Comment importer des fichiers SPSS dans R (étape par étape)

L’analyse statistique au sein des sciences du comportement, et singulièrement en psychologie quantitative, connaît depuis plus d’une décennie une mutation paradigmatique sans précédent. Historiquement inféodée à des logiciels propriétaires aux interfaces graphiques standardisées, la recherche empirique s’est progressivement tournée vers des langages de programmation ouverts, au premier rang desquels figure R. Cette migration ne relève pas d’une simple préférence logicielle ou d’un engouement passager pour des outils en accès libre ; elle répond à une exigence épistémologique fondamentale de transparence, de traçabilité analytique et de reproductibilité computationnelle. Néanmoins, cette transition confronte quotidiennement les chercheurs et analystes de données à un défi logistique majeur : assurer la continuité opérationnelle avec des décennies de travaux archivés sous des formats propriétaires, tout particulièrement l’écosystème IBM SPSS Statistics.

La préservation de l’intégrité informationnelle lors du transfert de données d’un environnement fermé vers un environnement ouvert constitue une étape méthodologique critique. Un fichier de données issu de SPSS ne se résume pas à un tableau matriciel à double entrée associant des lignes d’observations à des colonnes de variables ; il intègre une couche sémantique complexe et hautement structurée. Ce dictionnaire de métadonnées regroupe des étiquettes de variables détaillées, des libellés textuels pour les modalités de réponse, des définitions rigoureuses de valeurs manquantes attribuées par l’expérimentateur, ainsi que des spécifications de formats d’horodatage ou de pondération. Réussir l’ingestion de ces structures dans R exige par conséquent bien plus qu’une simple lecture binaire : cela requiert une compréhension fine de la manière dont les vecteurs de R encapsulent, interprètent ou parfois altèrent ces attributs sous-jacents.

Ce guide méthodologique exhaustif a été conçu pour accompagner les chercheurs, enseignants, doctorants et professionnels de la psychologie et des sciences humaines dans la maîtrise absolue de l’importation des fichiers SPSS au sein de R et de son environnement de développement RStudio. De la décomposition structurelle des formats propriétaires à l’implémentation rigoureuse des bibliothèques spécialisées comme le package haven, en passant par le traitement des valeurs manquantes et l’harmonisation des échelles psychométriques, chaque étape est explicitée avec une rigueur technique et didactique sans compromis. L’objectif ultime consiste à doter la communauté scientifique d’un protocole d’ingestion robuste, garantissant la pérennité des données d’archives tout en ouvrant la voie à des modélisations statistiques avancées et reproductibles.

1. Introduction à l’interopérabilité entre SPSS et R en psychologie quantitative

1.1 La transition méthodologique des sciences humaines vers l’écosystème open-source R

L’histoire de l’informatique appliquée aux sciences sociales est intimement liée à l’avènement du logiciel SPSS (originellement Statistical Package for the Social Sciences), conçu à la fin des années 1960. Durant près de quatre décennies, SPSS a régné sans partage sur les laboratoires universitaires et les cursus de formation en psychologie. Son interface graphique intuitive, reposant sur des menus déroulants et des boîtes de dialogue interactives, a largement démocratisé le recours aux analyses multivariées, dispensant les psychologues de compétences formelles en algorithmique. Toutefois, cette accessibilité ergonomique s’est accompagnée d’un coût méthodologique invisible : l’opacité relative des opérations de transformation de données, la difficulté d’auditer systématiquement les manipulations manuelles et le risque prégnant d’erreurs non documentées lors du pointage à la souris.

La crise de la réplicabilité, qui a profondément ébranlé la psychologie expérimentale et sociale au début des années 2010, a servi de catalyseur à une refonte complète des pratiques de recherche. L’impératif de fournir des flux de travail intégralement reproductibles a mis en lumière les limites structurelles des logiciels axés sur les interfaces graphiques. Dans ce contexte, l’écosystème open-source R, soutenu par le Comprehensive R Archive Network, s’est imposé comme la référence incontournable. Dans R, chaque étape de manipulation, d’imputation, de filtrage et d’estimation statistique s’inscrit au sein d’un script textuel clair, versionnable et exécutable de manière déterministe. Cette scriptabilité totale assure une transparence parfaite envers les pairs et garantit la réutilisabilité pérenne des protocoles analytiques.

Néanmoins, l’adoption de R ne peut faire table rase du passé. Les cohortes longitudinales, les bases de données d’enquêtes nationales et les archives de laboratoires accumulées au cours des quarante dernières années demeurent majoritairement stockées sous des extensions propriétaires SPSS. Délaisser ces données patrimoniales signifierait la perte irrémédiable d’investissements scientifiques considérables. Dès lors, le maintien d’une interopérabilité sans faille entre SPSS et R devient une compétence technique vitale pour le psychologue quantitativiste contemporain. Cette démarche s’inscrit également dans un cadre pragmatique d’émancipation financière : en s’affranchissant des licences institutionnelles coûteuses imposées par les éditeurs de logiciels propriétaires, les départements universitaires réallouent leurs ressources budgétaires vers le financement direct de la recherche et des contrats doctoraux.

1.2 Anatomie d’un fichier SPSS (.sav et .por) et métadonnées associées

Pour appréhender sereinement les enjeux de l’importation de données SPSS dans R, il est indispensable de disséquer l’architecture interne des fichiers sources. L’extension la plus universellement répandue est le fichier .sav, un format binaire propriétaire optimisé pour la compression et l’accès séquentiel rapide aux enregistrements d’enquêtes. Contrairement à un fichier texte plat tel qu’un format délimité par des virgules ou des tabulations, le fichier .sav héberge une structure duale indissociable. D’une part, il contient la matrice brute des données physiques ; d’autre part, il renferme un en-tête encyclopédique, souvent qualifié de dictionnaire de variables, qui définit la métrologie précise de chaque colonne.

Ce dictionnaire intègre plusieurs niveaux de métadonnées sémantiques. Le premier niveau concerne les étiquettes de variables (ou variable labels), qui permettent d’associer à un nom de variable court et normalisé un énoncé textuel explicite, tel que le libellé intégral d’une question de questionnaire psychologique comprenant souvent plusieurs dizaines de mots. Le second niveau réside dans les étiquettes de valeurs (ou value labels), fondamentales pour les échelles d’attitudes ou les variables catégorielles. Par ce mécanisme, SPSS associe à un code numérique interne une signification conceptuelle (par exemple, le code numérique 1 est associé au texte « Pas du tout d’accord », tandis que le code 5 correspond à « Tout à fait d’accord »). À ces éléments s’ajoute l’extension historique .por, conçue initialement pour le transport de données en format ASCII entre des architectures matérielles hétérogènes fonctionnant sous des jeux de caractères incompatibles, désormais largement obsolète mais parfois présente dans les archives ouvertes.

La complexité majeure réside dans la gestion des valeurs manquantes définies par l’utilisateur (user-defined missing values). Dans SPSS, un chercheur peut spécifier que certaines valeurs numériques particulières (comme -99, 998 ou 999) ne doivent pas être considérées comme des réponses valides mais comme des motifs d’absence différenciés, par exemple une omission délibérée, un refus de réponse pour motif éthique ou une anomalie de passation technique. Parallèlement, SPSS gère une valeur manquante système (system-missing, représentée par un point), qui désigne l’absence absolue de donnée physique. La transposition de cette double hiérarchie dans R pose un défi conceptuel substantiel, car le langage R ne reconnaît nativement, dans ses vecteurs standards, qu’une unique entité générique d’absence de données, matérialisée par la constante NA.

1.3 Objectifs et prérequis techniques du tutoriel

Le présent tutoriel se propose d’exposer un protocole complet, méthodique et exempt de points d’ombre, permettant d’extraire, nettoyer et structurer des données SPSS au sein de R. L’ambition n’est pas seulement de fournir des commandes opérationnelles, mais d’inculquer une compréhension profonde des mécanismes de sérialisation, des classes d’objets intermédiaires et des transformations vectorielles nécessaires pour préparer des jeux de données complexes à des analyses inférentielles de pointe, telles que les équations structurelles, les modèles mixtes ou les réductions dimensionnelles psychométriques.

Sur le plan des prérequis techniques, le lecteur doit disposer d’une installation fonctionnelle et récente du cœur de R (version 4.2.0 ou ultérieure vivement recommandée) couplée à l’environnement de développement intégré RStudio. Il est présumé que l’utilisateur maîtrise la manipulation élémentaire des objets R, notamment la distinction entre un vecteur, une matrice, une liste et un tableau de données conventionnel. Une familiarité minimale avec la syntaxe du tidyverse constituera un atout appréciable, bien que tous les concepts structurants soient explicités au fil des sections.

Tout au long de notre parcours, le fil conducteur méthodologique s’articulera autour d’une base de données psychométriques modélisant une cohorte de participants soumis à une batterie d’échelles standardisées évaluant la régulation émotionnelle, les traits de personnalité et des indicateurs de détresse psychologique. Ce cas concret servira de pierre de touche pour illustrer les écueils typiques rencontrés lors de l’importation de variables de type Likert, de variables sociodémographiques polytomiques et d’identifiants de passation complexes.

