Le pr\u00e9sent article propose une exploration exhaustive, th\u00e9orique et appliqu\u00e9e, de l’utilisation des variables indicatrices dans la mod\u00e9lisation statistique. \u00c0 destination des chercheurs, psychom\u00e9triciens et analystes de donn\u00e9es quantitatives, ce guide d\u00e9taille la transition conceptuelle des attributs qualitatifs vers les matrices de conception, analyse le redoutable pi\u00e8ge de la colin\u00e9arit\u00e9 parfaite, explicite la m\u00e9canique d’interpr\u00e9tation des coefficients sous divers contrastes, et aborde les extensions avanc\u00e9es telles que la mod\u00e9ration conditionnelle et les diagnostics de robustesse. L’objectif est de fournir un cadre d’expertise complet pour garantir une inf\u00e9rence statistique valide, transparente et reproductible.<\/p>\n
1. Introduction aux variables muettes et fondements dans la recherche psychologique<\/h2>\n1.1 D\u00e9finition formelle et r\u00f4le des variables indicatrices<\/h3>\n
Sur le plan math\u00e9matique, une variable muette est une variable al\u00e9atoire discr\u00e8te qui prend exclusivement deux valeurs num\u00e9riques conventionnelles : 0 ou 1. Cette formulation binaire agit comme un commutateur logique ou un op\u00e9rateur d’activation ensembliste : la valeur 1 indique la pr\u00e9sence d’une propri\u00e9t\u00e9 sp\u00e9cifique, l’appartenance \u00e0 un groupe cibl\u00e9 ou l’exposition \u00e0 une modalit\u00e9 exp\u00e9rimentale particuli\u00e8re, tandis que la valeur 0 d\u00e9note l’absence de cette condition ou le maintien dans une condition de r\u00e9f\u00e9rence. Formellement, si l’on d\u00e9finit un ensemble d’observations issu d’un univers d’\u00e9chantillonnage, la fonction indicatrice associe \u00e0 chaque individu un scalaire d\u00e9pendant de sa conformit\u00e9 au sous-ensemble consid\u00e9r\u00e9.<\/p>\n
La n\u00e9cessit\u00e9 d’une telle quantification d\u00e9coule de l’impossibilit\u00e9 d’injecter directement des cha\u00eenes de caract\u00e8res ou des symboles arbitraires dans les \u00e9quations normales des moindres carr\u00e9s ordinaires. Contrairement aux approches intuitives mais m\u00e9thodologiquement d\u00e9sastreuses qui attribuent des valeurs s\u00e9quentielles arbitraires \u00e0 des groupes distincts, l’indicatrice binaire poss\u00e8de la propri\u00e9t\u00e9 fondamentale de ne postuler aucun ordre hi\u00e9rarchique ni aucune m\u00e9trique d’espacement entre des cat\u00e9gories purement qualitatives. Elle isole une modalit\u00e9 par rapport au reste de l’espace d’\u00e9chantillonnage, transformant une question de taxonomie en une comparaison g\u00e9om\u00e9trique diff\u00e9rentielle.<\/p>\n
Dans l’\u00e9valuation empirique des construits psychologiques et comportementaux, cette technique est indispensable. Les concepts tels que le diagnostic clinique (par exemple, pr\u00e9sence ou absence d’un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9 selon les crit\u00e8res du Manuel diagnostique et statistique des troubles mentaux), l’assignation \u00e0 un protocole de rem\u00e9diation cognitive versus un groupe plac\u00e9bo, ou encore le genre autod\u00e9clar\u00e9 ne poss\u00e8dent intrins\u00e8quement aucune dimension continue. L’utilisation des variables indicatrices permet ainsi d’ancrer ces construits nominaux dans l’espace formel de la r\u00e9gression lin\u00e9aire<\/a> sans alt\u00e9rer leur signification substantielle ni introduire d’art\u00e9facts de mesure.<\/p>\n Le cadre standard de la r\u00e9gression lin\u00e9aire g\u00e9n\u00e9rale a \u00e9t\u00e9 initialement conceptualis\u00e9 pour cartographier les covariations entre des variables continues mesur\u00e9es sur des \u00e9chelles d’intervalles ou de rapports. Dans les plans de recherche factoriels en psychologie, cette restriction a longtemps conduit \u00e0 une dichotomie artificielle entre, d’une part, les analystes de laboratoire recourant quasi exclusivement \u00e0 l’analyse de variance<\/a> (ANOVA) issue de la tradition fisherienne pour traiter les facteurs discrets de leurs plans exp\u00e9rimentaux, et d’autre part, les psychologues corr\u00e9lationnels exploitant la r\u00e9gression multiple sur des batteries de tests continus.<\/p>\n Cette fracture m\u00e9thodologique a occult\u00e9 le fait que l’ANOVA ne constitue qu’un cas particulier du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral (GLM). Les mod\u00e8les lin\u00e9aires classiques, lorsqu’ils sont limit\u00e9s aux seules covariables continues, \u00e9chouent structurellement \u00e0 capturer les discontinuit\u00e9s qualitatives introduites par les manipulations exp\u00e9rimentales ou les facteurs \u00e9cologiques. Par exemple, supposer qu’un facteur tel que le \u00ab type de psychoth\u00e9rapie \u00bb puisse \u00eatre r\u00e9sum\u00e9 par une droite sans partitionner formellement ses composantes rel\u00e8ve d’une erreur fondamentale de sp\u00e9cification.<\/p>\n L’\u00e9volution historique des sciences comportementales au cours de la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle a vu la convergence progressive de ces deux traditions analytiques. Des m\u00e9thodologistes comme Jacob Cohen ont d\u00e9montr\u00e9 avec force que la mod\u00e9lisation par r\u00e9gression multiple, enrichie par le codage binaire appropri\u00e9, subsume int\u00e9gralement l’analyse factorielle de variance. Cette unification a permis aux chercheurs d’\u00e9laborer des designs de recherche hybrides et beaucoup plus r\u00e9alistes, au sein desquels des facteurs exp\u00e9rimentaux manipul\u00e9s coexistent avec des variables d’ajustement continues (telles que l’\u00e2ge, les scores d’intelligence ou les niveaux de base de s\u00e9v\u00e9rit\u00e9 symptomatique).<\/p>\n L’introduction des variables indicatrices au sein d’un mod\u00e8le de r\u00e9gression r\u00e9pond \u00e0 trois objectifs analytiques majeurs qui structurent l’investigation empirique moderne. Le premier r\u00e9side dans la r\u00e9alisation d’une comparaison statistique rigoureuse entre des groupes d’exposition ou des bras de traitement. En configurant ad\u00e9quatement les contrastes binaires, le chercheur peut estimer directement la diff\u00e9rence de moyennes entre une condition exp\u00e9rimentale active et un groupe t\u00e9moin, tout en obtenant imm\u00e9diatement l’erreur type associ\u00e9e \u00e0 cette diff\u00e9rence et le test de signification correspondant sous l’hypoth\u00e8se nulle d’absence d’effet.<\/p>\n Le second objectif concerne le contr\u00f4le statistique des covariables d\u00e9mographiques et typologiques invariantes. Dans les \u00e9tudes non exp\u00e9rimentales ou quasi-exp\u00e9rimentales courantes en psychologie sociale et du d\u00e9veloppement, l’affectation aux conditions n’est pas al\u00e9atoire. Les groupes compar\u00e9s diff\u00e8rent souvent syst\u00e9matiquement quant \u00e0 leur statut socio-\u00e9conomique, leur milieu d’origine ou leur niveau de scolarit\u00e9. L’int\u00e9gration de ces variables cat\u00e9gorielles sous forme de blocs d’indicatrices neutralise math\u00e9matiquement leurs effets de confusion potentiels, garantissant que l’estimation de l’effet d’int\u00e9r\u00eat est statistiquement ajust\u00e9e pour ces d\u00e9s\u00e9quilibres structurels.<\/p>\n Enfin, la mod\u00e9lisation par indicatrices vise l’isolation fine d’effets sp\u00e9cifiques associ\u00e9s \u00e0 l’appartenance \u00e0 des sous-groupes cliniques ou \u00e0 des typologies psychopathologiques pr\u00e9cises. Elle permet de diss\u00e9quer la variance du crit\u00e8re d’\u00e9valuation en segments attribuables \u00e0 des trajectoires singuli\u00e8res, autorisant des comparaisons cibl\u00e9es qui d\u00e9passent la simple constatation d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 globale entre les participants d’une cohorte.