{"id":5645,"date":"2026-09-11T23:47:18","date_gmt":"2026-09-11T23:47:18","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-statistiques-levier-dans-r\/"},"modified":"2026-09-11T23:47:20","modified_gmt":"2026-09-11T23:47:20","slug":"comment-calculer-statistiques-levier-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-statistiques-levier-dans-r","title":{"rendered":"Comment calculer les statistiques de levier dans R"},"content":{"rendered":"

L’estimation des mod\u00e8les de r\u00e9gression lin\u00e9aire par la m\u00e9thode des moindres carr\u00e9s ordinaires repose sur un ensemble d’hypoth\u00e8ses classiques formalis\u00e9es dans le cadre du th\u00e9or\u00e8me de Gauss-Markov. Dans la pratique de la recherche quantitative et de l’\u00e9conom\u00e9trie appliqu\u00e9e, ces conditions id\u00e9ales sont fr\u00e9quemment compromises par la structure sous-jacente des donn\u00e9es empiriques. Parmi les perturbations structurelles les plus insidieuses figure la pr\u00e9sence d’observations atypiques situ\u00e9es \u00e0 la p\u00e9riph\u00e9rie de l’espace multidimensionnel des variables explicatives. Ces observations, qualifi\u00e9es de points \u00e0 fort levier (leverage points<\/em>), disposent du potentiel g\u00e9om\u00e9trique d’attirer disproportionnellement l’hyperplan de r\u00e9gression vers leur propre position, faussant ainsi l’estimation des coefficients vectoriels et r\u00e9duisant la validit\u00e9 pr\u00e9dictive du mod\u00e8le.<\/p>\n

Le diagnostic statistique moderne ne peut se contenter d’un simple examen superficiel des r\u00e9sidus bruts. En effet, un point exer\u00e7ant un effet de levier extr\u00eame peut modifier l’orientation de l’hyperplan ajust\u00e9 au point de g\u00e9n\u00e9rer un r\u00e9sidu r\u00e9siduel artificiellement faible, masquant ainsi son impact d\u00e9stabilisateur aux yeux des analyses univari\u00e9es na\u00efves. C’est pr\u00e9cis\u00e9ment pour rem\u00e9dier \u00e0 ce ph\u00e9nom\u00e8ne de masquage qu’intervient l’analyse syst\u00e9matique de la matrice de projection orthogonale, commun\u00e9ment appel\u00e9e \u00ab matrice chapeau \u00bb (hat matrix<\/em>). L’environnement de calcul statistique R<\/a> offre un arsenal d’outils matriciels et de fonctions vectorielles hautement optimis\u00e9es permettant d’extraire, de quantifier et de diss\u00e9quer ces m\u00e9triques de levier avec une rigueur math\u00e9matique absolue.<\/p>\n

Le pr\u00e9sent article constitue une monographie m\u00e9thodologique int\u00e9grale d\u00e9di\u00e9e \u00e0 l’\u00e9valuation, au calcul et \u00e0 l’interpr\u00e9tation des statistiques de levier dans le langage de programmation statistique R. \u00c0 travers un parcours analytique exhaustif allant de la d\u00e9rivation alg\u00e9brique pure jusqu’au d\u00e9ploiement de pipelines diagnostiques contemporains au sein de l’\u00e9cosyst\u00e8me Tidyverse, nous explorerons les implications th\u00e9oriques, g\u00e9om\u00e9triques et computationnelles de cette statistique fondamentale. Que vous soyez biostatisticien, \u00e9conom\u00e8tre ou chercheur en sciences sociales computationnelles, ce guide vous fournira le socle conceptuel et algorithmique indispensable pour garantir l’int\u00e9grit\u00e9 de vos inf\u00e9rences param\u00e9triques.<\/p>\n

