{"id":4495,"date":"2026-10-14T18:01:15","date_gmt":"2026-10-14T18:01:15","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-auc-aire-sous-la-courbe-dans-r\/"},"modified":"2026-10-14T18:01:15","modified_gmt":"2026-10-14T18:01:15","slug":"comment-calculer-auc-aire-sous-la-courbe-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-auc-aire-sous-la-courbe-dans-r","title":{"rendered":"Comment calculer l’AUC (aire sous la courbe) dans R"},"content":{"rendered":"

Dans le champ de l’\u00e9valuation biom\u00e9trique, de l’\u00e9pid\u00e9miologie clinique, de la psychom\u00e9trie et de l’apprentissage automatique, la capacit\u00e9 \u00e0 quantifier avec exactitude la performance discriminante d’un mod\u00e8le de classification binaire constitue un imp\u00e9ratif scientifique fondamental. Qu’il s’agisse de pr\u00e9dire l’apparition d’un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9, de cat\u00e9goriser la r\u00e9cidive d’une conduite addictive ou d’\u00e9valuer le risque d’\u00e9chec scolaire au sein d’une cohorte longitudinale, les praticiens et chercheurs sont continuellement confront\u00e9s \u00e0 la n\u00e9cessit\u00e9 d’arbitrer entre la d\u00e9tection ad\u00e9quate des cas av\u00e9r\u00e9s et la limitation rigoureuse des fausses alertes. Dans cette optique, l’aire sous la courbe caract\u00e9ristique d’efficacit\u00e9 du r\u00e9cepteur, universellement d\u00e9sign\u00e9e sous l’acronyme AUC<\/a> (Area Under the Curve<\/em>) ou AUROC (Area Under the Receiver Operating Characteristic<\/em>), s’est impos\u00e9e au fil des d\u00e9cennies comme la m\u00e9trique \u00e9talon pour synth\u00e9tiser le pouvoir s\u00e9parateur intrins\u00e8que d’un mod\u00e8le statistique continu ou probabiliste.<\/p>\n

Contrairement aux indicateurs traditionnels tels que le taux d’exactitude globale (accuracy<\/em>), qui demeurent dramatiquement tributaires de seuils de d\u00e9cision arbitraires et de la pr\u00e9valence du ph\u00e9nom\u00e8ne dans la population \u00e9tudi\u00e9e, l’AUC offre une vision globale et invariante face aux variations du crit\u00e8re de coupure op\u00e9rationnel. Elle synth\u00e9tise l’ensemble des compromis possibles entre la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 sur le spectre complet des probabilit\u00e9s calcul\u00e9es. L’int\u00e9gration de cette m\u00e9trique au sein du logiciel statistique open-source R<\/a> permet d’exploiter un \u00e9cosyst\u00e8me d’une richesse exceptionnelle, combinant des biblioth\u00e8ques de r\u00e9f\u00e9rence comme pROC<\/code>, ROCR<\/code>, caret<\/code> et le m\u00e9tapackage moderne tidymodels<\/code> pour ex\u00e9cuter des calculs analytiques de haute pr\u00e9cision, estimer des intervalles de confiance asymptotiques ou par r\u00e9\u00e9chantillonnage, et produire des visualisations conformes aux normes \u00e9ditoriales acad\u00e9miques les plus exigeantes.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique et technique a pour dessein d’explorer de fa\u00e7on exhaustive l’\u00e9valuation de la discrimination binaire par l’interm\u00e9diaire de l’AUC dans l’environnement R. D\u00e9butant par l’ancrage formel de la r\u00e9gression logistique et de la th\u00e9orie de la d\u00e9tection du signal, ce document d\u00e9taille la g\u00e9om\u00e9trie sous-jacente des courbes ROC, explicite l’\u00e9quivalence probabiliste non param\u00e9trique de l’AUC avec le test de Wilcoxon-Mann-Whitney, et guide le lecteur \u00e0 travers une impl\u00e9mentation programmatique rigoureuse \u00e9tape par \u00e9tape. Chaque phase du flux de travail statistique \u2014 depuis le pr\u00e9traitement des donn\u00e9es psychom\u00e9triques jusqu’\u00e0 l’inf\u00e9rence statistique formelle via le test de DeLong et les consid\u00e9rations \u00e9thiques inh\u00e9rentes \u00e0 l’automatisation clinique \u2014 est diss\u00e9qu\u00e9e avec une rigueur math\u00e9matique et pratique sans compromis.<\/p>\n

