Dans le domaine de l’\u00e9conom\u00e9trie appliqu\u00e9e, de la biom\u00e9trie et des sciences comportementales quantitatives, l’analyse de r\u00e9gression lin\u00e9aire multiple constitue le socle m\u00e9thodologique sur lequel reposent l’explication et la pr\u00e9diction des ph\u00e9nom\u00e8nes empiriques. Cependant, la construction d’un mod\u00e8le statistique ne se r\u00e9sume pas \u00e0 l’accumulation indiff\u00e9renci\u00e9e de variables ind\u00e9pendantes au sein d’une \u00e9quation d’estimation. L’analyste se trouve constamment confront\u00e9 \u00e0 une tension fondamentale entre la recherche d’une compl\u00e9tude explicative maximale et le respect imp\u00e9ratif du principe de parcimonie, souvent d\u00e9sign\u00e9 sous le nom de rasoir d’Ockham. L’int\u00e9gration de pr\u00e9dicteurs superflus accro\u00eet la variance des estimateurs, d\u00e9grade la pr\u00e9cision inf\u00e9rentielle et induit un risque substantiel de surapprentissage, tandis que l’omission de variables fondamentales engendre des biais de sp\u00e9cification d\u00e9l\u00e9t\u00e8res qui faussent l’interpr\u00e9tation causale des coefficients.<\/p>\n
Pour arbitrer rigoureusement cette dialectique entre complexit\u00e9 et parcimonie, l’inf\u00e9rence statistique classique propose une gamme d’outils d\u00e9cisionnels fond\u00e9s sur la th\u00e9orie du test d’hypoth\u00e8se. Parmi ces instruments, le test F partiel \u2014 \u00e9galement qualifi\u00e9 de test F de changement, de test F incr\u00e9mental ou de test de contrainte lin\u00e9aire multiple \u2014 occupe une position \u00e9pist\u00e9mologique centrale. Contrairement aux approches bivari\u00e9es na\u00efves ou aux \u00e9valuations purement globales de l’ajustement d’un mod\u00e8le, le test F partiel offre un cadre d’inf\u00e9rence permettant de d\u00e9terminer formellement si l’adjonction conjointe d’un ensemble sp\u00e9cifique de pr\u00e9dicteurs apporte une r\u00e9duction statistiquement significative de l’erreur r\u00e9siduelle, conditionnellement \u00e0 la pr\u00e9sence d’un socle de variables d\u00e9j\u00e0 contr\u00f4l\u00e9es.<\/p>\n
Ce trait\u00e9 exhaustif se propose d’examiner le test F partiel sous l’ensemble de ses dimensions math\u00e9matiques, m\u00e9thodologiques, diagnostiques et appliqu\u00e9es. De sa d\u00e9rivation alg\u00e9brique rigoureuse \u00e0 partir de la d\u00e9composition des sommes de carr\u00e9s, jusqu’\u00e0 son d\u00e9ploiement informatique dans les logiciels d’analyse contemporains et son int\u00e9gration dans les pratiques de science ouverte, cette contribution vise \u00e0 doter le chercheur, le biostatisticien et l’analyste de donn\u00e9es des cl\u00e9s th\u00e9oriques et pratiques n\u00e9cessaires pour concevoir des mod\u00e9lisations hi\u00e9rarchiques robustes, interpr\u00e9tables et reproductibles.<\/p>\n
Le test F partiel constitue une proc\u00e9dure inf\u00e9rentielle param\u00e9trique sp\u00e9cifiquement con\u00e7ue pour \u00e9valuer l’apport explicatif marginal d’un sous-ensemble pr\u00e9cis de variables ind\u00e9pendantes au sein d’un mod\u00e8le de r\u00e9gression lin\u00e9aire<\/a>. Dans la pratique de la recherche, il est exceptionnel qu’une hypoth\u00e8se scientifique porte sur une seule variable isol\u00e9e de tout contexte ou, \u00e0 l’inverse, sur l’int\u00e9gralit\u00e9 indistincte de toutes les mesures recueillies lors d’une \u00e9tude empirique. Bien souvent, la formalisation th\u00e9orique postule qu’un bloc conceptuel particulier \u2014 par exemple un ensemble de marqueurs g\u00e9n\u00e9tiques, une batterie de tests neuropsychologiques \u00e9valuant les fonctions ex\u00e9cutives, ou une s\u00e9rie d’indicateurs macro\u00e9conomiques sectoriels \u2014 poss\u00e8de une capacit\u00e9 pr\u00e9dictive propre qui surpasse celle d’un ensemble de covariables de contr\u00f4le d\u00e9j\u00e0 bien document\u00e9es dans la litt\u00e9rature.<\/p>\n La finalit\u00e9 premi\u00e8re du test F partiel r\u00e9side donc dans sa capacit\u00e9 \u00e0 discriminer entre la significativit\u00e9 globale du syst\u00e8me de r\u00e9gression et la significativit\u00e9 marginale conditionnelle de ses composantes. Alors qu’un mod\u00e8le peut afficher un coefficient de d\u00e9termination global \u00e9lev\u00e9 sous l’effet de pr\u00e9dicteurs triviaux mais fortement corr\u00e9l\u00e9s \u00e0 la variable d\u00e9pendante, le test F partiel isole la variance r\u00e9siduelle inexpliqu\u00e9e et quantifie pr\u00e9cis\u00e9ment si le sous-ensemble de pr\u00e9dicteurs candidats capture une part de variance qui \u00e9chappe aux variables d\u00e9j\u00e0 \u00e9tablies. Il ne s’agit pas simplement de v\u00e9rifier si ces nouvelles variables sont corr\u00e9l\u00e9es avec le crit\u00e8re, mais de d\u00e9terminer si leur contribution est orthogonalement additive au sous-espace vectoriel d\u00e9fini par les pr\u00e9dicteurs initiaux.<\/p>\n Sur le plan de l’\u00e9pist\u00e9mologie quantitative, ce test s’av\u00e8re indispensable pour l’\u00e9laboration de th\u00e9ories scientifiques parcimonieuses. En interdisant l’inclusion arbitraire de param\u00e8tres dont l’apport \u00e0 la r\u00e9duction de l’erreur quadratique n’est pas d\u00e9montr\u00e9 sur le plan inf\u00e9rentiel, le test F partiel pr\u00e9serve la structure des mod\u00e8les contre l’inflation artificielle de leur complexit\u00e9. Il \u00e9tablit une passerelle probabiliste formelle pour comparer deux architectures statistiques rivales, en r\u00e9pondant \u00e0 la question pr\u00e9cise : la perte d’ajustement subie lors de la suppression de ces variables est-elle imputable aux simples fluctuations d’\u00e9chantillonnage, ou traduit-elle une v\u00e9ritable r\u00e9gression de la capacit\u00e9 explicative du mod\u00e8le dans la population sous-jacente ?<\/p>\n L’application l\u00e9gitime du test F partiel repose imp\u00e9rativement sur la notion de mod\u00e8les embo\u00eet\u00e9s, ou nested models<\/em> dans la terminologie anglo-saxonne. En analyse math\u00e9matique et en mod\u00e9lisation statistique, deux mod\u00e8les sont dits embo\u00eet\u00e9s si et seulement si l’espace param\u00e9trique de l’un constitue un sous-ensemble strict de l’espace param\u00e9trique de l’autre. En termes plus concrets, le mod\u00e8le le plus simple \u2014 d\u00e9nomm\u00e9 mod\u00e8le restreint ou mod\u00e8le r\u00e9duit (Reduced Model<\/em>) \u2014 doit pouvoir \u00eatre obtenu \u00e0 partir du mod\u00e8le le plus complexe \u2014 d\u00e9nomm\u00e9 mod\u00e8le complet (Full Model<\/em>) \u2014 par l’imposition directe d’une ou plusieurs contraintes lin\u00e9aires sur ses param\u00e8tres, g\u00e9n\u00e9ralement en contraignant un sous-ensemble de coefficients de r\u00e9gression \u00e0 \u00eatre rigoureusement \u00e9gaux \u00e0 z\u00e9ro.<\/p>\n Soit un mod\u00e8le complet dans lequel la variable d\u00e9pendante est mod\u00e9lis\u00e9e par une constante et une collection totale de pr\u00e9dicteurs. Ce mod\u00e8le mobilise un nombre d\u00e9termin\u00e9 de degr\u00e9s de libert\u00e9 pour estimer ses coefficients. Le mod\u00e8le r\u00e9duit correspondant est g\u00e9n\u00e9r\u00e9 en \u00e9liminant un sous-groupe pr\u00e9d\u00e9fini de ces covariables, sans ajouter aucune variable nouvelle qui ne figurerait pas d\u00e9j\u00e0 dans la formulation compl\u00e8te. Cette relation hi\u00e9rarchique d’imbrication garantit que toute l’information pr\u00e9sente dans le mod\u00e8le r\u00e9duit est int\u00e9gralement subsum\u00e9e par le mod\u00e8le complet. Le sous-espace vectoriel engendr\u00e9 par la matrice de conception (design matrix<\/em>) du mod\u00e8le r\u00e9duit est un sous-espace vectoriel strict de celui engendr\u00e9 par la matrice du mod\u00e8le complet.<\/p>\n Pour illustrer ce concept par un exemple classique, consid\u00e9rons une \u00e9tude \u00e9valuant la performance acad\u00e9mique des \u00e9tudiants. Le mod\u00e8le complet peut int\u00e9grer l’intelligence fluide, le temps d’\u00e9tude hebdomadaire, ainsi que trois variables distinctes mesurant les dimensions de la motivation intrins\u00e8que, de l’auto-efficacit\u00e9 per\u00e7ue et de l’anxi\u00e9t\u00e9 face aux examens. Si l’on souhaite tester l’hypoth\u00e8se selon laquelle les facteurs psycho-affectifs n’exercent aucune influence sur la performance une fois l’intelligence et le travail personnel contr\u00f4l\u00e9s, le mod\u00e8le r\u00e9duit sera sp\u00e9cifi\u00e9 en contraignant simultan\u00e9ment les trois coefficients des variables psycho-affectives \u00e0 z\u00e9ro. Le mod\u00e8le r\u00e9duit ne contient alors plus que l’intelligence fluide et le temps d’\u00e9tude. Les deux sp\u00e9cifications sont parfaitement embo\u00eet\u00e9es, satisfaisant ainsi \u00e0 l’exigence architecturale pr\u00e9alable du test F partiel.<\/p>\n Dans l’arsenal de l’inf\u00e9rence statistique contemporaine, le test F partiel repr\u00e9sente l’un des piliers op\u00e9rationnels de la d\u00e9marche hypoth\u00e9tico-d\u00e9ductive. Alors que les algorithmes d’apprentissage automatique non supervis\u00e9s ou semi-supervis\u00e9s favorisent souvent des approches exploratoires ax\u00e9es sur la pure minimisation empirique de l’erreur pr\u00e9dictive hors \u00e9chantillon, la recherche scientifique fondamentale exige une validation th\u00e9orique explicite des m\u00e9canismes suppos\u00e9s sous-tendre les associations observ\u00e9es. Le test F partiel permet d’articuler cette validation th\u00e9orique en offrant un m\u00e9canisme formel pour tester des hypoth\u00e8ses de recherche a priori sur des blocs de variables conceptuellement structur\u00e9s.