{"id":4112,"date":"2026-10-14T18:01:09","date_gmt":"2026-10-14T18:01:09","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/multicolinearite-parfaite-definition-exemples\/"},"modified":"2026-10-14T18:01:09","modified_gmt":"2026-10-14T18:01:09","slug":"multicolinearite-parfaite-definition-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=multicolinearite-parfaite-definition-exemples","title":{"rendered":"Qu’est-ce que la multicolin\u00e9arit\u00e9 parfaite ? (D\u00e9finition et exemples)"},"content":{"rendered":"

Dans le champ de la mod\u00e9lisation statistique appliqu\u00e9e aux sciences humaines, sociales et comportementales, l’analyse de r\u00e9gression lin\u00e9aire multiple s’impose comme une pierre angulaire m\u00e9thodologique. Elle permet d’examiner les relations complexes unissant un ensemble de variables explicatives \u00e0 un crit\u00e8re d’int\u00e9r\u00eat, en quantifiant l’influence propre de chaque pr\u00e9dicteur tout en contr\u00f4lant l’effet des autres. Cependant, la validit\u00e9 math\u00e9matique et l’interpr\u00e9tabilit\u00e9 th\u00e9orique de ces mod\u00e8les reposent sur un ensemble d’hypoth\u00e8ses fondamentales formalis\u00e9es au sein du mod\u00e8le lin\u00e9aire classique. Parmi ces conditions figure l’hypoth\u00e8se d’absence d’interd\u00e9pendance lin\u00e9aire exacte entre les pr\u00e9dicteurs, principe essentiel sans lequel l’ensemble de l’\u00e9difice des moindres carr\u00e9s s’effondre.<\/p>\n

Lorsque cette condition est viol\u00e9e de mani\u00e8re absolue, les statisticiens et psychom\u00e9triciens font face au ph\u00e9nom\u00e8ne de multicolin\u00e9arit\u00e9 parfaite<\/strong>. Loin d’\u00eatre un simple artefact technique ou un probl\u00e8me mineur d’\u00e9chantillonnage, cette configuration pathologique correspond \u00e0 l’existence d’une relation d\u00e9terministe et rigide liant deux ou plusieurs variables ind\u00e9pendantes. Dans une telle situation, la matrice des pr\u00e9dicteurs perd son plein rang, ce qui interdit structurellement toute inversion de la matrice de dispersion sous-jacente. L’estimation des param\u00e8tres selon la m\u00e9thode des moindres carr\u00e9s ordinaires<\/a> devient alors math\u00e9matiquement impossible, plongeant le chercheur dans une impasse algorithmique et conceptuelle majeure.<\/p>\n

Le pr\u00e9sent article propose une exploration exhaustive, rigoureuse et didactique de la multicolin\u00e9arit\u00e9 parfaite, en pr\u00eatant une attention particuli\u00e8re aux d\u00e9fis singuliers rencontr\u00e9s en psychologie quantitative, en psychom\u00e9trie et en sciences du comportement. \u00c0 travers la dissection de ses fondements alg\u00e9briques, de ses causes structurelles les plus fr\u00e9quentes dans la construction des instruments de mesure, et de ses manifestations empiriques concr\u00e8tes, nous analyserons les raisons pour lesquelles la multicolin\u00e9arit\u00e9 parfaite paralyse l’inf\u00e9rence statistique. Enfin, nous d\u00e9taillerons les outils diagnostiques incontournables et les solutions m\u00e9thodologiques \u00e9prouv\u00e9es pour pr\u00e9server l’int\u00e9grit\u00e9 analytique et la robustesse \u00e9pist\u00e9mologique des recherches empiriques.<\/p>\n

1. 1. Introduction conceptuelle : D\u00e9finition formelle de la multicolin\u00e9arit\u00e9 parfaite<\/h2>\n

1.1 Compr\u00e9hension fondamentale du ph\u00e9nom\u00e8ne<\/h3>\n

La multicolin\u00e9arit\u00e9 parfaite se d\u00e9finit formellement comme une situation dans laquelle au moins une variable pr\u00e9dictive d’un mod\u00e8le de r\u00e9gression lin\u00e9aire multiple peut \u00eatre exprim\u00e9e exactement comme une combinaison lin\u00e9aire d’une ou plusieurs autres variables ind\u00e9pendantes. Contrairement aux fluctuations empiriques ordinaires caract\u00e9ris\u00e9es par des coefficients de corr\u00e9lation de Pearson \u00e9lev\u00e9s mais imparfaits (comme r<\/em> = 0,80 ou r<\/em> = 0,90), la multicolin\u00e9arit\u00e9 parfaite \u00e9limine toute composante stochastique ou terme d’erreur r\u00e9siduelle dans la relation unissant les pr\u00e9dicteurs. Il s’agit d’une d\u00e9pendance alg\u00e9brique absolue, absolue au sens o\u00f9 la valeur prise par une variable d\u00e9termine instantan\u00e9ment et sans incertitude aucune la valeur des autres r\u00e9gresseurs impliqu\u00e9s dans l’\u00e9quation.<\/p>\n

