BIC : L’art de la sélection de modèles statistiques

Dans le champ foisonnant de la psychologie quantitative et de la recherche en sciences cognitives, la modélisation mathématique constitue un pont indispensable entre les théories abstraites de l’esprit et la réalité complexe des données empiriques. Toutefois, les chercheurs sont constamment confrontés au dilemme fondamental de la parcimonie scientifique : comment déterminer si un modèle statistique plus élaboré capture une véritable dynamique psychologique sous-jacente ou s’il se contente de surajuster le bruit inhérent à l’échantillon ? C’est précisément pour répondre à cette question d’arbitrage que le critère d’information bayésien (couramment désigné par son acronyme anglophone BIC pour Bayesian Information Criterion, ou critère de Schwarz) s’est imposé comme l’un des indices d’adéquation et de sélection de modèles les plus rigoureux et universellement employés.

Critère d’information bayésien (BIC)

1. Définition concise

Le critère d’information bayésien est un indice statistique d’évaluation comparative de modèles fondé sur la théorie de la décision et l’inférence bayésienne. Il permet d’estimer l’adéquation globale d’un modèle statistique aux données observées tout en appliquant une pénalité rigoureuse proportionnelle au nombre de paramètres libres estimés et au logarithme de la taille de l’échantillon. Dans une collection de modèles concurrents ajustés sur les mêmes données, le modèle présentant la valeur de BIC la plus faible est réputé être le plus parcimonieux et le plus susceptible de représenter le mécanisme générateur sous-jacent.

Formellement, pour un modèle statistique donné reposant sur un échantillon de taille $n$ et comportant $k$ paramètres libres, le critère d’information bayésien s’exprime par l’équation canonique :

BIC = -2 ln(L̂) + k ln(n)

Dans cette expression, L̂ représente la valeur maximale de la fonction de vraisemblance associée au modèle (c’est-à-dire la vraisemblance évaluée au maximum de vraisemblance des paramètres estimés), tandis que le terme k ln(n) constitue la pénalité de complexité dimensionnelle. Contrairement aux indices descriptifs d’ajustement traditionnels, le BIC n’évalue pas un modèle de façon isolée selon un seuil absolu universel, mais sert d’instrument de comparaison relative entre plusieurs structures théoriques rivales.

2. Étymologie et origine linguistique

L’appellation « critère d’information bayésien » dérive directement de la formulation anglophone Bayesian Information Criterion. Le terme « bayésien » rend hommage au mathématicien et théologien presbytérien britannique Thomas Bayes (1701-1761), dont les travaux pionniers sur les probabilités inverses ont jeté les fondations du raisonnement probabiliste conditionnel actualisé par l’observation des faits empiriques.

Le terme « information » fait écho à la théorie de l’information développée par Claude Shannon et aux développements ultérieurs de la statistique mathématique mesurant l’incertitude et la divergence entre distributions de probabilité. L’adjonction du mot « critère » (du grec ancien kritērion, signifiant « instrument pour juger » ou « règle de décision ») souligne sa fonction opérationnelle d’arbitrage objectif. Le critère est également fréquemment dénommé « critère de Schwarz » (souvent noté SBC pour Schwarz’s Bayesian Criterion) dans la littérature méthodologique spécialisée, en référence directe au mathématicien Gideon Schwarz qui en a établi la dérivation théorique formelle en 1978.

3. Prononciation et forme grammaticale

Sur le plan grammatical, l’expression « critère d’information bayésien » est un syntagme nominal masculin singulier (au pluriel : critères d’information bayésiens). Dans le discours académique francophone, l’acronyme BIC est majoritairement employé comme un nom commun masculin singulier (« le BIC »), prononcé phonétiquement sous la forme d’un mot unique [bik], bien que certains chercheurs l’épellent parfois lettre par lettre ([be-i-se]).

Dans les rapports de recherche psychométrique et les publications scientifiques de langue française, le terme s’intègre généralement dans des locutions méthodologiques standardisées telles que « la minimisation du BIC », « la différence de BIC (notée ΔBIC) » ou « la comparaison de profils latents guidée par le critère de Schwarz ». Lorsqu’il est utilisé comme qualificatif ou dans des structures comparatives, on veille à accorder les adjectifs associés au masculin singulier (par exemple : « un critère d’information bayésien ajusté »).

