{"id":5222,"date":"2026-09-11T18:03:04","date_gmt":"2026-09-11T18:03:04","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/splines-regression-adaptative-multivariee-r\/"},"modified":"2026-09-11T18:03:06","modified_gmt":"2026-09-11T18:03:06","slug":"splines-regression-adaptative-multivariee-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=splines-regression-adaptative-multivariee-r","title":{"rendered":"Splines de r\u00e9gression adaptative multivari\u00e9e dans R"},"content":{"rendered":"

Dans le paysage contemporain de l’apprentissage statistique et de l’\u00e9conom\u00e9trie appliqu\u00e9e, la mod\u00e9lisation des ph\u00e9nom\u00e8nes complexes se heurte fr\u00e9quemment \u00e0 l’\u00e9cueil fondamental pos\u00e9 par l’arbitrage entre la flexibilit\u00e9 pr\u00e9dictive et la transparence interpr\u00e9tative. Alors que les approches param\u00e9triques conventionnelles imposent des formes fonctionnelles rigides et souvent r\u00e9ductrices sur les donn\u00e9es empiriques, les architectures d’apprentissage automatique contemporaines, \u00e0 l’instar des for\u00eats al\u00e9atoires ou des r\u00e9seaux de neurones profonds, op\u00e8rent fr\u00e9quemment comme des bo\u00eetes noires opaques, rendant ardue l’extraction d’inf\u00e9rences causales ou de seuils d’action clairs. C’est pr\u00e9cis\u00e9ment au confluent de ces paradigmes divergents que se positionnent les splines de r\u00e9gression adaptative multivari\u00e9e<\/strong>, universellement d\u00e9sign\u00e9es sous l’acronyme MARS<\/em> (Multivariate Adaptive Regression Splines<\/a>). Introduite par le statisticien Jerome H. Friedman au d\u00e9but des ann\u00e9es 1990, cette m\u00e9thodologie non param\u00e9trique novatrice d\u00e9ploie une approche par morceaux capable de capturer des non-lin\u00e9arit\u00e9s prononc\u00e9es et des interactions multidimensionnelles complexes, tout en conservant une structure math\u00e9matique explicite directement assimilable \u00e0 une extension segment\u00e9e du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral.<\/p>\n

L’originalit\u00e9 \u00e9pist\u00e9mologique de MARS r\u00e9side dans sa capacit\u00e9 \u00e0 partitionner de fa\u00e7on totalement autonome et guid\u00e9e par les donn\u00e9es l’espace multidimensionnel des variables pr\u00e9dictives, \u00e9liminant ainsi le besoin de sp\u00e9cifier a priori<\/em> les points de rupture ou les transformations polynomiales des covariables. Gr\u00e2ce \u00e0 l’utilisation syst\u00e9matique de paires de fonctions charni\u00e8res unilat\u00e9rales, le mod\u00e8le d\u00e9limite des sous-r\u00e9gions au sein desquelles il ajuste des segments lin\u00e9aires continus, op\u00e9rant simultan\u00e9ment une s\u00e9lection rigoureuse de variables et une estimation optimale de la localisation des n\u0153uds d’inflexion. Cette particularit\u00e9 conf\u00e8re \u00e0 l’algorithme une robustesse remarquable dans l’analyse de donn\u00e9es observationnelles \u00e0 forte variance, particuli\u00e8rement dans les sciences du comportement, l’\u00e9pid\u00e9miologie clinique, la psychom\u00e9trie quantitative et l’\u00e9cologie num\u00e9rique, o\u00f9 les dynamiques sous-jacentes pr\u00e9sentent intrins\u00e8quement des effets de seuil critique, des ph\u00e9nom\u00e8nes de saturation et des mod\u00e9rations localis\u00e9es.<\/p>\n

