Comprendre la logique interne, les conditions de validit\u00e9 param\u00e9trique, les \u00e9cueils interpr\u00e9tatifs et les d\u00e9clinaisons empiriques de ces trois mod\u00e9lisations s’av\u00e8re indispensable pour quiconque aspire \u00e0 conduire des analyses de donn\u00e9es probantes. Le pr\u00e9sent trait\u00e9 propose une immersion exhaustive au sein de ces trois paradigmes. En explorant successivement leurs fondements math\u00e9matiques, leurs m\u00e9canismes de conversion probabiliste, leurs protocoles diagnostiques et leurs illustrations concr\u00e8tes au sein de divers domaines des sciences empiriques, cet ouvrage vise \u00e0 fournir aux chercheurs et analystes une boussole th\u00e9orique et op\u00e9rationnelle sans compromis sur la rigueur formelle.<\/p>\n
1. Introduction aux fondements conceptuels de la r\u00e9gression logistique<\/h2>\n1.1 D\u00e9finition et r\u00f4le des variables d\u00e9pendantes cat\u00e9gorielles<\/h3>\n
L’application d’un mod\u00e8le de r\u00e9gression lin\u00e9aire classique par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO) repose sur un corpus d’hypoth\u00e8ses distributionnelles strictes, formalis\u00e9es notamment par le th\u00e9or\u00e8me de Gauss-Markov. Parmi celles-ci figurent l’hypoth\u00e8se de lin\u00e9arit\u00e9 de l’esp\u00e9rance conditionnelle, la normalit\u00e9 des r\u00e9sidus stochastiques et l’homosc\u00e9dasticit\u00e9, d\u00e9finie par une variance constante du terme d’erreur \u00e0 travers toutes les valeurs prises par les pr\u00e9dicteurs. Lorsqu’un chercheur s’attache \u00e0 pr\u00e9dire une variable d\u00e9pendante qualitative ou cat\u00e9gorielle, ce cadre th\u00e9orique s’effondre de mani\u00e8re irr\u00e9vocable.<\/p>\n
Consid\u00e9rons une variable de r\u00e9ponse binaire cod\u00e9e de mani\u00e8re bool\u00e9enne (z\u00e9ro ou un). Si l’on ajuste une droite des moindres carr\u00e9s \u00e0 une telle distribution, le mod\u00e8le lin\u00e9aire de probabilit\u00e9 (MLP) r\u00e9sultant pr\u00e9sente deux failles structurelles majeures. En premier lieu, la variance du terme d’erreur d\u00e9pend directement de la valeur de l’esp\u00e9rance conditionnelle : la variance r\u00e9siduelle s’exprime sous la forme p(x)(1 – p(x)), o\u00f9 p(x) est la probabilit\u00e9 d’occurrence de l’\u00e9v\u00e9nement conditionnellement aux pr\u00e9dicteurs. L’erreur est donc intrins\u00e8quement h\u00e9t\u00e9rosc\u00e9dastique, invalidant les calculs usuels des erreurs-types et les tests de significativit\u00e9 associ\u00e9s (tests de Student et de Fisher). En second lieu, la fonction lin\u00e9aire n’\u00e9tant soumise \u00e0 aucune contrainte asymptotique, elle pr\u00e9dit in\u00e9vitablement pour certaines combinaisons extr\u00eames des r\u00e9gresseurs des probabilit\u00e9s n\u00e9gatives ou strictement sup\u00e9rieures \u00e0 l’unit\u00e9, ce qui constitue une absurdit\u00e9 math\u00e9matique au regard des axiomes de Kolmogorov r\u00e9gissant la th\u00e9orie des probabilit\u00e9s.<\/p>\n
Pour r\u00e9soudre cette incoh\u00e9rence, l’analyse multivari\u00e9e s’est orient\u00e9e vers le cadre unificateur des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s formalis\u00e9 par John Nelder et Robert Wedderburn. Au sein des GLM, la variable d\u00e9pendante cat\u00e9gorielle n’est plus assimil\u00e9e \u00e0 une grandeur continue perturb\u00e9e par un bruit gaussien, mais est appr\u00e9hend\u00e9e comme la r\u00e9alisation d’une variable al\u00e9atoire discr\u00e8te ob\u00e9issant \u00e0 une distribution appartenant \u00e0 la famille exponentielle \u2014 en l’occurrence la distribution de Bernoulli pour les cas binaires, ou multinomiale pour les structures polytomiques. Le r\u00f4le de la variable d\u00e9pendante est alors red\u00e9fini : l’objet de la mod\u00e9lisation n’est pas le score cat\u00e9goriel direct, mais la probabilit\u00e9 conditionnelle sous-jacente associ\u00e9e \u00e0 l’appartenance \u00e0 une modalit\u00e9 donn\u00e9e.<\/p>\n
