{"id":2899,"date":"2026-09-06T22:40:04","date_gmt":"2026-09-06T22:40:04","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-statistiques-descriptives-variables-spss\/"},"modified":"2026-09-06T22:40:25","modified_gmt":"2026-09-06T22:40:25","slug":"comment-calculer-statistiques-descriptives-variables-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-statistiques-descriptives-variables-spss","title":{"rendered":"Comment calculer des statistiques descriptives pour des variables dans SPSS"},"content":{"rendered":"

Dans le champ des sciences humaines et de la psychologie contemporaine, l’administration de protocoles exp\u00e9rimentaux et de questionnaires standardis\u00e9s engendre des masses consid\u00e9rables de donn\u00e9es num\u00e9riques. Avant de pouvoir tester des hypoth\u00e8ses de recherche complexes par le biais de mod\u00e9lisations structurales, de r\u00e9gressions multiples ou d’analyses de variance, le chercheur doit imp\u00e9rativement se confronter \u00e0 l’\u00e9tape fondatrice que constitue l’exploration statistique descriptive. L’analyse descriptive ne se r\u00e9sume pas \u00e0 une simple formalit\u00e9 technique pr\u00e9alable ; elle incarne le premier dialogue \u00e9pist\u00e9mologique entre le chercheur et la r\u00e9alit\u00e9 empirique recueillie sur le terrain, permettant de d\u00e9celer la structure intime des mesures, d’identifier d’\u00e9ventuelles anomalies d’\u00e9chantillonnage et de v\u00e9rifier les postulats n\u00e9cessaires aux inf\u00e9rences ult\u00e9rieures.<\/p>\n

Le logiciel IBM SPSS Statistics<\/a> s’est impos\u00e9 depuis plusieurs d\u00e9cennies comme l’environnement computationnel de r\u00e9f\u00e9rence pour les chercheurs, enseignants et \u00e9tudiants en psychologie et en sciences sociales. Con\u00e7u pour allier une interface graphique conviviale \u00e0 un moteur de traitement par syntaxe d’une grande rigueur, SPSS offre une panoplie d’outils analytiques permettant de r\u00e9sumer, d’explorer et de visualiser les distributions de scores psychom\u00e9triques. N\u00e9anmoins, la ma\u00eetrise de cet outil exige une compr\u00e9hension fine des fondements math\u00e9matiques sous-jacents et une grande lucidit\u00e9 quant au niveau de mesure des variables \u00e9tudi\u00e9es. Une manipulation m\u00e9canique des menus d\u00e9roulants, d\u00e9nu\u00e9e de r\u00e9flexion m\u00e9thodologique, expose l’analyste \u00e0 des contresens majeurs, tels que le calcul d’indices non pertinents ou l’interpr\u00e9tation biais\u00e9e de scores d\u00e9form\u00e9s par des valeurs aberrantes.<\/p>\n

Ce guide exhaustif a pour ambition d’accompagner les chercheurs et les praticiens dans l’apprentissage et le perfectionnement des techniques de calcul des statistiques descriptives au sein de l’environnement SPSS. En adoptant une perspective r\u00e9solument ancr\u00e9e dans les exigences m\u00e9thodologiques de la recherche quantitative en psychologie, ce manuel explore l’ensemble du cycle de traitement : du param\u00e9trage initial de la matrice de donn\u00e9es jusqu’\u00e0 la mise en forme des r\u00e9sultats finaux selon les normes strictes de l’American Psychological Association (APA)<\/a>. \u00c0 travers l’examen des commandes fondamentales, la d\u00e9tection des anomalies distributionnelles et l’automatisation par syntaxe, vous d\u00e9velopperez les comp\u00e9tences analytiques requises pour valoriser pleinement vos donn\u00e9es empiriques avec la plus haute pr\u00e9cision scientifique.<\/p>\n

1. Introduction aux statistiques descriptives dans la recherche en psychologie sous SPSS<\/h2>\n

1.1 R\u00f4le fondamental des statistiques descriptives dans l’analyse quantitative<\/h3>\n

L’acte de mesure en psychologie, qu’il concerne des temps de r\u00e9action milliseconde par milliseconde, des scores d’anxi\u00e9t\u00e9 \u00e9valu\u00e9s sur une \u00e9chelle psychom\u00e9trique ou des indicateurs psychophysiologiques, aboutit in\u00e9vitablement \u00e0 une accumulation de donn\u00e9es brutes difficilement d\u00e9chiffrables \u00e0 l’\u0153il nu. Le r\u00f4le premier de la statistique descriptive r\u00e9side dans la r\u00e9duction ordonn\u00e9e des donn\u00e9es. Cette r\u00e9duction statistique permet de condenser un ensemble vaste et complexe d’observations individuelles en un nombre restreint d’indicateurs synth\u00e9tiques intelligibles, sans pour autant sacrifier l’essence de l’information structurelle contenue dans l’\u00e9chantillon. En condensant l’information, le chercheur extrait le signal pertinent du bruit de mesure inh\u00e9rent \u00e0 toute investigation empirique en sciences humaines.<\/p>\n

Sur le plan \u00e9pist\u00e9mologique, il convient d’\u00e9tablir une fronti\u00e8re rigoureuse entre l’analyse descriptive exploratoire et la statistique inf\u00e9rentielle. Alors que la premi\u00e8re vise \u00e0 d\u00e9crire, organiser et r\u00e9sumer les caract\u00e9ristiques observ\u00e9es d’un \u00e9chantillon sp\u00e9cifique sans pr\u00e9tendre g\u00e9n\u00e9raliser au-del\u00e0 de celui-ci, la seconde s’appuie sur la th\u00e9orie des probabilit\u00e9s pour tester des hypoth\u00e8ses formelles et extrapoler les r\u00e9gularit\u00e9s observ\u00e9es \u00e0 l’ensemble de la population parente. Cependant, toute d\u00e9marche inf\u00e9rentielle valide repose sur une statistique descriptive irr\u00e9prochable. Tenter d’estimer des param\u00e8tres populationnels sans avoir pr\u00e9alablement auscult\u00e9 la distribution empirique des donn\u00e9es s’av\u00e8re m\u00e9thodologiquement hasardeux et peut conduire \u00e0 des erreurs de type I ou de type II dans les tests d’hypoth\u00e8se.<\/p>\n

L’exploration descriptive constitue \u00e9galement l’unique moyen d’identifier les structures distributionnelles sous-jacentes et les patrons de r\u00e9ponse atypiques au sein de la cohorte d’\u00e9tude. Elle met en lumi\u00e8re les ph\u00e9nom\u00e8nes d’agr\u00e9gation, les planchers ou plafonds psychom\u00e9triques dans les questionnaires d’auto-\u00e9valuation, ainsi que la pr\u00e9sence d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s inattendues dans les groupes exp\u00e9rimentaux. Dans le cadre des standards m\u00e9thodologiques r\u00e9gissant les revues savantes \u00e0 comit\u00e9 de lecture, la documentation rigoureuse des caract\u00e9ristiques descriptives des participants repr\u00e9sente un gage de transparence scientifique et une condition sine qua non pour la r\u00e9plication des \u00e9tudes et l’int\u00e9gration ult\u00e9rieure des donn\u00e9es dans des m\u00e9ta-analyses quantitatives internationales.<\/p>\n

1.2 Les trois piliers descriptifs : synth\u00e8ses num\u00e9riques, tableaux et graphiques<\/h3>\n

Pour appr\u00e9hender exhaustivement la g\u00e9om\u00e9trie d’une variable quantitative ou qualitative, l’analyste chevronn\u00e9 s’appuie sur trois piliers m\u00e9thodologiques compl\u00e9mentaires : les synth\u00e8ses num\u00e9riques, les repr\u00e9sentations tabulaires et les visualisations graphiques. Les indicateurs num\u00e9riques synth\u00e9tiques condensent l’information d’une variable en une m\u00e9trique unique hautement informative. Ces m\u00e9triques se divisent traditionnellement entre mesures de tendance centrale (qui d\u00e9signent la valeur typique ou centrale autour de laquelle gravitent les observations) et mesures de variabilit\u00e9 ou de dispersion (qui chiffrent l’\u00e9cartement ou la dispersion des scores individuels par rapport \u00e0 ce centre). L’isolation d’un nombre unique facilite les comparaisons directes, mais elle masque in\u00e9vitablement les singularit\u00e9s locales de la distribution.<\/p>\n

Les tableaux de distribution et de fr\u00e9quences constituent le second pilier analytique, offrant une cartographie d\u00e9taill\u00e9e de la r\u00e9partition des scores. En \u00e9num\u00e9rant chaque modalit\u00e9 ou classe d’intervalles avec son effectif absolu, sa proportion relative et ses pourcentages cumul\u00e9s, le tableau permet de saisir l’organisation spatiale des donn\u00e9es sur l’ensemble du continuum de mesure. Cette approche s’av\u00e8re particuli\u00e8rement \u00e9clairante pour diagnostiquer la pr\u00e9sence de sous-groupes dissimul\u00e9s ou pour v\u00e9rifier si certaines cat\u00e9gories de r\u00e9ponse ont \u00e9t\u00e9 d\u00e9laiss\u00e9es ou, \u00e0 l’inverse, sur-s\u00e9lectionn\u00e9es par les participants lors de la passation de batteries de tests.<\/p>\n

Enfin, les repr\u00e9sentations graphiques forment le troisi\u00e8me volet indispensable d’un screening approfondi des variables d’\u00e9tude. L’esprit humain traitant plus rapidement les signaux visuels que les tableaux denses de chiffres, les histogrammes, bo\u00eetes \u00e0 moustaches et diagrammes de densit\u00e9 permettent une \u00e9valuation intuitive et imm\u00e9diate de la forme g\u00e9n\u00e9rale des donn\u00e9es. La visualisation r\u00e9v\u00e8le instantan\u00e9ment la bimodalit\u00e9, l’asym\u00e9trie prononc\u00e9e ou l’existence d’observations isol\u00e9es se d\u00e9tachant manifestement du corpus principal. C’est pr\u00e9cis\u00e9ment l’interaction synergique entre l’indicateur num\u00e9rique pr\u00e9cis, le d\u00e9tail chiffr\u00e9 du tableau de fr\u00e9quences et la perception spatiale du graphique qui garantit un examen descriptif holistique et rigoureux.<\/p>\n

