{"id":4754,"date":"2026-09-11T12:58:46","date_gmt":"2026-09-11T12:58:46","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-une-regression-logistique-dans-spss\/"},"modified":"2026-09-11T12:58:54","modified_gmt":"2026-09-11T12:58:54","slug":"comment-effectuer-une-regression-logistique-dans-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-une-regression-logistique-dans-spss","title":{"rendered":"Comment effectuer une r\u00e9gression logistique dans SPSS"},"content":{"rendered":"

Dans le champ des sciences humaines, de la psychopathologie et des neurosciences comportementales, les chercheurs sont constamment confront\u00e9s \u00e0 la mod\u00e9lisation de ph\u00e9nom\u00e8nes qualitatifs discrets. Qu’il s’agisse de pr\u00e9dire la r\u00e9mission clinique d’un trouble d\u00e9pressif majeur, l’abandon pr\u00e9matur\u00e9 d’une psychoth\u00e9rapie, l’\u00e9chec scolaire ou l’\u00e9mergence d’une conduite addictive, l’issue clinique ou comportementale prend fr\u00e9quemment la forme d’un \u00e9v\u00e9nement binaire. Face \u00e0 une telle variable d\u00e9pendante dichotomique, l’utilisation des mod\u00e8les d’analyse traditionnels, tels que la r\u00e9gression lin\u00e9aire<\/a> par les moindres carr\u00e9s ordinaires (MCO), se heurte \u00e0 des limites conceptuelles et math\u00e9matiques fondamentales. C’est pr\u00e9cis\u00e9ment pour surmonter ces contraintes que la r\u00e9gression logistique binaire<\/strong> s’est impos\u00e9e comme le paradigme statistique de r\u00e9f\u00e9rence dans la recherche biom\u00e9dicale et comportementale contemporaine.<\/p>\n

Le logiciel IBM SPSS Statistics<\/a> constitue l’un des environnements informatiques les plus puissants et les plus largement adopt\u00e9s pour impl\u00e9menter cette famille de mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s. Bien que son interface graphique intuitive permette d’ex\u00e9cuter une analyse logistique en quelques clics, la rigueur scientifique exige une ma\u00eetrise approfondie des postulats sous-jacents, des algorithmes d’estimation it\u00e9ratifs, des diagnostics r\u00e9siduels et de l’interpr\u00e9tation des indices d’association m\u00e9triques tels que l’Odds Ratio<\/strong>. Une ex\u00e9cution m\u00e9canique de la proc\u00e9dure, dissoci\u00e9e d’une compr\u00e9hension probabiliste rigoureuse, expose l’investigateur \u00e0 des erreurs m\u00e9thodologiques substantielles : surajustement des param\u00e8tres, m\u00e9connaissance des violations de lin\u00e9arit\u00e9 du logit, surinterpr\u00e9tation de covariables collin\u00e9aires ou encore mauvaise calibration clinique des probabilit\u00e9s estim\u00e9es.<\/p>\n

Ce guide exhaustif a \u00e9t\u00e9 con\u00e7u pour accompagner le chercheur, l’\u00e9tudiant doctoral et le clinicien \u00e0 travers toutes les \u00e9tapes de la conduite d’une r\u00e9gression logistique binaire dans SPSS. Depuis l’ancrage th\u00e9orique des distributions de Bernoulli jusqu’\u00e0 la restitution finale des donn\u00e9es selon les exigences de la 7e<\/sup> \u00e9dition des normes de l’American Psychological Association (APA 7<\/a>), cet article d\u00e9cortique chaque m\u00e9canisme param\u00e9trique, chaque bo\u00eete de dialogue logicielle et chaque tableau de r\u00e9sultats. En articulant formalisation statistique, captures des subtilit\u00e9s algorithmiques et exemples appliqu\u00e9s en psychologie clinique, ce document fournit une r\u00e9f\u00e9rence m\u00e9thodologique compl\u00e8te pour quiconque souhaite explorer les relations complexes entre un ensemble de covariables et la survenue d’un \u00e9tat psychologique ou comportemental cat\u00e9goriel.<\/p>\n

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

1.1 Nature et sp\u00e9cificit\u00e9 de la variable d\u00e9pendante dichotomique<\/h3>\n

La mod\u00e9lisation d’une issue binaire impose une rupture \u00e9pist\u00e9mologique avec le mod\u00e8le lin\u00e9aire classique. Dans une r\u00e9gression lin\u00e9aire standard par les moindres carr\u00e9s ordinaires, la variable d\u00e9pendante Y<\/em> est postul\u00e9e continue, normalement distribu\u00e9e et caract\u00e9ris\u00e9e par une homosc\u00e9dasticit\u00e9 de ses r\u00e9sidus sur l’ensemble du continuum des valeurs pr\u00e9dites. Or, lorsque la variable d\u00e9pendante est dichotomique (ou binaire), elle ne peut prendre que deux valeurs discr\u00e8tes mutuellement exclusives, conventionnellement cod\u00e9es 0 et 1. Appliquer une droite de r\u00e9gression lin\u00e9aire standard \u00e0 une telle variable engendre un \u00ab mod\u00e8le de probabilit\u00e9 lin\u00e9aire \u00bb qui viole imm\u00e9diatement les axiomes fondamentaux de la statistique inf\u00e9rentielle : les valeurs pr\u00e9dites \u0176<\/em> ne sont pas contraintes dans l’intervalle [0, 1] et peuvent ainsi g\u00e9n\u00e9rer des probabilit\u00e9s aberrantes, n\u00e9gatives ou sup\u00e9rieures \u00e0 100 %, totalement d\u00e9pourvues de validit\u00e9 clinique et probabiliste.<\/p>\n

