2.3 La m\u00e9diane (Q2) : Le param\u00e8tre de position robuste<\/h3>\n

Deuxi\u00e8me quartile ($Q_2$<\/span>) ou 50e percentile, la m\u00e9diane<\/strong> ($\\tilde{X}$<\/span> ou $\\text{Mdn}$<\/span>) est incontestablement le param\u00e8tre de position le plus robuste de l’analyse exploratoire. Elle divise la s\u00e9rie ordonn\u00e9e en deux sous-ensembles de cardinaux rigoureusement \u00e9gaux, de sorte qu’il y a autant d’observations situ\u00e9es en de\u00e7\u00e0 de la m\u00e9diane qu’au-del\u00e0. Sur le plan du calcul direct sur la statistique d’ordre, sa formalisation classique s’\u00e9nonce comme suit :<\/p>\n

$$\\text{Mdn} = \\begin{\\cases} X_{\\left(\\frac{n+1}{2}\\right)} &a\\mp; \\text{si } n \\text{ est impair} \\frac{X_{\\left(\\frac{n}{2}\\right)} + X_{\\left(\\frac{n}{2} + 1\\right)}}{2} &a\\mp; \\text{si } n \\text{ est pair} \\end{\\cases}$$<\/span><\/p>\n

La grandeur de la m\u00e9diane r\u00e9side dans son point de rupture th\u00e9orique maximal de 0,50 (soit 50 %). Cette propri\u00e9t\u00e9 math\u00e9matique remarquable garantit que jusqu’\u00e0 la moiti\u00e9 moins une des observations de l’\u00e9chantillon peuvent \u00eatre corrompues de mani\u00e8re arbitraire \u2014 d\u00e9plac\u00e9es vers l’infini positif ou n\u00e9gatif \u2014 sans que la m\u00e9diane ne s’effondre ni ne s’\u00e9chappe vers des valeurs aberrantes. Elle incarne ainsi le point d’ancrage le plus fid\u00e8le du participant \u00ab typique \u00bb au sein d’une cohorte psychologique.<\/p>\n

D’un point de vue g\u00e9om\u00e9trique et analytique, la m\u00e9diane minimise la somme des \u00e9carts absolus par rapport aux observations ($\\sum |X_i – c|$<\/span>), tandis que la moyenne arithm\u00e9tique minimise la somme des \u00e9carts au carr\u00e9. Lorsque la distribution sous-jacente est affect\u00e9e d’une forte asym\u00e9trie unilat\u00e9rale, la moyenne est irr\u00e9sistiblement aspir\u00e9e dans la direction de la longue tra\u00eene, alors que la m\u00e9diane demeure fermement chevill\u00e9e \u00e0 la concentration de densit\u00e9 principale des observations, offrant ainsi une lecture m\u00e9trologique non biais\u00e9e du niveau central du trait investigu\u00e9.<\/p>\n

2.4 Le troisi\u00e8me quartile (Q3) et le maximum : Caract\u00e9risation de la queue sup\u00e9rieure<\/h3>\n

Le troisi\u00e8me quartile ($Q_3$<\/span>), ou 75e percentile de la s\u00e9rie empirique, partitionne les donn\u00e9es de telle sorte que trois quarts (75 %) des participants obtiennent un score \u00e9gal ou inf\u00e9rieur \u00e0 cette valeur, et qu’un quart (25 %) r\u00e9alise un score sup\u00e9rieur. Dans les contextes de d\u00e9pistage psychologique et psychiatrique, $Q_3$<\/span> assume une signification diagnostique capitale : il d\u00e9limite fr\u00e9quemment le seuil \u00e0 partir duquel les manifestations symptomatiques cessent d’\u00eatre subcliniques pour basculer dans la zone de souffrance significative, requ\u00e9rant une prise en charge th\u00e9rapeutique personnalis\u00e9e.<\/p>\n

\u00c0 l’autre extr\u00e9mit\u00e9 de la s\u00e9rie se dresse la valeur maximale, correspondant rigoureusement \u00e0 la derni\u00e8re statistique d’ordre :<\/p>\n

$$\\text{Ma\\ximum} = X_{(n)}$$<\/span><\/p>\n

\u00c0 l’instar de la valeur minimale, le maximum joue un r\u00f4le de vigie m\u00e9thodologique. En pr\u00e9sence de tests d’aptitudes cognitives ou d’\u00e9valuations scolaires standardis\u00e9es, un maximum satur\u00e9 par un contingent massif d’individus d\u00e9nonce l’existence d’un effet plafond (ceiling effect<\/em>), traduisant une insuffisance de difficult\u00e9 intrins\u00e8que de l’\u00e9preuve pour discriminer les sujets hautement performants.<\/p>\n

