{"id":4941,"date":"2026-10-14T18:01:20","date_gmt":"2026-10-14T18:01:20","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comprendre-hypothese-nulle-regression-logistique\/"},"modified":"2026-10-14T18:01:20","modified_gmt":"2026-10-14T18:01:20","slug":"comprendre-hypothese-nulle-regression-logistique","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comprendre-hypothese-nulle-regression-logistique","title":{"rendered":"Comprendre l’hypoth\u00e8se nulle pour la r\u00e9gression logistique"},"content":{"rendered":"

Dans le paysage contemporain de la recherche en psychologie clinique, cognitive et comportementale, la mod\u00e9lisation statistique des processus mentaux et des issues diagnostiques s’est largement \u00e9mancip\u00e9e du cadre restreint de l’analyse lin\u00e9aire classique. Lorsque les cliniciens et chercheurs s’interrogent sur la probabilit\u00e9 qu’un patient r\u00e9ponde favorablement \u00e0 une psychoth\u00e9rapie, pr\u00e9sente une rechute d\u00e9pressive, ou \u00e9choue \u00e0 une t\u00e2che attentionnelle de d\u00e9tection de signal, la variable d’int\u00e9r\u00eat n’est plus continue, mais intrins\u00e8quement binaire. Face \u00e0 ces ph\u00e9nom\u00e8nes dichotomiques, la r\u00e9gression logistique<\/a> s’est impos\u00e9e comme le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 par excellence, offrant une passerelle formelle entre des pr\u00e9dicteurs continus ou discrets et des probabilit\u00e9s d’occurrence strictement born\u00e9es.<\/p>\n

Pourtant, au c\u0153ur de cette machinerie probabiliste sophistiqu\u00e9e r\u00e9side une pierre angulaire m\u00e9thodologique trop souvent banalis\u00e9e ou mal interpr\u00e9t\u00e9e : le test de l’hypoth\u00e8se nulle. Issue de la tradition fr\u00e9quentiste inaugur\u00e9e par Ronald Fisher, Jerzy Neyman et Egon Pearson, la confrontation d’un mod\u00e8le empirique \u00e0 l’hypoth\u00e8se d’absence d’effet constitue la condition sine qua non<\/em> de toute inf\u00e9rence scientifique valide. En r\u00e9gression logistique, cette hypoth\u00e8se nulle ne se limite pas \u00e0 l’affirmation triviale qu’\u00ab il ne se passe rien \u00bb. Elle structure l’espace param\u00e9trique, d\u00e9termine la forme des distributions d’\u00e9chantillonnage asymptotiques, et red\u00e9finit radicalement les concepts familiers de pente, de corr\u00e9lation et de part de variance expliqu\u00e9e \u00e0 travers le prisme non lin\u00e9aire du rapport de cotes et des log-odds.<\/p>\n

Comprendre la nature, la formulation math\u00e9matique et les implications cliniques de l’hypoth\u00e8se nulle en r\u00e9gression logistique est un imp\u00e9ratif m\u00e9thodologique pour tout psychologue et chercheur en sciences sociales. Cet article propose une analyse approfondie des fondements formels, des strat\u00e9gies de test \u2014 du rapport de vraisemblance \u00e0 l’\u00e9preuve de Wald \u2014, des pathologies statistiques susceptibles de fausser la d\u00e9cision inf\u00e9rentielle, et des alternatives contemporaines issues de l’\u00e9pist\u00e9mologie bay\u00e9sienne, afin de doter le praticien d’un cadre d’interpr\u00e9tation rigoureux et conforme aux exigences m\u00e9trologiques actuelles.<\/p>\n