1. Fondements th\u00e9oriques de la r\u00e9gression logistique et de la classification binaire<\/h2>\n

1.1 Structure math\u00e9matique du mod\u00e8le logit<\/h3>\n

La classification binaire repose sur l’hypoth\u00e8se fondamentale que la variable d\u00e9pendante observ\u00e9e, not\u00e9e Y<\/em>, ne peut prendre que deux modalit\u00e9s exclusives, g\u00e9n\u00e9ralement cod\u00e9es par les scalaires 0 et 1. Dans le cadre de la mod\u00e9lisation statistique param\u00e9trique, l’objectif consiste \u00e0 exprimer la probabilit\u00e9 conditionnelle P(Y = 1 | X)<\/em>, o\u00f9 X<\/em> repr\u00e9sente un vecteur de covariables pr\u00e9dictives continues ou cat\u00e9gorielles mesur\u00e9es chez un individu donn\u00e9. Si l’on tentait d’appliquer un mod\u00e8le de r\u00e9gression lin\u00e9aire ordinaire \u00e0 cette structure de donn\u00e9es, les pr\u00e9dictions calcul\u00e9es pourraient outrepasser les bornes logiques de l’intervalle unitaire ferm\u00e9 [0, 1], violant ainsi les axiomes fondamentaux des probabilit\u00e9s de Kolmogorov. De surcro\u00eet, le postulat d’homos\u904a\u3073dasticit\u00e9 des termes d’erreur r\u00e9siduels serait syst\u00e9matiquement invalid\u00e9, la variance d’une loi de Bernoulli \u00e9tant intrins\u00e8quement d\u00e9pendante de sa moyenne.<\/p>\n

Pour surmonter cette impossibilit\u00e9 math\u00e9matique, la mod\u00e9lisation logit recourt au formalisme des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM) d\u00e9velopp\u00e9 par Nelder et Wedderburn. La variable r\u00e9ponse est suppos\u00e9e suivre une distribution binomiale, et le mod\u00e8le introduit une fonction de lien sp\u00e9cifique, la fonction logit, qui applique une transformation bijective de l’intervalle [0, 1] vers la droite r\u00e9elle non born\u00e9e. La cote (odds<\/em>), d\u00e9finie par le ratio de la probabilit\u00e9 de survenue de l’\u00e9v\u00e9nement sur la probabilit\u00e9 de sa non-survenue, P \/ (1 – P)<\/em>, quantifie la propension relative de l’\u00e9v\u00e9nement. Le logarithme n\u00e9p\u00e9rien de cette cote constitue le logit. L’\u00e9quation structurelle s’\u00e9nonce ainsi : logit(P) = ln(P \/ (1 – P)) = beta_0 + beta_1 * X_1 + … + beta_k * X_k<\/em>. Gr\u00e2ce \u00e0 cette formulation, toute combinaison lin\u00e9aire des pr\u00e9dicteurs engendre une valeur r\u00e9elle admissible, qui peut \u00eatre retransform\u00e9e en probabilit\u00e9 via la fonction sigmo\u00efde logistique r\u00e9ciproque : P = 1 \/ (1 + exp(- (beta_0 + sum(beta_j * X_j))))<\/em>.<\/p>\n

L’estimation des coefficients de r\u00e9gression ne proc\u00e8de pas de la m\u00e9thode des moindres carr\u00e9s, d\u00e9pourvue de validit\u00e9 dans ce cadre non lin\u00e9aire, mais fait appel au principe du maximum de vraisemblance (Maximum Likelihood Estimation<\/em>). La fonction de vraisemblance est formul\u00e9e comme le produit des densit\u00e9s de probabilit\u00e9 de Bernoulli associ\u00e9es \u00e0 chaque observation ind\u00e9pendante de l’\u00e9chantillon. Le calcul maximise la log-vraisemblance par le biais d’algorithmes it\u00e9ratifs d’optimisation num\u00e9rique, le plus souvent la m\u00e9thode de Newton-Raphson ou des moindres carr\u00e9s repond\u00e9r\u00e9s it\u00e9rativement (IRLS). Les coefficients obtenus s’interpr\u00e8tent directement en termes de rapports de cotes (odds ratios<\/em>) apr\u00e8s exponentiation, fournissant une quantification rigoureuse de l’amplification relative du risque ou de la propension clinique induite par chaque variation unitaire des variables ind\u00e9pendantes.<\/p>\n

