{"id":1917,"date":"2026-09-05T13:31:22","date_gmt":"2026-09-05T13:31:22","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/bonne-valeur-r-carre-statistiques-psychologie\/"},"modified":"2026-09-05T13:31:22","modified_gmt":"2026-09-05T13:31:22","slug":"bonne-valeur-r-carre-statistiques-psychologie","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=bonne-valeur-r-carre-statistiques-psychologie","title":{"rendered":"Qu’est-ce qu’une bonne valeur de R-carr\u00e9 ?"},"content":{"rendered":"

Dans le vaste champ de l’analyse quantitative, de la psychom\u00e9trie et de la mod\u00e9lisation statistique, peu d’indicateurs jouissent d’une notori\u00e9t\u00e9 aussi universelle et paradoxale que le coefficient de d\u00e9termination, universellement d\u00e9sign\u00e9 sous le symbole R\u00b2<\/em>. Pr\u00e9sent au c\u0153ur des sorties logicielles de la quasi-totalit\u00e9 des r\u00e9gressions lin\u00e9aires, des analyses factorielles et des mod\u00e9lisations pr\u00e9dictives contemporaines, ce chiffre compris entre z\u00e9ro et un fait figure de barom\u00e8tre quasi magique pour \u00e9valuer l’ajustement empirique d’un mod\u00e8le math\u00e9matique aux donn\u00e9es observ\u00e9es. Nombre de chercheurs d\u00e9butants, de praticiens de la science des donn\u00e9es ou d’\u00e9tudiants en sciences humaines abordent cette m\u00e9trique avec un r\u00e9flexe normatif rigide, postulant implicitement qu’une valeur \u00e9lev\u00e9e t\u00e9moigne n\u00e9cessairement de la v\u00e9rit\u00e9 scientifique ou de la sup\u00e9riorit\u00e9 pr\u00e9dictive d’une \u00e9quation, tandis qu’une valeur modeste disqualifierait d’embl\u00e9e la pertinence th\u00e9orique de leurs travaux.<\/p>\n

Cette qu\u00eate effr\u00e9n\u00e9e d’un score canonique soul\u00e8ve une interrogation fondamentale : qu’est-ce qu’une \u00ab bonne \u00bb valeur de R\u00b2<\/em> ? R\u00e9pondre \u00e0 cette question exige d’abandonner les automatismes d’\u00e9valuation superficiels pour s’engager dans une exploration approfondie des fondements math\u00e9matiques, des contingences m\u00e9thodologiques et des postulats \u00e9pist\u00e9mologiques qui sous-tendent la mod\u00e9lisation statistique. Un coefficient de d\u00e9termination ne prend sens qu’\u00e0 travers le prisme de la discipline scientifique qui l’emploie, de la nature des ph\u00e9nom\u00e8nes observ\u00e9s, de la qualit\u00e9 des instruments de mesure mobilis\u00e9s et des objectifs ultimes de la recherche, qu’il s’agisse de calibrer un capteur physique d\u00e9terministe ou de d\u00e9crypter l’enchev\u00eatrement probabiliste de conduites psychologiques individuelles.<\/p>\n

Ce trait\u00e9 propose une analyse exhaustive et rigoureuse de la signification r\u00e9elle, des forces et des pi\u00e8ges du R\u00b2<\/em>. En d\u00e9construisant les mythes de l’interpr\u00e9tation purement arithm\u00e9tique et en confrontant les exigences de la physique fondamentale aux r\u00e9alit\u00e9s stochastiques des sciences comportementales, cet article fournit aux chercheurs et analystes une grille de lecture approfondie. L’ambition est d’offrir les outils statistiques, conceptuels et r\u00e9dactionnels n\u00e9cessaires pour \u00e9valuer, contextualiser et d\u00e9fendre la pertinence d’un mod\u00e8le statistique sans jamais succomber \u00e0 la tyrannie r\u00e9ductrice d’un indicateur unique.<\/p>\n

1. Introduction et fondements th\u00e9oriques du coefficient de d\u00e9termination<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et conceptuelle du R-carr\u00e9<\/h3>\n

D’un point de vue alg\u00e9brique rigoureux, le coefficient de d\u00e9termination s’enracine dans la d\u00e9composition g\u00e9om\u00e9trique et arithm\u00e9tique de la variabilit\u00e9 totale observ\u00e9e au sein d’une variable d\u00e9pendante continue, classiquement not\u00e9e Y<\/em>. Dans le cadre de la m\u00e9thode des moindres carr\u00e9s ordinaires (Ordinary Least Squares<\/a>), la variabilit\u00e9 globale de la variable r\u00e9ponse autour de sa moyenne empirique est formalis\u00e9e par la somme totale des carr\u00e9s (Total Sum of Squares<\/em> ou SST). Cette somme totale des carr\u00e9s se scinde de mani\u00e8re univoque en deux composantes additives mutuellement exclusives : la somme des carr\u00e9s expliqu\u00e9e par le mod\u00e8le de r\u00e9gression (Regression Sum of Squares<\/em> ou SSR) et la somme des carr\u00e9s r\u00e9siduelle ou d’erreur (Error Sum of Squares<\/em> ou SSE). L’identit\u00e9 fondamentale s’\u00e9crit ainsi : SST = SSR + SSE, o\u00f9 SST repr\u00e9sente l’\u00e9cart quadratique total de chaque observation par rapport \u00e0 la moyenne, SSR quantifie l’\u00e9cart quadratique des valeurs pr\u00e9dites par rapport \u00e0 cette m\u00eame moyenne, et SSE agr\u00e8ge les carr\u00e9s des r\u00e9sidus, c’est-\u00e0-dire les \u00e9carts bruts entre les donn\u00e9es observ\u00e9es et les estimations du mod\u00e8le lin\u00e9aire.<\/p>\n

