l’analyse de variance univari\u00e9e (ANOVA)<\/a> \u00e9tablie par Ronald Fisher. Lorsque l’ensemble des pr\u00e9dicteurs d’une r\u00e9gression est constitu\u00e9 d’indicatrices repr\u00e9sentant une classification unique, le mod\u00e8le d\u00e9compose la somme des carr\u00e9s totale exactement de la m\u00eame mani\u00e8re que l’ANOVA classique en variance intergroupes (somme des carr\u00e9s expliqu\u00e9e) et variance intragroupe (somme des carr\u00e9s r\u00e9siduelle). Les coefficients estim\u00e9s par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO) correspondent alors strictement aux \u00e9carts observ\u00e9s entre les moyennes des sous-\u00e9chantillons et la moyenne de la cat\u00e9gorie de r\u00e9f\u00e9rence.<\/p>\nL’estimation des param\u00e8tres via le crit\u00e8re MCO conserve ainsi l’ensemble de ses propri\u00e9t\u00e9s optimales d\u00e9crites par le th\u00e9or\u00e8me de Gauss-Markov. D\u00e8s lors que les erreurs r\u00e9siduelles $\\varepsilon_i$<\/span> satisfont les conditions d’homosc\u00e9dasticit\u00e9, d’ind\u00e9pendance mutuelle et d’esp\u00e9rance nulle, les coefficients associ\u00e9s aux variables muettes constituent les meilleurs estimateurs lin\u00e9aires sans biais (BLUE : Best Linear Unbiased Estimators<\/em>). Cette robustesse th\u00e9orique conf\u00e8re \u00e0 l’introduction d’indicatrices qualitatives une l\u00e9gitimit\u00e9 math\u00e9matique absolue pour tester des hypoth\u00e8ses de recherche complexes.<\/p>\n2. Fondements math\u00e9matiques et la r\u00e8gle formelle des k-1 cat\u00e9gories<\/h2>\n2.1 D\u00e9monstration du pi\u00e8ge des variables muettes et de la colin\u00e9arit\u00e9 parfaite<\/h3>\n L’impl\u00e9mentation na\u00efve de variables indicatrices au sein d’une r\u00e9gression multiple sans pr\u00e9caution m\u00e9thodologique expose le chercheur \u00e0 un \u00e9cueil th\u00e9orique majeur : le \u00ab pi\u00e8ge des variables muettes \u00bb (ou dummy variable trap<\/em>). Ce ph\u00e9nom\u00e8ne math\u00e9matique survient lorsqu’une variable qualitative comportant $k$<\/span> modalit\u00e9s exhaustives et mutuellement exclusives est convertie en exactement $k$<\/span> variables indicatrices en pr\u00e9sence d’une constante (l’interception $\\beta_0$<\/span>) dans le mod\u00e8le de r\u00e9gression.<\/p>\nD’un point de vue alg\u00e9brique, consid\u00e9rons la matrice du plan d’exp\u00e9rience not\u00e9e $\\mathbf{X}$<\/span>, de dimensions $n \\times (k+1)$<\/span>, dont la premi\u00e8re colonne est un vecteur unitaire $\\mathbf{1}$<\/span> associ\u00e9 \u00e0 l’interception, et dont les $k$<\/span> colonnes suivantes repr\u00e9sentent les indicatrices $D_1, D_2, dots, D_k$<\/span>. Chaque observation $i$<\/span> appartenant obligatoirement \u00e0 une et une seule des $k$<\/span> cat\u00e9gories, la somme des indicatrices sur une m\u00eame ligne est syst\u00e9matiquement \u00e9gale \u00e0 l’unit\u00e9 :<\/p>\n$$\\sum_{j=1}^{k} D_{ij} = 1, \\quad \\forall i in {1, 2, dots, n}$$<\/span><\/p>\nIl en r\u00e9sulte une relation de d\u00e9pendance lin\u00e9aire exacte entre le vecteur de la constante et les $k$<\/span> colonnes des variables indicatrices :<\/p>\n$$\\mathbf{1} – \\sum_{j=1}^{k} \\mathbf{D}_j = \\mathbf{0}$$<\/span><\/p>\nCette d\u00e9pendance lin\u00e9aire stricte a pour effet imm\u00e9diat de r\u00e9duire le rang de la matrice $\\mathbf{X}$<\/span>, qui devient strictement inf\u00e9rieur au nombre de ses colonnes ($rang(\\mathbf{X}) le k < k+1$<\/span>). Par cons\u00e9quent, la matrice carr\u00e9e sym\u00e9trique $\\mathbf{X}'\\mathbf{X}$<\/span> (transpos\u00e9e de $\\mathbf{X}$<\/span> multipli\u00e9e par $\\mathbf{X}$<\/span>) est singuli\u00e8re, ce qui implique que son d\u00e9terminant est rigoureusement nul : $det(\\mathbf{X}'\\mathbf{X}) = 0$<\/span>. Il devient math\u00e9matiquement impossible de calculer son inverse $(\\mathbf{X}'\\mathbf{X})^{-1}$<\/span>.