{"id":4932,"date":"2026-10-14T18:01:20","date_gmt":"2026-10-14T18:01:20","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-une-regression-logistique-sous-r-etape-par-etape\/"},"modified":"2026-10-14T18:01:20","modified_gmt":"2026-10-14T18:01:20","slug":"comment-realiser-une-regression-logistique-sous-r-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-une-regression-logistique-sous-r-etape-par-etape","title":{"rendered":"Comment r\u00e9aliser une r\u00e9gression logistique sous R (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

L’analyse des ph\u00e9nom\u00e8nes psychologiques et comportementaux confronte fr\u00e9quemment le chercheur \u00e0 des variables d’int\u00e9r\u00eat qualitatives et intrins\u00e8quement dichotomiques. Qu’il s’agisse de mod\u00e9liser la r\u00e9mission clinique d’un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9, l’abandon pr\u00e9coce d’une psychoth\u00e9rapie, l’\u00e9chec ou la r\u00e9ussite \u00e0 une t\u00e2che d’inhibition ex\u00e9cutive, ou encore l’apparition d’un \u00e9tat de stress post-traumatique suite \u00e0 un \u00e9v\u00e9nement critique, les donn\u00e9es recueillies refusent de se plier \u00e0 la distribution normale requise par la r\u00e9gression lin\u00e9aire classique. L’application m\u00e9canique des moindres carr\u00e9s ordinaires \u00e0 de telles donn\u00e9es conduit in\u00e9vitablement \u00e0 des aberrations statistiques, notamment la pr\u00e9diction de probabilit\u00e9s impossibles inf\u00e9rieures \u00e0 z\u00e9ro ou sup\u00e9rieures \u00e0 l’unit\u00e9, ainsi qu’\u00e0 une violation fondamentale du postulat d’homosc\u00e9dasticit\u00e9. Face \u00e0 ces impasses m\u00e9thodologiques, la r\u00e9gression logistique binaire<\/a> s’impose comme le paradigme standard et la r\u00e9f\u00e9rence incontournable de la mod\u00e9lisation statistique contemporaine en sciences humaines.<\/p>\n

Int\u00e9gr\u00e9e dans le cadre unificateur des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM) d\u00e9velopp\u00e9 par Nelder et Wedderburn, la r\u00e9gression logistique contourne les restrictions du mod\u00e8le lin\u00e9aire par l’introduction d’une fonction de lien non lin\u00e9aire : la transformation logit. En projetant la probabilit\u00e9 d’occurrence d’un \u00e9v\u00e9nement depuis l’intervalle restreint [0, 1] vers l’ensemble des r\u00e9els non born\u00e9s, cette approche pr\u00e9serve la structure additive et interpr\u00e9table des r\u00e9gressions classiques tout en respectant scrupuleusement les contraintes probabilistes inh\u00e9rentes aux distributions de Bernoulli. Parall\u00e8lement, le passage des probabilit\u00e9s aux rapports de cotes (odds ratios<\/em>) offre une grille de lecture \u00e9pid\u00e9miologique et clinique d’une puissance analytique remarquable, autorisant la quantification pr\u00e9cise du risque ou du b\u00e9n\u00e9fice associ\u00e9 \u00e0 chaque unit\u00e9 de mesure psychom\u00e9trique suppl\u00e9mentaire.<\/p>\n

Ce guide exhaustif a pour ambition d’accompagner pas \u00e0 pas les chercheurs, doctorants et praticiens de la psychologie dans la ma\u00eetrise compl\u00e8te, th\u00e9orique et appliqu\u00e9e, de la r\u00e9gression logistique sous l’environnement de programmation statistique R. Du d\u00e9chiffrement des fondements math\u00e9matiques sous-jacents aux exigences de publication acad\u00e9mique les plus strictes de l’American Psychological Association<\/a> (APA 7e \u00e9dition), chaque \u00e9tape du pipeline analytique sera d\u00e9cortiqu\u00e9e. Nous aborderons la pr\u00e9paration scrupuleuse des donn\u00e9es psychom\u00e9triques, l’exploration descriptive bivari\u00e9e, le diagnostic minutieux des postulats th\u00e9oriques, l’ajustement du mod\u00e8le avec la fonction de base de R, la mod\u00e9lisation des interactions de mod\u00e9ration clinique, l’analyse des r\u00e9sidus et des observations influentes, ainsi que l’\u00e9valuation approfondie de la calibration et de la discrimination par l’analyse ROC et la validation crois\u00e9e.<\/p>\n

1. Fondements th\u00e9oriques et math\u00e9matiques de la r\u00e9gression logistique en psychologie<\/h2>\n

1.1 La nature des variables d\u00e9pendantes binaires en sciences du comportement<\/h3>\n

En psychologie exp\u00e9rimentale, en neuropsychologie et en psychopathologie quantitative, la mesure se heurte r\u00e9guli\u00e8rement \u00e0 une discontinuit\u00e9 fondamentale de l’objet d’\u00e9tude. Tandis que de nombreux construits latents sont mod\u00e9lis\u00e9s comme des traits continus \u00e0 distribution gaussienne (\u00e0 l’instar de l’intelligence g\u00e9n\u00e9rale mesur\u00e9e par le quotient intellectuel ou du niveau de n\u00e9vrosisme quantifi\u00e9 par des \u00e9chelles de Likert), la d\u00e9cision clinique ou comportementale finale est fr\u00e9quemment dichotomique : un patient r\u00e9pond positivement aux crit\u00e8res diagnostiques du DSM-5 ou ne s’y conforme pas ; un participant r\u00e9ussit une \u00e9preuve de Stroop sous charge cognitive ou commet une erreur d’interf\u00e9rence ; un consommateur de substances rechute apr\u00e8s six mois de sevrage ou maintient son abstinence.<\/p>\n

Historiquement, les chercheurs ont parfois tent\u00e9 d’appliquer le mod\u00e8le de r\u00e9gression lin\u00e9aire par les moindres carr\u00e9s ordinaires (MCO) directement sur ces variables cod\u00e9es de fa\u00e7on binaire (0 ou 1), sous l’appellation de mod\u00e8le de probabilit\u00e9 lin\u00e9aire (MPL). Cette approche souffre cependant de d\u00e9faillances structurelles r\u00e9dhibitoires. D’une part, le mod\u00e8le lin\u00e9aire suppose par d\u00e9finition que la relation entre les pr\u00e9dicteurs et la variable d\u00e9pendante est constante sur l’ensemble du continuum de la variable explicative. D\u00e8s lors, lorsque la valeur du pr\u00e9dicteur devient extr\u00eamement faible ou extr\u00eamement \u00e9lev\u00e9e, l’\u00e9quation lin\u00e9aire produit des valeurs ajust\u00e9es qui sortent irr\u00e9m\u00e9diablement de l’intervalle d’admissibilit\u00e9 des probabilit\u00e9s, g\u00e9n\u00e9rant des pr\u00e9dictions absurdes telles que des probabilit\u00e9s n\u00e9gatives (-0,25) ou des probabilit\u00e9s sup\u00e9rieures \u00e0 la certitude absolue (1,30).<\/p>\n

D’autre part, la variable d\u00e9pendante binaire suit intrins\u00e8quement une distribution de Bernoulli<\/a>, dont le param\u00e8tre de succ\u00e8s est la probabilit\u00e9 p. Par d\u00e9finition, la variance d’une variable de Bernoulli est \u00e9gale au produit de sa probabilit\u00e9 de succ\u00e8s par sa probabilit\u00e9 d’\u00e9chec, soit p multipli\u00e9 par (1 – p). Puisque cette probabilit\u00e9 d\u00e9pend directement des valeurs prises par les variables explicatives du mod\u00e8le, la variance des erreurs n’est pas constante d’un individu \u00e0 un autre : elle atteint son maximum lorsque la probabilit\u00e9 est \u00e9gale \u00e0 0,5 et s’effondre lorsque la probabilit\u00e9 s’approche de 0 ou de 1. Ce ph\u00e9nom\u00e8ne engendre une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 structurelle et ind\u00e9passable qui invalide les tests de significativit\u00e9 statistique bas\u00e9s sur les moindres carr\u00e9s, rendant les erreurs-types artificiellement biais\u00e9es et les intervalles de confiance erron\u00e9s.<\/p>\n

