D p a r t e m e n t de s Sc i e n c e s de l E d u c a t i o n

Sec tion franaise Route de Faucigny 2 CH-1700 Fribourg

Petit aide-mmoire SPSS

SPSS 6

Contenu

Codage des donnes

Prsentation des donnes Passage d'un fichier de Excel SPSS Utilisation de quelques fonctions sur SPSS
Mettre des tiquettes (labels) une variable et ses modalits Calculer une nouvelle variable sur la base de donnes Recoder une variable Sparer un fichier en plusieurs parties Visualisation des rsultats Copie des rsultats dans Word Enregistrement

5
5 5 6
6 6 7 7 8 8 8

Quelques fonctions avec SPSS et leurs rsultats

Fonctions descriptives Chi carr Test du t de Student
Variables indpendantes Variables apparilles

9
9 10 13
13 15

ANOVA (plusieurs VD et 1 VI) ANOVA (1 VD et plusieurs VI) Corrlation Rgression multiple

17 19 22 24

Conclusion

27

Codage des donnes

Prsentation des donnes Une ligne par sujet Une colonne par variable Tous les rsultats en chiffres (pas de lettres !) Nom de la variable : maximum 8 caractres (commencer par une lettre) Pour les variables manquantes, le plus simple est de laisser la case vide. Exemple :
Sexe 1 1 2 1 1 2 Section 1 1 2 2 3 3 Score1 10 8 5 7 2 5 Score2 8 5 4 3 3 3 etc

1 = garon 2 = fille

1= pratique 2 = gnrale 3 = prgymnasiale

A viter (en gras) :

Scores Sexe g g f g g f Section de l'lve 1 1 2 2 3 3 1 10 8 5 7 2 5 2 8 5 4 3 3 3

Passage d'un fichier de Excel SPSS Il est conseill d'entrer les donnes sur une feuille Excel, puis de les transfrer dans SPSS. Pour se faire : 1. Prparez la feuille qui ne contiendra que les donnes brutes (pas de graphiques, de moyennes par colonne, ) 2. Toutes les donnes traiter doivent se trouver sur la mme feuille (ne pas sparer par exemple en crant une feuille pour les filles et une pour les garons). 3. Enregistrez la feuille en format "texte, sparateur tabulation". Chemin : Fichier Enregistrer sous Type du fichier : Texte (sparateur: tabulation).
[Pour SPSS 8 ou 9, enregistrez votre feuille en format Excel 4].

4. Fermez la feuille (sinon, vous ne pourrez pas l'ouvrir dans SPSS). Attention ! En gnral Lorsque vous fermez la feuille, un messages apparat. Lisez-le ! On vous informe que le fichier que vous fermez n'est pas en format Excel 95 ou 98, et on vous propose de le mettre sous ce format. Cliquez "non", car vous dsirez que le format reste en "texte, sparateur tabulation" ! 5. Dans SPSS, ouvrez vos donnes. Chemin : Fichier ouvrir (ou cliquez sur l'icne correspondante) Utilisation de quelques fonctions sur SPSS Le logiciel SPSS travaille sur plusieurs feuilles : une feuille de donnes (data) : cette feuille contient les donnes sur lesquelles vous effectuez des traitements statistiques (on ne peut en avoir qu'une seule ouverte la fois) une(des) feuille(s) de sortie (outpout) : contient le rsultat des tests effectus.