<\/p>\nL’\u00e9quation normale des moindres carr\u00e9s ordinaires, donn\u00e9e par la relation fondamentale $\\mathbf{\\hat{\\beta}} = (\\mathbf{X}’\\mathbf{X})^{-1}\\mathbf{X}’\\mathbf{Y}$<\/span>, n’admet alors aucune solution unique. Dans le formalisme matriciel, le syst\u00e8me d’\u00e9quations est sous-d\u00e9termin\u00e9 et admet une infinit\u00e9 d’estimations possibles des param\u00e8tres. Sur le plan asymptotique et computationnel, les logiciels statistiques traditionnels tentant de forcer cette inversion g\u00e9n\u00e8rent des erreurs majeures, illustr\u00e9es par l’explosion des variances des estimateurs et des erreurs-types tendant vers l’infini, ou recourent \u00e0 l’\u00e9limination arbitraire d’un des vecteurs pour lever la singularit\u00e9 matricielle.<\/p>\n2.2 Crit\u00e8res de s\u00e9lection rationnelle de la cat\u00e9gorie de r\u00e9f\u00e9rence<\/h3>\n Pour contourner de mani\u00e8re d\u00e9terministe le pi\u00e8ge des variables muettes, la r\u00e8gle empirique et math\u00e9matique impose d’omettre syst\u00e9matiquement l’une des indicatrices lors de la sp\u00e9cification de l’\u00e9quation, en ne conservant que $k – 1$<\/span> variables muettes en pr\u00e9sence de la constante. La modalit\u00e9 exclue du syst\u00e8me devient alors la \u00ab cat\u00e9gorie de r\u00e9f\u00e9rence \u00bb (ou groupe de base\/contr\u00f4le). Le choix de cette cat\u00e9gorie n’est pas anodin : bien qu’il ne modifie en rien la qualit\u00e9 globale de l’ajustement du mod\u00e8le ($R^2$<\/span>, somme des carr\u00e9s r\u00e9siduelle, statistiques de test global $F$<\/span>), il r\u00e9oriente substantiellement la signification conceptuelle de chaque coefficient estim\u00e9 et conditionne la pr\u00e9cision statistique des tests d’hypoth\u00e8ses individuels.<\/p>\nPlusieurs crit\u00e8res rationnels doivent guider le choix du statisticien dans la d\u00e9signation de ce groupe de r\u00e9f\u00e9rence :<\/p>\n
\nLe crit\u00e8re de fr\u00e9quence (modalit\u00e9 modale) :<\/strong> Choisir la modalit\u00e9 regroupant le plus grand effectif au sein de l’\u00e9chantillon constitue la strat\u00e9gie recommand\u00e9e pour maximiser la puissance statistique. L’erreur-type d’un coefficient associ\u00e9 \u00e0 une variable muette \u00e9tant inversement proportionnelle \u00e0 la taille d’\u00e9chantillon des groupes compar\u00e9s, une modalit\u00e9 de r\u00e9f\u00e9rence volumineuse r\u00e9duit la variance de l’estimateur de l’interception et stabilise l’ensemble des comparaisons bilat\u00e9rales.<\/li>\nLe crit\u00e8re conceptuel et exp\u00e9rimental :<\/strong> Dans les protocoles cliniques ou les devis quasi-exp\u00e9rimentaux, la cat\u00e9gorie de r\u00e9f\u00e9rence s’impose d’elle-m\u00eame sous la forme du groupe t\u00e9moin, du groupe recevant un placebo, ou de l’\u00e9tat standard (baseline). Cette s\u00e9lection offre une interpr\u00e9tation imm\u00e9diate : chaque coefficient de r\u00e9gression $\\beta_j$<\/span> traduit directement l’effet diff\u00e9rentiel du traitement exp\u00e9rimental $j$<\/span> par rapport \u00e0 l’absence de traitement.<\/li>\nLe crit\u00e8re de stabilit\u00e9 th\u00e9orique :<\/strong> Il convient d’\u00e9viter scrupuleusement de retenir comme r\u00e9f\u00e9rence une cat\u00e9gorie marginale, instable ou r\u00e9siduelle (telle qu’une cat\u00e9gorie fourre-tout \u00ab Autre \u00bb). Une telle modalit\u00e9 pr\u00e9sente une forte h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne et une variance d’\u00e9chantillonnage \u00e9lev\u00e9e, ce qui affaiblirait la robustesse des contrastes statistiques et compromettrait la lisibilit\u00e9 des conclusions.