{"id":2609,"date":"2026-09-06T19:10:14","date_gmt":"2026-09-06T19:10:14","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-regression-lineaire-multiple-spss\/"},"modified":"2026-09-06T19:10:28","modified_gmt":"2026-09-06T19:10:28","slug":"comment-effectuer-regression-lineaire-multiple-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-regression-lineaire-multiple-spss","title":{"rendered":"Comment effectuer une r\u00e9gression lin\u00e9aire multiple dans SPSS"},"content":{"rendered":"

L’investigation empirique des ph\u00e9nom\u00e8nes psychologiques se heurte in\u00e9vitablement \u00e0 la complexit\u00e9 multifactorielle du comportement humain, des processus cognitifs et des dynamiques affectives. Rares sont les situations o\u00f9 une variable psychologique d’int\u00e9r\u00eat, qu’il s’agisse de l’intensit\u00e9 d’un \u00e9pisode d\u00e9pressif, du rendement acad\u00e9mique ou de l’adh\u00e9sion th\u00e9rapeutique, peut \u00eatre expliqu\u00e9e de mani\u00e8re satisfaisante par un pr\u00e9dicteur unique agissant de mani\u00e8re isol\u00e9e. L’av\u00e8nement des m\u00e9thodes statistiques multivari\u00e9es a permis aux chercheurs en sciences du comportement de d\u00e9passer le cadre restrictif des corr\u00e9lations bivari\u00e9es pour mod\u00e9liser des r\u00e9seaux d’influence plus r\u00e9alistes et \u00e9cologiquement valides.<\/p>\n

Au c\u0153ur de cet arsenal m\u00e9thodologique, la r\u00e9gression lin\u00e9aire multiple s’impose comme l’une des techniques d’analyse pr\u00e9dictive et explicative les plus robustes et les plus fr\u00e9quemment mobilis\u00e9es. Fond\u00e9e sur le principe d’estimation par les moindres carr\u00e9s ordinaires<\/a> (MCO), cette m\u00e9thode offre la possibilit\u00e9 d’\u00e9valuer simultan\u00e9ment l’impact de plusieurs variables ind\u00e9pendantes sur une variable d\u00e9pendante continue unique, tout en isolant et en contr\u00f4lant les effets de covariance mutuelle. Elle constitue le socle quantitatif \u00e0 partir duquel s’articulent des mod\u00e9lisations plus complexes, telles que l’analyse de m\u00e9diation, la mod\u00e9ration ou la mod\u00e9lisation par \u00e9quations structurelles.<\/p>\n

Toutefois, la puissance analytique de la r\u00e9gression lin\u00e9aire multiple d\u00e9pend \u00e9troitement de la rigueur avec laquelle elle est param\u00e9tr\u00e9e, v\u00e9rifi\u00e9e et interpr\u00e9t\u00e9e. L’utilisation du logiciel IBM SPSS Statistics<\/a>, bien que grandement facilit\u00e9e par son interface graphique intuitive, requiert une ma\u00eetrise approfondie des postulats sous-jacents, des options algorithmiques et des m\u00e9triques diagnostiques. Ce guide complet a pour vocation d’accompagner pas \u00e0 pas les chercheurs, doctorants et praticiens de la psychologie dans la r\u00e9alisation exemplaire d’une r\u00e9gression lin\u00e9aire multiple, depuis la formalisation th\u00e9orique jusqu’au rapportage des r\u00e9sultats selon les normes les plus r\u00e9centes de l’American Psychological Association (APA 7e \u00e9dition).<\/p>\n

1. Fondements th\u00e9oriques et pertinence de la r\u00e9gression lin\u00e9aire multiple en psychologie<\/h2>\n

1.1 D\u00e9finition et formalisation math\u00e9matique du mod\u00e8le<\/h3>\n

La r\u00e9gression lin\u00e9aire multiple est une extension directe de la r\u00e9gression lin\u00e9aire simple. Elle formalise la relation fonctionnelle unilat\u00e9rale unissant une variable d\u00e9pendante continue, conventionnellement not\u00e9e Y<\/em> (ou variable crit\u00e8re), \u00e0 un ensemble lin\u00e9aire de k<\/em> variables ind\u00e9pendantes, not\u00e9es X<\/em>1<\/sub>, X<\/em>2<\/sub>, …, X<\/em>k<\/em><\/sub> (ou variables pr\u00e9dictives). Math\u00e9matiquement, pour chaque individu i<\/em> d’un \u00e9chantillon de taille N<\/em>, l’\u00e9quation g\u00e9n\u00e9rale de population s’exprime sous la forme suivante :<\/p>\n

Y<\/em>i<\/em><\/sub> = β0<\/sub> + β1<\/sub>X<\/em>1i<\/em><\/sub> + β2<\/sub>X<\/em>2i<\/em><\/sub> + … + βk<\/em><\/sub>X<\/em>ki<\/em><\/sub> + εi<\/em><\/sub><\/p>\n

Dans cette \u00e9quation, le param\u00e8tre β0<\/sub> repr\u00e9sente l’ordonn\u00e9e \u00e0 l’origine (ou constante du mod\u00e8le), indiquant la valeur th\u00e9orique attendue de la variable d\u00e9pendante lorsque l’ensemble des pr\u00e9dicteurs X<\/em> est \u00e9gal \u00e0 z\u00e9ro. Les param\u00e8tres β1<\/sub> \u00e0 βk<\/em><\/sub> constituent les coefficients de r\u00e9gression partielle non standardis\u00e9s de la population. Chacun d’entre eux quantifie la variation attendue de Y<\/em> pour une augmentation d’une unit\u00e9 de la variable pr\u00e9dictive correspondante, toutes les autres variables du mod\u00e8le \u00e9tant maintenues strictement constantes. Le terme d’erreur stochastique, not\u00e9 εi<\/em><\/sub>, capture l’ensemble des variations de Y<\/em> non expliqu\u00e9es par les pr\u00e9dicteurs inclus dans l’\u00e9quation, englobant les erreurs de mesure inh\u00e9rentes aux instruments psychom\u00e9triques ainsi que l’influence de facteurs omis.<\/p>\n

La distinction th\u00e9orique et statistique fondamentale entre la r\u00e9gression simple et la r\u00e9gression multiple r\u00e9side dans cette notion cruciale d’ajustement statistique ou de partialisation. Dans une r\u00e9gression lin\u00e9aire simple, la pente capture \u00e0 la fois la relation directe entre le pr\u00e9dicteur et le crit\u00e8re ainsi que l’effet de toutes les variables omises qui corr\u00e8lent avec ce pr\u00e9dicteur. En revanche, dans le mod\u00e8le multiple, l’algorithme des moindres carr\u00e9s extrait de chaque pr\u00e9dicteur la variance qu’il partage avec les autres pr\u00e9dicteurs avant d’\u00e9valuer son association propre avec la variable crit\u00e8re. Cela permet d’obtenir une estimation non biais\u00e9e de la contribution unique de chaque variable au sein du syst\u00e8me explicatif.<\/p>\n

1.2 Applications m\u00e9thodologiques en recherche psychologique<\/h3>\n

En psychologie cognitive, sociale, clinique et organisationnelle, la r\u00e9gression lin\u00e9aire multiple r\u00e9pond \u00e0 trois objectifs m\u00e9thodologiques primordiaux : la mod\u00e9lisation explicative, la pr\u00e9diction actuarielle et le contr\u00f4le statistique. Sur le plan explicatif, elle permet de d\u00e9m\u00ealer la complexit\u00e9 des d\u00e9terminants psychologiques en testant des th\u00e9ories formelles. \u00c0 titre d’illustration, un chercheur peut souhaiter d\u00e9terminer dans quelle mesure l’anxi\u00e9t\u00e9 de performance, la m\u00e9moire de travail et le sentiment d’efficacit\u00e9 personnelle pr\u00e9disent conjointement la r\u00e9ussite \u00e0 un examen standardis\u00e9, tout en observant quelle composante th\u00e9orique exerce l’impact le plus substantiel apr\u00e8s neutralisation des autres dimensions.<\/p>\n

Dans un contexte de pr\u00e9diction pure ou d’\u00e9valuation psychom\u00e9trique, l’outil sert \u00e0 construire des mod\u00e8les de pronostic clinique ou d’orientation vocationnelle. Il devient alors envisageable d’estimer avec pr\u00e9cision le score futur d’un patient sur une \u00e9chelle d’ajustement psychosocial en se basant sur une batterie d’\u00e9valuations administr\u00e9es lors de l’admission institutionnelle. L’objectif est ici de maximiser la proportion globale de variance expliqu\u00e9e sans accorder une importance exclusive \u00e0 la signification individuelle de chaque param\u00e8tre.<\/p>\n

Enfin, dans les devis de recherche corr\u00e9lationnels ou quasi-exp\u00e9rimentaux, la r\u00e9gression multiple joue un r\u00f4le indispensable de contr\u00f4le m\u00e9thodologique. En psychologie humaine, l’assignation al\u00e9atoire en laboratoire est fr\u00e9quemment impossible pour des raisons \u00e9thiques ou pratiques. La r\u00e9gression permet alors d’isoler l’effet d’une variable psychologique cibl\u00e9e (par exemple, le style d’attachement ins\u00e9cure) sur un crit\u00e8re psychopathologique (comme la s\u00e9v\u00e9rit\u00e9 de l’addiction), en contr\u00f4lant statistiquement pour l’\u00e2ge, le genre, le statut socio-\u00e9conomique ou les traumatismes infantiles pr\u00e9alables. Cette approche simule une \u00e9galisation a posteriori des groupes observ\u00e9s.<\/p>\n

1.3 Typologie des variables et conditions d’\u00e9chelle<\/h3>\n

La mise en \u0153uvre de la r\u00e9gression lin\u00e9aire multiple repose sur des exigences pr\u00e9cises quant \u00e0 la nature m\u00e9trologique des variables ins\u00e9r\u00e9es dans l’\u00e9quation. La variable d\u00e9pendante (Y<\/em>) doit imp\u00e9rativement \u00eatre une variable quantitative continue mesur\u00e9e sur une \u00e9chelle d’intervalle ou de rapport. En sciences psychologiques, les scores totaux issus d’\u00e9chelles de Likert valid\u00e9es (telles que le BDI-II pour la d\u00e9pression ou le STAI pour l’anxi\u00e9t\u00e9) sont largement accept\u00e9s et trait\u00e9s comme des variables d’intervalle, \u00e0 condition qu’ils pr\u00e9sentent un nombre suffisant de cat\u00e9gories de r\u00e9ponse et une distribution sous-jacente continue.<\/p>\n

Concernant les variables ind\u00e9pendantes (X<\/em>), le mod\u00e8le lin\u00e9aire se distingue par une grande flexibilit\u00e9. Les pr\u00e9dicteurs peuvent \u00eatre quantitatifs continus (temps de r\u00e9action, scores d’intelligence, concentrations hormonales), quantitatifs discrets (nombre d’\u00e9v\u00e9nements de vie stressants v\u00e9cus) ou qualitatifs cat\u00e9goriels (statut matrimonial, affiliation \u00e0 un groupe exp\u00e9rimental ou clinique, niveau d’\u00e9ducation formel). Toutefois, l’int\u00e9gration directe de variables nominales ou ordinales \u00e0 plus de deux modalit\u00e9s au sein d’une \u00e9quation lin\u00e9aire est formellement prohib\u00e9e, car cela attribuerait arbitrairement des propri\u00e9t\u00e9s num\u00e9riques de distance \u00e0 de simples \u00e9tiquettes conceptuelles.<\/p>\n

Pour contourner cette limitation, les pr\u00e9dicteurs cat\u00e9goriels polytomiques doivent subir une op\u00e9ration de codage dichotomique (ou dummy coding<\/a>). Ce proc\u00e9d\u00e9 algorithmique consiste \u00e0 d\u00e9composer une variable qualitative comportant k<\/em> modalit\u00e9s mutuellement exclusives en un ensemble de k<\/em> − 1 variables indicatrices binaires valant 0 ou 1. Une modalit\u00e9 sp\u00e9cifique est d\u00e9lib\u00e9r\u00e9ment isol\u00e9e pour servir de groupe de r\u00e9f\u00e9rence de comparaison, permettant ainsi aux coefficients partiels estim\u00e9s de refl\u00e9ter les contrastes pr\u00e9cis entre chaque modalit\u00e9 et ce niveau de r\u00e9f\u00e9rence.<\/p>\n

2. Postulats statistiques et conditions pr\u00e9alables \u00e0 l’analyse<\/h2>\n

2.1 Lin\u00e9arit\u00e9 des relations et ind\u00e9pendance des observations<\/h3>\n

La validit\u00e9 des inf\u00e9rences statistiques issues de la r\u00e9gression lin\u00e9aire multiple par les moindres carr\u00e9s repose sur le respect scrupuleux d’un ensemble de postulats fondamentaux connus sous la formalisation th\u00e9orique du th\u00e9or\u00e8me de Gauss-Markov. Le premier d’entre eux postule l’existence d’une relation strictement lin\u00e9aire entre chaque variable explicative et la variable d\u00e9pendante au sein de la population. Si la v\u00e9ritable trajectoire sous-jacente est curviligne (par exemple, la loi de Yerkes-Dodson reliant l’\u00e9veil physiologique \u00e0 la performance sous la forme d’un U invers\u00e9), le mod\u00e8le lin\u00e9aire standard sous-estimera dramatiquement l’intensit\u00e9 de la relation, faussant ainsi les coefficients de r\u00e9gression et affaiblissant la capacit\u00e9 explicative globale.<\/p>\n