Sur le plan distributionnel, une variable d\u00e9pendante binaire suit une loi de Bernoulli<\/a>, dont la variance est une fonction directe de la moyenne : Var(Y) = p(1 – p)<\/em>, o\u00f9 p<\/em> repr\u00e9sente la probabilit\u00e9 de survenue de l’\u00e9v\u00e9nement d’int\u00e9r\u00eat P(Y = 1)<\/em>. Cette d\u00e9pendance structurelle implique une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 intrins\u00e8que : la variance des r\u00e9sidus varie in\u00e9vitablement en fonction de la valeur des pr\u00e9dicteurs, ce qui invalide l’estimation des erreurs types et fausse l’ensemble des tests de significativit\u00e9 statistique bas\u00e9s sur la distribution de Student ou de Fisher. En psychologie empirique, o\u00f9 le codage standard assigne la valeur 0 \u00e0 l’absence d’un trouble, \u00e0 l’\u00e9chec ou \u00e0 la non-r\u00e9cidive, et la valeur 1 \u00e0 la pr\u00e9sence d’une pathologie, au succ\u00e8s th\u00e9rapeutique ou \u00e0 la survenue d’une rechute, la relation liant les pr\u00e9dicteurs continus (par exemple, le score d’anxi\u00e9t\u00e9 ou l’\u00e2ge) \u00e0 la probabilit\u00e9 d’occurrence de l’\u00e9v\u00e9nement n’est pas lin\u00e9aire, mais suit une courbe sigmo\u00efde en forme de S (courbe logistique), caract\u00e9ris\u00e9e par des effets de saturation aux extr\u00e9mit\u00e9s du spectre.<\/p>\n

1.2 La fonction logit et le concept d’Odds Ratio<\/h3>\n

Pour mod\u00e9liser math\u00e9matiquement cette relation non lin\u00e9aire tout en maintenant une structure param\u00e9trique interpr\u00e9table, la r\u00e9gression logistique op\u00e8re une transformation en deux temps de la variable d\u00e9pendante. La premi\u00e8re \u00e9tape consiste \u00e0 convertir la probabilit\u00e9 p<\/em> en une \u00ab cote \u00bb (commun\u00e9ment d\u00e9sign\u00e9e par le terme anglophone odds<\/em>). La cote repr\u00e9sente le rapport entre la probabilit\u00e9 de survenue de l’\u00e9v\u00e9nement et la probabilit\u00e9 de son non-av\u00e8nement : Odds = p \/ (1 – p)<\/em>. Alors qu’une probabilit\u00e9 est strictement born\u00e9e entre 0 et 1, la cote s’\u00e9tend quant \u00e0 elle sur un intervalle allant de 0 \u00e0 l’infini positif. Si la probabilit\u00e9 d’un d\u00e9crochage th\u00e9rapeutique est de 0,80, la probabilit\u00e9 de persistance est de 0,20, conf\u00e9rant une cote de 0,80 \/ 0,20 = 4,0, ce qui signifie que l’abandon th\u00e9rapeutique est quatre fois plus probable que la poursuite de la th\u00e9rapie.<\/p>\n

La seconde \u00e9tape r\u00e9sout le probl\u00e8me de l’asym\u00e9trie et de la non-lin\u00e9arit\u00e9 par l’application du logarithme n\u00e9p\u00e9rien \u00e0 la cote, g\u00e9n\u00e9rant la fonction logit<\/strong> : logit(p) = ln[p \/ (1 – p)]<\/em>. La transformation logit projette l’intervalle semi-infini [0, +\u221e[ sur la droite r\u00e9elle compl\u00e8te ]-\u221e, +\u221e[, cr\u00e9ant ainsi une variable continue non born\u00e9e qui peut \u00eatre mod\u00e9lis\u00e9e lin\u00e9airement par une combinaison de variables pr\u00e9dictives : logit(p) = \u03b2\u2080 + \u03b2\u2081X\u2081 + \u03b2\u2082X\u2082 + … + \u03b2\u2096X\u2096<\/em>. C’est cette transformation qui permet la lin\u00e9arisation de la relation. L’indicateur pivot qui en d\u00e9coule est le rapport des cotes, ou Odds Ratio (OR)<\/a>, calcul\u00e9 en appliquant l’exponentielle au coefficient de r\u00e9gression : OR = exp(\u03b2)<\/em>. L’Odds Ratio quantifie la modification proportionnelle de la cote de survenue de l’\u00e9v\u00e9nement pour chaque incr\u00e9ment d’une unit\u00e9 sur le pr\u00e9dicteur consid\u00e9r\u00e9, jouant un r\u00f4le analytique majeur pour d\u00e9terminer l’ampleur de l’effet clinique.<\/p>\n

1.3 Estimation par le maximum de vraisemblance (Maximum Likelihood)<\/h3>\n

Contrairement aux mod\u00e8les de r\u00e9gression lin\u00e9aire o\u00f9 les param\u00e8tres \u03b2<\/em> sont obtenus analytiquement en r\u00e9solvant directement les \u00e9quations normales par la m\u00e9thode des moindres carr\u00e9s ordinaires, les coefficients d’une r\u00e9gression logistique ne disposent pas d’une solution ferm\u00e9e directe. L’estimation statistique repose donc sur la m\u00e9thode du maximum de vraisemblance<\/strong> (Maximum Likelihood Estimation<\/em>, MLE). Le postulat th\u00e9orique de cette approche consiste \u00e0 identifier les valeurs des coefficients \u03b2<\/em> qui maximisent la probabilit\u00e9 (la vraisemblance) d’observer les donn\u00e9es empiriquement recueillies dans l’\u00e9chantillon clinique ou exp\u00e9rimental.<\/p>\n

