L’analyse empirique des comportements humains, des processus cognitifs et des psychopathologies se heurte fr\u00e9quemment \u00e0 une r\u00e9alit\u00e9 m\u00e9thodologique incontournable : la nature dichotomique de nombreux ph\u00e9nom\u00e8nes d’int\u00e9r\u00eat. Qu’il s’agisse de mod\u00e9liser la r\u00e9mission clinique d’un patient apr\u00e8s une psychoth\u00e9rapie, l’abandon universitaire d’un \u00e9tudiant de premier cycle, l’adh\u00e9sion \u00e0 un traitement pharmacologique ou la r\u00e9ussite \u00e0 une t\u00e2che cognitive complexe, les chercheurs en psychologie et en sciences comportementales sont constamment amen\u00e9s \u00e0 pr\u00e9dire des issues binaires. Face \u00e0 ces configurations, la r\u00e9gression lin\u00e9aire ordinaire se r\u00e9v\u00e8le math\u00e9matiquement inappropri\u00e9e et conceptuellement d\u00e9faillante, c\u00e9dant imp\u00e9rativement la place \u00e0 la mod\u00e9lisation par r\u00e9gression logistique binaire. Cette technique, fond\u00e9e sur l’estimation du maximum de vraisemblance et la transformation logit, s’est impos\u00e9e au fil des d\u00e9cennies comme l’un des piliers m\u00e9thodologiques de la recherche quantitative contemporaine.<\/p>\n
Cependant, la puissance analytique de la r\u00e9gression logistique s’accompagne d’une complexit\u00e9 interpr\u00e9tative substantielle. Contrairement aux mod\u00e8les lin\u00e9aires gaussiens o\u00f9 les coefficients de r\u00e9gression s’interpr\u00e8tent directement comme des taux de variation marginaux sur l’\u00e9chelle de la variable d\u00e9pendante, la r\u00e9gression logistique op\u00e8re sur une \u00e9chelle non lin\u00e9aire, transitant successivement par les probabilit\u00e9s, les cotes (odds<\/em>) et les logarithmes n\u00e9p\u00e9riens des cotes (log-odds<\/em>). Cette abstraction math\u00e9matique constitue une source r\u00e9currente d’erreurs d’interpr\u00e9tation, de confusions conceptuelles et de lacunes r\u00e9dactionnelles au sein de la litt\u00e9rature scientifique. Nombre de manuscrits soumis \u00e0 des revues \u00e0 comit\u00e9 de lecture p\u00e8chent par une communication tronqu\u00e9e de leurs r\u00e9sultats, omettant les indices d’ajustement globaux, confondant rapports de cotes et risques relatifs, ou n\u00e9gligeant la v\u00e9rification rigoureuse des postulats sous-jacents indispensables \u00e0 la validit\u00e9 inf\u00e9rentielle.<\/p>\n L’objectif de ce guide exhaustif est de fournir aux chercheurs, doctorants et praticiens des sciences humaines et sociales une feuille de route m\u00e9thodologique int\u00e9grale pour analyser, interpr\u00e9ter et rapporter les r\u00e9sultats d’une r\u00e9gression logistique binaire dans le strict respect des normes acad\u00e9miques internationales, notamment celles \u00e9dict\u00e9es par l’American Psychological Association (APA, 7e \u00e9dition)<\/a>. De la v\u00e9rification scrupuleuse des conditions d’application jusqu’\u00e0 la confection de tableaux publiables, en passant par le d\u00e9cryptage des m\u00e9triques d’ajustement global, l’\u00e9lucidation fine des odds ratios<\/em> et la formulation narrative fluide de r\u00e9sultats complexes, ce manuel aborde chaque \u00e9tape avec un niveau d’exigence scientifique \u00e9lev\u00e9, combinant rigueur statistique et pragmatisme r\u00e9dactionnel.<\/p>\n La recherche en psychologie clinique, cognitive, sociale et du travail est intrins\u00e8quement li\u00e9e \u00e0 l’observation de variables qualitatives discr\u00e8tes. Au c\u0153ur de cette d\u00e9marche se trouve la variable r\u00e9ponse dichotomique, souvent qualifi\u00e9e de binaire ou bernoullienne, qui ne peut prendre que deux modalit\u00e9s mutuellement exclusives et collectivement exhaustives : pr\u00e9sence ou absence d’un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9, rechute ou maintien de l’abstinence tabagique, \u00e9chec ou r\u00e9ussite \u00e0 un examen standardis\u00e9, d\u00e9mission volontaire ou maintien dans l’organisation. D’un point de vue quantitatif, ces modalit\u00e9s sont conventionnellement cod\u00e9es par les valeurs num\u00e9riques discr\u00e8tes 0 (indiquant l’absence du ph\u00e9nom\u00e8ne, la modalit\u00e9 de r\u00e9f\u00e9rence ou l’\u00e9chec) et 1 (indiquant la pr\u00e9sence de l’\u00e9v\u00e9nement d’int\u00e9r\u00eat, le cas clinique ou le succ\u00e8s).<\/p>\n L’application d’un mod\u00e8le de r\u00e9gression lin\u00e9aire par les moindres carr\u00e9s ordinaires (MCO) \u00e0 une telle variable d\u00e9pendante binaire soul\u00e8ve des apories th\u00e9oriques et math\u00e9matiques r\u00e9dhibitoires. En premier lieu, le mod\u00e8le lin\u00e9aire ordinaire suppose que la variable d\u00e9pendante est continue et que la relation entre les r\u00e9gresseurs et l’esp\u00e9rance math\u00e9matique de la r\u00e9ponse est lin\u00e9aire. Appliqu\u00e9e \u00e0 une variable binaire, cette approche (connue sous le nom de mod\u00e8le de probabilit\u00e9 lin\u00e9aire) produit fr\u00e9quemment des pr\u00e9dictions absurdes, g\u00e9n\u00e9rant des probabilit\u00e9s estim\u00e9es qui exc\u00e8dent l’intervalle canonique [0, 1]. Pr\u00e9dire une probabilit\u00e9 de r\u00e9cidive d\u00e9linquante de 1,28 ou de -0,15 constitue un contresens probabiliste flagrant qui invalide la port\u00e9e pr\u00e9dictive du mod\u00e8le.