Le second postulat concerne l’ind\u00e9pendance structurelle des termes d’erreur, formalis\u00e9 par Cov(εi<\/em><\/sub>, εj<\/em><\/sub>) = 0 pour tout i<\/em> distinct de j<\/em>. Cela implique qu’aucune observation r\u00e9siduelle ne doit \u00eatre corr\u00e9l\u00e9e avec une autre au sein de la matrice de donn\u00e9es. Cette hypoth\u00e8se est fr\u00e9quemment viol\u00e9e dans les contextes de recherche psychologique impliquant des collectes de donn\u00e9es longitudinales, des mesures r\u00e9p\u00e9t\u00e9es dans le temps ou des structures de donn\u00e9es hi\u00e9rarchis\u00e9es (\u00e9l\u00e8ves nich\u00e9s au sein de classes scolaires, patients regroup\u00e9s par th\u00e9rapeutes). L’autocorr\u00e9lation des r\u00e9sidus entra\u00eene une sous-estimation syst\u00e9matique des erreurs-types, conduisant le chercheur \u00e0 rejeter ind\u00fbment l’hypoth\u00e8se nulle et commettant ainsi une erreur de type I.<\/p>\n

Pour diagnostiquer l’ind\u00e9pendance des r\u00e9sidus dans les donn\u00e9es organis\u00e9es de mani\u00e8re s\u00e9quentielle, l’utilisation du test d’autocorr\u00e9lation de Durbin-Watson<\/a> s’av\u00e8re indispensable dans SPSS. Cette statistique varie sur un continuum th\u00e9orique de 0 \u00e0 4. Une valeur proche de 2,0 indique une absence absolue d’autocorr\u00e9lation de premier ordre. Une valeur descendant substantiellement sous 1,5 traduit une autocorr\u00e9lation s\u00e9rielle positive inqui\u00e9tante, tandis qu’une valeur exc\u00e9dant 2,5 signale une autocorr\u00e9lation n\u00e9gative, n\u00e9cessitant le basculement vers des mod\u00e8les de r\u00e9gression multiniveaux ou des s\u00e9ries temporelles.<\/p>\n

2.2 Normalit\u00e9 et homosc\u00e9dasticit\u00e9 des termes d’erreur<\/h3>\n

L’estimation ponctuelle des coefficients de r\u00e9gression par la m\u00e9thode des moindres carr\u00e9s ne n\u00e9cessite pas intrins\u00e8quement la normalit\u00e9 pour \u00eatre sans biais. Cependant, l’inf\u00e9rence statistique (c’est-\u00e0-dire le calcul des valeurs p<\/em>, les tests t<\/em> de Student et la d\u00e9rivation des intervalles de confiance \u00e0 95 %) pr\u00e9suppose formellement que les termes d’erreur ε suivent une distribution normale multivari\u00e9e de moyenne nulle : ε ~ N<\/em>(0, σ2<\/sup>). Il est essentiel de souligner que ce postulat s’applique sp\u00e9cifiquement \u00e0 la distribution des r\u00e9sidus d’estimation et non aux variables ind\u00e9pendantes brutes elles-m\u00eames, lesquelles peuvent \u00eatre asym\u00e9triques ou dichotomiques sans vicier le mod\u00e8le.<\/p>\n

Conjointement, le postulat d’homosc\u00e9dasticit\u00e9 (ou d’homog\u00e9n\u00e9it\u00e9 des variances r\u00e9siduelles) exige que la variance des termes d’erreur demeure constante σ2<\/sup> quel que soit le niveau pr\u00e9dit de la variable r\u00e9ponse ou les valeurs des pr\u00e9dicteurs. Autrement dit, la dispersion des observations autour de la droite de r\u00e9gression ne doit ni s’\u00e9vaser ni se resserrer \u00e0 mesure que les scores pr\u00e9dits \u00e9voluent. Lorsque la variance des r\u00e9sidus n’est pas constante, le ph\u00e9nom\u00e8ne est qualifi\u00e9 d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/a>.<\/p>\n

Les r\u00e9percussions de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 en recherche psychologique sont pernicieuses : bien que les coefficients de r\u00e9gression B<\/em> demeurent non biais\u00e9s au sens esp\u00e9rance math\u00e9matique, ils perdent leur propri\u00e9t\u00e9 d’efficacit\u00e9 maximale (ils ne sont plus BLUE : Best Linear Unbiased Estimators<\/em>). Surtout, les erreurs-types estim\u00e9es sont syst\u00e9matiquement biais\u00e9es. Si l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 prend la forme classique d’une variance croissante avec les valeurs pr\u00e9dites, les erreurs-types calcul\u00e9es par SPSS sont sous-\u00e9valu\u00e9es, g\u00e9n\u00e9rant des intervalles de confiance artificiellement \u00e9troits et des taux de faux positifs inacceptables.<\/p>\n

2.3 Absence de multicollin\u00e9arit\u00e9 parfaite et puissance statistique<\/h3>\n

Dans un devis de r\u00e9gression multiple, les variables pr\u00e9dictives sont presque invariablement corr\u00e9l\u00e9es entre elles dans une certaine mesure. Cependant, l’absence de multicollin\u00e9arit\u00e9 parfaite — et la limitation de la multicollin\u00e9arit\u00e9 excessive — constitue un imp\u00e9ratif d’estimation math\u00e9matique. La multicollin\u00e9arit\u00e9 survient lorsque deux ou plusieurs pr\u00e9dicteurs partagent un niveau d’intercorr\u00e9lation tr\u00e8s \u00e9lev\u00e9, traduisant une redondance conceptuelle aigu\u00eb dans la matrice de donn\u00e9es. Sur le plan matriciel, une collin\u00e9arit\u00e9 excessive rend la matrice (X’X)<\/strong> quasi-singuli\u00e8re, provoquant son instabilit\u00e9 num\u00e9rique lors de l’inversion alg\u00e9brique.<\/p>\n

Sur le plan pratique, une forte multicollin\u00e9arit\u00e9 gonfle d\u00e9mesur\u00e9ment les erreurs-types des coefficients de r\u00e9gression partielle. En cons\u00e9quence, les statistiques t<\/em> s’effondrent, rendant des pr\u00e9dicteurs conceptuellement capitaux non significatifs au sein de l’\u00e9quation, alors m\u00eame que le mod\u00e8le omnibus affiche un R<\/em>2<\/sup> exceptionnellement \u00e9lev\u00e9 et significatif. Les estimations des pentes deviennent erratiques, hyper-sensibles \u00e0 l’ajout ou au retrait d’un seul sujet, et peuvent basculer arbitrairement de signe, contredisant le sens clinique \u00e9l\u00e9mentaire.<\/p>\n

Par ailleurs, la validit\u00e9 des conclusions d\u00e9pend directement de la puissance statistique mobilis\u00e9e, laquelle est intrins\u00e8quement tributaire de la taille de l’\u00e9chantillon N<\/em> au regard du nombre k<\/em> de pr\u00e9dicteurs. Pour pr\u00e9venir le surapprentissage (overfitting<\/em>) — situation o\u00f9 le mod\u00e8le capture le bruit al\u00e9atoire plut\u00f4t que la structure r\u00e9elle de la population —, plusieurs heuristiques pr\u00e9valent. Selon les travaux fondateurs de Green (1991), si l’objectif prioritaire est de tester le mod\u00e8le global (R<\/em>2<\/sup>), la taille minimale requiert N<\/em> ≥ 50 + 8k<\/em>. En revanche, si la recherche vise l’\u00e9valuation statistique fine des pr\u00e9dicteurs individuels (β), la recommandation s’\u00e9l\u00e8ve \u00e0 N<\/em> ≥ 104 + k<\/em>. L’application des analyses de puissance a priori selon Cohen (1988)<\/a>, notamment via l’outil G*Power, reste la r\u00e9f\u00e9rence absolue pour garantir une puissance d’au moins 0,80 avec une taille d’effet moyenne (f<\/em>2<\/sup> = 0,15) au seuil alpha de 0,05.<\/p>\n

3. Pr\u00e9paration et structuration des donn\u00e9es dans SPSS<\/h2>\n

3.1 Configuration des variables dans la vue des variables (Variable View)<\/h3>\n

Avant d’initier toute proc\u00e9dure calculatoire au sein d’IBM SPSS Statistics, une phase m\u00e9ticuleuse d’organisation architecturale du fichier de donn\u00e9es s’impose. Dans l’onglet Vue des variables<\/strong> (Variable View<\/em>), chaque ligne correspond \u00e0 une entit\u00e9 m\u00e9trique distincte et doit faire l’objet d’un param\u00e9trage rigoureux. La colonne Nom<\/em> (Name) doit accueillir des identifiants concis et d\u00e9nu\u00e9s d’espaces ou de caract\u00e8res sp\u00e9ciaux (par exemple, Anx_Perf<\/em>, Mem_Trav<\/em>, Score_Exam<\/em>), tandis que la colonne Libell\u00e9<\/em> (Label) doit recevoir une description textuelle d\u00e9taill\u00e9e du construit psychom\u00e9trique \u00e9valu\u00e9, incluant id\u00e9alement le nom de l’inventaire psychologique et l’ann\u00e9e de passation.<\/p>\n

L’attribution de la colonne Mesure<\/em> (Measure) constitue une \u00e9tape d\u00e9terminante pour le comportement des bo\u00eetes de dialogue de SPSS. Bien que le moteur sous-jacent de r\u00e9gression lin\u00e9aire calcule les param\u00e8tres ind\u00e9pendamment de cette indication, un \u00e9tiquetage inad\u00e9quat g\u00e9n\u00e8re des erreurs lors des automatisations graphiques. La variable d\u00e9pendante ainsi que les pr\u00e9dicteurs continus doivent \u00eatre d\u00e9clar\u00e9s en tant qu’\u00c9chelle<\/strong> (Scale). Les variables qualitatives destin\u00e9es au recodage doivent \u00eatre \u00e9tiquet\u00e9es comme Nominales<\/strong> ou Ordinales<\/strong> en fonction de la structure intrins\u00e8que de leurs niveaux de mesure.<\/p>\n

Enfin, la configuration de la colonne Valeurs manquantes<\/em> (Missing) doit imp\u00e9rativement \u00eatre effectu\u00e9e pour d\u00e9finir les codes num\u00e9riques arbitraires employ\u00e9s par le chercheur pour signifier l’absence de r\u00e9ponse (comme les codes conventionnels -99 ou 999). Si ces valeurs ne sont pas explicitement d\u00e9sign\u00e9es comme des valeurs manquantes discr\u00e8tes, SPSS les traitera comme des valeurs r\u00e9elles d’\u00e9chelle, faussant irr\u00e9m\u00e9diablement l’ensemble des moyennes, variances et estimations de r\u00e9gression.<\/p>\n

3.2 D\u00e9tection et traitement des donn\u00e9es manquantes<\/h3>\n

La pr\u00e9sence d’observations incompl\u00e8tes est une r\u00e9alit\u00e9 presque in\u00e9vitable dans les protocoles de recherche en sciences humaines. Face \u00e0 ce probl\u00e8me, une analyse diagnostique visuelle et descriptive doit \u00eatre men\u00e9e pour qualifier le m\u00e9canisme d’absence : donn\u00e9es manquant compl\u00e8tement au hasard (MCAR : Missing Completely at Random<\/em>), donn\u00e9es manquant au hasard (MAR : Missing at Random<\/em>) ou donn\u00e9es manquant de mani\u00e8re non al\u00e9atoire (MNAR : Missing Not at Random<\/em>). Un pattern MNAR, par exemple lorsque les participants manifestant la d\u00e9pression la plus s\u00e9v\u00e8re refusent syst\u00e9matiquement de r\u00e9pondre aux items financiers, introduit un biais de s\u00e9lection destructeur.<\/p>\n

Dans la bo\u00eete de dialogue de r\u00e9gression d’SPSS, le menu des options propose deux modes conventionnels de traitement automatique des cas incomplets : la suppression par observation (listwise<\/em>) et la suppression par paire (pairwise<\/em>). L’option par d\u00e9faut, l’exclusion observation par observation (listwise<\/em>), \u00e9carte syst\u00e9matiquement de l’int\u00e9gralit\u00e9 du calcul tout participant pr\u00e9sentant au moins une donn\u00e9e manquante sur l’un quelconque des pr\u00e9dicteurs ou sur le crit\u00e8re. Bien que cette m\u00e9thode garantisse que tous les coefficients soient estim\u00e9s sur une matrice d’\u00e9chantillon rigoureusement identique, elle entra\u00eene une attrition drastique de la taille d’\u00e9chantillon N<\/em> effectif, \u00e9croulant ainsi la puissance statistique du mod\u00e8le.<\/p>\n

