{"id":4791,"date":"2026-09-11T13:19:24","date_gmt":"2026-09-11T13:19:24","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-et-interpreter-courbe-roc-spss\/"},"modified":"2026-09-11T13:19:39","modified_gmt":"2026-09-11T13:19:39","slug":"comment-creer-et-interpreter-courbe-roc-spss","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-et-interpreter-courbe-roc-spss","title":{"rendered":"Comment cr\u00e9er et interpr\u00e9ter une courbe ROC dans SPSS"},"content":{"rendered":"

L’\u00e9valuation rigoureuse des instruments de mesure constitue l’un des piliers \u00e9pist\u00e9mologiques et m\u00e9thodologiques des sciences comportementales, de la psychopathologie clinique et de la neuropsychologie moderne. Lorsqu’un chercheur ou un praticien d\u00e9ploie un questionnaire psychom\u00e9trique, une \u00e9chelle d’\u00e9valuation symptomatique ou un biomarqueur cognitif, la question fondamentale de la validit\u00e9 crit\u00e9ri\u00e9e et du pouvoir de discrimination de l’outil se pose in\u00e9vitablement : dans quelle mesure cet instrument parvient-il \u00e0 distinguer avec pr\u00e9cision les individus porteurs d’une condition clinique sp\u00e9cifique des sujets indemnes ? Face \u00e0 la complexit\u00e9 des manifestations psychiques, qui s’\u00e9chelonnent le plus souvent sur un continuum dimensionnel plut\u00f4t que sous forme de cat\u00e9gories discr\u00e8tes \u00e9tanches, l’analyse par la courbe ROC (Receiver Operating Characteristic)<\/a> s’est impos\u00e9e comme le standard statistique de r\u00e9f\u00e9rence pour mod\u00e9liser et optimiser la d\u00e9cision diagnostique binaire.<\/p>\n

Le logiciel IBM SPSS Statistics met \u00e0 la disposition des analystes un environnement d’analyse ROC extr\u00eamement robuste, facilitant la transition entre la collecte des donn\u00e9es quantitatives brutes et la formulation de recommandations diagnostiques op\u00e9rationnelles. N\u00e9anmoins, la simplicit\u00e9 apparente des bo\u00eetes de dialogue et la g\u00e9n\u00e9ration automatis\u00e9e des graphiques dissimulent souvent des subtilit\u00e9s statistiques substantielles. Une exploitation inad\u00e9quate des param\u00e8tres par d\u00e9faut, une mauvaise compr\u00e9hension des compromis inh\u00e9rents \u00e0 la matrice de confusion ou une m\u00e9connaissance de la relation liant la sensibilit\u00e9 \u00e0 la sp\u00e9cificit\u00e9 peuvent conduire \u00e0 des seuils cliniques inadapt\u00e9s, entra\u00eenant des erreurs syst\u00e9matiques de sous-diagnostic ou de sur-diagnostic aux r\u00e9percussions \u00e9thiques et th\u00e9rapeutiques majeures.<\/p>\n

Ce guide propose une analyse exhaustive, m\u00e9thodique et r\u00e9solument ancr\u00e9e dans les standards de la recherche acad\u00e9mique pour ma\u00eetriser la construction, l’analyse inf\u00e9rentielle et l’interpr\u00e9tation clinique des courbes ROC sous SPSS. En examinant successivement les fondations th\u00e9oriques issues de la d\u00e9tection du signal, les sp\u00e9cifications techniques du logiciel, l’\u00e9valuation de l’aire sous la courbe, l’extraction algorithmique des seuils optimaux et la r\u00e9daction conforme aux exigences de l’American Psychological Association (APA)<\/a>, ce document vise \u00e0 fournir aux chercheurs, cliniciens et \u00e9tudiants de cycle sup\u00e9rieur les comp\u00e9tences requises pour transformer des donn\u00e9es psychom\u00e9triques en d\u00e9cisions diagnostiques probantes et reproductibles.<\/p>\n

1. Introduction aux courbes ROC et fondements th\u00e9oriques en psychologie<\/h2>\n

1.1 Historique et transfert m\u00e9thodologique vers les sciences comportementales<\/h3>\n

L’histoire de la courbe ROC trouve sa source au c\u0153ur des bouleversements technologiques de la Seconde Guerre mondiale, plus pr\u00e9cis\u00e9ment dans le d\u00e9veloppement et l’optimisation des syst\u00e8mes de d\u00e9tection radar britanniques et am\u00e9ricains. Les op\u00e9rateurs radar militaires \u00e9taient alors confront\u00e9s \u00e0 un d\u00e9fi perceptif critique : distinguer les \u00e9chos \u00e9lectromagn\u00e9tiques \u00e9mis par des a\u00e9ronefs ennemis de ceux induits par des perturbations environnementales al\u00e9atoires, telles que des bancs de brouillard, des nu\u00e9es d’oiseaux ou le bruit thermique des appareils de r\u00e9ception. Ce probl\u00e8me de d\u00e9cision en univers incertain a stimul\u00e9 la formulation de la th\u00e9orie de la d\u00e9tection du signal (Signal Detection Theory)<\/a> d\u00e9velopp\u00e9e initialement par des math\u00e9maticiens et des ing\u00e9nieurs comme Peterson, Birdsall et Fox au d\u00e9but des ann\u00e9es 1950. L’objectif \u00e9tait de quantifier math\u00e9matiquement la capacit\u00e9 d’un r\u00e9cepteur \u00e0 extraire un signal signifiant noy\u00e9 dans un bruit de fond ind\u00e9sirable, tout en isolant la sensibilit\u00e9 propre du d\u00e9tecteur par rapport aux biais d\u00e9cisionnels de l’op\u00e9rateur humain.<\/p>\n

Le transfert conceptuel de ce formalisme d’ing\u00e9nierie vers les sciences humaines et cognitives s’est op\u00e9r\u00e9 par l’interm\u00e9diaire de la psychophysique exp\u00e9rimentale durant les ann\u00e9es 1960, principalement sous l’impulsion des travaux s\u00e9minaux de David Green et John Swets. Les psychologues exp\u00e9rimentalistes cherchaient depuis longtemps \u00e0 r\u00e9soudre un artefact m\u00e9thodologique majeur de la mesure sensorielle : lorsqu’un participant affirme percevoir un stimulus visuel ou auditif de faible intensit\u00e9, cette r\u00e9ponse refl\u00e8te-t-elle une r\u00e9elle acuit\u00e9 sensorielle ou simplement une propension psychologique lib\u00e9rale \u00e0 r\u00e9pondre positivement dans le doute ? La th\u00e9orie de la d\u00e9tection du signal a apport\u00e9 une solution th\u00e9orique \u00e9l\u00e9gante en d\u00e9composant math\u00e9matiquement la performance en deux composantes ind\u00e9pendantes : le param\u00e8tre de sensibilit\u00e9 discriminative (not\u00e9 d’) et le crit\u00e8re de r\u00e9ponse ou biais d\u00e9cisionnel (not\u00e9 c ou b\u00eata). La courbe ROC s’est mat\u00e9rialis\u00e9e comme la trace graphique int\u00e9grale de cette sensibilit\u00e9 \u00e0 travers l’ensemble des crit\u00e8res de r\u00e9ponse imaginables.<\/p>\n

Au fil des d\u00e9cennies suivantes, ce paradigme exp\u00e9rimental a progressivement migr\u00e9 vers la psychopathologie, la psychom\u00e9trie clinique et l’\u00e9valuation diagnostique en m\u00e9decine comportementale. Les cliniciens ont pris conscience que le d\u00e9pistage d’une pathologie psychologique complexe, telle que l’\u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9, le trouble du spectre de l’autisme ou le d\u00e9clin neurocognitif pr\u00e9coce, ob\u00e9it aux m\u00eames postulats formels que la d\u00e9tection d’un \u00e9cho radar. Le score continu issu d’un inventaire clinique constitue le signal latent, qui fluctue au gr\u00e9 de la s\u00e9v\u00e9rit\u00e9 symptomatique mais demeure contamin\u00e9 par le bruit de mesure psychom\u00e9trique et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle. L’analyse ROC contemporaine s’est ainsi m\u00e9tamorphos\u00e9e en un instrument indispensable pour \u00e9valuer les performances globales des \u00e9chelles d’\u00e9valuation, ind\u00e9pendamment des variations arbitraires des seuils de coupure adopt\u00e9s par les praticiens.<\/p>\n

