2. 1. La lecture totale comme variable dépendante
Nous cherchons à mettre en évidence les variables qui prédisent les scores obtenus en lecture (quatre tâches de lecture de textes). Pour ce faire, nous introduisons plusieurs variables indépendantes: la tâche de vocabulaire du WISC-IV, la DRA, le T.L.O.C.C., l’EVMH, les contrepèteries et les compétences métalinguistiques. Dans un premier temps, nous choisissons
d’inclure les scores aux matrices de Raven comme variable contrôle. La variable contrôle est un procédé en statistique qui permet de forcer une variable à être incluse dans le modèle afin d’en contrôler les dimensions. Nous savons que le raisonnement logico-mathématique est important, mais nous voulons savoir quel est l’apport des autres variables. Une variable contrôle permet de nettoyer les données. En forçant la variable à être la première dans le modèle, on enlève la part de variance associée au raisonnement logico-mathématique. Cela permet de regarder la part de variance spécifique à chaque variable indépendante.
Tableau IV
Analyse de régression testant l’effet des différentes variables prédictives (Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques) sur la lecture, avec les matrices de Raven comme variable contrôle (N=53).
ANOVA (EVMH) explique 31,2 % de la variance en lecture ; l’ajout de la variable du vocabulaire en réception permet d’expliquer 15,5% de variance en plus.
Dans un deuxième temps, nous décidons d’effectuer une nouvelle analyse de régression, cette fois-ci sans les scores aux matrices Raven en variable contrôle. En effet, les scores aux matrices de Raven expliquent une grande part de variance en lecture. La variable dépendante est toujours la lecture (quatre tâches de lecture de textes). Les variables
indépendantes introduites sont: Vocabulaire du WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques.
Tableau V
Analyse de régression testant l’effet des différentes variables prédictives (Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, Contrepèteries, Compétences métalinguistiques) sur la lecture (N=51). statistiquement significatives. Le premier modèle significatif (F (1,49) =13,649 ; p = 0,001), avec comme variable prédictrice l’EVMH, c'est-à-dire le vocabulaire en réception, explique 20, 2 % de la variance en lecture. Le deuxième modèle significatif (F (2,48) = 11,246 ; p < 0,001), avec comme variable prédictrice l’EVMH et le T.L.O.C.C., c'est-à-dire le vocabulaire en réception et la morphosyntaxe explique 29,1 % de la variance en lecture, l’ajout de la variable morphosyntaxe permet d’expliquer environ 9 % de variance en plus.
2. 2. La fluence en lecture (Vol du PC) en variable dépendante
Parmi les quatre tâches de lecture, deux ont été traduit du néerlandais puis de l’anglais, une a été traduit de l’anglais et une était un texte en français. Nous avons remplacé la variable dépendante censée mesurer la lecture (quatre tâches de lecture de textes) par les résultats au test du Vol du PC, test valide existant dans la littérature française.
Tout d’abord, nous cherchons à mettre en évidence les variables qui prédisent les scores obtenus en fluence en lecture (Vol du PC). A cette fin, nous ajoutons plusieurs
variables indépendantes: le Vocabulaire WISC-IV, la DRA, le T.L.O.C.C., l’EVMH, les contrepèteries et les compétences métalinguistiques. Dans un premier temps, nous décidons d’inclure les scores aux matrices de Raven comme variable contrôle.
Tableau VI
Analyse de régression testant l’effet des différentes variables prédictives (Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques) sur la fluence en lecture, avec les matrices de Raven comme variable contrôle (N=53).
ANOVA prédictrice les scores aux matrices de Raven ne joue pas un rôle significatif (F (1,49) = 0,206, p = 0,652). Le modèle qui inclut la conscience phonologique (contrepèteries) et les scores aux matrices de Raven n’est pas significatif (F (2,48) = 2.261, p = 0,115).
Dans un second temps, nous voulons analyser le modèle sans la variable contrôle Raven. La variable dépendante est toujours la fluence en lecture (Vol du PC). Les variables indépendantes introduites sont: Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques.
Cette analyse de régression (Tableau VII, ci-dessous) met en évidence une variable statistiquement significative. Le modèle significatif (F (1,49)=4,6, p = 0,037) a comme variable prédictrice les contrepèteries et explique 6,7 % de la variance en lecture.
Tableau VII
Analyse de régression testant l’effet des différentes variables prédictives (Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques) sur la fluence en lecture (N=51).
Prenons à présent le score de compréhension en lecture (Vol du PC) comme variable dépendante. Nous ajoutons les mêmes variables indépendantes que précédemment:
vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques, matrices de Raven comme variable contrôle.
Tableau VIII
Analyse de régression testant l’effet des différentes variables prédictives (Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques) sur la compréhension en lecture, avec les matrices de Raven comme variable contrôle (N=53).
ANOVA
Les analyses de régression (Tableau VIII) visant à prédire le score de compréhension en lecture montrent une variance expliquée de 12 % par les résultats aux matrices de Raven (F (1,49) = 7.807, p =0,007). Le vocabulaire en réception, mesuré par l’épreuve de l’EVMH,
explique 9,8% de variance supplémentaire (F (2,48) = 7,394, p=0,002). Ces variables sont toutes deux significatives et permettent d’expliquer 20,4% de la variance.
Dans un second temps, nous voulons analyser le modèle sans la variable contrôle Raven. La variable dépendante est toujours la compréhension en lecture (Vol du PC). Les variables indépendantes introduites sont: Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques.
Tableau IX:
Analyse de régression testant l’effet des différentes variables prédictives (Vocabulaire WISC-IV, DRA, T.L.O.C.C., EVMH, contrepèteries, compétences métalinguistiques) sur la compréhension en lecture (N=51).
ANOVA
Modèle Sommes
Des carrés
Degré de liberté Moyenne des carrés F Sig.
Régression 319.19 1 319.191 7.654 0.008
Résidus 2043.348 49 41.701
1a
Total 2362.539 50
a. Prédicteur: EVMH
Sans les matrices de Raven (Tableau IX), l’analyse de régression met en évidence une variable statistiquement significative. Le modèle significatif (F (1,49) =7,654 ; p = 0,008), avec comme variable prédictrice l’EVMH, c'est-à-dire le vocabulaire en réception, explique 11,7 % de la variance en compréhension en lecture à l’épreuve du « Vol du PC ».