Poids bêta : Clé de la régression linéaire

Dans l’arsenal méthodologique des sciences comportementales, l’évaluation de l’influence relative de multiples variables explicatives constitue un défi analytique fondamental. Le poids bêta, ou coefficient de régression standardisé, s’impose comme un instrument statistique incontournable permettant aux chercheurs d’estimer et de comparer le pouvoir prédictif de prédicteurs hétérogènes au sein d’un modèle linéaire unifié. En éliminant l’arbitraire des unités de mesure d’origine, cet indice quantitatif offre une grille de lecture standardisée indispensable à l’interprétation des dynamiques psychologiques et psychométriques complexes.

Le poids bêta (coefficient de régression standardisé)

1. Définition concise

En statistique inférentielle et en psychométrie, le poids bêta (souvent désigné par la lettre grecque β ou sous l’appellation de coefficient de régression standardisé) représente l’estimation de la variation, exprimée en unités d’écart-type, de la variable dépendante associée à une augmentation d’un écart-type d’une variable indépendante spécifique, toutes les autres variables prédictives du modèle étant maintenues constantes. Il s’agit d’une transformation sans dimension du coefficient de régression brut non standardisé.

Dans le cadre de la régression linéaire multiple, le poids bêta permet de quantifier la contribution unique et directe d’une variable explicative à l’explication de la variance du critère mesuré. Contrairement au coefficient non standardisé (couramment noté b ou B), qui reflète l’échelle physique ou métrique propre aux instruments de mesure employés, le poids bêta s’affranchit des unités initiales en opérant sur des variables centrées et réduites. Cette standardisation confère au chercheur la capacité théorique de comparer l’importance relative de prédicteurs disparates au sein d’une même équation de régression.

Il convient néanmoins de souligner que le poids bêta n’est pas un coefficient de corrélation bivarié élémentaire. Il capture l’effet résiduel et conditionnel d’un prédicteur une fois que les intercorrélations linéaires avec l’ensemble des autres variables indépendantes incorporées dans l’analyse ont été statistiquement neutralisées. Par conséquent, sa valeur dépend étroitement de la composition globale du modèle analytique testé.

2. Étymologie et origine linguistique

Le terme « bêta » tire son origine de la deuxième lettre de l’alphabet grec (Β, β), traditionnellement mobilisée par la communauté statistique pour désigner les paramètres théoriques d’une population parente, par opposition aux lettres de l’alphabet latin employées pour caractériser les statistiques échantillonnales. Dans la convention formalisée au cours du XXe siècle dans les pays anglo-saxons sous l’expression standardized regression coefficient ou familièrement beta weight, le mot a été intégré dans la littérature scientifique francophone sous les vocables de « coefficient bêta », « poids bêta » ou « coefficient de régression standardisé ».

Le mot « poids » dérive du latin pensum (ce qui est pesé, tâche assignée), évoquant la notion d’importance pondérale ou d’influence relative qu’exerce une dimension donnée dans un système d’évaluation globale. L’adoption de ce terme traduit visuellement la manière dont chaque variable explicative « pèse » dans la détermination du score prédit de la variable critère. Initialement ancré dans les travaux de biométrie et d’astronomie du XIXe siècle portant sur la méthode des moindres carrés, l’usage contemporain du terme s’est solidifié lors de la formalisation de la psychologie quantitative et des sciences de l’éducation sous l’impulsion de statisticiens tels que Karl Pearson et ses successeurs.

3. Prononciation et forme grammaticale

Sur le plan phonétique, l’expression se prononce en français standard /pwa bεta/. Le substantif masculin « poids » conserve une orthographe invariable au singulier et au pluriel (« des poids bêta »). Le qualificatif nominal « bêta » est généralement traité comme un adjectif épithète invariable lorsqu’il est apposé pour désigner ce paramètre mathématique précis.

