{"id":3473,"date":"2026-10-14T18:01:02","date_gmt":"2026-10-14T18:01:02","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-une-courbe-roc-dans-excel-etape-par-etape\/"},"modified":"2026-10-14T18:01:02","modified_gmt":"2026-10-14T18:01:02","slug":"comment-creer-une-courbe-roc-dans-excel-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-une-courbe-roc-dans-excel-etape-par-etape","title":{"rendered":"Comment cr\u00e9er une courbe ROC dans Excel (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

L\u2019\u00e9valuation rigoureuse de la validit\u00e9 diagnostique et pronostique constitue l\u2019un des piliers m\u00e9thodologiques les plus exigeants de la psychom\u00e9trie contemporaine et des neurosciences comportementales. Lorsqu\u2019un chercheur ou un clinicien \u00e9labore une \u00e9chelle de mesure, qu\u2019il s\u2019agisse d\u2019un inventaire mesurant la symptomatologie d\u00e9pressive, d\u2019un outil de rep\u00e9rage des troubles neurocognitifs ou d\u2019un test mesurant des traits de personnalit\u00e9 dysfonctionnels, la question centrale demeure invariablement la m\u00eame : avec quelle pr\u00e9cision cet instrument quantitatif permet-il de discriminer les individus pr\u00e9sentant une affection clinique de ceux qui en sont exempts ? Dans ce contexte, la courbe ROC, acronyme de Receiver Operating Characteristic<\/em>, s\u2019est impos\u00e9e comme l\u2019\u00e9talon-or pour quantifier et visualiser l\u2019exactitude intrins\u00e8que d\u2019un test continu face \u00e0 un statut de r\u00e9f\u00e9rence binaire.<\/p>\n

Bien que des progiciels statistiques sp\u00e9cialis\u00e9s tels que R, SPSS, SAS ou Jamovi int\u00e8grent des modules automatis\u00e9s pour g\u00e9n\u00e9rer ces repr\u00e9sentations, la construction pas \u00e0 pas d\u2019une analyse ROC au sein d\u2019un tableur tel que Microsoft Excel pr\u00e9sente une valeur p\u00e9dagogique et heuristique in\u00e9gal\u00e9e. Loin d\u2019\u00eatre une simple t\u00e2che d\u2019ex\u00e9cution technique, la manipulation explicite des donn\u00e9es brutes, l\u2019orchestration des tris s\u00e9quentiels, le calcul des fr\u00e9quences cumul\u00e9es et l\u2019int\u00e9gration de la surface sous la courbe par des m\u00e9thodes g\u00e9om\u00e9triques permettent au praticien de s\u2019approprier intimement la m\u00e9canique probabiliste de la d\u00e9cision clinique. Cette d\u00e9marche d\u00e9mystifie des concepts fondamentaux tels que la sensibilit\u00e9, la sp\u00e9cificit\u00e9, l\u2019erreur de type I et de type II, tout en offrant une transparence algorithmique totale souvent occult\u00e9e par les bo\u00eetes noires des logiciels commerciaux.<\/p>\n

Le pr\u00e9sent guide exhaustif a pour vocation d\u2019accompagner les chercheurs, psychologues quantitativistes, \u00e9tudiants et professionnels de sant\u00e9 \u00e0 travers chaque \u00e9tape n\u00e9cessaire \u00e0 la mod\u00e9lisation compl\u00e8te d\u2019une courbe ROC dans Microsoft Excel, sans recourir \u00e0 la moindre macro VBA ni \u00e0 aucun composant externe. De la pr\u00e9paration m\u00e9ticuleuse de la matrice de donn\u00e9es \u00e0 l\u2019optimisation graphique r\u00e9pondant aux crit\u00e8res \u00e9ditoriaux internationaux, en passant par le calcul trap\u00e9zo\u00efdal de l\u2019aire sous la courbe (AUC) et la d\u00e9termination objective du seuil de coupure optimal via l\u2019indice de Youden, chaque s\u00e9quence est diss\u00e9qu\u00e9e avec une rigueur statistique formelle et une contextualisation clinique constante.<\/p>\n