<\/li>\n<\/ul>\n2.3 G\u00e9n\u00e9ralisation math\u00e9matique pour k modalit\u00e9s polytomiques<\/h3>\n La formulation g\u00e9n\u00e9rale du mod\u00e8le lin\u00e9aire incluant un attribut polytomique \u00e0 $k$<\/span> modalit\u00e9s s’exprime par le d\u00e9veloppement suivant. En d\u00e9signant la premi\u00e8re modalit\u00e9 ($j=1$<\/span>) comme cat\u00e9gorie de r\u00e9f\u00e9rence omise, l’\u00e9quation s’\u00e9crit pour chaque individu $i$<\/span> :<\/p>\n$$Y_i = \\beta_0 + \\sum_{j=2}^{k} \\beta_j D_{ij} + \\sum_{m=1}^{p} \\gamma_m Z_{mi} + \\varepsilon_i$$<\/span><\/p>\no\u00f9 les $D_{ij}$<\/span> (pour $j in {2, dots, k}$<\/span>) sont les $k-1$<\/span> variables indicatrices g\u00e9n\u00e9r\u00e9es, $Z_{mi}$<\/span> repr\u00e9sente un ensemble de $p$<\/span> covariables quantitatives de contr\u00f4le, et $\\varepsilon_i \\sim \\mathcal{N}(0, \\sigma^2)$<\/span> constitue le terme d’erreur stochastique. Sous cette param\u00e9trisation standard dite de r\u00e9f\u00e9rence, le vecteur de contrastes associ\u00e9 \u00e0 la modalit\u00e9 $j$<\/span> s’interpr\u00e8te rigoureusement par l’esp\u00e9rance math\u00e9matique conditionnelle :<\/p>\n$$\\mathbb{E}[Y_i mid D_{ij} = 1, \\mathbf{Z}_i = \\mathbf{0}] = \\beta_0 + \\beta_j$$<\/span><\/p>\nPour un individu appartenant \u00e0 la cat\u00e9gorie de r\u00e9f\u00e9rence, l’ensemble des variables muettes s’annule simultan\u00e9ment ($D_{i2} = D_{i3} = dots = D_{ik} = 0$<\/span>). D\u00e8s lors, l’esp\u00e9rance conditionnelle s’\u00e9crit :<\/p>\n$$\\mathbb{E}[Y_i mid D_{i2}=0, dots, D_{ik}=0, \\mathbf{Z}_i = \\mathbf{0}] = \\beta_0$$<\/span><\/p>\nL’interception $\\beta_0$<\/span> ne repr\u00e9sente donc plus la moyenne g\u00e9n\u00e9rale inconditionnelle de la population, mais correspond sp\u00e9cifiquement \u00e0 la moyenne th\u00e9orique attendue pour le groupe de r\u00e9f\u00e9rence lorsque l’ensemble des covariables d’ajustement est fix\u00e9 \u00e0 z\u00e9ro. Par d\u00e9duction directe, chaque param\u00e8tre de pente $\\beta_j$<\/span> quantifie l’\u00e9cart exact entre l’esp\u00e9rance du groupe $j$<\/span> et celle du groupe de r\u00e9f\u00e9rence :<\/p>\n$$\\beta_j = \\mathbb{E}[Y_i mid D_{ij} = 1, \\mathbf{Z}_i = \\mathbf{0}] – \\mathbb{E}[Y_i mid \\text{R\u00e9f\u00e9rence}, \\mathbf{Z}_i = \\mathbf{0}]$$<\/span><\/p>\nCe syst\u00e8me se distingue d’autres sch\u00e9mas de codage vectoriel, tels que les codages de Helmert ou les contrastes polynomiaux utilis\u00e9s en psychom\u00e9trie. Le codage muet simple pr\u00e9sente l’avantage d’une lisibilit\u00e9 imm\u00e9diate, en transformant chaque test $t$<\/span> de Student sur le coefficient $\\beta_j$<\/span> en un test d’hypoth\u00e8se bilat\u00e9ral direct sur l’existence d’une divergence significative entre la modalit\u00e9 $j$<\/span> et la cat\u00e9gorie de base.<\/p>\n3. Pr\u00e9sentation du jeu de donn\u00e9es empirique et contextualisation empirique<\/h2>\n3.1 Structure des donn\u00e9es sociod\u00e9mographiques et \u00e9conomiques<\/h3>\n Afin de concr\u00e9tiser les concepts th\u00e9oriques expos\u00e9s pr\u00e9c\u00e9demment et de fournir un cadre d’application reproductible sous SAS, nous d\u00e9ployons une cohorte empirique repr\u00e9sentative de donn\u00e9es sociod\u00e9mographiques. L’objectif analytique consiste \u00e0 mod\u00e9liser la distribution du revenu annuel individuel (exprim\u00e9 en milliers d’euros standardis\u00e9s) en fonction de l’\u00e2ge chronologique des participants et de leur situation maritale.<\/p>\n
La structure conceptuelle de cette investigation repose sur un devis corr\u00e9lationnel multivari\u00e9 comportant une variable d\u00e9pendante continue, une variable ind\u00e9pendante quantitative continue, et une variable explicative nominale \u00e0 trois niveaux :<\/p>\n
\nRevenu (Variable d\u00e9pendante, not\u00e9e income<\/em>) :<\/strong> Montant du salaire annuel brut standardis\u00e9 (en milliers d’euros), mod\u00e9lis\u00e9 comme un processus continu soumis aux al\u00e9as \u00e9conomiques.<\/li>\n\u00c2ge (Variable ind\u00e9pendante quantitative, not\u00e9e age<\/em>) :<\/strong> \u00c2ge chronologique des individus exprim\u00e9 en ann\u00e9es r\u00e9volues, agissant comme variable d’ajustement et capturant la progression professionnelle au fil de la carri\u00e8re.<\/li>\nStatut matrimonial (Variable ind\u00e9pendante qualitative, not\u00e9e marital_status<\/em>) :<\/strong> Attribut qualitatif polytomique \u00e0 trois modalit\u00e9s discr\u00e8tes (C\u00e9libataire, Mari\u00e9, Divorc\u00e9), refl\u00e9tant des contextes de vie socio-\u00e9conomiques diff\u00e9renci\u00e9s.<\/li>\n<\/ul>\nL’\u00e9chantillon retenu pour notre d\u00e9monstration p\u00e9dagogique se compose de dix observations prototypiques permettant d’illustrer rigoureusement le comportement des algorithmes matriciels de SAS sans introduire d’artefacts computationnels excessifs li\u00e9s \u00e0 la volum\u00e9trie.<\/p>\n
