Comment effectuer un test de Kruskal-Wallis dans SPSS

Dans le domaine de l’analyse statistique appliquée aux sciences humaines, sociales et biomédicales, les chercheurs se heurtent fréquemment à des données qui dérogent aux postulats classiques de la modélisation paramétrique. Lorsque le protocole expérimental implique la comparaison de trois groupes indépendants ou davantage, le réflexe méthodologique standard conduit vers l’analyse de variance univariée (ANOVA à un facteur). Néanmoins, cette dernière repose sur des exigences strictes : la normalité de la distribution des résidus au sein de chaque population parente, l’homogénéité des variances intra-groupes (homoscédasticité) et la nature métrique continue de la variable dépendante mesurée sur une échelle d’intervalles ou de rapports. Dès lors que ces hypothèses fondamentales se trouvent compromises — qu’il s’agisse de distributions fortement asymétriques, d’échantillons de taille restreinte ou de variables intrinsèquement ordinales — le recours aux statistiques paramétriques expose l’analyste à une distorsion sensible du taux d’erreur de première espèce et à une perte dramatique de puissance statistique.

Face à ces contraintes distributionnelles, le test de Kruskal-Wallis s’impose comme l’alternative non paramétrique par excellence. Conçu initialement par les statisticiens William Kruskal et W. Allen Wallis au début des années 1950, ce test d’hypothèse globale permet d’évaluer s’il existe des différences statistiquement significatives entre plusieurs échantillons indépendants en substituant aux valeurs brutes leurs rangs respectifs au sein de l’échantillon combiné. Au sein du logiciel de référence IBM SPSS Statistics, la mise en œuvre de cette procédure bénéficie d’une double architecture logicielle : d’une part, les boîtes de dialogue historiques (Legacy Dialogs), réputées pour leur sobriété opérationnelle et leur contrôle direct des paramètres d’exécution ; d’autre part, le module contemporain des tests non paramétriques (Model Viewer), qui intègre une automatisation sophistiquée des diagnostics, des visualisations graphiques avancées et des procédures de comparaison par paires ajustées.

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, psychométriciens, data analysts et étudiants universitaires dans la maîtrise intégrale du test de Kruskal-Wallis sous SPSS. De la formalisation mathématique sous-jacente aux subtilités de configuration logicielle, en passant par le dépistage des postulats méthodologiques, le calcul manuel et automatisé de la taille de l’effet, l’analyse post-hoc rigoureuse et la rédaction académique normalisée selon les critères de l’American Psychological Association (APA 7e édition), chaque étape est disséquée avec une précision chirurgicale. En s’appuyant sur un cas concret issu de la recherche clinique évaluant l’efficacité différentielle de traitements antalgiques sur des scores d’intensité douloureuse, cet article offre une feuille de route définitive pour transformer vos données ordinales ou asymétriques en inférences scientifiques irréprochables.

1. Introduction et fondements théoriques du test de Kruskal-Wallis

1.1 Définition et équivalence non paramétrique de l’ANOVA à un facteur

Le test de Kruskal-Wallis, également désigné sous l’appellation d’analyse de variance à un facteur sur rangs (Kruskal-Wallis one-way analysis of variance by ranks), constitue une extension directe du test U de Mann-Whitney (ou test de la somme des rangs de Wilcoxon) au cas où le dispositif expérimental comporte k groupes indépendants, avec k supérieur ou égal à 3. Alors que le test U de Mann-Whitney se limite à la confrontation de deux échantillons indépendants, le test de Kruskal-Wallis généralise ce paradigme afin de tester l’hypothèse nulle selon laquelle k échantillons proviennent de la même population continue ou de populations ayant des fonctions de répartition identiques.

Sur le plan conceptuel, le test de Kruskal-Wallis occupe exactement la même position fonctionnelle par rapport à l’ANOVA unidirectionnelle paramétrique que le test U de Mann-Whitney par rapport au test t de Student pour échantillons indépendants. Là où l’ANOVA décompose la variance totale observée en une composante inter-groupes (due aux effets du traitement) et une composante intra-groupes (due à l’erreur résiduelle ou variabilité aléatoire) sur la base des moyennes arithmétiques et des carrés des écarts, le test de Kruskal-Wallis opère une translation radicale de l’espace métrique vers l’espace ordinal. Il ne s’intéresse plus aux grandeurs numériques directes des observations, mais à la disposition relative de ces observations les unes par rapport aux autres.

Ce processus de transformation par rangs (rank transformation) neutralise les exigences relatives à l’échelle de mesure d’origine. Les valeurs quantitatives continues ou ordinales sont converties en une série discrète de nombres entiers représentant leur position ordonnée au sein de la distribution globale mutualisée. Par conséquent, les contraintes d’intervalles égaux entre échelons consécutifs — postulat fondamental des échelles métriques — sont abrogées. Le test devient ainsi totalement invariant sous n’importe quelle transformation monotone croissante des données originales, conférant à la méthode une robustesse mathématique exceptionnelle face aux artefacts d’échelle qui polluent fréquemment les instruments d’évaluation subjective.

1.2 Pertinence méthodologique en recherche psychologique

En psychologie clinique, en neuropsychologie et en sciences du comportement, la grande majorité des outils psychométriques génère des variables qui violent délibérément les postulats sous-jacents aux modèles gaussiens. L’exemple le plus prégnant réside dans l’utilisation omniprésente des échelles de Likert (souvent graduées de 1 à 5 ou de 1 à 7) et des échelles visuelles analogiques (EVA) discrétisées. Bien qu’une pratique courante mais contestable consiste à traiter les scores composites comme des variables d’intervalle, les scores d’items isolés ou les inventaires courts mesurant des constats subjectifs — tels que l’intensité de la douleur, le degré d’anxiété perçu, l’alliance thérapeutique ou la sévérité d’un symptôme dépressif — sont intrinsèquement ordinaux. L’écart perçu entre un score de 1 (« Absence de douleur ») et de 2 (« Douleur légère ») ne possède aucune garantie d’équivalence métrique avec l’intervalle séparant un score de 6 (« Douleur sévère ») d’un score de 7 (« Douleur insupportable »).

Par ailleurs, la psychopathologie et les neurosciences comportementales confrontent quasi systématiquement les chercheurs à des distributions sévèrement asymétriques (skewed distributions). Dans les populations cliniques, la présence d’effets de plancher (par exemple, une majorité de participants sains présentant un score d’idéation suicidaire nul ou proche de zéro) ou d’effets de plafond (saturation des scores lors de tâches cognitives simples chez des témoins) engendre des distributions en « L » ou en « J » inversé. L’application mécanique d’une ANOVA paramétrique dans ces contextes entraîne une augmentation substantielle des erreurs d’inférence, en distordant l’estimation de l’erreur type de la moyenne et en biaisant la statistique de Fisher.

Enfin, la recherche translationnelle et les protocoles expérimentaux hautement contrôlés se heurtent souvent à la réalité des cohortes cliniques réduites. Dans les essais évaluant des pathologies rares, les études d’imagerie par résonance magnétique fonctionnelle (IRMf) ou les thérapies comportementales individualisées, les effectifs par cellule tombent couramment sous le seuil de 15 à 20 sujets. Dans de telles conditions, le théorème central limite (Central Limit Theorem), qui garantit la convergence asymptotique de la distribution des moyennes d’échantillonnage vers la normalité pour de grands effectifs, ne peut être invoqué. Le test de Kruskal-Wallis offre ici un rempart méthodologique indispensable, garantissant la validité du test d’hypothèse sans nécessiter d’ajustements artificiels ou de postulats non vérifiables.

1.3 Logique mathématique du classement par rangs

La mécanique inférentielle du test de Kruskal-Wallis repose sur un algorithme élégant qui débute par la décontextualisation des données d’origine. Soit une étude comprenant k groupes expérimentaux indépendants, chaque groupe j comportant n_j observations, l’échantillon total combiné étant désigné par N (où N est égal à la somme des n_j pour j variant de 1 à k). La première opération consiste à rassembler la totalité des N observations issues de tous les groupes au sein d’une série statistique unique non segmentée.

Ces N scores sont ensuite ordonnés de manière strictement ascendante, du plus petit au plus grand. Chaque observation se voit assigner un rang entier, s’échelonnant de 1 (pour la valeur la plus basse) à N (pour la valeur la plus élevée). En présence de valeurs identiques — phénomène qualifié d’égalités ou d’ex æquo (ties) — la procédure conventionnelle attribue à chaque score répété le rang moyen (rang médian partagé) qu’ils auraient occupé s’ils avaient été distincts. Par exemple, si les quatrième, cinquième et sixième scores de la distribution globale sont strictement identiques, chacun d’eux reçoit le rang moyen 5, c’est-à-dire le quotient de la somme de 4, 5 et 6 par 3.

