{"id":2742,"date":"2026-09-06T20:17:05","date_gmt":"2026-09-06T20:17:05","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-tester-multicolinearite-spss\/"},"modified":"2026-09-06T20:17:18","modified_gmt":"2026-09-06T20:17:18","slug":"comment-tester-multicolinearite-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-tester-multicolinearite-spss","title":{"rendered":"Comment tester la multicolin\u00e9arit\u00e9 dans SPSS"},"content":{"rendered":"

Dans le domaine de l’analyse statistique multivari\u00e9e appliqu\u00e9e aux sciences humaines, sociales et biom\u00e9dicales, la r\u00e9gression lin\u00e9aire multiple constitue l’un des piliers m\u00e9thodologiques les plus mobilis\u00e9s pour mod\u00e9liser les relations complexes entre un ensemble de variables explicatives et un crit\u00e8re quantitatif. Toutefois, la validit\u00e9 interne, la pr\u00e9cision de l’estimation et la port\u00e9e inf\u00e9rentielle de ces mod\u00e8les reposent sur le respect scrupuleux d’un ensemble de postulats fondamentaux r\u00e9gissant la th\u00e9orie des moindres carr\u00e9s ordinaires. Parmi ces conditions pr\u00e9alables, l’absence de redondance lin\u00e9aire excessive entre les pr\u00e9dicteurs \u2014 d\u00e9sign\u00e9e sous le terme de non-multicolin\u00e9arit\u00e9 \u2014 repr\u00e9sente une exigence analytique cruciale qui, lorsqu’elle est n\u00e9glig\u00e9e, menace directement l’int\u00e9grit\u00e9 des conclusions scientifiques.<\/p>\n

La d\u00e9tection de la multicolin\u00e9arit\u00e9 s’av\u00e8re particuli\u00e8rement d\u00e9licate en raison de sa nature insidieuse : elle n’alt\u00e8re pas n\u00e9cessairement la capacit\u00e9 globale de pr\u00e9diction de l’\u00e9quation g\u00e9n\u00e9rale ni la valeur globale du coefficient de d\u00e9termination, mais elle d\u00e9grade gravement la s\u00e9parabilit\u00e9 des effets uniques attribuables \u00e0 chaque pr\u00e9dicteur. Dans un environnement logiciel largement diffus\u00e9 tel qu’IBM SPSS Statistics<\/a>, les chercheurs disposent d’un arsenal d’outils diagnostiques sophistiqu\u00e9s allant des matrices de corr\u00e9lations simples aux indicateurs de dispersion factorielle, en passant par les coefficients de tol\u00e9rance et les facteurs d’inflation de la variance. La ma\u00eetrise rigoureuse de ces instruments d’\u00e9valuation s’impose donc comme une comp\u00e9tence m\u00e9thodologique indispensable pour tout analyste soucieux de garantir la r\u00e9plicabilit\u00e9 et la robustesse de ses mod\u00e9lisations.<\/p>\n

Ce guide exhaustif a pour vocation d’exposer en profondeur les fondements th\u00e9oriques, les r\u00e9percussions empiriques et les protocoles op\u00e9rationnels de diagnostic de la multicolin\u00e9arit\u00e9 sous SPSS. \u00c0 travers une d\u00e9marche p\u00e9dagogique et acad\u00e9mique progressive, nous aborderons la distinction th\u00e9orique entre les diff\u00e9rentes formes de colin\u00e9arit\u00e9, les m\u00e9canismes math\u00e9matiques qui sous-tendent les anomalies d’estimation, la s\u00e9quence exacte de programmation au sein de l’interface et de la syntaxe SPSS, ainsi que l’interpr\u00e9tation critique des sorties logicielles. L’ensemble de la d\u00e9marche sera illustr\u00e9 par un cas pratique issu de la recherche en psychologie du travail, accompagn\u00e9 de solutions d’att\u00e9nuation adapt\u00e9es aux normes contemporaines de publication de l’American Psychological Association<\/a>.<\/p>\n

1. Introduction th\u00e9orique \u00e0 la multicolin\u00e9arit\u00e9 dans la recherche quantitative<\/h2>\n

1.1 D\u00e9finition statistique et conceptuelle de la multicolin\u00e9arit\u00e9<\/h3>\n

La multicolin\u00e9arit\u00e9 d\u00e9signe une situation statistique dans laquelle deux ou plusieurs variables ind\u00e9pendantes (ou pr\u00e9dicteurs) au sein d’un mod\u00e8le de r\u00e9gression multiple pr\u00e9sentent un degr\u00e9 d’intercorr\u00e9lation lin\u00e9aire \u00e9lev\u00e9. Sur le plan conceptuel, ce ph\u00e9nom\u00e8ne traduit un chevauchement substantiel de la variance partag\u00e9e entre les variables explicatives, ce qui signifie que l’information v\u00e9hicul\u00e9e par un pr\u00e9dicteur particulier est d\u00e9j\u00e0 presque enti\u00e8rement contenue dans une combinaison lin\u00e9aire d’autres pr\u00e9dicteurs pr\u00e9sents dans l’\u00e9quation. Il est fondamental de distinguer la corr\u00e9lation bivari\u00e9e simple de la multicolin\u00e9arit\u00e9 multiple : alors qu’une corr\u00e9lation de Pearson \u00e9lev\u00e9e entre deux variables constitue une manifestation \u00e9vidente de colin\u00e9arit\u00e9, la multicolin\u00e9arit\u00e9 peut tout \u00e0 fait survenir sans qu’aucun couple de variables n’affiche un coefficient de corr\u00e9lation bivari\u00e9 alarmant, r\u00e9sultant plut\u00f4t de l’effet cumul\u00e9 d’une constellation de variables pr\u00e9dictives.<\/p>\n

Dans la litt\u00e9rature statistique, on op\u00e8re une dichotomie stricte entre la multicolin\u00e9arit\u00e9 parfaite et la multicolin\u00e9arit\u00e9 imparfaite. La colin\u00e9arit\u00e9 parfaite correspond \u00e0 une d\u00e9pendance fonctionnelle exacte entre variables, o\u00f9 l’un des pr\u00e9dicteurs peut \u00eatre exprim\u00e9 comme une fonction lin\u00e9aire d\u00e9terministe d’un ou de plusieurs autres pr\u00e9dicteurs. Dans une telle configuration, le d\u00e9terminant de la matrice de corr\u00e9lation s’annule, rendant math\u00e9matiquement impossible l’inversion matricielle n\u00e9cessaire au calcul des estimateurs des moindres carr\u00e9s. \u00c0 l’oppos\u00e9, la multicolin\u00e9arit\u00e9 imparfaite \u2014 omnipr\u00e9sente dans la recherche empirique \u2014 caract\u00e9rise un continuum o\u00f9 les variables partagent une forte proportion de variance sans pour autant pr\u00e9senter une d\u00e9pendance d\u00e9terministe totale. L’estimation demeure techniquement r\u00e9alisable, mais sa pr\u00e9cision s’en trouve s\u00e9v\u00e8rement compromise.<\/p>\n