\"\"<\/figure>\n

1.2 D\u00e9finition conceptuelle de la courbe ROC (Receiver Operating Characteristic)<\/h3>\n

Sur le plan g\u00e9om\u00e9trique et conceptuel, la courbe ROC se d\u00e9finit comme une repr\u00e9sentation bidimensionnelle continue de la performance d’un classifieur binaire \u00e0 mesure que son seuil de d\u00e9cision varie d’une extr\u00e9mit\u00e9 \u00e0 l’autre de son spectre de valeurs. Contrairement aux approches diagnostiques traditionnelles qui r\u00e9duisent pr\u00e9matur\u00e9ment un instrument continu \u00e0 une d\u00e9cision dichotome unique via un cut-off pr\u00e9\u00e9tabli, l’approche ROC cartographie l’ensemble des sc\u00e9narios de d\u00e9cision envisageables. Chaque point de la courbe correspond \u00e0 un seuil particulier appliqu\u00e9 \u00e0 l’\u00e9chelle continue, visualisant simultan\u00e9ment la proportion de succ\u00e8s diagnostiques et la proportion correspondante d’erreurs d’identification induites par ce m\u00eame seuil.<\/p>\n

L’espace cart\u00e9sien dans lequel se d\u00e9ploie la courbe est standardis\u00e9 \u00e0 l’int\u00e9rieur d’un carr\u00e9 unitaire dont les deux dimensions varient rigoureusement de 0 \u00e0 1 (ou de 0 % \u00e0 100 %). L’axe vertical des ordonn\u00e9es (axe Y) h\u00e9berge le taux de vrais positifs, rigoureusement \u00e9quivalent \u00e0 la sensibilit\u00e9 clinique<\/a> de l’instrument. Cet axe refl\u00e8te la probabilit\u00e9 qu’un sujet v\u00e9ritablement atteint de la pathologie selon le crit\u00e8re diagnostique de r\u00e9f\u00e9rence obtienne un score \u00e9gal ou sup\u00e9rieur au seuil s\u00e9lectionn\u00e9, \u00e9tant ainsi correctement identifi\u00e9 comme cas positif. Plus la trajectoire de la courbe s’\u00e9l\u00e8ve rapidement vers le haut de l’axe Y pour de faibles valeurs d’abscisse, plus l’instrument d\u00e9montre une aptitude pr\u00e9coce \u00e0 capturer les individus pathologiques sans n\u00e9cessiter un rel\u00e2chement excessif du crit\u00e8re de s\u00e9v\u00e9rit\u00e9.<\/p>\n

L’axe horizontal des abscisses (axe X) figure quant \u00e0 lui le taux de faux positifs, qui correspond math\u00e9matiquement au compl\u00e9mentaire de la sp\u00e9cificit\u00e9 diagnostique, soit la quantit\u00e9 (1 – sp\u00e9cificit\u00e9). Cette dimension repr\u00e9sente la probabilit\u00e9 qu’un individu cliniquement indemne obtienne par erreur un r\u00e9sultat au-dessus du seuil critique et se trouve class\u00e9 \u00e0 tort comme positif. La construction de la courbe ROC impose une relation monotone croissante : lorsque le seuil d\u00e9cisionnel s’abaisse pour devenir plus permissif et englober davantage de sujets malades (accroissant la sensibilit\u00e9 le long de l’axe Y), il incorpore in\u00e9luctablement une proportion grandissante de faux positifs (faisant progresser la trajectoire vers la droite de l’axe X). L’efficacit\u00e9 discriminante d’un test se mat\u00e9rialise donc visuellement par l’ampleur de la convexit\u00e9 de la courbe en direction du sommet sup\u00e9rieur gauche de l’espace graphique, point id\u00e9al o\u00f9 la sensibilit\u00e9 atteint 1,0 sans g\u00e9n\u00e9rer aucun faux positif.<\/p>\n

1.3 Pertinence dans la recherche clinique et psychologique<\/h3>\n

L’int\u00e9gration de la m\u00e9thodologie ROC dans la recherche clinique et psychologique moderne r\u00e9pond \u00e0 trois imp\u00e9ratifs scientifiques majeurs : la validation formelle des instruments de mesure, l’objectivation des seuils cliniques d\u00e9cisionnels et la comparaison rigoureuse de paradigmes concurrents. En mati\u00e8re de validation psychom\u00e9trique, l’analyse ROC offre une \u00e9valuation directe de la validit\u00e9 de crit\u00e8re concomitante ou pr\u00e9dictive. Lors du d\u00e9veloppement d’une nouvelle \u00e9chelle d’\u00e9valuation de la symptomatologie d\u00e9pressive ou d’un test cognitif de d\u00e9pistage de la maladie d’Alzheimer, prouver la coh\u00e9rence interne ou la structure factorielle de l’outil ne suffit pas ; il est imp\u00e9ratif d’attester de son pouvoir de s\u00e9paration effectif entre les groupes cliniques et les populations t\u00e9moins au sein d’environnements cliniques \u00e9cologiquement repr\u00e9sentatifs.<\/p>\n

Le deuxi\u00e8me apport fondamental r\u00e9side dans la s\u00e9lection rationnelle et transparente des valeurs seuils (cut-off points). Dans la pratique psychologique quotidienne, les d\u00e9cisions d’orientation diagnostique, d’admission \u00e0 un protocole th\u00e9rapeutique sp\u00e9cialis\u00e9 ou d’am\u00e9nagement p\u00e9dagogique reposent fr\u00e9quemment sur une binarisation incontournable. Or, historiquement, ces valeurs de coupure \u00e9taient souvent assign\u00e9es de mani\u00e8re purement empirique, par convention d’experts ou par r\u00e9f\u00e9rence aux percentiles d’un \u00e9chantillon normatif, sans r\u00e9elle \u00e9valuation des cons\u00e9quences \u00e9pid\u00e9miologiques de ces choix. La courbe ROC permet de sortir de cette subjectivit\u00e9 en mod\u00e9lisant explicitement la balance co\u00fbt-b\u00e9n\u00e9fice propre \u00e0 chaque seuil, offrant ainsi au chercheur et au praticien la possibilit\u00e9 de choisir un point de coupure calibr\u00e9 pr\u00e9cis\u00e9ment selon les priorit\u00e9s du milieu d’application (privil\u00e9giant par exemple la sensibilit\u00e9 pour le d\u00e9pistage \u00e0 large \u00e9chelle ou la sp\u00e9cificit\u00e9 pour la confirmation diagnostique de pathologies fortement stigmatisantes).<\/p>\n

Enfin, l’analyse ROC constitue l’armature m\u00e9thodologique id\u00e9ale pour comparer empiriquement la validit\u00e9 discriminante relative de plusieurs \u00e9chelles concurrentes administr\u00e9es \u00e0 une m\u00eame cohorte de patients. En projetant sur un m\u00eame rep\u00e8re graphique les performances diagnostiques d’un auto-questionnaire ultra-bref en cinq items par rapport \u00e0 un inventaire clinique standardis\u00e9 comprenant quarante questions, le chercheur peut \u00e9valuer de mani\u00e8re non biais\u00e9e si l’instrument all\u00e9g\u00e9 conserve une efficacit\u00e9 discriminatoire \u00e9quivalente \u00e0 l’outil \u00e9tendu. Cette comparabilit\u00e9 s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse dans un contexte de rationalisation du temps clinique, o\u00f9 l’optimisation des ressources de sant\u00e9 mentale exige des outils diagnostiques \u00e0 la fois \u00e9conomiquement viables, peu chronophages et statistiquement rigoureux.<\/p>\n

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

2.1 Structure et composantes de la matrice de confusion binaire<\/h3>\n

L’\u00e9chafaudage statistique sur lequel repose l’int\u00e9gralit\u00e9 de l’analyse ROC est constitu\u00e9 par la matrice de confusion binaire<\/a>, \u00e9galement d\u00e9nomm\u00e9e tableau de contingence 2×2. Cette structure croise l’\u00e9tat clinique r\u00e9el du participant\u2014d\u00e9termin\u00e9 par un standard diagnostique reconnu comme absolu ou de r\u00e9f\u00e9rence\u2014avec l’\u00e9tat pr\u00e9dit par l’instrument psychom\u00e9trique \u00e0 l’\u00e9tude pour une valeur seuil donn\u00e9e. La confrontation de ces deux variables dichotomiques g\u00e9n\u00e8re quatre cat\u00e9gories exclusives de sujets, qui repr\u00e9sentent la totalit\u00e9 de l’espace des \u00e9v\u00e9nements diagnostiques au sein de la cohorte analys\u00e9e.<\/p>\n