D\u00e8s lors, le coefficient de d\u00e9termination R\u00b2<\/em> se d\u00e9finit conceptuellement comme le rapport unitaire entre la variance expliqu\u00e9e et la variance totale, s’exprimant sous la formulation canonique : R\u00b2 = SSR \/ SST = 1 – (SSE \/ SST)<\/em>. Cette formalisation conf\u00e8re imm\u00e9diatement au R\u00b2<\/em> une interpr\u00e9tation intuitive et standardis\u00e9e : il traduit la proportion exacte de la variance de la variable crit\u00e8re qui est math\u00e9matiquement imputable, ou comptablement associ\u00e9e, \u00e0 la combinaison lin\u00e9aire des pr\u00e9dicteurs int\u00e9gr\u00e9s dans l’\u00e9quation de r\u00e9gression. Dans l’espace euclidien des observations, il repr\u00e9sente le cosinus carr\u00e9 de l’angle g\u00e9om\u00e9trique form\u00e9 entre le vecteur centr\u00e9 de la variable d\u00e9pendante et le vecteur de ses projections orthogonales dans le sous-espace vectoriel engendr\u00e9 par les variables ind\u00e9pendantes.<\/p>\n

Dans le cadre strict d’une r\u00e9gression lin\u00e9aire univari\u00e9e ou multivari\u00e9e estim\u00e9e par les moindres carr\u00e9s incluant une constante d’ajustement (l’ordonn\u00e9e \u00e0 l’origine ou intercept<\/em>), la valeur de R\u00b2<\/em> est rigoureusement born\u00e9e au sein de l’intervalle ferm\u00e9 [0, 1]. Une valeur de 0 stipule que l’hyperplan de r\u00e9gression n’apporte strictement aucune information suppl\u00e9mentaire par rapport \u00e0 la simple moyenne de l’\u00e9chantillon, la somme des carr\u00e9s r\u00e9siduelle \u00e9tant strictement \u00e9quivalente \u00e0 la somme des carr\u00e9s totale. \u00c0 l’inverse, une valeur de 1 indique un ajustement parfait o\u00f9 l’ensemble des points d’observation s’alignent sans la moindre d\u00e9viation sur la droite ou le plan de r\u00e9gression, r\u00e9duisant la somme des carr\u00e9s r\u00e9siduelle \u00e0 un n\u00e9ant absolu.<\/p>\n

Il importe enfin de clarifier sans ambigu\u00eft\u00e9 la distinction cardinale entre le coefficient de corr\u00e9lation lin\u00e9aire de Pearson<\/a> (not\u00e9 r<\/em>) et le coefficient de d\u00e9termination (not\u00e9 R\u00b2<\/em>). Dans le cadre exclusif d’une r\u00e9gression lin\u00e9aire simple reliant un pr\u00e9dicteur unique X<\/em> \u00e0 une variable d\u00e9pendante Y<\/em>, le R\u00b2<\/em> est tr\u00e8s exactement \u00e9gal au carr\u00e9 du coefficient de corr\u00e9lation bivari\u00e9 (r\u00b2<\/em>). Toutefois, cette \u00e9quivalence g\u00e9om\u00e9trique et arithm\u00e9tique s’\u00e9vanouit d\u00e8s lors que l’on migre vers la r\u00e9gression multiple. Le R\u00b2<\/em> devient alors le carr\u00e9 du coefficient de corr\u00e9lation multiple entre la variable observ\u00e9e et la meilleure combinaison lin\u00e9aire possible de l’ensemble des pr\u00e9dicteurs. Tandis que le r<\/em> de Pearson pr\u00e9serve une polarit\u00e9 directionnelle oscillant entre -1 et +1, traduisant le sens positif ou n\u00e9gatif de la covariation lin\u00e9aire, le R\u00b2<\/em> op\u00e8re une compression non-lin\u00e9aire sur une \u00e9chelle strictement non-n\u00e9gative, occultant toute orientation directionnelle univari\u00e9e au profit d’une quantification globale de l’adh\u00e9rence g\u00e9om\u00e9trique du mod\u00e8le.<\/p>\n

1.2 Propri\u00e9t\u00e9s statistiques fondamentales de la mesure<\/h3>\n

Sur le plan des propri\u00e9t\u00e9s m\u00e9trologiques, le coefficient de d\u00e9termination jouit d’une remarquable invariance d’\u00e9chelle \u00e0 l’\u00e9gard de toute transformation lin\u00e9aire affine positive appliqu\u00e9e soit aux variables ind\u00e9pendantes, soit \u00e0 la variable d\u00e9pendante. Cela signifie que la multiplication des pr\u00e9dicteurs par une constante scalaire, l’addition d’un terme constant ou la conversion de degr\u00e9s Celsius en degr\u00e9s Fahrenheit ne modifient en rien l’amplitude finale du R\u00b2<\/em>. Cette ind\u00e9pendance par rapport aux unit\u00e9s de mesure originales conf\u00e8re \u00e0 la statistique son statut universel d’indice adimensionnel, facilitant grandement la mise en balance de travaux de recherche reposant sur des protocoles d’op\u00e9rationnalisation disparates.<\/p>\n

Cependant, cette \u00e9l\u00e9gance formelle dissimule une propri\u00e9t\u00e9 m\u00e9canique particuli\u00e8rement pernicieuse : la monotonie croissante non d\u00e9croissante du R\u00b2<\/em> face \u00e0 l’incorporation de nouvelles variables ind\u00e9pendantes. Par construction arithm\u00e9tique sous l’algorithme des moindres carr\u00e9s, l’adjonction d’un pr\u00e9dicteur additionnel dans un mod\u00e8le d’ajustement ne peut math\u00e9matiquement jamais faire d\u00e9cro\u00eetre la somme des carr\u00e9s expliqu\u00e9e (SSR), ni faire cro\u00eetre la somme des carr\u00e9s r\u00e9siduelle (SSE). M\u00eame si la variable nouvellement introduite est constitu\u00e9e d’une suite de nombres purement al\u00e9atoires, non corr\u00e9l\u00e9e dans la population avec la variable r\u00e9ponse, sa projection dans l’\u00e9chantillon d’apprentissage profitera des fluctuations d’\u00e9chantillonnage pour capter une fraction infime de variance idiosyncrasique. En cons\u00e9quence, le R\u00b2<\/em> d’un mod\u00e8le s’\u00e9l\u00e8ve syst\u00e9matiquement \u2014 ou au minimum stagne \u2014 au fur et \u00e0 mesure que l’on complexifie l’architecture de r\u00e9gression, g\u00e9n\u00e9rant une illusion arithm\u00e9tique de progression empirique qui ne correspond \u00e0 aucun gain explicatif r\u00e9el dans la population parente.<\/p>\n