3.2 D\u00e9finition op\u00e9rationnelle de la variable statut matrimonial<\/h3>\n L’op\u00e9rationnalisation de la variable marital_status<\/code> requiert une typologie claire des modalit\u00e9s retenues. Les sciences sociales ont amplement d\u00e9montr\u00e9 que la configuration du m\u00e9nage exerce un impact structurel sur l’accumulation de capital \u00e9conomique et le niveau de r\u00e9mun\u00e9ration :<\/p>\n\nModalit\u00e9 \u00ab C\u00e9libataire \u00bb (Single) :<\/strong> Cette modalit\u00e9 regroupe les individus n’ayant contract\u00e9 aucun engagement civil matrimonial l\u00e9gal. Dans notre architecture d’analyse, cette cat\u00e9gorie est s\u00e9lectionn\u00e9e a priori<\/em> comme groupe de base ou modalit\u00e9 de r\u00e9f\u00e9rence, en raison de sa clart\u00e9 conceptuelle pour mesurer les primes ou p\u00e9nalit\u00e9s \u00e9conomiques associ\u00e9es aux transitions maritales.<\/li>\nModalit\u00e9 \u00ab Mari\u00e9 \u00bb (Married) :<\/strong> Cette modalit\u00e9 englobe les sujets engag\u00e9s dans une union l\u00e9gale reconnue. Dans la litt\u00e9rature empirique sur le travail, cette cat\u00e9gorie fait souvent l’objet d’hypoth\u00e8ses relatives \u00e0 la prime maritale salariale masculine ou \u00e0 des r\u00e9organisations de la productivit\u00e9 domestique.<\/li>\nModalit\u00e9 \u00ab Divorc\u00e9 \u00bb (Divorced) :<\/strong> Cette cat\u00e9gorie comprend les individus ayant v\u00e9cu une dissolution juridique de leur pr\u00e9c\u00e9dente union. Elle pr\u00e9sente un int\u00e9r\u00eat clinique et \u00e9conomique marqu\u00e9 en raison des charges financi\u00e8res distinctes et des transitions de vie qu’elle induit.<\/li>\n<\/ul>\nL’\u00e9valuation simultan\u00e9e de ces statuts permettra de mesurer l’impact de chaque configuration sur le revenu annuel, tout en isolant l’effet confondant majeur induit par l’\u00e2ge des participants, les individus mari\u00e9s ou divorc\u00e9s \u00e9tant statistiquement plus \u00e2g\u00e9s que les c\u00e9libataires entrant sur le march\u00e9 du travail.<\/p>\n
3.3 Pr\u00e9paration de l’environnement de travail dans SAS<\/h3>\n Pour initier le traitement au sein de l’environnement SAS (qu’il s’agisse de SAS 9.4 sur station de travail ou de la suite SAS Viya \/ SAS OnDemand for Academics), la table d’analyse doit \u00eatre mat\u00e9rialis\u00e9e dans la biblioth\u00e8que de travail temporaire WORK<\/code> \u00e0 l’aide d’une \u00e9tape DATA standard.<\/p>\nLe code SAS ci-dessous r\u00e9alise l’ingestion des donn\u00e9es brutes au moyen des commandes INPUT<\/code> et DATALINES<\/code>. La pr\u00e9sence du symbole dollar ($<\/code>) imm\u00e9diatement apr\u00e8s le nom de la variable marital_status<\/code> instruit explicitement le compilateur SAS d’allouer un type de donn\u00e9es alphanum\u00e9rique (caract\u00e8re) \u00e0 cette colonne :<\/p>\nLe script s’articule comme suit :<\/p>\n
On cr\u00e9e la table WORK.sample_data<\/code> via une instruction data sample_data;<\/code>. On d\u00e9clare ensuite l’instruction de lecture input id age marital_status $ income;<\/code>. Puis, sous la ligne de d\u00e9marcation datalines;<\/code>, on injecte les dix enregistrements empiriques associant l’identifiant individuel, l’\u00e2ge, le statut marital textuel et le revenu annuel brut :<\/p>\nObservation 1 : ID 1, 25 ans, Single, revenu 32 k\u20ac.;<\/code> et la directive d’ex\u00e9cution imm\u00e9diate run;<\/code>.