Comprendre, quantifier et interpr\u00e9ter la distance de Cook ne rel\u00e8ve pas d’un simple raffinement technique destin\u00e9 aux puristes de l’alg\u00e8bre matricielle ; il s’agit d’une exigence \u00e9pist\u00e9mologique fondamentale pour tout chercheur ou praticien soucieux de la robustesse de ses conclusions. Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive de cette m\u00e9trique fondamentale : depuis ses racines conceptuelles d’omission unitaire jusqu’aux \u00e9quations de projection matricielle, en passant par ses applications concr\u00e8tes sous les environnements R, Python, SPSS et SAS, ses implications psychom\u00e9triques et son int\u00e9gration dans les protocoles de publication conformes aux exigences de l’American Psychological Association (APA).<\/p>\n
1. Introduction aux points influents dans les mod\u00e8les de r\u00e9gression lin\u00e9aire<\/h2>\n1.1 Le postulat de stabilit\u00e9 des moindres carr\u00e9s ordinaires<\/h3>\n
La r\u00e9gression lin\u00e9aire par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO) constitue le socle historique et op\u00e9rationnel de l’analyse multivari\u00e9e contemporaine. Son \u00e9l\u00e9gance repose sur la minimisation de la somme du carr\u00e9 des r\u00e9sidus, une propri\u00e9t\u00e9 math\u00e9matique conf\u00e9rant aux estimateurs de Gauss-Markov le statut de meilleurs estimateurs lin\u00e9aires non biais\u00e9s (BLUE) sous r\u00e9serve du respect rigoureux des postulats classiques. N\u00e9anmoins, cette optimisation quadratique porte en elle le germe d’une vuln\u00e9rabilit\u00e9 structurelle extr\u00eame : en \u00e9levant au carr\u00e9 les \u00e9carts entre les valeurs observ\u00e9es et les valeurs ajust\u00e9es, la fonction de perte p\u00e9nalise de mani\u00e8re exponentielle les d\u00e9viations importantes. Par cons\u00e9quent, une observation \u00e9loign\u00e9e du barycentre de la distribution se voit octroyer un poids disproportionn\u00e9 dans le syst\u00e8me d’\u00e9quations normales, ce qui fragilise m\u00e9caniquement l’ensemble des inf\u00e9rences tir\u00e9es de l’\u00e9chantillon.<\/p>\n
Cette sensibilit\u00e9 structurelle compromet directement la validit\u00e9 interne des mod\u00e8les explicatifs. Lorsque quelques individus statistiques exercent une attraction asym\u00e9trique sur l’hyperplan de r\u00e9gression, les estimateurs ponctuels des coefficients angulaires cessent de refl\u00e9ter la tendance centrale de la population sous-jacente pour devenir les t\u00e9moins captifs de particularismes d’\u00e9chantillonnage. Les cons\u00e9quences sur l’inf\u00e9rence sont d\u00e9l\u00e9t\u00e8res : les erreurs types des estimateurs peuvent \u00eatre artificiellement dilat\u00e9es ou compress\u00e9es, les statistiques de test associ\u00e9es (tests t<\/em> de Student et tests F<\/em> de Fisher) perdent leur \u00e9talonnage nominal, et les intervalles de confiance construits sur ces fondations deviennent fallacieux. L’instabilit\u00e9 de la variance r\u00e9siduelle induite par ces distorsions rend le mod\u00e8le hautement erratique face \u00e0 toute tentative de r\u00e9plication ind\u00e9pendante.<\/p>\n Les enjeux soulev\u00e9s par cette fragilit\u00e9 intrins\u00e8que des MCO deviennent particuli\u00e8rement aigus dans les sciences du comportement humain, la psychom\u00e9trie, la m\u00e9decine translationnelle et la sociologie quantitative. Dans ces disciplines, les donn\u00e9es empiriques proviennent de syst\u00e8mes dynamiques complexes caract\u00e9ris\u00e9s par une variabilit\u00e9 interindividuelle consid\u00e9rable, des distributions fr\u00e9quemment asym\u00e9triques et des erreurs de mesure non n\u00e9gligeables. La mod\u00e9lisation de construits psychologiques latents \u2014 tels que les scores de d\u00e9tresse psychologique, les temps de r\u00e9action informatis\u00e9s ou les quotients de d\u00e9veloppement cognitif \u2014 g\u00e9n\u00e8re in\u00e9vitablement des configurations o\u00f9 des observations atypiques \u00e9mergent sans que l’on puisse imm\u00e9diatement discerner s’il s’agit d’art\u00e9facts m\u00e9thodologiques ou de v\u00e9ritables expressions de la diversit\u00e9 ph\u00e9notypique humaine. Ignorer l’impact structurel de ces donn\u00e9es sur les estimations param\u00e9triques \u00e9quivaut \u00e0 b\u00e2tir un \u00e9chafaudage interpr\u00e9tatif sur des sables mouvants.<\/p>\n La rigueur m\u00e9thodologique exige une clarification terminologique stricte, car le langage statistique courant tend \u00e0 agr\u00e9ger sous le vocable g\u00e9n\u00e9rique de \u00ab valeurs aberrantes \u00bb des r\u00e9alit\u00e9s g\u00e9om\u00e9triques et probabilistes profond\u00e9ment distinctes. Pour naviguer efficacement dans le diagnostic de r\u00e9gression, il convient d’op\u00e9rer une partition analytique rigoureuse entre trois concepts fondamentaux : la valeur aberrante (outlier<\/em>), le point de levier (high-leverage point<\/em>) et l’observation influente (influential observation<\/em>). Ces entit\u00e9s math\u00e9matiques n’occupent pas le m\u00eame espace dans le mod\u00e8le lin\u00e9aire et ne g\u00e9n\u00e8rent pas les m\u00eames alt\u00e9rations sur l’estimation des param\u00e8tres.<\/p>\n Une valeur aberrante d\u00e9signe sp\u00e9cifiquement une observation pr\u00e9sentant un r\u00e9sidu important, c’est-\u00e0-dire un \u00e9cart substantiel entre sa valeur observ\u00e9e pour la variable d\u00e9pendante et la valeur pr\u00e9dite par le mod\u00e8le conditionnellement \u00e0 ses pr\u00e9dicteurs. L’anomalie se situe ici principalement dans l’espace de la r\u00e9ponse (l’axe Y<\/em> dans une r\u00e9gression simple). \u00c0 l’inverse, un point de levier correspond \u00e0 une observation dont les coordonn\u00e9es dans l’espace multidimensionnel des variables explicatives (l’espace X<\/em>) se situent \u00e0 une distance consid\u00e9rable du centro\u00efde form\u00e9 par la moyenne des r\u00e9gresseurs. Le levier est une mesure d’isolement factoriel strictement ind\u00e9pendante de la variable d\u00e9pendante Y<\/em> ; il traduit une opportunit\u00e9 structurelle de peser sur le mod\u00e8le, mais ne pr\u00e9juge pas de l’actualisation de ce potentiel perturbateur.