1.3 Pr\u00e9sentation de l’environnement de travail IBM SPSS Statistics<\/h3>\n

L’utilisation judicieuse d’IBM SPSS Statistics n\u00e9cessite une familiarisation approfondie avec son architecture modulaire articul\u00e9e autour de trois fen\u00eatres principales interconnect\u00e9es. Au c\u0153ur de la saisie et de la manipulation se trouve la matrice de donn\u00e9es, qui propose deux affichages compl\u00e9mentaires : la Vue des donn\u00e9es (Data View<\/em>) et la Vue des variables (Variable View<\/em>). La Vue des donn\u00e9es adopte une disposition matricielle rectangulaire standardis\u00e9e o\u00f9 chaque ligne correspond imp\u00e9rativement \u00e0 une unit\u00e9 d’observation unique (g\u00e9n\u00e9ralement un participant en psychologie) et chaque colonne repr\u00e9sente une variable mesur\u00e9e ou calcul\u00e9e. \u00c0 l’inverse, la Vue des variables adopte une perspective structurelle o\u00f9 chaque ligne d\u00e9finit les attributs m\u00e9trologiques d’une variable sp\u00e9cifique (nom, \u00e9tiquette, type de stockage, niveau de mesure, valeurs manquantes).<\/p>\n

\"\"<\/figure>\n

Lorsqu’une proc\u00e9dure analytique est sollicit\u00e9e, SPSS bascule vers ou g\u00e9n\u00e8re une fen\u00eatre distincte nomm\u00e9e le Visualiseur de r\u00e9sultats (Output Viewer<\/em>). Cette interface hi\u00e9rarchique accueille l’ensemble des sorties textuelles, des tableaux crois\u00e9s et des graphiques g\u00e9n\u00e9r\u00e9s par les calculs statistiques. L’arborescence lat\u00e9rale gauche du visualiseur permet une navigation rapide entre les diff\u00e9rents blocs de r\u00e9sultats, facilitant ainsi l’inspection d\u00e9taill\u00e9e, l’\u00e9dition des tableaux dynamiques (Pivot Tables<\/em>) et l’exportation des \u00e9l\u00e9ments pertinents vers des traitements de texte ou des logiciels de mise en page scientifique. La pr\u00e9servation m\u00e9thodique de ces fichiers de sortie (portant l’extension .spv<\/code>) assure une tra\u00e7abilit\u00e9 fondamentale des analyses interm\u00e9diaires.<\/p>\n

Cependant, le pilier le plus critique pour la rigueur scientifique demeure l’\u00e9diteur de syntaxe SPSS (fichiers d’extension .sps<\/code>). Bien que l’interface par menus d\u00e9roulants et bo\u00eetes de dialogue offre une prise en main intuitive, elle s’av\u00e8re insuffisante pour garantir la reproductibilit\u00e9 scientifique<\/a> pr\u00e9conis\u00e9e par les standards contemporains de la science ouverte. L’utilisation du bouton Coller<\/em> (Paste) pr\u00e9sent dans presque toutes les bo\u00eetes de dialogue permet de transf\u00e9rer les instructions de commande sous forme de code textuel dans l’\u00e9diteur de syntaxe. Ce script documente de mani\u00e8re immuable l’int\u00e9gralit\u00e9 des transformations de variables, des s\u00e9lections de sous-groupes et des param\u00e8tres de calcul, autorisant une r\u00e9plication exacte et instantan\u00e9e de l’analyse, indispensable lors des r\u00e9visions d’articles acad\u00e9miques.<\/p>\n

2. Typologie des variables et configuration pr\u00e9alable dans SPSS<\/h2>\n

2.1 Classification des \u00e9chelles de mesure en psychologie<\/h3>\n

La validit\u00e9 scientifique de toute d\u00e9marche descriptive d\u00e9pend de la concordance stricte entre l’op\u00e9ration math\u00e9matique ex\u00e9cut\u00e9e et la nature de l’\u00e9chelle de mesure sous-jacente. Selon la typologie fondamentale introduite par le psychologue et m\u00e9trologue Stanley Smith Stevens<\/a> en 1946, les variables se divisent en quatre niveaux d’abstraction quantitative croissante : nominal, ordinal, d’intervalle et de rapport. Dans SPSS, ces quatre cat\u00e9gories sont synth\u00e9tis\u00e9es en trois modalit\u00e9s op\u00e9rationnelles : Nominal, Ordinal et \u00c9chelle (Scale<\/em>), cette derni\u00e8re regroupant sans distinction algorithmique les \u00e9chelles d’intervalles et de rapports.<\/p>\n

Les variables nominales repr\u00e9sentent le niveau le plus \u00e9l\u00e9mentaire de la mesure : elles assignent des \u00e9tiquettes ou des cat\u00e9gories mutuellement exclusives sans aucun ordre hi\u00e9rarchique intrins\u00e8que sous-jacent. En recherche psychologique, il s’agit par exemple du genre biologique, de l’\u00e9tat civil, du groupe d’assignation exp\u00e9rimentale (condition contr\u00f4le vs condition exp\u00e9rimentale) ou de la pr\u00e9sence\/absence d’un diagnostic clinique selon le DSM-5. Pour de telles variables, les calculs de moyenne arithm\u00e9tique ou d’\u00e9cart-type sont formellement d\u00e9nu\u00e9s de sens math\u00e9matique. Seuls les d\u00e9nombrements d’effectifs, les pourcentages, les proportions et le mode constituent des descripteurs valides.<\/p>\n

Les variables ordinales introduisent une relation d’ordre ou de rang hi\u00e9rarchique entre les cat\u00e9gories, mais sans que l’on puisse postuler l’\u00e9galit\u00e9 des intervalles s\u00e9parant les \u00e9chelons successifs. C’est le cas typique des \u00e9chelles de Likert couramment employ\u00e9es dans les questionnaires de personnalit\u00e9 ou d’attitudes (ex. : \u00ab pas du tout d’accord \u00bb, \u00ab mod\u00e9r\u00e9ment d’accord \u00bb, \u00ab tout \u00e0 fait d’accord \u00bb), des niveaux de dipl\u00f4me ou des rangs de naissance au sein d’une fratrie. Enfin, les variables d’\u00e9chelle (intervalles et ratios) comportent des intervalles \u00e9gaux et standardis\u00e9s entre chaque unit\u00e9 cons\u00e9cutive, autorisant toutes les op\u00e9rations arithm\u00e9tiques. Les temps de r\u00e9action en millisecondes mesur\u00e9s dans une t\u00e2che d’attention soutenue, le score total \u00e0 un inventaire standardis\u00e9 comme le Beck Depression Inventory ou l’\u00e2ge chronologique rel\u00e8vent de cette cat\u00e9gorie, ouvrant l’acc\u00e8s \u00e0 la panoplie compl\u00e8te des m\u00e9triques param\u00e9triques.<\/p>\n

2.2 Param\u00e9trage ad\u00e9quat dans la Vue des variables<\/h3>\n

L’exactitude des calculs descriptifs d\u00e9pend du soin apport\u00e9 \u00e0 la configuration de chaque colonne dans la Vue des variables d’IBM SPSS Statistics. Trop de praticiens d\u00e9butants n\u00e9gligent cette \u00e9tape et se heurtent ult\u00e9rieurement \u00e0 des r\u00e9sultats inexploitables ou \u00e0 des tableaux illisibles. La premi\u00e8re exigence concerne l’attribution de noms de variables concis (colonne Nom<\/em>) respectant les contraintes syntaxiques du logiciel, coupl\u00e9e syst\u00e9matiquement \u00e0 une \u00e9tiquette de variable explicite (colonne \u00c9tiquette<\/em>). L’\u00e9tiquette permet de consigner l’intitul\u00e9 complet de la question ou la description pr\u00e9cise de la mesure psychom\u00e9trique, garantissant que les tableaux et graphiques g\u00e9n\u00e9r\u00e9s dans le visualiseur de r\u00e9sultats soient imm\u00e9diatement compr\u00e9hensibles sans recours permanent au cahier d’exp\u00e9rimentation.<\/p>\n

\"\"<\/figure>\n

Pour les variables qualitatives et cat\u00e9gorielles, la d\u00e9finition rigoureuse de la colonne Valeurs<\/em> (Value Labels) s’av\u00e8re imp\u00e9rative. Bien que SPSS encode g\u00e9n\u00e9ralement ces modalit\u00e9s sous forme d’entiers num\u00e9riques (par exemple : 1 pour \u00ab Groupe T\u00e9moin \u00bb, 2 pour \u00ab Groupe Th\u00e9rapie Cognitive \u00bb, 3 pour \u00ab Groupe Pleine Conscience \u00bb), le logiciel doit savoir \u00e0 quelle signification s\u00e9mantique correspond chaque code num\u00e9rique. L’omission de cette \u00e9tape transforme la lecture des tableaux de fr\u00e9quences en un exercice d’\u00e9quilibriste propice aux erreurs d’attribution, en particulier lorsque le chercheur manipule des bases de donn\u00e9es complexes comprenant des dizaines d’items cod\u00e9s de fa\u00e7on binaire ou polytomique.<\/p>\n

Parall\u00e8lement, la colonne Mesure<\/em> doit \u00eatre scrupuleusement ajust\u00e9e en s\u00e9lectionnant Nominal<\/em>, Ordinal<\/em> ou \u00c9chelle<\/em> selon la nature de la variable. Bien que les proc\u00e9dures de base comme DESCRIPTIVES<\/code> ex\u00e9cutent les calculs demand\u00e9s quel que soit le statut de la colonne Mesure, des proc\u00e9dures plus r\u00e9centes ou les modules de visualisation graphique ajustent automatiquement leurs algorithmes en fonction de cette sp\u00e9cification. Enfin, la gestion explicite des Valeurs manquantes<\/em> d\u00e9finies par l’utilisateur (User-defined missing<\/em>) permet d’attribuer des codes num\u00e9riques r\u00e9serv\u00e9s (tels que 99, 999 ou -1) \u00e0 des motifs d’absence pr\u00e9cis (refus de r\u00e9pondre, question non applicable, abandon de t\u00e2che), \u00e9vitant que ces valeurs aberrantes ne soient trait\u00e9es par m\u00e9garde comme des scores authentiques dans le calcul des moyennes.<\/p>\n