Dans l’environnement statistique GNU R<\/a>, l’impl\u00e9mentation de r\u00e9f\u00e9rence de cette technique est magistralement incarn\u00e9e par le package earth<\/code>, con\u00e7u par Stephen Milborrow, qui prolonge et enrichit les sp\u00e9cifications initiales de Friedman en y adjoignant des fonctionnalit\u00e9s avanc\u00e9es de diagnostic, de pond\u00e9ration et d’interfa\u00e7age avec les m\u00e9tamoteurs d’apprentissage supervis\u00e9 modernes. Ce trait\u00e9 exhaustif se propose de diss\u00e9quer minutieusement les fondements math\u00e9matiques, l’architecture computationnelle et le protocole d’application pratique de MARS dans R. En combinant rigueur th\u00e9orique, diagnostics r\u00e9siduels approfondis et strat\u00e9gies de validation crois\u00e9e au sein de l’\u00e9cosyst\u00e8me caret<\/code>, ce document constitue un manuel de r\u00e9f\u00e9rence exhaustif destin\u00e9 aux biostatisticiens, chercheurs en sciences comportementales et praticiens de la science des donn\u00e9es d\u00e9sireux d’exploiter la pleine puissance des splines adaptatives pour d\u00e9crypter la structure cach\u00e9e de leurs distributions empiriques.<\/p>\n

1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques des splines de r\u00e9gression adaptative multivari\u00e9e (MARS)<\/h2>\n

1.1 Origines statistiques et d\u00e9passement du mod\u00e8le lin\u00e9aire classique<\/h3>\n

Le paradigme de la r\u00e9gression lin\u00e9aire ordinaire repose sur une hypoth\u00e8se ontologique particuli\u00e8rement restrictive : la lin\u00e9arit\u00e9 globale et immuable de l’esp\u00e9rance conditionnelle de la variable d\u00e9pendante par rapport aux r\u00e9gresseurs. Si cette formulation garantit, sous les conditions canoniques du th\u00e9or\u00e8me de Gauss-Markov, l’obtention des meilleurs estimateurs lin\u00e9aires non biais\u00e9s (BLUE), elle d\u00e9montre une vuln\u00e9rabilit\u00e9 critique d\u00e8s lors que la r\u00e9alit\u00e9 empirique sous-jacente s’\u00e9carte de cette rectitude g\u00e9om\u00e9trique. Dans les configurations o\u00f9 les covariables exercent des effets marginaux variables selon leur niveau de concentration, l’analyste classique se voit contraint de recourir \u00e0 des transformations polynomiales d’ordre sup\u00e9rieur ou \u00e0 des fonctions logarithmiques arbitraires. Toutefois, ces artifices param\u00e9triques souffrent d’une rigidit\u00e9 structurelle s\u00e9v\u00e8re : l’introduction d’un terme quadratique ou cubique affecte l’estimation de la pente sur l’int\u00e9gralit\u00e9 du domaine de d\u00e9finition de la variable, cr\u00e9ant des distorsions pr\u00e9dictives majeures aux extr\u00e9mit\u00e9s de la distribution, un ph\u00e9nom\u00e8ne \u00e9troitement apparent\u00e9 au ph\u00e9nom\u00e8ne d’oscillation de Runge<\/a>.<\/p>\n

Face \u00e0 ces apories m\u00e9thodologiques, Jerome H. Friedman a publi\u00e9 en 1991<\/a> son article fondateur introduisant MARS au sein des Annals of Statistics<\/em>, marquant une rupture paradigmatique avec les m\u00e9thodes d’ajustement global. Friedman a conceptualis\u00e9 une architecture capable de d\u00e9couvrir de mani\u00e8re endog\u00e8ne les irr\u00e9gularit\u00e9s locales du paysage des donn\u00e9es, affranchissant le chercheur de la corv\u00e9e de sp\u00e9cification manuelle des non-lin\u00e9arit\u00e9s. Contrairement aux r\u00e9gressions \u00e0 noyau ou aux splines de lissage traditionnelles, qui deviennent rapidement inop\u00e9rantes lorsque le nombre de dimensions s’accro\u00eet en raison de la mal\u00e9diction de la dimensionnalit\u00e9 th\u00e9oris\u00e9e par Richard Bellman, MARS concentre son effort algorithmique exclusivement sur les sous-espaces de dimension inf\u00e9rieure contenant de l’information pr\u00e9dictive structur\u00e9e.<\/p>\n

Ce basculement \u00e9pist\u00e9mologique mat\u00e9rialise une synth\u00e8se remarquable entre deux exigences scientifiques antagonistes : d’une part, la flexibilit\u00e9 op\u00e9rationnelle propre aux techniques non param\u00e9triques, aptes \u00e0 \u00e9pouser des formes topologiques complexes sans hypoth\u00e8ses distributives restrictives ; d’autre part, la clart\u00e9 explicative inh\u00e9rente aux mod\u00e8les lin\u00e9aires additifs. En g\u00e9n\u00e9rant une \u00e9quation finale constitu\u00e9e d’une somme pond\u00e9r\u00e9e de segments lin\u00e9aires contigus, MARS conserve la lisibilit\u00e9 analytique directe des coefficients de r\u00e9gression. Chaque param\u00e8tre estim\u00e9 quantifie pr\u00e9cis\u00e9ment l’inflexion du taux de variation de la r\u00e9ponse au franchissement d’un seuil critique donn\u00e9, comblant ainsi le foss\u00e9 s\u00e9culaire entre la mod\u00e9lisation statistique inf\u00e9rentielle et l’apprentissage algorithmique pr\u00e9dictif.<\/p>\n

