Petit aide-mémoire SPSS

Numeric Expression : vous pouvez ici combiner les variables existantes avec

Cliquez ensuite sur OK : le logiciel vous crée la nouvelle variable (et vous la

différents opérateurs mathématiques.

place dans la dernière colonne)

Exemple :

Target Variable

Numeric Expression

Somme

6

=

Score1 + Score2

Exemple :

Pour passer d'une variable codée négativement à une variable retournée (positive).

Question : "Je ne suis pas motivé par le travail scolaire"

Réponse : 1 = Pas du tout d'accord à 7 = Tout à fait d'accord

L'élève qui répond 7 est le moins motivé.

Si l'on veut retourner cette variable afin que l'élève le plus motivé obtienne le score

maximal selon le tableau suivant :

Codage effectué par l'élève

Score "réel"

1

7

2

6

3

5

4

4

5

3

6

2

7

1

Target Variable

Numeric Expression

Score

=

8 - codage

Fonction : Recoder une variable

Exemple : on veut passer d'un score allant de 1 à 10 à un score de 1 à 3 suivant le

tableau suivant :

Anciennes modalités

Nouvelles modalités

1

2

1

3

4

5

6

7

8

2

10

9

3

Chemin : Transform (cid:164) Recode (cid:164) Into Different Variables…

Input Variable : sélectionnez la variale à recoder et faites passer la variable

dans la la boîte "Input variable" à l'aide de la flèche noire

Output Variable : insérer le nom (8 caractères 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 répétez les deux dernières commandes (y compris

le "Add") pour toutes les modalités (y compris celles qui ne changent

pas)

Cliquez sur Continue, puis sur OK.

Fonction : Séparer un fichier en plusieurs parties

On utilise cette fonction pour effectuer par exemple des tests avec les garçons et les

filles séparément.

Chemin : Data (cid:164) Split File…

Cliquez sur "Repeat analysis for each group"

Sélectionnez la variable (par exemple "Sexe") et faitez la passer à droite à

l'aide de la flèche noire

Cliquez sur OK.

7

A partir de ce moment, tous les tests effectués se feront à double (pour cet exemple),

soit une fois pour les garçons et une fois pour les filles.

Pour retourner à une analyse sur l'ensemble des données :

Chemin :

Data (cid:164) Split File…

Cliquez sur "Analyze all cases"

Cliquez sur OK.

Visualisation des résultats

Chemin :

Window

Vous pouvez soit voir les résultats, soit les données.

Copie des résultats dans Word

Pour éviter d'imprimer de nombreuses pages à partir de SPSS, vous pouvez

slélectionner les résultats, puis les copier dans le presse-papier.

Chemin :

Edit (cid:164) Copy

Allez dans Word pour coller ce qui a été copié dans SPSS.

Pour avoir une bonne présentation (si les données viennent de SPSS 6.1, car il

n'y a plus ce problème avec SPSS 8.1), mettez les dans la police "courrier", taille

9.

Enregistrement

Attention, il faut enregistrer séparément la feuille de donnée et la(les) feuille(s) des

résultats !

8

Quelques fonctions avec SPSS … et leurs résultats

Fonctions descriptives

Chemin : Statistics (cid:164) Summarize (cid:164) Descriptives…

Voir fenêtre

suivante.

Sélectionner dans la fenêtre de gauche les variables, puis les passer à droite en

utilisant la flèche (entre les deux fenêtres).

On peut cocher ici les

statistiques descriptives qui

nous intéressent …

Mean : moyenne

Sum : somme (en colonne)

Std. deviation : écart-type

Range : rang

Minimum : chiffre minimum

Maximum : chiffre maximum

S.E. mean : erreur-type

… les indices de distribution

des résultats (Kurtosis et

Skewness) …

… et l'ordre de présentation

des résultats (ici, par ordre

alphabétique des noms des

variables).

9

Résultats

Nombre de cases

(sujets) prises en

compte.

Number of valid observations (listwise) = 250.00

Valid

Variable Mean Std Dev Minimum Maximum N Label

SCORE1 3.23 .84 1.00 4.00 250

SCORE2 2.36 .98 1.00 4.00 250

SCORE3 2.02 .85 1.00 4.00 250

SCORE4 2.69 1.09 1.00 4.00 250

Nombre de cases

prises en compte pour

chaque variable.