Dans les sciences comportementales, cognitives et m\u00e9dicales, la conceptualisation de ces variables qualitatives r\u00e9pond \u00e0 la n\u00e9cessit\u00e9 d’op\u00e9rationnaliser des construits latents non directement observables. Qu’il s’agisse de caract\u00e9riser la transition vers un trouble mental caract\u00e9ris\u00e9, la r\u00e9ussite \u00e0 une t\u00e2che psychom\u00e9trique sous conditions chronom\u00e9tr\u00e9es, ou l’observance th\u00e9rapeutique, la variable cat\u00e9gorielle traduit le franchissement d’un seuil critique qualitatif. La mod\u00e9lisation statistique doit d\u00e8s lors capturer avec exactitude cette nature discr\u00e8te sans violer les contraintes de bornage inh\u00e9rentes aux espaces de probabilit\u00e9s.<\/p>\n
1.2 La transformation logit et la fonction sigmo\u00efde<\/h3>\n
L’\u00e9l\u00e9gance formelle de la r\u00e9gression logistique r\u00e9side dans sa capacit\u00e9 \u00e0 op\u00e9rer une passerelle math\u00e9matique entre un espace de pr\u00e9dicteurs lin\u00e9aires non born\u00e9, variant th\u00e9oriquement de l’infini n\u00e9gatif \u00e0 l’infini positif, et un espace de probabilit\u00e9s strictement restreint \u00e0 l’intervalle ouvert ]0, 1[. Cette liaison repose sur deux concepts interd\u00e9pendants : le rapport de cotes, commun\u00e9ment d\u00e9sign\u00e9 sous le terme anglo-saxon d’odds<\/em>, et la transformation logarithmique de ce rapport, baptis\u00e9e transformation logit<\/strong>.<\/p>\n Soit p la probabilit\u00e9 qu’un \u00e9v\u00e9nement survienne conditionnellement \u00e0 un vecteur de covariables X. La cote (ou odds) est d\u00e9finie par le quotient de la probabilit\u00e9 de survenue de l’\u00e9v\u00e9nement sur la probabilit\u00e9 de son non-av\u00e8nement, soit : Cote = p \/ (1 – p). Alors que p \u00e9volue au sein de l’intervalle [0, 1], la cote s’\u00e9tend sur l’ensemble des r\u00e9els positifs non nuls [0, +inf[. Bien que cette m\u00e9trique l\u00e8ve la borne sup\u00e9rieure, elle demeure contrainte par une borne inf\u00e9rieure \u00e0 z\u00e9ro et pr\u00e9sente une asym\u00e9trie marqu\u00e9e. L’application du logarithme n\u00e9p\u00e9rien \u00e0 cette cote \u2014 c’est-\u00e0-dire le calcul de ln[p \/ (1 – p)] \u2014 g\u00e9n\u00e8re la fonction logit. Cette derni\u00e8re projette de fa\u00e7on bijective l’intervalle de probabilit\u00e9 ]0, 1[ sur la droite r\u00e9elle tout enti\u00e8re ]-inf, +inf[, r\u00e9alisant ainsi la lin\u00e9arisation souhait\u00e9e : logit(p) = ln(p \/ (1 – p)) = beta_0 + beta_1 * X_1 + … + beta_k * X_k.<\/p>\n En inversant alg\u00e9briquement la fonction logit, on obtient la fonction logistique standard, fr\u00e9quemment appel\u00e9e courbe sigmo\u00efde<\/strong>. L’expression de la probabilit\u00e9 conditionnelle s’\u00e9crit alors de fa\u00e7on explicite : p = 1 \/ [1 + exp(-(beta_0 + sum(beta_j * X_j)))]. Cette courbe sigmo\u00efdale pr\u00e9sente des propri\u00e9t\u00e9s math\u00e9matiques remarquables. Sa d\u00e9riv\u00e9e premi\u00e8re est strictement positive, assurant une croissance monotone, et atteint son point d’inflexion maximal lorsque p = 0,5, ce qui correspond \u00e0 un logit \u00e9gal \u00e0 z\u00e9ro. Asymptotiquement, la courbe converge vers z\u00e9ro lorsque la combinaison lin\u00e9aire tend vers l’infini n\u00e9gatif, et vers un lorsqu’elle tend vers l’infini positif. Ce comportement non lin\u00e9aire refl\u00e8te fid\u00e8lement la r\u00e9alit\u00e9 empirique : aux extr\u00e9mit\u00e9s des distributions, une augmentation d’une unit\u00e9 sur une variable explicative g\u00e9n\u00e8re une variation marginale de probabilit\u00e9 infinit\u00e9simale, tandis qu’au centre de la distribution, le m\u00eame accroissement produit un impact maximal sur la bascule de l’\u00e9v\u00e9nement.