Modèle autorégressif : Dynamique du temps

L’analyse des processus psychologiques contemporains exige de dépasser l’illusion d’une psyché statique pour appréhender la fluidité inhérente aux pensées, aux affects et aux comportements humains. Au cœur de cette révolution méthodologique orientée vers l’évaluation écologique momentanée et la modélisation idiographique, le modèle autorégressif s’impose comme un outil fondamental pour quantifier l’inertie, la régulation et la mémoire temporelle des états mentaux.

Modèle autorégressif (Modèle AR)

1. Définition concise

En psychométrie et en analyse des séries temporelles psychologiques, le modèle autorégressif (communément abrégé en modèle AR) est une formulation statistique linéaire dans laquelle la valeur actuelle d’une variable psychologique continue ou discrète est modélisée comme une fonction linéaire directe de ses propres réalisations passées, pondérées par un ou plusieurs coefficients, additionnée d’une composante stochastique résiduelle. Dans sa forme la plus canonique d’ordre un, notée AR(1), l’état présent d’un individu au temps t dépend principalement de son état immédiatement antérieur au temps t-1, capturant ainsi la stabilité locale ou la mémoire à court terme du phénomène étudié.

Appliqué aux sciences du comportement, ce modèle transcende la simple extrapolation prédictive pour devenir un indicateur conceptuel central. Le coefficient autorégressif reflète ce que les psychologues nomment l’inertie psychologique ou la vitesse de récupération homéostatique : une valeur élevée indique qu’un état (par exemple, une humeur dépressive ou un niveau d’anxiété) tend à s’auto-entretenir et à résister aux perturbations extérieures, tandis qu’une valeur faible ou proche de zéro dénote une dynamique réactive, fluide et prompte à retourner vers sa valeur d’équilibre moyenne.

Dans le paradigme des données longitudinales intensives (DLI) issues de la méthode d’échantillonnage de l’expérience (Experience Sampling Method ou ESM), le modèle autorégressif constitue le bloc constitutif élémentaire des modélisations plus complexes, telles que les modèles vectoriels autorégressifs (VAR) ou les modèles d’équations structurelles dynamiques (DSEM), permettant de saisir l’architecture dynamique des troubles psychopathologiques à l’échelle de l’individu singulier.

2. Étymologie et origines linguistiques

Le terme « autorégressif » est un néologisme scientifique hybride combinant le préfixe d’origine grecque auto- (αὐτός, signifiant « soi-même », « propre » ou « spontané ») et le substantif « régression », issu du latin regressio (composé de re-, marquant le mouvement en arrière, et de gradi, signifiant « marcher » ou « avancer »). Littéralement, l’autorégression désigne donc le fait d’opérer un retour ou un repliement analytique sur sa propre trajectoire passée.

L’introduction formelle du concept en statistique mathématique découle des travaux pionniers du statisticien britannique George Udny Yule à la fin des années 1920. Yule cherchait à formaliser les oscillations temporelles non purement périodiques, s’éloignant de l’analyse harmonique classique pour proposer des équations où un système physique ou économique est continuellement perturbé par des chocs aléatoires tout en tendant à revenir vers sa trajectoire antérieure. Ce n’est que dans le dernier quart du XXe siècle que le terme a pleinement pénétré le lexique de la psychologie quantitative, sous l’impulsion de chercheurs s’intéressant à la modélisation intra-individuelle des processus cognitifs et émotionnels.

3. Prononciation et forme grammaticale

En français standard, l’expression se prononce phonétiquement [mɔ.dɛl o.to.ʁe.ɡʁɛ.sif]. Du point de vue grammatical, il s’agit d’un syntagme nominal masculin. L’adjectif « autorégressif » s’accorde en genre et en nombre avec le nom qu’il qualifie (par exemple : « une relation autorégressive », « des coefficients autorégressifs »).

