{"id":2280,"date":"2026-10-14T18:00:50","date_gmt":"2026-10-14T18:00:50","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-le-r-carre-a-la-main\/"},"modified":"2026-10-14T18:00:50","modified_gmt":"2026-10-14T18:00:50","slug":"comment-calculer-le-r-carre-a-la-main","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-le-r-carre-a-la-main","title":{"rendered":"Comment calculer le R-carr\u00e9 \u00e0 la main"},"content":{"rendered":"

Dans le champ de la recherche scientifique, de l’\u00e9conom\u00e9trie et de l’analyse quantitative des donn\u00e9es, la mod\u00e9lisation statistique constitue le pilier fondamental permettant d’extraire du sens \u00e0 partir d’observations empiriques dispers\u00e9es. Au c\u0153ur de cette d\u00e9marche r\u00e9side la r\u00e9gression lin\u00e9aire, un outil puissant con\u00e7u pour formaliser la nature et l’intensit\u00e9 des relations entre des variables interd\u00e9pendantes. Cependant, l’ajustement d’une droite math\u00e9matique sur un nuage de points ne saurait suffire \u00e0 lui seul sans un indicateur rigoureux capable d’en \u00e9valuer la pertinence pratique. C’est pr\u00e9cis\u00e9ment cette fonction capitale qu’assume le coefficient de d\u00e9termination<\/strong>, universellement d\u00e9sign\u00e9 sous le symbole R\u00b2<\/em> (ou R-carr\u00e9), qui mesure la proportion de variance de la variable r\u00e9ponse expliqu\u00e9e par la variable pr\u00e9dictive.<\/p>\n

\u00c0 l’\u00e8re contemporaine de l’informatique omnipr\u00e9sente, l’ex\u00e9cution d’une r\u00e9gression lin\u00e9aire s’accomplit g\u00e9n\u00e9ralement en une fraction de seconde par l’interm\u00e9diaire de logiciels sp\u00e9cialis\u00e9s tels que R, Python, SPSS ou Stata. Pourtant, cette automatisation algorithmique masque trop souvent les m\u00e9canismes alg\u00e9briques sous-jacents, transformant des indices statistiques sophistiqu\u00e9s en de simples \u00ab bo\u00eetes noires \u00bb dont la signification profonde \u00e9chappe parfois aux analystes eux-m\u00eames. Le calcul manuel du R\u00b2, r\u00e9alis\u00e9 pas \u00e0 pas \u00e0 l’aide d’un support papier et d’une arithm\u00e9tique rigoureuse, repr\u00e9sente une d\u00e9marche p\u00e9dagogique et m\u00e9thodologique d’une valeur inestimable. Il permet de d\u00e9mystifier l’origine g\u00e9om\u00e9trique et scalaire des composantes de la variance, de saisir l’impact concret de chaque point d’observation sur le mod\u00e8le global et d’ancrer durablement la compr\u00e9hension conceptuelle des statistiques inf\u00e9rentielles.<\/p>\n

Ce guide exhaustif a \u00e9t\u00e9 con\u00e7u pour accompagner les \u00e9tudiants, chercheurs et praticiens dans la ma\u00eetrise absolue du calcul manuel du R-carr\u00e9 pour un mod\u00e8le de r\u00e9gression lin\u00e9aire simple. \u00c0 travers une progression didactique rigoureuse, nous explorerons les fondations th\u00e9oriques de cet indicateur, d\u00e9composerons son \u00e9quation math\u00e9matique \u00e9l\u00e9ment par \u00e9l\u00e9ment, \u00e9tablirons une matrice tabulaire compl\u00e8te sur un \u00e9chantillon empirique concret de huit observations appari\u00e9es, et ex\u00e9cuterons chaque op\u00e9ration arithm\u00e9tique sans omettre la moindre \u00e9tape interm\u00e9diaire. Nous aborderons \u00e9galement la m\u00e9thode alternative de d\u00e9composition de la somme des carr\u00e9s propre \u00e0 l’analyse de variance, d\u00e9taillerons les \u00e9cueils calculatoires fr\u00e9quents et mettrons en lumi\u00e8re les limites \u00e9pist\u00e9mologiques inh\u00e9rentes \u00e0 l’interpr\u00e9tation de ce coefficient incontournable.<\/p>\n