<\/p>\n L’estimation des param\u00e8tres beta du mod\u00e8le logistique ne peut \u00eatre accomplie par la m\u00e9thode ferm\u00e9e des moindres carr\u00e9s en raison de la nature non lin\u00e9aire des probabilit\u00e9s r\u00e9sultantes. On recourt donc au principe d’estimation par le maximum de vraisemblance<\/strong> (MLE, pour Maximum Likelihood Estimation<\/em>). La fonction de vraisemblance exprime la probabilit\u00e9 conjointe d’observer l’\u00e9chantillon empirique collect\u00e9 en fonction des param\u00e8tres inconnus du mod\u00e8le. Sous l’hypoth\u00e8se d’ind\u00e9pendance des observations, cette fonction prend la forme d’un produit des probabilit\u00e9s individuelles de Bernoulli. Afin de simplifier la r\u00e9solution analytique, on applique le logarithme n\u00e9p\u00e9rien \u00e0 cette expression pour maximiser la log-vraisemblance (log-likelihood). L’annulation des d\u00e9riv\u00e9es premi\u00e8res par rapport aux coefficients g\u00e9n\u00e8re un syst\u00e8me d’\u00e9quations non lin\u00e9aires transcendantes d\u00e9pourvu de solution analytique directe. L’optimisation num\u00e9rique est d\u00e8s lors d\u00e9l\u00e9gu\u00e9e \u00e0 des algorithmes it\u00e9ratifs puissants, tels que l’algorithme de Newton-Raphson ou la m\u00e9thode de score de Fisher, qui convergent par approximations successives vers le vecteur de param\u00e8tres rendant maximale la vraisemblance de l’\u00e9chantillon observ\u00e9.<\/p>\n La primaut\u00e9 de la r\u00e9gression logistique dans la recherche quantitative moderne d\u00e9coule de sa polyvalence m\u00e9thodologique et de sa robustesse inf\u00e9rentielle face aux exigences des plans de recherche observationnels et exp\u00e9rimentaux. En \u00e9pid\u00e9miologie et en psychopathologie quantitative, elle offre un outil d’investigation sans \u00e9quivalent pour quantifier les associations \u00e9tiologiques tout en neutralisant l’effet de biais d’assignation ou de distribution.<\/p>\n Un avantage capital de cette m\u00e9thode r\u00e9side dans son aptitude \u00e0 int\u00e9grer simultan\u00e9ment des covariables de natures m\u00e9triques radicalement divergentes. Un m\u00eame mod\u00e8le pr\u00e9dictif peut agr\u00e9ger sans distorsion math\u00e9matique des pr\u00e9dicteurs continus (par exemple l’\u00e2ge du participant, la concentration s\u00e9rique d’un biomarqueur ou le score brut obtenu \u00e0 une \u00e9chelle psychom\u00e9trique standardis\u00e9e), des r\u00e9gresseurs discrets issus de comptages, ainsi que des variables qualitatives nominales ou ordinales cod\u00e9es sous forme d’indicatrices binaires (variables muettes ou dummy variables<\/em>). Cette souplesse d’architecture pr\u00e9serve l’int\u00e9grit\u00e9 structurelle des donn\u00e9es brutes, \u00e9liminant le besoin de cat\u00e9gorisations artificielles et dommageables pour la puissance statistique.<\/p>\n Par ailleurs, au sein des protocoles observationnels o\u00f9 la randomisation stricte s’av\u00e8re mat\u00e9riellement ou \u00e9thiquement impossible, le contr\u00f4le des variables confusionnelles constitue le d\u00e9fi majeur de l’inf\u00e9rence causale. La r\u00e9gression logistique permet d’isoler l’effet sp\u00e9cifique d’une variable d’int\u00e9r\u00eat clinique ou comportementale sur la cote de survenue d’un \u00e9tat, en maintenant math\u00e9matiquement constants les niveaux des facteurs confondants identifi\u00e9s. En fournissant des estimations conditionnelles ajust\u00e9es, elle pr\u00e9vient l’\u00e9mergence d’artefacts statistiques tels que le paradoxe de Simpson. Enfin, la translucidit\u00e9 de sa m\u00e9trique de sortie \u2014 l’Odds Ratio (OR) \u2014 en fait le standard universel de communication scientifique pour qualifier l’intensit\u00e9 de l’association entre un pr\u00e9dicteur et une issue clinique binaire ou polytomique.<\/p>\n L’arbre d\u00e9cisionnel guidant la s\u00e9lection du mod\u00e8le logistique ad\u00e9quat est exclusivement tributaire de la structure alg\u00e9brique et s\u00e9mantique de l’\u00e9chelle de mesure employ\u00e9e pour op\u00e9rationnaliser la variable crit\u00e8re (d\u00e9pendante). Selon la nature relationnelle unissant les diff\u00e9rentes modalit\u00e9s de cette variable, trois architectures mod\u00e9lisatrices se distinguent nettement.