\u00c0 l’inverse, l’exclusion par paire (pairwise<\/em>) calcule chaque coefficient de corr\u00e9lation bivari\u00e9 en utilisant tous les participants poss\u00e9dant des donn\u00e9es valides pour le couple de variables consid\u00e9r\u00e9. Cette approche, bien que s\u00e9duisante car pr\u00e9servant la taille globale de l’\u00e9chantillon, g\u00e9n\u00e8re des matrices de corr\u00e9lation qui peuvent \u00eatre math\u00e9matiquement non d\u00e9finies positives, conduisant \u00e0 des aberrations telles que des valeurs R<\/em>2<\/sup> sup\u00e9rieures \u00e0 1,0 ou des erreurs-types hautement instables. En m\u00e9thodologie contemporaine, l’utilisation de l’exclusion par paire est fortement r\u00e9prouv\u00e9e ; si le taux de donn\u00e9es manquantes d\u00e9passe 5 % et respecte l’hypoth\u00e8se MAR, le recours \u00e0 l’imputation multiple (disponible dans le module d\u00e9di\u00e9 de SPSS) constitue la proc\u00e9dure pr\u00e9conis\u00e9e par l’APA.<\/p>\n

3.3 Recodage des variables cat\u00e9gorielles en variables indicatrices (Dummy)<\/h3>\n

L’introduction d’un pr\u00e9dicteur cat\u00e9goriel non binaire (pr\u00e9sentant k<\/em> ≥ 3 modalit\u00e9s, tel qu’un groupe de traitement comparant ‘Psychoth\u00e9rapie TCC’, ‘Pharmacoth\u00e9rapie’ et ‘Groupe T\u00e9moin Liste d’Attente’) dans un mod\u00e8le de r\u00e9gression multiple n\u00e9cessite une restructuration par variables indicatrices. La proc\u00e9dure implique la cr\u00e9ation de k<\/em> − 1 nouvelles variables dichotomiques binaires (0, 1). La modalit\u00e9 pour laquelle aucune variable indicatrice n’est cr\u00e9\u00e9e fait office de modalit\u00e9 de r\u00e9f\u00e9rence clinique ou th\u00e9orique.<\/p>\n

Pour ex\u00e9cuter cette op\u00e9ration dans SPSS, le chercheur emprunte le menu : Transformer > Recoder dans des variables diff\u00e9rentes<\/strong> (Transform > Recode into Different Variables<\/em>). Dans la fen\u00eatre de dialogue, la variable nominale source (par exemple, GroupeClinique<\/em> cod\u00e9e 1, 2, 3) est s\u00e9lectionn\u00e9e. Pour mod\u00e9liser la modalit\u00e9 1 (‘Groupe T\u00e9moin’) comme cat\u00e9gorie de r\u00e9f\u00e9rence, deux nouvelles variables doivent \u00eatre construites : Dummy_TCC<\/em> et Dummy_Pharma<\/em>. La syntaxe logique attribue la valeur 1 \u00e0 Dummy_TCC<\/em> si GroupeClinique<\/em> \u00e9gale 2, et la valeur 0 pour toutes les autres conditions. Similairement, Dummy_Pharma<\/em> prend la valeur 1 si GroupeClinique<\/em> \u00e9gale 3, et 0 sinon.<\/p>\n

Le choix de la cat\u00e9gorie de r\u00e9f\u00e9rence n’affecte en aucune mani\u00e8re la valeur globale du R<\/em>2<\/sup> ou la statistique omnibus F<\/em> de l’analyse, mais il modifie profond\u00e9ment le sens s\u00e9miotique et la valeur des coefficients non standardis\u00e9s B<\/em>. Dans cet exemple, le coefficient B<\/em> associ\u00e9 \u00e0 Dummy_TCC<\/em> refl\u00e9tera la diff\u00e9rence brute exacte de moyenne sur l’\u00e9chelle de bien-\u00eatre psychologique entre le groupe TCC et le groupe t\u00e9moin, ajust\u00e9e pour l’ensemble des autres variables concomitantes int\u00e9gr\u00e9es dans l’\u00e9quation.<\/p>\n

4. Proc\u00e9dure d’ex\u00e9cution de la r\u00e9gression lin\u00e9aire multiple dans SPSS<\/h2>\n

4.1 Acc\u00e8s aux bo\u00eetes de dialogue et assignation des variables<\/h3>\n

Une fois les variables nettoy\u00e9es et correctement configur\u00e9es, la proc\u00e9dure de mod\u00e9lisation d\u00e9bute via l’interface analytique principale de SPSS. Le chercheur clique sur la barre de menus sup\u00e9rieure selon le cheminement standardis\u00e9 suivant : Analyser > R\u00e9gression > Lin\u00e9aire…<\/strong> (Analyze > Regression > Linear…<\/em>). Cette commande ouvre la bo\u00eete de dialogue centrale d\u00e9di\u00e9e au param\u00e9trage des mod\u00e8les par moindres carr\u00e9s.<\/p>\n

\"Multiple
Multiple linear regression in SPSS<\/figcaption><\/figure>\n

La bo\u00eete de dialogue pr\u00e9sente une architecture scind\u00e9e. La partie gauche contient la liste int\u00e9grale des variables d\u00e9finies dans le jeu de donn\u00e9es actif. Au centre droit se trouvent les zones de d\u00e9p\u00f4t matricielles. La variable r\u00e9ponse continue doit \u00eatre s\u00e9lectionn\u00e9e et ins\u00e9r\u00e9e dans le champ d\u00e9sign\u00e9 Variable d\u00e9pendante<\/strong> (Dependent<\/em>). Il est imp\u00e9ratif de veiller \u00e0 ne placer qu’une seule et unique variable m\u00e9trique dans cette bo\u00eete.<\/p>\n

Ensuite, l’ensemble des variables explicatives — qu’il s’agisse de variables quantitatives continues pr\u00e9alablement centr\u00e9es ou de variables indicatrices d\u00e9riv\u00e9es — doit \u00eatre transf\u00e9r\u00e9 dans le vaste champ intitul\u00e9 Variables ind\u00e9pendantes<\/strong> (Independent(s)<\/em>). Cette zone constitue le premier bloc d’entr\u00e9e math\u00e9matique de l’analyse.<\/p>\n

4.2 S\u00e9lection des m\u00e9thodes d’estimation dans SPSS<\/h3>\n

SPSS offre un menu d\u00e9roulant critique intitul\u00e9 M\u00e9thode<\/strong> (Method<\/em>), situ\u00e9 imm\u00e9diatement sous le r\u00e9ceptacle des pr\u00e9dicteurs. Ce menu contr\u00f4le l’algorithme sous-jacent d’introduction des variables dans l’\u00e9quation. La m\u00e9thode param\u00e9tr\u00e9e par d\u00e9faut est la m\u00e9thode Entr\u00e9e<\/strong> (Enter<\/em>), parfois qualifi\u00e9e de r\u00e9gression simultan\u00e9e ou forc\u00e9e. Selon cette m\u00e9thode, l’ensemble des pr\u00e9dicteurs assign\u00e9s au bloc courant est introduit simultan\u00e9ment et obligatoirement dans l’\u00e9quation de r\u00e9gression, ind\u00e9pendamment de la taille de leur corr\u00e9lation partielle individuelle.<\/p>\n

Les autres options disponibles rel\u00e8vent des m\u00e9thodes de s\u00e9lection statistique s\u00e9quentielle automatis\u00e9e : Pas \u00e0 pas<\/strong> (Stepwise<\/em>), \u00c9limination ascendante<\/strong> (Forward<\/em>) et \u00c9limination descendante<\/strong> (Backward<\/em>). Dans le mode Stepwise<\/em>, le logiciel injecte s\u00e9quentiellement les pr\u00e9dicteurs pr\u00e9sentant la plus forte contribution statistique sur la base de crit\u00e8res empiriques d’entr\u00e9e (par d\u00e9faut F<\/em>-to-enter avec p<\/em> < 0,05) et r\u00e9\u00e9value \u00e0 chaque it\u00e9ration l’opportunit\u00e9 de retirer les variables devenues redondantes (F<\/em>-to-remove avec p<\/em> > 0,10).<\/p>\n

D’un point de vue \u00e9pist\u00e9mologique et m\u00e9thodologique, l’usage des algorithmes automatis\u00e9s pas \u00e0 pas fait l’objet de condamnations quasi-unanimes dans la litt\u00e9rature m\u00e9thodologique contemporaine (Wilkinson & The Task Force on Statistical Inference, 1999<\/a>). Ces proc\u00e9dures algorithmiques purement ax\u00e9es sur les donn\u00e9es (data-driven<\/em>) capitalisent outrageusement sur les fluctuations d’\u00e9chantillonnage, biaisent massivement les valeurs p<\/em> vers le bas, surestiment artificiellement la taille d’effet R<\/em>2<\/sup> et interdisent toute validation d’hypoth\u00e8ses th\u00e9oriques pr\u00e9\u00e9tablies. En psychologie acad\u00e9mique, seule la m\u00e9thode standard \u00ab Entr\u00e9e \u00bb — coupl\u00e9e si n\u00e9cessaire \u00e0 une approche th\u00e9orique par blocs hi\u00e9rarchiques — est scientifiquement recevable.<\/p>\n

4.3 Configuration de la r\u00e9gression hi\u00e9rarchique par blocs<\/h3>\n

La r\u00e9gression lin\u00e9aire hi\u00e9rarchique (qui ne doit pas \u00eatre confondue avec les mod\u00e8les multiniveaux ou hi\u00e9rarchiques lin\u00e9aires HLM) est la strat\u00e9gie d’analyse de choix pour tester des hypoth\u00e8ses de validit\u00e9 incr\u00e9mentielle. Elle permet d’\u00e9valuer si l’introduction d’un nouveau groupe de construits psychologiques apporte une augmentation statistiquement significative de la variance expliqu\u00e9e (mesur\u00e9e par la variation de R<\/em>2<\/sup>) au-del\u00e0 des variables introduites pr\u00e9alablement.<\/p>\n

\"Example
Example of multiple linear regression in SPSS<\/figcaption><\/figure>\n

Dans SPSS, cette configuration s’effectue au moyen du bouton Suivant<\/strong> (Next<\/em>), positionn\u00e9 directement au-dessus de la liste des pr\u00e9dicteurs. Dans le premier bloc (Bloc 1 sur 1<\/em>), le chercheur int\u00e8gre les variables de contr\u00f4le dont l’effet parasite doit \u00eatre expurg\u00e9 : donn\u00e9es sociod\u00e9mographiques (\u00e2ge, sexe biologique, niveau de scolarit\u00e9) ou traits de base. La m\u00e9thode d’estimation doit \u00eatre configur\u00e9e sur Entr\u00e9e<\/em>.<\/p>\n

Apr\u00e8s avoir cliqu\u00e9 sur Suivant<\/em>, l’interface affiche Bloc 2 sur 2<\/em>. Le r\u00e9ceptacle des variables ind\u00e9pendantes appara\u00eet alors vierge. Le chercheur y transf\u00e8re les variables focales au c\u0153ur de ses hypoth\u00e8ses th\u00e9oriques (par exemple, les strat\u00e9gies de r\u00e9gulation \u00e9motionnelle ou les styles cognitifs). Lors de l’ex\u00e9cution, SPSS calculera un premier mod\u00e8le restreint bas\u00e9 uniquement sur le Bloc 1, puis un second mod\u00e8le complet int\u00e9grant la combinaison du Bloc 1 et du Bloc 2, quantifiant avec pr\u00e9cision l’apport pr\u00e9dictif net de ce second contingent.<\/p>\n

5. Param\u00e9trage des options statistiques avanc\u00e9es et diagnostics<\/h2>\n

5.1 Activation des estimateurs et indices d’ajustement globaux<\/h3>\n

Pour d\u00e9passer la sortie sommaire de base g\u00e9n\u00e9r\u00e9e par SPSS, il est indispensable de param\u00e9trer les modules diagnostiques avanc\u00e9s en cliquant sur le bouton lat\u00e9ral Statistiques…<\/strong> (Statistics…<\/em>) de la bo\u00eete de dialogue principale. Une interface secondaire appara\u00eet, offrant une s\u00e9rie de cases \u00e0 cocher d\u00e9terminantes pour la qualit\u00e9 de l’inf\u00e9rence.<\/p>\n

La case Estimations<\/strong> (Estimates<\/em>) est coch\u00e9e par d\u00e9faut et doit imp\u00e9rativement \u00eatre maintenue afin d’obtenir la table des coefficients B<\/em>. Il convient d’y adjoindre imm\u00e9diatement la s\u00e9lection de la case Intervalles de confiance<\/strong> (Confidence intervals<\/em>), configur\u00e9e \u00e0 un seuil standard de 95 %. Cela permet de juger de la pr\u00e9cision des estimations des param\u00e8tres dans les unit\u00e9s m\u00e9triques des variables d’origine et d’appliquer les recommandations \u00e9ditoriales modernes qui pr\u00e9conisent de ne plus se focaliser exclusivement sur le seuil arbitraire p<\/em> < 0,05.<\/p>\n