1.2 Applications de la classification en psychologie et sciences comportementales<\/h3>\n

Dans l’\u00e9ventail des sciences du comportement, de la neuropsychologie et de la psychiatrie quantitative, la classification binaire remplit une fonction diagnostique et pronostique cardinale. L’investigation empirique cherche r\u00e9guli\u00e8rement \u00e0 discriminer la pr\u00e9sence ou l’absence d’un trouble psychopathologique caract\u00e9ris\u00e9, tel que le trouble d\u00e9pressif majeur, les \u00e9tats de stress post-traumatique ou les troubles du spectre de l’autisme, \u00e0 partir d’une constellation d’indicateurs psychom\u00e9triques continus, de biomarqueurs neurophysiologiques ou de scores d’\u00e9chelles standardis\u00e9es comme le Beck Depression Inventory ou le Hamilton Anxiety Rating Scale. Le mod\u00e8le probabiliste agit alors comme un synth\u00e9tiseur multidimensionnel, agr\u00e9geant des \u00e9l\u00e9ments s\u00e9miologiques \u00e9pars en un indice d’affectation diagnostique continu.<\/p>\n

Au-del\u00e0 du diagnostic transversal, la mod\u00e9lisation de trajectoires longitudinales en psychologie comportementale s’int\u00e9resse vivement \u00e0 la pr\u00e9diction de l’adh\u00e9sion th\u00e9rapeutique, de la rechute toxicologique ou du d\u00e9crochage clinique au cours des protocoles d’intervention cognitivo-comportementale. L’identification pr\u00e9coce des patients \u00e0 haut risque d’abandon pr\u00e9matur\u00e9 de la th\u00e9rapie permet aux cliniciens d’ajuster l’alliance th\u00e9rapeutique et d’allouer des ressources de soutien suppl\u00e9mentaires avant que la rupture du cadre de soin ne survienne. Dans ce contexte, l’inf\u00e9rence statistique ne vise pas simplement \u00e0 identifier des corr\u00e9lats significatifs, mais \u00e0 d\u00e9ployer un syst\u00e8me de scoring d\u00e9cisionnel op\u00e9rationnel en temps r\u00e9el dans les structures de sant\u00e9 mentale.<\/p>\n

Toutefois, la transposition d’un continuum probabiliste en une d\u00e9cision d’intervention binaire soul\u00e8ve des d\u00e9fis \u00e9pist\u00e9mologiques et cliniques majeurs. L’attribution d’un diagnostic psychologique ou psychiatrique ne rel\u00e8ve que rarement d’une d\u00e9marcation naturelle franche ; elle impose l’\u00e9tablissement d’une convention d\u00e9lib\u00e9r\u00e9e sur un continuum dimensionnel de s\u00e9v\u00e9rit\u00e9 symptomatique. La s\u00e9lection d’un seuil de coupure sp\u00e9cifique conditionne directement la proportion d’individus qui recevront un accompagnement institutionnel adapt\u00e9 ou, \u00e0 l’inverse, qui subiront les cons\u00e9quences d\u00e9l\u00e9t\u00e8res d’un surdiagnostic et d’une stigmatisation nosographique inutile. Cette tension inh\u00e9rente souligne le besoin crucial de s’appuyer sur des m\u00e9thodologies d’\u00e9valuation qui transcendent l’arbitraire du seuil op\u00e9rationnel unique.<\/p>\n

