{"id":3564,"date":"2026-10-14T18:01:05","date_gmt":"2026-10-14T18:01:05","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-analyse-univariee-excel-exemples\/"},"modified":"2026-10-14T18:01:05","modified_gmt":"2026-10-14T18:01:05","slug":"comment-realiser-analyse-univariee-excel-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-analyse-univariee-excel-exemples","title":{"rendered":"Comment r\u00e9aliser une analyse univari\u00e9e dans Excel (avec des exemples)"},"content":{"rendered":"
Dans le champ foisonnant de l’analyse quantitative et des sciences empiriques, le traitement initial des donn\u00e9es constitue le socle sur lequel repose l’ensemble de l’\u00e9difice inf\u00e9rentiel. Qu’il s’agisse d’\u00e9valuer l’efficacit\u00e9 d’une intervention clinique en psychologie cognitive, de mesurer les fluctuations de rendements boursiers en \u00e9conomie financi\u00e8re ou de v\u00e9rifier la conformit\u00e9 d’un processus de fabrication industrielle, la tentation est grande de plonger imm\u00e9diatement au c\u0153ur de mod\u00e9lisations complexes, telles que les r\u00e9gressions multivari\u00e9es ou les analyses en composantes principales. Pourtant, s’affranchir d’un examen minutieux et m\u00e9thodique de chaque variable prise individuellement expose le chercheur et le praticien \u00e0 des biais d’interpr\u00e9tation majeurs et \u00e0 la violation fatale des postulats statistiques sous-jacents aux tests d’hypoth\u00e8ses.<\/p>\n
L’analyse univari\u00e9e s’impose ainsi non pas comme une simple \u00e9tape pr\u00e9liminaire accessoire, mais comme une discipline exploratoire et diagnostique fondamentale. Elle consiste \u00e0 d\u00e9composer le jeu de donn\u00e9es pour en scruter chaque dimension constitutive, afin d’en cartographier la tendance centrale, d’en \u00e9valuer la dispersion, d’en caract\u00e9riser la morphologie distributionnelle et d’y d\u00e9pister d’\u00e9ventuelles anomalies m\u00e9trologiques. R\u00e9alis\u00e9e avec m\u00e9thode, elle permet d’\u00e9clairer la nature intime des ph\u00e9nom\u00e8nes observ\u00e9s avant toute tentative de mise en relation bivari\u00e9e ou multivari\u00e9e.<\/p>\n
Bien que des progiciels sp\u00e9cialis\u00e9s tels que R, Python, SPSS ou Stata soient couramment mobilis\u00e9s dans les laboratoires de recherche, le tableur Microsoft Excel demeure l’environnement de calcul et de mod\u00e9lisation le plus universellement d\u00e9ploy\u00e9 dans le monde professionnel, institutionnel et acad\u00e9mique. Dot\u00e9 d’une biblioth\u00e8que de fonctions math\u00e9matiques exhaustives, d’un moteur de calcul matriciel r\u00e9actif et de fonctionnalit\u00e9s d’automatisation avanc\u00e9es comme l’Utilitaire d’analyse (Analysis ToolPak), Excel offre un cadre d’une puissance insoup\u00e7onn\u00e9e pour mener une analyse univari\u00e9e exhaustive et rigoureuse. Ce guide magistral a pour vocation de d\u00e9tailler pas \u00e0 pas, \u00e0 travers un prisme m\u00e9thodologique et pratique exigeant, l’ensemble des concepts, fonctions et visualisations indispensables pour ma\u00eetriser l’analyse univari\u00e9e sous Microsoft Excel.<\/p>\n
1. Fondements \u00e9pist\u00e9mologiques et th\u00e9oriques de l’analyse univari\u00e9e<\/h2>\n
1.1 D\u00e9finition et objectifs en m\u00e9thodologie quantitative<\/h3>\n
L’analyse univari\u00e9e trouve son ancrage \u00e9tymologique dans la concat\u00e9nation du pr\u00e9fixe latin unus<\/em> (un seul) et du substantif variabilis<\/em> (susceptible de changer). Sur le plan \u00e9pist\u00e9mologique, cette approche se d\u00e9finit comme l’exploration statistique isol\u00e9e et exhaustive d’une variable unique au sein d’une population ou d’un \u00e9chantillon d\u00e9termin\u00e9, ind\u00e9pendamment de toute corr\u00e9lation, causalit\u00e9 ou interaction avec d’autres mesures. Contrairement \u00e0 une id\u00e9e re\u00e7ue qui la rel\u00e8guerait au statut de statistique \u00e9l\u00e9mentaire, l’analyse univari\u00e9e repr\u00e9sente la pierre angulaire de l’analyse exploratoire des donn\u00e9es, conceptualis\u00e9e historiquement par le statisticien John Tukey. Son r\u00f4le premier consiste \u00e0 d\u00e9crire avec une fid\u00e9lit\u00e9 absolue la distribution empirique d’un ph\u00e9nom\u00e8ne, en r\u00e9sumant une multiplicit\u00e9 d’observations individuelles en un nombre restreint d’indicateurs num\u00e9riques intelligibles et synth\u00e9tiques.<\/p>\n