<\/p>\n Ce test s’av\u00e8re particuli\u00e8rement central dans la r\u00e9gression hi\u00e9rarchique<\/a> s\u00e9quentielle, une m\u00e9thode largement r\u00e9pandue en \u00e9pid\u00e9miologie, en sociologie et en psychologie quantitative. Dans ce cadre m\u00e9thodologique, les variables sont introduites par \u00e9tapes chronologiques ou th\u00e9oriques successives au sein de mod\u00e8les de plus en plus complexes. \u00c0 chaque palier d’adjonction, le test F partiel fournit le crit\u00e8re statistique d\u00e9cisif attestant que l’introduction du nouveau palier conceptuel \u00e9l\u00e8ve de mani\u00e8re non al\u00e9atoire la proportion de variance expliqu\u00e9e, justifiant ainsi empiriquement l’enrichissement th\u00e9orique du mod\u00e8le.<\/p>\n En outre, le test F partiel joue un r\u00f4le r\u00e9gulateur fondamental dans l’arbitrage structurel entre sous-apprentissage (underfitting<\/em>) et surapprentissage (overfitting<\/em>). Le sous-apprentissage caract\u00e9rise un mod\u00e8le trop rudimentaire incapable de capturer les relations syst\u00e9matiques au sein des donn\u00e9es, se traduisant par une erreur r\u00e9siduelle excessive et un biais m\u00e9thodologique \u00e9lev\u00e9. \u00c0 l’inverse, le surapprentissage intervient lorsqu’un mod\u00e8le surparam\u00e9tr\u00e9 s’ajuste au bruit al\u00e9atoire sp\u00e9cifique de l’\u00e9chantillon au d\u00e9triment de sa g\u00e9n\u00e9ralisabilit\u00e9. En imposant une p\u00e9nalisation rigoureuse proportionnelle au nombre de param\u00e8tres mobilis\u00e9s pour r\u00e9duire l’erreur r\u00e9siduelle, le test F partiel op\u00e8re comme un garde-fou th\u00e9orique, s’assurant que chaque param\u00e8tre additionnel paye son co\u00fbt stochastique par un gain de pr\u00e9cision substantiel.<\/p>\n L’assise math\u00e9matique du test F partiel d\u00e9coule directement de la g\u00e9om\u00e9trie de l’espace euclidien appliqu\u00e9e aux moindres carr\u00e9s ordinaires<\/a> (MCO). Soit un \u00e9chantillon de taille n pour lequel on observe un vecteur de r\u00e9ponse y de dimension (n x 1). Lorsqu’on ajuste un mod\u00e8le de r\u00e9gression lin\u00e9aire, l’estimation des coefficients par les moindres carr\u00e9s consiste \u00e0 projeter orthogonalement le vecteur y sur le sous-espace vectoriel engendr\u00e9 par les colonnes de la matrice des variables pr\u00e9dictives. La somme des carr\u00e9s des r\u00e9sidus, not\u00e9e usuellement RSS (Residual Sum of Squares<\/em>) ou SSE (Sum of Squared Errors<\/em>), mesure la norme euclidienne au carr\u00e9 du vecteur des r\u00e9sidus, c’est-\u00e0-dire la portion de la variance de y qui demeure orthogonale au sous-espace des pr\u00e9dicteurs.<\/p>\n Consid\u00e9rons \u00e0 pr\u00e9sent la somme des carr\u00e9s r\u00e9siduels du mod\u00e8le complet, d\u00e9sign\u00e9e par RSS_full, et la somme des carr\u00e9s r\u00e9siduels du mod\u00e8le r\u00e9duit, d\u00e9sign\u00e9e par RSS_reduced. Le mod\u00e8le r\u00e9duit \u00e9tant obtenu par projection sur un sous-espace vectoriel de dimension strictement inf\u00e9rieure \u00e0 celui du mod\u00e8le complet, il d\u00e9coule des propri\u00e9t\u00e9s fondamentales de l’alg\u00e8bre lin\u00e9aire et des projections orthogonales que l’in\u00e9galit\u00e9 suivante est universellement v\u00e9rifi\u00e9e :<\/p>\n RSS_reduced ≥ RSS_full<\/p>\n Cette relation fondamentale signifie qu’en ajoutant des pr\u00e9dicteurs dans un mod\u00e8le de r\u00e9gression lin\u00e9aire sous les moindres carr\u00e9s ordinaires, la somme des carr\u00e9s des erreurs r\u00e9siduelles ne peut jamais augmenter ; elle diminue de mani\u00e8re quasi syst\u00e9matique ou, au pire des cas extr\u00eames d’orthogonalit\u00e9 stricte, demeure rigoureusement constante. La diff\u00e9rence alg\u00e9brique quantifi\u00e9e par :<\/p>\n ΔRSS = RSS_reduced – RSS_full<\/p>\n repr\u00e9sente la variation de variabilit\u00e9 inexpliqu\u00e9e entre les deux sp\u00e9cifications, c’est-\u00e0-dire le gain exact d’ajustement quadratique imputable exclusivement \u00e0 l’inclusion du sous-ensemble de covariables test\u00e9es. Toute la probl\u00e9matique inf\u00e9rentielle consiste d\u00e8s lors \u00e0 d\u00e9terminer si cette diff\u00e9rence num\u00e9rique est simplement le reflet d’une opportunit\u00e9 d’\u00e9chantillonnage al\u00e9atoire ou si elle est d’une amplitude suffisamment importante pour attester que les vrais coefficients de ces pr\u00e9dicteurs dans la population ne sont pas simultan\u00e9ment nuls.<\/p>\n Pour construire une statistique de test dont la distribution d’\u00e9chantillonnage est parfaitement connue sous l’hypoth\u00e8se nulle, il est n\u00e9cessaire de rapporter le gain d’ajustement g\u00e9n\u00e9r\u00e9 par les nouvelles variables \u00e0 l’erreur r\u00e9siduelle intrins\u00e8que du mod\u00e8le complet, tout en standardisant chacune de ces deux grandeurs par leurs degr\u00e9s de libert\u00e9 respectifs. La formulation canonique de la statistique de test F partiel se d\u00e9finit formellement comme suit :<\/p>\n F = [ (RSS_reduced – RSS_full) \/ p ] \/ [ RSS_full \/ (n – k) ]<\/p>\n Il importe de d\u00e9composer scrupuleusement chacun des termes de cette formule fondamentale :<\/p>\n Le num\u00e9rateur de cette expression, souvent qualifi\u00e9 de carr\u00e9 moyen incr\u00e9mental (Incremental Mean Square<\/em>), mesure la r\u00e9duction moyenne de la variance d’erreur par degr\u00e9 de libert\u00e9 consomm\u00e9 lors de l’adjonction des nouvelles variables. Le d\u00e9nominateur constitue le carr\u00e9 moyen r\u00e9siduel (Mean Square Error<\/em> ou MSE) du mod\u00e8le complet, qui correspond \u00e0 l’estimateur sans biais de la variance d’erreur conditionnelle de la population (σ²). Le ratio F appara\u00eet donc comme un rapport de deux variances estim\u00e9es, permettant de v\u00e9rifier si la variance expliqu\u00e9e par le bloc de variables additionnelles est substantiellement sup\u00e9rieure \u00e0 la variance r\u00e9siduelle purement stochastique du syst\u00e8me.<\/p>\n L’exactitude math\u00e9matique de la distribution de probabilit\u00e9 du test F d\u00e9pend int\u00e9gralement de l’assignation correcte des degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 la fois au num\u00e9rateur et au d\u00e9nominateur du ratio. En statistique math\u00e9matique, les degr\u00e9s de libert\u00e9 repr\u00e9sentent le nombre d’informations ind\u00e9pendantes restant disponibles pour faire varier un syst\u00e8me apr\u00e8s que des contraintes d’estimation ont \u00e9t\u00e9 impos\u00e9es aux donn\u00e9es.<\/p>\n Les degr\u00e9s de libert\u00e9 du num\u00e9rateur, not\u00e9s df1 ou ν1, correspondent strictement \u00e0 p, c’est-\u00e0-dire au nombre de param\u00e8tres qui font l’objet d’une contrainte d’annulation simultan\u00e9e sous l’hypoth\u00e8se nulle. Si un chercheur ajoute un ensemble de quatre nouveaux pr\u00e9dicteurs \u00e0 une sp\u00e9cification existante, df1 prendra la valeur exacte de 4. Ces degr\u00e9s de libert\u00e9 mesurent la dimensionnalit\u00e9 g\u00e9om\u00e9trique du sous-espace orthogonal additionnel explor\u00e9 par le mod\u00e8le complet par rapport au mod\u00e8le r\u00e9duit. Plus la valeur de p est grande, plus le mod\u00e8le complet a consomm\u00e9 de souplesse pour capturer la variance de la variable d\u00e9pendante, ce qui exige que le num\u00e9rateur soit divis\u00e9 par p afin de ramener le gain d’ajustement \u00e0 une \u00e9chelle unitaire par variable ajout\u00e9e.<\/p>\n Les degr\u00e9s de libert\u00e9 du d\u00e9nominateur, not\u00e9s df2 ou ν2, correspondent quant \u00e0 eux \u00e0 la variance r\u00e9siduelle du mod\u00e8le complet et s’expriment par la relation n – k. Ces degr\u00e9s de libert\u00e9 repr\u00e9sentent la taille de l’\u00e9chantillon corrig\u00e9e du nombre total de param\u00e8tres libres mobilis\u00e9s pour calibrer la surface de r\u00e9gression multidimensionnelle dans sa forme la plus vaste. Si l’\u00e9chantillon comprend 250 sujets et que le mod\u00e8le complet estime 9 coefficients de r\u00e9gression plus l’ordonn\u00e9e \u00e0 l’origine (k = 10), le d\u00e9nominateur dispose de df2 = 250 – 10 = 240 degr\u00e9s de libert\u00e9. Sous les hypoth\u00e8ses de normalit\u00e9 et d’homosc\u00e9dasticit\u00e9, les sommes de carr\u00e9s au num\u00e9rateur et au d\u00e9nominateur, convenablement divis\u00e9es par la variance σ², suivent ind\u00e9pendamment des lois du chi-carr\u00e9<\/a> (χ²) \u00e0 p et n – k degr\u00e9s de libert\u00e9 respectivement. Leur ratio convenablement standardis\u00e9 suit rigoureusement la distribution F de Fisher-Snedecor param\u00e9tr\u00e9e par le couple (p, n – k).