Le comportement asymptotique du R\u00b2<\/em> varie \u00e9galement de fa\u00e7on spectaculaire en fonction du volume d’\u00e9chantillonnage. Dans des contextes de petits \u00e9chantillons o\u00f9 le nombre d’observations N<\/em> exc\u00e8de \u00e0 peine le nombre de param\u00e8tres estim\u00e9s k<\/em>, le R\u00b2<\/em> \u00e9chantillonnal pr\u00e9sente un biais positif substantiel et syst\u00e9matique. Il surestime l’ad\u00e9quation th\u00e9orique du mod\u00e8le dans la population g\u00e9n\u00e9rale avec une s\u00e9v\u00e9rit\u00e9 proportionnelle au ratio k \/ (N – 1)<\/em>. Lorsque l’\u00e9chantillon tend vers l’infini, sous r\u00e9serve de la repr\u00e9sentativit\u00e9 des donn\u00e9es, cette inflation m\u00e9canique se dissipe et l’estimateur converge de fa\u00e7on consistante vers le param\u00e8tre populationnel r\u00e9el, soulignant le r\u00f4le mod\u00e9rateur critique de la puissance statistique et des degr\u00e9s de libert\u00e9 r\u00e9siduels.<\/p>\n

Enfin, la validit\u00e9 de l’interpr\u00e9tation substantive du R\u00b2<\/em> repose enti\u00e8rement sur le strict respect des hypoth\u00e8ses classiques du th\u00e9or\u00e8me de Gauss-Markov. Le mod\u00e8le lin\u00e9aire pr\u00e9suppose l’exactitude de la sp\u00e9cification de la fonction de r\u00e9gression, l’exog\u00e9n\u00e9it\u00e9 stricte des r\u00e9gresseurs (l’absence de corr\u00e9lation entre les pr\u00e9dicteurs et le terme d’erreur), ainsi que l’homosc\u00e9dasticit\u00e9<\/a> et l’absence d’autocorr\u00e9lation spatiale ou temporelle des r\u00e9sidus. Lorsque ces postulats structurels sont viol\u00e9s \u2014 par exemple en pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 s\u00e9v\u00e8re, de termes non-lin\u00e9aires omis ou d’endog\u00e9n\u00e9it\u00e9 latente \u2014, le calcul formel du R\u00b2<\/em> conserve sa valeur comptable d’ajustement au sein de l’\u00e9chantillon sp\u00e9cifique, mais perd toute l\u00e9gitimit\u00e9 en tant qu’estimateur sans biais de la part de variance v\u00e9ritablement gouvern\u00e9e par les processus sous-jacents.<\/p>\n

1.3 L’illusion de la valeur absolue en analyse de donn\u00e9es<\/h3>\n

L’un des biais cognitifs les plus persistants dans la pratique de l’inf\u00e9rence quantitative r\u00e9side dans la sacralisation de la valeur absolue du R\u00b2<\/em>, souvent envisag\u00e9e comme le juge de paix universel de la recherche scientifique. Cette perspective dogmatique, h\u00e9rit\u00e9e d’une mauvaise assimilation des manuels scolaires d’introduction \u00e0 la statistique, postule qu’un \u00ab bon \u00bb mod\u00e8le d’analyse doit imp\u00e9rativement afficher un coefficient de d\u00e9termination flirtant avec des sommets num\u00e9riques, couramment situ\u00e9s au-del\u00e0 de 0,70 ou 0,80. Une telle posture d\u00e9note une incompr\u00e9hension radicale de la finalit\u00e9 de l’\u00e9pist\u00e9mologie computationnelle, qui ne r\u00e9side pas dans la maximisation aveugle d’un algorithme d’ajustement g\u00e9om\u00e9trique, mais bien dans la d\u00e9tection robuste et interpr\u00e9table de r\u00e9gularit\u00e9s empiriques issues du monde r\u00e9el.<\/p>\n

Il est indispensable d’op\u00e9rer une scission conceptuelle fondamentale entre la puissance pr\u00e9dictive brute d’un mod\u00e8le et la validit\u00e9 de son explication causale. Un mod\u00e8le peut pr\u00e9senter un R\u00b2<\/em> extraordinairement proche de 1,00 tout en s’av\u00e9rant scientifiquement st\u00e9rile, trompeur ou th\u00e9oriquement invalide. Un exemple canonique r\u00e9side dans les r\u00e9gressions univari\u00e9es int\u00e9grant des relations quasi tautologiques, o\u00f9 la variable ind\u00e9pendante ne constitue qu’une redondance s\u00e9mantique ou une d\u00e9rivation math\u00e9matique directe de la variable d\u00e9pendante. Par exemple, r\u00e9gresser les d\u00e9penses financi\u00e8res totales d’un individu sur l’agr\u00e9gation de ses sous-d\u00e9penses cat\u00e9gorielles g\u00e9n\u00e9rera un R\u00b2<\/em> avoisinant 0,99, sans qu’aucune d\u00e9couverte substantielle n’ait \u00e9t\u00e9 formalis\u00e9e sur les causes psychologiques, \u00e9conomiques ou sociologiques r\u00e9gissant la propension marginale \u00e0 consommer.<\/p>\n

De surcro\u00eet, un R\u00b2<\/em> exceptionnellement \u00e9lev\u00e9 dans les champs empiriques complexes constitue fr\u00e9quemment l’indice clinique le plus probant d’un dysfonctionnement m\u00e9thodologique majeur : un probl\u00e8me de surajustement outrancier, une fuite d’information temporelle (l’injection accidentelle d’une variable pr\u00e9dictive mesur\u00e9e post\u00e9rieurement \u00e0 l’\u00e9v\u00e9nement critique) ou une structure de donn\u00e9es corrompue par des art\u00e9facts d’endog\u00e9n\u00e9it\u00e9 syst\u00e9mique. L’ajustement parfait constitue le fantasme de l’artisan num\u00e9ricien, mais le cauchemar de l’analyste rigoureux, car il trahit presque invariablement une captation de singularit\u00e9s propres \u00e0 l’\u00e9chantillon \u00e9tudi\u00e9 plut\u00f4t qu’une saisie fid\u00e8le des lois qui gouvernent la population g\u00e9n\u00e9rale.<\/p>\n