L’articulation dynamique entre le premier quartile, la m\u00e9diane, le troisi\u00e8me quartile et les deux extr\u00eames permet de d\u00e9crypter l’asym\u00e9trie distributionnelle sans n\u00e9cessiter le recours au coefficient de sym\u00e9trie (skewness<\/em>) de Pearson. En observant simplement l’espacement relatif :<\/p>\n

$$\\Delta_1 = (Q_2 – Q_1) \\quad \\text{et} \\quad \\Delta_2 = (Q_3 – Q_2)$$<\/span><\/p>\n

Toute discordance flagrante entre ces deux deltas r\u00e9v\u00e8le instantan\u00e9ment le sens et l’intensit\u00e9 de l’asym\u00e9trie de la distribution psychologique \u00e9tudi\u00e9e, guidant le statisticien dans ses orientations analytiques avec une \u00e9l\u00e9gance math\u00e9matique absolue.<\/p>\n

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

3.1 Configuration rigoureuse dans la vue des variables<\/h3>\n

Pr\u00e9alablement \u00e0 toute extraction algorithmique d’un r\u00e9sum\u00e9 \u00e0 cinq nombres au sein du logiciel SPSS<\/a>, une \u00e9tape fondatrice et non n\u00e9gociable consiste en l’audit exhaustif et la structuration m\u00e9ticuleuse des m\u00e9tadonn\u00e9es dans la Vue des variables<\/strong> (Variable View<\/em>). Une proportion substantielle des anomalies d’interpr\u00e9tation rencontr\u00e9es dans la litt\u00e9rature acad\u00e9mique trouve son origine non pas dans des d\u00e9faillances de calcul du processeur de SPSS, mais dans une d\u00e9finition approximative des propri\u00e9t\u00e9s \u00e9l\u00e9mentaires des variables analys\u00e9es.<\/p>\n

Le premier param\u00e8tre critique \u00e0 v\u00e9rifier est l’attribution correcte de la mesure dans la colonne Mesure<\/strong> (Measure<\/em>). Bien que le calcul des percentiles et des statistiques d’ordre soit techniquement tol\u00e9r\u00e9 par SPSS sur des variables \u00e9tiquet\u00e9es sous forme ordinale ou m\u00e9trique, il est imp\u00e9ratif d’assigner l’attribut \u00c9chelle<\/em> (Scale<\/em>) aux variables quantitatives continues ou composites (telles que le score total \u00e0 un inventaire d’anxi\u00e9t\u00e9) et l’attribut Ordinal<\/em> aux items isol\u00e9s de Likert. Cette diff\u00e9renciation conditionne la mani\u00e8re dont certains sous-modules graphiques et tableaux synth\u00e9tiques de SPSS automatisent le rendu et pr\u00e9viennent les incoh\u00e9rences d’affichage.<\/p>\n

\"\"<\/figure>\n

Deuxi\u00e8mement, l’\u00e9tiquetage s\u00e9mantique pr\u00e9cis via la colonne Libell\u00e9<\/strong> (Label<\/em>) garantit que les sorties statistiques g\u00e9n\u00e9r\u00e9es dans le visualiseur conservent une tra\u00e7abilit\u00e9 irr\u00e9prochable lors des phases ult\u00e9rieures de reporting. De m\u00eame, la gestion des D\u00e9cimales<\/strong> ne doit pas \u00eatre n\u00e9glig\u00e9e : si les scores bruts sont discrets (nombres entiers), conserver au moins une \u00e0 deux d\u00e9cimales pour les scores composites issus de moyennes partielles permet de pr\u00e9server la granularit\u00e9 fine lors de l’interpolation des quantiles interm\u00e9diaires. L’harmonisation globale des formats \u00e9vite ainsi les d\u00e9calages algorithmiques silencieux lors des processus d’exportation vers d’autres environnements.<\/p>\n