En pratique, pour simplifier les calculs math\u00e9matiques, l’algorithme ne maximise pas directement la fonction de vraisemblance L<\/em>, mais son logarithme n\u00e9p\u00e9rien, ce qui aboutit \u00e0 la fonction de log-vraisemblance (Log-Likelihood<\/em>, LL<\/em>). Pour des raisons de commodit\u00e9 d’interpr\u00e9tation statistique et d’analogie avec la somme des carr\u00e9s r\u00e9siduels, cette valeur est multipli\u00e9e par -2, produisant la statistique -2LL<\/strong>, \u00e9galement qualifi\u00e9e de d\u00e9viance<\/em>. Une valeur de -2LL plus faible indique un meilleur ajustement du mod\u00e8le aux donn\u00e9es. L’algorithme utilis\u00e9 par SPSS met en \u0153uvre une proc\u00e9dure it\u00e9rative de type Newton-Raphson. Le logiciel d\u00e9marre \u00e0 partir de valeurs initiales arbitraires pour les coefficients, calcule la d\u00e9viance, puis r\u00e9ajuste les param\u00e8tres pas \u00e0 pas jusqu’\u00e0 ce que la diff\u00e9rence d’estimation entre deux it\u00e9rations cons\u00e9cutives devienne infinit\u00e9simale. C’est ce que l’on nomme la convergence algorithmique<\/em>, r\u00e9gie par des crit\u00e8res d’arr\u00eat stricts (par d\u00e9faut, une modification du logit inf\u00e9rieure \u00e0 0,00001 ou un nombre maximal de 20 it\u00e9rations dans SPSS).<\/p>\n

2. Conditions d’application et postulats m\u00e9thodologiques<\/h2>\n

2.1 Taille d’\u00e9chantillon et r\u00e8gle des \u00e9v\u00e9nements par variable (EPV)<\/h3>\n

L’estimation par le maximum de vraisemblance est une m\u00e9thode asymptotique, ce qui signifie que ses propri\u00e9t\u00e9s statistiques optimales (absence de biais, normalit\u00e9 asymptotique et efficacit\u00e9 des estimations) ne sont garanties que pour des tailles d’\u00e9chantillon suffisamment vastes. En r\u00e9gression logistique binaire, la taille brute globale de l’\u00e9chantillon (N<\/em>) n’est pas le param\u00e8tre d\u00e9terminant ; l’attention m\u00e9thodologique doit prioritairement se porter sur la fr\u00e9quence de la modalit\u00e9 la moins repr\u00e9sent\u00e9e de la variable d\u00e9pendante, d\u00e9sign\u00e9e sous le terme d’\u00ab \u00e9v\u00e9nements \u00bb (ou groupe minoritaire).<\/p>\n

Le standard m\u00e9thodologique le plus largement reconnu est la r\u00e8gle empirique de Peduzzi et al. (1996)<\/strong>, compl\u00e9t\u00e9e par les travaux de Vittinghoff et McCulloch (2007), dite r\u00e8gle des Events Per Variable<\/em> (EPV). Cette recommandation stipule qu’il convient de disposer d’un minimum absolu de 10 \u00e0 20 \u00e9v\u00e9nements pour chaque param\u00e8tre ind\u00e9pendant estim\u00e9 dans le mod\u00e8le (y compris chaque niveau indic\u00e9 d’une variable nominale polytomique). Par exemple, si une \u00e9tude sur l’\u00e9puisement professionnel compte 40 individus en burnout av\u00e9r\u00e9 (Y = 1) et 360 individus indemnes (Y = 0), le nombre maximal de pr\u00e9dicteurs pouvant \u00eatre introduits sans compromettre la stabilit\u00e9 du mod\u00e8le est de 40 \/ 10 = 4 r\u00e9gresseurs. Le non-respect de ce crit\u00e8re expose directement l’analyse au surajustement<\/em> (overfitting) : les erreurs types des coefficients gonflent artificiellement, la puissance statistique des tests de Wald s’effondre et le mod\u00e8le devient incapable de se g\u00e9n\u00e9raliser \u00e0 de nouvelles populations cliniques.<\/p>\n

2.2 Absence de multicollin\u00e9arit\u00e9 parmi les variables ind\u00e9pendantes<\/h3>\n

La pr\u00e9sence d’une forte intercorr\u00e9lation lin\u00e9aire entre les variables pr\u00e9dictives constitue une menace s\u00e9v\u00e8re pour l’int\u00e9grit\u00e9 de la r\u00e9gression logistique. Bien que la collin\u00e9arit\u00e9 n’invalide pas la capacit\u00e9 globale du mod\u00e8le \u00e0 pr\u00e9dire l’\u00e9v\u00e9nement binaire, elle distord dramatiquement l’estimation des coefficients partiels B<\/em>. Lorsque deux covariables partagent une redondance conceptuelle ou empirique \u00e9lev\u00e9e (par exemple, la d\u00e9pression mesur\u00e9e par le BDI et l’anxi\u00e9t\u00e9 mesur\u00e9e par le STAI), la matrice d’information devient mal conditionn\u00e9e, ce qui accro\u00eet d\u00e9mesur\u00e9ment la variance d’\u00e9chantillonnage des coefficients associ\u00e9s.<\/p>\n

Le module de r\u00e9gression logistique de SPSS ne fournissant pas directement d’indices diagnostiques de collin\u00e9arit\u00e9 dans ses sorties natives, l’investigateur doit imp\u00e9rativement ex\u00e9cuter au pr\u00e9alable une r\u00e9gression lin\u00e9aire auxiliaire fictive en utilisant la m\u00eame liste de pr\u00e9dicteurs et une variable d\u00e9pendante continue arbitraire (ou la variable binaire elle-m\u00eame). Il examine alors le facteur d’inflation de la variance (VIF<\/a>) et l’indice de Tol\u00e9rance. Un seuil empirique couramment admis en m\u00e9thodologie psychologique indique qu’une Tol\u00e9rance inf\u00e9rieure \u00e0 0,20 (correspondant \u00e0 un VIF sup\u00e9rieur \u00e0 5), voire une Tol\u00e9rance inf\u00e9rieure \u00e0 0,10 (VIF > 10), signale une multicollin\u00e9arit\u00e9 probl\u00e9matique. Les solutions consistent alors \u00e0 \u00e9liminer l’un des r\u00e9gresseurs redondants, \u00e0 les agr\u00e9ger au sein d’un score composite via une analyse en composantes principales, ou \u00e0 employer des techniques d’estimation p\u00e9nalis\u00e9e.<\/p>\n