Dans la validation des donn\u00e9es empiriques, l’analyse univari\u00e9e op\u00e8re comme un filtre critique. Elle permet de s’assurer que les valeurs recueillies refl\u00e8tent fid\u00e8lement le ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 et ne constituent pas des artefacts m\u00e9thodologiques. La distinction entre les approches univari\u00e9e, bivari\u00e9e et multivari\u00e9e est d’ordre structurel : l’analyse univari\u00e9e s’int\u00e9resse \u00e0 la distribution intrins\u00e8que d’une grandeur unique (par exemple, le score d’anxi\u00e9t\u00e9 d’une cohorte) ; l’analyse bivari\u00e9e examine les covariations et d\u00e9pendances mutuelles entre deux grandeurs (la relation entre l’anxi\u00e9t\u00e9 et le temps de sommeil) ; enfin, l’analyse multivari\u00e9e mod\u00e9lise simultan\u00e9ment un r\u00e9seau complexe de d\u00e9pendances conditionnelles et d’interactions crois\u00e9es (l’impact conjoint de l’anxi\u00e9t\u00e9, du sommeil, du statut socio-\u00e9conomique et de marqueurs g\u00e9n\u00e9tiques sur la r\u00e9ussite acad\u00e9mique). Omettre l’\u00e9tape univari\u00e9e revient \u00e0 concevoir un mod\u00e8le architectural complexe sans avoir pr\u00e9alablement v\u00e9rifi\u00e9 la composition min\u00e9ralogique et la r\u00e9sistance des fondations mat\u00e9rielles.<\/p>\n
Dans les disciplines relevant des sciences humaines, du comportement et de la psychom\u00e9trie, l’analyse univari\u00e9e assume une fonction essentielle d’\u00e9talonnage et de standardisation d’instruments d’\u00e9valuation. Lors du d\u00e9veloppement d’une \u00e9chelle psychom\u00e9trique mesurant des construits latents non observables directement (tels que la r\u00e9silience, la d\u00e9pression ou l’intelligence \u00e9motionnelle), l’\u00e9valuation univari\u00e9e de chaque item permet de d\u00e9celer les effets de plancher ou de plafond. Elle indique si les propositions formul\u00e9es parviennent \u00e0 discriminer convenablement les sujets le long du continuum du trait mesur\u00e9. Pour approfondir les m\u00e9canismes de standardisation de ces mesures, on pourra consulter les ressources de l’American Psychological Association<\/a>, qui r\u00e9git les standards m\u00e9thodologiques de la discipline.<\/p>\n
Coefficient de variation, \u00c9cart-type<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
1.3 Place de l’analyse univari\u00e9e dans la d\u00e9marche scientifique<\/h3>\n
Loin d’\u00eatre un exercice de style purement descriptif, l’analyse univari\u00e9e remplit trois fonctions \u00e9pist\u00e9miques majeures dans le cadre d’une d\u00e9marche empirique rigoureuse : la v\u00e9rification des postulats, le contr\u00f4le de la qualit\u00e9 des donn\u00e9es et l’\u00e9mergence d’hypoth\u00e8ses heuristiques. En premier lieu, la plupart des mod\u00e8les inf\u00e9rentiels param\u00e9triques (tels que le test t<\/em> de Student, l’analyse de variance factorielle ou la r\u00e9gression lin\u00e9aire ordinaire) reposent sur l’hypoth\u00e8se explicite que les r\u00e9sidus ou les variables d\u00e9pendantes suivent une loi normale au sein de la population parente. L’examen univari\u00e9 de la distribution via l’analyse de la sym\u00e9trie et de l’aplatissement permet d’\u00e9valuer la l\u00e9gitimit\u00e9 de ces pr\u00e9requis math\u00e9matiques et d’orienter le chercheur vers des alternatives robustes ou des mod\u00e9lisations non param\u00e9triques si ces crit\u00e8res ne sont pas honor\u00e9s.<\/p>\n
En second lieu, l’analyse univari\u00e9e repr\u00e9sente la sentinelle par excellence contre les d\u00e9faillances m\u00e9trologiques, les biais d’\u00e9chantillonnage et les grossi\u00e8res erreurs de saisie humaine. La consultation d’un simple tableau de minimums et de maximums permet d’identifier instantan\u00e9ment une valeur biom\u00e9trique biologiquement impossible (comme un \u00e2ge de 250 ans ou une pression art\u00e9rielle systolique n\u00e9gative), cons\u00e9cutive \u00e0 une coquille typographique lors de la num\u00e9risation des protocoles d’enqu\u00eate. Enfin, le profilage des distributions stimule l’intuition scientifique : la d\u00e9couverte inattendue d’une distribution bimodale dans ce que l’on pr\u00e9sumait \u00eatre un \u00e9chantillon homog\u00e8ne signale fr\u00e9quemment l’existence d’une sous-population latente ou d’un facteur mod\u00e9rateur non identifi\u00e9 a priori, g\u00e9n\u00e9rant ainsi de nouvelles pistes de recherche avant m\u00eame d’avoir proc\u00e9d\u00e9 aux tests d’hypoth\u00e8ses programm\u00e9s.<\/p>\n