Le premier quadrant h\u00e9berge les Vrais Positifs (VP), c’est-\u00e0-dire les individus pr\u00e9sentant formellement l’affection recherch\u00e9e et dont le score au test psychom\u00e9trique atteint ou exc\u00e8de le seuil de d\u00e9cision, confirmant la pertinence clinique de l’alerte. Le second quadrant correspond aux Faux N\u00e9gatifs (FN), repr\u00e9sentant les sujets effectivement malades mais dont le score s’est situ\u00e9 sous le seuil critique ; ces individus constituent les cas manqu\u00e9s par le test, une situation particuli\u00e8rement redoutable en psychopathologie lorsque sont en jeu des conduites suicidaires, des \u00e9pisodes psychotiques d\u00e9butants ou des d\u00e9mences \u00e0 leur stade initial. Le troisi\u00e8me quadrant accueille les Faux Positifs (FP), soit les participants indemnes de tout trouble selon l’\u00e9talon de r\u00e9f\u00e9rence mais faussement d\u00e9sign\u00e9s comme pathologiques par l’outil psychom\u00e9trique, induisant potentiellement de la d\u00e9tresse psychologique, des examens invasifs superflus ou une stigmatisation diagnostique inopportune. Enfin, le quatri\u00e8me quadrant rassemble les Vrais N\u00e9gatifs (VN), englobant les individus asymptomatiques que le test identifie ad\u00e9quatement comme sains en leur attribuant un score inf\u00e9rieur au seuil critique.<\/p>\n

Bien que la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 d\u00e9coulent exclusivement de la distribution de ces quatre valeurs fondamentales, la dynamique globale d’un programme de d\u00e9pistage d\u00e9pend lourdement de la pr\u00e9valence sous-jacente de l’affection dans la population source. La pr\u00e9valence clinique modifie profond\u00e9ment le ratio entre les effectifs r\u00e9els de sujets malades et sains int\u00e9gr\u00e9s dans la matrice de contingence. Si une pathologie pr\u00e9sente une pr\u00e9valence extr\u00eamement faible, m\u00eame une minime proportion de faux positifs peut submerger num\u00e9riquement le total des vrais positifs, modifiant substantiellement la certitude associ\u00e9e \u00e0 un r\u00e9sultat positif dans l’exercice clinique quotidien.<\/p>\n

2.2 Sensibilit\u00e9 et sp\u00e9cificit\u00e9 : formulation math\u00e9matique et compl\u00e9mentarit\u00e9<\/h3>\n

La formalisation math\u00e9matique de la sensibilit\u00e9 diagnostique (Se) exprime une probabilit\u00e9 conditionnelle : il s’agit de la probabilit\u00e9 d’observer un r\u00e9sultat d’\u00e9valuation positif (T+) sachant que l’individu est r\u00e9ellement atteint de l’affection cible (M+). Sur le plan op\u00e9ratoire, elle s’obtient par la division du nombre de vrais positifs par la somme int\u00e9grale des individus malades pr\u00e9sents dans l’\u00e9chantillon :<\/p>\n

Sensibilit\u00e9 = VP \/ (VP + FN) = P(T+ | M+)<\/strong><\/p>\n

Une sensibilit\u00e9 \u00e9lev\u00e9e traduit donc l’aptitude d’une \u00e9chelle \u00e0 exclure efficacement un diagnostic lorsqu’elle s’av\u00e8re n\u00e9gative. Selon l’adage mn\u00e9motechnique anglo-saxon SnNOut<\/em> (High Sensitivity, Negative test rules Out), un test ultra-sensible rendu n\u00e9gatif garantit avec un tr\u00e8s haut niveau de certitude que le patient est exempt du trouble, car le nombre de faux n\u00e9gatifs (FN) est marginal.<\/p>\n

\u00c0 l’inverse, la sp\u00e9cificit\u00e9 diagnostique (Sp) quantifie la probabilit\u00e9 conditionnelle qu’un test psychom\u00e9trique fournisse un r\u00e9sultat strictement n\u00e9gatif (T-) sachant que l’individu est r\u00e9ellement exempt du trouble cibl\u00e9 (M-). Son calcul s’op\u00e8re en divisant l’effectif des vrais n\u00e9gatifs par l’ensemble des sujets sains de la cohorte \u00e9tudi\u00e9e :<\/p>\n

Sp\u00e9cificit\u00e9 = VN \/ (VN + FP) = P(T- | M-)<\/strong><\/p>\n

Une sp\u00e9cificit\u00e9 \u00e9lev\u00e9e conf\u00e8re \u00e0 l’instrument une remarquable valeur de confirmation selon le principe SpPIn<\/em> (High Specificity, Positive test rules In). Un r\u00e9sultat positif issu d’une \u00e9chelle hautement sp\u00e9cifique apporte une quasi-certitude quant \u00e0 l’existence du trouble, le volume de faux positifs (FP) \u00e9tant statistiquement comprim\u00e9 au minimum.<\/p>\n

La relation op\u00e9rationnelle liant sensibilit\u00e9 et sp\u00e9cificit\u00e9 s’articule autour d’un arbitrage in\u00e9luctable et structurel : toute tentative clinique visant \u00e0 maximiser la sensibilit\u00e9 d’une \u00e9chelle d’\u00e9valuation continue implique un abaissement de son seuil critique, ce qui r\u00e9duit m\u00e9caniquement la sp\u00e9cificit\u00e9 en exposant un plus grand nombre d’individus sains au risque d’\u00eatre faussement catalogu\u00e9s comme pathologiques. Inversement, relever le seuil d\u00e9cisionnel pour prot\u00e9ger la sp\u00e9cificit\u00e9 et \u00e9viter les fausses alarmes d\u00e9t\u00e9riore in\u00e9vitablement la sensibilit\u00e9, abandonnant des patients r\u00e9ellement atteints dans la cat\u00e9gorie silencieuse des faux n\u00e9gatifs. L’analyse par courbe ROC transcende cette opposition dialectique en objectivant visuellement ce compromis pour chaque graduation de l’\u00e9chelle d’\u00e9valuation \u00e9tudi\u00e9e.<\/p>\n

2.3 Distinction entre performances intrins\u00e8ques et valeurs pr\u00e9dictives<\/h3>\n

L’une des confusions les plus tenaces en psychom\u00e9trie appliqu\u00e9e et en \u00e9pid\u00e9miologie clinique r\u00e9side dans l’assimilation h\u00e2tive de la sensibilit\u00e9 et de la sp\u00e9cificit\u00e9 aux valeurs pr\u00e9dictives positive et n\u00e9gative. Sur le plan formel, la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 repr\u00e9sentent des caract\u00e9ristiques op\u00e9ratoires intrins\u00e8ques du test diagnostique. Dans la mesure o\u00f9 leurs d\u00e9nominateurs respectifs isolent s\u00e9par\u00e9ment les malades r\u00e9els (VP + FN) et les non-malades r\u00e9els (VN + FP), ces deux m\u00e9triques demeurent math\u00e9matiquement ind\u00e9pendantes de la pr\u00e9valence du trouble au sein de la population examin\u00e9e. Que l’\u00e9chelle d’\u00e9valuation soit test\u00e9e dans un service psychiatrique d’urgence o\u00f9 la d\u00e9pression pr\u00e9vaut \u00e0 60 % ou au sein d’une universit\u00e9 o\u00f9 elle touche 8 % des \u00e9tudiants, la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 intrins\u00e8ques demeurent th\u00e9oriquement stables, sous r\u00e9serve d’invariance de mesure psychom\u00e9trique.<\/p>\n

En revanche, dans l’exercice clinique concret, le psychologue ou le psychiatre se trouve confront\u00e9 \u00e0 la trajectoire probabiliste inverse : face \u00e0 un patient obtenant un score positif au test, quelle est la probabilit\u00e9 r\u00e9elle que cette personne soit effectivement malade ? Cette interrogation est mesur\u00e9e par la Valeur Pr\u00e9dictive Positive (VPP)<\/a>, formalis\u00e9e comme suit :<\/p>\n

VPP = VP \/ (VP + FP) = P(M+ | T+)<\/strong><\/p>\n

Sym\u00e9triquement, la Valeur Pr\u00e9dictive N\u00e9gative (VPN) quantifie la probabilit\u00e9 que le patient soit effectivement indemne de toute pathologie d\u00e8s lors que son score au test ressort sous la barre critique :<\/p>\n