<\/p>\nD\u00e8s l’ex\u00e9cution de cette \u00e9tape, la bonne pratique m\u00e9thodologique impose une v\u00e9rification rigoureuse de la structure du jeu de donn\u00e9es via la proc\u00e9dure PROC CONTENTS<\/code> :<\/p>\nL’ex\u00e9cution de proc contents data=sample_data; run;<\/code> g\u00e9n\u00e8re le dictionnaire complet de la table. Elle confirme le type des variables (num\u00e9rique pour age<\/code>, id<\/code>, et income<\/code> ; caract\u00e8re pour marital_status<\/code>), la longueur allou\u00e9e en octets et le volume total d’enregistrements trait\u00e9s avec succ\u00e8s. Cette \u00e9tape garantit l’int\u00e9grit\u00e9 de la structure avant toute manipulation conditionnelle ult\u00e9rieure.<\/p>\n4. Cr\u00e9ation manuelle de variables muettes via l’\u00e9tape DATA dans SAS<\/h2>\n4.1 Syntaxe s\u00e9quentielle avec structures conditionnelles IF-THEN-ELSE<\/h3>\n La m\u00e9thode la plus explicite et transparente pour cr\u00e9er des variables muettes dans SAS r\u00e9side dans l’utilisation de structures logiques conditionnelles s\u00e9quentielles IF-THEN-ELSE<\/code> au sein de l’\u00e9tape DATA. Cette approche manuelle offre un contr\u00f4le total sur l’assignation des valeurs binaires et facilite l’audit du code par des \u00e9valuateurs ind\u00e9pendants.<\/p>\nLe principe fondamental consiste \u00e0 initialiser ou tester chaque modalit\u00e9 qualitative pour g\u00e9n\u00e9rer les variables indicatrices d\u00e9riv\u00e9es. Sachant que la variable originale marital_status<\/code> poss\u00e8de $k=3$<\/span> modalit\u00e9s, nous devons cr\u00e9er $k-1=2$<\/span> variables muettes en d\u00e9signant la modalit\u00e9 \u00ab Single \u00bb comme r\u00e9f\u00e9rence implicite. Les deux variables cr\u00e9\u00e9es sont status_married<\/code> et status_divorced<\/code>.<\/p>\nL’\u00e9criture s\u00e9quentielle s’organise rigoureusement selon l’algorithme suivant au sein de l’\u00e9tape DATA :<\/p>\n
Dans un bloc data sample_dummy; set sample_data;<\/code> :if marital_status = 'Married' then status_married = 1; else status_married = 0;<\/code>.if marital_status = 'Divorced' then status_divorced = 1; else status_divorced = 0;<\/code>.run;<\/code> d\u00e9clenche la compilation et le traitement ligne \u00e0 ligne du vecteur d’enregistrement (PDV : Program Data Vector<\/em>).<\/p>\nSur le plan de l’efficacit\u00e9 computationnelle, bien que cette syntaxe s\u00e9quentielle soit lisible, elle pr\u00e9sente l’inconv\u00e9nient d’ex\u00e9cuter de multiples tests conditionnels disjoints par ligne d’enregistrement. Lors du traitement de volumes massifs (plusieurs dizaines de millions de lignes), la multiplication de ces blocs conditionnels entra\u00eene un surco\u00fbt en temps processeur (CPU) qui justifie l’utilisation d’expressions bool\u00e9ennes vectoris\u00e9es ou de tableaux temporaires.<\/p>\n
4.2 Utilisation d’expressions bool\u00e9ennes simplifi\u00e9es<\/h3>\n L’interpr\u00e9teur SAS dispose d’un m\u00e9canisme hautement optimis\u00e9 pour l’\u00e9valuation des \u00e9quations logiques : toute proposition bool\u00e9enne \u00e9valu\u00e9e comme vraie renvoie la valeur num\u00e9rique 1, tandis qu’une condition fausse renvoie automatiquement la valeur num\u00e9rique 0. Cette propri\u00e9t\u00e9 intrins\u00e8que permet de condenser drastiquement la cr\u00e9ation de variables muettes sans recourir \u00e0 des blocs conditionnels verbaux.<\/p>\n
La formulation condens\u00e9e prend alors la forme math\u00e9matique suivante au sein de l’\u00e9tape DATA :<\/p>\n
Dans un bloc data sample_dummy_bool; set sample_data;<\/code> :status_married = (marital_status = 'Married');<\/code>status_divorced = (marital_status = 'Divorced');<\/code>run;<\/code>.<\/p>\nCette syntaxe pr\u00e9sente des b\u00e9n\u00e9fices m\u00e9thodologiques majeurs. D’une part, elle am\u00e9liore la compacit\u00e9 et l’\u00e9l\u00e9gance du programme en \u00e9liminant les redondances syntaxiques IF-THEN-ELSE<\/code>. D’autre part, elle garantit l’affectation imm\u00e9diate d’un typage num\u00e9rique standard (format 8 octets \u00e0 virgule flottante double pr\u00e9cision sous architecture x86_64). D\u00e8s lors, pour un individu c\u00e9libataire, les expressions (marital_status = 'Married')<\/code> et (marital_status = 'Divorced')<\/code> sont toutes deux \u00e9valu\u00e9es comme fausses, renvoyant simultan\u00e9ment la valeur 0 aux deux indicatrices, ce qui valide son r\u00f4le de cat\u00e9gorie de r\u00e9f\u00e9rence.