<\/p>\n L’observation influente, quant \u00e0 elle, repr\u00e9sente l’intersection critique de ces dimensions g\u00e9om\u00e9triques : il s’agit d’un point dont la pr\u00e9sence modifie substantiellement les r\u00e9sultats fondamentaux de la r\u00e9gression, notamment les coefficients estim\u00e9s, leurs erreurs types ou la variance expliqu\u00e9e globale. Le m\u00e9canisme de traction exerc\u00e9 par un point combinant un fort levier et un r\u00e9sidu discordant s’apparente \u00e0 l’action d’un levier physique : plus une masse s’\u00e9loigne du pivot (levier fort), plus la force requise pour faire basculer le plan de r\u00e9gression est minime. Sur le plan d\u00e9cisionnel, ces observations g\u00e9n\u00e8rent deux \u00e9cueils sym\u00e9triques majeurs : le risque de fausse d\u00e9couverte statistique (erreur de type I), o\u00f9 un coefficient devient artificiellement significatif sous la seule impulsion d’un sujet isol\u00e9, et le risque d’omission d’un effet r\u00e9el (erreur de type II), o\u00f9 une v\u00e9ritable relation de causalit\u00e9 est masqu\u00e9e par un point discordant venant aplatir la pente de la trajectoire.<\/p>\n Jusqu’au milieu des ann\u00e9es 1970, le diagnostic des mod\u00e8les de r\u00e9gression lin\u00e9aire demeurait prisonnier d’une approche r\u00e9ductrice, essentiellement cantonn\u00e9e \u00e0 l’inspection visuelle univari\u00e9e des r\u00e9sidus ordinaires ou standardis\u00e9s. Les analystes cherchaient les observations pr\u00e9sentant les \u00e9carts les plus spectaculaires par rapport au mod\u00e8le, sans disposer d’outils analytiques permettant de quantifier l’effet r\u00e9troactif d’une observation sur la g\u00e9om\u00e9trie m\u00eame de l’ajustement. Cette limitation conceptuelle laissait les praticiens d\u00e9munis face au ph\u00e9nom\u00e8ne d’\u00e9crasement ou d’absorption : un point dot\u00e9 d’un levier extr\u00eame poss\u00e8de une telle capacit\u00e9 d’attraction sur l’hyperplan des moindres carr\u00e9s qu’il force le mod\u00e8le \u00e0 passer \u00e0 proximit\u00e9 imm\u00e9diate de ses propres coordonn\u00e9es, r\u00e9duisant ainsi son r\u00e9sidu apparent \u00e0 une valeur trompeusement anodine.<\/p>\n La rupture \u00e9pist\u00e9mologique intervient en 1977, lorsque le statisticien am\u00e9ricain R. Dennis Cook publie dans la revue de r\u00e9f\u00e9rence Technometrics<\/em> son article s\u00e9minal intitul\u00e9 \u00ab Detection of Influential Observation in Linear Regression \u00bb. Cook y propose une formulation math\u00e9matique r\u00e9volutionnaire permettant de d\u00e9passer l’analyse univari\u00e9e des r\u00e9sidus pour embrasser une perspective matricielle globale. Son intuition fondamentale consiste \u00e0 \u00e9valuer l’impact d’une observation non pas sur son propre r\u00e9sidu, mais sur le comportement conjoint de l’ensemble du syst\u00e8me de pr\u00e9diction. Il s’agit de r\u00e9pondre \u00e0 une interrogation limpide : dans quelle mesure le vecteur des valeurs ajust\u00e9es pour l’ensemble des n<\/em> participants de l’\u00e9chantillon changerait-il si l’on supprimait totalement la i<\/em>-\u00e8me observation du processus d’estimation ?<\/p>\n L’introduction de la m\u00e9trique de Cook a constitu\u00e9 un saut qualitatif majeur pour les statistiques appliqu\u00e9es. En combinant au sein d’une expression synth\u00e9tique et \u00e9l\u00e9gante la mesure de l’erreur pr\u00e9dictive et la distance g\u00e9om\u00e9trique dans l’espace factoriel, Cook a fourni aux chercheurs un instrument standardis\u00e9 capable de r\u00e9sumer en un scalaire unique la perturbation globale inflig\u00e9e au mod\u00e8le. Cette avanc\u00e9e a ouvert la voie \u00e0 une approche diagnostique proactive, syst\u00e9matique et int\u00e9gr\u00e9e, transformant la d\u00e9tection des anomalies empiriques d’un art artisanal subjectif en une v\u00e9ritable discipline d’assurance qualit\u00e9 des inf\u00e9rences quantitatives.<\/p>\n La m\u00e9canique conceptuelle de la distance de Cook s’enracine directement dans la logique non param\u00e9trique du r\u00e9\u00e9chantillonnage par omission unitaire, universellement d\u00e9sign\u00e9e sous l’appellation anglophone de m\u00e9thode leave-one-out<\/em> ou approche Jackknife, popularis\u00e9e par Maurice Quenouille et John Tukey. L’architecture intellectuelle de cette d\u00e9marche repose sur une exp\u00e9rience de pens\u00e9e computationnelle rigoureuse : si l’on suspecte qu’une unit\u00e9 d’observation perturbe l’int\u00e9grit\u00e9 du mod\u00e8le global, la m\u00e9thode la plus objective pour mesurer son influence r\u00e9elle consiste \u00e0 r\u00e9ajuster le mod\u00e8le en son absence d\u00e9lib\u00e9r\u00e9e et \u00e0 documenter les variations param\u00e9triques cons\u00e9cutives.<\/p>\n Consid\u00e9rons un \u00e9chantillon compos\u00e9 de n<\/em> observations et mod\u00e9lis\u00e9 par une \u00e9quation de r\u00e9gression multivari\u00e9e comportant p<\/em> param\u00e8tres \u00e0 estimer (incluant l’ordonn\u00e9e \u00e0 l’origine). Soit $\\hat{\\beta}$<\/span> le vecteur complet des coefficients estim\u00e9s par les moindres carr\u00e9s sur la totalit\u00e9 des donn\u00e9es disponibles. D\u00e9finissons ensuite $\\hat{\\beta}_{(-i)}$<\/span> comme le vecteur des coefficients obtenu lorsque le m\u00eame mod\u00e8le lin\u00e9aire est r\u00e9estim\u00e9 sur le sous-ensemble tronqu\u00e9 comprenant $n – 1$<\/span> observations, la i<\/em>-\u00e8me observation ayant \u00e9t\u00e9 int\u00e9gralement retir\u00e9e de la matrice des donn\u00e9es. La diff\u00e9rence vectorielle $\\hat{\\beta} – \\hat{\\beta}_{(-i)}$<\/span> traduit le d\u00e9placement imm\u00e9diat qu’imprime l’individu i<\/em> \u00e0 l’ensemble des coefficients angulaires du syst\u00e8me.<\/p>\n Toutefois, une simple diff\u00e9rence vectorielle brute serait inexploitable en pratique, car chaque coefficient de r\u00e9gression poss\u00e8de ses propres unit\u00e9s de mesure et ses propres \u00e9chelles de variance. Pour agr\u00e9ger cette divergence multidimensionnelle en une quantit\u00e9 scalaire rigoureusement interpr\u00e9table, Cook a appliqu\u00e9 les principes de la distance statistique de Mahalanobis. Cette m\u00e9trique pond\u00e8re le vecteur des diff\u00e9rences $\\hat{\\beta} – \\hat{\\beta}_{(-i)}$<\/span> par la matrice de variance-covariance des estimateurs du mod\u00e8le complet. Ce faisant, le d\u00e9placement de chaque coefficient est standardis\u00e9 et mis en perspective avec les corr\u00e9lations structurelles existant entre l’ensemble des r\u00e9gresseurs du mod\u00e8le.