<\/p>\n En second lieu, la distribution des r\u00e9sidus d’une variable binaire viole intrins\u00e8quement le postulat d’homosc\u00e9dasticit\u00e9 (constance de la variance de l’erreur) et de normalit\u00e9 des erreurs. La variance de la distribution de Bernoulli d\u00e9pend directement de la probabilit\u00e9 de succ\u00e8s via la formule $\\sigma^2 = p(1 – p)$<\/span>. D\u00e8s lors que les pr\u00e9dicteurs modifient la valeur de $p$<\/span>, la variance r\u00e9siduelle varie in\u00e9vitablement en fonction des valeurs des variables ind\u00e9pendantes, g\u00e9n\u00e9rant une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 structurelle irr\u00e9ductible. Les erreurs types associ\u00e9es aux coefficients de r\u00e9gression lin\u00e9aire deviennent alors biais\u00e9es, invalidant l’ensemble des tests inf\u00e9rentiels classiques (tests $t$<\/span> de Student, tests $F$<\/span> de Fisher).<\/p>\n Pour contourner ces impasses, la r\u00e9gression logistique binaire recourt \u00e0 une fonction de liaison non lin\u00e9aire : la transformation logit. Au lieu de mod\u00e9liser directement la probabilit\u00e9 brute $p$<\/span>, le mod\u00e8le calcule d’abord la cote de survenue de l’\u00e9v\u00e9nement (odds<\/em>), d\u00e9finie par le rapport entre la probabilit\u00e9 que l’\u00e9v\u00e9nement se produise et la probabilit\u00e9 qu’il ne se produise pas, soit $p \/ (1 – p)$<\/span>. Cette cote, qui s’\u00e9tend sur l’intervalle $[0, +\\infty[$<\/span>, est ensuite convertie en son logarithme n\u00e9p\u00e9rien, g\u00e9n\u00e9rant la m\u00e9trique du logit :<\/p>\n $$\\text{logit}(p) = \\ln\\left(\\frac{p}{1 – p}\\right)$$<\/span><\/p>\n Cette double transformation math\u00e9matique permet de projeter une probabilit\u00e9 born\u00e9e entre 0 et 1 sur une \u00e9chelle continue s’\u00e9tendant de $-\\infty$<\/span> \u00e0 $+\\infty$<\/span>. La relation entre les pr\u00e9dicteurs continus ou cat\u00e9goriels et le logit de la r\u00e9ponse redevient lin\u00e9aire, permettant l’estimation sans contrainte de coefficients non born\u00e9s tout en garantissant, par la transformation logistique inverse (la fonction sigmo\u00efde), que toute probabilit\u00e9 recalcul\u00e9e se situera rigoureusement et asymptotiquement \u00e0 l’int\u00e9rieur de l’espace probabiliste [0, 1]. Cette \u00e9l\u00e9gance math\u00e9matique en fait l’outil privil\u00e9gi\u00e9 pour traiter les probl\u00e9matiques cat\u00e9gorielles les plus exigeantes de la psychom\u00e9trie contemporaine.<\/p>\n Dans l’\u00e9cosyst\u00e8me de la recherche comportementale, la r\u00e9gression logistique occupe une place centrale en raison de sa capacit\u00e9 singuli\u00e8re \u00e0 formaliser des d\u00e9cisions humaines et des \u00e9tats psychologiques complexes sous forme probabiliste. Contrairement aux approches bivari\u00e9es classiques telles que le test du Chi-deux d’ind\u00e9pendance ou le test $t$<\/span> sur deux groupes, la r\u00e9gression logistique offre une architecture multivari\u00e9e robuste capable d’isoler l’effet propre d’un facteur psychologique sp\u00e9cifique tout en contr\u00f4lant rigoureusement l’influence de variables confusionnelles d\u00e9mographiques, cliniques ou contextuelles. Par exemple, lorsqu’un chercheur souhaite d\u00e9terminer si le niveau d’alexithymie pr\u00e9dit le risque d’automutilation non suicidaire chez les adolescents, il est m\u00e9thodologiquement imp\u00e9ratif de contr\u00f4ler statistiquement l’\u00e2ge, le genre, la pr\u00e9sence d’une comorbidit\u00e9 anxieuse et le statut socio\u00e9conomique de la famille. La r\u00e9gression logistique permet cette neutralisation statistique par ajustement simultan\u00e9, garantissant que le coefficient attribu\u00e9 \u00e0 l’alexithymie ne refl\u00e8te pas un artefact attribuable \u00e0 ces covariables.<\/p>\n De surcro\u00eet, la m\u00e9thode offre une flexibilit\u00e9 remarquable quant \u00e0 la nature des variables pr\u00e9dictives int\u00e9gr\u00e9es. Elle autorise la mod\u00e9lisation simultan\u00e9e de r\u00e9gresseurs continus (scores \u00e0 des \u00e9chelles psychom\u00e9triques de d\u00e9pression, temps de r\u00e9action en millisecondes), de variables cat\u00e9gorielles nominales polytomiques (appartenance \u00e0 diff\u00e9rents groupes th\u00e9rapeutiques, statut marital) et de variables ordinales (stades d’\u00e9volution d’une maladie, niveaux d’\u00e9ducation). Cette polyvalence permet de tester des mod\u00e8les th\u00e9oriques int\u00e9grateurs o\u00f9 s’articulent des processus individuels et environnementaux.