<\/p>\n4.3 Validation de la cr\u00e9ation des indicatrices avec PROC PRINT<\/h3>\n Toute transformation de variables en programmation statistique impose une phase de validation empirique destin\u00e9e \u00e0 v\u00e9rifier l’exactitude des transformations ex\u00e9cut\u00e9es. La proc\u00e9dure PROC PRINT<\/code> constitue l’outil de r\u00e9f\u00e9rence pour inspecter directement les premi\u00e8res lignes de la table d\u00e9riv\u00e9e :<\/p>\nEn ex\u00e9cutant l’instruction : proc print data=sample_dummy_bool (obs=10); run;<\/code>, le chercheur g\u00e9n\u00e8re la grille de donn\u00e9es compl\u00e8te. L’examen des colonnes d\u00e9riv\u00e9es permet de v\u00e9rifier la validit\u00e9 des assignations :<\/p>\n\nPour la ligne 1 (\u00c2ge 25, marital_status = Single<\/code>) : status_married = 0<\/code> et status_divorced = 0<\/code>. L’appartenance exclusive \u00e0 la modalit\u00e9 de r\u00e9f\u00e9rence est scrupuleusement respect\u00e9e.<\/li>\nPour la ligne 2 (\u00c2ge 30, marital_status = Married<\/code>) : status_married = 1<\/code> et status_divorced = 0<\/code>.<\/li>\nPour la ligne 3 (\u00c2ge 45, marital_status = Divorced<\/code>) : status_married = 0<\/code> et status_divorced = 1<\/code>.<\/li>\n<\/ul>\nCette inspection visuelle confirme que la condition d’exclusion mutuelle stricte est pr\u00e9serv\u00e9e sur l’ensemble de la table : aucune ligne ne pr\u00e9sente simultan\u00e9ment la valeur 1 sur les deux indicatrices cr\u00e9\u00e9es. De surcro\u00eet, le volume des lignes mod\u00e9lis\u00e9es correspond point par point \u00e0 la taille de l’\u00e9chantillon d’origine, garantissant l’absence de rejets involontaires d’observations lors de la phase de transformation.<\/p>\n
5. Automatisation de l’encodage avec des tableaux et boucles dans SAS<\/h2>\n5.1 D\u00e9claration et manipulation des tableaux temporaires avec ARRAY<\/h3>\n Lorsque le statisticien travaille sur des bases de donn\u00e9es volumineuses comportant des pr\u00e9dicteurs qualitatifs \u00e0 nombreuses modalit\u00e9s (par exemple, la classification des professions selon la nomenclature socioprofessionnelle comptant 20 cat\u00e9gories, ou la subdivision g\u00e9ographique par d\u00e9partements), l’\u00e9criture manuelle d’instructions conditionnelles devient fastidieuse et source d’erreurs de saisie. Dans ce contexte, l’utilisation de tableaux SAS (structures ARRAY<\/code>) s’av\u00e8re indispensable pour automatiser l’encodage vectoriel.<\/p>\nL’instruction ARRAY<\/code> ne cr\u00e9e pas une nouvelle structure de donn\u00e9es physique permanente dans la base SAS ; elle d\u00e9finit une r\u00e9f\u00e9rence indic\u00e9e temporaire en m\u00e9moire vive, permettant d’adresser s\u00e9quentiellement un ensemble homog\u00e8ne de variables pr\u00e9existantes ou cr\u00e9\u00e9es \u00e0 la vol\u00e9e. Pour g\u00e9n\u00e9rer automatiquement des variables muettes, deux tableaux parall\u00e8les doivent \u00eatre d\u00e9clar\u00e9s au sein de l’\u00e9tape DATA :<\/p>\n\nUn tableau num\u00e9rique contenant les nouvelles variables indicatrices destin\u00e9es \u00e0 figurer dans le mod\u00e8le de r\u00e9gression.<\/li>\n Un tableau temporaire de caract\u00e8res stockant les cha\u00eenes litt\u00e9rales correspondant aux modalit\u00e9s qualitatives \u00e0 tester.<\/li>\n<\/ul>\nLa d\u00e9claration de tableaux temporaires au moyen du mot-cl\u00e9 _TEMPORARY_<\/code> optimise la gestion des ressources syst\u00e8me. Ces \u00e9l\u00e9ments r\u00e9sidant exclusivement dans la m\u00e9moire vive durant l’ex\u00e9cution de l’\u00e9tape DATA sans \u00eatre \u00e9crits physiquement sur le disque dur au sein de la table de sortie, le d\u00e9bit d’entr\u00e9e\/sortie (I\/O) s’en trouve nettement acc\u00e9l\u00e9r\u00e9.