Dans le discours scientifique, les variantes synonymiques acceptées incluent « coefficient bêta standardisé », « coefficient de régression standardisé » ou « coefficient de pente standardisé ». On privilégiera dans les publications académiques formelles la locution « coefficient de régression standardisé », le terme « poids bêta » appartenant à un registre légèrement plus pragmatique ou appliqué, bien que rigoureusement admis par les manuels de méthodologie quantitative en psychologie.

4. Explication conceptuelle détaillée

Pour appréhender la portée conceptuelle du poids bêta, il est impératif de comprendre la transition opérée entre une équation de régression brute et sa forme standardisée. Dans une équation non standardisée formulée selon l’approche des moindres carrés ordinaires, la relation entre un critère Y et k prédicteurs X est formalisée par :

Y = b₀ + b₁X₁ + b₂X₂ + … + b_kX_k + e

Dans cette formulation, chaque coefficient b_i représente la modification attendue de Y par unité de mesure de X_i. Si un psychologue étudie l’impact du niveau de cortisol salivaire (exprimé en nmol/L) et du score à un questionnaire d’anxiété (noté de 0 à 100) sur la qualité du sommeil (mesurée en heures), les grandeurs de b₁ et b₂ ne sont pas directement comparables : une variation d’une heure par nanomole de cortisol n’a pas la même échelle de magnitude qu’une variation d’une heure par point d’anxiété. L’interprétation brute est fonction des métriques arbitraires des outils d’évaluation.

La standardisation résout cette disparité en transformant chaque variable en un score standardisé ou score centré-réduit (score z), de moyenne nulle (μ = 0) et d’écart-type unitaire (σ = 1). Lorsque toutes les variables sont standardisées, l’ordonnée à l’origine (constante b₀) s’annule, et l’équation prend la forme suivante :

z_Y = β₁z_X1 + β₂z_X2 + … + β_kz_Xk + e

Dès lors, chaque coefficient β_i acquiert une signification métrique universelle : il quantifie la variation attendue de z_Y, mesurée en fractions d’écart-type, lorsqu’un prédicteur z_Xi progresse d’un écart-type, à condition que tous les autres prédicteurs soient statistiquement maintenus constants. Mathématiquement, la relation liant le coefficient brut b_i et le coefficient standardisé β_i s’exprime par le ratio des écarts-types échantillonnaux :

β_i = b_i × (s_Xi / s_Y)

Cette transformation confère aux poids bêta une double propriété analytique. D’une part, ils révèlent la directionnalité de la relation (positive ou négative). D’autre part, dans un contexte où les prédicteurs sont orthogonaux (non corrélés entre eux), ils correspondent exactement aux coefficients de corrélation bivariés de Pearson (r) et permettent de hiérarchiser sans ambiguïté les déterminants les plus influents. Toutefois, en psychologie, les prédicteurs présentent quasi systématiquement des intercorrélations modérées à fortes, ce qui complexifie substantiellement la nature des poids bêta et requiert une prudence interprétative majeure.

5. Évolution et développement historique

La genèse conceptuelle du coefficient de régression remonte aux travaux pionniers de Sir Francis Galton à la fin du XIXe siècle. En étudiant la transmission héréditaire de la taille humaine et de caractéristiques biométriques, Galton identifia le phénomène de « réversion vers la moyenne », qu’il nomma plus tard régression. Ses observations portaient intuitivement sur des relations standardisées, puisqu’il comparait des écarts relatifs aux moyennes générationnelles.

Karl Pearson formalisa rigoureusement cette intuition dans les années 1890 en développant le coefficient de corrélation produit-moment et la théorie mathématique de la régression linéaire multiple. À cette époque, la distinction entre coefficients bruts et standardisés commença à émerger mathématiquement, bien que le calcul matriciel et la nomenclature contemporaine n’eussent pas encore été pleinement vulgarisés dans les sciences humaines.

