Comment tester la normalité dans SPSS

Dans le domaine de la recherche quantitative en psychologie et en sciences comportementales, la validité des conclusions statistiques repose fondamentalement sur l’adéquation entre la structure empirique des données recueillies et les postulats théoriques sous-jacents aux modèles d’analyse employés. Parmi ces prérequis, le postulat de distribution normale univariée et multivariée occupe une place prépondérante au sein de la modélisation statistique inférentielle. Nombre de chercheurs recourent quasi systématiquement à des tests paramétriques tels que le test t de Student, l’analyse de variance (ANOVA) ou la régression linéaire sans en évaluer rigoureusement les conditions de validité, s’exposant ainsi à des distorsions méthodologiques sévères qui compromettent la reproductibilité de leurs résultats empiriques.

Le logiciel statistique IBM SPSS Statistics constitue l’un des environnements computationnels les plus largement adoptés par les chercheurs en sciences humaines et sociales pour investiguer la structure distributionnelle de leurs variables métriques. Pourtant, tester la normalité ne saurait se résumer à l’exécution aveugle d’un algorithme automatisé ou au simple relevé d’une valeur p isolée. Cette démarche diagnostique exige au contraire une appréciation nuancée, articulant des indicateurs descriptifs de forme, des visualisations graphiques avancées et des tests formels d’adéquation, tout en tenant compte de la sensibilité propre à la taille de l’échantillon et de la nature intrinsèque des construits psychologiques mesurés.

Ce guide exhaustif a pour vocation d’exposer l’intégralité du protocole diagnostique de la normalité sous SPSS, en adoptant une perspective méthodologique rigoureuse adaptée aux spécificités de la psychométrie et de la psychologie empirique. De l’élucidation des fondements mathématiques de la loi de Gauss jusqu’aux procédures de remédiation face aux violations distributionnelles, ce document détaille pas à pas les analyses exploratoires, les configurations logicielles, l’interprétation des sorties informatiques et la rédaction scientifique selon les normes académiques internationales de l’American Psychological Association (APA).

1. Introduction aux postulats de normalité dans la recherche psychologique et sous SPSS

1.1 Importance théorique du postulat de normalité en psychométrie

L’inférence statistique paramétrique repose sur l’hypothèse fondamentale que les variables aléatoires continues observées au sein d’une population parente suivent une distribution gaussienne ou normale. En psychométrie et en psychologie quantitative, cette hypothèse n’est pas un simple artifice mathématique destiné à faciliter les calculs matriciels : elle découle historiquement des travaux pionniers d’Adolphe Quetelet et de Francis Galton, qui ont postulé que les caractéristiques morphologiques et les aptitudes psychologiques humaines résultent de l’accumulation d’un grand nombre de facteurs génétiques, environnementaux et développementaux indépendants, conduisant naturellement à une répartition en cloche.

Lorsque cette prémisse distributionnelle est violée de manière substantielle, les propriétés asymptotiques des estimateurs statistiques classiques s’en trouvent directement compromises. La conséquence majeure réside dans l’altération imprévisible des taux d’erreur de décision statistique. Le taux d’erreur de première espèce (l’erreur de type I, ou risque alpha), qui correspond à la probabilité de rejeter à tort une hypothèse nulle pourtant vraie, peut s’écarter considérablement du seuil nominal fixé à 0,05 par le chercheur. Dans certaines configurations de forte asymétrie combinée à des variances hétérogènes, le test statistique peut devenir indûment libéral, augmentant la prolifération de résultats faussement positifs dans la littérature empirique. Inversement, l’erreur de seconde espèce (l’erreur de type II, ou risque bêta) peut croître, diminuant drastiquement la puissance statistique et empêchant la détection d’effets thérapeutiques ou de corrélations pourtant réels.

Il convient néanmoins d’opérer une distinction conceptuelle fondamentale entre la distribution de la variable dans la population parente et la distribution d’échantillonnage de la statistique testée. Les estimateurs des paramètres linéaires (tels que les coefficients de régression ou les moyennes de groupe) requièrent formellement la normalité des résidus d’échantillonnage et non nécessairement celle de la variable brute observée. Néanmoins, lorsque la distribution sous-jacente des données observées s’éloigne drastiquement de la symétrie gaussienne, cette distorsion se répercute directement sur la structure des erreurs résiduelles dans les échantillons de taille modeste. La vérification méthodique de la normalité univariée constitue ainsi le socle indispensable à la garantie de validité interne des conclusions psychologiques.

1.2 Vue d’ensemble des analyses statistiques requérant la normalité

Le catalogue des techniques quantitatives tributaires du postulat de normalité traverse l’ensemble du paradigme paramétrique univarié et multivarié. Au premier chef figurent les tests de comparaison de moyennes. Le test t de Student, qu’il soit appliqué à deux échantillons indépendants (pour contraster un groupe expérimental et un groupe témoin) ou à des échantillons appariés (dans les devis pré-test et post-test à mesures répétées), assume explicitement que la variable continue dépendante se distribue normalement au sein de chaque sous-population théorique considérée, ou que les scores de différence soient distribués selon la loi normale.

Dans le cadre du Modèle Linéaire Général (MLG), le respect de la normalité des erreurs est impératif pour l’exactitude des calculs de variance résiduelle et l’assignation exacte des degrés de liberté. L’analyse de variance à un ou plusieurs facteurs (ANOVA), l’analyse de covariance (ANCOVA) contrôlant des covariables continues, ainsi que la régression linéaire multiple reposent toutes sur la supposition que les écarts individuels autour du plan de régression théorique se distribuent selon une loi $\mathcal{N}(0, \sigma^2)$. Dans le champ multivarié, l’analyse multivariée de la variance (MANOVA) impose une condition encore plus stricte : le respect de la normalité multivariée, impliquant que chaque combinaison linéaire des variables dépendantes suive une loi normale conjointe.

Les techniques corrélationnelles et psychométriques ne sont nullement exemptes de ces exigences. Le calcul du coefficient de corrélation linéaire r de Pearson exige la normalité bivariée des deux variables investiguées afin que les tests de significativité associés soient rigoureusement calibrés. De surcroît, les méthodologies avancées d’analyse factorielle confirmatoire (AFC) et de modélisation par équations structurelles (SEM), largement employées pour valider la structure dimensionnelle des échelles d’évaluation psychologique, mobilisent par défaut l’estimateur du maximum de vraisemblance (Maximum Likelihood), extrêmement vulnérable aux kurtosis excessifs et aux asymétries sévères.

1.3 Approches complémentaires d’évaluation : subjectives versus objectives

Face à l’impératif de documenter la normalité, le chercheur contemporain dispose d’un vaste éventail d’instruments diagnostiques que la littérature méthodologique divise classiquement en méthodes subjectives (exploratoires et visuelles) et méthodes objectives (tests d’hypothèses formels et métriques numériques). Aucune de ces approches, employée de manière isolée, ne suffit à asseoir une décision statistique irréprochable sous SPSS. Une convergence d’indices est impérative.

Les méthodes visuelles — telles que l’inspection minutieuse des histogrammes étalonnés, des tracés quantile-quantile (Q-Q plots) et des diagrammes de probabilité (P-P plots) — permettent d’appréhender la morphologie globale de la distribution. Elles offrent une sensibilité qualitative inégalée pour discerner l’origine précise d’un écart à la norme : présence de valeurs extrêmes, étirement unilatéral des queues de distribution ou bimodalisme suggérant l’agrégation non identifiée de deux sous-populations cliniques distinctes. Néanmoins, l’interprétation de ces représentations graphiques souffre inévitablement d’une part de subjectivité humaine, le seuil de tolérance visuelle variant selon l’expérience du statisticien.

À l’opposé, les démarches quantitatives objectives — articulées autour du calcul des coefficients standardisés d’asymétrie (skewness) et d’aplatissement (kurtosis), complétés par les tests d’adéquation formels de Kolmogorov-Smirnov et de Shapiro-Wilk — fournissent des indicateurs mathématiques précis assortis de seuils de décision univoques. Toutefois, ces tests souffrent de faiblesses statistiques intrinsèques, dépendantes de la puissance d’échantillonnage : ils s’avèrent excessivement permissifs dans les petits échantillons et excessivement rigides dans les grands effectifs. C’est pourquoi seule une approche diagnostique intégrée, associant rigoureusement l’examen graphique et l’analyse numérique, permet d’établir un diagnostic robuste de normalité dans l’environnement SPSS.

2. Comprendre la distribution normale : concepts mathématiques et psychométriques fondamentaux

2.1 Propriétés mathématiques de la loi normale univariée

D’un point de vue strictement mathématique, la loi normale univariée, couramment désignée sous le nom de loi de Laplace-Gauss, est une distribution de probabilité théorique pour variable aléatoire continue. Sa fonction de densité de probabilité est formellement définie par l’équation mathématique suivante :

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} \exp\left( -\frac{1}{2}\left(\frac{x – \mu}{\sigma}\right)^2 \right)$$

Dans cette formulation, $\mu$ représente l’espérance mathématique (la moyenne de la population parente) et $\sigma$ figure l’écart-type de cette même population, $\sigma^2$ en constituant la variance. Cette équation met en lumière une caractéristique structurelle remarquable : la loi normale est entièrement paramétrée par seulement deux moments statistiques, sa moyenne (qui localise le centre de gravité sur l’axe des abscisses) et sa variance (qui régule la dispersion ou l’étalement horizontal de la fonction). L’intégrale de cette fonction sur l’intervalle de $-\infty$ à $+\infty$ est strictement égale à 1, reflétant la certitude de l’espace probabiliste complet.