<\/p>\n5.2 It\u00e9ration dynamique par l’instruction DO OVER<\/h3>\n L’association des structures ARRAY<\/code> \u00e0 des boucles it\u00e9ratives DO<\/code> permet d’automatiser l’encodage de fa\u00e7on dynamique. L’indexation s\u00e9quentielle permet d’\u00e9valuer la correspondance entre la valeur textuelle d’un enregistrement et chaque modalit\u00e9 cible configur\u00e9e dans le tableau de constantes.<\/p>\nConsid\u00e9rons la programmation d’une boucle compl\u00e8te pour traiter la variable marital_status<\/code> :<\/p>\nAu sein d’une \u00e9tape data sample_array; set sample_data;<\/code> :array d_stat[2] status_married status_divorced;<\/code>.array val[2] $ 8 _temporary_ ('Married', 'Divorced');<\/code>.do i = 1 to dim(d_stat);<\/code>.d_stat[i] = (marital_status = val[i]);<\/code>.end;<\/code>, puis on \u00e9carte la variable d’it\u00e9ration temporaire via drop i;<\/code>, avant de clore le traitement par run;<\/code>.<\/p>\nCet algorithme parcourt l’ensemble des modalit\u00e9s cibles sans qu’aucune duplication de code ne soit n\u00e9cessaire. Lors du traitement de volumes massifs, la compacit\u00e9 du jeu d’instructions limite la consommation de bande passante m\u00e9moire du processeur, garantissant des temps d’ex\u00e9cution optimaux sur les serveurs de calcul haute performance.<\/p>\n
5.3 Gestion automatis\u00e9e de multiples variables qualitatives simultan\u00e9es<\/h3>\n Dans les enqu\u00eates \u00e9pid\u00e9miologiques ou sociologiques d’envergure, l’analyste doit simultan\u00e9ment coder des dizaines de pr\u00e9dicteurs cat\u00e9goriels : le niveau d’\u00e9tudes, la tranche de revenu des parents, le sexe biologique, ou encore le statut d’emploi. L’encapsulation de la logique matricielle au sein de macros SAS r\u00e9utilisables<\/a> permet de standardiser la production des variables muettes.<\/p>\nLa conception d’une macro-commande param\u00e9tr\u00e9e permet d’automatiser la g\u00e9n\u00e9ration de pr\u00e9fixes explicites. En fournissant en arguments le nom de la table source, la variable cat\u00e9gorielle cible, la liste ordonn\u00e9e des modalit\u00e9s et la table r\u00e9sultante, la macro se charge d’analyser le dictionnaire, de d\u00e9nombrer les modalit\u00e9s et d’injecter automatiquement les tableaux ARRAY<\/code> requis.<\/p>\nDe surcro\u00eet, le journal d’ex\u00e9cution de SAS (SAS Log<\/em>) fournit un enregistrement complet des transformations ex\u00e9cut\u00e9es. En inspectant syst\u00e9matiquement les messages informatifs g\u00e9n\u00e9r\u00e9s par la compilation des macros et des boucles, le biostatisticien v\u00e9rifie l’absence de conversions implicites ind\u00e9sirables, garantissant une reproductibilit\u00e9 m\u00e9thodologique int\u00e9grale conform\u00e9ment aux exigences de tra\u00e7abilit\u00e9 des agences de r\u00e9gulation telles que la FDA ou l’EMA.<\/p>\n6. G\u00e9n\u00e9ration automatique d’indicatrices via l’instruction CLASS<\/h2>\n6.1 Int\u00e9gration de la clause CLASS dans les proc\u00e9dures de mod\u00e9lisation<\/h3>\n Bien que la cr\u00e9ation manuelle d’indicatrices au sein de l’\u00e9tape DATA pr\u00e9sente une grande clart\u00e9 conceptuelle, SAS int\u00e8gre nativement au sein de ses proc\u00e9dures statistiques avanc\u00e9es un moteur d’encodage automatis\u00e9 : l’instruction CLASS<\/code>. Utilisable dans des proc\u00e9dures telles que PROC GLM<\/code>, PROC LOGISTIC<\/code>, PROC GENMOD<\/code>, PROC MIXED<\/code> ou PROC PHREG<\/code>, la clause CLASS<\/code> d\u00e9l\u00e8gue la d\u00e9composition des attributs qualitatifs au compilateur interne du logiciel.<\/p>\nCette approche pr\u00e9sente un avantage d\u00e9terminant en mati\u00e8re de gestion du stockage physique. En s’affranchissant de l’obligation de cr\u00e9er et de persister des dizaines de colonnes binaires dans les tables sur disque, le chercheur \u00e9conomise de pr\u00e9cieux m\u00e9gaoctets de bande passante et d’espace de stockage. Lors de l’appel d’une variable dans l’instruction CLASS<\/code>, SAS instancie dynamiquement une matrice de plan d’exp\u00e9rience (design matrix<\/em>) transitoire dans la m\u00e9moire d\u00e9di\u00e9e au processus statistique en cours d’ex\u00e9cution.