Dans la colonne de droite, il est indispensable de cocher Qualit\u00e9 de l’ajustement<\/strong> (Model fit<\/em>) pour obtenir l’\u00e9valuation globale du R<\/em>2<\/sup> et la table ANOVA associ\u00e9e. Si une analyse hi\u00e9rarchique par blocs a \u00e9t\u00e9 ordonnanc\u00e9e, la s\u00e9lection de l’option Variation de R-deux<\/strong> (R squared change<\/em>) devient imp\u00e9rative. Enfin, pour valider l’ind\u00e9pendance s\u00e9rielle des observations r\u00e9siduelles, il convient d’activer l’option Durbin-Watson<\/strong> dans la section r\u00e9sidus, et de cocher Statistiques descriptives<\/strong> (Descriptives<\/em>) pour produire la matrice compl\u00e8te des moyennes, \u00e9carts-types et coefficients de corr\u00e9lation bivari\u00e9s de Pearson de Pearson (niveau z\u00e9ro).<\/p>\n

5.2 Int\u00e9gration des diagnostics de collin\u00e9arit\u00e9<\/h3>\n

Toujours au sein de la sous-bo\u00eete de dialogue Statistiques<\/em>, l’activation de la case Diagnostic de collin\u00e9arit\u00e9<\/strong> (Collinearity diagnostics<\/em>) repr\u00e9sente une obligation m\u00e9thodologique absolue d\u00e8s lors que le mod\u00e8le comporte plus d’une variable explicative. Cette option d\u00e9clenche le calcul automatis\u00e9 d’un ensemble sophistiqu\u00e9 d’indicateurs de redondance matricielle.<\/p>\n

Cette commande g\u00e9n\u00e8re deux colonnes analytiques directes au sein de la table principale des coefficients : l’indice de Tol\u00e9rance<\/strong> (Tolerance<\/em>) et le Facteur d’inflation de la variance<\/strong> (VIF : Variance Inflation Factor<\/em>). Ces m\u00e9triques fournissent une \u00e9valuation individualis\u00e9e de l’amputation de variance subie par chaque pr\u00e9dicteur du fait de son chevauchement avec l’ensemble des autres variables ind\u00e9pendantes de l’\u00e9quation.<\/p>\n

Parall\u00e8lement, cette option g\u00e9n\u00e8re un tableau d\u00e9di\u00e9 distinct intitul\u00e9 Diagnostics de collin\u00e9arit\u00e9<\/em>. Ce dernier pr\u00e9sente une d\u00e9composition spectrale des valeurs propres (eigenvalues<\/em>) de la matrice de corr\u00e9lation normalis\u00e9e ainsi que les indices de conditionnement<\/strong> (condition indices<\/em>) correspondants. Pour chaque valeur propre, le tableau d\u00e9taille la proportion de variance de chaque param\u00e8tre de r\u00e9gression β associ\u00e9e \u00e0 la racine latente, permettant ainsi d’isoler avec une pr\u00e9cision chirurgicale les sous-espaces de pr\u00e9dicteurs impliqu\u00e9s dans des relations d’interd\u00e9pendance lin\u00e9aire destructrices.<\/p>\n

5.3 S\u00e9lection des m\u00e9triques de corr\u00e9lation partielle et semi-partielle<\/h3>\n

La quantification fine de l’impact individuel net d’un pr\u00e9dicteur n\u00e9cessite la d\u00e9composition math\u00e9matique de son association avec la variable d\u00e9pendante. Pour ce faire, le chercheur doit cocher la case Corr\u00e9lations partielles et de niveau z\u00e9ro<\/strong> (Part and partial correlations<\/em>) dans la bo\u00eete des options statistiques.<\/p>\n

Les corr\u00e9lations de niveau z\u00e9ro<\/strong> (zero-order<\/em>) correspondent aux corr\u00e9lations bivari\u00e9es de Pearson brutes entre chaque pr\u00e9dicteur et la variable crit\u00e8re, totalement aveugles \u00e0 l’existence des autres pr\u00e9dicteurs. Les corr\u00e9lations partielles<\/strong> \u00e9valuent la force de l’association entre le pr\u00e9dicteur X<\/em>j<\/em><\/sub> et le crit\u00e8re Y<\/em>, apr\u00e8s que la variance commune avec l’ensemble des autres pr\u00e9dicteurs a \u00e9t\u00e9 retir\u00e9e \u00e0 la fois de X<\/em>j<\/em><\/sub> et de Y<\/em>.<\/p>\n

Plus cruciale encore est la corr\u00e9lation semi-partielle<\/strong> (\u00e9tiquet\u00e9e Part<\/em> dans les sorties de SPSS). Cette m\u00e9trique isole la variance de X<\/em>j<\/em><\/sub> ind\u00e9pendante des autres pr\u00e9dicteurs, mais l’associe \u00e0 la variance non r\u00e9siduelle totale de Y<\/em>. L’\u00e9l\u00e9vation au carr\u00e9 de cette corr\u00e9lation semi-partielle (sr<\/em>2<\/sup>) indique la proportion exacte de variance unique que ce pr\u00e9dicteur particulier apporte \u00e0 l’explication globale du crit\u00e8re. Si un chercheur additionne le sr<\/em>2<\/sup> de chaque pr\u00e9dicteur, la diff\u00e9rence entre cette somme et le R<\/em>2<\/sup> global du mod\u00e8le mat\u00e9rialise la part de variance partag\u00e9e ou redondante entre les pr\u00e9dicteurs.<\/p>\n

6. G\u00e9n\u00e9ration et configuration des graphiques de r\u00e9sidus<\/h2>\n

6.1 Trac\u00e9 de dispersion des r\u00e9sidus standardis\u00e9s (ZRESID contre ZPRED)<\/h3>\n

L’\u00e9valuation des postulats d’homosc\u00e9dasticit\u00e9 et de lin\u00e9arit\u00e9 ne peut reposer exclusivement sur des indices num\u00e9riques synth\u00e9tiques ; elle requiert imp\u00e9rativement un examen visuel approfondi de l’espace r\u00e9siduel. Pour g\u00e9n\u00e9rer ces diagnostics, il convient de cliquer sur le bouton lat\u00e9ral Graphiques…<\/strong> (Plots…<\/em>) dans la fen\u00eatre de r\u00e9gression de SPSS.<\/p>\n

\"\"<\/figure>\n

Dans la bo\u00eete de dialogue d\u00e9di\u00e9e aux graphiques, une s\u00e9rie de variables r\u00e9siduelles et pr\u00e9visibles internes est accessible. Pour concevoir le trac\u00e9 fondamental de validation du mod\u00e8le, le chercheur doit attribuer la variable *ZRESID<\/strong> (r\u00e9sidus standardis\u00e9s) \u00e0 l’axe des Y<\/strong>, et la variable *ZPRED<\/strong> (valeurs pr\u00e9dites standardis\u00e9es) \u00e0 l’axe des X<\/strong>. L’ordre de cette assignation est rigoureusement invariable.<\/p>\n

L’interpr\u00e9tation de ce diagramme de dispersion ob\u00e9it \u00e0 des r\u00e8gles s\u00e9miologiques pr\u00e9cises. Si les postulats de lin\u00e9arit\u00e9 et d’homosc\u00e9dasticit\u00e9 sont respect\u00e9s, les points doivent se distribuer de fa\u00e7on al\u00e9atoire et homog\u00e8ne au sein d’un nuage rectangulaire r\u00e9gulier, centr\u00e9 horizontalement autour de la ligne z\u00e9ro des r\u00e9sidus, sans sch\u00e9ma ou r\u00e9gularit\u00e9 d\u00e9celable. L’observation d’une morphologie en entonnoir (ou m\u00e9gaphone), caract\u00e9ris\u00e9e par un \u00e9talement vertical progressif des r\u00e9sidus \u00e0 mesure que l’on progresse le long de l’axe horizontal, constitue la signature visuelle incontestable d’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9. \u00c0 l’inverse, l’apparition d’une courbure syst\u00e9matique en forme de parabole ou de sinuso\u00efde signale l’omission d’une fonction polynomiale ou non lin\u00e9aire reliant l’un des pr\u00e9dicteurs au crit\u00e8re.<\/p>\n

6.2 Graphiques de contr\u00f4le de la normalit\u00e9 des r\u00e9sidus<\/h3>\n

La confirmation de la distribution gaussienne des erreurs repose sur les deux options graphiques pr\u00e9sentes dans la section inf\u00e9rieure droite de la bo\u00eete de dialogue Graphiques<\/em>. Le chercheur doit imp\u00e9rativement activer la case Histogramme<\/strong> (Histogram<\/em>) ainsi que la case Graphique probabiliste normalis\u00e9<\/strong> (Normal probability plot<\/em>, couramment d\u00e9sign\u00e9 sous le terme de diagramme P-P).<\/p>\n

L’histogramme g\u00e9n\u00e9r\u00e9 par SPSS projette la distribution de fr\u00e9quence observ\u00e9e des r\u00e9sidus standardis\u00e9s, sur laquelle le logiciel superpose la courbe th\u00e9orique normale id\u00e9ale correspondant \u00e0 la m\u00eame moyenne et au m\u00eame \u00e9cart-type. Cet affichage permet d’identifier au premier coup d’\u0153il d’\u00e9ventuelles asym\u00e9tries prononc\u00e9es (skewness<\/em>) ou des aplatissements pathologiques (kurtosis<\/em>), tels qu’une distribution leptokurtique caract\u00e9ris\u00e9e par une concentration excessive de cas autour de z\u00e9ro et des queues \u00e9paisses.<\/p>\n

Le diagramme probabiliste normalis\u00e9 (P-P plot) offre une sensibilit\u00e9 de diagnostic bien sup\u00e9rieure. Il reporte la probabilit\u00e9 cumul\u00e9e observ\u00e9e d’un r\u00e9sidu standardis\u00e9 donn\u00e9 en fonction de sa probabilit\u00e9 th\u00e9orique attendue sous hypoth\u00e8se de normalit\u00e9 stricte. La ligne diagonale \u00e0 45 degr\u00e9s repr\u00e9sente la normalit\u00e9 parfaite. Si les erreurs sont normalement distribu\u00e9es, les marqueurs de donn\u00e9es s’agr\u00e8gent \u00e9troitement le long de cette trajectoire rectiligne. Toute d\u00e9viation syst\u00e9matique — comme une d\u00e9viation en forme de \u00ab S \u00bb au centre ou un d\u00e9crochage marqu\u00e9 aux deux extr\u00e9mit\u00e9s de la droite — met en \u00e9vidence une entorse au postulat de normalit\u00e9, requ\u00e9rant des r\u00e9\u00e9valuations d’estimation.<\/p>\n

6.3 Graphiques de r\u00e9gression partielle pour pr\u00e9dicteurs individuels<\/h3>\n

Dans la m\u00eame fen\u00eatre de configuration graphique, il est vivement recommand\u00e9 d’activer l’option intitul\u00e9e Produire tous les graphiques partiels<\/strong> (Produce all partial plots<\/em>). Cette commande demande \u00e0 SPSS de construire un diagramme de dispersion sp\u00e9cifique pour chaque pr\u00e9dicteur individuel int\u00e9gr\u00e9 dans le mod\u00e8le.<\/p>\n

Un graphique de r\u00e9gression partielle ne repr\u00e9sente pas la simple corr\u00e9lation bivari\u00e9e brute entre le pr\u00e9dicteur X<\/em>j<\/em><\/sub> et la variable d\u00e9pendante Y<\/em>. Il projette les r\u00e9sidus de la r\u00e9gression de Y<\/em> sur tous les pr\u00e9dicteurs \u00e0 l’exception de X<\/em>j<\/em><\/sub> sur l’axe vertical, contre les r\u00e9sidus de la r\u00e9gression de X<\/em>j<\/em><\/sub> sur tous les autres pr\u00e9dicteurs sur l’axe horizontal. Par cons\u00e9quent, la pente de la droite des moindres carr\u00e9s traversant ce nuage de points correspond rigoureusement au coefficient de r\u00e9gression partielle non standardis\u00e9 B<\/em>j<\/em><\/sub> calcul\u00e9 par le mod\u00e8le global.<\/p>\n

Ces graphiques jouent un r\u00f4le irrempla\u00e7able dans le diagnostic fin des relations univari\u00e9es. Ils permettent de rep\u00e9rer instantan\u00e9ment si l’effet d’un pr\u00e9dicteur particulier est fauss\u00e9 par une relation non lin\u00e9aire locale dissimul\u00e9e dans l’analyse globale. De surcro\u00eet, ils mettent en lumi\u00e8re les observations isol\u00e9es situ\u00e9es aux confins des valeurs r\u00e9siduelles d’un axe particulier, lesquelles peuvent exercer un effet de levier consid\u00e9rable capable d’incliner arbitrairement la pente partielle \u00e0 elles seules.<\/p>\n

7. Enregistrement et analyse des m\u00e9triques diagnostiques individuelles<\/h2>\n

7.1 Sauvegarde des indices d’influence et de distance<\/h3>\n

Au-del\u00e0 de la conformit\u00e9 distributionnelle globale du mod\u00e8le, la d\u00e9tection des observations atypiques susceptibles de distordre unilat\u00e9ralement les param\u00e8tres estim\u00e9s constitue une \u00e9tape fondamentale. Pour mat\u00e9rialiser ces indicateurs num\u00e9riques au niveau de chaque sujet, il convient d’ouvrir la sous-bo\u00eete de dialogue en cliquant sur le bouton Enregistrer…<\/strong> (Save…<\/em>) de la fen\u00eatre principale de r\u00e9gression.<\/p>\n