1. Fondements th\u00e9oriques et d\u00e9finition du coefficient de d\u00e9termination (R\u00b2)<\/h2>\n

1.1 Nature math\u00e9matique et r\u00f4le dans la mod\u00e9lisation par r\u00e9gression<\/h3>\n

D’un point de vue strictement math\u00e9matique, le coefficient de d\u00e9termination constitue une mesure normalis\u00e9e et adimensionnelle quantifiant la qualit\u00e9 globale de l’ajustement (commun\u00e9ment d\u00e9sign\u00e9e par l’anglicisme goodness-of-fit<\/em>) d’un mod\u00e8le statistique vis-\u00e0-vis d’un jeu de donn\u00e9es empiriques. Dans le cadre de la r\u00e9gression lin\u00e9aire simple, o\u00f9 une variable d\u00e9pendante continue not\u00e9e Y<\/em> est mod\u00e9lis\u00e9e en fonction d’une unique variable ind\u00e9pendante continue not\u00e9e X<\/em>, le R\u00b2 s’\u00e9nonce comme le ratio arithm\u00e9tique de la variance expliqu\u00e9e par le mod\u00e8le lin\u00e9aire sur la variance totale observ\u00e9e de la variable r\u00e9ponse. En d’autres termes, il quantifie avec une exactitude probabiliste la part des fluctuations num\u00e9riques de Y<\/em> qui peut \u00eatre attribu\u00e9e de mani\u00e8re coh\u00e9rente et syst\u00e9matique aux variations num\u00e9riques observ\u00e9es chez X<\/em>.<\/p>\n

L’une des propri\u00e9t\u00e9s fondamentales les plus remarquables du coefficient de d\u00e9termination r\u00e9side dans son bornage rigoureux au sein de l’intervalle ferm\u00e9 [0, 1]. Lorsque le R\u00b2 atteint la valeur extr\u00eame de 0, cela signifie que la droite de r\u00e9gression lin\u00e9aire est parfaitement horizontale et co\u00efncide exactement avec la moyenne arithm\u00e9tique de Y<\/em> ; en cons\u00e9quence, la connaissance des valeurs de la variable ind\u00e9pendante X<\/em> n’apporte strictement aucune information permettant de r\u00e9duire l’erreur de pr\u00e9diction sur Y<\/em>. \u00c0 l’inverse, un R\u00b2 \u00e9gal \u00e0 1 traduit un ajustement d\u00e9terministe parfait : l’int\u00e9gralit\u00e9 des points d’observation s’aligne rigoureusement sur la droite de r\u00e9gression estim\u00e9e, r\u00e9duisant la somme des r\u00e9sidus ou erreurs de pr\u00e9diction \u00e0 un z\u00e9ro absolu. Dans la r\u00e9alit\u00e9 empirique des sciences exp\u00e9rimentales et sociales, la valeur calcul\u00e9e oscille continuellement entre ces deux bornes th\u00e9oriques id\u00e9ales, fournissant un \u00e9talon synth\u00e9tique pr\u00e9cieux pour arbitrer le pouvoir pr\u00e9dictif d’une hypoth\u00e8se de recherche.<\/p>\n