VPN = VN \/ (VN + FN) = P(M- | T-)<\/strong><\/p>\n

Contrairement aux param\u00e8tres intrins\u00e8ques, les valeurs pr\u00e9dictives d\u00e9pendent lourdement de la pr\u00e9valence du trouble, comme le formalise le th\u00e9or\u00e8me de Bayes. Dans un contexte de d\u00e9pistage en population g\u00e9n\u00e9rale o\u00f9 la pr\u00e9valence d’une pathologie est modeste, m\u00eame une \u00e9chelle psychologique dot\u00e9e d’une sp\u00e9cificit\u00e9 respectable de 90 % g\u00e9n\u00e9rera un volume absolu de faux positifs sup\u00e9rieur \u00e0 celui des vrais positifs, conduisant \u00e0 une VPP paradoxalement d\u00e9grad\u00e9e. C’est pr\u00e9cis\u00e9ment l’invariance th\u00e9orique de la sensibilit\u00e9 et du taux de faux positifs face \u00e0 la pr\u00e9valence qui conf\u00e8re \u00e0 la courbe ROC son statut m\u00e9thodologique d’\u00e9talon universel : elle fournit une mesure objective du pouvoir de discrimination de l’outil psychom\u00e9trique, totalement affranchie des al\u00e9as d’\u00e9chantillonnage et des fluctuations \u00e9pid\u00e9miologiques de la condition clinique sous investigation.<\/p>\n

3. Lien entre la r\u00e9gression logistique binaire et la courbe ROC<\/h2>\n

3.1 Mod\u00e9lisation logistique et g\u00e9n\u00e9ration des probabilit\u00e9s pr\u00e9dites<\/h3>\n

L’\u00e9valuation de la performance diagnostique ne se limite pas \u00e0 l’analyse bivari\u00e9e d’une \u00e9chelle psychom\u00e9trique unique face \u00e0 un crit\u00e8re clinique. Dans la recherche \u00e9tiologique et translationnelle contemporaine, les cliniciens mobilisent fr\u00e9quemment la r\u00e9gression logistique binaire<\/a> afin d’estimer la probabilit\u00e9 d’une maladie en int\u00e9grant simultan\u00e9ment de multiples covariables continues et cat\u00e9gorielles (par exemple, des scores d’anxi\u00e9t\u00e9, des marqueurs d’impulsivit\u00e9, des ant\u00e9c\u00e9dents familiaux et des donn\u00e9es sociod\u00e9mographiques). Dans ce cadre multivari\u00e9, le mod\u00e8le logistique applique une transformation dite logit<\/em>\u2014correspondant au logarithme n\u00e9p\u00e9rien du rapport des cotes (log-odds)\u2014afin de lin\u00e9ariser la relation entre les pr\u00e9dicteurs exog\u00e8nes et la variable d\u00e9pendante binaire :<\/p>\n

logit(p) = ln(p \/ (1 – p)) = \u03b2\u2080 + \u03b2\u2081X\u2081 + \u03b2\u2082X\u2082 + … + \u03b2\u2096X\u2096<\/strong><\/p>\n

\u00c0 partir des coefficients estim\u00e9s par la m\u00e9thode du maximum de vraisemblance, le mod\u00e8le restitue pour chaque individu de l’\u00e9chantillon une probabilit\u00e9 pr\u00e9dite d’appartenance au groupe cible (comprise entre 0,0 et 1,0). IBM SPSS Statistics offre la possibilit\u00e9 d’enregistrer automatiquement ces probabilit\u00e9s pr\u00e9dites au sein du fichier de donn\u00e9es actif via la sous-commande Save > Probabilities<\/em> lors du param\u00e9trage de la r\u00e9gression logistique. Cette nouvelle variable g\u00e9n\u00e9r\u00e9e capture l’ensemble de l’information multivari\u00e9e et synth\u00e9tise la s\u00e9v\u00e9rit\u00e9 du risque diagnostique sous la forme d’un score de propension continu hautement raffin\u00e9.<\/p>\n

\"\"<\/figure>\n

La jonction m\u00e9thodologique directe entre la mod\u00e9lisation logistique et la courbe ROC s’\u00e9tablit pr\u00e9cis\u00e9ment \u00e0 ce niveau : cette variable de probabilit\u00e9s pr\u00e9dites peut \u00eatre imm\u00e9diatement r\u00e9inject\u00e9e dans le module ROC de SPSS comme variable de test. Au lieu d’\u00e9valuer le pouvoir de s\u00e9paration d’un instrument psychom\u00e9trique isol\u00e9, la courbe ROC issue d’une r\u00e9gression logistique synth\u00e9tise graphiquement la capacit\u00e9 globale de l’ensemble de la batterie clinique mod\u00e9lis\u00e9e \u00e0 distinguer les cas av\u00e9r\u00e9s des t\u00e9moins. Cette synergie statistique transcende les approches descriptives conventionnelles en \u00e9valuant l’apport combin\u00e9 de pr\u00e9dicteurs h\u00e9t\u00e9rog\u00e8nes au sein d’un formalisme d’optimisation pr\u00e9dictive rigoureusement unifi\u00e9.<\/p>\n

3.2 \u00c9valuation de la calibration versus discrimination<\/h3>\n

Lorsqu’un chercheur \u00e9value un mod\u00e8le diagnostique pr\u00e9dictif, il doit imp\u00e9rativement distinguer deux dimensions compl\u00e9mentaires mais conceptuellement \u00e9tanches de la validation statistique : la discrimination et la calibration<\/a>. La discrimination r\u00e9f\u00e8re \u00e0 l’aptitude intrins\u00e8que du mod\u00e8le \u00e0 ordonner correctement les participants en fonction de leur niveau de risque effectif, assurant qu’un patient atteint de la pathologie re\u00e7oive syst\u00e9matiquement un score pr\u00e9dictif plus \u00e9lev\u00e9 qu’un individu sain. L’analyse par courbe ROC et son indicateur synth\u00e9tique, l’aire sous la courbe (AUC), quantifient exclusivement cette dimension discriminante. Une courbe ROC irr\u00e9prochable signifie que l’outil classe id\u00e9alement les participants selon leur gravit\u00e9 clinique relative, sans pr\u00e9juger de l’exactitude absolue des probabilit\u00e9s num\u00e9riques estim\u00e9es.<\/p>\n

\u00c0 l’oppos\u00e9, la calibration \u00e9value l’ad\u00e9quation exacte entre les probabilit\u00e9s pr\u00e9dites par le mod\u00e8le math\u00e9matique et les proportions de cas observ\u00e9es dans la cohorte d’\u00e9tude. Dans SPSS, cette propri\u00e9t\u00e9 est classiquement examin\u00e9e \u00e0 l’aide du test d’ad\u00e9quation de Hosmer-Lemeshow. Ce test partitionne l’\u00e9chantillon en d\u00e9ciles de risque th\u00e9orique et compare statistiquement les effectifs observ\u00e9s aux effectifs mod\u00e9lis\u00e9s par la r\u00e9gression. Un mod\u00e8le peut faire preuve d’une excellente discrimination (avec une AUC de 0,88 sur sa courbe ROC) tout en souffrant d’une m\u00e9diocre calibration s’il sous-estime ou surestime syst\u00e9matiquement la probabilit\u00e9 r\u00e9elle de la maladie \u00e0 l’\u00e9chelle individuelle (par exemple en assignant une probabilit\u00e9 moyenne de 20 % \u00e0 des groupes affichant empiriquement 40 % d’infections r\u00e9elles).<\/p>\n

La courbe ROC agit ainsi comme un compl\u00e9ment indispensable aux m\u00e9triques de pseudo-R\u00b2 classiquement rapport\u00e9es dans les sorties de r\u00e9gression logistique de SPSS, telles que les coefficients de Cox & Snell ou de Nagelkerke. Tandis que ces pseudo-coefficients expriment la proportion globale de d\u00e9viance expliqu\u00e9e par l’ensemble des pr\u00e9dicteurs, ils demeurent r\u00e9put\u00e9s pour leur variabilit\u00e9 contingente et leur sensibilit\u00e9 aux fluctuations des distributions d’\u00e9chantillonnage. L’AUC issue de la courbe ROC fournit une m\u00e9trique de discrimination standardis\u00e9e, intuitive et dot\u00e9e d’une signification clinique imm\u00e9diate, permettant de juger sans \u00e9quivoque si l’incorporation de nouvelles \u00e9chelles psychom\u00e9triques accro\u00eet concr\u00e8tement la s\u00e9paration clinique des groupes diagnostiques.<\/p>\n

