{"id":16929,"date":"2026-10-14T16:40:06","date_gmt":"2026-10-14T16:40:06","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-erreur-standard-residuelle-dans-r\/"},"modified":"2026-10-14T16:40:06","modified_gmt":"2026-10-14T16:40:06","slug":"comment-calculer-erreur-standard-residuelle-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-erreur-standard-residuelle-dans-r","title":{"rendered":"Comment calculer l’erreur standard r\u00e9siduelle dans R"},"content":{"rendered":"

L’analyse de r\u00e9gression lin\u00e9aire constitue depuis plus d’un si\u00e8cle la pierre angulaire de l’inf\u00e9rence statistique et de la mod\u00e9lisation pr\u00e9dictive dans l’ensemble des sciences quantitatives, de l’\u00e9conom\u00e9trie \u00e0 la psychom\u00e9trie computationnelle. Lorsqu’un chercheur formalise la relation fonctionnelle unissant une variable d\u00e9pendante continue \u00e0 un ensemble de pr\u00e9dicteurs, l’ajustement du mod\u00e8le par la m\u00e9thode des moindres carr\u00e9s ordinaires vise \u00e0 d\u00e9composer la variabilit\u00e9 globale observ\u00e9e en une composante syst\u00e9matique, captur\u00e9e par l’hyperplan de r\u00e9gression, et une composante stochastique, rel\u00e9gu\u00e9e au rang de r\u00e9sidus inexpliqu\u00e9s. Si l’attention des praticiens se focalise fr\u00e9quemment sur les coefficients de r\u00e9gression et sur le coefficient de d\u00e9termination multiple, l’indicateur fondamental de la dispersion de cette composante al\u00e9atoire demeure l’erreur standard r\u00e9siduelle (Residual Standard Error<\/em> ou RSE). Cette m\u00e9trique quantifie l’\u00e9cart-type de la population des erreurs non observ\u00e9es et fournit une estimation directe, exprim\u00e9e dans l’unit\u00e9 physique de la variable de r\u00e9ponse, de la pr\u00e9cision intrins\u00e8que du mod\u00e8le.<\/p>\n

Dans l’\u00e9cosyst\u00e8me du langage R pour le calcul statistique<\/a>, l’estimation et l’extraction de l’erreur standard r\u00e9siduelle reposent sur des fondements th\u00e9oriques stricts et font appel \u00e0 une multitude de passerelles computationnelles, allant de l’inspection de r\u00e9sum\u00e9s d’objets \u00e0 des d\u00e9compositions matricielles directes. La ma\u00eetrise de ces calculs s’av\u00e8re indispensable pour quiconque souhaite \u00e9valuer la fid\u00e9lit\u00e9 des pr\u00e9dictions, contr\u00f4ler les violations des postulats de distribution ou comparer des structures de mod\u00e8les hi\u00e9rarchiques ou concurrents. Loin de constituer une simple curiosit\u00e9 algorithmique affich\u00e9e en bas d’une console, l’erreur type des r\u00e9sidus repr\u00e9sente le d\u00e9nominateur de la plupart des statistiques de test r\u00e9gissant la significativit\u00e9 des param\u00e8tres et conditionne directement la largeur des intervalles de pr\u00e9diction individuels.<\/p>\n

Ce guide encyclop\u00e9dique se propose d’explorer exhaustivement le calcul, la d\u00e9rivation math\u00e9matique, l’extraction logicielle et l’interpr\u00e9tation avanc\u00e9e de l’erreur standard r\u00e9siduelle dans l’environnement R. \u00c0 travers un continuum didactique alliant rigueur alg\u00e9brique, d\u00e9monstrations de code reproductibles, diagnostics d’hypoth\u00e8ses et applications concr\u00e8tes issues de la recherche exp\u00e9rimentale en psychologie comportementale, cet article expose l’ensemble des paradigmes m\u00e9thodologiques requis pour transformer une m\u00e9trique souvent n\u00e9glig\u00e9e en un puissant instrument d’inf\u00e9rence scientifique.<\/p>\n