1.2 Concepts cl\u00e9s : non-lin\u00e9arit\u00e9 par morceaux et adaptativit\u00e9<\/h3>\n

L’armature th\u00e9orique de MARS repose sur le principe de la segmentation adaptative de l’espace multidimensionnel des pr\u00e9dicteurs. Plut\u00f4t que de contraindre la trajectoire de r\u00e9ponse \u00e0 une courbure diff\u00e9rentiable uniforme sur l’ensemble du domaine d’observation, l’algorithme partitionne dynamiquement ce domaine en hypercubes locaux interconnect\u00e9s. \u00c0 l’int\u00e9rieur de chaque partition, la relation entre l’esp\u00e9rance de la variable cible et les covariables est mod\u00e9lis\u00e9e par un hyperplan affine simple. Cette approche par morceaux conf\u00e8re au mod\u00e8le une plasticit\u00e9 remarquable, lui permettant de capturer des acc\u00e9l\u00e9rations abruptes, des d\u00e9c\u00e9l\u00e9rations prononc\u00e9es, voire des inversions compl\u00e8tes de tendance, tout en maintenant une continuit\u00e9 g\u00e9om\u00e9trique absolue aux fronti\u00e8res de chaque intervalle de partitionnement.<\/p>\n

Il convient de distinguer sans ambigu\u00eft\u00e9 les splines lin\u00e9aires par morceaux employ\u00e9es par MARS des splines cubiques liss\u00e9es conventionnelles pr\u00e9valant dans les mod\u00e8les additifs g\u00e9n\u00e9ralis\u00e9s (GAM). Ces derni\u00e8res mobilisent des fonctions de base polynomiales de degr\u00e9 trois assorties de contraintes de continuit\u00e9 sur les premi\u00e8re et deuxi\u00e8me d\u00e9riv\u00e9es, ce qui impose une courbure lisse et continue sur tout le spectre des donn\u00e9es. Bien que s\u00e9duisante d’un point de vue visuel, cette douceur obligatoire engendre deux limitations majeures : elle obscurcit l’identification formelle des seuils discrets o\u00f9 s’op\u00e8rent les ruptures de dynamique, et elle exige un co\u00fbt calculatoire prohibitif d\u00e8s lors que l’on tente d’estimer des interactions crois\u00e9es au-del\u00e0 de deux dimensions. Les splines lin\u00e9aires par morceaux de MARS, en revanche, n’imposent la continuit\u00e9 que sur la fonction elle-m\u00eame (continuit\u00e9 de classe C<\/em>0<\/sup>), tol\u00e9rant des discontinuit\u00e9s ponctuelles dans la d\u00e9riv\u00e9e premi\u00e8re au niveau des n\u0153uds (knots<\/em>), ce qui refl\u00e8te avec une fid\u00e9lit\u00e9 accrue les transitions brusques observ\u00e9es dans de nombreux processus empiriques.<\/p>\n

Le terme \u00ab adaptatif \u00bb souligne le caract\u00e8re enti\u00e8rement automatis\u00e9 et probabiliste du positionnement de ces n\u0153uds. Alors que les techniques de r\u00e9gression segment\u00e9e traditionnelles requi\u00e8rent que le mod\u00e9lisateur postule a priori<\/em> l’emplacement temporel ou spatial des fractures structurelles, MARS teste de fa\u00e7on r\u00e9cursive chaque valeur observ\u00e9e de chaque covariable candidate comme un n\u0153ud potentiel. Ce processus it\u00e9ratif r\u00e9alise simultan\u00e9ment une double t\u00e2che computationnelle d’une importance capitale : la s\u00e9lection automatique des variables pr\u00e9dictives statistiquement pertinentes (en ignorant purement et simplement les variables non informatives) et la localisation optimale des points de brisure fonctionnelle.<\/p>\n