2.3 Lin\u00e9arit\u00e9 du logit pour les variables continues<\/h3>\n

Si la r\u00e9gression logistique s’affranchit du postulat de lin\u00e9arit\u00e9 reliant directement les pr\u00e9dicteurs \u00e0 la probabilit\u00e9 brute de l’\u00e9v\u00e9nement, elle impose imp\u00e9rativement que chaque variable ind\u00e9pendante continue entretienne une relation strictement lin\u00e9aire avec le logarithme n\u00e9p\u00e9rien des cotes<\/em> (le logit). La violation de cette condition conduit \u00e0 une sous-estimation substantielle de la force de l’association, \u00e0 une perte de puissance statistique et, dans les cas extr\u00eames, \u00e0 une distorsion du sens clinique de l’Odds Ratio.<\/p>\n

La v\u00e9rification empirique de ce postulat repose sur la proc\u00e9dure formalis\u00e9e par Box et Tidwell (1962)<\/strong>. Ce test consiste \u00e0 introduire dans le mod\u00e8le de r\u00e9gression logistique, pour chaque covariable continue X<\/em>, un terme d’interaction compos\u00e9 du produit de la variable par son propre logarithme naturel, soit X * ln(X)<\/em>. Si le coefficient associ\u00e9 \u00e0 ce terme d’interaction s’av\u00e8re statistiquement significatif au seuil conventionnel p < 0,05<\/em> (ou \u00e0 un seuil corrig\u00e9 de Bonferroni pour pallier l’inflation de l’erreur de type I li\u00e9e \u00e0 la multiplication des tests), le postulat de lin\u00e9arit\u00e9 du logit est formellement rejet\u00e9. Pour rem\u00e9dier \u00e0 cette non-lin\u00e9arit\u00e9, le chercheur peut appliquer des transformations math\u00e9matiques \u00e0 la variable (racine carr\u00e9e, \u00e9chelle logarithmique, termes polynomiaux) ou, \u00e0 d\u00e9faut, la segmenter en cat\u00e9gories cliniques ordinales (par exemple des quartiles), bien que cette derni\u00e8re pratique entra\u00eene une perte inh\u00e9rente d’information m\u00e9trique.<\/p>\n

2.4 Ind\u00e9pendance des observations et absence de quasi-s\u00e9paration<\/h3>\n

L’architecture inf\u00e9rentielle de la r\u00e9gression logistique requiert l’ind\u00e9pendance mutuelle stricte de l’ensemble des observations formant le corpus de donn\u00e9es. Les mesures r\u00e9p\u00e9t\u00e9es dans le temps sur les m\u00eames sujets (donn\u00e9es longitudinales), les structures de donn\u00e9es appari\u00e9es ou les \u00e9chantillonnages en grappes (\u00e9l\u00e8ves nich\u00e9s dans des classes scolaires, patients nich\u00e9s chez des th\u00e9rapeutes) violent ce postulat d’ind\u00e9pendance. Dans ces contextes \u00e9cologiques, l’utilisation de la r\u00e9gression logistique binaire standard sous-estime syst\u00e9matiquement les erreurs types ; il devient imp\u00e9ratif de recourir aux \u00e9quations d’estimation g\u00e9n\u00e9ralis\u00e9es (GEE) ou aux mod\u00e8les mixtes g\u00e9n\u00e9ralis\u00e9s (GLMM) hi\u00e9rarchiques.<\/p>\n

Un \u00e9cueil computationnel additionnel r\u00e9side dans le ph\u00e9nom\u00e8ne de s\u00e9paration compl\u00e8te ou quasi-s\u00e9paration des donn\u00e9es<\/strong> (Albert & Anderson, 1984). La quasi-s\u00e9paration survient lorsqu’une variable ind\u00e9pendante (ou une combinaison lin\u00e9aire de variables) pr\u00e9dit parfaitement l’issue binaire pour un sous-groupe d’individus. Par exemple, si aucun des patients ayant un niveau de soutien social \u00e9lev\u00e9 ne rechute, la probabilit\u00e9 pr\u00e9dite pour cette case conditionnelle est rigoureusement de 0 %, ce qui correspond \u00e0 un logit de -\u221e<\/em>. Incapable de calculer une valeur num\u00e9rique finie, l’algorithme de Newton-Raphson diverge. Dans la table SPSS intitul\u00e9e \u00ab Variables in the Equation \u00bb, ce dysfonctionnement se manifeste par un signal d’alarme sans \u00e9quivoque : des coefficients B<\/em> anormalement gigantesques (ex. B = 28,45<\/em>) associ\u00e9s \u00e0 des erreurs types (S.E.) astronomiques (ex. S.E. = 1450,82<\/em>) et une valeur p<\/em> fallacieusement proche de 1,000.<\/p>\n