Dans cette interface d’enregistrement, trois m\u00e9triques majeures d’\u00e9valuation de la distance et de l’influence multivari\u00e9e doivent \u00eatre s\u00e9lectionn\u00e9es. Premi\u00e8rement, la Distance de Cook<\/strong> (Cook’s distance<\/em>) doit \u00eatre coch\u00e9e dans le sous-groupe Distances<\/em>. Cette statistique mesure le d\u00e9placement agr\u00e9g\u00e9 de l’ensemble des estimations vectorielles du mod\u00e8le lorsque l’observation concern\u00e9e est d\u00e9lib\u00e9r\u00e9ment retir\u00e9e du calcul. Deuxi\u00e8mement, la Distance de Mahalanobis<\/strong> (Mahalanobis distance<\/em>) doit \u00eatre activ\u00e9e ; elle quantifie l’\u00e9loignement d’une observation par rapport au centro\u00efde multivari\u00e9 form\u00e9 par l’ensemble des pr\u00e9dicteurs, tenant compte de leur structure de covariance mutuelle.<\/p>\n

Troisi\u00e8mement, il est pr\u00e9conis\u00e9 de cocher les Valeurs de levier centr\u00e9es<\/strong> (Centered leverage values<\/em>). L’effet de levier (leverage<\/em> ou h<\/em>ii<\/em><\/sub>) \u00e9value la distance d’un cas par rapport aux moyennes des variables ind\u00e9pendantes, ind\u00e9pendamment de son score sur la variable d\u00e9pendante. Un point disposant d’un levier \u00e9lev\u00e9 poss\u00e8de un potentiel d’influence disproportionn\u00e9 : s’il s’accompagne \u00e9galement d’un r\u00e9sidu \u00e9lev\u00e9, il tirera la surface de r\u00e9gression vers lui de mani\u00e8re drastique.<\/p>\n

7.2 Extraction des diff\u00e9rentes formes de r\u00e9sidus<\/h3>\n

La section sup\u00e9rieure de cette m\u00eame fen\u00eatre Enregistrer<\/em> permet d’ordonner \u00e0 SPSS d’extraire et de g\u00e9n\u00e9rer de nouvelles colonnes dans la matrice active de donn\u00e9es pour diff\u00e9rents types de r\u00e9sidus individuels. Trois options de r\u00e9sidus s’av\u00e8rent indispensables pour une analyse diagnostique compl\u00e8te.<\/p>\n

Les r\u00e9sidus non standardis\u00e9s (Unstandardized<\/em>) repr\u00e9sentent l’\u00e9cart brut math\u00e9matique direct : e<\/em>i<\/em><\/sub> = Y<\/em>i<\/em><\/sub> − Ÿ<\/em>i<\/em><\/sub>, exprim\u00e9 dans l’unit\u00e9 de mesure du crit\u00e8re. Les r\u00e9sidus standardis\u00e9s (Standardized<\/em>) correspondent \u00e0 ces \u00e9carts divis\u00e9s par l’\u00e9cart-type r\u00e9siduel global de l’\u00e9chantillon. Cependant, pour l’identification formelle des valeurs aberrantes sur la variable crit\u00e8re, la m\u00e9trique la plus puissante est sans conteste le R\u00e9sidu studentis\u00e9 supprim\u00e9<\/strong> (Studentized deleted residual<\/em>, couramment appel\u00e9 r\u00e9sidu d’exclusion ou jackknife<\/em>).<\/p>\n

Le r\u00e9sidu studentis\u00e9 supprim\u00e9 d’un sujet i<\/em> est calcul\u00e9 en estimant le mod\u00e8le complet sur les N<\/em> − 1 autres observations, puis en \u00e9valuant l’\u00e9cart entre la valeur observ\u00e9e du sujet exclu et la pr\u00e9diction extrapol\u00e9e par ce mod\u00e8le ind\u00e9pendant, standardis\u00e9 par sa propre erreur-type. Enfin, il est utile de cocher la case des Valeurs pr\u00e9dites standardis\u00e9es<\/strong> (Standardized predicted values<\/em>) pour faciliter ult\u00e9rieurement la stratification des sous-groupes ou le tra\u00e7age de diagrammes personnalis\u00e9s.<\/p>\n

7.3 Application des seuils d\u00e9cisionnels aux nouvelles variables<\/h3>\n

Une fois l’ex\u00e9cution de la r\u00e9gression valid\u00e9e, SPSS cr\u00e9e automatiquement de nouvelles colonnes dans la vue des donn\u00e9es (par exemple COO_1<\/em> pour la distance de Cook, MAH_1<\/em> pour Mahalanobis, LEV_1<\/em> pour le levier, et SDR_1<\/em> pour les r\u00e9sidus studentis\u00e9s supprim\u00e9s). L’investigateur doit alors appliquer des r\u00e8gles d’arbitrage quantitatives strictes pour identifier les cas probl\u00e9matiques.<\/p>\n

Pour la distance de Cook (COO_1<\/em>), la r\u00e8gle empirique classique identifie comme critique toute valeur sup\u00e9rieure \u00e0 1,0 (Cook & Weisberg, 1982<\/a>). Toutefois, dans les \u00e9chantillons psychologiques de taille mod\u00e9r\u00e9e \u00e0 grande, ce seuil s’av\u00e8re trop permissif. La formule ajust\u00e9e conventionnelle pr\u00e9conise un seuil de coupure fix\u00e9 \u00e0 D<\/em> > 4 \/ (N<\/em> − k<\/em> − 1), o\u00f9 N<\/em> est la taille de l’\u00e9chantillon et k<\/em> le nombre de pr\u00e9dicteurs. Toute observation d\u00e9passant ce seuil n\u00e9cessite une investigation approfondie.<\/p>\n

Pour la distance de Mahalanobis (MAH_1<\/em>), la valeur critique s’\u00e9value au regard d’une distribution th\u00e9orique du Chi-deux (χ2<\/sup>) dont le nombre de degr\u00e9s de libert\u00e9 \u00e9quivaut strictement au nombre k<\/em> de pr\u00e9dicteurs du mod\u00e8le. En adoptant un seuil conservateur de significativit\u00e9 de p<\/em> < 0,001 (calculable via la formule de transformation SPSS 1 - CDF.CHISQ(MAH_1, k)<\/code>), tout individu pr\u00e9sentant un test statistiquement significatif est formellement cat\u00e9goris\u00e9 comme valeur aberrante multivari\u00e9e.<\/p>\n

Quant aux r\u00e9sidus studentis\u00e9s supprim\u00e9s (SDR_1<\/em>), ils suivent une distribution approximative t<\/em> de Student. Toute observation dont la valeur absolue exc\u00e8de |2,5| dans les \u00e9chantillons mod\u00e9r\u00e9s ou |3,0| dans les grands \u00e9chantillons signale un cas aberrant sur la variable r\u00e9ponse Y<\/em> qui est tr\u00e8s mal pr\u00e9dit par le mod\u00e8le. L’investigateur ne doit en aucun cas supprimer aveugl\u00e9ment ces points aberrants : une v\u00e9rification des erreurs d’encodage doit d’abord \u00eatre op\u00e9r\u00e9e. S’il s’agit de r\u00e9ponses valides issues d’individus atypiques, une analyse de sensibilit\u00e9 comparant les mod\u00e8les avec et sans ces cas doit imp\u00e9rativement \u00eatre rapport\u00e9e pour garantir la probit\u00e9 scientifique des r\u00e9sultats.<\/p>\n

8. Interpr\u00e9tation des tableaux r\u00e9capitulatifs du mod\u00e8le et de l’ANOVA<\/h2>\n

8.1 Analyse du tableau r\u00e9capitulatif du mod\u00e8le (Model Summary)<\/h3>\n

Lors de l’affichage des sorties num\u00e9riques dans le visualiseur de SPSS, le premier tableau critique g\u00e9n\u00e9r\u00e9 s’intitule R\u00e9capitulatif des mod\u00e8les<\/strong> (Model Summary<\/em>). Ce tableau condense les m\u00e9triques agr\u00e9g\u00e9es de l’ad\u00e9quation globale du syst\u00e8me de pr\u00e9diction aux donn\u00e9es observ\u00e9es.<\/p>\n

\"Model
Model summary output of regression in SPSS<\/figcaption><\/figure>\n

La premi\u00e8re colonne rapporte le coefficient R<\/strong> de corr\u00e9lation multiple. Il quantifie le degr\u00e9 d’association lin\u00e9aire direct unissant les valeurs r\u00e9elles observ\u00e9es du crit\u00e8re Y<\/em> aux valeurs math\u00e9matiquement pr\u00e9dites par l’\u00e9quation de r\u00e9gression (Ÿ<\/em>). Sa valeur est par d\u00e9finition comprise entre 0 et 1. La seconde colonne, le R-deux<\/strong> (R<\/em>2<\/sup> ou coefficient de d\u00e9termination), constitue l’une des m\u00e9triques les plus fondamentales en psychologie : elle indique la proportion exacte de la variance totale du crit\u00e8re qui est statistiquement expliqu\u00e9e ou pr\u00e9dite par la combinaison lin\u00e9aire conjointe des variables ind\u00e9pendantes du mod\u00e8le.<\/p>\n

Cependant, le R<\/em>2<\/sup> souffre d’un biais math\u00e9matique structurel : son ampleur augmente m\u00e9caniquement d\u00e8s qu’un nouveau pr\u00e9dicteur est introduit dans l’\u00e9quation, m\u00eame s’il ne s’agit que de bruit purement al\u00e9atoire. C’est pourquoi la colonne suivante, le R-deux ajust\u00e9<\/strong> (Adjusted R Square<\/em>), prend toute son importance. D\u00e9riv\u00e9 de la formule de correction de Wherry, cet indice p\u00e9nalise math\u00e9matiquement la valeur du R<\/em>2<\/sup> en fonction du nombre k<\/em> de pr\u00e9dicteurs et de la taille N<\/em> de l’\u00e9chantillon. Il fournit une estimation non biais\u00e9e de la variance expliqu\u00e9e extrapolable \u00e0 la population g\u00e9n\u00e9rale parente et doit \u00eatre privil\u00e9gi\u00e9 lors de la comparaison de mod\u00e8les comportant des nombres de pr\u00e9dicteurs distincts.<\/p>\n

8.2 \u00c9valuation du changement statistique en r\u00e9gression s\u00e9quentielle<\/h3>\n

Dans le cas o\u00f9 une r\u00e9gression hi\u00e9rarchique par blocs successifs a \u00e9t\u00e9 ordonnanc\u00e9e (avec l’option Variation de R-deux<\/em> pr\u00e9alablement activ\u00e9e), le tableau Model Summary<\/em> s’enrichit d’une s\u00e9rie de colonnes cruciales \u00e9tiquet\u00e9es sous la banni\u00e8re Statistiques de variation<\/strong> (Change Statistics<\/em>). Chaque ligne du tableau correspond alors \u00e0 un bloc sp\u00e9cifique (Mod\u00e8le 1, Mod\u00e8le 2, etc.).<\/p>\n

La colonne Variation de R-deux<\/strong> (ΔR<\/em>2<\/sup> ou R Square Change<\/em>) quantifie l’incr\u00e9ment net de variance expliqu\u00e9e attribuable exclusivement \u00e0 l’introduction du nouveau jeu de pr\u00e9dicteurs au sein de cette \u00e9tape pr\u00e9cise. La colonne Variation de F<\/strong> (F Change<\/em>) rapporte la statistique de test omnibus de Fisher servant \u00e0 v\u00e9rifier si ce saut pr\u00e9dictif est significativement diff\u00e9rent de z\u00e9ro. Cette statistique s’accompagne de ses deux degr\u00e9s de libert\u00e9 associ\u00e9s (df1<\/em> correspondant au nombre de variables ajout\u00e9es dans le bloc, et df2<\/em> correspondant aux degr\u00e9s de libert\u00e9 r\u00e9siduels).<\/p>\n

La lecture de la colonne Signification de la variation de F<\/strong> (Sig. F Change<\/em>) permet de trancher sur le plan th\u00e9orique. Si cette valeur p<\/em> est inf\u00e9rieure au seuil alpha nominal (α = 0,05), le chercheur peut formellement rejeter l’hypoth\u00e8se nulle et affirmer que les nouvelles variables psychologiques introduites am\u00e9liorent la pr\u00e9diction du ph\u00e9nom\u00e8ne de mani\u00e8re statistiquement significative, au-del\u00e0 de l’effet d\u00e9j\u00e0 comptabilis\u00e9 des covariables contr\u00f4l\u00e9es dans le bloc ant\u00e9rieur.<\/p>\n