1.2 La transformation logit et le passage des probabilit\u00e9s aux logarithmes de cotes<\/h3>\n

Pour r\u00e9soudre l’incompatibilit\u00e9 entre la droite infinie des r\u00e9els et l’intervalle ferm\u00e9 des probabilit\u00e9s, les math\u00e9maticiens ont d\u00e9velopp\u00e9 la transformation logit, qui agit comme une fonction de lien canonique au sein des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s. La premi\u00e8re \u00e9tape conceptuelle consiste \u00e0 abandonner la mesure directe de la probabilit\u00e9 d’occurrence d’un \u00e9v\u00e9nement, not\u00e9e p, au profit de la notion de cote, d\u00e9sign\u00e9e sous le terme anglais d’odds<\/em>. La cote se d\u00e9finit rigoureusement comme le rapport entre la probabilit\u00e9 que l’\u00e9v\u00e9nement se produise et la probabilit\u00e9 compl\u00e9mentaire qu’il ne se produise pas, soit p divis\u00e9 par (1 – p). Si un patient souffrant d’anxi\u00e9t\u00e9 sociale a une probabilit\u00e9 de r\u00e9mission de 0,80 suite \u00e0 une th\u00e9rapie d’exposition, sa probabilit\u00e9 d’\u00e9chec est de 0,20 ; la cote de r\u00e9mission est alors de 0,80 \/ 0,20 = 4,00, ce qui signifie qu’il a quatre fois plus de chances de gu\u00e9rir que de ne pas gu\u00e9rir.<\/p>\n

Bien que la cote \u00e9limine la borne sup\u00e9rieure de 1 et s’\u00e9tende th\u00e9oriquement de 0 \u00e0 plus l’infini, elle demeure asym\u00e9trique et contrainte par la borne inf\u00e9rieure de 0. Pour parachever la lin\u00e9arisation, on applique \u00e0 cette cote le logarithme n\u00e9p\u00e9rien, ce qui donne naissance \u00e0 la variable logit, \u00e9galement d\u00e9nomm\u00e9e logarithme de cote ou log-odds<\/em>. La fonction logit s’\u00e9crit formellement : logit(p) = ln(p \/ (1 – p)). Cette transformation math\u00e9matique r\u00e9alise une bijection parfaite entre l’intervalle probabiliste ouvert ]0, 1[ et l’ensemble infini des nombres r\u00e9els ]-infini, +infini[. Un log-odds de z\u00e9ro correspond tr\u00e8s exactement \u00e0 une probabilit\u00e9 de 0,5 (la cote valant 1), des log-odds n\u00e9gatifs correspondent \u00e0 des probabilit\u00e9s inf\u00e9rieures \u00e0 0,5, et des log-odds positifs renvoient \u00e0 des probabilit\u00e9s sup\u00e9rieures \u00e0 0,5.<\/p>\n

Pour revenir de l’\u00e9chelle lin\u00e9aire des log-odds vers l’\u00e9chelle naturelle des probabilit\u00e9s, essentielle pour l’interpr\u00e9tation clinique, on applique la fonction inverse du logit, commun\u00e9ment appel\u00e9e fonction logistique standard ou fonction sigmo\u00efde. Math\u00e9matiquement, la probabilit\u00e9 pr\u00e9dite p pour un individu s’exprime comme l’exponentielle de la combinaison lin\u00e9aire des pr\u00e9dicteurs divis\u00e9e par 1 plus cette m\u00eame exponentielle, ou de mani\u00e8re \u00e9quivalente : p = 1 \/ (1 + exp(-beta_0 – sum(beta_i * X_i))). Cette courbe en S pr\u00e9sente des propri\u00e9t\u00e9s asymptotiques remarquables : elle ne franchit jamais les seuils critiques de 0 et de 1, ralentit son taux de variation \u00e0 mesure qu’elle s’approche des extr\u00e9mit\u00e9s, et pr\u00e9sente une sym\u00e9trie parfaite autour du point d’inflexion situ\u00e9 pr\u00e9cis\u00e9ment \u00e0 p = 0,5.<\/p>\n

1.3 L’estimation par le maximum de vraisemblance (MLE)<\/h3>\n

Contrairement aux mod\u00e8les de r\u00e9gression lin\u00e9aire qui emploient la m\u00e9thode des moindres carr\u00e9s pour minimiser analytiquement la somme des carr\u00e9s des r\u00e9sidus verticaux, la r\u00e9gression logistique ne poss\u00e8de aucune solution analytique sous forme matricielle directe (\u00e9quation normale ferm\u00e9e). Les param\u00e8tres du mod\u00e8le doivent imp\u00e9rativement \u00eatre estim\u00e9s par l’interm\u00e9diaire de la m\u00e9thode du maximum de vraisemblance<\/a> (Maximum Likelihood Estimation ou MLE). Ce paradigme d’inf\u00e9rence repose sur un principe intuitif invers\u00e9 : \u00e9tant donn\u00e9 les donn\u00e9es empiriques observ\u00e9es dans l’\u00e9chantillon clinique, quelles sont les valeurs des coefficients de r\u00e9gression (beta) qui maximisent la probabilit\u00e9 globale d’avoir pr\u00e9cis\u00e9ment g\u00e9n\u00e9r\u00e9 ces observations ?<\/p>\n

La fonction de vraisemblance globale est le produit des probabilit\u00e9s individuelles assign\u00e9es par le mod\u00e8le \u00e0 chaque participant de l’\u00e9tude, conditionnellement \u00e0 son statut r\u00e9el (succ\u00e8s ou \u00e9chec). Pour des raisons d’optimisation computationnelle et de stabilit\u00e9 num\u00e9rique, on maximise en r\u00e9alit\u00e9 la log-vraisemblance (log-likelihood), qui transforme le produit probabiliste en une somme arithm\u00e9tique de termes logarithmiques. Dans l’\u00e9cosyst\u00e8me R, la fonction d’ajustement fait appel \u00e0 l’algorithme des moindres carr\u00e9s r\u00e9cursivement repond\u00e9r\u00e9s (Iteratively Reweighted Least Squares<\/em> ou IRLS), qui constitue une d\u00e9clinaison de la m\u00e9thode d’optimisation de Newton-Raphson. Cet algorithme calcule \u00e0 chaque it\u00e9ration le vecteur gradient (la fonction de score) et la matrice hessienne des d\u00e9riv\u00e9es secondes (la matrice d’information de Fisher), mettant \u00e0 jour successivement les poids accord\u00e9s \u00e0 chaque observation jusqu’\u00e0 ce que la variation des coefficients entre deux it\u00e9rations cons\u00e9cutives devienne inf\u00e9rieure \u00e0 un seuil de tol\u00e9rance infinit\u00e9simal pr\u00e9d\u00e9termin\u00e9.<\/p>\n