Dans la littérature spécialisée francophone, on rencontre fréquemment l’abréviation « modèle AR », généralement suivie de l’ordre temporel du modèle entre parenthèses, à l’instar de « AR(1) » ou « AR(p) ». L’usage impose la distinction entre le processus sous-jacent (le processus autorégressif qui génère théoriquement les données dans la nature) et la structure mathématique ajustée par le chercheur (le modèle autorégressif estimé sur un échantillon empirique de mesures répétées).

4. Explication conceptuelle détaillée

Pour comprendre en profondeur le modèle autorégressif dans le champ psychologique, il convient d’examiner comment il formalise la temporalité. Traditionnellement, la psychométrie inter-individuelle postulait que les variations observées chez un sujet découlaient d’un trait latent statique pollué par une erreur de mesure non corrélée dans le temps. Or, la vie psychique est fondamentalement séquentielle : notre état émotionnel à midi n’est pas indépendant de notre état émotionnel à onze heures cinquante-cinq. Le modèle autorégressif capture cette dépendance sérielle séquentielle.

Mathématiquement, le modèle univarié de premier ordre AR(1) s’exprime sous la forme :

Y_t = μ + φ(Y_t-1 – μ) + ε_t

Dans cette formulation, Y_t représente la variable psychologique mesurée à l’instant t (par exemple, la tristesse ressentie), μ est la moyenne stationnaire à long terme de l’individu, φ (phi) est le paramètre autorégressif d’intérêt, et ε_t symbolise l’innovation (ou perturbation stochastique), qui représente l’impact imprévisible des micro-événements internes ou environnementaux survenant entre les deux prises de mesure. Le résidu ε_t est généralement supposé suivre une distribution normale de moyenne nulle et de variance constante.

Le coefficient autorégressif φ est borné, sous l’hypothèse de stationnarité stricte, entre -1 et +1 :

• Lorsque 0 < φ < 1 : Le système fait preuve de persistance positive. Si un choc environnemental élève le niveau de stress au-delà de sa moyenne, ce niveau ne redescend que graduellement vers la ligne de base. Plus φ est proche de 1, plus la dissipation de l’impact est lente, signalant une forte rigidité émotionnelle.
• Lorsque φ = 0 : Le processus ne possède aucune mémoire temporelle directe. L’état actuel est totalement indépendant de l’état précédent et fluctue uniquement autour de sa moyenne au gré des perturbations aléatoires du moment.
• Lorsque -1 < φ < 0 : Le système présente une dynamique oscillatoire ou d’hyper-compensation. Une valeur supérieure à la moyenne tend à être immédiatement suivie d’une valeur inférieure à la moyenne au pas de temps suivant, ce qui peut refléter certains mécanismes d’inhibition cognitive ou de régulation émotionnelle pendulaire.
• Lorsque |φ| ≥ 1 : Le processus est qualifié de non stationnaire. Pour φ = 1, il s’agit d’une marche aléatoire où les chocs s’accumulent sans jamais s’amortir, conduisant à une divergence de la variance théorique au fil du temps. En psychologie clinique, un tel comportement dynamique traduit une rupture complète de la régulation homéostatique.

L’apport conceptuel déterminant de cette approche réside dans sa capacité à dissocier la moyenne d’un état (le niveau moyen de tristesse d’une personne) de sa dynamique temporelle (la manière dont cette personne se remet d’un épisode aigu de tristesse). Deux individus affichant un score moyen identique sur une échelle d’évaluation peuvent présenter des coefficients autorégressifs radicalement dissemblables, révélant des architectures de vulnérabilité psychologique entièrement différentes.

5. Développement historique

La genèse du modèle autorégressif s’inscrit initialement dans la physique mathématique et l’économétrie. En 1927, George Udny Yule publie son étude fondamentale sur la périodicité des taches solaires, introduisant l’idée qu’un pendule soumis au bombardement aléatoire de pois chiches maintient une régularité oscillatoire tout en voyant son amplitude et sa phase constamment modulées par ces micro-chocs. Ce concept a brisé l’hégémonie des modèles purement déterministes et a jeté les bases des séries temporelles modernes.