<\/p>\n La validit\u00e9 inf\u00e9rentielle du test F partiel d\u00e9pend de mani\u00e8re indissociable du respect des hypoth\u00e8ses classiques qui gouvernent le mod\u00e8le de r\u00e9gression lin\u00e9aire sous la formulation de Gauss-Markov, compl\u00e9t\u00e9e par l’hypoth\u00e8se de distribution normale des perturbations stochastiques. Bien que le th\u00e9or\u00e8me de Gauss-Markov<\/a> garantisse que les estimateurs des moindres carr\u00e9s ordinaires sont les meilleurs estimateurs lin\u00e9aires sans biais (estimateurs BLUE) sous de simples conditions de moments, la d\u00e9rivation formelle de la loi F \u00e0 distance finie exige imp\u00e9rativement que les erreurs r\u00e9siduelles suivent une loi normale multivari\u00e9e.<\/p>\n Formellement, pour chaque observation i comprise entre 1 et n, l’erreur al\u00e9atoire conditionnelle ε_i doit satisfaire aux postulats canoniques suivants :<\/p>\n Si ces postulats sont viol\u00e9s, la statistique empirique calcul\u00e9e ne converge plus vers la distribution th\u00e9orique de Fisher sous l’hypoth\u00e8se nulle, compromettant imm\u00e9diatement le contr\u00f4le de l’erreur d’inf\u00e9rence.<\/p>\n Les perturbations touchant les conditions d’application du mod\u00e8le lin\u00e9aire exercent des impacts asym\u00e9triques sur la robustesse et la validit\u00e9 du test F partiel. La violation la plus pr\u00e9judiciable est sans conteste l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, situation dans laquelle la variance de l’erreur σ² varie en fonction des valeurs prises par les pr\u00e9dicteurs. Lorsque l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 est pr\u00e9sente, l’estimateur standard de la variance d’erreur au d\u00e9nominateur de la statistique F devient biais\u00e9 et inconsistant. En cons\u00e9quence, le taux nominal d’erreur de premi\u00e8re esp\u00e8ce (α) est massivement distordu : un chercheur croyant tester une hypoth\u00e8se au seuil de 5 % peut en r\u00e9alit\u00e9 rejeter \u00e0 tort l’hypoth\u00e8se nulle avec une fr\u00e9quence r\u00e9elle de 15 % ou 20 %, conduisant \u00e0 d\u00e9clarer l’apport incr\u00e9mental de variables purement fallacieuses.<\/p>\n Une autre complication m\u00e9thodologique majeure r\u00e9sulte de la multicolin\u00e9arit\u00e9<\/a> s\u00e9v\u00e8re entre les pr\u00e9dicteurs. Bien que la colin\u00e9arit\u00e9 ne modifie pas le calcul m\u00e9canique de la statistique F globale du mod\u00e8le, elle d\u00e9grade s\u00e9v\u00e8rement la capacit\u00e9 du test F partiel \u00e0 isoler la contribution unique d’un bloc de variables lorsque celui-ci chevauche massivement le sous-espace d\u00e9fini par les pr\u00e9dicteurs du mod\u00e8le r\u00e9duit. Dans cette configuration, les variances des estimations de coefficients explosent, et la statistique F partielle peut paradoxalement chuter en raison d’une quasi-redondance d’information, dissimulant un effet r\u00e9el qui se trouve dilu\u00e9 dans l’intercorr\u00e9lation des variables explicatives.<\/p>\n Enfin, la vuln\u00e9rabilit\u00e9 du test F partiel face aux valeurs aberrantes (outliers<\/em>) et aux observations influentes constitue une faiblesse structurelle li\u00e9e \u00e0 la nature m\u00eame des moindres carr\u00e9s ordinaires. L’utilisation d’une fonction de perte quadratique amplifie disproportionnellement l’influence des r\u00e9sidus extr\u00eames. Une seule observation pr\u00e9sentant un fort effet levier (high leverage point<\/em>) combin\u00e9 \u00e0 un r\u00e9sidu substantiel \u2014 caract\u00e9ris\u00e9 par une distance de Cook \u00e9lev\u00e9e \u2014 est capable de faire basculer artificiellement la valeur de RSS_full ou de RSS_reduced, engendrant soit un rejet fallacieux de l’hypoth\u00e8se nulle, soit l’oblit\u00e9ration d’un effet pourtant pr\u00e9gnant sur le reste de la cohorte.<\/p>\n Avant d’engager le calcul formel du test F partiel et d’en interpr\u00e9ter les r\u00e9sultats inf\u00e9rentiels, une s\u00e9quence rigoureuse d’inspections diagnostiques s’impose syst\u00e9matiquement \u00e0 l’analyste. La premi\u00e8re d\u00e9marche repose sur l’examen visuel qualitatif du graphique des r\u00e9sidus studentis\u00e9s en fonction des valeurs ajust\u00e9es (fitted values<\/em>). Ce trac\u00e9 doit id\u00e9alement pr\u00e9senter une dispersion rectangulaire al\u00e9atoire homog\u00e8ne de points autour de la ligne horizontale du z\u00e9ro. Toute forme d’entonnoir (funnel shape<\/em>) indique sans \u00e9quivoque une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sous-jacente, tandis qu’une configuration curvilin\u00e9aire r\u00e9v\u00e8le un d\u00e9faut de lin\u00e9arit\u00e9 imposant la transformation des pr\u00e9dicteurs ou la mod\u00e9lisation de termes polynomiaux.<\/p>\n Cette approche graphique doit imp\u00e9rativement \u00eatre compl\u00e9t\u00e9e par des \u00e9preuves formelles de corroboration statistique :<\/p>\n L’ex\u00e9cution m\u00e9thodologique du test F partiel commence par la sp\u00e9cification formelle et l’ajustement aux moindres carr\u00e9s du mod\u00e8le complet int\u00e9grant l’int\u00e9gralit\u00e9 des covariables sous examen. Sur le plan matriciel, cela correspond \u00e0 l’\u00e9quation :<\/p>\n y = X_1 β_1 + X_2 β_2 + ε<\/p>\n o\u00f9 X_1 regroupe la matrice des pr\u00e9dicteurs du mod\u00e8le de base (incluant le vecteur unitaire pour la constante) et X_2 d\u00e9signe la matrice rassemblant le sous-ensemble sp\u00e9cifique des p pr\u00e9dicteurs dont on souhaite \u00e9valuer l’apport incr\u00e9mental. L’estimation vectorielle des coefficients par moindres carr\u00e9s ordinaires s’obtient par l’op\u00e9ration classique b = (X’X)-1<\/sup>X’y, qui engendre le vecteur des valeurs pr\u00e9dites y_chapeau.<\/p>\n \u00c0 partir de ces valeurs pr\u00e9dites, on extrait imm\u00e9diatement le vecteur r\u00e9siduel e_full = y – y_chapeau_full, dont la norme au carr\u00e9 donne la premi\u00e8re grandeur cruciale de notre calcul :<\/p>\n RSS_full = ∑ (y_i – y_chapeau_i_full)²<\/p>\n Il est capital \u00e0 cette \u00e9tape de v\u00e9rifier rigoureusement le d\u00e9compte des param\u00e8tres estim\u00e9s k. Si le mod\u00e8le complet incorpore 6 variables quantitatives et une ordonn\u00e9e \u00e0 l’origine, k prend rigoureusement la valeur de 7. Les degr\u00e9s de libert\u00e9 r\u00e9siduels associ\u00e9s \u00e0 cette sp\u00e9cification correspondent de facto \u00e0 n – 7. La variance r\u00e9siduelle sans biais du mod\u00e8le complet s’obtient alors imm\u00e9diatement par la division : MSE_full = RSS_full \/ (n – k).<\/p>\n La seconde \u00e9tape de la s\u00e9quence op\u00e9ratoire consiste \u00e0 estimer le mod\u00e8le restreint correspondant, obtenu en retranchant d\u00e9lib\u00e9r\u00e9ment de l’\u00e9quation les p variables regroup\u00e9es dans le bloc X_2. La formulation math\u00e9matique devient purement :<\/p>\n y = X_1 β_1 + ε*<\/p>\n Il convient de souligner avec la plus grande fermet\u00e9 que cette r\u00e9gression doit \u00eatre ex\u00e9cut\u00e9e tr\u00e8s exactement sur les m\u00eames observations empiriques que celles ayant servi \u00e0 l’estimation du mod\u00e8le complet \u00e0 l’\u00e9tape pr\u00e9c\u00e9dente. L’alt\u00e9ration de l’\u00e9chantillon par exclusion d’observations due \u00e0 des donn\u00e9es manquantes sur les nouvelles variables invaliderait purement et simplement toute comparaison ult\u00e9rieure des sommes de r\u00e9sidus.<\/p>\n Une fois le mod\u00e8le r\u00e9duit ajust\u00e9 aux donn\u00e9es, on g\u00e9n\u00e8re le second vecteur de valeurs pr\u00e9dites y_chapeau_reduced, puis le vecteur des erreurs associ\u00e9es e_reduced = y – y_chapeau_reduced. On calcule alors la seconde somme de carr\u00e9s r\u00e9siduels fondamentale :<\/p>\n RSS_reduced = ∑ (y_i – y_chapeau_i_reduced)²<\/p>\n Comme d\u00e9montr\u00e9 pr\u00e9c\u00e9demment, la valeur de RSS_reduced sera invariablement sup\u00e9rieure ou \u00e9gale \u00e0 RSS_full. La soustraction ΔRSS = RSS_reduced – RSS_full permet alors de chiffrer pr\u00e9cis\u00e9ment l’ampleur absolue de la d\u00e9gradation de l’ajustement caus\u00e9e par la restriction impos\u00e9e. Cette valeur repr\u00e9sente l’amplitude du r\u00e9sidu que les p variables avaient r\u00e9ussi \u00e0 \u00e9liminer du mod\u00e8le complet.<\/p>\n Disposant d\u00e9sormais de l’ensemble des composants scalaires n\u00e9cessaires, l’analyste proc\u00e8de \u00e0 la substitution num\u00e9rique ordonn\u00e9e dans l’\u00e9quation fondamentale du test F partiel :<\/p>\n F_obs = [ (RSS_reduced – RSS_full) \/ p ] \/ [ RSS_full \/ (n – k) ]<\/p>\n Une fois la statistique observ\u00e9e F_obs calcul\u00e9e, la prise de d\u00e9cision probabiliste exige sa confrontation avec la valeur critique issue de la table de distribution F de Fisher-Snedecor. Pour un risque d’erreur de premi\u00e8re esp\u00e8ce fix\u00e9 conventionnellement \u00e0 α = 0,05 (ou α = 0,01 dans des contextes de haute exigence inf\u00e9rentielle), on extrait le seuil critique :<\/p>\n F_crit = F_critique(α, df1 = p, df2 = n – k)<\/p>\n Si la statistique F_obs est strictement sup\u00e9rieure \u00e0 la valeur critique F_crit, ou de mani\u00e8re \u00e9quivalente, si la p-valeur exacte associ\u00e9e \u2014 calcul\u00e9e par l’int\u00e9grale de la fonction de densit\u00e9 de Fisher entre F_obs et l’infini positif \u2014 est inf\u00e9rieure au seuil de signification α, le chercheur formalise le rejet cat\u00e9gorique de l’hypoth\u00e8se nulle. La conclusion analytique s’impose : le bloc des p pr\u00e9dicteurs consid\u00e9r\u00e9s apporte une r\u00e9duction statistiquement significative de la variance inexpliqu\u00e9e, justifiant empiriquement sa conservation au sein de la formulation explicative d\u00e9finitive.