{"id":2207,"date":"2026-10-14T18:00:49","date_gmt":"2026-10-14T18:00:49","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/rmse-vs-r-carre-quelle-metrique-utiliser\/"},"modified":"2026-10-14T18:00:49","modified_gmt":"2026-10-14T18:00:49","slug":"rmse-vs-r-carre-quelle-metrique-utiliser","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=rmse-vs-r-carre-quelle-metrique-utiliser","title":{"rendered":"RMSE vs R-carr\u00e9 : quelle m\u00e9trique devriez-vous utiliser ?"},"content":{"rendered":"

L’\u00e9valuation de la qualit\u00e9 d’ajustement d’un mod\u00e8le statistique constitue l’une des \u00e9tapes les plus d\u00e9terminantes et pourtant les plus fr\u00e9quemment mal interpr\u00e9t\u00e9es de la recherche quantitative en sciences humaines et comportementales. Face \u00e0 la prolif\u00e9ration des donn\u00e9es psychom\u00e9triques complexes, issues aussi bien d’enqu\u00eates longitudinales, de protocoles exp\u00e9rimentaux en neurosciences cognitives que de dispositifs de suivi clinique informatis\u00e9, les chercheurs se heurtent in\u00e9vitablement \u00e0 un arbitrage m\u00e9thodologique fondamental : comment quantifier avec rigueur la fid\u00e9lit\u00e9 empirique d’un mod\u00e8le th\u00e9orique ? Dans cette qu\u00eate de validation, deux indicateurs dominent outrageusement la litt\u00e9rature scientifique : l’erreur quadratique moyenne (g\u00e9n\u00e9ralement d\u00e9sign\u00e9e par son acronyme anglophone RMSE<\/a> pour Root Mean Squared Error<\/em>) et le coefficient de d\u00e9termination, universellement d\u00e9sign\u00e9 sous le terme de R-carr\u00e9<\/a> (R\u00b2<\/em>).<\/p>\n

Bien que ces deux m\u00e9triques soient fr\u00e9quemment calcul\u00e9es de mani\u00e8re conjointe par les logiciels d’analyse statistique contemporains \u2014 tels que R, SPSS, Python ou JASP \u2014, elles reposent sur des postulats \u00e9pist\u00e9mologiques profond\u00e9ment divergents et r\u00e9pondent \u00e0 des finalit\u00e9s analytiques fondamentalement distinctes. L’une s’ancre dans la m\u00e9trique brute de l’instrument d’\u00e9valuation pour appr\u00e9cier l’ampleur absolue des d\u00e9viations individuelles, tandis que l’autre normalise la performance algorithmique au sein d’une \u00e9chelle relative de proportion de variance expliqu\u00e9e. Cette divergence conceptuelle n’est nullement anodine : une m\u00e9connaissance de leurs propri\u00e9t\u00e9s intrins\u00e8ques conduit r\u00e9guli\u00e8rement \u00e0 des conclusions erron\u00e9es, qu’il s’agisse de sur\u00e9valuer le pouvoir pr\u00e9dictif d’un mod\u00e8le en pr\u00e9sence d’une forte dispersion \u00e9chantillonnale ou, \u00e0 l’inverse, de disqualifier \u00e0 tort une mod\u00e9lisation hautement pr\u00e9cise sur le plan clinique au motif d’un coefficient de d\u00e9termination modeste.<\/p>\n

Le pr\u00e9sent article propose une exploration critique, exhaustive et th\u00e9oriquement \u00e9tay\u00e9e de ces deux piliers de l’\u00e9valuation r\u00e9gressive. En examinant leurs fondements math\u00e9matiques, leur comportement face aux anomalies distributionnelles, leur vuln\u00e9rabilit\u00e9 respective au surapprentissage et leurs retomb\u00e9es directes sur la prise de d\u00e9cision diagnostique et th\u00e9rapeutique, cette \u00e9tude vise \u00e0 doter les m\u00e9thodologues, chercheurs en psychologie et praticiens des sciences comportementales d’un cadre d\u00e9cisionnel lucide. Loin de proclamer la sup\u00e9riorit\u00e9 unilat\u00e9rale de l’un de ces indices, il s’agira de comprendre la nature de leur compl\u00e9mentarit\u00e9 fonctionnelle et de d\u00e9finir pr\u00e9cis\u00e9ment les contextes o\u00f9 l’usage exclusif de l’un ou de l’autre se justifie d’un point de vue scientifique.<\/p>\n