<\/p>\n Bien que la formulation bas\u00e9e sur le d\u00e9placement des param\u00e8tres $\\hat{\\beta}$<\/span> soit fondamentale, la distance de Cook poss\u00e8de une \u00e9quivalence g\u00e9om\u00e9trique duale particuli\u00e8rement intuitive : elle quantifie la somme normalis\u00e9e des \u00e9carts quadratiques induits sur les valeurs pr\u00e9dites de l’ensemble de l’\u00e9chantillon. En d’autres termes, la m\u00e9trique de Cook ne se contente pas de scruter l’impact sur l’individu retir\u00e9 ; elle \u00e9value dans quelle mesure les pr\u00e9dictions calcul\u00e9es pour tous les autres individus (du premier au n<\/em>-i\u00e8me) oscillent suite \u00e0 l’extraction de l’observation i<\/em>.<\/p>\n Math\u00e9matiquement, soit $\\hat{y}_j$<\/span> la valeur ajust\u00e9e pour la j<\/em>-\u00e8me observation sous le mod\u00e8le complet, et $\\hat{y}_{j(-i)}$<\/span> la valeur ajust\u00e9e pour cette m\u00eame observation lorsque le mod\u00e8le a \u00e9t\u00e9 calibr\u00e9 sans l’individu i<\/em>. La distance de Cook synth\u00e9tise la somme sur tous les $j in {1, dots, n}$<\/span> des carr\u00e9s de ces variations d’ajustement, pond\u00e9r\u00e9e par le nombre de r\u00e9gresseurs et la variance de l’erreur r\u00e9siduelle. Cette perspective collective est d\u00e9terminante : elle pr\u00e9serve le chercheur de la myopie consistant \u00e0 \u00e9valuer l’influence d’un point uniquement \u00e0 l’aune de sa propre pr\u00e9cision pr\u00e9dictive. Un individu peut parfaitement modifier les pr\u00e9dictions de dizaines d’autres sujets sans que sa propre pr\u00e9diction ne semble aberrante.<\/p>\n Une propri\u00e9t\u00e9 math\u00e9matique cruciale de cette formulation r\u00e9side dans son invariance d’\u00e9chelle face aux transformations lin\u00e9aires des variables explicatives. Si l’analyste d\u00e9cide de convertir une variable pr\u00e9dictive exprim\u00e9e en centim\u00e8tres en m\u00e8tres, ou de soustraire une constante pour centrer un score psychom\u00e9trique, la distance de Cook calcul\u00e9e pour chaque observation demeure strictement identique. Cette robustesse g\u00e9om\u00e9trique conf\u00e8re \u00e0 la m\u00e9trique de Cook une universalit\u00e9 indispensable pour les comparaisons inter-\u00e9chantillons et inter-mod\u00e8les.<\/p>\n L’\u00e9valuation de la validit\u00e9 d’un mod\u00e8le lin\u00e9aire requiert une cha\u00eene s\u00e9quentielle de v\u00e9rifications m\u00e9thodologiques. La distance de Cook n’intervient pas de mani\u00e8re isol\u00e9e ; elle s’inscrit au c\u0153ur d’un processus diagnostique holistique, assurant l’articulation entre la phase exploratoire de d\u00e9tection des donn\u00e9es aberrantes et la phase confirmatoire de validation des hypoth\u00e8ses de recherche. Dans le protocole classique de validation des MCO, le chercheur s’attache \u00e0 v\u00e9rifier la normalit\u00e9 des r\u00e9sidus, l’homosc\u00e9dasticit\u00e9 de la variance d’erreur, la lin\u00e9arit\u00e9 des relations fonctionnelles et l’absence de multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re.<\/p>\n Cependant, tous ces diagnostics traditionnels sont eux-m\u00eames excessivement sensibles \u00e0 la pr\u00e9sence de donn\u00e9es influentes. Par exemple, une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 apparente peut \u00eatre int\u00e9gralement g\u00e9n\u00e9r\u00e9e par deux ou trois observations excentr\u00e9es situ\u00e9es aux extr\u00e9mit\u00e9s de la distribution des pr\u00e9dicteurs, alors que le processus g\u00e9n\u00e9rateur sous-jacent est parfaitement homosc\u00e9dastique. De m\u00eame, un test de normalit\u00e9 des r\u00e9sidus de Shapiro-Wilk peut rejeter l’hypoth\u00e8se nulle d’orthogonalit\u00e9 distributionnelle \u00e0 cause d’une unique observation hautement distante, masquant le fait que 99 % des donn\u00e9es se conforment id\u00e9alement \u00e0 la courbe de Gauss. L’analyse de la distance de Cook apporte ainsi une cl\u00e9 de d\u00e9chiffrement essentielle pour discerner les pathologies globales du mod\u00e8le des artefacts locaux.<\/p>\n Le statut \u00e9pist\u00e9mologique unique de la distance de Cook proc\u00e8de de sa nature synth\u00e9tique. Tandis que l’examen des r\u00e9sidus studentis\u00e9s informe sur la plausibilit\u00e9 conditionnelle de la r\u00e9ponse et que l’analyse des valeurs de levier documente l’atypisme structurel des r\u00e9gresseurs, la m\u00e9trique de Cook fusionne ces deux dimensions orthogonales au sein d’une \u00e9quation unifi\u00e9e. Elle agit comme un filtre de s\u00e9curit\u00e9 statistique garantissant que les conclusions th\u00e9oriques formul\u00e9es par l’investigateur refl\u00e8tent une r\u00e9alit\u00e9 partag\u00e9e par la collectivit\u00e9 des donn\u00e9es plut\u00f4t que la singularit\u00e9 anecdotique d’un sous-ensemble infinit\u00e9simal d’individus.<\/p>\n Bien que la d\u00e9finition initiale de la distance de Cook repose sur l’estimation r\u00e9cursive de $n + 1$<\/span> mod\u00e8les de r\u00e9gression (le mod\u00e8le complet et les $n$<\/span> mod\u00e8les tronqu\u00e9s par omission unitaire), Dennis Cook a d\u00e9montr\u00e9 une remarquable propri\u00e9t\u00e9 computationnelle : il est possible d’extraire exactement la distance de Cook pour l’ensemble des observations \u00e0 partir des seules sorties alg\u00e9briques du mod\u00e8le complet, sans r\u00e9ajustement s\u00e9quentiel it\u00e9ratif. Cette \u00e9l\u00e9gance algorithmique s’exprime dans la formule op\u00e9rationnelle standard de la distance de Cook pour la i<\/em>-\u00e8me observation :<\/p>\n $$D_i = \\frac{e_i^2}{p \\cdot \\text{MSE}} \\cdot \\frac{h_{ii}}{(1 – h_{ii})^2}$$<\/span><\/p>\n Dans cette formulation canonique, chaque composant analytique joue un r\u00f4le structurel rigoureusement articul\u00e9 :<\/p>\n En introduisant le r\u00e9sidu standardis\u00e9 interne $r_i = e_i \/ (\\sqrt{\\text{MSE}} \\cdot \\sqrt{1 – h_{ii}})$<\/span>, la formulation analytique peut \u00eatre condens\u00e9e sous une expression encore plus transparente quant \u00e0 ses m\u00e9canismes sous-jacents :<\/p>\n $$D_i = \\frac{r_i^2}{p} \\cdot \\frac{h_{ii}}{1 – h_{ii}}$$<\/span><\/p>\n Cette forme alternative met imm\u00e9diatement en lumi\u00e8re le fait que la distance de Cook est proportionnelle au carr\u00e9 du r\u00e9sidu standardis\u00e9 $r_i^2$<\/span> pond\u00e9r\u00e9 par un facteur non lin\u00e9aire croissant du levier, $h_{ii} \/ (1 – h_{ii})$<\/span>.