Le r\u00f4le synth\u00e9tique du R\u00b2 s’av\u00e8re particuli\u00e8rement central lors des phases pr\u00e9liminaires de l’exploration de donn\u00e9es. Plut\u00f4t que de contraindre le chercheur \u00e0 scruter individuellement une multiplicit\u00e9 d’\u00e9carts verticaux entre les valeurs observ\u00e9es et les valeurs ajust\u00e9es par la droite, le coefficient de d\u00e9termination r\u00e9sume en un scalaire unique, intelligible et sans unit\u00e9 de mesure la performance globale de la mod\u00e9lisation. Il permet ainsi de comparer instantan\u00e9ment la robustesse de diff\u00e9rents mod\u00e8les lin\u00e9aires appliqu\u00e9s \u00e0 des variables poss\u00e9dant des \u00e9chelles physiques, temporelles ou psychom\u00e9triques totalement divergentes, conf\u00e9rant ainsi \u00e0 l’analyse quantitative une universalit\u00e9 op\u00e9rationnelle indispensable.<\/p>\n

1.2 Distinction conceptuelle entre corr\u00e9lation de Pearson (r) et R\u00b2<\/h3>\n

Une confusion conceptuelle r\u00e9currente dans la litt\u00e9rature statistique d\u00e9butante r\u00e9side dans l’assimilation h\u00e2tive du coefficient de corr\u00e9lation lin\u00e9aire de Pearson, d\u00e9sign\u00e9 par la lettre minuscule r<\/em>, avec le coefficient de d\u00e9termination R\u00b2<\/em>. Bien que ces deux entit\u00e9s math\u00e9matiques soient intrins\u00e8quement li\u00e9es au sein du mod\u00e8le bivari\u00e9 simple, leurs vocations \u00e9pist\u00e9mologiques et leurs interpr\u00e9tations scalaires diff\u00e8rent profond\u00e9ment. Le coefficient de corr\u00e9lation de Pearson<\/a> quantifie la force et le sens d’une association lin\u00e9aire entre deux variables continues. Sa valeur est strictement comprise entre -1 et +1, o\u00f9 le signe alg\u00e9brique indique la direction de la covariation (une pente ascendante ou descendante), tandis que sa magnitude absolue traduit l’\u00e9troitesse du regroupement des points autour d’un axe lin\u00e9aire commun.<\/p>\n

Le coefficient r<\/em> est par essence une mesure bidirectionnelle et sym\u00e9trique : la corr\u00e9lation entre X<\/em> et Y<\/em> est rigoureusement identique \u00e0 la corr\u00e9lation entre Y<\/em> et X<\/em>, sans qu’aucune pr\u00e9somption de d\u00e9pendance fonctionnelle ou causale ne soit postul\u00e9e. En revanche, le R\u00b2 s’inscrit r\u00e9solument dans un cadre de mod\u00e9lisation asym\u00e9trique orient\u00e9, o\u00f9 X<\/em> assume le statut explicatif et Y<\/em> celui de r\u00e9ponse. Sur le plan alg\u00e9brique, dans le cadre d’une r\u00e9gression lin\u00e9aire simple par moindres carr\u00e9s ordinaires, le coefficient de d\u00e9termination \u00e9quivaut exactement au carr\u00e9 arithm\u00e9tique du coefficient de Pearson, soit R\u00b2 = (r)\u00b2<\/em>. Cette op\u00e9ration de mise \u00e0 la puissance deux engendre une cons\u00e9quence fondamentale : elle annule d\u00e9finitivement le signe n\u00e9gatif \u00e9ventuel, transformant une information vectorielle de direction en une quantit\u00e9 scalaire strictement positive d’\u00e9nergie explicative ou de variance partag\u00e9e.<\/p>\n