La courbe résultante exhibe une symétrie parfaite de part et d’autre de son axe central perpendiculaire situé au point d’abscisse $x = \mu$. Cette symétrie bilatérale implique que la moyenne arithmétique, la médiane (le point séparant l’échantillon en deux moitiés équivalentes de 50 %) et le mode (le point d’ordonnée maximale correspondant à la densité de fréquence la plus élevée) coïncident rigoureusement en un unique point d’inflexion central. Par ailleurs, la distribution répond strictement à la règle empirique des trois sigmas, selon laquelle approximativement 68,27 % des observations sont contenues dans l’intervalle $[\mu – \sigma, \mu + \sigma]$, 95,45 % se situent entre $[\mu – 2\sigma, \mu + 2\sigma]$, et 99,73 % sont circonscrites dans les bornes $[\mu – 3\sigma, \mu + 3\sigma]$. Les queues de la courbe s’étendent de manière asymptotique vers l’infini positif et négatif sans jamais toucher l’axe des abscisses.

2.2 La normalité dans la mesure des traits psychologiques

En contexte psychométrique, la distribution normale sert de modèle théorique régulateur pour l’évaluation des traits latents, tels que le quotient intellectuel, l’anxiété-trait, les dimensions de personnalité du modèle des Big Five ou les capacités neurocognitives. La plupart des instruments de mesure standardisés reposent sur la théorie classique des tests (TCT) ou la théorie de réponse aux items (TRI), qui postulent que le trait sous-jacent latent $\theta$ se distribue selon une loi continue normale standardisée $\mathcal{N}(0, 1)$ au sein de la population générale.

Cependant, les réalités du recueil de données cliniques et psychosociales confrontent régulièrement le praticien à des entorses sévères à cette distribution idéale. L’un des obstacles les plus récurrents réside dans les artéfacts d’asymétrie générés par les phénomènes de plancher (floor effects) et de plafond (ceiling effects). Par exemple, lors de l’administration d’une échelle évaluant la symptomatologie dépressive (comme le BDI-II) à une population étudiante saine non clinique, une immense majorité de participants obtiendra des scores nuls ou extrêmement faibles, provoquant une accumulation massive d’observations à l’extrémité gauche de l’échelle et créant une asymétrie positive prononcée. Inversement, l’évaluation de compétences mnésiques simples auprès d’adultes sains générera un effet de plafond avec une concentration des scores au maximum théorique.

De surcroît, la nature intrinsèque des échelles psychologiques constitue une source structurelle de débat méthodologique. Les échelles de type Likert en 4, 5 ou 7 points constituent formellement des variables ordinales discrètes et non des variables continues métriques. Bien que la pratique psychométrique courante consiste à agréger les items individuels pour calculer un score composite traité de facto comme une variable continue, cette approximation ne satisfait pas automatiquement aux exigences infinitésimales de la courbe de Gauss. Il appartient alors au chercheur de s’assurer que les distributions de ces scores composites présentent un niveau de continuité et de lissage distributionnel suffisant pour justifier l’application des procédures paramétriques sous SPSS.

3. Préparation des données psychologiques dans SPSS avant l’évaluation de la normalité

3.1 Vérification et codification des variables dans l’éditeur SPSS

Avant d’initier la moindre procédure de calcul ou de générer des tracés graphiques sous SPSS, une étape préliminaire de vérification architecturale des variables s’impose au sein de la vue des variables (Variable View). Le logiciel SPSS attribue à chaque colonne un type de données (numérique, chaîne, date) ainsi qu’un niveau de mesure formel : nominal, ordinal ou échelle (Scale). Il est impératif de s’assurer que toutes les variables psychométriques continues ou composites destinées au diagnostic de normalité soient formellement paramétrées avec la mesure « Échelle ». Une erreur de désignation à ce niveau peut inhiber l’accès à certaines options graphiques dans le constructeur de graphiques ou fausser les paramètres de calcul par défaut.

La gestion rigoureuse des données manquantes constitue la seconde exigence critique de cette phase préparatoire. Dans les protocoles de recherche en psychologie, les omissions de réponse sont fréquentes. L’analyste doit impérativement paramétrer de manière explicite les valeurs manquantes définies par l’utilisateur (User-Missing Values) dans l’éditeur de variables — par exemple en attribuant les codes 999 ou -99 aux non-réponses ou aux abandons — afin d’éviter que ces codes numériques soient traités par SPSS comme des valeurs quantitatives réelles. Une omission à ce niveau introduirait des valeurs aberrantes massives, détruisant instantanément toute normalité distributionnelle.

Enfin, l’évaluation de la normalité doit s’opérer au niveau adéquat d’agrégation de l’information psychologique. Il est généralement peu pertinent de vérifier la normalité item par item sur des échelles de Likert individuelles polytomiques, puisque celles-ci sont intrinsèquement discrètes et limitées. L’analyste doit au préalable générer la variable composite (score global ou score moyen de l’échelle) par le truchement de la commande Transformer > Calculer la variable (Transform > Compute Variable), en mobilisant des fonctions d’agrégation robustes telles que SUM() ou MEAN(), conditionnées au respect d’un pourcentage minimal de complétion des items par sujet pour préserver la métrique de l’instrument.

3.2 Tri et segmentation des bases de données par sous-groupes

Une méprise méthodologique fréquente chez les utilisateurs de SPSS réside dans la vérification de la normalité sur l’ensemble aggloméré de l’échantillon, alors même que le devis de recherche implique des comparaisons entre sous-groupes expérimentaux ou quasi-expérimentaux distincts. Dans le cadre d’un plan factoriel à groupes indépendants, le postulat de normalité doit être vérifié au sein de chaque cellule du plan expérimental, c’est-à-dire de manière disjointe pour chaque modalité de la variable indépendante, et non sur le corpus global.

Pour exécuter cette désagrégation sous SPSS, la procédure la plus élégante consiste à recourir à la commande de segmentation du fichier via le menu Données > Fractionner le fichier (Data > Split File). L’activation de l’option « Comparer les groupes » ou « Organiser les résultats par groupes » en insérant la variable catégorielle de regroupement (par exemple : Groupe Clinique versus Groupe Témoin ; Condition Expérimentale A, B ou C) contraint SPSS à exécuter l’ensemble des analyses descriptives, graphiques et tests formels de façon étanche pour chaque strate de la population. Une distribution globale peut en effet sembler bimodale ou asymétrique simplement parce qu’elle agrège deux sous-groupes ayant des moyennes divergentes, alors même que la normalité intra-groupe est parfaitement préservée au sein de chacun d’eux.

De surcroît, dans les modèles de régression linéaire multiple ou d’analyse de variance multivariée, l’attention méthodologique doit se déplacer de la variable brute vers les résidus non standardisés ou standardisés du modèle. L’analyste doit d’abord estimer le modèle linéaire via le menu Analyser > Régression > Linéaire (ou Modèle Linéaire Général) et cocher l’option de sauvegarde des résidus (Save > Residuals > Unstandardized). Ce sont ces valeurs résiduelles générées dans une nouvelle colonne du tableur qui feront l’objet de l’ensemble du protocole diagnostique de normalité exposé ci-après.

4. Méthode graphique 1 : L’analyse des histogrammes et courbes de Gauss sous SPSS

4.1 Génération d’histogrammes avec superposition de la courbe normale

L’histogramme constitue la représentation graphique univariée la plus élémentaire et la plus intuitive pour apprécier empiriquement la morphologie de la distribution d’une variable psychologique continue. Dans l’environnement SPSS, la construction d’un histogramme rigoureux ne doit pas être laissée aux algorithmes sommaires des menus de base, mais optimisée pour intégrer la référence mathématique de la courbe de densité normale théorique.

La démarche standardisée s’opère préférentiellement à travers le module Graphes > Générateur de graphiques (Graphs > Chart Builder) ou via le menu interactif classique Graphes > Boîtes de dialogue anciennes > Histogramme (Histogram). Dans cette interface, le chercheur glisse la variable psychométrique d’intérêt dans le champ « Variable » et s’assure d’activer explicitement la case à cocher « Afficher la courbe normale » (Display normal curve). Cette instruction contraint le moteur graphique de SPSS à modéliser et superposer sur les barres empiriques une courbe gaussienne continue paramétrée rigoureusement à partir de la moyenne et de l’écart-type observés dans l’échantillon.

Une vigilance technique extrême doit être accordée au paramétrage du découpage en classes (le binning). Par défaut, SPSS emploie une règle de calcul automatisée pour déterminer le nombre et la largeur des intervalles d’abscisse. Or, ce découpage arbitraire peut introduire des artefacts de perception : un nombre insuffisant d’intervalles masque des asymétries locales ou des discontinuités, tandis qu’un nombre excessif de classes morcèle artificiellement une distribution pourtant continue en générant des aspérités aléatoires dues aux fluctuations d’échantillonnage. En double-cliquant sur le graphique pour ouvrir l’Éditeur de graphiques de SPSS, le chercheur peut accéder aux propriétés de l’axe des X pour ajuster manuellement la largeur des classes (selon la règle de Sturges ou la règle de Freedman-Diaconis), garantissant ainsi une représentation fidèle de la structure latente.