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

1.1 Nature de la variable r\u00e9ponse binaire dans les contextes cliniques et cognitifs<\/h3>\n

Dans l’investigation empirique des processus psychiques, de nombreuses variables d’int\u00e9r\u00eat se manifestent sous une forme cat\u00e9gorielle dichotomique. En psychopathologie clinique, le chercheur est fr\u00e9quemment confront\u00e9 \u00e0 des classifications qualitatives binaires r\u00e9gies par des manuels diagnostiques tels que le DSM-5 ou la CIM-11 : pr\u00e9sence ou absence d’un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9, r\u00e9mission ou persistance d’une phobie sp\u00e9cifique, survenue ou non d’une tentative de suicide au cours d’un suivi longitudinal. De m\u00eame, la neuropsychologie et la psychologie cognitive exp\u00e9rimentale mobilisent de mani\u00e8re routini\u00e8re des variables de r\u00e9ponse discr\u00e8tes, telles que la r\u00e9ussite ou l’\u00e9chec \u00e0 un item d’efficience cognitive, la d\u00e9tection correcte versus l’omission d’un stimulus perceptif, ou encore le choix binaire entre deux options dans des paradigmes de d\u00e9cision sous incertitude.<\/p>\n

L’application directe de la r\u00e9gression lin\u00e9aire ordinaire (fond\u00e9e sur la m\u00e9thode des moindres carr\u00e9s ordinaires, ou MCO) \u00e0 ce type de donn\u00e9es soul\u00e8ve des apories th\u00e9oriques et math\u00e9matiques insurmontables. En premier lieu, le mod\u00e8le lin\u00e9aire standard postule que les r\u00e9sidus suivent une loi normale et pr\u00e9sentent une variance constante sur l’ensemble du continuum des variables pr\u00e9dictives, une propri\u00e9t\u00e9 connue sous le nom d’homosc\u00e9dasticit\u00e9<\/a>. Or, lorsque la variable d\u00e9pendante $Y$<\/span> ne prend que les valeurs 0 ou 1, la variable r\u00e9siduelle est obligatoirement discr\u00e8te et sa variance, donn\u00e9e par l’expression $p(X)(1 – p(X))$<\/span>, d\u00e9pend intrins\u00e8quement du niveau du pr\u00e9dicteur $X$<\/span>. Cette h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/a> structurelle invalide l’optimalit\u00e9 des estimateurs des moindres carr\u00e9s et fausse l’estimation des erreurs types.<\/p>\n

En second lieu, la r\u00e9gression lin\u00e9aire classique est structurellement incapable de respecter les bornes axiomatiques de la th\u00e9orie des probabilit\u00e9s de Kolmogorov. Une droite de r\u00e9gression lin\u00e9aire non contrainte, $E(Y|X) = \\beta_0 + \\beta_1 X$<\/span>, s’\u00e9tend in\u00e9vitablement vers $-\\infty$<\/span> et $+\\infty$<\/span> d\u00e8s lors que les valeurs du pr\u00e9dicteur deviennent suffisamment extr\u00eames. Il en r\u00e9sulte l’attribution absurde de probabilit\u00e9s n\u00e9gatives ou sup\u00e9rieures \u00e0 l’unit\u00e9 pour des scores cliniques tr\u00e8s faibles ou tr\u00e8s \u00e9lev\u00e9s. La mod\u00e9lisation rigoureuse d’un ph\u00e9nom\u00e8ne psychologique binaire exige donc un mod\u00e8le probabiliste math\u00e9matiquement contraint, capable de projeter l’ensemble de l’axe r\u00e9el des pr\u00e9dicteurs sur l’intervalle strictement ouvert $]0, 1[$<\/span>.<\/p>\n

1.2 La transformation logit et la mod\u00e9lisation des log-odds<\/h3>\n

Pour surmonter les limites intrins\u00e8ques du mod\u00e8le lin\u00e9aire de probabilit\u00e9, la r\u00e9gression logistique recourt \u00e0 une fonction de lien qui transforme l’esp\u00e9rance de la variable d\u00e9pendante en une quantit\u00e9 non born\u00e9e. La premi\u00e8re \u00e9tape de cette m\u00e9tamorphose repose sur le concept de cote, couramment d\u00e9sign\u00e9 sous le terme anglais d’odds<\/a>. Si $p(X) = P(Y=1|X)$<\/span> repr\u00e9sente la probabilit\u00e9 conditionnelle d’occurrence de l’\u00e9v\u00e9nement psychologique consid\u00e9r\u00e9 (par exemple, la r\u00e9mission th\u00e9rapeutique), la cote correspond au rapport entre la probabilit\u00e9 que l’\u00e9v\u00e9nement survienne et la probabilit\u00e9 qu’il ne survienne pas :<\/p>\n