1. Fondements th\u00e9oriques de l’erreur standard r\u00e9siduelle dans les mod\u00e8les lin\u00e9aires<\/h2>\n

1.1 D\u00e9finition conceptuelle et r\u00f4le dans la mod\u00e9lisation statistique<\/h3>\n

Dans la formulation canonique d’un mod\u00e8le de r\u00e9gression lin\u00e9aire multiple, la variable de r\u00e9ponse vectorielle $Y$<\/span> est mod\u00e9lis\u00e9e comme la r\u00e9sultante d’une transformation lin\u00e9aire des pr\u00e9dicteurs matriciels $X$<\/span> pond\u00e9r\u00e9s par un vecteur de coefficients inconnus $\\beta$<\/span>, \u00e0 laquelle s’adjoint un terme d’erreur stochastique $varepsilon$<\/span>. Ce terme d’al\u00e9a n’est pas un simple artefact m\u00e9thodologique ou un r\u00e9sidu de calcul, mais une variable al\u00e9atoire non observable refl\u00e9tant la variabilit\u00e9 naturelle du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9, l’omission in\u00e9vitable de covariables infinit\u00e9simales et l’impr\u00e9cision inh\u00e9rente \u00e0 tout appareil de mesure. La nature stochastique de cette perturbation impose que m\u00eame sous des conditions exp\u00e9rimentales rigoureusement contr\u00f4l\u00e9es, les observations empiriques ne co\u00efncident jamais parfaitement avec l’esp\u00e9rance conditionnelle d\u00e9finie par la droite ou l’hyperplan de r\u00e9gression.<\/p>\n

L’erreur standard r\u00e9siduelle, couramment not\u00e9e $\\sigma$<\/span> au niveau populationnel et $s$<\/span> ou $\\hat{\\sigma}$<\/span> au niveau de l’\u00e9chantillon, constitue l’estimateur sans biais de l’\u00e9cart-type de cette perturbation stochastique. D’un point de vue conceptuel, elle mesure l’\u00e9cart moyen par lequel les observations effectives s’\u00e9loignent de l’hyperplan ajust\u00e9. Contrairement \u00e0 la variance inexpliqu\u00e9e, qui s’exprime dans le carr\u00e9 des unit\u00e9s de la variable cible et souffre d’une abstraction g\u00e9om\u00e9trique difficilement saisissable par les cliniciens, l’erreur type r\u00e9siduelle s’exprime directement dans l’\u00e9chelle m\u00e9trique d’origine du ph\u00e9nom\u00e8ne mesur\u00e9, autorisant ainsi une appr\u00e9ciation imm\u00e9diate de l’amplitude de l’erreur d’estimation.<\/p>\n

Il importe d’op\u00e9rer une distinction fondamentale entre la variance inexpliqu\u00e9e, le coefficient d’ali\u00e9nation et la dispersion absolue des donn\u00e9es brutes. L’\u00e9cart-type d’\u00e9chantillon de la variable d\u00e9pendante refl\u00e8te la dispersion totale non conditionnelle des scores autour de leur moyenne marginale. En revanche, l’erreur standard r\u00e9siduelle quantifie la dispersion conditionnelle des scores autour de l’esp\u00e9rance estim\u00e9e par le mod\u00e8le math\u00e9matique. D\u00e8s lors que les r\u00e9gresseurs introduits poss\u00e8dent un quelconque pouvoir pr\u00e9dictif, l’erreur standard r\u00e9siduelle sera n\u00e9cessairement inf\u00e9rieure \u00e0 l’\u00e9cart-type marginal de la r\u00e9ponse, illustrant la r\u00e9duction d’entropie obtenue par l’enrichissement de la sp\u00e9cification statistique.<\/p>\n

Dans le domaine des sciences comportementales et psychom\u00e9triques, la pertinence de cette m\u00e9trique est majeure pour juger de la fid\u00e9lit\u00e9 des mesures. Lorsque l’on \u00e9value des construits latents tels que l’anxi\u00e9t\u00e9 \u00e9tat, la fluidit\u00e9 cognitive ou la charge allostatique, l’erreur standard r\u00e9siduelle fournit une estimation pragmatique du bruit d’observation r\u00e9siduel qui persiste apr\u00e8s avoir neutralis\u00e9 les d\u00e9terminants th\u00e9oriques majeurs. Elle d\u00e9limite ainsi la fronti\u00e8re infranchissable en de\u00e7\u00e0 de laquelle aucune pr\u00e9diction individualis\u00e9e ne peut pr\u00e9tendre \u00e0 l’exactitude sous les conditions actuelles d’instrumentation.<\/p>\n