4. Explication conceptuelle détaillée

Pour appréhender la portée conceptuelle du BIC dans l’investigation psychologique, il convient d’examiner le problème épistémologique du compromis entre ajustement et parcimonie (connu sous le nom de compromis biais-variance). En psychologie empirique, il est presque toujours possible d’améliorer l’adéquation apparente d’un modèle statistique en y ajoutant des variables explicatives, des covariances d’erreurs ou des dimensions latentes supplémentaires. Cependant, cette amélioration de la vraisemblance empirique se fait souvent au détriment de la validité scientifique : le modèle commence à modéliser les fluctuations aléatoires singulières de l’échantillon plutôt que la structure psychologique invariante de la population. Ce phénomène, appelé surapprentissage (ou overfitting), aboutit à des théories artificiellement complexes et impossibles à répliquer.

Le BIC résout cette tension fondamentale en intégrant deux forces opposées au sein d’une métrique unique. La première composante, -2 ln(L̂), mesure la déviance globale du modèle : plus le modèle s’ajuste fidèlement aux données observées, plus la vraisemblance L̂ est élevée, et plus cette valeur négative diminue. La seconde composante, k ln(n), agit comme un principe régulateur strict qui pénalise mathématiquement chaque paramètre additionnel. Ce principe incarne le célèbre principe méthodologique du rasoir d’Ockham, selon lequel les explications les plus simples doivent être privilégiées tant qu’elles suffisent à rendre compte des phénomènes observés.

La particularité distinctive du BIC réside dans la modulation de sa pénalité par la taille de l’échantillon via la fonction logarithmique ln(n). Dès lors que l’échantillon dépasse sept observations (car ln(8) ≈ 2,079, ce qui excède la pénalité fixe de 2 adoptée par le critère d’Akaike), le BIC applique une pénalité par paramètre substantiellement plus sévère que les critères concurrents. Cette sévérité accrue reflète la posture bayésienne selon laquelle, à mesure que le nombre d’observations augmente, des effets mineurs et sans portée théorique réelle peuvent atteindre une significativité statistique factice si la complexité n’est pas fermement contenue.

Un autre pilier conceptuel du BIC est sa propriété de consistance asymptotique. En termes statistiques, un critère de sélection est qualifié de consistant si, lorsque la taille de l’échantillon tend vers l’infini, la probabilité de sélectionner le modèle exactement correct parmi un ensemble fermé de modèles candidats converge vers 1 (sous l’hypothèse théorique que le véritable modèle générateur se trouve dans cet ensemble). Cette caractéristique distingue nettement le BIC d’approches orientées vers la prédiction pure et en fait l’outil d’élection pour les chercheurs en psychologie soucieux d’identifier la véritable architecture causale ou dimensionnelle de leurs construits.

5. Développement historique

Le développement formel du critère d’information bayésien s’inscrit dans l’effervescence méthodologique des années 1970, marquée par l’émergence des ordinateurs dans le traitement statistique et la recherche de procédures automatisées de sélection de variables. En 1974, le statisticien japonais Hirotugu Akaike avait révolutionné le domaine en publiant son célèbre critère d’information (Akaike Information Criterion, AIC), fondé sur la minimisation de la divergence de Kullback-Leibler. Cependant, de nombreux théoriciens de l’école bayésienne reprochaient à l’AIC son absence de consistance asymptotique et sa tendance marquée à préférer des modèles trop complexes lorsque les échantillons devenaient volumineux.

C’est en 1978 que Gideon Schwarz, alors professeur à l’Université hébraïque de Jérusalem, publie dans les prestigieuses Annals of Statistics un article concis de seulement trois pages intitulé « Estimating the Dimension of a Model ». Dans ce travail séminal, Schwarz démontre qu’en adoptant une approche asymptotique de l’intégrale bayésienne régissant la vraisemblance marginale d’un modèle, la distribution a posteriori des modèles candidats converge vers une formule analytique remarquablement simple qui ne dépend pas des distributions a priori spécifiques attribuées aux paramètres, à condition que ces a priori soient suffisamment réguliers et non informatifs.

