{"id":1094,"date":"2026-10-14T18:00:37","date_gmt":"2026-10-14T18:00:37","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-rapporter-les-resultats-d-une-regression\/"},"modified":"2026-10-14T18:00:37","modified_gmt":"2026-10-14T18:00:37","slug":"comment-rapporter-les-resultats-d-une-regression","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-rapporter-les-resultats-d-une-regression","title":{"rendered":"Le guide complet : Comment rapporter les r\u00e9sultats d’une r\u00e9gression"},"content":{"rendered":"

La communication des r\u00e9sultats d’analyses statistiques en sciences humaines, sociales et comportementales constitue l’une des \u00e9tapes les plus d\u00e9terminantes du processus de recherche empirique. La r\u00e9gression, qu’elle soit lin\u00e9aire simple, multiple, logistique ou hi\u00e9rarchique, s’impose comme un outil fondamental pour mod\u00e9liser des relations complexes, tester des pr\u00e9dictions th\u00e9oriques et quantifier l’impact de pr\u00e9dicteurs isol\u00e9s ou combin\u00e9s sur un crit\u00e8re donn\u00e9. Pourtant, la transition entre l’environnement logiciel — qu’il s’agisse de R, SPSS, Jamovi ou SAS — et le manuscrit scientifique destin\u00e9 aux comit\u00e9s de lecture repr\u00e9sente un \u00e9cueil m\u00e9thodologique fr\u00e9quent. Un rapport impr\u00e9cis ou fragmentaire affaiblit non seulement la port\u00e9e heuristique des conclusions, mais compromet \u00e9galement la reproductibilit\u00e9 des travaux scientifiques.<\/p>\n

R\u00e9diger la section des r\u00e9sultats d’un mod\u00e8le de r\u00e9gression ne se limite pas \u00e0 \u00e9num\u00e9rer des coefficients ou \u00e0 c\u00e9l\u00e9brer un seuil de significativit\u00e9 arbitraire. Cela exige une contextualisation rigoureuse au sein de laquelle chaque statistique r\u00e9pond \u00e0 un imp\u00e9ratif d’interpr\u00e9tabilit\u00e9, de pr\u00e9cision m\u00e9trique et de transparence \u00e9pist\u00e9mologique. L’adoption g\u00e9n\u00e9ralis\u00e9e des normes \u00e9dict\u00e9es par l’American Psychological Association (APA)<\/a> fournit un cadre normatif indispensable qui garantit l’homog\u00e9n\u00e9it\u00e9 r\u00e9dactionnelle et la comparabilit\u00e9 internationale des publications quantitatives.<\/p>\n

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, doctorants et analystes de donn\u00e9es dans la formulation, la mise en forme et l’interpr\u00e9tation des r\u00e9sultats issus de mod\u00e8les de r\u00e9gression. \u00c0 travers un parcours m\u00e9thodique allant de la validation des postulats statistiques \u00e0 la construction de gabarits r\u00e9dactionnels standardis\u00e9s, en passant par la gestion des effets d’interaction et de m\u00e9diation, ce document propose un protocole complet respectant scrupuleusement les exigences de la 7e \u00e9dition des normes APA.<\/p>\n

1. Introduction aux normes de communication des analyses de r\u00e9gression<\/h2>\n

1.1 L’importance de la standardisation selon les normes de l’APA (7e \u00e9dition)<\/h3>\n

L’alignement sur les directives strictes de publication \u00e9tablies par l’APA dans sa septi\u00e8me \u00e9dition r\u00e9pond \u00e0 un imp\u00e9ratif fondamental d’harmonisation de la litt\u00e9rature en psychologie quantitative, en sciences de l’\u00e9ducation et plus largement en sciences sociales. Historiquement, la dispersion des conventions de notation statistique constituait un frein majeur \u00e0 la transmission des connaissances, les auteurs recourant fr\u00e9quemment \u00e0 des repr\u00e9sentations h\u00e9t\u00e9rog\u00e8nes pour d\u00e9signer des concepts identiques. La standardisation stylistique transcende la simple exigence typographique : elle structure l’architecture cognitive du lecteur acad\u00e9mique en lui permettant d’identifier imm\u00e9diatement les param\u00e8tres fondamentaux d’un mod\u00e8le sans achopper sur des idiosyncrasies r\u00e9dactionnelles.<\/p>\n

Cette harmonisation des notations conf\u00e8re aux \u00e9crits scientifiques une lisibilit\u00e9 internationale imm\u00e9diate. Dans le syst\u00e8me APA, la mise en forme des caract\u00e8res ob\u00e9it \u00e0 des distinctions s\u00e9mantiques pr\u00e9cises : les symboles statistiques d\u00e9sign\u00e9s par des lettres latines (tels que F<\/em>, t<\/em>, p<\/em>, R<\/em>\u00b2 ou N<\/em>) doivent syst\u00e9matiquement \u00eatre typographi\u00e9s en italique, tandis que les lettres grecques (comme \u03b2<\/em> pour le coefficient standardis\u00e9 ou \u03b1<\/em> pour le seuil d’erreur de premi\u00e8re esp\u00e8ce) conservent une typographie droite. Cette discipline visuelle pr\u00e9vient toute ambigu\u00eft\u00e9 de lecture lors du d\u00e9chiffrement de formules denses ou de tableaux de synth\u00e8se complexes.<\/p>\n

Au-del\u00e0 de la forme, les normes de l’APA imposent une distinction conceptuelle claire entre les param\u00e8tres de l’\u00e9chantillon observ\u00e9 et les estimations relatives \u00e0 la population parente. Lorsque l’on rapporte un coefficient de r\u00e9gression brut non standardis\u00e9 issu d’un \u00e9chantillon fini, la notation consacr\u00e9e est la lettre latine majuscule en italique B<\/em> (ou parfois b<\/em>), alors que la r\u00e9f\u00e9rence th\u00e9orique au param\u00e8tre de la population utilise la lettre grecque minuscule \u03b2<\/em> (b\u00eata). En pratique clinique et exp\u00e9rimentale, l’usage contemporain de la 7e \u00e9dition privil\u00e9gie le symbole \u03b2<\/em> pour le coefficient standardis\u00e9 obtenu sur l’\u00e9chantillon, soulignant la n\u00e9cessit\u00e9 pour le r\u00e9dacteur d’expliciter sans \u00e9quivoque la nature — m\u00e9trique ou adimensionnelle — des indices num\u00e9riques communiqu\u00e9s afin de garantir l’absence de confusion interpr\u00e9tative.<\/p>\n

1.2 Transparence statistique et reproductibilit\u00e9 en sciences psychologiques<\/h3>\n

Les sciences psychologiques et comportementales traversent depuis plus d’une d\u00e9cennie une crise de reproductibilit\u00e9 sans pr\u00e9c\u00e9dent, laquelle a profond\u00e9ment remodel\u00e9 les exigences de communication m\u00e9thodologique. Dans le cadre des analyses multivari\u00e9es, les pratiques de manipulation opportuniste des donn\u00e9es — regroup\u00e9es sous l’appellation g\u00e9n\u00e9rique de p-hacking<\/em><\/a> — ainsi que le biais de publication ont longtemps fauss\u00e9 la m\u00e9ta-analyse des effets r\u00e9els. Le rapportage d’une r\u00e9gression ne peut d\u00e9sormais plus se contenter d’isoler les pr\u00e9dicteurs ayant atteint le seuil canonique de significativit\u00e9 statistique en occultant les pr\u00e9dicteurs initiaux qui se sont av\u00e9r\u00e9s non contributifs.<\/p>\n

La d\u00e9ontologie de la recherche quantitative exige une documentation int\u00e9grale de la matrice des pr\u00e9dicteurs test\u00e9s, conform\u00e9ment aux mod\u00e8les pr\u00e9enregistr\u00e9s ou aux hypoth\u00e8ses a priori<\/em>. La pratique d\u00e9l\u00e9t\u00e8re consistant \u00e0 \u00e9liminer subreptice d’un mod\u00e8le final une variable ind\u00e9pendante non significative — sans justification th\u00e9orique ni mention explicite dans le texte — alt\u00e8re gravement l’estimation des erreurs-types des pr\u00e9dicteurs restants et gonfle artificiellement le risque de commettre une erreur de type I. Documenter les pr\u00e9dicteurs non significatifs, avec la m\u00eame rigueur m\u00e9trique (coefficients, erreurs-types, intervalles de confiance et valeurs p<\/em> exactes) que les pr\u00e9dicteurs statistiquement significatifs, constitue la pierre angulaire de l’int\u00e9grit\u00e9 scientifique contemporaine.<\/p>\n

Dans cette dynamique de transparence, la simple pr\u00e9sentation des r\u00e9sultats textuels ne suffit plus \u00e0 satisfaire les crit\u00e8res des revues \u00e0 fort facteur d’impact. Il est d\u00e9sormais vivement encourag\u00e9, voire formellement exig\u00e9, de mettre \u00e0 la disposition de la communaut\u00e9 les scripts d’analyse informatique (syntaxe R, do-files Stata ou syntaxes SPSS) ainsi que les matrices de corr\u00e9lation et de variance-covariance sous-jacentes. En fournissant la matrice des intercorr\u00e9lations accompagn\u00e9e des moyennes et des \u00e9carts-types de l’ensemble des variables, l’auteur permet \u00e0 n’importe quel pair de r\u00e9pliquer exactement les estimations du mod\u00e8le de r\u00e9gression lin\u00e9aire sans n\u00e9cessairement avoir acc\u00e8s aux donn\u00e9es brutes individuelles, favorisant ainsi une culture de v\u00e9rifiabilit\u00e9 collective.<\/p>\n

1.3 Vue d’ensemble des composantes statistiques obligatoires<\/h3>\n

Pour \u00eatre qualifi\u00e9 de complet et conforme aux standards acad\u00e9miques, le rapport d’une analyse de r\u00e9gression doit articuler trois niveaux d’information interd\u00e9pendants : l’ajustement global du mod\u00e8le, l’\u00e9valuation individuelle des variables pr\u00e9dictives et l’indication de la marge d’incertitude entourant ces estimations. L’\u00e9valuation de l’ad\u00e9quation globale requiert la communication syst\u00e9matique du coefficient de d\u00e9termination (R<\/em>\u00b2 pour la r\u00e9gression simple et multiple, ou R<\/em>\u00b2 ajust\u00e9 pour cette derni\u00e8re), accompagn\u00e9 du test omnibus F<\/em> de Fisher-Snedecor qui \u00e9value si la variance expliqu\u00e9e par l’ensemble des r\u00e9gresseurs est significativement sup\u00e9rieure \u00e0 la variance r\u00e9siduelle non mod\u00e9lis\u00e9e.<\/p>\n

Au niveau des pr\u00e9dicteurs individuels, l’exhaustivit\u00e9 impose de consigner \u00e0 la fois le coefficient de r\u00e9gression brut non standardis\u00e9 (B<\/em>) — essentiel pour appr\u00e9cier l’effet unitaire dans l’\u00e9chelle de mesure originale de la variable — et le coefficient standardis\u00e9 (\u03b2<\/em>), lequel convertit les estimations en unit\u00e9s d’\u00e9cart-type et autorise la comparaison de la force pr\u00e9dictive relative de variables aux m\u00e9triques divergentes. Chaque coefficient brut doit obligatoirement \u00eatre flanqu\u00e9 de son erreur-type associ\u00e9e (not\u00e9e SE B<\/em> ou ES B<\/em>), qui quantifie l’impr\u00e9cision de l’\u00e9chantillonnage et sert de d\u00e9nominateur au calcul de la statistique de test t<\/em> de Student.<\/p>\n