2. Panorama des bibliothèques R dédiées à l’importation de données SPSS

2.1 La bibliothèque haven : fer de lance du tidyverse pour SPSS

Au sein de l’écosystème R moderne, le package haven s’est imposé comme l’outil canonique pour l’ingestion des formats propriétaires issus des logiciels statistiques commerciaux tels que SPSS, SAS et Stata. Développé sous l’égide de la structure Posit (anciennement RStudio) et intégré nativement à la nébuleuse conceptuelle du tidyverse, haven a été conçu pour combler les failles de fidélité sémantique observées dans les solutions antérieures. Son principe fondamental réside dans la non-destruction des métadonnées lors de la lecture binaire des fichiers .sav et .por.

Sur le plan de l’architecture logicielle, haven n’exécute pas l’analyse syntaxique du fichier en langage R pur, ce qui entraînerait une lenteur prohibitive sur des bases de données volumineuses. Il s’appuie sur un moteur sous-jacent extrêmement véloce nommé ReadStat, une bibliothèque écrite en langage C par Evan Miller. Cette couche compilée permet d’extraire des flux binaires à une vitesse proche des limites physiques des disques de stockage, tout en garantissant une gestion rigoureuse de la mémoire vive. ReadStat isole méticuleusement les enregistrements d’en-tête, décompresse à la volée les flux compressés et transmet les structures décodées au convertisseur interne de R.

L’innovation majeure introduite par haven réside dans l’implémentation de la classe S3 vectorielle intitulée haven_labelled. Plutôt que de forcer une conversion arbitraire des variables codées numériquement vers des chaînes textuelles ou vers des facteurs natifs de R dès l’instant de l’importation, haven préserve la valeur numérique brute d’origine tout en lui greffant un attribut de métadonnées contenant les libellés de valeurs et l’étiquette descriptive de la variable. Cette approche permet de différer les décisions de typage définitif au moment exact où la modélisation statistique le réclame, éliminant les risques de distorsion mathématique lors des phases initiales de nettoyage.

2.2 Le package foreign : la méthode historique de R base

Bien avant l’émergence du tidyverse et de la suite haven, la communauté R s’appuyait quasi exclusivement sur la bibliothèque foreign pour communiquer avec les formats tiers. Historiquement incluse dans la distribution standard recommandée du logiciel R (composante de l’ensemble dit recommended packages), foreign a rendu d’immenses services aux premières générations de chercheurs en sciences sociales utilisant l’informatique libre. Sa fonction emblématique, read.spss, a longtemps constitué l’unique passerelle pour extraire des fichiers SPSS sans disposer d’une licence logicielle d’IBM.

Cependant, le package foreign accuse aujourd’hui un retard technique substantiel face aux évolutions contemporaines du format .sav. L’une de ses faiblesses les plus documentées réside dans sa prise en charge défaillante ou très partielle des formats compressés zsav introduits avec les versions récentes de SPSS. De surcroît, la gestion de l’encodage des chaînes de caractères complexes, particulièrement celles intégrant des accents typographiques ou des alphabets non latins standardisés en UTF-8, conduit fréquemment à des altérations irrémédiables de texte sous foreign, à moins d’ajuster manuellement des paramètres systèmes obscurs.

Sur le plan structurel, read.spss impose un arbitrage rigide dès la commande de lecture. Le chercheur doit choisir entre importer les données sous la forme d’une liste générique ou forcer la création d’un tableau de données (data.frame), tout en statuant de manière globale sur la conversion immédiate de toutes les variables étiquetées en facteurs textuels via l’argument use.value.labels. Cette conversion indifférenciée s’avère problématique en psychologie, où l’on souhaite fréquemment conserver les échelles ordinales sous leur format numérique discret pour calculer des scores composites tout en gardant les variables nominales sous forme catégorielle. Le package foreign conserve néanmoins un intérêt dans les environnements de calcul ultra-restreints où l’installation de dépendances C ou de paquets externes est bannie par des politiques de sécurité strictes.

2.3 Le package rio : une abstraction unifiée pour l’ingestion de données

Face à la multiplicité des packages d’entrée-sortie et à la divergence de leurs syntaxes respectives, des chercheurs ont développé des couches d’abstraction de haut niveau visant à unifier le processus d’importation. Le package rio (acronyme de R I/O) incarne l’aboutissement de cette démarche ergonomique. Son postulat philosophique est simple : l’utilisateur ne devrait pas avoir à mémoriser des dizaines de noms de fonctions spécialisées en fonction du format du fichier source qu’il souhaite traiter.

Le package rio propose une interface universelle reposant sur une fonction maîtresse nommée simplement import(). Lorsqu’un utilisateur fournit le chemin d’un fichier à cette fonction, rio inspecte l’extension du document (.sav, .por, .csv, .xlsx, etc.) et orchestre en arrière-plan l’appel vers la bibliothèque la plus performante disponible dans l’environnement R. Dans le cas spécifique des fichiers de type SPSS, rio délègue quasi systématiquement le travail de bas niveau au package haven, assurant ainsi une rapidité d’exécution optimale tout en déchargeant l’utilisateur de la configuration fastidieuse des paramètres d’appel.

Cette approche présente un attrait considérable dans les contextes pédagogiques ou lors de phases de prototypage rapide. Les étudiants ou les praticiens débutants peuvent ingérer leurs données sans se heurter immédiatement à la syntaxe formelle de packages spécialisés. Néanmoins, pour des protocoles de recherche rigoureux nécessitant une maîtrise fine du paramétrage des valeurs manquantes utilisateur ou de la conversion sélective des étiquettes psychométriques, la dépendance envers une couche d’abstraction supplémentaire peut parfois masquer des comportements par défaut indésirables. La maîtrise directe de haven demeure donc la compétence reine du méthodologue confirmé.

3. Préparation de l’environnement de travail dans R et RStudio

3.1 Installation rigoureuse et chargement du package haven

L’amorce de tout protocole d’analyse de données requiert une initialisation irréprochable de la session informatique. L’installation du package haven s’effectue directement depuis les serveurs officiels du CRAN. Il est primordial d’exécuter cette opération à l’aide d’une session R propre afin d’éviter tout verrouillage de fichiers binaires par des processus concurrents en arrière-plan.

L’installation s’opère au moyen de la commande standardisée install.packages(« haven »). Lorsque cette commande est exécutée au sein de RStudio, le gestionnaire de paquets télécharge les binaires précompilés pour les systèmes d’exploitation Windows ou macOS, ou compile les sources C sous les environnements Linux. Une fois cette étape franchie avec succès, l’activation de la bibliothèque dans l’espace de mémoire courante s’accomplit par l’instruction library(haven). Il est déconseillé d’utiliser la fonction require() dans des scripts scientifiques définitifs, car celle-ci renvoie un simple avertissement booléen en cas d’échec là où library() génère une erreur bloquante immédiate, empêchant l’exécution ultérieure de commandes sur des objets inexistants.

Il convient également de vérifier la concordance des versions installées afin de garantir la reproductibilité des comportements logiciels. L’appel à la fonction packageVersion(« haven ») permet d’imprimer formellement la version courante dans la console. En cas de travail collaboratif ou de déploiement sur des serveurs de calcul haute performance, le recours à un gestionnaire d’environnement comme renv permet de consigner l’empreinte cryptographique exacte du package et de ses dépendances C, neutralisant les risques de divergences de calcul au fil des ans.

3.2 Configuration du répertoire de travail et gestion des chemins relatifs

L’un des obstacles les plus récurrents rencontrés par les chercheurs novices concerne la localisation des fichiers sur le disque dur et la gestion du répertoire de travail (working directory). Par défaut, R recherche les fichiers désignés par un nom simple au sein de son répertoire de travail courant, que l’on peut identifier à l’aide de la commande getwd(). Bien qu’il soit techniquement possible de modifier ce point d’ancrage via la fonction setwd(), cette pratique est aujourd’hui vigoureusement réprouvée par les standards d’ingénierie logicielle appliquée à la science ouverte.

L’utilisation de chemins absolus (par exemple « C:/Users/NomChercheur/Documents/Projet/donnees.sav ») au sein d’un script constitue un poison pour la reproductibilité : le script devient instantanément inopérant dès lors qu’il est exécuté sur l’ordinateur d’un pair, sur un serveur distant ou simplement déplacé dans un autre dossier de la même machine. La solution canonique réside dans l’utilisation exclusive des projets RStudio (matérialisés par un fichier avec l’extension .Rproj). Lorsqu’un projet RStudio est ouvert, la racine du projet est automatiquement définie comme le répertoire de travail pour l’ensemble des scripts qui y sont rattachés.

Pour parfaire cette portabilité, l’usage conjoint du package here s’impose comme une bonne pratique incontournable. La fonction here() du package homonyme reconstruit dynamiquement le chemin absolu vers n’importe quel sous-dossier ou fichier à partir de la racine détectée du projet, quelle que soit la position hiérarchique du script d’où la fonction est appelée. De surcroît, elle résout de manière transparente le conflit séculaire entre les barres obliques directes (slash /) adoptées par les systèmes UNIX et les barres obliques inversées (antislash ) propres à Microsoft Windows, éliminant définitivement les erreurs de syntaxe de chemins lors des collaborations interdisciplinaires.

3.3 Organisation de l’architecture des dossiers d’une étude empirique

La rigueur de la gestion des données en psychologie quantitative exige une ségrégation physique absolue entre les fichiers bruts, les scripts de manipulation computationnelle et les productions analytiques finales. Structurer son répertoire de recherche selon une architecture standardisée garantit la pérennité du projet et facilite grandement les audits méthodologiques lors des processus d’évaluation par les pairs.