1. Introduction aux m\u00e9triques d’\u00e9valuation des mod\u00e8les de r\u00e9gression en psychologie<\/h2>\n

1.1 La mod\u00e9lisation statistique au service des sciences comportementales<\/h3>\n

La psychologie scientifique et les sciences du comportement sont confront\u00e9es \u00e0 un d\u00e9fi m\u00e9thodologique singulier : appr\u00e9hender des construits latents non observables directement \u2014 tels que l’anxi\u00e9t\u00e9-trait, l’intelligence fluide, l’alliance th\u00e9rapeutique ou la r\u00e9gulation \u00e9motionnelle \u2014 au travers d’indicateurs manifestes intrins\u00e8quement entach\u00e9s d’erreurs de mesure. Dans ce contexte, la mod\u00e9lisation statistique, et singuli\u00e8rement l’analyse de r\u00e9gression sous ses d\u00e9clinaisons lin\u00e9aires, non lin\u00e9aires ou hi\u00e9rarchiques, op\u00e8re comme une passerelle d’inf\u00e9rence indispensable entre des architectures th\u00e9oriques abstraites et des r\u00e9alit\u00e9s cliniques quantifi\u00e9es. Elle formalise les interactions dynamiques entre des variables pr\u00e9dictives h\u00e9t\u00e9rog\u00e8nes (biologiques, cognitives, environnementales) et des crit\u00e8res comportementaux critiques, tels que la r\u00e9mission d’un trouble d\u00e9pressif ou la performance scolaire.<\/p>\n

Cette formalisation exige toutefois un contr\u00f4le empirique intransigeant. Il ne suffit pas de postuler une association significative entre variables sur la base de seuils de significativit\u00e9 inf\u00e9rentielle (les valeurs de p<\/em>) ; il s’av\u00e8re imp\u00e9ratif de quantifier avec exactitude dans quelle mesure la structure th\u00e9orique postul\u00e9e capture la configuration r\u00e9elle des donn\u00e9es observ\u00e9es. Ce besoin d’\u00e9valuation soul\u00e8ve une tension constante entre deux objectifs scientifiques concurrents : la compr\u00e9hension th\u00e9orique globale d’une part, qui cherche \u00e0 isoler des lois g\u00e9n\u00e9rales du fonctionnement psychologique au sein d’une population, et la pr\u00e9cision pr\u00e9dictive individuelle d’autre part, indispensable lorsqu’un algorithme doit assister un clinicien dans l’estimation du risque suicidaire d’un patient donn\u00e9.<\/p>\n

Le choix des m\u00e9triques d’\u00e9valuation gouverne ainsi l’ensemble du cycle de recherche. Un indicateur mal adapt\u00e9 peut inciter au rejet pr\u00e9matur\u00e9 d’un cadre conceptuel prometteur ou, pire, favoriser la publication de r\u00e9sultats non reproductibles issus d’un surajustement m\u00e9thodologique. Dans le sillage des d\u00e9bats contemporains sur la r\u00e9plicabilit\u00e9 des r\u00e9sultats en psychologie, le choix r\u00e9fl\u00e9chi et transparent de la fonction d’\u00e9valuation statistique ne constitue plus un simple d\u00e9tail technique r\u00e9serv\u00e9 aux biostatisticiens, mais une condition sine qua non<\/em> de l’int\u00e9grit\u00e9 scientifique des sciences comportementales.<\/p>\n