2.3 Nettoyage pr\u00e9liminaire et validation de l’int\u00e9grit\u00e9 du jeu de donn\u00e9es<\/h3>\n

L’application pr\u00e9cipit\u00e9e de commandes descriptives sur une base de donn\u00e9es brute expose l’analyste au risque universel de l’informatique : \u00ab Garbage in, garbage out \u00bb (des donn\u00e9es vici\u00e9es en entr\u00e9e produisent des conclusions erron\u00e9es en sortie). Avant toute entreprise statistique, une phase d’audit et d’assainissement syst\u00e9matique des donn\u00e9es doit \u00eatre d\u00e9ploy\u00e9e. Cette validation d\u00e9bute par le contr\u00f4le des erreurs de saisie num\u00e9rique et des d\u00e9passements de bornes th\u00e9oriques. Si un inventaire psychologique valide comporte des items scor\u00e9s de 1 \u00e0 5, la pr\u00e9sence d’une valeur 6 ou 15 dans la base t\u00e9moigne d’une faute de frappe humaine ou d’un artefact d’importation qui fausserait gravement l’estimation des moments statistiques.<\/p>\n

Le contr\u00f4le de la coh\u00e9rence interne entre variables interconnect\u00e9es constitue le second volet de cet audit pr\u00e9liminaire. Par exemple, si une participante est cod\u00e9e comme ayant un statut d’\u00e9tudiante de premier cycle, mais que son \u00e2ge indique 8 ans, ou si un score global calcul\u00e9 ne correspond pas \u00e0 la sommation arithm\u00e9tique de ses sous-composantes, une incoh\u00e9rence logique doit \u00eatre lev\u00e9e en consultant le protocole source sur papier ou le registre \u00e9lectronique d’origine. De telles discordances, si elles demeurent non corrig\u00e9es, alt\u00e8rent silencieusement les estimations de dispersion et faussent la structure de corr\u00e9lation de l’\u00e9chantillon.<\/p>\n

Enfin, l’audit technique des formats de stockage pr\u00e9vient les blocages algorithmiques r\u00e9currents sous SPSS. Il arrive fr\u00e9quemment que des colonnes num\u00e9riques soient import\u00e9es par m\u00e9garde sous le format de cha\u00eene de caract\u00e8res (String<\/em>), par exemple \u00e0 la suite de la pr\u00e9sence accidentelle d’une lettre, d’une espace ou d’un caract\u00e8re typographique non reconnu dans une cellule. Les commandes quantitatives d’SPSS ignorent tout simplement ces variables ou refusent de s’ex\u00e9cuter tant que le type de variable n’a pas \u00e9t\u00e9 reconfigur\u00e9 en Num\u00e9rique<\/em> et que les anomalies textuelles n’ont pas \u00e9t\u00e9 rectifi\u00e9es ou recod\u00e9es en valeurs manquantes conformes.<\/p>\n

3. Calcul des statistiques descriptives via la commande Descriptives<\/h2>\n

3.1 Navigation et s\u00e9lection des variables continues<\/h3>\n

La commande DESCRIPTIVES<\/code> d’IBM SPSS Statistics constitue l’outil de pr\u00e9dilection pour l’extraction rapide, cibl\u00e9e et synth\u00e9tique des param\u00e8tres de tendance centrale et de variabilit\u00e9 applicables aux variables quantitatives continues. Pour initier cette proc\u00e9dure via l’interface interactive, l’utilisateur navigue \u00e0 travers la barre de menus sup\u00e9rieure en suivant le cheminement classique : Analyse<\/em> > Statistiques descriptives<\/em> > Descriptifs…<\/em>. Cette action d\u00e9ploie une bo\u00eete de dialogue standardis\u00e9e pr\u00e9sentant sur le panneau de gauche la liste exhaustive de l’ensemble des variables enregistr\u00e9es dans le fichier de donn\u00e9es actif.<\/p>\n

\"\"<\/figure>\n

Le transfert des variables d’int\u00e9r\u00eat vers le champ de droite intitul\u00e9 Variable(s) :<\/em> s’op\u00e8re par simple glisser-d\u00e9poser ou en s\u00e9lectionnant les variables cibles puis en cliquant sur la fl\u00e8che directionnelle centrale. \u00c0 cette \u00e9tape, une rigueur m\u00e9thodologique absolue s’impose : seules les variables continues mesur\u00e9es \u00e0 un niveau d’intervalle ou de rapport doivent \u00eatre int\u00e9gr\u00e9es dans cette bo\u00eete de dialogue. Transf\u00e9rer des variables qualitatives nominales (telles que la fili\u00e8re d’\u00e9tude ou le groupe exp\u00e9rimental) dans la commande DESCRIPTIVES<\/code> constitue une erreur d’analyse cardinale, car SPSS calculera sans sourciller une moyenne math\u00e9matiquement absurde sur des codes de d\u00e9signation arbitraires.<\/p>\n

Dans la bo\u00eete de dialogue, il est souvent judicieux d’utiliser le bouton contextuel droit de la souris sur la liste des variables pour basculer entre l’affichage des \u00e9tiquettes descriptives et l’affichage des noms de variables r\u00e9els, ou pour trier la liste par ordre alphab\u00e9tique plut\u00f4t que par ordre de cr\u00e9ation dans le fichier. Cette ergonomie s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse lors du traitement de jeux de donn\u00e9es massifs comprenant des centaines d’items. Par ailleurs, si une session d’analyse pr\u00e9c\u00e9dente a laiss\u00e9 des s\u00e9lections r\u00e9siduelles, l’activation du bouton R\u00e9initialiser<\/em> (Reset) permet de purger instantan\u00e9ment la configuration en cours, garantissant qu’aucun artefact de s\u00e9lection ant\u00e9rieure ne vienne polluer l’extraction des nouvelles statistiques descriptives.<\/p>\n

3.2 Configuration des options de dispersion et de tendance centrale<\/h3>\n

Une fois les variables quantitatives transf\u00e9r\u00e9es dans le panneau de calcul, l’activation du bouton Options…<\/em> situ\u00e9 dans le coin sup\u00e9rieur droit de la bo\u00eete de dialogue ouvre une sous-fen\u00eatre d\u00e9di\u00e9e au param\u00e9trage sp\u00e9cifique des estimateurs \u00e0 extraire. Par d\u00e9faut, SPSS pr\u00e9-coche la moyenne arithm\u00e9tique (Moyenne<\/em>), l’\u00e9cart-type (\u00c9cart type<\/em>), ainsi que les valeurs minimales (Minimum<\/em>) et maximales (Maximum<\/em>). Bien que ces quatre indicateurs fournissent un aper\u00e7u \u00e9l\u00e9mentaire, une analyse psychom\u00e9trique digne de ce nom n\u00e9cessite g\u00e9n\u00e9ralement l’activation d’indicateurs de variabilit\u00e9 additionnels pour mieux caract\u00e9riser le comportement de la distribution.<\/p>\n

\"Descriptive
Descriptive statistics in SPSS<\/figcaption><\/figure>\n

L’activation conjointe de la Variance<\/em> (le carr\u00e9 de l’\u00e9cart-type) et de l’\u00c9tendue<\/em> (Range<\/em>, mesurant la diff\u00e9rence absolue entre le score maximal et le score minimal) affine consid\u00e9rablement la compr\u00e9hension de l’\u00e9talement des donn\u00e9es. L’\u00e9cart-type quantifie la distance moyenne (euclidienne) des observations par rapport au centre de gravit\u00e9 de la cohorte, tandis que l’\u00e9tendue informe sur l’espace global occup\u00e9 par les participants sur le continuum exp\u00e9rimental. Il convient \u00e9galement de cocher l’Erreur standard<\/em> (S.E. moyenne<\/em>), qui mesure la fluctuation d’\u00e9chantillonnage th\u00e9orique de la moyenne et permet d’\u00e9valuer la pr\u00e9cision avec laquelle l’\u00e9chantillon empirique estime le param\u00e8tre central de la population d’origine.<\/p>\n

Dans la partie inf\u00e9rieure de cette m\u00eame fen\u00eatre d’options, SPSS propose de sp\u00e9cifier l’Ordre d’affichage<\/em> des variables au sein de la table r\u00e9capitulative finale. L’utilisateur peut opter pour l’ordre de la liste de variables (par d\u00e9faut), l’ordre alphab\u00e9tique des intitul\u00e9s, ou encore un tri ascendant ou descendant bas\u00e9 sur les moyennes empiriques obtenues. Cette derni\u00e8re option offre une plus-value appr\u00e9ciable lorsqu’il s’agit de hi\u00e9rarchiser rapidement une batterie de questions d’attitude ou de mesurer la s\u00e9v\u00e9rit\u00e9 relative de sympt\u00f4mes cliniques au sein d’une cohorte psychiatrique, en ordonnant instantan\u00e9ment les moyennes observ\u00e9es de la plus faible \u00e0 la plus \u00e9lev\u00e9e.<\/p>\n

3.3 Standardisation automatique des scores (Scores Z)<\/h3>\n

L’un des avantages les plus substantiels de la commande DESCRIPTIVES<\/code> r\u00e9side dans sa capacit\u00e9 int\u00e9gr\u00e9e \u00e0 calculer et enregistrer directement les scores standardis\u00e9s (scores z<\/em>) au sein du fichier de donn\u00e9es courant. Pour d\u00e9clencher cette op\u00e9ration, il suffit de cocher la case intitul\u00e9e Enregistrer les valeurs normalis\u00e9es dans des variables<\/em> situ\u00e9e au bas de la bo\u00eete de dialogue principale. Lors de l’ex\u00e9cution, SPSS ne se contente pas de produire le tableau r\u00e9capitulatif dans le visualiseur de r\u00e9sultats ; il cr\u00e9e automatiquement de nouvelles colonnes dans la Vue des donn\u00e9es, en pr\u00e9fixant le nom original de chaque variable par la lettre \u00ab Z \u00bb (par exemple, la variable Anxiete<\/code> g\u00e9n\u00e8re la nouvelle variable ZAnxiete<\/code>).<\/p>\n