Si l'on souhaite avoir les scores pour les garçons et les filles séparément, il suffit

d'utiliser la fonction "Split File" (voir p. 7).

Chi carré (χ2)

Comparer une distribution observée à une distribution théorique.

Le principe général consiste à analyser l'écart existant entre la distribution théorique

postulée et la distribution empirique obtenue1.

Les deux variables étudiées sont nominales.

1 Vous pouvez vous référer au cours de statistiques I dans lequel l'explicitation du tableau des

fréquences observées (ou distribution empirique) et celui des fréquences attendues (ou distribution

théorique) est indispensable pour le calcul "à la main" du Chi2. Attention à ne pas confondre le

terme "fréquence" (fréquence absolue, ici) avec les pourcentages (ou fréquences relatives).

10

Comme exemple, nous testons l'hypothèse suivante :

Hypothèse : La répartition des garçons et des filles dans les trois sections diffère

d'une distribution théorique.

Chemin : Statistics (cid:164) Summarize (cid:164) Crosstabs…

Voir fenêtre

suivante.

On sélectionne les variables à mettre en ligne et en colonne (pour le Chi2, une seule

variable en ligne et une seule en colonne). Il faut encore sélectionner le test du Chi2 :

On coche dans la case correspondante (en haut à droite) pour obtenir dans la feuille

de résultats la valeur du Chi carré de Pearson2.

2 On différencie le Chi carré de Pearson (Karl Pearson, 1900) d'autres tests donnant eux aussi une

statistique χ2.

11

Résultats

SEXE by SECTION

SECTION Page 1 of 1

Count |

|Prégymna Générale Pratique

|siale Row

| 1.00| 2.00| 3.00| Total

SEXE --------+--------+--------+--------+

1.00 | 44 | 45 | 35 | 124

Garçon | | | | 49.6

+--------+--------+--------+

2.00 | 50 | 42 | 34 | 126

Fille | | | | 50.4

+--------+--------+--------+

Column 94 87 69 250

Total 37.6 34.8 27.6 100.0

Chi-Square Value DF Significance

-------------------- ----------- ---- ------------

Pearson .48495 2 .78468

Likelihood Ratio .48520 2 .78458

Mantel-Haenszel test for .28697 1 .59217

linear association

Minimum Expected Frequency - 34.224

Number of Missing Observations: 0

χ2

Degré de

liberté.

Probabilité

associée au

χ2.

Condition d'utilisation

du test.

On obtient donc le tableau croisé (avec le nombre de sujets correspondants à

l'intérieur de chaque case).

La valeur du χ2 est de 0.485 (arrondi), le degré de liberté est de 2, et la probabilité

associée à 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 inférieur à 5 (valeur

correspondant à la plus petite fréquence absolue

trouvée dans le tableau de la distribution

théorique), le test n'est pas valide (quelque soit la

probabilité).

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

3 On retrouve cette information pour la majorité des statistiques effectuées.

12

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

Les variables sont quantitatives.

Si les variables sont indépendantes

Exemple : Comparaison entre le groupe des élèves de prégymnasiale et ceux de

section pratique pour les variables Score1 et Score2.

Hypothèse : Les prégymnasiales auront pour les deux variables une moyenne

significativement inférieure aux élèves de pratique4.

Chemin : Statistics (cid:164) Compare Means (cid:164) Independent-Samples T Test…

Voir fenêtre

suivante.

Test Variable(s) : variable(s) dépendante(s) (on peut en mettre plusieurs et un calcul

sera effectué pour chaque variable séparément).

Grouping Variable : variable indépendante (définir les deux modalités).

Définir les deux modalités de la

variable indépendante sur les-

quelles la variable dépendante

sera comparée (ici "1" pour prati-

que et "3" pour prégymnasiale).

4 De manière formelle, on devrait mentionner pour cet exemple deux hypothèses (une pour chaque

variable séparément).

13

Lorsque l'on veut comparer entre-elles par exemple trois sections sur la base des

moyennes des élèves en fin d'année, il faut répéter l'opération trois fois et comparer

tout d'abord les sections 1 et 2, puis 1 et 3, et finalement 2 et 3.

Résultats (ici, uniquement pour le Score1)

t-tests for Independent Samples of SECTION

Moyennes

Premier tableau :

partie descriptive.

