Enquêtes académiques et post-universitaires

Analyse	Ce qu'elle vous indique
Alpha de Cronbach par construit, et alpha si l'élément est supprimé	Si vos items mesurent une seule chose, et quel item affaiblit une échelle
Fiabilité au sein de chaque groupe	Si l'échelle est valide pour les hommes et les femmes, chaque année, etc.
Tableaux descriptifs APA 7e	Moyennes, écarts-types, poids relatif et rang, prêts pour votre thèse
Vérifications de normalité	Asymétrie, aplatissement, Shapiro-Wilk et Kolmogorov-Smirnov, pour choisir le bon test
Analyse factorielle exploratoire	KMO, Bartlett, valeurs propres et saturations après rotation
Matrice de corrélation	Pearson ou Spearman, choisi selon la normalité, avec correction de Bonferroni
Régression linéaire multiple	R², β, VIF, Durbin-Watson et les vérifications associées
Différences entre groupes	Test t, Welch, ANOVA avec post-hoc, Mann-Whitney et Kruskal-Wallis, avec tailles d'effet
Pré/post test	Test t apparié entre deux vagues de mêmes personnes. Voir Enquêtes pré/post
Export pour SPSS	Vos données avec un codebook, pour tout ce que vous souhaitez exécuter vous-même

Quatre paramètres permettent de faire fonctionner l'analyse. Configurez-les avant de collecter les réponses :

1. Attribuez un construit à chaque item d'échelle. Dans chaque question d'évaluation, remplissez le champ Construit / Dimension de l'étude, par exemple "Engagement comportemental". La fiabilité et les scores des construits sont calculés à partir de cela.
2. Marquez les items formulés négativement comme score inversé. Par exemple, "Je manque les cours sans bonne raison" dans une échelle d'engagement. Cochez Cet item est à score inversé, sinon il fera baisser l'alpha de l'échelle.
3. Mappez le genre et l'âge, et choisissez les construits composant le score total dans Paramètres → Mapping.
4. Choisissez votre plan d'étude dans Paramètres → Analyse & Tests, comme une étude corrélationnelle ou causale-comparative. Les tests appropriés sont activés pour vous.

Voir Créer une enquête et Paramètres de l'enquête.

Ouvrez Voir les réponses et résultats et choisissez l'onglet Académique & Fiabilité (Cronbach). En haut : Exporter pour SPSS (.csv Codebook) et Imprimer le rapport.

Trois construits montrent une excellente fiabilité (0,946 à 0,948). "Facteurs de soutien" échoue à 0,482.

Chaque construit obtient son alpha et un verdict clair, de Excellent (0,90 et plus) à Faible / Inacceptable (en dessous de 0,60).

En dessous, l'Analyse de fiabilité des items (Alpha si l'item est supprimé) montre la corrélation de chaque item avec le reste de son échelle, et ce que deviendrait l'alpha sans lui. Les items qui affaiblissent l'échelle sont signalés par La suppression améliore l'alpha (Item faible).

Moyenne, écart-type, poids relatif et rang pour chaque item, regroupés par construit.

Le Tableau de statistiques descriptives APA 7e liste chaque construit et item avec sa moyenne, son écart-type, son poids relatif et son niveau, classés. Il est présenté de la manière dont le chapitre des résultats d'une thèse les présente.

KMO et Bartlett d'abord, puis valeurs propres et saturations après rotation.

Avant d'extraire les facteurs, Pulseform vérifie que vos données sont adaptées (KMO et test de Bartlett). Il affiche ensuite les valeurs propres, le nombre de facteurs à conserver et les saturations après rotation varimax de chaque item. C'est ainsi que vous démontrez que vos items se regroupent dans les construits que vous avez conçus.

Choisissez les variables, les construits, le score total ou des items uniques, et obtenez la matrice. Pulseform vérifie d'abord la normalité et recommande Pearson ou Spearman en conséquence. Il applique la correction de Bonferroni sur toute la matrice et décrit la force de chaque corrélation.

R² et β pour chaque prédicteur, avec les vérifications qu'un examinateur demandera.

Choisissez un résultat et ses prédicteurs. Vous obtenez le R², le R² ajusté, la significativité du modèle, et pour chaque prédicteur B, β, l'intervalle de confiance à 95 %, p et VIF.

Sous le tableau, Pulseform vérifie les hypothèses pour vous : Durbin-Watson, normalité des résidus et Breusch-Pagan. Dans cet exemple, il avertit que les erreurs augmentent avec les prédictions, donc les valeurs p sont trop optimistes. C'est exactement le genre de problème facile à manquer manuellement.

Engagement comportemental par genre : t(298) = 3,61, p < ,001, d = 0,42.

Choisissez une variable de regroupement, comme le genre ou l'année d'étude, et une variable mesurée, comme un construit. Pulseform :

• vérifie l'égalité des variances avec le test de Levene, et utilise le test de Welch si nécessaire,
• utilise le test t pour deux groupes et l'ANOVA pour plus, avec des comparaisons post-hoc pour montrer quels groupes diffèrent,
• passe à Mann-Whitney ou Kruskal-Wallis lorsque les données ne sont pas normales, et calcule des valeurs p exactes pour les petits groupes,
• rapporte la taille de l'effet, pour que vous sachiez si une différence significative est également significative sur le plan pratique,
• écrit le résultat sous forme d'une ligne APA que vous pouvez copier dans votre thèse.

À la fin de la page, Avant de rédiger vous indique honnêtement :

• Calculé sur cette page : tout ce qui est listé ci-dessus.
• À faire dans SPSS : par exemple l'analyse factorielle confirmatoire (AFC), que Pulseform ne tente délibérément pas. Utilisez Exporter pour SPSS.
• Aucun logiciel ne peut faire ceci pour vous : validité de contenu par examen d'expert, étude pilote, approbation éthique, autorisation d'utiliser une échelle publiée et interprétation.

Une statistique n'est utile que si les données la soutiennent. Quand ce n'est pas le cas, Pulseform explique pourquoi au lieu d'imprimer un chiffre trompeur.

Une étude délibérément défectueuse : un construit sans variation, une échelle à un seul item et des items faibles signalés.

Exemples que vous pourriez voir :

• un construit auquel tout le monde a répondu de la même manière n'a pas de variance à mesurer,
• une échelle avec un seul item n'a pas de cohérence interne (alpha N/A),
• un groupe d'une seule personne ne peut pas être comparé,
• un tableau croisé avec trop peu de réponses par cellule est trop creux pour un chi-carré.

Conseil : Lisez attentivement ces messages. Ils pointent généralement vers un problème dans le questionnaire ou l'échantillon qui mérite d'être mentionné dans votre thèse.

• Mesurez le changement au fil du temps avec les Enquêtes pré/post.
• Lisez Comprendre les résultats de votre enquête pour un guide en langage simple sur les chiffres les plus courants.