Lire un tableau de sortie SPSS : sig bilatéral, variance égale ou inégale et tests post-hoc tout expliqués

Vous lancez votre analyse sous SPSS, vous cliquez sur OK — et une série de tableaux apparaît dans la fenêtre Output. Colonnes Sig., Sig. (bilatéral), hypothèse de variances égales, comparaisons multiples… Il est facile de ne plus savoir quoi lire ni dans quel ordre.

Pourtant, lire une sortie SPSS repose sur une logique simple une fois qu’on en comprend les étapes : repérer la bonne p‑valeur, vérifier les conditions du test, puis interpréter correctement les comparaisons post‑hoc quand elles existent.

Pourquoi la sortie SPSS paraît compliquée

SPSS affiche souvent plus d’informations que nécessaire pour un premier regard. Pour un test t indépendant, il propose généralement deux lignes de résultats, avec deux versions de la statistique selon l’égalité ou non des variances. Pour une ANOVA, il ajoute des tableaux post‑hoc qui ne servent que si le test global est significatif.

Le problème n’est pas que SPSS soit obscur ; c’est qu’il présente tout en même temps. La bonne lecture consiste donc à suivre un ordre précis, au lieu d’essayer d’interpréter chaque tableau séparément.

Comprendre Sig. et le bilatéral

Ce que signifie Sig.

Dans SPSS, la colonne Sig. ou Sig. (bilatéral) correspond à la p‑valeur. Elle indique la probabilité d’observer un résultat au moins aussi extrême que celui obtenu si l’hypothèse nulle était vraie.

La règle pratique reste la même :

• Sig. ≤ 0,05 : le résultat est statistiquement significatif.
• Sig. > 0,05 : le résultat n’est pas statistiquement significatif au seuil choisi.

Le seuil de 0,05 est le plus courant, mais certains protocoles demandent 0,01 ou 0,001. Il faut donc toujours vérifier le cadre méthodologique de votre mémoire.

Bilatéral ou unilatéral

SPSS affiche par défaut une p‑valeur bilatérale. Cela signifie que le test cherche une différence dans les deux sens : groupe A supérieur à groupe B, ou l’inverse.

Un test unilatéral n’est pertinent que si vous avez formulé dès le départ une hypothèse directionnelle claire, et si la différence observée va bien dans ce sens. Dans ce cas, on peut parfois utiliser une p‑valeur unilatérale, mais seulement avec prudence et justification préalable.

En pratique, dans la plupart des mémoires, le bilatéral est le choix standard parce qu’il est plus prudent et plus facile à défendre.

Variances égales ou inégales

C’est souvent la partie qui déroute le plus dans le test t pour échantillons indépendants. SPSS affiche deux lignes :

• Hypothèse de variances égales
• Hypothèse de variances inégales

Pour savoir laquelle lire, il faut regarder le test de Levene.

Comment lire Levene

Le test de Levene vérifie si les variances des deux groupes peuvent être considérées comme proches.

• Sig. de Levene > 0,05 : les variances sont supposées égales, on lit la ligne « hypothèse de variances égales ».
• Sig. de Levene ≤ 0,05 : les variances sont différentes, on lit la ligne « hypothèse de variances inégales ».

Cette seconde ligne correspond à la version robuste du test t, souvent assimilée à la correction de Welch. Elle est plus prudente quand les variances sont inégales.

Pourquoi c’est important

Le test t classique suppose des variances comparables. Si ce n’est pas le cas, lire la mauvaise ligne peut conduire à une interprétation fragile, surtout avec de petits échantillons ou des groupes très déséquilibrés.

La bonne pratique consiste donc à toujours regarder Levene avant d’interpréter le test t. Ce réflexe simple évite beaucoup d’erreurs de lecture.

Lire les post-hoc d’une ANOVA

Quand vous comparez trois groupes ou plus avec une ANOVA, une p‑valeur significative dit seulement qu’il existe une différence quelque part. Elle ne dit pas entre quels groupes. C’est précisément le rôle des tests post‑hoc.