3.3 Justification de l’approche ROC pour les pr\u00e9dicteurs continus<\/h3>\n

L’utilisation pr\u00e9f\u00e9rentielle de l’approche ROC face \u00e0 des pr\u00e9dicteurs continus se justifie fondamentalement par le d\u00e9passement d’un \u00e9cueil m\u00e9thodologique classique inh\u00e9rent aux sorties standard des r\u00e9gressions logistiques : le recours syst\u00e9matique \u00e0 un seuil arbitraire de probabilit\u00e9 fix\u00e9 par d\u00e9faut \u00e0 p = 0,50. Lorsqu’un statisticien ex\u00e9cute une commande de r\u00e9gression logistique dans SPSS sans param\u00e9trage avanc\u00e9, le tableau de classification binaire g\u00e9n\u00e9r\u00e9 classe m\u00e9caniquement tout sujet dont la probabilit\u00e9 estim\u00e9e d\u00e9passe 0,50 dans le groupe positif, et tout sujet en dessous dans le groupe n\u00e9gatif. Or, ce seuil de 0,50 ne poss\u00e8de aucune justification clinique ou th\u00e9orique g\u00e9n\u00e9rale en psychopathologie ; il constitue une convention algorithmique purement sym\u00e9trique.<\/p>\n

Dans la recherche en sant\u00e9 mentale et en psychiatrie exp\u00e9rimentale, les \u00e9chantillons pr\u00e9sentent fr\u00e9quemment des distributions fortement asym\u00e9triques, la proportion de patients souffrant d’un trouble rare (tel qu’un premier \u00e9pisode psychotique ou une tentative de suicide) oscillant fr\u00e9quemment entre 3 % et 15 % au sein des cohortes de recrutement initial. Dans un tel contexte de pr\u00e9valence asym\u00e9trique, assigner un seuil rigide \u00e0 0,50 conduit fr\u00e9quemment le mod\u00e8le logistique \u00e0 classer la totalit\u00e9 des sujets dans la cat\u00e9gorie majoritaire saine, affichant un taux global de reclassement apparemment flatteur (ex. 92 % de bonnes classifications globales) tout en pr\u00e9sentant une sensibilit\u00e9 nulle (0 % de malades identifi\u00e9s). L’investigateur peu vigilant conclut alors erron\u00e9ment \u00e0 l’inefficacit\u00e9 clinique de ses pr\u00e9dicteurs psychom\u00e9triques.<\/p>\n

L’analyse par courbe ROC permet de transcender int\u00e9gralement ce pi\u00e8ge interpr\u00e9tatif en s’affranchissant de toute coupure pr\u00e9alable. Elle parcourt de fa\u00e7on continue l’\u00e9ventail des scores possibles g\u00e9n\u00e9r\u00e9s par le pr\u00e9dicteur, mod\u00e9lisant la dynamique des taux de vrais et de faux positifs \u00e0 travers l’ensemble du spectre distributionnel. Ce traitement garantit une \u00e9valuation \u00e9quitable et objective de la valeur informative de l’\u00e9chelle, permettant d’identifier a posteriori un seuil empirique adapt\u00e9 aux imp\u00e9ratifs r\u00e9els de la d\u00e9cision clinique, quelle que soit la s\u00e9v\u00e9rit\u00e9 du d\u00e9s\u00e9quilibre initial entre les groupes diagnostiques.<\/p>\n

4. Pr\u00e9paration et organisation des donn\u00e9es psychom\u00e9triques dans SPSS<\/h2>\n

4.1 Structuration et codage des variables d’int\u00e9r\u00eat<\/h3>\n

Avant d’initier la commande de trac\u00e9 d’une courbe ROC dans IBM SPSS Statistics, une rigueur absolue s’impose quant \u00e0 l’architecture du tableau de donn\u00e9es et au codage des attributs de variables sous la vue des variables (Variable View<\/em>). Le module d’analyse ROC de SPSS requiert imp\u00e9rativement deux variables distinctes pour op\u00e9rer : une variable d’\u00e9tat (State Variable<\/em>) et au moins une variable de test (Test Variable<\/em>). Tout manquement dans la sp\u00e9cification de leurs types ou de leurs valeurs num\u00e9riques faussera irr\u00e9m\u00e9diablement les calculs ou produira des sorties math\u00e9matiquement aberrantes.<\/p>\n

La variable d’\u00e9tat incarne la pr\u00e9sence ou l’absence effective de l’entit\u00e9 clinique recherch\u00e9e et doit \u00eatre imp\u00e9rativement structur\u00e9e sous une forme dichotomique binaire. Il est fortement recommand\u00e9 d’adopter le standard international de codage binaire : 0<\/strong> pour l’absence formelle de la pathologie (sujet t\u00e9moin ou sain) et 1<\/strong> pour la pr\u00e9sence av\u00e9r\u00e9e du trouble (cas clinique confirm\u00e9). Il est imp\u00e9ratif d’assigner des libell\u00e9s de valeurs explicites dans SPSS (ex. Valeur 0 = \u00ab\u00a0T\u00e9moin indemne\u00a0\u00bb, Valeur 1 = \u00ab\u00a0\u00c9pisode d\u00e9pressif caract\u00e9ris\u00e9\u00a0\u00bb) et de d\u00e9clarer la variable comme nominale ou ordinale. Une gestion rigoureuse des donn\u00e9es manquantes doit \u00eatre op\u00e9r\u00e9e \u00e0 cette \u00e9tape : les cas pr\u00e9sentant des valeurs inconnues sur la variable d’\u00e9tat doivent \u00eatre cod\u00e9s en valeurs manquantes syst\u00e8me (System-Missing<\/em>) ou d\u00e9clar\u00e9s en valeurs manquantes de l’utilisateur (User-Defined Missing<\/em>) pour \u00eatre exclus des estimations de contingence.<\/p>\n

\"\"<\/figure>\n

La variable de test, quant \u00e0 elle, h\u00e9berge le score quantitatif continu ou semi-continu fourni par l’\u00e9chelle psychom\u00e9trique, le questionnaire auto-rapport\u00e9 ou le biomarqueur \u00e9valu\u00e9. Bien que l’algorithme de calcul de la courbe ROC tol\u00e8re des variables ordinales (telles que des scores d’\u00e9chelles de Likert sommateurs), il s’ex\u00e9cute avec une pr\u00e9cision maximale lorsque les donn\u00e9es proviennent d’une m\u00e9trique d’\u00e9chelle d’intervalles (mesure Scale<\/em> dans SPSS). L’analyste doit v\u00e9rifier l’int\u00e9grit\u00e9 de cette colonne de scores, s’assurer de l’absence de cha\u00eenes de caract\u00e8res textuelles intempestives et certifier que l’ensemble des scores a \u00e9t\u00e9 calcul\u00e9 apr\u00e8s imputation ou traitement pr\u00e9alable des items manquants selon les r\u00e8gles pr\u00e9conis\u00e9es par les auteurs de l’instrument psychom\u00e9trique.<\/p>\n

4.2 \u00c9tablissement du crit\u00e8re de r\u00e9f\u00e9rence (Gold Standard)<\/h3>\n

La validit\u00e9 scientifique de l’analyse ROC repose sur un postulat m\u00e9thodologique strict : la certitude diagnostique conf\u00e9r\u00e9e par la variable d’\u00e9tat doit approcher autant que possible la v\u00e9rit\u00e9 absolue. En recherche clinique, ce crit\u00e8re de r\u00e9f\u00e9rence est universellement qualifi\u00e9 d’\u00e9talon-or ou Gold Standard<\/a>. Pour un trouble psychiatrique ou un profil psychopathologique, cet \u00e9talon ne saurait consister en une simple impression clinique non formalis\u00e9e ou en une autre \u00e9chelle auto-rapport\u00e9e approximative. Il doit s’agir d’une d\u00e9marche diagnostique exhaustive et hautement valid\u00e9e, telle qu’une entrevue clinique semi-structur\u00e9e standardis\u00e9e administr\u00e9e par des professionnels chevronn\u00e9s\u2014par exemple la SCID (Structured Clinical Interview for DSM) ou la MINI (Mini-International Neuropsychiatric Interview)\u2014aboutissant \u00e0 une assignation formelle selon les crit\u00e8res nosographiques en vigueur.<\/p>\n

L’un des \u00e9cueils m\u00e9thodologiques les plus fr\u00e9quents en psychopathologie quantitative r\u00e9side dans le ph\u00e9nom\u00e8ne de contamination du crit\u00e8re, couramment d\u00e9sign\u00e9 sous le terme d’incorporation de biais (incorporation bias<\/em>). Ce biais survient lorsque l’\u00e9chelle psychom\u00e9trique que le chercheur tente d’\u00e9valuer fait elle-m\u00eame partie des \u00e9l\u00e9ments constitutifs utilis\u00e9s par les cliniciens pour \u00e9tablir le diagnostic de r\u00e9f\u00e9rence. Si, par exemple, le score au questionnaire de d\u00e9pistage de la d\u00e9pression \u00e0 l’\u00e9tude est mis \u00e0 la disposition des psychiatres experts charg\u00e9s d’attribuer le diagnostic SCID servant d’\u00e9talon-or, les performances discriminantes de l’outil ressortiront massivement et artificiellement surestim\u00e9es. L’ind\u00e9pendance stricte entre le processus d’\u00e9valuation du test et l’assignation du statut diagnostique final constitue le gage absolu de la neutralit\u00e9 de l’analyse.<\/p>\n