<\/p>\n L’aspect le plus fascinant et le plus d\u00e9terminant de la distance de Cook r\u00e9side dans sa structure multiplicative. L’influence d’un point n’est en aucun cas une fonction additive de son atypisme r\u00e9siduel et de son excentricit\u00e9 factorielle ; elle r\u00e9sulte d’une stricte conjonction g\u00e9om\u00e9trique. Pour qu’une observation g\u00e9n\u00e8re une valeur de $D_i$<\/span> substantielle, elle doit simultan\u00e9ment poss\u00e9der un r\u00e9sidu important et un levier substantiel. Cette r\u00e9alit\u00e9 alg\u00e9brique induit plusieurs comportements asymptotiques remarquables qu’il convient de d\u00e9composer minutieusement.<\/p>\n Examinons en premier lieu le cas d’une observation caract\u00e9ris\u00e9e par un fort levier ($h_{ii}$<\/span> tr\u00e8s \u00e9lev\u00e9), mais dont la variable d\u00e9pendante se situe exactement sur la trajectoire pr\u00e9dite par les autres donn\u00e9es (r\u00e9sidu $e_i \\approx 0$<\/span>). Dans ce sc\u00e9nario, malgr\u00e9 son isolement extr\u00eame dans l’espace multidimensionnel des pr\u00e9dicteurs, le produit s’annule en raison de la quasi-nullit\u00e9 de $r_i^2$<\/span>. Cette observation confirme la tendance g\u00e9n\u00e9rale d\u00e9finie par le reste de la cohorte ; elle contribue m\u00eame \u00e0 stabiliser l’estimation des pentes en r\u00e9duisant leurs erreurs types. Ce point n’est nullement influent au sens d\u00e9stabilisateur du terme ; il s’agit d’une observation d’ancrage conforme.<\/p>\n Consid\u00e9rons \u00e0 l’oppos\u00e9 le cas d’un individu pr\u00e9sentant un r\u00e9sidu colossal ($r_i^2$<\/span> tr\u00e8s grand), mais situ\u00e9 au barycentre parfait des variables explicatives (levier minimal, $h_{ii} \\approx 1\/n$<\/span>). Dans cette configuration, le ratio $h_{ii} \/ (1 – h_{ii})$<\/span> adopte une valeur infinit\u00e9simale. M\u00eame si le r\u00e9sidu est spectaculaire sur l’axe vertical, l’absence de bras de levier emp\u00eache ce point d’infl\u00e9chir les pentes de r\u00e9gression. Son influence sera presque exclusivement limit\u00e9e \u00e0 une translation verticale de l’ordonn\u00e9e \u00e0 l’origine et \u00e0 un gonflement de l’erreur quadratique moyenne, sans distorsion majeure de la dynamique vectorielle des coefficients explicatifs.<\/p>\n Ce n’est que lorsque ces deux pathologies se conjuguent \u2014 un point situ\u00e9 loin du centre de gravit\u00e9 des pr\u00e9dicteurs qui, de surcro\u00eet, refuse de se conformer \u00e0 la relation lin\u00e9aire sous-jacente \u2014 que l’effet multiplicateur explose. Le d\u00e9nominateur $(1 – h_{ii})$<\/span> convergeant vers z\u00e9ro \u00e0 mesure que le levier approche de l’unit\u00e9, la distance de Cook cro\u00eet de fa\u00e7on hyperbolique, traduisant le basculement destructeur de l’hyperplan de r\u00e9gression sous l’effet de ce point pivot aberrant.<\/p>\n Pour appr\u00e9hender la port\u00e9e statistique formelle de la m\u00e9trique, il est n\u00e9cessaire de s’\u00e9lever au niveau de sa repr\u00e9sentation matricielle originelle. Soit $X$<\/span> la matrice des r\u00e9gresseurs de dimension $n \\times p$<\/span> et $Y$<\/span> le vecteur des observations de dimension $n \\times 1$<\/span>. L’estimateur classique des moindres carr\u00e9s ordinaires s’exprime par la r\u00e9solution alg\u00e9brique $\\hat{\\beta} = (X’X)^{-1}X’Y$<\/span>. En appliquant le principe d’omission unitaire, la distance de Cook se formalise par la forme quadratique suivante :<\/p>\n $$D_i = \\frac{(\\hat{\\beta} – \\hat{\\beta}_{(-i)})’ (X’X) (\\hat{\\beta} – \\hat{\\beta}_{(-i)})}{p \\cdot s^2}$$<\/span><\/p>\n Cette expression r\u00e9v\u00e8le la profondeur de la construction math\u00e9matique \u00e9labor\u00e9e par Dennis Cook. La matrice $X’X$<\/span> n’est autre que la m\u00e9trique riemannienne naturelle de l’espace des param\u00e8tres, directement proportionnelle \u00e0 l’inverse de la matrice de variance-covariance asymptotique des estimateurs MCO, puisque $\\text{Var}(\\hat{\\beta}) = \\sigma^2 (X’X)^{-1}$<\/span>. Par cons\u00e9quent, le num\u00e9rateur de la distance de Cook mesure tr\u00e8s exactement la distance statistique (ou distance de Mahalanobis) entre le vecteur des param\u00e8tres du mod\u00e8le complet $\\hat{\\beta}$<\/span> et celui du mod\u00e8le tronqu\u00e9 $\\hat{\\beta}_{(-i)}$<\/span>, \u00e9valu\u00e9e au regard de la g\u00e9om\u00e9trie de dispersion globale de l’\u00e9chantillon.<\/p>\n Sous les hypoth\u00e8ses classiques de normalit\u00e9 des perturbations stochastiques ($\\varepsilon \\sim \\mathcal{N}(0, \\sigma^2 I)$<\/span>), une telle forme quadratique divis\u00e9e par $p \\cdot s^2$<\/span> pr\u00e9sente une analogie formelle directe avec la construction d’une r\u00e9gion de confiance ellipso\u00efdale conjointe pour les param\u00e8tres de r\u00e9gression. Bien que la quantit\u00e9 $D_i$<\/span> ne suive pas rigoureusement une loi de Fisher au sens distributionnel strict en raison de la d\u00e9pendance stochastique induite par le processus de s\u00e9lection s\u00e9quentielle, Dennis Cook a d\u00e9montr\u00e9 que la valeur num\u00e9rique de $D_i$<\/span> peut \u00eatre directement compar\u00e9e aux fractiles critiques de la distribution th\u00e9orique de Fisher-Snedecor $F(p, n – p)$<\/span>. Cette \u00e9quivalence conf\u00e8re \u00e0 la m\u00e9trique une assise probabiliste robuste, reliant l’amplitude du d\u00e9placement param\u00e9trique \u00e0 un niveau de confiance g\u00e9om\u00e9trique dans l’espace de Wald.<\/p>\n L’une des erreurs m\u00e9thodologiques les plus pernicieuses en statistique appliqu\u00e9e consiste \u00e0 fonder l’identification des points atypiques exclusivement sur l’inspection visuelle des r\u00e9sidus bruts $e_i = y_i – \\hat{y}_i$<\/span>. Cette pratique comporte un pi\u00e8ge math\u00e9matique fondamental : les r\u00e9sidus bruts ne poss\u00e8dent pas la m\u00eame variance sur l’ensemble de l’\u00e9chantillon. En effet, la variance th\u00e9orique du i<\/em>-\u00e8me r\u00e9sidu brut est gouvern\u00e9e par la relation $\\text{Var}(e_i) = \\sigma^2 (1 – h_{ii})$<\/span>. Il s’ensuit qu’une observation situ\u00e9e aux confins de l’espace des pr\u00e9dicteurs (affichant un levier $h_{ii}$<\/span> tr\u00e8s \u00e9lev\u00e9) aura m\u00e9caniquement un r\u00e9sidu brut d’une variance tr\u00e8s faible, tendant vers z\u00e9ro lorsque le levier tend vers l’unit\u00e9.