Enfin, le rapportage rigoureux exclut les formulations lacunaires qui omettent les degr\u00e9s de libert\u00e9. La statistique globale doit syst\u00e9matiquement pr\u00e9ciser les degr\u00e9s de libert\u00e9 du mod\u00e8le (li\u00e9s au nombre de pr\u00e9dicteurs) et ceux des r\u00e9sidus (li\u00e9s \u00e0 la taille de l’\u00e9chantillon corrig\u00e9e du nombre de param\u00e8tres estim\u00e9s), sous la syntaxe formelle F<\/em>(df<\/em>mod\u00e8le<\/sub>, df<\/em>r\u00e9sidus<\/sub>). Parall\u00e8lement, l’indication des niveaux de significativit\u00e9 ne doit plus s’abriter derri\u00e8re des in\u00e9galit\u00e9s g\u00e9n\u00e9riques telles que \u00ab p<\/em> < .05 \u00bb, sauf lorsque la probabilit\u00e9 calcul\u00e9e est inf\u00e9rieure au milli\u00e8me (\u00ab p<\/em> < .001 \u00bb). L’indication de la valeur p<\/em> exacte \u00e0 trois d\u00e9cimales (par exemple, p<\/em> = .024) combin\u00e9e \u00e0 la fourniture obligatoire de l’intervalle de confiance \u00e0 95 % entourant le coefficient B<\/em> offre une vision non tronqu\u00e9e de la magnitude et de la certitude de l’effet mod\u00e9lis\u00e9.<\/p>\n

2. La v\u00e9rification et le rapport des postulats statistiques pr\u00e9alables<\/h2>\n

2.1 Lin\u00e9arit\u00e9 de la relation et homosc\u00e9dasticit\u00e9<\/h3>\n

L’application du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral repose sur une s\u00e9rie de postulats distributionnels et structurels dont la violation invalide les propri\u00e9t\u00e9s d’optimalit\u00e9 des estimateurs des moindres carr\u00e9s ordinaires (MCO). Le premier de ces postulats stipule que la relation math\u00e9matique liant le crit\u00e8re aux r\u00e9gresseurs est strictement lin\u00e9aire dans ses param\u00e8tres. Le second, d\u00e9sign\u00e9 sous le terme d’homosc\u00e9dasticit\u00e9, impose que la variance des r\u00e9sidus — c’est-\u00e0-dire l’erreur de pr\u00e9diction — demeure constante \u00e0 travers l’ensemble des niveaux pr\u00e9dits par le mod\u00e8le. La v\u00e9rification de ces deux conditions fondamentales ne saurait \u00eatre pass\u00e9e sous silence lors de la r\u00e9daction de la section m\u00e9thodologique.<\/p>\n

Le moyen le plus direct et informatif de v\u00e9rifier conjointement la lin\u00e9arit\u00e9 et l’homosc\u00e9dasticit\u00e9 consiste \u00e0 rapporter l’inspection visuelle du graphique de dispersion opposant les valeurs pr\u00e9dites par le mod\u00e8le (sur l’axe des abscisses) aux r\u00e9sidus standardis\u00e9s ou studentis\u00e9s (sur l’axe des ordonn\u00e9es). Une configuration id\u00e9ale se mat\u00e9rialise par une bande horizontale de points distribu\u00e9s de mani\u00e8re al\u00e9atoire et homog\u00e8ne autour de la ligne z\u00e9ro, sans structure apparente. L’observation d’une forme en entonnoir (r\u00e9sidus s’\u00e9cartant \u00e0 mesure que les valeurs pr\u00e9dites augmentent) trahit une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 manifeste, tandis qu’une courbure en cloche ou en bol r\u00e9v\u00e8le une violation de la lin\u00e9arit\u00e9, sugg\u00e9rant la n\u00e9cessit\u00e9 d’introduire des termes polynomiaux ou de transformer les variables.<\/p>\n

Lorsque la dimension de l’\u00e9chantillon ou les exigences \u00e9ditoriales requi\u00e8rent une validation probabiliste formelle, les chercheurs compl\u00e8tent l’approche graphique par des tests d’ad\u00e9quation sp\u00e9cifiques. Le test de Breusch-Pagan<\/a> ou le test de Koenker sont alors mobilis\u00e9s pour tester formellement la d\u00e9pendance de la variance r\u00e9siduelle vis-\u00e0-vis des covariables. Le texte acad\u00e9mique doit consigner la valeur de la statistique de test ainsi que sa significativit\u00e9 (par exemple : \u00ab Le test de Breusch-Pagan n’a pas r\u00e9v\u00e9l\u00e9 d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 statistiquement significative, \u03c7<\/em>\u00b2(3) = 4.12, p<\/em> = .249 \u00bb). En pr\u00e9sence d’une violation av\u00e9r\u00e9e du postulat d’homosc\u00e9dasticit\u00e9, l’auteur doit documenter la solution r\u00e9paratrice retenue, consistant g\u00e9n\u00e9ralement en l’application d’erreurs-types robustes \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, telles que les corrections de White ou, id\u00e9alement, les estimateurs HC3 ou HC4, reconnus pour leur robustesse sup\u00e9rieure sur des \u00e9chantillons de taille modeste.<\/p>\n

2.2 Normalit\u00e9 de la distribution des r\u00e9sidus<\/h3>\n

Le postulat de normalit\u00e9 des r\u00e9sidus conditionnels est souvent mal compris dans la pratique empirique : il ne concerne en aucun cas la distribution marginale des variables brutes (ind\u00e9pendantes ou d\u00e9pendantes), mais exclusivement la distribution des \u00e9carts entre les observations empiriques et les valeurs th\u00e9oriques g\u00e9n\u00e9r\u00e9es par l’hyperplan de r\u00e9gression. Bien que le th\u00e9or\u00e8me central limite garantisse que les estimateurs des coefficients de r\u00e9gression convergent vers une distribution normale lorsque la taille de l’\u00e9chantillon devient substantielle (typiquement N<\/em> > 100 ou 200), la normalit\u00e9 stricte des erreurs r\u00e9siduelles demeure indispensable pour que les inf\u00e9rences d\u00e9duites des distributions t<\/em> et F<\/em> soient rigoureusement exactes sur des \u00e9chantillons r\u00e9duits.<\/p>\n

Pour justifier de la conformit\u00e9 distributionnelle, l’argumentation textuelle s’appuie pr\u00e9f\u00e9rentiellement sur l’analyse des diagrammes quantiles-quantiles (trac\u00e9s Q-Q plots). Sur ces repr\u00e9sentations, les quantiles des r\u00e9sidus standardis\u00e9s sont projet\u00e9s contre les quantiles d’une distribution normale th\u00e9orique standard. L’auteur rapporte la conformit\u00e9 en observant l’adh\u00e9sion des points \u00e0 la premi\u00e8re bissectrice : \u00ab L’inspection du trac\u00e9 quantile-quantile des r\u00e9sidus studentis\u00e9s a d\u00e9montr\u00e9 une excellente ad\u00e9quation le long de la droite d’ajustement, attestant de la normalit\u00e9 de la distribution d’erreur sans d\u00e9viation syst\u00e9matique notable aux extr\u00e9mit\u00e9s \u00bb.<\/p>\n

Le recours aux tests formels d’ad\u00e9quation tels que le test de Shapiro-Wilk ou le test de Kolmogorov-Smirnov doit \u00eatre articul\u00e9 avec une grande prudence m\u00e9thodologique. Sur de tr\u00e8s grands \u00e9chantillons, ces tests acqui\u00e8rent une puissance statistique telle qu’ils rejettent l’hypoth\u00e8se nulle de normalit\u00e9 pour des \u00e9carts minimes, d\u00e9nu\u00e9s de toute cons\u00e9quence pratique sur la validit\u00e9 des MCO. Inversement, sur des petits \u00e9chantillons o\u00f9 le respect du postulat est crucial, ils manquent cruellement de puissance. Il est donc hautement recommand\u00e9 de documenter les indices quantitatifs d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>) des r\u00e9sidus. Dans le texte, on indiquera que les valeurs d’asym\u00e9trie et de kurtosis standardis\u00e9es se situent \u00e0 l’int\u00e9rieur des seuils tol\u00e9r\u00e9s dans la litt\u00e9rature quantitative — classiquement compris entre -1.0 et +1.0 ou, plus lib\u00e9ralement, dans l’intervalle [-2.0 ; +2.0] — confirmant ainsi la robustesse inf\u00e9rentielle du mod\u00e8le.<\/p>\n

2.3 Multicolin\u00e9arit\u00e9 entre les variables pr\u00e9dictives<\/h3>\n

Dans le contexte de la r\u00e9gression lin\u00e9aire multiple, la multicolin\u00e9arit\u00e9 d\u00e9signe une situation o\u00f9 deux ou plusieurs variables pr\u00e9dictives pr\u00e9sentent de tr\u00e8s fortes intercorr\u00e9lations lin\u00e9aires. Si une corr\u00e9lation mod\u00e9r\u00e9e est naturelle dans les devis corr\u00e9lationnels en psychologie, une colin\u00e9arit\u00e9 excessive entra\u00eene une inflation d\u00e9l\u00e9t\u00e8re des erreurs-types associ\u00e9es aux coefficients B<\/em>. Cela se traduit par une instabilit\u00e9 arithm\u00e9tique majeure des estimations : des modifications infimes dans l’\u00e9chantillon peuvent inverser arbitrairement le signe d’un pr\u00e9dicteur ou faire basculer un effet puissant dans la non-significativit\u00e9, alt\u00e9rant de fait la partition de la variance unique attribu\u00e9e \u00e0 chaque facteur.<\/p>\n

La d\u00e9tection et le rapport de la multicolin\u00e9arit\u00e9 exigent la pr\u00e9sentation de m\u00e9triques standardis\u00e9es : le facteur d’inflation de la variance (VIF pour Variance Inflation Factor<\/em>) et son corollaire arithm\u00e9tique, l’indice de tol\u00e9rance (d\u00e9fini par 1 \/ VIF). La tol\u00e9rance repr\u00e9sente la proportion de la variance d’un pr\u00e9dicteur qui n’est pas expliqu\u00e9e par les autres pr\u00e9dicteurs du mod\u00e8le. Les conventions de publication imposent d’attester que l’ensemble des pr\u00e9dicteurs pr\u00e9sente des indices inf\u00e9rieurs aux seuils d’alerte m\u00e9thodologiques. Dans la litt\u00e9rature en psychologie et en sciences comportementales, un VIF exc\u00e9dant 10 (ou une tol\u00e9rance inf\u00e9rieure \u00e0 0.10) indique une multicolin\u00e9arit\u00e9 critique n\u00e9cessitant un remaniement imm\u00e9diat du mod\u00e8le ; toutefois, des seuils plus conservateurs fix\u00e9s \u00e0 5 (tol\u00e9rance < 0.20) sont couramment pr\u00e9conis\u00e9s pour garantir la stabilit\u00e9 param\u00e9trique.<\/p>\n