Dans les années 1920 et 1930, le généticien Sewall Wright introduisit l’analyse de pistes causales (path analysis), une innovation méthodologique déterminante qui accorda un statut théorique central aux coefficients standardisés. Wright utilisa les poids bêta (qu’il appelait coefficients de chemin ou path coefficients) pour décomposer les corrélations observées en composantes directes et indirectes au sein de systèmes d’équations structurelles causales.

Au cours de la seconde moitié du XXe siècle, avec l’avènement des calculateurs électroniques et des progiciels statistiques (tels que SPSS, SAS puis R), l’extraction systématique des poids bêta est devenue un standard incontournable de la recherche en psychologie, en sociologie et en sciences de l’éducation. L’intégration de ces indices dans la modélisation par équations structurelles (SEM), formalisée par Karl Jöreskog dans les années 1970, a définitivement cimenté leur rôle dans l’analyse empirique des processus psychologiques latents.

6. Fondements théoriques

Le poids bêta s’enracine dans la théorie du modèle linéaire général (MLG), cadre unificateur qui englobe la régression simple, la régression multiple, l’analyse de variance (ANOVA) et l’analyse de covariance (ANCOVA). Sous l’angle matriciel, le calcul des coefficients de régression standardisés repose sur la décomposition de la matrice de corrélation des variables explicatives (notée R_XX) et du vecteur des corrélations entre les prédicteurs et le critère (noté r_XY) :

β = R_XX^-1 r_XY

Cette formulation matricielle fondamentale met en lumière le caractère éminemment contextualisé du poids bêta. Chaque coefficient ne reflète pas uniquement l’affinité empirique directe entre un prédicteur et le critère, mais dépend structurellement de l’inverse de la matrice de corrélation inter-prédicteurs. De ce fait, l’introduction ou l’exclusion d’un seul prédicteur au sein du modèle peut modifier radicalement la valeur, le signe ou la signification statistique de tous les autres poids bêta.

Sur le plan épistémologique, le modèle linéaire suppose plusieurs postulats rigoureux : la linéarité des relations, l’homoscédasticité des résidus (variance constante de l’erreur), l’indépendance des observations et la normalité de la distribution des erreurs d’estimation. Si ces conditions sont transgressées, les estimations des moindres carrés ordinaires perdent leur statut d’estimateurs linéaires sans biais de variance minimale (théorème de Gauss-Markov), ce qui altère la fiabilité et la précision inférentielle des poids bêta obtenus.

Enfin, le poids bêta est théoriquement lié au coefficient de détermination globale du modèle (R²). Dans le cas particulier où les prédicteurs sont parfaitement décorrélés entre eux (matrice R_XX égale à la matrice identité), la somme des carrés des poids bêta équivaut exactement à la proportion totale de variance expliquée par le modèle (R² = Σβ_i²). Dès lors que les prédicteurs se chevauchent, cette additivité simple disparaît au profit d’une répartition complexe de la variance commune et résiduelle.

7. Composantes clés, types et dimensions

L’analyse des coefficients standardisés mobilise plusieurs distinctions et notions complémentaires indispensables à une interprétation rigoureuse :