<\/p>\n Pour rem\u00e9dier \u00e0 cette h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 intrins\u00e8que, la th\u00e9orie statistique a introduit deux niveaux successifs de standardisation. Le premier niveau est le r\u00e9sidu standardis\u00e9 (ou r\u00e9sidu studentis\u00e9 interne), d\u00e9fini par :<\/p>\n $$r_i = \\frac{e_i}{\\sqrt{\\text{MSE} \\cdot (1 – h_{ii})}}$$<\/span><\/p>\n Ce ratio corrige la variance locale en divisant l’erreur observ\u00e9e par son \u00e9cart-type th\u00e9orique estim\u00e9 sur l’ensemble de l’\u00e9chantillon. Toutefois, cette normalisation conserve une faiblesse : si le point $i$<\/span> est exceptionnellement aberrant, il tire vers le haut la valeur globale de la variance r\u00e9siduelle $\\text{MSE}$<\/span>, r\u00e9duisant artificiellement son propre score standardis\u00e9 au d\u00e9nominateur.<\/p>\n Pour contourner ce biais d’auto-att\u00e9nuation, les statisticiens ont formalis\u00e9 le r\u00e9sidu studentis\u00e9 supprim\u00e9 (ou r\u00e9sidu studentis\u00e9 externe, r\u00e9sidu jackknife), d\u00e9sign\u00e9 par $t_i$<\/span> :<\/p>\n $$t_i = \\frac{e_i}{\\sqrt{\\text{MSE}_{(-i)} \\cdot (1 – h_{ii})}}$$<\/span><\/p>\n Dans cette formulation, $\\text{MSE}_{(-i)}$<\/span> repr\u00e9sente le carr\u00e9 moyen des erreurs r\u00e9siduelles recalcul\u00e9 en omettant d\u00e9lib\u00e9r\u00e9ment la i<\/em>-\u00e8me observation. Si le point $i$<\/span> est aberrant, son exclusion entra\u00eene une chute spectaculaire de $\\text{MSE}_{(-i)}$<\/span>, ce qui propulse la valeur de $t_i$<\/span> vers des sommets hautement d\u00e9tectables. Cependant, m\u00eame sous sa forme studentis\u00e9e externe la plus aboutie, le r\u00e9sidu ne documente que la dimension verticale de l’\u00e9cart pr\u00e9dictif sans int\u00e9grer la capacit\u00e9 de d\u00e9stabilisation g\u00e9om\u00e9trique du point dans l’espace multidimensionnel.<\/p>\n Le levier (leverage<\/em>) mat\u00e9rialise l’\u00e9loignement d’une observation par rapport au c\u0153ur de la distribution conjointe des pr\u00e9dicteurs. Sur le plan matriciel, il s’extrait des \u00e9l\u00e9ments diagonaux de la matrice de projection $H = X(X’X)^{-1}X’$<\/span>. Cette matrice porte le nom suggestif de \u00ab matrice chapeau \u00bb car elle transforme le vecteur des valeurs observ\u00e9es $Y$<\/span> en vecteur des valeurs ajust\u00e9es $\\hat{Y}$<\/span>, agissant selon la relation vectorielle $\\hat{Y} = HY$<\/span>. L’\u00e9l\u00e9ment diagonal $h_{ii}$<\/span> quantifie donc la d\u00e9riv\u00e9e partielle de la pr\u00e9diction $\\hat{y}_i$<\/span> par rapport \u00e0 l’observation $y_i$<\/span> ($\\partial \\hat{y}_i \/ \\partial y_i = h_{ii}$<\/span>).<\/p>\n Les propri\u00e9t\u00e9s math\u00e9matiques de cet indicateur sont particuli\u00e8rement bien d\u00e9limit\u00e9es dans la litt\u00e9rature statistique :<\/p>\n Sur la base de ces propri\u00e9t\u00e9s, les crit\u00e8res diagnostiques conventionnels \u00e9tablissent des seuils d’alerte objectifs. Une observation est formellement qualifi\u00e9e de point de fort levier lorsque sa valeur d\u00e9passe le double de la moyenne empirique, soit $h_{ii} > 2p\/n$<\/span>. Dans le cadre de protocoles d’investigation plus conservateurs ou appliqu\u00e9s \u00e0 de tr\u00e8s grands \u00e9chantillons, un seuil plus strict de $h_{ii} > 3p\/n$<\/span> est r\u00e9guli\u00e8rement adopt\u00e9. Un levier \u00e9lev\u00e9 isole des profils multivari\u00e9s extr\u00eamement atypiques dans la matrice des variables ind\u00e9pendantes \u2014 par exemple, un sujet combinant un niveau d’anxi\u00e9t\u00e9 clinique extr\u00eame avec un \u00e2ge exceptionnellement bas et un statut socio-\u00e9conomique particuli\u00e8rement \u00e9lev\u00e9.<\/p>\n L’assimilation conceptuelle entre levier, r\u00e9sidu et influence peut \u00eatre clarifi\u00e9e par une cartographie orthogonale bidimensionnelle articulant l’axe vertical de l’\u00e9cart pr\u00e9dictif (r\u00e9sidus studentis\u00e9s) et l’axe horizontal de l’isolement factoriel (valeurs de levier). Cette d\u00e9composition structure l’espace diagnostic en quatre quadrants fonctionnels bien distincts :<\/p>\n Le premier quadrant regroupe les observations \u00e0 faible levier et faible r\u00e9sidu. Il constitue la matrice centrale des donn\u00e9es bien ajust\u00e9es, repr\u00e9sentatives du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 et conformes aux postulats du mod\u00e8le. Le deuxi\u00e8me quadrant concerne les points \u00e0 faible levier mais fort r\u00e9sidu. Il s’agit des valeurs aberrantes conventionnelles : ces sujets d\u00e9vient notablement de la pr\u00e9diction mais, \u00e9tant situ\u00e9s \u00e0 proximit\u00e9 du centre de gravit\u00e9 des variables explicatives, ils n’ont pas le pouvoir de faire basculer le plan d’ajustement. Ils d\u00e9gradent la pr\u00e9cision globale en augmentant la variance de l’erreur sans alt\u00e9rer fondamentalement l’orientation des pentes.<\/p>\n Le troisi\u00e8me quadrant contient les observations \u00e0 fort levier et faible r\u00e9sidu. Ces cas, bien qu’isol\u00e9s dans l’espace des covariables, tombent pr\u00e9cis\u00e9ment sur la trajectoire trac\u00e9e par le reste de la population. Ils n’induisent aucun biais d’estimation sur les coefficients et renforcent au contraire la robustesse math\u00e9matique des pentes de r\u00e9gression en apportant des ancrages distants coh\u00e9rents. Enfin, le quatri\u00e8me quadrant rassemble les observations combinant un fort levier et un fort r\u00e9sidu : ce sont les observations influentes au sens strict. Ce sont pr\u00e9cis\u00e9ment ces points qui g\u00e9n\u00e8rent des valeurs massives de distance de Cook et qui menacent de subvertir les conclusions scientifiques d’une recherche quantitative.