Durant les décennies 1970 et 1980, les statisticiens George Box et Gwilym Jenkins popularisent la méthodologie Box-Jenkins, codifiant l’identification, l’estimation et le diagnostic des modèles ARIMA (autorégressifs intégrés à moyenne mobile). Durant cette même période, des pionniers de la psychologie quantitative comme John Nesselroade et Peter Molenaar soulignent les limites béantes des plans transversaux et alertent la communauté scientifique sur le théorème ergodique : les propriétés statistiques observées entre les individus (au niveau inter-individuel) ne peuvent en aucun cas être extrapolées directement à la dynamique temporelle interne d’un individu isolé (au niveau intra-individuel).

Le tournant du XXIe siècle a vu l’explosion de l’utilisation des modèles autorégressifs en psychologie clinique, cognitive et sociale. Cet essor a été rendu possible par la démocratisation des téléphones intelligents, permettant le recueil massif de données écologiques longitudinales intensives. Des chercheurs contemporains tels qu’Ellen Hamaker ont développé l’intégration des modèles autorégressifs au sein des modèles d’équations structurelles multiniveaux, tandis que Peter Kuppens a démontré la pertinence clinique de l’autorégression comme mesure empirique de l’inertie émotionnelle.

6. Fondements théoriques

Le recours aux modèles autorégressifs repose sur plusieurs piliers épistémologiques et théoriques majeurs de la psychologie contemporaine. Le premier est la théorie des systèmes dynamiques complexes appliquée à la cognition et aux affects. Selon cette perspective, l’appareil psychique n’est pas un agrégat de traits immuables, mais un système auto-organisé évoluant dans un espace d’états autour d’attracteurs. Le paramètre autorégressif quantifie précisément la profondeur du puits d’attraction : une forte autorégression indique que le système retourne très lentement vers son état d’équilibre lorsqu’il est déplacé par une perturbation extérieure, un phénomène désigné dans la théorie des bifurcations sous le terme de « ralentissement critique » (critical slowing down).

Le deuxième cadre théorique fondamental est l’approche en réseau de la psychopathologie, initiée par Denny Borsboom et ses collaborateurs. Dans ce paradigme, les troubles mentaux ne résultent pas d’une cause sous-jacente latente commune (comme une maladie cérébrale uniforme), mais émergent de l’interaction causale directe entre les symptômes eux-mêmes au cours du temps. Les boucles autorégressives (souvent appelées « auto-boucles » dans les graphes orientés) représentent la capacité d’un symptôme particulier à s’auto-alimenter d’un instant à l’autre (par exemple, des ruminations mentales à t-1 déclenchant directement des ruminations à t).

Enfin, le modèle autorégressif trouve son ancrage dans la cybernétique et la théorie du contrôle homéostatique. L’adaptation psychologique repose sur des boucles de rétroaction négative visant à corriger les écarts par rapport aux états désirés de bien-être ou de vigilance. Un paramètre autorégressif modéré reflète une régulation fluide et efficiente, tandis qu’une autorégression excessive trahit une défaillance des mécanismes régulateurs, enfermant le sujet dans une persistance rigide.

7. Composantes clés, types et dimensions

La taxonomie et la décomposition structurelle des modèles autorégressifs en sciences comportementales s’articulent autour de plusieurs paramètres et variantes méthodologiques incontournables :