<\/p>\nLa syntaxe de base requiert simplement de d\u00e9clarer la variable cat\u00e9gorielle dans l’instruction CLASS<\/code> pr\u00e9alablement \u00e0 son introduction dans l’instruction MODEL<\/code> :<\/p>\nPar exemple : proc glm data=sample_data; class marital_status; model income = age marital_status \/ solution; run; quit;<\/code>.<\/p>\nL’option \/ solution<\/code> dans PROC GLM<\/code> est obligatoire pour contraindre la proc\u00e9dure \u00e0 afficher les estimations d\u00e9taill\u00e9es des param\u00e8tres individuels $\\beta_j$<\/span>, la sortie par d\u00e9faut de cette proc\u00e9dure se cantonnant historiquement aux tableaux d’analyse de variance globale (sommes des carr\u00e9s de Type I et Type III).<\/p>\n6.2 Sp\u00e9cification de l’option PARAM et choix des contrastes<\/h3>\n La puissance de l’instruction CLASS<\/code> r\u00e9side dans sa capacit\u00e9 \u00e0 param\u00e9trer la matrice de contrastes sous-jacente au moyen de l’option PARAM=<\/code>. Le choix de cette option conditionne la structure alg\u00e9brique des variables indicatrices virtuelles cr\u00e9\u00e9es en arri\u00e8re-plan par SAS :<\/p>\n\nPARAM = REF (Reference Coding) :<\/strong> Cette sp\u00e9cification g\u00e9n\u00e8re rigoureusement le codage muet classique \u00e0 base z\u00e9ro\/un \u00e9tudi\u00e9 jusqu’ici. Elle retient $k-1$<\/span> vecteurs binaires et assigne exclusivement la valeur z\u00e9ro \u00e0 la modalit\u00e9 de r\u00e9f\u00e9rence choisie.<\/li>\nPARAM = EFFECT (Effect Coding) :<\/strong> Cette alternative, \u00e9galement d\u00e9sign\u00e9e sous le terme de codage d’\u00e9cart ou de d\u00e9viation, assigne la valeur 1 \u00e0 la modalit\u00e9 cible, 0 aux autres, mais affecte la valeur -1 \u00e0 la cat\u00e9gorie omise. Sous cette g\u00e9om\u00e9trie, l’interception du mod\u00e8le n’est plus la moyenne du groupe de base, mais refl\u00e8te la grande moyenne non pond\u00e9r\u00e9e de l’ensemble des cellules de l’exp\u00e9rience.<\/li>\nPARAM = POLYNOMIAL :<\/strong> Cette option g\u00e9n\u00e8re des contrastes orthogonaux polynomiaux (lin\u00e9aire, quadratique, cubique), particuli\u00e8rement adapt\u00e9s lorsque les modalit\u00e9s de la variable cat\u00e9gorielle traduisent des \u00e9chelons ordonn\u00e9s \u00e9quidistants.<\/li>\n<\/ul>\nIl importe de souligner une divergence historique fondamentale dans les param\u00e8tres par d\u00e9faut de SAS : alors que la proc\u00e9dure moderne PROC LOGISTIC<\/code> utilise par d\u00e9faut le codage PARAM=EFFECT<\/code> (ce qui d\u00e9sar\u00e7onne fr\u00e9quemment les analystes non avertis), la proc\u00e9dure PROC GLMSELECT<\/code> ou les modules de r\u00e9gression logistique configur\u00e9s pour l’\u00e9pid\u00e9miologie requi\u00e8rent souvent de sp\u00e9cifier explicitement PARAM=REF<\/code> pour obtenir les odds ratios<\/em> standardis\u00e9s par rapport \u00e0 une modalit\u00e9 de contr\u00f4le.<\/p>\n6.3 D\u00e9signation cibl\u00e9e de la cat\u00e9gorie de r\u00e9f\u00e9rence avec REF=<\/h3>\n La ma\u00eetrise de la cat\u00e9gorie de r\u00e9f\u00e9rence constitue un imp\u00e9ratif m\u00e9thodologique pour pr\u00e9server le sens des hypoth\u00e8ses formul\u00e9es par le chercheur. Dans l’instruction CLASS<\/code>, la s\u00e9lection de cette modalit\u00e9 s’op\u00e8re de fa\u00e7on d\u00e9terministe via l’argument syntaxique REF=<\/code> positionn\u00e9 entre parenth\u00e8ses imm\u00e9diatement apr\u00e8s le nom de la variable cat\u00e9gorielle.<\/p>\nL’assignation de la r\u00e9f\u00e9rence peut \u00eatre formul\u00e9e par sa d\u00e9signation textuelle explicite ou par des crit\u00e8res de tri algorithmiques :<\/p>\n
class marital_status (param=ref ref='Single');<\/code><\/p>\nIl est indispensable d’accorder une vigilance rigoureuse \u00e0 la casse typographique (majuscules et minuscules) de la valeur textuelle fournie entre guillemets. Si la cha\u00eene ne correspond pas exactement \u00e0 l’enregistrement brut (par exemple, renseigner
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy4-5.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy6-5.png\")
<\/figure>\n