1.2 Hypoth\u00e8ses classiques de Gauss-Markov et comportement des r\u00e9sidus<\/h3>\n

La l\u00e9gitimit\u00e9 de l’erreur standard r\u00e9siduelle en tant qu’estimateur optimal de la variance de la perturbation repose sur le strict respect des postulats du th\u00e9or\u00e8me de Gauss-Markov<\/a>. Le premier postulat stipule que l’esp\u00e9rance conditionnelle des perturbations par rapport \u00e0 la matrice des pr\u00e9dicteurs est strictement nulle, formalis\u00e9 par $\\mathbb{E}(\\varepsilon | X) = 0$<\/span>. Cette hypoth\u00e8se fondamentale d’exog\u00e9n\u00e9it\u00e9 garantit que les r\u00e9gresseurs ne capturent pas une part de l’erreur syst\u00e9matique, ce qui immunise les coefficients contre le biais d’omission de variables et garantit que les r\u00e9sidus empiriques gravitent de mani\u00e8re \u00e9quilibr\u00e9e de part et d’autre de la surface d’ajustement sans d\u00e9rive syst\u00e9matique.<\/p>\n

Le deuxi\u00e8me postulat cardinal est celui de l’homosc\u00e9dasticit\u00e9, selon lequel la variance conditionnelle des erreurs demeure strictement constante quel que soit le niveau des r\u00e9gresseurs, soit $\\text{Var}(\\varepsilon_i | X) = \\sigma^2$<\/span> pour tout individu $i$<\/span>. Si cette hypoth\u00e8se venait \u00e0 \u00eatre transgress\u00e9e au profit d’un sch\u00e9ma d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, la notion m\u00eame d’une valeur scalaire unique pour caract\u00e9riser l’erreur standard r\u00e9siduelle s’effondrerait. L’erreur standard r\u00e9siduelle empirique calcul\u00e9e globalement sur l’\u00e9chantillon ne repr\u00e9senterait plus qu’une moyenne artificielle et potentiellement trompeuse de variances locales dissemblables, sous-estimant la variabilit\u00e9 r\u00e9siduelle pour certains profils de sujets et la surestimant pour d’autres.<\/p>\n

Le troisi\u00e8me pilier axiomatique repose sur l’absence totale d’autocorr\u00e9lation entre les termes d’erreur individuels, exprim\u00e9e matriciellement par $\\text{Cov}(\\varepsilon_i, \\varepsilon_j | X) = 0$<\/span> pour tout $i \\neq j$<\/span>. Que les donn\u00e9es soient recueillies de mani\u00e8re transversale, longitudinale ou selon une structure d’\u00e9chantillonnage en grappes, l’ind\u00e9pendance mutuelle des perturbations garantit que l’information apport\u00e9e par chaque r\u00e9sidu est orthogonale et non redondante. Une corr\u00e9lation s\u00e9rielle positive, fr\u00e9quente dans les s\u00e9ries chronologiques psychophysiologiques, induirait une r\u00e9duction artificielle du nombre effectif de degr\u00e9s de libert\u00e9, gonflant le risque de consid\u00e9rer l’erreur type r\u00e9siduelle comme plus pr\u00e9cise qu’elle ne l’est en r\u00e9alit\u00e9.<\/p>\n

Enfin, bien que le th\u00e9or\u00e8me de Gauss-Markov \u00e9tablisse l’optimalit\u00e9 des estimateurs lin\u00e9aires sans biais sans invoquer la distribution normale des erreurs, l’inf\u00e9rence statistique formelle entourant la variance r\u00e9siduelle exige l’hypoth\u00e8se de normalit\u00e9 asymptotique $\\varepsilon \\sim \\mathcal{N}(0, \\sigma^2 I_n)$<\/span>. Cette condition de gaussianit\u00e9 assure que la somme des carr\u00e9s des r\u00e9sidus suit rigoureusement une distribution du Chi-deux \u00e0 $n – p$<\/span> degr\u00e9s de libert\u00e9, propri\u00e9t\u00e9 math\u00e9matique incontournable pour construire des tests de Student robustes sur les param\u00e8tres de r\u00e9gression, calculer des tests de Fisher sur les sous-mod\u00e8les et \u00e9tablir des intervalles de confiance et de pr\u00e9diction analytiquement fiables.<\/p>\n