4.2 Interprétation visuelle de la forme de la distribution

L’analyse qualitative de l’histogramme avec courbe normale superposée vise à traquer trois anomalies morphologiques principales : les asymétries unilatérales, le polymorphisme modal et l’anomalie de décharnement ou d’épaisseur des queues de distribution. Le chercheur compare la silhouette des barres empiriques avec le tracé continu de la cloche théorique.

Une asymétrie positive (ou étalement vers la droite) se caractérise par une concentration majeure des observations dans la région des scores faibles ou modérés (la masse de la cloche se situant à gauche), tandis qu’une traîne de valeurs éparses s’étire loin vers les valeurs élevées de l’axe horizontal. Cette configuration est typique des échelles mesurant des comportements pathologiques en population générale (par exemple les échelles de schizotypie ou d’agressivité). Inversement, une asymétrie négative (étalement vers la gauche) présente une queue étirée vers les faibles scores avec une agglomération des effectifs à l’extrême droite, ce qui s’observe fréquemment sur des échelles d’estime de soi ou de bien-être subjectif au sein de populations non cliniques.

L’inspection visuelle doit également scruter la présence d’une configuration bimodale ou multimodale, visualisable sous la forme de deux ou plusieurs sommets distincts séparés par un creux de fréquence. En psychologie empirique, une bimodalité franche sur un histogramme trahit presque immanquablement la violation du principe d’homogénéité de l’échantillon. Elle indique que la variable mesurée regroupe deux populations distinctes n’ayant pas été dissociées par l’expérimentateur (par exemple, des participants masculins et féminins présentant des distributions de scores étagées sur des échelles de force physique ou d’empathie, ou la présence conjointe de sujets sains et de patients cliniques non dépistés). Enfin, le niveau d’alignement des queues de distribution permet d’évaluer grossièrement si les effectifs extrêmes sont conformes aux probabilités infinitésimales de Gauss ou s’ils s’en détachent anormalement.

5. Méthode graphique 2 : L’interprétation rigoureuse des diagrammes Q-Q et P-P

5.1 Principes théoriques des tracés Quantile-Quantile (Q-Q Plots)

Bien que l’histogramme offre une perception globale séduisante, le diagramme Quantile-Quantile (couramment désigné sous l’appellation Q-Q Plot) constitue l’outil diagnostique graphique par excellence dans l’analyse statistique moderne. Sa supériorité méthodologique réside dans sa capacité à transformer la comparaison complexe de deux densités curvilignes en une analyse linéaire directe par rapport à une bissectrice théorique.

Sur le plan mathématique, un diagramme Q-Q confronte directement les quantiles de la distribution empirique observée aux quantiles correspondants de la distribution théorique normale attendue pour un échantillon de taille équivalente. SPSS classe l’ensemble des $N$ observations par ordre croissant, assigne à chaque rang d’observation une probabilité cumulative théorique en utilisant une formule de traçage standardisée (telle que l’algorithme de Blom, de Tukey ou de Hazen), puis calcule les quantiles théoriques issus de la fonction quantile normale inverse $\Phi^{-1}(p)$. Les couples de coordonnées $(\text{Quantile Théorique}, \text{Quantile Observé})$ sont ensuite projetés dans un repère cartésien bidimensionnel.

Si la distribution des données est rigoureusement normale, l’ensemble des points empiriques s’agrège de façon quasi parfaite le long d’une droite diagonale ascendante formant un angle idéal de 45 degrés (la ligne de référence $y = x$). Tout écart structurel par rapport à cette diagonale fournit un diagnostic précis sur la nature mathématique de la distorsion distributionnelle. Une déviation formant une courbure en arc de cercle concave ou convexe révèle une asymétrie unilatérale : une courbure au-dessus de la ligne aux deux extrémités indique une asymétrie positive, tandis qu’une déflexion en dessous signale une asymétrie négative. Lorsque le tracé prend une forme sigmoïde caractéristique en « S », le graphique documente une anomalie d’aplatissement (kurtosis). Une forme en S croisant la ligne centrale de bas en haut dénote une distribution leptokurtique (à queues lourdes), tandis qu’un S inversé trahit une distribution platykurtique (à queues légères ou boîte tronquée).

5.2 Analyse des diagrammes Q-Q sans tendance (Detrended Q-Q Plots)

Pour affiner l’acuité du regard critique du chercheur, SPSS génère automatiquement, lors de la demande d’un diagramme Q-Q, une seconde représentation graphique complémentaire désignée sous le nom de diagramme Q-Q sans tendance (Detrended Normal Q-Q Plot). Cette visualisation élimine la composante de pente diagonale pour focaliser l’observation sur les écarts résiduels stricts.

L’axe horizontal conserve les quantiles théoriques normaux, mais l’axe vertical affiche désormais la différence arithmétique directe entre la valeur observée et la valeur attendue sous l’hypothèse de normalité : $\Delta = \text{Valeur Observée} – \text{Valeur Attendue}$. La ligne de référence théorique est ainsi représentée par une droite horizontale plate d’ordonnée $y = 0$. Dans une situation de normalité distributionnelle idéale, les points doivent se répartir de manière totalement aléatoire, chaotique et homogène autour de cette ligne d’ordonnée zéro, sans manifester aucune structure géométrique organisée.

Le tracé sans tendance agit comme une véritable loupe microscopique sur les anomalies de distribution. Il permet de mettre instantanément en exergue des distorsions ondulatoires de faible amplitude qui passeraient inaperçues sur le Q-Q plot standard en raison de l’écrasement visuel provoqué par l’échelle diagonale. Si le nuage de points dessine une parabole descendante ou ascendante, le diagnostic d’asymétrie est formellement conforté. Si le tracé résiduel adopte une ondulation sinusoïdale régulière traversant alternativement le niveau zéro, la présence d’un kurtosis anormal est établie avec une grande précision sémiologique.

5.3 Diagrammes Probabilité-Probabilité (P-P Plots) : utilité et limites

Le diagramme Probabilité-Probabilité (P-P Plot) constitue une variante géométrique qui confronte cette fois-ci non pas les quantiles métriques, mais les fonctions de répartition empiriques cumulées aux probabilités cumulées théoriques de la loi normale :

$$P_{\text{théorique}} = \Phi\left(\frac{x – \mu}{\sigma}\right)$$

Les coordonnées portées sur le graphique P-P sont toutes bornées sur l’intervalle $[0, 1]$, tant sur l’axe des abscisses que sur l’axe des ordonnées. Comme pour le tracé Q-Q, une distribution normale parfaite se traduit par l’alignement continu des points sur la bissectrice diagonale principale reliant l’origine $(0,0)$ au sommet supérieur droit $(1,1)$.

Toutefois, la sensibilité diagnostique du diagramme P-P diffère fondamentalement de celle du diagramme Q-Q. En raison des propriétés mathématiques de la fonction de répartition cumulative, les variations relatives sont maximales au centre de la distribution (dans la zone médiane où la densité de probabilité est la plus forte) et se tassent drastiquement aux deux extrémités probabilistes (vers 0 et vers 1). En conséquence, le tracé P-P est un détecteur d’anomalies extrêmement puissant pour identifier les déviations de forme situées au cœur de la distribution, mais il est particulièrement insensible aux déviations majeures situées dans les queues. Or, en psychométrie et dans la validation des postulats paramétriques, ce sont précisément les queues de distribution et la présence d’observations extrêmes qui détruisent la validité des inférences statistiques. Ainsi, bien que SPSS permette de générer les deux tracés, le chercheur en sciences humaines privilégiera systématiquement le tracé Q-Q pour son diagnostic formel.

6. Méthode graphique 3 : Les boîtes à moustaches et l’identification des valeurs aberrantes

6.1 Construction mathématique de la boîte à moustaches (Boxplot) sous SPSS

La boîte à moustaches, conçue par le mathématicien John Tukey sous l’appellation originale de Boxplot, constitue une technique exploratoire non paramétrique incontournable pour jauger simultanément de la symétrie centrale d’une variable et de l’intégrité de ses marges distributionnelles sous SPSS. Sa géométrie ne dépend d’aucune hypothèse de distribution préalable, ce qui en fait un étalon diagnostique particulièrement objectif.

La morphologie de la boîte centrale est définie par trois quantiles cardinaux : la charnière inférieure correspond au premier quartile ($Q_1$, soit le 25e centile), la charnière supérieure correspond au troisième quartile ($Q_3$, soit le 75e centile), et la barre transversale intérieure matérialise la médiane arithmétique ($Q_2$ ou 50e centile). La hauteur de cette boîte délimite l’intervalle interquartile ($IQR = Q_3 – Q_1$), qui encapsule 50 % des observations centrales de la série statistique. Les moustaches (ou segments verticaux) s’étendent depuis les bords de la boîte jusqu’aux valeurs observées les plus extrêmes qui demeurent à l’intérieur des limites de Tukey, définies mathématiquement comme suit :

$$\text{Limite Intérieure Inférieure} = Q_1 – 1,5 \times IQR$$

$$\text{Limite Intérieure Supérieure} = Q_3 + 1,5 \times IQR$$

L’évaluation de la normalité via la boîte à moustaches implique une triple vérification symétrique : la médiane horizontale doit être rigoureusement positionnée au centre équidistant de la boîte ($Q_2 – Q_1 \approx Q_3 – Q_2$), la longueur de la moustache supérieure doit être équivalente à celle de la moustache inférieure, et aucun point de dispersion individuelle ne doit être projeté au-delà des moustaches terminales.