Number

Variable of Cases Mean SD SE of Mean

-----------------------------------------------------------------------

SCORE1

Prégymna 94 3.0957 .917 .095

Pratique 69 3.3188 .757 .091

-----------------------------------------------------------------------

Mean Difference = -.2231

Test de

Student.

Levene's Test for Equality of Variances: F= 1.606 P= .207

Test d'homogénéïté

des variances.

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 première chose à regarder : les moyennes des deux groupes pour savoir si les

élèves de pratique ont effectivement un score supérieur à ceux de prégymnasiale

(selon l'hypothèse que nous avons posée).

Dans nos résultats, les élèves de pratique obtiennent 3.32, alors que ceux de

prégymnasiale n'ont que 3.10 (arrondi). La différence entre ces deux moyennes est

donnée entre les deux tableaux, soit -.022.

Ensuite, le test d'homogénéïté des variances permet de sélectionner dans le tableau

du bas quelle ligne choisir. Lorsque les variances sont considérées homogènes

(comme c'est le cas ici, vu que la probabilité du "Levene's Test for Equality of

Variances" est supérieure à 0.05 puisqu'il est de 0.21), on choisit alors la première

ligne (celle où les variances sont "Equal"), sinon, on prend la deuxième ligne.

La valeur du t de Student est de 1.65 (on peut laisser tomber le signe moins), le

degré de liberté est de 161 et la probabilité est de 0.08 (ou 8%).

Vu que nous avons posé une hypothèse dite "orientée", cest-à-dire que nous avons

spécifié le sens de la différence (les élèves de pratiques ont un score supérieur),

nous pouvons diviser cette probabilité par deux. On trouve alors une probabilité de

4% donc inférieur à notre seuil de 5%. L'hypothèse est donc confirmée.

14

Exemple d'une hypothèse non orientée (ou bilatérale, ou à deux queues) :

Il y a une différence entre les prégymnasiales et les pratiques pour la variable Score1

(mais on n'indique pas quel est le groupe qui est supérieur).

En général, les majorité des hypothèses sont orientées, car le chercheur s'attend à

une différence en faveur d'un groupe (par exemple un effet positif d'un cours de

remédiation).

Si les variables sont codées de manière ordinale (et non quantitative), on trouve le

test correspondant (U de Mann-Whitney)

Chemin : Statistics (cid:164) Nonparametric Tests (cid:164) 2 Independent Samples…

Si les variables sont apparillées (pairées)

Exemple : Comparaison entre le Score3 (par exemple un pré-test) et le Score4 (le

post-test correspondant).

Ce sont donc bien les mêmes individus à qui on attribue une valeur au

Score 3 et une valeur au Score4 (variables pairées).

Hypothèse :

Il y a une amélioration significative entre le pré-test et le post-test,

autrement dit, le Score4 sera supérieur au Score3 (hypothèse orientée,

unilatérale, ou à une queue).

Chemin : Statistics (cid:164) Compare Means (cid:164) Paired-Samples T Test…

Variables

sélectionnées

ensemble.

Pour faire passer dans la fenêtre de droite les deux variables concernées par la

comparaison à faire, on doit impérativement les sélectionner ensemble. Pour cela, il

faut maintenir enfoncée la touche  ("pomme") et sélectionner les variables en

cliquant.

15

Les variables sélectionnées se placent dans la fenêtre en bas à gauche (cf. copie de

l'écran de la page précédente), il reste ensuite à les faire passer à droite à l'aide de

la flèche.

On peut faire exécuter à la suite plusieurs comparaisons deux à deux en sélection-

nant dès le départ l'ensemble des comparaisons à effectuer.

Résultats

t-tests for Paired Samples

Corrélation entre

Score3 et Score4

(et probabilité dans

la colonne à droite).

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.

Degré de liberté.

Probabilité.

Le Score4 (moyenne de 2.69) a effectivement une moyenne supérieure au Score3

(moyenne de 2.02), et la différence est significative car la probabilité est inférieure à

5% (ici, p = 0.000 … avec certainement quelques chiffres après, mais le résultat est

donné avec trois chiffre après la virgule seulement).