Une architecture canonique se compose au minimum de quatre sous-dossiers distincts à la racine du projet de recherche. Le premier dossier, couramment nommé data_raw, est le réceptacle exclusif du fichier SPSS d’origine (.sav ou .por). Ce répertoire doit être traité comme un sanctuaire inviolable : les fichiers qui y résident doivent être protégés en lecture seule et ne doivent jamais, sous aucun prétexte, être modifiés manuellement ou réécrits par un script. Le deuxième dossier, scripts, accueille l’ensemble des fichiers de code organisés de manière séquentielle (par exemple 01_importation.R, 02_nettoyage.R, 03_analyses_factorielles.R). Le troisième dossier, data_processed, héberge les jeux de données assainis, dérivés des données brutes par les scripts de calcul et sauvegardés dans des formats optimisés pour R. Enfin, le dossier output recueille les figures vectorielles, les tableaux synthétiques et les rapports de modélisation compilés.

Cette ségrégation stricte s’accompagne de la tenue d’un fichier journal d’audit (ou journal des modifications). Ce document consigne l’historique complet du fichier SPSS : sa date d’extraction initiale depuis le serveur d’évaluation en ligne, la version exacte de SPSS ayant servi à générer le fichier, le nom de l’investigateur responsable et toute anomalie constatée lors de la phase de recueil psychologique. Ce niveau de documentation assure la traçabilité intégrale requise par les normes scientifiques contemporaines.

4. Procédure pas à pas : Importer un fichier SPSS avec read_sav()

4.1 Syntaxe fondamentale et exécution de la commande read_sav()

La fonction read_sav() du package haven représente la méthode d’ingestion la plus élégante et la plus efficiente pour lire des données SPSS au format .sav. Sa signature minimale ne requiert qu’un unique argument obligatoire spécifiant le chemin d’accès au fichier cible. Dans un script R rigoureusement articulé autour d’un projet et du package here, la commande d’importation s’articule de manière limpide en affectant le résultat de la fonction à un nouvel objet R, généralement désigné sous le terme explicite de donnees_brutes.

Considérons l’instruction fondamentale d’assignation :

donnees_brutes <- read_sav(here(« data_raw », « etude_psychometrique.sav »))

Lors de l’exécution de cette ligne de code, haven mobilise les routines C de ReadStat pour déchiffrer les blocs binaires du fichier .sav. Le résultat de cette opération n’est pas un data frame traditionnel de base R, mais un tibble, une déclinaison perfectionnée et hautement contrôlée du tableau de données conventionnel. Toutes les colonnes de la matrice SPSS sont instantanément encapsulées dans des structures vectorielles appropriées, sans que le chercheur n’ait à subir les coercitions arbitraires autrefois imposées par read.spss, comme la transformation automatique des variables de texte en facteurs non ordonnés.

Cette simplicité d’exécution dissimule une mécanique sophistiquée. Contrairement à une lecture de fichier texte qui tente de deviner les types de données sur la base des quelques premières lignes, read_sav() interroge l’en-tête formel du fichier SPSS. Elle connaît précisément à l’avance la nature arithmétique de chaque variable, la précision en virgule flottante associée, la largeur allouée aux chaînes de caractères et l’existence d’attributs sémantiques. L’importation s’effectue ainsi avec une fidélité computationnelle absolue, prévenant toute corruption silencieuse des scores psychométriques.

4.2 Spécification des arguments avancés de la fonction

Au-delà de son invocation basique, la fonction read_sav() met à la disposition du méthodologue un ensemble d’arguments optionnels très puissants permettant d’adapter finement l’ingestion de données aux contraintes matérielles ou aux objectifs scientifiques spécifiques d’une étude empirique.

L’argument col_select s’avère particulièrement précieux lorsque le chercheur manipule des bases de données massives issues de panels longitudinaux ou d’enquêtes de santé publique comprenant des milliers de variables d’intérêt disparate. Plutôt que de saturer la mémoire vive de l’ordinateur en important l’intégralité du catalogue d’items, col_select permet de définir, à l’aide d’une syntaxe vectorielle calquée sur celle de dplyr, le sous-ensemble strict de variables à rapatrier. Par exemple, il est tout à fait possible d’ordonner l’importation de l’identifiant du sujet et des seules questions mesurant l’anxiété en utilisant des motifs d’inclusion ou des fonctions d’assistance comme starts_with(« ANX_ »).

Pour des phases de tests préliminaires de scripts ou lors du développement d’un pipeline de prétraitement sur un fichier pesant plusieurs gigaoctets, l’argument n_max offre la possibilité d’imposer un plafond quantitatif au nombre de lignes à extraire du fichier (par exemple, n_max = 100). Cette lecture partielle permet de tester instantanément l’architecture logicielle sans subir les temps de calcul liés à la décompression de la cohorte complète. Parallèlement, l’argument skip permet d’omettre un contingent défini d’enregistrements en tête de fichier si des lignes parasites d’initialisation y ont été introduites. Enfin, l’argument encoding permet de forcer manuellement le jeu de caractères textuels appliqué lors du décodage du dictionnaire de métadonnées, une soupape de sécurité cruciale lorsque les systèmes d’exploitation du créateur et de l’analyste du fichier diffèrent.

4.3 Gestion des chemins d’accès locaux et distants

La robustesse d’un protocole d’ingestion réside également dans sa capacité à traiter des sources géographiquement ou logistiquement diversifiées. Dans un cadre de recherche conventionnel, le fichier réside localement sur le disque dur interne. L’erreur la plus fréquente réside alors dans l’omission d’une lettre dans l’arborescence des dossiers ou l’oubli de l’extension de fichier, ce qui se solde invariablement par une interruption d’exécution générant l’erreur classique stipulant l’absence du fichier ou du répertoire.

Toutefois, la science ouverte et la collaboration multi-centres imposent de plus en plus fréquemment d’ingérer des données directement depuis des entrepôts distants sécurisés ou des répertoires institutionnels hébergés sur le cloud sans passer par un téléchargement manuel préalable susceptible de rompre la chaîne de provenance des données. La bibliothèque haven prend nativement en charge la lecture directe à partir d’adresses réseau sécurisées (protocoles HTTP et HTTPS). En fournissant une URL valide pointant vers un fichier .sav hébergé sur une plateforme comme l’Open Science Framework (OSF) ou un serveur universitaire, la fonction read_sav() orchestre le téléchargement temporaire du flux binaire dans la mémoire tampon et opère sa désérialisation sans encombrer durablement le disque dur local.

Dans les contextes de réseaux locaux d’entreprise ou d’établissements hospitalo-universitaires utilisant des protocoles de partage Samba ou des disques réseau montés (fichiers réseau de type UNC commençant par de doubles barres obliques), il est essentiel d’anticiper les restrictions de permissions de lecture. Une bonne pratique méthodologique consiste à toujours vérifier la présence physique et l’accessibilité du fichier avant de lancer la routine d’ingestion en encapsulant l’appel dans une conditionnelle logicielle vérifiant le résultat de la fonction file.exists(). Cette précaution basique évite le déclenchement intempestif de messages d’erreur complexes au sein de flux automatisés de traitement par lots.

5. Exploration initiale et validation structurelle du jeu de données importé

5.1 Inspection des dimensions et de la structure interne avec dim(), str() et glimpse()

Une fois l’opération d’ingestion exécutée par l’intermédiaire de read_sav(), il est méthodologiquement impératif de suspendre toute analyse inférentielle afin de procéder à une validation structurelle méticuleuse de l’objet nouvellement créé. Il s’agit de s’assurer que la projection des données binaires SPSS dans l’espace mémoire de R s’est opérée sans perte d’information, sans troncature de lignes et sans altération de la géométrie de la matrice d’étude.

Le premier réflexe du chercheur consiste à interroger les dimensions physiques de la table de données à l’aide de la fonction canonique dim(). Celle-ci renvoie un vecteur à deux éléments représentant respectivement le nombre de lignes (les observations ou participants à la recherche) et le nombre de colonnes (les variables ou items psychométriques mesurés). Cette vérification numérique élémentaire permet de confirmer immédiatement la concordance exacte entre la taille de l’échantillon importé et le registre de passation établi lors du protocole expérimental. Un écart, même minime, sur le nombre d’enregistrements doit déclencher une alerte méthodologique immédiate.

Pour inspecter la distribution des types de données et examiner la signature interne des variables, l’usage de la fonction str() (pour structure) constitue une démarche fondamentale. Cette fonction examine récursivement chaque élément de l’objet et imprime dans la console son type vectoriel, sa longueur ainsi que l’ensemble des attributs attachés. Néanmoins, face à un tableau de grande ampleur, l’affichage généré par str() peut rapidement submerger l’utilisateur d’informations non formatées. Dans un flux de travail moderne, on lui préfère souvent la fonction glimpse() issue du package dplyr. Cette dernière offre une restitution visuelle remarquablement condensée, adaptant la largeur des sorties à la taille de la console et mettant en exergue de façon synthétique la classe de chaque variable (numérique, caractère, ou classe hybride étiquetée spécifique) ainsi que les toutes premières valeurs réelles observées.