Une fois le classement exhaustif établi, les rangs sont redistribués à leurs groupes expérimentaux respectifs. Pour chaque groupe j, deux grandeurs descriptives fondamentales sont calculées : la somme des rangs, notée R_j, et le rang moyen, noté R̄_j, obtenu en divisant R_j par n_j. Sous l’hypothèse nulle (H₀), les populations d’origine sont identiques ; les observations sont donc censées se répartir de manière aléatoire et uniforme dans l’ensemble des groupes. Le rang moyen attendu théoriquement pour n’importe quel groupe sous H₀ est égal au rang moyen global de l’échantillon combiné, défini par l’expression mathématique suivante :

Rang moyen théorique global = (N + 1) / 2

La statistique de test, conventionnellement désignée par la lettre H, quantifie la déviation quadratique globale des rangs moyens observés dans chaque groupe par rapport à ce rang moyen attendu sous l’hypothèse nulle. La formule computationnelle standard sans ex æquo s’exprime comme suit :

H = [ 12 / (N * (N + 1)) ] * Σ [ (R_j²) / n_j ] – 3 * (N + 1)

Lorsque des égalités sont présentes dans le jeu de données, la variance des rangs assignés est mécaniquement réduite, ce qui entraîne une légère sous-estimation de la statistique H. Pour compenser ce biais, un facteur de correction standardisé C est appliqué au dénominateur :

C = 1 – [ Σ (t_m³ – t_m) / (N³ – N) ]

Dans cette formulation de correction, t_m représente le nombre d’observations ex æquo associées au m-ième groupe de valeurs identiques. La statistique H corrigée pour les égalités s’obtient ainsi en divisant le H brut par ce coefficient C. Lorsque la taille globale de l’échantillon est suffisante (généralement lorsque chaque sous-groupe comporte au moins cinq observations), la statistique H suit asymptotiquement une distribution théorique du Khi-deux (χ²) dont le nombre de degrés de liberté est strictement égal au nombre de groupes moins un, soit df = k – 1.

2. Conditions d’application et postulats méthodologiques

2.1 Nature et indépendance des variables d’étude

Bien que le test de Kruskal-Wallis soit exempt de l’exigence de normalité des distributions, son emploi rigoureux n’en demeure pas moins assujetti à des conditions d’application méthodologiques précises. La première condition concerne l’échelle de mesure de la variable dépendante (ou variable de réponse). Celle-ci doit impérativement être mesurée au minimum sur une échelle ordinale, ou sur une échelle continue d’intervalles ou de rapports. Les variables nominales pures (comme le groupe sanguin, le statut matrimonial ou le canton géographique), dépourvues de toute relation d’ordre sous-jacente, sont strictement inéligibles à ce test ; elles relèvent de tests d’indépendance de tables de contingence tels que le Khi-deux de Pearson.

La variable indépendante (ou facteur de regroupement), quant à elle, doit être une variable catégorielle nominale ou ordinale comportant au minimum trois modalités qualitatives mutuellement exclusives. Chaque participant ou unité statistique expérimentale ne peut appartenir qu’à une seule et unique condition à la fois. Si la variable indépendante ne comporte que deux modalités, le test de Kruskal-Wallis demeure mathématiquement valide mais s’avère parfaitement redondant avec le test U de Mann-Whitney, dont la statistique H sera rigoureusement égale au carré de la statistique standardisée z associée.

Le postulat le plus critique et le plus rigide réside dans l’indépendance stricte des observations, tant à l’intérieur de chaque groupe qu’entre les différents groupes comparés. Cela signifie que l’assignation d’un sujet à un groupe donné et la valeur de sa mesure ne doivent en aucun cas être corrélées ou conditionnées par les mesures d’autres participants. Ce critère exclut de facto l’utilisation du test de Kruskal-Wallis dans les protocoles longitudinaux, les plans à mesures répétées ou les schémas intra-sujets (où les mêmes participants sont évalués à différents temps de mesure ou sous différentes conditions). Dans de telles configurations dépendantes, l’équivalent non paramétrique requis est le test de Friedman.

2.2 Examen de la forme des distributions et hypothèses testées

L’une des ambiguïtés méthodologiques les plus persistantes dans la littérature concerne la formulation exacte de l’hypothèse nulle et de l’hypothèse alternative lors de l’exécution d’un test de Kruskal-Wallis. De nombreux manuels vulgarisés affirment péremptoirement que le test de Kruskal-Wallis constitue un « test de comparaison des médianes ». Cette assertion n’est exacte que sous une condition géométrique très spécifique : l’hypothèse d’homogénéité de la forme des distributions (distributional shape assumption).

De manière stricte et universelle, le test de Kruskal-Wallis teste l’hypothèse nulle selon laquelle les distributions des populations d’origine sont stochastiquement équivalentes face à l’hypothèse alternative selon laquelle au moins une population a tendance à produire des valeurs systématiquement plus élevées ou plus basses qu’une autre. En d’autres termes, le test omnibus compare les rangs moyens des différents groupes expérimentaux. Rien, dans les calculs sous-jacents, n’implique directement la médiane géométrique ou arithmétique de chaque sous-échantillon.

Toutefois, si le chercheur procède à une inspection visuelle préalable des données et établit de manière étayée que les distributions des différents groupes partagent une forme géométrique substantiellement similaire (c’est-à-dire un degré de symétrie, un aplatissement et une variabilité comparables, même si la distribution est nettement non normale), alors le test de Kruskal-Wallis acquiert le statut de test d’homogénéité des médianes. Dans cette perspective restreinte mais très commune, le rejet de l’hypothèse nulle autorise l’auteur à conclure formellement à une différence statistiquement significative entre les médianes des populations étudiées. Si les formes des distributions divergent profondément (par exemple, une distribution étirée vers la droite confrontée à une distribution bimodale et une distribution symétrique), le test demeure valide, mais la conclusion doit obligatoirement être circonscrite à une différence entre les rangs moyens ou entre les distributions de probabilité cumulées stochastiques.

2.3 Stratégies face aux violations méthodologiques

Que doit entreprendre le statisticien lorsque les distributions affichent des dissemblances morphologiques majeures ou lorsque d’autres entorses méthodologiques surviennent ? Face à une hétérogénéité marquée de la forme des distributions ou à des variances extrêmement disparates associées à des effectifs inégaux, l’interprétation des rangs moyens demeure techniquement correcte mais peut s’avérer trompeuse sur le plan clinique. Le test de Kruskal-Wallis est susceptible d’indiquer une significativité globale sous l’effet conjugué d’écarts de dispersion plutôt que de décalages de localisation centrale pure.

Par ailleurs, la présence de groupes fortement déséquilibrés en taille (par exemple, n₁ = 10, n₂ = 45 et n₃ = 80) affaiblit la robustesse asymptotique du test et pénalise sa puissance statistique. Si le groupe de faible effectif présente simultanément la plus grande dispersion, le risque d’inflation de l’erreur de type I est substantiellement accru, bien que de manière moins catastrophique que dans le cas d’une ANOVA paramétrique violant l’hypothèse d’homoscédasticité de Levene.

Dans ce genre de configuration critique, plusieurs alternatives décisionnelles doivent être envisagées de manière raisonnée :

• La transformation de variables : Tenter des transformations mathématiques sur la variable dépendante d’origine (logarithmique, racine carrée, puissance de Box-Cox) pour rétablir la normalité et l’homogénéité des variances, autorisant ainsi un retour vers l’ANOVA paramétrique standard ou l’ANOVA de Welch.
• L’ANOVA de Welch sur données brutes : Si la variable dépendante est continue et que seule l’homoscédasticité fait défaut, le test paramétrique de Welch pour échantillons indépendants s’avère particulièrement robuste à l’hétérogénéité des variances, y compris avec des distributions modérément non gaussiennes.
• Le rééchantillonnage bootstrap ou permutations exactes : Recourir aux algorithmes d’estimation non paramétrique par rééchantillonnage (Bootstrapping) ou aux tests de permutation exacte (Exact Tests), disponibles nativement au sein des extensions d’échantillonnage de SPSS, afin de calculer une valeur p empirique indépendante de toute distribution théorique limite.
• L’analyse des modèles linéaires généralisés (GLM / GAMLSS) : S’orienter vers la régression logistique ordinale à cotes proportionnelles, qui modélise explicitement la nature cumulative des données d’échelles de Likert sans postuler l’équidistance des catégories de réponse.

3. Préparation des données psychométriques dans SPSS

3.1 Structuration des variables dans la Vue des variables (Variable View)

La rigueur de toute modélisation statistique dépend intimement de la qualité de la configuration de la matrice de données. Dans l’environnement SPSS Statistics, cette phase architecturale s’effectue dans l’onglet Vue des variables (Variable View), situé au bas de la fenêtre de l’éditeur de données. Pour orchestrer correctement un test de Kruskal-Wallis, au moins deux colonnes de variables doivent être minutieusement paramétrées.

La première variable représente la variable indépendante catégorielle (facteur de classification). Dans la colonne Nom (Name), attribuez-lui un identifiant explicite dépourvu d’espaces et de caractères spéciaux, tel que Groupe_Traitement. Dans la colonne Type, conservez le format standard Numérique (Numeric), car le moteur de calcul de SPSS traite de manière optimale les identifiants codés sous forme numérique plutôt que textuelle (chaîne de caractères). La colonne Étiquette (Label) permet de documenter la désignation académique exhaustive, par exemple : « Condition d’intervention pharmacologique antalgique ».