Cette distinction conceptuelle entre association empirique et d\u00e9pendance alg\u00e9brique est fondamentale. Une forte corr\u00e9lation traduit un chevauchement partiel de variance partag\u00e9e au sein d’un \u00e9chantillon donn\u00e9, tandis que la colin\u00e9arit\u00e9 parfaite refl\u00e8te une tautologie math\u00e9matique ou une identit\u00e9 structurelle. Dans ce dernier cas, la variable redondante n’apporte aucune fraction de variance unique ou d’information nouvelle susceptible d’expliquer la variabilit\u00e9 de la variable d\u00e9pendante. Elle constitue un clone math\u00e9matique, d\u00e9guis\u00e9 sous une \u00e9chelle de mesure alternative ou dissimul\u00e9 par une sommation d’items, ce qui neutralise le principe m\u00eame d’orthogonalit\u00e9 informationnelle au c\u0153ur de la mod\u00e9lisation multivari\u00e9e.<\/p>\n

1.2 Origine du terme et pertinence en mod\u00e9lisation lin\u00e9aire<\/h3>\n

L’origine historique du terme remonte aux travaux s\u00e9minaux de l’\u00e9conomiste et statisticien norv\u00e9gien Ragnar Frisch<\/a>, cor\u00e9cipiendaire du premier prix Nobel d’\u00e9conomie en 1969. Dans son ouvrage fondamental publi\u00e9 en 1934, Statistical Confluence Analysis by Means of Complete Regression Systems<\/em>, Frisch a introduit le terme \u00ab collin\u00e9arit\u00e9 \u00bb (qui a ensuite \u00e9volu\u00e9 vers multicolin\u00e9arit\u00e9) pour d\u00e9crire une situation o\u00f9 les variables explicatives sont soumises \u00e0 une ou plusieurs relations lin\u00e9aires exactes au sein d’un syst\u00e8me dynamique. Initialement formul\u00e9 dans le cadre des \u00e9quations macro\u00e9conomiques simultan\u00e9es, le concept s’est rapidement diffus\u00e9 \u00e0 l’ensemble de la statistique inf\u00e9rentielle et de la psychom\u00e9trie naissante.<\/p>\n

\"\"<\/figure>\n

Dans la th\u00e9orie du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9, l’orthogonalit\u00e9 th\u00e9orique des pr\u00e9dicteurs repr\u00e9sente l’id\u00e9al m\u00e9thodologique absolu. Lorsque les r\u00e9gresseurs sont parfaitement orthogonaux, c’est-\u00e0-dire non corr\u00e9l\u00e9s entre eux, l’attribution des effets partiels est directe et la variance expliqu\u00e9e globale correspond \u00e0 la somme arithm\u00e9tique exacte des variances expliqu\u00e9es par chaque variable prise individuellement. Bien que cette ind\u00e9pendance totale soit rarement observ\u00e9e dans les donn\u00e9es observationnelles, l’absence de colin\u00e9arit\u00e9 parfaite demeure une condition sine qua non, une hypoth\u00e8se structurelle non n\u00e9gociable sans laquelle les \u00e9quations normales de la r\u00e9gression ne poss\u00e8dent pas de solution unique.<\/p>\n

1.3 Pertinence \u00e9pist\u00e9mologique pour la psychologie quantitative<\/h3>\n

Pour la psychologie quantitative et les sciences cognitives, la multicolin\u00e9arit\u00e9 parfaite pose des d\u00e9fis \u00e9pist\u00e9mologiques singuliers. Les psychologues travaillent par essence avec des construits latents non observables directement, tels que l’intelligence fluide, l’anxi\u00e9t\u00e9 de trait, l’extraversion ou l’auto-efficacit\u00e9, qu’ils tentent de capturer \u00e0 travers des \u00e9chelles composites et des batteries d’\u00e9preuves comportementales. Or, ces construits partagent souvent des fronti\u00e8res th\u00e9oriques t\u00e9nues et des r\u00e9seaux nomologiques denses, ce qui favorise l’\u00e9mergence de fortes intrications empiriques.<\/p>\n