• L’ordre temporel (p) : Définit le nombre de décalages temporels (lags) inclus comme prédicteurs. Le modèle AR(1) postule que seule l’observation immédiatement précédente influe sur le présent. Un modèle AR(2) intègre les effets conjoints de t-1 et t-2, permettant de capturer des oscillations cycliques plus complexes ou des effets à retardement.
• Le coefficient autorégressif (φ) : Pente de régression standardisée ou non standardisée reliant la variable à son propre passé. Il mesure la mémoire sérielle, la force de l’attracteur et la vitesse de dissipation des perturbations émotionnelles ou cognitives.
• La variance de l’innovation (σ²_ε) : Quantité de variabilité résiduelle non expliquée par l’état antérieur. Elle reflète l’ampleur des chocs environnementaux, contextuels ou physiologiques aléatoires frappant l’individu à chaque intervalle de temps.
• Modèle autorégressif multivarié ou vectoriel (VAR) : Extension simultanée à plusieurs variables interdépendantes (par exemple, affect négatif et douleur physique). Chaque variable est régressée sur son propre passé (termes autorégressifs) et sur le passé des autres variables du système (termes d’autorégression croisée ou cross-lagged).
• Modèle autorégressif multiniveau (ML-AR) : Modélisation hiérarchique adaptée aux échantillons où chaque sujet fournit une série temporelle. Le coefficient φ est alors décomposé en une moyenne fixe populationnelle et des effets aléatoires spécifiques à chaque individu, autorisant l’étude des différences inter-individuelles dans l’inertie intra-individuelle.
• Modèles avec coefficients variables dans le temps (TV-AR) : Variantes avancées où le paramètre φ n’est pas supposé constant mais évolue lui-même en fonction du temps, du contexte ou de l’âge, utile pour modéliser des transitions de phase cliniques.

8. Exemples et études de cas illustratives

Pour illustrer la portée pragmatique du modèle autorégressif en psychologie, considérons trois cas d’application clinique et expérimentale emblématiques :

Cas 1 : L’inertie de l’affect négatif dans la dépression caractérisée. Une patiente de 34 ans suivie pour un trouble dépressif majeur participe à un protocole ESM durant 21 jours, répondant à six questionnaires par jour évaluant son niveau de tristesse sur une échelle de 0 à 100. L’estimation d’un modèle AR(1) révèle un coefficient φ de 0,78 (significativement supérieur à la moyenne des témoins sains, généralement située autour de 0,25). Cela signifie que lorsqu’un événement décevant mineur provoque une poussée de tristesse, cet état persiste sur de multiples intervalles temporels sans se résorber spontanément. Cette forte autorégression traduit une rigidité affective majeure, documentée dans la littérature comme un marqueur de vulnérabilité et de risque de rechute dépressive.

Cas 2 : L’instabilité affective et l’autorégression négative dans le trouble de la personnalité borderline. Un jeune adulte présentant des traits de personnalité limite remplit des auto-évaluations continues de son sentiment de vide émotionnel. L’ajustement du modèle autorégressif met en évidence un coefficient φ négatif (-0,32). Contrairement à l’inertie dépressive, cette dynamique reflète une instabilité oscillatoire rapide : des phases de tension émotionnelle aiguë déclenchent des comportements de décharge impulsive qui font basculer instantanément le patient dans une anesthésie affective temporaire, avant que le cycle ne s’inverse à nouveau.

Cas 3 : La vigilance cognitive et la fatigue chez les contrôleurs aériens. Dans une étude de psychologie ergonomique, des temps de réaction à une tâche d’attention soutenue sont collectés chaque minute pendant un quart de travail de huit heures. Le modèle AR(1) appliqué aux latences de réponse montre que plus la fatigue s’accumule, plus le paramètre φ s’approche de 1, traduisant l’apparition de micro-sommeils et une dégradation de la capacité du système cognitif à réinitialiser son seuil d’éveil d’une seconde à l’autre.

9. Mesure, évaluation et estimation

L’estimation rigoureuse d’un modèle autorégressif sur des données psychologiques soulève d’importants défis méthodologiques et nécessite le respect de conditions statistiques strictes :

En premier lieu, la vérification de l’hypothèse de stationnarité est primordiale. Une série temporelle psychologique est stationnaire au sens faible si sa moyenne, sa variance et son autocovariance demeurent invariantes dans le temps. La présence d’une tendance déterministe (par exemple, une amélioration continue due à un effet d’apprentissage ou à un traitement médicamenteux) ou d’une périodicité circadienne prononcée viole cette condition. Le chercheur doit impérativement procéder à une désaisonnalisation ou à une différenciation préalable de la série avant d’estimer le coefficient autorégressif.