<\/p>\n Dans sa publication originale de 1977, R. Dennis Cook a ancr\u00e9 son crit\u00e8re de d\u00e9cision statistique dans la th\u00e9orie des ellipso\u00efdes de confiance conjointe. Il a sugg\u00e9r\u00e9 que l’ampleur de la perturbation induite par une observation $i$<\/span> devait \u00eatre mise en perspective avec la distribution de r\u00e9f\u00e9rence de Fisher-Snedecor comportant $p$<\/span> et $n – p$<\/span> degr\u00e9s de libert\u00e9, not\u00e9e $F(p, n – p)$<\/span>. Selon la proposition initiale de Cook, un point d’\u00e9chantillonnage doit \u00eatre qualifi\u00e9 d’excessivement influent si sa distance $D_i$<\/span> d\u00e9passe le cinquanti\u00e8me centile (la m\u00e9diane) de la distribution $F$<\/span>, c’est-\u00e0-dire :<\/p>\n $$D_i > F_{0.50}(p, n – p)$$<\/span><\/p>\n L’interpr\u00e9tation th\u00e9orique de ce seuil historique est fascinante : si la suppression de la i<\/em>-\u00e8me observation d\u00e9place le vecteur des param\u00e8tres estim\u00e9s $\\hat{\\beta}_{(-i)}$<\/span> au-del\u00e0 de la fronti\u00e8re de l’ellipso\u00efde de confiance \u00e0 50 % centr\u00e9 sur $\\hat{\\beta}$<\/span>, cela signifie que cette observation unique \u00e0 elle seule d\u00e9place l’estimation globale des coefficients vers une r\u00e9gion que le reste de l’\u00e9chantillon ne consid\u00e8re comme vraisemblable qu’avec une probabilit\u00e9 inf\u00e9rieure \u00e0 une chance sur deux.<\/p>\n Bien que s\u00e9duisant sur le plan formel, ce crit\u00e8re de Fisher s’est av\u00e9r\u00e9 excessivement permissif dans la pratique empirique moderne. La m\u00e9diane d’une distribution $F(p, n – p)$<\/span> fluctue g\u00e9n\u00e9ralement autour de valeurs oscillant entre 0,7 et 1,1 pour des configurations d’\u00e9chantillons courantes. Dans les \u00e9tudes contemporaines mobilisant des centaines ou des milliers de participants, une observation peut exercer une traction d\u00e9vastatrice sur un sous-ensemble critique de variables sans jamais atteindre une telle valeur seuil. L’exigence consistant \u00e0 attendre qu’un point franchisse le 50e centile de Fisher avant d’intervenir a \u00e9t\u00e9 jug\u00e9e trop laxiste par la communaut\u00e9 m\u00e9thodologique, incitant les statisticiens \u00e0 \u00e9laborer des seuils plus sensibles et plus adapt\u00e9s aux imp\u00e9ratifs de d\u00e9tection pr\u00e9coce.<\/p>\n En r\u00e9ponse \u00e0 la complexit\u00e9 d’\u00e9valuation du seuil de Fisher dans les routines de calcul manuel de l’\u00e9poque, une r\u00e8gle pragmatique universelle s’est progressivement cristallis\u00e9e dans la litt\u00e9rature sous l’impulsion de manuels de r\u00e9f\u00e9rence en \u00e9conom\u00e9trie et en biom\u00e9trie. Cette r\u00e8gle stipule qu’une observation doit \u00eatre syst\u00e9matiquement audit\u00e9e et consid\u00e9r\u00e9e comme potentiellement destructrice d\u00e8s lors que sa distance de Cook franchit le seuil unitaire absolu :<\/p>\n $$D_i > 1$$<\/span><\/p>\n Ce seuil de coupure unitaire s’appuie sur une simplification \u00e9l\u00e9gante de la distribution de Fisher : pour un nombre mod\u00e9r\u00e9 de param\u00e8tres et un \u00e9chantillon de taille moyenne, $F_{0.50}(p, n – p) \\approx 1$<\/span>. Fixer la fronti\u00e8re critique \u00e0 l’unit\u00e9 offre aux analystes un rep\u00e8re mn\u00e9motechnique direct, universellement partag\u00e9 et ais\u00e9ment communicable. Dans les sciences appliqu\u00e9es, une valeur de $D_i > 1$<\/span> est consid\u00e9r\u00e9e comme un signal d’alarme indiscutable indiquant qu’une observation unique modifie substantiellement le mod\u00e8le \u00e0 elle seule.<\/p>\n Cependant, l’application aveugle du seuil universel $D_i > 1$<\/span> expose l’analyste \u00e0 des angles morts m\u00e9thodologiques majeurs. Dans les \u00e9chantillons de taille modeste (par exemple $n = 30$<\/span>), un point g\u00e9n\u00e9rant un $D_i = 0,85$<\/span> peut induire un renversement complet du signe d’une corr\u00e9lation sans franchir la barre fatidique de 1. Inversement, dans les m\u00e9ga-\u00e9chantillons (tels que ceux issus des registres de sant\u00e9 publique ou des donn\u00e9es massives de consommation), le ph\u00e9nom\u00e8ne de dilution fait qu’aucun individu ne parvient jamais \u00e0 atteindre $D_i = 1$<\/span>, quand bien m\u00eame certains profils atypiques exerceraient une traction locale anormale. Le seuil unitaire manque d’\u00e9lasticit\u00e9 face \u00e0 la taille de l’\u00e9chantillon.<\/p>\n Pour conf\u00e9rer au diagnostic une sensibilit\u00e9 proportionnelle \u00e0 l’inertie de l’\u00e9chantillon analys\u00e9, les statisticiens ont d\u00e9velopp\u00e9 des heuristiques relatives fonction de l’effectif total $n$<\/span>. L’heuristique la plus largement adopt\u00e9e dans la recherche quantitative contemporaine fixe la fronti\u00e8re critique \u00e0 :<\/p>\n $$D_i > \\frac{4}{n}$$<\/span><\/p>\n Le fondement math\u00e9matique de cette r\u00e8gle relative d\u00e9coule directement de la formulation condens\u00e9e de la distance de Cook. Sachant que la valeur attendue moyenne de la distance de Cook dans un mod\u00e8le correctement sp\u00e9cifi\u00e9 est approximativement de l’ordre de $1\/n$<\/span> ou de $1\/(n – p)$<\/span>, tout individu dont la m\u00e9trique exc\u00e8de quatre fois cette valeur moyenne pr\u00e9sente une d\u00e9viation statistique notable justifiant une investigation approfondie. Cette formule pr\u00e9sente l’immense avantage d’ajuster automatiquement son niveau d’exigence \u00e0 la taille de la cohorte : plus l’\u00e9chantillon est volumineux, plus le seuil devient fin et sensible.<\/p>\n Pour les r\u00e9gressions multivari\u00e9es complexes impliquant un nombre \u00e9lev\u00e9 de covariables par rapport au nombre d’observations, une formulation alternative encore plus conservative et rigoureuse est r\u00e9guli\u00e8rement pr\u00e9conis\u00e9e dans la litt\u00e9rature m\u00e9thodologique sp\u00e9cialis\u00e9e :<\/p>\n $$D_i > \\frac{4}{n – k – 1} \\quad \\text{ou} \\quad D_i > \\frac{4}{n – p}$$<\/span><\/p>\n Cette sp\u00e9cification tient explicitement compte de la r\u00e9duction des degr\u00e9s de libert\u00e9 cons\u00e9cutive \u00e0 l’introduction d’un grand nombre de pr\u00e9dicteurs. N\u00e9anmoins, l’analyste doit garder \u00e0 l’esprit que l’abaissement m\u00e9canique du seuil critique dans les tr\u00e8s grands jeux de donn\u00e9es (par exemple, pour $n = 10,000$<\/span>, le seuil $4\/n$<\/span> \u00e9quivaut \u00e0 0,0004) multiplie consid\u00e9rablement le taux de faux positifs. Dans ces contextes, un grand nombre de sujets franchissent la limite statistique sans pour autant menacer la stabilit\u00e9 pratique des coefficients.