Analyser un questionnaire de satisfaction patient sous SPSS : guide complet pour votre mémoire

Analyser un questionnaire de satisfaction des patients sous SPSS : guide pratique pour votre mémoire

Les questionnaires de satisfaction des patients sont au cœur de nombreux mémoires en soins infirmiers, en sciences médicales et en santé publique. Pourtant, passer de la collecte des données à une interprétation rigoureuse est souvent le moment où les étudiants se sentent le plus démunis.

Comment saisir correctement les réponses dans SPSS ? Quel test choisir selon la nature des variables ? Comment rédiger les résultats sans faire d’erreur d’interprétation ?

Ce guide vous accompagne pas à pas, de la structuration de votre base de données jusqu’à la présentation des résultats dans votre mémoire, en utilisant SPSS comme fil conducteur.

1. Préparer et saisir vos données dans SPSS

Avant même de lancer une analyse, la qualité de votre travail dépend largement de la façon dont vous organisez vos données. SPSS fonctionne avec deux vues :

• Data View : chaque ligne = un patient, chaque colonne = une variable.
• Variable View : où vous définissez les propriétés de chaque colonne.

Définir correctement chaque variable

Dans la Variable View, pour chaque item de votre questionnaire :

• Name : un nom court, sans accents ni espaces (ex. : sat_accueil, age, sexe).
• Type : Numeric pour les échelles et variables codées ; String uniquement si vous conservez du texte libre (à éviter pour l’analyse quantitative).
• Label : le libellé complet de la question, qui apparaîtra dans les tableaux de sortie.
• Values : les codes et leurs étiquettes (ex. : 1 = « Très satisfait », 2 = « Satisfait », 3 = « Peu satisfait », 4 = « Insatisfait »).
• Measure :
• Ordinal pour les échelles de type Likert ;
• Nominal pour le sexe, le service, le type de prise en charge ;
• Scale pour les variables continues (âge, durée de séjour, scores calculés).

Prendre le temps de bien remplir ces champs vous fera gagner un temps précieux : vos tableaux SPSS seront lisibles, avec des étiquettes explicites plutôt que des codes cryptiques.

Coder les données manquantes

Lorsqu’un patient ne répond pas à une question, ne laissez pas simplement la cellule vide :

• Choisissez une valeur conventionnelle pour les données manquantes (ex. 99, −9).
• Déclarez‑la dans le champ Missing de la Variable View.

SPSS l’exclura alors des calculs (selon le type d’analyse), ce qui évite de fausser les moyennes ou les fréquences.

Dans votre mémoire, signalez honnêtement le taux de non‑réponse par item : par exemple, « le taux de valeurs manquantes sur l’item X est de 6% ». C’est une bonne pratique scientifique, surtout en santé.

2. Nettoyer et explorer vos données avant l’analyse

Une fois la saisie terminée, résistez à l’envie de lancer directement vos tests. Une phase d’exploration est indispensable pour détecter les erreurs et comprendre votre échantillon.

Statistiques descriptives : premier regard sur les données

Pour les items de satisfaction (échelles de Likert) :

• SPSS : Analyze → Descriptive Statistics → Frequencies.
• Vous obtenez : effectifs, pourcentages, pourcentages valides, pourcentages cumulés.

C’est là que vous repérez :

• une valeur impossible (par exemple « 7 » sur une échelle de 1 à 4), signe d’une erreur de saisie ;
• des modalités jamais utilisées, qui peuvent rendre certains tests instables.

Pour les variables continues (âge, score global de satisfaction, durée de séjour) :

• SPSS : Analyze → Descriptive Statistics → Descriptives.
• Obtenez la moyenne, l’écart‑type, le minimum, le maximum.

Si l’âge minimum affiché est 0 ou 150 ans, c’est clairement une anomalie à corriger.

Construire un score global de satisfaction

Si votre questionnaire comporte plusieurs items pour une même dimension (par exemple cinq questions sur la qualité de l’accueil), vous pouvez calculer un score moyen ou un score total par dimension.