<\/p>\n L’assise \u00e9pist\u00e9mologique du test d’hypoth\u00e8se repose sur une formalisation rigoureuse de la proposition \u00e0 r\u00e9futer. Dans le cadre du test F partiel, l’hypoth\u00e8se nulle, d\u00e9sign\u00e9e conventionnellement par H0, postule formellement que l’ensemble des p coefficients de r\u00e9gression associ\u00e9s au bloc des nouvelles variables sous analyse sont simultan\u00e9ment et conjointement \u00e9gaux \u00e0 z\u00e9ro dans la population parente.<\/p>\n Sur le plan de l’alg\u00e8bre lin\u00e9aire, si l’on partitionne le vecteur complet des coefficients de r\u00e9gression β en un sous-vecteur β_1 de dimension (k – p) x 1 correspondant aux covariables conserv\u00e9es et un sous-vecteur β_2 de dimension p x 1 correspondant aux pr\u00e9dicteurs test\u00e9s, l’hypoth\u00e8se nulle s’\u00e9nonce selon l’expression vectorielle :<\/p>\n H0 : β_2 = [0, 0, …, 0]’ ∈ Rp<\/sup><\/p>\n L’implication conceptuelle de H0 est directe et sans \u00e9quivoque : elle affirme que conditionnellement \u00e0 la pr\u00e9sence des variables d\u00e9j\u00e0 incluses dans β_1, aucun des pr\u00e9dicteurs appartenant \u00e0 β_2 n’entretient de relation lin\u00e9aire th\u00e9orique avec la variable d\u00e9pendante y au sein de la population. Sous l’\u00e9gide de H0, toute d\u00e9crue observ\u00e9e entre RSS_reduced et RSS_full est uniquement le produit de perturbations al\u00e9atoires induites par l’\u00e9chantillonnage fini. L’hypoth\u00e8se nulle postule donc l’\u00e9quivalence stochastique absolue de la qualit\u00e9 de sp\u00e9cification entre le mod\u00e8le complet et le mod\u00e8le restreint.<\/p>\n \u00c0 l’inverse de la contrainte stricte impos\u00e9e par H0, l’hypoth\u00e8se alternative, not\u00e9e H1, s’exprime comme la n\u00e9gation logique de la proposition pr\u00e9c\u00e9dente. Elle ne postule en aucune mani\u00e8re que l’int\u00e9gralit\u00e9 des coefficients de β_2 doivent \u00eatre non nuls, ni qu’ils doivent tous exercer un effet de m\u00eame polarit\u00e9 ou de m\u00eame intensit\u00e9. L’hypoth\u00e8se alternative prend la formulation math\u00e9matique disjonctive suivante :<\/p>\n H1 : Il existe au moins un indice j ∈ {1, 2, …, p} tel que β_j ≠ 0<\/p>\n Cette formulation conf\u00e8re au test F partiel un caract\u00e8re \u00e9minemment omnidirectionnel et non orient\u00e9 (test bilat\u00e9ral multidimensionnel). L’hypoth\u00e8se nulle peut \u00eatre rejet\u00e9e parce qu’un unique coefficient au sein du bloc affiche une magnitude extraordinaire tandis que tous les autres sont strictement inop\u00e9rants, ou parce que l’ensemble des p variables d\u00e9ploie une collection d’effets faibles \u00e0 mod\u00e9r\u00e9s qui, agr\u00e9g\u00e9s orthogonalement, contribuent conjointement \u00e0 dissiper la variance r\u00e9siduelle au-del\u00e0 du seuil de tol\u00e9rance al\u00e9atoire.<\/p>\n Cette particularit\u00e9 structurelle implique que le rejet de H0 atteste l’am\u00e9lioration statistiquement significative de la capacit\u00e9 d’ajustement du mod\u00e8le pris dans sa globalit\u00e9 incr\u00e9mentale, mais n’autorise pas ipso facto \u00e0 affirmer que chaque variable du sous-ensemble test\u00e9 est individuellement significative. Cette derni\u00e8re pr\u00e9cision requiert une analyse descendante focalis\u00e9e sur les param\u00e8tres sp\u00e9cifiques.<\/p>\n L’un des avantages m\u00e9thodologiques d\u00e9terminants du test F partiel r\u00e9side dans sa ma\u00eetrise stricte du taux d’erreur de premi\u00e8re esp\u00e8ce au niveau de la famille d’hypoth\u00e8ses (Family-Wise Error Rate<\/em>). Si un chercheur souhaitait \u00e9valuer la pertinence de l’adjonction de 5 nouvelles variables en examinant isol\u00e9ment les 5 tests t de Student correspondants, le risque d’observer au moins un r\u00e9sultat artificiellement significatif sous l’hypoth\u00e8se nulle globale gonflerait consid\u00e9rablement sous la loi combinatoire : α_global = 1 – (1 – α)5<\/sup> ≈ 0,226. En condensant l’ensemble de ces contraintes lin\u00e9aires au sein d’une unique statistique d’\u00e9valuation conjointe, le test F partiel verrouille fermement l’erreur de type I au seuil nominal pr\u00e9d\u00e9fini de α = 0,05.<\/p>\n Cependant, la contrepartie de ce contr\u00f4le r\u00e9side dans la gestion du risque d’erreur de deuxi\u00e8me esp\u00e8ce (β), qui repr\u00e9sente la probabilit\u00e9 d’\u00e9chouer \u00e0 rejeter H0 alors qu’un effet r\u00e9el pr\u00e9vaut dans la population. La puissance statistique<\/a> (1 – β) du test F partiel d\u00e9pend de trois param\u00e8tres directeurs intimement intriqu\u00e9s :<\/p>\n La conclusion op\u00e9rationnelle tir\u00e9e de l’ex\u00e9cution d’un test F partiel r\u00e9pond \u00e0 un protocole de d\u00e9cision standardis\u00e9 dans le paradigme de l’inf\u00e9rence fr\u00e9quentiste. La r\u00e8gle d\u00e9cisionnelle s’articule autour de la confrontation binaire entre la statistique observ\u00e9e F_obs et le seuil critique th\u00e9orique, ou de fa\u00e7on plus directe et granulaire, via l’interpr\u00e9tation probabiliste de la p-valeur (p-value<\/em>). Lorsque la p-valeur issue de la distribution F(p, n – k) est strictement inf\u00e9rieure au seuil alpha pr\u00e9alablement sp\u00e9cifi\u00e9 (α = 0,05), l’analyste conclut formellement \u00e0 l’existence d’une contribution incr\u00e9mentale statistiquement significative du bloc de pr\u00e9dicteurs.<\/p>\n D’un point de vue \u00e9pist\u00e9mologique, la p-valeur ne mesure absolument pas la probabilit\u00e9 que l’hypoth\u00e8se nulle soit vraie, ni la probabilit\u00e9 que le bloc de pr\u00e9dicteurs soit th\u00e9oriquement fondamental. Elle quantifie rigoureusement la probabilit\u00e9 conditionnelle d’obtenir une r\u00e9duction de la somme des carr\u00e9s r\u00e9siduels au moins aussi importante que celle mesur\u00e9e par ΔRSS, sous la supposition formelle que H0 soit rigoureusement exacte dans la population parente. D\u00e8s lors, une p-valeur de 0,003 n’indique pas un effet d’une intensit\u00e9 \u00e9crasante, mais simplement que l’ajustement constat\u00e9 empiriquement serait excessivement improbable (3 chances sur 1000) sous le seul jeu des fluctuations d’\u00e9chantillonnage.<\/p>\n Une vigilance particuli\u00e8re s’impose face aux r\u00e9sultats qualifi\u00e9s de marginalement significatifs, c’est-\u00e0-dire dont la p-valeur oscille entre 0,05 et 0,10. Dans les disciplines quantitatives rigoureuses, ces zones grises ne doivent en aucun cas \u00eatre sur-interpr\u00e9t\u00e9es comme des tendances confirm\u00e9es. Elles signalent plut\u00f4t une zone d’ind\u00e9cision statistique o\u00f9 la puissance d’\u00e9chantillonnage s’av\u00e8re insuffisante pour trancher, imposant soit la prudence interpr\u00e9tative, soit la r\u00e9plication de l’\u00e9tude sur une cohorte \u00e9largie.<\/p>\n L’inf\u00e9rence statistique moderne r\u00e9cuse d\u00e9sormais la d\u00e9pendance exclusive aux seules p-valeurs, reconnaissant qu’une statistique peut atteindre le seuil de significativit\u00e9 par la seule force brute d’un effectif d’\u00e9chantillonnage massif sans pour autant refl\u00e9ter une pertinence substantielle. Il est d\u00e8s lors fondamental d’associer syst\u00e9matiquement au test F partiel des m\u00e9triques d’intensit\u00e9 d’effet, au premier rang desquelles figure le coefficient de d\u00e9termination partiel, universellement d\u00e9sign\u00e9 par le symbole ΔR² (changement de R-carr\u00e9 ou R-squared change).<\/p>\n Le ΔR² exprime la proportion exacte de variance suppl\u00e9mentaire de la variable d\u00e9pendante qui est expliqu\u00e9e par l’adjonction du bloc de variables, au-del\u00e0 de ce qui \u00e9tait d\u00e9j\u00e0 appr\u00e9hend\u00e9 par le mod\u00e8le r\u00e9duit. Son calcul s’effectue par la soustraction directe des coefficients de d\u00e9termination ordinaires :<\/p>\n ΔR² = R²_full – R²_reduced<\/p>\n Pour mesurer la taille d’effet standardis\u00e9e dans le cadre de la mod\u00e9lisation hi\u00e9rarchique, Jacob Cohen<\/a> a formalis\u00e9 l’indice f² de Cohen, dont la d\u00e9clinaison pour le test d’accroissement hi\u00e9rarchique s’\u00e9crit alg\u00e9briquement :<\/p>\n f² = (R²_full – R²_reduced) \/ (1 – R²_full) = ΔR² \/ (1 – R²_full)<\/p>\n Cet indice \u00e9value le gain de variance expliqu\u00e9e en le rapportant directement \u00e0 la part de variance qui demeure inexpliqu\u00e9e au terme de l’ajustement complet. Les rep\u00e8res conventionnels \u00e9tablis par Cohen pour l’interpr\u00e9tation de f² sont structur\u00e9s ainsi : un f² de 0,02 traduit un effet faible ; un f² de 0,15 refl\u00e8te un effet mod\u00e9r\u00e9 ; un f² de 0,35 signale un effet important. Cette distinction est cruciale : une adjonction de variables peut afficher une significativit\u00e9 \u00e9clatante \u00e0 p < 0,001 tout en g\u00e9n\u00e9rant un ΔR² d\u00e9risoire de 0,004 (f² ≈ 0,004), indiquant un r\u00e9sultat statistiquement r\u00e9el mais empiriquement ou cliniquement insignifiant.