<\/p>\n La premi\u00e8re configuration, structurellement la plus \u00e9l\u00e9mentaire, correspond \u00e0 l’\u00e9chelle nominale dichotomique stricte, donnant lieu \u00e0 la r\u00e9gression logistique binaire<\/strong>. Dans ce sch\u00e9ma, la variable d\u00e9pendante ne peut assumer que deux \u00e9tats mutuellement exclusifs et conjointement exhaustifs. L’espace d’\u00e9chantillonnage de la r\u00e9ponse refl\u00e8te une logique bivalente : pr\u00e9sence versus absence d’une entit\u00e9 clinique, \u00e9chec versus r\u00e9ussite d’un individu \u00e0 un test d’aptitude, ou maintien versus d\u00e9sengagement au sein d’une cohorte longitudinale. La polarit\u00e9 des deux modalit\u00e9s est conventionnellement formalis\u00e9e par les valeurs num\u00e9riques z\u00e9ro (absence de l’\u00e9v\u00e9nement cible) et un (survenue de l’\u00e9v\u00e9nement cible).<\/p>\n La deuxi\u00e8me configuration \u00e9merge lorsque l’espace cat\u00e9goriel s’\u00e9largit pour accueillir trois modalit\u00e9s ou davantage, sans qu’aucun ordre hi\u00e9rarchique, s\u00e9quentiel ou quantitatif ne puisse leur \u00eatre assign\u00e9 de fa\u00e7on univoque. Il s’agit du domaine de la r\u00e9gression logistique multinomiale<\/strong>. Les cat\u00e9gories observ\u00e9es correspondent \u00e0 des classes purement qualitatives, distinctes et ind\u00e9pendantes. Les exemples typiques englobent le choix d’un traitement psychoth\u00e9rapeutique de pr\u00e9dilection parmi plusieurs \u00e9coles th\u00e9oriques (psychanalyse, th\u00e9rapie comportementale et cognitive, approche syst\u00e9mique), la s\u00e9lection d’un mode de transport urbain, ou encore l’orientation professionnelle vers des fili\u00e8res acad\u00e9miques h\u00e9t\u00e9rog\u00e8nes. Tenter d’ordonner de telles classes introduirait une distorsion s\u00e9mantique arbitraire faussant int\u00e9gralement l’analyse.<\/p>\n La troisi\u00e8me configuration traite des variables qualitatives polytomiques pr\u00e9sentant une structure interne rigoureusement ordonn\u00e9e, justifiant l’application de la r\u00e9gression logistique ordinale<\/strong>. Dans cette modalit\u00e9 de mesure, les cat\u00e9gories de r\u00e9ponse poss\u00e8dent une m\u00e9trique directionnelle intrins\u00e8que : chaque modalit\u00e9 successive d\u00e9note un degr\u00e9 plus \u00e9lev\u00e9 ou plus faible du ph\u00e9nom\u00e8ne appr\u00e9hend\u00e9 que la modalit\u00e9 qui la pr\u00e9c\u00e8de. Toutefois, contrairement aux variables quantitatives continues mesur\u00e9es sur des \u00e9chelles d’intervalles ou de rapports, les distances s\u00e9parant les cat\u00e9gories adjacentes demeurent inconnues et fondamentalement in\u00e9gales. L’\u00e9valuation de la satisfaction th\u00e9rapeutique (allant de \u00ab tr\u00e8s insatisfait \u00bb \u00e0 \u00ab tr\u00e8s satisfait \u00bb), la stadification clinique d’une s\u00e9v\u00e9rit\u00e9 symptomatique (l\u00e9g\u00e8re, mod\u00e9r\u00e9e, s\u00e9v\u00e8re) ou l’exploitation d’items sur une \u00e9chelle de Likert<\/a> constituent les arch\u00e9types de cette taxonomie ordinale.<\/p>\n Pour appr\u00e9hender d’un coup d’\u0153il les divergences formelles et empiriques qui structurent ces trois mod\u00e8les, le tableau synoptique ci-dessous synth\u00e9tise leurs propri\u00e9t\u00e9s distinctives, depuis la formalisation de leur fonction de lien jusqu’aux contraintes param\u00e9triques qui leur sont propres.<\/p>\n L’analyse de ce tableau met en lumi\u00e8re une fracture th\u00e9orique fondamentale dans la gestion des param\u00e8tres de r\u00e9gression. Alors que le mod\u00e8le multinomial lib\u00e8re totalement les pentes pour chaque niveau de comparaison au prix d’une inflation substantielle du nombre de param\u00e8tres \u00e0 estimer (multipliant les coefficients par K – 1), le mod\u00e8le ordinal standard contraint les pentes r\u00e9gulatrices des covariables \u00e0 l’invariance stricte \u00e0 travers toutes les partitions cumulatives. Cette distinction entra\u00eene des cons\u00e9quences directes sur la parcimonie du mod\u00e8le et sur les exigences de puissance d’\u00e9chantillonnage.<\/p>\n L’arbitrage entre ces trois approches ne saurait r\u00e9sulter d’une simple convenance computationnelle : il engage directement la validit\u00e9 \u00e9cologique et statistique des inf\u00e9rences produites. L’investigateur doit proc\u00e9der \u00e0 un examen m\u00e9thodique de la m\u00e9trique intrins\u00e8que de la variable d\u00e9pendante avant toute sp\u00e9cification algorithmique.