1.3 Importance de l’erreur type des r\u00e9sidus dans l’exp\u00e9rimentation psychologique<\/h3>\n

Dans l’exp\u00e9rimentation psychologique, l’erreur standard r\u00e9siduelle remplit une fonction \u00e9pist\u00e9mologique centrale : elle op\u00e8re la d\u00e9marcation rigoureuse entre la variabilit\u00e9 cognitive r\u00e9elle attribuable aux manipulations exp\u00e9rimentales et les fluctuations al\u00e9atoires issues de l’\u00e9chantillonnage ou du bruit psychom\u00e9trique. Les instruments de mesure standardis\u00e9s (tels que les \u00e9chelles de Likert, les chronom\u00e8tres de temps de r\u00e9action ou les capteurs \u00e9lectrodermaux) int\u00e8grent une part non n\u00e9gligeable de variance d’erreur li\u00e9e \u00e0 la fatigue transitoire des participants, aux fluctuations attentionnelles, aux variations thermiques du laboratoire ou aux imperfections intrins\u00e8ques du protocole exp\u00e9rimental.<\/p>\n

L’estimation ad\u00e9quate de la valeur du RSE autorise ainsi les chercheurs \u00e0 \u00e9valuer la fid\u00e9lit\u00e9 de leurs paradigmes au-del\u00e0 du simple cadre de la th\u00e9orie classique des tests. En quantifiant pr\u00e9cis\u00e9ment la dispersion des r\u00e9sidus apr\u00e8s neutralisation des facteurs inter-individuels (comme l’\u00e2ge, la personnalit\u00e9 de base ou le statut socio-\u00e9conomique) et intra-individuels (tels que la condition de traitement ou le temps d’exposition), l’analyste obtient une lecture non biais\u00e9e de la sensibilit\u00e9 exp\u00e9rimentale de son dispositif. Si l’erreur standard r\u00e9siduelle demeure disproportionnellement \u00e9lev\u00e9e comparativement \u00e0 l’amplitude attendue des variations de traits latents, la capacit\u00e9 du chercheur \u00e0 isoler un effet comportemental statistiquement significatif s’en trouve s\u00e9v\u00e8rement compromise.<\/p>\n

Ce ph\u00e9nom\u00e8ne s’articule directement avec le calcul de la puissance statistique des plans exp\u00e9rimentaux complexes. Dans le cadre de protocoles factoriels ou embo\u00eet\u00e9s sous mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux, l’erreur type des r\u00e9sidus constitue le terme de variance d’erreur fondamental utilis\u00e9 au d\u00e9nominateur du calcul des rapports $F$<\/span>. Une m\u00e9connaissance ou une mauvaise sp\u00e9cification empirique de ce param\u00e8tre conduit in\u00e9vitablement \u00e0 des estimations d\u00e9faillantes de la taille d’effet standardis\u00e9e (telle que le $d$<\/span> de Cohen ou le $\\eta^2$<\/span> partiel), faussant r\u00e9trospectivement ou prospectivement les analyses de sensibilit\u00e9 n\u00e9cessaires pour d\u00e9terminer le nombre optimal de participants requis pour atteindre une puissance nominale de quatre-vingts pour cent.<\/p>\n

De surcro\u00eet, lors de la pr\u00e9diction individuelle de scores cliniques ou neuropsychologiques, l’erreur standard r\u00e9siduelle dicte l’incertitude attach\u00e9e au pronostic. Dans l’\u00e9tablissement d’un score pr\u00e9dictif individuel de d\u00e9pression ou de performance mn\u00e9sique, la formule de l’intervalle de pr\u00e9diction individuel int\u00e8gre directement l’estimateur de l’erreur r\u00e9siduelle. Deux mod\u00e8les partageant exactement le m\u00eame coefficient de d\u00e9termination $R^2$<\/span> peuvent pr\u00e9senter des erreurs standard r\u00e9siduelles drastiquement divergentes si les variances totales de leurs \u00e9chantillons d’\u00e9talonnage respectifs diff\u00e8rent, soulignant ainsi la sup\u00e9riorit\u00e9 clinique de l’erreur r\u00e9siduelle en tant qu’indice de pr\u00e9cision pratique absolue.<\/p>\n