6.2 Détection et classification des observations extrêmes

L’un des apports majeurs de la boîte à moustaches dans SPSS réside dans son algorithme de discrimination automatique et d’identification univoque des observations aberrantes (outliers). SPSS implémente une taxonomie typologique à deux niveaux distincts, caractérisée par des marqueurs visuels différenciés assortis du numéro d’identification de la ligne du participant dans la matrice de données.

Le premier niveau correspond aux valeurs aberrantes légères ou modérées, désignées dans l’environnement SPSS par un petit cercle ou un rond ($circ$). Ces points représentent des observations qui dépassent les limites intérieures de Tukey sans excéder les limites extérieures, c’est-à-dire comprises dans les intervalles $[Q_3 + 1,5 \times IQR ,;, Q_3 + 3 \times IQR]$ ou $[Q_1 – 3 \times IQR ,;, Q_1 – 1,5 \times IQR]$. Le second niveau, beaucoup plus alarmant pour la validité distributionnelle, concerne les valeurs aberrantes extrêmes, systématiquement désignées sur le graphique par un astérisque ($ast$). Ces valeurs se situent au-delà des limites extérieures absolues de Tukey ($> Q_3 + 3 \times IQR$ ou $< Q_1 – 3 \times IQR$). Dans une loi normale standard théorique, la probabilité d’occurrence d’une telle observation extrême est infinitésimale ($p < 0,000002$).

La présence de ces astérisques et cercles sur le boxplot explique très fréquemment le rejet mécanique de l’hypothèse de normalité lors des tests formels sous SPSS. Une unique observation extrême située à 4 ou 5 écarts-types de la moyenne exerce un effet de levier disproportionné sur le calcul de la moyenne arithmétique et étire artificiellement la variance, provoquant une distorsion majeure des coefficients d’asymétrie et de kurtosis. L’identification rigoureuse de ces numéros de cas permet au chercheur d’inspecter son tableur brut pour démêler s’il s’agit d’une coquille de saisie typographique ou d’un profil clinique authentique appelant un traitement méthodologique spécifique.

7. Évaluation numérique : Coefficients d’asymétrie (Skewness) et d’aplatissement (Kurtosis)

7.1 Calcul et signification statistique de l’asymétrie (Skewness)

L’exploration visuelle doit obligatoirement être confortée par la quantification mathématique de la forme de la distribution. Le premier indice numérique cardinal est le coefficient d’asymétrie (désigné sous le vocable anglais de Skewness). Sur le plan théorique, l’asymétrie d’une population est le moment centré d’ordre trois standardisé, défini par :

$$\gamma_1 = \mathbb{E}\left[\left(\frac{X – \mu}{\sigma}\right)^3\right]$$

Sous SPSS, le logiciel applique un estimateur non biaisé pour échantillons finis calculé à partir de la somme des écarts à la moyenne élevés à la puissance trois, pondéré par les degrés de liberté liés à la taille de l’échantillon $N$. Une distribution normale théorique, étant rigoureusement symétrique, présente un coefficient d’asymétrie exactement égal à zéro. Un coefficient de Skewness positif indique un étalement de la distribution vers la droite (longue queue droite), reflétant une surreprésentation de scores faibles avec quelques scores isolés très élevés. Un coefficient négatif traduit un étalement vers la gauche (longue queue gauche).

Pour évaluer si l’asymétrie observée s’écarte significativement de zéro sur le plan inférentiel, SPSS fournit conjointement l’erreur standard d’asymétrie ($SE_{\text{skewness}} \approx \sqrt{6/N}$). Le chercheur peut alors calculer manuellement un score standardisé $z$ d’asymétrie en divisant la valeur du coefficient par son erreur standard :

$$z_{\text{skewness}} = \frac{\text{Skewness}}{SE_{\text{skewness}}}$$

Sous l’hypothèse nulle de normalité, ce score $z$ suit asymptotiquement une loi normale centrée réduite $\mathcal{N}(0, 1)$. En conséquence, un score $z$ excédant la valeur absolue de 1,96 rejette l’hypothèse de symétrie au seuil bilatéral de $\alpha = 0,05$, tandis qu’une valeur dépassant $|2,58|$ la rejette au seuil très conservateur de $\alpha = 0,01$.

7.2 Calcul et signification statistique de l’aplatissement (Kurtosis)

Le second paramètre fondamental de forme est le coefficient d’aplatissement (désigné sous le terme de Kurtosis). Mathématiquement, il dérive du moment centré d’ordre quatre standardisé. Il convient d’emblée de lever une confusion méthodologique majeure persistante : le kurtosis ne mesure pas simplement « la pointicité » ou la finesse du pic central de la cloche, mais quantifie prioritairement la propension de la distribution à concentrer sa variance dans ses queues extrêmes (la tailness ou propension aux valeurs aberrantes).

Dans la théorie statistique classique, la loi normale présente un kurtosis brut de 3. Toutefois, l’environnement logiciel IBM SPSS Statistics adopte la convention internationale de l’excès de kurtosis (Excess Kurtosis), en retranchant systématiquement 3 à la valeur calculée :

$$\text{Kurtosis}_{\text{SPSS}} = \frac{m_4}{s^4} – 3$$

De ce fait, sous SPSS, une distribution normale parfaite présente un coefficient de Kurtosis rigoureusement égal à zéro (distribution dite mésokurtique). Une valeur positive indique une distribution leptokurtique : les queues de distribution sont épaisses et chargées en probabilité, signifiant une probabilité anormalement élevée d’observer des valeurs extrêmes comparativement à la loi normale. Une valeur négative documente une distribution platykurtique : les queues sont minces, décharnées ou tronquées, et la distribution ressemble davantage à un profil rectangulaire ou uniforme.

À l’instar de l’asymétrie, SPSS fournit l’erreur standard du kurtosis ($SE_{\text{kurtosis}} \approx \sqrt{24/N}$). Le score standardisé $z$ d’aplatissement se calcule de manière analogue :

$$z_{\text{kurtosis}} = \frac{\text{Kurtosis}}{SE_{\text{kurtosis}}}$$

Les mêmes seuils critiques décisionnels s’appliquent : une valeur excédant $|1,96|$ ou $|2,58|$ indique une violation statistiquement significative du postulat mésokurtique aux seuils respectifs de 5 % et 1 %.

7.3 Directives contemporaines et règles empiriques en sciences du comportement

Bien que le recours aux scores $z_{\text{skewness}}$ et $z_{\text{kurtosis}}$ demeure classique dans les manuels d’introduction, la méthodologie psychologique contemporaine met en garde contre l’application servile de ces indices de décision basés sur le seuil d’erreur standard. En effet, l’erreur standard étant fonction inverse de la racine carrée de $N$ ($1/\sqrt{N}$), elle converge mathématiquement vers zéro à mesure que la taille de l’échantillon s’accroît. Dès lors, pour des échantillons modérément larges ($N > 200$ ou $300$), des déviations morphologiques totalement dérisoires et cliniquement insignifiantes conduisent systématiquement à des scores $z$ largement supérieurs à 1,96, entraînant le rejet infondé de la normalité.

Pour s’extraire de cette aporie de puissance statistique, la littérature psychométrique avancée préconise de se référer directement aux grandeurs absolues des coefficients non standardisés d’asymétrie et d’aplatissement. Les critères méthodologiques de référence formulés par West, Finch et Curran (1995), et largement adoptés pour l’estimation des modèles de régression et de modélisation par équations structurelles, établissent une grille d’interprétation pragmatique :

• Déviations négligeables : Si la valeur absolue du Skewness est inférieure à 1 et celle du Kurtosis est inférieure à 1, la distribution est considérée comme quasi-normale et ne pose aucun problème pour les modèles paramétriques.
• Déviations modérées mais acceptables : Un coefficient d’asymétrie absolu compris entre 1 et 2, associé à un coefficient de kurtosis absolu inférieur à 7, est généralement toléré par les estimateurs robustes du Modèle Linéaire Général sans distorsion majeure des inférences.
• Non-normalité sévère : Un indice d’asymétrie excédant une valeur absolue de 2, ou un excès de kurtosis excédant 7 (certains auteurs posant une limite critique absolue à 10 pour le kurtosis), requiert impérativement l’abandon des méthodes paramétriques classiques au profit de transformations de données ou de modélisations non paramétriques.

8. Tests d’hypothèses formels : Shapiro-Wilk et Kolmogorov-Smirnov

8.1 Le test de Shapiro-Wilk : référence méthodologique pour échantillons restreints et moyens

Le test formalisé par Samuel Sanford Shapiro et Martin Wilk en 1965 constitue, d’après un consensus unanime de la recherche méthodologique et des études de simulation de type Monte-Carlo, le test d’hypothèse d’adéquation à la loi normale le plus puissant et le plus robuste pour les échantillons de taille petite à modérée ($N$ compris entre 3 et 2000 sujets). Ce test est accessible en routine dans les sorties analytiques de SPSS.