<\/p>\n Une pratique encore trop fr\u00e9quente au sein de la litt\u00e9rature quantitative consiste \u00e0 op\u00e9rer une dichotomisation artificielle d’une variable polytomique ordinale \u2014 par exemple, en scindant un score de d\u00e9pression en deux groupes arbitraires s\u00e9par\u00e9s par la m\u00e9diane ou par un seuil clinique conventionnel. Les travaux m\u00e9thodologiques contemporains ont formellement d\u00e9montr\u00e9 que cette strat\u00e9gie d\u00e9truit irr\u00e9versiblement une part consid\u00e9rable de l’information statistique contenue dans la distribution originelle. La dichotomisation artificielle diminue consid\u00e9rablement la puissance statistique, induit une sous-estimation substantielle de la taille des effets r\u00e9els, et accro\u00eet le risque d’introduire des erreurs de classification non diff\u00e9rentielles. Si la variable de r\u00e9ponse poss\u00e8de intrins\u00e8quement trois niveaux de gravit\u00e9 ou davantage, l’usage du mod\u00e8le ordinal s’impose th\u00e9oriquement de plein droit face au mod\u00e8le binaire.<\/p>\n \u00c0 l’inverse, l’application irr\u00e9fl\u00e9chie d’un mod\u00e8le multinomial \u00e0 une variable ordonn\u00e9e engendre un co\u00fbt d’efficience statistique non n\u00e9gligeable. En ignorant d\u00e9lib\u00e9r\u00e9ment l’information relative au rang des modalit\u00e9s, le mod\u00e8le multinomial traite les cat\u00e9gories ordonn\u00e9es comme des entit\u00e9s ind\u00e9pendantes non connect\u00e9es. Il en r\u00e9sulte une dispersion inutile des degr\u00e9s de libert\u00e9, une diminution drastique de la pr\u00e9cision des estimations (\u00e9largissement des intervalles de confiance) et une interpr\u00e9tation cognitivement fragment\u00e9e des dynamiques d’\u00e9l\u00e9vation d’un niveau \u00e0 l’autre. Le mod\u00e8le multinomial ne doit donc \u00eatre retenu pour des variables ordonn\u00e9es que si et seulement si l’hypoth\u00e8se de parall\u00e9lisme du mod\u00e8le ordinal est formellement et irr\u00e9m\u00e9diablement r\u00e9fut\u00e9e par les donn\u00e9es empiriques.<\/p>\n L’architecture de la r\u00e9gression logistique binaire prend sa source dans la th\u00e9orie des probabilit\u00e9s appliqu\u00e9es \u00e0 la distribution de Bernoulli. Soit une variable de r\u00e9ponse al\u00e9atoire discr\u00e8te Y_i associ\u00e9e \u00e0 une observation individuelle i (pour i variant de 1 \u00e0 N), pouvant prendre la valeur 1 avec une probabilit\u00e9 conditionnelle p_i, ou la valeur 0 avec une probabilit\u00e9 compl\u00e9mentaire 1 – p_i. Le vecteur ligne des variables explicatives associ\u00e9es \u00e0 cette observation est d\u00e9not\u00e9 X_i = [1, X_i1, X_i2, …, X_ik], incluant le terme unitaire d\u00e9di\u00e9 \u00e0 l’interception.<\/p>\n La formulation alg\u00e9brique fondamentale du mod\u00e8le logistique binaire s’exprime dans l’espace non born\u00e9 des log-odds :<\/p>\n \n logit(p_i) = ln[ p_i \/ (1 – p_i) ] = beta_0 + sum_{j=1}^{k} (beta_j * X_ij) = X_i * beta\n<\/p>\n Dans cette formulation, beta repr\u00e9sente le vecteur colonne des param\u00e8tres structuraux de r\u00e9gression \u00e0 estimer. L’\u00e9quation \u00e9tablit que le logarithme du rapport de cotes est une fonction strictement lin\u00e9aire des covariables. Pour transiter de cet espace abstrait vers l’espace concret des probabilit\u00e9s estim\u00e9es, on applique la transformation r\u00e9ciproque par exponentiation, conduisant \u00e0 la formulation fonctionnelle de la sigmo\u00efde :<\/p>\n \n p_i = E(Y_i | X_i) = exp(X_i * beta) \/ [ 1 + exp(X_i * beta) ] = 1 \/ [ 1 + exp(-X_i * beta) ]\n<\/p>\n Dans cette mod\u00e9lisation, le terme d’erreur stochastique epsilon_i n’appara\u00eet pas sous la forme additive homosc\u00e9dastique famili\u00e8re des mod\u00e8les MCO (Y = X*beta + epsilon). L’al\u00e9a stochastique est directement gouvern\u00e9 par la loi de probabilit\u00e9 conditionnelle de Bernoulli elle-m\u00eame : Y_i | X_i ~ B(p_i). La variance d’\u00e9chantillonnage de la r\u00e9ponse d\u00e9pend fonctionnellement de la moyenne conditionnelle : Var(Y_i | X_i) = p_i * (1 – p_i). Cette liaison intrins\u00e8que entre la moyenne et la variance impose une mod\u00e9lisation non lin\u00e9aire exacte et justifie le rejet de toute approche fond\u00e9e sur la minimisation d’une somme quadratique des r\u00e9sidus.