1. Fondements th\u00e9oriques de l’effet de levier en r\u00e9gression lin\u00e9aire<\/h2>\n

1.1 D\u00e9finition math\u00e9matique de la matrice de projection chapeau<\/h3>\n

L’architecture alg\u00e9brique de la r\u00e9gression lin\u00e9aire multivari\u00e9e s’articule autour de la relation lin\u00e9aire classique reliant un vecteur de r\u00e9ponse quantitative \u00e0 une matrice de pr\u00e9dicteurs. Soit un vecteur colonne y<\/strong> de dimension n<\/em> \u00d7 1 repr\u00e9sentant les observations de la variable d\u00e9pendante, et une matrice X<\/strong> de dimension n<\/em> \u00d7 p<\/em> contenant les r\u00e9alisations de p<\/em> pr\u00e9dicteurs (incluant usuellement un vecteur unitaire mod\u00e9lisant l’ordonn\u00e9e \u00e0 l’origine). Le mod\u00e8le lin\u00e9aire s’\u00e9crit sous forme matricielle y<\/strong> = X<\/strong>\u03b2 + \u03b5, o\u00f9 \u03b2 est le vecteur des param\u00e8tres de dimension p<\/em> \u00d7 1 et \u03b5 repr\u00e9sente le vecteur des erreurs stochastiques non observables. L’estimateur des moindres carr\u00e9s ordinaires du vecteur des coefficients, not\u00e9 \u03b2\u0302, est d\u00e9termin\u00e9 en minimisant la somme des carr\u00e9s des r\u00e9sidus, aboutissant \u00e0 l’\u00e9quation canonique \u03b2\u0302 = (X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup>y<\/strong>, sous r\u00e9serve que la matrice de Gram X<\/strong>T<\/sup>X<\/strong> soit d’ordre plein et donc inversible.<\/p>\n

En substituant cet estimateur dans l’expression des valeurs pr\u00e9dites (ou ajust\u00e9es) \u0177<\/strong> = X<\/strong>\u03b2\u0302, il appara\u00eet une transformation lin\u00e9aire directe liant les valeurs observ\u00e9es aux valeurs ajust\u00e9es : \u0177<\/strong> = X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup>y<\/strong>. L’op\u00e9rateur matriciel lin\u00e9aire H<\/strong> = X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup> est universellement d\u00e9sign\u00e9 sous le vocable de matrice chapeau (hat matrix<\/em>), pr\u00e9cis\u00e9ment parce qu’il \u00ab coiffe \u00bb le vecteur y<\/strong> pour produire \u0177<\/strong>. Cette matrice d’ordre n<\/em> \u00d7 n<\/em> est l’op\u00e9rateur de projection orthogonale qui projette le vecteur d’observations y<\/strong> de l’espace euclidien \u211dn<\/em><\/sup> sur le sous-espace vectoriel de dimension p<\/em> engendr\u00e9 par les colonnes de la matrice X<\/strong>.<\/p>\n

Deux propri\u00e9t\u00e9s alg\u00e9briques fondamentales caract\u00e9risent la matrice chapeau : la sym\u00e9trie et l’idempotence. La sym\u00e9trie d\u00e9coule imm\u00e9diatement de sa d\u00e9finition : H<\/strong>T<\/sup> = [X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup>]T<\/sup> = X<\/strong>[(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>]T<\/sup>X<\/strong>T<\/sup> = H<\/strong>. L’idempotence implique que l’application r\u00e9p\u00e9t\u00e9e de la projection n’alt\u00e8re pas le r\u00e9sultat obtenu d\u00e8s la premi\u00e8re it\u00e9ration : H<\/strong>2<\/sup> = H<\/strong>H<\/strong> = X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup>X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup> = X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup> = H<\/strong>. Ces propri\u00e9t\u00e9s structurelles imposent des contraintes rigides sur les \u00e9l\u00e9ments diagonaux hii<\/sub><\/em> de la matrice. \u00c9tant donn\u00e9 que H<\/strong> est sym\u00e9trique et idempotente, chaque \u00e9l\u00e9ment diagonal s’exprime comme la somme des carr\u00e9s des \u00e9l\u00e9ments de la i<\/em>-\u00e8me ligne : hii<\/sub><\/em> = \u2211j<\/em><\/sub> hij<\/sub><\/em>2<\/sup> = hii<\/sub><\/em>2<\/sup> + \u2211j\u2260i<\/em><\/sub> hij<\/sub><\/em>2<\/sup>. Il s’ensuit math\u00e9matiquement que 0 \u2264 hii<\/sub><\/em> \u2264 1 pour toute observation i<\/em>.<\/p>\n