<\/p>\n Pour appr\u00e9hender pleinement l’imp\u00e9ratif du codage muet, il convient de revisiter les fondements de la th\u00e9orie de la mesure d\u00e9velopp\u00e9e par S. S. Stevens. Les variables quantitatives continues employ\u00e9es en psychom\u00e9trie, qu’elles rel\u00e8vent formellement d’\u00e9chelles d’intervalles ou de rapports, postulent que les grandeurs num\u00e9riques attribu\u00e9es aux entit\u00e9s psychologiques refl\u00e8tent des distances r\u00e9elles et isomorphes dans l’espace du construit mesur\u00e9. Qu’il s’agisse d’une latence de r\u00e9ponse chronom\u00e9trique en millisecondes, d’un score standardis\u00e9 \u00e0 une batterie neuropsychologique ou d’une \u00e9chelle d’auto-\u00e9valuation d’anxi\u00e9t\u00e9 valid\u00e9e, la propri\u00e9t\u00e9 d\u00e9terminante r\u00e9side dans la constance s\u00e9mantique des intervalles.<\/p>\n Cette constance implique qu’une variation d’une unit\u00e9 poss\u00e8de rigoureusement la m\u00eame signification math\u00e9matique et th\u00e9orique sur l’ensemble du continuum de la variable : passer d’un score de 20 \u00e0 21 sur une \u00e9chelle d’anxi\u00e9t\u00e9 est r\u00e9put\u00e9 repr\u00e9senter le m\u00eame incr\u00e9ment quantitatif latent que le passage de 40 \u00e0 41. Dans l’espace des pr\u00e9dicteurs d’une r\u00e9gression lin\u00e9aire, cette propri\u00e9t\u00e9 justifie l’hypoth\u00e8se de lin\u00e9arit\u00e9 selon laquelle le taux de variation marginal du crit\u00e8re par unit\u00e9 de pr\u00e9dicteur (la pente) est constant sur toute l’\u00e9tendue du domaine de d\u00e9finition.<\/p>\n En l’absence de ces propri\u00e9t\u00e9s m\u00e9triques stables, les op\u00e9rations arithm\u00e9tiques d’addition, de multiplication et d’inversion matricielle perdent leur validit\u00e9 fonctionnelle. La r\u00e9gression standard repose sur l’estimation d’un taux de changement moyen par unit\u00e9 d’accroissement ; si la notion m\u00eame d’unit\u00e9 d’accroissement constant est d\u00e9nu\u00e9e de sens dans la variable source, l’ensemble de l’\u00e9difice math\u00e9matique de la droite des moindres carr\u00e9s s’effondre.<\/p>\n \u00c0 l’oppos\u00e9 des variables continues, les variables qualitatives nominales reposent sur des op\u00e9rations de classification purement logiques et typologiques. Dans un cadre nominal, les nombres \u00e9ventuellement affect\u00e9s aux entit\u00e9s ne constituent que des \u00e9tiquettes symboliques, interchangeables \u00e0 volont\u00e9 sans perte d’information descriptive. Consid\u00e9rons les classifications diagnostiques en psychiatrie : attribuer le chiffre 1 au trouble d\u00e9pressif majeur, le chiffre 2 au trouble bipolaire de type I et le chiffre 3 \u00e0 la schizophr\u00e9nie n’\u00e9tablit aucune m\u00e9trique sous-jacente. Il n’existe aucune relation de magnitude, de distance ou de polarit\u00e9 orient\u00e9e entre ces entit\u00e9s nosologiques.<\/p>\n Les variables ordinales introduisent certes une hi\u00e9rarchie relative (par exemple, des stades d’\u00e9volution d’une d\u00e9mence : d\u00e9butant, mod\u00e9r\u00e9, s\u00e9v\u00e8re), mais les distances s\u00e9parant les modalit\u00e9s successives demeurent fondamentalement inconnues et tr\u00e8s probablement in\u00e9gales. L’espace s\u00e9parant un stade d\u00e9butant d’un stade mod\u00e9r\u00e9 ne peut \u00eatre tenu pour strictement \u00e9quivalent \u00e0 celui s\u00e9parant un stade mod\u00e9r\u00e9 d’un stade s\u00e9v\u00e8re. D\u00e8s lors, les op\u00e9rations arithm\u00e9tiques directes telles que la soustraction ou le calcul de moyennes deviennent \u00e9pist\u00e9mologiquement invalides sur ces donn\u00e9es brutes.<\/p>\n La pratique consistant \u00e0 assigner un pseudo-ordre num\u00e9rique \u00e0 des cat\u00e9gories purement qualitatives pour ensuite les injecter sans transformation dans un mod\u00e8le de r\u00e9gression constitue une violation grave des postulats m\u00e9thodologiques. Cette confusion assimile fallacieusement des relations qualitatives d’appartenance cat\u00e9gorielle \u00e0 des relations quantitatives de magnitude continue, introduisant un art\u00e9fact majeur dans l’analyse scientifique.<\/p>\n L’erreur la plus pernicieuse consiste \u00e0 coder une variable nominale \u00e0 plusieurs niveaux sous la forme d’un vecteur scalaire unique affectant des entiers successifs aux diff\u00e9rentes cat\u00e9gories (par exemple : Contr\u00f4le = 1, Psychoth\u00e9rapie dynamique = 2, Th\u00e9rapie cognitivo-comportementale = 3). L’estimation d’une r\u00e9gression lin\u00e9aire sur un tel pr\u00e9dicteur impose de force au mod\u00e8le une double contrainte math\u00e9matique totalement arbitraire et injustifiable.<\/p>\n D’une part, le mod\u00e8le est forc\u00e9 d’assumer que le passage de la modalit\u00e9 1 \u00e0 la modalit\u00e9 2 g\u00e9n\u00e8re exactement le m\u00eame effet marginal sur la variable d\u00e9pendante que le passage de la modalit\u00e9 2 \u00e0 la modalit\u00e9 3. Cela implique que l’efficacit\u00e9 diff\u00e9rentielle de la TCC par rapport \u00e0 la th\u00e9rapie dynamique est math\u00e9matiquement contrainte d’\u00eatre identique \u00e0 l’efficacit\u00e9 de la th\u00e9rapie dynamique par rapport au groupe contr\u00f4le. D’autre part, cela postule que l’effet de la modalit\u00e9 3 par rapport \u00e0 la modalit\u00e9 1 est rigoureusement le double exact de l’effet de la modalit\u00e9 2 par rapport \u00e0 la modalit\u00e9 1.<\/p>\n Cette distorsion m\u00e9canique biaise totalement l’estimation de la pente de r\u00e9gression. Si le chercheur permute arbitrairement les codes attribu\u00e9s aux groupes (en assignant par exemple TCC = 1, Contr\u00f4le = 2, Dynamique = 3), la pente estim\u00e9e changera non seulement de magnitude mais potentiellement de signe, et la valeur du coefficient de d\u00e9termination variera de mani\u00e8re impr\u00e9visible. Le principe fondamental d’invariance d’\u00e9chelle<\/a> est ainsi brutalement transgress\u00e9, g\u00e9n\u00e9rant des r\u00e9sultats purement art\u00e9factuels d\u00e9nu\u00e9s de toute signification empirique.<\/p>\n Le codage binaire r\u00e9sout de mani\u00e8re d\u00e9finitive cette aporie conceptuelle en fragmentant une variable qualitative polytomique en une s\u00e9rie de vecteurs orthogonaux ou quasi-orthogonaux \u00e0 deux \u00e9tats. Le m\u00e9canisme repose sur une projection bool\u00e9enne o\u00f9 l’espace d’\u00e9tat de chaque sous-groupe est traduit par une variable indicatrice ind\u00e9pendante. Pour une modalit\u00e9 sp\u00e9cifique donn\u00e9e, la fonction math\u00e9matique sous-jacente est une fonction indicatrice classique : l’observation re\u00e7oit le scalaire 1 si l’individu pr\u00e9sente l’attribut cat\u00e9goriel d\u00e9sign\u00e9, et le scalaire 0 dans tous les autres cas.<\/p>\n Ce proc\u00e9d\u00e9 d\u00e9couple totalement les modalit\u00e9s les unes des autres sur le plan arithm\u00e9tique. Il \u00e9limine toute hypoth\u00e8se d’\u00e9quidistance ou d’ordonnancement forc\u00e9. En attribuant la valeur 1 \u00e0 la condition clinique active et 0 au groupe de r\u00e9f\u00e9rence, le param\u00e8tre de pente associ\u00e9 \u00e0 cette variable dans l’\u00e9quation de r\u00e9gression cesse de repr\u00e9senter le taux d’accroissement par unit\u00e9 d’une variable continue imaginaire pour devenir strictement la diff\u00e9rence d’esp\u00e9rance conditionnelle entre le groupe indic\u00e9 et le groupe maintenu \u00e0 z\u00e9ro.<\/p>\n Sur le plan vectoriel, un ensemble de participants n’est plus repr\u00e9sent\u00e9 par une suite de valeurs enti\u00e8res h\u00e9t\u00e9rog\u00e8nes sur un axe unidimensionnel, mais par une configuration dans un hyperespace o\u00f9 chaque variable muette constitue un axe binaire propre. Ce m\u00e9canisme d’activation binaire permet ainsi aux algorithmes d’optimisation d’ajuster des surfaces de r\u00e9ponse discontinues qui respectent parfaitement l’int\u00e9grit\u00e9 taxonomique des donn\u00e9es initiales.