1. Introduction aux mesures d’influence et fondements th\u00e9oriques des DFBETAS<\/h2>\n1.1 D\u00e9finition et r\u00f4le des DFBETAS en r\u00e9gression lin\u00e9aire<\/h3>\n
Dans le cadre de l’ajustement d’un mod\u00e8le de r\u00e9gression lin\u00e9aire multiple par les moindres carr\u00e9s ordinaires, la sensibilit\u00e9 des estimateurs face \u00e0 des perturbations localis\u00e9es constitue une pr\u00e9occupation m\u00e9thodologique majeure. Les DFBETAS, acronyme d\u00e9signant la diff\u00e9rence standardis\u00e9e des coefficients de r\u00e9gression (Difference in Betas Standardized), repr\u00e9sentent une m\u00e9trique diagnostique con\u00e7ue pour quantifier pr\u00e9cis\u00e9ment l’impact exerc\u00e9 par une observation individuelle sur l’estimation de chacun des param\u00e8tres du mod\u00e8le. Fondamentalement, cette statistique \u00e9value la variation standardis\u00e9e que subirait l’estimateur d’une pente partielle ou de l’ordonn\u00e9e \u00e0 l’origine si l’observation indic\u00e9e i venait \u00e0 \u00eatre int\u00e9gralement retranch\u00e9e de l’\u00e9chantillon d’analyse.<\/p>\n
Il est conceptuellement imp\u00e9ratif de dissocier les DFBETAS d’autres anomalies distributionnelles courantes, notamment les points de levier statistiques et les r\u00e9sidus aberrants. Un point de levier d\u00e9signe une observation affichant une configuration extr\u00eame ou atypique dans l’espace multidimensionnel des variables explicatives ind\u00e9pendantes, mesur\u00e9e conventionnellement par les valeurs diagonales de la matrice de projection chapeau. En revanche, un r\u00e9sidu aberrant ou une valeur aberrante se caract\u00e9rise par un \u00e9cart substantiel entre la valeur observ\u00e9e de la variable d\u00e9pendante et la valeur pr\u00e9dite par le mod\u00e8le, traduisant un \u00e9chec local de l’ajustement. Une observation peut ainsi pr\u00e9senter un effet de levier consid\u00e9rable sans pour autant \u00eatre influente si elle se situe exactement dans l’alignement de la tendance g\u00e9n\u00e9rale. Inversement, une observation influente, d\u00e9tect\u00e9e par les DFBETAS, conjugue g\u00e9n\u00e9ralement un levier non n\u00e9gligeable et un r\u00e9sidu marqu\u00e9, modifiant substantiellement l’angle de la droite de r\u00e9gression.<\/p>\n
Cette distinction rev\u00eat une importance critique pour la validit\u00e9 interne des mod\u00e8les psychom\u00e9triques, sociologiques et biom\u00e9dicaux, o\u00f9 des sous-groupes cliniques ou des profils atypiques peuvent induire des biais de mod\u00e9lisation invisibles lors des diagnostics d’ad\u00e9quation globale. L’architecture algorithmique des DFBETAS repose sur le m\u00e9canisme rigoureux d’exclusion unitaire, \u00e9galement qualifi\u00e9 de proc\u00e9dure leave-one-out ou jackknife. Ce principe consiste \u00e0 r\u00e9estimer it\u00e9rativement les param\u00e8tres du mod\u00e8le sur n sous-\u00e9chantillons de taille n moins un, afin d’observer directement la r\u00e9activit\u00e9 de chaque coefficient vectoriel face \u00e0 la troncature syst\u00e9matique de chaque unit\u00e9 statistique.<\/p>\n
1.2 Distinction entre DFBETAS, DFFITS et la distance de Cook<\/h3>\n
L’arsenal des statistiques d’influence d\u00e9velopp\u00e9es dans la litt\u00e9rature \u00e9conom\u00e9trique et statistique comprend principalement trois m\u00e9triques fondamentales : la distance de Cook, le DFFITS et les DFBETAS. Bien que ces mesures partagent une racine conceptuelle commune bas\u00e9e sur la suppression unitaire d’observations, leurs vocations analytiques et leurs granularit\u00e9s diff\u00e8rent fondamentalement. La distance de Cook<\/a> est un indicateur synth\u00e9tique agr\u00e9g\u00e9 qui \u00e9value le d\u00e9placement global du vecteur des pr\u00e9dictions ou, de mani\u00e8re \u00e9quivalente, le glissement de l’ensemble du vecteur des coefficients dans l’espace param\u00e9trique multidimensionnel. Elle fournit ainsi un signal d’alerte global informant le chercheur qu’une observation perturbe la structure g\u00e9n\u00e9rale du mod\u00e8le, sans toutefois pr\u00e9ciser quel param\u00e8tre sp\u00e9cifique subit cette alt\u00e9ration.<\/p>\n De mani\u00e8re similaire, le DFFITS (Difference in Fits Standardized) mesure la variation standardis\u00e9e induite par une observation sur sa propre valeur pr\u00e9dite. Il s’agit d’une m\u00e9trique centr\u00e9e sur la r\u00e9ponse ajust\u00e9e individuelle, tr\u00e8s sensible aux d\u00e9viations pr\u00e9dictives ponctuelles, mais qui condense \u00e0 nouveau l’information sous une forme scalaire unique par observation. Les DFBETAS, quant \u00e0 eux, offrent une r\u00e9solution analytique sup\u00e9rieure en se d\u00e9ployant non pas sous la forme d’un vecteur unidimensionnel de longueur n, mais sous la forme d’une matrice compl\u00e8te de dimensions n lignes par k plus un colonnes, o\u00f9 k repr\u00e9sente le nombre de r\u00e9gresseurs ind\u00e9pendants augment\u00e9s du terme d’interception.