Au cours des années 1980 et 1990, l’adoption du BIC dans les sciences humaines et sociales s’est accélérée de manière spectaculaire, notamment sous l’impulsion du statisticien Adrian Raftery. Dans un article programmatique de 1995 publié dans Sociological Methodology, Raftery a fourni des lignes directrices pragmatiques pour interpréter les écarts de BIC et a démontré que la différence entre les BIC de deux modèles correspondait approximativement au double du logarithme du facteur de Bayes. Cette passerelle opérationnelle a démocratisé l’utilisation du BIC dans les sciences psychologiques, le transformant d’une curiosité théorique en un standard incontournable de la recherche appliquée.

6. Fondements théoriques

Pour comprendre la robustesse du BIC, il est nécessaire d’examiner ses fondements mathématiques ancrés dans l’approximation de Laplace de la vraisemblance marginale bayésienne. Dans le cadre de l’inférence bayésienne complète, la probabilité a posteriori d’un modèle M étant donné des données D est formulée par le théorème de Bayes :

P(M|D) ∝ P(M) ∫ P(D|θ, M) P(θ|M) dθ

Ici, θ représente le vecteur de paramètres du modèle, P(θ|M) la loi a priori sur ces paramètres, et P(D|θ, M) la fonction de vraisemblance. L’évaluation de cette intégrale multidimensionnelle s’avère fréquemment intractable sur le plan analytique dans les modèles psychologiques complexes comportant de nombreuses variables latentes ou des structures hiérarchiques.

Schwarz a mobilisé le développement en série de Taylor au second ordre autour de l’estimateur du maximum de vraisemblance (méthode de Laplace). Lorsque la taille de l’échantillon n croît de façon substantielle, l’information apportée par les données submerge progressivement l’information contenue dans la distribution a priori P(θ|M). L’intégrale de vraisemblance marginale peut alors être approximée asymptotiquement par l’expression logarithmique suivante :

ln P(D|M) ≈ ln P(D|θ̂, M) – (k / 2) ln(n) + O(1)

En multipliant cette expression par -2 selon la convention traditionnelle de la déviance statistique (afin de calquer l’échelle sur celle du test du rapport de vraisemblance et du khi-deux), on élimine les fractions et l’on obtient directement l’équation du BIC. Le terme d’erreur O(1) demeure borné quand n tend vers l’infini sous l’hypothèse dite d’une « loi a priori à information unitaire » (unit information prior), qui correspond conceptuellement à une distribution a priori apportant la même quantité d’information qu’une seule observation moyenne de l’échantillon.

7. Composantes clés, types et dimensions

L’utilisation éclairée du critère d’information bayésien en psychométrie requiert une décomposition méticuleuse de ses éléments structurels ainsi que la compréhension de ses variantes spécialisées développées pour surmonter certaines limitations contextuelles :

• La déviance (-2 ln L̂) : Composante empirique du critère qui reflète l’écart entre les prédictions du modèle et les observations réelles. Dans le cas de variables normales multivariées, cette composante est directement liée à la somme pondérée des résidus au carré et aux matrices de variance-covariance reproduites.
• La pénalité paramétrique (k) : Représente le nombre effectif de paramètres libres estimés dans le système d’équations (coefficients de régression, variances résiduelles, covariances factorielles, seuils de réponse des items). Chaque degré de liberté consommé alourdit le coût global du modèle.
• L’ajustement à l’échelle de l’échantillon (ln n) : Terme régulateur qui intensifie le poids de la pénalité au fur et à mesure que la puissance statistique grandit, empêchant la validation artificielle de micro-paramètres sans signification théorique.
• Le BIC ajusté pour la taille d’échantillon (SABIC ou aBIC) : Proposé initialement par Stanley Sclove en 1987, le SABIC remplace n par une taille d’échantillon effective corrigée n* = (n + 2) / 24. Cette variante est largement plébiscitée dans les analyses de mélanges finis et de profils latents, car elle modère la pénalisation excessivement agressive du BIC classique dans les échantillons de taille petite à modérée.
• Le BIC à information manquante : Adaptation méthodologique utilisée lors du recours aux estimateurs à information complète (FIML, pour Full Information Maximum Likelihood), où la comptabilisation exacte de n nécessite des ajustements en présence de schémas de données incomplètes au niveau des participants ou des items.