Le corps du texte doit synth\u00e9tiser ces v\u00e9rifications de mani\u00e8re concise et chiffr\u00e9e. Une formulation canonique consiste \u00e0 pr\u00e9ciser : \u00ab L’absence de multicolin\u00e9arit\u00e9 probl\u00e9matique entre les r\u00e9gresseurs a \u00e9t\u00e9 corrobor\u00e9e par des indices de tol\u00e9rance oscillant entre 0.64 et 0.89, tous largement sup\u00e9rieurs au seuil critique de 0.20, associ\u00e9s \u00e0 des valeurs du facteur d’inflation de la variance (VIF) comprises entre 1.12 et 1.56, bien en de\u00e7\u00e0 du plafond conventionnel de 5 \u00bb. Lorsque la multicolin\u00e9arit\u00e9 menace la stabilit\u00e9 du mod\u00e8le — par exemple lors de l’introduction conjointe de sous-\u00e9chelles fortement imbriqu\u00e9es — l’auteur doit documenter la strat\u00e9gie analytique adopt\u00e9e : agr\u00e9gation conceptuelle des variables colin\u00e9aires, \u00e9limination cibl\u00e9e ou recours \u00e0 des techniques de r\u00e9duction dimensionnelle pr\u00e9alable (analyse en composantes principales).<\/p>\n

2.4 D\u00e9tection et prise en compte des observations influentes<\/h3>\n

La validit\u00e9 des conclusions d\u00e9duites d’une r\u00e9gression par la m\u00e9thode des moindres carr\u00e9s est particuli\u00e8rement vuln\u00e9rable aux observations extr\u00eames. Une valeur aberrante (outlier<\/em>) peut r\u00e9sulter d’une erreur d’encodage, d’une non-conformit\u00e9 \u00e0 la population cible ou d’une variabilit\u00e9 comportementale authentique mais exceptionnelle. Les analystes distinguent formellement les r\u00e9sidus extr\u00eames (\u00e9loignement vertical par rapport au plan de r\u00e9gression), le fort levier (leverage<\/em>, caract\u00e9risant une observation dont les valeurs sur les pr\u00e9dicteurs sont atypiques) et l’influence globale, qui d\u00e9signe la capacit\u00e9 d’une observation unique \u00e0 infl\u00e9chir significativement la trajectoire des param\u00e8tres estim\u00e9s.<\/p>\n

L’indice quantitatif le plus largement reconnu pour documenter l’influence globale est la distance de Cook<\/a> (D<\/em>i<\/sub>). La litt\u00e9rature quantitative consid\u00e8re traditionnellement qu’une valeur de D<\/em> exc\u00e9dant 1.0 signale une observation hautement d\u00e9stabilisatrice, bien qu’un seuil plus sensible calcul\u00e9 par la formule 4 \/ (N<\/em> – k<\/em> – 1) — o\u00f9 N<\/em> est la taille de l’\u00e9chantillon et k<\/em> le nombre de pr\u00e9dicteurs — soit fr\u00e9quemment mobilis\u00e9 pour scruter les cas marginaux. Parall\u00e8lement, l’inspection des r\u00e9sidus studentis\u00e9s \u00e9limin\u00e9s permet d’isoler les points d\u00e9passant une valeur absolue de 3.0 ou 3.29 \u00e9carts-types, seuil au-del\u00e0 duquel une observation correspond \u00e0 une probabilit\u00e9 th\u00e9orique d’occurrence inf\u00e9rieure \u00e0 0.001 sous l’hypoth\u00e8se de normalit\u00e9.<\/p>\n

Le reporting scientifique impose de documenter explicitement les crit\u00e8res de traitement de ces observations influentes. L’\u00e9limination m\u00e9canique et opaque de donn\u00e9es constitue une violation flagrante des standards d\u00e9ontologiques. L’auteur doit d\u00e9tailler le nombre de cas exclus, les motifs statistiques pr\u00e9cis de cette \u00e9viction, et, dans la mesure du possible, adopter une approche de sensibilit\u00e9 m\u00e9thodologique. Cette d\u00e9marche vertueuse consiste \u00e0 pr\u00e9senter succinctement dans le texte ou en note de bas de page les r\u00e9sultats comparatifs du mod\u00e8le ex\u00e9cut\u00e9 avec l’ensemble de l’\u00e9chantillon initial versus l’\u00e9chantillon nettoy\u00e9, d\u00e9montrant ainsi que le rejet des observations atypiques ne modifie en rien la directionnalit\u00e9 ni la port\u00e9e substantielle des conclusions scientifiques obtenues.<\/p>\n

3. Rapporter une r\u00e9gression lin\u00e9aire simple : m\u00e9thodologie et syntaxe<\/h2>\n

3.1 Description textuelle de l’ad\u00e9quation globale du mod\u00e8le<\/h3>\n

La r\u00e9gression lin\u00e9aire univari\u00e9e ou simple formalise la mod\u00e9lisation math\u00e9matique d’une variable d\u00e9pendante continue unique sous l’effet d’une seule variable ind\u00e9pendante quantitative. La narration textuelle des r\u00e9sultats doit ob\u00e9ir \u00e0 une progression logique immuable : l’exposition d\u00e9bute invariablement par l’\u00e9nonc\u00e9 de l’ad\u00e9quation globale du mod\u00e8le avant de descendre au niveau de l’estimation des param\u00e8tres singuliers. Cette hi\u00e9rarchisation permet au lecteur de valider imm\u00e9diatement que le dispositif pr\u00e9dictif global apporte une r\u00e9duction d’incertitude statistiquement cr\u00e9dible par rapport au mod\u00e8le nul (le mod\u00e8le fond\u00e9 uniquement sur la moyenne du crit\u00e8re).<\/p>\n

La structure narrative type s’articule autour d’une proposition liant formellement le construit th\u00e9orique pr\u00e9dicteur \u00e0 la variable d’int\u00e9r\u00eat, suivie de la communication canonique du test omnibus de Fisher. Selon les r\u00e8gles de l’APA, la statistique F<\/em> s’accompagne obligatoirement de ses deux degr\u00e9s de libert\u00e9 — le degr\u00e9 de libert\u00e9 de r\u00e9gression (valant 1 dans le cas simple) et le degr\u00e9 de libert\u00e9 r\u00e9siduel (N<\/em> – 2) — s\u00e9par\u00e9s par une virgule et ins\u00e9r\u00e9s entre parenth\u00e8ses imm\u00e9diatement apr\u00e8s la lettre F<\/em> en italique. La phrase int\u00e8gre cons\u00e9cutivement la valeur observ\u00e9e du test arrondie \u00e0 deux d\u00e9cimales, la valeur exacte de probabilit\u00e9 p<\/em>, ainsi que le coefficient de d\u00e9termination R<\/em>\u00b2.<\/p>\n

Sur le plan s\u00e9mantique, l’interpr\u00e9tation du coefficient de d\u00e9termination R<\/em>\u00b2 doit \u00eatre formul\u00e9e en termes de pourcentage de variance expliqu\u00e9e. L’auteur prendra soin de ne pas utiliser le R<\/em>\u00b2 ajust\u00e9 dans le cas d’une r\u00e9gression simple univari\u00e9e, ce dernier n’ayant de pertinence que pour corriger la surestimation li\u00e9e au cumul de multiples pr\u00e9dicteurs. Une phrase introductive exemplaire se structurera ainsi : \u00ab Une analyse de r\u00e9gression lin\u00e9aire simple a \u00e9t\u00e9 conduite afin d’\u00e9valuer la capacit\u00e9 des scores de stress per\u00e7u \u00e0 pr\u00e9dire la s\u00e9v\u00e9rit\u00e9 des \u00e9pisodes d’insomnie. Les r\u00e9sultats r\u00e9v\u00e8lent que le mod\u00e8le global est statistiquement significatif, F<\/em>(1, 148) = 28.45, p<\/em> < .001, le stress per\u00e7u expliquant 16.1 % de la variance totale observ\u00e9e dans les scores d’insomnie (R<\/em>\u00b2 = .161) \u00bb.<\/p>\n

\"Output
Output of simple linear regression in Excel<\/figcaption><\/figure>\n

3.2 Pr\u00e9sentation des coefficients de r\u00e9gression individuels<\/h3>\n

D\u00e8s lors que l’ad\u00e9quation omnibus du mod\u00e8le a \u00e9t\u00e9 \u00e9tablie, l’attention analytique se focalise sur les propri\u00e9t\u00e9s directionnelles et m\u00e9triques du coefficient reliant les deux variables. La r\u00e9daction scientifique contemporaine exige la dissociation syst\u00e9matique entre l’\u00e9valuation du coefficient brut non standardis\u00e9 (B<\/em>) et celle du coefficient standardis\u00e9 (\u03b2<\/em>). Le param\u00e8tre B<\/em> constitue une m\u00e9trique comportementale concr\u00e8te : il traduit l’incr\u00e9ment ou le d\u00e9cr\u00e9ment pr\u00e9cis attendu sur l’\u00e9chelle de mesure de la variable d\u00e9pendante pour chaque \u00e9l\u00e9vation d’une unit\u00e9 sur l’\u00e9chelle de mesure de la variable ind\u00e9pendante.<\/p>\n

Chaque coefficient B<\/em> doit imp\u00e9rativement \u00eatre accompagn\u00e9 de son erreur-type d’\u00e9chantillonnage, d\u00e9sign\u00e9e par l’acronyme SE<\/em> (pour Standard Error<\/em>) ou ES<\/em> (en fran\u00e7ais). Cette erreur-type refl\u00e8te la dispersion th\u00e9orique de la statistique si l’\u00e9tude \u00e9tait r\u00e9pliqu\u00e9e \u00e0 l’infini sur des \u00e9chantillons de m\u00eame taille tir\u00e9s de la m\u00eame population. La statistique de Student correspondante est obtenue par le ratio simple t<\/em> = B<\/em> \/ SE<\/em>, et sa consignation dans le corps du texte doit pr\u00e9ciser les degr\u00e9s de libert\u00e9 r\u00e9siduels entre parenth\u00e8ses, bien que l’APA tol\u00e8re fr\u00e9quemment l’omission de ces degr\u00e9s de libert\u00e9 pour t<\/em> lorsqu’ils sont d\u00e9j\u00e0 strictement identiques \u00e0 ceux indiqu\u00e9s pour le test F<\/em> r\u00e9siduel dans la m\u00eame phrase.<\/p>\n

Le coefficient standardis\u00e9 \u03b2<\/em>, quant \u00e0 lui, transcende l’arbitraire des unit\u00e9s d’\u00e9talonnage des \u00e9preuves psychologiques en normalisant les variances \u00e0 1. Dans le cadre pr\u00e9cis d’une r\u00e9gression lin\u00e9aire simple sans covariables, la valeur de \u03b2<\/em> co\u00efncide rigoureusement avec le coefficient de corr\u00e9lation lin\u00e9aire de Pearson (r<\/em>). Le style r\u00e9dactionnel int\u00e8gre harmonieusement l’ensemble de ces descripteurs : \u00ab L’examen des param\u00e8tres individuels d\u00e9montre que le stress per\u00e7u exerce un effet positif statistiquement significatif sur l’insomnie (B<\/em> = 0.42, SE<\/em> = 0.08, \u03b2<\/em> = .40, t<\/em>(148) = 5.33, p<\/em> < .001). Ainsi, chaque augmentation d’un point sur l’\u00e9chelle de stress induit un accroissement moyen de 0.42 point sur l’indice d’insomnie \u00bb.<\/p>\n