En deuxième lieu, les méthodes d’estimation ont profondément évolué. Si les moindres carrés ordinaires (MCO) ont longtemps été employés, ils souffrent du biais d’échantillonnage de Nickell dans les séries courtes, sous-estimant systématiquement la valeur réelle de φ. Aujourd’hui, l’estimation par le maximum de vraisemblance complète (FIML) et surtout les approches bayésiennes via les algorithmes de Monte-Carlo par chaînes de Markov (MCMC) sont privilégiées, notamment dans les cadres logiciels tels que Mplus, Stan ou les bibliothèques R spécialisées (brms, ctsem).

En troisième lieu, la gestion des intervalles de temps irréguliers représente un enjeu critique dans les protocoles d’échantillonnage de l’expérience. Les alertes des téléphones intelligents étant souvent envoyées de manière semi-aléatoire, l’écart temporel entre t-1 et t varie considérablement, ce qui fausse l’interprétation d’un modèle AR en temps discret classique. Pour surmonter cet écueil, les chercheurs se tournent de plus en plus vers les modèles autorégressifs en temps continu, formalisés par des équations différentielles stochastiques d’Ornstein-Uhlenbeck, qui modélisent le paramètre de dérive indépendamment de la distance temporelle réelle entre les notifications.

10. Applications et portée pratique

La puissance du modèle autorégressif réside dans sa transversalité, fécondant un vaste ensemble de sous-disciplines psychologiques :

En psychopathologie numérique et thérapie personnalisée, l’estimation en temps réel des coefficients autorégressifs individuels permet de concevoir des interventions écologiques momentanées adaptées (JITAI – Just-In-Time Adaptive Interventions). Par exemple, dès lors que l’algorithme détecte une augmentation anormale de l’inertie des pensées anxieuses chez un patient au fil des jours (signe annonciateur d’une transition critique vers une crise de panique), l’application peut déclencher automatiquement un exercice de défusion cognitive ou de cohérence cardiaque avant l’effondrement clinique.

En psychologie du travail et des organisations, le modèle autorégressif permet de modéliser la contamination sérielle du stress d’un jour sur l’autre (l’effet de rémanence ou spillover). L’analyse permet de quantifier dans quelle mesure la déconnexion psychologique vécue en soirée atténue l’autorégression de l’épuisement professionnel le lendemain matin.

En neuropsychologie et neurosciences cognitives, l’autorégression sert à analyser les signaux d’électroencéphalographie (EEG) et d’imagerie par résonance magnétique fonctionnelle (IRMf). Elle permet de modéliser la dynamique des fluctuations intrinsèques du réseau du mode par défaut et d’évaluer la connectivité causale effective via les modèles de causalité de Granger, dont la fondation mathématique repose intégralement sur la comparaison de modèles autorégressifs univariés et bivariés.

11. Recherches et preuves empiriques

Une littérature empirique substantielle a validé la valeur heuristique et pronostique des paramètres autorégressifs en psychologie. Les travaux de Peter Kuppens et de ses collègues (2010, 2012) ont établi de façon robuste que l’inertie émotionnelle — quantifiée par le paramètre autorégressif AR(1) de l’affect négatif — prédit l’apparition ultérieure d’épisodes dépressifs majeurs, même après avoir contrôlé statistiquement le niveau moyen d’affect dépressif initial. Ces résultats confirment que la cinétique des émotions fournit une signature psychopathologique distincte de leur valence brute.

Dans une perspective méthodologique, Ellen Hamaker et ses collaborateurs (2018) ont démontré, à l’aide de simulations intensives et de données cliniques réelles, la supériorité des modèles d’équations structurelles dynamiques multiniveaux (DSEM) pour démêler la variabilité inter-individuelle stable (traits) des dynamiques autorégressives intra-individuelles (états). Leurs découvertes ont mis en garde la communauté scientifique contre l’erreur d’imputer au niveau des traits des phénomènes relevant purement de l’inertie des processus d’état.