D'autres feuilles (syntaxe, graphique, ) peuvent tre cres. A ce sujet, nous vous recommandons d'utiliser le logiciel Excel pour raliser vos graphiques car il permet de faire des modifications pour une mise en page pertinente dans Word. Fonction : Mettre des tiquettes (labels) une variable et ses modalits Chemin : (Slectionnez la colonne) Data Define Variable Labels Variable Label : vous pouvez donner votre variable un nom plus grand que les 8 caractres en en-tte de colonne. Value : Entrez la modalit de la variable (exemple : 1) Value Label : Entrez le nom de la modalit (exemple : garon) Cliquez sur Add et rptez les deux dernires commandes pour chaque modalit, puis cliquez sur Continue et OK. En cliquant prsent sur l'avant-dernire icne droite (reprsentant une petite tiquette), vous pouvez visualiser soit la valeur, soit le nom associ cette valeur. Quelque soit la configuration sur l'cran, dans les feuilles de rsultats, vous verrez ces noms, forts utiles pour se reprer dans l'amas de chiffres ! Fonction : Calculer une nouvelle variable sur la base de donnes Chemin : Transform Compute Target Variable : entrez le nom de la nouvelle variable que vous calculez Numeric Expression : vous pouvez ici combiner les variables existantes avec diffrents oprateurs mathmatiques. Cliquez ensuite sur OK : le logiciel vous cre la nouvelle variable (et vous la place dans la dernire colonne) Exemple :
Target Variable Numeric Expression

Somme
6

Score1 + Score2

Exemple : Pour passer d'une variable code ngativement une variable retourne (positive). Question : "Je ne suis pas motiv par le travail scolaire" Rponse : 1 = Pas du tout d'accord 7 = Tout fait d'accord L'lve qui rpond 7 est le moins motiv. Si l'on veut retourner cette variable afin que l'lve le plus motiv obtienne le score maximal selon le tableau suivant : Codage effectu par l'lve Score "rel"
Target Variable

1 7

2 6

3 5

4 4

5 3

6 2

7 1

Numeric Expression

Score

8 - codage

Fonction : Recoder une variable Exemple : on veut passer d'un score allant de 1 10 un score de 1 3 suivant le tableau suivant : Anciennes modalits Nouvelles modalits 1 2 1 3 4 5 2 6 7 8 9 3 10

Chemin : Transform Recode Into Different Variables Input Variable : slectionnez la variale recoder et faites passer la variable dans la la bote "Input variable" l'aide de la flche noire Output Variable : insrer le nom (8 caractres max) et le label complet (pas obligatoire) puis cliquez sur Change Old and New Values Entrez l'ancienne valeur (case de gauche) Entrez la nouvelle valeur (case de droite) Cliquez sur Add et rptez les deux dernires commandes (y compris le "Add") pour toutes les modalits (y compris celles qui ne changent pas) Cliquez sur Continue, puis sur OK. Fonction : Sparer un fichier en plusieurs parties On utilise cette fonction pour effectuer par exemple des tests avec les garons et les filles sparment. Chemin : Data Split File Cliquez sur "Repeat analysis for each group" Slectionnez la variable (par exemple "Sexe") et faitez la passer droite l'aide de la flche noire Cliquez sur OK.

A partir de ce moment, tous les tests effectus se feront double (pour cet exemple), soit une fois pour les garons et une fois pour les filles. Pour retourner une analyse sur l'ensemble des donnes : Chemin : Data Split File Cliquez sur "Analyze all cases" Cliquez sur OK. Visualisation des rsultats Chemin : Window Vous pouvez soit voir les rsultats, soit les donnes. Copie des rsultats dans Word Pour viter d'imprimer de nombreuses pages partir de SPSS, vous pouvez sllectionner les rsultats, puis les copier dans le presse-papier. Chemin : Edit Copy Allez dans Word pour coller ce qui a t copi dans SPSS. Pour avoir une bonne prsentation (si les donnes viennent de SPSS 6.1, car il n'y a plus ce problme avec SPSS 8.1), mettez les dans la police "courrier", taille 9. Enregistrement Attention, il faut enregistrer sparment la feuille de donne et la(les) feuille(s) des rsultats !

Quelques fonctions avec SPSS et leurs rsultats

Fonctions descriptives
Chemin : Statistics Summarize Descriptives

Voir fentre suivante.

Slectionner dans la fentre de gauche les variables, puis les passer droite en utilisant la flche (entre les deux fentres). On peut cocher ici les statistiques descriptives qui nous intressent Mean : moyenne Sum : somme (en colonne) Std. deviation : cart-type Range : rang Minimum : chiffre minimum Maximum : chiffre maximum S.E. mean : erreur-type les indices de distribution des rsultats (Kurtosis et Skewness) et l'ordre de prsentation des rsultats (ici, par ordre alphabtique des noms des variables).