Cette transition de l’\u00e9chelle lin\u00e9aire de r<\/em> \u00e0 l’\u00e9chelle quadratique de R\u00b2<\/em> implique une modification spectaculaire de la m\u00e9trique d’\u00e9valuation. Une corr\u00e9lation d’apparence respectable de r = 0,50<\/em> ne traduit nullement que la moiti\u00e9 de la variabilit\u00e9 est ma\u00eetris\u00e9e par le mod\u00e8le ; \u00e9lev\u00e9e au carr\u00e9, elle r\u00e9v\u00e8le un R\u00b2 de seulement 0,25<\/em>, indiquant que 25 % \u00e0 peine de la dispersion de la variable r\u00e9ponse est r\u00e9ellement capt\u00e9e par le pr\u00e9dicteur, laissant 75 % de variance inexpliqu\u00e9e. Cette non-lin\u00e9arit\u00e9 m\u00e9trique impose aux analystes une vigilance constante pour \u00e9viter de sur\u00e9valuer le pouvoir informatif d’une association lin\u00e9aire mod\u00e9r\u00e9e en confondant la magnitude brute de la corr\u00e9lation avec la proportion r\u00e9elle de d\u00e9termination statistique.<\/p>\n

1.3 Importance m\u00e9thodologique du R\u00b2 dans la recherche quantitative<\/h3>\n

Dans l’arsenal m\u00e9thodologique de la recherche scientifique contemporaine, qu’il s’agisse des neurosciences, de l’\u00e9pid\u00e9miologie, de l’\u00e9conomie comportementale ou des sciences de l’\u00e9ducation, le R\u00b2 occupe une place de choix pour valider les th\u00e9ories soumises \u00e0 l’\u00e9preuve des faits. Lors de la conception d’outils de mesure psychom\u00e9triques ou cliniques, il permet par exemple d’\u00e9tablir la validit\u00e9 de construit et la validit\u00e9 crit\u00e9ri\u00e9e d’une \u00e9chelle. En comparant le score global obtenu \u00e0 un test d’aptitude cognitive avec les performances r\u00e9elles mesur\u00e9es dans un environnement professionnel ou acad\u00e9mique, le R\u00b2 quantifie pr\u00e9cis\u00e9ment dans quelle mesure le construit th\u00e9orique parvient \u00e0 anticiper les comportements r\u00e9els des individus au-del\u00e0 du simple hasard.<\/p>\n

Par ailleurs, au sein des plans de recherche corr\u00e9lationnels et observationnels, le coefficient de d\u00e9termination fonctionne comme un crit\u00e8re d’arbitrage objectif pour comparer des hypoth\u00e8ses concurrentes. Confront\u00e9 \u00e0 plusieurs variables ind\u00e9pendantes candidates pour expliquer un m\u00eame ph\u00e9nom\u00e8ne biologique ou sociologique \u2014 comme l’impact respectif du revenu des m\u00e9nages, du temps d’\u00e9tude et de la qualit\u00e9 du sommeil sur les r\u00e9sultats scolaires \u2014, le chercheur \u00e9value les mod\u00e8les univari\u00e9s successifs \u00e0 l’aune de leur R\u00b2 respectif. Cet indicateur permet de hi\u00e9rarchiser la puissance explicative des diff\u00e9rents pr\u00e9dicteurs et de s\u00e9lectionner les facteurs m\u00e9ritant d’\u00eatre int\u00e9gr\u00e9s dans des mod\u00e9lisations multivari\u00e9es ult\u00e9rieures plus complexes.<\/p>\n

Enfin, les standards \u00e9ditoriaux internationaux r\u00e9gissant la publication scientifique, \u00e0 l’instar des normes \u00e9dict\u00e9es par l’American Psychological Association<\/a> (APA) ou le consortium EQUATOR, exigent d\u00e9sormais syst\u00e9matiquement le rapport d’indices de taille d’effet standardis\u00e9s \u00e0 c\u00f4t\u00e9 des tests de significativit\u00e9 hypoth\u00e9tique classiques bas\u00e9s sur la p-valeur. La simple d\u00e9monstration qu’une pente de r\u00e9gression n’est pas nulle (p < 0,05) s’av\u00e8re m\u00e9thodologiquement insuffisante lorsqu’elle s’appuie sur des effectifs massifs capables de rendre statistiquement significative la moindre fluctuation n\u00e9gligeable. Le R\u00b2 fournit cette mesure compl\u00e9mentaire d’importance pratique, informant la communaut\u00e9 scientifique sur la magnitude r\u00e9elle du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 et garantissant une transparence analytique indispensable \u00e0 la r\u00e9plication des savoirs.<\/p>\n