<\/p>\n Au c\u0153ur de l’estimation par les moindres carr\u00e9s ordinaires se trouve la matrice de conception, universellement not\u00e9e $X$<\/span>. Cette matrice, de dimension $N \\times (P+1)$<\/span> (o\u00f9 $N$<\/span> est la taille de l’\u00e9chantillon et $P$<\/span> le nombre de param\u00e8tres de pente), agr\u00e8ge les vecteurs colonnes associ\u00e9s \u00e0 chaque pr\u00e9dicteur, pr\u00e9c\u00e9d\u00e9s d’une colonne initiale constitu\u00e9e exclusivement de 1 repr\u00e9sentant le terme constant (l’ordonn\u00e9e \u00e0 l’origine ou l’intercept). Lorsque des pr\u00e9dicteurs qualitatifs sont introduits, ils sont int\u00e9gr\u00e9s sous la forme de sous-matrices de blocs indicatrices.<\/p>\n Pour qu’un mod\u00e8le de r\u00e9gression lin\u00e9aire poss\u00e8de une solution analytique unique, la matrice de projection $X^T X$<\/span> doit imp\u00e9rativement \u00eatre non singuli\u00e8re, ce qui \u00e9quivaut \u00e0 exiger que la matrice $X$<\/span> soit de plein rang de colonnes. Si l’on cr\u00e9ait une variable indicatrice pour chacune des cat\u00e9gories d’une variable nominale sans pr\u00e9caution, la somme horizontale de ces colonnes binaires serait \u00e9gale pour chaque individu \u00e0 1, ce qui reproduirait \u00e0 l’identique le vecteur unit\u00e9 de l’ordonn\u00e9e \u00e0 l’origine.<\/p>\n Cette d\u00e9pendance lin\u00e9aire exacte r\u00e9duirait le rang de la matrice, rendant son inversion rigoureusement impossible par les m\u00e9thodes matricielles standard. L’organisation structurelle de la matrice de conception impose donc une discipline de param\u00e9trisation stricte, qui dicte directement les propri\u00e9t\u00e9s alg\u00e9briques du syst\u00e8me d’\u00e9quations normales et conditionne la convergence des algorithmes statistiques.<\/p>\n Bien que le codage binaire standard (dit dummy coding<\/em> ou codage par traitement) soit le plus couramment employ\u00e9 en psychologie appliqu\u00e9e, il ne constitue nullement l’unique modalit\u00e9 de vectorisation des cat\u00e9gories. Deux alternatives fondamentales m\u00e9ritent une attention m\u00e9thodologique approfondie : le codage par effets (effects coding<\/em>) et le codage par contrastes orthogonaux.<\/p>\n Le codage par effets assigne la valeur 1 \u00e0 la modalit\u00e9 cibl\u00e9e, la valeur 0 aux autres modalit\u00e9s, mais affecte la valeur -1 \u00e0 une modalit\u00e9 sp\u00e9cifique servant de r\u00e9f\u00e9rence globale. Dans cette configuration g\u00e9om\u00e9trique, l’ordonn\u00e9e \u00e0 l’origine du mod\u00e8le ne repr\u00e9sente plus la moyenne attendue du groupe de r\u00e9f\u00e9rence, mais la \u00ab grande moyenne \u00bb non pond\u00e9r\u00e9e de l’ensemble des groupes. Les pentes associ\u00e9es aux variables indicatrices refl\u00e8tent alors les \u00e9carts marginaux de chaque groupe par rapport \u00e0 cette moyenne g\u00e9n\u00e9rale, ce qui r\u00e9plique fid\u00e8lement la param\u00e9trisation classique de l’analyse de variance selon les contraintes de somme nulle (sum-to-zero constraints<\/em>).<\/p>\n Le codage par contrastes orthogonaux, pour sa part, structure les coefficients de fa\u00e7on \u00e0 ce que le produit scalaire de n’importe quelle paire de colonnes de contraste dans la matrice de conception soit rigoureusement \u00e9gal \u00e0 z\u00e9ro (en tenant compte des effectifs). Cette m\u00e9thode est privil\u00e9gi\u00e9e en psychom\u00e9trie lorsqu’il s’agit de tester des hypoth\u00e8ses th\u00e9oriques a priori<\/em> hautement structur\u00e9es, telles que des d\u00e9compositions polynomiales de tendances (lin\u00e9aire, quadratique, cubique) \u00e0 travers des paliers ordonn\u00e9s ou des comparaisons hi\u00e9rarchiques entre des blocs de traitements cliniques. Le choix de la strat\u00e9gie de codage ne modifie en rien la qualit\u00e9 globale de l’ajustement du mod\u00e8le, mais reconfigure int\u00e9gralement la signification th\u00e9orique des param\u00e8tres estim\u00e9s.<\/p>\n Le \u00ab pi\u00e8ge des variables muettes \u00bb (Dummy Variable Trap<\/em>) est l’un des \u00e9cueils conceptuels les plus c\u00e9l\u00e8bres de l’\u00e9conom\u00e9trie et de la statistique appliqu\u00e9e. Il survient lorsqu’un chercheur, d\u00e9sireux d’inclure l’ensemble des modalit\u00e9s d’une variable nominale dans son mod\u00e8le, g\u00e9n\u00e8re autant de variables indicatrices qu’il existe de cat\u00e9gories, tout en conservant le terme d’ordonn\u00e9e \u00e0 l’origine standard dans l’\u00e9quation de r\u00e9gression.<\/p>\n D’un point de vue alg\u00e9brique, si une variable qualitative poss\u00e8de $k$<\/span> cat\u00e9gories exclusives et exhaustives, chaque individu appartient n\u00e9cessairement \u00e0 une et une seule de ces modalit\u00e9s. Par cons\u00e9quent, la somme arithm\u00e9tique ligne par ligne des $k$<\/span> variables muettes est \u00e9gale \u00e0 1 pour la totalit\u00e9 des observations de l’\u00e9chantillon. Math\u00e9matiquement, nous nous trouvons en pr\u00e9sence d’une relation de colin\u00e9arit\u00e9 parfaite o\u00f9 le vecteur unitaire associ\u00e9 \u00e0 l’intercept est une combinaison lin\u00e9aire directe de la somme des colonnes indicatrices :<\/p>\n $$\\mathbf{1} = \\sum_{j=1}^{k} \\mathbf{D}_j$$<\/span><\/p>\n Cette d\u00e9pendance d\u00e9terministe cr\u00e9e une redondance informationnelle absolue. Il n’existe plus de variation r\u00e9siduelle ind\u00e9pendante permettant d’estimer conjointement l’effet propre de chaque groupe et le niveau de base repr\u00e9sent\u00e9 par l’ordonn\u00e9e \u00e0 l’origine. L’espace vectoriel sous-tendu par ces pr\u00e9dicteurs est de dimension d\u00e9ficiente, ce qui paralyse l’appareil d’estimation des moindres carr\u00e9s ordinaires.<\/p>\n Pour contourner de mani\u00e8re infaillible cette singularit\u00e9 matricielle, une r\u00e8gle m\u00e9thodologique imp\u00e9rative et universelle s’applique : pour toute variable cat\u00e9gorielle comportant $k$<\/span> modalit\u00e9s distinctes, le mod\u00e8le de r\u00e9gression lin\u00e9aire avec constante ne doit inclure que strictement $k – 1$<\/span> variables indicatrices. La modalit\u00e9 intentionnellement omise de la sp\u00e9cification devient, par d\u00e9finition logique et math\u00e9matique, la cat\u00e9gorie de r\u00e9f\u00e9rence<\/strong> ou le groupe de comparaison de base.<\/p>\n Cette r\u00e8gle refl\u00e8te directement le concept de degr\u00e9s de libert\u00e9 associ\u00e9 aux facteurs nominaux. Dans un syst\u00e8me o\u00f9 les cat\u00e9gories sont mutuellement exclusives et exhaustives, conna\u00eetre l’\u00e9tat d’un individu sur les $k – 1$<\/span> premi\u00e8res indicatrices d\u00e9termine avec une certitude absolue son statut sur la $k$<\/span>-i\u00e8me modalit\u00e9 : si un participant re\u00e7oit la valeur 0 pour toutes les $k – 1$<\/span> variables indicatrices du mod\u00e8le, il appartient n\u00e9cessairement \u00e0 la modalit\u00e9 omise. La $k$<\/span>-i\u00e8me variable n’apporte donc aucun degr\u00e9 de libert\u00e9 informatif suppl\u00e9mentaire ; l’inclure saturerait le mod\u00e8le d’une information redondante.<\/p>\n Les environnements logiciels contemporains (tels que le langage R, Python avec la biblioth\u00e8que statsmodels<\/a>, ou SPSS) impl\u00e9mentent g\u00e9n\u00e9ralement des algorithmes d’omission automatique. Lorsqu’un facteur cat\u00e9goriel est d\u00e9clar\u00e9, le logiciel \u00e9jecte de lui-m\u00eame la premi\u00e8re ou la derni\u00e8re modalit\u00e9 lors de la construction de la matrice de mod\u00e8le afin de garantir la conformit\u00e9 \u00e0 la r\u00e8gle des $k – 1$<\/span> degr\u00e9s de libert\u00e9.