La transformation en score standardis\u00e9 repose sur l’\u00e9quation fondamentale :<\/p>\n

z<\/em> = (X<\/em> – M<\/em>) \/ SD<\/em><\/p>\n

o\u00f9 X<\/em> repr\u00e9sente la valeur observ\u00e9e pour un participant donn\u00e9, M<\/em> la moyenne arithm\u00e9tique de l’\u00e9chantillon, et SD<\/em> l’\u00e9cart-type de ce m\u00eame \u00e9chantillon. Cette op\u00e9ration math\u00e9matique a pour effet d’annuler les unit\u00e9s de mesure d’origine pour projeter les scores sur une m\u00e9trique universelle dont la moyenne arithm\u00e9tique est rigoureusement \u00e9gale \u00e0 z\u00e9ro et l’\u00e9cart-type \u00e9gal \u00e0 un. Dans les recherches impliquant des \u00e9chelles h\u00e9t\u00e9rog\u00e8nes (par exemple, comparer un test de m\u00e9moire de travail scor\u00e9 sur 30 points avec une mesure de potentiel \u00e9voqu\u00e9 cognitif en microvolts), la conversion en scores z<\/em> permet des comparaisons directes et l’agr\u00e9gation d’indices composites non biais\u00e9s.<\/p>\n

Au-del\u00e0 de la standardisation psychom\u00e9trique, les variables de scores z<\/em> nouvellement g\u00e9n\u00e9r\u00e9es constituent un instrument d’une remarquable efficacit\u00e9 pour la d\u00e9tection des valeurs aberrantes univari\u00e9es. Selon la th\u00e9orie distributionnelle de la loi normale, environ 99,7 % des observations doivent se situer dans un intervalle compris entre -3 et +3 \u00e9carts-types autour de la moyenne. Dans la litt\u00e9rature m\u00e9thodologique en psychologie, un seuil critique conventionnel est couramment fix\u00e9 \u00e0 |z<\/em>| > 3,29 (correspondant \u00e0 une probabilit\u00e9 d’occurrence inf\u00e9rieure \u00e0 p<\/em> = 0,001 pour une distribution normale). L’inspection rapide de la colonne standardis\u00e9e permet ainsi d’isoler imm\u00e9diatement les participants pr\u00e9sentant des performances extraordinairement d\u00e9viantes, justifiant une v\u00e9rification approfondie de leur protocole de passation.<\/p>\n

4. Analyse distributionnelle d\u00e9taill\u00e9e via la commande Fr\u00e9quences<\/h2>\n

4.1 Proc\u00e9dure d’ex\u00e9cution et choix des indicateurs<\/h3>\n

Si la commande DESCRIPTIVES<\/code> excelle dans la synth\u00e8se de variables d’\u00e9chelle homog\u00e8nes, la proc\u00e9dure FREQUENCIES<\/code> s’impose comme l’outil le plus polyvalent, le plus exhaustif et le plus souple d’IBM SPSS Statistics pour l’examen distributionnel. Pour mobiliser cette commande, l’analyste chemine via Analyse<\/em> > Statistiques descriptives<\/em> > Fr\u00e9quences…<\/em>. Contrairement \u00e0 sa cons\u0153ur restreinte aux variables d’\u00e9chelle, la commande Fr\u00e9quences est universellement adaptable : elle traite avec une \u00e9gale pr\u00e9cision les variables qualitatives nominales, les ordonnancements ordinaux et les donn\u00e9es quantitatives continues discr\u00e8tes ou denses.<\/p>\n

\"\"<\/figure>\n

En cliquant sur le bouton Statistiques…<\/em> de la bo\u00eete de dialogue des Fr\u00e9quences, l’utilisateur acc\u00e8de \u00e0 un ensemble d’indicateurs bien plus \u00e9tendu que celui offert par la commande Descriptives. Aux c\u00f4t\u00e9s de la moyenne arithm\u00e9tique classique, il est possible de solliciter la M\u00e9diane<\/em> (le score qui scinde l’\u00e9chantillon ordonn\u00e9 en deux moiti\u00e9s exactement \u00e9gales de 50 %) et le Mode<\/em> (la valeur la plus fr\u00e9quemment observ\u00e9e dans l’\u00e9chantillon). La confrontation simultan\u00e9e de ces trois indicateurs de tendance centrale permet de diagnostiquer d’embl\u00e9e la pr\u00e9sence d’une asym\u00e9trie distributionnelle : lorsque moyenne, m\u00e9diane et mode co\u00efncident parfaitement, la distribution est rigoureusement sym\u00e9trique ; lorsqu’elles divergent notablement, la m\u00e9diane offre un ancrage central bien plus robuste que la moyenne.<\/p>\n

La sous-fen\u00eatre permet \u00e9galement de requ\u00e9rir la Somme<\/em> arithm\u00e9tique cumulative de tous les scores, ainsi que l’affichage pr\u00e9cis des bornes extr\u00eames via le Minimum<\/em> et le Maximum<\/em>. Les mesures de dispersion incluent \u00e9galement l’\u00c9cart type<\/em>, la Variance<\/em>, l’\u00c9tendue<\/em> et l’Erreur standard de la moyenne<\/em>. La possibilit\u00e9 d’ordonner ces calculs et de les coupler \u00e0 des indicateurs de forme g\u00e9om\u00e9trique fait de cette bo\u00eete de dialogue le carrefour n\u00e9vralgique de toute exploration univari\u00e9e m\u00e9ticuleuse dans le domaine des sciences du comportement.<\/p>\n

4.2 Partitionnement de la distribution par percentiles et quartiles<\/h3>\n

L’analyse non-param\u00e9trique et la psychom\u00e9trie appliqu\u00e9e reposent abondamment sur le partitionnement ordinal de la distribution des participants, une fonctionnalit\u00e9 o\u00f9 la commande Fr\u00e9quences d\u00e9montre toute sa puissance op\u00e9rationnelle. En cochant la case Quartiles<\/em> dans la section des valeurs de centiles, SPSS fractionne automatiquement l’\u00e9chantillon en quatre tranches proportionnellement \u00e9quivalentes contenant chacune 25 % des observations. Le premier quartile (Q1 ou 25e centile), le deuxi\u00e8me quartile (Q2 ou 50e centile, correspondant \u00e0 la m\u00e9diane) et le troisi\u00e8me quartile (Q3 ou 75e centile) sont alors syst\u00e9matiquement isol\u00e9s et int\u00e9gr\u00e9s au tableau de sortie.<\/p>\n

Cette approche permet notamment le calcul imm\u00e9diat de l’intervalle interquartile (IQR = Q3 – Q1), qui quantifie l’espace au sein duquel se concentrent les 50 % centraux de la population \u00e9tudi\u00e9e. Contrairement \u00e0 l’\u00e9cart-type, dont la valeur est m\u00e9caniquement tir\u00e9e vers le haut par les scores extr\u00eames en raison de l’\u00e9l\u00e9vation des \u00e9carts au carr\u00e9, l’intervalle interquartile est un indicateur de variabilit\u00e9 \u00e9minemment r\u00e9sistant aux valeurs aberrantes. Il constitue la m\u00e9trique de dispersion privil\u00e9gi\u00e9e d\u00e8s lors que les donn\u00e9es psychom\u00e9triques d\u00e9vient de la gaussianit\u00e9 ou pr\u00e9sentent des distorsions ordinales significatives.<\/p>\n

Au-del\u00e0 des quartiles, la commande offre la flexibilit\u00e9 de sp\u00e9cifier des Points de coupure pour n groupes \u00e9gaux<\/em> (par exemple, fractionner en d\u00e9ciles pour 10 groupes ou en quintiles pour 5 groupes), ou d’indiquer manuellement des Centiles<\/em> singuliers (par exemple, le 5e et le 95e centile). Cette fonctionnalit\u00e9 s’av\u00e8re indispensable pour l’\u00e9talonnage normatif des instruments psychologiques (tels que les \u00e9chelles de QI de Wechsler ou les inventaires de personnalit\u00e9 NEO-PI), permettant aux cliniciens de situer la performance d’un patient individuel par rapport \u00e0 des seuils normatifs rigoureusement standardis\u00e9s sur de vastes cohortes de r\u00e9f\u00e9rence.<\/p>\n

4.3 G\u00e9n\u00e9ration et interpr\u00e9tation des tableaux de fr\u00e9quences<\/h3>\n

Le produit d’analyse le plus distinctif de cette proc\u00e9dure r\u00e9side dans la table de fr\u00e9quences d\u00e9taill\u00e9e g\u00e9n\u00e9r\u00e9e dans le visualiseur de r\u00e9sultats. Pour chaque valeur distincte pr\u00e9sente dans le jeu de donn\u00e9es, cette table ventile m\u00e9thodiquement quatre colonnes fondamentales : l’Effectif<\/em> (fr\u00e9quence absolue brute), le Pourcentage<\/em> (proportion relative calcul\u00e9e sur l’ensemble de l’\u00e9chantillon, y compris les donn\u00e9es manquantes), le Pourcentage valide<\/em> (proportion recalcul\u00e9e strictement sur la base des participants ayant effectivement r\u00e9pondu \u00e0 l’item) et le Pourcentage cumul\u00e9<\/em>.<\/p>\n

\"Frequency
Frequency table in SPSS<\/figcaption><\/figure>\n

L’examen critique de la distinction entre \u00ab Pourcentage \u00bb et \u00ab Pourcentage valide \u00bb est d’une grande importance m\u00e9thodologique. Lorsqu’un questionnaire pr\u00e9sente un taux de non-r\u00e9ponse notable (par exemple, 15 % de donn\u00e9es manquantes sur une question intime relative \u00e0 l’id\u00e9ation suicidaire), le pourcentage brut minore artificiellement le poids r\u00e9el de chaque modalit\u00e9 parmi les r\u00e9pondants effectifs. L’analyste doit imp\u00e9rativement rapporter le pourcentage valide dans ses manuscrits pour refl\u00e9ter fid\u00e8lement l’\u00e9tat des r\u00e9ponses collect\u00e9es, tout en documentant parall\u00e8lement le volume global d’attrition de l’item.<\/p>\n