Le risque majeur pour le chercheur r\u00e9side dans la confusion pernicieuse entre redondance conceptuelle et redondance math\u00e9matique. Une redondance conceptuelle peut \u00eatre f\u00e9conde pour affiner un mod\u00e8le th\u00e9orique en psychologie clinique ou sociale, mais si cette redondance est encod\u00e9e sous la forme d’une sommation arithm\u00e9tique ou d’une reformulation d\u00e9terministe int\u00e9gr\u00e9e au m\u00eame mod\u00e8le de r\u00e9gression, elle mute en une colin\u00e9arit\u00e9 math\u00e9matique absolue. Cela souligne la n\u00e9cessit\u00e9 imp\u00e9rieuse de faire preuve d’une rigueur formelle lors de la d\u00e9rivation des hypoth\u00e8ses op\u00e9rationnelles et de la structuration des bases de donn\u00e9es psychom\u00e9triques, sous peine de transformer une investigation th\u00e9orique prometteuse en une simple anomalie matricielle.<\/p>\n

2. 2. Fondements math\u00e9matiques et alg\u00e9briques de la multicolin\u00e9arit\u00e9 parfaite<\/h2>\n

2.1 Formulation alg\u00e9brique de la combinaison lin\u00e9aire<\/h3>\n

Sur le plan de l’alg\u00e8bre vectorielle, la multicolin\u00e9arit\u00e9 parfaite au sein d’un ensemble de $k$<\/span> variables pr\u00e9dictives $X_1, X_2, dots, X_k$<\/span> s’exprime rigoureusement par l’existence d’une combinaison lin\u00e9aire scalaire nulle non triviale. En d’autres termes, il existe un vecteur de constantes r\u00e9elles non toutes nulles $(c_1, c_2, dots, c_k) \\neq (0, 0, dots, 0)$<\/span> tel que pour chaque observation $i$<\/span> de l’\u00e9chantillon, la relation suivante soit scrupuleusement satisfaite :<\/p>\n

$$c_1 X_{1i} + c_2 X_{2i} + dots + c_k X_{ki} = 0$$<\/span><\/p>\n

Si l’on inclut l’ordonn\u00e9e \u00e0 l’origine (ou constante du mod\u00e8le), not\u00e9e conventionnellement par un vecteur unitaire $X_0 = (1, 1, dots, 1)^T$<\/span>, l’\u00e9quation de d\u00e9pendance lin\u00e9aire exacte prend la forme plus g\u00e9n\u00e9rale :<\/p>\n

$$c_0 + c_1 X_{1i} + c_2 X_{2i} + dots + c_k X_{ki} = 0$$<\/span><\/p>\n

D\u00e8s lors qu’au moins un coefficient $c_j$<\/span> est strictement non nul, la variable correspondante $X_j$<\/span> peut \u00eatre r\u00e9\u00e9crite comme une fonction d\u00e9terministe parfaite des autres variables explicatives. Par exemple, si $c_1 \\neq 0$<\/span> :<\/p>\n

$$X_{1i} = -\\frac{c_0}{c_1} – \\sum_{j=2}^k \\frac{c_j}{c_1} X_{ji}$$<\/span><\/p>\n

Cette formulation rend limpide l’impossibilit\u00e9 d’isoler la variance sp\u00e9cifique attribuable \u00e0 chaque variable. Tout mouvement, toute variation de $X_1$<\/span> est par essence parfaitement compens\u00e9 ou reproduit par la combinaison lin\u00e9aire des autres variables r\u00e9gulatrices. Il n’existe aucun r\u00e9sidu, aucun degr\u00e9 de libert\u00e9 r\u00e9siduel permettant au mod\u00e8le d’estimer l’effet marginal de $X_1$<\/span> de fa\u00e7on isol\u00e9e.<\/p>\n

2.2 Repr\u00e9sentation matricielle et espace des colonnes<\/h3>\n

Pour appr\u00e9hender l’impact de ce ph\u00e9nom\u00e8ne sur la mod\u00e9lisation, il convient de se tourner vers la formulation matricielle du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Consid\u00e9rons la matrice de plan ou matrice d’exp\u00e9rience, not\u00e9e $\\mathbf{X}$<\/span>, de dimensions $n \\times (k + 1)$<\/span>, o\u00f9 $n$<\/span> repr\u00e9sente le nombre d’observations et $(k + 1)$<\/span> le nombre de param\u00e8tres \u00e0 estimer (incluant la constante unitaire) :<\/p>\n

$$\\mathbf{X} = \\begin{\\bmatrix} 1 &a\\mp; X_{11} &a\\mp; X_{12} &a\\mp; dots &a\\mp; X_{1k} 1 &a\\mp; X_{21} &a\\mp; X_{22} &a\\mp; dots &a\\mp; X_{2k} \\vdots &a\\mp; \\vdots &a\\mp; \\vdots &a\\mp; \\ddots &a\\mp; \\vdots 1 &a\\mp; X_{n1} &a\\mp; X_{n2} &a\\mp; dots &a\\mp; X_{nk} \\end{\\bmatrix}$$<\/span><\/p>\n