Rsultats

Nombre de cases (sujets) prises en compte.

Number of valid observations (listwise) =

250.00 Valid N 250 250 250 250

Variable SCORE1 SCORE2 SCORE3 SCORE4

Mean 3.23 2.36 2.02 2.69

Std Dev .84 .98 .85 1.09

Minimum 1.00 1.00 1.00 1.00

Maximum 4.00 4.00 4.00 4.00

Label

Nombre de cases prises en compte pour chaque variable.

Si l'on souhaite avoir les scores pour les garons et les filles sparment, il suffit d'utiliser la fonction "Split File" (voir p. 7).

Chi carr (2)

Comparer une distribution observe une distribution thorique. Le principe gnral consiste analyser l'cart existant entre la distribution thorique postule et la distribution empirique obtenue1. Les deux variables tudies sont nominales.

Vous pouvez vous rfrer au cours de statistiques I dans lequel l'explicitation du tableau des frquences observes (ou distribution empirique) et celui des frquences attendues (ou distribution thorique) est indispensable pour le calcul " la main" du Chi2. Attention ne pas confondre le terme "frquence" (frquence absolue, ici) avec les pourcentages (ou frquences relatives).

10

Comme exemple, nous testons l'hypothse suivante : Hypothse : La rpartition des garons et des filles dans les trois sections diffre d'une distribution thorique. Chemin : Statistics Summarize Crosstabs

Voir fentre suivante.

On slectionne les variables mettre en ligne et en colonne (pour le Chi2, une seule variable en ligne et une seule en colonne). Il faut encore slectionner le test du Chi2 :

On coche dans la case correspondante (en haut droite) pour obtenir dans la feuille de rsultats la valeur du Chi carr de Pearson2.

On diffrencie le Chi carr de Pearson (Karl Pearson, 1900) d'autres tests donnant eux aussi une statistique 2. 11

Rsultats

SEXE

by

SECTION SECTION Page 1 of 1 | |Prgymna Gnrale Pratique |siale Row | 1.00| 2.00| 3.00| Total --------+--------+--------+--------+ 1.00 | 44 | 45 | 35 | 124 | | | | 49.6 +--------+--------+--------+ 2.00 | 50 | 42 | 34 | 126 | | | | 50.4 +--------+--------+--------+ Column 94 87 69 250 Total 37.6 34.8 27.6 100.0 Count Value ----------.48495 .48520 .28697 DF ---2 2 1 Significance -----------.78468 .78458 .59217

SEXE Garon

Fille

Chi-Square -------------------Pearson Likelihood Ratio Mantel-Haenszel test for linear association

Minimum Expected Frequency -

34.224

Number of Missing Observations:

Degr de libert.

Probabilit associe au 2.

Condition d'utilisation du test.

On obtient donc le tableau crois (avec le nombre de sujets correspondants l'intrieur de chaque case). La valeur du 2 est de 0.485 (arrondi), le degr de libert est de 2, et la probabilit associe ce test est de 0.79 donc non significatif (en prenant un seuil de 5%). Condition d'utilisation du test : Minimum Expected Frequency : lorsque ce chiffre est infrieur 5 (valeur correspondant la plus petite frquence absolue trouve dans le tableau de la distribution thorique), le test n'est pas valide (quelque soit la probabilit).

Number of Missing Observation3 : donne le nombre de valeurs manquantes.

3

On retrouve cette information pour la majorit des statistiques effectues.

12

Test du t de Student (comparaison des moyennes deux groupes)

Les variables sont quantitatives. Si les variables sont indpendantes Exemple : Comparaison entre le groupe des lves de prgymnasiale et ceux de section pratique pour les variables Score1 et Score2. Hypothse : Les prgymnasiales auront pour les deux variables une moyenne significativement infrieure aux lves de pratique4. Chemin : Statistics Compare Means Independent-Samples T Test

Voir fentre suivante.