<\/p>\n L’issue du test F partiel guide directement l’arbitrage architectural quant \u00e0 la s\u00e9lection du mod\u00e8le qui sera retenu pour l’inf\u00e9rence th\u00e9orique ou le d\u00e9ploiement applicatif. En cas de rejet cat\u00e9gorique de l’hypoth\u00e8se nulle (F_obs > F_crit et p < 0,05), l’abandon du mod\u00e8le r\u00e9duit au profit du mod\u00e8le complet est formellement l\u00e9gitim\u00e9. L’analyste s’assure ainsi que la complexification induite par l’ajout des p covariables constitue un investissement m\u00e9thodologique rentable, mat\u00e9rialis\u00e9 par un gain av\u00e9r\u00e9 de pr\u00e9cision explicative.<\/p>\n \u00c0 l’inverse, lorsque le test F partiel s’av\u00e8re non significatif (p ≥ 0,05), le principe de parcimonie scientifique impose de privil\u00e9gier formellement le mod\u00e8le r\u00e9duit. Maintenir dans une \u00e9quation des pr\u00e9dicteurs qui ne d\u00e9montrent aucune plus-value incr\u00e9mentale pr\u00e9sente de multiples effets d\u00e9l\u00e9t\u00e8res : inflation de la variance d’\u00e9chantillonnage de l’ensemble des coefficients, instabilit\u00e9 des pr\u00e9dictions hors \u00e9chantillon, perte st\u00e9rile de degr\u00e9s de libert\u00e9, et alourdissement conceptuel injustifi\u00e9 de la th\u00e9orie sous-jacente.<\/p>\n Toutefois, cette d\u00e9cision algorithmique ne doit jamais s’exercer de fa\u00e7on totalement m\u00e9canique \u00e0 l’aveugle. Si une variable fait l’objet d’un consensus th\u00e9orique puissant ou constitue la cible d’une intervention exp\u00e9rimentale sp\u00e9cifique, son rejet pur et simple sur la base exclusive d’une non-significativit\u00e9 statistique peut constituer une erreur de jugement scientifique, imposant plut\u00f4t d’en analyser les causes (probl\u00e8me de puissance, erreur de mesure psychom\u00e9trique ou pr\u00e9sence de m\u00e9diations masqu\u00e9es).<\/p>\n En psychom\u00e9trie et en psychologie diff\u00e9rentielle, la d\u00e9monstration de la validit\u00e9 incr\u00e9mentielle<\/a> repr\u00e9sente l’\u00e9talon-or pour justifier l’introduction d’un nouveau construit th\u00e9orique ou d’un nouvel instrument d’\u00e9valuation psychologique. Lorsqu’un chercheur con\u00e7oit une nouvelle \u00e9chelle destin\u00e9e \u00e0 mesurer, par exemple, le concept de grit (pers\u00e9v\u00e9rance et passion \u00e0 long terme), il ne suffit aucunement d’\u00e9tablir que ce score corr\u00e8le avec la performance acad\u00e9mique ou professionnelle. L’exigence scientifique impose de d\u00e9montrer que ce nouvel outil pr\u00e9dit le crit\u00e8re au-del\u00e0 des facteurs de personnalit\u00e9 d\u00e9j\u00e0 consolid\u00e9s depuis des d\u00e9cennies, tels que le mod\u00e8le en cinq facteurs (Big Five<\/em>) et l’intelligence cognitive g\u00e9n\u00e9rale (g).<\/p>\n Dans ce protocole exp\u00e9rimental, le test F partiel est le moteur analytique privil\u00e9gi\u00e9. Le mod\u00e8le r\u00e9duit (Mod\u00e8le 1) est sp\u00e9cifi\u00e9 en int\u00e9grant comme pr\u00e9dicteurs les variables d\u00e9mographiques de contr\u00f4le (\u00e2ge, genre) ainsi que les cinq traits du Big Five<\/em> (ouverture, conscience professionnelle, extraversion, agr\u00e9abilit\u00e9, n\u00e9vrosisme). Le mod\u00e8le complet (Mod\u00e8le 2) introduit ensuite la variable du grit<\/em>. Si le test F partiel \u00e9valuant le passage du mod\u00e8le 1 au mod\u00e8le 2 rejette l’hypoth\u00e8se nulle (p < 0,05 avec une augmentation positive de R²), le chercheur apporte la preuve formelle que le nouveau construit poss\u00e8de une validit\u00e9 incr\u00e9mentielle authentique.<\/p>\n \u00c0 d\u00e9faut d’un tel r\u00e9sultat, si le test F partiel d\u00e9montre que l’inclusion du grit<\/em> n’abaisse pas significativement l’erreur r\u00e9siduelle une fois la conscience professionnelle contr\u00f4l\u00e9e, la communaut\u00e9 scientifique conclut \u00e0 une redondance conceptuelle : le nouvel outil n’est qu’une reformulation sous une autre appellation (jangle fallacy<\/em>) d’un trait pr\u00e9existant, pr\u00e9venant ainsi la prolif\u00e9ration de construits psychom\u00e9triques superf\u00e9tatoires.<\/p>\n L’\u00e9tude des mod\u00e9rations en analyse de r\u00e9gression repr\u00e9sente un autre champ d’application o\u00f9 le test F partiel s’av\u00e8re indispensable. Une mod\u00e9ration th\u00e9orique postule que l’amplitude ou la direction de l’effet d’une variable ind\u00e9pendante X sur un crit\u00e8re Y d\u00e9pend intrins\u00e8quement du niveau d’une troisi\u00e8me variable M, d\u00e9nomm\u00e9e le mod\u00e9rateur. Sur le plan op\u00e9rationnel, cette hypoth\u00e8se se traduit par l’int\u00e9gration d’un terme multiplicatif (produit scalaire centr\u00e9) au sein de l’\u00e9quation de r\u00e9gression.<\/p>\n Dans cette mod\u00e9lisation, la d\u00e9marche standardis\u00e9e selon les pr\u00e9conisations m\u00e9thodologiques de Aiken et West<\/a> s’articule imp\u00e9rativement en deux temps hi\u00e9rarchiques. Le mod\u00e8le r\u00e9duit int\u00e8gre l’ensemble des effets principaux directs :<\/p>\n Y = β_0 + β_1 X + β_2 M + ε<\/p>\n Le mod\u00e8le complet ajoute quant \u00e0 lui le terme d’interaction d’ordre sup\u00e9rieur :<\/p>\n Y = β_0 + β_1 X + β_2 M + β_3 (X × M) + ε<\/p>\n Le recours au test F partiel pour tester la significativit\u00e9 de l’adjonction de l’ensemble des termes d’interaction est d’une rigueur absolue, tout particuli\u00e8rement lorsque le mod\u00e9rateur est une variable cat\u00e9gorielle polytomique (poss\u00e9dant c modalit\u00e9s). Dans cette situation, la mod\u00e9ration engendre l’introduction simultan\u00e9e de (c – 1) termes de produits avec les variables indicatrices (dummy variables<\/em>). Seul le test F partiel permet alors d’\u00e9valuer si l’interaction globale dans son ensemble apporte un gain explicatif r\u00e9el, \u00e9vitant les erreurs d’interpr\u00e9tation associ\u00e9es \u00e0 l’examen parcellaire des termes indicatifs individuels.<\/p>\n En neuropsychologie clinique et en neurosciences cognitives, l’investigation empirique se heurte en permanence \u00e0 la pr\u00e9sence de covariables confusionnelles majeures. Lors de l’\u00e9valuation de l’impact d’une l\u00e9sion c\u00e9r\u00e9brale focale, d’un biomarqueur d’imagerie structurelle (tel que le volume hippocampique) ou de la charge amylo\u00efde sur les performances de m\u00e9moire \u00e9pisodique, le chercheur doit obligatoirement neutraliser les effets masquants du vieillissement chronologique normal, de la r\u00e9serve cognitive et du niveau socioculturel.<\/p>\n Le test F partiel intervient ici comme une technique d’isolation causale par embo\u00eetement. Le mod\u00e8le restreint agr\u00e8ge l’\u00e2ge chronologique des patients, leur niveau d’\u00e9tudes mesur\u00e9 en ann\u00e9es de scolarisation, et leur statut socio\u00e9conomique de base. Le mod\u00e8le complet y incorpore les m\u00e9triques volum\u00e9triques issues de l’imagerie c\u00e9r\u00e9brale par r\u00e9sonance magn\u00e9tique (IRM). Le test F partiel permet alors de d\u00e9terminer avec certitude si l’atrophie hippocampique pr\u00e9dit le d\u00e9clin cognitif au-del\u00e0 de ce que le vieillissement physiologique et les capacit\u00e9s d’\u00e9ducation expliquent d\u00e9j\u00e0.<\/p>\n Cette approche m\u00e9thodologique prot\u00e8ge les conclusions m\u00e9dicales contre les fausses d\u00e9couvertes cliniques. Si un biomarqueur montre une corr\u00e9lation bivari\u00e9e spectaculaire avec un d\u00e9ficit de m\u00e9moire, mais que le test F partiel s’av\u00e8re non significatif une fois l’\u00e2ge et le niveau d’\u00e9tudes ins\u00e9r\u00e9s dans le mod\u00e8le r\u00e9duit, l’analyste d\u00e9duit que la corr\u00e9lation brute observ\u00e9e n’\u00e9tait qu’un art\u00e9fact fallacieux induit par la confusion entre l’\u00e2ge et le processus neurod\u00e9g\u00e9n\u00e9ratif, pr\u00e9servant ainsi la recherche translationnelle d’investissements pharmacologiques vains.<\/p>\n Il existe une passerelle math\u00e9matique fondamentale et \u00e9l\u00e9gante entre le test F partiel et le classique test t de Student appliqu\u00e9 au coefficient d’une variable unique. Lorsque le nombre de contraintes lin\u00e9aires impos\u00e9es sous l’hypoth\u00e8se nulle est rigoureusement \u00e9gal \u00e0 un (p = 1), c’est-\u00e0-dire lorsqu’on cherche \u00e0 \u00e9valuer l’apport marginal de l’adjonction d’un seul et unique pr\u00e9dicteur X_j dans le mod\u00e8le complet, les deux proc\u00e9dures inf\u00e9rentielles deviennent rigoureusement identiques.<\/p>\n Sur le plan alg\u00e9brique, la statistique t de Student associ\u00e9e au coefficient β_j s’exprime par le ratio de la valeur estim\u00e9e de ce coefficient divis\u00e9e par son erreur type : t = b_j \/ SE(b_j). Il est th\u00e9oriquement d\u00e9montr\u00e9 que sous les hypoth\u00e8ses de Gauss-Markov et de normalit\u00e9, le carr\u00e9 parfait de cette statistique t correspond tr\u00e8s exactement \u00e0 la statistique de test F partiel associ\u00e9e \u00e0 la suppression de cette m\u00eame variable :<\/p>\n F_(1, n-k) = (t_(n-k))²<\/p>\n Par cons\u00e9quent, les p-valeurs issues de ces deux distributions sont strictement identiques au dix-milli\u00e8me pr\u00e8s : Pr(F_(1, n-k) > F_obs) = Pr(|t_(n-k)| > |t_obs|). D\u00e8s lors, pour un param\u00e8tre unique, le test F partiel n’apporte aucune information inf\u00e9rentielle distincte de celle d\u00e9j\u00e0 fournie par le test t individuel figurant sur la ligne correspondante de la table des coefficients d’une sortie logicielle standard.