2. Pr\u00e9paration et structuration rigoureuse des donn\u00e9es sous Excel<\/h2>\n
2.1 Formatage et hygi\u00e8ne des feuilles de calcul<\/h3>\n
La cr\u00e9dibilit\u00e9 d’une investigation quantitative d\u00e9pend de la rigueur architecturale de la base de donn\u00e9es brute. Dans un tableur tel que Microsoft Excel, il est imp\u00e9ratif d’adopter sans compromis une organisation matricielle normalis\u00e9e de type \u00ab donn\u00e9es tabulaires \u00bb (ou tidy data<\/em>). Cette convention repose sur une r\u00e8gle simple mais intangible : chaque ligne doit correspondre de mani\u00e8re univoque \u00e0 une seule unit\u00e9 d’\u00e9chantillonnage ou sujet d’exp\u00e9rimentation (l’observation), tandis que chaque colonne doit repr\u00e9senter exclusivement une et une seule variable mesur\u00e9e. Les croisements non conformes, les tableaux empil\u00e9s sur une m\u00eame feuille ou les cellules de r\u00e9sum\u00e9 intercal\u00e9es au milieu des s\u00e9ries de donn\u00e9es sont \u00e0 proscrire formellement, car ils corrompent les plages de r\u00e9f\u00e9rence utilis\u00e9es par les algorithmes de calcul automatique.<\/p>\n
La premi\u00e8re colonne d’une matrice exp\u00e9rimentale bien con\u00e7ue doit imp\u00e9rativement \u00eatre r\u00e9serv\u00e9e \u00e0 l’attribution d’un identifiant unique (ID) anonymis\u00e9 pour chaque observation (par exemple, SUJ_001<\/code>, SUJ_002<\/code>). Cet identifiant constitue la cl\u00e9 primaire assurant la tra\u00e7abilit\u00e9 continue de l’information. Concernant la ligne d’en-t\u00eate (situ\u00e9e syst\u00e9matiquement en ligne 1), il convient d’adopter des conventions de nommage standardis\u00e9es : pas d’espaces (remplac\u00e9s par des tirets bas ou l’usage du format CamelCase), aucun caract\u00e8re accentu\u00e9 ni caract\u00e8re sp\u00e9cial susceptible de provoquer des erreurs de syntaxe lors de l’exportation vers des langages d’analyse statistique comme R ou Python. Par exemple, au lieu de nommer une variable \u00ab R\u00e9action \u00e0 l’\u00e9preuve n\u00b01 (en secondes) \u00bb, on privil\u00e9giera Temps_Reaction_Epreuve1_Sec<\/code>.<\/p>\n
L’hygi\u00e8ne informatique sous Excel impose \u00e9galement une gestion rigoureuse des types de donn\u00e9es sous-jacents aux cellules. Excel classifie nativement ses entr\u00e9es sous divers formats : num\u00e9rique, texte, date, bool\u00e9en. Il arrive fr\u00e9quemment que des chiffres soient import\u00e9s par inadvertance sous un format texte (souvent signal\u00e9s par un petit triangle vert d’avertissement dans le coin sup\u00e9rieur gauche de la cellule ou par un alignement automatique \u00e0 gauche par d\u00e9faut). Si des valeurs num\u00e9riques sont trait\u00e9es comme des cha\u00eenes textuelles, les fonctions d’agr\u00e9gation statistique renverront un r\u00e9sultat nul ou erron\u00e9 sans n\u00e9cessairement g\u00e9n\u00e9rer de message d’alerte explicite. Enfin, une r\u00e8gle d’or immuable consiste \u00e0 sanctuariser les donn\u00e9es brutes : la feuille de calcul d’origine doit \u00eatre verrouill\u00e9e en lecture seule et dupliqu\u00e9e sous un nouvel onglet de travail (par exemple, Data_Working<\/code>) avant toute op\u00e9ration de nettoyage, de tri ou de recodage, garantissant ainsi l’int\u00e9grit\u00e9 de la tra\u00e7abilit\u00e9 exp\u00e9rimentale.<\/p>\n
2.2 Traitement des valeurs manquantes et incoh\u00e9rentes<\/h3>\n
Dans toute campagne de collecte empirique, l’exhaustivit\u00e9 totale rel\u00e8ve de l’exception : des r\u00e9pondants omettent de renseigner certains items, des capteurs \u00e9lectroniques subissent des micro-coupures de signal, ou des \u00e9chantillons biologiques s’av\u00e8rent inexploitables. L’identification rigoureuse de ces cellules vides s’effectue sous Excel \u00e0 l’aide de formules d\u00e9di\u00e9es. La fonction =NB.VIDE(A2:A151)<\/code> renvoie le d\u00e9compte absolu des valeurs absentes sur la plage sp\u00e9cifi\u00e9e, tandis que la combinaison conditionnelle =ESTVIDE(A2)<\/code> permet d’isoler au cas par cas le statut d’une cellule dans une colonne de contr\u00f4le logique.<\/p>\n