3.3 Int\u00e9gration formelle de l’\u00e9quation de pr\u00e9diction ajust\u00e9e<\/h3>\n

Dans certains contextes psychom\u00e9triques, de mod\u00e9lisation biom\u00e9trique ou de s\u00e9lection clinique, la communication des seuls indicateurs de test s’av\u00e8re insuffisante : les praticiens ont besoin de reconstituer l’\u00e9quation math\u00e9matique pr\u00e9dictive \u00e0 des fins d’\u00e9talonnage ou de pronostic individuel. L’insertion formelle de l’\u00e9quation de la droite d’ajustement empirique constitue alors une valeur ajout\u00e9e notable. Cette \u00e9quation exprime la valeur th\u00e9orique esp\u00e9r\u00e9e du crit\u00e8re (not\u00e9e conventionnellement Y\u0302<\/em> avec un accent circonflexe pour marquer son statut de valeur estim\u00e9e et non observ\u00e9e) en fonction de l’ordonn\u00e9e \u00e0 l’origine (la constante B<\/em>0<\/sub>) et du produit de la pente (B<\/em>1<\/sub>) par le niveau de la variable pr\u00e9dictive (X<\/em>).<\/p>\n

Sur le plan typographique, l’\u00e9quation s’int\u00e8gre au texte soit sous la forme d’un paragraphe d\u00e9tach\u00e9 et centr\u00e9 pour lui conf\u00e9rer une emphase visuelle, soit directement au fil du d\u00e9veloppement discursif. L’ordonn\u00e9e \u00e0 l’origine ne doit jamais \u00eatre omise : elle correspond \u00e0 la valeur moyenne attendue de Y<\/em> lorsque la variable X<\/em> prend la valeur th\u00e9orique z\u00e9ro. Si la valeur z\u00e9ro n’a aucun sens \u00e9cologique ou empirique sur l’\u00e9chelle de X<\/em> (par exemple, un quotient intellectuel ou une temp\u00e9rature corporelle), le r\u00e9dacteur doit pr\u00e9ciser si la variable a \u00e9t\u00e9 pr\u00e9alablement centr\u00e9e sur la moyenne, ce qui conf\u00e8re alors \u00e0 la constante la signification \u00e9l\u00e9gante de la moyenne g\u00e9n\u00e9rale pr\u00e9dite du crit\u00e8re.<\/p>\n

Un exemple pratique appliqu\u00e9 \u00e0 un protocole clinique de suivi th\u00e9rapeutique se pr\u00e9sentera ainsi : \u00ab L’\u00e9quation de r\u00e9gression lin\u00e9aire pr\u00e9disant l’anxi\u00e9t\u00e9 post-interventionnelle ajust\u00e9e sur la base de l’alliance th\u00e9rapeutique s’\u00e9nonce comme suit : Y\u0302<\/em> = 45.23 – 0.68(X<\/em>), o\u00f9 Y\u0302<\/em> repr\u00e9sente le score composite d’anxi\u00e9t\u00e9 globale projet\u00e9 et X<\/em> l’\u00e9valuation brute de la qualit\u00e9 de la relation d’alliance th\u00e9rapeutique per\u00e7ue lors de la troisi\u00e8me s\u00e9ance. Cette formulation indique qu’en l’absence th\u00e9orique d’alliance (X<\/em> = 0), le score moyen d’anxi\u00e9t\u00e9 estim\u00e9 s’\u00e9tablit \u00e0 45.23 unit\u00e9s, et que chaque consolidation d’un point d’alliance att\u00e9nue l’anxi\u00e9t\u00e9 projet\u00e9e de 0.68 unit\u00e9 sur le plan clinique \u00bb.<\/p>\n

4. Rapporter une r\u00e9gression lin\u00e9aire multiple<\/h2>\n

4.1 \u00c9valuation du mod\u00e8le global et comparaison de variance<\/h3>\n

La r\u00e9gression lin\u00e9aire multiple \u00e9tend le formalisme univari\u00e9 en int\u00e9grant simultan\u00e9ment au moins deux pr\u00e9dicteurs dans la matrice de mod\u00e9lisation. Cette configuration complexifie substantiellement l’architecture du rapport statistique car le chercheur doit d\u00e9sormais arbitrer entre la part de variance commune captur\u00e9e par l’ensemble des variables et la contribution ind\u00e9pendante attribuable \u00e0 chaque facteur singulier. L’expos\u00e9 textuel s’ouvre imp\u00e9rativement sur le diagnostic de l’ensemble du syst\u00e8me d’\u00e9quations, quantifiant dans quelle mesure la constellation des variables retenues parvient \u00e0 r\u00e9duire l’erreur d’estimation globale.<\/p>\n

Une distinction m\u00e9thodologique essentielle doit \u00eatre op\u00e9r\u00e9e \u00e0 ce stade entre le coefficient de d\u00e9termination standard (R<\/em>\u00b2) et le coefficient de d\u00e9termination ajust\u00e9 (R<\/em>\u00b2adj<\/sub>). Alors que le R<\/em>\u00b2 math\u00e9matique augmente inexorablement \u00e0 chaque fois qu’un pr\u00e9dicteur suppl\u00e9mentaire est greff\u00e9 au mod\u00e8le — quand bien m\u00eame ce dernier ne serait porteur que d’un bruit stochastique r\u00e9siduel —, le R<\/em>\u00b2 ajust\u00e9 inflige une p\u00e9nalit\u00e9 math\u00e9matique proportionnelle au nombre de param\u00e8tres libres estim\u00e9s rapport\u00e9 au nombre de degr\u00e9s de libert\u00e9 r\u00e9siduels. Les normes contemporaines de publication imposent de communiquer conjointement ces deux indices, le R<\/em>\u00b2 d\u00e9crivant rigoureusement la variance expliqu\u00e9e au sein de l’\u00e9chantillon collect\u00e9, tandis que le R<\/em>\u00b2 ajust\u00e9 fournit une approximation plus fid\u00e8le et non biais\u00e9e de la reproductibilit\u00e9 du pouvoir explicatif au sein de la population parente.<\/p>\n

La syntaxe canonique du test d’hypoth\u00e8se globale requiert la notation formelle de la distribution de Fisher : F<\/em>(k<\/em>, N<\/em> – k<\/em> – 1), o\u00f9 k<\/em> symbolise le nombre exact de r\u00e9gresseurs op\u00e9rationnels introduits dans l’\u00e9quation. La narration scientifique adoptera la construction suivante : \u00ab Un mod\u00e8le de r\u00e9gression lin\u00e9aire multiple a \u00e9t\u00e9 \u00e9labor\u00e9 pour pr\u00e9dire le rendement acad\u00e9mique annuel \u00e0 partir de trois dimensions cognitives et \u00e9motionnelles : la m\u00e9moire de travail, l’autor\u00e9gulation \u00e9motionnelle et le sentiment d’auto-efficacit\u00e9. L’analyse omnibus confirme que le mod\u00e8le dans son ensemble explique une proportion hautement significative de la variance observ\u00e9e, F<\/em>(3, 216) = 19.82, p<\/em> < .001, R<\/em>\u00b2 = .216, R<\/em>\u00b2adj<\/sub> = .205 \u00bb.<\/p>\n

\"Multiple
Multiple linear regression output in Excel<\/figcaption><\/figure>\n

4.2 Rapport syst\u00e9matique des pr\u00e9dicteurs significatifs et non significatifs<\/h3>\n

L’une des fautes d\u00e9ontologiques les plus communes dans les manuscrits de d\u00e9butants consiste \u00e0 documenter minutieusement les variables pr\u00e9dictives qui atteignent le seuil conventionnel de significativit\u00e9 statistique tout en exp\u00e9diant les pr\u00e9dicteurs non significatifs par une vague mention d’inefficacit\u00e9. Les normes scientifiques de l’APA proscrivent formellement cette asym\u00e9trie de traitement. Chaque variable introduite dans l’\u00e9quation de r\u00e9gression multiple doit recevoir un traitement m\u00e9trique exhaustif, consignant son coefficient brut (B<\/em>), son erreur-type (SE B<\/em>), son coefficient standardis\u00e9 (\u03b2<\/em>), sa statistique t<\/em> observ\u00e9e et sa valeur p<\/em> bilat\u00e9rale exacte.<\/p>\n

Dans la r\u00e9gression multiple, la valeur des poids b\u00eata standardis\u00e9s (\u03b2<\/em>) prend une importance analytique pr\u00e9pond\u00e9rante : d\u00e9barrass\u00e9s des art\u00e9facts d’unit\u00e9s de mesure divergentes (par exemple confronter des milligrammes, des scores d’\u00e9chelles de Likert et des dur\u00e9es en minutes), les coefficients \u03b2<\/em> permettent d’ordonner hi\u00e9rarchiquement l’impact relatif des pr\u00e9dicteurs sur la variable d\u00e9pendante, toutes choses \u00e9tant \u00e9gales par ailleurs (c’est-\u00e0-dire en contr\u00f4lant statistiquement la pr\u00e9sence des autres termes du mod\u00e8le). L’auteur doit toutefois se garder de surinterpr\u00e9ter la hi\u00e9rarchie des \u03b2<\/em> en pr\u00e9sence d’intercorr\u00e9lations substantielles, les coefficients partiels refl\u00e9tant uniquement la variance r\u00e9siduelle unique et non la covariance globale partag\u00e9e.<\/p>\n

Le format textuel pour consigner l’ensemble des pr\u00e9dicteurs s’appuie sur une articulation \u00e9quilibr\u00e9e : \u00ab L’examen des contributions uniques r\u00e9v\u00e8le que la m\u00e9moire de travail constitue le pr\u00e9dicteur le plus substantiel des performances acad\u00e9miques (B<\/em> = 0.38, SE<\/em> = 0.07, \u03b2<\/em> = .34, t<\/em>(216) = 5.43, p<\/em> < .001), suivie de mani\u00e8re statistiquement significative par le sentiment d’auto-efficacit\u00e9 (B<\/em> = 0.21, SE<\/em> = 0.06, \u03b2<\/em> = .22, t<\/em>(216) = 3.50, p<\/em> = .001). En revanche, l’autor\u00e9gulation \u00e9motionnelle n’a pas d\u00e9montr\u00e9 de contribution incr\u00e9mentale statistiquement significative une fois les aptitudes cognitives et motivationnelles contr\u00f4l\u00e9es (B<\/em> = 0.05, SE<\/em> = 0.08, \u03b2<\/em> = .04, t<\/em>(216) = 0.63, p<\/em> = .529) \u00bb.<\/p>\n

4.3 Int\u00e9gration indispensable des intervalles de confiance \u00e0 95 %<\/h3>\n

Sous l’impulsion r\u00e9p\u00e9t\u00e9e des comit\u00e9s \u00e9ditoriaux internationaux et des r\u00e9formes statistiques promues par les m\u00e9thodologistes contemporains, le recours exclusif aux tests de nullit\u00e9 de l’effet (NHST pour Null Hypothesis Significance Testing<\/em>) est jug\u00e9 incomplet. La 7e \u00e9dition du manuel de publication de l’APA \u00e9rige la communication syst\u00e9matique des intervalles de confiance (IC) au rang de norme obligatoire pour l’ensemble des coefficients non standardis\u00e9s B<\/em>. Un intervalle de confiance d\u00e9limite la plage de valeurs plausibles \u00e0 l’int\u00e9rieur de laquelle se situe le param\u00e8tre r\u00e9el de la population g\u00e9n\u00e9rale, pour un niveau de certitude fix\u00e9 (conventionnellement \u00e0 95 %).<\/p>\n