<\/p>\n La sup\u00e9riorit\u00e9 op\u00e9rationnelle et la n\u00e9cessit\u00e9 absolue du test F partiel \u00e9mergent exclusivement d\u00e8s lors que p > 1. Le test t est par essence unidimensionnel et incapable de tester une hypoth\u00e8se conjointe impliquant plusieurs param\u00e8tres sans induire une cascade de tests multiples destructrice du contr\u00f4le de l’al\u00e9a global. Le test F partiel transcende cette contrainte en op\u00e9rant une synth\u00e8se multidimensionnelle vectorielle instantan\u00e9e.<\/p>\n Une confusion r\u00e9currente parmi les praticiens d\u00e9butants consiste \u00e0 assimiler le test F partiel au test F global de la r\u00e9gression lin\u00e9aire (fr\u00e9quemment affich\u00e9 dans la table d’ANOVA<\/a> de r\u00e9gression sous les logiciels comme R ou SPSS). Bien qu’ils partagent la m\u00eame d\u00e9rivation alg\u00e9brique fondamentale et la m\u00eame loi de distribution th\u00e9orique sous l’hypoth\u00e8se nulle, leur statut m\u00e9thodologique et leur champ d’investigation sont profond\u00e9ment dissemblables.<\/p>\n Le test F global est en r\u00e9alit\u00e9 un cas particulier extr\u00eame du test F partiel. Il correspond formellement \u00e0 la configuration structurelle dans laquelle le mod\u00e8le r\u00e9duit est totalement d\u00e9pouill\u00e9 de pr\u00e9dicteurs, n’int\u00e9grant que la constante unitaire (β_0). Le mod\u00e8le r\u00e9duit prend alors la forme simpliste y = β_0 + ε, o\u00f9 l’estimation aux moindres carr\u00e9s est invariablement la moyenne empirique de y, et sa somme de carr\u00e9s r\u00e9siduels devient \u00e9gale \u00e0 la somme totale des carr\u00e9s : RSS_reduced = TSS (Total Sum of Squares<\/em>). L’hypoth\u00e8se nulle du test F global postule alors que tous les coefficients de pente sans exception sont simultan\u00e9ment nuls (β_1 = β_2 = … = β_m = 0).<\/p>\n En cons\u00e9quence, le test F global r\u00e9pond \u00e0 une question basique : le mod\u00e8le dans son entier contient-il au moins un pr\u00e9dicteur pr\u00e9dictif, par rapport \u00e0 une simple pr\u00e9diction constante par la moyenne ? En revanche, le test F global est structurellement incapable d’isoler si un sous-syst\u00e8me particulier de variables apporte une valeur ajout\u00e9e au-del\u00e0 d’un autre sous-syst\u00e8me. C’est pr\u00e9cis\u00e9ment cette lacune fondamentale que vient combler le test F partiel, en autorisant un mod\u00e8le r\u00e9duit non trivial compos\u00e9 d’une collection substantielle de covariables de r\u00e9f\u00e9rence.<\/p>\n Pour rationaliser le choix entre le test t de Student, le test F partiel et le test F global, le chercheur doit se r\u00e9f\u00e9rer \u00e0 la typologie structurelle de l’hypoth\u00e8se test\u00e9e et \u00e0 la nature des variables explicatives impliqu\u00e9es. Le tableau conceptuel ci-dessous explicite ces articulations :<\/p>\n Parall\u00e8lement au paradigme classique des tests d’hypoth\u00e8ses nulles (NHST), la mod\u00e9lisation statistique contemporaine s’appuie massivement sur la th\u00e9orie de l’information pour arbitrer la comp\u00e9tition entre architectures explicatives. Les deux crit\u00e8res les plus \u00e9minents de cette approche sont le crit\u00e8re d’information d’Akaike (AIC<\/a>) et le crit\u00e8re d’information bay\u00e9sien (BIC<\/a>, parfois d\u00e9sign\u00e9 sous le nom de crit\u00e8re de Schwarz).<\/p>\n Fond\u00e9 sur l’approximation de la divergence de Kullback-Leibler, l’AIC mesure la perte relative d’information subie lorsqu’on approxime la r\u00e9alit\u00e9 g\u00e9n\u00e9ratrice des donn\u00e9es par un mod\u00e8le statistique d\u00e9termin\u00e9. Dans le cadre de la r\u00e9gression lin\u00e9aire gaussienne, il s’exprime selon la formule fondamentale :<\/p>\n AIC = n × ln(RSS \/ n) + 2k<\/p>\n Le BIC, d\u00e9riv\u00e9 d’une approximation asymptotique de l’int\u00e9grale de vraisemblance marginale bay\u00e9sienne sous des a priori unitaires d’information, int\u00e8gre pour sa part une p\u00e9nalit\u00e9 structurellement plus drastique envers la complexit\u00e9 dimensionnelle d\u00e8s lors que l’\u00e9chantillon d\u00e9passe 8 observations (car ln(n) > 2 pour n ≥ 8) :<\/p>\n BIC = n × ln(RSS \/ n) + k × ln(n)<\/p>\n Contrairement au test F partiel qui op\u00e8re par rejet formel fond\u00e9 sur des distributions d’\u00e9chantillonnage th\u00e9oriques sous H0, les crit\u00e8res d’information rel\u00e8vent d’une d\u00e9marche d’optimisation continue : le mod\u00e8le le plus probant est simplement celui qui affiche la valeur num\u00e9rique d’AIC ou de BIC la plus basse (ou la plus fortement n\u00e9gative), sans recourir \u00e0 la notion de p-valeur ni \u00e0 un seuil d\u00e9cisionnel binaire absolu.<\/p>\n L’avantage op\u00e9rationnel d\u00e9terminant des crit\u00e8res d’information sur le test F partiel r\u00e9side dans leur capacit\u00e9 universelle \u00e0 comparer des mod\u00e8les non embo\u00eet\u00e9s. Si un chercheur souhaite confronter un mod\u00e8le expliquant le bien-\u00eatre subjectif par des variables de personnalit\u00e9 \u00e0 un mod\u00e8le concurrent mobilisant des variables de statut socio\u00e9conomique sans relation d’inclusion g\u00e9om\u00e9trique entre eux, le test F partiel est math\u00e9matiquement inapplicable. L’AIC et le BIC permettent en revanche une comparaison directe et imm\u00e9diate des performances relatives de ces architectures h\u00e9t\u00e9rog\u00e8nes.<\/p>\n N\u00e9anmoins, les crit\u00e8res d’information pr\u00e9sentent des sensibilit\u00e9s asymptotiques distinctes qui m\u00e9ritent une attention particuli\u00e8re. L’AIC a tendance \u00e0 \u00eatre asymptotiquement inefficace en s\u00e9lection de variables pures, souffrant d’une l\u00e9g\u00e8re propension au surapprentissage : il tend \u00e0 favoriser des mod\u00e8les contenant quelques pr\u00e9dicteurs superflus dont les coefficients sont infimes mais non strictement nuls. \u00c0 l’oppos\u00e9, le BIC poss\u00e8de la propri\u00e9t\u00e9 formelle de consistance statistique (model selection consistency<\/em>) : lorsque la taille d’\u00e9chantillon n tend vers l’infini, la probabilit\u00e9 que le BIC s\u00e9lectionne le vrai mod\u00e8le g\u00e9n\u00e9rateur (suppos\u00e9 appartenir \u00e0 l’ensemble des candidats) converge rigoureusement vers 1. Toutefois, \u00e0 effectif mod\u00e9r\u00e9, cette lourde p\u00e9nalit\u00e9 ln(n) peut conduire le BIC \u00e0 p\u00e9naliser excessivement des effets r\u00e9els mais subtils, induisant un sous-apprentissage marqu\u00e9.<\/p>\n Le test F partiel conserve quant \u00e0 lui l’inestimable avantage de son ancrage dans la th\u00e9orie classique du test d’hypoth\u00e8se : il fournit une mesure probabiliste exacte de l’erreur de premi\u00e8re esp\u00e8ce \u00e0 taille finie, autorisant l’affirmation pr\u00e9cise du niveau de confiance attach\u00e9 \u00e0 l’apport de chaque bloc sp\u00e9cifique au sein de hi\u00e9rarchies pr\u00e9con\u00e7ues.<\/p>\n Dans la recherche quantitative de pointe, l’attitude m\u00e9thodologique moderne ne consiste pas \u00e0 opposer st\u00e9rilement le test F partiel aux crit\u00e8res d’information, mais \u00e0 les d\u00e9ployer en synergie dans le cadre d’une strat\u00e9gie de confirmation crois\u00e9e (triangulation analytique<\/em>). Un mod\u00e8le dont la sup\u00e9riorit\u00e9 est corrobor\u00e9e simultan\u00e9ment par un test F partiel hautement significatif, une chute prononc\u00e9e de l’AIC et une d\u00e9crue concomitante du BIC pr\u00e9sente des gages exceptionnels de robustesse et de reproductibilit\u00e9.<\/p>\n En pr\u00e9sence d’arbitrages divergents \u2014 configuration fr\u00e9quente o\u00f9 le test F partiel est significatif \u00e0 p < 0,05, l’AIC diminue, mais le BIC augmente en raison d’une taille d’\u00e9chantillon n tr\u00e8s importante \u2014 la sagacit\u00e9 th\u00e9orique doit pr\u00e9valoir sur l’automatisme d\u00e9cisionnel :<\/p>\n L’environnement statistique de r\u00e9f\u00e9rence R<\/a> permet une ex\u00e9cution fluide et idiomatique du test F partiel par le truchement conjoint de sa fonction de r\u00e9gression lin\u00e9aire de base et de sa m\u00e9thode g\u00e9n\u00e9rique d’analyse de variance. La mod\u00e9lisation d\u00e9bute par l’ajustement successif des deux objets lin\u00e9aires via la commande standard :<\/p>\n Pour proc\u00e9der \u00e0 la d\u00e9rivation du test F partiel confrontant ces deux architectures, il suffit de solliciter la fonction de comparaison directe de mod\u00e8les :<\/p>\n La sortie textuelle renvoy\u00e9e par le logiciel structure une table synth\u00e9tique ordonn\u00e9e sur deux lignes dont la lecture analytique exige une ma\u00eetrise des colonnes m\u00e9triques suivantes :<\/p>\n Dans l’interface graphique du logiciel commercial SPSS (IBM Corp.), le test F partiel est d\u00e9sign\u00e9 sous la terminologie explicite de \u00ab modification de R-deux \u00bb (R-squared change<\/em>) et se d\u00e9ploie \u00e0 travers le menu de la r\u00e9gression lin\u00e9aire multiple hi\u00e9rarchique.