Chaque colonne de la matrice $\\mathbf{X}$<\/span> correspond \u00e0 un vecteur dans l’espace euclidien $\\mathbb{R}^n$<\/span>. Le rang d’une matrice, not\u00e9 $\\text{rang}(\\mathbf{X})$<\/span>, correspond au nombre maximal de vecteurs-colonnes lin\u00e9airement ind\u00e9pendants qu’elle contient. Pour que le mod\u00e8le de r\u00e9gression classique fonctionne, la matrice $\\mathbf{X}$<\/span> doit imp\u00e9rativement \u00eatre de plein rang colonne, ce qui signifie que :<\/p>\n

$$\\text{rang}(\\mathbf{X}) = k + 1 \\quad (\\text{en supposant } n > k + 1)$$<\/span><\/p>\n

En pr\u00e9sence de multicolin\u00e9arit\u00e9 parfaite, les colonnes de $\\mathbf{X}$<\/span> ne forment plus une famille libre dans $\\mathbb{R}^n$<\/span>. Il existe au moins une colonne qui peut s’exprimer sous forme de somme pond\u00e9r\u00e9e des autres. Par cons\u00e9quent, la matrice souffre d’un rang d\u00e9ficient<\/em> (rank-deficient matrix), tel que :<\/p>\n

$$\\text{rang}(\\mathbf{X}) < k + 1$$<\/span><\/p>\n

Sur le plan g\u00e9om\u00e9trique, l’espace vectoriel engendr\u00e9 par les colonnes de $\\mathbf{X}$<\/span>, appel\u00e9 l’espace des colonnes $\\text{Col}(\\mathbf{X})$<\/span>, s’effondre dans un sous-espace de dimension strictement inf\u00e9rieure \u00e0 $(k + 1)$<\/span>. Au lieu de se d\u00e9ployer dans un hyperplan de dimension compl\u00e8te permettant de projeter orthogonalement le vecteur de la variable d\u00e9pendante $\\mathbf{y}$<\/span>, l’espace des pr\u00e9dicteurs se retrouve compress\u00e9, rendant la projection g\u00e9om\u00e9trique ind\u00e9termin\u00e9e quant au choix des coordonn\u00e9es axiales.<\/p>\n

2.3 La non-inversibilit\u00e9 de la matrice de dispersion (X’X)<\/h3>\n

L’estimation des coefficients du vecteur de r\u00e9gression $boldsymbol{\\beta}$<\/span> par la m\u00e9thode des moindres carr\u00e9s ordinaires repose sur la r\u00e9solution du syst\u00e8me des \u00e9quations normales formul\u00e9 par Carl Friedrich Gauss et Adrien-Marie Legendre :<\/p>\n

$$\\mathbf{X}^T \\mathbf{X} \\hat{boldsymbol{\\beta}} = \\mathbf{X}^T \\mathbf{y}$$<\/span><\/p>\n

Pour obtenir un vecteur unique d’estimateurs $\\hat{boldsymbol{\\beta}}$<\/span>, il est imp\u00e9ratif d’isoler $\\hat{boldsymbol{\\beta}}$<\/span> en multipliant chaque membre de l’\u00e9quation par l’inverse de la matrice carr\u00e9e sym\u00e9trique $(\\mathbf{X}^T \\mathbf{X})$<\/span>, de dimensions $(k + 1) \\times (k + 1)$<\/span> :<\/p>\n

$$\\hat{boldsymbol{\\beta}} = (\\mathbf{X}^T \\mathbf{X})^{-1} \\mathbf{X}^T \\mathbf{y}$$<\/span><\/p>\n

Or, d’apr\u00e8s les th\u00e9or\u00e8mes fondamentaux de l’alg\u00e8bre matricielle, le rang du produit matriciel $\\mathbf{X}^T \\mathbf{X}$<\/span> est rigoureusement identique au rang de la matrice originale $\\mathbf{X}$<\/span> :<\/p>\n

$$\\text{rang}(\\mathbf{X}^T \\mathbf{X}) = \\text{rang}(\\mathbf{X})$$<\/span><\/p>\n