Test Variable(s) : variable(s) dpendante(s) (on peut en mettre plusieurs et un calcul sera effectu pour chaque variable sparment). Grouping Variable : variable indpendante (dfinir les deux modalits).

Dfinir les deux modalits de la variable indpendante sur lesquelles la variable dpendante sera compare (ici "1" pour pratique et "3" pour prgymnasiale).

De manire formelle, on devrait mentionner pour cet exemple deux hypothses (une pour chaque variable sparment). 13

Lorsque l'on veut comparer entre-elles par exemple trois sections sur la base des moyennes des lves en fin d'anne, il faut rpter l'opration trois fois et comparer tout d'abord les sections 1 et 2, puis 1 et 3, et finalement 2 et 3. Rsultats (ici, uniquement pour le Score1)
Moyennes Premier tableau : partie descriptive.

t-tests for Independent Samples of SECTION

Number Variable of Cases Mean SD SE of Mean ----------------------------------------------------------------------SCORE1 Prgymna 94 3.0957 .917 .095 Pratique 69 3.3188 .757 .091 ----------------------------------------------------------------------Mean Difference = -.2231

Test de Student.

Test d'homognt des variances.

P= .207

Levene's Test for Equality of Variances: F= 1.606

t-test for Equality of Means 95% Variances t-value df 2-Tail Sig SE of Diff CI for Diff ------------------------------------------------------------------------------Equal -1.65 161 .080 .135 (-.490, .044) Unequal -1.70 158.71 .071 .131 (-.482, .036) -------------------------------------------------------------------------------

La premire chose regarder : les moyennes des deux groupes pour savoir si les lves de pratique ont effectivement un score suprieur ceux de prgymnasiale (selon l'hypothse que nous avons pose). Dans nos rsultats, les lves de pratique obtiennent 3.32, alors que ceux de prgymnasiale n'ont que 3.10 (arrondi). La diffrence entre ces deux moyennes est donne entre les deux tableaux, soit -.022. Ensuite, le test d'homognt des variances permet de slectionner dans le tableau du bas quelle ligne choisir. Lorsque les variances sont considres homognes (comme c'est le cas ici, vu que la probabilit du "Levene's Test for Equality of Variances" est suprieure 0.05 puisqu'il est de 0.21), on choisit alors la premire ligne (celle o les variances sont "Equal"), sinon, on prend la deuxime ligne. La valeur du t de Student est de 1.65 (on peut laisser tomber le signe moins), le degr de libert est de 161 et la probabilit est de 0.08 (ou 8%). Vu que nous avons pos une hypothse dite "oriente", cest--dire que nous avons spcifi le sens de la diffrence (les lves de pratiques ont un score suprieur), nous pouvons diviser cette probabilit par deux. On trouve alors une probabilit de 4% donc infrieur notre seuil de 5%. L'hypothse est donc confirme.

14

Exemple d'une hypothse non oriente (ou bilatrale, ou deux queues) : Il y a une diffrence entre les prgymnasiales et les pratiques pour la variable Score1 (mais on n'indique pas quel est le groupe qui est suprieur). En gnral, les majorit des hypothses sont orientes, car le chercheur s'attend une diffrence en faveur d'un groupe (par exemple un effet positif d'un cours de remdiation).

Si les variables sont codes de manire ordinale (et non quantitative), on trouve le test correspondant (U de Mann-Whitney) Chemin : Statistics Nonparametric Tests 2 Independent Samples

Si les variables sont apparilles (paires) Exemple : Comparaison entre le Score3 (par exemple un pr-test) et le Score4 (le post-test correspondant). Ce sont donc bien les mmes individus qui on attribue une valeur au Score 3 et une valeur au Score4 (variables paires). Hypothse : Il y a une amlioration significative entre le pr-test et le post-test, autrement dit, le Score4 sera suprieur au Score3 (hypothse oriente, unilatrale, ou une queue). Chemin : Statistics Compare Means Paired-Samples T Test

Variables slectionnes ensemble.