3. Pr\u00e9paration et codage des donn\u00e9es dans l’interface de SPSS<\/h2>\n
\"\"<\/figure>\n

3.1 Configuration du dictionnaire des variables dans SPSS<\/h3>\n

Avant d’engager toute proc\u00e9dure de mod\u00e9lisation math\u00e9matique, une structuration rigoureuse du dictionnaire des variables dans la vue \u00ab Variable View \u00bb (Affichage des variables) de SPSS est une condition indispensable \u00e0 la validit\u00e9 des analyses ult\u00e9rieures. Chaque colonne de la matrice de donn\u00e9es doit \u00eatre minutieusement param\u00e9tr\u00e9e sur le plan m\u00e9trique. La variable d\u00e9pendante doit imp\u00e9rativement \u00eatre configur\u00e9e avec le type de mesure Nominal<\/strong>, tandis que les covariables doivent \u00eatre rigoureusement distingu\u00e9es entre \u00c9chelle<\/em> (pour les pr\u00e9dicteurs continus tels que les scores psychom\u00e9triques somm\u00e9s), Ordinal<\/em> (pour les \u00e9chelles de Likert ou stades cliniques hi\u00e9rarchis\u00e9s) et Nominal<\/em> (pour les facteurs qualitatifs non ordonn\u00e9s).<\/p>\n

La documentation textuelle via le champ \u00ab Label \u00bb (\u00c9tiquette) et surtout le champ \u00ab Values \u00bb (Valeurs) pr\u00e9vient les confusions d’interpr\u00e9tation lors de l’exportation des sorties. Pour la variable crit\u00e8re binaire, il est imp\u00e9ratif d’assigner formellement : 0 = Absence de trouble \/ R\u00e9ussite<\/code> et 1 = Pr\u00e9sence de trouble \/ \u00c9chec<\/code>. Parall\u00e8lement, le traitement des valeurs manquantes doit \u00eatre param\u00e9tr\u00e9 dans la colonne \u00ab Missing \u00bb (Manquant). SPSS distingue les valeurs manquantes syst\u00e8me (cases vides, symbolis\u00e9es par un point) des valeurs manquantes d\u00e9finies par l’utilisateur (codes num\u00e9riques explicites tels que 999<\/em> ou -9<\/em>). Si ces codes num\u00e9riques ne sont pas formellement d\u00e9clar\u00e9s comme manquants dans le dictionnaire, le logiciel les traitera comme des valeurs quantitatives r\u00e9elles, induisant un biais d\u00e9vastateur dans l’ajustement de la fonction de log-vraisemblance.<\/p>\n

3.2 Recodage des pr\u00e9dicteurs qualitatifs et cr\u00e9ation de variables indicatrices<\/h3>\n

Les variables ind\u00e9pendantes qualitatives polytomiques (comportant trois modalit\u00e9s ou davantage, telles que le statut matrimonial, le groupe ethnoculturel ou le type de protocole psychoth\u00e9rapeutique) ne peuvent pas \u00eatre ins\u00e9r\u00e9es telles quelles comme pr\u00e9dicteurs continus dans l’\u00e9quation de r\u00e9gression. Leur int\u00e9gration requiert un codage disjonctif complet en variables indicatrices, universellement d\u00e9sign\u00e9 sous le terme de dummy coding<\/strong>. Si une variable nominale poss\u00e8de k<\/em> modalit\u00e9s, elle doit \u00eatre d\u00e9compos\u00e9e en exactement k – 1<\/em> variables indicatrices binaires (prenant les valeurs 0 ou 1), l’une des modalit\u00e9s \u00e9tant imp\u00e9rativement r\u00e9serv\u00e9e comme cat\u00e9gorie de r\u00e9f\u00e9rence<\/em>.<\/p>\n

Le choix de la cat\u00e9gorie de r\u00e9f\u00e9rence n’est pas anodin ; il doit reposer sur des justifications th\u00e9oriques solides et repr\u00e9senter une condition clinique t\u00e9moin, le groupe standard ou la modalit\u00e9 affichant l’effectif le plus repr\u00e9sentatif afin de stabiliser l’estimation des erreurs types. Bien que SPSS propose un sous-menu automatis\u00e9 pour param\u00e9trer ces contrastes cat\u00e9goriels (contrastes de type \u00ab Indicateur \u00bb) lors de l’appel de la proc\u00e9dure, il est fr\u00e9quemment recommand\u00e9 dans les protocoles de recherche avanc\u00e9s de cr\u00e9er manuellement ces variables muettes via le menu Transformer > Recoder dans des variables diff\u00e9rentes<\/code> ou par syntaxe SPSS. Cette formalisation explicite garantit une transparence totale sur l’attribution des contrastes et pr\u00e9vient les erreurs d’inversion de modalit\u00e9 de r\u00e9f\u00e9rence fr\u00e9quemment commises dans l’interface interactive.<\/p>\n

3.3 Nettoyage pr\u00e9liminaire et exploration des distributions<\/h3>\n

Une \u00e9tape pr\u00e9paratoire incontournable consiste \u00e0 cribler la base de donn\u00e9es pour caract\u00e9riser la structure distributionnelle des variables s\u00e9lectionn\u00e9es. Le chercheur doit d\u00e9buter par l’examen des fr\u00e9quences univari\u00e9es (menu Analyser > Statistiques descriptives > Fr\u00e9quences<\/code>) afin de d\u00e9tecter d’\u00e9ventuels effectifs marginaux excessivement r\u00e9duits. Toute modalit\u00e9 d’un pr\u00e9dicteur cat\u00e9goriel qui rassemblerait moins de 5 \u00e0 10 observations repr\u00e9sente un danger imm\u00e9diat d’instabilit\u00e9 num\u00e9rique pour l’algorithme du maximum de vraisemblance, justifiant souvent le regroupement raisonn\u00e9 de plusieurs cat\u00e9gories sous une \u00e9tiquette conceptuelle plus large.<\/p>\n