L’\u00e9valuation de la pertinence d’un mod\u00e8le statistique ne saurait par cons\u00e9quent s’abstraire d’une analyse contextuelle exigeante. La valeur du R\u00b2<\/em> n’est ni bonne ni mauvaise en soi : elle est une mesure relative de covariance qui n’acquiert de sens qu’en fonction de la nature du construit \u00e9tudi\u00e9, du degr\u00e9 de contr\u00f4le exp\u00e9rimental d\u00e9ploy\u00e9, du niveau de stochasticit\u00e9 inh\u00e9rent au ph\u00e9nom\u00e8ne et de l’\u00e9tat d’avancement des th\u00e9ories scientifiques au sein du domaine consid\u00e9r\u00e9. Admettre cette contingence \u00e9pist\u00e9mologique constitue le pr\u00e9alable incontournable \u00e0 toute interpr\u00e9tation lucide des donn\u00e9es.<\/p>\n

2. L’interpr\u00e9tation quantitative standard et ses limites intrins\u00e8ques<\/h2>\n

2.1 Les rep\u00e8res conventionnels de Cohen et leur application critique<\/h3>\n

Afin d’offrir une boussole heuristique aux chercheurs d\u00e9sireux de traduire des coefficients statistiques abstraits en grandeurs compr\u00e9hensibles, le psychologue et statisticien Jacob Cohen<\/a> a formalis\u00e9 dans son ouvrage s\u00e9minal de 1988 une s\u00e9rie de conventions pour classifier les tailles d’effet en sciences comportementales. Concernant le coefficient de d\u00e9termination, Cohen a propos\u00e9 des fronti\u00e8res quantitatives claires : une valeur de R\u00b2 = 0,02<\/em> (soit 2 % de variance expliqu\u00e9e) correspond \u00e0 un effet de faible magnitude ; un R\u00b2 = 0,13<\/em> (environ 13 %) d\u00e9note un effet moyen ; enfin, un R\u00b2 = 0,26<\/em> (environ 26 % ou plus) qualifie un effet de forte intensit\u00e9. Ces balises ont \u00e9t\u00e9 calcul\u00e9es sur la base de ses c\u00e9l\u00e8bres indices d<\/em> pour les diff\u00e9rences de moyennes et f\u00b2<\/em> pour la r\u00e9gression multiple, o\u00f9 f\u00b2 = R\u00b2 \/ (1 – R\u00b2)<\/em>, positionnant respectivement les paliers de f\u00b2<\/em> \u00e0 0,02, 0,15 et 0,35.<\/p>\n

Si la clart\u00e9 p\u00e9dagogique de ces bar\u00e8mes a permis d’extraire des cohortes enti\u00e8res de chercheurs de la d\u00e9pendance exclusive aux tests de nullit\u00e9 de signification (NHST<\/a>), leur adoption s’est rapidement mu\u00e9e en un dogme m\u00e9thodologique profond\u00e9ment scl\u00e9rosant. Cohen lui-m\u00eame avait explicit\u00e9 dans ses prol\u00e9gom\u00e8nes le caract\u00e8re purement indicatif et contextualis\u00e9 de ces seuils, pr\u00e9venant qu’ils ne devaient en aucun cas \u00eatre appliqu\u00e9s de fa\u00e7on machinale sans tenir compte du cadre op\u00e9rationnel d’investigation. L’usage aveugle de la triade 0,02 \/ 0,13 \/ 0,26 en tant qu’arbitre automatique de l’importance scientifique a engendr\u00e9 une standardisation pernicieuse des jugements \u00e9valuatifs au sein des comit\u00e9s de lecture.<\/p>\n

Il est imp\u00e9ratif de dissocier cat\u00e9goriquement la notion statistique de taille d’effet brute de la notion pragmatique ou th\u00e9orique d’importance d’effet. Un R\u00b2<\/em> cat\u00e9goris\u00e9 comme \u00ab faible \u00bb selon les tables de Cohen (par exemple 0,03) peut rec\u00e9ler une importance pratique monumentale lorsqu’il mod\u00e9lise un \u00e9v\u00e9nement irr\u00e9versible tel que la mortalit\u00e9 pr\u00e9matur\u00e9e, l’apparition d’un trouble psychotique ou l’\u00e9chec scolaire massif \u00e0 l’\u00e9chelle d’une nation. \u00c0 l’oppos\u00e9, un R\u00b2<\/em> techniquement \u00ab fort \u00bb de 0,40 peut s’av\u00e9rer d\u00e9nu\u00e9 de la moindre utilit\u00e9 th\u00e9orique s’il lie des \u00e9chelles psychologiques redondantes dans le cadre d’un protocole m\u00e9thodologiquement biais\u00e9.<\/p>\n

Dans la litt\u00e9rature quantitative contemporaine, le consensus scientifique s’oriente d\u00e9sormais vers le rejet de ces d\u00e9coupages universalistes au profit de normes relatives calibr\u00e9es empiriquement au sein de chaque sp\u00e9cialit\u00e9. Les m\u00e9ta-analystes contemporains sugg\u00e8rent de confronter syst\u00e9matiquement le R\u00b2<\/em> obtenu non pas aux seuils g\u00e9n\u00e9riques de Cohen \u00e9tablis \u00e0 la fin du si\u00e8cle dernier, mais bien \u00e0 la distribution m\u00e9diane des tailles d’effet publi\u00e9es dans le sous-champ disciplinaire sp\u00e9cifique au cours des dix derni\u00e8res ann\u00e9es.<\/p>\n

2.2 R-carr\u00e9 et significativit\u00e9 statistique du test global F<\/h3>\n

L’une des m\u00e9prises les plus fr\u00e9quentes lors de l’apprentissage des statistiques consiste \u00e0 confondre la magnitude descriptive du R\u00b2<\/em> avec sa significativit\u00e9 inf\u00e9rentielle, laquelle est sanctionn\u00e9e par le test global d’analyse de la variance (test F<\/em> de Fisher-Snedecor). Ces deux entit\u00e9s r\u00e9pondent \u00e0 des logiques probatoires totalement disjointes : le R\u00b2<\/em> mesure la force d’une association g\u00e9om\u00e9trique au sein d’un \u00e9chantillon donn\u00e9, tandis que la valeur-p du test F<\/em> estime la probabilit\u00e9 d’observer un tel coefficient de d\u00e9termination sous l’hypoth\u00e8se nulle d’une absence absolue de liaison lin\u00e9aire entre les variables au sein de la population th\u00e9orique.<\/p>\n