8. Exemples et cas illustratifs

Pour illustrer la mise en œuvre concrète du BIC dans la recherche contemporaine, considérons trois contextes méthodologiques prototypiques en psychologie.

Exemple 1 : L’analyse de profils latents (LPA) sur l’épuisement professionnel. Une équipe de psychologie du travail évalue l’épuisement chez 1 200 infirmiers à l’aide d’échelles de fatigue émotionnelle, de dépersonnalisation et de réduction du sentiment d’accomplissement personnel. Les chercheurs estiment successivement des modèles allant de 1 à 6 profils latents. Le modèle à 3 profils affiche un BIC de 14 520, le modèle à 4 profils atteint un BIC de 14 310 (soit un ΔBIC de 210 en faveur du modèle à 4 profils), tandis que le modèle à 5 profils présente un BIC de 14 380. Bien que la vraisemblance brute continue d’augmenter légèrement pour 5 profils, la pénalité logarithmique du BIC inflige un coût supérieur aux gains d’ajustement. L’analyse conclut rigoureusement à la supériorité empirique de la solution à 4 profils.

Exemple 2 : Sélection entre structures factorielles concurrentes dans un inventaire de personnalité. Lors de la validation francophone d’une échelle mesurant l’anhédonie sociale et physique, les cliniciens hésitent entre une structure unidimensionnelle classique (tous les items chargent sur un unique facteur général), un modèle corrélé à deux facteurs (anhédonie physique versus anhédonie sociale), et un modèle bifactoriel (un facteur global d’anhédonie associé à deux facteurs spécifiques résiduels). Le modèle bifactoriel requiert l’estimation de nombreuses saturations croisées additionnelles. L’examen des résultats montre que le modèle à deux facteurs corrélés obtient un BIC de 8 940 contre 9 120 pour le modèle unidimensionnel et 9 015 pour le modèle bifactoriel. Le BIC identifie ainsi que la complexité paramétrique du modèle bifactoriel ne compense pas suffisamment son gain d’adéquation, confirmant la structure parcimonieuse à deux dimensions corrélées.

Exemple 3 : Modélisation des processus cognitifs de décision (modèle de diffusion de drift). Dans une tâche de temps de réaction de choix informatisée administrée à des patients souffrant de trouble déficitaire de l’attention avec hyperactivité (TDAH), un chercheur en neurosciences cognitives compare un modèle computationnel où seule la vitesse d’accumulation de l’information (le drift rate) varie entre les blocs de tâche, et un modèle plus complexe où le seuil de décision (l’écartement des frontières de réponse) varie simultanément. La comparaison des BIC attribue un avantage marqué (ΔBIC = 34) au modèle contraignant les frontières de décision à la constance. Cela permet d’affirmer que les déficits observés relèvent spécifiquement de l’efficience du traitement perceptif et non d’une fluctuation de la prudence stratégique face aux réponses.

9. Mesure et évaluation psychométrique

Contrairement aux indices d’adéquation absolue tels que le RMSEA (Root Mean Square Error of Approximation) ou le SRMR, pour lesquels il existe des seuils conventionnels stricts (ex. RMSEA < 0,05), la valeur brute du BIC n’a aucune signification intrinsèque isolée : elle dépend directement de la métrique des variables observées et du volume total des données. L’évaluation repose entièrement sur la métrique relative du ΔBIC, calculé comme la différence entre le BIC d’un modèle d’intérêt et celui du modèle le plus performant de l’ensemble comparé :