Dans un second temps, le croisement syst\u00e9matique de chaque pr\u00e9dicteur qualitatif avec la variable d\u00e9pendante au moyen de tableaux de contingence crois\u00e9s (Analyser > Statistiques descriptives > Tableaux crois\u00e9s<\/code>), assorti du test du Chi-carr\u00e9 d’ind\u00e9pendance de Pearson<\/strong> et de l’analyse des r\u00e9sidus ajust\u00e9s, permet de d\u00e9celer la pr\u00e9sence de cellules vides (effectifs \u00e9gaux \u00e0 0), annonciatrices de quasi-s\u00e9paration. Concernant les pr\u00e9dicteurs quantitatifs continus, l’investigateur examinera les indices d’asym\u00e9trie (skewness) et d’aplatissement (kurtosis). L’application d’un centrage sur la moyenne (soustraction de la moyenne g\u00e9n\u00e9rale \u00e0 chaque score individuel) ou d’une standardisation en scores Z<\/em> est vivement conseill\u00e9e, en particulier si l’analyse envisage l’introduction ult\u00e9rieure de termes d’interaction, afin d’att\u00e9nuer la multicolin\u00e9arit\u00e9 structurelle induite par les produits de variables.<\/p>\n

4. Navigation et configuration de l’analyse dans SPSS<\/h2>\n

4.1 Acc\u00e8s au module de r\u00e9gression logistique binaire<\/h3>\n

L’ex\u00e9cution d’une r\u00e9gression logistique binaire au sein de l’environnement graphique de SPSS s’effectue en d\u00e9roulant la barre des menus principaux : cliquez successivement sur Analyser<\/code>, puis positionnez le curseur sur R\u00e9gression<\/code>, et s\u00e9lectionnez enfin Logistique binaire...<\/code>. Cette action d\u00e9clenche l’ouverture de la bo\u00eete de dialogue principale, qui constitue le centre de contr\u00f4le algorithmique de la proc\u00e9dure.<\/p>\n

\"Binary
Binary logistic regression option in SPSS<\/figcaption><\/figure>\n

La premi\u00e8re op\u00e9ration technique r\u00e9side dans le transfert de la variable crit\u00e8re binaire depuis la liste des variables disponibles vers le champ intitul\u00e9 D\u00e9pendante :<\/strong>. Il est primordial de se rappeler que SPSS mod\u00e9lise par d\u00e9faut la probabilit\u00e9 d’occurrence de la modalit\u00e9 cod\u00e9e avec la valeur num\u00e9rique la plus \u00e9lev\u00e9e (en r\u00e8gle g\u00e9n\u00e9rale la modalit\u00e9 1). Dans un second temps, l’ensemble des variables pr\u00e9dictives \u2014 qu’il s’agisse de m\u00e9triques continues, ordinales ou qualitatives \u2014 doit \u00eatre s\u00e9lectionn\u00e9 et transf\u00e9r\u00e9 dans le panneau central intitul\u00e9 Covariables :<\/strong>, rattach\u00e9 au \u00ab Bloc 1 de 1 \u00bb. \u00c0 ce stade, la bo\u00eete de s\u00e9lection d\u00e9roulante \u00ab M\u00e9thode : \u00bb affiche l’option \u00ab Entr\u00e9e \u00bb par d\u00e9faut, qui correspond \u00e0 la m\u00e9thode d’insertion simultan\u00e9e de l’ensemble des covariables dans l’\u00e9quation de r\u00e9gression.<\/p>\n

4.2 Configuration des variables cat\u00e9gorielles via la sous-fen\u00eatre d\u00e9di\u00e9e<\/h3>\n

Lorsque le mod\u00e8le statistique incorpore des pr\u00e9dicteurs qualitatifs nominaux ou ordinaux, leur simple pr\u00e9sence dans le champ des covariables demeure insuffisante. SPSS requiert une d\u00e9claration formelle de leur statut pour g\u00e9n\u00e9rer automatiquement le syst\u00e8me de variables indicatrices sous-jacent. Pour ce faire, il convient de cliquer sur le bouton Cat\u00e9gorielle…<\/strong> situ\u00e9 sur le flanc droit de la bo\u00eete de dialogue principale.<\/p>\n

\"Logistic
Logistic regression input in SPSS<\/figcaption><\/figure>\n

Dans la fen\u00eatre secondaire qui se superpose alors, l’utilisateur transf\u00e8re les variables qualitatives depuis la liste de gauche vers l’espace intitul\u00e9 Covariables cat\u00e9gorielles :<\/strong>. D\u00e8s ce transfert op\u00e9r\u00e9, la section inf\u00e9rieure \u00ab Changer de contraste \u00bb devient active. Le param\u00e8tre par d\u00e9faut est le contraste \u00ab Indicateur \u00bb. L’attention m\u00e9thodologique doit se focaliser sur l’option Cat\u00e9gorie de r\u00e9f\u00e9rence<\/strong>, qui propose deux options d’arbitrage : Dernier<\/em> (par d\u00e9faut, la valeur num\u00e9rique maximale sert de r\u00e9f\u00e9rence) ou Premier<\/em> (la valeur num\u00e9rique la plus basse sert de r\u00e9f\u00e9rence). Apr\u00e8s avoir s\u00e9lectionn\u00e9 l’option en coh\u00e9rence avec vos hypoth\u00e8ses cliniques, il est absolument indispensable de cliquer sur le bouton Changer<\/strong>. Une omission fr\u00e9quente consiste \u00e0 modifier le bouton radio sans valider par \u00ab Changer \u00bb ; dans ce cas, SPSS conserve l’ancien param\u00e9trage, induisant une inversion silencieuse de la r\u00e9f\u00e9rence lors de l’estimation de l’Odds Ratio.<\/p>\n

4.3 S\u00e9lection des options d’exportation et statistiques descriptives<\/h3>\n

Afin d’obtenir une sortie analytique compl\u00e8te, conforme aux standards de publication acad\u00e9mique, il est imp\u00e9ratif de configurer les options avanc\u00e9es de calcul. Depuis la bo\u00eete de dialogue principale, cliquez sur le bouton Options…<\/strong> pour acc\u00e9der aux param\u00e9trages des sorties tabulaires et des crit\u00e8res d’arr\u00eat math\u00e9matiques.<\/p>\n

