Étant donné que nous allons ajuster un modèle de régression multiple à ces données, l’aspect le plus important sera de comprendre comment les variables sont liées entre elles dans un contexte multivarié. Évaluer la linéarité multivariée et détecter la présence de valeurs aberrantes dans un tel contexte est complexe. C’est pourquoi des analyses en dimensions réduites sont utiles pour repérer des éléments tels que des valeurs aberrantes ou des violations potentielles de la linéarité (nous nous appuierons également sur des analyses de résidus pour vérifier les hypothèses). Pour cela, nous pouvons créer une matrice de dispersion (scatterplot matrix) de toutes les variables incluses dans l’analyse afin d’observer de manière exploratoire les relations entre elles :
GRAPHIQUES → DIALOGUES HÉRITÉS → DISPERSION/POINT
Une fois la boîte de dialogue DISPERSION/POINT ouverte, sélectionnez Dispersion des matrice puis cliquez sur Define.
Ensuite, déplacez toutes les variables de la gauche vers la zone Variables des matrices.
Cela génère la matrice de dispersion affichée à droite :
Nous pouvons observer dans cette matrice que toutes les paires de variables partagent au moins une relation approximativement linéaire, sans présence apparente de valeurs aberrantes bivariées. Encore une fois, il est important de souligner que nous ne recherchons pas la « perfection » dans ces graphiques. Nous cherchons simplement des raisons (par exemple, des valeurs aberrantes extrêmes, des tendances étranges s’écartant significativement de la linéarité) qui pourraient nous inciter à retarder la régression multiple et à examiner plus en détail d’éventuelles anomalies dans nos données.
Nous devons également souligner à ce stade qu’il existe un nombre infini de graphiques que l’on peut générer pour visualiser et explorer ses données, ainsi que de nombreuses statistiques descriptives supplémentaires via DESCRIPTIVES ou EXPLORE. Ainsi, notre bref examen des graphiques ci-dessus ne signifie pas que vous deviez vous limiter à ces analyses exploratoires. N’hésitez pas à générer autant de graphiques et de visualisations que nécessaire pour bien comprendre vos données – vous pourriez découvrir quelque chose d’inattendu (comme une valeur aberrante lointaine), ce qui pourrait inspirer une nouvelle hypothèse scientifique ou une autre découverte potentielle. Pour notre part, comme notre objectif principal est de vous montrer comment exécuter et interpréter une régression multiple dans SPSS, nous arrêtons ici notre exploration et passons directement à l’analyse de régression multiple.