D\u00e8s lors que $\\mathbf{X}$<\/span> pr\u00e9sente un rang d\u00e9ficient en raison d’une multicolin\u00e9arit\u00e9 absolue, $\\mathbf{X}^T \\mathbf{X}$<\/span> est une matrice carr\u00e9e d’ordre $(k + 1)$<\/span> dont le rang est strictement inf\u00e9rieur \u00e0 son ordre. Une telle matrice est dite singuli\u00e8re<\/strong>. Une propri\u00e9t\u00e9 universelle des matrices singuli\u00e8res est que leur d\u00e9terminant est rigoureusement nul :<\/p>\n

$$det(\\mathbf{X}^T \\mathbf{X}) = 0$$<\/span><\/p>\n

Puisque le calcul de l’inverse d’une matrice fait intervenir la division par son d\u00e9terminant (selon la formule $\\mathbf{A}^{-1} = \\frac{1}{det(\\mathbf{A})} \\text{adj}(\\mathbf{A})$<\/span>, o\u00f9 $\\text{adj}(\\mathbf{A})$<\/span> d\u00e9signe la matrice compl\u00e9mentaire ou adjointe), l’expression $(\\mathbf{X}^T \\mathbf{X})^{-1}$<\/span> n\u00e9cessite une division par z\u00e9ro, ce qui est une impossibilit\u00e9 math\u00e9matique absolue. L’inverse n’existe tout simplement pas. Les moindres carr\u00e9s ordinaires se trouvent ainsi dans l’incapacit\u00e9 totale de fournir une solution alg\u00e9brique unique, bloquant de facto l’ex\u00e9cution des proc\u00e9dures d’optimisation num\u00e9rique usuelles.<\/p>\n

3. 3. Causes structurelles de la multicolin\u00e9arit\u00e9 parfaite en recherche psychologique<\/h2>\n

3.1 Inclusion simultan\u00e9e des sous-\u00e9chelles et du score global<\/h3>\n

L’une des causes structurelles les plus courantes de multicolin\u00e9arit\u00e9 parfaite dans les publications et m\u00e9moires de recherche en psychologie r\u00e9side dans l’introduction na\u00efve, au sein d’un m\u00eame mod\u00e8le de r\u00e9gression, \u00e0 la fois d’un score composite global et de l’ensemble de ses sous-dimensions constitutives. De nombreux tests psychologiques standardis\u00e9s reposent sur une structure hi\u00e9rarchique o\u00f9 un score global est obtenu par simple addition arithm\u00e9tique ou pond\u00e9ration fixe des scores obtenus aux diff\u00e9rentes sous-\u00e9chelles.<\/p>\n

\"\"<\/figure>\n

Consid\u00e9rons par exemple un instrument d’\u00e9valuation de l’\u00e9puisement professionnel (burnout) articul\u00e9 autour de trois dimensions : l’\u00e9puisement \u00e9motionnel ($E$<\/span>), la d\u00e9personnalisation ou cynisme ($D$<\/span>), et la perte d’accomplissement personnel ($A$<\/span>). Le chercheur calcule le score total de burnout ($T$<\/span>) selon la formule :<\/p>\n

$$T_i = E_i + D_i + A_i$$<\/span><\/p>\n

Si ce chercheur souhaite pr\u00e9dire la performance au travail ou le nombre de jours d’arr\u00eat maladie et introduit simultan\u00e9ment dans son \u00e9quation de r\u00e9gression $E$<\/span>, $D$<\/span>, $A$<\/span> et $T$<\/span>, il cr\u00e9e une d\u00e9pendance lin\u00e9aire rigide :<\/p>\n

$$T_i – E_i – D_i – A_i = 0$$<\/span><\/p>\n

Les coefficients de cette combinaison lin\u00e9aire sont respectivement $c_T = 1$<\/span>, $c_E = -1$<\/span>, $c_D = -1$<\/span> et $c_A = -1$<\/span>. Aucun d’entre eux n’est nul. Le mod\u00e8le h\u00e9rite d’une contrainte d’\u00e9galit\u00e9 parfaite qui \u00e9limine un degr\u00e9 de libert\u00e9 et rend la matrice des pr\u00e9dicteurs irr\u00e9m\u00e9diablement singuli\u00e8re. L’ordinateur ne peut alors distinguer l’effet global de la somme des effets sp\u00e9cifiques.<\/p>\n

3.2 Transformations et conversions redondantes<\/h3>\n

Une autre source fr\u00e9quente d’erreur r\u00e9side dans l’utilisation non intentionnelle de variables transform\u00e9es de mani\u00e8re lin\u00e9aire et redondante au sein de la m\u00eame batterie de pr\u00e9dicteurs. Ce ph\u00e9nom\u00e8ne survient notamment lorsque diff\u00e9rentes unit\u00e9s de mesure d’un m\u00eame ph\u00e9nom\u00e8ne physiologique ou comportemental sont conserv\u00e9es par m\u00e9garde dans le jeu de donn\u00e9es final.<\/p>\n