2. Formulation math\u00e9matique et d\u00e9rivation de l’erreur standard r\u00e9siduelle<\/h2>\n

2.1 La d\u00e9composition de la somme des carr\u00e9s<\/h3>\n

L’\u00e9chafaudage math\u00e9matique de la r\u00e9gression lin\u00e9aire repose sur le th\u00e9or\u00e8me fondamental de Pythagore appliqu\u00e9 \u00e0 l’alg\u00e8bre vectorielle dans un espace euclidien \u00e0 $n$<\/span> dimensions. La variabilit\u00e9 globale des observations empiriques de la variable r\u00e9ponse est mesur\u00e9e par la somme des carr\u00e9s totaux (Total Sum of Squares<\/em> ou $SST$<\/span>), d\u00e9finie analytiquement par l’\u00e9cart quadratique de chaque observation $y_i$<\/span> par rapport \u00e0 la moyenne globale $\\bar{y}$<\/span> :<\/p>\n

$$SST = \\sum_{i=1}^{n} (y_i – \\bar{y})^2$$<\/span><\/p>\n

L’ajustement du mod\u00e8le lin\u00e9aire partitionne cette quantit\u00e9 en deux projections vectorielles orthogonales : la somme des carr\u00e9s expliqu\u00e9e par le mod\u00e8le (Model Sum of Squares<\/em> ou $SSM$<\/span>, \u00e9galement not\u00e9e $SSR$<\/span> pour Regression Sum of Squares<\/em>) et la somme des carr\u00e9s des r\u00e9sidus (Residual Sum of Squares<\/em> ou $SSR$<\/span>, souvent not\u00e9e $SSE$<\/span> pour Sum of Squared Errors<\/em>). La somme des carr\u00e9s du mod\u00e8le capture la d\u00e9viation des valeurs pr\u00e9dites $\\hat{y}_i$<\/span> par rapport \u00e0 la moyenne empirique, formalis\u00e9e par :<\/p>\n

$$SSM = \\sum_{i=1}^{n} (\\hat{y}_i – \\bar{y})^2$$<\/span><\/p>\n

Corr\u00e9lativement, la somme des carr\u00e9s des r\u00e9sidus d\u00e9coule de la sommation quadratique des \u00e9carts entre les observations empiriques r\u00e9elles et les valeurs th\u00e9oriques ajust\u00e9es par l’algorithme des moindres carr\u00e9s ordinaires :<\/p>\n

$$SSE = \\sum_{i=1}^{n} (y_i – \\hat{y}_i)^2 = \\sum_{i=1}^{n} e_i^2$$<\/span><\/p>\n

En vertu de l’orthogonalit\u00e9 d\u00e9montr\u00e9e entre l’espace vectoriel engendr\u00e9 par les colonnes de la matrice d’exp\u00e9rience $X$<\/span> et le vecteur des r\u00e9sidus $e$<\/span>, le double produit vectoriel entre les pr\u00e9dictions et les r\u00e9sidus s’annule identiquement, garantissant la d\u00e9composition exacte de la variabilit\u00e9 : $SST = SSM + SSE$<\/span>.<\/p>\n

Il est imp\u00e9ratif de souligner l’extr\u00eame sensibilit\u00e9 de la somme des carr\u00e9s des r\u00e9sidus face aux observations atypiques ou aberrantes. L’op\u00e9ration d’\u00e9l\u00e9vation \u00e0 la puissance deux conf\u00e8re un poids disproportionn\u00e9 aux \u00e9carts r\u00e9siduels extr\u00eames. Un seul individu pr\u00e9sentant une d\u00e9viation majeure par rapport \u00e0 la trajectoire mod\u00e9lis\u00e9e gonflera exponentiellement la valeur du $SSE$<\/span>, d\u00e9formant l’estimation sous-jacente de l’erreur standard r\u00e9siduelle. Cette vuln\u00e9rabilit\u00e9 math\u00e9matique d\u00e9montre la n\u00e9cessit\u00e9 d’examiner attentivement la morphologie des distributions d’erreurs avant d’accorder une confiance aveugle \u00e0 la m\u00e9trique obtenue.<\/p>\n