Si les variables sont codées de manière ordinale (et non quantitative), on trouve le

test correspondant (Wilcoxon)

Chemin : Statistics (cid:164) Nonparametric Tests (cid:164) 2 Related Samples…

16

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

Comparer les scores de plusieurs groupes indépendants de sujets sur une variable

quantitative.

De manière (très) simplifiée, on regarde si la variation entre les groupes est plus

importante que la variation à l'intérieur des groupes. Si on trouve de grandes

différences entre les groupes, mais qu'à l'intérieur de chacun des groupes, les sujets

ont approximativement le même score (variation faible), l'analyse de variance

(ANOVA) risque d'être significative.

Exemple : Comparaison entre les trois sections pour le score1.

Hypothèse :

Il y a au moins une différence significative entre deux des trois groupes

sur la variable Score6.

Chemin : Statistics (cid:164) Compare Means (cid:164) One-Way ANOVA…

Voir fenêtre

suivante.

De manière similaire au t de Student, on insère la(les) variable(s) dépendante(s)

ainsi que le facteur (variable indépendante). Il faut aussi définir sur quelles modalités

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 diffère du test de Student par le fait qu'elle peut prendre en

compte plusieurs groupes, et aussi tester les différences deux à deux, ce qui évite de

répéter le test de Student plusieurs fois.

5 Il faut bien entendu y penser lors du codage des données !

17

Les post-hoc permettent des

comparaisons deux à 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 résultats) les

paires significativement diffé-

rentes.

Résultats

• - - - - O N E W A Y - - - - -

Variable SCORE6

By Variable SECTION

F de Fisher.

Analysis of Variance

Degrés de liberté.

Sum of Mean F F

Source D.F. Squares Squares Ratio Prob.

Between Groups 2 19.0397 9.5198 9.8461 .0001

Within Groups 247 238.8163 .9669

Total 249 257.8560

• - - - - O N E W A Y - - - - -

Variable SCORE6

By Variable SECTION

Probabilité associée

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 SECTION

2.6667 Grp 3

2.8506 Grp 2

3.3191 Grp 1

18

Comparaisons deux à deux :

Groupe 1 différent (significativement) du

groupe 2 et du groupe 3.

Le test est significatif (la probabilité de 0.0001 est inférieure au seuil de 5%).

Les post-hoc donnent les paires significativement différentes. Dans le tableau croisé,

une étoile est placée à l'intersection des lignes et colonnes dont les variables sont

différentes.

Si l'analyse de variance n'est pas significative, ce tableau croisé n'apparaît pas dans

la feuille des résultats.

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

Chemin : Statistics (cid:164) ANOVA Models (cid:164) Simple Factorial…

De manière identique à la "One-Way ANOVA" (pp.17-18), on sélectionne les

variables et on définit leurs modalités.

On peut insérer dans ce modèle plusieurs facteurs (ou variables indépendantes),

calculer les effets d'interaction, mais les post-hoc (tels qu'ils ont été présentés

auparavant) ne sont plus possibles avec ce type d'analyse.

19

Afin d'avoir deux types de résultats différents, nous présentons successivement les

résultats de l'analyse de variance pour le Score1 et le Score4 (variables

dépendantes), avec le Sexe et la Section comme variables indépendantes.

Résultats pour la variable Score1

• A N A L Y S I S O F V A R I A N C E *

SCORE1

by SEXE

SECTION

F de Fisher.

UNIQUE sums of squares

All effects entered simultaneously

Probabilité

associée au F

de Fisher.

Sum of Mean Sig

Source of Variation Squares DF Square F of F

Main Effects 6.327 3 2.109 3.142 .026

SEXE 3.812 1 3.812 5.679 .018

SECTION 2.276 2 1.138 1.696 .186

2-Way Interactions 2.845 2 1.423 2.119 .122

SEXE SECTION 2.845 2 1.423 2.119 .122

Explained 10.227 5 2.045 3.047 .011

Residual 163.777 244 .671

Total 174.004 249 .699

250 cases were processed.

0 cases (.0 pct) were missing.

Dans la feuille des résultats, 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 à deux).

Les trois effets qui peuvent nous intéresser ici ont été mis en gras dans le tableau ci-

dessus.

Les probabilités 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 représentation graphique est proposé en

exemple.

