L’analyse CART (pour Classification and Regression Trees ou arbres de classification et de régression) constitue l’un des piliers méthodologiques de l’apprentissage statistique moderne appliqué aux sciences du comportement. En substituant aux postulats rigides de linéarité une approche non paramétrique fondée sur le partitionnement récursif, cette méthode offre une lisibilité clinique inédite pour cartographier la complexité des phénotypes psychologiques.
1. Définition concise
L’analyse CART est une méthode statistique non paramétrique d’apprentissage automatique supervisé qui segmente un échantillon d’individus de manière hiérarchique et binaire en sous-groupes de plus en plus homogènes au regard d’une variable d’intérêt clinique ou psychologique. Selon que la variable dépendante mesurée est qualitative (comme la présence d’un trouble psychiatrique) ou continue (comme le score d’intensité d’une détresse affective), le modèle génère respectivement un arbre de classification ou un arbre de régression.
Dans le paradigme des sciences psychologiques, l’analyse CART ne se limite pas à un simple algorithme prédictif ; elle représente une modalité d’exploration heuristique capable de dégager des seuils critiques (cut-off points) précis sur des échelles psychométriques et d’identifier des interactions d’ordre supérieur entre multiples déterminants biopsychosociaux. Cette démarche permet d’aboutir à une structure arborescente décisionnelle transparente, particulièrement valorisée lors de la formulation de protocoles de triage diagnostique et de décision thérapeutique personnalisée.
Contrairement aux modèles de régression multivariée conventionnels, qui imposent des hypothèses restrictives sur la distribution des résidus et postulent des effets additifs constants, la technique CART fragmente l’espace multidimensionnel des covariables en régions rectangulaires mutuellement exclusives. Chaque division successive cherche à minimiser l’hétérogénéité interne des nœuds résultants, reproduisant ainsi fidèlement le cheminement déductif et séquentiel du clinicien confronté à un tableau nosologique hétérogène.
2. Étymologie et origine linguistique
L’expression « CART » est un acronyme issu de l’anglais Classification and Regression Trees, forgé au début des années 1980 dans le creuset de la statistique computationnelle nord-américaine. En français, la terminologie officielle emploie couramment la locution « arbres de classification et de régression » ou « méthode de partitionnement récursif binaire », bien que l’abréviation anglophone originale soit presque universellement conservée dans la littérature spécialisée et les manuels de méthodologie clinique.
Sur le plan sémantique, la métaphore botanique de l’« arbre » renvoie à la théorie des graphes et aux structures arborescentes de données, caractérisées par un tronc initial qui bifurque progressivement vers des branches secondaires. Le mot « classification » dérive du latin classis (classe, division de citoyens) et facere (faire), signifiant littéralement l’acte d’ordonner des individus dans des catégories distinctes. Quant au terme « régression », introduit en biométrie par Sir Francis Galton à la fin du XIXe siècle à travers son observation de la « régression vers la moyenne », il a été réapproprié par les statisticiens pour désigner la prédiction quantitative d’une variable numérique à partir d’autres indicateurs mesurés.
3. Prononciation et forme grammaticale
Dans l’usage académique francophone, le sigle CART se prononce phonétiquement sous la forme d’un monosyllabe : /kaʁt/ (homophone du mot commun « carte »). Lorsqu’il est utilisé en tant que syntagme complet, on articule l’acronyme ou l’on explicite l’appellation sous la forme [aʁbʁ də kla.si.fi.ka.sjɔ̃ e də ʁe.ɡʁɛ.sjɔ̃].
Sur le plan grammatical, l’expression s’emploie principalement comme un nom féminin lorsqu’elle est associée au terme « analyse » (« une analyse CART ») ou masculin lorsqu’elle qualifie l’algorithme ou l’arbre (« un modèle CART », « un arbre CART »). Dans le discours savant, il est courant de rencontrer CART en position de complément du nom sans déterminant (par exemple : « la méthodologie CART », « les estimateurs CART ») ou décliné au pluriel sous sa dénomination intégrale (« les arbres CART »).
4. Explication conceptuelle détaillée
L’architecture opérationnelle d’une analyse CART repose sur le principe de partitionnement récursif binaire. Le processus s’amorce au niveau du « nœud racine » (root node), lequel englobe l’intégralité de la cohorte d’évaluation clinique. L’algorithme passe au crible chaque variable prédictive disponible — qu’il s’agisse de variables quantitatives continues (comme l’âge, des scores de dépression ou des concentrations de biomarqueurs) ou de variables qualitatives nominales et ordinales (comme le genre, le statut matrimonial ou le niveau d’exposition traumatique) — et évalue chaque point de scission (split) potentiel.