<\/p>\n L’impact computationnel direct du pi\u00e8ge des variables muettes r\u00e9side dans l’incapacit\u00e9 de r\u00e9soudre l’\u00e9quation fondamentale des moindres carr\u00e9s ordinaires, traditionnellement exprim\u00e9e sous la forme matricielle :<\/p>\n $$\\hat{boldsymbol{\\beta}} = (X^T X)^{-1} X^T \\mathbf{y}$$<\/span><\/p>\n Lorsque la matrice de conception $X$<\/span> contient \u00e0 la fois le vecteur constant et les $k$<\/span> indicatrices compl\u00e8tes, ses colonnes ne sont plus lin\u00e9airement ind\u00e9pendantes. La matrice r\u00e9sultante $X^T X$<\/span> poss\u00e8de d\u00e8s lors un d\u00e9terminant rigoureusement nul, ce qui caract\u00e9rise une matrice singuli\u00e8re (ou non inversible). L’op\u00e9ration d’inversion matricielle $(X^T X)^{-1}$<\/span> devient une impossibilit\u00e9 math\u00e9matique absolue, analogue \u00e0 une division par z\u00e9ro dans le corps des r\u00e9els.<\/p>\n Face \u00e0 cette configuration, les routines informatiques d\u00e9clenchent des exceptions num\u00e9riques explicites : messages d’erreur signalant une \u00ab matrice singuli\u00e8re \u00bb, ind\u00e9termination du calcul du d\u00e9terminant, ou exclusion forc\u00e9e arbitraire d’un ou plusieurs param\u00e8tres sous la mention de \u00ab singularit\u00e9s d\u00e9tect\u00e9es \u00bb. Il est crucial pour le chercheur de distinguer conceptuellement cette multicolin\u00e9arit\u00e9 parfaite, r\u00e9sultant exclusivement d’une erreur d’architecture et de surparam\u00e9trisation du mod\u00e8le, de la multicolin\u00e9arit\u00e9 empirique imparfaite provoqu\u00e9e par des corr\u00e9lations substantielles entre pr\u00e9dicteurs continus collect\u00e9s sur le terrain.<\/p>\n Le choix de la modalit\u00e9 qui sera omise du mod\u00e8le pour servir de cat\u00e9gorie de r\u00e9f\u00e9rence ne constitue nullement une d\u00e9cision technique triviale ou neutre : il dicte la perspective d’observation sous laquelle l’ensemble des r\u00e9sultats statistiques sera formul\u00e9 et appr\u00e9hend\u00e9. Sur le plan de la d\u00e9marche scientifique, ce choix doit \u00eatre rigoureusement subordonn\u00e9 aux hypoth\u00e8ses de recherche formul\u00e9es par le psychologue ou l’investigateur.<\/p>\n Dans un contexte exp\u00e9rimental ou interventionnel, le crit\u00e8re d’\u00e9lection logique et paradigmatique est le groupe t\u00e9moin, la condition sous placebo ou le protocole de prise en charge habituelle (Treatment as Usual<\/em> ou TAU). Positionner le groupe contr\u00f4le comme cat\u00e9gorie de r\u00e9f\u00e9rence permet d’interpr\u00e9ter instantan\u00e9ment chaque coefficient estim\u00e9 comme l’effet net direct d’une intervention innovante sp\u00e9cifique par rapport \u00e0 l’absence de traitement ou au standard clinique pr\u00e9existant.<\/p>\n D’un point de vue statistique pur, la taille d’\u00e9chantillon des modalit\u00e9s constitue un second crit\u00e8re d\u00e9terminant. Il est formellement d\u00e9conseill\u00e9 de s\u00e9lectionner comme r\u00e9f\u00e9rence une modalit\u00e9 caract\u00e9ris\u00e9e par des effectifs extr\u00eamement r\u00e9duits ou instables. \u00c9tant donn\u00e9 que la variance de l’ordonn\u00e9e \u00e0 l’origine et, par r\u00e9percussion, les erreurs types de l’ensemble des contrastes d\u00e9pendent \u00e9troitement de la pr\u00e9cision de l’estimation de la moyenne de base, retenir un groupe minoritaire dilate artificiellement l’impr\u00e9cision d’estimation sur l’int\u00e9gralit\u00e9 du mod\u00e8le. Enfin, l’analyste doit imp\u00e9rativement \u00e9viter d’\u00e9riger en r\u00e9f\u00e9rence des cat\u00e9gories r\u00e9siduelles h\u00e9t\u00e9rog\u00e8nes (souvent \u00e9tiquet\u00e9es \u00ab Autre \u00bb ou \u00ab Ind\u00e9termin\u00e9 \u00bb), dont le manque de coh\u00e9rence clinique ou sociologique rendrait l’ancrage th\u00e9orique ininterpr\u00e9table.<\/p>\n Une propri\u00e9t\u00e9 alg\u00e9brique fondamentale de la r\u00e9gression lin\u00e9aire g\u00e9n\u00e9rale r\u00e9side dans l’invariance stricte de l’ajustement global face \u00e0 la permutation de la cat\u00e9gorie de r\u00e9f\u00e9rence. Quelle que soit la modalit\u00e9 choisie pour servir de socle comparatif, la somme des carr\u00e9s des r\u00e9sidus, le coefficient de d\u00e9termination global ($R^2$<\/span>), le coefficient de d\u00e9termination ajust\u00e9 ainsi que la statistique globale du test omnibus $F$<\/span> demeurent rigoureusement identiques \u00e0 chaque it\u00e9ration du mod\u00e8le.<\/p>\n Cependant, les param\u00e8tres locaux de l’\u00e9quation de r\u00e9gression subissent une reconfiguration math\u00e9matique profonde. L’ordonn\u00e9e \u00e0 l’origine se transmute pour adopter la valeur de la moyenne pr\u00e9dite associ\u00e9e \u00e0 la nouvelle modalit\u00e9 omise. Simultan\u00e9ment, les coefficients de pente $\\beta$<\/span>, qui d\u00e9crivent d\u00e9sormais les \u00e9carts par rapport \u00e0 ce nouveau point d’ancrage, changent de magnitude, de signe et d’erreur standard. Les tests $t$<\/span> individuels associ\u00e9s \u00e0 ces pentes \u00e9valuent en effet de nouvelles hypoth\u00e8ses nulles locales qui comparent les groupes restants au nouveau groupe de r\u00e9f\u00e9rence s\u00e9lectionn\u00e9.<\/p>\n Cette dualit\u00e9 souligne que, bien que le pouvoir explicatif total du mod\u00e8le demeure parfaitement stable, la d\u00e9tection de contrastes statistiquement significatifs via les tests $t$<\/span> d\u00e9pend directement de la pertinence de la modalit\u00e9 choisie comme point de comparaison de base.<\/p>\n Sur le plan de la communication scientifique et de la pertinence translationnelle en psychologie, une s\u00e9lection inad\u00e9quate de la modalit\u00e9 de r\u00e9f\u00e9rence peut s\u00e9v\u00e8rement compromettre la clart\u00e9 de l’argumentation empirique. Un chercheur qui laisserait un algorithme d\u00e9signer arbitrairement la modalit\u00e9 de base (souvent par simple ordre alphab\u00e9tique) risquerait de structurer son rapport de recherche autour de contrastes th\u00e9oriquement st\u00e9riles ou hautement contre-intuitifs.<\/p>\n Consid\u00e9rons une \u00e9tude clinique comparant deux psychoth\u00e9rapies novatrices (A et B) \u00e0 une condition contr\u00f4le d’attente (C). Si la cat\u00e9gorie de r\u00e9f\u00e9rence devient fortuitement l’intervention A, les coefficients indiqueront l’\u00e9cart diff\u00e9rentiel entre B et A, ainsi que l’\u00e9cart entre la liste d’attente et A. Bien que ces param\u00e8tres soient math\u00e9matiquement valides, ils obscurcissent la r\u00e9ponse directe \u00e0 la question principale d’efficacit\u00e9 th\u00e9rapeutique, qui exige de mesurer la magnitude du gain g\u00e9n\u00e9r\u00e9 par A et par B comparativement \u00e0 l’absence de soin. Une formulation clinique transparente exige d’ancrer l’interpr\u00e9tation sur la norme th\u00e9orique ou la condition basale pour \u00e9viter toute mauvaise interpr\u00e9tation quant \u00e0 la directionnalit\u00e9 causale et clinique des effets observ\u00e9s.<\/p>\n Dans un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 o\u00f9 l’ensemble des pr\u00e9dicteurs cat\u00e9goriels est vectoris\u00e9 par codage binaire (0 ou 1), l’ordonn\u00e9e \u00e0 l’origine $b_0$<\/span> (commun\u00e9ment d\u00e9sign\u00e9e comme l’intercept) acquiert une d\u00e9finition math\u00e9matique pr\u00e9cise et rigide. Elle correspond \u00e0 l’esp\u00e9rance conditionnelle de la variable r\u00e9ponse $Y$<\/span> lorsque l’ensemble des r\u00e9gresseurs du mod\u00e8le est rigoureusement fix\u00e9 \u00e0 la valeur 0 :<\/p>\n $$b_0 = \\mathbb{E}[Y mid D_1 = 0, D_2 = 0, dots, D_{k-1} = 0]$$<\/span><\/p>\n Sur le plan g\u00e9om\u00e9trique, l’intercept cesse d’\u00eatre une simple extrapolation de la droite \u00e0 l’abscisse z\u00e9ro pour devenir le point d’ancrage basal de la population. En l’absence de covariables continues suppl\u00e9mentaires, $b_0$<\/span> est rigoureusement \u00e9gal \u00e0 la moyenne arithm\u00e9tique de la variable d\u00e9pendante calcul\u00e9e exclusivement sur l’\u00e9chantillon des individus appartenant \u00e0 la cat\u00e9gorie de r\u00e9f\u00e9rence.