$$\\text{Cote} = \\frac{p(X)}{1 – p(X)}$$<\/span><\/p>\n

Tandis que la probabilit\u00e9 $p$<\/span> est confin\u00e9e entre 0 et 1, la cote s’\u00e9tend sur l’intervalle $[0, +\\infty[$<\/span>. Bien qu’elle supprime la borne sup\u00e9rieure, la cote demeure asym\u00e9trique et born\u00e9e inf\u00e9rieurement par z\u00e9ro, ce qui emp\u00eache une mod\u00e9lisation lin\u00e9aire directe. La solution analytique r\u00e9side dans l’application du logarithme n\u00e9p\u00e9rien \u00e0 cette cote, donnant naissance \u00e0 la fonction logit<\/a>, ou logarithme du rapport de cotes (commun\u00e9ment appel\u00e9 log-odds<\/em>) :<\/p>\n

$$\\text{logit}(p(X)) = \\ln\\left(\\frac{p(X)}{1 – p(X)}\\right)$$<\/span><\/p>\n

Cette transformation cartographie bijectivement l’intervalle de probabilit\u00e9 $]0, 1[$<\/span> sur la totalit\u00e9 de la droite r\u00e9elle $]-\\infty, +\\infty[$<\/span>. D\u00e8s lors, le mod\u00e8le logistique peut postuler une relation lin\u00e9aire directe entre les pr\u00e9dicteurs psychologiques continus ou cat\u00e9goriels et cette \u00e9chelle des log-odds :<\/p>\n

$$\\ln\\left(\\frac{p(X)}{1 – p(X)}\\right) = \\beta_0 + \\beta_1 X$$<\/span><\/p>\n

En inversant la fonction logit, on d\u00e9rive la fonction logistique sigmo\u00efde standard, qui permet de recalculer la probabilit\u00e9 d’occurrence pour n’importe quel score donn\u00e9 sur le pr\u00e9dicteur :<\/p>\n

$$p(X) = \\frac{1}{1 + e^{-(\\beta_0 + \\beta_1 X)}} = \\frac{e^{\\beta_0 + \\beta_1 X}}{1 + e^{\\beta_0 + \\beta_1 X}}$$<\/span><\/p>\n

Cette formulation \u00e9l\u00e9gante assure une croissance ou une d\u00e9croissance non lin\u00e9aire, en forme de S (courbe logistique), garantissant que la probabilit\u00e9 estim\u00e9e approche asymptotiquement 0 lorsque $X to -\\infty$<\/span> et 1 lorsque $X to +\\infty$<\/span>, tout en conservant une interpr\u00e9tation param\u00e9trique simple sur l’\u00e9chelle transform\u00e9e.<\/p>\n

1.3 R\u00f4le de l’inf\u00e9rence statistique dans la validation des mod\u00e8les logistiques<\/h3>\n

Dans toute d\u00e9marche scientifique, l’ajustement empirique d’une \u00e9quation math\u00e9matique \u00e0 un jeu de donn\u00e9es observationnelles ou exp\u00e9rimentales ne constitue qu’une \u00e9tape descriptive pr\u00e9liminaire. En psychologie empirique, la finalit\u00e9 ultime r\u00e9side dans l’inf\u00e9rence statistique<\/a> : il s’agit de d\u00e9terminer dans quelle mesure les r\u00e9gularit\u00e9s observ\u00e9es au sein d’un \u00e9chantillon fini d’individus peuvent \u00eatre g\u00e9n\u00e9ralis\u00e9es \u00e0 la population parente dont cet \u00e9chantillon a \u00e9t\u00e9 extrait par \u00e9chantillonnage al\u00e9atoire.<\/p>\n