Dans les plans factoriels et corr\u00e9lationnels fr\u00e9quemment employ\u00e9s en psychologie, en sociologie et en sciences de l’\u00e9ducation, la multicolin\u00e9arit\u00e9 \u00e9merge souvent de la nature m\u00eame des construits psychom\u00e9triques \u00e9tudi\u00e9s. Les \u00e9chelles mesurant des dimensions adjacentes de la personnalit\u00e9, des facettes motivationnelles ou des sympt\u00f4mes psychopathologiques partagent in\u00e9vitablement une variance de construit et une variance de m\u00e9thode substantielles. Lorsqu’un chercheur int\u00e8gre simultan\u00e9ment dans un m\u00eame mod\u00e8le des dimensions telles que l’anxi\u00e9t\u00e9 g\u00e9n\u00e9rale, l’affect n\u00e9gatif et le neuroticisme, il s’expose intrins\u00e8quement \u00e0 une redondance conceptuelle qui transcende la simple question de mesure pour affecter la structure math\u00e9matique de son analyse.<\/p>\n

1.2 Multicolin\u00e9arit\u00e9 structurelle versus multicolin\u00e9arit\u00e9 des donn\u00e9es<\/h3>\n

Pour appr\u00e9hender ad\u00e9quatement les sources de redondance informationnelle, il est essentiel de diff\u00e9rencier la multicolin\u00e9arit\u00e9 structurelle de la multicolin\u00e9arit\u00e9 li\u00e9e aux donn\u00e9es (ou empirique). La multicolin\u00e9arit\u00e9 structurelle est un artefact math\u00e9matique directement induit par les choix de mod\u00e9lisation du chercheur lors de la cr\u00e9ation de nouvelles variables \u00e0 partir de pr\u00e9dicteurs existants. L’exemple paradigmatique r\u00e9side dans l’inclusion de termes polynomiaux (comme l’\u00e9l\u00e9vation au carr\u00e9 d’une variable continue pour tester un effet curvilin\u00e9aire) ou de termes de produit vectoriel destin\u00e9s \u00e0 mod\u00e9liser des interactions statistiques dans le cadre d’analyses de mod\u00e9ration. Puisque la nouvelle variable calcul\u00e9e est math\u00e9matiquement d\u00e9pendante de ses composantes initiales, une corr\u00e9lation artificielle massive s’installe in\u00e9vitablement entre le terme d’ordre sup\u00e9rieur et les effets principaux.<\/p>\n

Inversement, la multicolin\u00e9arit\u00e9 des donn\u00e9es constitue une propri\u00e9t\u00e9 intrins\u00e8que de l’\u00e9chantillon collect\u00e9 ou de la population sous-jacente. Elle d\u00e9coule fr\u00e9quemment d’un \u00e9chantillonnage restreint, de biais de s\u00e9lection prononc\u00e9s, ou encore d’une covariation naturelle indissociable entre les ph\u00e9nom\u00e8nes observ\u00e9s dans le monde r\u00e9el. Par exemple, dans une \u00e9tude examinant les d\u00e9terminants cognitifs des apprentissages chez les enfants, des variables telles que l’\u00e2ge chronologique, le d\u00e9veloppement du vocabulaire r\u00e9ceptif et la vitesse de traitement de l’information \u00e9voluent de mani\u00e8re synchrone le long de trajectoires d\u00e9veloppementales partag\u00e9es. Dans ce contexte, la colin\u00e9arit\u00e9 ne provient pas d’une manipulation computationnelle, mais refl\u00e8te l’interd\u00e9pendance \u00e9cologique des variables.<\/p>\n

Cette distinction s’av\u00e8re d\u00e9terminante pour la mod\u00e9lisation des processus cognitifs et comportementaux. Tandis que la multicolin\u00e9arit\u00e9 structurelle peut \u00eatre presque int\u00e9gralement neutralis\u00e9e par des op\u00e9rations arithm\u00e9tiques pr\u00e9alables simples telles que le centrage sur la moyenne, la colin\u00e9arit\u00e9 empirique impose des arbitrages m\u00e9thodologiques plus profonds. L’identification a priori des sources potentielles de redondance n\u00e9cessite un audit rigoureux du mod\u00e8le th\u00e9orique en amont de la collecte, permettant d’anticiper si les pr\u00e9dicteurs s\u00e9lectionn\u00e9s capturent des facettes distinctes ou s’ils constituent des duplications fonctionnelles d’un m\u00eame ph\u00e9nom\u00e8ne latent.<\/p>\n

1.3 Pr\u00e9somptions du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral et ind\u00e9pendance des pr\u00e9dicteurs<\/h3>\n

Le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 repose sur une collection d’hypoth\u00e8ses formelles regroup\u00e9es sous le th\u00e9or\u00e8me de Gauss-Markov, lequel garantit que les estimateurs des moindres carr\u00e9s ordinaires sont les meilleurs estimateurs lin\u00e9aires non biais\u00e9s (BLUE : Best Linear Unbiased Estimators<\/em>). Si l’orthodoxie statistique n’exige pas une orthogonalit\u00e9 absolue entre les variables explicatives \u2014 ce qui priverait la r\u00e9gression multiple de tout int\u00e9r\u00eat face aux donn\u00e9es non exp\u00e9rimentales \u2014, elle impose que le rang de la matrice des variables ind\u00e9pendantes soit \u00e9gal au nombre de param\u00e8tres \u00e0 estimer. L’ind\u00e9pendance lin\u00e9aire compl\u00e8te constitue l’id\u00e9al th\u00e9orique vers lequel tend l’exp\u00e9rimentation de laboratoire gr\u00e2ce \u00e0 la manipulation orthogonale des facteurs.<\/p>\n