L’étape indispensable réside dans la configuration des Valeurs (Values). Cliquez sur le bouton d’ellipse (…) au sein de cette cellule pour ouvrir la boîte de dialogue Étiquettes de valeurs (Value Labels). Définissez-y chaque condition expérimentale par un code entier distinct. Dans le cadre de notre exemple clinique sur la gestion de la douleur :

• Valeur 1 = Étiquette « Placebo »
• Valeur 2 = Étiquette « Molécule A (Analgésique standard) »
• Valeur 3 = Étiquette « Molécule B (Nouveau principe actif) »

Enfin, dans la colonne Mesure (Measure), sélectionnez impérativement la modalité Nominale ou Ordinale selon la nature intrinsèque des modalités comparées.

La seconde variable incarne la variable dépendante. Nommez-la, par exemple, Score_Douleur, avec pour étiquette « Évaluation subjective de la douleur post-traitement (Échelle 0-10) ». Dans la colonne Mesure, assignez-lui le niveau Ordinale (si l’évaluation repose sur une échelle d’évaluation numérique discrète ou une échelle de Likert) ou Échelle (Scale, si la mesure dérive d’une variable métrique continue ou quasi continue). Ce paramétrage strict du niveau de mesure est primordial pour le bon fonctionnement des assistants modernes de sélection de tests dans les versions récentes de SPSS.

3.2 Organisation du tableau de données dans la Vue des données (Data View)

Une fois les métadonnées déclarées, basculez dans l’onglet Vue des données (Data View). L’écueil classique rencontré par les analystes débutants habitués aux tableurs généralistes consiste à structurer les données au « format large » (wide format), c’est-à-dire en assignant une colonne distincte par groupe expérimental (par exemple : une colonne pour le groupe Placebo, une colonne pour le groupe Molécule A, et une colonne pour le groupe Molécule B). Cette disposition matricielle est formellement prohibée pour le traitement des échantillons indépendants sous SPSS.

SPSS exige une organisation stricte au format long (long format ou format unaire), où chaque ligne horizontale représente une unité d’échantillonnage unique (un patient ou sujet spécifique) et chaque colonne verticale correspond à une variable mesurée. Si notre protocole expérimental comporte un échantillon global de 30 patients répartis équitablement à raison de 10 sujets par condition pharmacologique, la matrice de données doit être constituée de 30 lignes séquentielles.

Pour illustrer concrètement la disposition des données, le protocole expérimental standard se déploie selon la structure suivante :

• Les lignes 1 à 10 affichent le chiffre 1 dans la colonne Groupe_Traitement, accompagné des scores de douleur respectifs mesurés chez les participants du groupe Placebo (par exemple : 7, 8, 6, 9, 7, 8, 9, 6, 8, 7).
• Les lignes 11 à 20 présentent la valeur numérique 2 pour la colonne factorielle, associée aux scores des patients ayant reçu la Molécule A (par exemple : 5, 6, 4, 6, 5, 7, 4, 5, 6, 5).
• Les lignes 21 à 30 contiennent la valeur 3 pour le groupe, juxtaposée aux mesures obtenues sous la Molécule B (par exemple : 3, 2, 4, 3, 1, 3, 2, 4, 3, 2).

Avant d’engager toute démarche inférentielle, activez l’icône Étiquettes de valeurs (représentée par une étiquette barrée des mentions 1 -> A) sur la barre d’outils supérieure pour vérifier visuellement que les codes numériques s’affichent alternativement sous leur forme brute ou sous leurs libellés descriptifs textuels, confirmant ainsi l’intégrité de l’encodage relationnel.

3.3 Nettoyage préliminaire et détection des données aberrantes

Avant d’exécuter la statistique de test, une étape rigoureuse d’épuration des données s’avère indispensable. Celle-ci comprend deux volets cardinaux : la gestion des données manquantes et le traitement des observations extrêmes (outliers).

Dans la Vue des variables, au sein de la colonne Manquant (Missing), déterminez explicitement les valeurs discrètes réservées aux non-réponses, aux abandons de protocole ou aux refus d’évaluation (par exemple : -99 ou 999). Cette précaution évite que SPSS n’agrège ces codes numériques aberrants au sein des calculs de rangs, ce qui fausserait dramatiquement les sommes de rangs et conduirait à des conclusions fallacieuses.

L’identification des données aberrantes s’effectue idéalement via le menu d’exploration univariée : accédez à Analyser > Statistiques descriptives > Explorer (Analyze > Descriptive Statistics > Explore). Transférez Score_Douleur dans la liste des Variables dépendantes et Groupe_Traitement dans la liste des Facteurs. Dans l’onglet Graphiques (Plots), assurez-vous que la case Diagrammes en boîte (Boxplots) soit cochée avec l’option Regroupés par facteur.

À la lecture des sorties graphiques, SPSS signale les valeurs atypiques modérées par des cercles (observations situées entre 1,5 et 3 fois l’intervalle interquartile au-delà des quartiles supérieur ou inférieur) et les valeurs extrêmes par des astérisques (au-delà de 3 fois l’intervalle interquartile). L’un des atouts intrinsèques majeurs du test de Kruskal-Wallis réside dans son immunité relative face aux données aberrantes isolées : puisqu’une valeur extrême est tronquée à son simple rang d’ordre (par exemple, un score anormalement élevé de 100 n’obtiendra que le rang maximal N = 30, exactement au même titre qu’un score de 11 qui serait le maximum de l’échantillon), elle n’exerce pas l’effet déstabilisant d’étirement de variance typique de la moyenne paramétrique. Néanmoins, il convient de vérifier si cette valeur ne résulte pas d’une erreur d’encodage matériel dans la matrice de données.

4. Procédure pas à pas via les boîtes de dialogue existantes (Legacy Dialogs)

4.1 Navigation dans l’interface des menus de tests non paramétriques

Bien qu’IBM SPSS Statistics ait développé un moteur unifié de tests non paramétriques depuis ses versions récentes, la méthode opératoire traditionnelle via les Boîtes de dialogue existantes (Legacy Dialogs) demeure immensément prisée par les chercheurs chevronnés et les analystes universitaires. Cette pérennité s’explique par sa clarté conceptuelle, sa transparence algorithmique et la restitution directe de sorties sous forme de tableaux tabulaires standards, facilement manipulables et exportables vers des logiciels de traitement de texte.

Pour initier cette analyse selon la méthode historique, déroulez le menu principal de SPSS selon l’arborescence suivante :

Analyser > Tests non paramétriques > Boîtes de dialogue existantes > Échantillons K indépendants…
(Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples…)

Cette sélection déclenche l’ouverture immédiate d’une boîte de dialogue modale intitulée Tests pour plusieurs échantillons indépendants (Tests for Several Independent Samples). Cette fenêtre se structure en deux zones majeures de sélection : le panneau de gauche, qui liste l’ensemble des variables déclarées dans votre fichier actif, et le panneau de droite, qui attend la désignation des rôles opérationnels dévolus à ces variables.

4.2 Assignation des variables et définition des étendues de groupes

Dans la colonne des variables disponibles située à gauche, localisez la variable dépendante continue ou ordinale (dans notre cas clinique : Score_Douleur). Cliquez sur cette variable pour la surligner, puis actionnez le bouton fléché supérieur orienté vers la droite afin de la transférer dans la liste intitulée Liste des variables à tester (Test Variable List). Il est à noter que vous pouvez insérer simultanément plusieurs variables dépendantes au sein de cette zone ; SPSS traitera alors chaque variable de manière séquentielle en exécutant un test de Kruskal-Wallis distinct pour chacune d’entre elles.

Sélectionnez ensuite la variable catégorielle indépendante Groupe_Traitement et transférez-la au moyen de la flèche médiane dans le champ intitulé Variable de regroupement (Grouping Variable). Dès cet instant, vous constaterez que le bouton de confirmation OK demeure inactif et que la variable de groupe est affichée sous la forme Groupe_Traitement(? ?). Cette syntaxe indique que SPSS exige une définition manuelle de la plage de valeurs numériques à inclure dans l’analyse.

Cliquez sur le bouton Définir plage… (Define Range…) situé immédiatement en dessous du champ de la variable de regroupement. Une boîte de dialogue contextuelle secondaire s’affiche, présentant deux champs numériques obligatoires :

• Minimum : Saisissez le code numérique entier assigné à votre premier groupe expérimental (dans notre exemple, entrez la valeur 1 pour le groupe Placebo).
• Maximum : Saisissez le code numérique entier dévolu au dernier groupe de votre continuum factoriel (dans notre exemple, saisissez la valeur 3 pour le groupe Molécule B).

Cette fonctionnalité s’avère particulièrement puissante : si votre fichier de données initial comporte cinq conditions expérimentales codées de 1 à 5, mais que votre question de recherche actuelle ne concerne que les conditions 2 à 4, il vous suffit d’indiquer Minimum = 2 et Maximum = 4. SPSS exclura automatiquement de l’analyse toutes les observations n’appartenant pas à cet intervalle. Cliquez sur Poursuivre (Continue) pour valider cette sélection et revenir à la fenêtre principale.