<\/p>\n La d\u00e9rivation et l’interpr\u00e9tation des param\u00e8tres estim\u00e9s constituent un volet fondamental de l’analyse. Contrairement aux coefficients d’une r\u00e9gression lin\u00e9aire qui traduisent directement la variation absolue moyenne de la variable d\u00e9pendante par unit\u00e9 d’accroissement du pr\u00e9dicteur, les coefficients beta d’un mod\u00e8le logistique quantifient une variation dans l’\u00e9chelle logarithmique des cotes.<\/p>\n Le terme constant du mod\u00e8le, beta_0 (l’interception), refl\u00e8te la valeur attendue du logit lorsque l’ensemble des pr\u00e9dicteurs continus et indicatrices centr\u00e9es du mod\u00e8le sont simultan\u00e9ment fix\u00e9s \u00e0 z\u00e9ro. En calculant l’exponentielle de cette constante, exp(beta_0), le statisticien acc\u00e8de \u00e0 la \u00ab cote de base \u00bb (baseline odds) d’occurrence de l’\u00e9v\u00e9nement cible pour la population de r\u00e9f\u00e9rence pr\u00e9sentant un vecteur nul de covariables.<\/p>\n Les coefficients de pente, d\u00e9not\u00e9s beta_j, capturent l’incr\u00e9ment additif apport\u00e9 au logit pour chaque augmentation marginale d’une unit\u00e9 de la variable explicative X_j, toutes choses \u00e9gales par ailleurs (ceteris paribus). Pour conf\u00e9rer \u00e0 ces valeurs une signification concr\u00e8te dans le langage de l’\u00e9valuation des risques et des propensions comportementales, on proc\u00e8de \u00e0 leur exponentiation syst\u00e9matique. La quantit\u00e9 exp(beta_j) correspond \u00e0 l’Odds Ratio<\/strong> (OR), ou rapport de cotes ajust\u00e9 associ\u00e9 au pr\u00e9dicteur j :<\/p>\n \n OR_j = exp(beta_j) = [ p(X_j + 1) \/ (1 – p(X_j + 1)) ] \/ [ p(X_j) \/ (1 – p(X_j)) ]\n<\/p>\n L’\u00e9valuation de la directionnalit\u00e9 et de l’ampleur de l’effet s’articule autour de trois r\u00e9gimes distincts :<\/p>\n L’\u00e9valuation m\u00e9trologique d’un mod\u00e8le logistique binaire requiert la conjonction d’indices statistiques globaux d’ajustement et de mesures concr\u00e8tes de calibration et de discrimination classificationnelle.<\/p>\n Le point d’ancrage de l’inf\u00e9rence globale repose sur la d\u00e9viance<\/strong> du mod\u00e8le, d\u00e9finie par D = -2 * ln(L), o\u00f9 L repr\u00e9sente la vraisemblance maximis\u00e9e de l’\u00e9chantillon. La comparaison d’un mod\u00e8le satur\u00e9 (parfaitement ajust\u00e9 aux donn\u00e9es avec autant de param\u00e8tres que d’observations) et du mod\u00e8le sp\u00e9cifi\u00e9 sous-tend la d\u00e9viance r\u00e9siduelle. L’efficacit\u00e9 collective des pr\u00e9dicteurs est mesur\u00e9e par le Test du Rapport de Vraisemblance<\/strong> (Likelihood Ratio Test, ou G^2), qui confronte la d\u00e9viance du mod\u00e8le nul (ne comportant que la constante) \u00e0 celle du mod\u00e8le complet : G^2 = D_nul – D_complet = -2 * [ ln(L_0) – ln(L_complet) ]. Sous l’hypoth\u00e8se nulle d’inutilit\u00e9 pr\u00e9dictive des k pr\u00e9dicteurs, cette statistique suit asymptotiquement une distribution du Khi-deux de Pearson \u00e0 k degr\u00e9s de libert\u00e9.<\/p>\n L’absence de r\u00e9sidus gaussiens interdit le calcul du coefficient de d\u00e9termination R^2 classique fond\u00e9 sur la variance expliqu\u00e9e. Pour pallier cette lacune, plusieurs m\u00e9triques de substitution, d\u00e9sign\u00e9es sous le vocable de Pseudo R-deux<\/strong>, ont \u00e9t\u00e9 th\u00e9oris\u00e9es :<\/p>\n Au-del\u00e0 des m\u00e9triques d’ajustement global, l’efficience pratique d’un mod\u00e8le binaire est appr\u00e9hend\u00e9e au moyen de sa matrice de confusion<\/strong>, obtenue en croisant les \u00e9tats empiriques observ\u00e9s avec les classifications pr\u00e9dites par le mod\u00e8le apr\u00e8s application d’un