Il est par cons\u00e9quent primordial de documenter m\u00e9ticuleusement dans le protocole de recherche la chronologie et l’aveuglement m\u00e9thodologique des mesures. Id\u00e9alement, l’\u00e9valuation par l’\u00e9chelle de test psychom\u00e9trique et l’administration de l’entrevue diagnostique de r\u00e9f\u00e9rence doivent \u00eatre r\u00e9alis\u00e9es dans un intervalle temporel tr\u00e8s resserr\u00e9 pour \u00e9viter toute fluctuation de l’\u00e9tat thymique ou psychique sous-jacent, tout en garantissant un double aveugle absolu : le clinicien conduisant l’entrevue diagnostique \u00e9talon ne doit avoir aucunement connaissance du score recueilli \u00e0 l’\u00e9chelle de test, et l’\u00e9valuateur administrant l’outil psychom\u00e9trique doit ignorer totalement l’assignation clinique du sujet.<\/p>\n

4.3 Audit des postulats pr\u00e9alables et nettoyage de l’\u00e9chantillon<\/h3>\n

L’ex\u00e9cution de la proc\u00e9dure ROC sous SPSS requiert un audit statistique pr\u00e9alable de la qualit\u00e9 distributionnelle de la base de donn\u00e9es. Bien que l’algorithme non param\u00e9trique par d\u00e9faut de la courbe ROC ne postule pas une normalit\u00e9 univari\u00e9e stricte des scores au sein de chaque groupe clinique, l’analyse descriptive pr\u00e9alable des distributions via la commande Analyser > Statistiques descriptives > Explorer<\/em> (Analyze > Descriptive Statistics > Explore<\/em>) demeure essentielle. Cette d\u00e9marche permet d’isoler d’\u00e9ventuelles valeurs aberrantes extr\u00eames (outliers) cons\u00e9cutives \u00e0 des erreurs de saisie ou \u00e0 des biais de compl\u00e9tion, dont la pr\u00e9sence alt\u00e9rerait la d\u00e9limitation des bornes de seuil et d\u00e9formerait les coordonn\u00e9es de la courbe.<\/p>\n

L’investigateur doit \u00e9galement calculer la puissance statistique requise pour garantir que l’\u00e9chantillon r\u00e9uni conf\u00e8re une stabilit\u00e9 suffisante \u00e0 l’estimation de l’aire sous la courbe (AUC). Contrairement aux tests d’hypoth\u00e8ses comparatifs traditionnels (tels que le test t de Student), la pr\u00e9cision d’une analyse ROC est conditionn\u00e9e par l’effectif du groupe clinique le plus restreint. Si une \u00e9tude int\u00e8gre 500 t\u00e9moins sains mais seulement 12 patients atteints du trouble clinique cibl\u00e9, l’erreur type asymptotique associ\u00e9e \u00e0 l’AUC sera domin\u00e9e par la variance du petit sous-groupe pathologique, \u00e9largissant drastiquement l’intervalle de confiance et rendant fragile la d\u00e9termination des seuils optimaux. Des formules d\u00e9di\u00e9es, telles que celles d\u00e9riv\u00e9es des travaux de Hanley et McNeil, permettent de dimensionner a priori le nombre minimal de cas positifs et de cas n\u00e9gatifs requis pour rejeter l’hypoth\u00e8se nulle avec une puissance statistique appropri\u00e9e (classiquement fix\u00e9e \u00e0 80 % ou 90 %).<\/p>\n

Enfin, l’exploration des donn\u00e9es doit porter sur la pr\u00e9sence \u00e9ventuelle de covariables mod\u00e9ratrices de la discrimination. Des variables sociod\u00e9mographiques majeures telles que l’\u00e2ge, le genre biologique ou le niveau d’instruction acad\u00e9mique peuvent moduler drastiquement la distribution des scores continus \u00e0 une \u00e9chelle psychom\u00e9trique ou cognitive, sans que cette variation ne soit corr\u00e9l\u00e9e \u00e0 la pathologie elle-m\u00eame. Si des distributions diff\u00e9rentielles notables apparaissent entre les sous-groupes d\u00e9mographiques, le chercheur devra envisager une stratification a priori de l’\u00e9chantillon avant de lancer la proc\u00e9dure ROC sous SPSS, garantissant que les seuils diagnostiques qui seront ultimement d\u00e9gag\u00e9s soient \u00e9quitables et pertinents pour chaque strate de la population clinique.<\/p>\n

5. Proc\u00e9dure pas-\u00e0-pas pour g\u00e9n\u00e9rer une courbe ROC dans SPSS<\/h2>\n

5.1 Acc\u00e8s au module et configuration de la bo\u00eete de dialogue<\/h3>\n

Pour amorcer l’ex\u00e9cution statistique de la courbe ROC au sein de l’environnement graphique d’IBM SPSS Statistics, le chercheur emprunte le menu d\u00e9roulant sup\u00e9rieur en naviguant \u00e0 travers le chemin suivant : Analyser > Classifier > Courbe ROC<\/strong> (dans l’interface en langue anglaise : Analyze > Classify > ROC Curve<\/strong>). Cette action d\u00e9clenche l’ouverture instantan\u00e9e de la bo\u00eete de dialogue principale d\u00e9di\u00e9e au param\u00e9trage du mod\u00e8le diagnostique, structur\u00e9e autour de zones de transfert de variables sp\u00e9cifiques et de commandes de s\u00e9lection d’options de sortie.<\/p>\n

\"ROC
ROC curve in SPSS<\/figcaption><\/figure>\n

La premi\u00e8re op\u00e9ration technique r\u00e9side dans l’assignation des variables. Dans la liste des colonnes disponibles \u00e0 gauche de la bo\u00eete de dialogue, l’analyste s\u00e9lectionne la ou les variables quantitatives continues mesur\u00e9es (par exemple, le score total \u00e0 un inventaire d’anxi\u00e9t\u00e9 ou la probabilit\u00e9 pr\u00e9dite issue d’un mod\u00e8le logistique pr\u00e9alable) et les transf\u00e8re par la fl\u00e8che directionnelle centrale vers le champ intitul\u00e9 Variable(s) de test<\/strong> (Test Variable<\/em>). Il convient de souligner que SPSS permet l’insertion simultan\u00e9e de multiples variables de test au sein de ce champ, autorisant ainsi la confrontation conjointe et la projection superpos\u00e9e de plusieurs \u00e9chelles psychom\u00e9triques concurrentes au sein d’une seule ex\u00e9cution logicielle.<\/p>\n

La seconde man\u0153uvre, fondamentale, consiste \u00e0 d\u00e9signer la variable binaire de v\u00e9rit\u00e9 clinique dans le champ Variable d’\u00e9tat<\/strong> (State Variable<\/em>). D\u00e8s que cette variable est transf\u00e9r\u00e9e, le champ subsidiaire Valeur de la variable d’\u00e9tat<\/strong> (Value of State Variable<\/em>) s’active obligatoirement. C’est ici que l’utilisateur doit inscrire la valeur num\u00e9rique exacte encod\u00e9e dans son fichier de donn\u00e9es pour sp\u00e9cifier l’appartenance au groupe pathologique cible (par convention m\u00e9thodologique, le chiffre 1<\/strong>). Omettre de remplir cette case ou inscrire la valeur du groupe t\u00e9moin (0) inverserait compl\u00e8tement les calculs sous-jacents, produisant un trac\u00e9 sym\u00e9trique invers\u00e9 et g\u00e9n\u00e9rant des m\u00e9triques fallacieuses.<\/p>\n

5.2 Param\u00e9trage des options de sortie graphiques et tabulaires<\/h3>\n

Une fois les variables ins\u00e9r\u00e9es, le chercheur doit configurer avec minutie la section inf\u00e9rieure de la bo\u00eete de dialogue, intitul\u00e9e Affichage<\/strong> (Display<\/em>), qui regroupe quatre cases \u00e0 cocher d\u00e9terminantes pour la richesse analytique des r\u00e9sultats fournis par SPSS. Par d\u00e9faut, certaines de ces options fondamentales demeurent d\u00e9coch\u00e9es, ce qui priverait l’analyste des donn\u00e9es n\u00e9cessaires \u00e0 la calibration clinique fine des instruments psychom\u00e9triques.<\/p>\n