ΔBIC = BIC_modèle – BIC_optimal

Pour formaliser l’interprétation de ces différences en psychologie et en sciences sociales, la grille d’évaluation heuristique formalisée par Kass et Raftery (1995) s’est imposée comme la référence institutionnelle :

• ΔBIC compris entre 0 et 2 : Preuve négligeable ou à peine digne de mention en faveur du modèle ayant le BIC inférieur. Les deux modèles peuvent être considérés comme statistiquement équivalents sur le plan de la parcimonie.
• ΔBIC compris entre 2 et 6 : Preuve positive et substantielle. Le modèle avec le BIC le plus bas commence à se détacher nettement sur le plan probabiliste.
• ΔBIC compris entre 6 et 10 : Preuve forte en faveur du modèle privilégié. Il existe un désaccord manifeste quant à l’adéquation relative du modèle concurrent.
• ΔBIC supérieur à 10 : Preuve décisive. Le modèle concurrent le moins bien classé présente une probabilité a posteriori quasi nulle d’être le meilleur modèle au sein de l’espace des modèles testés.

De surcroît, le BIC autorise le calcul des poids a posteriori de Schwarz (ou Schwarz weights), qui transforment les valeurs de BIC de tous les modèles candidats en une distribution de probabilités conditionnelles sommant à 1. Ces poids offrent aux psychologues une quantification probabiliste directe de la certitude associée au choix de chaque modèle théorique envisagé.

10. Applications et portée pratique

L’impact pratique du critère d’information bayésien s’étend aujourd’hui à l’ensemble des ramifications méthodologiques de la discipline psychologique contemporaine :

En psychométrie et modélisation par équations structurelles (SEM), le BIC sert à trancher les débats architecturaux sur la composition des tests standardisés, notamment dans le cadre des analyses factorielles confirmatoires (AFC). Il permet de juger si l’ajout de saturations croisées ou de corrélations de résidus découle d’une nécessité psychométrique authentique ou d’une capitalisation opportuniste sur la variance d’échantillonnage.

Dans le domaine des modèles de mélanges finis et de classes latentes (LCA/LPA), le BIC constitue le gold standard pour déterminer l’hétérogénéité non observée au sein des cohortes cliniques. Il guide de manière décisive l’identification empirique de sous-types de pathologies (par exemple, identifier des profils phénotypiques distincts chez des individus diagnostiqués d’un trouble du spectre de l’autisme ou d’une dépression majeure résistante).

En psychologie du développement et études longitudinales, le BIC est central dans la modélisation de trajectoires latentes (Latent Growth Curve Modeling) et les modèles de mélanges de trajectoires (Growth Mixture Modeling). Il permet de déterminer scientifiquement si les changements cognitifs ou affectifs au fil des années suivent une pente linéaire universelle, des accélérations quadratiques spécifiques ou s’ils se segmentent en sous-groupes de trajectoires développementales hétérogènes.

11. Recherche et données empiriques

L’efficacité comparative du BIC a fait l’objet de centaines d’études de simulation computationnelle par la méthode de Monte-Carlo au cours des deux dernières décennies. L’un des travaux les plus influents menés par Karen Nylund, Tihomir Asparouhov et Bengt Muthén en 2007 a exploré la capacité de divers critères statistiques à détecter le nombre exact de classes dans les modèles de mélanges en psychométrie. Leurs résultats ont démontré de façon probante que le BIC traditionnel, et plus encore sa version ajustée (SABIC), surpassait systématiquement l’AIC, lequel démontrait une propension délétère à surestimer le nombre de classes latentes réelles.

Cependant, les travaux méthodologiques de Mark Vrieze (2012) ont mis en lumière une dichotomie fondamentale dans la performance empirique des critères d’information en psychologie. Lorsque le modèle qui a véritablement généré les données fait partie des modèles évalués et que la structure est relativement simple, le BIC identifie le vrai modèle avec une précision chirurgicale dès que la taille d’échantillon devient suffisante. En revanche, dans les situations où la réalité psychologique est d’une complexité infinie et où tous les modèles candidats ne représentent que de modestes approximations simplificatrices de la dynamique cérébrale ou comportementale, les critères fondés sur la théorie de l’information prédictive (comme l’AIC) sélectionnent parfois des représentations offrant une meilleure validité prédictive croisée.