8.3 Interpr\u00e9tation du test omnibus de l’ANOVA<\/h3>\n

Le tableau intitul\u00e9 ANOVA<\/strong> formalise le test omnibus global du mod\u00e8le de r\u00e9gression. Il repose sur la d\u00e9composition arithm\u00e9tique de la variabilit\u00e9 totale observ\u00e9e sur la variable crit\u00e8re en deux composantes additives ind\u00e9pendantes : la somme des carr\u00e9s de la r\u00e9gression (SS<\/em>reg<\/em><\/sub>), traduisant la dispersion expliqu\u00e9e par le mod\u00e8le th\u00e9orique, et la somme des carr\u00e9s des r\u00e9sidus (SS<\/em>res<\/em><\/sub>), mesurant la d\u00e9viation non captur\u00e9e.<\/p>\n

\"ANOVA
ANOVA output table for regression in SPSS<\/figcaption><\/figure>\n

Pour chaque source de variation, le tableau indique les Degr\u00e9s de libert\u00e9<\/strong> (df<\/em>). Pour la r\u00e9gression, les degr\u00e9s de libert\u00e9 correspondent exactement au nombre de pr\u00e9dicteurs inclus (k<\/em>), tandis que pour les r\u00e9sidus, ils s’\u00e9l\u00e8vent \u00e0 N<\/em> − k<\/em> − 1. La division des sommes des carr\u00e9s par leurs degr\u00e9s de libert\u00e9 respectifs produit les Moyennes des carr\u00e9s<\/strong> (Mean Square<\/em> : MS<\/em>reg<\/em><\/sub> et MS<\/em>res<\/em><\/sub>). Le ratio de ces deux variances estim\u00e9es constitue la statistique F de Fisher-Snedecor<\/strong> : F<\/em> = MS<\/em>reg<\/em><\/sub> \/ MS<\/em>res<\/em><\/sub>.<\/p>\n

L’examen de la colonne Signification<\/strong> (Sig.<\/em>) de la table ANOVA permet de tester l’hypoth\u00e8se nulle globale selon laquelle l’ensemble des coefficients de r\u00e9gression de la population seraient rigoureusement \u00e9gaux \u00e0 z\u00e9ro (β1<\/sub> = β2<\/sub> = … = βk<\/em><\/sub> = 0), ce qui \u00e9quivaudrait \u00e0 un R<\/em>2<\/sup> de population nul. Si p<\/em> < 0,001, on conclut que le mod\u00e8le lin\u00e9aire ajust\u00e9 pr\u00e9dit le crit\u00e8re de fa\u00e7on statistiquement significative et bien plus efficacement qu’un mod\u00e8le nul se basant uniquement sur la moyenne arithm\u00e9tique de Y<\/em>. Cette validation omnibus est le pr\u00e9requis obligatoire avant toute interpr\u00e9tation des coefficients individuels.<\/p>\n

9. Interpr\u00e9tation d\u00e9taill\u00e9e de la table des coefficients de r\u00e9gression<\/h2>\n

9.1 Coefficients non standardis\u00e9s B et ordonn\u00e9e \u00e0 l’origine<\/h3>\n

Le tableau central de la sortie SPSS est intitul\u00e9 Coefficients<\/strong>. Il d\u00e9taille l’estimation param\u00e9trique ponctuelle de chaque variable ind\u00e9pendante ainsi que de la constante globale. La premi\u00e8re colonne de donn\u00e9es, intitul\u00e9e B<\/strong> sous l’en-t\u00eate Coefficients non standardis\u00e9s<\/strong> (Unstandardized Coefficients<\/em>), fournit les estimateurs des pentes partielles dans les unit\u00e9s physiques ou psychom\u00e9triques r\u00e9elles des \u00e9chelles de mesure employ\u00e9es.<\/p>\n

La ligne \u00e9tiquet\u00e9e (Constante)<\/strong> repr\u00e9sente l’ordonn\u00e9e \u00e0 l’origine B<\/em>0<\/sub>. Elle quantifie le niveau attendu sur la variable d\u00e9pendante lorsque tous les pr\u00e9dicteurs X<\/em> sont positionn\u00e9s \u00e0 z\u00e9ro. Si la valeur z\u00e9ro est d\u00e9nu\u00e9e de sens substantiel dans le protocole psychologique (par exemple un score de QI de 0 ou un \u00e2ge de 0 an), cette constante n’a pas d’interpr\u00e9tation clinique directe \u00e0 moins que les variables continues n’aient \u00e9t\u00e9 pr\u00e9alablement centr\u00e9es sur leur moyenne respective.<\/p>\n

Chaque coefficient B<\/em>j<\/em><\/sub> associ\u00e9 \u00e0 un pr\u00e9dicteur quantifie la magnitude et la direction de l’inflexion univari\u00e9e : pour chaque augmentation d’une unit\u00e9 m\u00e9trique sur la variable X<\/em>j<\/em><\/sub>, le score sur le crit\u00e8re Y<\/em> augmente (si B<\/em> est positif) ou diminue (si B<\/em> est n\u00e9gatif) de la valeur exacte de B<\/em>j<\/em><\/sub> unit\u00e9s, toutes les autres variables du mod\u00e8le demeurant rigoureusement constantes. La colonne adjacente, Erreur standard<\/strong> (Std. Error<\/em>), indique l’\u00e9cart-type d’\u00e9chantillonnage de cet estimateur. Plus l’erreur standard est r\u00e9duite, plus l’estimation ponctuelle du param\u00e8tre au sein de la population est robuste et pr\u00e9cise.<\/p>\n

9.2 Coefficients standardis\u00e9s B\u00eata et poids relatif des pr\u00e9dicteurs<\/h3>\n

Lorsque les pr\u00e9dicteurs d’un protocole psychologique reposent sur des \u00e9chelles m\u00e9trologiques h\u00e9t\u00e9rog\u00e8nes (par exemple le revenu annuel en euros, le niveau de cortisol en nmol\/L et un score d’extraversion variant de 1 \u00e0 5), les coefficients bruts B<\/em> ne permettent pas de comparer directement l’importance relative des variables. Un pr\u00e9dicteur affichant une unit\u00e9 de mesure infinit\u00e9simale pr\u00e9sentera artificiellement un coefficient B<\/em> minuscule, bien que son impact \u00e9cologique r\u00e9el puisse \u00eatre d\u00e9terminant.<\/p>\n

\"Coefficient
Coefficient output of multiple linear regression in SPSS<\/figcaption><\/figure>\n

Pour r\u00e9soudre ce dilemme, SPSS calcule les coefficients standardis\u00e9s, consign\u00e9s dans la colonne B\u00eata<\/strong> (β sous Standardized Coefficients<\/em>). Ces coefficients refl\u00e8tent les param\u00e8tres de r\u00e9gression qui auraient \u00e9t\u00e9 obtenus si l’ensemble des variables — d\u00e9pendante comme ind\u00e9pendantes — avait \u00e9t\u00e9 pr\u00e9alablement converti en scores standards Z<\/em> (avec une moyenne de 0 et un \u00e9cart-type de 1,0). D\u00e8s lors, βj<\/em><\/sub> s’interpr\u00e8te comme la variation de Y<\/em> exprim\u00e9e en fractions d’\u00e9cart-type pour chaque augmentation d’un \u00e9cart-type sur le pr\u00e9dicteur X<\/em>j<\/em><\/sub>, les autres pr\u00e9dicteurs \u00e9tant statistiquement contr\u00f4l\u00e9s.<\/p>\n

Les coefficients β autorisent ainsi un ordonnancement hi\u00e9rarchique direct du poids explicatif des diff\u00e9rents construits psychologiques au sein de l’\u00e9quation : plus la valeur absolue de β est \u00e9lev\u00e9e, plus la contribution relative de ce pr\u00e9dicteur sp\u00e9cifique est pr\u00e9pond\u00e9rante dans la structuration des scores pr\u00e9dits du mod\u00e8le. Il convient toutefois de rester prudent face aux interpr\u00e9tations h\u00e2tives : en cas d’intercorr\u00e9lations notables entre pr\u00e9dicteurs, les valeurs β peuvent fluctuer significativement sous l’effet de suppressions partielles.<\/p>\n

9.3 Tests d’hypoth\u00e8se individuels t et intervalles de confiance<\/h3>\n

Pour chaque param\u00e8tre estim\u00e9 de la table des coefficients, SPSS g\u00e9n\u00e8re une statistique d’inf\u00e9rence sp\u00e9cifique consign\u00e9e dans la colonne t<\/strong>. Cette valeur est le r\u00e9sultat direct de la division arithm\u00e9tique du coefficient non standardis\u00e9 par son erreur-type associ\u00e9e : t<\/em> = B<\/em> \/ SE<\/em>B<\/em><\/sub>. Elle teste l’hypoth\u00e8se nulle selon laquelle le param\u00e8tre partiel de population serait nul (βj<\/em><\/sub> = 0), conditionnellement \u00e0 la pr\u00e9sence de l’ensemble des autres variables de l’\u00e9quation.<\/p>\n

La colonne Signification<\/strong> (Sig.<\/em>) rapporte la valeur p<\/em> bilat\u00e9rale exacte associ\u00e9e \u00e0 cette statistique t<\/em>, calcul\u00e9e sur N<\/em> − k<\/em> − 1 degr\u00e9s de libert\u00e9. Si p<\/em> ≤ 0,05, la contribution sp\u00e9cifique de la variable pr\u00e9dictive est d\u00e9clar\u00e9e statistiquement significative : le pr\u00e9dicteur apporte une part d’information unique et irrempla\u00e7able qui ne peut \u00eatre expliqu\u00e9e par les autres variables du mod\u00e8le.<\/p>\n

Enfin, l’examen des deux colonnes d\u00e9limitant l’Intervalle de confiance \u00e0 95 % pour B<\/strong> (95.0% Confidence Interval for B<\/em>, bornes inf\u00e9rieure et sup\u00e9rieure) constitue le moyen le plus robuste d’\u00e9valuer la pr\u00e9cision de la mesure. Si la borne inf\u00e9rieure et la borne sup\u00e9rieure englobent la valeur 0 (par exemple un intervalle s’\u00e9tendant de -0,12 \u00e0 +0,45), l’hypoth\u00e8se d’une absence d’effet ne peut \u00eatre rejet\u00e9e au seuil de 5 %. \u00c0 l’inverse, si l’intervalle est totalement disjoint de z\u00e9ro (par exemple de +0,25 \u00e0 +0,85), le chercheur peut d\u00e9duire avec 95 % de confiance la plage de valeurs r\u00e9elles au sein de laquelle se situe la v\u00e9ritable influence de la variable dans la population clinique ou comportementale cibl\u00e9e.<\/p>\n

10. \u00c9valuation critique de la multicollin\u00e9arit\u00e9 et des cas aberrants<\/h2>\n

10.1 Lecture rigoureuse des indicateurs VIF et Tol\u00e9rance<\/h3>\n

L’\u00e9valuation diagnostique de la multicollin\u00e9arit\u00e9 exige un examen attentif des colonnes Tol\u00e9rance<\/strong> et VIF<\/strong> ajout\u00e9es \u00e0 l’extr\u00e9mit\u00e9 droite de la table des coefficients. La Tol\u00e9rance du pr\u00e9dicteur j<\/em> est formellement d\u00e9finie comme Tol<\/em>j<\/em><\/sub> = 1 − R<\/em>2<\/sup>j<\/em><\/sub>, o\u00f9 R<\/em>2<\/sup>j<\/em><\/sub> repr\u00e9sente le coefficient de d\u00e9termination obtenu lors de la r\u00e9gression auxiliaire de la variable X<\/em>j<\/em><\/sub> sur l’ensemble de toutes les autres variables ind\u00e9pendantes du mod\u00e8le. Une tol\u00e9rance tr\u00e8s basse indique qu’une grande part de la variabilit\u00e9 du pr\u00e9dicteur est redondante avec les autres variables.<\/p>\n

Le facteur d’inflation de la variance est le strict inverse arithm\u00e9tique de la tol\u00e9rance : VIF = 1 \/ Tol<\/em>j<\/em><\/sub>. Il quantifie le facteur multiplicatif par lequel la variance d’\u00e9chantillonnage de l’estimateur se trouve augment\u00e9e par rapport \u00e0 une situation id\u00e9ale o\u00f9 les pr\u00e9dicteurs seraient parfaitement orthogonaux. Dans la communaut\u00e9 psychologique, les seuils d\u00e9cisionnels usuels recommandent d’\u00e9mettre une alerte m\u00e9thodologique d\u00e8s lors qu’un pr\u00e9dicteur affiche un VIF sup\u00e9rieur \u00e0 5 (correspondant \u00e0 une Tol\u00e9rance inf\u00e9rieure \u00e0 0,20). Un VIF exc\u00e9dant le seuil critique de 10 (Tol\u00e9rance < 0,10) signale une multicollin\u00e9arit\u00e9 s\u00e9v\u00e8re et inacceptable, d\u00e9truisant la validit\u00e9 des estimations partielles (Hair et al., 2019<\/a>).<\/p>\n

Pour affiner cette analyse, le tableau des Diagnostics de collin\u00e9arit\u00e9<\/em> doit \u00eatre scrut\u00e9. Un probl\u00e8me s\u00e9rieux est av\u00e9r\u00e9 lorsqu’une ligne associ\u00e9e \u00e0 un Indice de conditionnement<\/strong> (Condition Index<\/em>) \u00e9lev\u00e9 (typiquement > 30) pr\u00e9sente conjointement des Proportions de variance<\/strong> \u00e9lev\u00e9es (exc\u00e9dant 0,50) pour au moins deux coefficients de r\u00e9gression distincts. Cet alignement met en lumi\u00e8re les variables qui s’annulent mutuellement au sein d’une m\u00eame d\u00e9pendance lin\u00e9aire quasi-singuli\u00e8re.<\/p>\n