1.2 Pr\u00e9sentation liminaire du RMSE et du R-carr\u00e9<\/h3>\n

Pour jauger la conformit\u00e9 empirique d’une \u00e9quation de r\u00e9gression, le chercheur dispose d’une pluralit\u00e9 d’outils, au sommet desquels figurent l’erreur quadratique moyenne (RMSE) et le coefficient de d\u00e9termination (R\u00b2). Le RMSE incarne une mesure de d\u00e9viation absolue. D\u00e9riv\u00e9 directement de la moyenne des \u00e9carts au carr\u00e9 entre les valeurs observ\u00e9es exp\u00e9rimentalement et les valeurs anticip\u00e9es par le mod\u00e8le, il restitue l’erreur d’ajustement dans l’unit\u00e9 m\u00e9trologique exacte de la variable d\u00e9pendante. Si l’on mod\u00e9lise l’intensit\u00e9 d’un \u00e9pisode d\u00e9pressif mesur\u00e9e sur l’\u00e9chelle de d\u00e9pression de Beck (BDI-II<\/a>), un RMSE de 4 points signifie qu’en moyenne, les extrapolations de l’\u00e9quation s’\u00e9cartent de 4 unit\u00e9s sur cette \u00e9chelle clinique.<\/p>\n

\u00c0 l’oppos\u00e9 de cette approche ancr\u00e9e dans la concr\u00e9tude de l’instrument, le R-carr\u00e9 propose une perspective indicielle et relative. Il quantifie la fraction de la variance globale de la variable crit\u00e8re qui se trouve math\u00e9matiquement \u00ab expliqu\u00e9e \u00bb ou captur\u00e9e par les pr\u00e9dicteurs int\u00e9gr\u00e9s dans la mod\u00e9lisation. Compris traditionnellement entre 0 et 1 (ou entre 0 % et 100 %), le R\u00b2 op\u00e8re une abstraction compl\u00e8te des unit\u00e9s de mesure d’origine. Qu’il s’agisse de temps de r\u00e9action mesur\u00e9s en millisecondes, de taux de cortisol salivaire en nanomoles par litre ou de scores d’extraversion, le coefficient projette la qualit\u00e9 du mod\u00e8le sur un continuum adimensionnel universellement intelligible par la communaut\u00e9 scientifique.<\/p>\n

Historiquement, ces deux m\u00e9triques ont coexist\u00e9 au sein des revues de psychom\u00e9trie et d’\u00e9valuation clinique selon des lignes de partage m\u00e9thodologiques souvent tacites. Les psychom\u00e9triciens de tradition factorielle et corr\u00e9lationnelle ont massivement pl\u00e9biscit\u00e9 le R\u00b2, y voyant une extension naturelle du coefficient de corr\u00e9lation de Pearson apte \u00e0 d\u00e9montrer la validit\u00e9 de construit. En revanche, les courants ancr\u00e9s dans la pr\u00e9diction clinique individuelle, l’ing\u00e9nierie comportementale et, plus r\u00e9cemment, la psychiatrie computationnelle, ont progressivement r\u00e9habilit\u00e9 le RMSE, louant son pragmatisme op\u00e9rationnel face aux d\u00e9cisions d’intervention th\u00e9rapeutique concr\u00e8tes.<\/p>\n

1.3 Objectifs et port\u00e9e critique de la comparaison<\/h3>\n

L’objectif central de cette monographie consiste \u00e0 d\u00e9passer le clivage superficiel qui oppose traditionnellement indicateurs absolus et relatifs pour \u00e9tablir une grille de lecture analytique rigoureuse de leurs propri\u00e9t\u00e9s respectives. Il appara\u00eet insuffisant de rel\u00e9guer ces statistiques au rang de routines algorithmiques automatis\u00e9es sans interroger leurs hypoth\u00e8ses de calcul sous-jacentes. Trop souvent, le choix entre RMSE et R\u00b2 rel\u00e8ve d’habitudes corporatistes ou des param\u00e8tres par d\u00e9faut d’un environnement logiciel, au d\u00e9triment d’une r\u00e9flexion m\u00e9thodologique approfondie sur la nature du ph\u00e9nom\u00e8ne psychologique investigu\u00e9.<\/p>\n