Pour déterminer la scission optimale à chaque étape, l’algorithme maximise la pureté des deux sous-nœuds (« nœuds enfants ») créés. Dans un arbre de classification, le critère d’hétérogénéité le plus classique est l’indice de Gini (ou parfois l’entropie de Shannon), qui évalue la probabilité qu’un individu sélectionné au hasard soit mal classé si son étiquetage était effectué selon la distribution des classes dans le nœud. Dans un arbre de régression, où l’objectif est d’estimer une quantité continue (par exemple, le nombre d’épisodes dissociatifs par mois), le partitionnement vise à minimiser la somme des carrés des écarts à la moyenne intra-nœud (erreur quadratique moyenne).
Cette fragmentation se poursuit de manière récursive : chaque nouveau sous-groupe est à son tour soumis à une recherche exhaustive du meilleur split binaire possible, indépendamment des embranchements parallèles. Ce fonctionnement découple totalement CART des hypothèses de symétrie : une variable prédictive critique pour les sujets présentant un niveau élevé d’anxiété peut être totalement ignorée par l’algorithme pour le sous-échantillon affichant une anxiété faible, ce qui formalise mathématiquement le concept psychologique d’interaction non linéaire locale.
Un arbre développé sans contrainte risque d’aboutir à un surapprentissage (overfitting) aigu, en mémorisant le bruit statistique de l’échantillon d’apprentissage plutôt que les lois sous-jacentes du phénomène psychopathologique étudié. Pour pallier cet écueil, la méthodologie CART formalisée par Breiman intègre une étape décisive d’élagage par coût-complexité (cost-complexity pruning). L’arbre maximal subit une troncature progressive de ses ramifications les plus marginales en pénalisant le nombre total de nœuds terminaux par un paramètre de régularisation, validé classiquement par validation croisée à k blocs (k-fold cross-validation).
5. Évolution et développement historique
Les racines intellectuelles de la modélisation arborescente remontent aux travaux pionniers de James Morgan et John Sonquist à l’Université du Michigan au début des années 1960. Ces chercheurs ont conçu en 1964 le système AID (Automatic Interaction Detection), initialement dédié à la sociologie quantitative pour repérer les interactions entre variables sociodémographiques sans imposer d’équations structurelles prédéfinies. Bien que novateur, AID souffrait d’un arrêt prématuré des scissions et d’un manque d’assise probabiliste solide pour prévenir la prolifération de sous-groupes parasites.
Au fil des années 1970, plusieurs extensions virent le jour, notamment THAID (pour les variables dépendantes catégorielles) et CHAID (Chi-square Automatic Interaction Detector, développé par Gordon V. Kass en 1980). Toutefois, l’acte de naissance officiel et la standardisation mathématique définitive de la méthode CART eurent lieu en 1984 avec la publication de l’ouvrage séminal Classification and Regression Trees par un quatuor de statisticiens d’exception : Leo Breiman, Jerome Friedman, Richard Olshen et Charles Stone. Leur monographie a résolu l’épineuse question du surapprentissage grâce à l’élagage rétroactif combiné à la validation croisée, tout en démontrant rigoureusement les propriétés asymptotiques du partitionnement binaire.
Au tournant du XXIe siècle, l’analyse CART a constitué le socle méthodologique à partir duquel de nouveaux horizons de l’apprentissage automatique ont émergé. Conscient de l’instabilité inhérente aux arbres uniques face aux légères variations d’échantillonnage, Leo Breiman a introduit le bootstrap aggregating (bagging) puis les forêts aléatoires (Random Forests) en 2001, tandis que Jerome Friedman formalisait les machines à amplification de gradient (Gradient Boosting Machines). Malgré ces évolutions vers des architectures d’ensemble (« boîtes noires »), l’arbre CART individuel demeure un outil incontournable en psychologie et en psychiatrie précisément pour sa transparence interprétative, désignée aujourd’hui sous l’appellation d’IA explicable (Explainable AI ou XAI).
6. Fondements théoriques et épistémologiques
Sur le plan épistémologique, l’analyse CART incarne la transition conceptuelle théorisée par Breiman (2001) entre « la culture des modèles de données » et « la culture des modèles algorithmiques ». Alors que la première assume a priori que les processus de la psyché humaine répondent à une équation probabiliste paramétrique définie par le chercheur (telle une régression logistique linéaire), la seconde postule que la machinerie cognitive et clinique sous-jacente est bien trop complexe et multiforme pour être contrainte dans un carcan linéaire fermé.