La m\u00e9canique de calcul du test F<\/em> illustre parfaitement cette autonomie op\u00e9rationnelle : F = [R\u00b2 \/ k] \/ [(1 – R\u00b2) \/ (N – k – 1)]<\/em>, o\u00f9 k<\/em> repr\u00e9sente le nombre de param\u00e8tres explicatifs et N<\/em> l’effectif d’\u00e9chantillonnage total. Il d\u00e9coule m\u00e9caniquement de cette \u00e9quation que la valeur de F<\/em> est le produit direct de deux ratios : le ratio de variance expliqu\u00e9e sur variance inexpliqu\u00e9e, pond\u00e9r\u00e9 par le ratio des degr\u00e9s de libert\u00e9 r\u00e9siduels. Par voie de cons\u00e9quence, dans des \u00e9tudes \u00e9pid\u00e9miologiques ou sociologiques contemporaines mobilisant des m\u00e9gadonn\u00e9es de plusieurs dizaines ou centaines de milliers d’individus, un R\u00b2<\/em> microscopique \u2014 par exemple R\u00b2 = 0,001<\/em> (un dixi\u00e8me de pour cent de variance expliqu\u00e9e) \u2014 g\u00e9n\u00e9rera un test F<\/em> stratosph\u00e9rique associ\u00e9 \u00e0 une valeur-p infinit\u00e9simale (ex. : p < 0,0000000001<\/em>). D\u00e9clarer ce mod\u00e8le comme \u00ab hautement significatif \u00bb est certes exact sur le plan stochastique, mais ne saurait masquer le fait que l’association observ\u00e9e demeure fondamentalement marginale pour expliquer la dispersion du ph\u00e9nom\u00e8ne.<\/p>\n

\u00c0 l’inverse, l’analyse de petits effectifs \u2014 fr\u00e9quente en neuro-imagerie fonctionnelle, en psychologie exp\u00e9rimentale clinique ou dans l’\u00e9tude de populations rares \u2014 produit le paradoxe sym\u00e9trique. Un mod\u00e8le affichant un R\u00b2<\/em> substantiel de 0,35, traduisant plus d’un tiers de variance capt\u00e9e, peut s’av\u00e9rer statistiquement non significatif (p > 0,05<\/em>) simplement parce que la taille d’\u00e9chantillon (ex. : N = 12<\/em>) s’av\u00e8re insuffisante pour surmonter l’incertitude d’\u00e9chantillonnage inh\u00e9rente aux faibles degr\u00e9s de libert\u00e9 r\u00e9siduels. Ce ph\u00e9nom\u00e8ne de sous-puissance statistique rappelle l’absolue n\u00e9cessit\u00e9 de ne jamais dissocier la lecture de la magnitude de celle de sa marge d’erreur.<\/p>\n

Pour d\u00e9passer cette dichotomie r\u00e9ductrice, l’analyse contemporaine recommande d’adjoindre syst\u00e9matiquement au R\u00b2<\/em> son intervalle de confiance exact ou bootstrapp\u00e9 (souvent estim\u00e9 \u00e0 95 %). Examiner les bornes inf\u00e9rieure et sup\u00e9rieure de cet intervalle permet d’appr\u00e9hender d’un seul coup d’\u0153il la pr\u00e9cision m\u00e9trologique de l’ajustement. Un mod\u00e8le dont le R\u00b2<\/em> est estim\u00e9 \u00e0 0,20 mais dont l’intervalle oscille entre 0,01 et 0,45 impose une prudence interpr\u00e9tative radicalement sup\u00e9rieure \u00e0 un mod\u00e8le affichant un R\u00b2<\/em> stable de 0,15 avec un intervalle resserr\u00e9 entre 0,13 et 0,17.<\/p>\n

2.3 Erreurs courantes d’inf\u00e9rence bas\u00e9es uniquement sur le R-carr\u00e9<\/h3>\n

Se focaliser de mani\u00e8re exclusive sur le R\u00b2<\/em> lors du diagnostic d’une mod\u00e9lisation engendre une vuln\u00e9rabilit\u00e9 extr\u00eame \u00e0 trois \u00e9cueils d’inf\u00e9rence universellement document\u00e9s. Le premier consiste \u00e0 assimiler la qualit\u00e9 d’ajustement math\u00e9matique (goodness-of-fit<\/em>) \u00e0 la v\u00e9racit\u00e9 structurelle ou th\u00e9orique de la formalisation employ\u00e9e. Le R\u00b2<\/em> est une m\u00e9trique aveugle : elle ne renseigne en rien sur l’existence d’omissions de variables cl\u00e9s, sur la pr\u00e9sence de boucles de r\u00e9troaction r\u00e9troactives ou sur la pertinence des fondements \u00e9pist\u00e9mologiques du mod\u00e8le. Un mod\u00e8le radicalement erron\u00e9 sur le plan des m\u00e9canismes conceptuels peut fort bien afficher un R\u00b2<\/em> tr\u00e8s confortable par simple agr\u00e9gation d’accidents de covariance.<\/p>\n

Le second \u00e9cueil r\u00e9side dans l’omission dramatique de l’examen structurel des r\u00e9sidus. Il est statistiquement concevable qu’un mod\u00e8le de r\u00e9gression lin\u00e9aire affiche un R\u00b2<\/em> apparemment probant de 0,75 tout en \u00e9tant fondamentalement inappropri\u00e9 pour les donn\u00e9es. Cela se produit immanquablement lorsqu’une relation fonctionnelle non-lin\u00e9aire (quadratique, exponentielle, sigmo\u00efdale) est approxim\u00e9e par une droite de r\u00e9gression standard, ou lorsque des sous-populations distinctes au sein de l’\u00e9chantillon subissent des d\u00e9rives h\u00e9t\u00e9rosc\u00e9dastiques s\u00e9v\u00e8res. Le chercheur qui se contente de contempler son coefficient agr\u00e9g\u00e9 de 0,75 sans inspecter visuellement et analytiquement la dispersion, la sym\u00e9trie et la normalit\u00e9 de ses erreurs d’estimation s’expose \u00e0 publier une mod\u00e9lisation structurellement trompeuse.<\/p>\n