1. Introduction aux courbes ROC et fondements statistiques en psychom\u00e9trie<\/h2>\n

1.1 Gen\u00e8se et utilit\u00e9 de la courbe ROC en psychologie quantitative<\/h3>\n

L\u2019origine historique de la courbe ROC remonte \u00e0 la Seconde Guerre mondiale, p\u00e9riode durant laquelle les ing\u00e9nieurs britanniques et am\u00e9ricains en t\u00e9l\u00e9communications cherchaient \u00e0 optimiser la capacit\u00e9 des op\u00e9rateurs de radar \u00e0 distinguer les \u00e9chos parasites caus\u00e9s par des vol\u00e9es d\u2019oiseaux des signaux r\u00e9els \u00e9mis par les bombardiers ennemis. Cette probl\u00e9matique, initialement ancr\u00e9e dans la th\u00e9orie de la d\u00e9tection du signal<\/a> formalis\u00e9e par Peterson, Birdsall et Fox en 1954, a rapidement d\u00e9montr\u00e9 sa pertinence universelle pour tout processus o\u00f9 un observateur doit prendre une d\u00e9cision dichotomique en pr\u00e9sence d\u2019un signal bruit\u00e9. Au cours des ann\u00e9es 1960 et 1970, des psychophysiciens tels que John A. Swets ont brillamment transpos\u00e9 ces concepts math\u00e9matiques \u00e0 l\u2019\u00e9tude des perceptions sensorielles humaines, montrant que les seuils de discrimination ne d\u00e9pendent pas uniquement des capacit\u00e9s sensorielles pures, mais \u00e9galement des crit\u00e8res de d\u00e9cision internes adopt\u00e9s par les sujets.<\/p>\n

Progressivement, la psychologie clinique, la psychiatrie biologique et la psychom\u00e9trie ont adopt\u00e9 la courbe ROC pour r\u00e9soudre un probl\u00e8me r\u00e9current : la validation d\u2019\u00e9chelles composites et de biomarqueurs continus. Dans la pratique psychom\u00e9trique, un questionnaire fournit presque toujours une note sommative continue ou pseudo-continue (par exemple, un score variant de 0 \u00e0 63 au Beck Depression Inventory<\/a>). Or, le clinicien est in\u00e9vitablement confront\u00e9 \u00e0 un imp\u00e9ratif cat\u00e9goriel : l\u2019individu est-il en \u00e9tat de d\u00e9tresse n\u00e9cessitant une prise en charge imm\u00e9diate ou non ? La courbe ROC intervient pr\u00e9cis\u00e9ment \u00e0 cette interface en d\u00e9crivant l\u2019ensemble des compromis possibles entre la d\u00e9tection des vrais cas et l\u2019exclusion des faux cas, ind\u00e9pendamment de tout seuil fix\u00e9 a priori.<\/p>\n

Il convient d\u2019\u00e9tablir une distinction fondamentale entre les mod\u00e8les de r\u00e9gression logistique<\/a> et l\u2019analyse de la performance de classification par courbe ROC. Si la r\u00e9gression logistique vise \u00e0 mod\u00e9liser la probabilit\u00e9 a posteriori d\u2019un \u00e9v\u00e9nement conditionnellement \u00e0 un ensemble de covariables en estimant des coefficients de r\u00e9gression par le maximum de vraisemblance, l\u2019analyse ROC \u00e9value la capacit\u00e9 purement discriminative d\u2019une variable de pr\u00e9diction, sans formuler d\u2019hypoth\u00e8se stricte sur la forme de la relation fonctionnelle sous-jacente. Elle constitue une approche non param\u00e9trique ou semi-param\u00e9trique qui sanctionne la capacit\u00e9 de l\u2019instrument \u00e0 ordonner convenablement les sujets malades devant les sujets sains, ce qui en fait un test d\u2019exactitude diagnostique par excellence.<\/p>\n

1.2 Importance de l’analyse d\u00e9cisionnelle binaire<\/h3>\n

Dans les sciences comportementales et les disciplines m\u00e9dicales, la d\u00e9cision clinique s\u2019exprime tr\u00e8s majoritairement sous la forme d\u2019un arbitrage binaire : pathologique versus non-pathologique, risque suicidaire imminent versus risque faible, trouble du d\u00e9ficit de l’attention avec ou sans hyperactivit\u00e9 versus d\u00e9veloppement neurotypique. Face \u00e0 cette partition nette de la r\u00e9alit\u00e9 clinique, l\u2019utilisation de tests psychom\u00e9triques \u00e0 scores continus pose la question cruciale du point de bascule d\u00e9cisionnel. Choisir un seuil n\u2019est jamais un acte anodin sur le plan \u00e9pist\u00e9mologique ou \u00e9thique ; cela revient \u00e0 d\u00e9finir la fronti\u00e8re exacte o\u00f9 le co\u00fbt de l\u2019inaction devient sup\u00e9rieur au co\u00fbt de l\u2019intervention.<\/p>\n