L’utilit\u00e9 clinique et pratique de l’intervalle de confiance r\u00e9side dans l’appr\u00e9ciation directe de l’incertitude d’\u00e9chantillonnage. Deux pr\u00e9dicteurs peuvent afficher une valeur p<\/em> identique (par exemple p<\/em> = .040), mais pr\u00e9senter des largeurs d’intervalles radicalement h\u00e9t\u00e9rog\u00e8nes en fonction de la dispersion m\u00e9trique et de la taille de l’\u00e9chantillon. Un intervalle excessivement large indique une instabilit\u00e9 manifeste de l’estimation, alertant le lecteur sur le fait que la taille d’effet th\u00e9orique pourrait osciller entre un impact marginalement nul et un effet substantiel, incitant ainsi \u00e0 la mod\u00e9ration dans les extrapolations op\u00e9rationnelles.<\/p>\n

La typographie canonique adopt\u00e9e pour transcrire les intervalles de confiance s’ins\u00e8re directement apr\u00e8s l’estimation ponctuelle ou son erreur-type, en utilisant des crochets pour d\u00e9limiter les bornes inf\u00e9rieure et sup\u00e9rieure, s\u00e9par\u00e9es par une virgule. La formulation s’\u00e9tablit rigoureusement ainsi : \u00ab La m\u00e9moire de travail s’affirme comme un facteur d\u00e9terminant du rendement (B<\/em> = 0.38, SE<\/em> = 0.07, 95 % IC [0.24, 0.52], \u03b2<\/em> = .34, t<\/em>(216) = 5.43, p<\/em> < .001) \u00bb. En langue fran\u00e7aise acad\u00e9mique, la mention \u00ab 95 % IC \u00bb (ou parfois \u00ab IC \u00e0 95 % \u00bb) est tol\u00e9r\u00e9e, mais la structure typographique encadr\u00e9e par des crochets demeure universelle, garantissant une clart\u00e9 optique irr\u00e9prochable au sein des paragraphes de synth\u00e8se statistique.<\/p>\n

5. Rapporter les r\u00e9gressions hi\u00e9rarchiques et s\u00e9quentielles<\/h2>\n

5.1 Justification th\u00e9orique de l’ordonnancement des blocs de variables<\/h3>\n

La r\u00e9gression lin\u00e9aire hi\u00e9rarchique — \u00e0 ne pas confondre avec les mod\u00e8les lin\u00e9aires hi\u00e9rarchiques ou multiniveaux — constitue une strat\u00e9gie d’analyse s\u00e9quentielle guid\u00e9e par la th\u00e9orie dans laquelle les variables ind\u00e9pendantes sont introduites par \u00e9tapes (ou blocs) successives dans l’\u00e9quation de pr\u00e9diction. Contrairement aux proc\u00e9dures automatis\u00e9es algorithmiques (telles que les m\u00e9thodes stepwise<\/em>, forward<\/em> ou backward<\/em>), l’entr\u00e9e s\u00e9quentielle hi\u00e9rarchique ne repose sur aucun crit\u00e8re d’optimisation purement empirique ou math\u00e9matique. L’ordre d’insertion ob\u00e9it imp\u00e9rativement \u00e0 une d\u00e9marche hypoth\u00e9tico-d\u00e9ductive construite sur la temporalit\u00e9 causale, la logique m\u00e9thodologique ou la litt\u00e9rature scientifique existante.<\/p>\n

Le protocole acad\u00e9mique dicte g\u00e9n\u00e9ralement l’affectation des covariables contextuelles et des caract\u00e9ristiques sociod\u00e9mographiques (comme l’\u00e2ge, le genre, le statut socio-\u00e9conomique ou les ant\u00e9c\u00e9dents m\u00e9dicaux) au sein du tout premier bloc (\u00c9tape 1). L’int\u00e9r\u00eat fondamental de cette s\u00e9quence r\u00e9side dans le \u00ab contr\u00f4le statistique \u00bb de ces facteurs de confusion potentiels : le premier bloc fige la variance imputable aux variables contextuelles non manipulables, purifiant ainsi la variance r\u00e9siduelle du crit\u00e8re de leurs interf\u00e9rences pr\u00e9alables.<\/p>\n

Les blocs subs\u00e9quents (\u00c9tape 2, \u00c9tape 3, etc.) re\u00e7oivent cons\u00e9cutivement les pr\u00e9dicteurs d’int\u00e9r\u00eat central, souvent d’ordre psychologique, comportemental ou exp\u00e9rimental. La justification narrative doit expliciter sans ambigu\u00eft\u00e9 pourquoi tel construit th\u00e9orique a \u00e9t\u00e9 introduit post\u00e9rieurement \u00e0 tel autre. L’auteur doit formuler explicitement sa question de recherche sous un angle incr\u00e9mental : il s’agit de d\u00e9montrer si les pr\u00e9dicteurs focaux permettent d’expliquer une part statistiquement cr\u00e9dible de la variance de la variable d\u00e9pendante au-del\u00e0 et ind\u00e9pendamment de la contribution d\u00e9j\u00e0 captur\u00e9e par les variables de base ins\u00e9r\u00e9es lors des \u00e9tapes pr\u00e9c\u00e9dentes.<\/p>\n

5.2 Rapport statistique de l’accroissement de variance (\u0394R\u00b2)<\/h3>\n

Le c\u0153ur n\u00e9vralgique de la communication d’une r\u00e9gression hi\u00e9rarchique r\u00e9side dans la quantification pr\u00e9cise de la variance incr\u00e9mentale ajout\u00e9e \u00e0 chaque nouvelle \u00e9tape du protocole. L’indice fondamental rapport\u00e9 est le changement de coefficient de d\u00e9termination, universellement d\u00e9sign\u00e9 par la notation \u0394R<\/em>\u00b2 (Delta R<\/em>\u00b2). Cette statistique mesure pr\u00e9cis\u00e9ment la proportion additionnelle de variance du crit\u00e8re expliqu\u00e9e de mani\u00e8re exclusive par le nouveau bloc de pr\u00e9dicteurs introduit, venant s’agr\u00e9ger au R<\/em>\u00b2 accumul\u00e9 par les mod\u00e8les pr\u00e9c\u00e9dents.<\/p>\n

La pertinence empirique de cette variance incr\u00e9mentale ne saurait reposer sur une simple appr\u00e9ciation descriptive de sa grandeur absolue : elle doit \u00eatre soumise \u00e0 une \u00e9preuve d’inf\u00e9rence sp\u00e9cifique via le test F<\/em> de changement (souvent \u00e9tiquet\u00e9 F<\/em>change<\/sub> ou F<\/em>chg<\/sub>). Ce test calcule le rapport entre la variance additionnelle captur\u00e9e par le nouveau bloc et la variance r\u00e9siduelle du mod\u00e8le \u00e9tendu. La r\u00e9daction textuelle doit syst\u00e9matiquement consigner la statistique F<\/em> de changement avec ses degr\u00e9s de libert\u00e9 propres, not\u00e9s F<\/em>change<\/sub>(df<\/em>1, df<\/em>2), o\u00f9 df<\/em>1 correspond au nombre exact de variables additionnelles ajout\u00e9es lors du bloc en question, et df<\/em>2 aux degr\u00e9s de libert\u00e9 d’erreur du mod\u00e8le complet cons\u00e9cutif.<\/p>\n

Une r\u00e9daction exemplaire structurant le passage entre les \u00e9tapes successives d’un protocole exp\u00e9rimental adoptera une forme hautement rigoureuse : \u00ab Au premier mod\u00e8le int\u00e9grant l’\u00e2ge et le niveau d’\u00e9ducation, qui expliquait une proportion non significative de variance, R<\/em>\u00b2 = .025, F<\/em>(2, 175) = 2.24, p<\/em> = .110, ont \u00e9t\u00e9 adjoints dans un second bloc les traits de personnalit\u00e9 du Big Five. L’introduction de ce second bloc a suscit\u00e9 un accroissement statistiquement hautement significatif de la variance expliqu\u00e9e, \u0394R<\/em>\u00b2 = .184, F<\/em>change<\/sub>(5, 170) = 8.12, p<\/em> < .001, \u00e9levant le pouvoir explicatif global du mod\u00e8le \u00e0 20.9 % de la variance totale observ\u00e9e (R<\/em>\u00b2 = .209, R<\/em>\u00b2adj<\/sub> = .176) \u00bb.<\/p>\n

5.3 Documentation de l’\u00e9volution des coefficients \u00e0 travers les \u00e9tapes<\/h3>\n

L’apport heuristique majeur de la d\u00e9marche s\u00e9quentielle hi\u00e9rarchique ne se cantonne pas \u00e0 l’analyse de l’accroissement global de variance ; il r\u00e9side tout autant dans la tra\u00e7abilit\u00e9 fine des modifications structurelles qui s’op\u00e8rent au sein des coefficients individuels au fil de l’empilement des variables. La confrontation des poids de r\u00e9gression (B<\/em> et \u03b2<\/em>) d’un bloc \u00e0 l’autre permet d’observer en direct des ph\u00e9nom\u00e8nes statistiques capitaux pour la th\u00e9orie, tels que l’att\u00e9nuation de l’effet d’une variable par l’introduction d’un m\u00e9canisme explicatif, ou, inversement, l’\u00e9mergence d’effets de suppression statistique.<\/p>\n

Le r\u00e9dacteur doit guider le lecteur \u00e0 travers ces glissements param\u00e9triques en consignant textuellement l’amenuisement ou la disparition d’une significativit\u00e9 pr\u00e9alable. Par exemple, lorsqu’une variable d\u00e9mographique appara\u00eet fortement pr\u00e9dictive au Bloc 1 mais voit son poids b\u00eata s’effondrer et basculer dans la non-significativit\u00e9 lors de l’adjonction au Bloc 2 d’une variable psychologique proximale, ce constat empirique sugg\u00e8re la pr\u00e9sence d’une m\u00e9diation ou d’une absorption de variance que l’auteur se doit d’interpr\u00e9ter conceptuellement.<\/p>\n

Inversement, le texte doit documenter avec une \u00e9gale m\u00e9ticulosit\u00e9 le ph\u00e9nom\u00e8ne de suppression coop\u00e9rative ou classique, au cours duquel une variable ind\u00e9pendante non corr\u00e9l\u00e9e au crit\u00e8re au d\u00e9part — ou faiblement pr\u00e9dictive — acquiert une puissance pr\u00e9dictive statistiquement hautement significative une fois qu’un pr\u00e9dicteur tiers absorbe la variance non pertinente qui parasitait son effet. La narration acad\u00e9mique restituera ces subtilit\u00e9s par des transitions analytiques cibl\u00e9es : \u00ab Alors que l’impact du niveau de stress initial demeurait significatif lors de la premi\u00e8re \u00e9tape (\u03b2<\/em> = .28, p<\/em> = .004), l’adjonction ult\u00e9rieure du soutien social au Bloc 2 a provoqu\u00e9 une att\u00e9nuation marqu\u00e9e de ce coefficient (\u03b2<\/em> = .12, p<\/em> = .145), sugg\u00e9rant que l’effet n\u00e9faste du stress est largement tributaire de son imbrication avec l’\u00e9rosion du r\u00e9seau social \u00bb.<\/p>\n