<\/p>\n Enfin, la r\u00e9gression logistique r\u00e9pond \u00e0 une double finalit\u00e9 \u00e9pist\u00e9mologique au sein des sciences du comportement : l’explication th\u00e9orique et la pr\u00e9diction pragmatique. Sur le plan explicatif, elle quantifie la magnitude et la directionnalit\u00e9 des liens entre les dimensions psychologiques et l’occurrence d’un comportement, apportant des \u00e9l\u00e9ments empiriques d\u00e9cisifs pour valider ou falsifier des mod\u00e8les \u00e9tiologiques. Sur le plan pr\u00e9dictif, particuli\u00e8rement valoris\u00e9 en psychologie de la sant\u00e9 et en neuropsychologie clinique, elle permet de construire des algorithmes de d\u00e9pistage et de stratification du risque, traduisant le profil multidimensionnel d’un patient en une probabilit\u00e9 individualis\u00e9e d’\u00e9volution pathologique. Cette dualit\u00e9 exige une pr\u00e9cision m\u00e9thodologique sans faille lors de la communication des r\u00e9sultats, afin de ne pas induire en erreur la communaut\u00e9 scientifique ou les praticiens de terrain.<\/p>\n La communication scientifique des r\u00e9sultats issus d’une r\u00e9gression logistique ne saurait se r\u00e9duire \u00e0 une simple \u00e9num\u00e9ration m\u00e9canique de valeurs statistiques extraites d’un logiciel comme SPSS, R, Jamovi ou SAS. Elle constitue un acte de transmission \u00e9pist\u00e9mique qui doit satisfaire aux plus hauts standards de transparence, d’int\u00e9grit\u00e9 et de reproductibilit\u00e9 m\u00e9thodologique, tels que d\u00e9fendus par la politique \u00e9ditoriale de l’APA<\/a> et les initiatives de science ouverte (Open Science Framework<\/em>). Le premier objectif de cette communication r\u00e9side dans la reproductibilit\u00e9 calculatoire : le lecteur doit disposer de l’int\u00e9gralit\u00e9 des param\u00e8tres num\u00e9riques n\u00e9cessaires pour reconstituer l’\u00e9quation de r\u00e9gression compl\u00e8te, \u00e9valuer la pr\u00e9cision de chaque coefficient et, le cas \u00e9ch\u00e9ant, r\u00e9pliquer le mod\u00e8le sur un \u00e9chantillon ind\u00e9pendant ou l’agr\u00e9ger au sein d’une m\u00e9ta-analyse quantitative.<\/p>\n Le deuxi\u00e8me imp\u00e9ratif \u00e9ditorial concerne la transmission d’estimations non biais\u00e9es de la taille d’effet et de l’incertitude qui leur est associ\u00e9e. Le culte historique de la valeur $p$<\/span> (significativit\u00e9 statistique binaire) a souvent occult\u00e9 la pertinence clinique et l’amplitude r\u00e9elle des ph\u00e9nom\u00e8nes observ\u00e9s. R\u00e9diger convenablement une section de r\u00e9gression logistique implique de d\u00e9placer la focale vers les odds ratios<\/em> (rapports de cotes) accompagn\u00e9s imp\u00e9rativement de leurs intervalles de confiance \u00e0 95 %. Ces m\u00e9triques permettent aux lecteurs de jauger non seulement si un effet diff\u00e8re significativement de z\u00e9ro, mais surtout si son amplitude poss\u00e8de une signification th\u00e9orique ou appliqu\u00e9e substantielle au regard du domaine d’\u00e9tude consid\u00e9r\u00e9.<\/p>\n Le troisi\u00e8me objectif r\u00e9side dans la transparence descriptive des compromis analytiques adopt\u00e9s par les auteurs. Tout mod\u00e8le de r\u00e9gression logistique implique une s\u00e9rie d’arbitrages statistiques : choix du seuil de classification, gestion des valeurs aberrantes ou influentes, strat\u00e9gie de s\u00e9lection des variables (m\u00e9thodes hi\u00e9rarchiques descendantes, forc\u00e9es ou pas \u00e0 pas), et traitement des donn\u00e9es manquantes. Dissimuler ces choix sous un paragraphe g\u00e9n\u00e9rique affaiblit la validit\u00e9 de la recherche. L’alignement sur les directives internationales, telles que le guide STROBE<\/a> (Strengthening the Reporting of Observational Studies in Epidemiology<\/em>) ou les normes JARS-Quant (Journal Article Reporting Standards<\/em>) de l’APA, constitue la garantie ultime d’une contribution scientifique p\u00e9renne, \u00e9thique et exempte de biais de publication.<\/p>\n Bien que la r\u00e9gression logistique s’affranchisse des postulats restrictifs de normalit\u00e9 des r\u00e9sidus et d’homosc\u00e9dasticit\u00e9 propres aux mod\u00e8les lin\u00e9aires, elle repose sur des hypoth\u00e8ses fondamentales dont la violation compromet gravement la validit\u00e9 des inf\u00e9rences statistiques. Le premier postulat incontournable est celui de l’ind\u00e9pendance des observations. Chaque paire de donn\u00e9es (mesure des pr\u00e9dicteurs et statut de la variable d\u00e9pendante) doit provenir d’une unit\u00e9 d’observation ind\u00e9pendante. Si les donn\u00e9es pr\u00e9sentent une structure hi\u00e9rarchique, embo\u00eet\u00e9e ou longitudinale (mesures r\u00e9p\u00e9t\u00e9es chez un m\u00eame individu au cours du temps, patients regroup\u00e9s au sein de diff\u00e9rents centres hospitaliers, \u00e9l\u00e8ves nich\u00e9s dans des classes scolaires), les termes d’erreur sont in\u00e9vitablement corr\u00e9l\u00e9s. Dans de telles situations, l’application d’une r\u00e9gression logistique standard sous-estime drastiquement les erreurs types, provoquant une inflation artificielle des erreurs de type I (faux positifs). Les auteurs doivent formellement mentionner que le sch\u00e9ma d’\u00e9chantillonnage garantit cette ind\u00e9pendance ou, \u00e0 d\u00e9faut, justifier le recours \u00e0 des mod\u00e9lisations mixtes g\u00e9n\u00e9ralis\u00e9es (GLMM) ou \u00e0 des \u00e9quations d’estimation g\u00e9n\u00e9ralis\u00e9es (GEE).