Sur le plan matriciel, le vecteur des coefficients de r\u00e9gression non standardis\u00e9s est calcul\u00e9 au moyen de la formule classique inversant le produit vectoriel de la matrice des pr\u00e9dicteurs avec elle-m\u00eame, combin\u00e9 au produit vectoriel de cette m\u00eame matrice avec le vecteur de la variable d\u00e9pendante. Lorsque des pr\u00e9dicteurs deviennent fortement interd\u00e9pendants, la matrice de dispersion pr\u00e9sente un \u00e9tat de quasi-singularit\u00e9 math\u00e9matique. Son d\u00e9terminant s’approche dangereusement de z\u00e9ro, ce qui d\u00e9stabilise le processus algorithmique d’inversion matricielle. L’op\u00e9ration num\u00e9rique devient hypersensible, g\u00e9n\u00e9rant des erreurs de calcul d’arrondi et des distorsions majeures dans l’estimation des param\u00e8tres de population.<\/p>\n

Cette quasi-singularit\u00e9 matricielle accro\u00eet de mani\u00e8re exponentielle la sensibilit\u00e9 du mod\u00e8le d’estimation aux fluctuations d’\u00e9chantillonnage les plus infimes. L’ajout ou le retrait d’un nombre restreint d’observations au sein du jeu de donn\u00e9es, ou la simple pr\u00e9sence d’erreurs de mesure r\u00e9siduelles mineures, est susceptible d’entra\u00eener des r\u00e9organisations spectaculaires de la structure des coefficients estim\u00e9s. Ainsi, le non-respect du postulat d’ind\u00e9pendance lin\u00e9aire relative prive les estimations de leur robustesse asymptotique et fragilise l’\u00e9difice inf\u00e9rentiel dans son ensemble.<\/p>\n

2. Cons\u00e9quences statistiques de la multicolin\u00e9arit\u00e9 sur l’inf\u00e9rence<\/h2>\n

2.1 Gonflement des erreurs-types et perte de puissance statistique<\/h3>\n

La cons\u00e9quence la plus directe et la plus pernicieuse de la multicolin\u00e9arit\u00e9 r\u00e9side dans l’inflation artificielle de la variance d’\u00e9chantillonnage des estimateurs des moindres carr\u00e9s ordinaires. En termes math\u00e9matiques, la variance du coefficient de r\u00e9gression associ\u00e9 \u00e0 un pr\u00e9dicteur donn\u00e9 s’exprime comme le quotient de la variance r\u00e9siduelle du mod\u00e8le global divis\u00e9e par le produit de la somme totale des carr\u00e9s de ce pr\u00e9dicteur et d’un facteur r\u00e9ducteur correspondant \u00e0 sa tol\u00e9rance. Lorsque la tol\u00e9rance s’effondre sous l’effet de l’intercorr\u00e9lation, le d\u00e9nominateur devient extr\u00eamement faible, provoquant l’explosion de la variance de l’estimateur et, par cons\u00e9quent, de son erreur-type.<\/p>\n

Ce gonflement excessif des erreurs-types entra\u00eene un \u00e9largissement direct des intervalles de confiance associ\u00e9s aux coefficients non standardis\u00e9s et standardis\u00e9s. Des estimations qui devraient \u00eatre pr\u00e9cises se retrouvent encadr\u00e9es par des marges d’incertitude disproportionn\u00e9es qui englobent fr\u00e9quemment la valeur z\u00e9ro. Par voie de cons\u00e9quence, le ratio du test statistique de Student \u2014 obtenu en divisant le coefficient estim\u00e9 par son erreur-type gonfl\u00e9e \u2014 est artificiellement compress\u00e9 vers le bas. La valeur de la statistique t<\/em> diminue drastiquement, conduisant \u00e0 des probabilit\u00e9s critiques (valeurs p<\/em>) sup\u00e9rieures au seuil de significativit\u00e9 nominal de 0,05.<\/p>\n

Il en r\u00e9sulte une augmentation dramatique du risque d’erreur de type II, d\u00e9fini comme l’incapacit\u00e9 \u00e0 rejeter une hypoth\u00e8se nulle qui est pourtant fondamentalement fausse dans la population \u00e9tudi\u00e9e. Dans les disciplines quantitatives, ce ph\u00e9nom\u00e8ne se traduit par le fait que des pr\u00e9dicteurs dot\u00e9s d’une pertinence th\u00e9orique et empirique indiscutable sont d\u00e9clar\u00e9s non significatifs par le mod\u00e8le analytique. Les chercheurs risquent alors d’abandonner pr\u00e9matur\u00e9ment des pistes th\u00e9oriques valides, simplement parce que la puissance statistique de leurs tests a \u00e9t\u00e9 d\u00e9truite par la colin\u00e9arit\u00e9 sous-jacente.<\/p>\n

2.2 Instabilit\u00e9 num\u00e9rique des coefficients de r\u00e9gression<\/h3>\n

Au-del\u00e0 de la perte de puissance statistique, la pr\u00e9sence d’une multicolin\u00e9arit\u00e9 substantielle induit une volatilit\u00e9 extr\u00eame des coefficients de r\u00e9gression partiels. Lorsque plusieurs pr\u00e9dicteurs partagent un large territoire de variance commune par rapport au crit\u00e8re, le mod\u00e8le lin\u00e9aire peine \u00e0 d\u00e9terminer l’attribution exacte de cette variance \u00e0 une variable sp\u00e9cifique. En cons\u00e9quence, l’introduction ou le retrait d’une seule variable au sein de l’\u00e9quation, ou encore une modification mineure de la composition de l’\u00e9chantillon, peut provoquer des oscillations erratiques de la magnitude des coefficients, les faisant basculer d’une valeur \u00e9lev\u00e9e \u00e0 une valeur marginale sans justification th\u00e9orique.<\/p>\n

Plus d\u00e9concertant encore pour l’analyste est le ph\u00e9nom\u00e8ne d’inversion paradoxale du signe des coefficients, \u00e9galement connu sous le nom d’effet Nettoyage ou effet d’inversion directionnelle. Il n’est pas rare d’observer qu’une variable ind\u00e9pendante pr\u00e9sentant une corr\u00e9lation bivari\u00e9e positive et hautement significative avec la variable d\u00e9pendante h\u00e9rite d’un coefficient de r\u00e9gression n\u00e9gatif et statistiquement non significatif une fois introduite dans l’\u00e9quation multiple aux c\u00f4t\u00e9s de variables redondantes. Ce comportement paradoxal d\u00e9soriente les chercheurs et fausse l’interpr\u00e9tation substantielle des relations mod\u00e9lis\u00e9es.<\/p>\n