Pour faire passer dans la fentre de droite les deux variables concernes par la comparaison faire, on doit imprativement les slectionner ensemble. Pour cela, il faut maintenir enfonce la touche ("pomme") et slectionner les variables en cliquant.
15

Les variables slectionnes se placent dans la fentre en bas gauche (cf. copie de l'cran de la page prcdente), il reste ensuite les faire passer droite l'aide de la flche. On peut faire excuter la suite plusieurs comparaisons deux deux en slectionnant ds le dpart l'ensemble des comparaisons effectuer. Rsultats
Corrlation entre Score3 et Score4 (et probabilit dans la colonne droite).
t-tests for Paired Samples

Number of 2-tail Variable pairs Corr Sig Mean SD SE of Mean ------------------------------------------------------------------------------SCORE3 2.0200 .852 .054 250 -.235 .000 SCORE4 2.6880 1.090 .069 -------------------------------------------------------------------------------

Paired Differences | Mean SD SE of Mean | t-value df 2-tail Sig ----------------------------------|--------------------------------------------.6680 1.533 .097 | -6.89 249 .000 95% CI (-.859, -.477) |

Valeur du t.

Degr de libert.

Probabilit.

Le Score4 (moyenne de 2.69) a effectivement une moyenne suprieure au Score3 (moyenne de 2.02), et la diffrence est significative car la probabilit est infrieure 5% (ici, p = 0.000 avec certainement quelques chiffres aprs, mais le rsultat est donn avec trois chiffre aprs la virgule seulement).

Si les variables sont codes de manire ordinale (et non quantitative), on trouve le test correspondant (Wilcoxon) Chemin : Statistics Nonparametric Tests 2 Related Samples

16

ANOVA (plusieurs VD et 1 VI) (analyse de variance)

Comparer les scores de plusieurs groupes indpendants de sujets sur une variable quantitative. De manire (trs) simplifie, on regarde si la variation entre les groupes est plus importante que la variation l'intrieur des groupes. Si on trouve de grandes diffrences entre les groupes, mais qu' l'intrieur de chacun des groupes, les sujets ont approximativement le mme score (variation faible), l'analyse de variance (ANOVA) risque d'tre significative. Exemple : Comparaison entre les trois sections pour le score1. Hypothse : Il y a au moins une diffrence significative entre deux des trois groupes sur la variable Score6.

Chemin : Statistics

Compare Means

One-Way ANOVA

Voir fentre suivante.

De manire similaire au t de Student, on insre la(les) variable(s) dpendante(s) ainsi que le facteur (variable indpendante). Il faut aussi dfinir sur quelles modalits s'effectuera le test. Ici, il faut donner le chiffre minimum et le chiffre maximum5, par exemple, si on effectue une ANOVA entre les sections 1, 2 et 3, on entrera 1 et 3 (case "Define Range"). L'analyse de variance diffre du test de Student par le fait qu'elle peut prendre en compte plusieurs groupes, et aussi tester les diffrences deux deux, ce qui vite de rpter le test de Student plusieurs fois.
5

Il faut bien entendu y penser lors du codage des donnes ! 17

Les post-hoc permettent des comparaisons deux deux si (et uniquement si) l'analyse de variance est significative. On coche donc ici le test "Least-significant difference" qui nous indiquera (dans la feuille des rsultats) les paires significativement diffrentes. Rsultats

- - - - Variable By Variable SCORE6 SECTION

O N E W A Y

- - - - -

F de Fisher.
Analysis of Variance

Degrs de libert.
Source Between Groups Within Groups Total D.F. 2 247 249

Sum of Squares 19.0397 238.8163 257.8560

Mean Squares 9.5198 .9669

F Ratio 9.8461

F Prob. .0001

- - - - Variable By Variable SCORE6 SECTION

O N E W A Y

- - - - -

Probabilit associe au F de Fisher.