20

Effet simple de la variable Sexe

4

3 . 5

3

2 . 5

2

1 . 5

1

Filles

Garçons

Résultats pour la variable Score4

• A N A L Y S I S O F V A R I A N C E *

SCORE4

by SEXE

SECTION

UNIQUE sums of squares

All effects entered simultaneously

Sum of Mean Sig

Source of Variation Squares DF Square F of F

Main Effects 3.140 3 1.047 .908 .438

SEXE .467 1 .467 .406 .525

SECTION 2.677 2 1.338 1.161 .315

2-Way Interactions 11.827 2 5.913 5.131 .007

SEXE SECTION 11.827 2 5.913 5.131 .007

Explained 14.455 5 2.891 2.509 .031

Residual 281.209 244 1.152

Total 295.664 249 1.187

250 cases were processed.

0 cases (.0 pct) were missing.

Les effets qui nous intéressent ont à nouveau été mis en gras dans le tableau des

résultats ci-dessus.

21

Il n'y a donc pas d'effets simples significatifs, par contre, la probabilité de l'effet

d'interaction est inférieure à 5% (p = 0.7%).

On peut alors représenter graphiquement les résultats de cette manière :

4

3 . 5

3

2 . 5

2

1 . 5

1

Filles

Garçons

Pratique

Générale

Prégymnasiale

Les moyennes sont calculées en utilisant les statistiques descriptives (voir pp. 9-10),

séparément pour les six groupes (utilisation de la fonction "Split File").

Corrélation

Les divers coefficients de corrélation permettent de tester si les variables varient

ensemble.

Pour les variables quantitatives, le coefficient est le r de Bravais-Pearson.

Pour les échelles ordinales, on a soit la corrélation de rang avec le ρ (rho) de

Spearman, soit le τ (tau) de Kendall.

Pour les échelles nominales, on en reste au Chi carré, avec la possibilité de calculer

le coefficient de contingence ou le coefficient de Cramer.

Exemple de corrélations (deux à deux) entre les variables Score1, Score3, Score4 et

Score8 (page suivante).

Chemin : Statistics (cid:164) Correlate (cid:164) Bivariate…

22

Permet de

choisir le test

adéquat.

A cocher si l'hypothèse

est orientée.

Dans notre exemple, nous ne formulons pas d'hypothèse orientée (voir explications

de l'hypothèse orientée pp. 14-15), c'est-à-dire que nous postulons d'éventuelles

corrélations entre les variables, sans indiquer le sens de ces liens (nous laissons

donc le test à deux queues ("Two-tailed").

Résultats

• - Correlation Coefficients - -

SCORE1 SCORE3 SCORE4 SCORE8

SCORE1 1.0000 .0894 -.1288 .0841

( 250) ( 250) ( 250) ( 250)

P= . P= .159 P= .042 P= .185

Coefficient de

corrélation r.

Nombre de sujets.

SCORE3 .0894 1.0000 -.2354 .1689

( 250) ( 250) ( 250) ( 250)

P= .159 P= . P= .000 P= .007

Probabilité

associée au r.

SCORE4 -.1288 -.2354 1.0000 -.0797

( 250) ( 250) ( 250) ( 250)

P= .042 P= .000 P= . P= .209

SCORE8 .0841 .1689 -.0797 1.0000

( 250) ( 250) ( 250) ( 250)

P= .185 P= .007 P= .209 P= .

(Coefficient / (Cases) / 2-tailed Significance)

" . " is printed if a coefficient cannot be computed

23

SPSS calcule toute les corrélations possibles deux à deux et les présente sous

forme de tableau croisé. On ne s'intéresse donc qu'aux résultats en dessus (ou en

dessous) de la diagonale puisque ceux-ci sont identiques.

On observe donc dans nos résultats (tableau page précédente) trois corrélations

significatives (mises en gras) :

Corrélation négative entre Score1 et Score4 (ce qui veut dire en d'autres

termes : en général, plus le Score1 est élevé, plus le Score4 est petit).

Corrélation négative entre Score3 et Score4.

Corrélation positive entre Score3 et Score8 (ce qui veut dire en d'autres

termes : en général, plus le Score3 est élevé, plus le Score8 est élevé).

On constate que si le nombre de sujets est grand (ici, 250), les corrélations seront

vite significatives (dès 0.12 dans notre exemple) alors que le coefficient varie de 0 à

1 pour les corrélations positives et de 0 à -1 pour les corrélations négatives.