Il importe de distinguer rigoureusement ces artefacts colin\u00e9aires des v\u00e9ritables ph\u00e9nom\u00e8nes de suppression statistique d\u00e9crits par Horst (1941)<\/a>. Alors que la suppression classique implique une variable qui am\u00e9liore la pr\u00e9diction en \u00e9purant un autre pr\u00e9dicteur de sa variance non pertinente, l’inversion li\u00e9e \u00e0 la colin\u00e9arit\u00e9 ne refl\u00e8te qu’une d\u00e9faillance algorithmique d’attribution causale. Cette fragilisation compromise s\u00e9v\u00e8rement la validit\u00e9 externe et la r\u00e9plicabilit\u00e9 des r\u00e9sultats empiriques, notamment dans les devis de recherche longitudinaux o\u00f9 la stabilit\u00e9 temporelle des coefficients est un crit\u00e8re central.<\/p>\n

2.3 Impacts sur le coefficient de d\u00e9termination R\u00b2 et l’ajustement global<\/h3>\n

L’une des manifestations les plus caract\u00e9ristiques et diagnostiques d’une multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re est l’\u00e9mergence d’une divergence flagrante entre l’\u00e9valuation globale du mod\u00e8le et les tests statistiques locaux. En pratique, le chercheur observe fr\u00e9quemment un test F<\/em> global d’analyse de variance hautement significatif, associ\u00e9 \u00e0 un coefficient de d\u00e9termination (R\u00b2<\/em>) particuli\u00e8rement \u00e9lev\u00e9, indiquant que l’ensemble des pr\u00e9dicteurs explique une part substantielle de la variance du crit\u00e8re. Simultan\u00e9ment, la quasi-totalit\u00e9 des tests t<\/em> individuels associ\u00e9s aux coefficients partiels \u00e9chouent \u00e0 atteindre le seuil de significativit\u00e9 statistique conventionnel.<\/p>\n

Cette dissociation apparente s’explique par le fait que la multicolin\u00e9arit\u00e9 n’affecte pas l’ajustement pr\u00e9dictif global du mod\u00e8le lin\u00e9aire. Le plan vectoriel d\u00e9fini par l’ensemble des pr\u00e9dicteurs parvient \u00e0 capturer efficacement la trajectoire de la variable d\u00e9pendante dans son ensemble. Cependant, en raison de l’intrication des vecteurs explicatifs, le syst\u00e8me des moindres carr\u00e9s est incapable de d\u00e9composer de fa\u00e7on parcimonieuse cette variance expliqu\u00e9e entre les diff\u00e9rentes composantes individuelles, attribuant \u00e0 chacune une contribution marginale presque nulle une fois les autres contr\u00f4l\u00e9es.<\/p>\n

Cette d\u00e9faillance dans la d\u00e9composition de la variance compromet directement l’\u00e9valuation de l’importance relative des pr\u00e9dicteurs, conduisant \u00e0 des conclusions fallacieuses lors de comparaisons de poids relatifs. De surcro\u00eet, elle entrave l’\u00e9valuation de la validit\u00e9 incr\u00e9mentielle des nouveaux instruments d’\u00e9valuation ou des \u00e9chelles psychom\u00e9triques \u00e9mergentes : un nouvel instrument peut sembler n’apporter aucune valeur explicative ajout\u00e9e simplement parce que sa contribution unique est masqu\u00e9e par sa colin\u00e9arit\u00e9 avec des outils plus anciens d\u00e9j\u00e0 pr\u00e9sents dans l’analyse.<\/p>\n

3. Les indicateurs cl\u00e9s : Tol\u00e9rance et Facteur d’Inflation de la Variance (VIF)<\/h2>\n

3.1 Fondements math\u00e9matiques de la Tol\u00e9rance<\/h3>\n

Pour d\u00e9passer les limites inh\u00e9rentes \u00e0 l’inspection visuelle des corr\u00e9lations simples, la litt\u00e9rature m\u00e9thodologique a formalis\u00e9 des m\u00e9triques quantitatives standardis\u00e9es, au premier rang desquelles figure la Tol\u00e9rance. La Tol\u00e9rance associ\u00e9e \u00e0 un pr\u00e9dicteur j<\/em> sp\u00e9cifique repr\u00e9sente math\u00e9matiquement la proportion de la variance de ce pr\u00e9dicteur particulier qui n’est pas expliqu\u00e9e par la totalit\u00e9 des autres pr\u00e9dicteurs inclus dans le mod\u00e8le de r\u00e9gression. Pour d\u00e9river cette valeur, SPSS proc\u00e8de \u00e0 une r\u00e9gression lin\u00e9aire auxiliaire dans laquelle la variable j<\/em> est temporairement trait\u00e9e comme une variable d\u00e9pendante pr\u00e9dite par l’ensemble des autres variables ind\u00e9pendantes restantes.<\/p>\n

La formulation alg\u00e9brique de la Tol\u00e9rance est d’une grande \u00e9l\u00e9gance conceptuelle et s’\u00e9nonce sous la forme simple :<\/p>\n

Tol\u00e9rance = 1 – R\u00b2j<\/sub><\/strong><\/p>\n

Dans cette \u00e9quation, R\u00b2j<\/sub><\/em> symbolise le coefficient de d\u00e9termination issu de ladite r\u00e9gression auxiliaire. Il s’ensuit que la Tol\u00e9rance oscille obligatoirement \u00e0 l’int\u00e9rieur d’un intervalle th\u00e9orique born\u00e9 entre 0 et 1. Une Tol\u00e9rance approchant l’unit\u00e9 indique que le pr\u00e9dicteur est virtuellement orthogonal aux autres variables explicatives, conservant l’enti\u00e8ret\u00e9 de son autonomie informationnelle. \u00c0 l’inverse, une Tol\u00e9rance proche de 0 signale qu’une fraction massive de la variance de cette variable est redondante et pr\u00e9dite de fa\u00e7on quasi d\u00e9terministe par la combinaison lin\u00e9aire de ses pairs.<\/p>\n

D’un point de vue g\u00e9om\u00e9trique, la Tol\u00e9rance quantifie la longueur de la composante orthogonale du vecteur repr\u00e9sentant la variable consid\u00e9r\u00e9e par rapport \u00e0 l’hyperplan vectoriel sous-tendu par les autres r\u00e9gresseurs. Cependant, une limite inh\u00e9rente \u00e0 la Tol\u00e9rance r\u00e9side dans sa sensibilit\u00e9 m\u00e9canique aux variations d’\u00e9chantillonnage : au sein de petits \u00e9chantillons, les coefficients de d\u00e9termination auxiliaires sont sujets \u00e0 des biais d’\u00e9chantillonnage substantiels, ce qui impose une contextualisation rigoureuse de la m\u00e9trique en regard de la puissance globale de l’\u00e9tude.<\/p>\n