<\/p>\n Le choix d’un seuil critique ne saurait relever d’un automatisme algorithmique d\u00e9connect\u00e9 de l’objectif \u00e9pist\u00e9mologique de l’\u00e9tude. Le chercheur doit calibrer sa s\u00e9v\u00e9rit\u00e9 diagnostique selon une matrice contextuelle articulant la finalit\u00e9 de la recherche, la taille de l’\u00e9chantillon et le co\u00fbt d’une erreur d’inf\u00e9rence. Le tableau conceptuel suivant synth\u00e9tise les crit\u00e8res de d\u00e9cision analytique selon la configuration de la recherche :<\/p>\n Il est imp\u00e9ratif, pour pr\u00e9venir tout biais de s\u00e9lection ou risque de p-hacking masqu\u00e9, que le choix de ce seuil critique soit rigoureusement sp\u00e9cifi\u00e9 et justifi\u00e9 a priori<\/em> dans le plan d’analyse de la recherche, avant toute inspection interactive des donn\u00e9es empiriques.<\/p>\n L’exploration visuelle constitue le compl\u00e9ment indispensable de l’analyse computationnelle des points influents. La premi\u00e8re modalit\u00e9 de repr\u00e9sentation graphique, et la plus classique, est le trac\u00e9 s\u00e9quentiel des distances de Cook, universellement d\u00e9sign\u00e9 sous le terme d’Index Plot<\/em>. Ce graphique dispose sur son axe horizontal l’identifiant s\u00e9quentiel unique de chaque unit\u00e9 d’observation (de $1$ \u00e0 $n$<\/span>, respectant l’ordre de recueil ou la cl\u00e9 primaire de la base de donn\u00e9es) et sur son axe vertical l’amplitude scalaire de la distance de Cook $D_i$<\/span> correspondante.<\/p>\n Dans un jeu de donn\u00e9es sain et homog\u00e8ne, l’Index Plot<\/em> pr\u00e9sente l’aspect d’un semis r\u00e9gulier de points ou de fines barres verticales oscillant \u00e0 de tr\u00e8s faibles altitudes, formant une ligne de base relativement compacte le long de l’axe horizontal. L’\u00e9mergence d’une observation pathologique se signale visuellement de fa\u00e7on fulgurante par l’apparition d’un \u00ab gratte-ciel \u00bb ou d’un pic isol\u00e9 s’extrayant radicalement de la masse. L’adjonction sur le graphique de lignes de r\u00e9f\u00e9rence horizontales en pointill\u00e9s \u2014 mat\u00e9rialisant typiquement le seuil lib\u00e9ral $4\/n$<\/span> et le seuil strict unitaire $D_i = 1$<\/span> \u2014 permet \u00e0 l’analyste de classer instantan\u00e9ment les observations en fonction de leur dangerosit\u00e9 statistique.<\/p>\n Au-del\u00e0 de la d\u00e9tection de cas isol\u00e9s, le graphique s\u00e9quentiel offre un avantage heuristique remarquable pour l’audit du recueil des donn\u00e9es : il permet d’identifier d’\u00e9ventuels effets d’agglom\u00e9ration temporelle. Si l’on constate qu’une s\u00e9rie d’observations hautement influentes se succ\u00e8de cons\u00e9cutivement dans l’ordre de passation d’un protocole exp\u00e9rimental, cela peut trahir une d\u00e9faillance technique d’un instrument de mesure \u00e0 un moment pr\u00e9cis du protocole, un rel\u00e2chement des consignes par un assistant de recherche particulier, ou un \u00e9v\u00e9nement contextuel perturbateur survenu au sein du laboratoire.<\/p>\n La repr\u00e9sentation la plus sophistiqu\u00e9e et la plus compl\u00e8te sur le plan de l’information statistique est sans conteste le diagramme bidimensionnel croisant les r\u00e9sidus standardis\u00e9s ou studentis\u00e9s sur l’axe des ordonn\u00e9es et les valeurs de levier $h_{ii}$<\/span> sur l’axe des abscisses. Ce graphique mat\u00e9rialise visuellement la d\u00e9composition multiplicative formul\u00e9e par Dennis Cook, en articulant les deux dimensions fondamentales de l’atypisme d’un individu statistique.<\/p>\n L’apport majeur de ce graphique r\u00e9side dans la superposition de lignes de niveau ou d’isocontours correspondant \u00e0 des valeurs constantes de la distance de Cook (courbes d’iso-influence pour $D = 0,5$<\/span> et $D = 1$<\/span>). Ces courbes adoptent l’allure d’hyperboles asymptotiques venant contraindre les r\u00e9gions extr\u00eames de l’espace graphique :<\/p>\n Cette visualisation permet d’appr\u00e9hender en un coup d’\u0153il la typologie exacte des anomalies. Un point situ\u00e9 en haut \u00e0 gauche du graphique sera imm\u00e9diatement diagnostiqu\u00e9 comme une valeur aberrante pure sans influence structurelle majeure. Un point situ\u00e9 en bas \u00e0 droite sera class\u00e9 comme un levier sain. Enfin, toute observation s’aventurant dans le quadrant sup\u00e9rieur droit ou inf\u00e9rieur droit au-del\u00e0 des courbes d’isocontour $D = 1$<\/span> est imm\u00e9diatement \u00e9pingl\u00e9e comme une menace de premier ordre pour la stabilit\u00e9 du mod\u00e8le.<\/p>\n Pour contextualiser l’influence au c\u0153ur m\u00eame des relations bivari\u00e9es ou multivari\u00e9es \u00e9tudi\u00e9es, les diagrammes de dispersion augment\u00e9s constituent un instrument p\u00e9dagogique et diagnostique d’une rare \u00e9loquence. Le principe repose sur l’enrichissement d’un nuage de points classique ($Y$<\/span> en fonction de $X$<\/span>) par l’int\u00e9gration de la distance de Cook comme variable esth\u00e9tique de dimensionnement : le diam\u00e8tre g\u00e9om\u00e9trique de chaque point (ou bulle) est modul\u00e9 proportionnellement \u00e0 sa valeur de $D_i$<\/span>.<\/p>\n Dans ce type de visualisation, l’analyste per\u00e7oit imm\u00e9diatement l’impact m\u00e9canique d’un point influent sur la ligne de r\u00e9gression trac\u00e9e \u00e0 travers les donn\u00e9es. Si la droite d’ajustement est inclin\u00e9e vers le haut sous l’effet d’une \u00e9norme bulle situ\u00e9e dans le coin sup\u00e9rieur droit du graphe, alors que la quasi-totalit\u00e9 des petites bulles forme un nuage horizontal ou descendant, l’artefact appara\u00eet avec une \u00e9vidence irr\u00e9futable. L’observateur saisit intuitivement comment ce point unique agit comme un p\u00f4le magn\u00e9tique qui a infl\u00e9chi la trajectoire globale du mod\u00e8le.<\/p>\n Dans le cadre de r\u00e9gressions multivari\u00e9es complexes comportant de nombreux pr\u00e9dicteurs, cette approche s’\u00e9tend aux matrices de diagrammes de dispersion (scatterplot matrices<\/em>). En colorant ou en dimensionnant les donn\u00e9es selon leur distance de Cook globale \u00e0 travers l’ensemble des projections bidimensionnelles crois\u00e9es, l’investigateur peut d\u00e9masquer les courbures locales et les sous-groupes dissimul\u00e9s qui demeurent totalement invisibles lors d’une inspection s\u00e9quentielle univari\u00e9e.