6. Rapporter la r\u00e9gression logistique binaire et multinomiale<\/h2>\n

6.1 Indices d’ajustement global et de qualit\u00e9 du mod\u00e8le logistique<\/h3>\n

La mod\u00e9lisation logistique intervient imp\u00e9rativement lorsque la variable d\u00e9pendante \u00e9chappe au statut de continuum m\u00e9trique pour adopter une structure cat\u00e9gorielle binaire (dichotomique : pr\u00e9sence\/absence de pathologie, succ\u00e8s\/\u00e9chec) ou multinomiale (plusieurs modalit\u00e9s qualitatives non ordonn\u00e9es). Cette mutation de la nature de la distribution d\u00e9pendante invalide le recours aux moindres carr\u00e9s ordinaires et impose l’estimation par la m\u00e9thode du maximum de vraisemblance. En cons\u00e9quence imm\u00e9diate, les indicateurs d’ad\u00e9quation globale abandonnent le cadre de la d\u00e9composition de variance lin\u00e9aire au profit de m\u00e9triques bas\u00e9es sur la d\u00e9viance.<\/p>\n

L’\u00e9valuation de l’ad\u00e9quation globale d’une r\u00e9gression logistique binaire repose sur le test du Chi-deux du mod\u00e8le omnibus (Omnibus Test of Model Coefficients<\/em>). Ce test \u00e9value formellement la r\u00e9duction statistique de la log-vraisemblance n\u00e9gative pond\u00e9r\u00e9e (-2 Log-Vraisemblance, ou -2LL) entre le mod\u00e8le de base incluant uniquement la constante et le mod\u00e8le complet pourvu de ses pr\u00e9dicteurs. Le texte acad\u00e9mique rapporte obligatoirement la valeur du Chi-deux, ses degr\u00e9s de libert\u00e9 associ\u00e9s ainsi que la valeur p<\/em> exacte (par exemple : \u03c7<\/em>\u00b2(4) = 32.18, p<\/em> < .001), attestant que l’introduction des covariables am\u00e9liore significativement la discrimination logistique par rapport au mod\u00e8le nul.<\/p>\n

En compl\u00e9ment de la statistique omnibus, deux familles d’indices doivent \u00eatre document\u00e9es : le test d’ad\u00e9quation d’Hosmer-Lemeshow et les pseudo-coefficients de d\u00e9termination. Le test d’Hosmer-Lemeshow<\/a> fractionne l’\u00e9chantillon en d\u00e9ciles de risque pr\u00e9dit et compare les fr\u00e9quences observ\u00e9es aux fr\u00e9quences attendues. Une particularit\u00e9 fondamentale de ce test r\u00e9side dans la lecture inverse de sa significativit\u00e9 : pour conclure \u00e0 un bon ajustement, le test ne doit pas \u00eatre statistiquement significatif (p<\/em> > .05), indiquant l’absence d’\u00e9cart empirique entre les pr\u00e9dictions et les faits observ\u00e9s. Enfin, la communication des pseudo-R<\/em>\u00b2 — tels que le R<\/em>\u00b2 de Cox et Snell et le R<\/em>\u00b2 de Nagelkerke — offre une estimation heuristique analogue \u00e0 la variance expliqu\u00e9e, la valeur de Nagelkerke \u00e9tant traditionnellement privil\u00e9gi\u00e9e car elle est math\u00e9matiquement born\u00e9e \u00e0 1.0, ce qui permet d’\u00e9crire : \u00ab Le mod\u00e8le final pr\u00e9sente une ad\u00e9quation globale satisfaisante (Hosmer-Lemeshow \u03c7<\/em>\u00b2(8) = 6.42, p<\/em> = .600) et rend compte d’une part substantielle de pseudo-variance (Cox & Snell R<\/em>\u00b2 = .195 ; Nagelkerke R<\/em>\u00b2 = .278) \u00bb.<\/p>\n

6.2 Rapport et interpr\u00e9tation des rapports de cotes (Odds Ratios)<\/h3>\n

L’estimation issue d’une r\u00e9gression logistique s’exprime originellement sous la forme de coefficients logit non standardis\u00e9s (B<\/em>), qui repr\u00e9sentent la variation attendue du logarithme n\u00e9p\u00e9rien de la cote (log-odds<\/em>) de l’\u00e9v\u00e9nement cible cons\u00e9cutivement \u00e0 l’accroissement d’une unit\u00e9 sur le pr\u00e9dicteur. Bien que ces coefficients B<\/em> soient directement test\u00e9s pour leur nullit\u00e9 statistique au moyen du test de Wald (z<\/em> ou Wald \u03c7<\/em>\u00b2), leur interpr\u00e9tation clinique ou comportementale directe est hautement contre-intuitive. C’est pourquoi la communaut\u00e9 scientifique internationale exige syst\u00e9matiquement la conversion math\u00e9matique des logits sous la forme exponentielle : le rapport de cotes (Odds Ratio<\/em>), not\u00e9 Exp(B)<\/em> ou OR<\/em>.<\/p>\n

La r\u00e8gle d’or pour le rapportage des rapports de cotes selon les normes de l’APA est l’accompagnement syst\u00e9matique et incontournable de l’intervalle de confiance \u00e0 95 % entourant l’estimation de l’OR<\/em>. L’exclusion de la valeur 1.0 au sein de cet intervalle de confiance constitue le crit\u00e8re math\u00e9matique formel de significativit\u00e9 bilat\u00e9rale au seuil alpha de .05. Un OR<\/em> dont l’intervalle incorpore l’unit\u00e9 (par exemple 95 % IC [0.94, 1.45]) signale une cote \u00e9quiprobable, privant l’effet de toute signification inf\u00e9rentielle fiable, quelle que soit la petitesse de la valeur p<\/em> isol\u00e9e.<\/p>\n

L’interpr\u00e9tation directionnelle de l’Odds Ratio<\/em> doit \u00eatre verbalis\u00e9e avec une extr\u00eame clart\u00e9 s\u00e9mantique. Lorsque l’OR<\/em> est sup\u00e9rieur \u00e0 1.0, il signale un accroissement de la cote de survenue de l’\u00e9v\u00e9nement pour chaque incr\u00e9ment unitaire de X<\/em> ; lorsqu’il est inf\u00e9rieur \u00e0 1.0, il refl\u00e8te un effet protecteur ou r\u00e9ducteur. Le rapportage acad\u00e9mique privil\u00e9giera une formulation articulant les indices bruts et leurs transpositions concr\u00e8tes : \u00ab L’\u00e2ge s’av\u00e8re \u00eatre un pr\u00e9dicteur significatif de l’adh\u00e9sion au traitement (B<\/em> = 0.045, SE<\/em> = 0.015, Wald \u03c7<\/em>\u00b2(1) = 9.00, p<\/em> = .003, OR<\/em> = 1.05, 95 % IC [1.02, 1.08]). Concr\u00e8tement, chaque ann\u00e9e suppl\u00e9mentaire augmente la cote d’observance th\u00e9rapeutique de 5 % (calcul\u00e9e par (1.05 – 1) \u00d7 100). \u00c0 l’inverse, un niveau d’\u00e9vitement \u00e9lev\u00e9 r\u00e9duit drastiquement cette cote (OR<\/em> = 0.62, 95 % IC [0.45, 0.85], p<\/em> = .003), traduisant une diminution de 38 % de la probabilit\u00e9 d’observance pour chaque point d’\u00e9vitement additionnel \u00bb.<\/p>\n

6.3 Pr\u00e9cision de classification et m\u00e9triques de validation<\/h3>\n

Au-del\u00e0 de la significativit\u00e9 globale et de la quantification des rapports de cotes individuels, la robustesse empirique d’un mod\u00e8le logistique s’\u00e9value \u00e0 l’aune de ses performances de pr\u00e9diction cat\u00e9gorielle r\u00e9elle. Le manuscrit scientifique doit int\u00e9grer un paragraphe d’\u00e9valuation diagnostique fond\u00e9 sur la table de contingence de classification crois\u00e9e — confrontant les cat\u00e9gories observ\u00e9es et les cat\u00e9gories assign\u00e9es algorithmiquement sur la base d’un seuil de d\u00e9cision probabiliste standard (habituellement fix\u00e9 \u00e0 .50).<\/p>\n

Le rapport statistique doit d\u00e9composer avec minutie les param\u00e8tres intrins\u00e8ques de validation diagnostique : la sensibilit\u00e9 (capacit\u00e9 du mod\u00e8le \u00e0 classifier ad\u00e9quatement les cas positifs r\u00e9els), la sp\u00e9cificit\u00e9 (capacit\u00e9 \u00e0 classifier rigoureusement les cas n\u00e9gatifs exempts du crit\u00e8re) et le taux global de classification correcte. Une pr\u00e9caution m\u00e9thodologique capitale impose de confronter syst\u00e9matiquement ce taux d’exactitude global au taux d’assignation au hasard ou au taux de pr\u00e9valence de la classe modale de base (baseline accuracy<\/em>). Un mod\u00e8le affichant fi\u00e8rement 85 % de pr\u00e9dictions justes s’av\u00e8re en r\u00e9alit\u00e9 st\u00e9rile si 85 % de l’\u00e9chantillon appartenait d’embl\u00e9e \u00e0 la classe n\u00e9gative et que le mod\u00e8le se borne \u00e0 pr\u00e9dire aveugl\u00e9ment l’absence d’\u00e9v\u00e9nement sans capturer les cas positifs r\u00e9els.<\/p>\n

Pour parachever ce diagnostic pr\u00e9dictif de mani\u00e8re ind\u00e9pendante du seuil de coupure probabiliste arbitraire, l’auteur a l’obligation de communiquer l’indice d’aire sous la courbe ROC (not\u00e9 AUC pour Area Under the Curve<\/em> ou statistique c<\/em> de concordance). Accompagn\u00e9e de son erreur-type et de son intervalle de confiance \u00e0 95 %, l’AUC quantifie la capacit\u00e9 discriminante globale de l’\u00e9quation logistique. Les seuils d’\u00e9valuation conventionnels doivent \u00eatre mobilis\u00e9s dans la description : \u00ab Le mod\u00e8le pr\u00e9sente une discrimination diagnostique remarquable, caract\u00e9ris\u00e9e par une aire sous la courbe ROC s’\u00e9levant \u00e0 AUC = .84, SE<\/em> = 0.03, 95 % IC [.78, .90], p<\/em> < .001. La matrice de classification r\u00e9v\u00e8le une sensibilit\u00e9 de 78.4 % et une sp\u00e9cificit\u00e9 de 82.1 %, aboutissant \u00e0 un taux de succ\u00e8s global de 80.5 %, surpassant de fa\u00e7on tr\u00e8s probante la pr\u00e9valence de base de la cat\u00e9gorie modale (54.0 %) \u00bb.<\/p>\n