La premi\u00e8re case, Courbe ROC<\/strong> (ROC Curve<\/em>), doit \u00eatre maintenue activ\u00e9e afin d’obtenir la repr\u00e9sentation graphique des trajectoires de sensibilit\u00e9 et de faux positifs. Il est vivement conseill\u00e9 d’activer syst\u00e9matiquement la sous-option associ\u00e9e intitul\u00e9e Avec ligne de r\u00e9f\u00e9rence diagonale<\/strong> (With diagonal reference line<\/em>). Cette commande ordonne au moteur de rendu graphique d’imprimer la bissectrice \u00e0 45 degr\u00e9s joignant le point d’origine (0,0) au sommet diagonal (1,1), fournissant le rep\u00e8re visuel indispensable du hasard pur contre lequel la performance de l’\u00e9chelle d’\u00e9valuation sera imm\u00e9diatement confront\u00e9e.<\/p>\n

La deuxi\u00e8me case critique s’intitule Erreur standard et intervalle de confiance<\/strong> (Standard error and confidence interval<\/em>). Son activation enclenche l’\u00e9valuation inf\u00e9rentielle de l’aire sous la courbe (AUC), ordonnant \u00e0 SPSS de calculer l’erreur type asymptotique sous les hypoth\u00e8ses param\u00e9trique et non param\u00e9trique, la p-valeur de signification bilat\u00e9rale et les bornes de l’intervalle de confiance \u00e0 95 %. Enfin, la troisi\u00e8me case, dont l’omission constitue une erreur clinique fr\u00e9quente, est Coordonn\u00e9es de la courbe ROC<\/strong> (Coordinate points of the ROC Curve<\/em>). L’activation de cette case impose au logiciel de g\u00e9n\u00e9rer une table r\u00e9capitulative exhaustive listant chaque seuil de score observable, assorti de sa sensibilit\u00e9 exacte et de son taux correspondant de faux positifs (1 – sp\u00e9cificit\u00e9), matrice quantitative incontournable pour l’extraction computationnelle du point de coupure optimal.<\/p>\n

5.3 Utilisation de la syntaxe SPSS pour assurer la reproductibilit\u00e9<\/h3>\n

Bien que l’environnement graphique par fen\u00eatres soit intuitif, les standards contemporains de la recherche ouverte et de la reproductibilit\u00e9 m\u00e9thodologique (Open Science) exigent des psychologues et biostatisticiens qu’ils conservent une trace scripturale inalt\u00e9rable de leurs manipulations analytiques. Dans la bo\u00eete de dialogue de configuration de la courbe ROC, au lieu de cliquer imm\u00e9diatement sur le bouton OK<\/em>, l’utilisateur gagne \u00e0 presser le bouton Coller<\/strong> (Paste<\/em>). Cette action transf\u00e8re l’instruction computationnelle formalis\u00e9e directement dans la fen\u00eatre de l’\u00e9diteur de syntaxe de SPSS.<\/p>\n

L’instruction syntaxique standard ex\u00e9cut\u00e9e par le logiciel s’articule autour de la commande ma\u00eetresse ROC<\/code>, second\u00e9e par une arborescence de sous-commandes strictes d\u00e9limit\u00e9es par des barres obliques. L’architecture de la commande se d\u00e9ploie selon le formalisme suivant :<\/p>\n

ROC variable_score BY variable_etat (1)
\n\/PLOT=CURVE(REFERENCE)
\n\/PRINT=SE COORDINATES
\n\/CRITERIA=CUTOFF(INCLUDE) TESTPOS(LARGE) CI(95) DISTRIBUTION(FREE).<\/code><\/p>\n

La sous-commande \/CRITERIA<\/code> rec\u00e8le des leviers de contr\u00f4le analytique puissants. L’argument TESTPOS(LARGE)<\/code> indique explicitement au compilateur statistique qu’un score num\u00e9riquement plus \u00e9lev\u00e9 \u00e0 la variable de test d\u00e9note une probabilit\u00e9 sup\u00e9rieure de pr\u00e9senter l’\u00e9tat clinique pathologique (ce qui repr\u00e9sente le cas de figure canonique pour la vaste majorit\u00e9 des inventaires psychopathologiques). Si l’outil \u00e9valu\u00e9 fonctionne \u00e0 l’inverse (par exemple un test de fluidit\u00e9 verbale ou un inventaire d’estime de soi o\u00f9 un score abaiss\u00e9 signale le dysfonctionnement cognitif ou thymique), il suffit de modifier cet argument en TESTPOS(SMALL)<\/code> dans la syntaxe. L’argument DISTRIBUTION(FREE)<\/code> commande l’estimation non param\u00e9trique de l’erreur type, assurant la robustesse des inf\u00e9rences face aux violations de normalit\u00e9, tandis que CI(95)<\/code> verrouille le niveau de confiance souhait\u00e9. La sauvegarde de ce fichier scriptural (.sps) permet de relancer l’analyse instantan\u00e9ment sur de futures cohortes de r\u00e9plication tout en garantissant un audit transparent des analyses.<\/p>\n

6. Interpr\u00e9tation graphique de la courbe ROC g\u00e9n\u00e9r\u00e9e par SPSS<\/h2>\n

6.1 Compr\u00e9hension de la trajectoire de la courbe<\/h3>\n

L’inspection du graphique g\u00e9n\u00e9r\u00e9 dans le visualiseur de sorties (SPSS Output Viewer) constitue la premi\u00e8re \u00e9tape analytique pour appr\u00e9cier l’efficacit\u00e9 discriminante globale d’un instrument psychom\u00e9trique. L’espace d’affichage se structure sous la forme d’un plan cart\u00e9sien carr\u00e9, born\u00e9 \u00e0 gauche par la valeur 0,0 et \u00e0 droite par 1,0 sur l’axe horizontal (repr\u00e9sentant le taux de faux positifs ou 1 – sp\u00e9cificit\u00e9), et gradu\u00e9 identiquement de 0,0 \u00e0 1,0 sur l’axe vertical (figurant le taux de vrais positifs ou sensibilit\u00e9). La bissectrice diagonale joignant l’angle inf\u00e9rieur gauche (0,0) au sommet sup\u00e9rieur droit (1,0) mat\u00e9rialise la ligne th\u00e9orique de non-discrimination ou ligne de chance.<\/p>\n

La signification g\u00e9om\u00e9trique de cette droite diagonale \u00e0 45 degr\u00e9s est fondamentale : elle incarne la trajectoire qu’emprunterait un dispositif d’\u00e9valuation dont le pouvoir de s\u00e9paration diagnostique serait rigoureusement \u00e9quivalent au hasard pur, comparable \u00e0 un tirage \u00e0 pile ou face pour attribuer le statut de malade \u00e0 un individu. En tout point de cette diagonale, le taux de vrais positifs est exactement \u00e9gal au taux de faux positifs. Par cons\u00e9quent, une \u00e9chelle d’\u00e9valuation dont la courbe s’entrelace avec cette ligne diagonale ou s’en \u00e9carte de mani\u00e8re marginale ne poss\u00e8de aucune valeur s\u00e9lective sur le plan clinique, classant les participants sans aucune concordance avec leur pathologie r\u00e9elle.<\/p>\n

\u00c0 l’inverse, un instrument psychom\u00e9trique d\u00e9montrant une haute validit\u00e9 crit\u00e9ri\u00e9e se signale visuellement par une trajectoire qui s’\u00e9l\u00e8ve de mani\u00e8re abrupte d\u00e8s l’origine des abscisses, longeant verticalement l’axe de gauche pour s’infl\u00e9chir ensuite vigoureusement vers le sommet sup\u00e9rieur gauche de l’espace graphique (les coordonn\u00e9es id\u00e9ales [0, 1]). Cette forte convexit\u00e9 traduit la capacit\u00e9 de l’outil \u00e0 capter une proportion massive de sujets v\u00e9ritablement malades (sensibilit\u00e9 tr\u00e8s \u00e9lev\u00e9e) alors m\u00eame que le taux de faux positifs est maintenu \u00e0 des niveaux tr\u00e8s r\u00e9duits. Plus la cambrure de la courbe est prononc\u00e9e vers cet angle sup\u00e9rieur gauche, plus l’espace surfacique sous-jacent s’\u00e9largit, confirmant un pouvoir de discrimination clinique substantiel.<\/p>\n