La gestion s\u00e9miotique des donn\u00e9es manquantes doit \u00eatre standardis\u00e9e selon les conventions de la psychom\u00e9trie et de la statistique descriptive. Laisser une cellule purement vide sous Excel peut \u00eatre source de confusion pour certains modules analytiques qui oscillent entre l’interpr\u00e9tation d’un vide comme une valeur nulle (0) ou comme une valeur non renseign\u00e9e (missing value<\/em>). L’attribution de codes explicites tels que NA<\/code> (Not Available) ou NR<\/code> (Non Renseign\u00e9) est recommand\u00e9e dans la phase descriptive. Si la cha\u00eene textuelle risque de perturber des fonctions num\u00e9riques strictes, l’utilisation de valeurs num\u00e9riques sentinelles conventionnelles (comme -999<\/code>) peut \u00eatre envisag\u00e9e, \u00e0 la condition expresse d’exclure rigoureusement ce code num\u00e9rique des plages de calcul statistique via des filtres ou des formules conditionnelles (ex. : =MOYENNE.SI(A2:A151; \">-900\")<\/code>).<\/p>\n
Face aux valeurs manquantes, deux grandes strat\u00e9gies m\u00e9thodologiques s’opposent : l’exclusion pure et simple (suppression par liste ou par observation univari\u00e9e) et l’imputation de donn\u00e9es. Dans le cadre strict d’une analyse univari\u00e9e sur de grands \u00e9chantillons, l’exclusion ponctuelle est souvent privil\u00e9gi\u00e9e si le m\u00e9canisme de disparition est al\u00e9atoire. Cependant, sur des cohortes restreintes, l’imputation univari\u00e9e peut \u00eatre mise en \u0153uvre directement sous Excel, soit par la substitution par la moyenne arithm\u00e9tique de la s\u00e9rie, soit pr\u00e9f\u00e9rentiellement par la m\u00e9diane pour les distributions asym\u00e9triques. Enfin, le d\u00e9pistage des valeurs incoh\u00e9rentes ou hors plage s’appuie \u00e9l\u00e9gamment sur l’outil natif de Validation des donn\u00e9es<\/strong> d’Excel (accessible via l’onglet Donn\u00e9es<\/em>). Il permet de contraindre une colonne \u00e0 n’accepter que des nombres entiers compris dans un intervalle strict (par exemple, de 1 \u00e0 7 pour une \u00e9chelle de Likert \u00e0 7 points), rejetant imm\u00e9diatement toute valeur aberrante lors de la saisie ou surlignant r\u00e9trospectivement les entr\u00e9es non conformes via la commande \u00ab Entourer les donn\u00e9es non valides \u00bb.<\/p>\n
2.3 Transformation et recodage pr\u00e9alable des items<\/h3>\n
L’une des \u00e9tapes pr\u00e9paratoires fondamentales en analyse univari\u00e9e concerne la transformation et le recodage des variables avant tout calcul d’indicateurs agr\u00e9g\u00e9s. En psychom\u00e9trie, la plupart des batteries de tests int\u00e8grent intentionnellement des items formul\u00e9s de mani\u00e8re n\u00e9gative (items invers\u00e9s) afin de neutraliser le biais d’acquiescement, c’est-\u00e0-dire la tendance syst\u00e9matique de certains r\u00e9pondants \u00e0 cocher les modalit\u00e9s d’accord ind\u00e9pendamment de la s\u00e9mantique de l’\u00e9nonc\u00e9. Avant d’agr\u00e9ger ces donn\u00e9es, il est requis de proc\u00e9der \u00e0 leur inversion arithm\u00e9tique. Si l’on administre une \u00e9chelle d’\u00e9valuation de l’optimisme mesur\u00e9e de 1 \u00e0 5, un item invers\u00e9 (mesurant en r\u00e9alit\u00e9 le pessimisme) doit \u00eatre transform\u00e9 selon la formule alg\u00e9brique :<\/p>\n
Dans l’environnement Excel, pour une \u00e9chelle born\u00e9e entre 1 et 5 o\u00f9 la note brute se situe en cellule B2<\/code>, la formule s’\u00e9crit tout simplement : =(5 + 1) - B2<\/code>, soit =6 - B2<\/code>. Cette op\u00e9ration \u00e9l\u00e9mentaire r\u00e9tablit la polarit\u00e9 axiale du construit psychologique mesur\u00e9.<\/p>\n
Une autre transformation univari\u00e9e incontournable est la standardisation des scores sous la forme de cotes centr\u00e9es r\u00e9duites, universellement d\u00e9sign\u00e9es sous le vocable de scores Z. Le score Z exprime la distance s\u00e9parant une observation particuli\u00e8re de la moyenne arithm\u00e9tique de son groupe de r\u00e9f\u00e9rence, exprim\u00e9e en unit\u00e9s d’\u00e9cart-type. Sa formule math\u00e9matique canonique est :<\/p>\n