<\/p>\n Le second postulat critique concerne la lin\u00e9arit\u00e9 de la relation entre les variables pr\u00e9dictives continues et la transformation logit de la variable r\u00e9ponse. Si la relation entre un score d’anxi\u00e9t\u00e9 continue et le logit de survenue d’une crise d’angoisse n’est pas lin\u00e9aire mais curvilin\u00e9aire ou sigmo\u00efdale, les coefficients estim\u00e9s seront biais\u00e9s et le pouvoir de pr\u00e9diction du mod\u00e8le sera drastiquement d\u00e9grad\u00e9. L’\u00e9valuation de ce postulat s’op\u00e8re canoniquement par le test de Box-Tidwell, d\u00e9velopp\u00e9 par Box et Tidwell (1962)<\/a>. Cette proc\u00e9dure diagnostique consiste \u00e0 int\u00e9grer dans le mod\u00e8le logistique, en sus des variables originales, des termes d’interaction form\u00e9s par le produit de chaque pr\u00e9dicteur continu avec son propre logarithme n\u00e9p\u00e9rien ($X \\times \\ln(X)$<\/span>) :<\/p>\n $$\\text{logit}(p) = \\beta_0 + \\beta_1 X + \\beta_2 [X \\ln(X)]$$<\/span><\/p>\n Si le coefficient associ\u00e9 \u00e0 ce terme d’interaction s’av\u00e8re statistiquement significatif au seuil pr\u00e9alablement corrig\u00e9 pour les comparaisons multiples (par exemple, ajustement de Bonferroni), le postulat de lin\u00e9arit\u00e9 du logit est formellement viol\u00e9 pour le pr\u00e9dicteur test\u00e9. La r\u00e9daction de cette v\u00e9rification doit figurer explicitement dans la section m\u00e9thodologique ou au d\u00e9but de la section des r\u00e9sultats. On indiquera, par exemple : \u00ab L’\u00e9valuation du postulat de lin\u00e9arit\u00e9 du logit pour les variables continues a \u00e9t\u00e9 conduite \u00e0 l’aide de la proc\u00e9dure de Box-Tidwell. Avec une correction de Bonferroni fixant le seuil de significativit\u00e9 \u00e0 $\\alpha = .0125$<\/span> pour les quatre r\u00e9gresseurs continus, aucun des termes d’interaction pr\u00e9dicteur-logarithme n’a atteint le seuil critique (tous les $p > .08$<\/span>), attestant de la validit\u00e9 de l’hypoth\u00e8se de lin\u00e9arit\u00e9 dans l’espace logit. \u00bb<\/em> En cas d’infraction, les auteurs doivent exposer les transformations non lin\u00e9aires appliqu\u00e9es (logarithmique, racine carr\u00e9e, cat\u00e9gorisation par quantiles justifi\u00e9e, ou splines cubiques restreintes).<\/p>\n La multicolin\u00e9arit\u00e9 d\u00e9signe une situation o\u00f9 deux ou plusieurs variables pr\u00e9dictives au sein du mod\u00e8le partagent des corr\u00e9lations lin\u00e9aires excessivement fortes, cr\u00e9ant une redondance informationnelle d\u00e9l\u00e9t\u00e8re. En r\u00e9gression logistique, une multicolin\u00e9arit\u00e9 prononc\u00e9e n’affecte pas l’ajustement global du mod\u00e8le ni les capacit\u00e9s pr\u00e9dictives globales, mais elle gonfle de mani\u00e8re disproportionn\u00e9e la variance d’\u00e9chantillonnage et les erreurs types associ\u00e9es aux coefficients de r\u00e9gression individuels ($SE$<\/span>). Les estimations des coefficients deviennent hautement instables, d\u00e9pendantes d’infimes variations \u00e9chantillonnales, et les tests de significativit\u00e9 de Wald perdent leur puissance, conduisant fr\u00e9quemment \u00e0 la non-rejection erron\u00e9e de l’hypoth\u00e8se nulle pour des r\u00e9gresseurs pourtant dot\u00e9s d’un effet substantiel.<\/p>\n Le diagnostic de la multicolin\u00e9arit\u00e9 s’effectue g\u00e9n\u00e9ralement par l’examen des facteurs d’inflation de la variance (VIF, Variance Inflation Factor<\/em>) et de leurs inverses, les indices de tol\u00e9rance ($1\/\\text{VIF}$<\/span>). Bien que calcul\u00e9s traditionnellement sur les matrices de corr\u00e9lation des mod\u00e8les lin\u00e9aires, ces indicateurs sont universellement reconnus et accept\u00e9s pour le diagnostic pr\u00e9liminaire des mod\u00e8les logistiques. Les seuils d’alerte consensuels dans la litt\u00e9rature m\u00e9thodologique en psychologie fixent g\u00e9n\u00e9ralement la limite d’inacceptabilit\u00e9 \u00e0 un VIF sup\u00e9rieur \u00e0 5 ou 10, correspondant respectivement \u00e0 des tol\u00e9rances inf\u00e9rieures \u00e0 0,20 ou 0,10, bien que certains auteurs rigoristes pr\u00e9conisent un seuil de VIF sup\u00e9rieur \u00e0 2,5 ou 3 en pr\u00e9sence d’\u00e9chantillons de taille modeste.