La sup\u00e9riorit\u00e9 th\u00e9orique de l’estimation par le maximum de vraisemblance r\u00e9side dans ses propri\u00e9t\u00e9s asymptotiques optimales : sous r\u00e9serve que la taille de l’\u00e9chantillon soit suffisamment grande, les estimateurs du maximum de vraisemblance sont convergents (ils tendent vers la vraie valeur du param\u00e8tre dans la population), asymptotiquement non biais\u00e9s et asymptotiquement efficaces (leur variance atteint la borne minimale th\u00e9orique de Cram\u00e9r-Rao). De plus, l’inverse de la matrice d’information observ\u00e9e fournit directement une estimation robuste de la matrice de variance-covariance des coefficients, rendant possibles le calcul imm\u00e9diat des erreurs-types et la construction des intervalles de confiance de Wald ou des intervalles de vraisemblance profil\u00e9e.<\/p>\n

2. Pr\u00e9paration de l’environnement de travail et importation des donn\u00e9es dans R<\/h2>\n

2.1 Configuration de RStudio et installation des biblioth\u00e8ques sp\u00e9cialis\u00e9es<\/h3>\n

Une analyse statistique moderne, reproductible et rigoureuse exige une organisation exemplaire de l’espace de programmation sous RStudio<\/a>. La premi\u00e8re directive m\u00e9thodologique consiste \u00e0 ne jamais travailler dans un environnement global sans projet structur\u00e9. Il convient de cr\u00e9er un projet RStudio d\u00e9di\u00e9 (fichier avec extension .Rproj), garantissant que le r\u00e9pertoire de travail racine soit automatiquement d\u00e9fini de mani\u00e8re relative \u00e0 l’emplacement du projet, bannissant d\u00e9finitivement les chemins absolus cod\u00e9s en dur qui compromettent la reproductibilit\u00e9 sur d’autres postes informatiques. La configuration des options de session doit interdire la sauvegarde automatique de l’espace de travail (.RData) lors de la fermeture, assurant qu’aucune variable orpheline ou objet r\u00e9siduel ne vienne contaminer les futures it\u00e9rations d’ajustement.<\/p>\n

L’arsenal m\u00e9thodologique de la r\u00e9gression logistique sous R repose sur un ensemble de packages sp\u00e9cialis\u00e9s, couvrant la manipulation de donn\u00e9es, les diagnostics post-estimation et la mod\u00e9lisation graphique. Les biblioth\u00e8ques indispensables incluent le tidyverse<\/em> pour la manipulation vectorielle et la visualisation, car<\/em> pour le calcul des facteurs d’inflation de la variance et des diagnostics de colin\u00e9arit\u00e9, ResourceSelection<\/em> pour les tests d’ad\u00e9quation globale, pROC<\/em> pour l’analyse des courbes caract\u00e9ristiques du fonctionnement du r\u00e9cepteur, gtsummary<\/em> pour l’\u00e9dition de tableaux conformes aux canons des revues biom\u00e9dicales, et pscl<\/em> pour l’extraction des indices de pseudo-R\u00b2. Pour rationaliser l’installation et le chargement de ces d\u00e9pendances sans saturer la console de messages d’avertissement, le recours au gestionnaire de packages pacman<\/em> et \u00e0 sa fonction p_load<\/em> repr\u00e9sente la meilleure pratique.<\/p>\n

Enfin, d\u00e8s l’initialisation du script d’analyse, il est imp\u00e9ratif de fixer la graine du g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires \u00e0 l’aide de la commande set.seed(42)<\/em> (ou tout autre entier constant). Cette pr\u00e9caution garantit l’exacte reproductibilit\u00e9 des processus stochastiques mobilis\u00e9s ult\u00e9rieurement dans le protocole, notamment lors du partitionnement al\u00e9atoire des donn\u00e9es pour la validation crois\u00e9e, de la r\u00e9-\u00e9chantillonnage par bootstrap ou des imputations multiples des valeurs manquantes.<\/p>\n

2.2 Importation et structuration d’un jeu de donn\u00e9es psychom\u00e9triques<\/h3>\n

Pour ancrer cette d\u00e9monstration dans la r\u00e9alit\u00e9 de la pratique de recherche, nous structurerons un jeu de donn\u00e9es simulant une \u00e9tude clinique multicentrique en psychologie de la sant\u00e9. L’objectif est de pr\u00e9dire la r\u00e9mission clinique compl\u00e8te d’un trouble d\u00e9pressif majeur (variable binaire nomm\u00e9e remission<\/em>) \u00e0 l’issue d’un protocole de th\u00e9rapie cognitive et comportementale (TCC) standardis\u00e9 de seize semaines, aupr\u00e8s d’une cohorte de 600 patients adultes. Les pr\u00e9dicteurs collect\u00e9s \u00e0 l’inclusion comprennent des variables quantitatives continues (le score initial d’anxi\u00e9t\u00e9 mesur\u00e9 par l’inventaire BAI de Beck, l’\u00e2ge en ann\u00e9es r\u00e9volues, le score d’alliance th\u00e9rapeutique pr\u00e9coce \u00e9valu\u00e9 par la WAI) et des variables qualitatives cat\u00e9gorielles (le sous-type d\u00e9pressif, le niveau de scolarit\u00e9 et l’adh\u00e9sion pharmacologique conjointe).<\/p>\n

L’importation de fichiers de donn\u00e9es tabulaires (au format d\u00e9limit\u00e9 CSV ou au format binaire natif RDS) s’effectue de mani\u00e8re optimale \u00e0 l’aide des fonctions de lecture rapide du paquetage readr<\/em>, telles que read_csv()<\/em>. Imm\u00e9diatement apr\u00e8s l’importation dans l’espace de donn\u00e9es (data frame ou tibble), une inspection minutieuse de la structure s’impose. L’utilisation conjointe des fonctions str()<\/em> et glimpse()<\/em> permet de v\u00e9rifier le formatage de chaque colonne, le nombre d’observations effectives et l’absence de colonnes parasitaires g\u00e9n\u00e9r\u00e9es lors de l’exportation depuis un tableur externe.<\/p>\n

La gestion rigoureuse des donn\u00e9es manquantes (missing data<\/em>) constitue un imp\u00e9ratif \u00e9thique et statistique. Dans les protocoles cliniques psychologiques, les donn\u00e9es manquantes r\u00e9sultent souvent de l’attrition des participants ou de refus de r\u00e9ponse sur des \u00e9chelles sensibles. Par d\u00e9faut, la r\u00e9gression logistique sous R applique une suppression par liste (listwise deletion<\/em>), excluant tout participant poss\u00e9dant au moins une valeur manquante sur l’une des variables incluses dans l’\u00e9quation. Si le m\u00e9canisme g\u00e9n\u00e9rateur des donn\u00e9es manquantes est de nature ignorable (donn\u00e9es manquantes compl\u00e8tement au hasard, MCAR), cette \u00e9limination pr\u00e9serve l’absence de biais des coefficients au d\u00e9triment de la puissance statistique. En revanche, si le m\u00e9canisme est manquant au hasard (MAR), une proc\u00e9dure d’imputation multiple par \u00e9quations cha\u00een\u00e9es (via le package mice<\/em>) doit \u00eatre envisag\u00e9e en amont pour \u00e9viter l’introduction de distorsions syst\u00e9matiques d’\u00e9chantillonnage.<\/p>\n