z = (x – \u03bc) \/ \u03c3<\/p>\n
Dans Excel, cette standardisation s’ex\u00e9cute de fa\u00e7on dynamique pour une valeur situ\u00e9e en C2<\/code> via la formule =(C2 - MOYENNE($C$<\/span>2:$C$<\/span>151)) \/ ECARTYPE.STANDARD($C$<\/span>2:$C$<\/span>151)<\/code>, ou de mani\u00e8re encore plus directe gr\u00e2ce \u00e0 la fonction statistique d\u00e9di\u00e9e =CENTREE.REDUITE(C2; MOYENNE($C$<\/span>2:$C$<\/span>151); ECARTYPE.STANDARD($C$<\/span>2:$C$<\/span>151))<\/code>. Enfin, le chercheur a souvent besoin de discr\u00e9tiser une variable continue en classes ordinales (par exemple, regrouper des \u00e2ges en cohortes d\u00e9cennales). Cette op\u00e9ration s’impl\u00e9mente avec \u00e9l\u00e9gance sous Excel par le truchement de la fonction RECHERCHEV<\/code> configur\u00e9e avec une correspondance approximative (argument VRAI<\/code> ou omis), s’appuyant sur une table de bornes inf\u00e9rieures ordonn\u00e9es au pr\u00e9alable.<\/p>\n
3. Mesures de tendance centrale : Fondements math\u00e9matiques et fonctions Excel<\/h2>\n
3.1 La moyenne arithm\u00e9tique : Calcul et sensibilit\u00e9<\/h3>\n
La moyenne arithm\u00e9tique repr\u00e9sente sans conteste l’indicateur de tendance centrale le plus abondamment calcul\u00e9, tant dans la litt\u00e9rature savante que dans les rapports op\u00e9rationnels. Sur le plan de la physique math\u00e9matique, la moyenne se con\u00e7oit comme le centre de gravit\u00e9 d’une distribution : elle est le point exact d’\u00e9quilibre m\u00e9canique autour duquel la somme alg\u00e9brique des \u00e9carts individuels est rigoureusement \u00e9gale \u00e0 z\u00e9ro. Pour un \u00e9chantillon compos\u00e9 de n<\/em> observations r\u00e9elles not\u00e9es xi<\/sub><\/em>, la formulation math\u00e9matique s’\u00e9tablit comme suit :<\/p>\n
Dans l’\u00e9cosyst\u00e8me d’Excel, l’\u00e9valuation de cette grandeur s’effectue au moyen de la fonction native =MOYENNE(plage)<\/code>, comme par exemple =MOYENNE(D2:D151)<\/code>. Cette fonction poss\u00e8de l’avantage d’ignorer automatiquement les cellules textuelles ou strictement vides au sein de la plage s\u00e9lectionn\u00e9e, ne divisant la somme que par le nombre r\u00e9el de valeurs num\u00e9riques d\u00e9tect\u00e9es.<\/p>\n
Toutefois, cette \u00e9l\u00e9gance arithm\u00e9tique masque une vuln\u00e9rabilit\u00e9 m\u00e9thodologique majeure : une sensibilit\u00e9 exacerb\u00e9e aux valeurs extr\u00eames, commun\u00e9ment appel\u00e9es donn\u00e9es aberrantes ou outliers<\/em>. \u00c9tant donn\u00e9 que chaque valeur participe directement et proportionnellement \u00e0 la constitution de la somme globale, une unique observation d\u00e9mesur\u00e9ment \u00e9lev\u00e9e ou faible suffit \u00e0 d\u00e9placer substantiellement le centre de gravit\u00e9 de la distribution vers l’une des queues, faussant la repr\u00e9sentativit\u00e9 du param\u00e8tre pour caract\u00e9riser le profil typique de l’\u00e9chantillon. Pour pallier cette instabilit\u00e9 lors du traitement de distributions asym\u00e9triques ou contamin\u00e9es par du bruit exp\u00e9rimental, les statisticiens recourent \u00e0 la moyenne tronqu\u00e9e (ou trimmed mean<\/em>). Excel offre \u00e0 cet \u00e9gard une fonction particuli\u00e8rement performante : =MOYENNE.REDUITE(plage; proportion)<\/code>. Par exemple, la syntaxe =MOYENNE.REDUITE(D2:D151; 0,10)<\/code> \u00e9liminera les 10 % d’observations les plus extr\u00eames (5 % au plancher et 5 % au plafond) avant de calculer la moyenne des 90 % restants, fournissant un compromis d’une robustesse remarquable.<\/p>\n<\/figure>\n
3.2 La m\u00e9diane : Valeur de position et robustesse<\/h3>\n
Face aux \u00e9cueils de la moyenne arithm\u00e9tique, la m\u00e9diane se pr\u00e9sente comme l’indicateur de position et de tendance centrale robuste par excellence. D\u00e9finie sur un plan purement ordinal, la m\u00e9diane constitue la valeur centrale qui partitionne une s\u00e9rie statistique ordonn\u00e9e en deux effectifs rigoureusement identiques : exactement 50 % des observations lui sont inf\u00e9rieures ou \u00e9gales, et 50 % lui sont sup\u00e9rieures ou \u00e9gales. Si l’\u00e9chantillon comprend un effectif n<\/em> impair, la m\u00e9diane correspond pr\u00e9cis\u00e9ment \u00e0 la valeur positionn\u00e9e au rang (n + 1) \/ 2<\/code>. Lorsque l’effectif n<\/em> est pair, la m\u00e9diane s’obtient classiquement par la demi-somme des deux valeurs occupant respectivement les rangs centraux n \/ 2<\/code> et (n \/ 2) + 1<\/code>.<\/p>\n