L\u2019analyse d\u00e9cisionnelle binaire permet de cartographier l\u2019impact asym\u00e9trique des erreurs de jugement. En sant\u00e9 mentale, les cons\u00e9quences associ\u00e9es aux faux n\u00e9gatifs (omettre d\u2019identifier une d\u00e9pression s\u00e9v\u00e8re chez un patient pr\u00e9sentant des id\u00e9ations suicidaires latentes) sont souvent infiniment plus catastrophiques sur le plan humain que les r\u00e9percussions g\u00e9n\u00e9r\u00e9es par les faux positifs (adresser un individu sain \u00e0 une consultation d\u2019\u00e9valuation psychologique approfondie). Toutefois, dans d’autres contextes, tels que les expertises m\u00e9dico-l\u00e9gales ou la s\u00e9lection professionnelle pour des postes critiques, un faux positif peut entra\u00eener une stigmatisation ind\u00e9l\u00e9bile, une perte d\u2019emploi ou un pr\u00e9judice juridique irr\u00e9versible. L\u2019analyse ROC formalise cette tension dialectique en fournissant une m\u00e9trique objective qui permet d’\u00e9valuer les pertes et b\u00e9n\u00e9fices associ\u00e9s \u00e0 chaque graduation possible du continuum psychom\u00e9trique.<\/p>\n

Une telle approche prot\u00e8ge le praticien contre le pi\u00e8ge de l\u2019arbitraire. Trop souvent dans la litt\u00e9rature psychologique ancienne, les seuils cliniques \u00e9taient \u00e9tablis sur la base de conventions statistiques fragiles, comme la moyenne major\u00e9e de deux \u00e9carts-types au sein d\u2019un groupe normatif, sans v\u00e9rification empirique de l\u2019efficacit\u00e9 de ce seuil face \u00e0 une cohorte clinique valid\u00e9e ind\u00e9pendamment. L’analyse d\u00e9cisionnelle moderne impose au contraire une d\u00e9marche empirique et probabiliste, o\u00f9 l\u2019efficacit\u00e9 pr\u00e9dictive d\u2019une \u00e9chelle est quantifi\u00e9e sur toute l\u2019\u00e9tendue de ses valeurs possibles \u00e0 travers la confrontation syst\u00e9matique \u00e0 un standard de r\u00e9f\u00e9rence valid\u00e9.<\/p>\n

2. Concepts fondamentaux : Sensibilit\u00e9, sp\u00e9cificit\u00e9 et matrice de confusion<\/h2>\n

2.1 D\u00e9finition de la sensibilit\u00e9 ou taux de vrais positifs<\/h3>\n

La sensibilit\u00e9, \u00e9galement d\u00e9sign\u00e9e sous le vocable de taux de vrais positifs (TVP) ou de probabilit\u00e9 de d\u00e9tection, repr\u00e9sente la proportion d’individus v\u00e9ritablement atteints d’un trouble qui obtiennent un r\u00e9sultat positif au test psychom\u00e9trique consid\u00e9r\u00e9. Sur le plan de la th\u00e9orie des probabilit\u00e9s, la sensibilit\u00e9 s\u2019\u00e9nonce formellement comme la probabilit\u00e9 conditionnelle $P(T+ mid D+)$<\/span>, o\u00f9 $T+$<\/span> d\u00e9signe le r\u00e9sultat positif au test (c’est-\u00e0-dire un score sup\u00e9rieur ou \u00e9gal \u00e0 une valeur seuil d\u00e9finie) et $D+$<\/span> repr\u00e9sente la pr\u00e9sence effective de la condition pathologique attest\u00e9e par le crit\u00e8re de r\u00e9f\u00e9rence. Math\u00e9matiquement, elle s\u2019exprime par le ratio suivant :<\/p>\n

Sensibilit\u00e9 = Vrais Positifs \/ (Vrais Positifs + Faux N\u00e9gatifs)<\/strong><\/p>\n

Dans le domaine de l\u2019\u00e9valuation clinique, par exemple lors du d\u00e9pistage pr\u00e9coce des troubles cognitifs l\u00e9gers chez les personnes \u00e2g\u00e9es, une sensibilit\u00e9 \u00e9lev\u00e9e est imp\u00e9rative. Si un test neuropsychologique pr\u00e9sente une sensibilit\u00e9 de 95 %, cela signifie que 95 % des patients pr\u00e9sentant des atteintes cognitives r\u00e9elles seront formellement rep\u00e9r\u00e9s par l’instrument, tandis que 5 % seulement \u00e9chapperont \u00e0 la vigilance clinique (les faux n\u00e9gatifs). Sur le plan \u00e9thique et soci\u00e9tal, disposer d\u2019une sensibilit\u00e9 robuste lors des phases initiales de d\u00e9pistage garantit une prise en charge pr\u00e9coce, offrant ainsi la possibilit\u00e9 de ralentir la d\u00e9gradation fonctionnelle par des th\u00e9rapies cibl\u00e9es.<\/p>\n