• Poids bêta simple versus partiel : Dans une régression simple ne comportant qu’une unique variable prédictive, le poids bêta est rigoureusement identique au coefficient de corrélation bivarié de Pearson (β = r). Dans une régression multiple, le poids bêta devient un coefficient partiel qui reflète l’effet direct du prédicteur, débarrassé de toute contamination linéaire issue de ses covariations avec les autres prédicteurs du modèle.
• Signe du coefficient (±) : La polarité algébrique du poids bêta indique le sens de la relation prédictive. Un signe positif spécifie qu’une progression sur l’échelle standardisée du prédicteur s’accompagne d’une progression proportionnelle sur celle du critère. Un signe négatif dénote une relation inverse où une élévation du prédicteur entraîne une diminution attendue du critère.
• Magnitude absolue (|β|) : L’amplitude du coefficient renseigne théoriquement sur la force de la relation conditionnelle. En règle générale, plus la valeur absolue de β est élevée, plus l’apport univarié conditionnel de la variable est substantiel dans le réseau de prédicteurs considéré.
• Variables suppressives (effets de suppression) : Phénomène psychométrique crucial où un prédicteur présente un poids bêta d’une magnitude anormalement élevée ou d’un signe opposé à sa corrélation bivariée avec le critère (corrélation de Pearson nulle ou faible mais bêta significatif). La variable suppressive « purifie » un autre prédicteur de sa variance d’erreur non pertinente, amplifiant artificiellement la valeur du poids bêta associé.
• Coefficients standardisés dans les équations structurelles : Au sein des modèles de mesure et des modèles structurels complexes, on distingue les poids λ standardisés (saturations factorielles reliant les variables latentes aux indicateurs manifestes) et les poids γ ou β structurels (reliant les variables latentes prédictives aux variables latentes endogènes).

8. Exemples concrets et études de cas

Pour illustrer concrètement le fonctionnement et l’interprétation du poids bêta, considérons une recherche en psychologie du travail visant à prédire l’épuisement professionnel (burnout) auprès d’un échantillon de 450 soignants en milieu hospitalier. Le critère Y est le score d’épuisement émotionnel (mesuré sur une échelle continue de 0 à 50). Les variables prédictives sont les suivantes : le nombre d’heures supplémentaires hebdomadaires (X₁, mesuré en heures brutes), la charge mentale perçue (X₂, évaluée par un questionnaire standardisé de 1 à 7) et le sentiment d’auto-efficacité au travail (X₃, mesuré sur un score de 10 à 40).

Une analyse de régression linéaire multiple menée sur ces données brutes fournit les coefficients non standardisés suivants : b₁ = 0,45 ; b₂ = 3,20 ; b₃ = -0,60. À la simple lecture de ces valeurs, un observateur non averti pourrait supposer que la charge mentale (b₂ = 3,20) exerce un impact disproportionnellement supérieur aux heures supplémentaires (b₁ = 0,45). Cependant, cette divergence provient principalement des échelles de mesure : une augmentation d’une unité sur l’échelle de charge mentale (de 3 à 4 sur 7) représente un bond qualitatif considérable, tandis qu’une heure supplémentaire ne constitue qu’une fraction marginale de la semaine de travail.

Lors de la conversion en scores standardisés, les résultats révèlent les poids bêta suivants :

• Heures supplémentaires hebdomadaires : β₁ = 0,38 (p < 0,001)
• Charge mentale perçue : β₂ = 0,35 (p < 0,001)
• Auto-efficacité : β₃ = -0,28 (p < 0,01)

Grâce à cette standardisation, la perspective analytique se transforme : on constate que l’augmentation d’un écart-type des heures supplémentaires contribue à une élévation de 0,38 écart-type du burnout, un effet légèrement supérieur à celui produit par un saut d’un écart-type de charge mentale (+0,35 écart-type), toutes choses étant égales par ailleurs. L’auto-efficacité joue quant à elle un rôle protecteur notable (-0,28 écart-type d’épuisement par écart-type d’auto-efficacité additionnelle). Cet exemple démontre comment le poids bêta rétablit une comparabilité équitable entre des déterminants psychologiques et situationnels exprimés dans des unités hétéroclites.

9. Mesure, calcul et évaluation

L’estimation empirique des poids bêta s’effectue dans le cadre du calcul des moindres carrés ordinaires ou par le biais d’algorithmes de maximisation du maximum de vraisemblance (notamment dans les logiciels d’équations structurelles). Dans la pratique des logiciels statistiques contemporains (tels que R avec les fonctions lm() et les extensions lm.beta, ou IBM SPSS Statistics dans le tableau des coefficients de régression), le calcul est automatiquement dérivé des estimateurs bruts et des variances d’échantillon.