2.3 V\u00e9rification du typage des variables et encodage des facteurs<\/h3>\n

L’une des sources d’erreurs les plus pernicieuses lors de l’ajustement d’un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 sous R r\u00e9side dans l’ambigu\u00eft\u00e9 du typage de la variable d\u00e9pendante. La fonction glm()<\/em> tol\u00e8re une variable r\u00e9ponse cod\u00e9e sous forme num\u00e9rique binaire (vecteur d’entiers ne contenant rigoureusement que des 0 et des 1), sous forme de facteur \u00e0 deux modalit\u00e9s ou sous forme de vecteur logique (TRUE\/FALSE). Cependant, pour garantir une interpr\u00e9tation univoque et un contr\u00f4le total sur l’\u00e9v\u00e9nement mod\u00e9lis\u00e9, l’encodage explicite en facteur \u00e0 l’aide de la fonction factor()<\/em> est la d\u00e9marche recommand\u00e9e. R consid\u00e8re par d\u00e9faut la premi\u00e8re modalit\u00e9 du facteur (par ordre alphanum\u00e9rique) comme la modalit\u00e9 de r\u00e9f\u00e9rence (valeur 0), et la seconde modalit\u00e9 comme l’\u00e9v\u00e9nement cible d’int\u00e9r\u00eat (valeur 1). Si le facteur contient les \u00e9tiquettes \u00ab\u00a0Non-r\u00e9mission\u00a0\u00bb et \u00ab\u00a0R\u00e9mission\u00a0\u00bb, le mod\u00e8le estimera par d\u00e9faut la probabilit\u00e9 de r\u00e9mission.<\/p>\n

Une vigilance redoubl\u00e9e s’impose lorsque la variable binaire est import\u00e9e sous forme de cha\u00eenes textuelles telles que \u00ab\u00a0Echec\u00a0\u00bb et \u00ab\u00a0Succes\u00a0\u00bb, car l’ordre alphab\u00e9tique d\u00e9signerait involontairement \u00ab\u00a0Echec\u00a0\u00bb comme modalit\u00e9 de base (0) et \u00ab\u00a0Succes\u00a0\u00bb comme modalit\u00e9 cible (1), ce qui est coh\u00e9rent. Mais dans le cas de couples lexicaux comme \u00ab\u00a0Contr\u00f4le\u00a0\u00bb et \u00ab\u00a0Cas\u00a0\u00bb, l’ordre alphab\u00e9tique attribue le niveau de base \u00e0 \u00ab\u00a0Cas\u00a0\u00bb, inversant int\u00e9gralement la direction de tous les coefficients log-odds estim\u00e9s. Il convient d’utiliser syst\u00e9matiquement la fonction relevel()<\/em> ou de sp\u00e9cifier l’argument levels<\/em> dans factor()<\/em> pour fixer intentionnellement et sans \u00e9quivoque la modalit\u00e9 de r\u00e9f\u00e9rence.<\/p>\n

Les pr\u00e9dicteurs qualitatifs ind\u00e9pendants doivent \u00e9galement faire l’objet d’un examen rigoureux. Les variables nominales sans hi\u00e9rarchie (par exemple, le centre de traitement ou le sous-type d\u00e9pressif : m\u00e9lancolique, atypique, r\u00e9actionnel) doivent \u00eatre converties en facteurs non ordonn\u00e9s, g\u00e9n\u00e9rant automatiquement un codage en variables indicatrices (dummy coding<\/em>) o\u00f9 chaque modalit\u00e9 non basale est compar\u00e9e \u00e0 la cat\u00e9gorie de r\u00e9f\u00e9rence choisie. Pour les pr\u00e9dicteurs ordinaux (tels que les paliers de scolarit\u00e9 : primaire, secondaire, sup\u00e9rieur), le chercheur doit arbitrer entre un encodage en facteur ordonn\u00e9 g\u00e9n\u00e9rant des contrastes polynomiaux (lin\u00e9aire, quadratique), souvent ardus \u00e0 interpr\u00e9ter, ou la conversion en facteur nominal standard avec contrastes de traitement, privil\u00e9giant la clart\u00e9 des comparaisons binaires par rapport \u00e0 un seuil \u00e9ducatif de r\u00e9f\u00e9rence.<\/p>\n

3. Exploration pr\u00e9alable des donn\u00e9es et analyse descriptive bivari\u00e9e<\/h2>\n

3.1 Examen de la distribution de la variable d\u00e9pendante<\/h3>\n

Avant d’engager la moindre d\u00e9marche d’inf\u00e9rence multivari\u00e9e, le diagnostic de la pr\u00e9valence marginale de l’\u00e9v\u00e9nement cible dans l’\u00e9chantillon d’\u00e9tude s’av\u00e8re indispensable. Dans le cadre de notre cohorte psychom\u00e9trique, il convient de calculer les fr\u00e9quences absolues et relatives de la variable de r\u00e9mission \u00e0 l’aide de tableaux de comptage et de proportions. Si sur 600 patients, 240 connaissent une r\u00e9mission et 360 maintiennent leur \u00e9tat d\u00e9pressif, la pr\u00e9valence observ\u00e9e s’\u00e9tablit \u00e0 40 %, ce qui repr\u00e9sente une r\u00e9partition \u00e9quilibr\u00e9e offrant des conditions de puissance statistique id\u00e9ales pour l’estimation par le maximum de vraisemblance.<\/p>\n

En psychopathologie et en neuropsychologie clinique, les chercheurs sont cependant fr\u00e9quemment confront\u00e9s au d\u00e9fi m\u00e9thodologique du d\u00e9s\u00e9quilibre de classes (class imbalance<\/em>), survenant lorsque l’\u00e9v\u00e9nement pathologique \u00e9tudi\u00e9 est rare dans la population g\u00e9n\u00e9rale (par exemple, un passage \u00e0 l’acte suicidaire, un diagnostic de psychose pr\u00e9coce ou une sortie pr\u00e9matur\u00e9e d’institution, n’affectant parfois que 2 % \u00e0 5 % de la cohorte). Lorsque la pr\u00e9valence chute en dessous de 10 %, les algorithmes d’estimation standard du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 subissent une compression de variance, et la matrice de pr\u00e9diction tend \u00e0 sous-estimer syst\u00e9matiquement la probabilit\u00e9 de survenue de l’\u00e9v\u00e9nement minoritaire. Ce ph\u00e9nom\u00e8ne n\u00e9cessite une d\u00e9tection pr\u00e9coce, car il peut imposer le recours ult\u00e9rieur \u00e0 des p\u00e9nalisations sp\u00e9cifiques (telle que la r\u00e9gression logistique de Firth) ou \u00e0 des strat\u00e9gies de r\u00e9\u00e9chantillonnage adapt\u00e9es.<\/p>\n

La transcription visuelle de cette distribution initiale s’op\u00e8re \u00e9l\u00e9gamment \u00e0 l’aide de la grammaire des graphiques du package ggplot2<\/em>. Un diagramme en barres \u00e9l\u00e9gant, param\u00e9tr\u00e9 avec des pourcentages normalis\u00e9s sur l’axe des ordonn\u00e9es et une palette chromatique accessible, permet d’appr\u00e9hender instantan\u00e9ment le ratio d’asym\u00e9trie de la variable d\u00e9pendante, servant de r\u00e9f\u00e9rence de base (le mod\u00e8le nul) auquel tout gain d’ajustement ult\u00e9rieur sera compar\u00e9.<\/p>\n

3.2 Analyse descriptive des covariables selon l’\u00e9tat de la variable r\u00e9ponse<\/h3>\n

L’\u00e9tape exploratoire subs\u00e9quente repose sur le croisement bivari\u00e9 syst\u00e9matique entre chaque variable explicative candidate et la variable d\u00e9pendante dichotomis\u00e9e. Pour les variables quantitatives continues (scores psychom\u00e9triques d’anxi\u00e9t\u00e9 BAI, score d’alliance th\u00e9rapeutique WAI, \u00e2ge), il est requis de calculer non seulement les moyennes et les \u00e9carts-types, mais \u00e9galement les m\u00e9dianes et les intervalles interquartiles, ventil\u00e9s selon que les individus appartiennent au groupe \u00ab\u00a0R\u00e9mission\u00a0\u00bb ou \u00ab\u00a0Non-r\u00e9mission\u00a0\u00bb. Une disparit\u00e9 substantielle des m\u00e9dianes entre les deux strates fournit une premi\u00e8re indication empirique sur la force de discrimination univari\u00e9e du pr\u00e9dicteur envisag\u00e9.<\/p>\n