seuil de d\u00e9cision (traditionnellement fix\u00e9 \u00e0 p = 0,50). Cette matrice permet l’extraction de deux grandeurs fondamentales : la sensibilit\u00e9<\/em> (la propension du mod\u00e8le \u00e0 d\u00e9tecter correctement les cas r\u00e9els positifs) et la sp\u00e9cificit\u00e9<\/em> (la capacit\u00e9 \u00e0 \u00e9carter rigoureusement les vrais n\u00e9gatifs). En faisant varier ce seuil d’assignation de 0 \u00e0 1, on trace la courbe caract\u00e9ristique du fonctionnement du r\u00e9cepteur (Courbe ROC<\/a>). L’aire sous cette courbe (AUC pour Area Under the Curve<\/em>), \u00e9quivalente \u00e0 la statistique de concordance C de Harrell, r\u00e9sume la capacit\u00e9 discriminante globale du syst\u00e8me : une AUC de 0,50 d\u00e9note une absence totale de discrimination (\u00e9quivalente au tirage \u00e0 pile ou face), tandis qu’une AUC sup\u00e9rieure \u00e0 0,80 consacre une discrimination excellente, culminant \u00e0 1,0 pour une s\u00e9paration absolue sans chevauchement.<\/p>\n Afin d’illustrer la m\u00e9canique computationnelle et l’interpr\u00e9tation concr\u00e8te d’une r\u00e9gression logistique binaire, analysons une \u00e9tude empirique men\u00e9e dans le champ de la psychologie du travail et de la gestion des ressources humaines. Une organisation multinationale souhaite mod\u00e9liser les d\u00e9terminants sous-jacents \u00e0 l’embauche d\u00e9finitive de cadres sup\u00e9rieurs \u00e0 l’issue d’un processus s\u00e9lectif rigoureux. La cohorte d’analyse comprend 450 candidats \u00e9valu\u00e9s de mani\u00e8re standardis\u00e9e.<\/p>\n La variable d\u00e9pendante cat\u00e9gorielle est cod\u00e9e de fa\u00e7on binaire : Embauche = 1 si le candidat est formellement retenu \u00e0 l’issue du comit\u00e9 de s\u00e9lection, et Embauche = 0 dans le cas contraire. Trois covariables explicatives sont int\u00e9gr\u00e9es au mod\u00e8le :<\/p>\n L’estimation par le maximum de vraisemblance livre les param\u00e8tres pr\u00e9sent\u00e9s dans le tableau synth\u00e9tique suivant :<\/p>\n L’\u00e9quation de r\u00e9gression dans l’espace logit s’\u00e9tablit formellement comme suit : logit(p) = -2,145 + 0,845*(IE) + 0,512*(QI) + 0,185*(EXP). La constante (-2,145) indique que pour un candidat pr\u00e9sentant des scores moyens en IE et QI (0) et aucune exp\u00e9rience pr\u00e9alable (EXP = 0), la cote de base d’\u00eatre embauch\u00e9 n’est que de 0,117. En convertissant cette cote en probabilit\u00e9 brute via la formule p = 0,117 \/ (1 + 0,117), on constate que ce profil ne d\u00e9tient qu’une probabilit\u00e9 th\u00e9orique de s\u00e9lection de 10,48 %.<\/p>\n L’analyse des Odds Ratios apporte un \u00e9clairage substantiel sur l’impact comparatif des facteurs humains. L’intelligence \u00e9motionnelle d\u00e9montre l’effet le plus prononc\u00e9 : toutes choses \u00e9gales par ailleurs, chaque accroissement d’un \u00e9cart-type sur l’\u00e9chelle de l’IE multiplie la cote d’embauche par 2,328 (soit une \u00e9l\u00e9vation de 132,8 % de la cote). Le quotient intellectuel, bien que hautement significatif sur le plan statistique (p < 0,001), pr\u00e9sente un effet plus mod\u00e9r\u00e9, multipliant la cote d’embauche par 1,669 (+ 66,9 % par \u00e9cart-type). Enfin, chaque ann\u00e9e suppl\u00e9mentaire d’exp\u00e9rience manag\u00e9riale accro\u00eet la cote d’embauche d’un facteur de 1,203 (+ 20,3 % par an).<\/p>\n Pour appr\u00e9hender l’impact de ces param\u00e8tres au niveau individuel, projetons la probabilit\u00e9 d’embauche d’un candidat exceptionnel affichant une IE sup\u00e9rieure de 1,5 \u00e9cart-type au-dessus de la moyenne, un QI sup\u00e9rieur de 1,0 \u00e9cart-type, et 8 ann\u00e9es d’exp\u00e9rience terrain. Le logit pr\u00e9dit est calcul\u00e9 comme : logit(p) = -2,145 + (0,845 * 1,5) + (0,512 * 1,0) + (0,185 * 8) = -2,145 + 1,2675 + 0,512 + 1,480 = 1,1145. En injectant ce logit dans la fonction sigmo\u00efde, on d\u00e9rive la probabilit\u00e9 pr\u00e9dite : p = 1 \/ [1 + exp(-1,1145)] = 1 \/ [1 + 0,3281] = 0,7530, soit 75,3 % de chances d’acc\u00e9der au poste convoit\u00e9.