3.2 M\u00e9canique du Facteur d’Inflation de la Variance (VIF)<\/h3>\n

Le Facteur d’Inflation de la Variance, universellement d\u00e9sign\u00e9 par l’acronyme VIF (pour l’anglais Variance Inflation Factor<\/em>), constitue le pendant op\u00e9rationnel et le compl\u00e9ment r\u00e9ciproque direct de la Tol\u00e9rance. Sa relation math\u00e9matique est d\u00e9finie de fa\u00e7on stricte par l’inversion arithm\u00e9tique de la Tol\u00e9rance :<\/p>\n

VIF = 1 \/ Tol\u00e9rance = 1 \/ (1 – R\u00b2j<\/sub>)<\/strong><\/p>\n

Cette relation de r\u00e9ciprocit\u00e9 conf\u00e8re au VIF une signification concr\u00e8te et imm\u00e9diatement intelligible pour le statisticien : il repr\u00e9sente pr\u00e9cis\u00e9ment le ratio par lequel la variance de l’estimateur du coefficient de r\u00e9gression est gonfl\u00e9e par rapport \u00e0 ce qu’elle aurait \u00e9t\u00e9 si le pr\u00e9dicteur en question avait \u00e9t\u00e9 parfaitement orthogonal \u00e0 tous les autres pr\u00e9dicteurs du mod\u00e8le. Par exemple, un VIF de 4 signifie que la variance d’\u00e9chantillonnage du coefficient est quatre fois plus importante que sous des conditions d’ind\u00e9pendance parfaite, ce qui \u00e9quivaut \u00e0 un doublement m\u00e9canique de son erreur-type (puisque l’erreur-type correspond \u00e0 la racine carr\u00e9e de la variance).<\/p>\n

\"VIF
VIF in SPSS<\/figcaption><\/figure>\n

La valeur minimale th\u00e9orique du VIF est \u00e9gale \u00e0 1,00, attestant d’une absence absolue de colin\u00e9arit\u00e9 entre la variable consid\u00e9r\u00e9e et les autres r\u00e9gresseurs. Au fur et \u00e0 mesure que la colin\u00e9arit\u00e9 s’intensifie, la valeur du VIF cro\u00eet de fa\u00e7on asymptotique vers l’infini. En fournissant une quantification directe de l’impact de la redondance sur l’impr\u00e9cision statistique, le VIF d\u00e9passe largement l’utilit\u00e9 des simples corr\u00e9lations bivari\u00e9es de Pearson, lesquelles demeurent fondamentalement incapables de capturer les relations de d\u00e9pendance impliquant trois pr\u00e9dicteurs ou davantage.<\/p>\n

3.3 Seuils critiques d’alerte et consensus m\u00e9thodologique<\/h3>\n

L’application du VIF et de la Tol\u00e9rance dans la recherche empirique est tributaire de seuils de d\u00e9cision qui ont fait l’objet de vifs d\u00e9bats au sein de la communaut\u00e9 scientifique. Historiquement, la r\u00e8gle mn\u00e9motechnique la plus largement cit\u00e9e dans les manuels classiques de statistiques propose un seuil critique conservateur fix\u00e9 \u00e0 VIF > 10<\/strong>, ce qui correspond math\u00e9matiquement \u00e0 une Tol\u00e9rance < 0,10<\/strong>. Ce niveau de tol\u00e9rance implique que plus de 90 % de la variance du pr\u00e9dicteur en cause est expliqu\u00e9e par les autres variables du mod\u00e8le. Si ce seuil de 10 demeure une borne d’invalidation absolue pour la plupart des estimateurs, la m\u00e9thodologie contemporaine le consid\u00e8re souvent comme excessivement tol\u00e9rant.<\/p>\n

Dans les disciplines des sciences sociales et comportementales, o\u00f9 les erreurs de mesure inh\u00e9rentes aux questionnaires et tests psychologiques r\u00e9duisent d\u00e9j\u00e0 la puissance statistique des protocoles, des seuils de vigilance plus stricts se sont progressivement impos\u00e9s. De nombreux auteurs de r\u00e9f\u00e9rence, \u00e0 l’instar de Hair, Black, Babin et Anderson (2019)<\/a>, recommandent un seuil d’intervention prudent d\u00e8s lors que le VIF d\u00e9passe 5,00<\/strong> (Tol\u00e9rance < 0,20). Dans les contextes de mod\u00e9lisation causale rigoureuse ou d'\u00e9valuation de la validit\u00e9 discriminante, des crit\u00e8res encore plus drastiques sugg\u00e8rent d'adopter un seuil d'alerte \u00e0 VIF > 3,30<\/strong>.<\/p>\n

Il est toutefois imp\u00e9ratif d’\u00e9viter toute application m\u00e9canique et d\u00e9contextualis\u00e9e de ces seuils num\u00e9riques. Le danger repr\u00e9sent\u00e9 par un VIF donn\u00e9 est intimement li\u00e9 aux objectifs de la recherche et aux caract\u00e9ristiques de l’\u00e9chantillon. Dans une optique purement pr\u00e9dictive ax\u00e9e sur la minimisation de l’erreur quadratique moyenne de pr\u00e9diction hors \u00e9chantillon, des valeurs de VIF \u00e9lev\u00e9es s’av\u00e8rent bien moins dommageables que dans le cadre d’une d\u00e9marche confirmatoire explicative visant l’inf\u00e9rence causale de param\u00e8tres individuels. De surcro\u00eet, au sein de tr\u00e8s larges cohortes \u00e9pid\u00e9miologiques ou d\u00e9mographiques, les erreurs-types de base sont si r\u00e9duites qu’une inflation mod\u00e9r\u00e9e du VIF ne compromet pas n\u00e9cessairement la validit\u00e9 des tests statistiques.<\/p>\n

4. Diagnostics compl\u00e9mentaires : Matrice de corr\u00e9lation et d\u00e9composition spectrale<\/h2>\n

4.1 L’examen pr\u00e9liminaire de la matrice de corr\u00e9lation de Pearson<\/h3>\n

Bien que les indicateurs multivari\u00e9s tels que le VIF soient indispensables, l’inspection de la matrice de corr\u00e9lation bivari\u00e9e de Pearson demeure une \u00e9tape exploratoire pr\u00e9liminaire incontournable dans tout protocole d’analyse de r\u00e9gression. Cette d\u00e9marche initiale permet d’obtenir un panorama synoptique des associations lin\u00e9aires par paires entre toutes les variables retenues dans l’\u00e9tude. Traditionnellement, les analystes s’accordent \u00e0 consid\u00e9rer qu’une corr\u00e9lation bivari\u00e9e inter-pr\u00e9dicteurs d\u00e9passant r = 0,70<\/strong> ou r = 0,80<\/strong> signale un risque majeur de colin\u00e9arit\u00e9, indiquant que les deux variables partagent au minimum 50 % \u00e0 64 % de leur variance respective.<\/p>\n