La repr\u00e9sentation graphique de ces associations univari\u00e9es continues s’articule autour de bo\u00eetes \u00e0 moustaches comparatives (boxplots<\/em>) superpos\u00e9es de nuages de points jitteris\u00e9s (dispersion al\u00e9atoire fine), r\u00e9v\u00e9lant la pr\u00e9sence potentielle d’asym\u00e9tries distributionnelles, de planchers de mesure ou d’observations extr\u00eames univari\u00e9es. Un graphique montrant que les scores d’alliance th\u00e9rapeutique se concentrent massivement vers le haut chez les patients en r\u00e9mission, tandis qu’ils s’\u00e9talent vers les valeurs basses chez les non-r\u00e9pondeurs, constitue un puissant argument visuel pr\u00e9liminaire.<\/p>\n

Pour les covariables qualitatives discr\u00e8tes (par exemple, la pr\u00e9sence d’une comorbidit\u00e9 anxieuse ou la typologie de l’intervention), l’analyse descriptive s’appuie sur la g\u00e9n\u00e9ration de tableaux de contingence crois\u00e9s \u00e0 double entr\u00e9e (tableaux 2×2 ou 2xK). Ces tableaux doivent imp\u00e9rativement afficher \u00e0 la fois les effectifs marginaux observ\u00e9s et les pourcentages en ligne ou en colonne. L’application d’un test d’ind\u00e9pendance du Chi-carr\u00e9 de Pearson (avec correction de continuit\u00e9 de Yates pour les tables 2×2) ou du test exact de Fisher (indispensable lorsque certains effectifs th\u00e9oriques calcul\u00e9s sous l’hypoth\u00e8se nulle d’ind\u00e9pendance sont inf\u00e9rieurs \u00e0 5) permet de rejeter formellement l’absence d’association bivari\u00e9e avant toute complexification math\u00e9matique.<\/p>\n

3.3 D\u00e9tection pr\u00e9coce des probl\u00e8mes de quasi-s\u00e9paration<\/h3>\n

L’un des \u00e9cueils techniques les plus insidieux et d\u00e9vastateurs de la r\u00e9gression logistique r\u00e9side dans le ph\u00e9nom\u00e8ne de s\u00e9paration compl\u00e8te (complete separation<\/em>) ou de quasi-s\u00e9paration (quasi-complete separation<\/em>), identifi\u00e9 pour la premi\u00e8re fois de mani\u00e8re formelle par Albert et Anderson (1984). La s\u00e9paration compl\u00e8te survient lorsqu’un pr\u00e9dicteur univari\u00e9 (ou une combinaison lin\u00e9aire de plusieurs pr\u00e9dicteurs) permet de classifier parfaitement et sans la moindre erreur la variable d\u00e9pendante pour toutes les observations de l’\u00e9chantillon. Par exemple, si l’ensemble des patients ayant un score d’anxi\u00e9t\u00e9 sup\u00e9rieur \u00e0 45 \u00e9chouent syst\u00e9matiquement \u00e0 atteindre la r\u00e9mission, tandis que tous ceux en de\u00e7\u00e0 de 45 y parviennent sans aucune exception, il existe un point de rupture absolu s\u00e9parant les deux populations.<\/p>\n

La quasi-s\u00e9paration est une variante plus pernicieuse o\u00f9 la s\u00e9paration est parfaite \u00e0 l’exception d’un sous-ensemble d’observations partageant exactement la m\u00eame valeur fronti\u00e8re, ou lorsqu’une cellule d’une table crois\u00e9e entre deux variables qualitatives pr\u00e9sente un effectif strictement \u00e9gal \u00e0 z\u00e9ro (par exemple, aucun patient du sous-type d\u00e9pressif atypique n’a obtenu de r\u00e9mission clinique). D’un point de vue math\u00e9matique, la pr\u00e9sence d’une s\u00e9paration parfaite signifie que pour maximiser la vraisemblance, le coefficient de r\u00e9gression beta associ\u00e9 \u00e0 ce pr\u00e9dicteur doit converger vers plus ou moins l’infini. En cons\u00e9quence directe, l’algorithme IRLS \u00e9choue \u00e0 stabiliser son estimation : la d\u00e9viance cesse de d\u00e9cro\u00eetre, le mod\u00e8le diverge num\u00e9riquement, et la console R \u00e9met un avertissement explicite signalant que des probabilit\u00e9s ajust\u00e9es num\u00e9riquement \u00e9gales \u00e0 0 ou 1 sont apparues.<\/p>\n

Le sympt\u00f4me statistique le plus r\u00e9v\u00e9lateur de la quasi-s\u00e9paration dans la table de r\u00e9sultats de R est l’explosion invraisemblable de l’erreur-type du coefficient associ\u00e9 (souvent affich\u00e9e \u00e0 des valeurs aberrantes de plusieurs centaines ou milliers, comme SE = 3452,8), conduisant paradoxalement \u00e0 une statistique de Wald proche de z\u00e9ro et \u00e0 une valeur-p non significative de 0,999 ou 1,000 pour un pr\u00e9dicteur qui est pourtant parfaitement pr\u00e9dictif. L’inspection m\u00e9ticuleuse des tables crois\u00e9es en amont de la mod\u00e9lisation permet d’identifier ces cellules vides. Si la situation se pr\u00e9sente, le chercheur doit op\u00e9rer un regroupement conceptuel de modalit\u00e9s (collapsing categories<\/em>), exclure la variable probl\u00e9matique ou opter pour une approche bay\u00e9sienne p\u00e9nalis\u00e9e telle que la m\u00e9thode de r\u00e9gression logistique de Firth impl\u00e9ment\u00e9e dans le package logistf<\/em>.<\/p>\n

4. V\u00e9rification rigoureuse des postulats de la r\u00e9gression logistique<\/h2>\n

4.1 Test de lin\u00e9arit\u00e9 du logit pour les variables continues<\/h3>\n

Bien que la r\u00e9gression logistique s’affranchisse de l’hypoth\u00e8se de normalit\u00e9 r\u00e9siduelle propre au mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral, elle n’est pas pour autant exempte de postulats param\u00e9triques structurels. L’exigence la plus fondamentale concerne l’hypoth\u00e8se de lin\u00e9arit\u00e9 : la relation entre chaque pr\u00e9dicteur quantitatif continu et la variable d\u00e9pendante doit imp\u00e9rativement \u00eatre lin\u00e9aire sur l’\u00e9chelle du logit. Cela signifie que l’effet d’une augmentation d’un point sur le score psychom\u00e9trique de base doit induire une modification constante des log-odds de l’\u00e9v\u00e9nement, quel que soit le niveau initial de l’individu sur cette \u00e9chelle.<\/p>\n

La m\u00e9thode empirique de r\u00e9f\u00e9rence pour tester formellement ce postulat est le test de transformation de Box-Tidwell<\/a>. Ce test consiste \u00e0 introduire dans le mod\u00e8le de r\u00e9gression un terme d’interaction suppl\u00e9mentaire entre la variable continue candidate (not\u00e9e X) et son propre logarithme naturel, soit le terme produit X * ln(X). Dans la mesure o\u00f9 le logarithme naturel n’est d\u00e9fini que pour des valeurs strictement positives, il est imp\u00e9ratif d’ajouter une constante positive unitaire \u00e0 toute variable psychom\u00e9trique susceptible de comporter des valeurs nulles ou n\u00e9gatives avant le calcul. Si le coefficient associ\u00e9 \u00e0 cette interaction non lin\u00e9aire s’av\u00e8re statistiquement significatif au seuil conventionnel de p < 0,05, le postulat de lin\u00e9arit\u00e9 du logit est viol\u00e9 pour cette variable sp\u00e9cifique.<\/p>\n