2.2 Comprendre les degr\u00e9s de libert\u00e9 r\u00e9siduels<\/h3>\n

La simple division de la somme des carr\u00e9s des r\u00e9sidus par la taille de l’\u00e9chantillon $n$<\/span> produirait un estimateur biais\u00e9 de la variance de la perturbation stochastique. Pour r\u00e9tablir l’exactitude de l’esp\u00e9rance math\u00e9matique, il est indispensable de faire intervenir le concept g\u00e9om\u00e9trique et statistique de degr\u00e9s de libert\u00e9 r\u00e9siduels (Residual Degrees of Freedom<\/em>, souvent not\u00e9s $df_e$<\/span>). Les degr\u00e9s de libert\u00e9 r\u00e9siduels repr\u00e9sentent la dimensionnalit\u00e9 du sous-espace orthogonal sur lequel est projet\u00e9 le vecteur des donn\u00e9es observ\u00e9es lors du calcul des r\u00e9sidus empiriques.<\/p>\n

Sur le plan alg\u00e9brique, le calcul s’op\u00e8re par la soustraction du nombre de param\u00e8tres ind\u00e9pendants estim\u00e9s au sein de l’architecture du mod\u00e8le \u00e0 l’effectif global de l’\u00e9chantillon $n$<\/span>. Dans un mod\u00e8le de r\u00e9gression comportant une constante d’ordonn\u00e9e \u00e0 l’origine et $k$<\/span> r\u00e9gresseurs distincts, le nombre total de coefficients estim\u00e9s est \u00e9gal \u00e0 $p = k + 1$<\/span>. Les degr\u00e9s de libert\u00e9 r\u00e9siduels s’\u00e9noncent formellement :<\/p>\n

$$df_e = n – p = n – (k + 1)$$<\/span><\/p>\n

Cette formulation illustre le principe fondamental de p\u00e9nalisation inh\u00e9rent \u00e0 la complexification param\u00e9trique. Chaque ajout d’une variable explicative dans le mod\u00e8le lin\u00e9aire confisque un degr\u00e9 de libert\u00e9 \u00e0 l’\u00e9chantillon pour fixer l’orientation de l’hyperplan optimal. D\u00e8s lors, le volume d’information purement d\u00e9di\u00e9 \u00e0 l’\u00e9valuation de la variabilit\u00e9 d’erreur pure s’amenuise proportionnellement. Si le nombre de variables pr\u00e9dictives s’approchait de la taille de l’\u00e9chantillon, le nombre de degr\u00e9s de libert\u00e9 chuterait dramatiquement vers z\u00e9ro, entra\u00eenant une instabilit\u00e9 math\u00e9matique s\u00e9v\u00e8re.<\/p>\n

Il convient de ne pas confondre les degr\u00e9s de libert\u00e9 totaux de l’\u00e9chantillon ($n – 1$<\/span>, o\u00f9 la perte unitaire d\u00e9coule de la fixation pr\u00e9alable de la moyenne globale de l’\u00e9chantillon) avec les degr\u00e9s de libert\u00e9 r\u00e9siduels. De m\u00eame, les op\u00e9rations pr\u00e9alables de centrage ou de standardisation matricielle des pr\u00e9dicteurs, bien qu’elles modifient la structure num\u00e9rique interne des donn\u00e9es, ne restaurent aucunement des degr\u00e9s de libert\u00e9 puisque le syst\u00e8me de contraintes reste inchang\u00e9 lors de l’estimation conjointe des pentes de r\u00e9gression.<\/p>\n

2.3 \u00c9quation standard et racine carr\u00e9e de la variance r\u00e9siduelle<\/h3>\n

La variance r\u00e9siduelle non biais\u00e9e de la population, formellement d\u00e9sign\u00e9e comme le carr\u00e9 moyen de l’erreur (Mean Square Error<\/em> ou $MSE$<\/span>), se d\u00e9finit analytiquement comme le quotient exact de la somme des carr\u00e9s r\u00e9siduels divis\u00e9e par les degr\u00e9s de libert\u00e9 r\u00e9siduels associ\u00e9s :<\/p>\n

$$s^2 = \\hat{\\sigma}^2 = \\frac{SSE}{n – p} = \\frac{\\sum_{i=1}^{n} (y_i – \\hat{y}_i)^2}{n – k – 1}$$<\/span><\/p>\n