3.2 Gestion des donn\u00e9es manquantes et valeurs sentinelles<\/h3>\n

L’un des \u00e9cueils majeurs lors du traitement de questionnaires psychologiques volumineux r\u00e9side dans la manipulation des non-r\u00e9ponses, des abandons d’\u00e9preuves ou des d\u00e9clarations d’inapplicabilit\u00e9. SPSS op\u00e8re une distinction technique cardinale entre les valeurs manquantes syst\u00e8me (System-Missing<\/em>, mat\u00e9rialis\u00e9es par un simple point \u00ab . \u00bb dans la grille de donn\u00e9es) et les valeurs manquantes d\u00e9finies par l’utilisateur (User-Defined Missing<\/em>). Les valeurs sentinelles sont des codes num\u00e9riques sp\u00e9cifiques \u2014 tels que 999, -99 ou 9999 \u2014 conventionnellement attribu\u00e9s par les \u00e9quipes de saisie pour diff\u00e9rencier une absence de r\u00e9ponse volontaire d’une omission accidentelle ou d’une erreur d’aiguillage dans le protocole de recherche.<\/p>\n

Si le chercheur omet d’expliciter formellement ces codes dans la colonne Manquant<\/strong> (Missing<\/em>) de la vue des variables, SPSS les traitera comme de v\u00e9ritables grandeurs quantitatives. Dans une telle hypoth\u00e8se, un code de valeur sentinelle fix\u00e9 \u00e0 999 ins\u00e9r\u00e9 au sein d’une \u00e9chelle variant normalement de 0 \u00e0 50 viendra s’imposer imm\u00e9diatement comme la valeur maximale ($X_{(n)}$<\/span>), tirant de mani\u00e8re destructrice le troisi\u00e8me quartile vers le haut et faussant dramatiquement l’ensemble du r\u00e9sum\u00e9 \u00e0 cinq nombres. L’attribution rigoureuse de ces valeurs manquantes exclut automatiquement les cas corrompus du calcul des rangs ordonn\u00e9s.<\/p>\n

Par ailleurs, la manipulation pr\u00e9alable des non-r\u00e9ponses via des algorithmes d’imputation univari\u00e9e (telle que l’imputation par la moyenne) doit \u00eatre formellement proscrite avant le calcul d’un r\u00e9sum\u00e9 \u00e0 cinq nombres. L’imputation par la moyenne provoque une sur-densification artificielle du centre de la distribution, alt\u00e9rant la position g\u00e9om\u00e9trique r\u00e9elle des quartiles $Q_1$<\/span> et $Q_3$<\/span>. En pr\u00e9sence d’un m\u00e9canisme de donn\u00e9es manquantes compl\u00e8tement al\u00e9atoires (MCAR), l’analyse exclusive des cas valides (suppression par liste ou par paire) pr\u00e9serve fid\u00e8lement la fid\u00e9lit\u00e9 de l’estimation des quantiles d’ordre.<\/p>\n

3.3 Audit pr\u00e9liminaire et d\u00e9tection des incoh\u00e9rences de saisie<\/h3>\n

Avant d’engager le d\u00e9ploiement des modules d’analyse descriptive, la bonne pratique m\u00e9thodologique exige la r\u00e9alisation d’un audit de conformit\u00e9 de l’espace \u00e9chantillonnal. Cet audit repose sur la confrontation syst\u00e9matique des bornes th\u00e9oriques de l’instrument d’\u00e9valuation psychologique avec les valeurs brutes r\u00e9ellement inscrites dans le fichier de donn\u00e9es. Dans un inventaire mesurant par exemple l’affirmation de soi comprenant 30 items cot\u00e9s de 1 \u00e0 5, l’espace des scores th\u00e9oriquement admissibles s’\u00e9tend imp\u00e9rativement entre le minimum absolu de 30 et le maximum absolu de 150.<\/p>\n

L’utilisation pr\u00e9alable de filtres conditionnels ou la g\u00e9n\u00e9ration d’un tableau d’occurrences permet d’intercepter instantan\u00e9ment des aberrations d’encodage (par exemple un score de 300 r\u00e9sultant d’une double frappe accidentelle d’une touche num\u00e9rique). Dans la perspective du r\u00e9sum\u00e9 \u00e0 cinq nombres, une telle coquille de saisie corrompt instantan\u00e9ment la derni\u00e8re statistique d’ordre $X_{(n)}$<\/span>, \u00e9tirant l’\u00e9tendue de fa\u00e7on chim\u00e9rique et induisant un diagnostic erron\u00e9 quant \u00e0 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des sujets test\u00e9s.<\/p>\n