Par exemple, un chercheur en psychopharmacologie ou en chronom\u00e9trie mentale mesurant le temps de latence cognitive dans une t\u00e2che d’inhibition (comme le test de Stroop) peut enregistrer les latences moyennes en millisecondes ($TR_{ms}$<\/span>), puis cr\u00e9er une nouvelle variable exprim\u00e9e en secondes ($TR_{s}$<\/span>) \u00e0 des fins d’affichage graphique ou de standardisation, d\u00e9finie par :<\/p>\n

$$TR_{s} = 0{,}001 \\times TR_{ms}$$<\/span><\/p>\n

S’il inclut par m\u00e9garde ces deux variables dans un mod\u00e8le lin\u00e9aire explicatif, la relation $1 \\cdot TR_{s} – 0{,}001 \\cdot TR_{ms} = 0$<\/span> s’applique rigoureusement pour chaque participant. De m\u00eame, l’introduction conjointe d’un score brut et d’un score centr\u00e9 (par la soustraction de la moyenne de l’\u00e9chantillon, $\\bar{X}$<\/span>), sans autre transformation non lin\u00e9aire, engendre une relation d\u00e9terministe parfaite avec le vecteur unitaire de la constante :<\/p>\n

$$X_{\\text{centr\u00e9}} = X – \\bar{X} implies X_{\\text{centr\u00e9}} – X + \\bar{X} \\cdot 1 = 0$$<\/span><\/p>\n

De telles duplications, souvent masqu\u00e9es par des libell\u00e9s m\u00e9thodologiques diff\u00e9rents lors du nettoyage de bases de donn\u00e9es volumineuses, g\u00e9n\u00e8rent des singularit\u00e9s matricielles imm\u00e9diates.<\/p>\n

3.3 Donn\u00e9es de composition et contraintes de somme constante<\/h3>\n

Les donn\u00e9es dites de composition repr\u00e9sentent un cas d’\u00e9cole particuli\u00e8rement r\u00e9current en psychologie diff\u00e9rentielle, en ergonomie et en psychologie du travail. Il s’agit de variables qui d\u00e9crivent des proportions, des pourcentages ou des allocations de temps dont la somme globale pour chaque individu est n\u00e9cessairement contrainte \u00e0 une constante fixe (g\u00e9n\u00e9ralement 1 ou 100 %).<\/p>\n

Dans un protocole \u00e9valuant la gestion du temps chez des cadres d’entreprise, on peut mesurer les pourcentages de la journ\u00e9e de travail consacr\u00e9s respectivement aux t\u00e2ches administratives ($P_1$<\/span>), aux r\u00e9unions d’\u00e9quipe ($P_2$<\/span>), au travail technique individuel ($P_3$<\/span>) et aux pauses ($P_4$<\/span>). Par d\u00e9finition exp\u00e9rimentale, pour chaque sujet :<\/p>\n

$$P_1 + P_2 + P_3 + P_4 = 100%$$<\/span><\/p>\n

Ce probl\u00e8me se manifeste \u00e9galement dans les questionnaires de personnalit\u00e9 \u00e0 choix forc\u00e9 ou dits \u00ab ipsatifs \u00bb, o\u00f9 le r\u00e9pondant doit r\u00e9partir un nombre fixe de points entre diff\u00e9rentes propositions d\u00e9crivant ses pr\u00e9f\u00e9rences comportementales. Si le chercheur ins\u00e8re l’ensemble des composantes ($P_1$<\/span> \u00e0 $P_4$<\/span>) dans une r\u00e9gression incluant une ordonn\u00e9e \u00e0 l’origine (laquelle est repr\u00e9sent\u00e9e par une colonne de 1), la somme arithm\u00e9tique des quatre colonnes de pourcentages est \u00e9gale \u00e0 $100 \\times \\text{Constante}$<\/span>. L’ind\u00e9pendance lin\u00e9aire des colonnes est bris\u00e9e de mani\u00e8re d\u00e9terministe.<\/p>\n

4. 4. Exemples empiriques concrets en psychom\u00e9trie et sciences du comportement<\/h2>\n