La statistique $W$ du test de Shapiro-Wilk repose sur un principe mathématique élégant : elle calcule le rapport entre un estimateur linéaire optimal de la variance (dérivé de la régression des statistiques d’ordre de l’échantillon sur les espérances des statistiques d’ordre d’une loi normale standardisée) et l’estimateur classique de la somme des carrés des écarts à la moyenne. L’équation formelle s’établit comme suit :

$$W = \frac{\left( \sum_{i=1}^n a_i x_{(i)} \right)^2}{\sum_{i=1}^n (x_i – \bar{x})^2}$$

Dans cette formulation, $x_{(i)}$ désigne la $i$-ème statistique d’ordre (l’observation classée par rang croissant) et les coefficients $a_i$ représentent les poids optimaux dérivés des covariances et des espérances mathématiques des statistiques d’ordre gaussiennes. La statistique $W$ est intrinsèquement bornée sur l’intervalle $]0, 1]$. Si l’adéquation à la loi normale est absolue, la statistique $W$ est rigoureusement égale à 1. Plus $W$ dévie et décroît vers des valeurs inférieures, plus l’écart à la normalité s’avère substantiel. Le test de Shapiro-Wilk démontre une sensibilité statistique nettement supérieure à tous ses concurrents pour repérer les asymétries même subtiles ainsi que les distributions à queues tronquées ou platykurtiques.

8.2 Le test de Kolmogorov-Smirnov avec correction de Lilliefors

Le test de Kolmogorov-Smirnov (K-S) est historiquement un test d’adéquation non paramétrique universel visant à comparer une fonction de répartition empirique observée $F_n(x)$ à une fonction de répartition théorique de référence $F_0(x)$. Sa statistique de base, notée $D$, quantifie la distance verticale absolue maximale observée sur l’ensemble de l’axe réel :

$$D = \sup_x |F_n(x) – F_0(x)|$$

Cependant, le test de Kolmogorov-Smirnov classique assume formellement une condition théorique contraignante : les paramètres de la distribution de référence (la moyenne $\mu$ et l’écart-type $\sigma$) doivent être parfaitement spécifiés a priori et connus indépendamment de l’échantillon. Or, dans la quasi-totalité des recherches empiriques en psychologie, le chercheur ignore les paramètres vrais de la population et se trouve contraint d’estimer $\mu$ par la moyenne empirique $\bar{x}$ et $\sigma$ par l’écart-type empirique $s$.

L’application directe du test K-S standard dans ces conditions constitue une faute méthodologique car elle rend le test excessivement conservateur (le seuil de rejet devient artificiellement difficile à atteindre). Pour pallier cette défaillance majeure, SPSS applique par défaut l’ajustement probabiliste de Hubert Lilliefors, systématiquement documenté dans les en-têtes des tableaux de sortie sous l’appellation « Kolmogorov-Smirnov avec correction de la signification de Lilliefors ». Cette correction recalibre empiriquement la distribution de la statistique $D$ pour tenir compte de l’estimation conjointe des paramètres. Malgré cette correction indispensable, le test de Lilliefors demeure substantiellement moins puissant que le test de Shapiro-Wilk face à une multitude de distributions asymétriques ou bimodales, et ne doit être considéré que comme une métrique secondaire par le chercheur avisé.

8.3 Formulation des hypothèses statistiques et prise de décision

L’architecture logique sous-jacente aux tests formels d’adéquation de la normalité (Shapiro-Wilk et Kolmogorov-Smirnov) inverse la posture cognitive habituelle du chercheur. Dans la logique du test d’hypothèse de Neyman-Pearson standard, le chercheur cherche généralement à réfuter l’hypothèse nulle afin d’établir la réalité d’un effet expérimental ou d’une association. Ici, le postulat de normalité constitue précisément l’hypothèse nulle :

• Hypothèse Nulle ($H_0$) : La variable étudiée au sein de la population d’origine suit fidèlement une loi de distribution normale ($\text{Distribution} = \mathcal{N}(\mu, \sigma^2)$).
• Hypothèse Alternative ($H_1$) : La distribution de la variable s’écarte significativement d’une loi normale théorique.

La règle de décision conventionnelle s’articule autour de la confrontation de la valeur de signification asymptotique ou exacte (la valeur $p$, ou Sig. sous SPSS) au seuil de significativité nominal fixé conventionnellement à $\alpha = 0,05$. Si la valeur $p$ rapportée par SPSS est strictement supérieure à 0,05 ($p > 0,05$), le chercheur échoue à rejeter l’hypothèse nulle ($H_0$) et conclut que les données ne s’écartent pas de manière statistiquement significative de la loi normale : le postulat paramétrique est déclaré validé. Si la valeur $p$ est inférieure ou égale à 0,05 ($p le 0,05$), l’hypothèse nulle est rejetée : les données dévient formellement de la normalité gaussienne.

Cette logique décisionnelle engendre ce que les épistémologues de la statistique nomment le paradoxe de la significativité. Dans les très grands échantillons ($N > 500$), la puissance statistique du test de Shapiro-Wilk devient colossale : le moindre micro-écart distributionnel totalement anodin sur le plan clinique ou inférentiel génère une valeur $p < 0,001$, poussant fallacieusement le chercheur à rejeter des modèles paramétriques parfaitement applicables. Inversement, dans les petits échantillons cliniques ($N < 30$), le test souffre d’une impuissance statistique notoire, affichant un $p > 0,05$ malgré des asymétries majeures. La valeur $p$ ne doit donc jamais être interprétée de manière décontextualisée.

9. Procédure étape par étape sous SPSS via la commande « Explorer » (Explore)

9.1 Navigation dans les menus et configuration des paramètres

L’environnement IBM SPSS Statistics centralise l’intégralité du protocole diagnostique univarié au sein d’un module analytique exhaustif et puissant : la commande Explorer (Explore). L’exécution de cette procédure via l’interface graphique logicielle requiert le déploiement d’une séquence opératoire précise :

1. Dans la barre supérieure de menus de SPSS, cliquez successivement sur l’onglet Analyser (Analyze), puis survolez le sous-menu Statistiques descriptives (Descriptive Statistics), et cliquez enfin sur la commande Explorer... (Explore…).
2. Une boîte de dialogue interactive s’affiche à l’écran. Dans le panneau de gauche figure la liste exhaustive de l’ensemble des variables déclarées dans votre fichier de données.
3. Sélectionnez la ou les variables psychométriques métriques continues dont vous désirez diagnostiquer la normalité, puis cliquez sur la flèche centrale directionnelle pointant vers le champ horizontal supérieur intitulé Liste des variables dépendantes : (Dependent List:). Vous pouvez y déposer simultanément plusieurs variables continues.
4. Si votre protocole implique des comparaisons entre des groupes expérimentaux distincts (par exemple, un groupe contrôle et un groupe expérimental), sélectionnez la variable indépendante catégorielle correspondante et insérez-la dans le champ horizontal inférieur désigné comme Liste des facteurs : (Factor List:). Cette action contraint SPSS à exécuter l’ensemble du protocole diagnostique séparément pour chaque modalité de ce facteur. Si vous évaluez la normalité globale d’un échantillon unique, laissez ce champ rigoureusement vide.
5. Dans le cadran situé en bas à gauche intitulé Affichage (Display), assurez-vous que le bouton radio Les deux (Both) soit activé par défaut, afin que le logiciel compile conjointement les tableaux de métriques numériques et les sorties graphiques.

9.2 Paramétrage des graphiques et tests de normalité

La validation formelle du postulat de normalité nécessite l’activation explicite d’options logicielles dormantes au sein des sous-menus de la commande Explorer. Par défaut, SPSS ne génère ni les tests formels ni les tracés Q-Q :

1. Dans la partie droite de la boîte de dialogue principale d’Explorer, cliquez sur le bouton interactif Graphiques... (Plots…). Une sous-fenêtre contextuelle s’ouvre alors.
2. Dans la section supérieure intitulée Boîtes à moustaches (Boxplots), vous avez le choix entre « Regroupés par facteur » (Factor levels together) si un facteur est actif, ou « Éléments dépendants ensemble » (Dependents together).
3. Dans la section intermédiaire Descriptif (Descriptive), cochez la case Histogramme (Histogram) et décochez au besoin la case Tige et feuilles (Stem-and-leaf), cette dernière technique séculaire de John Tukey étant aujourd’hui largement obsolète et peu lisible sur les grands échantillons.
4. L’action technique la plus critique réside dans l’activation formelle de la case à cocher centrale : Diagrammes de normalité avec tests (Normality plots with tests). Cette instruction spécifique ordonne au moteur de calcul de SPSS d’exécuter conjointement les tests de Shapiro-Wilk et de Kolmogorov-Smirnov avec correction de Lilliefors, tout en construisant simultanément les diagrammes Quantile-Quantile (Q-Q Plots) et les diagrammes Q-Q sans tendance (Detrended Q-Q Plots).
5. Cliquez sur le bouton Poursuivre (Continue) pour valider ces paramétrages graphiques.
6. Optionnellement, accédez au bouton Options... afin de définir la politique de traitement des données manquantes. L’option Exclure les observations composante par composante (Exclude cases listwise) élimine tout sujet présentant une valeur manquante sur l’une des variables analysées, tandis que Exclure les valeurs manquantes cas par cas (Exclude cases pairwise) préserve la taille d’échantillon maximale pour chaque variable évaluée séparément.
7. Une fois de retour dans la fenêtre principale, cliquez sur OK pour exécuter immédiatement l’analyse, ou préférentiellement sur Coller (Paste) pour archiver le code dans la fenêtre de syntaxe SPSS.