2. Anatomie math\u00e9matique de la formule de calcul manuel<\/h2>\n

2.1 D\u00e9composition de l’\u00e9quation standard bas\u00e9e sur Pearson<\/h3>\n

L’ex\u00e9cution manuelle du calcul du R\u00b2 sur un support papier n\u00e9cessite une formulation alg\u00e9brique optimis\u00e9e, con\u00e7ue pour minimiser la manipulation de fractions d\u00e9cimales instables et \u00e9viter les d\u00e9rives d’arrondis interm\u00e9diaires. Bien que l’on puisse d\u00e9finir th\u00e9oriquement le coefficient de Pearson par le ratio de la covariance sur le produit des \u00e9carts-types, l’application directe de cette d\u00e9finition avec calcul pr\u00e9alable des moyennes engendre des soustractions r\u00e9p\u00e9t\u00e9es fastidieuses. L’\u00e9quation de calcul manuel la plus efficace, d\u00e9riv\u00e9e directement de la formule computationnelle des moindres carr\u00e9s, s’exprime sous la forme suivante :<\/p>\n

R\u00b2 = [ ( n\u03a3xy \u2013 (\u03a3x)(\u03a3y) ) \/ ( \u221a(n\u03a3x\u00b2 – (\u03a3x)\u00b2) * \u221a(n\u03a3y\u00b2 – (\u03a3y)\u00b2) ) ]\u00b2<\/strong><\/p>\n

Cette expression impressionnante au premier regard se r\u00e9v\u00e8le, lorsqu’on l’analyse m\u00e9thodiquement, d’une \u00e9l\u00e9gance arithm\u00e9tique remarquable. Elle concentre l’ensemble des interactions du jeu de donn\u00e9es en une fraction unique avant d’\u00e9lever le r\u00e9sultat au carr\u00e9. Le num\u00e9rateur de cette fraction interne, n\u03a3xy \u2013 (\u03a3x)(\u03a3y)<\/em>, repr\u00e9sente la forme d\u00e9velopp\u00e9e et mise \u00e0 l’\u00e9chelle par l’effectif n<\/em> de la somme des produits des \u00e9carts \u00e0 la moyenne, couramment qualifi\u00e9e de covariance brute ou de co-variation non standardis\u00e9e de l’\u00e9chantillon. C’est ce terme qui capture la propension fondamentale des deux variables \u00e0 varier de concert dans une direction convergente ou divergente.<\/p>\n

Le d\u00e9nominateur, quant \u00e0 lui, est constitu\u00e9 du produit de deux termes sous radicaux distincts : \u221a(n\u03a3x\u00b2 – (\u03a3x)\u00b2)<\/em> et \u221a(n\u03a3y\u00b2 – (\u03a3y)\u00b2)<\/em>. Chacun de ces facteurs correspond rigoureusement \u00e0 la somme des carr\u00e9s des \u00e9carts \u00e0 la moyenne respective des variables X<\/em> et Y<\/em>, multipli\u00e9e par la constante d’\u00e9chelle n<\/em>. En d’autres termes, le d\u00e9nominateur incarne le produit direct de la variabilit\u00e9 interne totale pr\u00e9sente dans chaque s\u00e9rie de mesures. En divisant la co-variabilit\u00e9 par la variabilit\u00e9 marginale maximale possible, l’\u00e9quation normalise le ratio pour obtenir le coefficient de Pearson r<\/em>. L’\u00e9l\u00e9vation terminale de l’ensemble de la fraction \u00e0 la puissance 2 \u00e9limine alors toute consid\u00e9ration directionnelle pour ne conserver que la proportion pure de variabilit\u00e9 expliqu\u00e9e.<\/p>\n