<\/p>\n Le chercheur configure l’analyse en renseignant sa variable d\u00e9pendante, puis ins\u00e8re dans le premier bloc conceptuel (Bloc 1) les pr\u00e9dicteurs constituant le mod\u00e8le r\u00e9duit. En cliquant sur le bouton d’adjonction de niveau (\u00ab Suivant \u00bb ou \u00ab Next \u00bb), l’utilisateur ouvre l’acc\u00e8s \u00e0 un second bloc (Bloc 2), dans lequel il int\u00e8gre la s\u00e9rie des nouvelles variables explicatives destin\u00e9es \u00e0 constituer le mod\u00e8le complet. L’activation de la case \u00e0 cocher \u00ab Modification de R-deux \u00bb au sein du sous-menu \u00ab Statistiques \u00bb est imp\u00e9rative.<\/p>\n \u00c0 l’ex\u00e9cution, SPSS g\u00e9n\u00e8re une table ma\u00eetresse intitul\u00e9e \u00ab R\u00e9capitulatif des mod\u00e8les \u00bb (Model Summary<\/em>). L’attention doit se porter sp\u00e9cifiquement sur la section lat\u00e9rale intitul\u00e9e \u00ab Statistiques de modification \u00bb :<\/p>\n Au sein de l’\u00e9cosyst\u00e8me de programmation scientifique de Python<\/a>, le test F partiel s’ex\u00e9cute \u00e0 travers la biblioth\u00e8que d\u00e9di\u00e9e \u00e0 la mod\u00e9lisation statistique Pour orchestrer le test de Fisher incr\u00e9mental, la fonction Le DataFrame pandas r\u00e9sultant structure une matrice strictement identique \u00e0 la sortie d’ANOVA de R, explicitant les colonnes Une m\u00e9thode alternative particuli\u00e8rement puissante offerte par Cette approche matricielle directe calcule la statistique de Wald sous forme quadratique, qui, sous les hypoth\u00e8ses gaussiennes, donne une valeur F et une p-valeur strictement superposables aux r\u00e9sultats de la comparaison explicite de mod\u00e8les embo\u00eet\u00e9s.<\/p>\n L’erreur conceptuelle la plus critique observ\u00e9e dans la litt\u00e9rature appliqu\u00e9e consiste \u00e0 ex\u00e9cuter un test F partiel pour tenter d’arbitrer entre des sp\u00e9cifications qui ne satisfont aucunement \u00e0 la condition absolue d’embo\u00eetement param\u00e9trique. Consid\u00e9rons par exemple la confrontation entre un premier mod\u00e8le expliquant la consommation \u00e9nerg\u00e9tique par l’isolation du b\u00e2timent et la temp\u00e9rature ext\u00e9rieure, et un second mod\u00e8le concurrent mobilisant la superficie au sol et le type de chaudi\u00e8re. Dans cette situation, les deux matrices de pr\u00e9dicteurs contiennent des variables mutuellement exclusives : aucun des deux mod\u00e8les ne peut s’obtenir en fixant simplement certains param\u00e8tres de l’autre \u00e0 z\u00e9ro.<\/p>\n Tenter de forcer un test d’analyse de variance classique (ANOVA) pour d\u00e9river un ratio F entre ces deux \u00e9quations constitue un non-sens alg\u00e9brique majeur. Les sommes de carr\u00e9s ne d\u00e9coulent pas de sous-espaces embo\u00eet\u00e9s, la diff\u00e9rence RSS_reduced – RSS_full peut devenir n\u00e9gative, et la d\u00e9composition de variance n’ob\u00e9it plus \u00e0 aucune loi de probabilit\u00e9 r\u00e9pertori\u00e9e de Fisher-Snedecor.<\/p>\n Lorsque deux mod\u00e8les en concurrence ne sont pas embo\u00eet\u00e9s, le chercheur doit imp\u00e9rativement abandonner le test F partiel et se tourner vers des m\u00e9thodologies d’inf\u00e9rence adapt\u00e9es :<\/p>\n Un pi\u00e8ge technique sournois mais d’une fr\u00e9quence alarmante lors de l’estimation de r\u00e9gressions hi\u00e9rarchiques d\u00e9coule du traitement automatique des donn\u00e9es manquantes (missing data<\/em>) par les logiciels statistiques. Par d\u00e9faut, la quasi-totalit\u00e9 des progiciels (R, SPSS, Python, Stata) applique une politique stricte d’exclusion observationnelle par liste (listwise deletion<\/em> ou analyse des cas complets) : toute ligne du jeu de donn\u00e9es comportant une valeur manquante sur au moins l’une des variables incluses dans la commande de r\u00e9gression est purement et simplement retir\u00e9e de l’\u00e9chantillon d’ajustement.<\/p>\n Imaginons qu’une \u00e9tude compte 500 sujets initiaux. Le mod\u00e8le r\u00e9duit ne contient que des variables sociod\u00e9mographiques impeccablement renseign\u00e9es : l’\u00e9quation est ajust\u00e9e sur les 500 observations. En revanche, le mod\u00e8le complet introduit trois variables psychom\u00e9triques complexes issues d’un questionnaire optionnel, pour lesquelles 80 sujets pr\u00e9sentent des omissions partielles. Le logiciel ajustera alors automatiquement le mod\u00e8le complet sur les seuls 420 sujets survivants.<\/p>\n Le d\u00e9sastre m\u00e9thodologique est alors total : les deux RSS calcul\u00e9es proviennent de populations d’\u00e9chantillonnage diff\u00e9rentes, la m\u00e9trique RSS_full n’est plus born\u00e9e g\u00e9om\u00e9triquement par la somme du mod\u00e8le r\u00e9duit, et il arrive fr\u00e9quemment que RSS_full devienne paradoxalement sup\u00e9rieure \u00e0 RSS_reduced par la simple perte d’observations de l’\u00e9chantillon. Pour pr\u00e9venir ce biais invalidant, deux conduites rigoureuses s’imposent :<\/p>\n L’av\u00e8nement contemporain des donn\u00e9es massives (Big Data<\/em>), des cohortes biobancaires g\u00e9antes (telles que la UK Biobank comptant un demi-million de profils) et des vastes bases de donn\u00e9es administratives engendre un ph\u00e9nom\u00e8ne inf\u00e9rentiel bien connu des m\u00e9thodologistes : la significativit\u00e9 statistique triviale (large N problem<\/em>).<\/p>\n Comme la statistique F partiel int\u00e8gre la taille de l’\u00e9chantillon n dans son d\u00e9nominateur au travers des degr\u00e9s de libert\u00e9 (n – k), un volume de donn\u00e9es excessivement massif d\u00e9cuple la puissance statistique jusqu’\u00e0 un niveau d’hyper-sensibilit\u00e9 absolu. Avec un \u00e9chantillon de 200 000 participants, l’adjonction d’un bloc de covariables qui ne r\u00e9duit la variance de l’erreur que d’une fraction infinit\u00e9simale \u2014 se traduisant par un ΔR² infime de 0,00008 \u2014 g\u00e9n\u00e9rera math\u00e9matiquement une statistique F astronomique et une p-valeur affichant des z\u00e9ros infinit\u00e9simaux (p < 10-15<\/sup>).<\/p>\n L’erreur m\u00e9thodologique majeure r\u00e9side ici dans la confusion entre l’exactitude de l’inf\u00e9rence d’un effet non strictement nul et la pertinence explicative concr\u00e8te de cet effet. Un chercheur qui conclurait \u00e0 une avanc\u00e9e th\u00e9orique d\u00e9terminante au seul motif d’un test F immens\u00e9ment significatif sur une cohorte g\u00e9ante commettrait une m\u00e9prise d’interpr\u00e9tation. En pr\u00e9sence d’\u00e9chantillons volumineux, la lecture critique doit imp\u00e9rativement rel\u00e9guer la p-valeur \u00e0 un simple contr\u00f4le de non-nullit\u00e9 triviale pour concentrer la totalit\u00e9 de l’\u00e9valuation sur l’intervalle de confiance du ΔR², sur l’indice f² de Cohen et sur le co\u00fbt fonctionnel de la complexification th\u00e9orique induite par l’ajout des variables.<\/p>\n La diffusion acad\u00e9mique des r\u00e9sultats d’un test F partiel au sein d’une revue scientifique comit\u00e9 de lecture exige le respect rigoureux des conventions typographiques et structurelles formalis\u00e9es par l’American Psychological Association<\/a> (APA, 7e \u00e9dition). La restitution doit fournir au lecteur l’ensemble des param\u00e8tres n\u00e9cessaires pour appr\u00e9cier la validit\u00e9 de la d\u00e9cision statistique, incluant la statistique observ\u00e9e, les degr\u00e9s de libert\u00e9 exacts, la p-valeur pr\u00e9cise et la taille d’effet incr\u00e9mentale.<\/p>\n Le standard typographique impose que les symboles statistiques soient mis en italique (F<\/em>, p<\/em>, R<\/em>²), \u00e0 l’exception des lettres grecques (Δ). La structure typographique canonique se pr\u00e9sente sous la forme :<\/p>\n F<\/em>(df1, df2) = X,XX, p<\/em> = ,XXX, ΔR<\/em>² = ,XX<\/p>\n Voici un mod\u00e8le r\u00e9dactionnel exemplaire adapt\u00e9 au corps de texte d’un article de recherche :<\/p>\n \u00ab Une analyse de r\u00e9gression lin\u00e9aire hi\u00e9rarchique a \u00e9t\u00e9 conduite pour d\u00e9terminer si l’ajout des dimensions de la r\u00e9gulation \u00e9motionnelle (r\u00e9\u00e9valuation cognitive et suppression expressive) am\u00e9liore significativement la pr\u00e9diction des niveaux d’anxi\u00e9t\u00e9 au-del\u00e0 des facteurs de risque sociod\u00e9mographiques (\u00e2ge, genre) et du niveau de stress per\u00e7u. L’introduction des variables de contr\u00f4le au sein du Mod\u00e8le 1 a permis d’expliquer une part significative de la variance de l’anxi\u00e9t\u00e9, R<\/em>² = ,342, F<\/em>(3, 246) = 42,61, p<\/em> < ,001. L’introduction conjointe des deux dimensions de r\u00e9gulation \u00e9motionnelle dans le Mod\u00e8le 2 a entra\u00een\u00e9 un accroissement statistiquement significatif de la variance expliqu\u00e9e, ΔR<\/em>² = ,058, F<\/em>(2, 244) = 11,43, p<\/em> < ,001, f<\/em>² = ,097. L’examen des coefficients individuels du mod\u00e8le final r\u00e9v\u00e8le que seule la r\u00e9\u00e9valuation cognitive exerce un effet protecteur incr\u00e9mental statistiquement fiable (β = -,261, t<\/em>(244) = -4,32, p<\/em> < ,001). \u00bb<\/p>\n Sur le plan tabulaire, il est pr\u00e9conis\u00e9 d’ins\u00e9rer un tableau de synth\u00e8se hi\u00e9rarchique d\u00e9taillant pour chaque bloc successif : les coefficients de r\u00e9gression non standardis\u00e9s (B<\/em>) avec leur erreur type (SE B<\/em>), les coefficients standardis\u00e9s (β), le R<\/em>² cumul\u00e9 \u00e0 chaque \u00e9tape, ainsi que la ligne r\u00e9capitulative finale pr\u00e9cisant le ΔR<\/em>² et la valeur du test de variation de F<\/em>.