L’estimation des param\u00e8tres d’un mod\u00e8le logistique s’effectue quasi universellement par la m\u00e9thode du maximum de vraisemblance. Contrairement \u00e0 l’approche par les moindres carr\u00e9s ordinaires, il n’existe pas de solution analytique ferm\u00e9e pour d\u00e9river les coefficients optimaux d’une r\u00e9gression logistique ; des algorithmes it\u00e9ratifs d’optimisation num\u00e9rique, tels que l’algorithme de Newton-Raphson ou l’algorithme de score de Fisher, sont mobilis\u00e9s pour converger vers les estimateurs les plus plausibles au regard des observations recueillies. D\u00e8s lors, l’inf\u00e9rence statistique a pour mandat d’\u00e9valuer si les coefficients ainsi estim\u00e9s traduisent une v\u00e9ritable association fonctionnelle dans la population cible ou s’ils repr\u00e9sentent de simples artefacts imputables aux fluctuations d’\u00e9chantillonnage stochastiques.<\/p>\n

Sur le plan \u00e9pist\u00e9mologique, cette d\u00e9marche s’ancre directement dans le principe de falsification th\u00e9oris\u00e9 par Karl Popper<\/a>. Selon cette perspective, une th\u00e9orie scientifique ne peut jamais \u00eatre prouv\u00e9e de mani\u00e8re inductive d\u00e9finitive par la confirmation empirique ; elle gagne en scientificit\u00e9 et en robustesse uniquement lorsqu’elle r\u00e9siste aux tentatives syst\u00e9matiques de r\u00e9futation. Dans le cadre de l’\u00e9valuation des mod\u00e8les logistiques, l’hypoth\u00e8se nulle joue pr\u00e9cis\u00e9ment ce r\u00f4le de repoussoir critique : elle mat\u00e9rialise l’\u00e9tat par d\u00e9faut de la nature selon lequel le pr\u00e9dicteur psychologique envisag\u00e9 est rigoureusement d\u00e9pourvu de toute efficacit\u00e9 explicative. La validation empirique du mod\u00e8le proc\u00e8de donc indirectement, en s’effor\u00e7ant de falsifier la proposition d’absence d’effet.<\/p>\n

2. Formulation rigoureuse de l’hypoth\u00e8se nulle en r\u00e9gression logistique simple<\/h2>\n

2.1 \u00c9nonc\u00e9 math\u00e9matique et param\u00e9trique de l’hypoth\u00e8se nulle<\/h3>\n

Dans le cadre \u00e9l\u00e9mentaire d’une r\u00e9gression logistique univari\u00e9e comportant une seule variable pr\u00e9dictive $X$<\/span> et une variable de r\u00e9ponse binaire $Y$<\/span>, l’\u00e9quation de mod\u00e9lisation s’\u00e9nonce selon l’\u00e9galit\u00e9 : $\\text{logit}(p) = \\beta_0 + \\beta_1 X$<\/span>. Au sein de cette architecture math\u00e9matique, le param\u00e8tre $\\beta_0$<\/span> d\u00e9signe l’ordonn\u00e9e \u00e0 l’origine (ou constante), laquelle quantifie le logarithme de la cote de survenue de l’\u00e9v\u00e9nement lorsque le pr\u00e9dicteur $X$<\/span> est \u00e9gal \u00e0 z\u00e9ro. Le param\u00e8tre $\\beta_1$<\/span>, quant \u00e0 lui, repr\u00e9sente la pente de r\u00e9gression, c’est-\u00e0-dire le taux de variation des log-odds par unit\u00e9 d’augmentation de la variable ind\u00e9pendante $X$<\/span>.<\/p>\n