Multiple Range Tests:

LSD test with significance level .05

The difference between two means is significant if MEAN(J)-MEAN(I) >= .6953 * RANGE * SQRT(1/N(I) + 1/N(J)) with the following value(s) for RANGE: 2.79 (*) Indicates significant differences which are shown in the lower triangle G G G r r r p p p 3 2 1 Mean 2.6667 2.8506 3.3191 SECTION Grp 3 Grp 2 Grp 1

Comparaisons deux deux : Groupe 1 diffrent (significativement) du groupe 2 et du groupe 3.

* *

18

Le test est significatif (la probabilit de 0.0001 est infrieure au seuil de 5%). Les post-hoc donnent les paires significativement diffrentes. Dans le tableau crois, une toile est place l'intersection des lignes et colonnes dont les variables sont diffrentes. Si l'analyse de variance n'est pas significative, ce tableau crois n'apparat pas dans la feuille des rsultats.

ANOVA (1 VD et plusieurs VI) (analyse de variance)

Chemin : Statistics ANOVA Models Simple Factorial

De manire identique la "One-Way ANOVA" (pp.17-18), on slectionne les variables et on dfinit leurs modalits. On peut insrer dans ce modle plusieurs facteurs (ou variables indpendantes), calculer les effets d'interaction, mais les post-hoc (tels qu'ils ont t prsents auparavant) ne sont plus possibles avec ce type d'analyse.

19

Afin d'avoir deux types de rsultats diffrents, nous prsentons successivement les rsultats de l'analyse de variance pour le Score1 et le Score4 (variables dpendantes), avec le Sexe et la Section comme variables indpendantes. Rsultats pour la variable Score1

* * *

A N A L Y S I S SCORE1 SEXE SECTION

O F

V A R I A N C E

* * *

by

F de Fisher.

UNIQUE sums of squares All effects entered simultaneously

Probabilit associe au F de Fisher.

Source of Variation Main Effects SEXE SECTION 2-Way Interactions SEXE SECTION Explained Residual Total

Sum of Squares 6.327 3.812 2.276 2.845 2.845 10.227 163.777 174.004

DF 3 1 2 2 2 5 244 249

Mean Square 2.109 3.812 1.138 1.423 1.423 2.045 .671 .699

F 3.142 5.679 1.696 2.119 2.119 3.047

Sig of F .026 .018 .186 .122 .122 .011

250 cases were processed. 0 cases (.0 pct) were missing.

Dans la feuille des rsultats, on trouve tout d'abord les effets simples ("Main Effects") pour le Sexe et la Section, puis l'effet d'interaction (s'il y a plus de deux facteurs, on trouvera plusieurs effets d'interaction deux deux). Les trois effets qui peuvent nous intresser ici ont t mis en gras dans le tableau cidessus. Les probabilits se trouvent dans la colonne de droite. On constate que l'effet de la variable Sexe est significative (p = 1.8%). Les deux autres effets (pour la Section : 18.6% ; et pour l'interaction Sexe Section :12.2%) se trouvent en dessus du seuil de 5%. Au haut de la page suivante, un type de reprsentation graphique est propos en exemple.

20

Effet simple de la variable Sexe

4 3.5 3 2.5 2 1.5 1 Filles Garons

Rsultats pour la variable Score4

* * *

A N A L Y S I S SCORE4 SEXE SECTION

O F

V A R I A N C E

* * *

by

UNIQUE sums of squares All effects entered simultaneously

Source of Variation Main Effects SEXE SECTION 2-Way Interactions SEXE SECTION Explained Residual Total

Sum of Squares 3.140 .467 2.677 11.827 11.827 14.455 281.209 295.664

DF 3 1 2 2 2 5 244 249

Mean Square 1.047 .467 1.338 5.913 5.913 2.891 1.152 1.187

F .908 .406 1.161 5.131 5.131 2.509

Sig of F .438 .525 .315 .007 .007 .031

250 cases were processed. 0 cases (.0 pct) were missing.

Les effets qui nous intressent ont nouveau t mis en gras dans le tableau des rsultats ci-dessus.