4.3 Configuration des options d’analyse et validation du test

De retour dans la fenêtre principale, portez votre attention sur la section inférieure intitulée Type de test (Test Type). Assurez-vous que la case à cocher Kruskal-Wallis H soit rigoureusement activée par un crochet. Par défaut, SPSS propose également le test de la médiane (Median test) ou le test de Jonckheere-Terpstra ; ce dernier ne doit être coché que si vos groupes expérimentaux sous-tendent une hypothèse directionnelle a priori strictement ordonnée (par exemple : Dose faible < Dose moyenne < Dose forte).

Afin d’enrichir la finesse des sorties statistiques, cliquez sur le bouton Options… localisé dans l’angle supérieur droit de la boîte de dialogue. Une fenêtre d’options périphériques apparaît. Dans le cadre Statistiques, cochez impérativement la case Descriptives ainsi que la case Quartiles. L’activation des quartiles est une démarche méthodologique cardinale dans le cadre des analyses non paramétriques, car elle permettra de documenter la médiane (50e percentile) ainsi que le 25e et le 75e percentiles de chaque sous-échantillon dans le rapport final.

Dans la section Valeurs manquantes (Missing Values), laissez activée l’option par défaut Exclure les observations analyse par analyse (Exclude cases test-by-test). Cliquez sur Poursuivre. À ce stade, vous disposez de deux alternatives d’exécution : cliquer sur le bouton OK pour lancer l’exécution algorithmique immédiate et générer les sorties dans la fenêtre d’affichage (Viewer), ou cliquer sur le bouton Coller (Paste). Ce dernier bouton génère l’instruction de programmation formelle au sein de l’éditeur de syntaxe de SPSS, garantissant l’auditabilité et la reproductibilité intégrale de votre démarche empirique.

5. Procédure moderne via la commande standard des tests non paramétriques

5.1 Accès au module intégré des échantillons indépendants

Introduite pour moderniser l’expérience utilisateur et répondre aux standards contemporains du data mining, la procédure standardisée intégrée d’IBM SPSS offre un environnement analytique interactif unifié. Ce module ne se contente pas de calculer la statistique d’ordre ; il supervise l’intégralité du flux de travail, du diagnostic automatique des variables jusqu’à l’ajustement dynamique des comparaisons multiples post-hoc et la modélisation graphique vectorielle.

Pour mobiliser cette architecture avancée, suivez le cheminement de navigation suivant au sein de la barre des menus :

Analyser > Tests non paramétriques > Échantillons indépendants…
(Analyze > Nonparametric Tests > Independent Samples…)

Cette action ouvre une interface contemporaine structurée sous forme de classeur à trois onglets séquentiels : Objectif (Objective), Champs (Fields) et Paramètres (Settings). Dans le premier onglet, intitulé Objectif, trois boutons radio régissent le comportement de l’assistant logiciel :

• Comparer automatiquement les données aux groupes (sélection automatique du test approprié en fonction du nombre de modalités et des métadonnées).
• Comparer les médianes entre les groupes (sélectionne le test de Kruskal-Wallis ou de la médiane selon les options).
• Analyse personnalisée (Customize analysis).

Pour un chercheur désireux de maîtriser avec exactitude les paramètres méthodologiques de son inférence, il est formellement recommandé de sélectionner l’option Analyse personnalisée, évitant ainsi que SPSS ne prenne des décisions heuristiques opaques quant au choix des tests.

5.2 Définition des rôles des variables dans l’onglet Champs

Basculez ensuite vers le second onglet, intitulé Champs (Fields). Cet écran assure la distribution fonctionnelle des variables au sein de l’architecture du modèle statistique. La partie gauche présente la liste des variables éligibles issues de votre dictionnaire de données actif.

Sélectionnez la variable ordinale ou d’échelle Score_Douleur et faites-la glisser (ou transférez-la via la flèche centrale) dans l’encadré supérieur droit désigné sous l’étiquette Cibles (Test Fields). C’est sur cette variable que s’exercera la transformation par rangs et l’évaluation des décalages stochastiques.

Localisez ensuite la variable catégorielle Groupe_Traitement et insérez-la dans l’encadré inférieur intitulé Groupes (Groups). Contrairement à la procédure historique des boîtes de dialogue existantes, il n’est nullement requis de renseigner manuellement un intervalle de valeurs minimales et maximales via un sous-menu de définition de plage : l’algorithme sous-jacent lit de manière autonome l’ensemble des modalités exhaustives contenues dans la variable de groupe et dimensionne le modèle en conséquence. Il est toutefois impératif que le niveau de mesure ait été préalablement et adéquatement défini dans la Vue des variables (Ordinale/Nominale pour le groupe, Ordinale/Échelle pour la cible), sous peine de voir l’assistant bloquer le transfert des variables.

5.3 Personnalisation des tests et options d’ajustement automatique

L’étape de paramétrage fin s’opère au sein du troisième onglet, Paramètres (Settings). Dans la colonne d’options affichée à gauche, sélectionnez le menu Choisir les tests (Choose Tests). Activez le bouton radio Personnaliser les tests (Customize tests) afin de libérer l’accès aux options détaillées. Dans la section dévolue aux comparaisons inter-groupes, cochez impérativement la case ANOVA à un facteur de Kruskal-Wallis (échantillons k) (Kruskal-Wallis 1-way ANOVA (k samples)).

Sous cette sélection, un menu déroulant critique intitulé Comparaisons multiples (Multiple comparisons) s’illumine. Ce paramètre régit l’exécution automatique des contrastes post-hoc en cas de rejet de l’hypothèse nulle globale. Vous avez le choix entre :

• Toutes par paires (All pairwise) : Calcule la totalité des comparaisons deux à deux entre chaque modalité expérimentale via la méthode de Dunn avec ajustement strict de Bonferroni.
• Par étapes (Stepwise step-down) : Applique une procédure de comparaisons séquentielles par étapes, analogue au test de Student-Newman-Keuls ou de Ryan-Einot-Gabriel-Welsch.

Il est préconisé dans l’écrasante majorité des designs expérimentaux académiques de conserver l’option Toutes par paires.

Poursuivez en sélectionnant l’élément Options de test (Test Options) dans le menu vertical de gauche. Vous pouvez y stipuler le seuil de signification théorique alpha (généralement 0,05, correspondant à un intervalle de confiance de 95 %). Dans la section dévolue à l’ajustement de la valeur p pour les tests multiples, vérifiez que l’algorithme applique la correction de Bonferroni. Enfin, cliquez sur le bouton Exécuter (Run) situé en bas de l’interface pour lancer l’ensemble des modélisations intégrées.

6. Syntaxe SPSS pour l’exécution et l’automatisation du test

6.1 Structure et exécution de la commande NPAR TESTS

L’utilisation de la syntaxe de commande SPSS représente le standard méthodologique absolu dans la recherche scientifique contemporaine. Elle permet non seulement une reproductibilité parfaite des analyses statistiques conformément aux préconisations de la science ouverte, mais offre également un gain d’efficience considérable lors du traitement de jeux de données massifs ou itératifs.

Pour exécuter le test de Kruskal-Wallis selon le moteur classique, l’instruction maîtresse repose sur la commande NPAR TESTS. La structure du code s’articule comme suit :

NPAR TESTS
  /K-W=Score_Douleur BY Groupe_Traitement(1 3)
  /STATISTICS DESCRIPTIVES QUARTILES
  /MISSING ANALYSIS.

Analysons la décomposition syntaxique de cette directive :

• NPAR TESTS invoque le module d’exécution des statistiques non paramétriques générales de SPSS.
• La sous-commande /K-W= stipule l’exécution de l’algorithme de Kruskal-Wallis. Elle est suivie immédiatement de la variable dépendante à tester (Score_Douleur), du mot-clé opérateur BY, puis de la variable de classification indépendante (Groupe_Traitement). Entre parenthèses sont déclarées les valeurs minimale et maximale de l’étendue des groupes à comparer (dans notre cas clinique : 1 3).
• La sous-commande /STATISTICS DESCRIPTIVES QUARTILES ordonne l’adjonction au rapport de sortie des paramètres de statistique descriptive univariée standard ainsi que les valeurs relatives aux percentiles 25, 50 (médiane) et 75 pour l’échantillon global.
• La sous-commande /MISSING ANALYSIS précise la règle d’exclusion des données incomplètes en mode « test par test ».

Pour exécuter ce code, mettez l’intégralité du texte en surbrillance dans l’éditeur de syntaxe (Syntax Editor) et cliquez sur l’icône triangulaire verte Exécuter la sélection (ou utilisez le raccourci clavier standard Ctrl + R sous Windows, ou Cmd + R sous macOS).