Enfin, le troisi\u00e8me pi\u00e8ge inf\u00e9rentiel, sans doute le plus d\u00e9vastateur pour la diffusion de la culture scientifique, r\u00e9side dans le glissement subreptice de l’association statistique vers l’affirmation de causalit\u00e9. L’amplitude d’un R\u00b2<\/em> ne contient en elle-m\u00eame absolument aucun \u00e9l\u00e9ment de preuve causale. Une part de variance expliqu\u00e9e de 60 % peut r\u00e9sulter int\u00e9gralement de l’action non identifi\u00e9e d’une troisi\u00e8me variable confondante (causalit\u00e9 commune), d’une relation de causalit\u00e9 inverse (o\u00f9 Y<\/em> provoque en r\u00e9alit\u00e9 X<\/em>), ou d’un simple conditionnement sur un collisionneur dans la structure du graphe acyclique dirig\u00e9 (DAG<\/a>). Affirmer, au vu d’un R\u00b2<\/em> de 0,40, que la variable X<\/em> \u00ab explique \u00bb 40 % du comportement de Y<\/em> rel\u00e8ve d’une convention de langage purement comptable qui ne doit en aucun cas \u00eatre confondue avec l’explication causale du ph\u00e9nom\u00e8ne naturel.<\/p>\n

3. La d\u00e9pendance disciplinaire : sciences dures contre sciences du comportement<\/h2>\n

3.1 Les attentes \u00e9lev\u00e9es en physique, chimie et ing\u00e9nierie<\/h3>\n

L’appr\u00e9ciation de la qualit\u00e9 d’un coefficient de d\u00e9termination s’av\u00e8re strictement d\u00e9pendante de l’\u00e9pist\u00e9mologie de la discipline scientifique dans laquelle il op\u00e8re. Dans les champs traditionnellement qualifi\u00e9s de sciences dures ou exactes \u2014 tels que la physique classique, la chimie analytique, la thermodynamique ou le g\u00e9nie des mat\u00e9riaux \u2014, les chercheurs travaillent de mani\u00e8re pr\u00e9pond\u00e9rante au sein de syst\u00e8mes ferm\u00e9s, hautement contr\u00f4l\u00e9s ou d\u00e9terministes. Dans ces environnements de laboratoire, les sources de variance parasite, les perturbations environnementales et les art\u00e9facts al\u00e9atoires sont m\u00e9thodologiquement isol\u00e9s, neutralis\u00e9s ou corrig\u00e9s \u00e0 l’aide d’instruments de haute pr\u00e9cision m\u00e9trologique.<\/p>\n

Dans ce contexte paradigmatique sp\u00e9cifique, les standards d’acceptabilit\u00e9 d’un mod\u00e8le de r\u00e9gression se situent \u00e0 des niveaux extraordinairement \u00e9lev\u00e9s. Un physicien ou un ing\u00e9nieur qui calibre la r\u00e9ponse pi\u00e9zo\u00e9lectrique d’un capteur, la cin\u00e9tique d’une r\u00e9action catalytique ou la d\u00e9formation \u00e9lastique d’un polym\u00e8re sous contrainte thermique exigera presque invariablement un coefficient de d\u00e9termination exc\u00e9dant 0,95, 0,99, voire 0,999. L’objectif ultime consiste \u00e0 \u00e9tablir des \u00e9quations invariantes d’\u00e9tat ou des lois universelles de conservation. Toute fraction de variance r\u00e9siduelle non capt\u00e9e est per\u00e7ue soit comme le sympt\u00f4me d’une faille instrumentale inacceptable, soit comme l’omission d’une variable physique d\u00e9terminante au sein du mod\u00e8le analytique.<\/p>\n

Ces exigences draconiennes s’expliquent par le statut op\u00e9rationnel de la pr\u00e9diction dans ces domaines. Lorsque les \u00e9quations d\u00e9riv\u00e9es doivent \u00eatre inject\u00e9es dans des processus industriels critiques \u2014 tels que le dimensionnement de structures a\u00e9rospatiales, le calcul de trajectoires orbitales ou le titrage de mol\u00e9cules pharmacologiques d’une extr\u00eame toxicit\u00e9 \u2014, la tol\u00e9rance \u00e0 l’impr\u00e9cision r\u00e9siduelle est quasi nulle. Le R\u00b2<\/em> y joue le r\u00f4le d’un certificat d’isomorphisme quasi parfait entre les d\u00e9ductions du formalisme math\u00e9matique et les manifestations empiriques du monde mat\u00e9riel.<\/p>\n

3.2 La nature intrins\u00e8quement stochastique des sciences humaines et sociales<\/h3>\n

La transposition na\u00efve de ces standards d\u00e9terministes aux sciences humaines et sociales \u2014 telles que la psychologie, la sociologie, l’\u00e9conomie du travail, la science politique ou l’\u00e9pid\u00e9miologie comportementale \u2014 proc\u00e8de d’un contresens \u00e9pist\u00e9mologique absolu. L’objet d’\u00e9tude de ces disciplines n’est pas constitu\u00e9 de particules invariantes r\u00e9gies par des \u00e9quations diff\u00e9rentielles stables, mais d’organismes vivants, d’agents conscients et de structures sociales dont les trajectoires sont soumises \u00e0 une complexit\u00e9 dynamique multicausale et non-lin\u00e9aire.<\/p>\n

L’observation du comportement humain se heurte en permanence \u00e0 des contraintes insurmontables de contr\u00f4le exp\u00e9rimental. Les conduites, les \u00e9motions, les cognitions ou les d\u00e9cisions individuelles r\u00e9sultent de l’entrelacement permanent de milliers de d\u00e9terminants singuliers : pr\u00e9dispositions g\u00e9n\u00e9tiques, \u00e9pig\u00e9n\u00e9tiques, histoire d\u00e9veloppementale pr\u00e9coce, micro-\u00e9v\u00e9nements contextuels r\u00e9cents, influences macro-sociologiques, biais d’auto-\u00e9valuation et fluctuations neurobiologiques stochastiques \u00e0 l’\u00e9chelle de la milliseconde. Pr\u00e9tendre isoler un \u00eatre humain au sein d’un \u00ab syst\u00e8me ferm\u00e9 \u00bb sans d\u00e9truire l’\u00e9cologie m\u00eame de son fonctionnement psychologique est une contradiction dans les termes.<\/p>\n