9.3 Automatisation de la procédure via la syntaxe SPSS

Dans une perspective de rigueur méthodologique, de traçabilité des analyses et de science ouverte, l’emploi de l’interface graphique de SPSS doit idéalement s’effacer au profit de l’automatisation par la syntaxe de commande SPSS (fichiers d’extension .sps). La syntaxe offre l’immense avantage d’être parfaitement reproductible, auditable par des pairs évaluateurs et instantanément réutilisable sur de nouveaux jeux de données psychologiques.

La commande SPSS dédiée à l’évaluation intégrale de la normalité est l’instruction EXAMINE. Pour exécuter le diagnostic exhaustif sur une variable continue d’anxiété (nommée par exemple Score_Anxiete) selon les deux modalités d’un groupe expérimental (nommé Groupe_Traitement), la syntaxe optimale se structure comme suit :

EXAMINE VARIABLES=Score_Anxiete BY Groupe_Traitement
  /PLOT BOXPLOT HISTOGRAM NPPLOT
  /COMPARE GROUPS
  /STATISTICS DESCRIPTIVES
  /CINTERVAL 95
  /MISSING LISTWISE
  /NOTOTAL.

L’analyse détaillée des sous-commandes met en lumière la mécanique computationnelle du logiciel :

• VARIABLES=Score_Anxiete BY Groupe_Traitement : Déclare la variable métrique dépendante à investiguer et la variable de facteur catégorielle dictant la segmentation intra-groupe. Si aucune segmentation n’est souhaitée, la syntaxe est simplifiée en omettant la particule BY Groupe_Traitement.
• /PLOT BOXPLOT HISTOGRAM NPPLOT : Spécifie la production conjointe des boîtes à moustaches de Tukey (BOXPLOT), des histogrammes de fréquence (HISTOGRAM) et, de manière cruciale, des tracés de normalité avec tests formels d’adéquation (NPPLOT pour Normal Probability Plots).
• /COMPARE GROUPS : Force l’affichage juxtaposé des représentations graphiques pour faciliter la comparaison morphologique inter-groupes.
• /STATISTICS DESCRIPTIVES : Génère le tableau descriptif exhaustif incluant la moyenne, l’intervalle de confiance à 95 % ($\text{CINTERVAL 95}$), la moyenne tronquée à 5 %, la médiane, la variance, l’écart-type, le minimum, le maximum, ainsi que les coefficients absolus d’asymétrie (Skewness) et d’aplatissement (Kurtosis) accompagnés de leurs erreurs standards respectives.
• /MISSING LISTWISE : Applique une exclusion rigoureuse de tout cas présentant une valeur manquante sur les variables convoquées.

10. Diagnostic avancé : Influence de la taille d’échantillon et théorème central limite

10.1 Impact des petits échantillons (N < 30) sur la robustesse diagnostique

L’investigation de la normalité dans les devis de recherche caractérisés par de petits échantillons ($N < 30$, situation fréquente en neuropsychologie clinique, en psychologie expérimentale avec imagerie cérébrale ou lors d’études de faisabilité préliminaires) place le statisticien face à une vulnérabilité méthodologique aiguë. Dans cette configuration, les propriétés asymptotiques des estimateurs ne peuvent être invoquées, rendant la conduite de l’analyse particulièrement délicate.

Le piège fondamental réside dans le manque de puissance statistique criant des tests formels d’hypothèse. Le test de Shapiro-Wilk, bien qu’étant le plus performant à cette échelle, présente une probabilité d’erreur de type II excessivement élevée : il échoue régulièrement à rejeter l’hypothèse nulle de normalité ($p > 0,05$), même face à des distributions empiriques sévèrement asymétriques ou manifestant des queues fortement tronquées. Se fier exclusivement à la valeur $p$ sous SPSS pour attester de la normalité à $N = 18$ constitue une grave erreur d’appréciation. Parallèlement, l’histogramme s’avère hautement erratique en raison du nombre réduit de points, chaque barre étant tributaire d’une poignée d’individus.

Dans ce contexte restreint, la primauté diagnostique absolue doit être accordée à l’inspection du diagramme Quantile-Quantile (Q-Q Plot) et à la connaissance théorique préalable du construit psychologique mesuré. Si le diagramme Q-Q témoigne d’un alignement raisonnable le long de la bissectrice sans décrochage extrême, et si les coefficients bruts de Skewness et Kurtosis demeurent strictement confinés dans la plage $[-1, +1]$, l’usage de tests paramétriques peut être envisagé. Cependant, les tests paramétriques étant eux-mêmes particulièrement vulnérables aux entorses de normalité lorsque $N$ est très faible, la plus élémentaire prudence académique consiste à doubler systématiquement l’analyse d’une vérification non paramétrique équivalente.

10.2 Application du théorème central limite aux grands échantillons (N > 100 ou 200)

À l’autre extrémité du continuum d’échantillonnage, lorsque la taille de l’effectif dépasse la centaine de participants ($N > 100$) et a fortiori sur de vastes cohortes psychosociales ($N > 300$ ou 500), la dynamique inférentielle s’inverse radicalement sous l’effet du Théorème Central Limite (TCL).

Le Théorème Central Limite énonce que, sous des conditions générales très peu restrictives (la distribution parente devant posséder une espérance $\mu$ et une variance finie $\sigma^2$), la distribution d’échantillonnage de la moyenne empirique $\bar{X}_n$ converge asymptotiquement vers une loi normale parfaite de moyenne $\mu$ et de variance $\sigma^2/n$, quelle que soit la forme de la distribution de la population d’origine :

$$\lim_{n to \infty} P\left( \frac{\bar{X}_n – \mu}{\sigma / \sqrt{n}} le z \right) = \Phi(z)$$

Ce principe mathématique universel a des implications directes pour le praticien utilisant SPSS. Dès lors que l’échantillon atteint une taille confortable ($N > 100$), les tests statistiques portant sur les moyennes (test t de Student, analyses de variance ANOVA du Modèle Linéaire Général) s’avèrent exceptionnellement robustes à des violations modérées, voire notables, du postulat de normalité de la variable observée. Le fait que l’histogramme de vos données psychométriques brutes présente une légère asymétrie ou un aplatissement n’invalide nullement l’exactitude des valeurs $p$ délivrées par l’ANOVA, car la distribution des moyennes d’échantillonnage est d’ores et déjà quasi parfaitement gaussienne.

C’est précisément dans cette configuration que les tests formels de Shapiro-Wilk et de Kolmogorov-Smirnov manifestent leur obsolescence pratique. Dotés d’une puissance statistique hypertrophiée, ils détectent comme statistiquement significatives ($p < 0,001$) des déviations infinitésimales qui n’ont rigoureusement aucun impact sur l’intégrité des erreurs de type I du test paramétrique. Dès lors, pour de grands échantillons, le chercheur doit délibérément délaisser les tests d’hypothèses formels pour s’en tenir aux règles empiriques de West, Finch et Curran sur les grandeurs absolues de Skewness et Kurtosis, appuyées par le contrôle visuel de l’absence de valeurs aberrantes sur le boxplot.

11. Stratégies et remèdes face à la non-normalité des scores psychologiques

11.1 Transformations mathématiques des variables sous SPSS

Lorsque le diagnostic confirme de façon irréfutable une non-normalité sévère des scores (asymétries marquées, valeurs $p < 0,001$ sur un échantillon modéré, tracés Q-Q curvilignes prononcés) et que l’analyste tient impérativement à préserver l’accès aux modélisations linéaires paramétriques, le recours aux transformations mathématiques non linéaires constitue une stratégie classique formalisée depuis les travaux fondateurs de Tukey et de Box et Cox.

La transformation vise à compresser sélectivement une portion de l’échelle métrique pour restaurer la symétrie de la distribution. Sous SPSS, cette procédure s’opère via le menu Transformer > Calculer la variable (Compute Variable). Le choix de l’opérateur mathématique dépend directement de la direction et de l’intensité de l’asymétrie diagnostiquée :

• Asymétrie positive modérée : La transformation racine carrée est traditionnellement appliquée. L’équation de calcul s’énonce simplement : Score_Trans = SQRT(Score_Brut). Elle compresse modérément la queue droite de la distribution. Si l’échelle comporte des scores nuls, l’usage recommande d’écrire SQRT(Score_Brut + 1).
• Asymétrie positive sévère : La transformation logarithmique (en base 10 ou logarithme népérien) offre une puissance de compression supérieure. Elle s’implémente sous SPSS par l’instruction Score_Trans = LG10(Score_Brut + c) ou LN(Score_Brut + c), où la constante $c$ est un nombre strictement positif ajouté pour garantir que l’argument minimal soit strictement supérieur à zéro (le logarithme de zéro étant mathématiquement indéfini). Cette transformation est particulièrement indiquée pour les données de temps de réaction cognitive ou les concentrations hormonales (cortisol salivaire).
• Asymétrie positive extrême : La transformation inverse ($1/x$) s’écrit Score_Trans = 1 / (Score_Brut + c). Elle opère un redressement drastique mais inverse totalement l’ordre de grandeur relative des scores, nécessitant une réinversion conceptuelle ultérieure.
• Asymétries négatives : Lorsque la distribution s’étire vers la gauche, aucune de ces transformations directes ne peut fonctionner, car elles comprimeraient davantage la queue inférieure déjà étirée. Le chercheur doit impérativement procéder en deux temps : d’abord « réfléchir » la variable pour inverser son sens de rotation (en soustrayant chaque score à une constante égale au score maximal théorique majoré de 1 : $X_{\text{réflé\chi}} = (X_{\max} + 1) – X$), puis appliquer la transformation logarithmique ou racine carrée adéquate sur cette nouvelle variable positivement asymétrique.