6.2 Programmation avancée avec la commande NPTESTS

Pour exploiter par voie de programmation le module moderne de tests non paramétriques (introduit à partir de la version 18 d’IBM SPSS), c’est la commande haut niveau NPTESTS qui doit être mobilisée. Cette instruction dispose d’une flexibilité supérieure et permet de paramétrer directement les analyses post-hoc automatisées et la production de figures dynamiques.

Voici la formulation syntaxique optimale pour reproduire l’analyse standardisée avancée :

NPTESTS
  /INDEPENDENT TEST (Score_Douleur) GROUP (Groupe_Traitement)
    KRUSKAL_WALLIS(COMPARE=PAIRWISE)
  /CRITERIA ALPHA=0.05 CILEVEL=95.

Cette instruction se dissèque de la façon suivante :

• NPTESTS active le moteur moderne de tests non paramétriques interactifs.
• La directive /INDEPENDENT déclare que les échantillons soumis à l’investigation sont mutuellement indépendants.
• Le mot-clé TEST (Score_Douleur) désigne la variable cible à évaluer.
• L’opérateur GROUP (Groupe_Traitement) identifie la variable factorielle inter-sujets.
• La spécification KRUSKAL_WALLIS(COMPARE=PAIRWISE) ordonne non seulement le calcul du test omnibus de Kruskal-Wallis, mais prescrit explicitement à l’algorithme de déclencher les comparaisons multiples de Dunn par paires corrigées par l’ajustement de Bonferroni en cas de résultat significatif.
• La clause /CRITERIA ALPHA=0.05 CILEVEL=95 fixe le niveau d’erreur de première espèce toléré à 5 % et calibre l’estimation des intervalles de confiance associés à 95 %.

6.3 Avantages de l’approche syntaxique pour la recherche universitaire

Bien que l’environnement d’interfaces graphiques conviviales (GUI) constitue un indéniable vecteur d’accessibilité pour les néophytes, l’approche programmatique via des fichiers de commandes syntaxiques (fichiers d’extension .sps) procure des garanties épistémologiques et logistiques sans commune mesure dans la recherche professionnelle :

• La reproductibilité computationnelle intégrale : Dans le cadre des exigences de transparence imposées par les comités éditoriaux internationaux et les organismes de financement de la recherche (directives FAIR Data Principles), la conservation du code syntaxique offre une traçabilité inviolable de l’ensemble des manipulations opérées sur les données brutes.
• La minimisation drastique de l’erreur humaine : La manipulation répétée de menus déroulants lors de sessions d’analyse multiples expose le chercheur à des clics accidentels, des oublis de recochage d’options ou des erreurs de saisie dans les bornes numériques de groupe. Le script garantit une exécution rigoureusement identique quelles que soient les itérations.
• L’évolutivité et le traitement par lots : Si le protocole expérimental requiert la réplication du test de Kruskal-Wallis sur 50 sous-échelles psychométriques différentes, la modification du script prend quelques secondes par substitution de chaînes textuelles, évitant ainsi des heures de navigation fastidieuse dans les boîtes de dialogue.

7. Interprétation détaillée des tableaux de résultats (Outputs SPSS)

7.1 Analyse du tableau descriptif des rangs (Ranks Table)

Lorsque vous lancez le test de Kruskal-Wallis via la commande historique NPAR TESTS, la fenêtre d’affichage des résultats (SPSS Viewer) restitue immédiatement deux tableaux statistiques cruciaux. Le tout premier s’intitule Rangs (Ranks).

Ce tableau présente, pour chaque modalité de la variable indépendante déclarée dans l’analyse, trois informations numériques indispensables :

• La colonne Groupe : Elle énumère les libellés contextuels de vos conditions expérimentales (dans notre exemple clinique : « Placebo », « Molécule A » et « Molécule B »).
• La colonne N : Elle indique l’effectif valide et pris en compte dans le calcul algorithmique pour chaque sous-groupe. Il est capital de confronter ces chiffres avec vos données de recueil pour déceler d’éventuelles pertes d’observations dues à des valeurs manquantes. Dans notre protocole, nous observons strictement N = 10 pour chaque condition.
• La colonne Rang moyen (Mean Rank) : C’est la métrique centrale autour de laquelle s’articule toute l’inférence. Elle résulte de la somme de tous les rangs attribués aux observations du groupe divisée par l’effectif N dudit groupe.

Dans notre étude clinique sur la douleur post-interventionnelle, supposons que les sorties SPSS indiquent les rangs moyens suivants :

• Placebo : Rang moyen = 23,80
• Molécule A : Rang moyen = 15,40
• Molécule B : Rang moyen = 7,30

Sur le plan purement descriptif, ces grandeurs démontrent une hiérarchie très nette : le groupe Placebo exhibe les rangs les plus élevés au sein de la distribution combinée (signifiant des niveaux de douleur résiduelle sévères), le groupe traité par l’analgésique standard (Molécule A) se situe dans une position intermédiaire, tandis que les patients ayant reçu le nouveau principe actif (Molécule B) concentrent les rangs les plus faibles (attestant d’une réduction drastique de la symptomatologie algique). Le rang moyen attendu sous l’hypothèse nulle d’absence totale d’effet étant égal à (30 + 1) / 2 = 15,50, nous constatons immédiatement que la Molécule A se positionne très près de la moyenne théorique sous H₀, alors que le Placebo s’en écarte positivement et la Molécule B négativement.

7.2 Évaluation de la statistique de test et des degrés de liberté

Le second tableau généré par la procédure historique s’intitule Statistiques de test (Test Statistics). Ce panneau synthétise l’estimation computationnelle de l’écart omnibus entre les groupes.

La première ligne affiche la statistique Khi-deux de Kruskal-Wallis (Kruskal-Wallis Chi-Square), qui correspond exactement à la valeur numérique de la statistique H présentée dans notre section mathématique théorique, intégrant d’office la correction pour les ex æquo (égalités). Supposons que la valeur reportée ici soit :

Khi-deux = 19,425

La deuxième ligne indique les Degrés de liberté (df pour degrees of freedom). Dans le cadre du test de Kruskal-Wallis, cette valeur est rigoureusement définie par la formule k – 1, où k représente le nombre de groupes distincts engagés dans la comparaison. Ayant soumis 3 conditions expérimentales à notre protocole, la sortie indique immanquablement :

df = 2 (soit 3 – 1)

Cette information est déterminante : elle fixe la courbe théorique de la distribution d’échantillonnage du Khi-deux à laquelle la valeur observée H = 19,425 sera confrontée pour déterminer la probabilité d’obtenir une telle configuration par simple fluctuation d’échantillonnage aléatoire.

7.3 Décision statistique basée sur la valeur p (Seuil de signification)

La ligne terminale du tableau des statistiques de test présente la Signification asymptotique (Asymp. Sig.), communément désignée sous le symbole statistique p. Cette métrique quantifie l’exacte probabilité d’observer une valeur du Khi-deux égale ou supérieure à 19,425 sous l’hypothèse nulle selon laquelle les rangs moyens des populations seraient rigoureusement équivalents.

Dans notre cas expérimental, la valeur affichée par SPSS est 0,000. Il convient de rappeler avec force une règle académique fondamentale : une valeur p n’étant jamais strictement nulle en probabilité théorique, l’affichage .000 signifie simplement que la valeur calculée est inférieure au millième le plus proche (soit p < 0,001). Si l’on compare cette statistique au seuil d’erreur alpha conventionnel préalablement consigné à α = 0,05, la conclusion s’impose avec une clarté absolue :

p < 0,001 < 0,05

En vertu de cette disparité, nous sommes fondés à rejeter catégoriquement l’hypothèse nulle (H₀) et à adopter l’hypothèse alternative (H₁). Il existe une différence statistiquement très significative entre les conditions de traitement pharmacologique quant à l’intensité de la douleur ressentie par les participants.

Toutefois, pour les protocoles cliniques reposant sur de très faibles effectifs (par exemple, n_j < 5 par groupe), la distribution d’échantillonnage de la statistique H diverge de la distribution théorique du Khi-deux. Dans cette configuration singulière, la consultation de la signification asymptotique devient hasardeuse. Il convient d’examiner préférentiellement la Signification exacte (Exact Sig.) ou la Signification de Monte Carlo, générées si le module Exact Tests a été préalablement sollicité dans SPSS. La décision d’inférence s’aligne alors sur cette valeur exacte non paramétrique.

8. Analyses post-hoc et ajustement des comparaisons par paires

8.1 Nécessité méthodologique des tests a posteriori

L’obtention d’un résultat omnibus statistiquement significatif au test de Kruskal-Wallis (p < 0,05) certifie de manière formelle qu’au moins l’un des groupes expérimentaux présente un comportement stochastiquement divergent par rapport aux autres. Néanmoins, à l’instar de l’ANOVA paramétrique, le test de Kruskal-Wallis est un test omnibus (global) : il est totalement incapable de localiser avec précision la source structurelle de ces disparités.