7. Rapporter les analyses de mod\u00e9ration et d’interaction<\/h2>\n

7.1 Centrage pr\u00e9alable des variables et calcul des termes d’interaction<\/h3>\n

L’analyse de mod\u00e9ration teste formellement l’hypoth\u00e8se selon laquelle la force ou la direction de la relation lin\u00e9aire liant un pr\u00e9dicteur focal (X<\/em>) \u00e0 un crit\u00e8re (Y<\/em>) varie de fa\u00e7on contingente sous l’influence d’une troisi\u00e8me variable mod\u00e9ratrice (W<\/em>). D’un point de vue alg\u00e9brique, cette condition s’op\u00e9rationnalise par l’estimation d’un mod\u00e8le de r\u00e9gression enrichi d’un terme multiplicatif d\u00e9signant l’interaction : Y<\/em> = B<\/em>0<\/sub> + B<\/em>1<\/sub>X<\/em> + B<\/em>2<\/sub>W<\/em> + B<\/em>3<\/sub>(X<\/em> \u00d7 W<\/em>). La r\u00e9daction de cette section requiert une minutie m\u00e9thodologique particuli\u00e8re d\u00e8s la phase pr\u00e9paratoire des donn\u00e9es.<\/p>\n

La r\u00e8gle empirique incontournable — popularis\u00e9e par les travaux s\u00e9minales d’Aiken et West<\/a> — stipule le centrage pr\u00e9alable sur la moyenne de l’ensemble des pr\u00e9dicteurs continus avant le calcul de leur produit arithm\u00e9tique. Le fait de soustraire la moyenne g\u00e9n\u00e9rale \u00e0 chaque score individuel (X<\/em>c<\/sub> = X<\/em> – X\u0304<\/em>) ne modifie en aucun cas la valeur d’ajustement du mod\u00e8le global, ni la valeur statistique du test de l’interaction (B<\/em>3<\/sub>, t<\/em> et p<\/em> demeurent rigoureusement identiques). En revanche, ce centrage r\u00e9duit drastiquement la colin\u00e9arit\u00e9 non essentielle entre les termes de premier ordre et le produit d’interaction, et surtout, il conf\u00e8re aux coefficients de premier ordre (B<\/em>1<\/sub> et B<\/em>2<\/sub>) une interpr\u00e9tation conditionnelle limpide : ils refl\u00e8tent l’effet de chaque pr\u00e9dicteur lorsque le second se situe exactement \u00e0 sa valeur moyenne d’\u00e9chantillon.<\/p>\n

Dans le corps du texte, l’auteur a le devoir de consigner cette manipulation pr\u00e9alable et d’\u00e9noncer le test d’interaction omnibus : \u00ab Pr\u00e9alablement \u00e0 la constitution du terme d’interaction multiplicatif, le n\u00e9vrosisme et le soutien social per\u00e7u ont \u00e9t\u00e9 rigoureusement centr\u00e9s sur leurs moyennes d’\u00e9chantillon respectives afin d’\u00e9liminer la multicolin\u00e9arit\u00e9 structurelle et d’optimiser l’interpr\u00e9tabilit\u00e9 des effets conditionnels. Le mod\u00e8le de r\u00e9gression complet int\u00e9grant les deux pr\u00e9dicteurs principaux et leur produit d’interaction explique une part substantielle de la variance de la d\u00e9pression, R<\/em>\u00b2 = .312, F<\/em>(3, 245) = 37.05, p<\/em> < .001. Le terme d’interaction centr\u00e9 s’av\u00e8re hautement significatif (B<\/em> = -0.14, SE<\/em> = 0.04, \u03b2<\/em> = -.21, t<\/em>(245) = -3.52, p<\/em> < .001), corroborant de fa\u00e7on probante l’existence d’une mod\u00e9ration statistique entre ces deux variables \u00bb.<\/p>\n

7.2 Rapport de la d\u00e9composition des pentes simples (Simple Slopes Analysis)<\/h3>\n

La simple constatation d’un coefficient d’interaction statistiquement significatif ne constitue que la premi\u00e8re moiti\u00e9 du travail analytique : elle indique que la pente varie selon le mod\u00e9rateur, mais ne d\u00e9crit en rien la nature, le sens ou les fronti\u00e8res de cette variation. La m\u00e9thode canonique de post-estimation — dite analyse des pentes simples (simple slopes analysis<\/em>) — consiste \u00e0 d\u00e9composer math\u00e9matiquement l’effet conditionnel de la variable ind\u00e9pendante sur la variable d\u00e9pendante \u00e0 diff\u00e9rents niveaux cibl\u00e9s du mod\u00e9rateur.<\/p>\n

La convention historique d’Aiken et West pr\u00e9voit l’examen de la relation conditionnelle \u00e0 trois ancrages sp\u00e9cifiques de la variable mod\u00e9ratrice : \u00e0 la moyenne (0 si les donn\u00e9es sont centr\u00e9es), \u00e0 un \u00e9cart-type en dessous de la moyenne (-1 SD<\/em>, niveau faible), et \u00e0 un \u00e9cart-type au-dessus de la moyenne (+1 SD<\/em>, niveau \u00e9lev\u00e9). Pour chacun de ces trois niveaux op\u00e9rationnels, le chercheur doit calculer et consigner dans le texte la pente simple conditionnelle (B<\/em>), son erreur-type d\u00e9di\u00e9e (SE B<\/em>), la statistique t<\/em> associ\u00e9e et la valeur p<\/em> exacte, compl\u00e9t\u00e9es par les intervalles de confiance \u00e0 95 %.<\/p>\n

Le discours scientifique verbalisera ces contrastes de fa\u00e7on \u00e0 donner corps \u00e0 la th\u00e9orie psychologique : \u00ab La d\u00e9composition des pentes simples a \u00e9t\u00e9 men\u00e9e pour scruter l’impact conditionnel du n\u00e9vrosisme sur la d\u00e9tresse psychologique selon l’intensit\u00e9 du soutien social (faible \u00e0 -1 SD<\/em>, moyen \u00e0 la moyenne, et \u00e9lev\u00e9 \u00e0 +1 SD<\/em>). Les calculs indiquent qu’en situation de faible soutien social (-1 SD<\/em>), le n\u00e9vrosisme exerce un impact pr\u00e9dictif d\u00e9l\u00e9t\u00e8re particuli\u00e8rement intense sur la d\u00e9tresse (B<\/em> = 0.62, SE<\/em> = 0.09, t<\/em> = 6.89, p<\/em> < .001, 95 % IC [0.44, 0.80]). Chez les participants b\u00e9n\u00e9ficiant d’un niveau moyen de soutien social, cette pente demeure hautement significative mais s’att\u00e9nue mod\u00e9r\u00e9ment (B<\/em> = 0.44, SE<\/em> = 0.06, t<\/em> = 7.33, p<\/em> < .001, 95 % IC [0.32, 0.56]). Enfin, lorsque le soutien social est \u00e9lev\u00e9 (+1 SD<\/em>), l’effet d\u00e9l\u00e9t\u00e8re du n\u00e9vrosisme est consid\u00e9rablement amorti (B<\/em> = 0.26, SE<\/em> = 0.08, t<\/em> = 3.25, p<\/em> = .001, 95 % IC [0.10, 0.42]), attestant d’un effet tampon protecteur hautement significatif du soutien social \u00bb.<\/p>\n

7.3 Utilisation et rapport de la technique de Johnson-Neyman<\/h3>\n

Bien que l’analyse des pentes simples fix\u00e9es arbitrairement \u00e0 ± 1 SD<\/em> demeure omnipr\u00e9sente dans la litt\u00e9rature en raison de sa familiarit\u00e9, elle fait l’objet de critiques m\u00e9thodologiques s\u00e9v\u00e8res dans les publications contemporaines de m\u00e9thodologie quantitative. S\u00e9lectionner de fa\u00e7on rigide la valeur d’un \u00e9cart-type rel\u00e8ve d’une convention statistique qui n’a aucun ancrage th\u00e9orique substantiel, et force artificiellement une variable continue \u00e0 se comporter comme une variable discr\u00e8te, tout en occultant les points de transition exacte o\u00f9 la significativit\u00e9 statistique appara\u00eet ou s’\u00e9teint.<\/p>\n

La technique de Johnson-Neyman<\/a> s’affirme d\u00e9sormais comme l’approche moderne par excellence pour documenter les interactions continues. Plut\u00f4t que de pr\u00e9lever des coupes discr\u00e8tes arbitraires le long du continuum de la variable mod\u00e9ratrice, cette technique d\u00e9rive analytiquement la r\u00e9gion pr\u00e9cise de significativit\u00e9, c’est-\u00e0-dire l’ensemble exact des valeurs du mod\u00e9rateur pour lesquelles la pente conditionnelle du pr\u00e9dicteur X<\/em> sur le crit\u00e8re Y<\/em> est statistiquement diff\u00e9rente de z\u00e9ro au seuil \u03b1<\/em> s\u00e9lectionn\u00e9 (habituellement .05). Cette proc\u00e9dure apporte une vision continue et non biais\u00e9e de la fronti\u00e8re d’efficacit\u00e9 du pr\u00e9dicteur.<\/p>\n

Dans la section des r\u00e9sultats r\u00e9dig\u00e9e selon l’APA, l’auteur formulera la transition vers l’analyse de Johnson-Neyman en pr\u00e9cisant explicitement la valeur num\u00e9rique seuil du mod\u00e9rateur (exprim\u00e9e dans l’\u00e9chelle d’origine ou centr\u00e9e) ainsi que le pourcentage de l’\u00e9chantillon d’observation se situant de part et d’autre de cette borne : \u00ab Afin de pallier l’arbitraire du d\u00e9coupage conventionnel \u00e0 ± 1 \u00e9cart-type, la technique de Johnson-Neyman a \u00e9t\u00e9 d\u00e9ploy\u00e9e pour tracer la r\u00e9gion continue de significativit\u00e9 de l’effet conditionnel. L’analyse r\u00e9v\u00e8le que l’impact positif du stress sur l’\u00e9puisement professionnel cesse d’\u00eatre statistiquement significatif d\u00e8s lors que le score de r\u00e9silience psychologique franchit le seuil critique de 3.42 (centr\u00e9 : +0.68), seuil au-del\u00e0 duquel se situent 28.4 % des observations de notre \u00e9chantillon. Pour tout score de r\u00e9silience inf\u00e9rieur \u00e0 cette valeur pivot, la pente reliant le stress \u00e0 l’\u00e9puisement demeure positive et statistiquement significative (p<\/em> < .05), d\u00e9montrant que la r\u00e9silience neutralise l’impact d\u00e9l\u00e9t\u00e8re du stress exclusivement lorsqu’elle atteint un niveau mod\u00e9r\u00e9ment \u00e9lev\u00e9 \u00e0 exceptionnel \u00bb.<\/p>\n

8. Rapporter les effets de m\u00e9diation via la r\u00e9gression<\/h2>\n

8.1 Approche moderne par bootstrapping (Macro PROCESS)<\/h3>\n

La recherche contemporaine en psychologie cognitive, clinique et organisationnelle s’est affranchie de mani\u00e8re irr\u00e9vocable de la m\u00e9thodologie historique d’analyse de m\u00e9diation en quatre \u00e9tapes causalistes formalis\u00e9e par Baron et Kenny en 1986. Les d\u00e9veloppements statistiques men\u00e9s notamment par Andrew F. Hayes<\/a> ont d\u00e9montr\u00e9 la faiblesse de puissance inh\u00e9rente \u00e0 l’approche causale pas \u00e0 pas, ainsi que l’invalidit\u00e9 du test formel de Sobel — ce dernier postulant \u00e0 tort que la distribution d’\u00e9chantillonnage du produit de deux coefficients de r\u00e9gression normaux suit elle-m\u00eame une loi normale, hypoth\u00e8se math\u00e9matiquement intenable particuli\u00e8rement sur des cohortes de taille mod\u00e9r\u00e9e.<\/p>\n