D’un point de vue psychométrique, CART résonne profondément avec la notion de typologie clinique et de configurationnisme. En psychopathologie différentielle, la perspective configurationnelle affirme qu’un trouble n’est pas simplement le produit arithmétique d’une addition de vulnérabilités individuelles indépendantes, mais l’émergence d’une constellation spécifique de conditions qui interagissent de manière discontinue. En autorisant des points de coupure asymétriques le long du développement des branches, CART formalise le principe d’équifinalité (différentes combinaisons de facteurs mènent à une même trajectoire symptomatique) et de multifinalité (une même variable de départ débouche sur des états cliniques divergents selon les modérateurs associés).
En outre, CART repose sur une théorie de la décision bayésienne non déclarée : à chaque bifurcation, le modèle redistribue les probabilités a posteriori d’appartenance à un groupe nosologique en fonction de l’information apportée par la variable discriminante. L’algorithme opère ainsi une traduction mathématique rigoureuse du concept de validité incrémentielle, cher à la psychométrie classique, en vérifiant si l’ajout d’une information diagnostique supplémentaire augmente significativement la résolution discriminante du profil clinique.
7. Composantes clés, typologies et dimensions
Une modélisation par arbre de décision CART s’articule autour d’éléments architecturaux précis et se décline en différentes sous-catégories fondamentales :
- Nœud racine (Root Node) : Point de départ sommital de l’arbre qui englobe 100 % de la population clinique analysée avant toute segmentation.
- Nœuds internes ou nœuds de division (Internal Nodes / Split Nodes) : Paliers décisionnels intermédiaires où s’applique une règle logique exclusive (par exemple : « Score BDI ≥ 18 » contre « Score BDI < 18 »), séparant le groupe parent en deux cohortes filles.
- Feuilles ou nœuds terminaux (Terminal Nodes / Leaves) : Compartiments finaux de l’arbre qui ne subissent plus aucune division ultérieure. Chaque feuille fournit une assignation catégorielle (dans un arbre de classification) ou une valeur moyenne prédite assortie de sa variance (dans un arbre de régression).
- Fonctions d’impureté : Formulations mathématiques déterminant la pertinence d’un split. Pour les variables catégorielles, on utilise la déviance, l’impureté de Gini ou l’entropie de Shannon ; pour les variables continues, on recourt à la réduction de variance (somme des carrés des erreurs).
- Mécanisme de traitement des valeurs manquantes (Surrogate Splits) : Innovation technique propre à CART où des variables de substitution, fortement corrélées avec la variable principale sélectionnée au split, permettent d’aiguiller un patient même si une de ses données est manquante.
- Arbres de classification : Typologie dédiée aux variables à prédire nominales ou dichotomiques (diagnostic présent/absent, réponse au traitement vs non-réponse, abandon thérapeutique vs rémission).
- Arbres de régression : Typologie conçue pour les issues continues (durée de séjour en institution psychiatrique, score d’ajustement psychosocial, niveau d’anxiété état sur l’inventaire STAI).
8. Exemples concrets et cas illustratifs
Considérons une première illustration clinique portant sur l’évaluation du risque de passage à l’acte suicidaire chez des patients admis aux urgences psychiatriques. Les variables renseignées comprennent l’intensité des idées suicidaires (C-SSRS), la sévérité du désespoir (échelle de Beck), l’impulsivité trait (BIS-11), les antécédents familiaux de suicide et le degré de soutien social perçu.
Dans cette configuration, l’analyse CART peut identifier comme premier séparateur au nœud racine un score au désespoir de Beck supérieur à 14. Pour le sous-groupe des patients situés au-dessus de ce seuil critique, la variable la plus discriminante devient ensuite l’impulsivité motrice (score BIS-11 > 22), orientant ces individus vers une feuille terminale à très haut risque (probabilité d’agir à 30 jours de 78 %). En revanche, pour les patients affichant un score de désespoir inférieur à 14, l’impulsivité n’apparaît plus dans l’arborescence : la bifurcation subséquente s’effectue sur la présence ou l’absence d’un étayage relationnel immédiat. Cette asymétrie illustre parfaitement la capacité de CART à modéliser la dépendance contextuelle des facteurs de vulnérabilité.