5.2 Visualisation des premières et dernières observations

L’examen direct des occurrences extrêmes d’une base de données constitue un garde-fou heuristique indispensable pour repérer d’éventuelles anomalies de parsing ou des résidus structurels consécutifs à l’exportation depuis SPSS. L’inspection des six premières lignes au moyen de la fonction head() permet de corroborer visuellement l’alignement correct des noms de variables avec les valeurs correspondantes, vérifiant qu’aucun décalage de colonnes ne s’est produit lors de la décompression binaire.

De manière symétrique, l’évaluation des dernières lignes de la matrice via la fonction tail() remplit une fonction critique de contrôle qualité. Dans de nombreuses bases de données issues de logiciels propriétaires manipulées manuellement par des assistants de recherche, il n’est pas rare de constater l’existence de lignes terminales parasites composées exclusivement de valeurs manquantes, ou pire, de lignes récapitulatives manuelles intégrant des moyennes générales ou des notes textuelles de synthèse insérées par erreur dans la grille de données SPSS. La fonction tail() permet de démasquer instantanément ces artéfacts afin d’ajuster ultérieurement les filtres d’exclusion lors du nettoyage des données.

Enfin, au sein de l’environnement interactif de RStudio, la commande View() (avec une majuscule initiale) ouvre une interface tabulaire dynamique dans un onglet dédié du logiciel. Cette vue interactive permet à l’analyste de trier visuellement les colonnes, d’appliquer des filtres temporaires de visualisation et de rechercher des chaînes spécifiques de caractères. Cet examen qualitatif, bien qu’insuffisant à lui seul pour garantir la rigueur psychométrique, fournit une intuition précieuse quant à la régularité et à la cohérence globale de l’échantillon importé.

5.3 Compréhension de la classe tibble (tbl_df) spécifique au tidyverse

Lorsqu’un jeu de données est importé au moyen de la fonction read_sav(), il n’est pas instancié sous la forme d’un simple data.frame tel qu’il existait aux origines du langage R. Il adopte la classe enrichie tibble (représentée techniquement par les classes combinées tbl_df, tbl et data.frame). Cette abstraction conceptuelle, théorisée et implémentée dans le cadre de la modernisation des outils d’analyse de données, apporte des modifications substantielles et délibérées au comportement standard de R.

La distinction la plus immédiatement perceptible réside dans la méthode d’affichage dans la console. Alors qu’un data.frame classique imprime indifféremment l’intégralité de ses milliers d’enregistrements s’il est invoqué sans précaution, provoquant un défilement textuel fastidieux et saturant la mémoire du terminal, le tibble s’auto-limite intelligemment aux dix premières lignes et ajuste le nombre de colonnes présentées à la largeur effective de la fenêtre d’affichage. Il affiche en outre, directement sous le nom de chaque variable, une abréviation explicite de son type sous-jacent (par exemple dbl pour les nombres décimaux en double précision, chr pour les chaînes de caractères, ou dbl+lbl pour les variables numériques enrichies d’étiquettes sémantiques).

Sur le plan structurel, le tibble impose une rigueur accrue en matière de manipulation des sous-ensembles. Il supprime totalement le mécanisme historique de simplification automatique des dimensions (l’argument drop = FALSE est actif par défaut). Ainsi, l’extraction d’une unique colonne via l’opérateur crochet renvoie systématiquement un nouveau tibble à une colonne et ne rétrograde jamais silencieusement la donnée en un vecteur atomique, éliminant de facto une classe entière de bogues silencieux dans les scripts d’analyse séquentielle. De même, le tibble bannit la complétion partielle des noms de variables : si un script tente d’accéder à une variable dont l’orthographe est tronquée ou erronée, le tibble génère un avertissement formel là où le data.frame historique tentait d’inférer la variable visée avec un risque substantiel de confusion.

6. Gestion critique des étiquettes de variables et de valeurs (Labels)

6.1 Fonctionnement de la classe haven_labelled

La divergence la plus profonde entre la philosophie computationnelle de SPSS et celle de R s’incarne dans le concept de vecteur étiqueté. Dans SPSS, chaque variable peut simultanément exister sous forme d’une série de valeurs quantitatives pour le moteur de calcul et se parer d’un ensemble de libellés textuels pour les tableaux de sortie. R, dans son modèle standard, sépare rigoureusement ces deux dimensions : soit un vecteur est quantitatif continu ou discret (classe numeric ou integer), soit il représente des catégories qualitatives discrètes sous forme de chaînes textuelles (character) ou de facteurs indexés (factor). Pour surmonter cette fracture, haven a créé la classe S3 vectorielle haven_labelled.

Un vecteur de classe haven_labelled est fondamentalement un vecteur atomique de type double ou chaîne de caractères, auquel sont greffés deux attributs de métadonnées spécifiques : l’attribut label (qui contient l’étiquette descriptive de la variable dans sa globalité) et l’attribut labels (un vecteur nommé associant chaque code numérique d’origine à son libellé descriptif textuel). Par cette architecture élégante, le nombre réel 1 reste stocké sous forme du chiffre 1, mais porte avec lui l’information contextuelle précisant qu’il signifie, par exemple, « Féminin » ou « Niveau de stress modéré ».

Néanmoins, la puissance de haven_labelled constitue une arme à double tranchant. Cette classe est spécifiquement conçue comme un vecteur de transition logistique, un contenant provisoire destiné à transporter la donnée depuis le disque dur jusqu’au pipeline de nettoyage. De nombreuses fonctions d’analyse statistique avancée, issues de bibliothèques tierces non intégrées au tidyverse (telles que les fonctions de modélisation par équations structurelles de lavaan, les routines d’analyses factorielles exploratoires du package psych ou encore les algorithmes d’arbres de décision), ne savent pas interpréter la classe haven_labelled. Confrontées à un tel objet, ces fonctions peuvent lever des erreurs d’incompatibilité de type ou, pire encore, désactiver silencieusement le traitement des données. La gestion et la transformation de ces vecteurs constituent donc une phase incontournable de tout protocole de recherche.

6.2 Extraction et consultation des métadonnées avec sjlabelled ou codebook

Avant d’engager toute transformation sur les variables étiquetées, l’analyste doit impérativement explorer le dictionnaire des métadonnées pour documenter son plan d’analyse. Dans le cadre de R base, l’extraction de ces informations repose sur l’interrogation explicite des attributs de l’objet à l’aide de la syntaxe attr(variable, « label ») pour le libellé de la question, ou attr(variable, « labels ») pour les codes de réponses. Cependant, inspecter manuellement des dizaines d’items psychométriques variable par variable à l’aide de commandes atomiques s’avère fastidieux et inadapté à la pratique contemporaine.

Pour rationaliser cette étape exploratoire, l’écosystème R s’est enrichi de bibliothèques spécialisées dans l’interrogation sémantique des données d’enquête. Le package sjlabelled offre à cet égard un arsenal de fonctions de premier ordre. La commande get_label() permet d’extraire l’ensemble des énoncés de questions d’un tableau complet sous la forme d’un vecteur nommé de chaînes de caractères. Symétriquement, get_labels() extrait l’inventaire exhaustif des modalités de réponse associées à chaque colonne. L’association de ces fonctions permet de reconstituer en une seule ligne de code un dictionnaire de variables synthétique et directement diffusable.

Pour les chercheurs nécessitant une inspection encore plus granulaire lors de l’exploration de questionnaires multidimensionnels denses, le package labelled met à disposition la remarquable fonction look_for(). Cette commande effectue une recherche plein texte ultra-rapide à la fois au sein des noms techniques des variables, de leurs étiquettes descriptives et des libellés de leurs modalités. Il devient ainsi trivial d’identifier instantanément tous les items se rapportant à un concept spécifique, comme l' »anxiété sociale » ou le « sommeil », sans avoir à parcourir fastidieusement le manuel de passation papier de l’instrument de mesure.

6.3 Conversion sélective des variables étiquetées en facteurs avec as_factor()

Une fois le dictionnaire de données assimilé, le chercheur doit opérer une distinction méthodologique fondamentale entre deux catégories de variables étiquetées : celles qui constituent des variables nominales qualitatives pures et celles qui correspondent à des échelles de mesure quantitatives ou quasi-quantitatives (telles que les échelles de Likert).

Pour les variables nominales, telles que le statut matrimonial, le groupe expérimental assigné ou l’orientation diagnostique, le maintien sous forme de codes numériques arbitraires (1, 2, 3…) est non seulement absurde d’un point de vue statistique, mais dangereux pour l’interprétation des sorties de modélisation. Ces variables doivent être impérativement converties en véritables facteurs R. À cette fin, il ne faut jamais utiliser la fonction de base as.factor() (avec un point), car celle-ci ignorerait totalement les étiquettes textuelles sous-jacentes pour ne conserver que les chiffres bruts comme niveaux de facteurs. Il convient d’utiliser la fonction dédiée haven::as_factor() (avec un tiret bas), qui remplace automatiquement les codes numériques par leurs étiquettes descriptives correspondantes, transformant par exemple le code 1 en la modalité « Groupe Témoin » et le code 2 en « Groupe Expérimental ».