L’interpr\u00e9tation statistique des composantes diagonales hii<\/sub><\/em>, appel\u00e9es valeurs de levier (leverage values<\/em> ou hat values<\/em>), r\u00e9side dans leur \u00e9quivalence formelle \u00e0 une distance multivari\u00e9e standardis\u00e9e. Plus pr\u00e9cis\u00e9ment, hii<\/sub><\/em> mesure l’\u00e9loignement de la i<\/em>-\u00e8me observation par rapport au centro\u00efde des donn\u00e9es dans l’espace multidimensionnel d\u00e9fini par les pr\u00e9dicteurs. Lorsque le mod\u00e8le contient une constante, on d\u00e9montre que hii<\/sub><\/em> = 1\/n<\/em> + (x<\/strong>i<\/em><\/sub> – x\u0304<\/strong>)T<\/sup>(X\u0303<\/strong>T<\/sup>X\u0303<\/strong>)-1<\/sup>(x<\/strong>i<\/em><\/sub> – x\u0304<\/strong>), o\u00f9 x\u0304<\/strong> repr\u00e9sente le vecteur des moyennes des variables explicatives et X\u0303<\/strong> est la matrice des pr\u00e9dicteurs centr\u00e9s. Ce second terme n’est autre qu’une forme quadratique proportionnelle au carr\u00e9 de la distance de Mahalanobis<\/a>. Enfin, la trace de la matrice chapeau, qui est \u00e9gale \u00e0 la somme de ses valeurs propres, pr\u00e9sente un lien direct avec la dimensionnalit\u00e9 du mod\u00e8le : Tr(H<\/strong>) = Tr(X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup>) = Tr((X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup>X<\/strong>) = Tr(I<\/strong>p<\/em><\/sub>) = p<\/em>. Par cons\u00e9quent, la somme des valeurs de levier pour l’ensemble des n<\/em> observations est strictement \u00e9gale au nombre de param\u00e8tres estim\u00e9s dans le mod\u00e8le de r\u00e9gression.<\/p>\n

1.2 Importance du diagnostic de levier dans la recherche quantitative<\/h3>\n

L’estimation par les moindres carr\u00e9s ordinaires poss\u00e8de une vuln\u00e9rabilit\u00e9 reconnue : elle minimise la norme euclidienne quadratique du vecteur r\u00e9siduel, ce qui conf\u00e8re un poids disproportionn\u00e9 aux observations situ\u00e9es aux marges de la distribution des donn\u00e9es. Dans ce contexte, les observations dot\u00e9es d’une valeur de levier substantielle exercent une attraction m\u00e9canique consid\u00e9rable sur l’hyperplan de r\u00e9gression. Si une observation poss\u00e8de une configuration de pr\u00e9dicteurs atypique, elle se comporte comme un point d’appui rigide sur lequel la droite ou l’hyperplan pivote pour minimiser la somme globale des r\u00e9sidus au carr\u00e9. Ce ph\u00e9nom\u00e8ne d’ancrage alt\u00e8re potentiellement l’estimation de l’ensemble des coefficients vectoriels du mod\u00e8le.<\/p>\n

L’impact d’un levier \u00e9lev\u00e9 se manifeste de mani\u00e8re tout aussi critique sur l’estimation de la variance d’\u00e9chantillonnage des coefficients. La variance th\u00e9orique de la valeur pr\u00e9dite pour la i<\/em>-\u00e8me observation est donn\u00e9e par Var(\u0177i<\/sub><\/em>) = \u03c32<\/sup>hii<\/sub><\/em>, o\u00f9 \u03c32<\/sup> est la variance intrins\u00e8que du terme d’erreur stochastique. R\u00e9ciproquement, la variance du r\u00e9sidu estim\u00e9 ei<\/sub><\/em> = yi<\/sub><\/em> – \u0177i<\/sub><\/em> s’exprime par Var(ei<\/sub><\/em>) = \u03c32<\/sup>(1 – hii<\/sub><\/em>). Cette derni\u00e8re relation r\u00e9v\u00e8le un paradoxe fondamental : plus le levier hii<\/sub><\/em> d’une observation tend vers l’unit\u00e9, plus la variance de son r\u00e9sidu r\u00e9siduel se rapproche de z\u00e9ro. En termes concrets, un point dot\u00e9 d’un tr\u00e8s fort levier \u00ab force \u00bb le mod\u00e8le \u00e0 passer extr\u00eamement pr\u00e8s de lui, ce qui comprime artificiellement son r\u00e9sidu brut et donne l’illusion trompeuse d’un ajustement parfait en ce point singulier.<\/p>\n

Cette distorsion de la variance r\u00e9siduelle compromet directement la puissance statistique des tests d’hypoth\u00e8ses multivari\u00e9s. Les erreurs types des coefficients estim\u00e9s deviennent instables lorsque des points de fort levier d\u00e9stabilisent la matrice de covariance. Par cons\u00e9quent, les statistiques de test de Student (t<\/em>-tests) et de Fisher-Snedecor (F<\/em>-tests) peuvent \u00eatre fauss\u00e9es, g\u00e9n\u00e9rant soit des erreurs d’inf\u00e9rence de type I (rejet \u00e0 tort de l’hypoth\u00e8se nulle d’absence d’effet), soit des erreurs de type II (incapacit\u00e9 \u00e0 d\u00e9tecter un effet r\u00e9el en raison d’un \u00e9largissement artificiel de l’intervalle de confiance). La validit\u00e9 interne du mod\u00e8le s’en trouve s\u00e9v\u00e8rement d\u00e9grad\u00e9e, car les conclusions scientifiques tir\u00e9es de l’analyse d\u00e9pendent alors de la pr\u00e9sence contingente de quelques entit\u00e9s observationnelles marginales.<\/p>\n