Une seconde application typique concerne le diagnostic différentiel entre le trouble de stress post-traumatique (TSPT) complexe et le trouble de la personnalité limite (borderline), dont les manifestations d’instabilité affective et de dysrégulation comportementale se chevauchent fréquemment. En appliquant CART sur une batterie d’items issus de l’ITQ (International Trauma Questionnaire) et du DERS (Difficulties in Emotion Regulation Scale), l’algorithme met en lumière un enchaînement parcimonieux de deux seuils : une perturbation persistante de l’image de soi couplée à une réactivité interpersonnelle défensive isole de manière robuste le profil borderline, tandis que la reviviscence intrusive associée à l’évitement comportemental aiguille sans ambiguïté vers le TSPT complexe.
9. Mesure, évaluation et paramètres diagnostiques
La performance diagnostique et clinique d’un modèle CART est jaugée au moyen de métriques statistiques adaptées à sa nature dichotomique ou continue. Pour un arbre de classification, l’outil fondamental est la matrice de confusion, à partir de laquelle sont dérivés les indices classiques d’efficacité médicale : la sensibilité (capacité à détecter les vrais cas positifs), la spécificité (capacité à exclure les vrais négatifs), la valeur prédictive positive (VPP) et la valeur prédictive négative (VPN).
En psychopathologie computationnelle, l’équilibre entre sensibilité et spécificité est usuellement quantifié par l’aire sous la courbe caractéristique d’efficacité du récepteur (courbe AUC-ROC). Un modèle CART affichant une AUC supérieure à 0,80 est généralement considéré comme cliniquement performant. Le statisticien scrute également le coefficient Kappa de Cohen pour s’assurer que l’accord entre le diagnostic observé et le diagnostic assigné par l’arbre dépasse largement le niveau imputable au simple hasard.
L’optimisation mathématique du modèle implique l’évaluation rigoureuse de la complexité de l’arbre via le paramètre de pénalité α (alpha). Durant la validation croisée, on trace la courbe de l’erreur d’estimation relative en fonction de la taille de l’arbre. Le choix standard repose sur la « règle du 1-SE » (one standard error rule) formulée par Breiman : on sélectionne l’arbre le plus petit et le plus simple dont l’erreur de prédiction ne s’écarte pas de plus d’une erreur standard du minimum absolu observé. Cette heuristique assure une parcimonie maximale, protégeant le clinicien contre des modèles hypertrophiés impossibles à retenir dans la pratique quotidienne.
10. Applications cliniques et portée pratique
L’attrait majeur de l’analyse CART dans les champs appliqués de la santé mentale réside dans sa translativité directe vers des algorithmes de triage et des guides d’intervention pragmatiques. En contexte hospitalier ou d’urgence psychiatrique, les praticiens ne disposent ni du temps ni des outils logiciels requis pour injecter les variables d’un patient dans une fonction logistique complexe. Un arbre CART produit une séquence de questions fermées (« oui / non ») directement transcrivable sous forme de logigramme visuel imprimable au chevet du malade.
En psychothérapie comportementale et cognitive (TCC), les arbres de régression facilitent l’identification en début de prise en charge des prédicteurs d’observance et de réponse thérapeutique. En intégrant des indicateurs de motivation au changement, d’alliance thérapeutique précoce et de sévérité initiale, CART permet d’isoler en amont les profils à risque d’abandon prématuré (drop-out), incitant le thérapeute à adapter immédiatement le cadre du protocole.
Dans le domaine de la neuropsychologie clinique et du vieillissement, l’analyse CART est intensément exploitée pour le dépistage précoce des troubles neurocognitifs majeurs (maladie d’Alzheimer, démence fronto-temporale). En segmentant des cohortes de sujets présentant un déclin cognitif subjectif à l’aide de scores mnésiques, de tests d’attention et de marqueurs d’imagerie, les arbres délimitent avec précision les profils combinés nécessitant une exploration par biomarqueurs invasifs (ponction lombaire) versus ceux pouvant faire l’objet d’un suivi longitudinal simple.
11. Recherches et preuves empiriques
Une vaste littérature empirique confirme la puissance exploratoire et discriminante de l’analyse CART en psychiatrie et en psychologie de la santé. Des travaux pivots menés par Robert Gibbons et ses collaborateurs (2008, 2012) ont employé le partitionnement récursif pour révolutionner les tests adaptatifs informatisés en psychopathologie, démontrant qu’un arbre décisionnel dynamique permettait de réduire de 80 % le nombre de questions nécessaires pour évaluer avec une précision identique la gravité d’un épisode dépressif majeur par rapport aux inventaires statiques traditionnels.