Face à nos trois groupes (Placebo, Molécule A, Molécule B), plusieurs scénarios empiriques demeurent compatibles avec la significativité globale :

• Le Placebo diffère-t-il significativement de la Molécule A et de la Molécule B, tandis que les deux molécules actives induisent des effets indiscernables ?
• La Molécule B surpasse-t-elle seule l’ensemble des autres conditions, sans qu’aucun écart mesurable n’émerge entre le Placebo et la Molécule A ?
• Chaque condition expérimentale est-elle mutuellement et significativement différenciée de l’ensemble des autres alternatives ?

Tenter de répondre à ces interrogations en menant des comparaisons multiples désordonnées sans contrôle statistique expose le chercheur à l’écueil redoutable de l’inflation de l’erreur de première espèce (Familywise Error Rate). Si l’on effectue c comparaisons indépendantes au seuil standard α = 0,05, la probabilité cumulée α_global de commettre au moins un faux positif (déclarer une différence significative qui n’est le fruit que du hasard) explose selon la fonction exponentielle :

α_global = 1 – (1 – α)^c

Pour nos trois comparaisons potentielles (c = 3), ce risque cumulé s’élève déjà à près de 14,3 %, rendant obligatoire le recours à des procédures d’ajustement post-hoc rigoureuses.

8.2 Procédure de Dunn et correction de Bonferroni sous SPSS

L’approche de référence standardisée recommandée par la littérature internationale pour conduire des contrastes post-hoc après un test de Kruskal-Wallis est la procédure de Dunn (1964), combinée à une correction de contrôle du taux d’erreur de Bonferroni. Cette méthodologie calcule la différence entre les rangs moyens de chaque paire de groupes, puis la standardise en la divisant par l’erreur type de la différence de rangs sous l’hypothèse nulle globale.

Dans l’architecture moderne de SPSS (accessible via la commande NPTESTS ou le visualiseur de modèle Model Viewer), ces contrastes sont orchestrés de manière native. Lorsque vous double-cliquez sur le tableau récapitulatif dans la fenêtre d’affichage, la fenêtre interactive s’ouvre. Dans le sélecteur d’affichage situé en bas à droite, choisissez l’élément Comparaisons par paires (Pairwise Comparisons).

Le tableau matriciel généré par SPSS restitue les données analytiques suivantes pour chaque paire évaluée :

• La colonne Échantillon 1 – Échantillon 2 (identification de la paire, par exemple : « Molécule B – Placebo »).
• La colonne Statistique de test (la différence brute entre les rangs moyens respectifs des deux groupes).
• La colonne Erreur standard (l’erreur type théorique associée au contraste de rangs).
• La colonne Statistique de test standardisée (valeur z obtenue en divisant la différence des rangs moyens par son erreur type).
• La colonne Signification (valeur p brute univariée non corrigée).
• La colonne Signification ajustée (valeur p corrigée par la méthode de Bonferroni).

SPSS opère la correction de Bonferroni en multipliant la valeur p brute par le nombre total de comparaisons planifiées (dans ce cas, multiplication par 3). Si le résultat calculé excède 1,000, SPSS le plafonne automatiquement à 1,000. L’interprétation s’effectue exclusivement au regard de cette Signification ajustée (Adj. Sig.) : dès lors qu’elle s’avère inférieure à 0,05, le contraste par paire est formellement proclamé statistiquement significatif.

8.3 Alternative classique : Décomposition par tests U de Mann-Whitney

Bien que la méthode de Dunn soit l’approche privilégiée par les théoriciens contemporains, une tradition analytique substantielle dans les laboratoires universitaires consiste à décomposer le modèle omnibus significatif en une série de tests U de Mann-Whitney indépendants exécutés séparément sur chaque sous-paire de conditions.

Si vous choisissez cette voie dans les boîtes de dialogue existantes, la démarche opératoire exige l’exécution successive de trois tests U (Placebo vs Molécule A, Placebo vs Molécule B, Molécule A vs Molécule B) via le menu Analyser > Tests non paramétriques > Boîtes de dialogue existantes > Deux échantillons indépendants. Toutefois, l’application directe des sorties non ajustées constitue une faute méthodologique rédhibitoire.

Le chercheur doit manuellement recalculer le seuil alpha d’acceptation selon la règle stricte de Bonferroni :

α_ajusté = α_initial / c = 0,05 / 3 ≈ 0,0167

Dans ce cadre, une comparaison par paire issue d’un test U de Mann-Whitney ne sera tenue pour valide et significative que si et seulement si sa valeur p empirique est inférieure à 0,0167.

Bien que courante, cette méthode stratifiée présente une faiblesse mathématique par rapport au test de Dunn : le test U de Mann-Whitney réattribue de nouveaux rangs au sein de la sous-cohorte restreinte formée uniquement des deux groupes confrontés, négligeant ainsi l’information d’échantillonnage globale issue de la mutualisation initiale de tous les groupes. La procédure de Dunn, quant à elle, utilise les rangs moyens issus du classement global combiné, préservant ainsi une meilleure stabilité et une fidélité accrue au modèle omnibus.

9. Calcul et interprétation de la taille de l’effet

9.1 Formulation de l’êta-carré basé sur le H de Kruskal-Wallis

La publication de résultats scientifiques contemporains ne saurait désormais se cantonner à la simple divulgation de la valeur p. Les directives éditoriales internationales exigent formellement le signalement systématique d’un indice quantitatif standardisé de la taille de l’effet (effect size), permettant de dissocier la significativité statistique (tributaire de la taille de l’échantillon) de la pertinence empirique et de l’amplitude concrète du phénomène étudié.

Pour le test omnibus de Kruskal-Wallis, l’indicateur le plus couramment mobilisé est l’êta-carré non paramétrique basé sur la statistique H, désigné sous le symbole η_H². Cet indice estime la proportion de la variance totale des rangs imputable au facteur de regroupement inter-sujets. Son équation computationnelle s’exprime selon la formule établie par Green et Salkind (2008) :

η_H² = (H – k + 1) / (N – k)

Examinons l’application de cette métrique aux grandeurs issues de notre protocole expérimental :

• Statistique omnibus corrigée : H = 19,425
• Nombre total de conditions : k = 3
• Taille de l’échantillon global combiné : N = 30

Le calcul se déploie selon les étapes successives suivantes :

Numérateur : 19,425 – 3 + 1 = 17,425
Dénominateur : 30 – 3 = 27
η_H² : 17,425 / 27 ≈ 0,645

Une limitation technique inhérente à l’êta-carré mérite d’être soulignée : si la statistique H obtenue est anormalement basse (inférieure à k – 1), le numérateur devient négatif, engendrant une estimation aberrante inférieure à zéro. Dans une telle conjoncture empirique, la taille de l’effet est conventionnellement fixée à la valeur nulle 0,00.

9.2 Calcul du coefficient Epsilon-au-carré

Une alternative robuste et largement valorisée dans les sciences biomédicales et psychométriques est le coefficient Epsilon-au-carré, noté E_R² (ou ε²). Développé pour corriger certains biais inhérents à l’êta-carré, cet indice quantifie le ratio entre la statistique de Kruskal-Wallis observée et sa valeur théorique maximale absolue qu’elle atteindrait dans le cas d’une séparation ordinale absolue et parfaite des groupes sans aucun chevauchement.

La formule computationnelle de l’Epsilon-au-carré s’énonce comme suit :

E_R² = H / [ (N² – 1) / (N + 1) ] = H / (N – 1)

Appliquons cette formulation mathématique élégante et directe à notre cas pratique :

E_R² = 19,425 / (30 – 1) = 19,425 / 29 ≈ 0,670

Le coefficient Epsilon-au-carré présente plusieurs propriétés mathématiques très avantageuses :

• Ses bornes sont rigoureusement confinées au sein de l’intervalle fermé [0, 1], interdisant formellement l’émergence d’estimations négatives saugrenues.
• Sa sensibilité aux fluctuations de l’erreur d’échantillonnage dans les petits collectifs est moindre que celle de l’êta-carré standard.
• Son interprétation conceptuelle demeure extrêmement intuitive : une valeur de 0,670 indique sans ambiguïté que 67,0 % de la variabilité des rangs de la douleur sont strictement expliqués par l’assignation aux différentes molécules thérapeutiques.

9.3 Interprétation quantitative et repères empiriques

Pour attribuer une signification qualitative aux indices de taille d’effet calculés au niveau global, la communauté scientifique s’appuie habituellement sur les repères heuristiques initialement proposés par Jacob Cohen (1988), transposés aux mesures de proportion de variance expliquée (analogues au R²) :

• Effet de faible amplitude : 0,01 ≤ ηH2 < 0,06 (La variable indépendante explique entre 1 % et 6 % de la variabilité globale).
• Effet d’amplitude moyenne : 0,06 ≤ ηH2 < 0,14 (Explication comprise entre 6 % et 14 %).
• Effet de forte amplitude : ηH2 ≥ 0,14 (Explication supérieure ou égale à 14 %).

Avec un η_H² = 0,645 et un E_R² = 0,670, notre étude pharmacologique démontre un effet d’une ampleur exceptionnelle, dépassant très largement les seuils conventionnels qualifiant un effet fort.