À l’inverse, pour les échelles psychométriques d’intervalles ou de Likert où les chiffres correspondent à une progression d’intensité psychologique destinée à être sommée pour forger des scores dimensionnels (par exemple, de 1 = « Pas du tout » à 5 = « Totalement »), la conversion en facteur constituerait une régression analytique majeure, privant le chercheur de la possibilité de calculer des moyennes, des écarts-types et des matrices de covariance. Pour ces items, la stratégie méthodologique consiste à dépouiller le vecteur de son enveloppe haven_labelled pour ne conserver que la valeur numérique pure sous-jacente. L’utilisation de la fonction haven::zap_labels() permet d’effacer proprement les attributs d’étiquettes de valeurs superflus, rétrogradant la colonne au rang de vecteur numérique classique (numeric) pleinement opérationnel pour les modélisations linéaires.

7. Traitement des valeurs manquantes définies par l’utilisateur (User-Defined Missing Values)

7.1 Distinction entre valeurs manquantes système (NA) et valeurs manquantes SPSS

La gestion des données absentes ou non recueillies constitue sans doute la zone de friction méthodologique la plus délicate lors du passage de SPSS à R. L’analyste non averti s’expose à des biais d’estimation dévastateurs s’il omet d’assimiler les nuances conceptuelles séparant la vision de la non-réponse adoptée par ces deux logiciels. Dans l’architecture statistique de R, l’absence de donnée est univoque : une valeur non observée est représentée par la constante NA (pour Not Available), laquelle dispose d’un traitement mathématique universellement propagé à travers l’ensemble des opérateurs et fonctions du langage.

Dans SPSS, en revanche, la taxonomie de l’absence est duale. Il existe d’une part la valeur manquante système (system-missing), qui matérialise le vide absolu, l’absence physique de frappe dans la case lors de la saisie, représentée par un point typographique. D’autre part, SPSS offre la possibilité de configurer des valeurs manquantes définies par l’utilisateur (user-defined missing values). Dans ce dernier cas, un chercheur attribue délibérément des codes numériques réels, souvent choisis aux limites extrêmes du domaine de mesure (comme 99 pour « Inapplicable », 998 pour « Refus de répondre », ou -9 pour « Perte de contact longitudinal »), et les déclare dans le dictionnaire de SPSS comme étant des valeurs à exclure des calculs usuels.

Le danger analytique dans R est patent. Si un fichier SPSS contenant des codes 999 pour des questions d’attitudes mesurées sur une échelle de 1 à 7 est importé sans neutralisation de ces valeurs sentinelles, R traitera par défaut ces nombres 999 comme des quantités arithmétiques légitimes. Le calcul d’un score moyen d’anxiété intègrera alors ces valeurs extrêmes, catapultant artificiellement des moyennes théoriquement bornées à 7 vers des grandeurs de plusieurs centaines d’unités, ruinant instantanément la validité interne des estimations statistiques et l’exactitude des conclusions scientifiques.

7.2 Paramétrage de l’argument user_na dans read_sav()

Pour prévenir cette catastrophe méthodologique, la bibliothèque haven met à disposition un contrôle paramétrique d’une extrême précision par le truchement de l’argument user_na au sein de la commande read_sav(). Par défaut, cet argument est configuré sur user_na = FALSE. Sous ce paramétrage conservateur et sécurisant, haven interroge le dictionnaire SPSS et procède à une coercition radicale mais saine : toutes les valeurs codées numériquement comme des valeurs manquantes utilisateur sont instantanément converties en valeurs manquantes système standard de R, à savoir la constante NA.

Bien que ce comportement par défaut constitue la solution idéale pour la quasi-totalité des analyses quantitatives inférentielles, il existe des contextes méthodologiques spécifiques où cette neutralisation immédiate est néfaste. En psychologie de la santé ou en épidémiologie psychiatrique, l’analyste peut souhaiter étudier précisément les mécanismes de non-réponse. La distinction entre un individu qui a sauté une question par omission involontaire et un participant qui a explicitement exercé son droit de refus éthique de répondre peut constituer une variable prédictive d’intérêt majeur pour des analyses d’attrition ou des modélisations de propension.

Dans cette perspective scientifique singulière, il convient de forcer l’argument en spécifiant user_na = TRUE lors de l’appel d’importation. Lorsqu’il est ainsi activé, haven préserve scrupuleusement les codes numériques originaux (tels que 998 ou 999) dans les données physiques, tout en attribuant à la colonne la sous-classe spécialisée haven_labelled_spss. Cette classe hybride encapsule les règles de qualification des valeurs manquantes dans un attribut dédié. Cette préservation permet au chercheur d’isoler, de cartographier et de modéliser les motifs de non-réponse avant d’opérer, de manière manuelle et sélective, la substitution finale vers des valeurs NA exploitables par les fonctions statistiques conventionnelles.

7.3 Stratégies de recodage pour les échelles psychométriques

Dès lors que le chercheur a fait le choix délibéré d’importer les valeurs manquantes définies par l’utilisateur via user_na = TRUE, il doit mettre en place une stratégie de recodage et d’assainissement systématique avant d’engager la moindre réduction dimensionnelle ou le calcul de scores agrégés.

La première technique d’assainissement repose sur la fonction spécialisée haven::zap_missing(). Cette commande a pour rôle spécifique de convertir définitivement toutes les valeurs identifiées comme manquantes par les métadonnées SPSS en la constante standard NA de R, tout en éliminant l’attribut de métadonnées correspondant. Elle neutralise ainsi le risque mathématique tout en purifiant la structure vectorielle de la variable. Si des codes anormaux ont échappé à la déclaration formelle dans le fichier SPSS original (par exemple un code -999 résiduel saisi par inadvertance sans avoir été configuré comme manquant dans l’interface de SPSS), le recours à la fonction na_if() du package dplyr constitue l’antidote le plus élégant. La commande mutate(score = na_if(score, -999)) permet de cibler chirurgicalement une constante numérique précise pour la substituer par un NA sans altérer le reste de la distribution.

Cette phase de recodage doit impérativement s’accompagner d’un diagnostic exhaustif de la complétude du jeu de données. Des bibliothèques contemporaines d’imagerie diagnostique, telles que naniar ou VIM, apportent une plus-value méthodologique inestimable. La fonction vis_miss() de naniar génère en quelques secondes une cartographie visuelle de l’ensemble de la matrice de données, illustrant la proportion et la distribution spatiale des données manquantes à travers les items et les sujets. Cette étape permet de confirmer de visu que l’ensemble des codes résiduels ont été parfaitement neutralisés et d’évaluer si les données manquantes répondent aux hypothèses théoriques de données manquantes complètement de manière aléatoire (MCAR), indispensables pour légitimer de futures procédures d’imputation multiple.

8. Méthodes alternatives d’importation pour contextes méthodologiques spécifiques

8.1 Utilisation de foreign::read.spss() et ses spécificités techniques

Bien que haven représente aujourd’hui le standard de fait de la communauté R, il demeure des circonstances techniques où l’usage de la bibliothèque historique foreign et de sa commande read.spss() s’avère incontournable. Ce cas de figure se présente notamment lorsqu’un chercheur est contraint d’opérer au sein de serveurs institutionnels sécurisés dépourvus de compilateurs C récents, d’accès à Internet ou de la possibilité d’installer des paquets extérieurs à la distribution native minimale recommandée de R.

L’utilisation canonique de read.spss impose une vigilance accrue sur deux arguments structurels souvent méconnus :

donnees_historiques <- foreign::read.spss(« donnees.sav », to.data.frame = TRUE, use.value.labels = FALSE)

Par défaut, read.spss ne génère pas un tableau de données mais une simple liste R contenant un vecteur par variable ; l’argument to.data.frame = TRUE est donc strictement indispensable pour obtenir une structure tabulaire opérationnelle. De même, l’argument use.value.labels est activé par défaut (TRUE) dans foreign, ce qui contraint l’ensemble des variables dotées d’étiquettes de modalités à se métamorphoser en facteurs R, bloquant instantanément tout traitement arithmétique ultérieur. Le paramétrer systématiquement sur FALSE permet de préserver la nature numérique native des scores psychométriques.

Il importe toutefois de souligner les limites sévères de foreign. Ce package présente une fâcheuse tendance à tronquer silencieusement les chaînes de caractères dépassant des seuils de largeur prédéfinis et gère de manière particulièrement chaotique les jeux de caractères non ASCII encodés en Unicode, provoquant des distorsions typographiques majeures lors de la lecture de fichiers produits par les versions 16 et supérieures de SPSS. Son usage doit donc être cantonné à la maintenance de dépôts d’archives anciens ou à des environnements d’infrastructure strictement contraints.

8.2 Ingestion simplifiée via la fonction import() du package rio

Pour les contextes méthodologiques où l’objectif prioritaire réside dans la célérité d’exécution, la clarté pédagogique auprès d’étudiants débutants ou le prototypage exploratoire d’un flux de données, le package rio constitue une alternative d’une redoutable efficacité. En abolissant la barrière cognitive liée à la mémorisation de dizaines de commandes spécialisées d’importation, rio démocratise l’ingestion de formats disparates au travers d’une unique passerelle sémantique.

La commande opérationnelle se résume à une formulation minimaliste :

donnees_rio <- rio::import(« questionnaire_recherche.sav »)

Sous cette apparente simplicité syntaxique, rio analyse l’extension du document fourni en paramètre et initialise de façon transparente un appel vers la fonction sous-jacente read_sav() du package haven. La structure de données retournée hérite par conséquent de tous les raffinements modernes du tidyverse, tout en épargnant à l’utilisateur l’écriture formelle des directives de dépendances techniques.