Dans le champ de l’addictologie, les études pionnières de Walton et al. ont mobilisé CART pour analyser les déterminants de la rechute alcoolique post-sevrage. Les résultats ont révélé que la combinaison séquentielle d’un score élevé d’affects négatifs en situation sociale et d’un faible sentiment d’auto-efficacité constituait le profil le plus vulnérable, surclassant largement les modèles prédictifs linéaires globaux fondés sur la consommation moyenne antérieure.
De même, les investigations de Kraemer et al. (2002) dans les Archives of General Psychiatry ont théorisé l’usage des arbres CART pour l’analyse systématique des modérateurs et médiateurs dans les essais cliniques randomisés en santé mentale. Leurs démonstrations soulignent que CART identifie spontanément quels sous-groupes de patients répondent de manière préférentielle à une molécule pharmacologique ou à une psychothérapie ciblée, posant ainsi les bases méthodologiques de la psychiatrie de précision contemporaine.
12. Considérations culturelles et transcuturelles
L’utilisation de l’analyse CART dans des contextes transculturels requiert une vigilance méthodologique et épistémologique accrue. Dans la mesure où CART dérive ses seuils de coupure et ses règles décisionnelles à partir de la distribution empirique des données d’un échantillon donné, les arbres calibrés dans un environnement socio-culturel spécifique (par exemple, des populations nord-américaines de classe moyenne) ne sont que rarement transposables tels quels à des populations issues des pays du Sud global ou de minorités ethnolinguistiques.
L’expression de la détresse psychologique varie considérablement d’une culture à l’autre, notamment à travers des phénomènes d’idiomes de détresse et de somatisation. Dans une culture où la dépression se manifeste principalement par des plaintes corporelles (fatigue chronique, céphalées, tensions musculo-squelettiques) plutôt que par un sentiment d’auto-dépréciation verbale, un arbre CART élaboré sur des critères purement cognitifs risque de positionner indûment ces patients dans des branches de sévérité basse ou de générer des faux négatifs préjudiciables.
Par conséquent, l’évaluation transculturelle par CART impose une vérification rigoureuse de l’invariance de mesure des instruments sous-jacents et nécessite impérativement un réétalonnage ou une validation croisée externe sur les populations cibles locales. L’arbre décisionnel ne doit jamais être réifié comme une vérité universelle immuable, mais interprété comme le reflet des interactions écologiques propres au groupe d’apprentissage d’origine.
13. Critiques, controverses et limites méthodologiques
En dépit de son élégance clinique et de sa polyvalence mathématique, l’analyse CART est confrontée à des limitations substantielles qui ont suscité d’abondants débats académiques. La critique technique la plus saillante concerne son instabilité intrinsèque (forte variance d’échantillonnage). En raison de sa structure hiérarchique séquentielle, une infime variation dans le jeu de données initial (comme le retrait ou l’ajout de quelques individus) peut modifier la variable sélectionnée au nœud racine et altérer radicalement l’architecture entière des sous-branches suivantes, même si la performance prédictive globale reste similaire.
Une autre limite réside dans la nature même de son mécanisme de partitionnement binaire récursif, qui procède selon un algorithme glouton (greedy algorithm). À chaque étape, l’algorithme sélectionne la meilleure séparation immédiate sans anticiper les divisions futures. Il est dès lors tout à fait possible qu’une scission initialement sous-optimale au niveau local eût permis d’atteindre un arbre globalement bien plus performant ultérieurement, un chemin que CART est structurellement incapable d’explorer.
De surcroît, le traitement des variables quantitatives continues par découpage binaire net est parfois dénoncé par les psychométriciens puristes. Segmenter une variable d’anxiété continue en un seuil strict (par exemple, score ≥ 42 versus < 42) revient à considérer artificiellement que deux individus ayant obtenu 41 et 42 appartiennent à des catégories qualitatives radicalement différentes, tout en assimilant indifféremment un sujet scorant à 42 avec un autre scorant à 60. Cette perte d’information intra-groupe peut réduire la sensibilité statistique par rapport à des modèles additifs généralisés.