<\/p>\n La formulation narrative du contr\u00f4le de la multicolin\u00e9arit\u00e9 dans le manuscrit doit \u00eatre syst\u00e9matique et concise. Les auteurs doivent rapporter les valeurs extr\u00eames observ\u00e9es : \u00ab Avant l’ajustement final du mod\u00e8le logistique, l’absence de multicolin\u00e9arit\u00e9 excessive entre les pr\u00e9dicteurs a \u00e9t\u00e9 v\u00e9rifi\u00e9e. Les indices de tol\u00e9rance s’\u00e9chelonnaient de 0,64 \u00e0 0,91, et les facteurs d’inflation de la variance demeuraient largement en de\u00e7\u00e0 des seuils d’alerte m\u00e9thodologiques conventionnels ($\\text{VIF}_{\\max} = 1,56$<\/span>), confirmant que les erreurs types des estimations n’\u00e9taient pas distordues par une intercorr\u00e9lation d\u00e9l\u00e9t\u00e8re entre les r\u00e9gresseurs. \u00bb<\/em> Si une multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re est d\u00e9tect\u00e9e, le texte doit documenter de mani\u00e8re transparente les mesures palliatives adopt\u00e9es : suppression raisonn\u00e9e d’une variable redondante, agr\u00e9gation factorielle des indicateurs au sein d’un score composite unique, ou recours \u00e0 une r\u00e9gression logistique p\u00e9nalis\u00e9e (Ridge ou Lasso).<\/p>\n L’estimation des param\u00e8tres en r\u00e9gression logistique \u00e9tant gouvern\u00e9e par la m\u00e9thode du maximum de vraisemblance, elle s’av\u00e8re particuli\u00e8rement vuln\u00e9rable \u00e0 l’influence disproportionn\u00e9e de cas isol\u00e9s pr\u00e9sentant des configurations de donn\u00e9es extr\u00eames ou atypiques. L’identification rigoureuse de ces observations requiert l’examen conjoint de plusieurs m\u00e9triques r\u00e9siduelles standardis\u00e9es et indices de levier.<\/p>\n Les r\u00e9sidus d\u00e9viants standardis\u00e9s et les r\u00e9sidus de Pearson standardis\u00e9s constituent les outils de d\u00e9pistage de premier ordre des observations mal ajust\u00e9es par le mod\u00e8le (r\u00e9sidus aberrants). Une r\u00e8gle d’\u00e9valuation universellement accept\u00e9e stipule que des valeurs r\u00e9siduelles exc\u00e9dant un seuil absolu de $|z| > 2,58$<\/span> ou $|z| > 3,00$<\/span> signalent des cas potentiellement anormaux qui s’\u00e9cartent significativement des pr\u00e9dictions probabilistes du mod\u00e8le. Parall\u00e8lement, l’effet de levier (leverage<\/em>, not\u00e9 $h_{ii}$<\/span>), qui mesure la distance d’un profil de pr\u00e9dicteurs par rapport au centro\u00efde des covariables dans l’espace multidimensionnel, permet d’isoler les profils atypiques. Tout point de levier exc\u00e9dant deux \u00e0 trois fois la valeur de levier moyenne ($\\bar{h} = (k+1)\/N$<\/span>, o\u00f9 $k$<\/span> repr\u00e9sente le nombre de pr\u00e9dicteurs et $N$<\/span> la taille de l’\u00e9chantillon) m\u00e9rite une surveillance accrue.<\/p>\n Enfin, pour \u00e9valuer l’impact combin\u00e9 du r\u00e9sidu et du levier sur l’ensemble des coefficients estim\u00e9s, les chercheurs s’appuient sur la distance de Cook adapt\u00e9e \u00e0 la r\u00e9gression logistique ou sur les statistiques DFBeta. Une distance de Cook approchant ou d\u00e9passant la valeur de 1,00 signale une observation influente capable d’alt\u00e9rer unilat\u00e9ralement la magnitude et la trajectoire des param\u00e8tres du mod\u00e8le. La gestion de ces donn\u00e9es exige une honn\u00eatet\u00e9 r\u00e9dactionnelle totale : la suppression arbitraire de cas sans justification th\u00e9orique est formellement proscrite. Les auteurs doivent rapporter la pr\u00e9sence \u00e9ventuelle de ces cas et indiquer si leur exclusion modifie substantiellement les conclusions substantielles du mod\u00e8le (analyse de sensibilit\u00e9).<\/p>\n Parall\u00e8lement \u00e0 la d\u00e9tection des cas influents, le chercheur doit obligatoirement attester du respect de la r\u00e8gle de dimensionnement \u00e9chantillonnal, historiquement formalis\u00e9e par la m\u00e9trique des \u00e9v\u00e9nements par variable (EPV, Events Per Variable<\/em>). D\u00e9coulant des travaux de Peduzzi et al. (1996)<\/a>, cette r\u00e8gle m\u00e9thodologique exige un minimum de 10 \u00e0 20 \u00e9v\u00e9nements appartenant \u00e0 la cat\u00e9gorie la moins repr\u00e9sent\u00e9e de la variable r\u00e9ponse pour chaque param\u00e8tre estim\u00e9 dans le mod\u00e8le. Un ratio inf\u00e9rieur expose \u00e0 un surajustement massif (overfitting<\/em>), caract\u00e9ris\u00e9 par des coefficients artificiellement gonfl\u00e9s et une instabilit\u00e9 majeure lors des tentatives de r\u00e9plication externe.