<\/p>\n Lorsque le mod\u00e8le incorpore simultan\u00e9ment des covariables quantitatives continues (telles que l’\u00e2ge ou un score de s\u00e9v\u00e9rit\u00e9 initiale), cette \u00e9quivalence ne tient que si ces covariables continues sont pr\u00e9alablement centr\u00e9es sur leur moyenne d’\u00e9chantillon. Si les variables continues ne sont pas centr\u00e9es, $b_0$<\/span> repr\u00e9sentera la moyenne th\u00e9orique pr\u00e9dite pour le groupe de r\u00e9f\u00e9rence lorsque toutes les covariables continues sont \u00e9gales \u00e0 z\u00e9ro, ce qui correspond fr\u00e9quemment \u00e0 une valeur physiquement ou psychologiquement impossible (par exemple, un individu du groupe t\u00e9moin ayant un \u00e2ge de z\u00e9ro an).<\/p>\n Les coefficients de r\u00e9gression associ\u00e9s aux variables indicatrices, traditionnellement not\u00e9s $b_1, b_2, dots, b_{k-1}$<\/span>, quantifient des d\u00e9viations diff\u00e9rentielles pures. Contrairement aux pentes issues de r\u00e9gresseurs continus qui d\u00e9crivent un gradient de variation le long d’une \u00e9chelle, le coefficient d’une variable muette exprime une translation g\u00e9om\u00e9trique discr\u00e8te sur l’axe des ordonn\u00e9es. Formellement, le param\u00e8tre $b_j$<\/span> repr\u00e9sente l’\u00e9cart entre la moyenne conditionnelle du groupe indic\u00e9 par $D_j$<\/span> et la moyenne conditionnelle du groupe de r\u00e9f\u00e9rence :<\/p>\n $$b_j = \\bar{Y}_{D_j=1} – \\bar{Y}_{\\text{r\u00e9f\u00e9rence}}$$<\/span><\/p>\n Le test d’hypoth\u00e8se individuel conduit sur ce param\u00e8tre, mat\u00e9rialis\u00e9 par le test $t$<\/span> de Student ($t = b_j \/ \\text{SE}(b_j)$<\/span>), teste formellement l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 stricte des moyennes entre ce sous-groupe sp\u00e9cifique et la cat\u00e9gorie de base ($H_0 : \\mu_j = \\mu_{\\text{r\u00e9f\u00e9rence}}$<\/span>). Ce coefficient constitue donc une estimation non standardis\u00e9e de la taille de l’effet moyen dans l’unit\u00e9 brute de l’instrument de mesure psychologique employ\u00e9.<\/p>\n Ainsi, le signe du coefficient indique sans ambigu\u00eft\u00e9 la polarit\u00e9 de la diff\u00e9rence : une valeur positive signale que le groupe indic\u00e9 pr\u00e9sente un niveau moyen sup\u00e9rieur \u00e0 la condition de r\u00e9f\u00e9rence sur le crit\u00e8re \u00e9valu\u00e9, tandis qu’une valeur n\u00e9gative indique une r\u00e9gression moyenne par rapport au niveau basal.<\/p>\n Afin d’illustrer de mani\u00e8re pragmatique cette m\u00e9canique param\u00e9trique, consid\u00e9rons une recherche clinique randomis\u00e9e \u00e9valuant la s\u00e9v\u00e9rit\u00e9 d\u00e9pressive post-traitement (mesur\u00e9e sur l’\u00e9chelle de d\u00e9pression de Beck, le BDI-II, o\u00f9 des scores \u00e9lev\u00e9s traduisent une s\u00e9v\u00e9rit\u00e9 accrue) aupr\u00e8s de trois cohortes de patients : un groupe t\u00e9moin sur liste d’attente (Contr\u00f4le), un groupe b\u00e9n\u00e9ficiant d’une Th\u00e9rapie Cognitivo-Comportementale (TCC), et un troisi\u00e8me bras soumis \u00e0 une Pharmacoth\u00e9rapie standardis\u00e9e.<\/p>\n La variable qualitative \u00ab Traitement \u00bb comportant trois modalit\u00e9s distinctes, nous g\u00e9n\u00e9rons deux variables indicatrices en retenant le groupe Contr\u00f4le comme r\u00e9f\u00e9rence basale :<\/p>\n L’\u00e9quation de r\u00e9gression lin\u00e9aire estim\u00e9e s’\u00e9nonce comme suit :<\/p>\n $$\\hat{Y}_{\\text{BDI}} = 28.4 – 9.6 \\cdot D_{\\text{TCC}} – 5.2 \\cdot D_{\\text{Pharma}}$$<\/span><\/p>\n Dans ce mod\u00e8le, l’ordonn\u00e9e \u00e0 l’origine $b_0 = 28.4$<\/span> correspond exactement au score moyen de d\u00e9pression observ\u00e9 au sein de la condition Contr\u00f4le. Le coefficient associ\u00e9 \u00e0 la TCC ($b_1 = -9.6$<\/span>, $p < .001$<\/span>) r\u00e9v\u00e8le que les patients ayant suivi la psychoth\u00e9rapie pr\u00e9sentent un score moyen de d\u00e9pression significativement inf\u00e9rieur de 9.6 points par rapport \u00e0 la liste d'attente, fixant leur moyenne pr\u00e9dite \u00e0 $\\hat{Y} = 28.4 – 9.6 = 18.8$<\/span>. De mani\u00e8re analogue, le coefficient de la pharmacoth\u00e9rapie ($b_2 = -5.2$<\/span>, $p = .014$<\/span>) indique une r\u00e9duction moyenne de 5.2 points comparativement au contr\u00f4le, soit une esp\u00e9rance pr\u00e9dite de $\\hat{Y} = 28.4 – 5.2 = 23.2$<\/span>. Les valeurs $p$<\/span> respectives permettent de conclure au rejet des hypoth\u00e8ses nulles d'\u00e9quivalence entre chaque traitement actif et la liste d'attente.<\/p>\n L’extension de la m\u00e9thodologie des variables indicatrices aux construits psychologiques complexes impliquant une granularit\u00e9 polytomique \u00e9tendue suit rigoureusement la logique des degr\u00e9s de libert\u00e9 \u00e9tablie pr\u00e9c\u00e9demment. Des variables telles que les styles d’attachement chez l’adulte (s\u00e9curisant, ins\u00e9cure-\u00e9vitant, ins\u00e9cure-anxieux, d\u00e9sorganis\u00e9), les typologies de personnalit\u00e9 du mod\u00e8le HEXACO ou les cat\u00e9gories diagnostiques multidimensionnelles exigent la d\u00e9composition m\u00e9thodique du facteur en un ensemble exhaustif d’indicatrices mutuellement exclusives.<\/p>\n Le processus de param\u00e9trisation compl\u00e8te impose une surveillance drastique de l’encodage. Pour une variable $F$<\/span> comportant $k$<\/span> niveaux ${C_1, C_2, dots, C_k}$<\/span>, le chercheur doit construire une matrice binaire de dimensions $N \\times (k-1)$<\/span> en s\u00e9lectionnant arbitrairement mais strat\u00e9giquement le niveau $C_1$<\/span> comme modalit\u00e9 de base. Chaque colonne indicatrice $D_j$<\/span> pour $j in {2, dots, k}$<\/span> ob\u00e9ira \u00e0 la r\u00e8gle bool\u00e9enne stricte :<\/p>\n $$D_{ij} = \\begin{\\cases} 1 &a\\mp; \\text{si l’observation } i \\text{ appartient \u00e0 la modalit\u00e9 } C_j 0 &a\\mp; \\text{dans le cas contraire} \\end{\\cases}$$<\/span><\/p>\n Il est imp\u00e9ratif de s’assurer de l’exhaustivit\u00e9 et de l’exclusion mutuelle : aucun participant ne peut poss\u00e9der simultan\u00e9ment la valeur 1 sur plus d’une colonne indicatrice, et tout sujet n’appartenant \u00e0 aucune des modalit\u00e9s indic\u00e9es de 2 \u00e0 $k$<\/span> doit obligatoirement \u00eatre cod\u00e9 0 sur l’int\u00e9gralit\u00e9 de ces colonnes, attestant de son assignation automatique \u00e0 la modalit\u00e9 de r\u00e9f\u00e9rence fondamentale $C_1$<\/span>.<\/p>\n L’un des pi\u00e8ges analytiques les plus d\u00e9vastateurs lors du traitement de facteurs polytomiques r\u00e9side dans l’examen isol\u00e9 des tests $t$<\/span> de Student associ\u00e9s aux diff\u00e9rents coefficients partiels sans proc\u00e9der pr\u00e9alablement \u00e0 un test statistique global. Proc\u00e9der de la sorte engendre une inflation critique de l’erreur de type I (le risque d’identifier fallacieusement un contraste statistiquement significatif par simple fluctuation d’\u00e9chantillonnage).<\/p>\n L’\u00e9valuation rigoureuse d’une variable cat\u00e9gorielle \u00e0 plus de deux modalit\u00e9s exige la r\u00e9alisation d’un test omnibus $F$<\/span> sur l’ensemble du bloc des $k – 1$<\/span> variables indicatrices. Ce test correspond \u00e0 une comparaison de mod\u00e8les embo\u00eet\u00e9s (nested models comparison<\/em>) via le calcul de l’incr\u00e9ment de variance expliqu\u00e9e ($\\Delta R^2$<\/span>). Le mod\u00e8le complet incluant les $k-1$<\/span> indicatrices est compar\u00e9 \u00e0 un mod\u00e8le restreint dans lequel ces variables sont simultan\u00e9ment contraintes \u00e0 z\u00e9ro. La statistique $F$<\/span> de changement est d\u00e9finie formellement par :<\/p>\n $$F = \\frac{(R^2_{\\text{complet}} – R^2_{\\text{restre\\int}}) \/ (k – 1)}{(1 – R^2_{\\text{complet}}) \/ (N – P – 1)}$$<\/span><\/p>\n Ce test $F$<\/span> omnibus \u00e9value l’hypoth\u00e8se nulle conjointe fondamentale $H_0 : \\beta_1 = \\beta_2 = dots = \\beta_{k-1} = 0$<\/span>. Ce n’est que si cette statistique $F$<\/span> franchit le seuil de signification conventionnel ($\\alpha = .05$<\/span>) que le chercheur est formellement autoris\u00e9 \u00e0 interpr\u00e9ter la structure sp\u00e9cifique des coefficients individuels sans violer l’int\u00e9grit\u00e9 de l’inf\u00e9rence statistique.