L’impl\u00e9mentation algorithmique de cette statistique dans Excel ne requiert aucun tri pr\u00e9alable des donn\u00e9es brutes par l’utilisateur ; le moteur sous-jacent ex\u00e9cute le tri de mani\u00e8re virtuelle et instantan\u00e9e via la fonction =MEDIANE(plage)<\/code> (par exemple, =MEDIANE(D2:D151)<\/code>). La propri\u00e9t\u00e9 essentielle de la m\u00e9diane r\u00e9side dans sa r\u00e9sistance absolue aux aberrations exp\u00e9rimentales : que la valeur maximale observ\u00e9e d’une s\u00e9rie soit de 100 ou qu’elle soit remplac\u00e9e accidentellement par 1 000 000 \u00e0 la suite d’un d\u00e9calage d\u00e9cimal, la m\u00e9diane demeurera rigoureusement inchang\u00e9e.<\/p>\n
Cette insensibilit\u00e9 aux extr\u00eames fait de la m\u00e9diane le rapporteur central incontournable pour l’\u00e9tude des grandeurs hautement asym\u00e9triques en sciences sociales et biom\u00e9dicales. C’est le cas paradigmatique des distributions de revenus, du patrimoine des m\u00e9nages, des temps de survie post-th\u00e9rapeutiques en oncologie ou des dur\u00e9es de latence cognitive dans les \u00e9preuves de temps de r\u00e9action informatis\u00e9es. Les normes de publication scientifique en psychologie recommandent de syst\u00e9matiquement privil\u00e9gier ou adjoindre la m\u00e9diane \u00e0 la moyenne d\u00e8s lors que les donn\u00e9es s’\u00e9cartent manifestement d’un profil sym\u00e9trique gaussien.<\/p>\n
3.3 Le mode : Indicateur de fr\u00e9quence dominante<\/h3>\n
Le mode (ou valeur modale) correspond au score, \u00e0 la modalit\u00e9 ou \u00e0 la classe qui enregistre l’effectif ou la fr\u00e9quence d’apparition la plus \u00e9lev\u00e9e au sein de la s\u00e9rie statistique. Il repr\u00e9sente en termes graphiques le point culminant, ou pic de densit\u00e9, de l’histogramme des fr\u00e9quences. Contrairement \u00e0 la moyenne et \u00e0 la m\u00e9diane, le mode est la seule mesure de tendance centrale universellement applicable \u00e0 l’ensemble des \u00e9chelles de mesure, y compris les variables purement qualitatives nominales pour lesquelles aucune op\u00e9ration de somme ou d’ordonnancement n’a de sens (par exemple, d\u00e9terminer le profil de diagnostic psychopathologique le plus fr\u00e9quemment pos\u00e9 dans un service hospitalier).<\/p>\n
Microsoft Excel propose deux d\u00e9clinaisons algorithmiques distinctes pour \u00e9valuer la modalit\u00e9 num\u00e9rique d’une s\u00e9rie :<\/p>\n
\n
=MODE.SIMPLE(plage)<\/code> : Cette fonction renvoie la premi\u00e8re valeur modale univoque rencontr\u00e9e. Toutefois, si la distribution comporte plusieurs maxima locaux d’\u00e9gale fr\u00e9quence, cette fonction tronque la r\u00e9alit\u00e9 analytique en ne restituant qu’un seul sommet arbitraire.<\/li>\n
=MODE.MULTIPLE(plage)<\/code> : Introduite pour g\u00e9rer la bimodalit\u00e9 et la multimodalit\u00e9, cette fonction matricielle dynamique renvoie l’ensemble des valeurs modales ex \u00e6quo sous la forme d’un vecteur vertical \u00e9tendu automatiquement sur les versions modernes d’Excel.<\/li>\n<\/ul>\n
L’interpr\u00e9tation des profils multimodaux s’av\u00e8re particuli\u00e8rement riche dans l’analyse comportementale. L’identification d’une distribution bimodale dans une batterie de tests psychotechniques ne doit jamais \u00eatre assimil\u00e9e \u00e0 un bruit de mesure al\u00e9atoire. Elle met presque invariablement en \u00e9vidence l’agr\u00e9gation non contr\u00f4l\u00e9e de deux sous-populations distinctes au sein du m\u00eame groupe exp\u00e9rimental (par exemple, des experts employant une strat\u00e9gie cognitive heuristique face \u00e0 des novices appliquant un raisonnement s\u00e9quentiel laborieux). Le mode permet alors de documenter ces polarisations comportementales avec une nettet\u00e9 qu’une moyenne globale masquerait irr\u00e9m\u00e9diablement.<\/p>\n