12. Considérations culturelles et transculturelles

Dans la recherche interculturelle contemporaine, le BIC joue un rôle de plus en plus éminent lors de l’évaluation de l’invariance de mesure (ou équivalence de mesure) à travers des populations de langues, de traditions ou de pays distincts. Pour s’assurer qu’un questionnaire psychométrique mesure exactement le même construit théorique d’un groupe culturel à l’autre, les chercheurs testent des modèles emboîtés d’invariance configurale, métrique, scalaire et stricte.

Toutefois, l’application du BIC en contexte transculturel soulève des défis analytiques singuliers en rapport avec la structure de sa pénalité k ln(n) :

• L’asymétrie des tailles d’échantillons nationaux : Lorsqu’une étude internationale compare un échantillon très large issu d’un pays occidental développé (par exemple, n = 3 000 aux États-Unis) à un échantillon plus restreint issu d’une population sous-représentée (par exemple, n = 200 dans une société traditionnelle non occidentale), le BIC applique une sévérité disproportionnée d’un pays à l’autre si des modèles non contraints sont examinés séparément, ce qui complique l’isolement du biais culturel réel par rapport au biais purement statistique.
• La sensibilité aux contraintes d’invariance multigroupes : Dans les analyses factorielles confirmatoires multigroupes, l’introduction progressive de contraintes d’égalité (égaliser les saturations factorielles et les seuils d’items d’une culture à l’autre) réduit le nombre total de paramètres libres k dans le modèle global. Dans ce cas spécifique, le BIC a tendance à favoriser vigoureusement les modèles contraints en raison de l’allègement substantiel de la pénalité sur de grands échantillons combinés, masquant parfois des non-invariances partielles d’items qui nécessiteraient une adaptation linguistique ou anthropologique attentive.

13. Critiques, débats et limites

En dépit de son omniprésence dans la pratique de la modélisation psychologique, le BIC fait l’objet de plusieurs débats statistiques et controverses épistémologiques persistants :

L’hypothèse du « modèle vrai » : Le fondement philosophique de la consistance asymptotique du BIC repose sur le postulat qu’un modèle « exactement vrai » existe et figure dans l’ensemble des candidats considérés. Or, comme le rappelait le statisticien George Box par son aphorisme célèbre, « tous les modèles sont faux, mais certains sont utiles ». En psychologie cognitive ou clinique, aucun modèle factoriel ou de réseau ne reproduit intégralement la complexité neurobiologique et phénoménologique de l’esprit humain. Certains méthodologistes soutiennent ainsi que pénaliser aussi durement la complexité au motif de traquer un prétendu modèle vrai est une posture mal adaptée aux sciences humaines.

L’ambiguïté de la définition de « n » dans les modèles hiérarchiques et longitudinaux : Dans les modèles multiniveaux fréquents en psychologie de l’éducation (par exemple, des élèves emboîtés dans des classes, elles-mêmes emboîtées dans des établissements scolaires) ou dans les designs de mesure répétée en écologie comportementale (Ecological Momentary Assessment), la question de savoir ce qui constitue la véritable taille d’échantillon n demeure non résolue de manière univoque. Faut-il employer le nombre total d’observations instantanées (Niveau 1), le nombre d’individus suivis (Niveau 2) ou une taille effective intermédiaire calculée selon la corrélation intraclasse ? Selon le choix opéré, la sévérité de la pénalité varie radicalement, conduisant à des arbitrages de sélection discordants.

Sous-ajustement chronique dans les petits échantillons : Lorsque les cohortes d’études cliniques sont restreintes (par exemple, n < 80 dans les populations présentant des troubles psychiatriques rares), la combinaison d’une puissance empirique faible et du poids logarithmique du BIC conduit souvent au phénomène inverse du surapprentissage : le sous-ajustement (underfitting). Le BIC tend alors à imposer des modèles excessivement simplistes, écrasant des dimensions psychologiques réelles mais subtiles.