4.1 Exemple 1 : \u00c9valuation de l’anxi\u00e9t\u00e9 et composantes cognitives\/somatiques<\/h3>\n

Pour illustrer ce ph\u00e9nom\u00e8ne avec des donn\u00e9es empiriques plausibles, consid\u00e9rons une \u00e9tude men\u00e9e en psychologie de l’\u00e9ducation visant \u00e0 pr\u00e9dire la r\u00e9ussite \u00e0 un examen standardis\u00e9 ($Y$<\/span>, not\u00e9e de 0 \u00e0 100) aupr\u00e8s d’un \u00e9chantillon de 200 \u00e9tudiants universitaires. L’investigateur utilise un questionnaire valid\u00e9 mesurant l’anxi\u00e9t\u00e9 d’\u00e9valuation, qui distingue traditionnellement deux facettes majeures : l’anxi\u00e9t\u00e9 cognitive ($X_1$<\/span>, inqui\u00e9tudes r\u00e9currentes, pens\u00e9es intrusives) et l’anxi\u00e9t\u00e9 somatique ($X_2$<\/span>, manifestations physiologiques d’activation autonome, tachycardie, tremblements). Les items sont mesur\u00e9s sur une \u00e9chelle de Likert, produisant des scores de 10 \u00e0 50 pour chaque sous-dimension.<\/p>\n

\"example
example of perfect multicollinearity<\/figcaption><\/figure>\n

Soucieux d’\u00e9valuer l’impact global autant que les contributions sp\u00e9cifiques, le chercheur cr\u00e9e une variable $X_3$<\/span>, d\u00e9nomm\u00e9e \u00ab Anxi\u00e9t\u00e9 Globale \u00bb, d\u00e9finie tr\u00e8s exactement par $X_3 = X_1 + X_2$<\/span>. Le mod\u00e8le th\u00e9orique de r\u00e9gression multiple est sp\u00e9cifi\u00e9 comme suit :<\/p>\n

$$Y_i = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + \\beta_3 X_{3i} + \\varepsilon_i$$<\/span><\/p>\n

Examinons ce qui se produit lors de l’estimation. Si le logiciel statistique tente d’estimer les coefficients par minimisation des r\u00e9sidus, il cherche \u00e0 d\u00e9terminer l’effet d’une augmentation d’une unit\u00e9 d’anxi\u00e9t\u00e9 cognitive ($X_1$<\/span>) tout en maintenant constants<\/em> l’anxi\u00e9t\u00e9 somatique ($X_2$<\/span>) et l’anxi\u00e9t\u00e9 globale ($X_3$<\/span>). Or, c’est une impossibilit\u00e9 logique et physique absolue : si l’on augmente $X_1$<\/span> d’un point et que l’on maintient $X_2$<\/span> rigoureusement fixe, $X_3$<\/span> augmente obligatoirement d’un point ! La condition du ceteris paribus est viol\u00e9e par la d\u00e9finition m\u00eame des variables. Le mod\u00e8le math\u00e9matique ne peut imputer le changement \u00e0 $\\beta_1$<\/span> plut\u00f4t qu’\u00e0 $\\beta_3$<\/span>. Les deux param\u00e8tres deviennent ind\u00e9termin\u00e9s.<\/p>\n

4.2 Exemple 2 : Temps de r\u00e9action et t\u00e2ches d’attention soutenue<\/h3>\n

Un deuxi\u00e8me cas concret \u00e9mane de la neuropsychologie cognitive. Lors d’un test d’attention soutenue de type Conners (Continuous Performance Test – CPT), un neuropsychologue \u00e9value la vitesse de traitement chez des patients pr\u00e9sentant un trouble du d\u00e9ficit de l’attention avec hyperactivit\u00e9 (TDAH). La variable d’int\u00e9r\u00eat clinique ($Y$<\/span>) est le nombre d’erreurs d’omission commises au cours de la t\u00e2che.<\/p>\n

Pour analyser les donn\u00e9es, deux assistants de recherche pr\u00e9parent la matrice des donn\u00e9es de fa\u00e7on ind\u00e9pendante. Le premier extrait le temps de r\u00e9action moyen sous la d\u00e9signation $TR_{\\text{milli}}$<\/span>, mesur\u00e9 en millisecondes (par exemple 450 ms, 520 ms). Le second code la m\u00eame mesure sous la d\u00e9nomination $TR_{\\text{\\sec}}$<\/span>, mesur\u00e9e en secondes (0,45 s, 0,52 s). Lors de la fusion des bases de donn\u00e9es dans un logiciel d’analyse, les deux colonnes sont conserv\u00e9es et int\u00e9gr\u00e9es par inadvertance dans le mod\u00e8le de r\u00e9gression pr\u00e9disant les omissions :<\/p>\n

$$\\text{Omissions}_i = \\beta_0 + \\beta_1 TR_{\\text{milli}, i} + \\beta_2 TR_{\\text{\\sec}, i} + \\varepsilon_i$$<\/span><\/p>\n