1.3 Pertinence de MARS dans l’analyse des donn\u00e9es comportementales et psychom\u00e9triques<\/h3>\n

L’analyse des distributions comportementales, cognitives et psychom\u00e9triques expose fr\u00e9quemment le statisticien \u00e0 des configurations empiriques qui violent de mani\u00e8re flagrante les hypoth\u00e8ses de lin\u00e9arit\u00e9 et de normalit\u00e9 multivari\u00e9e. Dans ces disciplines, les processus psychologiques sous-jacents ob\u00e9issent rarement \u00e0 des variations monotones proportionnelles. Au contraire, ils sont caract\u00e9ris\u00e9s par des seuils d’activation minimaux, en de\u00e7\u00e0 desquels aucune modification mesurable du comportement n’est d\u00e9tectable, suivis d’une phase de r\u00e9activit\u00e9 quasi-lin\u00e9aire intense, d\u00e9bouchant finalement sur des effets de plafond ou de saturation cognitive o\u00f9 toute augmentation additionnelle du stimulus ne produit aucun incr\u00e9ment de r\u00e9ponse notable.<\/p>\n

Consid\u00e9rons, \u00e0 titre d’illustration m\u00e9thodologique, la mod\u00e9lisation du syndrome d’\u00e9puisement professionnel (burnout<\/em>) en fonction de la charge de travail hebdomadaire cumul\u00e9e. Une r\u00e9gression lin\u00e9aire classique pr\u00e9suppose qu’une heure suppl\u00e9mentaire de labeur g\u00e9n\u00e8re un pr\u00e9judice psychologique identique, que le travailleur passe de 20 \u00e0 21 heures ou de 60 \u00e0 61 heures par semaine. Cette assertion est formellement r\u00e9fut\u00e9e par les donn\u00e9es cliniques. MARS excelle dans la formalisation de cette ph\u00e9nom\u00e9nologie : l’algorithme est capable de fixer automatiquement un premier n\u0153ud structurel \u00e0 42 heures, indiquant l’absence d’impact d\u00e9l\u00e9t\u00e8re sous ce seuil, puis une pente ascendante abrupte entre 42 et 58 heures, suivie d’un second n\u0153ud au-del\u00e0 duquel la d\u00e9tresse psychologique se stabilise \u00e0 un niveau d’\u00e9puisement critique maximal. L’\u00e9quation de base isole ainsi directement les seuils d’intervention organisationnelle pertinents.<\/p>\n

En outre, les instruments de mesure psychom\u00e9triques, tels que les \u00e9chelles de Likert agr\u00e9g\u00e9es ou les scores d’inventaires de personnalit\u00e9, pr\u00e9sentent une variance d’\u00e9chantillonnage substantielle et sont vuln\u00e9rables aux erreurs de mesure non syst\u00e9matiques. Les techniques non lin\u00e9aires hautement flexibles, comme les s\u00e9parateurs \u00e0 vaste marge ou les perceptrons multicouches, ont une propension d\u00e9mesur\u00e9e \u00e0 surajuster ces fluctuations al\u00e9atoires en assimilant le bruit d’\u00e9chantillonnage \u00e0 un signal th\u00e9orique. Par sa politique d’\u00e9lagage parcimonieux rigoureuse et sa formulation lin\u00e9aire par morceaux, MARS r\u00e9gularise naturellement la complexit\u00e9 du mod\u00e8le, offrant un bouclier robuste contre le surapprentissage tout en capturant les non-monotonies authentiques, comme les relations curvilin\u00e9aires en U invers\u00e9 illustr\u00e9es par la c\u00e9l\u00e8bre loi de Yerkes-Dodson reliant le niveau d’\u00e9veil physiologique \u00e0 l’efficacit\u00e9 de la performance cognitive.<\/p>\n

2. Architecture math\u00e9matique et formalisation des fonctions charni\u00e8res<\/h2>\n

2.1 Structure et comportement des fonctions charni\u00e8res (Hinge Functions)<\/h3>\n

L’\u00e9l\u00e9ment atomique de construction de l’architecture MARS est la fonction lin\u00e9aire par morceaux unilat\u00e9rale, commun\u00e9ment d\u00e9sign\u00e9e dans la litt\u00e9rature anglo-saxonne sous le vocable de hinge function<\/em> ou fonction charni\u00e8re, et math\u00e9matiquement \u00e9quivalente \u00e0 l’op\u00e9rateur d’unit\u00e9 lin\u00e9aire rectifi\u00e9e (ReLU) massivement employ\u00e9 dans l’ing\u00e9nierie des r\u00e9seaux neuronaux profonds. Pour chaque variable pr\u00e9dictive continue x<\/em> et pour chaque point de rupture potentiel t<\/em> appartenant au domaine de d\u00e9finition empirique de cette variable, on d\u00e9finit une paire sym\u00e9trique de fonctions de base r\u00e9flexives, orient\u00e9es respectivement vers la droite et vers la gauche :<\/p>\n