14. Termes connexes et distinctions

Pour naviguer avec rigueur dans la modélisation statistique, il importe de distinguer clairement le BIC d’autres indices et concepts méthodologiques fréquemment rencontrés dans la littérature psychologique :

• AIC (Critère d’information d’Akaike) : Défini par AIC = -2 ln(L̂) + 2k. L’AIC utilise une pénalité fixe indépendante de n. Il est optimisé pour maximiser la précision prédictive asymptotique hors échantillon (critère d’efficacité min-max), tandis que le BIC vise l’identification du modèle causal structurellement exact (consistance). L’AIC tend à retenir des modèles plus complexes que le BIC.
• SABIC (BIC ajusté à la taille d’échantillon) : Variante du BIC qui modère le poids du logarithme par un calcul d’échantillon effectif. Le SABIC offre un compromis robuste dans les analyses de mélanges latents lorsque la taille de la cohorte est modeste.
• DIC (Deviance Information Criterion) : Conçu spécifiquement pour les modèles bayésiens hiérarchiques ajustés via des algorithmes MCMC (Markov Chain Monte Carlo). Le DIC évalue le nombre effectif de paramètres d’après la trace de la distribution a posteriori plutôt que par une simple comptabilisation analytique des paramètres libres.
• Facteur de Bayes (Bayes Factor) : Ratio direct des probabilités marginales de deux théories statistiques concurrentes. Alors que le facteur de Bayes exige souvent le calcul d’intégrales numériques complexes, le ΔBIC fournit une approximation analytique rapide de -2 ln(Facteur de Bayes).
• Indices d’adéquation descriptive (CFI, TLI, RMSEA) : Ces indices évaluent si un modèle unique reproduit décemment la matrice empirique de covariances par comparaison à un modèle d’indépendance de référence, alors que le BIC effectue une compétition relative directe entre modèles personnalisés sans nécessiter de modèle nul absolu.

15. Résumé et points clés

Le critère d’information bayésien s’affirme comme une pierre angulaire de l’inférence moderne en psychologie et en modélisation computationnelle du comportement. En condensant au sein d’une formule élégante la qualité de l’ajustement empirique et une sanction proportionnelle à la complexité structurelle pondérée par la taille de l’échantillon, le BIC prémunit efficacement le chercheur contre les illusions du surapprentissage.

Ses caractéristiques et règles d’usage fondamentales peuvent être synthétisées ainsi :

• Règle de sélection : Une valeur de BIC plus basse indique un modèle supérieur en termes d’adéquation parcimonieuse.
• Principe de consistance : Avec des échantillons de grande taille, le BIC converge vers le modèle structurellement correct sous réserve que celui-ci appartienne à la classe des modèles évalués.
• Évaluation des écarts : Un ΔBIC supérieur à 10 fournit une preuve écrasante et décisive en faveur du modèle privilégié face à son alternative.
• Domaines phares : Indispensable pour la détermination du nombre de classes ou de profils dans les modèles de mélanges latents, l’arbitrage entre structures factorielles en psychométrie et la sélection de fonctions mathématiques dans les modèles computationnels cognitifs.
• Prudence requise : Son utilisation doit s’accompagner d’une attention critique quant à la définition de l’échantillon effectif dans les structures multiniveaux et d’une vigilance accrue face au risque de sous-ajustement dans les études cliniques de taille modeste.

Références

• Burnham, K. P., & Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection. Sociological Methods & Research, 33(2), 261-304. https://doi.org/10.1177/0049124104268644
• Kass, R. E., & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, 90(430), 773-795. https://doi.org/10.1080/01621459.1995.10476572
• Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural Equation Modeling: A Multidisciplinary Journal, 14(4), 535-569. https://doi.org/10.1080/10705510701575396
• Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464. https://doi.org/10.1214/aos/1176344136
• Vrieze, S. I. (2012). Model selection and psychological theory: A discussion of the differences between the Akaike information criterion (AIC) and the Bayesian information criterion (BIC). Psychological Methods, 17(2), 228-243. https://doi.org/10.1037/a0027127