L’erreur standard r\u00e9siduelle s’obtient alors en extrayant la racine carr\u00e9e arithm\u00e9tique de cette variance r\u00e9siduelle non biais\u00e9e. Cette op\u00e9ration math\u00e9matique a pour propri\u00e9t\u00e9 essentielle de ramener la m\u00e9trique de dispersion \u00e0 l’ordre de grandeur lin\u00e9aire strict et \u00e0 l’unit\u00e9 de mesure de la variable d\u00e9pendante initiale :<\/p>\n

$$RSE = s = \\sqrt{\\frac{\\sum_{i=1}^{n} (y_i – \\hat{y}_i)^2}{n – k – 1}}$$<\/span><\/p>\n

La d\u00e9monstration du caract\u00e8re non biais\u00e9 de l’estimateur de la variance r\u00e9siduelle constitue un classique de la th\u00e9orie des moindres carr\u00e9s. En calculant l’esp\u00e9rance de la forme quadratique des r\u00e9sidus \u00e0 l’aide de la trace matricielle de l’op\u00e9rateur de projection, il est ais\u00e9 de v\u00e9rifier formellement :<\/p>\n

$$\\mathbb{E}(s^2) = \\mathbb{E}\\left(\\frac{\\varepsilon^T (I – H) \\varepsilon}{n – p}\\right) = \\frac{\\sigma^2 \\text{tr}(I – H)}{n – p} = \\frac{\\sigma^2 (n – p)}{n – p} = \\sigma^2$$<\/span><\/p>\n

o\u00f9 $H = X(X^T X)^{-1} X^T$<\/span> repr\u00e9sente la matrice chapeau (ou matrice de projection). Cette \u00e9l\u00e9gance analytique garantit que, sous les postulats gaussiens classiques, l’estimateur $s^2$<\/span> ne sous-estime ni ne surestime syst\u00e9matiquement la variance du bruit th\u00e9orique. Toutefois, il convient de noter qu’en vertu de l’in\u00e9galit\u00e9 de Jensen, l’extraction de la racine carr\u00e9e introduit un biais d’\u00e9chantillonnage infinit\u00e9simal dans l’estimation de $\\sigma$<\/span> pour de tr\u00e8s petits \u00e9chantillons, bien que ce biais devienne rapidement n\u00e9gligeable d\u00e8s que les degr\u00e9s de libert\u00e9 exc\u00e8dent la vingtaine.<\/p>\n

Toute d\u00e9faillance dans le calibrage des degr\u00e9s de libert\u00e9 r\u00e9siduels \u2014 par exemple en divisant la somme des carr\u00e9s par $n$<\/span> au lieu de $n – p$<\/span> \u2014 introduit un biais de sous-estimation syst\u00e9matique de l’erreur r\u00e9siduelle. Ce biais artificiel conduit \u00e0 une vision trop optimiste de la pr\u00e9cision du mod\u00e8le et infl\u00e9chit dangereusement le taux d’erreur de type I lors des tests d’hypoth\u00e8ses sur les coefficients de r\u00e9gression.<\/p>\n

3. Configuration de l’environnement de travail et g\u00e9n\u00e9ration de donn\u00e9es dans R<\/h2>\n

3.1 Initialisation du projet et gestion des d\u00e9pendances<\/h3>\n

Pour assurer la p\u00e9rennit\u00e9, la tra\u00e7abilit\u00e9 et la stricte reproductibilit\u00e9 computationnelle de nos analyses statistiques, l’initialisation de l’environnement de travail sous R n\u00e9cessite une d\u00e9marche m\u00e9thodique. Il est primordial d’ex\u00e9cuter ces scripts sur une version moderne de l’interpr\u00e9teur R (version 4.0.0 ou ult\u00e9rieure), garantissant la pr\u00e9sence native des fonctions g\u00e9n\u00e9riques d’extraction d’\u00e9chelle telles que sigma()<\/code>.<\/p>\n

La manipulation avanc\u00e9e de structures de donn\u00e9es, la production de m\u00e9triques tidi\u00e9es et l’analyse comparative de performances exigent le chargement d’un ensemble restreint mais puissant de biblioth\u00e8ques sp\u00e9cialis\u00e9es disponibles sur le Comprehensive R Archive Network (CRAN)<\/a>. Nous mobilisons principalement les biblioth\u00e8ques suivantes :<\/p>\n