En cas de non-respect de ce postulat, le chercheur dispose d’alternatives m\u00e9thodologiques pour visualiser et corriger la non-lin\u00e9arit\u00e9. L’int\u00e9gration de fonctions splines de lissage ou l’ajustement d’un mod\u00e8le additif g\u00e9n\u00e9ralis\u00e9 (GAM) via le package mgcv<\/em> permet de tracer visuellement la fonction de lien empirique. Si la d\u00e9viation observ\u00e9e pr\u00e9sente une allure quadratique en U ou en U invers\u00e9 (par exemple, un niveau mod\u00e9r\u00e9 d’anxi\u00e9t\u00e9 favorisant la r\u00e9mission th\u00e9rapeutique alors qu’une anxi\u00e9t\u00e9 nulle ou paralysante l’inhibe), l’introduction d’un terme polynomial au carr\u00e9 (I(X^2)) ou la discr\u00e9tisation th\u00e9oriquement motiv\u00e9e de la variable en tranches cliniques permet de restaurer la validit\u00e9 interne du mod\u00e8le.<\/p>\n

4.2 \u00c9valuation de la multicolin\u00e9arit\u00e9 entre pr\u00e9dicteurs<\/h3>\n

Dans la recherche psychologique et neuropsychologique, les pr\u00e9dicteurs int\u00e9gr\u00e9s dans un m\u00eame protocole partagent fr\u00e9quemment un socle de variance substantiel en raison du chevauchement conceptuel des construits mesur\u00e9s. Ainsi, l’anxi\u00e9t\u00e9 \u00e9tat, la d\u00e9pression et le stress per\u00e7u pr\u00e9sentent des corr\u00e9lations inter-\u00e9chelles \u00e9lev\u00e9es. La pr\u00e9sence d’une multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re ne biaise pas directement l’estimation ponctuelle des coefficients du mod\u00e8le, mais elle gonfle de mani\u00e8re artificielle la variance d’\u00e9chantillonnage de ces estimateurs. Les erreurs-types deviennent disproportionn\u00e9es, provoquant une perte catastrophique de puissance statistique qui emp\u00eache les pr\u00e9dicteurs pertinents d’atteindre le seuil de significativit\u00e9 individuel, et rend les signes des coefficients hautement instables \u00e0 la moindre modification de l’\u00e9chantillon.<\/p>\n

Le diagnostic de colin\u00e9arit\u00e9 s’op\u00e8re par le calcul syst\u00e9matique du facteur d’inflation de la variance (VIF, Variance Inflation Factor<\/em>) et de son pendant math\u00e9matique inverse, la tol\u00e9rance (\u00e9gale \u00e0 1 \/ VIF). Sous R, l’\u00e9valuation s’ex\u00e9cute \u00e0 l’aide de la fonction vif()<\/em> issue du package car<\/em>, appliqu\u00e9e directement sur l’objet de r\u00e9gression logistique ajust\u00e9. Le VIF quantifie la proportion de variance d’un pr\u00e9dicteur donn\u00e9 qui est expliqu\u00e9e par l’ensemble des autres variables ind\u00e9pendantes incluses dans le mod\u00e8le : un VIF de 1 indique une absence totale de corr\u00e9lation avec les autres covariables, tandis qu’un VIF sup\u00e9rieur signale un gonflement proportionnel de la variance de son coefficient.<\/p>\n

Dans la litt\u00e9rature m\u00e9thodologique contemporaine, les seuils critiques d’alerte font l’objet d’un consensus nuanc\u00e9. Un VIF exc\u00e9dant 5 (correspondant \u00e0 une tol\u00e9rance inf\u00e9rieure \u00e0 0,20) doit inciter le chercheur \u00e0 la prudence, tandis qu’un VIF sup\u00e9rieur \u00e0 10 (tol\u00e9rance < 0,10) signale une multicolin\u00e9arit\u00e9 critique inacceptable exigeant une rem\u00e9diation imm\u00e9diate. Face \u00e0 une telle redondance empirique, plusieurs strat\u00e9gies sont recevables : l’agr\u00e9gation statistique des \u00e9chelles redondantes en un score composite de d\u00e9tresse psychologique globale par analyse en composantes principales, l’\u00e9limination motiv\u00e9e de la variable la moins robuste sur le plan th\u00e9orique, ou l’utilisation de m\u00e9thodes de p\u00e9nalisation comme la r\u00e9gression Ridge ou Elastic Net.<\/p>\n

4.3 Diagnostic de l’ind\u00e9pendance des erreurs et de la surdispersion<\/h3>\n

Le postulat d’ind\u00e9pendance conditionnelle stipule que les observations collig\u00e9es dans l’\u00e9chantillon doivent \u00eatre mutuellement ind\u00e9pendantes, ce qui signifie que la probabilit\u00e9 d’occurrence de l’\u00e9v\u00e9nement pour un individu ne doit en aucun cas \u00eatre influenc\u00e9e par celle d’un autre participant du jeu de donn\u00e9es. Ce postulat fondamental est irr\u00e9m\u00e9diablement viol\u00e9 lorsque les donn\u00e9es proviennent de protocoles longitudinaux avec mesures r\u00e9p\u00e9t\u00e9es intra-sujets (par exemple, des \u00e9valuations \u00e9cologiques momentan\u00e9es sur smartphone plusieurs fois par jour), de designs hi\u00e9rarchiques ou de regroupements naturels (patients imbriqu\u00e9s au sein de diff\u00e9rents th\u00e9rapeutes, ou \u00e9l\u00e8ves au sein de classes scolaires distinctes). Dans ces configurations clusteris\u00e9es, l’utilisation de la r\u00e9gression logistique standard sous-estime drastiquement les erreurs-types et produit des taux alarmants de faux positifs (erreur de type I) ; il convient alors d’abandonner le GLM simple au profit des mod\u00e8les lin\u00e9aires mixtes g\u00e9n\u00e9ralis\u00e9s (GLMM via le package lme4<\/em>) ou des \u00e9quations d’estimation g\u00e9n\u00e9ralis\u00e9es (GEE via geepack<\/em>).<\/p>\n

Un autre dysfonctionnement statistique potentiel propre aux donn\u00e9es binaires regroup\u00e9es (par exemple, si les donn\u00e9es sont structur\u00e9es sous forme de proportions de succ\u00e8s par groupe exp\u00e9rimental plut\u00f4t que sous forme de donn\u00e9es individuelles Bernoulli) est le ph\u00e9nom\u00e8ne de surdispersion (overdispersion<\/em>). La surdispersion caract\u00e9rise une situation o\u00f9 la variance r\u00e9siduelle empirique observ\u00e9e d\u00e9passe la variance th\u00e9orique postul\u00e9e par la loi binomiale. Elle d\u00e9coule fr\u00e9quemment de l’omission de pr\u00e9dicteurs pertinents ou d’une corr\u00e9lation r\u00e9siduelle positive non mod\u00e9lis\u00e9e entre les individus d’un m\u00eame groupe.<\/p>\n