<\/p>\n Cette structure matricielle conf\u00e8re aux DFBETAS une capacit\u00e9 diagnostique unique : chaque coefficient vectoriel individuel fait l’objet d’un examen d\u00e9di\u00e9. Gr\u00e2ce \u00e0 leurs propri\u00e9t\u00e9s de standardisation par une estimation appropri\u00e9e de l’erreur type tronqu\u00e9e, les DFBETAS permettent des comparaisons rigoureuses entre variables mesur\u00e9es sur des \u00e9chelles h\u00e9t\u00e9rog\u00e8nes, neutralisant les effets d’unit\u00e9s de mesure divergentes. Pour mener un audit complet et irr\u00e9prochable des donn\u00e9es empiriques, les recommandations m\u00e9thodologiques pr\u00e9conisent d’articuler ces outils de mani\u00e8re s\u00e9quentielle : utiliser la distance de Cook et le DFFITS pour cartographier les perturbations globales du syst\u00e8me d’estimation, puis mobiliser imm\u00e9diatement les DFBETAS afin d’identifier avec pr\u00e9cision quel m\u00e9canisme explicatif particulier ou quelle pente marginale se trouve d\u00e9form\u00e9e par les observations suspectes.<\/p>\n La recherche quantitative moderne, soumise \u00e0 des exigences accrues d’int\u00e9grit\u00e9 et de reproductibilit\u00e9 empirique, fait face \u00e0 des risques \u00e9pist\u00e9mologiques majeurs lorsque l’\u00e9tape des diagnostics d’influence est n\u00e9glig\u00e9e. Les inf\u00e9rences statistiques, qu’il s’agisse des tests de signification d’hypoth\u00e8ses nulles de Student ou des intervalles de confiance associ\u00e9s aux pentes partielles, sont extr\u00eamement vuln\u00e9rables dans les \u00e9chantillons de taille petite \u00e0 mod\u00e9r\u00e9e. Une unique observation influente peut suffire \u00e0 faire basculer une p-valeur de part et d’autre du seuil conventionnel de cinq pour cent, transformant une relation empirique statistiquement non significative en une d\u00e9couverte illusoire, ou inversement, masquant une association th\u00e9orique pourtant robuste par inflation artificielle de l’erreur type.<\/p>\n Dans ce contexte, le recours syst\u00e9matique aux DFBETAS prot\u00e8ge le chercheur contre le biais de confirmation cognitif qui menace l’\u00e9puration des donn\u00e9es. Sans m\u00e9trique standardis\u00e9e et objective, l’exp\u00e9rimentateur pourrait \u00eatre tent\u00e9 d’\u00e9liminer de fa\u00e7on discr\u00e9tionnaire des points singuliers au seul motif qu’ils contredisent les hypoth\u00e8ses de recherche initialement formul\u00e9es. L’adoption d’un crit\u00e8re formel d’influence param\u00e9trique contraint le processus de validation \u00e0 reposer sur des bases math\u00e9matiques transparentes, document\u00e9es et reproductibles.<\/p>\n L’int\u00e9gration des diagnostics de DFBETAS r\u00e9pond directement \u00e0 la crise de la reproductibilit\u00e9 qui traverse les sciences empiriques contemporaines. Un mod\u00e8le \u00e9conom\u00e9trique ou psychom\u00e9trique dont les conclusions fondamentales reposent exclusivement sur la pr\u00e9sence contingente de deux ou trois unit\u00e9s d’\u00e9chantillonnage ne saurait pr\u00e9tendre \u00e0 la g\u00e9n\u00e9ralisabilit\u00e9 scientifique. La mise en \u0153uvre rigoureuse des diagnostics d’influence permet ainsi d’\u00e9tablir la stabilit\u00e9 structurelle des inf\u00e9rences param\u00e9triques et d’apporter la preuve que les conclusions publi\u00e9es refl\u00e8tent fid\u00e8lement les dynamiques de la population cible plut\u00f4t que les idiosyncrasies accidentelles de cas extr\u00eames.<\/p>\n La d\u00e9rivation math\u00e9matique des DFBETAS s’articule autour de l’alg\u00e8bre matricielle de la r\u00e9gression lin\u00e9aire multiple. Soit un mod\u00e8le sp\u00e9cifi\u00e9 sous la forme vectorielle standard Y = X beta + epsilon, o\u00f9 Y est le vecteur des n r\u00e9ponses observ\u00e9es, X la matrice de plan de dimensions n par p (avec p = k + 1 incluant la colonne unitaire d’interception), beta le vecteur des p coefficients \u00e0 estimer, et epsilon le vecteur des erreurs r\u00e9siduelles ind\u00e9pendantes et identiquement distribu\u00e9es. L’estimateur conventionnel des moindres carr\u00e9s ordinaires s’exprime par le vecteur beta chapeau = (X^T X)^(-1) X^T Y.<\/p>\n Consid\u00e9rons maintenant l’estimateur tronqu\u00e9 not\u00e9 beta chapeau entre parenth\u00e8ses indice i, obtenu en r\u00e9estimant le mod\u00e8le apr\u00e8s avoir exclu la i-i\u00e8me ligne de la matrice X et le i-i\u00e8me \u00e9l\u00e9ment du vecteur Y. La variation vectorielle brute induite par ce retrait s’\u00e9crit beta chapeau moins beta chapeau entre parenth\u00e8ses indice i. Pour isoler le j-i\u00e8me coefficient de ce vecteur et le normaliser afin de s’affranchir des unit\u00e9s de mesure de la variable associ\u00e9e, la formule analytique du DFBETAS pour le j-i\u00e8me param\u00e8tre et la i-i\u00e8me observation s’\u00e9nonce comme le rapport entre la diff\u00e9rence brute du coefficient et une mesure standardis\u00e9e de sa variabilit\u00e9 :<\/p>\n DFBETAS_j(i) = [beta_chapeau_j – beta_chapeau_j(i)] \/ [s_(i) * sqrt(c_jj)]<\/p>\n Dans cette formulation alg\u00e9brique fondamentale, s_(i) repr\u00e9sente