Concernant les comparaisons multiples post-hoc par paires menées ultérieurement, la taille de l’effet standardisée recommandée est le coefficient de corrélation de rang r. Il s’obtient directement à partir de la statistique de test standardisée z rapportée par la procédure de Dunn dans SPSS, divisée par la racine carrée de la taille d’échantillon engagée dans la paire (notée N_paire) :

r = |z| / √N_paire

Selon les grilles de lecture de Cohen pour le coefficient r : un score de 0,10 dénote un petit effet, 0,30 caractérise un effet moyen, et 0,50 ou plus traduit un effet de forte amplitude clinique.

10. Visualisation graphique des données dans SPSS

10.1 Construction et interprétation des diagrammes en boîte (Boxplots)

La communication visuelle constitue un prolongement analytique indispensable pour rendre tangibles la distribution des scores, l’asymétrie empirique et le pouvoir de discrimination des conditions étudiées. Pour les variables ordinales ou continues non gaussiennes soumises à un test de Kruskal-Wallis, la représentation graphique canonique de référence est le diagramme en boîte (Boxplot ou boîte à moustaches de Tukey).

Pour concevoir cette figure via l’interface interactive de pointe de SPSS, suivez ce cheminement :

Graphiques > Générateur de graphiques… (Graphs > Chart Builder…)

Dans la galerie située dans la zone inférieure, sélectionnez la catégorie Boîte à moustaches (Boxplot), puis faites glisser le premier modèle, intitulé Boîte à moustaches 1D (diagramme simple par groupe), directement dans la grande zone de prévisualisation supérieure.

Attribuez les variables de l’étude selon les axes appropriés :

• Faites glisser la variable dépendante Score_Douleur depuis la liste des variables vers l’Axe Y (axe vertical).
• Faites glisser la variable indépendante Groupe_Traitement vers l’Axe X (axe horizontal).

Dans le panneau des propriétés des éléments (Element Properties) situé à droite, assurez-vous que la statistique de synthèse sélectionnée est bien la Médiane. Cliquez sur Appliquer, puis sur OK.

Le graphique généré fournit une lecture immédiate et exhaustive des propriétés non paramétriques de chaque cohorte :

• La ligne épaisse horizontale traversant chaque boîte matérialise la médiane (50e percentile).
• Les bords inférieur et supérieur du rectangle incarnent respectivement le premier quartile (Q1, 25e percentile) et le troisième quartile (Q3, 75e percentile). La hauteur totale de la boîte circonscrit l’écart interquartile (IQR), qui contient 50 % des observations centrales.
• Les barres d’erreur (« moustaches ») s’étirent jusqu’aux valeurs observées minimales et maximales non aberrantes (au maximum 1,5 fois l’IQR).
• Les points individuels situés au-delà des moustaches visualisent explicitement les données atypiques potentielles.

10.2 Génération de graphiques en barres d’erreur basés sur les rangs

Bien que le boxplot classique illustre fidèlement les médianes et percentiles bruts, il présente une limite conceptuelle subtile : il ne représente pas la grandeur exacte calculée et comparée par l’algorithme omnibus de Kruskal-Wallis, à savoir le rang moyen.

Pour confectionner une figure représentant fidèlement le modèle mathématique sous-jacent, le statisticien avisé peut concevoir un graphique d’intervalles de confiance des rangs moyens. La procédure la plus rigoureuse sous SPSS consiste à transformer préalablement la variable dépendante en rangs numériques explicites. Pour ce faire, déroulez :

Transformer > Rangs des observations… (Transform > Rank Cases…)

Insérez Score_Douleur dans le champ Variables. Validez en cliquant sur OK. SPSS génère automatiquement dans votre matrice active une nouvelle colonne de données intitulée RScore_Douleur (contenant les rangs assignés de 1 à 30).

Retournez ensuite dans le Générateur de graphiques (Chart Builder), sélectionnez la catégorie Barre (Bar), choisissez le modèle Barre d’erreur (Error Bar), puis :

• Assignez la variable nouvellement créée RScore_Douleur sur l’axe Y.
• Placez Groupe_Traitement sur l’axe X.
• Dans les propriétés des éléments, configurez la statistique centrale sur Moyenne (ce qui calculera la moyenne des rangs, donc le rang moyen exact !) et cochez la case Barres d’erreur représentant l’intervalle de confiance à 95 %.

Cette visualisation graphique reflète fidèlement la réalité des tableaux de sorties non paramétriques et constitue une valeur ajoutée incontestable pour vos soumissions de manuscrits académiques.

10.3 Exploitation de la vue interactive du modèle (Model Viewer)

Si vous avez exécuté le test de Kruskal-Wallis par l’intermédiaire de la commande moderne NPTESTS, SPSS condense initialement l’affichage au sein d’un tableau récapitulatif unique intitulé Récapitulatif du test d’hypothèse (Hypothesis Test Summary). Pour déverrouiller l’analyse visuelle haute résolution, double-cliquez directement sur ce tableau.

Cette action déclenche le Visualiseur de modèle (Model Viewer), un environnement dynamique plein écran. Dans le panneau auxiliaire situé à droite de la fenêtre, SPSS propose une gamme d’outils de visualisation interactive :

• Vue de distribution continue ou ordinale : Ce panneau présente des diagrammes de dispersion empilés par bandes colorées distinctes pour chaque traitement. Il superpose une ligne directrice représentant le rang moyen global de l’échantillon mutualisé et souligne par des marqueurs spécifiques les écarts de chaque groupe.
• Réseau visuel des comparaisons par paires : Lorsque vous sélectionnez la vue des contrastes multiples, SPSS trace un graphe en toile d’araignée reliant les différents groupes. L’épaisseur et la chromaticité des lignes de liaison signalent l’amplitude de la différence de rangs standardisée. Les connexions dorées ou orange marquent les paires affichant une divergence statistiquement significative après ajustement de Bonferroni, alors que les liaisons bleues ou grises révèlent les paires sans divergence statistique.

Toutes les illustrations produites au sein de cette interface interactive peuvent être exportées en haute définition vers des formats graphiques vectoriels ou matriciels sans perte (PNG 600 DPI, TIFF, EPS ou PDF) par un simple clic droit suivi de Exporter….

11. Rédaction des résultats selon les normes APA (7e édition)

11.1 Composantes statistiques obligatoires à rapporter

La restitution académique d’un test de Kruskal-Wallis au sein d’un article scientifique évalué par les pairs doit satisfaire aux règles typographiques et méthodologiques formalisées par le manuel de style de l’APA (7e édition). Trop souvent, les manuscrits pèchent par omission en ne divulguant qu’une statistique isolée sans son contexte distributionnel.

Pour satisfaire pleinement aux exigences éditoriales, votre texte doit impérativement consigner l’ensemble des métriques suivantes :

• La désignation formelle du test statistique employé, en précisant explicitement s’il s’agit d’une comparaison de rangs moyens ou de médianes (justifiée par la forme des distributions).
• Les statistiques descriptives complètes pour chaque modalité expérimentale : la taille de chaque sous-échantillon (n), la médiane (Mdn) et l’intervalle interquartile (IQR, ou les 25e et 75e percentiles), ainsi que le rang moyen (Mean Rank).
• Le symbole formel de la statistique de test : l’APA préconise l’utilisation de la lettre H en italique (ou la lettre grecque χ² avec la mention explicite du test de Kruskal-Wallis).
• Les degrés de liberté (df) associés à la statistique, inscrits entre parenthèses immédiatement après le symbole H.
• La taille de l’échantillon total combiné (N).
• La valeur exacte de la significativité statistique (p), exprimée avec deux ou trois décimales (sans zéro initial devant le point ou la virgule, les valeurs probabilités ne pouvant excéder 1). Si la valeur affichée est .000, rapportez systématiquement p < ,001.
• La mesure standardisée de la taille de l’effet (η_H² ou ε²) accompagnée de sa grandeur numérique.
• Le détail exhaustif des analyses post-hoc : la méthode d’ajustement adoptée (par exemple Dunn-Bonferroni), les statistiques de contrastes standardisées (z), les valeurs p corrigées et la taille d’effet associée (r).