En cons\u00e9quence directe de cette dispersion ontologique, le volume de variance r\u00e9siduelle inexpliqu\u00e9e (SSE) dans les mod\u00e8les psychosociaux demeure structurellement massif. Dans ce champ d’investigation, identifier un ensemble parcimonieux de deux ou trois pr\u00e9dicteurs capables d’expliquer de mani\u00e8re stable et r\u00e9plicable entre 5 % et 20 % de la variance d’un comportement soci\u00e9tal complexe (par exemple la propension au vote, la d\u00e9pression majeure, ou la performance au travail) constitue une avanc\u00e9e scientifique tout \u00e0 fait remarquable. Condamner de telles mod\u00e9lisations au motif que leur R\u00b2<\/em> serait inf\u00e9rieur aux normes en vigueur en thermodynamique trahirait une profonde ignorance des contraintes qui r\u00e9gissent l’observation des syst\u00e8mes complexes.<\/p>\n

3.3 Comparaison \u00e9pist\u00e9mologique des objectifs de mod\u00e9lisation<\/h3>\n

Cette c\u00e9sure disciplinaire refl\u00e8te en d\u00e9finitive une divergence radicale quant aux buts ultimes de la d\u00e9marche de mod\u00e9lisation scientifique. Le statisticien Leo Breiman a magistralement formalis\u00e9 cette polarit\u00e9 dans son essai sur les deux cultures de la mod\u00e9lisation statistique<\/a>, opposant la culture de l’inf\u00e9rence g\u00e9n\u00e9rative (cherchant \u00e0 identifier les rouages sous-jacents qui g\u00e9n\u00e8rent les donn\u00e9es) \u00e0 celle de la pr\u00e9diction algorithmique de type \u00ab bo\u00eete noire \u00bb (visant l’optimisation maximale de l’exactitude pr\u00e9dictive sur de futures observations).<\/p>\n

En ing\u00e9nierie et en apprentissage automatique appliqu\u00e9, l’accent est mis de fa\u00e7on pr\u00e9pond\u00e9rante sur la puissance pr\u00e9dictive pure. Si un mod\u00e8le de r\u00e9seau de neurones profonds ou de for\u00eats d’arbres d\u00e9cisionnels permet d’atteindre un R\u00b2<\/em> de validation crois\u00e9e de 0,92 dans la reconnaissance de signaux ou le diagnostic d’imagerie, la compr\u00e9hensibilit\u00e9 intime des interactions param\u00e9triques individuelles peut passer au second plan face \u00e0 l’efficacit\u00e9 brute de l’application technique. La variance inexpliqu\u00e9e y est trait\u00e9e comme un co\u00fbt op\u00e9rationnel ou une inefficacit\u00e9 industrielle \u00e0 r\u00e9sorber co\u00fbte que co\u00fbte.<\/p>\n

\u00c0 l’inverse, l’\u00e9pist\u00e9mologie des sciences comportementales privil\u00e9gie presque toujours l’\u00e9lucidation th\u00e9orique et l’inf\u00e9rence causale parcimonieuse. L’objectif premier d’un psychologue quantitatif n’est pas de concevoir une \u00e9quation capable de pr\u00e9dire avec une pr\u00e9cision millim\u00e9trique chaque d\u00e9cision minute d’un patient donn\u00e9 dans les cinquante prochaines ann\u00e9es de son existence \u2014 dessein absurde compte tenu du chaos d\u00e9terministe qui caract\u00e9rise la cognition humaine. L’ambition r\u00e9side plut\u00f4t dans la mise au jour des gradients d’influence : comprendre comment et pourquoi des facteurs fondamentaux orientent, en tendance statistique probabiliste, la trajectoire des individus. Dans cette optique explicative, l’analyste accepte avec pragmatisme et humilit\u00e9 m\u00e9thodologique l’existence d’un vaste oc\u00e9an de variance inexpliqu\u00e9e, tout en s’attachant \u00e0 \u00e9clairer les quelques \u00eelots de r\u00e9gularit\u00e9 signifiants.<\/p>\n

4. Les sp\u00e9cificit\u00e9s de la recherche en psychologie et sciences comportementales<\/h2>\n

4.1 La pr\u00e9valence in\u00e9vitable des bruits de mesure psychom\u00e9triques<\/h3>\n

La premi\u00e8re contrainte technique qui plombe m\u00e9caniquement l’amplitude du coefficient de d\u00e9termination en psychologie r\u00e9side dans le caract\u00e8re indirect et imparfait de ses protocoles m\u00e9trologiques. Contrairement aux sciences physiques qui quantifient des entit\u00e9s tangibles au moyen d’\u00e9talons physiques (longueur, masse, tension \u00e9lectrique), la recherche comportementale mesure des construits latents non observables directement : l’intelligence fluide, l’anxi\u00e9t\u00e9-trait, l’estime de soi, l’extraversion ou l’attitude politique. Ces entit\u00e9s th\u00e9oriques ne sont appr\u00e9hend\u00e9es qu’au travers d’indicateurs manifestes faillibles, tels que des batteries d’auto-\u00e9valuation sur des \u00e9chelles de Likert, des temps de r\u00e9action informatis\u00e9s ou des grilles d’observation clinique.<\/p>\n

Tout instrument psychom\u00e9trique se caract\u00e9rise par une fid\u00e9lit\u00e9 de mesure imparfaite, formalis\u00e9e par des coefficients de coh\u00e9rence interne tels que l’alpha de Cronbach<\/a> ou l’om\u00e9ga de McDonald. Or, la th\u00e9orie classique des tests (Classical Test Theory<\/em>) d\u00e9montre sans ambigu\u00eft\u00e9 que le score observ\u00e9 est la somme d’un score vrai et d’une erreur de mesure al\u00e9atoire non corr\u00e9l\u00e9e : X = T + E<\/em>. L’impact direct de cette imperfection m\u00e9trologique est le ph\u00e9nom\u00e8ne pernicieux d’att\u00e9nuation<\/strong> des coefficients de corr\u00e9lation et, par extension quadratique, l’effondrement spectaculaire du R\u00b2<\/em> estim\u00e9 sur les variables manifestes.<\/p>\n