l’estimation de l’\u00e9cart-type de l’erreur r\u00e9siduelle obtenue apr\u00e8s exclusion de la i-i\u00e8me observation, assurant une stricte ind\u00e9pendance vis-\u00e0-vis du point \u00e9valu\u00e9. Le terme c_jj correspond au j-i\u00e8me \u00e9l\u00e9ment diagonal de la matrice inverse des covariances des r\u00e9gresseurs, c’est-\u00e0-dire le j-i\u00e8me scalaire diagonal de la matrice (X^T X)^(-1). Par ailleurs, l’alg\u00e8bre matricielle d\u00e9montre, gr\u00e2ce \u00e0 l’application du lemme d’inversion matricielle de Sherman-Morrison-Woodbury, qu’il n’est pas n\u00e9cessaire de r\u00e9ajuster manuellement n r\u00e9gressions distinctes pour calculer ces valeurs. Le terme de variation s’exprime directement \u00e0 l’aide des r\u00e9sidus studentis\u00e9s externes et des \u00e9l\u00e9ments de la matrice de projection chapeau H = X (X^T X)^(-1) X^T, liant intimement l’effet de levier h_ii et le r\u00e9sidu standardis\u00e9 \u00e0 la d\u00e9viation param\u00e9trique observ\u00e9e.<\/p>\n L’interpr\u00e9tation du signe alg\u00e9brique du DFBETAS est imm\u00e9diate : un score positif indique que l’inclusion de l’observation i dans l’\u00e9chantillon tire l’estimation du coefficient beta_j vers le haut, c’est-\u00e0-dire qu’elle accro\u00eet sa magnitude positive ou r\u00e9duit sa n\u00e9gativit\u00e9. R\u00e9ciproquement, un score DFBETAS n\u00e9gatif signale que l’observation i exerce une pression \u00e0 la baisse sur le coefficient j, diminuant sa valeur estim\u00e9e globale. La magnitude absolue renseigne quant \u00e0 elle directement sur l’amplitude de ce d\u00e9placement, exprim\u00e9e en unit\u00e9s d’\u00e9cart-type de l’estimateur.<\/p>\n L’environnement statistique R fournit deux fonctions distinctes aux d\u00e9signations tr\u00e8s proches mais dont la port\u00e9e analytique diff\u00e8re radicalement : la fonction dfbeta() d’une part, et la fonction dfbetas() d’autre part. Cette terminaison par un s minuscule marque le passage d’une m\u00e9trique dimensionnelle brute \u00e0 une m\u00e9trique adimensionnelle strictement standardis\u00e9e. La fonction dfbeta() calcule l’\u00e9cart direct non standardis\u00e9, correspondant simplement au num\u00e9rateur de la formule statistique :<\/p>\n dfbeta_j(i) = beta_chapeau_j – beta_chapeau_j(i)<\/p>\n Par cons\u00e9quent, la grandeur num\u00e9rique g\u00e9n\u00e9r\u00e9e par dfbeta() s’exprime exactement dans l’unit\u00e9 de mesure d’origine de la variable d\u00e9pendante Y divis\u00e9e par l’unit\u00e9 de mesure du r\u00e9gresseur explicatif X_j. Par exemple, si la variable d\u00e9pendante repr\u00e9sente un salaire annuel mesur\u00e9 en euros et que le r\u00e9gresseur mod\u00e9lise le niveau d’\u00e9ducation exprim\u00e9 en ann\u00e9es d’\u00e9tudes, la valeur retourn\u00e9e par dfbeta() s’interpr\u00e9tera directement en euros par ann\u00e9e suppl\u00e9mentaire de scolarit\u00e9. Si cette quantification brute offre une interpr\u00e9tabilit\u00e9 financi\u00e8re ou physique imm\u00e9diate pour le praticien sp\u00e9cialiste du domaine concern\u00e9, elle pr\u00e9sente un inconv\u00e9nient majeur : elle interdit formellement toute comparaison d’influence entre r\u00e9gresseurs au sein d’un m\u00eame mod\u00e8le, ainsi que toute comparaison entre mod\u00e8les portant sur des variables distinctes.<\/p>\n \u00c0 l’oppos\u00e9, la fonction dfbetas() incorpore la division par le d\u00e9nominateur standardis\u00e9 comprenant l’erreur type de l’estimateur sans l’observation i. Il en r\u00e9sulte un nombre pur, adimensionnel, repr\u00e9sentant le d\u00e9placement du coefficient en fractions d’erreurs types. Lors des proc\u00e9dures de contr\u00f4le de qualit\u00e9 des donn\u00e9es et des audits diagnostiques comparatifs, il est imp\u00e9ratif de privil\u00e9gier l’usage des DFBETAS standardis\u00e9s. Cette standardisation permet d’appliquer des r\u00e8gles de d\u00e9cision universelles et d’identifier avec la m\u00eame s\u00e9v\u00e9rit\u00e9 relative les perturbations affectant des variables aux variances disparates.<\/p>\n L’exploitation pratique des DFBETAS requiert l’\u00e9tablissement de r\u00e8gles de d\u00e9cision formelles afin de distinguer les fluctuations d’\u00e9chantillonnage al\u00e9atoires ordinaires des cas d’influence param\u00e9trique anormale. Dans leur ouvrage de r\u00e9f\u00e9rence sur les diagnostics de r\u00e9gression, Belsley, Kuh et Welsch (1980)<\/a> ont \u00e9tabli deux heuristiques de coupure canoniques qui font aujourd’hui autorit\u00e9 dans la litt\u00e9rature m\u00e9thodologique.