L’\u00e9nonc\u00e9 formel de l’hypoth\u00e8se nulle statistique, d\u00e9sign\u00e9e conventionnellement par la notation $H_0$<\/span>, s’exprime rigoureusement sur le plan param\u00e9trique de la mani\u00e8re suivante :<\/p>\n

$$H_0 : \\beta_1 = 0$$<\/span><\/p>\n

Cet \u00e9nonc\u00e9 math\u00e9matique postule que le coefficient de r\u00e9gression associ\u00e9 au pr\u00e9dicteur dans la population est strictement nul. Sur l’\u00e9chelle des log-odds, l’\u00e9galit\u00e9 $\\beta_1 = 0$<\/span> signifie que la trajectoire fonctionnelle liant le pr\u00e9dicteur au logarithme de la cote est parfaitement horizontale. En cons\u00e9quence directe, quelle que soit la valeur attribu\u00e9e au pr\u00e9dicteur psychom\u00e9trique ou comportemental $X$<\/span>, la valeur pr\u00e9dite du logit demeure invariante :<\/p>\n

$$\\text{logit}(p) = \\beta_0 + (0 \\times X) = \\beta_0$$<\/span><\/p>\n

Sur le plan probabiliste, cette \u00e9galit\u00e9 entra\u00eene l’invariance absolue de la probabilit\u00e9 conditionnelle d’occurrence de l’\u00e9v\u00e9nement. Pour toute valeur de $X$<\/span>, la probabilit\u00e9 pr\u00e9dite $p(X)$<\/span> se r\u00e9duit invariablement \u00e0 une constante $p = \\frac{1}{1 + e^{-\\beta_0}}$<\/span>. Sous $H_0$<\/span>, la connaissance des caract\u00e9ristiques de l’individu sur la variable pr\u00e9dictive n’apporte rigoureusement aucune information additionnelle sur sa probabilit\u00e9 d’appartenir \u00e0 la cat\u00e9gorie cible de la variable r\u00e9ponse.<\/p>\n

2.2 L’hypoth\u00e8se alternative correspondante<\/h3>\n

Face \u00e0 l’hypoth\u00e8se nulle d’invariance se dresse l’hypoth\u00e8se alternative, traditionnellement d\u00e9sign\u00e9e par la notation $H_1$<\/span> ou $H_A$<\/span>. Dans la quasi-totalit\u00e9 des contextes analytiques conventionnels, les chercheurs formulent un test bilat\u00e9ral (ou non directionnel), dont l’expression formelle s’\u00e9crit :<\/p>\n

$$H_A : \\beta_1 \\neq 0$$<\/span><\/p>\n

Cette hypoth\u00e8se alternative postule simplement l’existence d’une covariation non nulle entre le pr\u00e9dicteur $X$<\/span> et la variable d\u00e9pendante binaire $Y$<\/span>, sans pr\u00e9juger de la trajectoire directionnelle de cette association. Si le param\u00e8tre sous-jacent est substantiellement positif ($\\beta_1 > 0$<\/span>), une augmentation de $X$<\/span> induit un accroissement monotone des log-odds et, corollairement, une \u00e9l\u00e9vation de la probabilit\u00e9 conditionnelle de survenue de l’\u00e9v\u00e9nement. Inversement, si le param\u00e8tre est n\u00e9gatif ($beta_1 < 0$), toute augmentation de la variable ind\u00e9pendante se traduit par une r\u00e9duction de la probabilit\u00e9 de l'\u00e9v\u00e9nement.<\/p>\n

Toutefois, dans certaines investigations de psychologie clinique translationnelle ou d’\u00e9valuation d’interventions th\u00e9rapeutiques, des consid\u00e9rations th\u00e9oriques imp\u00e9ratives peuvent inciter le chercheur \u00e0 formaliser une hypoth\u00e8se alternative unilat\u00e9rale :<\/p>\n

$$H_A : \\beta_1 > 0 \\quad \\text{ou} \\quad H_A : \\beta_1 < 0$$<\/span><\/p>\n