Parallèlement, les recherches de Laura Bringmann et de l’école néerlandaise de psychométrie en réseau ont mis en évidence la plasticité des connexions autorégressives au cours des psychothérapies cognitives et comportementales. Leurs données longitudinales indiquent qu’une prise en charge réussie se traduit fréquemment par un affaiblissement progressif des boucles autorégressives des symptômes cibles (comme les ruminations ou l’évitement social), attestant d’une restauration de la flexibilité psychologique chez les patients en rémission.

12. Considérations culturelles et transculturelles

La signification psychologique de la dépendance temporelle ne peut être pleinement interprétée indépendamment de la matrice culturelle dans laquelle évolue l’individu. Les normes sociales relatives à l’expérience et à l’expression émotionnelle exercent une influence modulatrice directe sur les coefficients autorégressifs observés :

Dans les cultures occidentales individualistes, valorisant l’indépendance, la cohérence interne et la stabilité de soi, une forte persistance de l’affect positif est généralement considérée comme normative et adaptative. En revanche, dans de nombreuses cultures est-asiatiques collectivistes influencées par le bouddhisme ou le taoïsme, la vision du monde met l’accent sur l’impermanence, la dialectique et la cyclicité universelle des phénomènes. Dans ce contexte, la transition rapide entre états émotionnels contrastés n’est pas interprétée comme une labilité pathologique mais comme une harmonisation fluide avec les exigences changeantes du milieu relationnel.

Des études transculturelles utilisant l’ESM ont ainsi montré que le niveau d’inertie de l’affect positif peut être perçu négativement ou positivement selon le contexte normatif du groupe culturel. De surcroît, la complaisance et le confort vis-à-vis des outils numériques d’auto-évaluation longitudinale varient considérablement selon les contextes socioculturels, induisant des profils de données manquantes et d’usure de l’échantillon qui peuvent fausser artificiellement l’estimation des coefficients de mémoire temporelle si des modélisations robustes ne sont pas appliquées.

13. Critiques, controverses et limites

Bien que le modèle autorégressif jouisse d’une immense popularité, son application aux données psychologiques fait l’objet de vives controverses épistémologiques et statistiques :

La première critique majeure concerne la dépendance à l’intervalle d’échantillonnage. Un processus psychologique donné ne possède pas un coefficient autorégressif universel ; la valeur de φ est intrinsèquement contingente à la distance temporelle qui sépare deux mesures. Si l’on mesure l’anxiété toutes les dix minutes, le coefficient AR(1) sera mécaniquement beaucoup plus élevé que si on la mesure toutes les six heures. Confondre l’inertie d’un processus biologique ou affectif avec le choix arbitraire de la fréquence de sondage de l’expérimentateur constitue un biais méthodologique fréquent.

La deuxième limite réside dans la confusion entre l’erreur de mesure et les fluctuations dynamiques. L’erreur de mesure non modélisée agit généralement comme un bruit blanc qui atténue artificiellement le coefficient autorégressif vers zéro (biais d’atténuation). Pour contourner cette limite, il est impératif de recourir à des modèles autorégressifs à variables latentes, qui séparent explicitement l’erreur de mesure instantanée de la dynamique temporelle du construit sous-jacent, ce qui requiert toutefois des échantillons volumineux rarement disponibles en pratique clinique individuelle.

Une controverse persistante porte sur l’hypothèse de linéarité. Le modèle AR classique postule une relation linéaire uniforme : le retour vers la moyenne est proportionnel à l’écart, quelle que soit l’ampleur de cet écart. Or, le psychisme humain manifeste fréquemment des seuils de basculement non linéaires, des hystérèses ou des effets de saturation. Modéliser un système hautement non linéaire par un simple filtre autorégressif linéaire peut conduire à des conclusions erronées sur la stabilité réelle de l’organisation mentale du patient.