Toute correction appliqu\u00e9e sur les donn\u00e9es brutes doit faire l’objet d’une tra\u00e7abilit\u00e9 absolue au sein du journal des commandes ou d’un fichier script SPSS (syntaxe). La documentation m\u00e9ticuleuse des d\u00e9cisions d’apurement garantit la reproductibilit\u00e9 int\u00e9grale de l’exp\u00e9rience, conform\u00e9ment aux standards les plus exigeants de la recherche ouverte (Open Science<\/em>), avant que ne soit d\u00e9finitivement fig\u00e9 le calcul des statistiques de rang descriptives.<\/p>\n

4. Proc\u00e9dure pas-\u00e0-pas : Calcul du r\u00e9sum\u00e9 \u00e0 cinq nombres via le menu Fr\u00e9quences<\/h2>\n

4.1 Acc\u00e8s et param\u00e9trage du module Fr\u00e9quences<\/h3>\n

Dans l’architecture modulaire d’IBM SPSS Statistics, le menu Fr\u00e9quences<\/strong> (Frequencies<\/em>) repr\u00e9sente la modalit\u00e9 d’acc\u00e8s la plus intuitive, rapide et largement pl\u00e9biscit\u00e9e pour d\u00e9river l’int\u00e9gralit\u00e9 du r\u00e9sum\u00e9 \u00e0 cinq nombres au sein d’une ou de plusieurs s\u00e9ries statistiques. Pour initialiser le calcul, l’op\u00e9rateur doit d\u00e9rouler la barre de menus sup\u00e9rieure selon le cheminement s\u00e9quentiel suivant :<\/p>\n

Analyse<\/strong> > Statistiques descriptives<\/strong> > Fr\u00e9quences…<\/strong> (Analyze > Descriptive Statistics > Frequencies…<\/em>)<\/p>\n

\"\"<\/figure>\n

D\u00e8s l’ouverture de la bo\u00eete de dialogue principale, le panneau de gauche affiche la liste compl\u00e8te des variables r\u00e9pertori\u00e9es dans le dictionnaire actif du fichier. L’utilisateur s\u00e9lectionne la ou les variables cibles d’int\u00e9r\u00eat psychom\u00e9trique \u2014 par exemple, une variable de score composite continu \u2014 et les transf\u00e8re dans la liste active intitul\u00e9e Variable(s) :<\/strong> situ\u00e9e sur le flanc droit, en utilisant la fl\u00e8che directionnelle centrale ou par une manipulation intuitive de glisser-d\u00e9poser.<\/p>\n

Un param\u00e8tre op\u00e9rationnel d’une importance cardinale doit \u00eatre imm\u00e9diatement ajust\u00e9 dans cette m\u00eame interface : il s’agit de la case \u00e0 cocher intitul\u00e9e Afficher les tableaux de fr\u00e9quences<\/strong> (Display frequency tables<\/em>). Si le maintien de cette option est pertinent pour des variables qualitatives discr\u00e8tes \u00e0 faible nombre de modalit\u00e9s, son activation sur des variables continues ou des scores composites \u00e0 granularit\u00e9 fine s’av\u00e8re totalement contre-productive. Elle g\u00e9n\u00e8re une table d’occurrences kilom\u00e9trique et illisible dans la fen\u00eatre de sortie, surchargeant inutilement le processeur et la m\u00e9moire tampon. Il convient donc de d\u00e9sactiver syst\u00e9matiquement<\/em> cette case pour concentrer la g\u00e9n\u00e9ration des r\u00e9sultats sur le tableau r\u00e9capitulatif compact des statistiques descriptives.<\/p>\n

4.2 S\u00e9lection rigoureuse des indicateurs statistiques<\/h3>\n

Une fois les variables cibles convenablement assign\u00e9es dans la liste r\u00e9ceptrice, l’acc\u00e8s au c\u0153ur computationnel de la proc\u00e9dure s’effectue en cliquant sur le bouton Statistiques…<\/strong> (Statistics…<\/em>) situ\u00e9 dans la partie sup\u00e9rieure droite de la bo\u00eete de dialogue contextuelle. Cette action convoque une nouvelle fen\u00eatre d\u00e9di\u00e9e exclusivement au param\u00e9trage des m\u00e9triques d’analyse.<\/p>\n

L’\u00e9laboration du r\u00e9sum\u00e9 \u00e0 cinq nombres exige l’activation m\u00e9thodique et exclusive des options math\u00e9matiques correspondantes :<\/p>\n