<\/p>\n La premi\u00e8re r\u00e8gle, dite seuil d\u00e9pendant de la taille de l’\u00e9chantillon ou crit\u00e8re ajust\u00e9, stipule qu’une observation doit \u00eatre consid\u00e9r\u00e9e comme suspecte et soumise \u00e0 un examen minutieux si la valeur absolue de son DFBETAS d\u00e9passe le seuil critique calcul\u00e9 selon la formule :<\/p>\n Seuil_BKW = 2 \/ sqrt(n)<\/p>\n Ce seuil adaptatif d\u00e9coule de consid\u00e9rations th\u00e9oriques sur la distribution asymptotique des statistiques d’influence. Dans un \u00e9chantillon de taille n, la contribution moyenne th\u00e9orique d’une observation individuelle \u00e0 la variance d’un coefficient d\u00e9cro\u00eet proportionnellement \u00e0 l’inverse de la racine carr\u00e9e de n. Par cons\u00e9quent, l’heuristique deux divis\u00e9 par la racine carr\u00e9e de n ajuste dynamiquement le degr\u00e9 de s\u00e9v\u00e9rit\u00e9 du filtre diagnostique en fonction du volume d’observations collect\u00e9es. Plus l’\u00e9chantillon est volumineux, plus le seuil devient strict en valeur absolue, emp\u00eachant des observations marginales d’\u00e9chapper \u00e0 la d\u00e9tection dans les grandes bases de donn\u00e9es.<\/p>\n La seconde heuristique, de nature absolue et conservatrice, retient un seuil fixe \u00e9gal \u00e0 l’unit\u00e9 :<\/p>\n Seuil_Absolu = 1.0<\/p>\n Le franchissement d’un seuil absolu unitaire indique qu’\u00e0 elle seule, une observation d\u00e9place l’estimation du coefficient de plus d’un \u00e9cart-type entier. Une telle distorsion constitue un \u00e9v\u00e9nement statistique exceptionnel, capable de transformer radicalement la significativit\u00e9 ou le signe de la pente. Cependant, dans les contextes contemporains de m\u00e9gadonn\u00e9es ou de cohortes massives comprenant des dizaines de milliers d’individus, l’application aveugle du seuil ajust\u00e9 2\/sqrt(n) peut conduire \u00e0 une sur-d\u00e9tection pathologique en qualifiant d’influentes des centaines de donn\u00e9es dont l’impact substantiel reste pourtant n\u00e9gligeable. Il est donc fondamental de rejeter tout automatisme binaire d\u00e9nu\u00e9 de discernement m\u00e9thodologique, et d’ajuster l’arbitrage entre seuils relatifs et seuils absolus selon la taille du collectif et les finalit\u00e9s \u00e9pist\u00e9miques de la mod\u00e9lisation.<\/p>\n L’impl\u00e9mentation rigoureuse des diagnostics d’influence sous le langage R tire parti de l’\u00e9cosyst\u00e8me modulaire et extensible propre \u00e0 cet environnement logiciel. Si les fonctions statistiques de base requises pour l’estimation param\u00e9trique et le calcul matriciel des DFBETAS sont nativement int\u00e9gr\u00e9es au package standard stats pr\u00e9install\u00e9 dans R, l’approfondissement des analyses et la sophistication visuelle n\u00e9cessitent l’appel \u00e0 des biblioth\u00e8ques sp\u00e9cialis\u00e9es d\u00e9velopp\u00e9es par la communaut\u00e9 biom\u00e9trique et \u00e9conom\u00e9trique.<\/p>\n Au premier rang de ces extensions figure le package car (Companion to Applied Regression), d\u00e9velopp\u00e9 initialement par John Fox et Sanford Weisberg. Cette biblioth\u00e8que constitue la r\u00e9f\u00e9rence m\u00e9thodologique incontournable pour les tests d’hypoth\u00e8ses lin\u00e9aires, l’examen de la colin\u00e9arit\u00e9 et la g\u00e9n\u00e9ration automatis\u00e9e de graphiques de diagnostic combin\u00e9s. Conjointement, le package olsrr (OLS Regression Diagnostics and Tools) fournit une interface analytique contemporaine d\u00e9di\u00e9e exclusivement \u00e0 l’\u00e9valuation m\u00e9thodique des mod\u00e8les lin\u00e9aires gaussiens, offrant des sorties tabulaires structur\u00e9es et des fonctions graphiques pr\u00eates \u00e0 l’emploi pour l’inspection des DFBETAS.<\/p>\n Pour l’ing\u00e9nierie des donn\u00e9es et la restitution graphique selon les standards graphiques les plus \u00e9lev\u00e9s, l’environnement tidyverse, structur\u00e9 autour de packages tels que dplyr pour la manipulation de donn\u00e9es, tidyr pour le remodelage vectoriel et ggplot2 pour la grammaire graphique stratifi\u00e9e, s’av\u00e8re indispensable. Enfin, la configuration des options globales de la session RStudio, notamment le r\u00e9glage de l’affichage num\u00e9rique via l’instruction d’options de scipen fix\u00e9e \u00e0 une valeur ad\u00e9quate pour \u00e9viter une notation scientifique pr\u00e9matur\u00e9e, garantit une lisibilit\u00e9 maximale des sorties console lors du calcul des valeurs critiques d’\u00e9chantillonnage.<\/p>\n Pour assurer la transf\u00e9rabilit\u00e9 p\u00e9dagogique et la reproductibilit\u00e9 absolue des proc\u00e9dures pr\u00e9sent\u00e9es, la d\u00e9marche analytique s’appuiera sur des jeux de donn\u00e9es d’acc\u00e8s direct au sein de l’environnement R, tels que le c\u00e9l\u00e8bre jeu de donn\u00e9es mtcars, issu des essais de performances automobiles document\u00e9s par Motor Trend en 1974, ou des sous-ensembles psychom\u00e9triques repr\u00e9sentatifs de dimensions continues. Le choix d’un jeu de donn\u00e9es canonique tel que mtcars pr\u00e9sente un avantage diagnostique consid\u00e9rable : cet \u00e9chantillon mod\u00e9r\u00e9 comprenant 32 observations pour 11 attributs m\u00e9caniques et structurels contient des v\u00e9hicules aux caract\u00e9ristiques particuli\u00e8rement contrast\u00e9es, offrant un terrain d’exercice id\u00e9al pour illustrer le comportement des cas influents.