<\/p>\n Consid\u00e9rons \u00e0 pr\u00e9sent une \u00e9tude \u00e9pid\u00e9miologique en psychopathologie portant sur l’identification des facteurs d’\u00e9mergence d’un \u00c9pisode D\u00e9pressif Majeur (EDM) au sein d’une cohorte m\u00e9dicale suivie en soins primaires (N = 820). Le crit\u00e8re d’\u00e9valuation clinique est une variable binaire mesur\u00e9e par une entrevue diagnostique structur\u00e9e : Pr\u00e9sence_EDM = 1, Absence_EDM = 0.<\/p>\n Le mod\u00e8le int\u00e8gre trois covariables sp\u00e9cifiques recueillies lors d’un bilan pr\u00e9dictif initial :<\/p>\n1.3 Importance de la m\u00e9thode dans la recherche quantitative<\/h3>\n
2. Typologie g\u00e9n\u00e9rale : binaire, multinomiale et ordinale<\/h2>\n
2.1 Crit\u00e8res taxonomiques fond\u00e9s sur l’\u00e9chelle de mesure<\/h3>\n
![\"types](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/typesLogisticRegression1.png\")
2.2 Tableau synoptique comparatif des trois architectures<\/h3>\n
\n\n
\n \nDimension d’analyse<\/th>\n Logistique binaire<\/th>\n Logistique multinomiale<\/th>\n Logistique ordinale (Cotes proportionnelles)<\/th>\n<\/tr>\n<\/thead>\n \n Nature de la variable Y<\/strong><\/td>\n Dichotomique (2 modalit\u00e9s exclusives : 0, 1)<\/td>\n Polytomique nominale (K ≥ 3 modalit\u00e9s non ordonn\u00e9es)<\/td>\n Polytomique ordinale (K ≥ 3 modalit\u00e9s avec hi\u00e9rarchie sous-jacente)<\/td>\n<\/tr>\n \n Nombre d’\u00e9quations estim\u00e9es<\/strong><\/td>\n Une \u00e9quation unique de logit<\/td>\n K – 1 \u00e9quations logit simultan\u00e9es<\/td>\n K – 1 \u00e9quations cumulatives simultan\u00e9es<\/td>\n<\/tr>\n \n Fonction de lien principale<\/strong><\/td>\n Logit standard : ln[p \/ (1 – p)]<\/td>\n Logits g\u00e9n\u00e9ralis\u00e9s ancr\u00e9s sur une modalit\u00e9 de r\u00e9f\u00e9rence<\/td>\n Logits cumulatifs : ln[P(Y ≤ k) \/ P(Y > k)]<\/td>\n<\/tr>\n \n Param\u00e8tres structurels<\/strong><\/td>\n Une constante (alpha) et un vecteur de pentes (beta)<\/td>\n K – 1 constantes et K – 1 vecteurs de pentes distincts<\/td>\n K – 1 seuils de coupure ordonn\u00e9s (alpha_k) et un unique vecteur de pentes (beta)<\/td>\n<\/tr>\n \n Hypoth\u00e8se param\u00e9trique cl\u00e9<\/strong><\/td>\n Lin\u00e9arit\u00e9 du logit pour les variables continues<\/td>\n Ind\u00e9pendance des alternatives non pertinentes (IIA)<\/td>\n Parall\u00e9lisme des pentes (cotes proportionnelles)<\/td>\n<\/tr>\n \n M\u00e9trique d’effet rapport\u00e9e<\/strong><\/td>\n Odds Ratio (OR) binaire<\/td>\n Ratio de Risques Relatifs (RRR) par rapport \u00e0 la base<\/td>\n Odds Ratio Cumulatif invariant \u00e0 travers les seuils<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n 2.3 Crit\u00e8res de d\u00e9cision pour le choix du mod\u00e8le optimal<\/h3>\n
3. La r\u00e9gression logistique binaire : principes th\u00e9oriques<\/h2>\n
3.1 Architecture formelle et \u00e9quation logit<\/h3>\n
3.2 Interpr\u00e9tation statistique des coefficients estim\u00e9s<\/h3>\n
\n
3.3 Qualit\u00e9 de l’ajustement et indices pr\u00e9dictifs<\/h3>\n
\n
4. Exemples appliqu\u00e9s de r\u00e9gression logistique binaire<\/h2>\n
4.1 Exemple 1 : Pr\u00e9diction de la r\u00e9ussite au recrutement professionnel<\/h3>\n
\n
\n\n
\n \nPr\u00e9dicteur<\/th>\n Coefficient (B)<\/th>\n Erreur-type (SE)<\/th>\n Statistique de Wald<\/th>\n p-valeur<\/th>\n Odds Ratio (exp(B))<\/th>\n IC 95% pour l’OR<\/th>\n<\/tr>\n<\/thead>\n \n Constante (beta_0)<\/td>\n -2,145<\/td>\n 0,312<\/td>\n 47,26<\/td>\n < 0,001<\/td>\n 0,117<\/td>\n \u2014<\/td>\n<\/tr>\n \n Intelligence \u00c9motionnelle (IE)<\/td>\n 0,845<\/td>\n 0,154<\/td>\n 30,11<\/td>\n < 0,001<\/td>\n 2,328<\/td>\n [1,721 ; 3,149]<\/td>\n<\/tr>\n \n Quotient Intellectuel (QI)<\/td>\n 0,512<\/td>\n 0,148<\/td>\n 11,97<\/td>\n < 0,001<\/td>\n 1,669<\/td>\n [1,249 ; 2,230]<\/td>\n<\/tr>\n \n Exp\u00e9rience (EXP)<\/td>\n 0,185<\/td>\n 0,042<\/td>\n 19,40<\/td>\n < 0,001<\/td>\n 1,203<\/td>\n [1,108 ; 1,307]<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n 4.2 Exemple 2 : Diagnostic de l’\u00e9tat d\u00e9pressif caract\u00e9ris\u00e9<\/h3>\n