Un atout substantiel de rio réside dans sa capacité à faire transiter de manière transparente des arguments spécialisés vers le moteur d’ingestion sous-jacent. Si le chercheur a besoin de neutraliser ou au contraire de conserver les valeurs manquantes définies par l’utilisateur, il lui suffit d’adjoindre l’argument formel user_na = TRUE directement au sein de la commande import(), laquelle le relaie fidèlement à haven. Cette modularité en fait un instrument de choix pour harmoniser des flux d’ingestion au sein d’équipes de recherche hétérogènes regroupant des analystes aux compétences de programmation contrastées.

8.3 Importation de fichiers compressés (.zsav) et de formats de transport (.por)

Au fil des décennies, SPSS a décliné son format de stockage selon différentes variantes techniques afin de répondre aux contraintes historiques d’espace disque ou de transfert inter-systèmes. Parmi celles-ci, le format .zsav s’est largement démocratisé au cours des dernières années au sein des bases d’enquêtes massives. Il s’agit d’une déclinaison nativement compressée du format .sav classique, exploitant des algorithmes de compression zlib internes pour réduire l’empreinte physique du fichier de près de 60 à 80 % sur le support de stockage.

L’une des forces majeures de la bibliothèque haven et de son moteur C ReadStat est d’offrir une prise en charge parfaitement transparente et native des fichiers .zsav via la même commande read_sav(). Le chercheur n’a nullement besoin de décompresser préalablement l’archive au moyen d’un logiciel tiers d’archivage : la routine binaire identifie la signature de compression dans l’en-tête, initialise les buffers de décompression en mémoire vive et instancie le tibble R sans latence perceptible. Il convient néanmoins d’anticiper une allocation accrue de charge CPU durant la phase d’ingestion, la décompression à la volée mobilisant des ressources de calcul supplémentaires par rapport à la lecture d’un fichier .sav binaire plat standard.

À l’autre extrémité du spectre historique figurent les fichiers de transport SPSS portant l’extension .por. Très répandus dans les années 1980 et 1990 pour contourner les incompatibilités entre machines de constructeurs différents (telles que les architectures mainframes IBM et les premiers micro-ordinateurs personnels), ces fichiers encodent l’ensemble de la matrice et du dictionnaire sous une forme textuelle spécifique d’une extrême rigidité. Pour ingérer ces reliques méthodologiques, haven met à disposition la fonction dédiée read_por(). Cette dernière exécute le décodage séquentiel du flux de transport et reconstitue scrupuleusement la table de données originelle, permettant aux chercheurs contemporains de revisiter et réanalyser avec les outils modernes de la psychométrie des cohortes historiques séculaires.

9. Nettoyage et harmonisation post-importation pour l’analyse psychologique

9.1 Standardisation de la nomenclature des variables avec janitor

Une constante méthodologique universellement observée dans les bases de données issues de SPSS réside dans l’hétérogénéité, voire l’anarchie, de la nomenclature des variables. Les concepteurs d’enquêtes SPSS ont fréquemment recours à des syntaxes permissives intégrant des lettres majuscules aléatoires, des espaces intercalaires, des barres de fraction, des accents diacritiques ou des caractères de ponctuation spéciaux au sein des identifiants de colonnes. Si ces fantaisies typographiques sont tolérées par l’interface graphique de SPSS, elles représentent un écueil redoutable dans R, forçant l’utilisation constante de guillemets inversés (backticks) pour référencer les variables et générant des erreurs de syntaxe cryptiques dans l’écriture des formules statistiques.

Pour assainir et unifier instantanément cette nomenclature sans risque d’erreur humaine, le recours au package janitor et à sa fonction emblématique clean_names() s’impose comme la norme méthodologique absolue. Intégrée immédiatement après l’appel d’importation dans un pipeline de traitement, cette fonction réalise un travail typographique d’une rigueur chirurgicale :

donnees_propres <- donnees_brutes %>% janitor::clean_names()

La transformation opère de manière déterministe : toutes les lettres capitales sont rétrogradées en minuscules, les espaces et signes de ponctuation sont systématiquement convertis en traits de soulignement uniques (snake_case), et l’ensemble des caractères accentués (é, è, à, ç…) sont rigoureusement translittérés vers leurs équivalents ASCII de base. Ce nettoyage préventif protège l’analyste de bogues logiciels récurrents lors de la formulation de modèles linéaires complexes ou de l’appel de packages graphiques comme ggplot2, tout en préservant scrupuleusement la traçabilité des acronymes psychométriques fondamentaux.

9.2 Typage rigoureux : variables numériques, catégorielles et ordinales

Une fois les noms de colonnes harmonisés, l’analyste doit procéder à une inspection systématique et à une coercition raisonnée de la nature vectorielle de chaque variable afin de l’aligner précisément sur sa réalité métrologique. Dans les fichiers d’enquêtes psychologiques, un travers récurrent consiste à stocker les numéros d’identification des participants (variables de type Subject_ID) sous la forme de données numériques continues en virgule flottante. Si ce typage erroné n’est pas rectifié, R traitera l’identifiant comme une grandeur arithmétique continue, proposant d’en calculer la moyenne ou l’écart-type. Ces colonnes doivent impérativement être converties en chaînes de caractères (character) au moyen de la fonction as.character().

Le second chantier métrologique concerne le traitement des échelles d’attitudes ou scores ordinaux de type Likert. Pour des variables purement qualitatives nominales (comme le genre, le statut d’emploi ou le groupe expérimental), l’analyste fait usage de haven::as_factor() pour matérialiser les niveaux catégoriels au sein d’un facteur R standard. En revanche, pour les variables intrinsèquement ordinales où l’on souhaite formaliser une hiérarchie stricte des modalités (par exemple : « Faible », « Modéré », « Élevé ») sans pour autant leur conférer d’emblée une métrique d’intervalle continue, il est méthodologiquement requis de concevoir un facteur ordonné via la commande factor(…, ordered = TRUE). Cette spécification explicite garantit que les routines de régression ultérieures assigneront des contrastes polynomiaux orthogonaux appropriés lors des estimations statistiques.

Enfin, l’horodatage des passations expérimentales et le recueil chronologique des données méritent une vigilance spécifique. SPSS stocke historiquement les variables temporelles sous la forme du nombre de secondes écoulées depuis le 14 octobre 1582 (point d’ancrage du calendrier grégorien). Bien que haven gère généralement cette conversion de façon transparente vers des objets de classe POSIXct conformes au temps universel coordonné, il incombe au chercheur de contrôler rigoureusement ces variables de dates afin de calculer avec une exactitude décimale l’âge chronologique des participants au moment exact de la passation de l’évaluation psychologique.

9.3 Détection préliminaire des anomalies et incohérences de saisie

La dernière étape du conditionnement initial des données consiste à sonder la matrice à la recherche d’aberrations empiriques, d’erreurs de saisie cléricales ou de violations des postulats de mesure théoriques. Malgré le blindage des formulaires de recueil modernes, aucune base de données psychologique n’est totalement exempte de scories lors de son extraction brute.

Le contrôle de la validité des bornes de mesure constitue le premier diagnostic univarié. Si une échelle psychométrique standardisée est théoriquement bornée entre la valeur minimale de 1 et la valeur maximale de 5, l’apparition d’un score de 6, de 0 ou d’un nombre négatif signale indiscutablement une anomalie de codage ou une corruption de données. L’application combinée des fonctions summary() du système de base de R et describe() de la célèbre bibliothèque psych permet d’obtenir un panorama immédiat des minima, maxima, médianes, coefficients d’asymétrie (skewness) et d’aplatissement (kurtosis) pour chaque variable continue. Toute distorsion des extrema théoriques impose l’isolement immédiat de l’observation fautive et sa confrontation avec les fiches de passation originales de l’étude.

Un autre péril méthodologique réside dans l’existence d’enregistrements dupliqués consécutifs à des soumissions multiples d’un même participant sur des questionnaires informatisés en ligne. Le package janitor propose à cette fin la fonction get_dupes(), qui scanne la table de données sur la base d’un ensemble de critères d’identification (par exemple l’identifiant sujet, l’adresse électronique anonymisée ou la combinaison de variables sociodémographiques invariantes) et isole instantanément tous les doublons stricts ou partiels. Ces contrôles qualité préliminaires garantissent que les étapes subséquentes de modélisation mathématique reposeront sur un substrat empirique irréprochable.

10. Diagnostics et résolution des erreurs courantes lors de l’importation

10.1 Résolution des erreurs de chemin et d’autorisations d’accès

L’expérience démontre que l’écrasante majorité des interruptions d’exécution survenant au moment de l’importation d’un fichier SPSS dans R ne découle pas d’une corruption de données binaire complexe, mais d’une mauvaise formulation du chemin d’accès au fichier sur le support de stockage. Le message d’erreur emblématique stipulant que le fichier ou le répertoire ciblé n’existe pas (cannot open file: No such file or directory) constitue le cauchemar récurrent des chercheurs néophytes.