2.2 R\u00f4le et signification des composantes scalaires et sommes alg\u00e9briques<\/h3>\n

Pour aborder sereinement la r\u00e9solution sur table, il est indispensable de ma\u00eetriser la signification analytique de chacun des six param\u00e8tres scalaires intervenant dans l’\u00e9quation standard. Le premier param\u00e8tre, d\u00e9sign\u00e9 par la lettre minuscule n<\/em>, repr\u00e9sente l’effectif total d’observations, c’est-\u00e0-dire le nombre de paires coordonn\u00e9es (x\u1d62, y\u1d62)<\/em> mesur\u00e9es au sein de l’\u00e9chantillon. Sa valeur agit comme un multiplicateur de pond\u00e9ration capital assurant l’homog\u00e9n\u00e9it\u00e9 dimensionnelle entre les termes crois\u00e9s et les produits de sommes marginales.<\/p>\n

Les composantes \u03a3x<\/em> et \u03a3y<\/em> repr\u00e9sentent les sommes marginales simples obtenues en additionnant l’int\u00e9gralit\u00e9 des observations univari\u00e9es respectives de la variable ind\u00e9pendante et de la variable d\u00e9pendante. Lorsqu’elles sont multipli\u00e9es l’une par l’autre sous la forme (\u03a3x)(\u03a3y)<\/em>, elles cr\u00e9ent un terme correcteur correspondant au d\u00e9calage induit par les centres de gravit\u00e9 (les moyennes empiriques) de chaque distribution par rapport \u00e0 l’origine absolue des axes de coordonn\u00e9es.<\/p>\n

Les termes \u03a3x\u00b2<\/em> et \u03a3y\u00b2<\/em> correspondent aux sommes des carr\u00e9s individuels : chaque mesure unitaire est pr\u00e9alablement \u00e9lev\u00e9e \u00e0 la puissance deux, puis l’ensemble de ces valeurs quadratiques est somm\u00e9 verticalement. Ces quantit\u00e9s capturent la dispersion brute globale des points par rapport \u00e0 z\u00e9ro. \u00c0 l’oppos\u00e9, les termes (\u03a3x)\u00b2<\/em> et (\u03a3y)\u00b2<\/em> repr\u00e9sentent le carr\u00e9 de la somme marginale d\u00e9j\u00e0 obtenue ; l’addition des termes simples pr\u00e9c\u00e8de ici l’\u00e9l\u00e9vation au carr\u00e9, une distinction arithm\u00e9tique absolument cruciale dont la confusion constitue l’erreur la plus d\u00e9vastatrice lors d’un calcul manuel. Enfin, la quantit\u00e9 \u03a3xy<\/em>, d\u00e9nomm\u00e9e somme des produits crois\u00e9s, constitue le c\u0153ur interactif du calcul bivari\u00e9 : elle s’obtient en multipliant chaque valeur x\u1d62<\/em> par son homologue appari\u00e9e y\u1d62<\/em> avant d’effectuer la sommation cumul\u00e9e de l’ensemble de la colonne.<\/p>\n

2.3 Formulation alternative par la d\u00e9composition de la somme des carr\u00e9s<\/h3>\n

Bien que la formule bas\u00e9e sur le coefficient de Pearson soit la plus rapide pour d\u00e9terminer le R\u00b2 en une seule s\u00e9quence d’op\u00e9rations directes, il existe une seconde approche math\u00e9matique majeure, historiquement ancr\u00e9e dans la tradition de l’analyse de variance<\/a> (ANOVA) d\u00e9velopp\u00e9e par Ronald Fisher. Cette approche repose sur la d\u00e9composition g\u00e9om\u00e9trique et fondamentale de la variabilit\u00e9 globale de la variable r\u00e9ponse selon le postulat additif classique :<\/p>\n