<\/p>\n Avant d’ajuster le moindre mod\u00e8le math\u00e9matique, une inspection exploratoire m\u00e9thodique s’impose. Cette \u00e9tape initiale d\u00e9bute par l’examen minutieux des types de variables via la fonction str() ou glimpse(), confirmant la nature continue des grandeurs destin\u00e9es \u00e0 figurer comme r\u00e9gresseurs et variable d\u00e9pendante. La pr\u00e9sence \u00e9ventuelle d’enregistrements manquants (valeurs NA) doit \u00eatre syst\u00e9matiquement d\u00e9compt\u00e9e et trait\u00e9e, car l’omission non planifi\u00e9e d’observations en cours d’ajustement perturberait l’indexation s\u00e9quentielle n\u00e9cessaire \u00e0 la tra\u00e7abilit\u00e9 des DFBETAS.<\/p>\n L’\u00e9valuation des statistiques descriptives fondamentales (moyennes, \u00e9carts-types, m\u00e9dianes, quartiles et \u00e9tendues) permet de rep\u00e9rer en amont les asym\u00e9tries distributionnelles s\u00e9v\u00e8res qui pr\u00e9sagent fr\u00e9quemment l’\u00e9mergence de points de levier statistiques. Dans le cadre de notre mod\u00e9lisation de r\u00e9f\u00e9rence, nous d\u00e9finirons la consommation de carburant, mesur\u00e9e en miles par gallon (mpg), comme variable d\u00e9pendante continue, tandis que la masse du v\u00e9hicule (wt), la cylindr\u00e9e du moteur (disp) et la puissance brute (hp) feront office de pr\u00e9dicteurs continus au sein du syst\u00e8me explicatif.<\/p>\n L’interpr\u00e9tation valide des mesures d’influence requiert imp\u00e9rativement que le mod\u00e8le de r\u00e9gression lin\u00e9aire sous-jacent soit structurellement et th\u00e9oriquement ad\u00e9quat. Calculer des DFBETAS sur une sp\u00e9cification \u00e9conom\u00e9trique corrompue par une violation massive des hypoth\u00e8ses de Gauss-Markov conduirait \u00e0 imputer \u00e0 quelques observations isol\u00e9es ce qui rel\u00e8ve en r\u00e9alit\u00e9 d’un d\u00e9faut syst\u00e9mique de param\u00e9trisation math\u00e9matique.<\/p>\n La premi\u00e8re hypoth\u00e8se \u00e0 examiner concerne la multicolin\u00e9arit\u00e9 entre les variables explicatives. La pr\u00e9sence de corr\u00e9lations lin\u00e9aires intenses entre pr\u00e9dicteurs a pour cons\u00e9quence directe de dilater artificiellement les variances des estimateurs, ce qui modifie substantiellement les \u00e9l\u00e9ments diagonaux c_jj de la matrice (X^T X)^(-1). L’\u00e9valuation des facteurs d’inflation de la variance (VIF) constitue \u00e0 cet \u00e9gard une pr\u00e9caution essentielle : des valeurs de VIF sup\u00e9rieures aux seuils conventionnels de 5 ou 10 signalent une instabilit\u00e9 colin\u00e9aire qui viendrait exacerber de mani\u00e8re fallacieuse les scores de DFBETAS calcul\u00e9s pour les variables concern\u00e9es.<\/p>\n De surcro\u00eet, l’inspection pr\u00e9alable de la lin\u00e9arit\u00e9 fonctionnelle et de l’homosc\u00e9dasticit\u00e9 des perturbations r\u00e9siduelles s’op\u00e8re conventionnellement par l’examen des graphiques de r\u00e9sidus contre valeurs pr\u00e9dites et par l’application de tests formels tels que le test de Breusch-Pagan. Enfin, la d\u00e9tection pr\u00e9coce des effets de levier structurels s’accomplit par l’extraction des \u00e9l\u00e9ments diagonaux h_ii de la matrice chapeau, couramment d\u00e9nomm\u00e9s hatvalues. L’identification des points de donn\u00e9es d\u00e9passant le seuil classique de levier fix\u00e9 \u00e0 deux ou trois fois le levier moyen (p divis\u00e9 par n) attire d’embl\u00e9e l’attention de l’analyste sur les unit\u00e9s statistiques poss\u00e9dant le potentiel th\u00e9orique maximal de distorsion param\u00e9trique, pr\u00e9parant ainsi l’\u00e9tape d’\u00e9valuation cibl\u00e9e des DFBETAS.<\/p>\n La formulation empirique de la relation lin\u00e9aire s’op\u00e8re dans R par l’interm\u00e9diaire de la fonction fondamentale lm(), qui impl\u00e9mente num\u00e9riquement l’algorithme des moindres carr\u00e9s ordinaires au moyen d’une d\u00e9composition matricielle QR hautement optimis\u00e9e. Cette m\u00e9thode de factorisation garantit une remarquable stabilit\u00e9 num\u00e9rique lors de l’inversion des matrices, minimisant les erreurs d’arrondi computationnelles inh\u00e9rentes aux syst\u00e8mes lin\u00e9aires comportant des pr\u00e9dicteurs corr\u00e9l\u00e9s.<\/p>\n La syntaxe de base consiste \u00e0 expliciter la formule symbolique reliant la variable r\u00e9ponse aux variables explicatives continues, s\u00e9par\u00e9es par l’op\u00e9rateur d’addition. L’affectation de cette op\u00e9ration \u00e0 un objet sp\u00e9cifique au sein de l’environnement R conserve en m\u00e9moire la totalit\u00e9 des structures de donn\u00e9es associ\u00e9es au mod\u00e8le :<\/p>\n modele_cars <- lm(mpg ~ wt + disp + hp, data = mtcars)<\/p>\n Cette d\u00e9claration sp\u00e9cifie un mod\u00e8le complet comprenant trois pentes partielles associ\u00e9es respectivement \u00e0 la masse, \u00e0 la cylindr\u00e9e et \u00e0 la puissance, ainsi qu’un terme constant d’interception mod\u00e9lisant la consommation th\u00e9orique attendue pour des valeurs nulles de l’ensemble des pr\u00e9dicteurs. L’algorithme des moindres carr\u00e9s traite simultan\u00e9ment l’ensemble des coefficients vectoriels en minimisant la somme des carr\u00e9s des erreurs r\u00e9siduelles. Il est capital de s’assurer, avant de poursuivre, que la convergence computationnelle s’est op\u00e9r\u00e9e sans \u00e9mission d’avertissements relatifs \u00e0 des singularit\u00e9s matricielles ou \u00e0 des coefficients ind\u00e9termin\u00e9s en raison d’une redondance d’information stricte.