Dans cette sous-fen\u00eatre, cochez imp\u00e9rativement la case Intervalles de confiance pour exp(B) :<\/strong> et v\u00e9rifiez que le seuil est configur\u00e9 \u00e0 95%<\/strong>. Cette \u00e9tape est cruciale, car sans cette activation explicite, SPSS ne produit que l’estimation ponctuelle de l’Odds Ratio sans son intervalle d’incertitude inf\u00e9rentielle. Dans le groupe de statistiques d’ajustement global, s\u00e9lectionnez Qualit\u00e9 de l’ajustement de Hosmer-Lemeshow<\/strong>, outil diagnostique incontournable pour \u00e9valuer l’\u00e9talonnage des probabilit\u00e9s attendues par rapport aux probabilit\u00e9s observ\u00e9es. Il est \u00e9galement recommand\u00e9 de cocher Historique des it\u00e9rations<\/strong> pour v\u00e9rifier la convergence algorithmique et s’assurer de l’absence de quasi-s\u00e9paration, ainsi que Corr\u00e9lations des corr\u00e9lations<\/strong> (qui g\u00e9n\u00e8re la matrice de corr\u00e9lation asymptotique des param\u00e8tres estim\u00e9s B<\/em>). Enfin, assurez-vous que la probabilit\u00e9 d’affectation (\u00ab Fr\u00e9quence de coupure \u00bb ou classification cutoff) est fix\u00e9e \u00e0 0.5<\/strong> avant de cliquer sur Poursuivre<\/code>.<\/p>\n

5. Strat\u00e9gies d’introduction des pr\u00e9dicteurs et mod\u00e9lisation hi\u00e9rarchique<\/h2>\n

5.1 M\u00e9thode d’entr\u00e9e simultan\u00e9e standard (Entr\u00e9e)<\/h3>\n

La m\u00e9thode d’entr\u00e9e simultan\u00e9e, d\u00e9sign\u00e9e sous le terme d’inclusion forc\u00e9e ou m\u00e9thode Entr\u00e9e<\/code> (Enter<\/em>) dans la nomenclature de SPSS, constitue le paradigme d’estimation le plus conservateur, le plus robuste et le plus pr\u00e9conis\u00e9 dans le champ de la recherche confirmatoire en psychologie. Dans cette approche, la totalit\u00e9 des variables pr\u00e9dictives s\u00e9lectionn\u00e9es a priori par l’investigateur est introduite simultan\u00e9ment dans l’\u00e9quation de r\u00e9gression en une unique \u00e9tape computationnelle, ind\u00e9pendamment de leur niveau respectif de significativit\u00e9 bivari\u00e9e.<\/p>\n

Ce protocole analytique garantit le contr\u00f4le strict de l’erreur de type I globale (taux de faux positifs) \u00e0 l’\u00e9chelle de l’\u00e9tude. En \u00e9valuant chaque r\u00e9gresseur en pr\u00e9sence de tous les autres, la m\u00e9thode \u00ab Entr\u00e9e \u00bb produit des estimations de coefficients r\u00e9solument partiels : l’effet de chaque pr\u00e9dicteur repr\u00e9sente son apport unique et incr\u00e9mental sur le logit, une fois neutralis\u00e9e la variance partag\u00e9e avec l’ensemble des autres covariables du mod\u00e8le. Elle s’oppose aux d\u00e9rives exploratoires guid\u00e9es par les seules fluctuations de l’\u00e9chantillon, et demeure l’\u00e9talon-or lorsque la mod\u00e9lisation s’adosse \u00e0 un corpus th\u00e9orique bien charpent\u00e9 pr\u00e9disant un r\u00f4le sp\u00e9cifique pour chaque d\u00e9terminant psychosocial.<\/p>\n

5.2 Proc\u00e9dures pas \u00e0 pas (Stepwise) : Forward et Backward<\/h3>\n

SPSS met \u00e0 disposition une batterie d’algorithmes de s\u00e9lection automatis\u00e9e par \u00e9tapes, scind\u00e9s en m\u00e9thodes ascendantes (Forward Selection<\/em>) et descendantes (Backward Elimination<\/em>). Dans l’algorithme ascendant, le mod\u00e8le d\u00e9bute avec la seule constante, puis incorpore un \u00e0 un les pr\u00e9dicteurs dont l’apport statistique est le plus prononc\u00e9, selon le test du score de Rao ou le ratio de vraisemblance. Inversement, l’algorithme descendant (particuli\u00e8rement la m\u00e9thode Descendante : Wald<\/code> ou Descendante : RV<\/code>) d\u00e9bute avec l’ensemble des covariables, puis retranche s\u00e9quentiellement les pr\u00e9dicteurs les moins informatifs dont la contribution n’atteint pas le seuil de r\u00e9tention (fix\u00e9 par d\u00e9faut \u00e0 p = 0,10<\/em>).<\/p>\n

Bien que s\u00e9duisantes pour des d\u00e9marches purement exploratoires de data mining ou d’ing\u00e9nierie de donn\u00e9es massives, ces approches algorithmiques pas \u00e0 pas font l’objet de critiques m\u00e9thodologiques majeures<\/a> dans la litt\u00e9rature statistique contemporaine (Harrell, 2015). Leurs faiblesses inh\u00e9rentes incluent la capitalisation excessive sur la chance (les algorithmes s\u00e9lectionnent des pr\u00e9dicteurs sur la base de variations al\u00e9atoires d’\u00e9chantillonnage), l’inflation massive de l’erreur de type I, l’estimation s\u00e9v\u00e8rement biais\u00e9e vers le haut des coefficients B<\/em> et des Odds Ratios (ph\u00e9nom\u00e8ne de la mal\u00e9diction du vainqueur), et l’instabilit\u00e9 flagrante des mod\u00e8les retenus, o\u00f9 la suppression d’une seule observation peut bouleverser la liste des pr\u00e9dicteurs finaux.<\/p>\n