Dans SPSS :

• Transform → Compute Variable.
• Exemple : score_accueil = MEAN(sat_accueil1, sat_accueil2, sat_accueil3, sat_accueil4, sat_accueil5).

Avant d’utiliser ce score, vérifiez la cohérence interne de l’échelle :

• Analyze → Scale → Reliability Analysis.
• Indicateur : alpha de Cronbach (α).

En pratique :

• α ≥ 0,70 est souvent considéré comme acceptable pour un travail exploratoire ;
• α ≥ 0,80 traduit une bonne cohérence.

Si l’alpha est trop bas :

• vérifiez si certains items sont formulés à l’inverse (questions négatives) et doivent être recodés ;
• réfléchissez à la pertinence des items : mesurent‑ils vraiment le même aspect de la satisfaction ?

3. Choisir les bons tests selon vos questions de recherche

C’est souvent la partie la plus redoutée. La bonne nouvelle : le choix du test découle en grande partie de la nature des variables et du nombre de groupes.

Décrire la satisfaction globale

Pour présenter la répartition des niveaux de satisfaction :

• Tableaux de fréquences et graphiques en barres suffisent.
• SPSS : Graphs → Chart Builder.

Exemple de commentaire :

« 68% des patients interrogés se déclarent satisfaits ou très satisfaits de la prise en charge. »

Ajoutez, si possible, un score moyen de satisfaction avec son écart‑type ou son intervalle de confiance (IC 95%) pour une vision plus complète.

Comparer la satisfaction selon une variable catégorielle (sexe, service, niveau d’études)

Deux cas principaux :

1. Satisfaction ordinale (item Likert brut)

• Si vous comparez la distribution des niveaux de satisfaction entre deux services ou entre hommes et femmes, utilisez :
• Analyze → Descriptive Statistics → Crosstabs,
• cochez Chi‑square dans Options.

1. Le test du Chi‑2 compare les distributions de fréquences entre groupes. Vous pouvez compléter avec le V de Cramér comme taille d’effet.
2. Score continu (moyenne ou somme d’items)

• Deux groupes (par ex. hommes vs femmes) → test t de Student : Analyze → Compare Means → Independent‑Samples T Test.
• Trois groupes ou plus (par ex. trois services hospitaliers) → ANOVA à un facteur : Analyze → Compare Means → One‑Way ANOVA.

Conditions d’application :

• Pour le test t et l’ANOVA :
• distributions approximativement normales (ou résidus approximativement normaux) ;
• variances comparables (test de Levene).
• Si les effectifs sont faibles (moins de ~30 par groupe) ou si la normalité est clairement douteuse, privilégiez les tests non paramétriques :
• Mann–Whitney pour deux groupes.
• Kruskal–Wallis pour trois groupes ou plus.

Dans SPSS : Analyze → Nonparametric Tests.

Dans votre mémoire, faites apparaître cette logique : expliquez comment la nature de vos variables et la forme des distributions ont guidé votre choix.

Explorer les liens entre deux dimensions de satisfaction

Vous voulez savoir si :

• la satisfaction vis‑à‑vis de l’accueil est liée à la satisfaction vis‑à‑vis de l’information ;
• ou si la satisfaction globale est associée à la confiance envers l’équipe soignante.

Utilisez une corrélation :

• Analyze → Correlate → Bivariate.

Choix du coefficient :

• Spearman : si les variables sont ordinales (items Likert) ou si la normalité n’est pas garantie.
• Pearson : si vous utilisez des scores continus, approximativement normaux.

Un coefficient proche de 1 indique une association forte et positive ; proche de −1, une association forte négative ; proche de 0, l’absence de lien linéaire.

Attention : corrélation ≠ causalité. Dans la discussion, parlez d’association ou de lien, pas de « effet » ou de « cause » si votre protocole est purement observationnel.

4. Interpréter et présenter vos résultats dans le mémoire

Obtenir un tableau SPSS n’est que la moitié du travail. L’autre moitié consiste à le transformer en résultats clairs et interprétables.