<\/p>\n L’\u00e9valuation inf\u00e9rentielle d’un mod\u00e8le de r\u00e9gression logistique s’inaugure invariablement par l’examen de sa performance globale comparativement \u00e0 un mod\u00e8le nul (ou mod\u00e8le baseline) ne contenant que le terme d’interception (la constante). Cette comparaison repose sur le test du rapport de vraisemblance, commun\u00e9ment qualifi\u00e9 de test omnibus du mod\u00e8le dans les sorties logicielles comme SPSS. Math\u00e9matiquement, ce test compare la d\u00e9viance r\u00e9siduelle du mod\u00e8le nul (not\u00e9e $-2\\text{LL}_0$<\/span>) \u00e0 la d\u00e9viance r\u00e9siduelle du mod\u00e8le sp\u00e9cifi\u00e9 int\u00e9grant l’ensemble des pr\u00e9dicteurs (not\u00e9e $-2\\text{LL}_1$<\/span>). La d\u00e9viance r\u00e9siduelle, d\u00e9finie par $-2 \\times \\ln(L)$<\/span> o\u00f9 $L$<\/span> symbolise la fonction de vraisemblance maximis\u00e9e, quantifie la quantit\u00e9 d’information empirique non expliqu\u00e9e par le mod\u00e8le ; par analogie avec la r\u00e9gression classique, elle se comporte comme la somme des carr\u00e9s des erreurs.<\/p>\n La statistique du test correspond \u00e0 la diff\u00e9rence directe entre ces deux d\u00e9viances :<\/p>\n $$\\chi^2 = (-2\\text{LL}_0) – (-2\\text{LL}_1)$$<\/span><\/p>\n Cette diff\u00e9rence suit asymptotiquement une distribution th\u00e9orique de Chi-deux ($\\chi^2$<\/span>) dont les degr\u00e9s de libert\u00e9 ($ddl$<\/span>) sont rigoureusement \u00e9gaux au nombre de pr\u00e9dicteurs (ou de param\u00e8tres additionnels) ajout\u00e9s dans l’\u00e9quation. Une valeur de $\\chi^2$<\/span> statistiquement significative (typ\u00e9e $p < .05$) permet de rejeter l’hypoth\u00e8se nulle fondamentale selon laquelle tous les coefficients de r\u00e9gression$<\/span>beta_1, beta_2, dots, beta_k$ sont simultan\u00e9ment \u00e9gaux \u00e0 z\u00e9ro. Cela d\u00e9montre formellement que l’introduction des variables ind\u00e9pendantes am\u00e9liore de mani\u00e8re statistiquement d\u00e9montrable l’ajustement aux donn\u00e9es empiriques par rapport \u00e0 une pr\u00e9diction purement al\u00e9atoire calqu\u00e9e sur le taux de base.<\/p>\n Sur le plan r\u00e9dactionnel, le compte rendu de ce test doit inclure scrupuleusement la valeur du Chi-deux, les degr\u00e9s de libert\u00e9, la taille totale de l’\u00e9chantillon analys\u00e9 et la valeur exacte de la significativit\u00e9 ($p$<\/span>). Une formulation narrative acad\u00e9mique rigoureuse se pr\u00e9sente sous la forme suivante : \u00ab L’\u00e9valuation globale du mod\u00e8le par le test du rapport de vraisemblance s’est r\u00e9v\u00e9l\u00e9e hautement significative, $\\chi^2(4, N = 385) = 64,82$<\/span>, $p < .001$,$<\/span>-2text{LL} = 412,35$, attestant que l’int\u00e9gration conjointe des pr\u00e9dicteurs am\u00e9liore substantiellement la capacit\u00e9 pr\u00e9dictive par rapport au mod\u00e8le nul constitu\u00e9 de la seule constante. \u00bb<\/em> L’omission de cette \u00e9tape pr\u00e9liminaire prive le lecteur de la preuve irr\u00e9futable de l’utilit\u00e9 globale de l’analyse multivari\u00e9e.<\/p>\n Tandis que le test omnibus \u00e9value si le mod\u00e8le pr\u00e9dit globalement mieux que le hasard, le test d’ad\u00e9quation (goodness-of-fit<\/em>) de Hosmer et Lemeshow (2013)<\/a> examine \u00e0 quel point les probabilit\u00e9s pr\u00e9dites par le mod\u00e8le calibr\u00e9 s’accordent fid\u00e8lement avec les fr\u00e9quences r\u00e9elles observ\u00e9es au sein de l’\u00e9chantillon empirique. Le principe algorithmique consiste \u00e0 ordonner les sujets par ordre croissant selon leur probabilit\u00e9 pr\u00e9dite d’\u00e9v\u00e9nement, puis \u00e0 partitionner l’\u00e9chantillon en sous-groupes de taille approximativement \u00e9gale, traditionnellement dix d\u00e9ciles de risque. Pour chaque d\u00e9cile, la statistique compare le nombre d’\u00e9v\u00e9nements observ\u00e9s et attendus selon la formule :<\/p>\n $$H = \\sum_{g=1}^{G} \\frac{(O_g – N_g \\bar{\\pi}_g)^2}{N_g \\bar{\\pi}_g (1 – \\bar{\\pi}_g)}$$<\/span><\/p>\n Cette statistique suit approximativement une loi de Chi-deux \u00e0 $G – 2$<\/span> degr\u00e9s de libert\u00e9 (soit g\u00e9n\u00e9ralement $10 – 2 = 8$<\/span> degr\u00e9s de libert\u00e9 pour un d\u00e9coupage en d\u00e9ciles standard).<\/p>\n L’interpr\u00e9tation inf\u00e9rentielle du test de Hosmer-Lemeshow pr\u00e9sente une particularit\u00e9 logique capitale qui d\u00e9route fr\u00e9quemment les chercheurs non avertis : c’est le non-rejet de l’hypoth\u00e8se nulle ($p > .05$<\/span>) qui constitue la preuve d’un calibrage et d’un ajustement satisfaisants du mod\u00e8le. L’hypoth\u00e8se nulle postule en effet qu’il n’y a pas de diff\u00e9rence statistiquement significative entre les effectifs observ\u00e9s empiriquement et les effectifs calcul\u00e9s par le mod\u00e8le logistique. Une valeur $p < .05$ t\u00e9moigne d'un manque d'ajustement (poor fit<\/em>), r\u00e9v\u00e9lant que le mod\u00e8le sur\u00e9value ou sous-\u00e9value syst\u00e9matiquement le risque pour certaines strates de probabilit\u00e9 de l’\u00e9chantillon.