\nh(x – t) = [+(x – t)]+<\/sub> = max(0, x – t)
\nh(t – x) = [-(x – t)]+<\/sub> = max(0, t – x)\n<\/p>\n

Ces deux fonctions partagent le m\u00eame n\u0153ud structural situ\u00e9 en x = t<\/em>. L’examen des propri\u00e9t\u00e9s de cette formulation r\u00e9v\u00e8le son \u00e9l\u00e9gance analytique : pour la fonction orient\u00e9e vers la droite, toute valeur de l’espace d’entr\u00e9e strictement inf\u00e9rieure \u00e0 t<\/em> est projet\u00e9e sur une valeur nulle constante, annulant purement et simplement la d\u00e9riv\u00e9e locale ; d\u00e8s lors que x<\/em> franchit le seuil critique t<\/em>, la fonction adopte un comportement strictement lin\u00e9aire de pente unitaire. Inversement, la fonction compl\u00e9mentaire orient\u00e9e vers la gauche capture l’activit\u00e9 du signal statistique exclusivement dans le domaine o\u00f9 x < t<\/em>, s’annulant de mani\u00e8re uniforme pour toute valeur sup\u00e9rieure ou \u00e9gale au n\u0153ud.<\/p>\n

Du point de vue topologique, cette transformation convertit l’espace original \u00e0 une dimension en deux demi-plans lin\u00e9aires raccord\u00e9s de fa\u00e7on continue au niveau du point d’inflexion. La fonction r\u00e9sultante est continue sur l’int\u00e9gralit\u00e9 de la droite r\u00e9elle, garantissant l’absence de sauts ou de ruptures de continuit\u00e9 dans les pr\u00e9dictions du mod\u00e8le final, m\u00eame si sa d\u00e9riv\u00e9e subit une discontinuit\u00e9 de premi\u00e8re esp\u00e8ce au point exact t<\/em>. En combinant judicieusement de telles paires de fonctions sur diff\u00e9rentes variables d’entr\u00e9e ou \u00e0 diff\u00e9rents niveaux d’un m\u00eame r\u00e9gresseur, MARS acquiert la capacit\u00e9 d’approximer n’importe quelle surface fonctionnelle multivari\u00e9e, qu’elle soit continue, convexe, concave ou ondulatoire, avec un niveau de pr\u00e9cision arbitrairement \u00e9lev\u00e9 selon le nombre de fonctions de base mobilis\u00e9es.<\/p>\n

2.2 \u00c9quation g\u00e9n\u00e9rale du mod\u00e8le MARS<\/h3>\n

La formalisation globale d’un mod\u00e8le MARS s’articule comme une expansion lin\u00e9aire en s\u00e9rie de fonctions de base multivari\u00e9es. L’estimation de l’esp\u00e9rance conditionnelle de la variable de r\u00e9ponse y<\/em> s’exprime rigoureusement sous la forme analytique suivante :<\/p>\n

\nf(X) = β0<\/sub> + ∑m=1<\/sub>M<\/sup> βm<\/sub> Bm<\/sub>(X)\n<\/p>\n

Dans cette formulation param\u00e9trique, le scalaire β0<\/sub><\/code> repr\u00e9sente le coefficient d’interception globale, refl\u00e9tant le niveau moyen de base de la r\u00e9ponse lorsque toutes les fonctions de base sont inactives ou nulles. Les coefficients βm<\/sub><\/code> correspondent aux poids de r\u00e9gression associ\u00e9s \u00e0 chaque fonction de base composite Bm<\/sub>(X)<\/code>, tandis que M<\/em> d\u00e9signe le nombre total de termes conserv\u00e9s dans le mod\u00e8le structurel d\u00e9finitif \u00e0 l’issue de la phase d’optimisation.<\/p>\n

Chaque fonction de base Bm<\/sub>(X)<\/code> peut emprunter l’une des trois formes structurelles suivantes :<\/p>\n