Le nuage de points tridimensionnel confrontant les deux pr\u00e9dicteurs montre un alignement parfait de l’ensemble des observations sur une droite pure passant par l’origine, ob\u00e9issant \u00e0 la fonction $TR_{\\text{\\sec}} = 0{,}001 \\times TR_{\\text{milli}}$<\/span>. La variance conjointe r\u00e9siduelle orthogonale \u00e0 cette droite est rigoureusement \u00e9gale \u00e0 z\u00e9ro. La matrice $(\\mathbf{X}^T \\mathbf{X})$<\/span> poss\u00e8de alors une valeur propre nulle, illustrant la colin\u00e9arit\u00e9 parfaite dans sa forme la plus nue.<\/p>\n

4.3 Exemple 3 : \u00c9chelles d’\u00e9valuation comportementale bipolaires<\/h3>\n

Dans le domaine de la psychologie de la sant\u00e9 et des recherches sur le bien-\u00eatre subjectif, certains protocoles exploitent des \u00e9chelles bipolaires ou des scores de balance affective. Imaginons un protocole \u00e9valuant l’adh\u00e9sion th\u00e9rapeutique de patients chroniques \u00e0 travers une mesure d’\u00e9quilibre \u00e9motionnel mesur\u00e9e sur une \u00e9chelle de 0 \u00e0 100.<\/p>\n

L’exp\u00e9rimentateur utilise une interface num\u00e9rique o\u00f9 le participant d\u00e9place un curseur entre deux p\u00f4les : \u00ab D\u00e9tresse psychologique \u00bb et \u00ab S\u00e9r\u00e9nit\u00e9 psychologique \u00bb. Le syst\u00e8me enregistre le pourcentage attribu\u00e9 \u00e0 la D\u00e9tresse ($X_D$<\/span>, de 0 \u00e0 100) et, par construction de l’algorithme d’enregistrement, calcule le score de S\u00e9r\u00e9nit\u00e9 par compl\u00e9mentarit\u00e9 exacte :<\/p>\n

$$X_S = 100 – X_D$$<\/span><\/p>\n

Voulant tester l’hypoth\u00e8se selon laquelle la d\u00e9tresse r\u00e9duit l’observance tandis que la s\u00e9r\u00e9nit\u00e9 la favorise, le chercheur injecte simultan\u00e9ment $X_D$<\/span> et $X_S$<\/span> dans l’analyse de r\u00e9gression :<\/p>\n

$$\\text{Adh\u00e9sion}_i = \\beta_0 + \\beta_D X_{Di} + \\beta_S X_{Si} + \\varepsilon_i$$<\/span><\/p>\n

La relation lin\u00e9aire exacte implique ici la constante : $X_D + X_S – 100 \\times 1 = 0$<\/span>. Le mod\u00e8le ne poss\u00e8de aucun moyen math\u00e9matique d’attribuer un coefficient distinct \u00e0 la d\u00e9tresse par rapport \u00e0 la s\u00e9r\u00e9nit\u00e9, car tout effet attribu\u00e9 \u00e0 $X_D$<\/span> peut \u00eatre parfaitement reproduit, au signe pr\u00e8s, par un r\u00e9ajustement conjoint de $X_S$<\/span> et de la constante $\\beta_0$<\/span>. L’analyse \u00e9choue \u00e0 discriminer les effets psychologiques oppos\u00e9s de ces deux p\u00f4les ins\u00e9parables.<\/p>\n

5. 5. Le pi\u00e8ge des variables muettes (Dummy Variable Trap) dans les mod\u00e8les psychologiques<\/h2>\n

5.1 M\u00e9canisme de codage des variables cat\u00e9gorielles<\/h3>\n

L’une des manifestations les plus universelles de multicolin\u00e9arit\u00e9 parfaite en statistique appliqu\u00e9e ne d\u00e9coule pas d’une maladresse psychom\u00e9trique, mais de l’incompr\u00e9hension des r\u00e8gles de codage des pr\u00e9dicteurs qualitatifs ou cat\u00e9goriels. C’est ce que l’\u00e9conom\u00e9trie et la psychom\u00e9trie d\u00e9signent sous l’appellation canonique de pi\u00e8ge des variables muettes<\/strong> (en anglais, Dummy Variable Trap<\/em>).<\/p>\n

Consid\u00e9rons une \u00e9tude clinique contr\u00f4l\u00e9e randomis\u00e9e comparant l’efficacit\u00e9 de diff\u00e9rentes modalit\u00e9s de prise en charge de la d\u00e9pression majeure. La variable ind\u00e9pendante \u00ab Traitement \u00bb est polytomique et comporte trois modalit\u00e9s mutuellement exclusives :<\/p>\n