Le diagnostic de surdispersion sous R s’\u00e9value en examinant le ratio entre la d\u00e9viance r\u00e9siduelle du mod\u00e8le et le nombre de degr\u00e9s de libert\u00e9 r\u00e9siduels associ\u00e9s. Si ce quotient est substantiellement sup\u00e9rieur \u00e0 1 (par exemple > 1,5 ou 2,0), une surdispersion probl\u00e9matique est av\u00e9r\u00e9e. Pour restaurer l’int\u00e9grit\u00e9 des inf\u00e9rences sans modifier la valeur ponctuelle des coefficients, le statisticien peut sp\u00e9cifier la famille quasibinomial<\/em> au sein de la fonction glm()<\/em> de R. Cette sp\u00e9cification introduit un param\u00e8tre d’\u00e9chelle libre calcul\u00e9 d’apr\u00e8s les r\u00e9sidus de Pearson, qui repond\u00e8re proportionnellement les erreurs-types des coefficients par la racine carr\u00e9e du param\u00e8tre de dispersion, ajustant rigoureusement les tests d’hypoth\u00e8ses et les valeurs-p.<\/p>\n

5. Ajustement du mod\u00e8le de r\u00e9gression logistique binaire avec la fonction glm()<\/h2>\n

5.1 Syntaxe fondamentale et param\u00e9trage du mod\u00e8le univari\u00e9<\/h3>\n

Dans l’architecture native du logiciel R, l’ajustement de mod\u00e8les statistiques avanc\u00e9s s’appuie sur une coh\u00e9rence syntaxique remarquable. L’outil fondamental pour calibrer un mod\u00e8le logistique binaire est la fonction glm()<\/em>, acronyme de Generalized Linear Models<\/em>. Contrairement \u00e0 la r\u00e9gression lin\u00e9aire simple qui fait appel \u00e0 la fonction lm()<\/em>, l’appel de glm()<\/em> requiert la sp\u00e9cification formelle de la structure d’erreur distributionnelle et de la fonction de lien canonique associ\u00e9e, transmises par l’interm\u00e9diaire de l’argument family<\/em>.<\/p>\n

La syntaxe canonique d’un mod\u00e8le univari\u00e9 pr\u00e9disant notre variable clinique dichotomique de r\u00e9mission par le niveau d’anxi\u00e9t\u00e9 initial se formule par l’\u00e9criture : glm(formula = remission ~ anxiete_bai, data = df_clinique, family = binomial(link = \u00ab\u00a0logit\u00a0\u00bb))<\/em>. Le param\u00e8tre family = binomial<\/em> informe le moteur computationnel que la variable d\u00e9pendante est distribu\u00e9e selon une loi binomiale (ou de Bernoulli dans le cas individuel), tandis que l’argument explicite link = \u00ab\u00a0logit\u00a0\u00bb<\/em> verrouille la transformation logarithmique des cotes. Si l’argument de lien est omis, R adopte par d\u00e9faut le logit pour la famille binomiale, mais sa mention explicite garantit une transparence programmatique irr\u00e9prochable au sein des scripts de recherche.<\/p>\n

L’ex\u00e9cution de cette commande produit un objet complexe de classe glm<\/em> et lm<\/em>. Pour ausculter les r\u00e9sultats g\u00e9n\u00e9r\u00e9s, l’appel de la fonction g\u00e9n\u00e9rique summary(modele_univarie)<\/em> d\u00e9ploie dans la console l’ensemble des composantes inf\u00e9rentielles : le rappel de la formule, la distribution synth\u00e9tique des r\u00e9sidus de d\u00e9viance, le tableau des coefficients estim\u00e9s assortis de leurs erreurs-types asymptotiques, les statistiques de test de Wald, les valeurs-p associ\u00e9es, ainsi que les m\u00e9triques de d\u00e9viance nulle, de d\u00e9viance r\u00e9siduelle et le crit\u00e8re d’information d’Akaike (AIC).<\/p>\n

5.2 Extension vers le mod\u00e8le multivari\u00e9 additif<\/h3>\n

L’ambition premi\u00e8re de la mod\u00e9lisation en sciences du comportement r\u00e9side dans l’estimation conjointe de multiples d\u00e9terminants psychologiques et environnementaux, tout en neutralisant statistiquement l’impact de facteurs de confusion d\u00e9mographiques (confounders<\/em>). L’extension vers le mod\u00e8le logistique multivari\u00e9 s’effectue dans R par l’ajout additif de termes dans la formule de r\u00e9gression, s\u00e9par\u00e9s par l’op\u00e9rateur arithm\u00e9tique d’addition \u00ab\u00a0+\u00a0\u00bb.<\/p>\n

Consid\u00e9rons un mod\u00e8le multivari\u00e9 th\u00e9oriquement motiv\u00e9 int\u00e9grant \u00e0 la fois le score d’anxi\u00e9t\u00e9 initiale (variable continue), le score d’alliance th\u00e9rapeutique pr\u00e9coce (variable continue), le sous-type de d\u00e9pression (facteur qualitatif \u00e0 trois modalit\u00e9s : m\u00e9lancolique, atypique, r\u00e9actionnelle) et les covariables de contr\u00f4le que sont l’\u00e2ge et le niveau d’\u00e9ducation. La syntaxe prend alors la forme : glm(formula = remission ~ anxiete_bai + alliance_wai + subtype_dep + age + education, data = df_clinique, family = binomial(link = \u00ab\u00a0logit\u00a0\u00bb))<\/em>. R se charge de transformer automatiquement le facteur qualitatif du sous-type d\u00e9pressif en k – 1 variables binaires indicatrices, en omettant par d\u00e9faut la modalit\u00e9 de r\u00e9f\u00e9rence pour pr\u00e9venir toute singularit\u00e9 matricielle.<\/p>\n

Cette approche multivari\u00e9e permet de proc\u00e9der \u00e0 un ajustement mutuel rigoureux : le coefficient partiel obtenu pour l’alliance th\u00e9rapeutique refl\u00e8te l’effet propre de la qualit\u00e9 de la relation soignant-soign\u00e9 sur la probabilit\u00e9 de r\u00e9mission, \u00e0 niveau d’anxi\u00e9t\u00e9 initial, \u00e2ge, scolarit\u00e9 et sous-type de trouble parfaitement constants. Il est \u00e9galement possible d’employer une notation abr\u00e9g\u00e9e sous R, telle que remission ~ .<\/em>, qui ordonne d’inclure toutes les autres colonnes pr\u00e9sentes dans la table de donn\u00e9es comme pr\u00e9dicteurs. Cependant, cette pratique est vivement d\u00e9conseill\u00e9e dans les protocoles de recherche rigoureux, car elle risque d’incorporer \u00e0 l’insu de l’analyste des identifiants de patients, des m\u00e9tadonn\u00e9es ou des variables post-traitement constituant des collisionneurs (colliders<\/em>) susceptibles de g\u00e9n\u00e9rer des biais d’endog\u00e9n\u00e9it\u00e9 majeurs.<\/p>\n

5.3 S\u00e9lection de mod\u00e8les et crit\u00e8res d’information<\/h3>\n

Une question r\u00e9currente en mod\u00e9lisation concerne l’arbitrage entre la parcimonie du mod\u00e8le (privil\u00e9gier le plus petit nombre possible de param\u00e8tres) et sa compl\u00e9tude explicative (maximiser l’ajustement aux donn\u00e9es empiriques). Pour comparer formellement des mod\u00e8les concurrents embo\u00eet\u00e9s (c’est-\u00e0-dire un mod\u00e8le restreint M1 dont les variables constituent un sous-ensemble strict d’un mod\u00e8le plus \u00e9tendu M2), la d\u00e9marche classique repose sur l’analyse de d\u00e9viance par le test du rapport de vraisemblance (Likelihood Ratio Test<\/em> ou LRT). Sous R, ce test s’ex\u00e9cute en fournissant les deux objets de r\u00e9gression \u00e0 la fonction anova(modele_reduit, modele_complet, test = \u00ab\u00a0LRT\u00a0\u00bb)<\/em>, qui confronte la baisse de d\u00e9viance observ\u00e9e \u00e0 la distribution du Chi-carr\u00e9 au prorata de la diff\u00e9rence de degr\u00e9s de libert\u00e9.<\/p>\n