Par exemple, lors de l’administration d’un traitement psychopharmacologique cibl\u00e9 visant la r\u00e9mission d’un \u00e9tat de stress post-traumatique, la th\u00e9orie neurobiologique peut dicter l’exclusion a priori<\/em> de la plausibilit\u00e9 d’un effet n\u00e9gatif de l’exposition th\u00e9rapeutique par rapport au placebo. N\u00e9anmoins, l’adoption d’un test unilat\u00e9ral requiert une justification m\u00e9thodologique irr\u00e9prochable formul\u00e9e avant tout recueil de donn\u00e9es. En effet, un rejet unilat\u00e9ral de $H_0$<\/span> augmente m\u00e9caniquement la puissance statistique dans une direction sp\u00e9cifique, mais prive irr\u00e9m\u00e9diablement le chercheur de la possibilit\u00e9 d’identifier un effet statistiquement valide op\u00e9rant dans la direction inverse, exposant ainsi l’analyse \u00e0 un risque accru de confirmation biais\u00e9e.<\/p>\n

2.3 Cons\u00e9quences probabilistes du maintien de l’hypoth\u00e8se nulle<\/h3>\n

Lorsque les donn\u00e9es empiriques ne fournissent pas de preuves suffisantes pour rejeter l’hypoth\u00e8se nulle, le mod\u00e8le logistique estim\u00e9 subit une r\u00e9duction structurelle majeure. L’\u00e9quation de pr\u00e9diction probabiliste se d\u00e9pouille enti\u00e8rement de sa composante d’ajustement dynamique li\u00e9e \u00e0 la variable ind\u00e9pendante pour se contracter en un mod\u00e8le dit \u00ab mod\u00e8le nul \u00bb (ou mod\u00e8le restreint \u00e0 la seule constante) :<\/p>\n

$$\\text{logit}(p) = \\beta_0$$<\/span><\/p>\n

Dans ce mod\u00e8le r\u00e9duit, l’ordonn\u00e9e \u00e0 l’origine $\\beta_0$<\/span> correspond exactement au log-odds marginal de l’\u00e9chantillon global. Si l’on note $n_1$<\/span> le nombre total de participants pr\u00e9sentant l’\u00e9v\u00e9nement d’int\u00e9r\u00eat ($Y=1$<\/span>) et $n_0$<\/span> le nombre de participants ne le pr\u00e9sentant pas ($Y=0$<\/span>) au sein d’un \u00e9chantillon de taille totale $N = n_1 + n_0$<\/span>, l’estimation de l’ordonn\u00e9e \u00e0 l’origine sous $H_0$<\/span> se calcule analytiquement de la fa\u00e7on suivante :<\/p>\n

$$\\hat{\\beta}_0 = \\ln\\left(\\frac{n_1 \/ N}{n_0 \/ N}\\right) = \\ln\\left(\\frac{n_1}{n_0}\\right)$$<\/span><\/p>\n

La probabilit\u00e9 pr\u00e9dite par ce mod\u00e8le nul pour tout participant individuel $i$<\/span>, ind\u00e9pendamment de son profil psychologique, \u00e9quivaut rigoureusement \u00e0 la pr\u00e9valence brute observ\u00e9e dans l’\u00e9chantillon :<\/p>\n

$$\\hat{p}_i = \\frac{1}{1 + e^{-\\ln(n_1 \/ n_0)}} = \\frac{1}{1 + (n_0 \/ n_1)} = \\frac{n_1}{n_1 + n_0} = \\frac{n_1}{N}$$<\/span><\/p>\n

Le maintien de l’hypoth\u00e8se nulle consacre donc l’inutilit\u00e9 pr\u00e9dictive totale du pr\u00e9dicteur examin\u00e9. L’inclusion de la variable $X$<\/span> n’apporte aucune r\u00e9duction de l’entropie, aucune minimisation de la d\u00e9viance r\u00e9siduelle, et n’offre aucune capacit\u00e9 discriminante sup\u00e9rieure \u00e0 un mod\u00e8le na\u00eff qui se contenterait d’assigner \u00e0 chaque participant la fr\u00e9quence relative globale observ\u00e9e dans la cohorte d’\u00e9tude.<\/p>\n