N\u00e9anmoins, les m\u00e9thodologistes mettent en garde contre une confiance exclusive accord\u00e9e \u00e0 cette seule matrice. L’incapacit\u00e9 de la corr\u00e9lation bivari\u00e9e \u00e0 d\u00e9celer la multicolin\u00e9arit\u00e9 multidimensionnelle constitue sa limite technique la plus pernicieuse. Une variable d\u00e9pendante peut n’avoir aucune association bivari\u00e9e exc\u00e9dant 0,40 ou 0,50 avec d’autres variables prises individuellement, tout en \u00e9tant simultan\u00e9ment pr\u00e9dite \u00e0 plus de 90 % par la combinaison de trois autres pr\u00e9dicteurs mod\u00e9r\u00e9ment corr\u00e9l\u00e9s entre eux. Se focaliser uniquement sur l’absence de coefficients de Pearson \u00e9lev\u00e9s engendre ainsi un faux sentiment de s\u00e9curit\u00e9 statistique.<\/p>\n

Pour enrichir ce premier filtre exploratoire, il est judicieux de recourir aux matrices de corr\u00e9lations partielles et semi-partielles (ou corr\u00e9lations de partie sous SPSS). L’examen de l’effondrement de la corr\u00e9lation semi-partielle d’un pr\u00e9dicteur par rapport \u00e0 sa corr\u00e9lation bivari\u00e9e d’ordre z\u00e9ro avec le crit\u00e8re offre une indication tangible de la dilution de son apport unique dans l’espace multidimensionnel du mod\u00e8le.<\/p>\n

4.2 Valeurs propres et indices de conditionnement<\/h3>\n

Pour identifier les d\u00e9pendances lin\u00e9aires multivari\u00e9es complexes que les indices scalaires univari\u00e9s ne parviennent pas \u00e0 caract\u00e9riser, les statisticiens ont d\u00e9velopp\u00e9 une approche g\u00e9om\u00e9trique fond\u00e9e sur l’analyse spectrale de la matrice de donn\u00e9es. Cette m\u00e9thodologie, int\u00e9gr\u00e9e nativement dans les sorties de r\u00e9gression lin\u00e9aire de SPSS, repose sur la d\u00e9composition en valeurs singuli\u00e8res et l’extraction des valeurs propres (eigenvalues<\/em>) de la matrice des pr\u00e9dicteurs pr\u00e9alablement centr\u00e9s et r\u00e9duits, en incluant le terme de la constante.<\/p>\n

Les valeurs propres refl\u00e8tent la quantit\u00e9 de variance captur\u00e9e par les diff\u00e9rents axes orthogonaux dans l’espace multidimensionnel des pr\u00e9dicteurs. Lorsqu’un \u00e9tat de quasi-d\u00e9pendance lin\u00e9aire pr\u00e9vaut dans le mod\u00e8le, une ou plusieurs de ces valeurs propres s’effondrent vers z\u00e9ro. \u00c0 partir de ces valeurs propres, SPSS calcule l’Indice de Conditionnement<\/strong> (Condition Index<\/em>, CI) pour chaque dimension k<\/em>, selon l’expression math\u00e9matique standard :<\/p>\n

CIk<\/sub> = \u221a(\u03bbmax<\/sub> \/ \u03bbk<\/sub>)<\/strong><\/p>\n

Dans cette formulation, \u03bbmax<\/sub><\/em> d\u00e9signe la valeur propre la plus \u00e9lev\u00e9e de la matrice, tandis que \u03bbk<\/sub><\/em> repr\u00e9sente la valeur propre associ\u00e9e \u00e0 la k<\/em>-i\u00e8me dimension vectorielle. Par d\u00e9finition, le premier indice de conditionnement est toujours rigoureusement \u00e9gal \u00e0 1,00. Selon les travaux s\u00e9minaux de Belsley, Kuh et Welsch (1980)<\/a>, un indice de conditionnement compris entre 15 et 30<\/strong> atteste d’une colin\u00e9arit\u00e9 mod\u00e9r\u00e9e \u00e0 forte, tandis qu’un indice de conditionnement d\u00e9passant 30<\/strong> indique sans ambigu\u00eft\u00e9 une d\u00e9pendance lin\u00e9aire s\u00e9v\u00e8re et d\u00e9l\u00e9t\u00e8re pour la stabilit\u00e9 des estimations num\u00e9riques.<\/p>\n

4.3 Proportions de d\u00e9composition de la variance<\/h3>\n

Si l’indice de conditionnement permet de diagnostiquer avec certitude la pr\u00e9sence d’une pathologie de colin\u00e9arit\u00e9, il ne renseigne pas par lui-m\u00eame sur les variables sp\u00e9cifiques responsables de cette distorsion. C’est ici qu’intervient le tableau des proportions de d\u00e9composition de la variance fourni par SPSS. Ce tableau pr\u00e9sente, pour chaque valeur propre et son indice de conditionnement associ\u00e9, la distribution proportionnelle de la variance d’\u00e9chantillonnage de chaque coefficient de r\u00e9gression (y compris l’intercept) sur les diff\u00e9rentes dimensions spectrales.<\/p>\n

L’\u00e9valuation repose sur la r\u00e8gle diagnostique formelle \u00e9tablie par Belsley et ses collaborateurs : une dimension pose un probl\u00e8me critique de multicolin\u00e9arit\u00e9 lorsque son indice de conditionnement est sup\u00e9rieur \u00e0 30 (ou compris entre 15 et 30 pour une gravit\u00e9 mod\u00e9r\u00e9e) ET<\/strong> qu’elle capture simultan\u00e9ment une proportion de variance sup\u00e9rieure \u00e0 0,50 (soit 50 %)<\/strong> pour au moins deux coefficients<\/strong> de r\u00e9gression distincts. Si un indice de conditionnement \u00e9lev\u00e9 n’est associ\u00e9 \u00e0 une forte proportion de variance que pour une seule variable, cela traduit g\u00e9n\u00e9ralement une instabilit\u00e9 d’\u00e9chelle ou un probl\u00e8me li\u00e9 au terme constant, et non une interd\u00e9pendance destructive entre plusieurs pr\u00e9dicteurs.<\/p>\n