Cette r\u00e9flexion critique s’articule autour de trois imp\u00e9ratifs scientifiques majeurs. Premi\u00e8rement, il convient d’exposer avec minutie les m\u00e9canismes alg\u00e9briques par lesquels chacune de ces m\u00e9triques filtre, transforme et pond\u00e8re l’information r\u00e9siduelle. Comprendre comment le RMSE p\u00e9nalise les d\u00e9viances extr\u00eames ou comment le R\u00b2 r\u00e9agit \u00e0 la variance interindividuelle constitue le socle indispensable d’une interpr\u00e9tation honn\u00eate des r\u00e9sultats. Deuxi\u00e8mement, il est imp\u00e9ratif de d\u00e9limiter l’ad\u00e9quation de chaque indice en regard des finalit\u00e9s de l’\u00e9tude : la recherche vise-t-elle \u00e0 valider une cha\u00eene causale dans le cadre d’une th\u00e9orie psychologique fondamentale, ou cherche-t-elle \u00e0 calibrer un outil d’aide au diagnostic clinique en soins primaires ?<\/p>\n

Enfin, cette d\u00e9marche vise \u00e0 formuler des pr\u00e9conisations claires et standardis\u00e9es pour la recherche comportementale contemporaine. Face \u00e0 la complexification croissante des plans d’\u00e9chantillonnage et \u00e0 l’\u00e9mergence des mod\u00e9lisations pr\u00e9dictives issues de l’apprentissage automatique<\/a>, savoir quelle m\u00e9trique privil\u00e9gier, comment les associer judicieusement et selon quelles modalit\u00e9s les consigner dans les publications acad\u00e9miques devient une comp\u00e9tence indispensable pour tout chercheur engag\u00e9 dans la production d’une science rigoureuse, transparente et p\u00e9renne.<\/p>\n

2. Fondements math\u00e9matiques et propri\u00e9t\u00e9s de l’erreur quadratique moyenne (RMSE)<\/h2>\n

2.1 D\u00e9rivation math\u00e9matique et formulation du RMSE<\/h3>\n

L’erreur quadratique moyenne trouve son ancrage dans la th\u00e9orie de l’estimation par les moindres carr\u00e9s, d\u00e9velopp\u00e9e conjointement par Carl Friedrich Gauss et Adrien-Marie Legendre. D’un point de vue analytique, consid\u00e9rons un \u00e9chantillon exp\u00e9rimental comprenant n<\/em> observations comportementales ind\u00e9pendantes. Pour chaque individu statistique i<\/em> (o\u00f9 i<\/em> varie de 1 \u00e0 n<\/em>), nous disposons d’une valeur empirique observ\u00e9e yi<\/sub><\/em> et d’une valeur pr\u00e9dite par le mod\u00e8le de r\u00e9gression, not\u00e9e \u0177i<\/sub><\/em>. Le r\u00e9sidu individuel, qui formalise l’erreur d’ajustement locale, est d\u00e9fini par la diff\u00e9rence :<\/p>\n

ei<\/sub> = yi<\/sub> – \u0177i<\/sub><\/em><\/p>\n

Si l’on cherchait \u00e0 mesurer l’erreur globale par la simple moyenne arithm\u00e9tique de ces r\u00e9sidus, la propri\u00e9t\u00e9 fondamentale des r\u00e9gressions lin\u00e9aires par moindres carr\u00e9s ordinaires conduirait \u00e0 un r\u00e9sultat nul, la somme des \u00e9carts positifs compensant exactement celle des \u00e9carts n\u00e9gatifs. Pour circonvenir cet \u00e9cueil, il est n\u00e9cessaire d’\u00e9liminer le signe alg\u00e9brique de l’erreur. Le RMSE op\u00e8re cette neutralisation par une \u00e9l\u00e9vation au carr\u00e9 pr\u00e9alable \u00e0 l’agr\u00e9gation, calculant ainsi la moyenne des carr\u00e9s des erreurs (MSE, ou Mean Squared Error<\/em>) avant d’extraire la racine carr\u00e9e de cette quantit\u00e9 pour r\u00e9tablir la dimensionalit\u00e9 originelle :<\/p>\n