<\/p>\n Toutefois, une vigilance m\u00e9thodologique s’impose quant aux limites inh\u00e9rentes \u00e0 ce test. Dans les \u00e9chantillons de tr\u00e8s grande taille ($N > 1000$<\/span>), le test de Hosmer-Lemeshow devient hypersensible \u00e0 des d\u00e9viations minimes et cliniquement n\u00e9gligeables, conduisant \u00e0 des rejets abusifs de l’ad\u00e9quation. Inversement, dans de petits \u00e9chantillons, sa puissance statistique m\u00e9diocre \u00e9choue \u00e0 d\u00e9tecter des erreurs de sp\u00e9cification structurelles. Les auteurs doivent rapporter ce test avec nuance : \u00ab Le calibrage du mod\u00e8le a \u00e9t\u00e9 confirm\u00e9 par le test d’ad\u00e9quation de Hosmer et Lemeshow, $\\chi^2(8) = 6,24$<\/span>, $p = .620$<\/span>, r\u00e9v\u00e9lant l’absence de divergence significative entre les taux de pr\u00e9diction mod\u00e9lis\u00e9s et les fr\u00e9quences r\u00e9elles observ\u00e9es \u00e0 travers les d\u00e9ciles de risque. \u00bb<\/em><\/p>\n Lorsque la d\u00e9marche analytique implique la confrontation de plusieurs mod\u00e8les concurrents ou l’embo\u00eetement successif de blocs de pr\u00e9dicteurs (r\u00e9gression logistique hi\u00e9rarchique), l’ajustement absolu ne suffit plus : il convient d’arbitrer entre la qualit\u00e9 de l’ajustement empirique et la complexit\u00e9 param\u00e9trique du mod\u00e8le. Deux m\u00e9triques fond\u00e9es sur la th\u00e9orie de l’information s’imposent dans les publications internationales : le crit\u00e8re d’information d’Akaike (AIC, Akaike Information Criterion<\/em>) et le crit\u00e8re d’information bay\u00e9sien de Schwarz (BIC, Bayesian Information Criterion<\/em>).<\/p>\n L’AIC p\u00e9nalise la d\u00e9viance en fonction directe du nombre de param\u00e8tres estim\u00e9s ($k$<\/span>) selon la formule classique :<\/p>\n $$\\text{AIC} = -2\\ln(L) + 2k$$<\/span><\/p>\n Le BIC, fond\u00e9 sur une logique bay\u00e9sienne plus conservatrice, applique une p\u00e9nalit\u00e9 plus s\u00e9v\u00e8re qui cro\u00eet de mani\u00e8re logarithmique avec la taille d’\u00e9chantillon $N$<\/span> :<\/p>\n $$\\text{BIC} = -2\\ln(L) + k \\cdot \\ln(N)$$<\/span><\/p>\n Ces crit\u00e8res ne poss\u00e8dent aucune \u00e9chelle d’\u00e9valuation absolue ni de seuil de significativit\u00e9 binaire $p$<\/span>. Leur utilit\u00e9 est strictement comparative et diff\u00e9rentielle : face \u00e0 deux mod\u00e8les concurrents appliqu\u00e9s sur le m\u00eame jeu de donn\u00e9es, le mod\u00e8le pr\u00e9sentant les valeurs d’AIC et de BIC les plus faibles est d\u00e9sign\u00e9 comme sup\u00e9rieur, car offrant le compromis optimal entre parcimonie et pouvoir explicatif. Une diminution d’AIC sup\u00e9rieure \u00e0 2 unit\u00e9s ($\\Delta\\text{AIC} > 2$<\/span>) est g\u00e9n\u00e9ralement admise comme un indicateur probant de sup\u00e9riorit\u00e9 d’un mod\u00e8le, tandis qu’une baisse exc\u00e9dant 10 unit\u00e9s atteste d’une sup\u00e9riorit\u00e9 \u00e9crasante du mod\u00e8le enrichi.<\/p>\n Dans la r\u00e9daction du manuscrit, particuli\u00e8rement dans le cadre d’analyses par blocs s\u00e9quentiels, le chercheur documentera ces \u00e9volutions m\u00e9thodiques : \u00ab L’adjonction des variables cognitives au Bloc 2 s’est traduite par une diminution sensible du crit\u00e8re d’information d’Akaike ($\\Delta\\text{AIC} = 14,20$<\/span> ; Mod\u00e8le 1 $\\text{AIC} = 485,10$<\/span> vs Mod\u00e8le 2 $\\text{AIC} = 470,90$<\/span>) ainsi que du crit\u00e8re bay\u00e9sien ($\\text{BIC} = 492,15$<\/span> vs $481,30$), d\u00e9montrant empiriquement que le gain d’ajustement compense largement le co\u00fbt de complexification induit par ces r\u00e9gresseurs suppl\u00e9mentaires. \u00bb<\/em><\/p>\n Dans le paradigme de la r\u00e9gression lin\u00e9aire classique, le coefficient de d\u00e9termination ordinaire ($R^2$<\/span>) jouit d’une interpr\u00e9tation conceptuelle directe, intuitive et universellement partag\u00e9e : il repr\u00e9sente avec exactitude la proportion de la variance totale de la variable d\u00e9pendante continue directement expliqu\u00e9e par la combinaison lin\u00e9aire des r\u00e9gresseurs. En r\u00e9gression logistique, cette notion intuitive de \u00ab variance expliqu\u00e9e \u00bb s’effondre conceptuellement. La variable d\u00e9pendante \u00e9tant binaire, sa variance totale est une fonction directe de sa moyenne probabiliste ($p(1-p)$<\/span>) et ne se d\u00e9compose pas selon les principes additifs de la somme des carr\u00e9s propres aux mod\u00e8les lin\u00e9aires par les moindres carr\u00e9s.