10.2 Strat\u00e9gies d’ajustement face \u00e0 une multicollin\u00e9arit\u00e9 av\u00e9r\u00e9e<\/h3>\n

Lorsqu’une multicollin\u00e9arit\u00e9 invalidante est formellement d\u00e9tect\u00e9e au sein du mod\u00e8le, l’analyste ne peut maintenir les variables en l’\u00e9tat. Plusieurs strat\u00e9gies de rem\u00e9diation doivent \u00eatre d\u00e9ploy\u00e9es en fonction des imp\u00e9ratifs th\u00e9oriques de la recherche. La d\u00e9marche la plus \u00e9l\u00e9mentaire consiste \u00e0 \u00e9liminer raisonnablement l’un des pr\u00e9dicteurs redondants. Si deux inventaires psychom\u00e9triques \u00e9valuent conceptuellement la m\u00eame entit\u00e9 (par exemple l’anxi\u00e9t\u00e9-trait via deux \u00e9chelles concurrentes) avec une corr\u00e9lation bivari\u00e9e r<\/em> > 0,85, le retrait de l’instrument le moins fiable psychom\u00e9triquement r\u00e9sout instantan\u00e9ment la collin\u00e9arit\u00e9 tout en pr\u00e9servant l’int\u00e9grit\u00e9 th\u00e9orique de l’analyse.<\/p>\n

Une seconde approche, particuli\u00e8rement adapt\u00e9e aux sciences comportementales, repose sur l’agr\u00e9gation m\u00e9thodologique des variables fautives. Si plusieurs items ou sous-\u00e9chelles manifestent des intercorr\u00e9lations massives, il est hautement pertinent de les moyenner ou de sommer leurs scores standardis\u00e9s Z<\/em> afin de cr\u00e9er un score composite<\/strong> unique mesurant une dimension psychologique plus large. Cette strat\u00e9gie am\u00e9liore la fiabilit\u00e9 m\u00e9trologique par neutralisation des erreurs de mesure sp\u00e9cifiques.<\/p>\n

Enfin, une d\u00e9marche plus sophistiqu\u00e9e implique le recours pr\u00e9alable \u00e0 des analyses de r\u00e9duction de dimensionnalit\u00e9, telles que l’Analyse factorielle exploratoire<\/strong> (AFE) ou l’Analyse en composantes principales<\/strong> (ACP). Ces m\u00e9thodes transforment l’ensemble des pr\u00e9dicteurs corr\u00e9l\u00e9s en un nombre restreint de facteurs orthogonaux ind\u00e9pendants (scores factoriels non corr\u00e9l\u00e9s). L’introduction ult\u00e9rieure de ces scores factoriels au sein de la r\u00e9gression lin\u00e9aire multiple dans SPSS garantit par construction math\u00e9matique une orthogonalit\u00e9 absolue (Tol\u00e9rance = 1,0 ; VIF = 1,0), \u00e9liminant tout risque de collin\u00e9arit\u00e9.<\/p>\n

10.3 Analyse de sensibilit\u00e9 post-exclusion des observations atypiques<\/h3>\n

L’identification d’observations atypiques multivari\u00e9es ou particuli\u00e8rement influentes (cas pr\u00e9sentant des distances de Cook critiques ou des valeurs aberrantes sur la distance de Mahalanobis) confronte le chercheur \u00e0 un dilemme d\u00e9ontologique. La suppression pure et simple de ces donn\u00e9es afin d’am\u00e9liorer artificiellement les indices d’ajustement statistique constitue une pratique de recherche contestable (QRP : Questionable Research Practice<\/em>) proscrite par les comit\u00e9s d’\u00e9thique.<\/p>\n

La m\u00e9thodologie standard pr\u00e9conise de r\u00e9aliser une analyse de sensibilit\u00e9 syst\u00e9matique<\/strong>. Cette d\u00e9marche consiste \u00e0 r\u00e9estimer l’int\u00e9gralit\u00e9 du mod\u00e8le de r\u00e9gression lin\u00e9aire multiple apr\u00e8s exclusion temporaire et cibl\u00e9e des observations influentes diagnostiqu\u00e9es, puis \u00e0 comparer c\u00f4te \u00e0 c\u00f4te les r\u00e9sultats des deux mod\u00e9lisations (mod\u00e8le complet avec N<\/em> total contre mod\u00e8le restreint avec N<\/em> \u00e9pur\u00e9).<\/p>\n

L’analyste examine attentivement la stabilit\u00e9 des coefficients de r\u00e9gression non standardis\u00e9s B<\/em>, l’\u00e9volution de leurs erreurs-types et la fluctuation de la statistique omnibus R<\/em>2<\/sup>. Si les conclusions th\u00e9oriques demeurent rigoureusement identiques (m\u00eames pr\u00e9dicteurs conservant leur seuil de significativit\u00e9, variations marginales des pentes), le mod\u00e8le initial peut \u00eatre rapport\u00e9 avec confiance en pr\u00e9cisant sa robustesse face aux variations d’\u00e9chantillonnage. Si, en revanche, l’exclusion d’un ou deux cas modifie radicalement le pattern de significativit\u00e9 d’un pr\u00e9dicteur cl\u00e9, ce ph\u00e9nom\u00e8ne d’instabilit\u00e9 doit \u00eatre int\u00e9gralement explicit\u00e9 dans le rapport de recherche, illustrant ainsi l’influence sp\u00e9cifique de ces profils cliniques atypiques sur le ph\u00e9nom\u00e8ne mod\u00e9lis\u00e9.<\/p>\n

11. Rapportage des r\u00e9sultats de r\u00e9gression selon les normes APA (7e \u00e9dition)<\/h2>\n

11.1 R\u00e9daction textuelle des r\u00e9sultats dans la section R\u00e9sultats<\/h3>\n

Le rapportage d’une r\u00e9gression lin\u00e9aire multiple dans une revue savante affili\u00e9e \u00e0 l’American Psychological Association (APA 7e \u00e9dition) ob\u00e9it \u00e0 un formalisme stylistique et statistique rigoureux. Le compte rendu narratif doit d’abord attester de la v\u00e9rification satisfaisante des postulats du mod\u00e8le, avant de d\u00e9crire le test omnibus global de l’ANOVA, puis d’exposer chronologiquement la contribution unique des pr\u00e9dicteurs individuels.<\/p>\n

Sur le plan r\u00e9dactionnel, le paragraphe standardis\u00e9 adopte une structure acad\u00e9mique formalis\u00e9e. Il est imp\u00e9ratif de mentionner les degr\u00e9s de libert\u00e9 exacts, la valeur de la statistique de test F<\/em> arrondie \u00e0 deux d\u00e9cimales, la valeur p<\/em> exacte arrondie \u00e0 trois d\u00e9cimales (sans z\u00e9ro initial devant le point ou la virgule, par exemple p<\/em> = .003, ou p<\/em> < .001), ainsi que le coefficient de d\u00e9termination R<\/em>2<\/sup> (ou R<\/em>2<\/sup> ajust\u00e9). Concernant chaque pr\u00e9dicteur individuel, la narration doit obligatoirement expliciter la pente non standardis\u00e9e B<\/em> assortie de son erreur-type (SE<\/em>), le coefficient standardis\u00e9 β, la statistique de test t<\/em> individuelle, la significativit\u00e9 p<\/em> et, \u00e9l\u00e9ment fondamental des directives actuelles, l’intervalle de confiance \u00e0 95 % de B<\/em>.<\/p>\n

Un mod\u00e8le type de r\u00e9daction narrative se formalise de la sorte : \u00ab Une r\u00e9gression lin\u00e9aire multiple a \u00e9t\u00e9 r\u00e9alis\u00e9e afin de pr\u00e9dire les scores de bien-\u00eatre subjectif en fonction de l’exposition au stress per\u00e7u, de l’auto-compassion et de la qualit\u00e9 per\u00e7ue du soutien social. L’examen des r\u00e9sidus confirme le respect des postulats de normalit\u00e9, de lin\u00e9arit\u00e9 et d’homosc\u00e9dasticit\u00e9, et aucun indice de multicollin\u00e9arit\u00e9 excessive n’a \u00e9t\u00e9 d\u00e9cel\u00e9 (tous les VIF ≤ 1,84). Le mod\u00e8le omnibus s’av\u00e8re statistiquement significatif et explique 41,2 % de la variance totale du bien-\u00eatre, F<\/em>(3, 146) = 34,12, p<\/em> < .001, R<\/em>2<\/sup> = .412, R<\/em>2<\/sup>ajust\u00e9<\/sub> = .400. L’examen des param\u00e8tres individuels r\u00e9v\u00e8le que le stress per\u00e7u constitue un pr\u00e9dicteur n\u00e9gatif statistiquement significatif, B<\/em> = -0,38, SE<\/em> = 0,07, β = -.36, t<\/em>(146) = -5,42, p<\/em> < .001, IC 95 % [-0,52, -0,24]. Inversement, l’auto-compassion (B<\/em> = 0,45, SE<\/em> = 0,08, β = .41, t<\/em>(146) = 5,62, p<\/em> < .001, IC 95 % [0,29, 0,61]) et le soutien social (B<\/em> = 0,21, SE<\/em> = 0,06, β = .22, t<\/em>(146) = 3,50, p<\/em> = .001, IC 95 % [0,09, 0,33]) pr\u00e9disent positivement le bien-\u00eatre subjectif de mani\u00e8re ind\u00e9pendante. \u00bb<\/p>\n

11.2 \u00c9laboration d’un tableau synth\u00e9tique conforme \u00e0 l’APA<\/h3>\n

Lorsque le mod\u00e8le implique un nombre \u00e9lev\u00e9 de pr\u00e9dicteurs ou int\u00e8gre une r\u00e9gression s\u00e9quentielle hi\u00e9rarchique par \u00e9tapes, la synth\u00e8se textuelle devient illisible. Il est alors obligatoire de synth\u00e9tiser les donn\u00e9es num\u00e9riques sous forme de tableau formel respectant les crit\u00e8res typographiques stricts du manuel de publication de l’APA (7e \u00e9dition).<\/p>\n

Le tableau APA bannit formellement toute ligne de quadrillage verticale. Il ne doit pr\u00e9senter que trois traits de s\u00e9paration horizontaux majeurs : une ligne sous le titre du tableau d\u00e9limitant l’en-t\u00eate de colonnes, une ligne fermant l’en-t\u00eate, et une ligne finale inf\u00e9rieure d\u00e9limitant la base des donn\u00e9es num\u00e9riques au-dessus des notes. Les colonnes standardis\u00e9es s’organisent selon la s\u00e9quence conventionnelle suivante : Variable \/ Pr\u00e9dicteur, B<\/em>, SE<\/em>B<\/em><\/sub> (ou ES<\/em>), β, t<\/em>, p<\/em>, et IC 95 % de B<\/em> [BI, BS]. Les notes de bas de tableau d\u00e9taillent les abr\u00e9viations et les seuils de probabilit\u00e9 au moyen d’ast\u00e9risques conventionnels (*p<\/em> < .05, **p<\/em> < .01, ***p<\/em> < .001).<\/p>\n

Le tableau ci-dessous illustre la structure attendue pour une synth\u00e8se de r\u00e9gression lin\u00e9aire multiple :<\/p>\n

Tableau 1<\/strong>
R\u00e9gression lin\u00e9aire multiple pr\u00e9disant le bien-\u00eatre subjectif (N = 150)<\/em><\/p>\n\n\n\n\n\n\n\n\n\n
Pr\u00e9dicteurs<\/th>\nB<\/em><\/th>\nSE<\/em>B<\/em><\/sub><\/th>\nβ<\/th>\nt<\/em><\/th>\np<\/em><\/th>\nIC 95 % pour B<\/em><\/th>\n<\/tr>\n<\/thead>\n
(Constante)<\/td>\n14,32<\/td>\n2,15<\/td>\n—<\/td>\n6,66<\/td>\n< .001<\/td>\n[10,07, 18,57]<\/td>\n<\/tr>\n
\u00c2ge (ann\u00e9es)<\/td>\n0,04<\/td>\n0,03<\/td>\n.08<\/td>\n1,33<\/td>\n.185<\/td>\n[-0,02, 0,10]<\/td>\n<\/tr>\n
Stress per\u00e7u<\/td>\n-0,38<\/td>\n0,07<\/td>\n-.36<\/td>\n-5,42<\/td>\n< .001<\/td>\n[-0,52, -0,24]<\/td>\n<\/tr>\n
Auto-compassion<\/td>\n0,45<\/td>\n0,08<\/td>\n.41<\/td>\n5,62<\/td>\n< .001<\/td>\n[0,29, 0,61]<\/td>\n<\/tr>\n
Soutien social<\/td>\n0,21<\/td>\n0,06<\/td>\n.22<\/td>\n3,50<\/td>\n.001<\/td>\n[0,09, 0,33]<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Note.<\/em> B<\/em> = coefficient de r\u00e9gression non standardis\u00e9 ; SE<\/em>B<\/em><\/sub> = erreur standard de B<\/em> ; β = coefficient de r\u00e9gression standardis\u00e9 ; IC = intervalle de confiance. Mod\u00e8le global : R<\/em>2<\/sup> = .412, F<\/em>(4, 145) = 25,41, p<\/em> < .001.<\/p>\n