Le Pourcentage cumul\u00e9<\/em>, quant \u00e0 lui, s’av\u00e8re particuli\u00e8rement \u00e9clairant pour les \u00e9chelles ordinales d’attitude. Il permet de r\u00e9pondre instantan\u00e9ment \u00e0 des interrogations cliniques ou psychosociologiques concr\u00e8tes, telles que : \u00ab Quelle proportion globale des participants se situe au niveau ou en dessous du seuil d’accord mod\u00e9r\u00e9 ? \u00bb. Cependant, une mise en garde s’impose : si la variable analys\u00e9e est une mesure d’\u00e9chelle continue dense comportant une multitude de d\u00e9cimales (comme des temps de r\u00e9action continus ou des concentrations hormonales de cortisol salivaire), la g\u00e9n\u00e9ration de la table de fr\u00e9quences produit un tableau d\u00e9mesur\u00e9 et illisible listant chaque milliseconde observ\u00e9e. Dans ce cas sp\u00e9cifique, il convient imp\u00e9rativement de d\u00e9cocher l’option Afficher les tables de fr\u00e9quences<\/em> au sein de la bo\u00eete de dialogue principale pour ne conserver que les indicateurs num\u00e9riques de synth\u00e8se.<\/p>\n

5. Exploration approfondie des donn\u00e9es via la commande Explorer<\/h2>\n

5.1 Mise en place de la proc\u00e9dure Explorer<\/h3>\n

La commande EXAMINE<\/code>, mat\u00e9rialis\u00e9e dans l’interface graphique sous l’appellation Explorer<\/em>, constitue sans conteste la proc\u00e9dure univari\u00e9e et bivari\u00e9e la plus avanc\u00e9e d’IBM SPSS Statistics pour l’analyse descriptive approfondie et le criblage m\u00e9thodologique rigoureux. Son acc\u00e8s s’op\u00e8re via le chemin : Analyse<\/em> > Statistiques descriptives<\/em> > Explorer…<\/em>. Con\u00e7ue \u00e0 l’origine dans l’esprit de l’analyse exploratoire des donn\u00e9es (EDA) th\u00e9oris\u00e9e par le statisticien de Princeton John W. Tukey<\/a>, cette proc\u00e9dure fusionne simultan\u00e9ment l’estimation robuste de param\u00e8tres, l’identification visuelle des distributions et la recherche syst\u00e9matique d’anomalies structurelles.<\/p>\n

La bo\u00eete de dialogue Explorer se distingue par sa structure \u00e0 compartiments multiples. Le champ sup\u00e9rieur, intitul\u00e9 Liste des variables d\u00e9pendantes :<\/em>, accueille la ou les variables quantitatives continues dont on d\u00e9sire dresser la radiographie compl\u00e8te. Juste en dessous, le champ Liste des facteurs :<\/em> autorise l’int\u00e9gration de variables qualitatives cat\u00e9gorielles (par exemple, le sexe, la pathologie ou la modalit\u00e9 de traitement). Si un ou plusieurs facteurs sont assign\u00e9s \u00e0 ce compartiment, SPSS n’ex\u00e9cute pas une analyse globale indistincte, mais d\u00e9compose instantan\u00e9ment l’int\u00e9gralit\u00e9 des calculs descriptifs et des graphiques pour chaque cellule ou sous-groupe exp\u00e9rimental constitu\u00e9 par le croisement des niveaux de facteurs.<\/p>\n

Dans la zone inf\u00e9rieure intitul\u00e9e Affichage<\/em>, le chercheur s\u00e9lectionne l’\u00e9tendue des sorties requises : Statistiques<\/em>, Graphiques<\/em> ou l’option par d\u00e9faut Les deux<\/em>. Le fait de s\u00e9lectionner \u00ab Les deux \u00bb offre un tableau de bord analytique complet, reliant directement chaque estimation num\u00e9rique \u00e0 sa repr\u00e9sentation spatiale dans le visualiseur. Enfin, le champ \u00c9tiqueter les observations par :<\/em> permet d’ins\u00e9rer une variable d’identification unique (telle que le num\u00e9ro d’anonymat du participant ID_Participant<\/code>), ce qui garantit que toute valeur aberrante rep\u00e9r\u00e9e ult\u00e9rieurement sur les graphiques sera d\u00e9sign\u00e9e par son v\u00e9ritable identifiant plut\u00f4t que par son simple rang de saisie dans le fichier.<\/p>\n

5.2 Indicateurs robustes et estimateurs M<\/h3>\n

L’un des apports majeurs de la proc\u00e9dure Explorer r\u00e9side dans la restitution syst\u00e9matique d’estimateurs robustes con\u00e7us pour pallier la vuln\u00e9rabilit\u00e9 intrins\u00e8que de la moyenne arithm\u00e9tique et de l’\u00e9cart-type face aux distributions asym\u00e9triques ou contamin\u00e9es. Le tableau descriptif principal g\u00e9n\u00e9r\u00e9 par Explorer fournit syst\u00e9matiquement la Moyenne tronqu\u00e9e \u00e0 5 %<\/em> (5% Trimmed Mean<\/em>). Pour obtenir cet indice, l’algorithme d’SPSS commence par \u00e9liminer les 5 % d’observations les plus basses et les 5 % d’observations les plus hautes de la distribution ordonn\u00e9e, puis recalcule la moyenne sur les 90 % restants. Une divergence marqu\u00e9e entre la moyenne globale et cette moyenne tronqu\u00e9e signale imm\u00e9diatement que la moyenne standard est sous l’influence disproportionn\u00e9e d’une poign\u00e9e de scores extr\u00eames situ\u00e9s dans les queues de distribution.<\/p>\n

\"\"<\/figure>\n

Le tableau rapporte \u00e9galement l’Intervalle de confiance \u00e0 95 %<\/em> bordant la moyenne observ\u00e9e, d\u00e9limitant les bornes inf\u00e9rieure et sup\u00e9rieure entre lesquelles le v\u00e9ritable param\u00e8tre populationnel a 95 % de chances de se trouver sous l’hypoth\u00e8se de r\u00e9p\u00e9tition de l’\u00e9chantillonnage. En compl\u00e9ment, l’utilisateur a la possibilit\u00e9 d’activer, via le bouton Statistiques…<\/em>, le module des Estimateurs M<\/em> (M-estimators<\/em>). Ces algorithmes it\u00e9ratifs sophistiqu\u00e9s, d\u00e9velopp\u00e9s notamment par Peter Huber, John Tukey, Frank Hampel et Andrew Andrews, attribuent des coefficients de pond\u00e9ration d\u00e9croissants aux observations au fur et \u00e0 mesure qu’elles s’\u00e9loignent du centre de la distribution.<\/p>\n

Contrairement \u00e0 une troncature abrupte qui exclut aveugl\u00e9ment un pourcentage fixe d’observations licites, les estimateurs M r\u00e9duisent graduellement le poids des donn\u00e9es distantes sans les censurer totalement. Si le jeu de donn\u00e9es est strictement conforme \u00e0 une loi de Gauss parfaite, la moyenne arithm\u00e9tique ordinaire, la moyenne tronqu\u00e9e \u00e0 5 % et l’estimateur bipo\u00efdique de Tukey (Tukey’s Biweight<\/em>) afficheront des valeurs pratiquement indiscernables. En revanche, dans le cadre de recherches psychologiques appliqu\u00e9es portant sur des populations cliniques o\u00f9 la variabilit\u00e9 comportementale est \u00e9lev\u00e9e, l’utilisation et le signalement comparatif des estimateurs M garantissent une estimation centrale d’une remarquable stabilit\u00e9 math\u00e9matique.<\/p>\n

5.3 D\u00e9tection syst\u00e9matique des valeurs aberrantes univari\u00e9es<\/h3>\n

La contamination des donn\u00e9es par des valeurs aberrantes (outliers<\/em>) constitue l’une des menaces les plus insidieuses pesant sur la validit\u00e9 statistique des conclusions scientifiques. Une valeur aberrante non d\u00e9tect\u00e9e peut cr\u00e9er une fausse corr\u00e9lation significative, faire basculer un r\u00e9sultat d’analyse de variance du c\u00f4t\u00e9 de la fausse significativit\u00e9 (erreur de type I) ou, \u00e0 l’inverse, gonfler artificiellement la variance r\u00e9siduelle au point de masquer un effet exp\u00e9rimental r\u00e9el (erreur de type II). La commande Explorer r\u00e9pond \u00e0 cet imp\u00e9ratif d’audit en int\u00e9grant une recherche syst\u00e9matique et automatis\u00e9e des d\u00e9viations univari\u00e9es.<\/p>\n

En cochant l’option Valeurs extr\u00eames<\/em> dans la sous-fen\u00eatre des statistiques d’Explorer, le logiciel produit une table d\u00e9di\u00e9e dressant l’inventaire minutieux des cinq observations les plus \u00e9lev\u00e9es et des cinq observations les plus basses pour la variable sous examen. Pour chacune de ces dix donn\u00e9es p\u00e9riph\u00e9riques, le tableau consigne le num\u00e9ro d’ordre de la ligne de donn\u00e9es correspondante (ou l’\u00e9tiquette d’identification sp\u00e9cifi\u00e9e par l’utilisateur) ainsi que la valeur exacte observ\u00e9e. Cette d\u00e9signation nominative permet au chercheur de remonter imm\u00e9diatement \u00e0 la source documentaire pour d\u00e9terminer la nature de l’anomalie.<\/p>\n

Il importe de rappeler qu’une observation extr\u00eame ne doit jamais \u00eatre supprim\u00e9e d’un simple clic par convenance sans examen raisonn\u00e9. La typologie m\u00e9thodologique distingue les valeurs aberrantes proc\u00e9durales (fautes de saisie, mauvaise manipulation des appareils de mesure, tricherie d\u00e9lib\u00e9r\u00e9e d’un sujet, non-respect av\u00e9r\u00e9 des consignes d’inclusion) et les valeurs aberrantes authentiques issues de la variabilit\u00e9 biologique ou psychologique normale de l’esp\u00e8ce humaine. Si la premi\u00e8re cat\u00e9gorie justifie une correction imm\u00e9diate ou une suppression document\u00e9e, la seconde rec\u00e8le souvent des informations cliniques d\u00e9terminantes sur la vuln\u00e9rabilit\u00e9 ou l’exceptionnalit\u00e9 de certains profils psychologiques.<\/p>\n

6. \u00c9valuation de la normalit\u00e9 et de la forme de la distribution<\/h2>\n