3. Traduction de l’hypoth\u00e8se nulle en termes d’Odds Ratio (Rapport de cotes)<\/h2>\n

3.1 Relation math\u00e9matique entre le coefficient \u03b21 et l’Odds Ratio<\/h3>\n

En raison de l’inconfort cognitif inh\u00e9rent \u00e0 l’interpr\u00e9tation de param\u00e8tres m\u00e9triques formul\u00e9s sur une \u00e9chelle logarithmique abstraite (les log-odds), la communaut\u00e9 scientifique recourt massivement \u00e0 l’exponentiation des coefficients de r\u00e9gression pour faciliter la lecture des r\u00e9sultats. En appliquant la fonction exponentielle au coefficient de pente $\\beta_1$<\/span>, on obtient une mesure canonique d’association \u00e9pid\u00e9miologique et clinique : le rapport de cotes, universellement d\u00e9sign\u00e9 par l’acronyme anglo-saxon Odds Ratio<\/a> ($OR$<\/span>) :<\/p>\n

$$OR = e^{\\beta_1}$$<\/span><\/p>\n

L’\u00e9tude du comportement math\u00e9matique de la fonction exponentielle \u00e0 l’origine d\u00e9montre imm\u00e9diatement une propri\u00e9t\u00e9 fondamentale : pour tout nombre r\u00e9el, l’exponentielle de z\u00e9ro est rigoureusement \u00e9gale \u00e0 un ($e^0 = 1$<\/span>). D\u00e8s lors, substituer l’expression param\u00e9trique de l’hypoth\u00e8se nulle $\\beta_1 = 0$<\/span> dans cette \u00e9quation \u00e9tablit une \u00e9quivalence bijective stricte :<\/p>\n

$$H_0 : \\beta_1 = 0 iff H_0 : OR = 1$$<\/span><\/p>\n

Cette bijection formelle indique que tester l’hypoth\u00e8se d’une pente nulle sur l’\u00e9chelle des log-odds est rigoureusement \u00e9quivalent \u00e0 tester l’hypoth\u00e8se que l’Odds Ratio est \u00e9gal \u00e0 l’unit\u00e9 sur l’\u00e9chelle multiplicative des cotes. Tout \u00e9cart de $\\beta_1$<\/span> par rapport \u00e0 0 se traduit imm\u00e9diatement par un \u00e9cart de l’$OR$<\/span> par rapport \u00e0 1. Lorsque $\\beta_1 > 0$<\/span>, l’exponentielle produit une valeur d’$OR > 1$<\/span> ; sym\u00e9triquement, lorsque $beta_1 < 0$, l’exponentielle g\u00e9n\u00e8re un$<\/span>OR$ strictement compris entre 0 et 1 ($0 < OR < 1$).<\/p>\n

3.2 Interpr\u00e9tation psychologique d’un Odds Ratio \u00e9gal \u00e0 1<\/h3>\n

D’un point de vue psychologique et psychopathologique, la neutralit\u00e9 d’un Odds Ratio \u00e9gal \u00e0 l’unit\u00e9 v\u00e9hicule une signification substantielle limpide. Un $OR = 1$<\/span> stipule que la cote de survenue du trouble mental ou du comportement cible est rigoureusement identique, que l’on observe un niveau de base du pr\u00e9dicteur ($X = x$<\/span>) ou un niveau incr\u00e9ment\u00e9 d’une unit\u00e9 ($X = x + 1$<\/span>). Le stimulus, le biomarqueur ou le trait de personnalit\u00e9 investigu\u00e9 n’exerce donc aucune pression multiplicative, ni \u00e0 la hausse ni \u00e0 la baisse, sur la propension des individus \u00e0 manifester le crit\u00e8re d’\u00e9valuation.<\/p>\n