L’inférence statistique sur les poids bêta repose sur la vérification de l’hypothèse nulle (H₀ : β_i = 0). Le test statistique approprié est le test de Student (t), calculé en divisant le coefficient par son erreur-type standardisée :

t = β_i / SE_βi

Ce test permet d’associer au poids bêta une valeur p (degré de significativité) ainsi qu’un intervalle de confiance à 95 %. L’intervalle de confiance est particulièrement instructif : il permet d’apprécier la précision de l’estimation échantillonnale. Si l’intervalle de confiance englobe la valeur zéro, le chercheur ne peut rejeter l’hypothèse nulle d’absence d’effet linéaire indépendant du prédicteur sur le critère dans la population cible.

L’évaluation de la qualité des poids bêta exige également l’examen minutieux des indices diagnostiques de multicollinéarité. Les deux métriques fondamentales sont la tolérance (Tolerance = 1 – R_i², où R_i² est la variance du prédicteur expliquée par tous les autres prédicteurs) et le facteur d’inflation de la variance (VIF = 1 / Tolérance). Un VIF supérieur à 5 ou 10 signale une collinéarité sévère, susceptible de gonfler démesurément l’erreur-type des poids bêta, d’en instabiliser le signe et de fausser l’interprétation de leur magnitude relative.

10. Applications et portée pratique

Les poids bêta trouvent une application opérationnelle déterminante dans de multiples sous-disciplines de la psychologie et des sciences sociales :

En psychométrie et sélection du personnel, les psychologues organisationnels exploitent les coefficients de régression standardisés pour concevoir des équations de sélection prédictive. En intégrant des tests d’aptitude cognitive, des inventaires de personnalité (modèle des Big Five) et des entretiens structurés, l’examen des poids bêta permet d’identifier quelles dimensions psychologiques apportent un gain incrémentiel statistiquement robuste dans la prédiction de la performance au travail, optimisant ainsi la composition des batteries de sélection sans redondance inutile.

En psychologie clinique et psychopathologie, l’analyse multivariée permet de modéliser les facteurs étiologiques et de risque associés aux troubles mentaux. Par exemple, lors de l’étude des idéations suicidaires, l’évaluation des poids bêta respectifs de la dépression, du désespoir, de la réactivité impulsive et de l’isolement social offre aux cliniciens et épidémiologistes une vision hiérarchisée des leviers thérapeutiques les plus urgents à cibler lors des interventions préventives.

Dans le domaine de la psychologie de l’éducation, ces indicateurs permettent de décortiquer les déterminants de la réussite scolaire en confrontant des variables dispositionnelles (motivation intrinsèque, sentiment de compétence, capacités mnésiques) et contextuelles (statut socio-économique familial, climat de classe). Le poids bêta éclaire ainsi les décideurs publics sur les facteurs modifiables possédant le plus fort potentiel d’élévation du rendement académique.

11. Recherche empirique et données probantes

La littérature consacrée à la psychologie quantitative s’est abondamment penchée sur le comportement empirique des poids bêta dans des contextes réels de recherche. Les travaux méthodologiques classiques de Jacob Cohen (auteur de référence en analyse de puissance statistique) et de ses collègues ont largement démontré que l’interprétation naïve des poids bêta comme indicateurs définitifs d’« importance relative » conduit fréquemment à des conclusions erronées lorsque les variables explicatives sont corrélées entre elles.

Des simulations empiriques conduites notamment par Johnson et LeBreton (2004) ont mis en relief l’extrême volatilité des poids bêta face aux fluctuations d’échantillonnage en présence de collinéarité modérée. Ces auteurs ont mis en évidence que dans des échantillons de taille modeste (N < 150), l’ordre d’importance suggéré par les poids bêta change substantiellement d’une réplication à l’autre, alors même que la structure de corrélation sous-jacente demeure stable.