Lire la valeur p correctement

Dans SPSS, la p‑valeur est notée Sig..

• Elle représente la probabilité d’obtenir des données aussi extrêmes que celles observées si l’hypothèse nulle était vraie.
• Par convention, on parle de résultat « statistiquement significatif » lorsque p < 0,05.

Deux points de vigilance :

• Avec un grand échantillon, des différences très petites peuvent être significatives sans être pertinentes sur le plan clinique.
• Il faut donc accompagner la valeur p d’une taille d’effet, par exemple :
• V de Cramér pour un Chi‑2 ;
• η² pour une ANOVA ;
• r ou R² pour une corrélation ou une régression.

Ainsi, vous pouvez commenter : « statistiquement significatif, mais d’ampleur faible », ou au contraire « effet modéré, cliniquement pertinent ».

Structurer la présentation des résultats

Une structure efficace dans un mémoire de santé :

1. Description de l’échantillon

• âge moyen et écart‑type ;
• répartition par sexe, par service, par type de prise en charge ;
• taux de réponse au questionnaire.

1. Satisfaction globale

• distribution des réponses par dimension (accueil, soins, information, environnement…) ;
• scores moyens et dispersions.

1. Analyses comparatives

• résultats des tests :
• test utilisé,
• statistique (par ex. t, F, χ²),
• degrés de liberté,
• p‑valeur,
• taille d’effet.

1. Synthèse et discussion

• mise en perspective avec la littérature ;
• explication des divergences ou convergences ;
• implications pratiques possibles.

Exemple de formulation :

« Les patients hospitalisés en chirurgie expriment une satisfaction significativement plus élevée concernant l’information reçue que ceux hospitalisés en médecine interne (Mann–Whitney U = 312, p = 0,03, r = 0,32), ce qui correspond à un effet d’ampleur modérée. »

Les erreurs fréquentes à éviter

Quelques pièges relevés régulièrement dans les mémoires :

• Traiter une échelle de Likert à 4 points comme continue sans justification.
• Si vous faites ce choix, expliquez pourquoi (distribution équilibrée, score composé de plusieurs items, appui sur la littérature).
• Appliquer des tests paramétriques (t, ANOVA) avec des effectifs très faibles sans vérifier la normalité et les variances.
• Confondre corrélation et causalité dans la discussion (parler d’« effet » ou de « impact » alors que vous avez une simple association).
• Oublier de mentionner le test utilisé : un tableau de p‑valeurs sans nom de test est difficilement reproductible.
• Copier-coller les tableaux SPSS bruts sans les reformater ni les commenter.
• Le jury attend une sélection des tableaux pertinents, simplifiés et accompagnés d’un texte d’interprétation.

Conclusion

Analyser un questionnaire de satisfaction des patients sous SPSS est tout à fait accessible, à condition de suivre une démarche structurée :

1. Préparer une base de données propre et bien codée.
2. Explorer les données (descriptifs, détection d’erreurs, alpha de Cronbach pour les échelles).
3. Choisir des tests adaptés à la nature des variables et à la taille des groupes (Chi‑2, t, ANOVA, Mann–Whitney, Kruskal–Wallis, corrélations).
4. Interpréter les résultats en combinant p‑valeur, taille d’effet et pertinence clinique, puis les présenter de façon claire et honnête.

En montrant cette logique étape par étape dans votre mémoire, vous rassurez le jury sur la solidité statistique de vos analyses — ce qui compte autant que le thème lui‑même.

Si vous souhaitez aller plus loin ou si vous avez besoin d'un accompagnement personnalisé pour votre analyse statistique — que ce soit pour la vérification de vos hypothèses, l'exécution des tests ou la rédaction de vos résultats — l'équipe Zycral est à votre disposition. Nos experts en data science et en statistiques appliquées à la santé peuvent vous accompagner à chaque étape, du choix des tests jusqu'à la relecture de votre section résultats. Découvrez nos services d'analyse statistique et posez-nous vos questions sans hésitation.