5.3 R\u00e9gression logistique hi\u00e9rarchique par blocs s\u00e9quentiels<\/h3>\n

La r\u00e9gression logistique hi\u00e9rarchique (\u00e0 ne pas confondre avec les mod\u00e8les multiniveaux) repr\u00e9sente une approche de mod\u00e9lisation th\u00e9oriquement guid\u00e9e par blocs successifs. L’utilisateur structure sa mod\u00e9lisation en d\u00e9finissant des blocs conceptuels via le bouton Suivant<\/strong> dans SPSS. Cette proc\u00e9dure permet de tester des mod\u00e8les embo\u00eet\u00e9s (nested models<\/em>) pour \u00e9valuer rigoureusement l’apport incr\u00e9mental d’un groupe sp\u00e9cifique de variables psychologiques, au-del\u00e0 de l’effet exerc\u00e9 par des covariables de contr\u00f4le.<\/p>\n

Un design m\u00e9thodologique classique consistera \u00e0 introduire, dans le Bloc 1<\/strong>, les caract\u00e9ristiques sociod\u00e9mographiques structurelles ou facteurs de confusion (\u00e2ge, sexe, niveau socio-\u00e9conomique). Dans le Bloc 2<\/strong>, l’investigateur ajoutera les facteurs de vuln\u00e9rabilit\u00e9 biologique ou historique clinique. Enfin, dans le Bloc 3<\/strong>, il int\u00e9grera les pr\u00e9dicteurs psychologiques cibl\u00e9s (styles d’attachement, scores de r\u00e9silience, sch\u00e9mas cognitifs). L’int\u00e9r\u00eat statistique pivot r\u00e9side dans l’analyse de la variation du Chi-carr\u00e9 de d\u00e9viance (\u0394-2LL<\/em> ou Chi-square change<\/em>) entre deux blocs embo\u00eet\u00e9s. Si l’adjonction du Bloc 3 s’accompagne d’une r\u00e9duction statistiquement significative de la d\u00e9viance globale, le chercheur d\u00e9montre de mani\u00e8re irr\u00e9futable la valeur ajout\u00e9e et la validit\u00e9 incr\u00e9mentale de ses construits psychologiques sur l’issue dichotomique.<\/p>\n

6. Interpr\u00e9tation des r\u00e9sultats : Qualit\u00e9 globale et ajustement du mod\u00e8le<\/h2>\n

6.1 Statistique du Chi-carr\u00e9 Omnibus et d\u00e9viance du mod\u00e8le<\/h3>\n

L’\u00e9valuation de la performance du mod\u00e8le s’articule initialement autour de l’examen de la sortie SPSS intitul\u00e9e \u00ab Omnibus Tests of Model Coefficients \u00bb (Tests omnibus des coefficients de mod\u00e8le). Ce tableau statistique formalise le test du rapport de vraisemblance<\/strong> (Likelihood Ratio Test<\/em>), qui compare l’ad\u00e9quation du mod\u00e8le satur\u00e9 incorporant l’ensemble de vos r\u00e9gresseurs par rapport au mod\u00e8le nul (ou mod\u00e8le de base du Bloc 0, ne contenant que le terme constant).<\/p>\n

\"Output
Output of logistic regression in SPSS<\/figcaption><\/figure>\n

Le Chi-carr\u00e9 Omnibus \u00e9value l’hypoth\u00e8se nulle fondamentale stipulant que l’ensemble des coefficients de r\u00e9gression associ\u00e9s aux pr\u00e9dicteurs sont simultan\u00e9ment nuls dans la population parente : H\u2080 : \u03b2\u2081 = \u03b2\u2082 = … = \u03b2\u2096 = 0<\/em>. Ce test s’appuie sur la diff\u00e9rence d’ajustement : \u03c7\u00b2 = (-2LL_mod\u00e8le_nul) – (-2LL_mod\u00e8le_complet)<\/em>, associ\u00e9e \u00e0 un nombre de degr\u00e9s de libert\u00e9 (dl<\/em>) rigoureusement \u00e9quivalent au nombre de pr\u00e9dicteurs ajout\u00e9s. Une valeur de p<\/em> inf\u00e9rieure au seuil alpha critique de 0,05 conduit au rejet sans ambigu\u00eft\u00e9 de l’hypoth\u00e8se nulle. Cela atteste que la prise en compte des variables ind\u00e9pendantes am\u00e9liore significativement l’estimation probabiliste de la variable crit\u00e8re par rapport \u00e0 une assignation uniforme bas\u00e9e sur la seule pr\u00e9valence marginale.<\/p>\n

6.2 Coefficients de pseudo-R\u00b2 : Cox & Snell et Nagelkerke<\/h3>\n

En r\u00e9gression lin\u00e9aire conventionnelle, le coefficient de d\u00e9termination R\u00b2<\/em> poss\u00e8de une interpr\u00e9tation g\u00e9om\u00e9trique directe et limpide : il refl\u00e8te la proportion de variance de la variable d\u00e9pendante expliqu\u00e9e par l’ensemble des pr\u00e9dicteurs. Dans le contexte de la r\u00e9gression logistique, la nature discr\u00e8te de la distribution de Bernoulli exclut l’existence d’un \u00e9quivalent exact fond\u00e9 sur la partition de la somme des carr\u00e9s. Pour pallier cette absence, les statisticiens ont d\u00e9velopp\u00e9 des m\u00e9triques d’association de substitution d\u00e9sign\u00e9es sous le vocable g\u00e9n\u00e9rique de pseudo-R\u00b2<\/strong>.<\/p>\n

Le tableau \u00ab Model Summary \u00bb (R\u00e9capitulatif des mod\u00e8les) g\u00e9n\u00e9r\u00e9 par SPSS restitue deux indices fondamentaux :<\/p>\n