<\/p>\n Le codage binaire direct fournit imm\u00e9diatement les contrastes opposant chaque modalit\u00e9 indic\u00e9e \u00e0 la cat\u00e9gorie de r\u00e9f\u00e9rence omise. Cependant, il omet structurellement les comparaisons directes reliant les modalit\u00e9s indic\u00e9es entre elles. Dans l’exemple clinique pr\u00e9c\u00e9dent, le mod\u00e8le fournit le contraste TCC versus Contr\u00f4le et Pharmacoth\u00e9rapie versus Contr\u00f4le, mais ne livre aucune estimation directe ni test d’hypoth\u00e8se pour le contraste crucial comparant la TCC \u00e0 la Pharmacoth\u00e9rapie.<\/p>\n Pour extraire ces contrastes secondaires, le chercheur dispose de plusieurs options m\u00e9thodologiques rigoureuses. La premi\u00e8re consiste \u00e0 effectuer une re-param\u00e9trisation du mod\u00e8le en modifiant la cat\u00e9gorie de r\u00e9f\u00e9rence (en prenant par exemple la Pharmacoth\u00e9rapie comme nouvelle base), ce qui engendre une recalculation de la matrice de covariance des param\u00e8tres sans affecter l’ajustement g\u00e9n\u00e9ral. La seconde option, plus \u00e9l\u00e9gante, r\u00e9side dans le recours aux combinaisons lin\u00e9aires de param\u00e8tres estim\u00e9s, o\u00f9 le contraste s’\u00e9value par l’\u00e9cart entre les coefficients :<\/p>\n $$\\hat{\\psi} = b_{\\text{TCC}} – b_{\\text{Pharma}}$$<\/span><\/p>\n L’erreur standard de cette diff\u00e9rence s’obtient via la matrice de variance-covariance des coefficients :<\/p>\n $$\\text{SE}(b_{\\text{TCC}} – b_{\\text{Pharma}}) = \\sqrt{\\text{Var}(b_{\\text{TCC}}) + \\text{Var}(b_{\\text{Pharma}}) – 2,\\text{Cov}(b_{\\text{TCC}}, b_{\\text{Pharma}})}$$<\/span><\/p>\n Face \u00e0 la multiplication de ces contrastes par paires, il est imp\u00e9ratif d’appliquer des corrections de multiplicit\u00e9 (ajustements selon les proc\u00e9dures de Holm, de Bonferroni ou de Tukey-Kramer) afin de contr\u00f4ler le taux d’erreur global par famille d’hypoth\u00e8ses (Family-Wise Error Rate<\/em>).<\/p>\n Dans l’architecture de la recherche quantitative en psychologie, le concept de mod\u00e9ration<\/a> renvoie \u00e0 l’hypoth\u00e8se selon laquelle la force ou la direction de la relation entre un pr\u00e9dicteur focal et une variable d\u00e9pendante varie syst\u00e9matiquement en fonction du niveau d’une troisi\u00e8me variable. Lorsqu’une variable muette interagit avec un pr\u00e9dicteur quantitatif continu, elle permet de mod\u00e9liser une divergence structurelle des pentes de r\u00e9gression entre les sous-groupes.<\/p>\n Sur le plan calculatoire, la sp\u00e9cification d’un tel effet mod\u00e9rateur s’op\u00e8re par la cr\u00e9ation d’un terme produit, d\u00e9fini comme la multiplication arithm\u00e9tique de la variable indicatrice par la variable continue. Pour \u00e9viter des complications d’interpr\u00e9tation et r\u00e9duire la colin\u00e9arit\u00e9 artificielle entre les effets d’ordre inf\u00e9rieur et le terme d’interaction, la variable continue doit \u00eatre syst\u00e9matiquement centr\u00e9e sur sa moyenne d’\u00e9chantillon pr\u00e9alable \u00e0 la formation du produit :<\/p>\n $$\\hat{Y} = b_0 + b_1 D + b_2 (X – \\bar{X}) + b_3 [D \\cdot (X – \\bar{X})]$$<\/span><\/p>\n Dans ce mod\u00e8le conditionnel, les param\u00e8tres r\u00e9v\u00e8lent une signification hautement sp\u00e9cialis\u00e9e :<\/p>\n L’int\u00e9gration de deux facteurs cat\u00e9goriels dichotomiques au sein d’un mod\u00e8le de r\u00e9gression lin\u00e9aire permet de reproduire fid\u00e8lement l’analyse factorielle d’un plan exp\u00e9rimental $2 \\times 2$<\/span>. Consid\u00e9rons deux variables indicatrices, $D_A$<\/span> et $D_B$<\/span>, encodant respectivement la pr\u00e9sence de deux interventions th\u00e9rapeutiques distinctes ou de deux facteurs de vuln\u00e9rabilit\u00e9 g\u00e9n\u00e9tique. Le mod\u00e8le complet int\u00e9grant l’interaction multiplicative s’\u00e9nonce comme suit :<\/p>\n $$\\hat{Y} = b_0 + b_1 D_A + b_2 D_B + b_3 (D_A \\cdot D_B)$$<\/span><\/p>\n La d\u00e9composition des esp\u00e9rances conditionnelles pr\u00e9dites pour chacune des quatre cellules du plan factoriel met en lumi\u00e8re la m\u00e9canique du mod\u00e8le :<\/p>\n Le param\u00e8tre d’interaction $b_3$<\/span> s’interpr\u00e8te rigoureusement comme une \u00ab diff\u00e9rence de diff\u00e9rences \u00bb (difference-in-differences<\/em>). Il \u00e9value dans quelle mesure l’effet conjoint de l’exposition simultan\u00e9e aux deux facteurs s’\u00e9carte de la simple additivit\u00e9 de leurs effets principaux individuels :<\/p>\n $$b_3 = (\\hat{Y}_{11} – \\hat{Y}_{01}) – (\\hat{Y}_{10} – \\hat{Y}_{00})$$<\/span><\/p>\n Un test $t$<\/span> significatif associ\u00e9 au coefficient $b_3$<\/span> d\u00e9montre l’existence d’une synergie positive (sur-additivit\u00e9) ou d’une interf\u00e9rence n\u00e9gative (sous-additivit\u00e9) entre les conditions \u00e9tudi\u00e9es.<\/p>\n L’interpr\u00e9tation clinique d’un effet d’interaction significatif exige imp\u00e9rativement une d\u00e9composition m\u00e9thodique des effets simples post-estimation, compl\u00e9t\u00e9e par une visualisation graphique transparente. Une pente ou un \u00e9cart global ne pouvant plus \u00eatre appliqu\u00e9 de fa\u00e7on universelle \u00e0 l’\u00e9chantillon, le chercheur doit quantifier les relations de mani\u00e8re conditionnelle \u00e0 chaque niveau du mod\u00e9rateur.<\/p>\n Dans l’interaction entre une variable muette et un r\u00e9gresseur continu, l’analyse des pentes simples (simple slopes analysis<\/em>) consiste \u00e0 estimer formellement la significativit\u00e9 statistique de la pente de r\u00e9gression continue au sein de chaque groupe de mani\u00e8re disjointe. L’\u00e9quation fournit imm\u00e9diatement la pente de la cat\u00e9gorie de r\u00e9f\u00e9rence ($b_2$<\/span>) et son erreur type associ\u00e9e. En inversant le codage binaire du mod\u00e9rateur (en transformant temporairement le groupe indic\u00e9 en groupe 0), une r\u00e9-estimation livre l’erreur type et la valeur $p$<\/span> exacte de la seconde pente simple ($b_2 + b_3$<\/span>).<\/p>\n Pour aller au-del\u00e0 du partitionnement arbitraire des donn\u00e9es continues, les psychom\u00e9triciens recommandent d\u00e9sormais la m\u00e9thode de Johnson-Neyman. Cette approche computationnelle calcule les fronti\u00e8res exactes le long du continuum de la variable continue o\u00f9 la diff\u00e9rence conditionnelle entre les cat\u00e9gories indic\u00e9es cesse d’\u00eatre statistiquement significative au seuil alpha fix\u00e9. La cartographie graphique de ces zones de significativit\u00e9 clinique offre une compr\u00e9hension infiniment sup\u00e9rieure des limites \u00e9cologiques au sein desquelles s’expriment les contrastes entre sous-groupes.<\/p>\n L’un des accomplissements majeurs de la m\u00e9thodologie statistique moderne r\u00e9side dans la d\u00e9monstration de l’isomorphisme math\u00e9matique parfait unissant la r\u00e9gression multiple param\u00e9tr\u00e9e par variables indicatrices et l’analyse de variance traditionnelle. Bien que ces deux approches soient historiquement enseign\u00e9es comme des paradigmes analytiques distincts dans les manuels de psychologie, elles op\u00e8rent rigoureusement sur les m\u00eames d\u00e9compositions sous-jacentes de la variance totale.<\/p>\n Consid\u00e9rons un plan d’analyse de variance \u00e0 un facteur comprenant $k$<\/span> groupes ind\u00e9pendants. L’ANOVA partitionne la somme des carr\u00e9s totale ($SS_{\\text{Total}}$<\/span>) en somme des carr\u00e9s intergroupes ($SS_{\\text{Between}}$<\/span>) et somme des carr\u00e9s intragroupes ou r\u00e9siduelle ($SS_{\\text{Within}}$<\/span>). Si ce m\u00eame ensemble de donn\u00e9es est analys\u00e9 par une r\u00e9gression lin\u00e9aire multiple dans laquelle le facteur est encod\u00e9 par $k-1$<\/span> variables muettes, la somme des carr\u00e9s expliqu\u00e9e par le mod\u00e8le de r\u00e9gression ($SS_{\\text{Model}}$<\/span>) co\u00efncide \u00e0 la d\u00e9cimale pr\u00e8s avec la somme des carr\u00e9s intergroupes de l’ANOVA ($SS_{\\text{Model}} = SS_{\\text{Between}}$<\/span>).