Il importe de souligner l’asym\u00e9trie structurelle de l’\u00e9chelle des Odds Ratios qui induit fr\u00e9quemment des erreurs de jugement intuitif chez les cliniciens non avertis. Alors que l’\u00e9chelle des log-odds ($\\beta_1$<\/span>) est parfaitement sym\u00e9trique autour de z\u00e9ro (o\u00f9 un coefficient de $+0{,}693$<\/span> et un coefficient de $-0{,}693$<\/span> repr\u00e9sentent des amplitudes d’effet identiques mais oppos\u00e9es), l’\u00e9chelle des Odds Ratios est d\u00e9form\u00e9e. Un doublement de la cote correspond \u00e0 un $OR = 2{,}0$<\/span>, tandis qu’une division par deux de la cote correspond \u00e0 un $OR = 0{,}5$<\/span>. Ces deux valeurs se situent \u00e0 des distances arithm\u00e9tiques tr\u00e8s in\u00e9gales de la valeur nulle $1{,}0$<\/span> ($+1{,}0$<\/span> pour le premier, $-0{,}5$<\/span> pour le second), bien qu’elles incarnent des intensit\u00e9s d’association parfaitement \u00e9quivalentes en valeur absolue sur l’\u00e9chelle sous-jacente des log-odds.<\/p>\n

Une seconde m\u00e9prise classique, fr\u00e9quente dans les publications pr\u00e9liminaires, consiste \u00e0 confondre une cote neutre avec une probabilit\u00e9 nulle. L’affirmation que l’Odds Ratio sous $H_0$<\/span> vaut 1 ne signifie en aucune mani\u00e8re que la probabilit\u00e9 d’occurrence du trouble est nulle ($P(Y=1) = 0$<\/span>). Elle sp\u00e9cifie exclusivement que le ratio entre la cote sous condition et la cote sous r\u00e9f\u00e9rence est unitaire. La probabilit\u00e9 de base de l’\u00e9v\u00e9nement dans le groupe t\u00e9moin peut tout \u00e0 fait \u00eatre de 0,50, de 0,10 ou de 0,90 ; ce qui est postul\u00e9 par l’hypoth\u00e8se nulle $OR = 1$<\/span>, c’est l’absence totale de diff\u00e9rentiation relative induite par le pr\u00e9dicteur.<\/p>\n

3.3 Intervalles de confiance de l’Odds Ratio et test de l’hypoth\u00e8se nulle<\/h3>\n

Dans l’arsenal m\u00e9trologique contemporain, l’inf\u00e9rence fond\u00e9e exclusivement sur la valeur de probabilit\u00e9 empirique ($p$<\/span>-value) est avantageusement compl\u00e9t\u00e9e, voire supplant\u00e9e, par le calcul des intervalles de confiance<\/a> asymptotiques. Pour un seuil de confiance nominal usuel fix\u00e9 \u00e0 95%, l’intervalle de confiance autour du coefficient de r\u00e9gression $\\beta_1$<\/span> est d’abord construit sur l’\u00e9chelle lin\u00e9aire des log-odds via l’erreur standard asymptotique $SE(\\hat{\\beta}_1)$<\/span> :<\/p>\n

$$IC_{95%}(\\beta_1) = \\left[ \\hat{\\beta}_1 – 1{,}96 \\times SE(\\hat{\\beta}_1) ,;, \\hat{\\beta}_1 + 1{,}96 \\times SE(\\hat{\\beta}_1) \\right]$$<\/span><\/p>\n

Dans un second temps, les bornes de cet intervalle sont exponenti\u00e9es terme \u00e0 terme afin de d\u00e9finir l’intervalle de confiance \u00e0 95% de l’Odds Ratio :<\/p>\n

$$IC_{95%}(OR) = \\left[ e^{\\hat{\\beta}_1 – 1{,}96 \\times SE(\\hat{\\beta}_1)} ,;, e^{\\hat{\\beta}_1 + 1{,}96 \\times SE(\\hat{\\beta}_1)} \\right]$$<\/span><\/p>\n

Cette transposition produit une r\u00e8gle de d\u00e9cision binaire d’une remarquable limpidit\u00e9 pour le test de l’hypoth\u00e8se nulle :<\/p>\n