14. Termes connexes et distinctions

Afin de prévenir toute ambiguïté conceptuelle, il importe de différencier le modèle autorégressif d’autres formalisations voisines employées en psychologie quantitative :

• Modèle à moyenne mobile (MA – Moving Average) : Dans un modèle MA, la variable observée est exprimée en fonction des chocs aléatoires passés (innovations ε) et non de ses propres valeurs passées observées. Alors que l’AR induit une mémoire temporelle à décroissance exponentielle infinie, le modèle MA possède une mémoire strictement finie tronquée à l’ordre du décalage.
• Marche aléatoire (Random Walk) : Cas limite non stationnaire du modèle AR(1) où le paramètre φ est exactement égal à 1. Dans une marche aléatoire, le système ne revient jamais vers une moyenne fixe et la variance des scores diverge vers l’infini avec le temps, contrairement au modèle AR stationnaire (|φ| < 1) qui possède une mémoire régulée.
• Modèle de panel croisé-décalé (CLPM – Cross-Lagged Panel Model) : Cadre classique de modélisation longitudinale inter-individuelle comportant typiquement deux à trois vagues de mesure espacées de plusieurs mois ou années. Contrairement au modèle AR en données intensives (intra-individuel), le CLPM traditionnel mélange inextricablement les variances inter-individuelles stables et les effets causaux intra-individuels, une confusion aujourd’hui corrigée par le RI-CLPM (Random Intercept Cross-Lagged Panel Model).
• Modèle vectoriel autorégressif (VAR) : Généralisation multivariée du modèle autorégressif. Alors que le modèle AR univarié n’analyse qu’une seule série temporelle isolée, le VAR modélise simultanément plusieurs trajectoires en intégrant à la fois l’autorégression de chaque variable sur elle-même et les influences croisées décalées d’une variable sur l’autre.

15. Résumé et points clés

Le modèle autorégressif s’est affirmé comme l’un des piliers méthodologiques les plus novateurs et féconds de la psychologie contemporaine. En modélisant mathématiquement la dépendance séquentielle qui unit un état présent à ses antécédents immédiats, il offre une grille de lecture quantitative rigoureuse pour opérationnaliser des construits cliniques et cognitifs fondamentaux tels que l’inertie affective, la flexibilité mentale, la capacité de récupération homéostatique et la mémoire des systèmes vivants.

Son déploiement efficace requiert une vigilance méthodologique aiguë : respect scrupuleux de l’hypothèse de stationnarité, prise en compte réfléchie du pas de temps d’échantillonnage, désagrégation rigoureuse de la variance entre les niveaux inter- et intra-individuels, et recours privilégié aux techniques bayésiennes modernes et aux formulations en temps continu. Correctement contextualisé et articulé aux théories des réseaux et des systèmes dynamiques complexes, le modèle autorégressif ouvre la voie à une psychologie de précision résolument tournée vers la dynamique temporelle singulière de chaque être humain.

Références

• Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5e éd.). John Wiley & Sons. https://www.wiley.com/en-us/Time+Series+Analysis%3A+Forecasting+and+Control%2C+5th+Edition-p-9781118675021
• Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., Borsboom, D., & Tuerlinckx, F. (2013). A network approach to psychopathology: New insights into clinical longitudinal data. PLOS ONE, 8(4), e60188. https://doi.org/10.1371/journal.pone.0060188
• Hamaker, E. L., Asparouhov, T., Brose, A., Schmiedek, F., & Muthén, B. (2018). At the frontiers of modeling intensive longitudinal data: Dynamic structural equation models for the study of daily life. Multivariate Behavioral Research, 53(6), 820–841. https://doi.org/10.1080/00273171.2018.1446819
• Kuppens, P., Allen, N. B., & Sheeber, L. B. (2010). Emotional inertia and psychological maladjustment. Psychological Science, 21(7), 984–991. https://doi.org/10.1177/0956797610372634
• Molenaar, P. C. M. (2004). A manifesto on psychology as idiographic science: Bringing the person back into scientific psychology, this time forever. Measurement: Interdisciplinary Research and Perspectives, 2(4), 201–218. https://doi.org/10.1207/s15366359mea0204_1
• Yule, G. U. (1927). On a method of investigating periodicities in disturbed series, with special reference to Wolfer’s sunspot numbers. Philosophical Transactions of the Royal Society of London. Series A, 226(636-646), 267–298. https://doi.org/10.1098/rsta.1927.0007