<\/p>\n Le langage statistique open source R int\u00e8gre nativement l’ensemble des fonctionnalit\u00e9s n\u00e9cessaires au calcul et au diagnostic exhaustif de la distance de Cook au sein de sa distribution de base (base R<\/em>). L’ajustement initial s’op\u00e8re par l’interm\u00e9diaire de la fonction fondamentale Consid\u00e9rons l’exemple th\u00e9orique d’un mod\u00e8le estimant un score d’\u00e9puisement professionnel (Burnout<\/em>) \u00e0 partir du niveau de charge cognitive et du nombre d’heures de travail hebdomadaires. L’ajustement et l’extraction de la m\u00e9trique d’influence s’orchestrent par les commandes \u00e9l\u00e9mentaires :<\/p>\n Le moteur graphique interne de R propose une suite diagnostique hautement efficiente accessible par l’application de la m\u00e9thode g\u00e9n\u00e9rique L’ex\u00e9cution de l’instruction Dans les flux de traitement de donn\u00e9es contemporains r\u00e9pondant aux standards de la science des donn\u00e9es reproductible, l’interaction avec les mod\u00e8les statistiques s’articule pr\u00e9f\u00e9rentiellement autour des paquets de l’\u00e9cosyst\u00e8me tidyverse<\/em> et du paquet d’uniformisation broom<\/em>. La fonction Cette standardisation facilite grandement l’automatisation du filtrage algorithmique et la mise en \u0153uvre de tests d’int\u00e9grit\u00e9 statistique au moyen des verbes du paquet dplyr<\/em>. L’analyste peut impl\u00e9menter une r\u00e8gle de d\u00e9tection programm\u00e9e pour isoler de mani\u00e8re d\u00e9terministe l’ensemble des participants exc\u00e9dant le seuil dynamique $4\/n$<\/span> :<\/p>\n1.2 D\u00e9finition et typologie des observations probl\u00e9matiques<\/h3>\n
1.3 Origine historique et r\u00f4le fondamental de la m\u00e9trique de R. Dennis Cook<\/h3>\n
![\"Cook\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/cooksD2.jpg\")
2. Fondements th\u00e9oriques et conceptuels de la distance de Cook<\/h2>\n
2.1 Le principe du r\u00e9\u00e9chantillonnage par omission unitaire (Jackknife)<\/h3>\n
2.2 Mesure globale du d\u00e9placement des valeurs ajust\u00e9es<\/h3>\n
2.3 Place de la distance de Cook dans le diagnostic de r\u00e9gression<\/h3>\n
3. D\u00e9composition math\u00e9matique et formulation analytique<\/h2>\n
3.1 Anatomie de la formule standard de la distance de Cook<\/h3>\n
\n
3.2 Interaction multiplicative entre levier et r\u00e9sidu<\/h3>\n
3.3 Formulation alternative matricielle<\/h3>\n
4. Distinction syst\u00e9matique entre r\u00e9sidus, levier et influence<\/h2>\n
4.1 Les r\u00e9sidus et leurs formes normalis\u00e9es<\/h3>\n
4.2 Le levier (leverage) et l’espace des variables pr\u00e9dictives<\/h3>\n
\n
4.3 L’influence comme produit de l’erreur et de l’excentricit\u00e9<\/h3>\n
5. Seuils critiques et crit\u00e8res de d\u00e9cision statistique<\/h2>\n
5.1 Le crit\u00e8re historique bas\u00e9 sur la distribution F de Fisher<\/h3>\n
5.2 Le seuil empirique universel D_i sup\u00e9rieur \u00e0 1<\/h3>\n
5.3 Le seuil d\u00e9pendant de la taille de l’\u00e9chantillon : 4 \/ n ou 4 \/ (n – p – 1)<\/h3>\n
5.4 Synth\u00e8se et choix contextuel du crit\u00e8re analytique<\/h3>\n
\n\n
\n \nContexte de recherche<\/th>\n Taille de l’\u00e9chantillon<\/th>\n Seuil recommand\u00e9<\/th>\n Implication m\u00e9thodologique principale<\/th>\n<\/tr>\n<\/thead>\n \n \u00c9tudes exploratoires \/ pilotes<\/td>\n Petite ($n < 50$<\/span>)<\/td>\n $D_i > 4\/n$<\/span> ou $D_i > 4\/(n-p)$<\/span><\/td>\n Haute sensibilit\u00e9 : identifier tout individu capable de d\u00e9stabiliser un \u00e9chantillon fragile.<\/td>\n<\/tr>\n \n V\u00e9rification d’hypoth\u00e8ses \/ confirmatoire<\/td>\n Moyenne ($50 le n le 500$<\/span>)<\/td>\n $D_i > 4\/n$<\/span> coupl\u00e9 \u00e0 $D_i > 0,5$<\/span><\/td>\n \u00c9quilibre : isoler les cas suspects sans p\u00e9naliser la variance naturelle de l’\u00e9chantillon.<\/td>\n<\/tr>\n \n Recherches \u00e9pid\u00e9miologiques \/ Big Data<\/td>\n Grande ($n > 500$<\/span>)<\/td>\n Inspection des percentiles extr\u00eames (top 0,1 %) ou $D_i > 1$<\/span><\/td>\n \u00c9viter l’hyper-d\u00e9tection artificielle de faux positifs induite par le seuil $4\/n$<\/span>.<\/td>\n<\/tr>\n \n Validation clinique standard<\/td>\n Toute taille<\/td>\n $D_i > 1$<\/span><\/td>\n Seuil absolu d’urgence : intervention imp\u00e9rative pour pr\u00e9server la validit\u00e9 de l’inf\u00e9rence.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n 6. M\u00e9thodes de visualisation et diagnostic graphique<\/h2>\n
6.1 Le graphique s\u00e9quentiel des distances de Cook (Index Plot)<\/h3>\n
6.2 Le graphique des r\u00e9sidus en fonction du levier avec courbes de niveau<\/h3>\n
\n
6.3 Diagrammes de bulles et matrices de dispersion augment\u00e9es<\/h3>\n
7. Impl\u00e9mentation technique et calculs avanc\u00e9s sous le langage R<\/h2>\n
7.1 Extraction via les fonctions de base du moteur R<\/h3>\n
lm()<\/code>, laquelle g\u00e9n\u00e8re un objet de classe r\u00e9gression lin\u00e9aire renfermant toutes les structures matricielles requises. L’extraction computationnelle directe du vecteur des distances de Cook s’effectue sans aucune d\u00e9pendance externe gr\u00e2ce \u00e0 l’appel de la fonction d\u00e9di\u00e9e cooks.distance()<\/code>.<\/p>\nmodele_lineaire <- lm(Burnout ~ Charge_Cognitive + Heures_Travail, data = donnees_psychologie)<\/code>
\ndistances_cook <- cooks.distance(modele_lineaire)<\/code><\/p>\nplot()<\/code> sur l’objet du mod\u00e8le. Deux configurations d’arguments sont sp\u00e9cifiquement consacr\u00e9es \u00e0 l’\u00e9valuation de l’influence globale :<\/p>\n![\"Side](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/cooksD.jpg\")
plot(modele_lineaire, which = 4)<\/code> g\u00e9n\u00e8re instantan\u00e9ment l’Index Plot<\/em> des distances de Cook, annotant automatiquement les trois observations les plus perturbatrices de l’\u00e9chantillon par leurs num\u00e9ros de ligne respectifs. De mani\u00e8re compl\u00e9mentaire, l’instruction plot(modele_lineaire, which = 5)<\/code> affiche le diagramme des r\u00e9sidus standardis\u00e9s en fonction du levier statistique, mat\u00e9rialisant en surimpression les courbes de niveau critiques pour $D = 0,5$<\/span> et $D = 1$<\/span>.<\/p>\n7.2 Automatisation du filtrage avec tidyverse et broom<\/h3>\n
augment()<\/code> du paquetage broom<\/em> offre une passerelle analytique d’une fluidit\u00e9 remarquable en annexant directement l’ensemble des diagnostics de r\u00e9gression \u2014 incluant les r\u00e9sidus standardis\u00e9s (.std.resid<\/code>), les valeurs de levier (.hat<\/code>) et les distances de Cook (.cooksd<\/code>) \u2014 au tableau de donn\u00e9es originel sous forme d’un tibble<\/em> enrichi.<\/p>\n