Pour pallier ces vulnérabilités documentées empiriquement, la recherche méthodologique moderne a validé des techniques complémentaires d’évaluation de l’importance relative, telles que l’analyse de poids relatifs de Johnson (relative weights analysis) et la décomposition de dominance de Budescu (dominance analysis). Ces approches computationnelles sophistiquées ventilent la variance expliquée du critère (R²) entre les prédicteurs en intégrant toutes les combinaisons possibles de sous-modèles, offrant ainsi une appréciation de la contribution prédictive beaucoup plus stable et robuste que le simple examen isolé du poids bêta classique.

12. Considérations culturelles et contextuelles

Bien que le calcul mathématique du poids bêta soit universellement invariant, sa valeur numérique est conditionnée de manière critique par les propriétés distributionnelles (écarts-types) des échantillons sur lesquels il est estimé. Dans la recherche transculturelle en psychologie, cette spécificité requiert une circonspection méthodologique extrême lors de la comparaison de modèles testés à travers différents groupes nationaux, linguistiques ou sociodémographiques.

Puisque le poids bêta est le produit du coefficient brut b et du ratio des écarts-types (s_X / s_Y), toute modification de la variance d’un prédicteur dans une culture spécifique (due par exemple à une restriction d’étendue ou à des biais de réponse culturels, comme la tendance à choisir les extrêmes ou le biais de complaisance) modifiera artificiellement la valeur du poids bêta, quand bien même la relation sous-jacente fondamentale serait rigoureusement identique d’une culture à l’autre. Par exemple, si la variabilité de l’individualisme est restreinte dans un pays collectiviste mais très large dans un pays individualiste, le poids bêta reliant l’individualisme au bien-être subjectif apparaîtra mathématiquement comprimé dans le premier groupe, masquant une équivalence structurelle fonctionnelle.

C’est pourquoi la communauté scientifique internationale préconise, lors de comparaisons inter-groupes ou transculturelles, d’analyser en premier lieu l’invariance de mesure par modélisation d’équations structurelles multigroupe (MGC-SEM) et de comparer les coefficients non standardisés (b) plutôt que les poids bêta standardisés, ces derniers étant intrinsèquement assujettis aux variations de dispersion propres à chaque sous-population.

13. Critiques, controverses et limites

En dépit de son omniprésence dans la littérature scientifique, le poids bêta fait l’objet de vives critiques épistémologiques et statistiques depuis plusieurs décennies. L’un des griefs majeurs concerne l’illusion de causalité qu’il véhicule souvent chez les praticiens non statisticiens. L’observation d’un poids bêta significatif entre un prédicteur et un critère ne constitue en aucun cas une preuve de lien causal direct, car le modèle ne peut éliminer l’effet d’éventuelles variables confondantes non mesurées (erreur de spécification du modèle).

Une seconde controverse centrale porte sur la dépendance contextuelle du poids bêta. Dans un modèle de régression, la valeur de β pour un prédicteur X₁ dépend entièrement des autres variables X₂…X_k incluses dans l’équation. Si un chercheur retire une variable redondante ou ajoute un médiateur, le poids bêta de X₁ peut chuter drastiquement, doubler, ou s’inverser totalement (paradoxe de Simpson). Le poids bêta n’est donc pas une propriété intrinsèque d’une relation psychologique, mais un paramètre purement contextuel propre à une spécification d’équation déterminée.

Enfin, la présence de multicollinéarité sévère constitue le talon d’Achille du poids bêta. Lorsque deux prédicteurs partagent une grande part de variance (par exemple, la détresse psychologique et l’anxiété généralisée), leurs poids bêta respectifs ont tendance à sous-estimer leur importance prédictive réelle car la variance commune qu’ils partagent avec le critère est écartée de leurs coefficients partiels individuels. Dans certains cas extrêmes, cela engendre des coefficients aberrants, supérieurs à 1,0 ou inférieurs à -1,0, rendant l’interprétation quantitative intuitive inapplicable.