<\/p>\n La cr\u00e9dibilit\u00e9 de l’inf\u00e9rence statistique par r\u00e9gression hi\u00e9rarchique d\u00e9pend intrins\u00e8quement de l’honn\u00eatet\u00e9 intellectuelle et m\u00e9thodologique avec laquelle les blocs de pr\u00e9dicteurs sont d\u00e9finis. En raison de sa grande souplesse op\u00e9rationnelle, la r\u00e9gression hi\u00e9rarchique est particuli\u00e8rement vuln\u00e9rable aux d\u00e9rives du p-hacking<\/em> et de l’analyse s\u00e9lective post-hoc (HARKing : Hypothesizing After the Results are Known<\/em>). Un analyste peu scrupuleux pourrait tester des dizaines de combinaisons d’embo\u00eetement de pr\u00e9dicteurs, permuter l’ordre d’entr\u00e9e des blocs, retirer opportun\u00e9ment certaines covariables de contr\u00f4le, pour finalement ne restituer que le mod\u00e8le affichant une statistique F partielle significativement flatteuse au seuil de 0,05.<\/p>\n Pour immuniser la recherche scientifique contre ces pratiques contestables qui alimentent la crise contemporaine de la reproductibilit\u00e9, le pr\u00e9-enregistrement strict des plans d’analyse sur des registres ouverts (tels que l’Open Science Framework<\/a> – OSF) s’impose comme le nouveau standard d’int\u00e9grit\u00e9 \u00e9pist\u00e9mologique. Le chercheur doit consigner pr\u00e9alablement et publiquement :<\/p>\n Enfin, la transparence scientifique contemporaine requiert imp\u00e9rativement le partage ouvert des donn\u00e9es brutes anonymis\u00e9es ainsi que des scripts informatiques reproductibles (fichiers R Markdown, notebooks Jupyter ou scripts SPSS annot\u00e9s). Ce niveau d’ouverture m\u00e9thodologique permet aux pairs de r\u00e9ex\u00e9cuter int\u00e9gralement les calculs d’ANOVA incr\u00e9mentale, de v\u00e9rifier l’absence d’alt\u00e9ration masqu\u00e9e de l’\u00e9chantillon entre les blocs et d’attester de la parfaite loyaut\u00e9 des conclusions inf\u00e9rentielles \u00e9tablies par le test F partiel.<\/p>\n Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions<\/em>. Sage Publications.<\/p>\n Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control<\/em>, 19(6), 716\u2013723. https:\/\/doi.org\/10.1109\/TAC.1974.1100705<\/a><\/p>\n American Psychological Association. (2020). Publication manual of the American Psychological Association<\/em> (7th ed.). American Psychological Association. https:\/\/doi.org\/10.1037\/0000165-000<\/a><\/p>\n Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica<\/em>, 47(5), 1287\u20131294. https:\/\/doi.org\/10.2307\/1911963<\/a><\/p>\n Cohen, J. (1988). Statistical power analysis for the behavioral sciences<\/em> (2nd ed.). Lawrence Erlbaum Associates.<\/p>\n Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression\/correlation analysis for the behavioral sciences<\/em> (3rd ed.). Lawrence Erlbaum Associates.<\/p>\n Davidson, R., & MacKinnon, J. G. (1981). Several tests for model specification in the presence of alternative hypotheses. Econometrica<\/em>, 49(3), 781\u2013793. https:\/\/doi.org\/10.2307\/1911522<\/a><\/p>\n Fisher, R. A. (1925). Statistical methods for research workers<\/em>. Oliver and Boyd.<\/p>\n Fox, J. (2016). Applied regression analysis and generalized linear models<\/em> (3rd ed.). Sage Publications.<\/p>\n Greene, W. H. (2018). 1.2 Le concept central de mod\u00e8les embo\u00eet\u00e9s (nested models)<\/h3>\n
1.3 Place du test F partiel dans l’inf\u00e9rence statistique moderne<\/h3>\n
2. Cadre math\u00e9matique et d\u00e9rivation de la statistique de test<\/h2>\n
2.1 D\u00e9composition de la somme des carr\u00e9s des r\u00e9sidus (RSS)<\/h3>\n
2.2 Formulation alg\u00e9brique du test F partiel<\/h3>\n
\n
2.3 Gestion des degr\u00e9s de libert\u00e9 au num\u00e9rateur et au d\u00e9nominateur<\/h3>\n
3. Hypoth\u00e8ses sous-jacentes et conditions d’application<\/h2>\n
3.1 Conditions de Gauss-Markov et normalit\u00e9 des r\u00e9sidus<\/h3>\n
\n
3.2 Sensibilit\u00e9 aux violations d’hypoth\u00e8ses statistiques<\/h3>\n
3.3 Diagnostics pr\u00e9-analytiques recommand\u00e9s<\/h3>\n
\n
4. Proc\u00e9dure op\u00e9rationnelle pas \u00e0 pas pour le calcul manuel<\/h2>\n
4.1 \u00c9tape 1 : Estimation du mod\u00e8le complet et calcul de sa variance r\u00e9siduelle<\/h3>\n
4.2 \u00c9tape 2 : Sp\u00e9cification et ajustement du mod\u00e8le r\u00e9duit<\/h3>\n
4.3 \u00c9tape 3 : Calcul num\u00e9rique du ratio de variance F et comparaison critique<\/h3>\n
5. Formalisation des hypoth\u00e8ses statistiques : H0 et H1<\/h2>\n
5.1 \u00c9nonciation math\u00e9matique de l’hypoth\u00e8se nulle (H0)<\/h3>\n
5.2 Sp\u00e9cification de l’hypoth\u00e8se alternative (H1)<\/h3>\n
5.3 Risques d’erreur inf\u00e9rentielle et puissance statistique<\/h3>\n
\n
6. Interpr\u00e9tation statistique et prise de d\u00e9cision empirique<\/h2>\n
6.1 R\u00e8gles de d\u00e9cision bas\u00e9es sur la p-valeur et la valeur critique<\/h3>\n
6.2 Taille d’effet et coefficient de d\u00e9termination partiel<\/h3>\n
6.3 Cons\u00e9quences d\u00e9cisionnelles sur le choix final du mod\u00e8le<\/h3>\n
7. Applications empiriques en recherche psychologique et sciences comportementales<\/h2>\n
7.1 Validation de la validit\u00e9 incr\u00e9mentielle d’un construit psychom\u00e9trique<\/h3>\n
7.2 Mod\u00e9lisation d’interactions et d’effets mod\u00e9rateurs<\/h3>\n
7.3 Contr\u00f4le des facteurs de confusion en neuropsychologie et cognition<\/h3>\n
8. Comparaison m\u00e9thodologique : Test F partiel vs Test t de Student et Test F global<\/h2>\n
8.1 Relation math\u00e9matique exacte avec le test t de Student (p = 1)<\/h3>\n
8.2 Distinction avec le test F global de la r\u00e9gression (ANOVA de r\u00e9gression)<\/h3>\n
8.3 Synth\u00e8se comparative des cas d’usage<\/h3>\n
\n
9. Comparaison avec les crit\u00e8res d’information (AIC, BIC) et p\u00e9nalisation<\/h2>\n
9.1 Crit\u00e8res bas\u00e9s sur la vraisemblance : AIC et BIC<\/h3>\n
9.2 Avantages et limites respectifs dans la s\u00e9lection de variables<\/h3>\n
9.3 Compl\u00e9mentarit\u00e9 des approches pour un choix de mod\u00e8le robuste<\/h3>\n
\n
10. Impl\u00e9mentation pratique et syntaxique dans les logiciels statistiques<\/h2>\n
10.1 Ex\u00e9cution et lecture de la sortie sous le logiciel R<\/h3>\n
modele_reduit <- lm(salaire ~ age + anciennete + education, data = donnees)<\/code><\/p>\nmodele_complet <- lm(salaire ~ age + anciennete + education + heures_sup + responsabilite + performance, data = donnees)<\/code><\/p>\nanova(modele_reduit, modele_complet)<\/code><\/p>\n\n
10.2 Mise en \u0153uvre dans SPSS via la r\u00e9gression lin\u00e9aire hi\u00e9rarchique<\/h3>\n
\n
10.3 D\u00e9ploiement en Python avec les biblioth\u00e8ques statsmodels et SciPy<\/h3>\n
statsmodels<\/code>, conjointement avec les distributions analytiques de scipy.stats<\/code>. L’analyste sp\u00e9cifie g\u00e9n\u00e9ralement ses mod\u00e8les en mobilisant l’interface d\u00e9clarative orient\u00e9e formules (statsmodels.formula.api<\/em>) :<\/p>\nimport statsmodels.formula.api as smf<\/code><\/p>\nfrom statsmodels.stats.anova import anova_lm<\/code><\/p>\nreg_reduit = smf.ols('salaire ~ age + anciennete + education', data=df).fit()<\/code><\/p>\nreg_complet = smf.ols('salaire ~ age + anciennete + education + heures_sup + responsabilite + performance', data=df).fit()<\/code><\/p>\nanova_lm<\/code> est instanci\u00e9e en passant en arguments s\u00e9quentiels le mod\u00e8le r\u00e9duit et le mod\u00e8le complet :<\/p>\ntableau_comparatif = anova_lm(reg_reduit, reg_complet)<\/code><\/p>\ndf_resid<\/code>, ssr<\/code> (\u00e9quivalent anglo-saxon de RSS), df_diff<\/code>, ss_diff<\/code>, F<\/code>, et Pr(>F)<\/code>.<\/p>\nstatsmodels<\/code> consiste \u00e0 estimer uniquement le mod\u00e8le complet, puis \u00e0 solliciter sa m\u00e9thode interne .f_test()<\/code> en d\u00e9finissant formellement une cha\u00eene de contraintes lin\u00e9aires sous la forme d’hypoth\u00e8ses nulles conjointes :<\/p>\ncontraintes = \"heures_sup = 0, responsabilite = 0, performance = 0\"<\/code><\/p>\nresultat_f = reg_complet.f_test(contraintes)<\/code><\/p>\n11. Erreurs m\u00e9thodologiques courantes, pi\u00e8ges et solutions diagnostiques<\/h2>\n
11.1 Erreur d’application sur des mod\u00e8les non embo\u00eet\u00e9s<\/h3>\n
\n
11.2 Variations involontaires de la taille de l’\u00e9chantillon (donn\u00e9es manquantes)<\/h3>\n
\n
11.3 Sur-interpr\u00e9tation des petits effets dans les tr\u00e8s grands \u00e9chantillons<\/h3>\n
12. Normes de restitution acad\u00e9mique (Style APA) et transparence scientifique<\/h2>\n
12.1 R\u00e9daction formelle des r\u00e9sultats selon les normes de l’APA (7e \u00e9dition)<\/h3>\n
12.2 Transparence, pr\u00e9-enregistrement et lutte contre le p-hacking<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n