<\/p>\n L’ex\u00e9cution de la m\u00e9thode polymorphe summary() sur l’objet de r\u00e9gression modele_cars g\u00e9n\u00e8re le panorama statistique complet n\u00e9cessaire \u00e0 l’\u00e9valuation de la performance globale et locale du mod\u00e8le estim\u00e9. La console R restitue alors l’estimation des coefficients non standardis\u00e9s, leurs erreurs types asymptotiques respectives, les valeurs des statistiques de test t de Student associ\u00e9es ainsi que les p-valeurs correspondantes calcul\u00e9es sous l’hypoth\u00e8se de nullit\u00e9 des param\u00e8tres.<\/p>\n Dans ce sommaire, l’attention du chercheur doit se porter tant sur l’ampleur absolue des coefficients estim\u00e9s que sur leur niveau d’incertitude. L’examen attentif du coefficient de d\u00e9termination global R-carr\u00e9 et de sa version corrig\u00e9e (R-carr\u00e9 ajust\u00e9) permet de d\u00e9terminer la proportion de variance de la consommation m\u00e9canique expliqu\u00e9e par les trois variables ind\u00e9pendantes. Cependant, l’apparition de variables pr\u00e9sentant une signification statistique marginale ou fragile, caract\u00e9ris\u00e9e par des p-valeurs situ\u00e9es \u00e0 proximit\u00e9 imm\u00e9diate du seuil alpha de 0,05, constitue une alerte m\u00e9thodologique majeure. Ce sont pr\u00e9cis\u00e9ment ces pr\u00e9dicteurs \u00e0 la limite de la significativit\u00e9 statistique qui s’av\u00e8rent les plus vuln\u00e9rables \u00e0 l’influence de points d’\u00e9chantillonnage singuliers : l’exclusion d’une seule observation pourrait entra\u00eener le basculement de ces coefficients dans la zone de non-significativit\u00e9 ou, inversement, masquer une contribution explicative authentique.<\/p>\n Afin de structurer le flux de travail analytique et de pr\u00e9parer les calculs ult\u00e9rieurs de d\u00e9tection sans r\u00e9ex\u00e9cuter inutilement les fonctions d’estimation, il est recommand\u00e9 d’extraire syst\u00e9matiquement les m\u00e9tadonn\u00e9es cl\u00e9s associ\u00e9es \u00e0 l’objet de r\u00e9gression et de les stocker au sein d’un environnement de donn\u00e9es consolid\u00e9. Les param\u00e8tres dimensionnels fondamentaux du mod\u00e8le s’obtiennent par programmation \u00e9l\u00e9mentaire : la taille de l’\u00e9chantillon n correspond au nombre de lignes r\u00e9siduelles ou d’observations actives, tandis que le nombre total de param\u00e8tres p s’extrait par la longueur du vecteur des coefficients.<\/p>\n De mani\u00e8re compl\u00e9mentaire, les r\u00e9sidus ordinaires, les r\u00e9sidus standardis\u00e9s calcul\u00e9s par rstandard() et les r\u00e9sidus studentis\u00e9s externes obtenus via rstudent() doivent \u00eatre archiv\u00e9s dans un m\u00eame tableau de donn\u00e9es r\u00e9capitulatif. Le r\u00e9sidu studentis\u00e9 externe s’av\u00e8re particuli\u00e8rement pr\u00e9cieux car il int\u00e8gre d\u00e9j\u00e0 le m\u00e9canisme d’exclusion unitaire au niveau de la variance d’ajustement r\u00e9siduelle, constituant une composante essentielle de la m\u00e9canique interne des DFBETAS. En adjoignant \u00e0 ce tableau les valeurs diagonales de levier statistique extraites par hatvalues(), l’analyste pose les fondations quantitatives indispensables \u00e0 l’audit crois\u00e9 de l’influence locale.<\/p>\n Le calcul des DFBETAS standardis\u00e9s s’effectue dans l’environnement R au moyen d’un appel direct \u00e0 la fonction native dfbetas() issue de la biblioth\u00e8que de base stats. Cette fonction prend pour argument principal l’objet de r\u00e9gression issu de la fonction lm() et restitue instantan\u00e9ment la matrice d’influence compl\u00e8te sans exiger de l’utilisateur la programmation manuelle de la boucle d’it\u00e9ration jackknife :<\/p>\n matrice_dfbetas <- dfbetas(modele_cars)<\/p>\n L’objet r\u00e9sultant se mat\u00e9rialise sous la forme d’une matrice num\u00e9rique \u00e0 deux dimensions dont la structure formelle refl\u00e8te rigoureusement l’espace d’\u00e9chantillonnage et l’espace param\u00e9trique. Le nombre de lignes de cette matrice \u00e9quivaut strictement \u00e0 la taille n de l’\u00e9chantillon d’analyse (soit 32 lignes pour le mod\u00e8le mtcars), tandis que le nombre de colonnes correspond au nombre de coefficients p du mod\u00e8le, int\u00e9grant l’ordonn\u00e9e \u00e0 l’origine (soit 4 colonnes : (Intercept), wt, disp et hp). Chaque cellule situ\u00e9e \u00e0 l’intersection de la ligne i et de la colonne j quantifie de mani\u00e8re exacte la valeur prise par DFBETAS_j(i).