11.2 Modèles de phrases académiques pour manuscrits scientifiques

Afin de vous guider dans la rédaction de votre section Résultats (Results), voici deux modèles rédactionnels appliqués à nos données de recherche clinique :

Modèle standardisé pour le résultat omnibus :

« Un test de Kruskal-Wallis à un facteur a été conduit afin d’évaluer l’impact de trois protocoles pharmacologiques (Placebo, Molécule A, Molécule B) sur le niveau de douleur post-traitement mesuré sur une échelle ordinale. L’inspection visuelle des diagrammes en boîte a révélé que les distributions présentaient des formes géométriques similaires au sein de chaque condition. L’analyse révèle un effet statistiquement très significatif du type de traitement sur l’intensité de la douleur, H(2) = 19,43, p < ,001, avec une taille d’effet de forte magnitude, η_H² = ,65, E_R² = ,67. Les rangs moyens indiquent une symptomatologie douloureuse nettement plus prononcée dans le groupe Placebo (rang moyen = 23,80 ; Mdn = 7,5 ; IQR = 1,25), modérée sous l’analgésique classique Molécule A (rang moyen = 15,40 ; Mdn = 5,0 ; IQR = 1,25) et minimale chez les patients ayant bénéficié de la nouvelle Molécule B (rang moyen = 7,30 ; Mdn = 3,0 ; IQR = 1,25). »

Modèle d’intégration pour les analyses post-hoc :

« Des comparaisons par paires a posteriori ont été réalisées selon la procédure de Dunn avec correction de Bonferroni pour le contrôle du taux d’erreur de première espèce. Les analyses révèlent que les participants sous Molécule B présentent une diminution de la douleur significativement plus prononcée que ceux recevant le Placebo (différence de rangs standardisée z = 4,37, p_ajusté < ,001, r = ,98) et que ceux traités par la Molécule A (z = 2,15, p_ajusté = ,047, r = ,48). De surcroît, le groupe recevant la Molécule A exhibe un niveau de douleur résiduelle significativement inférieur à celui du groupe Placebo (z = 2,23, p_ajusté = ,039, r = ,50). Ces résultats corroborent la supériorité clinique graduelle de la nouvelle formulation Molécule B face aux alternatives existantes. »

11.3 Conception d’un tableau récapitulatif conforme aux critères APA

Dans un rapport de recherche ou une thèse doctorale, l’insertion d’un tableau synthétique clarifie la présentation et allège le corps du texte. Les normes typographiques de l’APA proscrivent rigoureusement les lignes de quadrillage verticales et n’autorisent que trois lignes horizontales principales (une sous le titre du tableau, une sous les en-têtes de colonnes et une délimitant la base du tableau avant les notes de bas de page).

Tableau 1
Statistiques descriptives de la douleur post-traitement et résultats des contrastes post-hoc

Condition expérimentale	n	Rang moyen	Mdn	IQR	Percentile 25	Percentile 75
1. Placebo	10	23,80	7,50	1,50	7,00	8,50
2. Molécule A	10	15,40	5,00	1,25	4,75	6,00
3. Molécule B	10	7,30	3,00	1,25	2,00	3,25

Note. N = 30. Les scores de douleur sont mesurés sur une échelle ordinale discrète de 0 à 10. La statistique omnibus de Kruskal-Wallis corrigée pour les ex æquo est H(2) = 19,43, p < ,001, η_H² = ,65. Les comparaisons par paires de Dunn-Bonferroni démontrent que toutes les paires diffèrent significativement les unes des autres (p < ,05). Mdn = Médiane ; IQR = Intervalle interquartile.

12. Résolution des problèmes fréquents et pièges méthodologiques

12.1 Traitement des données à forte proportion d’égalités (Ties)

L’un des défis computationnels majeurs dans l’analyse de données psychométriques réside dans la prolifération des ex æquo (observations présentant strictement la même valeur numérique). Ce phénomène survient inévitablement lorsque l’on utilise des échelles discrètes courtes, à l’instar d’une échelle de Likert à 5 points appliquée à un échantillon de 200 répondants. Dans un tel cas, des dizaines de participants partagent obligatoirement les mêmes modalités de réponse.

Sur le plan mathématique, la présence d’égalités compresse la variance des rangs attribués. Si l’on utilisait la formule originale de Kruskal et Wallis sans ajustement, la statistique H serait systématiquement sous-évaluée, augmentant artificiellement le risque de commettre une erreur de deuxième espèce (ne pas rejeter l’hypothèse nulle alors qu’elle est fausse). Fort heureusement, les algorithmes natifs de SPSS intègrent de manière automatisée le facteur de correction pour les égalités C décrit précédemment.

Néanmoins, si la proportion d’égalités devient excessive — par exemple si plus de 75 % ou 80 % de vos observations se concentrent sur seulement deux ou trois valeurs discrètes —, le test de Kruskal-Wallis perd considérablement de son pouvoir discriminant et de sa précision asymptotique. Dans cette situation d’hyper-concentration ordinale, le statisticien avisé doit privilégier une régression logistique ordinale multinomiale (modèle à cotes proportionnelles) ou un test exact de tendance, conçus pour gérer structurellement les variables discrètes à très faible granularité.

12.2 Gestion de la puissance statistique et effectifs réduits

Un mythe méthodologique tenace affirme que « les tests non paramétriques fonctionnent à merveille sur les très petits échantillons ». Si cette assertion est exacte quant au respect des contraintes mathématiques (le test ne violant aucun postulat de normalité), elle s’avère profondément trompeuse sur le versant de la puissance statistique (la probabilité 1 – β de détecter une différence qui existe réellement dans la population parente).

Dans les faits, le test de Kruskal-Wallis requiert un échantillon substantiel pour atteindre des seuils de puissance comparables à ceux d’une ANOVA paramétrique lorsque les conditions de cette dernière sont satisfaites. L’efficacité relative asymptotique (Asymptotic Relative Efficiency, ARE) du test de Kruskal-Wallis par rapport à l’ANOVA est d’environ 3/π ≈ 0,955 sous l’hypothèse d’une normalité parfaite. Cela signifie qu’il perd moins de 5 % de puissance par rapport au test F de Fisher. Toutefois, sur des cohortes minuscules (par exemple n = 3 ou 4 par groupe), le nombre restreint de permutations d’ordre possibles empêche structurellement la statistique H d’atteindre le seuil de signification critique pour α = 0,05, même dans l’hypothèse d’une séparation parfaite et absolue de l’ensemble des rangs entre les groupes !

Pour parer à ce risque aigu d’erreur de type II dans les protocoles restreints, appliquez scrupuleusement les recommandations suivantes :

• Procédez à un calcul de puissance a priori via un logiciel spécialisé comme G*Power pour calibrer l’effectif minimal requis par cellule en fonction de la taille d’effet minimale anticipée.
• Dans SPSS, n’utilisez jamais la signification asymptotique lorsque n_j < 5 ; activez systématiquement le calcul de la signification exacte via le module optionnel des tests exacts.
• Envisagez l’adjonction d’une procédure de validation croisée non paramétrique par rééchantillonnage Bootstrap (accessible dans la boîte d’options du module moderne de SPSS) afin de vérifier l’invariance et la robustesse de l’estimation de l’erreur standard face aux micro-variations de l’échantillonnage.

12.3 Confusions conceptuelles fréquentes entre rangs et médianes

Le piège interprétatif le plus insidieux consiste à affirmer l’existence d’une divergence entre les médianes de groupes sur la seule foi d’un résultat significatif au test de Kruskal-Wallis, sans avoir préalablement vérifié la forme des distributions. Il est parfaitement possible d’observer deux groupes présentant des médianes rigoureusement identiques mais dont le test de Kruskal-Wallis proclame une différence hautement significative (p < 0,01).

Ce paradoxe apparent s’explique par la géométrie même du test : le test de Kruskal-Wallis compare l’intégralité de la répartition stochastique par les rangs moyens. Considérons l’exemple théorique suivant confrontant deux groupes de 9 sujets chacun :

• Groupe 1 : Observations : [1, 1, 1, 1, 5, 9, 9, 9, 9]. La médiane est strictement égale à 5.
• Groupe 2 : Observations : [4, 4, 4, 4, 5, 6, 6, 6, 6]. La médiane est rigoureusement identique, soit 5.

Bien que les médianes soient absolument superposables, la dispersion et l’étalement des rangs autour du point central divergent substantiellement. Si les formes des distributions ne sont pas isomorphes (ce qui est flagrant ici : distribution bimodale étirée aux extrêmes pour le premier groupe contre distribution resserrée pour le second), le test ne compare en rien les médianes. Il atteste simplement que les distributions cumulées diffèrent stochastiquement.

Pour prémunir vos manuscrits de toute réprobation par les réviseurs méthodologiques lors du processus de peer review, adoptez une rigueur terminologique sans faille :

• Si les graphiques démontrent des formes distributives similaires : concluez explicitement à une différence entre les médianes des conditions expérimentales.
• Si les formes distributives s’avèrent dissemblables ou asymétriquement divergentes : concluez sobrement et rigoureusement à une différence entre les rangs moyens ou à une divergence de distribution stochastique globale.

En observant scrupuleusement l’ensemble de ces préceptes opératoires, de la structuration matricielle sous SPSS jusqu’aux subtilités d’inférence statistique et de formalisation académique APA, le test de Kruskal-Wallis s’affirmera comme l’un des leviers méthodologiques les plus robustes et élégants de votre arsenal de recherche en sciences quantitatives.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Dunn, O. J. (1964). Multiple contrasts using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490481
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Green, S. B., & Salkind, N. J. (2008). Using SPSS for Windows and Macintosh: Analyzing and understanding data (5th ed.). Prentice Hall.
• IBM Corporation. (2021). IBM SPSS Statistics 28 Brief Guide. IBM Corp. https://www.ibm.com/docs/en/spss-statistics
• Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
• Tomczak, M., & Tomczak, E. (2014). The need to report effect size estimates revisited. An overview of some recommended measures of effect size. Trends in Sport Sciences, 21(1), 19–25.