\"Interpreting
Interpreting ROC curve in SPSS<\/figcaption><\/figure>\n

6.2 Visualisation du sens de la relation entre le score et l’\u00e9tat<\/h3>\n

L’interpr\u00e9tation visuelle de la courbe ROC requiert une vigilance absolue quant au sens de la relation liant l’ampleur num\u00e9rique du score au statut clinique r\u00e9el. Dans la configuration psychopathologique standard, les questionnaires sont construits de fa\u00e7on \u00e0 ce que la s\u00e9v\u00e9rit\u00e9 clinique s’exprime par une augmentation quantitative des scores : plus un participant accumule des points sur une \u00e9chelle telle que l’inventaire de d\u00e9pression de Beck ou l’\u00e9chelle d’anxi\u00e9t\u00e9 de Hamilton, plus la charge symptomatique s’alourdit. Dans ce sch\u00e9ma conventionnel, la courbe ROC s’incurve naturellement dans le triangle sup\u00e9rieur gauche de l’espace graphique, naviguant au-dessus de la diagonale de r\u00e9f\u00e9rence.<\/p>\n

Cependant, de nombreuses disciplines psychologiques d\u00e9ploient des paradigmes de mesure fond\u00e9s sur une relation directionnelle rigoureusement invers\u00e9e. C’est typiquement le cas de la neuropsychologie clinique et de la psychom\u00e9trie cognitive : dans des \u00e9preuves d’\u00e9valuation des fonctions ex\u00e9cutives, de m\u00e9moire \u00e9pisodique ou de d\u00e9pistage global de la d\u00e9mence (comme le Mini-Mental State Examination – MMSE<\/a> ou le MoCA), une performance abaiss\u00e9e constitue le marqueur du d\u00e9ficit neurocognitif. De m\u00eame, en psychologie sociale ou clinique de la sant\u00e9, des r\u00e9serves psychologiques protectrices telles que l’estime de soi, l’optimisme dispositionnel ou le soutien social per\u00e7u s’expriment par des scores faibles chez les individus vuln\u00e9rables ou cliniquement d\u00e9prim\u00e9s.<\/p>\n

Si l’analyste omet d’informer SPSS de cette directionnalit\u00e9 invers\u00e9e (en maintenant le param\u00e8tre par d\u00e9faut TESTPOS(LARGE)<\/code>), le trac\u00e9 de la courbe va paradoxalement plonger dans le triangle inf\u00e9rieur droit du graphique, cheminant en dessous de la ligne diagonale de r\u00e9f\u00e9rence. Cette position sous-diagonale ne signifie nullement que l’instrument cognitif est d\u00e9faillant ou priv\u00e9 de valeur discriminante, mais simplement que le sens de la relation empirique est diam\u00e9tralement oppos\u00e9 aux suppositions du compilateur algorithmique. Pour corriger instantan\u00e9ment cette configuration graphique, l’utilisateur doit r\u00e9ex\u00e9cuter la commande en inversant la polarit\u00e9 du test via la s\u00e9lection de l’option ad\u00e9quate dans SPSS, convertissant la trajectoire en une courbe convexe conventionnelle orient\u00e9e vers le sommet sup\u00e9rieur gauche.<\/p>\n

6.3 Analyse morphologique des irr\u00e9gularit\u00e9s graphiques<\/h3>\n

L’observation attentive de la morphologie de la courbe trac\u00e9e par SPSS renseigne l’investigateur sur plusieurs caract\u00e9ristiques distributionnelles propres \u00e0 l’\u00e9chantillon d’\u00e9tude et \u00e0 l’instrument psychom\u00e9trique \u00e9valu\u00e9. Dans un contexte id\u00e9al th\u00e9orique impliquant une population infinie et une variable de test rigoureusement continue mesur\u00e9e avec une pr\u00e9cision infinit\u00e9simale, la courbe ROC adopte un profil parfaitement liss\u00e9 et curviligne. Cependant, sur des donn\u00e9es observationnelles concr\u00e8tes collect\u00e9es au sein de cohortes cliniques, le visualiseur de SPSS restitue un trac\u00e9 empirique non param\u00e9trique qui proc\u00e8de par paliers discrets, adoptant une allure caract\u00e9ristique en marches d’escalier.<\/p>\n

Cette structure \u00e9tag\u00e9e est le reflet direct de la granularit\u00e9 des scores de l’\u00e9chelle et de la taille de l’\u00e9chantillon analys\u00e9. Chaque marche horizontale ou verticale correspond \u00e0 une transition entre deux scores distincts observ\u00e9s dans la s\u00e9rie de donn\u00e9es. Lorsqu’une cohorte comporte un volume restreint de patients pathologiques (par exemple, 20 sujets au sein du groupe cible), l’identification d’un seul cas positif suppl\u00e9mentaire le long de l’abscisse induit une \u00e9l\u00e9vation verticale brusque de 1\/20e (soit un bond de 0,05 ou 5 % de sensibilit\u00e9). D\u00e8s lors, un graphique marqu\u00e9 par de larges marches anguleuses signale un manque de puissance statistique et une taille d’\u00e9chantillon limit\u00e9e, invitant \u00e0 la r\u00e9serve quant \u00e0 la g\u00e9n\u00e9ralisabilit\u00e9 des points de cassure observ\u00e9s.<\/p>\n

Par ailleurs, l’apparition de plateaux horizontaux prolong\u00e9s ou de lignes verticales droites d’amplitude anormale au sein du trac\u00e9 graphique doit attirer l’attention de l’analyste. Un long segment horizontal indique qu’une variation substantielle du seuil de coupure augmente significativement le taux de faux positifs (dilatant l’axe X) sans parvenir \u00e0 capturer le moindre vrai positif additionnel (l’axe Y stagnant \u00e0 niveau constant). Cela traduit l’existence de zones de plafonnement psychom\u00e9trique o\u00f9 l’\u00e9chelle perd momentan\u00e9ment tout pouvoir de r\u00e9solution pour d\u00e9partager les cas pathologiques des t\u00e9moins sains, un indice diagnostique qui m\u00e9rite d’\u00eatre examin\u00e9 lors de la r\u00e9vision formelle de l’instrument.<\/p>\n

7. Analyse approfondie de l’aire sous la courbe (AUC \/ ASC) et inf\u00e9rence<\/h2>\n

7.1 Interpr\u00e9tation quantitative de la valeur de l’AUC<\/h3>\n

Si la courbe ROC offre une illustration visuelle remarquable de la dynamique diagnostique, son exploitation quantitative et sa mod\u00e9lisation inf\u00e9rentielle s’articulent autour d’une mesure synth\u00e9tique ma\u00eetresse : l’Aire sous la Courbe (d\u00e9sign\u00e9e par l’acronyme universel AUC<\/a> pour Area Under the Curve<\/em>, ou parfois ASC en litt\u00e9rature francophone). L’AUC quantifie l’int\u00e9grale de la fonction d\u00e9finie par la trajectoire ROC sur l’intervalle unitaire de variation des faux positifs [0, 1]. En vertu de cette normalisation spatiale, l’AUC s’exprime obligatoirement par une valeur num\u00e9rique sans dimension comprise entre 0,0 et 1,0.<\/p>\n

Sur le plan probabiliste, l’AUC poss\u00e8de une signification concr\u00e8te extr\u00eamement puissante : elle repr\u00e9sente la probabilit\u00e9 exacte qu’un individu s\u00e9lectionn\u00e9 al\u00e9atoirement au sein du groupe clinique pathologique obtienne un score au test psychom\u00e9trique sup\u00e9rieur \u00e0 celui d’un participant tir\u00e9 au sort dans la population t\u00e9moin saine. Ainsi, afficher une AUC de 0,85 signifie concr\u00e8tement que si un clinicien met en pr\u00e9sence une paire de sujets appari\u00e9s compos\u00e9e d’un patient d\u00e9prim\u00e9 et d’un sujet asymptomatique, l’inventaire psychom\u00e9trique \u00e9valu\u00e9 attribuera un score de s\u00e9v\u00e9rit\u00e9 plus \u00e9lev\u00e9 au patient d\u00e9prim\u00e9 dans tr\u00e8s exactement 85 % des occurrences exp\u00e9rimentales.<\/p>\n

Afin de structurer le jugement clinique et l’\u00e9valuation psychom\u00e9trique, la litt\u00e9rature biom\u00e9dicale et m\u00e9thodologique de r\u00e9f\u00e9rence (notamment issue des classifications propos\u00e9es par Swets ainsi que par Hosmer et Lemeshow) a codifi\u00e9 une grille d’interpr\u00e9tation consensuelle de l’ampleur de l’AUC :<\/p>\n