<\/p>\n Une \u00e9tape de v\u00e9rification d’int\u00e9grit\u00e9 computationnelle s’impose d\u00e8s l’obtention de cette matrice. L’analyste doit s’assurer de l’absence totale de valeurs manquantes (NA) ou de grandeurs infinies (Inf), qui t\u00e9moigneraient d’une singularit\u00e9 g\u00e9om\u00e9trique locale ou d’un point de levier absolu ayant absorb\u00e9 l’int\u00e9gralit\u00e9 des degr\u00e9s de libert\u00e9 r\u00e9siduels. La validation de la conformit\u00e9 dimensionnelle de la matrice garantit que la bijection entre les identifiants d’observations et les scores d’impact param\u00e9trique est rigoureusement pr\u00e9serv\u00e9e.<\/p>\n Bien que la matrice globale fournisse une vue exhaustive des dynamiques d’influence au sein du mod\u00e8le, l’investigation empirique cible fr\u00e9quemment des coefficients sp\u00e9cifiques pr\u00e9sentant un int\u00e9r\u00eat th\u00e9orique central pour les hypoth\u00e8ses de recherche. L’isolement des DFBETAS associ\u00e9s \u00e0 un pr\u00e9dicteur particulier s’op\u00e8re par indexation matricielle standard en d\u00e9signant la colonne d’int\u00e9r\u00eat par son \u00e9tiquette textuelle ou son indice de position.<\/p>\n Afin de fluidifier les \u00e9tapes subs\u00e9quentes de manipulation statistique et de visualisation graphique, il est vivement recommand\u00e9 de convertir la matrice brute en un tableau de donn\u00e9es rectangulaire moderne de type data.frame ou tibble. Les identifiants textuels des unit\u00e9s statistiques, initialement stock\u00e9s dans les attributs de noms de lignes (rownames), doivent \u00eatre express\u00e9ment promus au statut de colonne explicite d’identification au sein du tableau :<\/p>\n dfbetas_structure <- as.data.frame(matrice_dfbetas) Cette transformation garantit que chaque mesure d’impact individuel demeure indissolublement li\u00e9e \u00e0 l’unit\u00e9 statistique dont elle d\u00e9rive. Il devient d\u00e8s lors ais\u00e9 de renommer explicitement les colonnes pour \u00e9carter toute ambigu\u00eft\u00e9 s\u00e9mantique, par exemple en pr\u00e9fixant le nom de chaque variable par la mention dfb_, et d’effectuer des op\u00e9rations de fusion ou de jointure avec le jeu de donn\u00e9es d’origine contenant les caract\u00e9ristiques descriptives compl\u00e8tes des observations analys\u00e9es.<\/p>\n L’ex\u00e9cution conjointe de la fonction dfbeta() permet d’extraire les variations brutes non standardis\u00e9es beta_chapeau_j moins beta_chapeau_j(i), offrant une perspective compl\u00e9mentaire pr\u00e9cieuse pour \u00e9clairer l’ampleur substantielle des d\u00e9placements param\u00e9triques :<\/p>\n matrice_dfbeta_brute <- dfbeta(modele_cars)<\/p>\n La comparaison terme \u00e0 terme entre la sortie de dfbeta() et celle de dfbetas() illustre empiriquement le m\u00e9canisme de standardisation th\u00e9oris\u00e9 \u00e0 la section 2. Pour une observation et un r\u00e9gresseur donn\u00e9s, la division de la valeur brute dfbeta par le produit de l’\u00e9cart-type r\u00e9siduel sans l’observation i (not\u00e9 s_(i)) et de la racine carr\u00e9e du terme diagonal c_jj de la matrice (X^T X)^(-1) restitue rigoureusement la valeur issue de dfbetas().<\/p>\n Cette approche d\u00e9sagr\u00e9g\u00e9e s’av\u00e8re particuli\u00e8rement instructive dans les contextes industriels, cliniques ou manag\u00e9riaux, o\u00f9 les d\u00e9cideurs s’av\u00e8rent souvent plus r\u00e9ceptifs \u00e0 une variation mesur\u00e9e directement dans l’\u00e9chelle d’origine des ph\u00e9nom\u00e8nes qu’\u00e0 une unit\u00e9 standardis\u00e9e abstraite. Par exemple, observer qu’un mod\u00e8le particulier de voiture modifie \u00e0 lui seul la sensibilit\u00e9 de la consommation au poids de 0,5 mile par gallon par tonne conf\u00e8re une intuition op\u00e9rationnelle tangible que le score d’\u00e9cart-type ne communique pas imm\u00e9diatement. Toutefois, la vigilance s’impose : seule la m\u00e9trique standardis\u00e9e DFBETAS issue de dfbetas() poss\u00e8de la neutralit\u00e9 math\u00e9matique requise pour identifier objectivement les anomalies statistiques prioritaires.<\/p>\n La d\u00e9tection rigoureuse des observations anormalement influentes requiert la formalisation algorithmique des crit\u00e8res th\u00e9oriques \u00e9voqu\u00e9s pr\u00e9c\u00e9demment. Pour automatiser ce processus sans recourir \u00e0 des calculs manuels sources d’erreurs, le seuil ajust\u00e9 de Belsley, Kuh et Welsch doit \u00eatre d\u00e9termin\u00e9 dynamiquement au sein du script R en extrayant la dimension d’\u00e9chantillonnage directement depuis le mod\u00e8le ajust\u00e9 :<\/p>\n taille_echantillon <- nobs(modele_cars) Pour l’\u00e9chantillon mtcars comportant 32 unit\u00e9s statistiques, le calcul num\u00e9rique attribue au seuil critique la valeur de 2 divis\u00e9 par la racine carr\u00e9e de 32, soit environ 0,3535. Toute observation pour laquelle la valeur absolue du DFBETAS exc\u00e8de cette limite seuil sera class\u00e9e comme statistiquement influente sur le coefficient consid\u00e9r\u00e9.