14. Termes connexes et distinctions conceptuelles

Pour éviter toute ambiguïté terminologique, il est primordial de distinguer le poids bêta d’autres notions statistiques fondamentales :

• Coefficient non standardisé (b ou B) : Indique le changement métrique brut de Y pour une unité d’augmentation de X. Il est indispensable pour formuler des prédictions concrètes dans les unités réelles (ex. gains en points d’un test, baisse de milligrammes de pression artérielle) et s’avère supérieur pour comparer des effets entre différents échantillons où les variances diffèrent.
• Coefficient de corrélation bivarié de Pearson (r) : Quantifie l’association linéaire brute entre deux variables sans contrôler l’impact d’aucun tiers facteur. Le poids bêta ne coïncide avec r que dans le cas strict où tous les prédicteurs du modèle sont parfaitement indépendants les uns des autres ou en cas de régression simple univariée.
• Coefficient de corrélation semi-partielle (ou corrélation de partie, sr) : Représente la corrélation entre le critère et un prédicteur préalablement débarrassé de l’influence des autres prédicteurs. Son carré (sr²) indique l’accroissement direct de la variance expliquée (ΔR²) lors de l’intégration spécifique de cette variable dans le modèle. Bien qu’étroitement lié au poids bêta par leur niveau de significativité identique, sr conserve une métrique directement interprétable en termes de pourcentage de variance incrémentielle.
• Coefficient de corrélation partielle (pr) : Mesure l’association entre X et Y lorsque l’influence des autres prédicteurs est retirée simultanément de X et de Y. Sa magnitude diffère mathématiquement de celle du poids bêta, bien que les deux partagent le même test t de nullité.
• Poids relatifs (Relative Weights) : Méthode moderne décomposant le R² global en fractions non négatives attribuables à chaque prédicteur, résolvant les biais de collinéarité qui affectent les poids bêta traditionnels.

15. Synthèse et points clés à retenir

Le poids bêta demeure un concept pivot de l’analyse multivariée en sciences humaines et comportementales. Ses caractéristiques fondamentales peuvent être résumées selon les points suivants :

• Le poids bêta correspond au coefficient d’une régression multiple calculé après transformation de toutes les variables (prédicteurs et critère) en scores standardisés (scores z).
• Il s’interprète comme la modification attendue de la variable dépendante (en unités d’écart-type) consécutive à une progression d’un écart-type de la variable indépendante ciblée, sous contrôle strict des autres prédicteurs du modèle.
• En standardisant les données, il offre une unité de comparaison commune permettant de contraster l’apport relatif de variables initialement mesurées sur des échelles numériques distinctes.
• Sa magnitude et son signe sont hautement tributaires des intercorrélations entre prédicteurs ; la présence de collinéarité peut biaiser son estimation ou engendrer des effets de suppression déroutants.
• Il ne doit jamais être assimilé à une preuve formelle de causalité, ni comparé hâtivement entre des échantillons hétérogènes dont les variances de groupe diffèrent de façon substantielle.
• Pour une analyse approfondie de l’importance relative des facteurs, les chercheurs ont tout intérêt à conjuguer l’examen des poids bêta à des métriques plus stables telles que les corrélations semi-partielles ou l’analyse de dominance.

Références

• Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. SAGE Publications.
• Budescu, D. V. (1993). Dominance analysis: A new approach to the problem of relative importance of predictors in multiple regression. Psychological Bulletin, 114(3), 542–551. https://doi.org/10.1037/0033-2909.114.3.542
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates.
• Darlington, R. B., & Hayes, A. F. (2017). Regression analysis and linear models: Concepts, applications, and implementation. Guilford Press.
• Johnson, J. W., & LeBreton, J. M. (2004). History and use of relative importance indices in organizational research. Organizational Research Methods, 7(3), 238–257. https://doi.org/10.1177/1094428104266510
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.