La c\u00e9l\u00e8bre formule d’att\u00e9nuation de Spearman illustre avec \u00e9clat cette contrainte : si deux construits psychologiques poss\u00e8dent une corr\u00e9lation latente r\u00e9elle de r* = 0,50<\/em> dans la population th\u00e9orique (ce qui repr\u00e9senterait un R\u00b2<\/em> sous-jacent remarquable de 0,25), mais que les instruments utilis\u00e9s pour les mesurer pr\u00e9sentent une fid\u00e9lit\u00e9 modeste de rxx = 0,70<\/em> pour le pr\u00e9dicteur et de ryy = 0,70<\/em> pour le crit\u00e8re, la corr\u00e9lation bivari\u00e9e observ\u00e9e sera math\u00e9matiquement plafonn\u00e9e \u00e0 :<\/p>\n

r_observ\u00e9 = r* \u00d7 \u221a(rxx \u00d7 ryy) = 0,50 \u00d7 \u221a(0,70 \u00d7 0,70) = 0,35<\/p>\n

En \u00e9levant ce r\u00e9sultat au carr\u00e9, le R\u00b2<\/em> calcul\u00e9 dans l’\u00e9chantillon ne s’\u00e9l\u00e8vera qu’\u00e0 (0,35)\u00b2 = 0,1225<\/em>. Ainsi, plus de la moiti\u00e9 de la part de variance explicative r\u00e9elle du mod\u00e8le th\u00e9orique (de 0,25 \u00e0 0,12) est purement et simplement annihil\u00e9e par le bruit m\u00e9trologique des instruments de capture. En int\u00e9grant en sus les biais de d\u00e9sirabilit\u00e9 sociale, la variabilit\u00e9 circadienne des \u00e9tats affectifs et la fatigue attentionnelle des r\u00e9pondants, on comprend ais\u00e9ment pourquoi des mod\u00e8les en variables manifestes atteignent tr\u00e8s difficilement des R\u00b2<\/em> sup\u00e9rieurs \u00e0 0,30 sans art\u00e9facts m\u00e9thodologiques majeurs. C’est pr\u00e9cis\u00e9ment pour rem\u00e9dier \u00e0 cette troncature que les mod\u00e9lisations en variables latentes (Structural Equation Modeling<\/a>) ont \u00e9t\u00e9 d\u00e9velopp\u00e9es, afin de s\u00e9parer la variance du construit de celle de l’erreur m\u00e9trologique.<\/p>\n

4.2 L’architecture polyg\u00e9nique et environnementale des traits psychologiques<\/h3>\n

La seconde raison structurelle expliquant la modestie empirique des R\u00b2<\/em> en psychologie d\u00e9coule directement de la r\u00e9alit\u00e9 biologique et sociologique des conduites humaines : les traits individuels et les vuln\u00e9rabilit\u00e9s psychopathologiques sont gouvern\u00e9s par une architecture multifactorielle ultra-complexe et massivement distribu\u00e9e. L’\u00e9poque o\u00f9 la recherche s’imaginait d\u00e9couvrir \u00ab le g\u00e8ne \u00bb de l’intelligence, \u00ab le traumatisme unique \u00bb expliquant la d\u00e9pression ou \u00ab le trait de caract\u00e8re \u00bb conditionnant le leadership manag\u00e9rial est d\u00e9finitivement r\u00e9volue.<\/p>\n

L’exemple de la psychologie diff\u00e9rentielle de la personnalit\u00e9 fournit une illustration particuli\u00e8rement parlante. Le mod\u00e8le canonique des Big Five (ouverture, conscienciosit\u00e9, extraversion, agr\u00e9abilit\u00e9, n\u00e9vrosisme) offre une taxonomie descriptive robuste des tendances de base. Pourtant, lorsqu’il s’agit de pr\u00e9dire des comportements situationnels pr\u00e9cis \u2014 par exemple la probabilit\u00e9 qu’un individu se porte volontaire pour une t\u00e2che b\u00e9n\u00e9vole un mardi apr\u00e8s-midi donn\u00e9 \u2014, l’int\u00e9gration de ces traits majeurs n’explique que rarement plus de 3 % \u00e0 8 % de la variance comportementale. Chaque d\u00e9cision humaine est le point de convergence d’une multitude d’incitations imm\u00e9diates, de r\u00e9gulations inhibitrices et d’interactions dynamiques entre l’individu et son \u00e9cologie contextuelle.<\/p>\n

Cette r\u00e9alit\u00e9 est parfaitement analogue aux enseignements de la g\u00e9n\u00e9tique quantitative contemporaine. Les \u00e9tudes d’association pang\u00e9nomique (GWAS<\/a>) portant sur des millions d’individus r\u00e9v\u00e8lent que les traits psychologiques complexes sont fa\u00e7onn\u00e9s par des dizaines de milliers de variants g\u00e9n\u00e9tiques (SNPs), dont chacun n’explique individuellement qu’une fraction infime de la variance totale, souvent de l’ordre de 0,01 % \u00e0 0,05 %. M\u00eame l’agr\u00e9gation de tous ces signaux au sein de scores polyg\u00e9niques (Polygenic Scores<\/em>) parvient difficilement \u00e0 rendre compte de plus de 5 % \u00e0 10 % de la variance de ph\u00e9notypes comportementaux tels que le niveau de scolarit\u00e9 ou le risque de schizophr\u00e9nie. Exiger d’un pr\u00e9dicteur psychologique unique qu’il revendique un R\u00b2<\/em> substantiel de 30 % revient \u00e0 formuler une hypoth\u00e8se d\u00e9terministe na\u00efve totalement incompatible avec l’organisation biologique du comportement.<\/p>\n

4.3 \u00c9tudes de cas canoniques : intelligence, bien-\u00eatre et performance<\/h3>\n

L’analyse de trois d\u00e9cennies de recherches empiriques consolid\u00e9es au travers de m\u00e9ta-analyses majeures permet d’\u00e9tablir des points de rep\u00e8re concrets pour la psychologie quantitative :<\/p>\n