Cette analyse matricielle crois\u00e9e fonctionne comme une v\u00e9ritable cartographie topologique de la redondance. Elle permet au chercheur de d\u00e9signer avec pr\u00e9cision les pr\u00e9dicteurs en conflit direct au sein du mod\u00e8le, distinguant les variables coupables de celles qui demeurent neutres et pr\u00e9serv\u00e9es de l’instabilit\u00e9 d’estimation. Cette pr\u00e9cision analytique est particuli\u00e8rement pr\u00e9cieuse pour orienter les d\u00e9cisions d’ajustement m\u00e9thodologique ult\u00e9rieures.<\/p>\n

5. Pr\u00e9paration des donn\u00e9es sous SPSS avant l’analyse diagnostique<\/h2>\n

5.1 V\u00e9rification des conditions pr\u00e9alables et nettoyage du jeu de donn\u00e9es<\/h3>\n

Avant d’engager toute proc\u00e9dure formelle de diagnostic de colin\u00e9arit\u00e9 sous SPSS, une phase rigoureuse d’audit et d’assainissement des donn\u00e9es s’av\u00e8re indispensable. La premi\u00e8re \u00e9tape consiste en un examen minutieux des valeurs manquantes. L’exclusion par d\u00e9faut des observations incompl\u00e8tes (suppression listwise<\/em>) peut non seulement alt\u00e9rer la repr\u00e9sentativit\u00e9 de l’\u00e9chantillon, mais \u00e9galement compresser artificiellement la variance des variables cl\u00e9s, exacerbant ainsi la vuln\u00e9rabilit\u00e9 du mod\u00e8le \u00e0 la colin\u00e9arit\u00e9. Le cas \u00e9ch\u00e9ant, des techniques d’imputation multiple ou l’algorithme d’esp\u00e9rance-maximisation (EM) doivent \u00eatre mobilis\u00e9s via le menu Analyser > Analyse des valeurs manquantes<\/strong> afin de pr\u00e9server la structure de covariance globale du jeu de donn\u00e9es.<\/p>\n

\"\"<\/figure>\n

Parall\u00e8lement, la d\u00e9tection des valeurs aberrantes univari\u00e9es et multivari\u00e9es s’impose comme une n\u00e9cessit\u00e9 absolue. Les observations atypiques peuvent exercer une influence disproportionn\u00e9e (effet de levier) sur la structure de corr\u00e9lation, cr\u00e9ant des colin\u00e9arit\u00e9s artificielles ou, au contraire, masquant des redondances syst\u00e9miques. L’inspection des scores standardis\u00e9s Z<\/em> permet d’\u00e9carter les d\u00e9viations univari\u00e9es excessives (|Z| > 3,29, p<\/em> < 0,001), tandis que le calcul de la Distance de Mahalanobis<\/strong> \u2014 ex\u00e9cutable directement dans SPSS au sein de la sous-fen\u00eatre de sauvegarde de la r\u00e9gression lin\u00e9aire \u2014 permet d’isoler les profils multivari\u00e9s discordants en \u00e9valuant leur ad\u00e9quation au seuil du chi-deux pour les degr\u00e9s de libert\u00e9 correspondants.<\/p>\n

Enfin, le chercheur doit valider la pr\u00e9somption de lin\u00e9arit\u00e9 globale en g\u00e9n\u00e9rant des diagrammes de dispersion bivari\u00e9s matriciels (Graphiques > G\u00e9n\u00e9rateur de graphiques > Nuage de points<\/strong>). La multicolin\u00e9arit\u00e9 reposant par essence sur l’hypoth\u00e8se de combinaisons lin\u00e9aires, toute relation non lin\u00e9aire sous-jacente viendrait fausser la lecture des indices d’interd\u00e9pendance. De surcro\u00eet, le statut de mesure continue des pr\u00e9dicteurs doit \u00eatre scrupuleusement respect\u00e9 au sens m\u00e9trique du terme, les \u00e9chelles ordinales courtes n\u00e9cessitant des traitements pr\u00e9liminaires sp\u00e9cifiques.<\/p>\n

5.2 Centrage et r\u00e9duction pr\u00e9alable des variables continues<\/h3>\n

Le centrage des pr\u00e9dicteurs continus sur leur moyenne arithm\u00e9tique respective constitue l’une des strat\u00e9gies pr\u00e9ventives les plus puissantes de l’\u00e9conom\u00e9trie appliqu\u00e9e. Cette technique consiste simplement \u00e0 soustraire la moyenne de l’\u00e9chantillon de chaque score individuel pour une variable donn\u00e9e. Sous SPSS, cette transformation s’op\u00e8re ais\u00e9ment en calculant au pr\u00e9alable la moyenne via Analyser > Statistiques descriptives > Descriptives<\/strong>, puis en utilisant le menu Transformer > Calculer la variable<\/strong> pour cr\u00e9er la variable modifi\u00e9e.<\/p>\n

Il importe de clarifier la distinction conceptuelle entre le centrage simple et la standardisation compl\u00e8te en scores r\u00e9duits (scores Z<\/em>). Alors que le centrage simple pr\u00e9serve l’unit\u00e9 de mesure originale de la variable tout en d\u00e9pla\u00e7ant son origine \u00e0 z\u00e9ro, la standardisation divise \u00e9galement la valeur centr\u00e9e par l’\u00e9cart-type de la distribution. Sous SPSS, la standardisation peut \u00eatre automatis\u00e9e en cochant l’option Enregistrer les valeurs normalis\u00e9es dans des variables<\/em> dans la bo\u00eete de dialogue des statistiques descriptives. Si la standardisation facilite la comparaison de la force relative des coefficients dans des mod\u00e8les complexes, le simple centrage suffit amplement \u00e0 neutraliser les distorsions colin\u00e9aires issues des termes d’ordre sup\u00e9rieur.<\/p>\n

L’impact fondamental du centrage r\u00e9side dans la red\u00e9finition math\u00e9matique du terme constant (l’ordonn\u00e9e \u00e0 l’origine ou l’intercept<\/em>). Dans un mod\u00e8le utilisant des variables brutes non centr\u00e9es, la constante refl\u00e8te la valeur esp\u00e9r\u00e9e de la variable d\u00e9pendante lorsque tous les pr\u00e9dicteurs sont nuls \u2014 une situation fr\u00e9quemment absurde d’un point de vue psychom\u00e9trique ou biologique. En centrant les variables, l’ordonn\u00e9e \u00e0 l’origine devient l’esp\u00e9rance conditionnelle du crit\u00e8re pour un individu affichant des scores moyens sur l’ensemble des pr\u00e9dicteurs, ce qui \u00e9limine la colin\u00e9arit\u00e9 artificielle massive qui se noue syst\u00e9matiquement entre la constante et les variables ind\u00e9pendantes brutes.<\/p>\n