<\/p>\n Pour combler cette attente descriptive des chercheurs et fournir une approximation synth\u00e9tique de la force d’association, les statisticiens ont d\u00e9velopp\u00e9 une panoplie d’indices d\u00e9sign\u00e9s sous le vocable de \u00ab pseudo-$R^2$<\/span> \u00bb. Ces m\u00e9triques sont fond\u00e9es sur la comparaison des fonctions de vraisemblance maximis\u00e9es entre le mod\u00e8le estim\u00e9 et le mod\u00e8le nul (contenant uniquement la constante). Il est d’une imp\u00e9rieuse n\u00e9cessit\u00e9 m\u00e9thodologique de ne jamais assimiler textuellement un pseudo-$R^2$<\/span> \u00e0 un v\u00e9ritable coefficient de d\u00e9termination. Un pseudo-$R^2$<\/span> ne quantifie en aucune mani\u00e8re une \u00ab proportion de variance expliqu\u00e9e de la variable de r\u00e9ponse \u00bb, mais \u00e9value un gain proportionnel de log-vraisemblance.<\/p>\n Les auteurs doivent faire preuve d’une grande prudence discursive : qualifier un pseudo-$R^2$<\/span> de 0,25 d’indicateur d’un mod\u00e8le \u00ab faible \u00bb par analogie avec un $R^2$<\/span> lin\u00e9aire constitue une erreur d’appr\u00e9ciation fr\u00e9quente. Les pseudo-$R^2$<\/span> g\u00e9n\u00e8rent structurellement des amplitudes num\u00e9riques sensiblement inf\u00e9rieures \u00e0 celles rencontr\u00e9es dans les mod\u00e8les continus gaussiens. Il convient donc de rapporter syst\u00e9matiquement la typologie exacte de l’indice employ\u00e9 et de contextualiser sa port\u00e9e par rapport aux standards observ\u00e9s dans la discipline psychologique de r\u00e9f\u00e9rence.<\/p>\n Parmi les multiples d\u00e9clinaisons algorithmiques de pseudo-$R^2$<\/span>, les indices de Cox & Snell et de Nagelkerke constituent les indicateurs les plus omnipr\u00e9sents dans la recherche comportementale, principalement en raison de leur int\u00e9gration par d\u00e9faut dans le logiciel IBM SPSS Statistics. L’indice de Cox et Snell (1989)<\/a> est formul\u00e9 \u00e0 partir du ratio des fonctions de vraisemblance :<\/p>\n $$R^2_{\\text{CS}} = 1 – \\left(\\frac{L_0}{L_1}\\right)^{2\/N}$$<\/span><\/p>\n Bien que math\u00e9matiquement \u00e9l\u00e9gant, cet indice pr\u00e9sente une tare th\u00e9orique majeure : sa borne sup\u00e9rieure th\u00e9orique ne peut jamais atteindre la valeur unitaire de 1,00, m\u00eame en pr\u00e9sence d’une pr\u00e9diction absolue et parfaite des observations. La valeur maximale atteignable est born\u00e9e par $1 – (L_0)^{2\/N}$<\/span>, qui demeure syst\u00e9matiquement inf\u00e9rieure \u00e0 0,75 pour la plupart des taux de pr\u00e9valence observ\u00e9s dans les donn\u00e9es r\u00e9elles. Cette caract\u00e9ristique le rend malais\u00e9 \u00e0 interpr\u00e9ter pour le lectorat acad\u00e9mique g\u00e9n\u00e9raliste.<\/p>\n Pour rem\u00e9dier \u00e0 cette troncature structurelle, Nagelkerke (1991)<\/a> a propos\u00e9 une normalisation rigoureuse de l’indice de Cox & Snell en divisant la valeur de $R^2_{\\text{CS}}$<\/span> par sa valeur maximale th\u00e9orique possible :<\/p>\n $$R^2_{\\text{Nagelkerke}} = \\frac{R^2_{\\text{CS}}}{1 – (L_0)^{2\/N}}$$<\/span><\/p>\n Cette correction \u00e9l\u00e9mentaire permet \u00e0 l’indice de s’\u00e9tendre sur l’intervalle canonique standard $[0, 1]$<\/span>, rendant l’\u00e9chelle conceptuellement plus famili\u00e8re aux chercheurs. Un mod\u00e8le capable de s\u00e9parer sans aucune erreur les deux cat\u00e9gories de la variable dichotomique affichera un $R^2$<\/span> de Nagelkerke de 1,00.<\/p>\n Dans la section R\u00e9sultats, la formulation conjointe de ces deux mesures doit s’effectuer de mani\u00e8re transparente : \u00ab L’ensemble des variables pr\u00e9dictives permet d’expliquer une part substantielle de l’incertitude du statut clinique, comme en t\u00e9moignent les indices de pseudo-$R^2$<\/span> de Cox et Snell ($R^2_{\\text{CS}} = .18$<\/span>) et de Nagelkerke ($R^2_{\\text{N}} = .26$<\/span>), sugg\u00e9rant un ajustement mod\u00e9r\u00e9 \u00e0 substantiel au regard des standards habituels en psychopathologie cognitive. \u00bb<\/em><\/p>\n1. Fondements et pertinence de la r\u00e9gression logistique en psychologie<\/h2>\n
1.1 D\u00e9finition et nature de la variable d\u00e9pendante binaire<\/h3>\n
1.2 R\u00f4le de la r\u00e9gression logistique dans la recherche comportementale<\/h3>\n
1.3 Objectifs de communication scientifique des r\u00e9sultats<\/h3>\n
2. V\u00e9rification et compte rendu des postulats statistiques pr\u00e9alables<\/h2>\n
2.1 L’ind\u00e9pendance des observations et la lin\u00e9arit\u00e9 du logit<\/h3>\n
2.2 D\u00e9tection et rapport de la multicolin\u00e9arit\u00e9<\/h3>\n
2.3 Gestion des observations influentes et des donn\u00e9es aberrantes<\/h3>\n
3. \u00c9valuation globale et rapport de l’ajustement du mod\u00e8le<\/h2>\n
3.1 Test du rapport de vraisemblance (Omnibus Test)<\/h3>\n
3.2 Test d’ad\u00e9quation de Hosmer-Lemeshow<\/h3>\n
3.3 Crit\u00e8res d’information pour la comparaison de mod\u00e8les<\/h3>\n
4. Interpr\u00e9tation et communication des indices de pseudo-R\u00b2<\/h2>\n
4.1 Sp\u00e9cificit\u00e9s des pseudo-R\u00b2 par rapport au R\u00b2 lin\u00e9aire<\/h3>\n
4.2 Indices de Cox & Snell et de Nagelkerke<\/h3>\n
4.3 L’indice de McFadden et autres alternatives modernes<\/h3>\n