Malgré leur élégance théorique, les transformations mathématiques soulèvent des réserves méthodologiques majeures en psychologie. En modifiant l’espace métrique original, elles compliquent considérablement l’interprétation clinique des résultats. Une moyenne de temps de réaction exprimée en micro-unités de log-secondes perd son ancrage phénoménologique immédiat, et les comparaisons de moyennes transformées ne reflètent plus fidèlement les contrastes sur les unités brutes.

11.2 Recours aux alternatives statistiques non paramétriques

Face aux écueils interprétatifs des transformations de variables, la substitution pure et simple des tests paramétriques par leurs équivalents statistiques non paramétriques (également dénommés tests à distribution libre) constitue l’alternative méthodologique la plus robuste et la plus largement acceptée dans la communauté scientifique internationale.

Les tests non paramétriques contournent le postulat de normalité en substituant aux valeurs métriques continues brutes le rang relatif d’assignation de chaque observation (de $1$ à $N$). Cette conversion neutralise totalement l’influence perturbatrice des asymétries et annule le pouvoir déstabilisateur des valeurs aberrantes extrêmes. L’architecture de SPSS propose un catalogue exhaustif de correspondances bilatérales immédiates :

• En substitution au test t de Student pour échantillons indépendants : Le test U de Mann-Whitney (ou test des rangs de Wilcoxon-Mann-Whitney), accessible via Analyser > Tests non paramétriques > Boîtes de dialogue anciennes > 2 échantillons indépendants. Il évalue si la distribution des rangs d’une condition expérimentale se détache significativement de l’autre.
• En substitution au test t de Student pour mesures répétées (appariées) : Le test des rangs signés de Wilcoxon (Wilcoxon Signed Ranks Test), accessible sous 2 échantillons appariés. Il analyse la distribution des rangs des différences de scores intra-individuelles.
• En substitution à l’ANOVA factorielle à un facteur : Le test de Kruskal-Wallis ($H$), accessible sous K échantillons indépendants, qui généralise le test U de Mann-Whitney à la comparaison de trois groupes ou davantage.
• En substitution à l’ANOVA à mesures répétées : Le test de Friedman, accessible sous K échantillons appariés.
• En substitution au coefficient r de Pearson : Le coefficient $rho$ de Spearman (ou le $tau$ de Kendall), accessible directement dans la boîte de dialogue standard des corrélations bivariées en décochant Pearson pour cocher Spearman.

Bien que ces procédures garantissent une étanchéité absolue contre les taux d’erreur de type I en situation de non-normalité, elles présentent la limite inhérente d’être moins facilement transposables aux devis factoriels complexes intégrant de multiples interactions ou des covariables continues (ANCOVA).

11.3 Méthodes de rééchantillonnage : le bootstrapping sous SPSS

Au confluent des approches paramétriques et non paramétriques se déploie une technologie computationnelle d’une remarquable puissance, intégrée nativement dans les versions modernes d’IBM SPSS Statistics : le rééchantillonnage par amorçage, universellement désigné sous le terme anglo-saxon de Bootstrapping (Efron & Tibshirani, 1993).

Le bootstrapping s’affranchit totalement du postulat de normalité asymptotique de la population parente sans altérer l’échelle de mesure originale des variables psychologiques (contrairement aux transformations mathématiques) et sans réduire l’information à de simples rangs ordinaux (contrairement aux tests non paramétriques). Le principe algorithmique consiste à traiter l’échantillon empirique initial des $N$ participants comme une pseudo-population représentative. Le logiciel effectue ensuite un nombre massif de tirages informatiques aléatoires avec remise au sein de cette base (généralement 1000 à 5000 échantillons de bootstrap de taille strictement égale à $N$).

À chaque itération de tirage, le paramètre d’intérêt (par exemple la différence entre les deux moyennes, le coefficient de régression $\beta$ ou le coefficient de corrélation) est méticuleusement recalculé. À l’issue des milliers de simulations, SPSS compile la distribution empirique de ces estimations pour dériver une erreur standard robuste de bootstrap ainsi qu’un intervalle de confiance empirique direct, désigné sous le nom d’intervalle corrigé et accéléré pour le biais (intervalle de confiance BCa à 95 %).

Sous SPSS, l’activation du bootstrap est accessible d’un simple clic dans la quasi-totalité des fenêtres de dialogue d’analyse (test t, régressions, corrélations, GLM) via le bouton interactif Amorçage... (Bootstrap…). L’analyste y coche la case « Exécuter l’amorçage », fixe le nombre d’échantillons à 1000 ou 2000, et sélectionne la méthode « BCa corrigé du biais ». Si l’intervalle de confiance BCa à 95 % du paramètre ne contient pas la valeur zéro, l’effet expérimental est formellement déclaré statistiquement significatif au seuil $\alpha = 0,05$, fournissant une conclusion scientifique inattaquable même face à des distributions distributionnellement aberrantes.

12. Synthèse méthodologique, rédaction des résultats selon les normes APA et cas pratiques

12.1 Normes de rédaction APA (7e édition) pour les postulats de distribution

L’intégrité de la communication scientifique exige une restitution limpide et standardisée de la vérification des postulats statistiques dans les sections « Résultats » ou « Analyses préliminaires » des manuscrits académiques. Selon les directives explicites du manuel de publication de l’American Psychological Association (APA 7e édition), la description du diagnostic de normalité ne doit être ni éludée d’un trait de plume lapidaire (« les données étaient normales ») ni encombrée d’une avalanche de tableaux bruts non digérés.

Le protocole de rédaction formelle impose de documenter conjointement :

• Les méthodes d’inspection préliminaires mobilisées (par exemple, l’examen combiné des histogrammes, des diagrammes Q-Q et des boîtes à moustaches).
• Les valeurs descriptives absolues de forme (Skewness et Kurtosis) accompagnées de leurs erreurs standards respectives, afin de permettre au lecteur d’évaluer directement l’ampleur de la déviation.
• Le résultat exact du test d’hypothèse formel exécuté. Pour le test de Shapiro-Wilk, la statistique est formalisée par la lettre majuscule en italique $W$, suivie immédiatement de ses degrés de liberté entre parenthèses (qui correspondent exactement à la taille d’échantillon $N$), de la valeur mathématique de $W$ arrondie à deux ou trois décimales, et de la valeur $p$ exacte (par exemple : $W(45) = 0,98$, $p = 0,642$). Pour le test de Kolmogorov-Smirnov avec correction de Lilliefors, l’identifiant formel est la lettre majuscule en italique $D$.
• La formulation explicite de la conclusion diagnostique retenue et la justification méthodologique du maintien ou de l’ajustement de la technique inférentielle subséquente (recours au test paramétrique standard, amorçage bootstrap ou bascule non paramétrique).

12.2 Étude de cas 1 : Évaluation de l’anxiété préopératoire sur petit échantillon clinique

Pour illustrer concrètement la démarche, considérons une étude clinique fictive évaluant l’anxiété préopératoire à l’aide d’un score composite d’inventaire psychométrique auprès d’un échantillon restreint de patients admis en chirurgie cardiaque ($N = 26$). Le chercheur envisage d’exécuter un test t de Student pour comparer ces scores à une norme théorique connue, mais doit d’abord valider la normalité univariée sous SPSS via la commande EXAMINE VARIABLES=Score_Anxiete /PLOT BOXPLOT HISTOGRAM NPPLOT.

L’inspection du tableau descriptif généré par SPSS indique une moyenne arithmétique de 42,35 ($s = 8,12$), un coefficient d’asymétrie (Skewness) de 0,412 ($SE = 0,456$) et un excès de kurtosis de -0,385 ($SE = 0,887$). Le calcul manuel des scores $z$ rapporte $z_{\text{skewness}} = 0,412 / 0,456 = 0,90$ et $z_{\text{kurtosis}} = -0,385 / 0,887 = -0,43$, tous deux très nettement inférieurs au seuil critique de 1,96. La boîte à moustaches affiche une médiane équidistante et ne révèle aucun astérisque d’observation extrême ni aucun rond de valeur aberrante. Le diagramme Q-Q montre un alignement satisfaisant des points empiriques le long de la bissectrice à 45 degrés, malgré un léger décrochage sur les trois observations les plus basses. Enfin, le tableau des tests de normalité rapporte une statistique de Shapiro-Wilk de $W(26) = 0,967$ avec une valeur de signification exacte de $p = 0,551$.