11.3 Articulation de la discussion th\u00e9orique et des limites<\/h3>\n

La section Discussion d’un m\u00e9moire ou d’un article scientifique implique de replacer les coefficients statistiques observ\u00e9s dans le contexte des th\u00e9ories psychologiques sous-jacentes. L’interpr\u00e9tation d’un coefficient β significatif ne doit pas se limiter \u00e0 une paraphrase des chiffres : elle doit \u00e9clairer les processus cognitifs, comportementaux ou affectifs en jeu, en comparant la magnitude des tailles d’effet observ\u00e9es avec celles rapport\u00e9es dans les m\u00e9ta-analyses ant\u00e9rieures du domaine.<\/p>\n

Cette mise en perspective exige une grande rigueur \u00e9pist\u00e9mologique quant aux limites inh\u00e9rentes \u00e0 la mod\u00e9lisation corr\u00e9lationnelle. Quelle que soit la sophistication des options de contr\u00f4le statistique param\u00e9tr\u00e9es dans SPSS, la r\u00e9gression lin\u00e9aire multiple s’appliquant \u00e0 des donn\u00e9es observationnelles ou transversales ne permet en aucun cas d’\u00e9tablir une inf\u00e9rence de causalit\u00e9 directionnelle<\/strong>. L’ambigu\u00eft\u00e9 directionnelle (causalit\u00e9 inverse o\u00f9 la d\u00e9pendance modifierait en r\u00e9alit\u00e9 les pr\u00e9dicteurs) et le probl\u00e8me de la variable omise (un facteur non mesur\u00e9 r\u00e9sidant dans l’erreur ε responsable de l’association apparente) demeurent des menaces fondamentales pour la validit\u00e9 interne.<\/p>\n

Enfin, la discussion m\u00e9thodologique doit aborder en toute transparence les limites li\u00e9es \u00e0 la repr\u00e9sentativit\u00e9 et \u00e0 la taille de l’\u00e9chantillon, la variance sp\u00e9cifique aux instruments de mesure auto-rapport\u00e9s (probl\u00e8me du biais de la m\u00e9thode commune : common method bias<\/em>), ainsi que la port\u00e9e de g\u00e9n\u00e9ralisation des coefficients observ\u00e9s. Les chercheurs sont encourag\u00e9s \u00e0 expliciter dans quelle mesure l’attrition des donn\u00e9es ou la transformation d’\u00e9chelles a pu restreindre la variabilit\u00e9 \u00e9cologique des ph\u00e9nom\u00e8nes analys\u00e9s.<\/p>\n

12. R\u00e9solution des probl\u00e8mes fr\u00e9quents et prolongements m\u00e9thodologiques<\/h2>\n

12.1 Strat\u00e9gies en cas de non-respect de l’homosc\u00e9dasticit\u00e9 et de la normalit\u00e9<\/h3>\n

Lorsque les graphiques diagnostiques r\u00e9v\u00e8lent une violation prononc\u00e9e de l’homosc\u00e9dasticit\u00e9 ou de la normalit\u00e9 distributionnelle des r\u00e9sidus d’estimation, plusieurs strat\u00e9gies m\u00e9thodologiques avanc\u00e9es peuvent \u00eatre d\u00e9ploy\u00e9es sans compromettre le mod\u00e8le th\u00e9orique. La premi\u00e8re approche classique repose sur l’application de transformations math\u00e9matiques<\/strong> sur la variable d\u00e9pendante continue. Une asym\u00e9trie positive mod\u00e9r\u00e9e peut \u00eatre r\u00e9solue par l’extraction de la racine carr\u00e9e (SQRT(Y)<\/code>), tandis qu’une asym\u00e9trie marqu\u00e9e b\u00e9n\u00e9ficie fr\u00e9quemment d’une transformation logarithmique n\u00e9p\u00e9rienne ou en base 10 (LN(Y)<\/code> ou LG10(Y)<\/code>). Ces op\u00e9rations stabilisent la dispersion r\u00e9siduelle mais compliquent substantiellement l’interpr\u00e9tation m\u00e9trique directe des coefficients non standardis\u00e9s B<\/em>.<\/p>\n

Une alternative contemporaine bien plus \u00e9l\u00e9gante et pr\u00e9conis\u00e9e par l’APA consiste \u00e0 mobiliser le r\u00e9\u00e9chantillonnage par bootstrap<\/strong>, directement disponible dans le sous-menu de r\u00e9gression de SPSS (en cliquant sur le bouton Bootstrap…<\/em>). En param\u00e9trant un nombre minimal de 1 000 ou 5 000 it\u00e9rations de r\u00e9\u00e9chantillonnage avec remise et en s\u00e9lectionnant la m\u00e9thode de correction du biais et acc\u00e9l\u00e9r\u00e9e (BCa : Bias-Corrected and Accelerated<\/em>), SPSS calcule des erreurs-types robustes et des intervalles de confiance empiriques qui ne d\u00e9pendent d’aucun postulat distributionnel de normalit\u00e9 ou d’homosc\u00e9dasticit\u00e9.<\/p>\n

Enfin, si la variable r\u00e9ponse pr\u00e9sente une structure math\u00e9matique non modifiable — telle qu’une distribution tronqu\u00e9e avec un exc\u00e8s massif de z\u00e9ros ou une distribution de comptage discr\u00e8te —, le cadre des moindres carr\u00e9s ordinaires doit \u00eatre d\u00e9laiss\u00e9. Le chercheur s’orientera alors vers les Mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s<\/strong> (GLM), accessibles via le menu Analyser > Mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s<\/em> dans SPSS, permettant de sp\u00e9cifier des distributions alternatives (telles que la loi Gamma, binomiale n\u00e9gative ou de Poisson) associ\u00e9es \u00e0 des fonctions de lien appropri\u00e9es.<\/p>\n

12.2 Gestion des effets de suppression et d’interaction<\/h3>\n

L’analyste de donn\u00e9es quantitatives en psychologie est parfois confront\u00e9 \u00e0 un ph\u00e9nom\u00e8ne contre-intuitif d\u00e9sign\u00e9 sous le terme d’effet de suppression<\/strong> (suppressor effect<\/em>). Une variable suppressive est un pr\u00e9dicteur qui pr\u00e9sente une corr\u00e9lation bivari\u00e9e quasi-nulle de niveau z\u00e9ro avec la variable crit\u00e8re, mais qui affiche un coefficient de r\u00e9gression partielle β statistiquement significatif et substantiel lorsqu’elle est int\u00e9gr\u00e9e dans le mod\u00e8le aux c\u00f4t\u00e9s d’autres pr\u00e9dicteurs. Ce ph\u00e9nom\u00e8ne survient lorsque cette variable \u00ab supprime \u00bb la variance r\u00e9siduelle non pertinente partag\u00e9e avec un autre pr\u00e9dicteur, purifiant ainsi ce dernier et augmentant sa relation avec le crit\u00e8re.<\/p>\n

Le rep\u00e9rage d’un effet de suppression s’op\u00e8re par la divergence frappante entre les corr\u00e9lations d’ordre z\u00e9ro et les corr\u00e9lations partielles ou les coefficients β dans les sorties SPSS. Loin d’\u00eatre une anomalie statistique, la suppression classique, nette ou coop\u00e9rative, enrichit la th\u00e9orisation psychologique en d\u00e9montrant que l’exclusion d’un bruit psychom\u00e9trique sp\u00e9cifique est n\u00e9cessaire pour r\u00e9v\u00e9ler le pouvoir pr\u00e9dictif latent d’une dimension sous-jacente.<\/p>\n

Parall\u00e8lement, la mod\u00e9lisation lin\u00e9aire permet de tester des hypoth\u00e8ses de mod\u00e9ration<\/strong> ou d’interaction statistique entre pr\u00e9dicteurs continus (analysant si l’effet de X<\/em>1<\/sub> sur Y<\/em> d\u00e9pend du niveau de X<\/em>2<\/sub>). Pour ex\u00e9cuter cette mod\u00e9lisation de mani\u00e8re rigoureuse dans SPSS, il est imp\u00e9ratif de pr\u00e9alablement centrer les pr\u00e9dicteurs continus sur leur moyenne respective avant de g\u00e9n\u00e9rer le terme de produit interactif (via Transformer > Calculer la variable<\/em> : X1_centre * X2_centre<\/code>). Ce centrage \u00e9limine la collin\u00e9arit\u00e9 structurelle artificielle introduite par la cr\u00e9ation du terme multiplicateur. Les chercheurs privil\u00e9gient d\u00e9sormais fr\u00e9quemment l’utilisation de macro-commandes sp\u00e9cialis\u00e9es valid\u00e9es sous SPSS, telles que l’extension PROCESS de Hayes<\/a>, simplifiant l’extraction des effets conditionnels et les visualisations graphiques associ\u00e9es.<\/p>\n

12.3 Validation crois\u00e9e et reproductibilit\u00e9 scientifique<\/h3>\n

L’\u00e9cueil r\u00e9current de l’optimisation par les moindres carr\u00e9s r\u00e9side dans la capitalisation sur la variabilit\u00e9 d’\u00e9chantillonnage : le mod\u00e8le explique toujours mieux l’\u00e9chantillon empirique sur lequel il a \u00e9t\u00e9 calcul\u00e9 qu’il n’expliquerait une nouvelle cohorte d’individus issue de la m\u00eame population parente. Pour estimer pr\u00e9cis\u00e9ment cette perte de variance (ph\u00e9nom\u00e8ne de contraction ou shrinkage<\/em>), le calcul du R-deux de Stein<\/strong> constitue un prolongement analytique de premier plan. La formule de Stein estime la proportion de variance que le mod\u00e8le expliquerait si l’\u00e9quation d\u00e9riv\u00e9e \u00e9tait directement appliqu\u00e9e \u00e0 un \u00e9chantillon ind\u00e9pendant :<\/p>\n

R<\/em>2<\/sup>Stein<\/sub> = 1 − [ (N<\/em> − 1)\/(N<\/em> − k<\/em> − 1) ] × [ (N<\/em> − 2)\/(N<\/em> − k<\/em> − 2) ] × [ (N<\/em> + 1)\/N<\/em> ] × (1 − R<\/em>2<\/sup>)<\/p>\n

Si la diff\u00e9rence entre le R<\/em>2<\/sup> observ\u00e9 de l’\u00e9chantillon et le R<\/em>2<\/sup> de Stein est minime (inf\u00e9rieure \u00e0 0,05), le mod\u00e8le fait preuve d’une excellente stabilit\u00e9 externe. Lorsque la taille globale de la cohorte est particuli\u00e8rement vaste (N<\/em> > 300), il est fortement recommand\u00e9 d’impl\u00e9menter une validation crois\u00e9e par fractionnement d’\u00e9chantillon<\/strong> (split-half validation<\/em>). Cette m\u00e9thode s’ex\u00e9cute dans SPSS en g\u00e9n\u00e9rant une variable de s\u00e9lection al\u00e9atoire (via Donn\u00e9es > S\u00e9lectionner des observations > \u00c9chantillon al\u00e9atoire d’environ 50 % des cas<\/em>). Le mod\u00e8le est alors entra\u00een\u00e9 sur la moiti\u00e9 d’estimation, et les coefficients obtenus sont utilis\u00e9s pour calculer manuellement les scores pr\u00e9dits sur l’autre moiti\u00e9 de confirmation, permettant de corr\u00e9ler ces pr\u00e9dictions avec les valeurs r\u00e9elles pour v\u00e9rifier la r\u00e9plicabilit\u00e9 du syst\u00e8me d’\u00e9quations.<\/p>\n

Enfin, en coh\u00e9rence avec les principes fondamentaux de la science ouverte<\/strong> (Open Science<\/em>) encourag\u00e9s par les institutions de recherche mondiales, la pr\u00e9servation et le partage de la syntaxe op\u00e9rationnelle s’imposent comme un standard de qualit\u00e9. Au lieu de se limiter \u00e0 des manipulations via l’interface graphique de SPSS, l’investigateur doit syst\u00e9matiquement cliquer sur le bouton Coller<\/strong> (Paste<\/em>) au sein des bo\u00eetes de dialogue. Cette commande transf\u00e8re l’int\u00e9gralit\u00e9 des instructions programmatiques formelles dans l’\u00e9diteur de syntaxe SPSS (REGRESSION \/DEPENDENT ... \/METHOD=ENTER ...<\/code>). Le stockage et la mise \u00e0 disposition de ce script annot\u00e9 dans des d\u00e9p\u00f4ts publics s\u00e9curis\u00e9s (tels que l’Open Science Framework) garantissent la reproductibilit\u00e9 computationnelle absolue de l’analyse et renforcent la confiance scientifique dans les r\u00e9sultats rapport\u00e9s.<\/p>\n

R\u00e9f\u00e9rences<\/h2>\n