3.4 Crit\u00e8res de s\u00e9lection entre moyenne, m\u00e9diane et mode<\/h3>\n
Le choix raisonn\u00e9 du param\u00e8tre central pour r\u00e9sumer une distribution statistique continue d\u00e9pend fondamentalement de la configuration g\u00e9om\u00e9trique de la courbe de densit\u00e9 et de l’alignement mutuel des trois indicateurs. Dans le cas id\u00e9al d’une distribution parfaitement sym\u00e9trique et unimodale (incarn\u00e9e par la courbe de Gauss ou loi normale), la moyenne arithm\u00e9tique, la m\u00e9diane et le mode co\u00efncident th\u00e9oriquement en un point d’inflexion unique :<\/p>\n
Moyenne = M\u00e9diane = Mode<\/p>\n
D\u00e8s lors que la distribution pr\u00e9sente une asym\u00e9trie marqu\u00e9e vers la droite (\u00e9talement positif), la moyenne est aspir\u00e9e par les valeurs extr\u00eames situ\u00e9es dans la longue tra\u00eene sup\u00e9rieure, tandis que le mode demeure fix\u00e9 sur le pic de densit\u00e9 originel et que la m\u00e9diane s’\u00e9tablit \u00e0 une position interm\u00e9diaire d’\u00e9quilibre ordinal. On observe alors la relation d’in\u00e9galit\u00e9 classique : Mode < M\u00e9diane < Moyenne<\/code>. Inversement, en pr\u00e9sence d’une asym\u00e9trie vers la gauche (\u00e9talement n\u00e9gatif), la relation s’inverse sym\u00e9triquement : Moyenne < M\u00e9diane < Mode<\/code>.<\/p>\n
Les directives m\u00e9thodologiques internationales prescrivent d\u00e8s lors les r\u00e8gles de d\u00e9cision suivantes :<\/p>\n
\n
Pour les variables quantitatives continues r\u00e9pondant au postulat de normalit\u00e9 : rapporter prioritairement la moyenne arithm\u00e9tique<\/strong> (associ\u00e9e \u00e0 l’\u00e9cart-type), car elle mobilise la totalit\u00e9 de l’information quantitative disponible et dispose d’une efficacit\u00e9 d’\u00e9chantillonnage sup\u00e9rieure.<\/li>\n
Pour les variables quantitatives manifestant une asym\u00e9trie prononc\u00e9e, des queues \u00e9paisses ou pollu\u00e9es par des valeurs extr\u00eames av\u00e9r\u00e9es : rapporter la m\u00e9diane<\/strong> (associ\u00e9e \u00e0 l’\u00e9cart interquartile) \u00e0 titre d’estimateur central non biais\u00e9.<\/li>\n
Pour les variables ordinales strictes (scores discrets sur \u00e9chelles sans m\u00e9trique continue) : privil\u00e9gier la m\u00e9diane<\/strong> ou le mode<\/strong>.<\/li>\n
Pour les variables nominales qualitatives : restreindre imp\u00e9rativement le rapportage au mode<\/strong> (accompagn\u00e9 des fr\u00e9quences absolues et relatives).<\/li>\n<\/ul>\n
4. Mesures de dispersion : Analyse de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des scores<\/h2>\n
4.1 \u00c9tendue et \u00e9cart interquartile<\/h3>\n
D\u00e9crire une distribution statistique par sa seule tendance centrale revient \u00e0 tronquer la r\u00e9alit\u00e9 scientifique. Deux \u00e9chantillons exp\u00e9rimentaux distincts peuvent afficher une moyenne rigoureusement identique de 100 points, tout en pr\u00e9sentant des profils ph\u00e9nom\u00e9nologiques radicalement oppos\u00e9s : le premier regroupant des scores ultra-concentr\u00e9s entre 98 et 102, le second dispersant ses valeurs de 20 \u00e0 180. L’\u00e9valuation de la dispersion mesure la variabilit\u00e9, l’incertitude ou l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 intrins\u00e8que des donn\u00e9es.<\/p>\n
La mesure la plus intuitive de la dispersion est l’\u00e9tendue (ou range<\/em>), qui quantifie l’espacement total s\u00e9parant la valeur minimale de la valeur maximale observ\u00e9e. Dans Excel, cette m\u00e9trique s’obtient instantan\u00e9ment par la soustraction arithm\u00e9tique : =MAX(plage) - MIN(plage)<\/code>. Si l’\u00e9tendue offre une vision d’ensemble du spectre de la variable, elle s’av\u00e8re d’une instabilit\u00e9 r\u00e9dhibitoire, puisqu’elle d\u00e9pend exclusivement de deux points extr\u00eames de la distribution, se trouvant de fait surexpos\u00e9e aux fluctuations d’\u00e9chantillonnage et aux erreurs de saisie.<\/p>\n