<\/p>\n De m\u00eame, la somme des carr\u00e9s r\u00e9siduelle de la r\u00e9gression \u00e9quivaut parfaitement \u00e0 l’erreur intragroupe de l’ANOVA ($SS_{\\text{Residual}} = SS_{\\text{Within}}$<\/span>). Le test $F$<\/span> omnibus du mod\u00e8le de r\u00e9gression d\u00e9livre une statistique rigoureusement identique au test $F$<\/span> de Fisher-Snedecor de la table d’ANOVA conventionnelle, prouvant formellement que l’analyse de variance ne constitue rien d’autre qu’une d\u00e9clinaison computationnelle restrictive du mod\u00e8le de r\u00e9gression lin\u00e9aire sous codage matriciel binaire.<\/p>\n L’analyse de covariance (ANCOVA) trouve son incarnation la plus transparente et la plus puissante dans la r\u00e9gression lin\u00e9aire mixte combinant simultan\u00e9ment des variables indicatrices et des pr\u00e9dicteurs continus. Dans la recherche exp\u00e9rimentale et quasi-exp\u00e9rimentale, l’ANCOVA a pour mandat de r\u00e9duire la variance d’erreur r\u00e9siduelle et d’ajuster les moyennes post-test en tenant compte d’une covariable pr\u00e9existante (fr\u00e9quemment le score initial mesur\u00e9 au pr\u00e9-test avant toute intervention).<\/p>\n Formul\u00e9e sous forme de r\u00e9gression lin\u00e9aire, l’\u00e9quation s’\u00e9crit :<\/p>\n $$\\hat{Y}_{\\text{Post}} = b_0 + b_1 D_{\\text{Groupe}} + b_2 (X_{\\text{Pr\u00e9}} – \\bar{X}_{\\text{Pr\u00e9}})$$<\/span><\/p>\n Cette param\u00e9trisation permet de v\u00e9rifier imm\u00e9diatement le postulat fondamental d’homog\u00e9n\u00e9it\u00e9 des pentes de r\u00e9gression (parall\u00e9lisme des trajectoires intragroupes). Il suffit d’ajouter un terme produit entre l’indicatrice de groupe et la covariable continue ($D_{\\text{Groupe}} \\cdot X_{\\text{Pr\u00e9}}$<\/span>) : si le coefficient d’interaction associ\u00e9 n’est pas statistiquement significatif, l’hypoth\u00e8se de parall\u00e9lisme est confirm\u00e9e, et le mod\u00e8le sans interaction peut \u00eatre retenu en toute validit\u00e9 empirique.<\/p>\n Dans ce cadre, le coefficient $b_1$<\/span> fournit directement l’estimation de la moyenne ajust\u00e9e diff\u00e9rentielle entre les groupes, d\u00e9lest\u00e9e de l’effet de confusion attribuable aux variations initiales du pr\u00e9-test. Ce contr\u00f4le statistique am\u00e9liore substantiellement la puissance statistique du test d’hypoth\u00e8se en compressant la variance non expliqu\u00e9e par les seules indicatrices exp\u00e9rimentales.<\/p>\n Si l’ANOVA classique s’ex\u00e9cute de mani\u00e8re \u00e9l\u00e9gante sur des plans d’exp\u00e9rience parfaitement orthogonaux (caract\u00e9ris\u00e9s par des effectifs strictement \u00e9gaux dans chaque cellule factorielle), elle se heurte \u00e0 des difficult\u00e9s majeures d\u00e8s lors que les donn\u00e9es pr\u00e9sentent un d\u00e9s\u00e9quilibre d’effectifs (plans non orthogonaux). Dans ces contextes, fr\u00e9quents dans les \u00e9tudes de terrain en psychologie, les sommes des carr\u00e9s associ\u00e9es aux diff\u00e9rents facteurs deviennent interd\u00e9pendantes et se chevauchent dans l’espace g\u00e9om\u00e9trique de la d\u00e9composition.<\/p>\n Le cadre de la r\u00e9gression lin\u00e9aire sur variables muettes g\u00e8re naturellement et rigoureusement cette asym\u00e9trie informationnelle. Il permet au chercheur de contr\u00f4ler explicitement la hi\u00e9rarchie de partitionnement des sommes des carr\u00e9s via l’arbitrage entre les types de d\u00e9composition :<\/p>\n La r\u00e9gression par variables indicatrices \u00e9vite ainsi les distorsions computationnelles de l’ANOVA classique en appliquant directement les principes de l’inversion matricielle pond\u00e9r\u00e9e par la distribution r\u00e9elle des donn\u00e9es, assurant une estimation non biais\u00e9e des effets partiels m\u00eame sous des d\u00e9s\u00e9quilibres d’effectifs substantiels.<\/p>\n L’\u00e9valuation des diagnostics de r\u00e9gression exige une vigilance accrue lorsque le mod\u00e8le int\u00e8gre des variables qualitatives encod\u00e9es sous forme binaire. Le facteur d’inflation de la variance (VIF, pour Variance Inflation Factor<\/em>) est couramment mobilis\u00e9 pour quantifier le degr\u00e9 d’amplification de l’instabilit\u00e9 d’\u00e9chantillonnage induit par la colin\u00e9arit\u00e9 entre pr\u00e9dicteurs continus. Cependant, appliqu\u00e9 sans discernement \u00e0 un bloc d’indicatrices d\u00e9riv\u00e9 d’un m\u00eame facteur cat\u00e9goriel, le VIF standard produit des indices trompeurs.<\/p>\n \u00c9tant donn\u00e9 que les variables muettes repr\u00e9sentatives des modalit\u00e9s d’une m\u00eame variable d’origine partagent n\u00e9cessairement une corr\u00e9lation n\u00e9gative intrins\u00e8que (puisqu’un individu ne peut \u00eatre cod\u00e9 1 que sur une seule colonne \u00e0 la fois), leurs valeurs de VIF individuelles sont structurellement \u00e9lev\u00e9es sans que cela n’indique une d\u00e9faillance de sp\u00e9cification. Pour pallier ce biais d’interpr\u00e9tation, les statisticiens recourent au facteur d’inflation de la variance g\u00e9n\u00e9ralis\u00e9 :<\/p>\n $$\\text{GVIF}^{1\/(2 \\cdot \\text{df})}$$<\/span><\/p>\n Cet indicateur multidimensionnel \u00e9value l’inflation de la variance pour l’ensemble du sous-espace vectoriel sous-tendu par les $k-1$<\/span> variables indicatrices, en ajustant la valeur calcul\u00e9e en fonction du nombre de degr\u00e9s de libert\u00e9 ($\\text{df} = k – 1$<\/span>) associ\u00e9s \u00e0 la cat\u00e9gorie.<\/p>\n Par ailleurs, une attention particuli\u00e8re doit \u00eatre port\u00e9e \u00e0 la distribution des fr\u00e9quences marginales. Lorsqu’une variable muette isole une cat\u00e9gorie clinique ou sociologique extr\u00eamement rare (par exemple, une pr\u00e9valence inf\u00e9rieure \u00e0 5 % dans l’\u00e9chantillon), le vecteur binaire associ\u00e9 pr\u00e9sente une variance infinit\u00e9simale. Cette asym\u00e9trie extr\u00eame d\u00e9grade dramatiquement l’efficacit\u00e9 de l’estimateur, conduisant \u00e0 une inflation substantielle de l’erreur type du coefficient et \u00e0 une r\u00e9duction drastique de la puissance statistique du test de significativit\u00e9 correspondant.<\/p>\n L’hypoth\u00e8se classique d’homosc\u00e9dasticit\u00e9 postule que la variance des termes d’erreur r\u00e9siduelle $\\epsilon_i$<\/span> demeure rigoureusement constante sur l’ensemble de l’espace pr\u00e9dictif, c’est-\u00e0-dire :<\/p>\n $$\\text{Var}(\\epsilon_i mid X) = \\sigma^2 \\quad \\forall i$$<\/span><\/p>\n Dans un mod\u00e8le incorporant des variables muettes, cette hypoth\u00e8se \u00e9quivaut formellement au postulat d’homog\u00e9n\u00e9it\u00e9 des variances intergroupes propre \u00e0 l’analyse de variance traditionnelle (homosc\u00e9dasticit\u00e9 de Levene).<\/p>\n L’examen des diagrammes de dispersion confrontant les valeurs pr\u00e9dites ($\\hat{Y}$<\/span>) aux r\u00e9sidus standardis\u00e9s r\u00e9v\u00e8le fr\u00e9quemment, en pr\u00e9sence de pr\u00e9dicteurs discrets, une s\u00e9rie de bandes verticales de r\u00e9sidus clairement s\u00e9par\u00e9es. Si la dispersion verticale des points r\u00e9siduels au sein de l’une de ces bandes est substantiellement plus ample ou restreinte que dans les bandes voisines, le postulat d’homosc\u00e9dasticit\u00e9 est viol\u00e9. Cette h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 intergroupe invalide la d\u00e9rivation analytique des erreurs types conventionnelles des moindres carr\u00e9s ordinaires, provoquant une distorsion non contr\u00f4l\u00e9e des valeurs $p$<\/span> et des intervalles de confiance.