RMSE = \u221a[ (1 \/ n) \u2211i=1<\/sub>n<\/sup> (yi<\/sub> – \u0177i<\/sub>)\u00b2 ]<\/em><\/p>\n

Cette formulation analytique met en exergue le r\u00f4le pivot jou\u00e9 par la taille de l’\u00e9chantillon n<\/em>. En int\u00e9grant le d\u00e9nominateur au sein m\u00eame de la racine, le RMSE repr\u00e9sente une estimation non biais\u00e9e de l’\u00e9cart-type de la distribution r\u00e9siduelle lorsque le nombre de degr\u00e9s de libert\u00e9 est ad\u00e9quatement corrig\u00e9 (en divisant par n – p – 1<\/em> au lieu de n<\/em>, o\u00f9 p<\/em> d\u00e9signe le nombre de param\u00e8tres estim\u00e9s). Le RMSE constitue donc, au sens g\u00e9om\u00e9trique le plus strict, la norme euclidienne du vecteur r\u00e9siduel pond\u00e9r\u00e9e par la dimensionnalit\u00e9 de l’espace d’\u00e9chantillonnage.<\/p>\n

2.2 Conservation des unit\u00e9s de mesure originales<\/h3>\n

L’atout m\u00e9thodologique pr\u00e9pond\u00e9rant du RMSE r\u00e9side dans son interpr\u00e9tabilit\u00e9 dimensionnelle directe. Contrairement aux statistiques standardis\u00e9es ou relatives, l’extraction finale de la racine carr\u00e9e compense l’\u00e9l\u00e9vation au carr\u00e9 ant\u00e9rieure des r\u00e9sidus et r\u00e9aligne la m\u00e9trique de l’erreur sur l’\u00e9chelle de mesure propre \u00e0 la variable d\u00e9pendante Y<\/em>. Cette propri\u00e9t\u00e9 conf\u00e8re au RMSE une lisibilit\u00e9 pragmatique incomparable au sein des sciences cliniques et psychom\u00e9triques appliqu\u00e9es.<\/p>\n

Imaginons un protocole exp\u00e9rimental visant \u00e0 pr\u00e9dire le temps de latence cognitive (exprim\u00e9 en millisecondes) au cours d’une t\u00e2che d’inhibition attentionnelle de type Stroop, en fonction de marqueurs de fatigue neurobiologique. L’obtention d’un RMSE de 35 ms indique imm\u00e9diatement au neuropsychologue que l’esp\u00e9rance math\u00e9matique de l’\u00e9cart pr\u00e9dictif s’\u00e9l\u00e8ve \u00e0 35 millisecondes autour de la trajectoire moyenne. Cette quantit\u00e9 est directement commensurable aux grandeurs physiologiques connues, aux temps d’int\u00e9gration synaptique et aux normes d\u00e9veloppementales standardis\u00e9es.<\/p>\n

Dans le domaine du diagnostic psychiatrique, cette commensurabilit\u00e9 s’av\u00e8re encore plus d\u00e9terminante. Sur une \u00e9chelle standardis\u00e9e de d\u00e9tresse psychologique dont les seuils d’intervention th\u00e9rapeutique sont rigidement calibr\u00e9s (par exemple, un score sup\u00e9rieur ou \u00e9gal \u00e0 15 signalant l’indication d’un protocole pharmacologique), la connaissance d’un RMSE de 2,3 points permet d’appr\u00e9cier d’embl\u00e9e la probabilit\u00e9 qu’un individu soit class\u00e9 de mani\u00e8re erron\u00e9e de part et d’autre de la fronti\u00e8re clinique critique. Le RMSE dialogue ainsi sans m\u00e9diateur abstrait avec les grandeurs m\u00e9trologiques \u00e9tablies par la pratique praticienne.<\/p>\n