21

Il n'y a donc pas d'effets simples significatifs, par contre, la probabilit de l'effet d'interaction est infrieure 5% (p = 0.7%). On peut alors reprsenter graphiquement les rsultats de cette manire :

4 3.5 3 2.5 2 1.5 1 Pratique Gnrale Prgymnasiale Filles Garons

Les moyennes sont calcules en utilisant les statistiques descriptives (voir pp. 9-10), sparment pour les six groupes (utilisation de la fonction "Split File").

Corrlation
Les divers coefficients de corrlation permettent de tester si les variables varient ensemble. Pour les variables quantitatives, le coefficient est le r de Bravais-Pearson. Pour les chelles ordinales, on a soit la corrlation de rang avec le (rho) de Spearman, soit le (tau) de Kendall. Pour les chelles nominales, on en reste au Chi carr, avec la possibilit de calculer le coefficient de contingence ou le coefficient de Cramer. Exemple de corrlations (deux deux) entre les variables Score1, Score3, Score4 et Score8 (page suivante). Chemin : Statistics Correlate Bivariate

22

Permet de choisir le test adquat.

A cocher si l'hypothse est oriente.

Dans notre exemple, nous ne formulons pas d'hypothse oriente (voir explications de l'hypothse oriente pp. 14-15), c'est--dire que nous postulons d'ventuelles corrlations entre les variables, sans indiquer le sens de ces liens (nous laissons donc le test deux queues ("Two-tailed"). Rsultats
- Correlation Coefficients SCORE1 SCORE1 1.0000 ( 250) P= . .0894 ( 250) P= .159 -.1288 ( 250) P= .042 .0841 ( 250) P= .185 SCORE3 .0894 ( 250) P= .159 1.0000 ( 250) P= . -.2354 ( 250) P= .000 .1689 ( 250) P= .007 - SCORE4 -.1288 ( 250) P= .042 -.2354 ( 250) P= .000 1.0000 ( 250) P= . -.0797 ( 250) P= .209 SCORE8 .0841 ( 250) P= .185 .1689 ( 250) P= .007 -.0797 ( 250) P= .209 1.0000 ( 250) P= .

Coefficient de corrlation r.

Nombre de sujets. Probabilit associe au r.

SCORE3

SCORE4

SCORE8

(Coefficient / (Cases) / 2-tailed Significance) " . " is printed if a coefficient cannot be computed

23

SPSS calcule toute les corrlations possibles deux deux et les prsente sous forme de tableau crois. On ne s'intresse donc qu'aux rsultats en dessus (ou en dessous) de la diagonale puisque ceux-ci sont identiques. On observe donc dans nos rsultats (tableau page prcdente) trois corrlations significatives (mises en gras) : Corrlation ngative entre Score1 et Score4 (ce qui veut dire en d'autres termes : en gnral, plus le Score1 est lev, plus le Score4 est petit). Corrlation ngative entre Score3 et Score4. Corrlation positive entre Score3 et Score8 (ce qui veut dire en d'autres termes : en gnral, plus le Score3 est lev, plus le Score8 est lev). On constate que si le nombre de sujets est grand (ici, 250), les corrlations seront vite significatives (ds 0.12 dans notre exemple) alors que le coefficient varie de 0 1 pour les corrlations positives et de 0 -1 pour les corrlations ngatives. Si l'hypothse est oriente (on postule l'avance le sens de la corrlation) les valeurs des probabilits sont divises par deux, et par consquent, les valeurs des corrlations sont significatives des valeurs encore infrieures 0.12.

Rgression multiple
Les rgressions multiples permettent de tenir compte de plusieurs facteurs (ou variables indpendantes) dans les relations avec la variable dpendante. Toute les variables doivent tre quantitatives. Il existe plusieurs modles, nous prsentons ici le modle "Backward" qui consiste prendre en compte l'ensemble des variables indpendantes dans la premire srie de calculs, puis d'enlever au fur et mesure les variables dont la contribution est la plus faible, jusqu' l'laboration d'un modle adquat. Les explications et l'interprtation des rsultats suivront l'exemple. Dans l'exemple qui suit, nous essayons de dfinir parmi les facteurs Score3, Score4 et Score5, lesquels sont en lien avec le Score1 (variable dpendante), et la force de ce lien. Chemin : Statistics Regression Linear

24

Permet de choisir le type de rgression multiple.