5.3 Gestion des variables cat\u00e9gorielles et codage fictif (Dummy Coding)<\/h3>\n

L’int\u00e9gration de variables qualitatives nominales ou ordinales au sein d’un mod\u00e8le de r\u00e9gression multiple sous SPSS requiert leur recodage pr\u00e9alable sous forme de variables binaires indicatrices (ou variables muettes \/ dummy variables<\/em>), cod\u00e9es traditionnellement 0 et 1. Une variable cat\u00e9gorielle comportant k<\/em> modalit\u00e9s distinctes doit obligatoirement \u00eatre transform\u00e9e en un bloc vectoriel de k – 1<\/strong> variables muettes. Ce recodage s’effectue ais\u00e9ment via Transformer > Cr\u00e9er des variables fictives<\/strong> ou par le truchement de la fonction de recodage conditionnel sous l’environnement SPSS.<\/p>\n

L’\u00e9cueil m\u00e9thodologique absolu en la mati\u00e8re est connu sous la d\u00e9nomination classique de \u00ab pi\u00e8ge de la variable muette \u00bb (dummy variable trap<\/em>). Si l’analyste commet l’erreur d’inclure les k<\/em> variables muettes simultan\u00e9ment dans le mod\u00e8le aux c\u00f4t\u00e9s de la constante, la somme de ces variables indicatrices \u00e9quivaut rigoureusement \u00e0 1 pour l’ensemble des observations du fichier de donn\u00e9es, soit exactement la valeur vectorielle de l’ordonn\u00e9e \u00e0 l’origine. Cette redondance d\u00e9terministe cr\u00e9e une multicolin\u00e9arit\u00e9 parfaite absolue. SPSS r\u00e9agit alors de fa\u00e7on automatique en expulsant arbitrairement l’une des modalit\u00e9s ou en affichant un message d’avertissement relatif \u00e0 la singularit\u00e9 de la matrice.<\/p>\n

L’omission d\u00e9lib\u00e9r\u00e9e et syst\u00e9matique d’une cat\u00e9gorie de r\u00e9f\u00e9rence est donc indispensable pour identifier math\u00e9matiquement le syst\u00e8me lin\u00e9aire. La cat\u00e9gorie omise devient le point d’ancrage contrefactuel auquel sont compar\u00e9es les modalit\u00e9s incluses. De plus, les praticiens doivent veiller \u00e0 l’\u00e9quilibre des effectifs au sein des modalit\u00e9s : l’inclusion d’une variable fictive caract\u00e9ris\u00e9e par une pr\u00e9valence marginale infime (par exemple, 98 % de z\u00e9ros et 2 % de uns) introduit une pseudo-colin\u00e9arit\u00e9 s\u00e9v\u00e8re avec la constante, entra\u00eenant une explosion de l’erreur-type associ\u00e9e \u00e0 cette modalit\u00e9 rare.<\/p>\n

6. Protocole \u00e9tape par \u00e9tape pour tester la multicolin\u00e9arit\u00e9 sous SPSS<\/h2>\n

6.1 Navigation et param\u00e9trage du menu R\u00e9gression Lin\u00e9aire<\/h3>\n

L’ex\u00e9cution d’un diagnostic formel de multicolin\u00e9arit\u00e9 sous SPSS emprunte le module standard d’estimation lin\u00e9aire. La navigation s’effectue en acc\u00e9dant au menu sup\u00e9rieur du logiciel et en s\u00e9lectionnant la s\u00e9quence suivante : Analyser > R\u00e9gression > Lin\u00e9aire…<\/strong>. Cette action d\u00e9ploie la bo\u00eete de dialogue principale d\u00e9di\u00e9e au param\u00e9trage du mod\u00e8le des moindres carr\u00e9s ordinaires, laquelle centralise les options d’assignation des variables et de contr\u00f4le algorithmique.<\/p>\n

\"\"<\/figure>\n

Une fois l’interface ouverte, le chercheur doit s\u00e9lectionner la variable crit\u00e8re continue dans la liste des variables disponibles sur la gauche et la transf\u00e9rer dans le champ D\u00e9pendante :<\/strong> via la fl\u00e8che directionnelle centrale. Dans un second temps, l’ensemble des pr\u00e9dicteurs continus et des variables muettes (k – 1) pr\u00e9alablement cr\u00e9\u00e9s doivent \u00eatre s\u00e9lectionn\u00e9s conjointement puis d\u00e9plac\u00e9s dans la zone intitul\u00e9e Ind\u00e9pendantes :<\/strong>, qui correspond au bloc de mod\u00e9lisation initiale (Bloc 1 sur 1).<\/p>\n

Un arbitrage m\u00e9thodologique fondamental concerne le choix du menu d\u00e9roulant M\u00e9thode :<\/strong>. Bien que SPSS propose des algorithmes automatiques de s\u00e9lection de variables tels que les m\u00e9thodes Pas \u00e0 pas (Stepwise<\/em>), Descendante (Backward<\/em>) ou Ascendante (Forward<\/em>), ces proc\u00e9dures sont formellement d\u00e9conseill\u00e9es dans le cadre d’une recherche confirmatoire ou d’une validation rigoureuse des pr\u00e9somptions. L’analyste doit imp\u00e9rativement conserver la m\u00e9thode par d\u00e9faut intitul\u00e9e Entr\u00e9e<\/strong> (Enter<\/em>). La m\u00e9thode d’entr\u00e9e forc\u00e9e garantit que l’int\u00e9gralit\u00e9 du syst\u00e8me th\u00e9orique des pr\u00e9dicteurs est estim\u00e9e simultan\u00e9ment, condition sine qua non<\/em> pour mesurer la colin\u00e9arit\u00e9 r\u00e9elle inh\u00e9rente \u00e0 l’architecture globale du mod\u00e8le test\u00e9.<\/p>\n

6.2 Activation des options de diagnostic de colin\u00e9arit\u00e9<\/h3>\n

L’activation des indicateurs quantitatifs de redondance ne fait pas partie des options par d\u00e9faut de base de SPSS ; elle requiert une configuration explicite de la part de l’utilisateur. Depuis la fen\u00eatre principale de r\u00e9gression lin\u00e9aire, il est n\u00e9cessaire de cliquer sur le bouton vertical situ\u00e9 sur le panneau de droite nomm\u00e9 Statistiques…<\/strong>. Cette op\u00e9ration fait appara\u00eetre une fen\u00eatre contextuelle secondaire rassemblant les options d’\u00e9valuation des param\u00e8tres et d’ad\u00e9quation globale.<\/p>\n

Dans cette sous-fen\u00eatre, la d\u00e9marche m\u00e9thodologique exige de cocher scrupuleusement les options suivantes :<\/p>\n