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

Dans cette identit\u00e9 universelle, SST<\/em> (pour Total Sum of Squares<\/em>, ou Somme Totale des Carr\u00e9s) quantifie la dispersion totale des observations y\u1d62<\/em> autour de leur moyenne g\u00e9n\u00e9rale \u0233<\/em>. Elle mesure l’inertie compl\u00e8te du syst\u00e8me avant toute tentative d’explication mod\u00e9lis\u00e9e. Le terme SSR<\/em> (pour Regression Sum of Squares<\/em>, ou Somme des Carr\u00e9s de la R\u00e9gression) repr\u00e9sente la portion de cette inertie totale qui est capt\u00e9e avec succ\u00e8s par la droite de r\u00e9gression lin\u00e9aire ajust\u00e9e par moindres carr\u00e9s. Enfin, SSE<\/em> (pour Error Sum of Squares<\/em>, ou Somme des Carr\u00e9s des Erreurs\/R\u00e9sidus) incarne la dispersion r\u00e9siduelle, c’est-\u00e0-dire la somme des carr\u00e9s des \u00e9carts verticaux subsistant entre chaque point empirique et la droite th\u00e9orique estim\u00e9e.<\/p>\n

\u00c0 partir de cette partition fondamentale de la variabilit\u00e9, le coefficient de d\u00e9termination se formule rigoureusement selon l’un ou l’autre des ratios \u00e9quivalents suivants :<\/p>\n

R\u00b2 = SSR \/ SST = 1 – (SSE \/ SST)<\/strong><\/p>\n

Cette seconde formulation offre une lisibilit\u00e9 \u00e9pist\u00e9mologique imm\u00e9diate : le R\u00b2 est litt\u00e9ralement la proportion de variance absorb\u00e9e par le mod\u00e8le (SSR) rapport\u00e9e \u00e0 la variance totale existante (SST), ou, de fa\u00e7on compl\u00e9mentaire, la soustraction \u00e0 l’unit\u00e9 de la fraction r\u00e9siduelle d’erreur non r\u00e9solue (SSE\/SST). Bien que cette m\u00e9thode n\u00e9cessite le calcul interm\u00e9diaire de la pente de r\u00e9gression et de l’ordonn\u00e9e \u00e0 l’origine pour \u00e9valuer formellement les r\u00e9sidus, son \u00e9quivalence alg\u00e9brique avec la formule de Pearson est totale et absolue. Dans les sections ult\u00e9rieures de cet article, nous m\u00e8nerons \u00e0 bien la r\u00e9solution via ces deux trajectoires distinctes, d\u00e9montrant ainsi la parfaite congruence interne des math\u00e9matiques statistiques.<\/p>\n

3. Pr\u00e9paration des donn\u00e9es et constitution du tableau de calcul<\/h2>\n

3.1 D\u00e9finition de l’\u00e9chantillon empirique de travail (n = 8)<\/h3>\n

Afin d’ancrer notre d\u00e9monstration dans une r\u00e9alit\u00e9 concr\u00e8te et reproductible pas \u00e0 pas sur une feuille de brouillon, nous \u00e9tablissons un \u00e9chantillon empirique restreint mais parfaitement repr\u00e9sentatif, compos\u00e9 de n = 8<\/em> observations bivari\u00e9es ind\u00e9pendantes. Supposons, \u00e0 titre d’illustration didactique, une recherche men\u00e9e en psychologie cognitive portant sur la relation entre le nombre d’heures hebdomadaires d\u00e9di\u00e9es \u00e0 l’entra\u00eenement c\u00e9r\u00e9bral intensif (variable ind\u00e9pendante continue X<\/em>) et le score standardis\u00e9 obtenu lors d’un test complexe de m\u00e9morisation de travail (variable d\u00e9pendante continue Y<\/em>).<\/p>\n

Les huit paires d’observations num\u00e9riques individuelles mesur\u00e9es aupr\u00e8s des participants sont formellement r\u00e9pertori\u00e9es comme suit :<\/p>\n