<\/p>\n Pour diagnostiquer formellement ce probl\u00e8me, l’analyste doit coupler l’inspection visuelle \u00e0 des tests d’inf\u00e9rence robustes, tels que le test de Breusch-Pagan modifi\u00e9 ou le test d’homog\u00e9n\u00e9it\u00e9 de Levene bas\u00e9 sur les m\u00e9dianes. Si l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 est av\u00e9r\u00e9e, le recours imp\u00e9ratif aux estimateurs d’erreurs types robustes \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 \u2014 plus pr\u00e9cis\u00e9ment les estimateurs sandwich de type Huber-White (HC3 ou HC4 recommand\u00e9s pour les \u00e9chantillons de taille petite \u00e0 mod\u00e9r\u00e9e) \u2014 s’impose pour restaurer la validit\u00e9 des tests $t$<\/span> et $F$<\/span>.<\/p>\n La recherche de points aberrants et d’observations influentes ob\u00e9it \u00e0 des m\u00e9canismes g\u00e9om\u00e9triques particuliers lorsque l’espace des pr\u00e9dicteurs int\u00e8gre des colonnes binaires. L’effet de levier (leverage<\/em>, mesur\u00e9 par les \u00e9l\u00e9ments diagonaux $h_{ii}$<\/span> de la matrice de projection chapeau $H$<\/span>) quantifie \u00e0 quel point les valeurs des covariables d’une observation s’\u00e9cartent du centre de gravit\u00e9 multivari\u00e9 de l’ensemble des donn\u00e9es.<\/p>\n Pour une variable muette, le levier th\u00e9orique maximal est directement contraint par la proportion marginale du groupe auquel appartient l’individu :<\/p>\n $$h_{ii} propto \\frac{1}{N_j}$$<\/span><\/p>\n Dans les sous-groupes cliniques caract\u00e9ris\u00e9s par des effectifs r\u00e9duits ($N_j$<\/span> petit), chaque observation individuelle supporte m\u00e9caniquement un poids de levier structurellement plus \u00e9lev\u00e9 que les observations appartenant \u00e0 une vaste cohorte t\u00e9moin. Par voie de cons\u00e9quence, si un participant au sein d’un groupe exp\u00e9rimental minoritaire pr\u00e9sente un r\u00e9sidu standardis\u00e9 important (un score clinique atypique), sa distance de Cook ($D_i$<\/span>) et ses indices DFBETAS atteindront rapidement des seuils d’alerte critique.<\/p>\n Ce ph\u00e9nom\u00e8ne signifie qu’une seule observation isol\u00e9e peut exercer une force d’attraction gravitationnelle disproportionn\u00e9e sur l’estimation du coefficient de pente de la variable indicatrice, modifiant \u00e0 elle seule la conclusion quant \u00e0 l’efficacit\u00e9 d’un traitement. La conduite syst\u00e9matique de diagnostics d’influence est donc une condition sine qua non<\/em> pour garantir que les effets de groupe rapport\u00e9s traduisent une r\u00e9alit\u00e9 populationnelle stable et non la d\u00e9viation accidentelle d’une observation idiosyncrasique.<\/p>\n L’environnement de programmation statistique R int\u00e8gre nativement une gestion sophistiqu\u00e9e des structures de variables indicatrices \u00e0 travers la classe d’objets `factor`. Lorsqu’un vecteur qualitatif est converti en facteur via la commande `factor()`, le moteur d’\u00e9valuation assigne par d\u00e9faut un codage de contrastes de traitement (`contr.treatment`), correspondant formellement au codage par variables muettes avec la premi\u00e8re modalit\u00e9 (d\u00e9termin\u00e9e par ordre alphanum\u00e9rique) \u00e9rig\u00e9e en cat\u00e9gorie de r\u00e9f\u00e9rence.<\/p>\n L’ajustement du mod\u00e8le de r\u00e9gression s’op\u00e8re via la fonction `lm()`. R d\u00e9ploie de mani\u00e8re sous-jacente la fonction `model.matrix()`, convertissant automatiquement le facteur \u00e0 $k$<\/span> modalit\u00e9s en un bloc interne de $k – 1$<\/span> colonnes indicatrices. Pour red\u00e9finir explicitement et intentionnellement la modalit\u00e9 qui doit op\u00e9rer comme socle comparatif, l’analyste emploie la fonction `relevel()` :<\/p>\n Pour l’analyse approfondie des effets marginaux et des comparaisons multiples post-estimation, l’utilisation conjointe du package emmeans<\/a> (1.2 La r\u00e9gression lin\u00e9aire face aux donn\u00e9es cat\u00e9gorielles en psychologie<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy1.png\")
<\/figure>\n1.3 Objectifs analytiques de la mod\u00e9lisation par indicatrices<\/h3>\n
2. Distinction conceptuelle : Variables quantitatives versus variables cat\u00e9gorielles<\/h2>\n
2.1 Propri\u00e9t\u00e9s m\u00e9triques des variables continues en psychom\u00e9trie<\/h3>\n
2.2 Nature \u00e9pist\u00e9mologique des variables nominales et ordinales<\/h3>\n
2.3 Pourquoi le codage arbitraire (1, 2, 3…) viole les postulats de la r\u00e9gression<\/h3>\n
3. Le principe du codage binaire : Transformer des modalit\u00e9s qualitatives en vecteurs num\u00e9riques<\/h2>\n
3.1 M\u00e9canisme math\u00e9matique de la dichotomisation (0 ou 1)<\/h3>\n
![\"Dummy](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy2.png\")
3.2 Structure de la matrice de conception (Design Matrix)<\/h3>\n
3.3 Syst\u00e8mes alternatifs de codage : Codage par effets et codage orthogonal<\/h3>\n
4. La r\u00e8gle d’exclusion de cat\u00e9gorie et le pi\u00e8ge des variables muettes<\/h2>\n
4.1 Origine th\u00e9orique du pi\u00e8ge des variables muettes (Dummy Variable Trap)<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy4.png\")
<\/figure>\n4.2 La r\u00e8gle imp\u00e9rative : k – 1 variables indicatrices pour k cat\u00e9gories<\/h3>\n
4.3 Colin\u00e9arit\u00e9 parfaite et \u00e9chec de l’inversion matricielle<\/h3>\n
5. Choix m\u00e9thodologique de la cat\u00e9gorie de r\u00e9f\u00e9rence<\/h2>\n
5.1 Crit\u00e8res scientifiques et th\u00e9oriques pour s\u00e9lectionner la modalit\u00e9 de base<\/h3>\n
5.2 Impact du changement de cat\u00e9gorie de r\u00e9f\u00e9rence sur le mod\u00e8le global<\/h3>\n
5.3 Cons\u00e9quences sur l’interpr\u00e9tation des r\u00e9sultats psychologiques<\/h3>\n
6. Interpr\u00e9tation statistique des coefficients de r\u00e9gression avec variables muettes<\/h2>\n
6.1 Signification g\u00e9om\u00e9trique et analytique de l’ordonn\u00e9e \u00e0 l’origine (b0)<\/h3>\n
6.2 Sens statistique des coefficients de pente (b1, b2, …)<\/h3>\n
![\"How](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy7.png\")
6.3 Exemple appliqu\u00e9 : Impact d’un protocole th\u00e9rapeutique sur le score de d\u00e9pression<\/h3>\n
\n
7. Extension aux variables polytomiques (plus de deux cat\u00e9gories)<\/h2>\n
7.1 Param\u00e9trisation compl\u00e8te des variables \u00e0 modalit\u00e9s multiples<\/h3>\n
![\"Dummy](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy6.png\")
7.2 \u00c9valuation omnibus de l’effet de la variable cat\u00e9gorielle (Test F)<\/h3>\n
7.3 Comparaisons post-hoc et ajustements de multiplicit\u00e9<\/h3>\n
8. Mod\u00e9lisation des interactions impliquant des variables muettes (Mod\u00e9ration)<\/h2>\n
8.1 Interaction entre une variable muette et une variable continue<\/h3>\n
\n
8.2 Interaction entre deux variables muettes (Plans factoriels 2×2)<\/h3>\n
\n
8.3 D\u00e9composition graphique et analyse des effets simples<\/h3>\n
9. Variables indicatrices et \u00e9quivalence avec l’analyse de variance (ANOVA \/ ANCOVA)<\/h2>\n
9.1 L’unification sous le Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral (GLM)<\/h3>\n
9.2 L’ANCOVA formul\u00e9e comme r\u00e9gression avec variables muettes et covariables continues<\/h3>\n
9.3 Sup\u00e9riorit\u00e9 analytique du cadre de r\u00e9gression dans les plans d\u00e9s\u00e9quilibr\u00e9s<\/h3>\n
\n
10. Diagnostic des mod\u00e8les de r\u00e9gression avec variables muettes<\/h2>\n
10.1 \u00c9valuation de la multicolin\u00e9arit\u00e9 avec des variables indicatrices<\/h3>\n
10.2 Homosc\u00e9dasticit\u00e9 et r\u00e9sidus structur\u00e9s par groupe<\/h3>\n
10.3 Points aberrants et influenceurs dans les sous-groupes binaires<\/h3>\n
11. Application pratique et impl\u00e9mentation computationnelle (R, SPSS, Python)<\/h2>\n
11.1 Syntaxe et gestion des facteurs sous R<\/h3>\n
donnees$Groupe <- relevel(donnees$<\/span>Groupe, ref = \"Controle\")
\nmodele <- lm(Depression ~ Groupe + Age, data = donnees)
\nsummary(modele)<\/code><\/p>\n