Pour la comparaison de mod\u00e8les non embo\u00eet\u00e9s ou issus de th\u00e9ories concurrentes, les chercheurs recourent aux crit\u00e8res d’information p\u00e9nalis\u00e9s : le crit\u00e8re d’Akaike (AIC, Akaike Information Criterion<\/em>) et le crit\u00e8re bay\u00e9sien de Schwarz (BIC, Bayesian Information Criterion<\/em>), calculables respectivement via les fonctions AIC()<\/em> et BIC()<\/em>. L’AIC quantifie la perte relative d’information en introduisant une p\u00e9nalit\u00e9 \u00e9gale \u00e0 deux fois le nombre de param\u00e8tres estim\u00e9s (2k), favorisant des mod\u00e8les pr\u00e9dictifs riches. Le BIC applique une p\u00e9nalit\u00e9 plus s\u00e9v\u00e8re proportionnelle au logarithme n\u00e9p\u00e9rien de la taille de l’\u00e9chantillon (k * ln(N)), favorisant la parcimonie et la d\u00e9tection de la v\u00e9ritable structure g\u00e9n\u00e9ratrice des donn\u00e9es. Dans les deux cas, le mod\u00e8le pr\u00e9sentant la valeur la plus faible est consid\u00e9r\u00e9 comme statistiquement optimal.<\/p>\n

Il est capital de souligner les dangers m\u00e9thodologiques li\u00e9s aux algorithmes de s\u00e9lection automatique pas-\u00e0-pas (stepwise selection<\/em> ascendante, descendante ou bidirectionnelle via la fonction step()<\/em>). Bien que populaires par le pass\u00e9, ces proc\u00e9dures empiriques aveugles sont aujourd’hui massivement r\u00e9prouv\u00e9es par les statisticiens m\u00e9thodologues. Elles exploitent le bruit d’\u00e9chantillonnage, entra\u00eenent une inflation incontr\u00f4lable du taux d’erreur de type I, biaisent positivement l’amplitude des coefficients retenus et g\u00e9n\u00e8rent des erreurs-types artificiellement \u00e9troites en occultant l’incertitude inh\u00e9rente au processus m\u00eame de s\u00e9lection. En psychologie clinique, la s\u00e9lection des pr\u00e9dicteurs doit imp\u00e9rativement d\u00e9couler d’un cadre conceptuel d\u00e9duit a priori, de m\u00e9ta-analyses pr\u00e9existantes ou de diagrammes causaux orient\u00e9s (DAG).<\/p>\n

6. Interpr\u00e9tation statistique et psychologique des coefficients estim\u00e9s<\/h2>\n

6.1 Compr\u00e9hension des coefficients bruts en log-odds<\/h3>\n

L’affichage produit par la fonction summary()<\/em> d’un mod\u00e8le logistique g\u00e9n\u00e8re une colonne de coefficients d\u00e9sign\u00e9s sous l’appellation \u00ab\u00a0Estimate\u00a0\u00bb. L’une des difficult\u00e9s p\u00e9dagogiques majeures de la r\u00e9gression logistique r\u00e9side dans le fait que ces coefficients bruts n’expriment pas des modifications directes de pourcentages ou de probabilit\u00e9s, mais traduisent des variations quantifi\u00e9es sur l’\u00e9chelle abstraite des logarithmes de cotes (log-odds). Pour interpr\u00e9ter correctement ces valeurs, le chercheur doit ma\u00eetriser la m\u00e9trique sous-jacente.<\/p>\n

L’ordonn\u00e9e \u00e0 l’origine, ou constante du mod\u00e8le (beta_0, l’Intercept<\/em>), repr\u00e9sente la valeur attendue du logit de la variable r\u00e9ponse lorsque l’ensemble des pr\u00e9dicteurs continus et qualitatifs inclus dans l’\u00e9quation sont strictement nuls. Si tous les pr\u00e9dicteurs ont \u00e9t\u00e9 pr\u00e9alablement centr\u00e9s sur leur moyenne empirique, l’exponentielle de cet intercepte donne la cote moyenne de base de r\u00e9mission clinique dans l’\u00e9chantillon. En revanche, si les variables continues ne sont pas centr\u00e9es, cet intercepte peut repr\u00e9senter le log-odds d’un individu d’\u00e2ge z\u00e9ro et d’anxi\u00e9t\u00e9 nulle, une valeur d\u00e9nu\u00e9e de sens psychologique mais math\u00e9matiquement n\u00e9cessaire \u00e0 l’ajustement du plan de r\u00e9gression.<\/p>\n

Les coefficients de pente (beta_j) indiquent la variation du logarithme de cote associ\u00e9e \u00e0 l’augmentation d’une unit\u00e9 de mesure sur le pr\u00e9dicteur X_j correspondant, toutes les autres covariables du mod\u00e8le \u00e9tant maintenues rigoureusement constantes. Un coefficient n\u00e9gatif, tel qu’un beta de -0,045 associ\u00e9 \u00e0 l’\u00e9chelle d’anxi\u00e9t\u00e9 de Beck, indique qu’\u00e0 chaque point suppl\u00e9mentaire d’anxi\u00e9t\u00e9 initiale, le log-odds de r\u00e9mission diminue de 0,045. Pour chaque param\u00e8tre, R calcule la statistique de Wald en divisant le coefficient estim\u00e9 par son erreur-type asymptotique (z = beta \/ SE). Sous l’hypoth\u00e8se nulle d’un effet nul dans la population parente, ce ratio suit asymptotiquement une loi normale centr\u00e9e r\u00e9duite N(0,1), autorisant le calcul de la valeur-p bilat\u00e9rale.<\/p>\n

6.2 Conversion en rapports de cotes (Odds Ratios) et calcul des intervalles de confiance<\/h3>\n

L’abstraction conceptuelle inh\u00e9rente aux log-odds rend leur communication ardue aupr\u00e8s des cliniciens, des d\u00e9cideurs de sant\u00e9 et des comit\u00e9s \u00e9ditoriaux. L’usage acad\u00e9mique universel commande donc de transformer ces coefficients additifs en une m\u00e9trique multiplicative universellement comprise : le rapport de cotes, internationalement d\u00e9sign\u00e9 sous l’acronyme OR pour Odds Ratio<\/em>. L’obtention de l’Odds Ratio s’effectue par une simple op\u00e9ration d’exponentiation du coefficient estim\u00e9 : OR = exp(beta).<\/p>\n

Sous R, cette transformation s’applique directement sur le vecteur des coefficients du mod\u00e8le via la fonction exp(coef(modele))<\/em>. Pour \u00e9valuer la pr\u00e9cision statistique de cette estimation ponctuelle, il est obligatoire de calculer son intervalle de confiance \u00e0 95 %. Deux m\u00e9thodologies computationnelles s’opposent ici : l’approche standard de Wald, qui calcule l’intervalle sym\u00e9trique en ajoutant et retranchant 1,96 fois l’erreur-type avant d’exponentier (exp(confint.default(modele))<\/em>), et la m\u00e9thode plus robuste de la vraisemblance profil\u00e9e (profile likelihood confidence intervals<\/em>), invoqu\u00e9e nativement par la commande exp(confint(modele))<\/em>. L’intervalle profil\u00e9 est asym\u00e9trique et offre une couverture probabiliste nettement sup\u00e9rieure lorsque la taille de l’\u00e9chantillon est mod\u00e9r\u00e9e ou que les distributions sont asym\u00e9triques.<\/p>\n

L’interpr\u00e9tation clinique de l’Odds Ratio s’organise rigoureusement autour du seuil critique de 1,00, qui mat\u00e9rialise l’absence totale d’effet :<\/p>\n