Pour s’affranchir de cette fragilit\u00e9, la d\u00e9composition fractile en quartiles s’impose comme une alternative robuste. Les quartiles fractionnent la distribution tri\u00e9e en quatre portions d’effectifs \u00e9gaux \u00e0 25 %. Le premier quartile (Q1) isole les 25 % des valeurs les plus basses, tandis que le troisi\u00e8me quartile (Q3) s\u00e9pare les 75 % des valeurs inf\u00e9rieures des 25 % des valeurs les plus \u00e9lev\u00e9es. Microsoft Excel int\u00e8gre deux algorithmes de calcul des quartiles, dont la divergence math\u00e9matique doit \u00eatre scrupuleusement comprise par le chercheur :<\/p>\n
\n
=QUARTILE.INC(plage; quart)<\/code> : Impl\u00e9mente la m\u00e9thode inclusive, o\u00f9 les percentiles 0 et 1 correspondent respectivement au minimum et au maximum r\u00e9els de l’\u00e9chantillon. C’est l’algorithme standard traditionnel d’Excel.<\/li>\n
=QUARTILE.EXC(plage; quart)<\/code> : Impl\u00e9mente la m\u00e9thode exclusive, qui consid\u00e8re que la population parente s’\u00e9tend au-del\u00e0 des bornes observ\u00e9es dans l’\u00e9chantillon empirique. Cette m\u00e9thode est pr\u00e9conis\u00e9e par de nombreux manuels d’\u00e9conom\u00e9trie et de statistique avanc\u00e9e, mais n\u00e9cessite un effectif d’\u00e9chantillon suffisant pour \u00e9viter les erreurs d’ex\u00e9cution.<\/li>\n<\/ul>\n
L’\u00e9cart interquartile (EIQ ou IQR en anglais) mesure la largeur de l’intervalle h\u00e9bergeant les 50 % centraux de la cohorte d’\u00e9tude. Il s’\u00e9value sous Excel par la diff\u00e9rence : =QUARTILE.INC(plage; 3) - QUARTILE.INC(plage; 1)<\/code>. Dot\u00e9 d’une insensibilit\u00e9 remarquable aux observations extr\u00eames, l’\u00e9cart interquartile constitue l’associ\u00e9 descriptif naturel de la m\u00e9diane pour toutes les m\u00e9triques non gaussiennes.<\/p>\n
4.2 Variance et \u00e9cart-type de l’\u00e9chantillon<\/h3>\n
Lorsque la distribution r\u00e9pond aux crit\u00e8res de m\u00e9trique continue et de quasi-sym\u00e9trie, l’\u00e9cart-type (ou d\u00e9viation standard) s’\u00e9tablit comme le param\u00e8tre d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 pr\u00e9\u00e9minent. La gen\u00e8se math\u00e9matique de l’\u00e9cart-type passe par la notion d’\u00e9cart \u00e0 la moyenne. Comme la somme simple des d\u00e9viations (xi<\/sub> - x\u0304)<\/code> s’annule obligatoirement par compensation m\u00e9canique, la solution th\u00e9orique consiste \u00e0 \u00e9lever ces \u00e9carts au carr\u00e9 pour les rendre universellement positifs, puis \u00e0 calculer leur moyenne : ce r\u00e9sultat d\u00e9finit la variance statistique (s\u00b2).<\/p>\n
Toutefois, une distinction m\u00e9thodologique majeure intervient selon que l’analyse porte sur la population exhaustive ou sur un \u00e9chantillon extrait par sondage. Lorsque l’on travaille sur un \u00e9chantillon pour inf\u00e9rer les param\u00e8tres de la population, la somme des carr\u00e9s des \u00e9carts doit \u00eatre divis\u00e9e non pas par l’effectif n<\/em>, mais par ses degr\u00e9s de libert\u00e9 r\u00e9siduels, soit (n - 1)<\/code>. Cette manipulation est connue sous le nom de correction de Bessel<\/strong>. L’omission de cette correction produit un biais syst\u00e9matique sous-estimant la dispersion r\u00e9elle de la population parente. L’\u00e9cart-type correspond ensuite \u00e0 la racine carr\u00e9e positive de la variance, ce qui lui conf\u00e8re l’immense avantage pratique de s’exprimer rigoureusement dans la m\u00eame unit\u00e9 de mesure physique ou psychom\u00e9trique que la variable d’origine.<\/p>\n
Excel traduit cette distinction fondamentale \u00e0 travers des fonctions sp\u00e9cialis\u00e9es distinctes :<\/p>\n
\n
=ECARTYPE.STANDARD(plage)<\/code> : Calcule l’\u00e9cart-type d’\u00e9chantillon sans biais, en divisant par (n - 1)<\/code>. C’est cette formule qu’il convient de mobiliser dans 99 % des recherches empiriques o\u00f9 l’on analyse une cohorte pour en g\u00e9n\u00e9raliser les enseignements.<\/li>\n
=ECARTYPE.PEARSON(plage)<\/code> : Calcule l’\u00e9cart-type de la population exhaustive, en divisant strictement par N<\/em>. \u00c0 r\u00e9server exclusivement aux situations o\u00f9 la base de donn\u00e9es recense l’int\u00e9gralit\u00e9 exhaustive sans exception d’une population finie (ex. : la totalit\u00e9 des employ\u00e9s d’une entreprise sp\u00e9cifique).<\/li>\n<\/ul>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/univariate1.png\")
<\/figure>\n![\"Univariate](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/univariate2.png\")