Cependant, maximiser la sensibilit\u00e9 exige g\u00e9n\u00e9ralement d’abaisser le seuil d’exigence diagnostique du test, ce qui a pour corollaire in\u00e9vitable d’englober un nombre croissant d’individus sains dans la cohorte des sujets class\u00e9s positifs. C’est pr\u00e9cis\u00e9ment cette compensation in\u00e9luctable qui emp\u00eache la sensibilit\u00e9 d’\u00eatre utilis\u00e9e comme indicateur unique de la valeur d’une \u00e9chelle d’\u00e9valuation clinique.<\/p>\n

2.2 D\u00e9finition de la sp\u00e9cificit\u00e9 et du taux de faux positifs<\/h3>\n

Compl\u00e9ment indispensable de la sensibilit\u00e9, la sp\u00e9cificit\u00e9 quantifie la capacit\u00e9 d\u2019un instrument de mesure \u00e0 identifier correctement l\u2019absence de pathologie chez les individus qui en sont r\u00e9ellement indemnes. D\u00e9finie math\u00e9matiquement comme la probabilit\u00e9 conditionnelle $P(T- mid D-)$<\/span>, la sp\u00e9cificit\u00e9 exprime la proportion de sujets sains qui obtiennent un r\u00e9sultat n\u00e9gatif au test (score strictement inf\u00e9rieur au seuil d\u00e9termin\u00e9). Sa formulation canonique est la suivante :<\/p>\n

Sp\u00e9cificit\u00e9 = Vrais N\u00e9gatifs \/ (Vrais N\u00e9gatifs + Faux Positifs)<\/strong><\/p>\n

\u00c0 partir de cette d\u00e9finition fondamentale d\u00e9rive imm\u00e9diatement le concept de taux de faux positifs (TFP), qui constitue le compl\u00e9ment \u00e0 l\u2019unit\u00e9 de la sp\u00e9cificit\u00e9, soit $1 – \\text{Sp\u00e9cificit\u00e9}$<\/span>, ou encore la probabilit\u00e9 conditionnelle $P(T+ mid D-)$<\/span>. Le taux de faux positifs repr\u00e9sente la fraction d\u2019individus sains qui sont erron\u00e9ment qualifi\u00e9s de pathologiques par le test \u00e0 un seuil donn\u00e9. Dans un espace cart\u00e9sien ROC, c\u2019est pr\u00e9cis\u00e9ment cette grandeur ($1 – \\text{Sp\u00e9cificit\u00e9}$<\/span>) qui est syst\u00e9matiquement projet\u00e9e sur l\u2019axe horizontal des abscisses (axe X), tandis que la sensibilit\u00e9 est projet\u00e9e sur l\u2019axe vertical des ordonn\u00e9es (axe Y).<\/p>\n

L’optimisation de la sp\u00e9cificit\u00e9 rev\u00eat une importance capitale pour minimiser la iatrog\u00e9nie psychologique et sociale. Un diagnostic psychiatrique erron\u00e9 peut entra\u00eener une d\u00e9tresse \u00e9motionnelle s\u00e9v\u00e8re, induire des prescriptions pharmacologiques superflues accompagn\u00e9es d’effets secondaires d\u00e9l\u00e9t\u00e8res, et favoriser une internalisation du statut de malade chez un individu parfaitement sain. En contexte clinique rigoureux, un \u00e9quilibre m\u00e9ticuleux doit ainsi \u00eatre trouv\u00e9 entre la n\u00e9cessit\u00e9 absolue d’identifier les malades et le devoir d\u00e9ontologique de pr\u00e9server l’int\u00e9grit\u00e9 des sujets sains.<\/p>\n

2.3 La matrice de confusion comme socle de calcul<\/h3>\n

L’ensemble des calculs sous-tendant la courbe ROC repose sur la matrice de confusion, \u00e9galement appel\u00e9e tableau de contingence deux par deux. Cette matrice structure de mani\u00e8re exhaustive les quatre issues potentielles d’une classification binaire croisant l’\u00e9tat r\u00e9el de l’individu avec le verdict rendu par le test \u00e0 un niveau de coupure donn\u00e9. On y distingue les quatre quadrants fondamentaux :<\/p>\n