Quel test post-hoc choisir

SPSS propose plusieurs options, et le choix dépend surtout de l’homogénéité des variances et de la taille des groupes :

• Tukey HSD : bon choix par défaut si les variances sont homogènes et les effectifs proches.
• Bonferroni : plus conservateur, utile quand le nombre de comparaisons est limité.
• Games‑Howell : préférable si les variances sont inégales ou les tailles de groupes très différentes.
• Scheffé : très prudent, adapté à des comparaisons plus larges ou exploratoires.

En pratique, si Levene est significatif, Games‑Howell est souvent plus adapté que Tukey.

Comment lire le tableau

Le tableau des comparaisons multiples présente généralement :

• la différence de moyennes entre deux groupes ;
• l’erreur standard ;
• la Sig. ajustée.

Interprétation :

• une valeur de Sig. ≤ 0,05 indique une différence significative entre les deux groupes comparés ;
• une différence de moyennes positive ou négative indique le sens de l’écart, mais il faut toujours la lire avec les moyennes descriptives pour éviter les contresens.

Un bon réflexe : ne jamais commenter uniquement la p‑valeur. Il faut aussi regarder l’ampleur de la différence et sa pertinence pratique.

Les sous-ensembles homogènes

SPSS peut aussi afficher un tableau de sous‑ensembles homogènes. Les groupes regroupés dans une même colonne ne diffèrent pas significativement entre eux.

C’est un outil visuel pratique pour résumer les résultats post‑hoc sans relire chaque comparaison une par une. Cela dit, ce tableau ne remplace pas le tableau des comparaisons multiples : il le synthétise seulement.

Ordre de lecture conseillé

Face à une sortie SPSS, l’ordre de lecture le plus efficace est le suivant :

1. Vérifier les statistiques descriptives : moyennes, écarts-types, effectifs.
2. Lire le test de Levene si vous êtes sur un test t ou une comparaison de moyennes.
3. Choisir la bonne ligne du test t selon l’égalité ou l’inégalité des variances.
4. Lire la Sig. (bilatéral) pour savoir si le test est significatif.
5. Si l’ANOVA est significative, regarder les post‑hoc pour identifier les groupes qui diffèrent.
6. Compléter avec une taille d’effet si elle est disponible ou calculable.

Cette logique évite de se noyer dans les tableaux et permet de passer d’une lecture technique à une lecture interprétative.

Exemple de lecture

Vous comparez le score de satisfaction entre deux groupes d’usagers. SPSS affiche :

• Levene : Sig. = 0,012.
• Test t, ligne « variances inégales » : Sig. (bilatéral) = 0,020.

Lecture :

• Levene est significatif, donc les variances sont inégales.
• Il faut lire la ligne corrigée.
• Le résultat du test t est significatif au seuil de 5%.
• Vous pouvez conclure à une différence entre les deux groupes, en restant prudent sur l’ampleur pratique si la taille d’effet est faible.

Conclusion

Lire une sortie SPSS, c’est surtout savoir dans quel ordre regarder les tableaux. La valeur Sig. (bilatéral) vous renseigne sur la significativité, le test de Levene vous indique quelle ligne du test t utiliser, et les post‑hoc vous disent précisément quels groupes diffèrent après une ANOVA.

Une fois cette logique maîtrisée, la sortie SPSS devient beaucoup moins intimidante : elle cesse d’être une suite de tableaux et devient un outil de lecture méthodique des résultats.

Si vous avez des données à analyser et que la sortie SPSS vous résiste encore, l'équipe de Zycral est là pour vous accompagner. Nos experts en statistique et data science vous aident à choisir les bons tests, à interpréter vos résultats et à les rédiger avec rigueur — que vous soyez étudiant en master, doctorant ou professionnel de la santé. Découvrez nos services d'analyse statistique sur Zycral.com et obtenez une aide personnalisée pour votre projet.