1.3 Limites des indicateurs de performance classiques<\/h3>\n

Pendant de nombreuses d\u00e9cennies, la m\u00e9trique pr\u00e9dominante employ\u00e9e pour quantifier l’efficacit\u00e9 d’un syst\u00e8me de classification a \u00e9t\u00e9 le taux d’exactitude globale, fr\u00e9quemment d\u00e9sign\u00e9 sous le terme anglais d’accuracy<\/em>. Cette m\u00e9trique se calcule trivialement par le ratio unitaire des pr\u00e9dictions correctes sur l’effectif total de l’\u00e9chantillon analys\u00e9. Bien que conceptuellement intuitive, cette mesure dissimule une fragilit\u00e9 m\u00e9thodologique redoutable : son extr\u00eame sensibilit\u00e9 au d\u00e9s\u00e9quilibre des classes (class imbalance<\/em>). Dans une cohorte o\u00f9 la pr\u00e9valence clinique d’une pathologie rare n’atteint que 2 %, un classificateur totalement inerte qui pr\u00e9dirait syst\u00e9matiquement l’absence de trouble pour la totalit\u00e9 des patients afficherait sans effort une exactitude globale de 98 %. Un tel r\u00e9sultat donnerait l’illusion trompeuse d’un mod\u00e8le exceptionnellement performant alors que sa valeur clinique est rigoureusement nulle, son incapacit\u00e9 \u00e0 d\u00e9tecter les cas pathologiques \u00e9tant absolue.<\/p>\n

Une seconde insuffisance fondamentale des m\u00e9triques classiques r\u00e9side dans leur d\u00e9pendance irr\u00e9m\u00e9diable envers un seuil de d\u00e9cision particulier, fix\u00e9 arbitrairement par d\u00e9faut \u00e0 la probabilit\u00e9 0,50 dans la plupart des environnements logiciels. Or, dans les situations r\u00e9elles de la pratique psychologique et m\u00e9dicale, ce seuil m\u00e9dian s’av\u00e8re presque toujours inadapt\u00e9. Dans le d\u00e9pistage de comportements autodestructeurs comme le risque suicidaire, les cliniciens tol\u00e8rent volontiers une proportion plus \u00e9lev\u00e9e de faux positifs afin de garantir une minimisation quasi absolue des faux n\u00e9gatifs, ce qui exige de fixer le seuil d\u00e9cisionnel \u00e0 une probabilit\u00e9 beaucoup plus basse (par exemple 0,10 ou 0,15). \u00c9valuer un mod\u00e8le uniquement \u00e0 travers la lucarne rigide d’un seuil pr\u00e9d\u00e9fini revient \u00e0 \u00e9valuer le choix contingent de ce seuil plut\u00f4t que la capacit\u00e9 discriminante intrins\u00e8que des variables pr\u00e9dictives incorpor\u00e9es.<\/p>\n

Il appara\u00eet d\u00e8s lors imp\u00e9ratif de dissocier la qualit\u00e9 de la graduation probabiliste continue produite par le mod\u00e8le de la d\u00e9cision cat\u00e9gorielle terminale. L’\u00e9valuation de mod\u00e8les pr\u00e9dictifs complexes exige des indicateurs capables d’analyser l’ordonnancement complet des probabilit\u00e9s estim\u00e9es, ind\u00e9pendamment de tout point de coupure sp\u00e9cifique et de toute fluctuation de la pr\u00e9valence \u00e9chantillonnale. C’est pr\u00e9cis\u00e9ment pour combler ces lacunes structurelles que la g\u00e9om\u00e9trie des courbes d’efficacit\u00e9 du r\u00e9cepteur et l’aire sous-jacente ont \u00e9t\u00e9 adopt\u00e9es comme l’\u00e9talon-or de la validation statistique en m\u00e9decine, en psychologie empirique et en science des donn\u00e9es.<\/p>\n

2. M\u00e9triques diagnostiques fondamentales : Sensibilit\u00e9, sp\u00e9cificit\u00e9 et matrice de confusion<\/h2>\n

2.1 Construction et anatomie de la matrice de confusion<\/h3>\n

Toute tentative de cartographier la validit\u00e9 d’une d\u00e9cision de classification binaire requiert la structuration crois\u00e9e des observations empiriques r\u00e9elles et des assignations cat\u00e9gorielles formul\u00e9es par l’algorithme. Cette synth\u00e8se s’incarne dans une table de contingence bivari\u00e9e \u00e0 deux dimensions d\u00e9nomm\u00e9e matrice de confusion<\/a>. Au sein de cette matrice, les lignes et les colonnes correspondent respectivement aux classes r\u00e9elles observ\u00e9es dans la nature et aux classes assign\u00e9es par la r\u00e8gle de pr\u00e9diction suite \u00e0 l’application d’un seuil de coupure d\u00e9sign\u00e9 conventionnellement par la lettre grecque tau.<\/p>\n

L’anatomie de cette matrice d\u00e9limite quatre quadrants cardinaux qui \u00e9puisent l’univers des possibles diagnostiques :<\/p>\n