Dans ce contexte clinique typique, bien que l’échantillon soit modeste, la convergence tripartite entre les coefficients de forme très faibles, l’alignement rectiligne sur le Q-Q plot et l’absence de significativité au test de Shapiro-Wilk ($p > 0,05$) autorise le maintien du modèle paramétrique. La restitution textuelle selon les standards APA prendra la forme suivante :

« Préalablement à la conduite de l’analyse inférentielle, le postulat de normalité distributionnelle du score d’anxiété préopératoire a été évalué sur l’ensemble de l’échantillon clinique ($N = 26$). L’examen visuel du diagramme Quantile-Quantile (Q-Q Plot) a mis en évidence un alignement satisfaisant des observations le long de la droite théorique, corroboré par l’absence de valeurs aberrantes sur la boîte à moustaches de Tukey. Les indices descriptifs d’asymétrie ($\text{Skewness} = 0,41$, $SE = 0,46$) et d’aplatissement ($\text{Kurtosis} = -0,39$, $SE = 0,89$) sont demeurés strictement confinés dans des grandeurs absolues inférieures à 1. Enfin, le test formel de normalité de Shapiro-Wilk ne s’est pas avéré statistiquement significatif, $W(26) = 0,97$, $p = 0,551$, confirmant l’adéquation des données à la loi normale et autorisant l’usage du test t de Student paramétrique. »

12.3 Étude de cas 2 : Données de temps de réaction cognitives fortement asymétriques

Envisageons à présent une recherche en psychologie cognitive expérimentale mesurant les temps de réaction moyens (en millisecondes) à une tâche d’attention soutenue de type Stroop chez un groupe d’étudiants ($N = 84$). La commande EXAMINE exécutée sous SPSS révèle une réalité distributionnelle radicalement divergente.

Le tableau de statistiques descriptives rapporte une moyenne de 745 ms ($s = 185\text{ ms}$), un coefficient d’asymétrie prononcé de 2,34 ($SE = 0,263$) et un excès de kurtosis massif de 7,82 ($SE = 0,520$). Les scores $z$ associés explosent les seuils conventionnels ($z_{\text{skewness}} = 8,90$ ; $z_{\text{kurtosis}} = 15,04$). L’histogramme illustre une longue queue étirée vers l’extrême droite avec une concentration majeure des sujets entre 500 et 700 ms. La boîte à moustaches affiche quatre cercles d’observations aberrantes et deux astérisques d’observations extrêmes au-delà de 1300 ms. Sur le diagramme Q-Q, la courbe prend une morphologie nettement concave décollant violemment de la bissectrice. Le test de Shapiro-Wilk rejette massivement l’hypothèse de normalité : $W(84) = 0,782$, $p < 0,001$.

Face à une telle violation conjointe des seuils d’asymétrie ($> 2$) et de kurtosis ($> 7$), le maintien d’une ANOVA paramétrique directe sur données brutes est méthodologiquement inacceptable. Le chercheur procède alors sous SPSS au calcul d’une transformation logarithmique via la syntaxe COMPUTE TR_Log = LG10(TR_Brut). EXECUTE.. La réexécution de la procédure Explorer sur la nouvelle variable transformée TR_Log démontre le redressement spectaculaire des indicateurs : le Skewness est ramené à 0,312 ($SE = 0,263$), le Kurtosis s’abaisse à -0,145 ($SE = 0,520$), les observations extrêmes disparaissent du boxplot et le test de Shapiro-Wilk devient non significatif ($W(84) = 0,985$, $p = 0,428$).

La rédaction standardisée des résultats dans le rapport de recherche s’articulera de la manière suivante :

« L’évaluation de la distribution des temps de réaction bruts ($N = 84$) a révélé une entorse sévère au postulat de normalité univariée. La distribution empirique se caractérisait par une forte asymétrie positive ($\text{Skewness} = 2,34$, $SE = 0,26$) et un kurtosis leptokurtique excessif ($\text{Kurtosis} = 7,82$, $SE = 0,52$), confirmés par le rejet hautement significatif du test d’adéquation de Shapiro-Wilk, $W(84) = 0,78$, $p < 0,001$. L’inspection du tracé Q-Q et de la boîte à moustaches a objectivé la présence d’une queue lourde asymétrique comportant plusieurs valeurs aberrantes distales. Pour rétablir les conditions de validité du Modèle Linéaire Général sans perte d’observations, une transformation logarithmique décimale ($\log_{10}$) a été appliquée sur l’ensemble de la série. La distribution des scores transformés a attesté d’un rétablissement complet de la normalité ($\text{Skewness} = 0,31$, $SE = 0,26$ ; $\text{Kurtosis} = -0,15$, $SE = 0,52$ ; Shapiro-Wilk $W(84) = 0,98$, $p = 0,428$), justifiant la conduite des analyses de variance paramétriques sur ces métriques standardisées. À des fins d’interprétation clinique, les moyennes présentées dans le texte ont été rétro-transformées dans leur métrique originale en millisecondes. »

12.4 Arbre décisionnel pour l’analyse de normalité en recherche psychologique

Afin de synthétiser le flux opérationnel exposé tout au long de ce guide, le chercheur en sciences humaines et sociales peut structurer sa démarche décisionnelle autour d’un algorithme diagnostique séquentiel en trois étapes fondamentales :

Étape 1 : Examen graphique univarié et dépistage préliminaire des anomalies

• Générer conjointement l’histogramme avec courbe normale, le diagramme Quantile-Quantile (Q-Q Plot) et la boîte à moustaches de Tukey via la commande EXAMINE VARIABLES ... /PLOT BOXPLOT HISTOGRAM NPPLOT sous SPSS.
• Question clé : Observe-t-on une bimodalité franche ou des observations extrêmes marquées par des astérisques ($ast$) sur le boxplot ?
• Action : Si une bimodalité apparaît, suspendre l’analyse et vérifier l’existence de sous-groupes cliniques ou démographiques non segmentés. Si des valeurs aberrantes extrêmes sont repérées, vérifier l’absence d’erreurs d’encodage au sein du tableur brut. Si les données sont réelles, isoler leur impact potentiel.

Étape 2 : Quantification métrique et contextualisation selon la taille d’échantillon

• Inspecter les grandeurs absolues non standardisées du Skewness et de l’excès de Kurtosis, complétées par la statistique de Shapiro-Wilk ($N < 2000$) ou Kolmogorov-Smirnov ($N > 2000$).
• Cas A : Petits échantillons ($N < 30$) : Accorder une tolérance minimale aux déviations visuelles sur le tracé Q-Q. Ignorer le fait que le test de Shapiro-Wilk soit non significatif si l’asymétrie graphique est visible. En cas de doute avéré, privilégier immédiatement les équivalents non paramétriques (Mann-Whitney, Wilcoxon).
• Cas B : Échantillons modérés ($30 le N le 150$) : Le test de Shapiro-Wilk constitue l’étalon arbitre de référence. Si $p > 0,05$, $|\text{Skewness}| < 1$ et $|\text{Kurtosis}| < 2$, valider la normalité paramétrique sans réserve. Si $p le 0,05$, passer à l’Étape 3.
• Cas C : Grands échantillons ($N > 150$ ou 200) : Délaisser totalement la valeur $p$ de Shapiro-Wilk ou Kolmogorov-Smirnov (sur-rejet mécanique). Se fier strictement aux directives de West et al. : si $|\text{Skewness}| < 2$ et $|\text{Kurtosis}| < 7$, invoquer formellement le Théorème Central Limite et poursuivre en analyse paramétrique classique.

Étape 3 : Arbitrage pragmatique entre remédiations statistiques

• Si la non-normalité est formellement confirmée et disqualifie l’usage paramétrique direct :
• Option 1 (Préservation de l’interprétabilité métrique) : Activer le module de Bootstrapping (1000 à 2000 échantillons avec intervalles de confiance BCa à 95 %) dans la boîte de dialogue du test paramétrique sous SPSS. Cette démarche est recommandée pour les régressions et les comparaisons de moyennes simples.
• Option 2 (Substitution non paramétrique) : Basculer vers les tests de rangs d’usage (test U de Mann-Whitney, Kruskal-Wallis, Wilcoxon). Solution universelle, robuste et inattaquable pour les devis univariés classiques.
• Option 3 (Transformation mathématique) : Envisager une transformation non linéaire (racine carrée, logarithmique) prioritairement si la variable étudiée possède une justification théorique à être comprimée (temps de réaction chronométriques, concentrations biologiques). Documenter rigoureusement la métrique rétro-transformée dans la discussion des résultats.

Références

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

Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x

Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall/CRC. https://doi.org/10.1007/978-1-4899-4541-9

Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.

Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov test for normality with mean and variance unknown. Journal of the American Statistical Association, 62(318), 399–402. https://doi.org/10.1080/01621459.1967.10482916

Micceri, T. (1989). The unicorn, the normal curve, and other improbable creatures. Psychological Bulletin, 105(1), 156–166. https://doi.org/10.1037/0033-2909.105.1.156

Razali, N. M., & Wah, Y. B. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2(1), 21–33.

Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611. https://doi.org/10.2307/2333709

Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.

Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.

West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). SAGE Publications.