Pour diagnostiquer méthodiquement cette défaillance, il convient d’abandonner les tâtonnements aléatoires et d’adopter une séquence de test déterministe. La première vérification consiste à interroger directement le système d’exploitation par le biais de l’instruction logique file.exists(« chemin/vers/fichier.sav »). Si cette commande renvoie FALSE, le problème est formellement localisé : le fichier n’est pas physiquement là où le script tente de le localiser. Les causes les plus fréquentes incluent une faute d’orthographe (parfois la simple confusion entre une majuscule et une minuscule sur des systèmes d’exploitation Linux ou macOS sensibles à la casse), une double extension masquée par l’explorateur Windows (comme etude.sav.sav), ou l’omission d’un sous-répertoire hiérarchique dans l’arborescence. L’adoption stricte du package here, couplée à l’autocomplétion par la touche tabulation de RStudio, permet d’éliminer définitivement cette source d’erreur.

Un second ordre de blocage concerne les autorisations de sécurité et les verrous de fichiers imposés par les environnements d’exploitation. Dans de nombreuses institutions universitaires ou hospitalières, les répertoires de données sont synchronisés en temps réel avec des solutions de stockage cloud (OneDrive, Dropbox, Google Drive) ou hébergés sur des disques réseaux partitionnés. Si le fichier SPSS est simultanément ouvert dans le logiciel SPSS Statistics par un autre utilisateur ou par l’analyste lui-même, le système de fichiers peut placer un verrou d’accès exclusif sur le fichier binaire, empêchant le moteur C de haven d’initialiser son flux de lecture. La fermeture impérative de l’application SPSS native et la vérification des permissions de lecture sur le dossier parent suffisent généralement à restaurer l’accessibilité des flux de données.

10.2 Gestion des conflits d’encodage de caractères (UTF-8 versus Windows-1252)

L’altération des métadonnées textuelles, universellement désignée sous le terme technique de mojibake, représente une source d’irritation méthodologique majeure lors du partage international de fichiers SPSS. Ce phénomène se manifeste lorsque les accents, cédilles ou caractères spéciaux contenus dans les énoncés de questions ou les libellés de modalités se transforment en une séquence de symboles incohérents et illisibles (tels que des suites de caractères ésotériques comme « Ã© » à la place de « é »).

Cette corruption résulte d’une discordance fondamentale entre la table d’encodage utilisée par SPSS lors de l’écriture physique du fichier .sav sur le disque dur et la table d’encodage présumée par le moteur de lecture dans R. Historiquement, jusqu’à sa version 15 incluse, SPSS utilisait exclusivement les pages de code locales du système d’exploitation hôte, typiquement l’encodage Windows-1252 (ou Latin-1 / CP1252) sur les machines occidentales. Depuis la version 16, SPSS permet l’utilisation du standard universel Unicode UTF-8, mais le mode d’encodage par défaut dépendait fréquemment de la configuration régionale de l’ordinateur sur lequel le fichier a été initialement généré.

Face à un texte altéré, le chercheur ne doit jamais tenter de corriger manuellement les libellés avec des fonctions de remplacement textuel. La solution consiste à forcer explicitement le paramètre encoding au sein de la fonction read_sav(). Par défaut, haven tente de lire le fichier en présumant un encodage moderne en UTF-8. Si les caractères ressortent altérés, il convient d’exécuter à nouveau l’importation en spécifiant encoding = « windows-1252 » ou encoding = « latin1 ». Cette réassignation force la table de conversion binaire à interpréter correctement les octets de texte originaux, restaurant instantanément l’intégrité orthographique et sémantique de l’ensemble du dictionnaire de données psychologiques.

10.3 Traitement des ensembles de données massifs et contraintes de mémoire vive

Bien que la psychologie expérimentale opère fréquemment sur des cohortes d’échantillons de taille modérée (quelques dizaines à quelques centaines d’observations), le développement des études de neuro-imagerie computationnelle, des panels d’enquêtes démographiques internationales et des données issues des applications pour ordiphones confronte de plus en plus souvent les analystes à des matrices de données massives (comprenant des dizaines de milliers de lignes et des milliers de variables d’évaluation écologique instantanée).

Dans un tel scénario, l’ingestion brute d’un fichier .sav volumineux peut saturer instantanément la mémoire vive (RAM) disponible de la station de travail, entraînant un ralentissement critique du système d’exploitation ou le plantage immédiat du processus RStudio (erreur de type cannot allocate vector of size X Gb). Il importe de rappeler que, contrairement à certains logiciels de bases de données qui accèdent aux enregistrements par pagination sur le disque, R charge par défaut l’intégralité des objets directement dans la mémoire vive centrale.

Pour juguler cette contrainte de mémoire, une séquence de mesures d’ingénierie statistique doit être déployée. La première démarche réside dans le filtrage sélectif dès l’importation via l’argument col_select de read_sav(), éliminant sans compromis toutes les variables non requises par le plan d’analyse immédiat. La seconde approche consiste à segmenter la lecture par blocs successifs à l’aide des arguments d’échantillonnage n_max et skip pour opérer un traitement partitionné. Pour les projets dont la volumétrie dépasse structurellement les capacités de la RAM de la machine, la transition vers des formats colonnaires optimisés pour le calcul intensif, tels que le format Parquet adossé à l’écosystème Apache Arrow (via le package arrow), s’impose. Il est alors possible d’importer le fichier SPSS une unique fois, de le sérialiser immédiatement au format Parquet, puis de réaliser l’ensemble des requêtes et filtrages sans jamais saturer la mémoire vive de l’ordinateur.

11. Applications pratiques en recherche psychologique et analyse de données

11.1 Préparation des données pour l’analyse factorielle exploratoire et confirmatoire

L’évaluation de la validité de construit d’un instrument de mesure psychologique constitue une démarche empirique fondamentale qui repose sur la modélisation factorielle, qu’elle soit exploratoire (AFE) ou confirmatoire (AFC). Ces techniques quantitatives avancées requièrent une matrice d’entrées strictement numérique et exempte de toute interférence d’attributs de programmation logicielle.

La première exigence méthodologique consiste à extraire le sous-ensemble précis d’items composant l’échelle psychométrique à valider et à les purger rigoureusement de la classe haven_labelled. L’application de la fonction zap_labels() est ici incontournable : elle dépouille les colonnes de leurs métadonnées résiduelles tout en maintenant intacte la gradation quantitative des réponses. Si cette opération de désencapsulation n’est pas scrupuleusement exécutée, des bibliothèques de référence comme psych (pour l’analyse factorielle exploratoire) ou lavaan (pour la modélisation en équations structurelles) peuvent rejeter l’objet d’analyse ou générer des matrices de variance-covariance singulières en raison de l’incompatibilité des types d’attributs S3 sous-jacents.

Une fois les variables ramenées à leur nature de vecteurs numériques purs, le chercheur doit procéder au diagnostic de la matrice de corrélation. Cela implique le calcul du test d’adéquation de l’échantillonnage de Kaiser-Meyer-Olkin (KMO) et du test de sphéricité de Bartlett à l’aide des fonctions dédiées du package psych. L’exécution de ces procédures permet de corroborer formellement que la matrice importée et nettoyée possède une structure inter-items suffisamment articulée pour autoriser l’extraction de dimensions latentes stables, validant ainsi la continuité du protocole psychométrique depuis le fichier SPSS original jusqu’à l’estimation factorielle de haut niveau.

11.2 Calcul des scores composites et de la cohérence interne (alpha de Cronbach)

Dans la pratique clinique et la recherche en psychométrie, il est exceptionnel que l’on analyse des items de manière isolée. L’analyste procède quasi systématiquement à l’agrégation d’une série d’indicateurs manifestes afin de forger un score composite reflétant un construit latent sous-jacent (par exemple, le score global de dépression ou l’indice de résilience cognitive).

Cette étape d’agrégation impose au préalable une opération délicate : l’inversion des items formulés de façon négative (souvent intégrés délibérément pour contrer les biais d’acquiescement lors de la passation du questionnaire). Dans un flux de travail R moderne, cette inversion s’opère avec une clarté remarquable au sein d’une instruction dplyr::mutate(). Si un item d’estime de soi est coté de 1 à 4, sa version inversée s’obtient trivialement par la formule mathématique linéaire : item_inverse = 5 – item_original. Réaliser cette transformation par script au sein de R garantit une transparence absolue, contrairement aux manipulations opaques souvent réalisées au sein des fenêtres de recodage de SPSS où l’écrasement involontaire de la variable originale n’est jamais à exclure.

Dès lors que l’ensemble des items pointent dans la même direction sémantique, l’évaluation de la fidélité de l’échelle par l’estimation de sa cohérence interne constitue une étape obligée. L’utilisation de la fonction psych::alpha() sur la matrice des items assainis permet de calculer instantanément le coefficient alpha de Cronbach ainsi que l’alpha standardisé et l’oméga de McDonald. La sortie détaillée de cette fonction fournit en outre des indicateurs inestimables sur l’évolution de la fidélité globale si un item particulier venait à être retranché (alpha if item deleted). Enfin, la création du score composite dimensionnel s’accomplit par le calcul de la moyenne ou de la somme vectorielle par ligne (par exemple via la fonction rowMeans() ou la syntaxe rowwise() de dplyr), dotant le chercheur d’une variable agrégée robuste pour les modélisations inférentielles subséquentes.

11.3 Modélisation par régression linéaire et analyse de variance (ANOVA)

L’aboutissement logique du processus d’ingestion et de prétraitement réside dans la phase de test des hypothèses de recherche par l’intermédiaire de modèles statistiques inférentiels généraux, au premier rang desquels figurent la modélisation linéaire univariée ou multivariée (régression) et l’analyse de variance factorielle (ANOVA). C’est précisément à cette étape que la rigueur du typage effectuée en amont révèle toute son importance structurelle.