Rsultats

* * * *

M U L T I P L E

R E G R E S S I O N

* * * *

Listwise Deletion of Missing Data Equation Number 1 Block Number 1. Dependent Variable.. Method: Enter SCORE1

1re tape

Variable(s) Entered on Step Number 1.. SCORE5 2.. SCORE3 3.. SCORE4

Coefficient de rgression multiple.

Multiple R R Square Adjusted R Square Standard Error Analysis of Variance Regression Residual F = 3.44375

.20076 .04030 .02860 .82391

Coefficient de dtermination ajust.

DF 3 246

Sum of Squares 7.01311 166.99089 Signif F = .0174

Mean Square 2.33770 .67882

Coefficient standardis pour chaque variable. Les trois variables sont prises en compte.

------------------ Variables in the Equation -----------------Variable SCORE3 SCORE4 SCORE5 (Constant) B .060095 -.091747 .147294 3.086916 1 SE B .063031 .049337 .065023 .238433 Beta .061274 -.119595 .141589 T .953 -1.860 2.265 12.947 Sig T .3413 .0641 .0244 .0000

End Block Number

All requested variables entered.

25

* * * * Equation Number 1

M U L T I P L E

R E G R E S S I O N SCORE1 POUT

* * * *

Dependent Variable..

Block Number 2. Method: Backward SCORE3 SCORE4 SCORE5

Criterion

.1000

2me tape

Variable(s) Removed on Step Number 4.. SCORE3

La variable avec le plus petit coefficient est enleve du modle.

Multiple R R Square Adjusted R Square Standard Error Analysis of Variance Regression Residual F = 4.71286

.19172 .03676 .02896 .82376

DF 2 247

Sum of Squares 6.39606 167.60794 Signif F = .0098

Mean Square 3.19803 .67857

Probabilit associe au F de Fisher.

Beta T -2.145 2.274 18.091 Sig T .0329 .0238 .0000

------------------ Variables in the Equation -----------------Variable SCORE4 SCORE5 (Constant) B -.102827 .147832 3.237118 SE B .047940 .065009 .178940

-.134037 .142106

------------- Variables not in the Equation ------------Variable SCORE3 Beta In .061274 Partial .060676 Min Toler .943238 T .953 Sig T .3413

Contributions.
End Block Number 2 POUT = .100 Limits reached.

Au terme de ce calcul, deux variables restent dans l'quation (Score4 et Score5), alors que Score3 a t enlev. On peut alors voir les contributions de chaque variable restante l'explication de la variable dpendante (Score1). De manire mathmatique : Score1 = - 0.103 Score4 + 0.147 Score5 + 3.24 (constante) Cette formule correspond la formule de la droite de rgression lie au coefficient de Bravais-Pearson pour les corrlations. Les coefficients de rgressions standardiss permettent de pouvoir comparer les contributions de chaque variable indpendamment de leur tendue.

26

Conclusion

De nombreuses autres possibilits existent parmi les tests statistiques proposs dans SPSS. N'hsitez pas utiliser le tutorial, les diffrentes formes d'aide disposition, Nous vous recommandons aussi d'amliorer la pertinence de vos tests en allant chercher dans les options proposes pour les diffrents tests, les modes de calcul ou de prsentation les plus adquats pour votre recherche. Nous vous conseillons aussi plus spcialement les deux ouvrages suivants qui font largement rfrence au logiciel SPSS, et auxquels nous nous sommes parfois inspirs dans ce petit manuel : Howell, D.C. (1998). Mthodes statistiques en sciences humaines. Bruxelles : De Boeck. Bavaud, F., Capel, R., Crettaz de Roten, F., & Mller, J.-P. (1996). Guide de l'analyse statistique de donnes avec SPSS 6. Genve : Slatkine. Bien entendu, les manuels en anglais (ou leurs traductions) fournies par le constructeur sont une source encore plus exhaustive, bien que parfois moins accessible la lecture.

Ph. Genoud - 2000

27