Si l'hypothèse est orientée (on postule à l'avance le sens de la corrélation) les

valeurs des probabilités sont divisées par deux, et par conséquent, les valeurs des

corrélations sont significatives à des valeurs encore inférieures à 0.12.

Régression multiple

Les régressions multiples permettent de tenir compte de plusieurs facteurs (ou

variables indépendantes) dans les relations avec la variable dépendante.

Toute les variables doivent être quantitatives.

Il existe plusieurs modèles, nous présentons ici le modèle "Backward" qui consiste à

prendre en compte l'ensemble des variables indépendantes dans la première série

de calculs, puis d'enlever au fur et à mesure les variables dont la contribution est la

plus faible, jusqu'à l'élaboration d'un modèle adéquat.

Les explications et l'interprétation des résultats suivront l'exemple.

Dans l'exemple qui suit, nous essayons de définir parmi les facteurs Score3, Score4

et Score5, lesquels sont en lien avec le Score1 (variable dépendante), et la force de

ce lien.

Chemin : Statistics (cid:164) Regression (cid:164) Linear…

24

Permet de choisir le

type de régression

multiple.

Résultats

• 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 Dependent Variable.. SCORE1

1ère étape

Block Number 1. Method: Enter

Variable(s) Entered on Step Number

1.. SCORE5

2.. SCORE3

3.. SCORE4

Coefficient de régression

multiple.

Multiple R .20076

R Square .04030

Adjusted R Square .02860

Standard Error .82391

Coefficient de

détermination ajusté.

Analysis of Variance

DF Sum of Squares Mean Square

Regression 3 7.01311 2.33770

Residual 246 166.99089 .67882

F = 3.44375 Signif F = .0174

Coefficient

standardisé pour

chaque variable.

------------------ Variables in the Equation ------------------

Variable B SE B Beta T Sig T

SCORE3 .060095 .063031 .061274 .953 .3413

SCORE4 -.091747 .049337 -.119595 -1.860 .0641

SCORE5 .147294 .065023 .141589 2.265 .0244

(Constant) 3.086916 .238433 12.947 .0000

End Block Number 1 All requested variables entered.

Les trois variables

sont prises en

compte.

25

• M U L T I P L E R E G R E S S I O N *

Equation Number 1 Dependent Variable.. SCORE1

Block Number 2. Method: Backward Criterion POUT .1000

SCORE3 SCORE4 SCORE5

2ème étape

Variable(s) Removed on Step Number

4.. SCORE3

Multiple R .19172

R Square .03676

Adjusted R Square .02896

Standard Error .82376

La variable avec le plus petit

coefficient est enlevée du

modèle.

Analysis of Variance

DF Sum of Squares Mean Square

Regression 2 6.39606 3.19803

Residual 247 167.60794 .67857

F = 4.71286 Signif F = .0098

------------------ Variables in the Equation ------------------

Variable B SE B Beta T Sig T

SCORE4 -.102827 .047940 -.134037 -2.145 .0329

SCORE5 .147832 .065009 .142106 2.274 .0238

(Constant) 3.237118 .178940 18.091 .0000

Probabilité associée

au F de Fisher.

------------- Variables not in the Equation -------------

Variable Beta In Partial Min Toler T Sig T

SCORE3 .061274 .060676 .943238 .953 .3413

End Block Number 2 POUT = .100 Limits reached.

Contributions.

Au terme de ce calcul, deux variables restent dans l'équation (Score4 et Score5),

alors que Score3 a été enlevé.

On peut alors voir les contributions de chaque variable restante à l'explication de la

variable dépendante (Score1).

De manière mathématique :

Score1 = - 0.103 ∗ Score4 + 0.147 ∗ Score5 + 3.24 (constante)

Cette formule correspond à la formule de la droite de régression liée au coefficient de

Bravais-Pearson pour les corrélations.

Les coefficients de régressions standardisés permettent de pouvoir comparer les

contributions de chaque variable indépendamment de leur étendue.

26

Conclusion

De nombreuses autres possibilités existent parmi les tests statistiques proposés

dans SPSS. N'hésitez pas à utiliser le tutorial, les différentes formes d'aide à

disposition, …

Nous vous recommandons aussi d'améliorer la pertinence de vos tests en allant

chercher dans les op...