6.1 Mesures d’asym\u00e9trie (Skewness) et d’aplatissement (Kurtosis)<\/h3>\n

L’application de la quasi-totalit\u00e9 des mod\u00e8les statistiques param\u00e9triques classiques (tests t<\/em> de Student, ANOVA univari\u00e9e et multivari\u00e9e, corr\u00e9lations de Pearson, r\u00e9gressions lin\u00e9aires) repose sur le postulat th\u00e9orique de la distribution normale des erreurs ou des variables continues. L’\u00e9valuation de cette normalit\u00e9 d\u00e9bute par l’analyse g\u00e9om\u00e9trique des moments d’ordre 3 et 4 : le coefficient d’asym\u00e9trie (Skewness<\/em>) et le coefficient d’aplatissement (Kurtosis<\/em>), tous deux calculables via les commandes Fr\u00e9quences, Descriptives ou Explorer.<\/p>\n

L’asym\u00e9trie quantifie le degr\u00e9 d’\u00e9cart par rapport \u00e0 la sym\u00e9trie sp\u00e9culaire bilat\u00e9rale d’une courbe en cloche id\u00e9ale. Une asym\u00e9trie positive (positive skew<\/em>, sup\u00e9rieure \u00e0 z\u00e9ro) caract\u00e9rise une distribution dont la queue s’\u00e9tire de fa\u00e7on prononc\u00e9e vers la droite, indiquant une forte concentration de scores faibles et quelques valeurs extraordinairement \u00e9lev\u00e9es (comme c’est fr\u00e9quemment le cas pour les revenus, les temps de r\u00e9action ou les scores de consommation de drogues). \u00c0 l’inverse, une asym\u00e9trie n\u00e9gative (negative skew<\/em>, inf\u00e9rieure \u00e0 z\u00e9ro) refl\u00e8te une queue \u00e9tal\u00e9e vers la gauche avec une majorit\u00e9 de scores agglutin\u00e9s au sommet sup\u00e9rieur (effet de plafond psychom\u00e9trique).<\/p>\n

L’aplatissement (kurtosis) caract\u00e9rise l’\u00e9paisseur des queues de distribution et la pro\u00e9minence du sommet comparativement \u00e0 la loi normale standard. SPSS rapporte le kurtosis d’exc\u00e8s, centr\u00e9 sur z\u00e9ro. Une distribution leptokurtique (kurtosis positif sup\u00e9rieur \u00e0 z\u00e9ro) pr\u00e9sente un pic central tr\u00e8s aigu et des queues \u00e9paisses charg\u00e9es en valeurs atypiques, ce qui accro\u00eet la vuln\u00e9rabilit\u00e9 aux erreurs d’inf\u00e9rence. Une distribution platykurtique (kurtosis n\u00e9gatif inf\u00e9rieur \u00e0 z\u00e9ro) exhibe un profil \u00e9cras\u00e9 et aplati avec des queues tr\u00e8s minces. Dans la pratique, on \u00e9value la significativit\u00e9 de ces d\u00e9viations en calculant le score z<\/em> d’asym\u00e9trie (ou ratio critique) :<\/p>\n

z<\/em>skew<\/sub> = Skewness<\/em> \/ S.E.<\/em>skew<\/sub><\/p>\n

Bien qu’un seuil statistique strict rejette la normalit\u00e9 d\u00e8s que |z<\/em>| > 1,96 (au seuil alpha de 0,05), les sp\u00e9cialistes de la mod\u00e9lisation psychom\u00e9trique comme Rex B. Kline<\/a> recommandent des seuils pratiques plus tol\u00e9rants pour les donn\u00e9es psychologiques \u00e9cologiques : des valeurs absolues d’asym\u00e9trie inf\u00e9rieures \u00e0 2 et d’aplatissement inf\u00e9rieures \u00e0 7 demeurent acceptables pour la robustesse des estimateurs param\u00e9triques dans les \u00e9chantillons de taille raisonnable.<\/p>\n

6.2 Tests d’hypoth\u00e8se formels de normalit\u00e9 dans SPSS<\/h3>\n

Pour soumettre l’ajustement distributionnel \u00e0 une validation statistique formelle, le chercheur active l’option Graphiques de normalit\u00e9 avec tests<\/em> accessible via le bouton Graphiques…<\/em> de la proc\u00e9dure Explorer. Lors de l’ex\u00e9cution, SPSS calcule deux tests statistiques d’ad\u00e9quation universellement reconnus : le test de Kolmogorov-Smirnov (\u00e9quip\u00e9 de la correction de Lilliefors pour le cas o\u00f9 les param\u00e8tres de moyenne et de variance sont estim\u00e9s \u00e0 partir de l’\u00e9chantillon) et le test de Shapiro-Wilk.<\/p>\n

\"\"<\/figure>\n

Le principe g\u00e9n\u00e9ral de ces tests d’hypoth\u00e8se repose sur la formulation suivante : l’hypoth\u00e8se nulle (H<\/em>0<\/sub>) postule que la distribution empirique observ\u00e9e ne diff\u00e8re pas significativement d’une distribution normale th\u00e9orique de m\u00eame moyenne et de m\u00eame variance. D\u00e8s lors, le chercheur esp\u00e8re un r\u00e9sultat non significatif<\/strong> (c’est-\u00e0-dire une valeur p<\/em> sup\u00e9rieure au seuil conventionnel de 0,05). Si la valeur de significativit\u00e9 affich\u00e9e dans la colonne Sig.<\/em> est inf\u00e9rieure \u00e0 0,05, l’hypoth\u00e8se nulle de normalit\u00e9 est formellement rejet\u00e9e, signifiant que les donn\u00e9es s’\u00e9cartent statistiquement du mod\u00e8le gaussien.<\/p>\n

Le test de Shapiro-Wilk s’impose dans la litt\u00e9rature m\u00e9thodologique comme le test le plus puissant et le plus fiable, particuli\u00e8rement adapt\u00e9 aux \u00e9chantillons de taille mod\u00e9r\u00e9e ou r\u00e9duite (typiquement N<\/em> < 50). Toutefois, une r\u00e9serve m\u00e9thodologique d’envergure doit \u00eatre formul\u00e9e quant \u00e0 la d\u00e9pendance de ces tests \u00e0 la taille de l’\u00e9chantillon. Dans les tr\u00e8s grands \u00e9chantillons (N<\/em> > 300 ou 500), m\u00eame une distorsion microscopique et totalement triviale par rapport \u00e0 la courbe de Gauss d\u00e9clenchera in\u00e9vitablement un rejet formel (p<\/em> < 0,001) de la normalit\u00e9. \u00c0 l’oppos\u00e9, dans les tr\u00e8s petits \u00e9chantillons (N<\/em> < 20), la puissance statistique est souvent insuffisante pour d\u00e9tecter des d\u00e9viations majeures. Il est donc imprudent de fonder son diagnostic exclusivement sur ces tests d’hypoth\u00e8se sans les corroborer par une inspection visuelle minutieuse.<\/p>\n

6.3 Outils diagnostiques visuels de la normalit\u00e9<\/h3>\n

Face aux limites inh\u00e9rentes aux tests d’hypoth\u00e8se d\u00e9pendants de la puissance de l’\u00e9chantillon, l’examen des graphiques diagnostiques constitue l’\u00e9talon-or pour porter un jugement \u00e9clair\u00e9 sur la distribution d’une variable continue. La proc\u00e9dure Explorer g\u00e9n\u00e8re deux visualisations graphiques de r\u00e9f\u00e9rence : le diagramme quantile-quantile normal (Normal Q-Q Plot<\/em>) et le diagramme sans tendance (Detrended Normal Q-Q Plot<\/em>).<\/p>\n

Le graphique Q-Q plot projette sur l’axe des abscisses les quantiles th\u00e9oriques attendus sous l’hypoth\u00e8se d’une loi normale parfaite, et sur l’axe des ordonn\u00e9es les quantiles empiriques r\u00e9ellement observ\u00e9s dans le jeu de donn\u00e9es. La r\u00e9f\u00e9rence id\u00e9ale prend la forme d’une ligne droite diagonale continue. Si les donn\u00e9es de l’\u00e9chantillon sont parfaitement conformes \u00e0 la normalit\u00e9, l’ensemble des points d’observation vient se superposer \u00e9troitement \u00e0 cette diagonale th\u00e9orique. Tout comportement d\u00e9viant se traduit par des configurations g\u00e9om\u00e9triques identifiables : des points qui s’incurvent de mani\u00e8re convexe ou concave r\u00e9v\u00e8lent une asym\u00e9trie marqu\u00e9e, tandis qu’une courbure en forme de \u00ab S \u00bb aux extr\u00e9mit\u00e9s trahit un ph\u00e9nom\u00e8ne d’aplatissement (leptokurtose ou platykurtose) avec des queues anormalement \u00e9paisses ou tronqu\u00e9es.<\/p>\n

Le diagramme sans tendance (Detrended Normal Q-Q Plot<\/em>) propose une perspective compl\u00e9mentaire en repr\u00e9sentant la diff\u00e9rence arithm\u00e9tique nette entre le quantile observ\u00e9 et le quantile th\u00e9orique pour chaque niveau de score. La ligne de r\u00e9f\u00e9rence horizontale est ici fix\u00e9e \u00e0 z\u00e9ro. Dans une distribution saine, les observations oscillent de mani\u00e8re purement al\u00e9atoire et homog\u00e8ne de part et d’autre de cette ligne z\u00e9ro, sans structure apparente. L’apparition de motifs sinuso\u00efdaux structur\u00e9s ou d’entonnoirs d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 confirme que les distorsions ne sont pas de simples fluctuations al\u00e9atoires d’\u00e9chantillonnage, guidant ainsi le chercheur vers l’adoption de m\u00e9thodes non param\u00e9triques ou vers des transformations math\u00e9matiques correctrices appropri\u00e9es (telles que les transformations logarithmiques ou racine carr\u00e9e).<\/p>\n

7. Calcul de statistiques descriptives conditionnelles et par sous-groupes<\/h2>\n

7.1 Segmentation de la population avec l’instruction Scinder le fichier<\/h3>\n

Dans la conduite de protocoles de recherche en psychologie, il est rare que l’on s’int\u00e9resse uniquement au comportement global de l’\u00e9chantillon agr\u00e9g\u00e9 ; l’objectif consiste le plus souvent \u00e0 diss\u00e9quer le profil de sous-cohortes d\u00e9finies par des statuts cliniques, des tranches d’\u00e2ge ou des conditions exp\u00e9rimentales. L’instruction la plus puissante d’SPSS pour op\u00e9rer cette d\u00e9sagr\u00e9gation syst\u00e9matique est la commande Scinder le fichier<\/em> (Split File<\/em>), localis\u00e9e dans le menu sup\u00e9rieur sous : Donn\u00e9es<\/em> > Scinder le fichier…<\/em>.<\/p>\n