Lorsqu’un chercheur spécifie un modèle de régression linéaire sous R à l’aide de la fonction lm(score_composite ~ groupe + age + anxiete, data = donnees), l’interpréteur statistique examine la classe de chaque prédicteur. Si la variable « groupe » a été préalablement et correctement convertie d’un vecteur haven_labelled vers un véritable facteur R via haven::as_factor(), R génère automatiquement le codage des variables indicatrices (dummy coding) approprié, désignant le premier niveau alphabétique ou spécifié comme groupe de référence et estimant le contraste statistique associé. En revanche, si la variable est demeurée sous la forme d’un vecteur étiqueté non transformé, la fonction lm() peut soit échouer lamentablement, soit, pire encore, traiter les codes numériques de groupe (1, 2, 3…) comme une covariable numérique continue unique, estimant une pente linéaire absurde entre des entités purement qualitatives nominales.

Pour la restitution académique finale des résultats de modélisation, le package gtsummary s’avère un allié d’une puissance méthodologique remarquable. Grâce à sa fonction tbl_regression(), il inspecte le modèle estimé, extrait automatiquement les coefficients non standardisés, les erreurs types, les intervalles de confiance à 95 % ainsi que les valeurs de probabilité (p-values), et compose un tableau académique d’une qualité typographique irréprochable, prêt à être exporté directement vers un traitement de texte ou un document reproductible compilé en Quarto, achevant d’inscrire l’analyse dans les standards d’excellence de la publication scientifique internationale.

12. Synthèse méthodologique et flux de travail pour une recherche reproductible

12.1 Établissement d’un script d’importation et de prétraitement automatisé

Pour garantir l’intégrité pérenne de la recherche, l’ensemble des opérations disséquées au long de ce tutoriel ne doit jamais être exécuté de manière fragmentée, interactive ou désordonnée au sein de la console R. La quintessence de la reproductibilité scientifique s’incarne dans la confection d’un script source autonome, intégralement automatisé, que l’on qualifie dans le jargon de l’ingénierie de données de pipeline d’ingestion et de prétraitement (data cleaning pipeline).

Ce script, conventionnellement consigné dans le dossier scripts sous la dénomination normalisée 01_import_et_preparation.R, doit débuter par une initialisation scrupuleuse documentant la date d’exécution, le nom des investigateurs et le chargement explicite des packages requis dans des versions stabilisées via le gestionnaire renv. Il enchaîne ensuite de façon fluide et ininterrompue, au moyen des opérateurs de tuyauterie (pipes %>% ou |>), la séquence logique complète : lecture binaire du fichier SPSS source depuis le répertoire data_raw via read_sav(), normalisation typographique instantanée des noms de variables par clean_names(), conversion sélective et raisonnée des étiquettes en facteurs et variables quantitatives pures, gestion chirurgicale des codes de valeurs manquantes, et vérification des critères de cohérence interne.

Le principe cardinal guidant cette architecture computationnelle est l’immutabilité absolue des données d’origine : le script s’interdit formellement et structurellement d’écraser, de modifier ou d’altérer le fichier .sav originel résidant sur le disque. Chaque exécution du script lit le fichier brut en mémoire volatile, applique l’ensemble des filtres et transmutations de façon strictement déterministe, et engendre un nouveau jeu de données entièrement prêt pour l’inférence. Si un réajustement méthodologique s’impose ultérieurement (par exemple la redéfinition d’un seuil d’exclusion psychométrique), il suffit de modifier la ligne de commande correspondante dans le script et de réexécuter l’ensemble du flux pour obtenir une mise à jour transparente, contrôlée et documentée de la base d’analyse.

12.2 Sauvegarde intermédiaire aux formats natifs R (.rds, .RData)

Une fois la table de données parfaitement importée, purifiée et typée selon les exigences de la psychologie quantitative, il devient contre-productif de contraindre R à réexécuter l’ensemble des opérations d’analyse binaire et de décodage du fichier SPSS lors de chaque nouvelle session de travail ou à chaque compilation de rapport. Une bonne pratique méthodologique fondamentale consiste à sérialiser le tableau de données assaini sous un format natif hautement optimisé propre à l’environnement R.

Le format de choix pour cette persistance intermédiaire est le fichier .rds. Contrairement au format historique .RData (ou .rda) qui sauvegarde l’intégralité d’un environnement de travail comprenant de multiples objets avec leurs noms d’assignation figés, la fonction saveRDS() sérialise un unique objet R de manière atomique sous un niveau de compression algorithmique extrêmement performant. L’opération s’exécute avec une remarquable simplicité :

saveRDS(donnees_propres, here(« data_processed », « cohorte_psychometrique_nettoyee.rds »))

Les gains méthodologiques découlant de l’utilisation du format .rds sont considérables. D’une part, la sauvegarde préserve intégralement et fidèlement la structure des classes R complexes (les facteurs ordonnés, les attributs de métadonnées préservés et les types numériques spécifiques) sans nécessiter aucune phase de réinterprétation sémantique ultérieure. D’autre part, la vitesse de lecture assurée par la fonction complémentaire readRDS() surpasse d’un ordre de grandeur les temps de chargement des formats propriétaires tiers : un fichier pesant des dizaines de mégaoctets sous SPSS est restitué dans l’espace mémoire de R en une fraction de seconde, optimisant drastiquement le confort de travail et la fluidité des sessions d’analyse computationnelle intensives.

12.3 Recommandations pour l’archivage pérenne des données de recherche ouverte

La clôture d’un programme de recherche quantitative s’accompagne désormais de l’obligation déontologique et institutionnelle de déposer les jeux de données empiriques sur des entrepôts d’archives ouverts, pérennes et certifiés, en conformité rigoureuse avec les principes directeurs FAIR (stipulant que les données doivent être Faciles à trouver, Accessibles, Interopérables et Réutilisables). Dans ce contexte, l’archivage exclusif d’un fichier propriétaire au format SPSS .sav soulève des réserves méthodologiques majeures, dans la mesure où il impose indirectement aux futurs réutilisateurs la possession d’un logiciel commercial ou d’émulateurs pour accéder au savoir scientifique produit.

Pour concilier l’héritage historique des métadonnées SPSS et les exigences de la science ouverte, une stratégie d’archivage duale doit être systématiquement déployée. D’un côté, le chercheur génère et dépose une version textuelle ouverte et universelle de la matrice assainie au format de valeurs séparées par des virgules (.csv) en utilisant l’encodage universel UTF-8. Ce fichier brut plat garantit qu’aucun changement technologique futur ne rendra la donnée illisible au fil des décennies. De l’autre côté, afin de compenser la perte intrinsèque des libellés de questions inhérente au format CSV, cette matrice est obligatoirement couplée à un dictionnaire de données complet exporté au format ouvert JSON ou Markdown, recensant pour chaque variable son nom technique normalisé, son énoncé littéral complet, ses bornes d’échelles et ses codes de valeurs manquantes.

Ce corpus d’archivage, complété par le script R d’ingestion initial et le fichier d’environnement renv.lock consignant l’état exact des versions de calcul, est alors prêt pour un versement sécurisé au sein d’entrepôts de données ouverts de confiance reconnus par la communauté scientifique internationale, tels que le portail Zenodo, la plateforme de l’Open Science Framework (OSF) ou les dépôts institutionnels nationaux comme Recherche Data Gouv. En attribuant un identifiant d’objet numérique pérenne (DOI) à ce dépôt complet, le psychologue garantit non seulement la réplicabilité absolue de ses découvertes statistiques, mais participe activement à la constitution d’un patrimoine scientifique mondial universellement accessible, transparent et affranchi des barrières logicielles propriétaires.

Références

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000

Bauer, D. J., & Curran, P. J. (2021). Multilevel modeling of categorical outcomes using IBM SPSS, SAS, Stata, and R. SAGE Publications.

Grolemund, G., & Wickham, H. (2017). R for data science: Import, tidy, transform, visualize, and model data. O’Reilly Media. https://r4ds.had.co.nz/

Müller, K., & Wickham, H. (2023). tibble: Simple data frames (R package version 3.2.1). Comprehensive R Archive Network. https://CRAN.R-project.org/package=tibble

Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716

R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/

Revelle, W. (2023). psych: Procedures for psychological, psychometric, and personality research (R package version 2.3.9). Comprehensive R Archive Network. https://CRAN.R-project.org/package=psych

Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1-36. https://doi.org/10.18637/jss.v048.i02

Tierney, N., & Cook, D. (2023). Expanding tidy data principles to facilitate missing data exploration, visualization and assessment of imputations. Journal of Statistical Software, 105(7), 1-31. https://doi.org/10.18637/jss.v105.i07

Wickham, H. (2019). Advanced R (2nd ed.). Chapman & Hall/CRC. https://adv-r.hadley.nz/

Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., Takahashi, K., Vaughan, D., Wilke, C., Woo, K., & Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686

Wickham, H., Miller, E., & Smith, D. (2023). haven: Import and export ‘SPSS’, ‘Stata’ and ‘SAS’ files (R package version 2.5.4). Comprehensive R Archive Network. https://CRAN.R-project.org/package=haven

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J. W., da Silva Santos, L. O. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., … Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. https://doi.org/10.1038/sdata.2016.18