2.3 P\u00e9nalisation quadratique des erreurs majeures<\/h3>\n

Une caract\u00e9ristique math\u00e9matique essentielle du RMSE repose sur la fonction de co\u00fbt quadratique qu’il mobilise implicitement. En \u00e9levant au carr\u00e9 chaque r\u00e9sidu individuel ei<\/sub><\/em> pr\u00e9alablement \u00e0 son int\u00e9gration dans la sommation g\u00e9n\u00e9rale, l’algorithme amplifie exponentiellement l’impact des d\u00e9viations de grande magnitude comparativement aux erreurs mineures. Un r\u00e9sidu d’une magnitude de 4 unit\u00e9s ne contribue pas deux fois plus au r\u00e9sultat global qu’un r\u00e9sidu de 2 unit\u00e9s, mais bien quatre fois plus (4\u00b2 = 16 contre 2\u00b2 = 4) ; de m\u00eame, un \u00e9cart de 10 unit\u00e9s p\u00e8se cent fois plus qu’un \u00e9cart unitaire.<\/p>\n

Cette sensibilit\u00e9 non lin\u00e9aire constitue \u00e0 la fois une force th\u00e9orique et une fragilit\u00e9 pratique. D’un point de vue clinique, cette propri\u00e9t\u00e9 est souvent hautement d\u00e9sirable : en mod\u00e9lisation psychiatrique, commettre une erreur massive sur un profil psychopathologique \u00e0 haut risque d’auto-agression ou de d\u00e9compensation psychotique entra\u00eene des cons\u00e9quences humaines infiniment plus catastrophiques que l’accumulation de multiples micro-erreurs b\u00e9nignes au sein de profils mod\u00e9r\u00e9s. Le RMSE agit donc comme une jauge d’alerte s\u00e9v\u00e8re face aux dysfonctionnements pr\u00e9dictifs majeurs.<\/p>\n

Cependant, cette structure quadratique distingue nettement le RMSE de l’erreur absolue moyenne (MAE<\/a>, pour Mean Absolute Error<\/em>), qui recourt \u00e0 la simple valeur absolue des r\u00e9sidus |yi<\/sub> – \u0177i<\/sub>|<\/em> sans transformation polynomiale. Tandis que la MAE traite chaque unit\u00e9 d’erreur selon une stricte proportionalit\u00e9 lin\u00e9aire \u2014 traduisant fid\u00e8lement la m\u00e9diane de la distribution r\u00e9siduelle \u2014, le RMSE privil\u00e9gie syst\u00e9matiquement l’estimation de la moyenne conditionnelle et se r\u00e9v\u00e8le excessivement sensible \u00e0 la queue de distribution, un aspect qui commande une vigilance m\u00e9thodologique extr\u00eame lors du traitement d’\u00e9chantillons comportementaux atypiques.<\/p>\n

3. Fondements math\u00e9matiques et interpr\u00e9tation du R-carr\u00e9 (R\u00b2)<\/h2>\n

3.1 D\u00e9composition de la variance totale en psychom\u00e9trie<\/h3>\n

Le fondement conceptuel du coefficient de d\u00e9termination repose sur le postulat fondamental de l’analyse de variance, formul\u00e9 historiquement par Sir Ronald Fisher : la variabilit\u00e9 totale observ\u00e9e au sein d’un \u00e9chantillon psychologique peut \u00eatre d\u00e9compos\u00e9e de mani\u00e8re additive en une part imputable aux r\u00e9gularit\u00e9s du mod\u00e8le structurel et une part r\u00e9siduelle assignable au bruit, \u00e0 l’erreur de mesure ou aux variables omises. Cette d\u00e9composition s’exprime \u00e0 travers l’\u00e9quation de la somme des carr\u00e9s :<\/p>\n

SST = SSR + SSE<\/em><\/p>\n

Dans cette formalisation math\u00e9matique classique :<\/p>\n