Une fois la bo\u00eete de dialogue ouverte, l’utilisateur a le choix entre deux modes de fonctionnement fondamentaux apr\u00e8s avoir coch\u00e9 l’option d’activation : Comparer les groupes<\/em> (qui regroupe les sorties des diff\u00e9rents sous-groupes au sein des m\u00eames tableaux pour faciliter la confrontation directe) ou Organiser les r\u00e9sultats par groupes<\/em> (qui g\u00e9n\u00e8re des blocs de tableaux totalement s\u00e9par\u00e9s et cons\u00e9cutifs pour chaque modalit\u00e9). Le chercheur s\u00e9lectionne ensuite la ou les variables de stratification (par exemple, Groupe_Clinique<\/code>) et les transf\u00e8re dans la case Groupes bas\u00e9s sur :<\/em>.<\/p>\n

D\u00e8s que cette instruction est ex\u00e9cut\u00e9e, SPSS applique un filtre de partitionnement interne invisible : toutes<\/strong> les proc\u00e9dures statistiques sollicit\u00e9es ult\u00e9rieurement (qu’il s’agisse de DESCRIPTIVES<\/code>, FREQUENCIES<\/code>, d’histogrammes ou de tests de normalit\u00e9) seront automatiquement scind\u00e9es selon les modalit\u00e9s de la variable de d\u00e9coupage. Cependant, un pi\u00e8ge r\u00e9current guette l’utilisateur distrait : ce scindement demeure actif de fa\u00e7on permanente jusqu’\u00e0 sa d\u00e9sactivation explicite. Il est donc imp\u00e9ratif, une fois les calculs conditionnels achev\u00e9s, de retourner imm\u00e9diatement dans la bo\u00eete de dialogue Scinder le fichier<\/em> et de r\u00e9enclencher l’option Analyser toutes les observations, ne pas cr\u00e9er de groupes<\/em>, sous peine de voir toutes les analyses futures segment\u00e9es de fa\u00e7on inappropri\u00e9e.<\/p>\n

7.2 Utilisation de la commande Moyennes pour les comparaisons directes<\/h3>\n

Pour les chercheurs d\u00e9sireux d’obtenir une synth\u00e8se comparative rapide de scores quantitatifs en fonction de variables ind\u00e9pendantes cat\u00e9gorielles sans devoir scinder l’ensemble de l’environnement de donn\u00e9es, la commande Moyennes<\/em> offre une ergonomie remarquable. Elle est accessible en naviguant \u00e0 travers le menu : Analyse<\/em> > Comparer les moyennes<\/em> > Moyennes…<\/em> (ou Moyennes et ANOVA \u00e0 1 facteur<\/em> selon les versions de SPSS).<\/p>\n

Dans cette interface, la variable quantitative continue d’int\u00e9r\u00eat est plac\u00e9e dans le champ Variables d\u00e9pendantes :<\/em>, tandis que les facteurs explicatifs cat\u00e9goriels sont assign\u00e9s au champ Variables ind\u00e9pendantes :<\/em>. La commande autorise un embo\u00eetement hi\u00e9rarchique complexe en exploitant le bouton Suivant<\/em> (Next), ce qui permet de croiser simultan\u00e9ment plusieurs facteurs (par exemple, analyser les scores d’anxi\u00e9t\u00e9 en fonction du sexe biologique au niveau 1, crois\u00e9 avec le niveau de s\u00e9v\u00e9rit\u00e9 du trouble au niveau 2). L’architecture g\u00e9n\u00e8re un tableau matriciel \u00e9l\u00e9gant et synth\u00e9tique pr\u00e9sentant chaque cellule d’intersection avec une grande clart\u00e9.<\/p>\n

En cliquant sur le bouton Options…<\/em> de la commande Moyennes, le statisticien peut enrichir consid\u00e9rablement le contenu informationnel de chaque cellule. Au-del\u00e0 des moyennes, effectifs et \u00e9carts-types fournis par d\u00e9faut, il est possible d’adjoindre la m\u00e9diane, la moyenne g\u00e9om\u00e9trique, la moyenne harmonique, les pourcentages d’effectifs, ainsi que des mesures de dispersion robustes. Cette proc\u00e9dure constitue le moyen le plus direct et le plus \u00e9conomique pour v\u00e9rifier l’homog\u00e9n\u00e9it\u00e9 pr\u00e9liminaire des groupes d’\u00e9tude avant de lancer formellement des analyses de variance factorielles complexes.<\/p>\n

7.3 Agr\u00e9gation de donn\u00e9es pour l’analyse au niveau du groupe<\/h3>\n

Dans les champs de la psychologie sociale, de la psychologie organisationnelle et des sciences de l’\u00e9ducation, les devis de recherche impliquent souvent des structures de donn\u00e9es hi\u00e9rarchiques ou imbriqu\u00e9es (des \u00e9l\u00e8ves nich\u00e9s au sein de classes scolaires, des patients suivis au sein de diff\u00e9rentes cliniques, ou des employ\u00e9s appartenant \u00e0 des \u00e9quipes de travail distinctes). Pour analyser des propri\u00e9t\u00e9s contextuelles \u00e9mergentes, il est souvent n\u00e9cessaire de calculer la statistique descriptive d’un groupe (par exemple, le niveau moyen de coh\u00e9sion de l’\u00e9quipe) et de r\u00e9assigner cette valeur synth\u00e9tique \u00e0 chaque individu membre de ce collectif.<\/p>\n

Cette op\u00e9ration s’effectue avec rigueur gr\u00e2ce \u00e0 la commande : Donn\u00e9es<\/em> > Agr\u00e9ger…<\/em> (Aggregate Data<\/em>). Dans l’interface d’agr\u00e9gation, la variable d\u00e9finissant l’appartenance collective (ex. : ID_Classe<\/code>) est transf\u00e9r\u00e9e dans la section Variables de rupture :<\/em> (Break Variables), tandis que la variable individuelle \u00e0 r\u00e9sumer (ex. : Score_Motivation<\/code>) est plac\u00e9e dans la section Agr\u00e9ger les variables :<\/em>. L’utilisateur clique ensuite sur Fonction…<\/em> pour choisir l’indicateur d’agr\u00e9gation requis (moyenne, m\u00e9diane, \u00e9cart-type, pourcentage au-dessus d’un seuil, etc.).<\/p>\n

SPSS offre alors trois options de destination pour les donn\u00e9es agr\u00e9g\u00e9es : cr\u00e9er un nouveau jeu de donn\u00e9es distinct, enregistrer un fichier de donn\u00e9es externe sur le disque, ou s\u00e9lectionner l’option particuli\u00e8rement f\u00e9conde : Ajouter les variables d’agr\u00e9gation au jeu de donn\u00e9es actif<\/em>. Dans ce dernier cas, SPSS ne compresse pas le fichier : il cr\u00e9e une nouvelle colonne dans la matrice courante, attribuant \u00e0 chaque participant individuel la valeur synth\u00e9tique globale de son groupe d’appartenance. Cette op\u00e9ration ouvre la voie aux analyses multiniveaux et permet d’utiliser des statistiques descriptives collectives comme pr\u00e9dicteurs au niveau micro-individuel.<\/p>\n

8. Repr\u00e9sentation graphique des statistiques descriptives sous SPSS<\/h2>\n

8.1 Histogrammes et courbes de Gauss superpos\u00e9es<\/h3>\n

L’inspection graphique constitue le prolongement visuel indispensable de toute synth\u00e8se num\u00e9rique des distributions. L’histogramme demeure la repr\u00e9sentation fondamentale pour visualiser la densit\u00e9 empirique d’une variable quantitative continue. Sous SPSS, la construction d’un histogramme rigoureux peut s’effectuer directement via le sous-menu Graphiques…<\/em> de la commande Fr\u00e9quences<\/em>, ou de fa\u00e7on plus hautement personnalisable via le G\u00e9n\u00e9rateur de graphiques<\/em> (Chart Builder<\/em>) accessible sous : Graphiques<\/em> > G\u00e9n\u00e9rateur de graphiques…<\/em>.<\/p>\n

\"\"<\/figure>\n

L’un des atouts diagnostiques majeurs de l’histogramme sous SPSS r\u00e9side dans la possibilit\u00e9 de superposer instantan\u00e9ment une courbe normale th\u00e9orique de r\u00e9f\u00e9rence calibr\u00e9e sur les param\u00e8tres empiriques de moyenne et d’\u00e9cart-type de la variable mesur\u00e9e. Pour ce faire, dans la bo\u00eete de dialogue Fr\u00e9quences, il suffit de cocher Histogrammes<\/em> puis d’activer l’option secondaire Afficher la courbe normale sur l’histogramme<\/em>. Dans le visualiseur de r\u00e9sultats, la cloche th\u00e9orique gaussienne vient se draper sur les barres rectangulaires des effectifs observ\u00e9s, permettant d’identifier imm\u00e9diatement \u00e0 l’\u0153il nu les d\u00e9ficits ou exc\u00e8s de fr\u00e9quences sur l’ensemble de l’\u00e9tendue.<\/p>\n

Un aspect critique de la manipulation des histogrammes r\u00e9side dans le calibrage de la largeur des intervalles de classe (bins<\/em>). Par d\u00e9faut, SPSS applique un algorithme de d\u00e9coupage automatique qui peut parfois lisser excessivement la distribution ou, \u00e0 l’inverse, g\u00e9n\u00e9rer un fractionnement artificiellement hach\u00e9. En double-cliquant sur le graphique dans le visualiseur, le chercheur acc\u00e8de \u00e0 l’\u00c9diteur de graphiques<\/em>, o\u00f9 il peut ajuster manuellement le nombre d’intervalles ou leur largeur absolue. Ce r\u00e9glage pr\u00e9cis est indispensable pour distinguer une distribution unimodale asym\u00e9trique d’une distribution v\u00e9ritablement bimodalement structur\u00e9e, r\u00e9v\u00e9latrice de la coexistence de deux sous-populations distinctes au sein du m\u00eame \u00e9chantillon.<\/p>\n