Dans les applications pr\u00e9dictives, le danger est tout aussi prononc\u00e9. Un mod\u00e8le de r\u00e9gression param\u00e9tr\u00e9 sous l’influence excessive d’observations \u00e0 fort levier pr\u00e9sentera une capacit\u00e9 de g\u00e9n\u00e9ralisation m\u00e9diocre lors de son d\u00e9ploiement sur de nouvelles donn\u00e9es ind\u00e9pendantes. L’hyperplan ayant \u00e9t\u00e9 inclin\u00e9 pour accommoder des anomalies g\u00e9om\u00e9triques propres \u00e0 l’\u00e9chantillon d’apprentissage, l’erreur de pr\u00e9diction quadratique moyenne augmentera de fa\u00e7on drastique sur des \u00e9chantillons de validation. Ainsi, l’identification m\u00e9thodique et le traitement raisonn\u00e9 des valeurs de levier constituent un pr\u00e9requis indispensable \u00e0 toute mod\u00e9lisation quantitative robuste, garantissant la reproductibilit\u00e9 et la stabilit\u00e9 des conclusions scientifiques.<\/p>\n

2. Distinction conceptuelle : Valeurs aberrantes, levier et points d’influence<\/h2>\n

2.1 Diff\u00e9renciation spatiale entre l’espace des pr\u00e9dicteurs et la variable r\u00e9ponse<\/h3>\n

L’une des confusions les plus r\u00e9currentes dans l’application des diagnostics de r\u00e9gression r\u00e9side dans l’assimilation h\u00e2tive entre valeur aberrante (outlier<\/em>), point de levier (leverage point<\/em>) et point d’influence (influential point<\/em>). Pour dissiper toute ambigu\u00eft\u00e9 \u00e9pist\u00e9mologique, il convient d’adopter une perspective g\u00e9om\u00e9trique qui s\u00e9pare rigoureusement l’espace vectoriel des covariables explicatives de la droite r\u00e9elle occup\u00e9e par la variable d\u00e9pendante. Une valeur aberrante se d\u00e9finit formellement comme une observation dont la valeur observ\u00e9e yi<\/sub><\/em> s’\u00e9carte substantiellement de la tendance g\u00e9n\u00e9rale pr\u00e9dite par le mod\u00e8le. Il s’agit d’une discordance observ\u00e9e selon l’axe orthogonal \u00e0 l’hyperplan de r\u00e9gression, mat\u00e9rialis\u00e9e par un r\u00e9sidu statistique de magnitude exceptionnellement \u00e9lev\u00e9e, ind\u00e9pendamment de la position occup\u00e9e par l’observation dans l’espace des pr\u00e9dicteurs.<\/p>\n

\u00c0 l’inverse, l’effet de levier constitue une propri\u00e9t\u00e9 g\u00e9om\u00e9trique confin\u00e9e de mani\u00e8re exclusive \u00e0 l’espace multidimensionnel des pr\u00e9dicteurs (l’espace X<\/strong>). Une observation pr\u00e9sente un fort levier si son profil de covariables est singulier, c’est-\u00e0-dire si elle se trouve isol\u00e9e dans les confins de la distribution conjointe des pr\u00e9dicteurs, \u00e0 une distance substantielle du centro\u00efde de l’\u00e9chantillon. Cette singularit\u00e9 est quantifi\u00e9e sans jamais faire r\u00e9f\u00e9rence \u00e0 la variable d\u00e9pendante y<\/em>. En effet, la formule H<\/strong> = X<\/strong>(X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup> d\u00e9montre que le calcul des hii<\/sub><\/em> est enti\u00e8rement aveugle aux r\u00e9alisations du vecteur y<\/strong>. Par cons\u00e9quent, une observation peut pr\u00e9senter un levier titanesque tout en se situant exactement sur la trajectoire naturelle de l’hyperplan de r\u00e9gression pr\u00e9dit par le reste de l’\u00e9chantillon.<\/p>\n

L’analyse conjointe de la magnitude r\u00e9siduelle et du degr\u00e9 de levier permet de d\u00e9gager une taxonomie op\u00e9rationnelle en quatre quadrants fondamentaux :<\/p>\n