14. Termes associés et distinctions conceptuelles
Il est indispensable de distinguer précisément l’analyse CART d’autres techniques computationnelles et statistiques connexes utilisées en sciences comportementales :
- Forêt aléatoire (Random Forest) : Alors que CART construit un unique arbre de décision hautement interprétable, la forêt aléatoire agrège des centaines d’arbres générés sur des sous-échantillons bootstrap avec sélection aléatoire de prédicteurs. La forêt aléatoire est statistiquement plus robuste et performante, mais perd toute lisibilité visuelle immédiate (« boîte noire »).
- Régression logistique multivariée : Modèle paramétrique prédisant une probabilité d’événement via une fonction sigmoïde linéaire additive. Contrairement à CART, la régression logistique requiert la spécification manuelle et préalable des termes d’interaction et gère mal la colinéarité massive ou les distributions hautement asymétriques.
- CHAID (Chi-square Automatic Interaction Detector) : Algorithme précurseur qui segmente les données en embranchements multiples (non strictement binaires) en s’appuyant sur des tests d’indépendance du Chi-deux. CHAID travaille exclusivement sur des prédicteurs catégorisés et ne possède pas le système d’élagage par coût-complexité perfectionné de CART.
- Arbres d’inférence conditionnelle (ctree / conditional inference trees) : Variante développée par Hothorn et ses collègues pour corriger le biais de CART en faveur des variables prédictives possédant de nombreuses modalités ou une forte dispersion continue. ctree disjoint la sélection de la variable discriminante (via des tests de permutation non paramétriques) de l’estimation de son point de coupure.
- ID3, C4.5 et C5.0 : Famille d’algorithmes d’arbres décisionnels développés par Ross Quinlan dans la communauté informatique. Bien que similaires à CART dans leurs objectifs, ils utilisent principalement l’entropie et le gain d’information, traitent traditionnellement moins bien la régression continue et divergent sur les modalités mathématiques d’élagage.
15. Résumé et points clés à retenir
L’analyse CART (Classification and Regression Trees) s’impose comme un outil méthodologique cardinal à l’intersection de la psychométrie, de la modélisation statistique et de la psychologie clinique fondée sur les preuves. Ses atouts fondamentaux et ses exigences méthodologiques peuvent être synthétisés ainsi :
- Partitionnement binaire récursif : Elle divise de manière successive et hiérarchique un ensemble de patients en sous-groupes homogènes au regard d’une variable clinique catégorielle ou numérique.
- Affranchissement des contraintes de linéarité : CART ne formule aucune hypothèse distributionnelle contraignante et met au jour spontanément des interactions d’ordre supérieur entre facteurs cognitifs, affectifs et biologiques.
- Transparence et utilité diagnostique : La structure résultante sous forme d’arbre de décision reproduit fidèlement la démarche clinique et se convertit aisément en algorithmes d’orientation pragmatiques pour les services de soins.
- Régularisation par élagage : L’élagage coût-complexité guidé par validation croisée protège le modèle contre le surapprentissage et garantit une parcimonie optimale des règles retenues.
- Précautions interprétatives : En raison de son instabilité d’échantillonnage et de sa sensibilité aux distributions locales, un arbre CART doit impérativement faire l’objet de réplications rigoureuses et d’une validation externe avant toute intégration normative dans les politiques de santé mentale.
Références
- Breiman, L. (2001). Statistical modeling: The two cultures (with comments and a rejoinder by the author). Statistical Science, 16(3), 199–231. https://doi.org/10.1214/ss/1009213726
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Chapman and Hall/CRC. https://doi.org/10.1201/9781315139470
- Gibbons, R. D., Weiss, D. J., Kupfer, D. J., Frank, E., Fagiolini, A., Grochocinski, V. J., Bhaumik, D. K., Stover, A., Bock, R. D., & Immekus, J. C. (2008). Using computerized adaptive testing to reduce the burden of mental health assessment. Psychiatric Services, 59(4), 361–368. https://doi.org/10.1176/ps.2008.59.4.361
- Kraemer, H. C., Wilson, G. T., Fairburn, C. G., & Agras, W. S. (2002). Mediators and moderators of treatment effects in randomized clinical trials. Archives of General Psychiatry, 59(10), 877–883. https://doi.org/10.1001/archpsyc.59.10.877
- Lemon, S. C., Roy, J., Clark, M. A., Friedmann, P. D., & Rakowski, W. (2003). Classification and regression tree analysis in public health: Methodological review and comparison with logistic regression. Annals of Behavioral Medicine, 26(3), 172–181. https://doi.org/10.1207/S15324796ABM2603_02