L’approche moderne d’inf\u00e9rence de l’effet indirect repose fondamentalement sur les m\u00e9thodes de r\u00e9\u00e9chantillonnage non param\u00e9triques avec remise, universellement d\u00e9sign\u00e9es sous le concept de bootstrapping<\/em> (tr\u00e8s largement impl\u00e9ment\u00e9es via la macro PROCESS sous SPSS, R ou SAS). En ne posant aucun postulat a priori<\/em> quant \u00e0 la normalit\u00e9 distributionnelle de l’effet indirect, le bootstrap permet d’estimer empiriquement la distribution de l’effet indirect \u00e0 partir de milliers de sous-\u00e9chantillons synth\u00e9tis\u00e9s par permutation al\u00e9atoire avec remise \u00e0 partir de l’\u00e9chantillon empirique initial.<\/p>\n

Le protocole de publication APA impose d’expliciter sans ambigu\u00eft\u00e9 les param\u00e8tres techniques d’ex\u00e9cution du bootstrap au tout d\u00e9but de la sous-section consacr\u00e9e \u00e0 la m\u00e9diation. L’auteur doit sp\u00e9cifier formellement : (1) le num\u00e9ro du mod\u00e8le appliqu\u00e9 selon la classification canonique de PROCESS (ex. Mod\u00e8le 4 pour une m\u00e9diation simple parall\u00e8le), (2) le volume exact de r\u00e9\u00e9chantillonnages bootstrap programm\u00e9s — les standards internationaux exigeant imp\u00e9rativement un seuil minimal de 5 000 ou 10 000 r\u00e9p\u00e9titions pour stabiliser les extr\u00e9mit\u00e9s distributionnelles —, et (3) la nature de l’intervalle de confiance calcul\u00e9, pr\u00e9f\u00e9rentiellement l’intervalle de confiance \u00e0 95 % corrig\u00e9 des biais et acc\u00e9l\u00e9r\u00e9 (percentile<\/em> ou bias-corrected bootstrap confidence interval<\/em>).<\/p>\n

8.2 Rapport statistique des effets direct, indirect et total<\/h3>\n

L’expos\u00e9 m\u00e9trique d’un mod\u00e8le de m\u00e9diation exige une cartographie math\u00e9matique int\u00e9grale rapportant cons\u00e9cutivement les chemins directs de r\u00e9gression constituant le syst\u00e8me causal, avant d’aboutir \u00e0 la formalisation de l’effet indirect m\u00e9diatis\u00e9. Le chemin a<\/em> d\u00e9signe la r\u00e9gression du m\u00e9diateur (M<\/em>) sur la variable pr\u00e9dictive initiale (X<\/em>) ; le chemin b<\/em> quantifie l’influence du m\u00e9diateur (M<\/em>) sur le crit\u00e8re (Y<\/em>) en contr\u00f4lant l’effet de la variable ind\u00e9pendante ; le chemin c<\/em> symbolise l’effet total de X<\/em> sur Y<\/em> sans incorporation du m\u00e9diateur ; et enfin le chemin c’<\/em> (c prime) mat\u00e9rialise l’effet direct r\u00e9siduel de X<\/em> sur Y<\/em> une fois le m\u00e9diateur neutralis\u00e9.<\/p>\n

Chacun de ces chemins directeurs s’accompagne de son estimation m\u00e9trique canonique (B<\/em>, SE<\/em>, t<\/em>, p<\/em>, 95 % IC). Cependant, le c\u0153ur d\u00e9monstratif du rapportage se focalise sur l’effet indirect, calcul\u00e9 par le produit math\u00e9matique des coefficients (a<\/em> \u00d7 b<\/em>). La d\u00e9ontologie de l’APA proscrit formellement l’attribution d’une valeur p<\/em> conventionnelle \u00e0 l’effet indirect dans les approches bootstrap : l’inf\u00e9rence repose exclusivement sur la position de l’intervalle de confiance bootstrap \u00e0 95 %. La r\u00e8gle de d\u00e9cision m\u00e9thodologique est absolue : si l’intervalle de confiance empirique de l’effet indirect ne chevauche ni n’incorpore la valeur z\u00e9ro, le chercheur conclut \u00e0 l’existence d’une m\u00e9diation indirecte statistiquement significative au seuil de .05.<\/p>\n

La formulation narrative doit faire preuve d’une exactitude irr\u00e9prochable : \u00ab L’analyse de m\u00e9diation simple (PROCESS, Mod\u00e8le 4, bas\u00e9e sur 5 000 r\u00e9\u00e9chantillonnages bootstrap) r\u00e9v\u00e8le que la pleine conscience pr\u00e9dit n\u00e9gativement l’anxi\u00e9t\u00e9 (chemin a<\/em> : B<\/em> = -0.45, SE<\/em> = 0.08, t<\/em>(198) = -5.63, p<\/em> < .001, 95 % IC [-0.61, -0.29]), tandis qu’une anxi\u00e9t\u00e9 accrue pr\u00e9dit des troubles du sommeil plus s\u00e9v\u00e8res (chemin b<\/em> : B<\/em> = 0.35, SE<\/em> = 0.07, t<\/em>(197) = 5.00, p<\/em> < .001, 95 % IC [0.21, 0.49]). L’effet total de la pleine conscience sur le sommeil \u00e9tait initialement substantiel (chemin c<\/em> : B<\/em> = -0.32, SE<\/em> = 0.09, t<\/em>(198) = -3.55, p<\/em> < .001). Cependant, apr\u00e8s inclusion de l’anxi\u00e9t\u00e9 comme m\u00e9diateur, l’effet direct r\u00e9siduel s’av\u00e8re non significatif (chemin c’<\/em> : B<\/em> = -0.16, SE<\/em> = 0.09, t<\/em>(197) = -1.78, p<\/em> = .077, 95 % IC [-0.34, 0.02]). L’effet indirect bootstrap de la pleine conscience sur le sommeil via l’anxi\u00e9t\u00e9 est formellement \u00e9tabli, ab<\/em> = -0.16, BootSE<\/em> = 0.04, 95 % Boot IC [-0.25, -0.08]. Le z\u00e9ro \u00e9tant rigoureusement exclu de l’intervalle de confiance \u00e0 95 %, l’effet de m\u00e9diation est statistiquement significatif \u00bb.<\/p>\n

8.3 Taille d’effet pour la m\u00e9diation<\/h3>\n

Bien que la d\u00e9monstration d’un effet indirect par intervalle de bootstrap non nul constitue la validation m\u00e9thodologique de la relation fonctionnelle, elle laisse en suspens la question de l’importance clinique ou pratique de cette m\u00e9diation. La communaut\u00e9 statistique a d\u00e9velopp\u00e9 plusieurs indices de taille d’effet standardis\u00e9s adapt\u00e9s au contexte de la m\u00e9diation afin d’autoriser la comparaison inter-\u00e9tudes ou l’int\u00e9gration m\u00e9ta-analytique.<\/p>\n

Le chercheur peut rapporter l’effet indirect compl\u00e8tement standardis\u00e9 (souvent not\u00e9 ab<\/em>cs<\/sub> ou \u03b2<\/em>indirect<\/sub>), qui interpr\u00e8te le transfert indirect en unit\u00e9s d’\u00e9cart-type de la variable d\u00e9pendante pour une \u00e9l\u00e9vation d’un \u00e9cart-type de la variable pr\u00e9dictive initiale. Cet indice pr\u00e9sente l’immense m\u00e9rite de pouvoir \u00eatre interpr\u00e9t\u00e9 selon des rep\u00e8res de magnitude universels. Une autre m\u00e9trique populaire — bien que d’un maniement d\u00e9licat — est le ratio de m\u00e9diation (not\u00e9 P<\/em>m<\/sub>), correspondant au rapport de l’effet indirect sur l’effet total (ab<\/em> \/ c<\/em>). Ce pourcentage traduit la proportion de l’effet global total qui transite effectivement \u00e0 travers le canal du m\u00e9diateur.<\/p>\n

La documentation de ces indices impose toutefois une grande vigilance interpr\u00e9tative. L’auteur doit s’abstenir formellement d’utiliser le ratio P<\/em>m<\/sub> lorsque l’effet total (c<\/em>) est faible ou de sens oppos\u00e9 \u00e0 l’effet direct (situation de m\u00e9diation incoh\u00e9rente ou d’effet suppressif), car le d\u00e9nominateur proche de z\u00e9ro engendre des ratios math\u00e9matiquement aberrants d\u00e9passant 100 % ou prenant des signes n\u00e9gatifs d\u00e9nu\u00e9s de sens physique. Le texte acad\u00e9mique pr\u00e9cisera sobrement : \u00ab L’effet indirect standardis\u00e9 s’\u00e9l\u00e8ve \u00e0 ab<\/em>cs<\/sub> = -.18, 95 % Boot IC [-.27, -.09], traduisant une taille d’effet d’intensit\u00e9 mod\u00e9r\u00e9e selon les rep\u00e8res conventionnels. L’indice de ratio sugg\u00e8re que le m\u00e9diateur absorbe approximativement 49.2 % de l’impact total exerc\u00e9 par la variable focale sur le crit\u00e8re d’\u00e9tude \u00bb.<\/p>\n

9. Conception et mise en page des tableaux de r\u00e9gression selon l’APA<\/h2>\n

9.1 Structure typographique et colonnes indispensables<\/h3>\n

L’insertion d’un tableau r\u00e9capitulatif synth\u00e9tique constitue une exigence \u00e9ditoriale quasi incontournable d\u00e8s lors qu’un mod\u00e8le de r\u00e9gression incorpore plus de deux pr\u00e9dicteurs. Un tableau con\u00e7u selon les pr\u00e9ceptes de l’APA 7e \u00e9dition vise \u00e0 d\u00e9sengorger le texte narratif de l’accumulation r\u00e9barbative de statistiques num\u00e9riques, tout en offrant au lecteur une vision panoramique et tabulaire de l’ensemble des param\u00e8tres du mod\u00e8le.<\/p>\n

La r\u00e8gle d’or typographique \u00e9dict\u00e9e par l’APA — rigide et sans exception — est l’interdiction formelle et absolue des bordures verticales et des quadrillages int\u00e9rieurs. Un tableau aux normes APA ne comporte que des bordures horizontales \u00e9pur\u00e9es : une bordure horizontale sup\u00e9rieure d\u00e9limitant le sommet du tableau, une bordure s\u00e9parant les en-t\u00eates de colonnes du corps de donn\u00e9es chiffr\u00e9es, et une bordure horizontale inf\u00e9rieure fermant les donn\u00e9es avant l’insertion des notes de bas de page. Toute pr\u00e9sence de barres verticales de division cellulaire est constitutive d’un rejet technique imm\u00e9diat lors de la relecture \u00e9ditoriale.<\/p>\n

L’organisation des colonnes doit suivre un alignement s\u00e9quentiel logique standardis\u00e9 :<\/p>\n