8.2 Diagrammes en bo\u00eete (Boxplots) pour l’examen de la dispersion<\/h3>\n

Initi\u00e9 par John Tukey, le diagramme en bo\u00eete (ou bo\u00eete \u00e0 moustaches \/ Boxplot<\/em>) figure parmi les outils graphiques les plus denses et les plus informatifs de la statistique moderne. Il synth\u00e9tise en une figure g\u00e9om\u00e9trique unique les cinq indicateurs cl\u00e9s de la distribution non-param\u00e9trique : la m\u00e9diane, le premier quartile, le troisi\u00e8me quartile, ainsi que les bornes minimales et maximales non aberrantes. Sous SPSS, les boxplots peuvent \u00eatre g\u00e9n\u00e9r\u00e9s via la proc\u00e9dure Explorer<\/em>, la commande Bo\u00eetes \u00e0 moustaches…<\/em> du menu Graphiques, ou via le G\u00e9n\u00e9rateur de graphiques.<\/p>\n

L’anatomie d’un boxplot SPSS m\u00e9rite une lecture experte : le rectangle central (la bo\u00eete) d\u00e9limite l’intervalle interquartile (IQR), s’\u00e9tendant du 25e centile (charni\u00e8re inf\u00e9rieure) au 75e centile (charni\u00e8re sup\u00e9rieure). La ligne \u00e9paisse traversant le corps de la bo\u00eete figure la m\u00e9diane empirique. La hauteur totale de la bo\u00eete refl\u00e8te ainsi directement le degr\u00e9 de variabilit\u00e9 ou de dispersion des 50 % centraux de l’\u00e9chantillon. Les segments verticaux \u00e9mergeant de part et d’autre (les moustaches) s’\u00e9tirent jusqu’\u00e0 la valeur observ\u00e9e la plus \u00e9loign\u00e9e ne d\u00e9passant pas 1,5 fois l’intervalle interquartile au-del\u00e0 des charni\u00e8res respectives.<\/p>\n

Toute donn\u00e9e se situant au-del\u00e0 de ces moustaches est explicitement identifi\u00e9e comme une anomalie distributionnelle par SPSS, qui applique un codage typographique rigoureux. Les valeurs situ\u00e9es entre 1,5 et 3 fois l’IQR au-del\u00e0 de la charni\u00e8re sont signal\u00e9es par un petit cercle<\/strong> (identifiant une valeur aberrante mod\u00e9r\u00e9e ou outlier<\/em>), tandis que les donn\u00e9es franchissant le seuil critique de 3 fois l’IQR sont marqu\u00e9es d’une \u00e9toile<\/strong> (d\u00e9signant une valeur extr\u00eame s\u00e9v\u00e8re). \u00c0 c\u00f4t\u00e9 de chaque symbole, SPSS affiche syst\u00e9matiquement le num\u00e9ro d’observation ou l’identifiant du sujet, facilitant le diagnostic clinique imm\u00e9diat. Enfin, la comparaison visuelle de boxplots juxtapos\u00e9s pour plusieurs sous-groupes permet d’\u00e9valuer de mani\u00e8re qualitative le respect du postulat d’homog\u00e9n\u00e9it\u00e9 des variances (homosc\u00e9dasticit\u00e9).<\/p>\n

8.3 Diagrammes en b\u00e2tons et diagrammes circulaires<\/h3>\n

Pour la restitution graphique des variables qualitatives nominales et ordinales, le recours aux histogrammes continus est proscrit. L’analyste se tourne alors vers les diagrammes en b\u00e2tons (Bar charts<\/em>) ou les diagrammes circulaires (Pie charts<\/em>), disponibles au sein de la commande Fr\u00e9quences ou du G\u00e9n\u00e9rateur de graphiques. Contrairement aux histogrammes o\u00f9 les rectangles sont contigus pour illustrer la continuit\u00e9 m\u00e9trique, le diagramme en b\u00e2tons impose un espacement physique net entre chaque barre, mat\u00e9rialisant visuellement la discontinuit\u00e9 ontologique s\u00e9parant des cat\u00e9gories ind\u00e9pendantes.<\/p>\n

Dans l’environnement de configuration d’SPSS, l’utilisateur a toute libert\u00e9 pour param\u00e9trer la m\u00e9trique port\u00e9e par l’axe des ordonn\u00e9es. Il est g\u00e9n\u00e9ralement pr\u00e9f\u00e9rable, dans les rapports de recherche empirique, de s\u00e9lectionner l’affichage des Pourcentages<\/em> plut\u00f4t que des Effectifs bruts<\/em>, afin de faciliter la contextualisation mentale des proportions relatives au sein de la cohorte. L’\u00e9diteur de graphiques permet en outre d’ajouter des \u00e9tiquettes de donn\u00e9es directement au sommet de chaque b\u00e2ton, mentionnant la valeur chiffr\u00e9e exacte pour une lisibilit\u00e9 optimale sans encombrer la mise en page g\u00e9n\u00e9rale.<\/p>\n

Les diagrammes circulaires (ou \u00ab camemberts \u00bb) sont \u00e9galement largement utilis\u00e9s, mais ils requi\u00e8rent une r\u00e9serve m\u00e9thodologique stricte en psychologie exp\u00e9rimentale. L’\u0153il humain \u00e9prouve une difficult\u00e9 cognitive document\u00e9e \u00e0 \u00e9valuer et comparer avec pr\u00e9cision des angles et des surfaces curvilignes. Par cons\u00e9quent, l’usage des diagrammes circulaires sous SPSS doit \u00eatre strictement restreint aux variables nominales ne comportant qu’un tr\u00e8s petit nombre de modalit\u00e9s (trois au maximum). D\u00e8s que la variable comporte quatre cat\u00e9gories ou davantage, le diagramme circulaire devient visuellement encombr\u00e9 et confus ; le diagramme en b\u00e2tons horizontaux ou verticaux s’impose alors imp\u00e9rativement pour garantir une communication scientifique non ambigu\u00eb.<\/p>\n

9. Gestion des donn\u00e9es manquantes dans les calculs descriptifs<\/h2>\n

9.1 Typologie des donn\u00e9es manquantes en psychologie<\/h3>\n

Dans l’investigation empirique humaine, la survenue de donn\u00e9es manquantes (missing data<\/em>) est une fatalit\u00e9 m\u00e9thodologique : fatigue d’un sujet en fin de protocole, panne d’un capteur \u00e9lectrodermal, refus pudique de divulguer un traumatisme d’enfance ou abandon pur et simple lors d’une \u00e9tude longitudinale (attrition exp\u00e9rimentale). L’analyste ne peut se contenter d’ignorer passivement ces trous dans la matrice ; il doit en comprendre la nature probabiliste selon le mod\u00e8le s\u00e9minal formalis\u00e9 par Donald Rubin<\/a> en 1976.<\/p>\n

Rubin postule trois m\u00e9canismes distincts g\u00e9n\u00e9rant l’absence de mesure. Le m\u00e9canisme o\u00f9 les donn\u00e9es manquent compl\u00e8tement au hasard (Missing Completely At Random<\/em>, MCAR) suppose que la probabilit\u00e9 d’absence d’une observation est totalement ind\u00e9pendante tant de la variable observ\u00e9e elle-m\u00eame que de toutes les autres variables du protocole (par exemple, une feuille de r\u00e9ponse accidentellement \u00e9gar\u00e9e par l’exp\u00e9rimentateur). Le m\u00e9canisme o\u00f9 les donn\u00e9es manquent au hasard (Missing At Random<\/em>, MAR) se produit lorsque la probabilit\u00e9 d’absence est corr\u00e9l\u00e9e \u00e0 une autre variable observ\u00e9e dans le fichier, mais pas \u00e0 la valeur manquante elle-m\u00eame (par exemple, les hommes refusent plus fr\u00e9quemment de r\u00e9pondre \u00e0 une \u00e9chelle d’anxi\u00e9t\u00e9 que les femmes, mais au sein des hommes, le refus n’est pas li\u00e9 au niveau d’anxi\u00e9t\u00e9 sous-jacent).<\/p>\n

Enfin, le m\u00e9canisme o\u00f9 le manque est non al\u00e9atoire (Missing Not At Random<\/em>, MNAR) constitue la menace la plus grave : la cause de l’absence est directement coupl\u00e9e \u00e0 la valeur th\u00e9orique non mesur\u00e9e (par exemple, les individus souffrant d’une d\u00e9pression clinique majeure omettent de remplir l’item portant sur le d\u00e9sespoir pr\u00e9cis\u00e9ment en raison de leur \u00e9tat psychique s\u00e9v\u00e8re). Ignorer le statut MNAR fausse gravement l’estimation descriptive, car la moyenne calcul\u00e9e sur les seuls cas observables sous-estimera dramatiquement la v\u00e9ritable moyenne de la population. Dans SPSS, il importe \u00e9galement de distinguer techniquement les donn\u00e9es manquantes syst\u00e8me (System-missing<\/em>, mat\u00e9rialis\u00e9es par un simple point .<\/code> dans les cellules vides) des donn\u00e9es manquantes d\u00e9finies par l’utilisateur (User-defined missing<\/em>), explicitement attribu\u00e9es \u00e0 des codes sp\u00e9cifiques.<\/p>\n

9.2 Options de traitement dans les bo\u00eetes de dialogue SPSS<\/h3>\n

Face \u00e0 la pr\u00e9sence in\u00e9vitable de cellules vides, les proc\u00e9dures d’analyse descriptive d’SPSS offrent diff\u00e9rentes modalit\u00e9s de gestion de l’exclusion, accessibles g\u00e9n\u00e9ralement sous le bouton Options…<\/em> : l’exclusion cas par cas (Pairwise deletion<\/em> \/ \u00ab Exclure les observations cas par cas \u00bb) et l’exclusion de la liste compl\u00e8te (Listwise deletion<\/em> \/ \u00ab Exclure toutes les observations incompl\u00e8tes \u00bb).<\/p>\n

Le choix entre ces deux strat\u00e9gies entra\u00eene des cons\u00e9quences m\u00e9thodologiques profondes sur la stabilit\u00e9 des indicateurs calcul\u00e9s :<\/p>\n