<\/p>\n L’impl\u00e9mentation programmatique tire profit des vecteurs logiques bool\u00e9ens g\u00e9n\u00e9r\u00e9s par l’op\u00e9rateur de comparaison. En appliquant la condition d’in\u00e9galit\u00e9 stricte \u00e0 l’ensemble de la matrice des DFBETAS prise en valeur absolue, R g\u00e9n\u00e8re une structure matricielle d’indicatrices bool\u00e9ennes (TRUE ou FALSE) signalant instantan\u00e9ment les d\u00e9passements de tol\u00e9rance pour chaque cellule du mod\u00e8le. Cette d\u00e9marche garantit une totale reproductibilit\u00e9 et neutralise les risques d’omission lors du d\u00e9pouillement diagnostique.<\/p>\n L’exploitation de l’infrastructure logicielle fournie par le package dplyr permet d’extraire, de filtrer et de s\u00e9rier les observations probl\u00e9matiques avec une remarquable clart\u00e9 syntaxique. En associant les fonctions filter() et arrange(), l’analyste peut ordonner les cas suspects selon l’ampleur absolue de leur influence sur un r\u00e9gresseur donn\u00e9 :<\/p>\n cas_influents_poids <- dfbetas_structure %>% Cette routine d’extraction isole imm\u00e9diatement les unit\u00e9s statistiques qui exercent une traction d\u00e9mesur\u00e9e sur le param\u00e8tre de masse du v\u00e9hicule. Il est fr\u00e9quent que certaines observations s’illustrent par une influence g\u00e9n\u00e9ralis\u00e9e, franchissant simultan\u00e9ment le seuil critique pour l’ensemble des pr\u00e9dicteurs du mod\u00e8le, tandis que d’autres ciblent exclusivement un r\u00e9gresseur unique en raison d’une localisation atypique limit\u00e9e \u00e0 un seul sous-espace orthogonal.<\/p>\n Le r\u00e9sultat de cette filtration syst\u00e9matique peut \u00eatre mis en forme sous la forme d’un tableau r\u00e9capitulatif publiable, consignant pour chaque cas signal\u00e9 son identifiant d’\u00e9chantillonnage, la valeur exacte de ses DFBETAS par pr\u00e9dicteur, ainsi que le rapport proportionnel entre l’influence constat\u00e9e et le seuil critique d’alerte. Cette synth\u00e8se tabulaire constitue la base documentaire indispensable pour toute discussion m\u00e9thodologique ult\u00e9rieure portant sur la stabilit\u00e9 du mod\u00e8le.<\/p>\n L’\u00e9valuation des scores DFBETAS ne doit pas \u00eatre men\u00e9e de mani\u00e8re uniforme sans tenir compte de la nature math\u00e9matique et g\u00e9om\u00e9trique des diff\u00e9rents r\u00e9gresseurs introduits dans la formule lin\u00e9aire. L’ordonn\u00e9e \u00e0 l’origine (terme constant ou Intercept) affiche structurellement une vuln\u00e9rabilit\u00e9 diagnostique sup\u00e9rieure face aux DFBETAS par rapport aux pentes partielles centr\u00e9es. En effet, la colonne vectorielle associ\u00e9e \u00e0 l’interception n’\u00e9tant constitu\u00e9e que de valeurs unitaires invariantes, toute observation dont les valeurs explicatives se situent \u00e0 une distance consid\u00e9rable du point d’origine th\u00e9orique exercera une force de bascule massive sur la constante, g\u00e9n\u00e9rant des scores de DFBETAS particuli\u00e8rement \u00e9lev\u00e9s sans que les pentes associ\u00e9es aux variables d’int\u00e9r\u00eat n’en soient n\u00e9cessairement d\u00e9stabilis\u00e9es.<\/p>\n Le comportement des DFBETAS face aux variables cat\u00e9gorielles ou indicatrices binaires (variables muettes ou dummy variables) m\u00e9rite une vigilance tout aussi pointue. Dans le cas d’une indicatrice marquant une cat\u00e9gorie minoritaire qui ne regroupe qu’une infime fraction de l’\u00e9chantillon total, chaque unit\u00e9 appartenant \u00e0 ce sous-groupe rare d\u00e9tient un effet de levier intrins\u00e8quement \u00e9lev\u00e9. Il s’ensuit que les DFBETAS associ\u00e9s \u00e0 ce coefficient binaire franchiront couramment les seuils statistiques th\u00e9oriques sous l’effet de la seule raret\u00e9 de la modalit\u00e9, sans que cela n’indique la pr\u00e9sence d’une pathologie d’\u00e9chantillonnage ou d’une anomalie substantielle.<\/p>\n Enfin, pour les r\u00e9gresseurs continus pr\u00e9sentant une faible dispersion ou variance, l’analyste doit se pr\u00e9munir contre le risque de sur-d\u00e9tection cons\u00e9cutif \u00e0 l’application aveugle du crit\u00e8re 2\/sqrt(n) au sein de petits collectifs. La prise en compte de la structure sous-jacente des donn\u00e9es permet de contextualiser la signification de chaque alerte diagnostique et d’\u00e9viter des interpr\u00e9tations alarmistes injustifi\u00e9es.<\/p>\n La visualisation graphique constitue un prolongement indispensable de l’analyse tabulaire en permettant une appr\u00e9hension spatiale imm\u00e9diate de la dispersion des mesures d’influence \u00e0 travers l’\u00e9chantillon. Les outils graphiques natifs fournis par l’environnement de base de R permettent d’\u00e9laborer rapidement des diagrammes d’indices (index plots) d’une grande efficacit\u00e9 diagnostique sans n\u00e9cessiter le chargement de packages externes.<\/p>\n La construction d’un graphique d’indice repose sur la projection s\u00e9quentielle des valeurs de DFBETAS calcul\u00e9es pour un coefficient donn\u00e9 sur l’axe des ordonn\u00e9es, en correspondance avec le rang d’indexation ou l’ordre chronologique des observations positionn\u00e9 sur l’axe des abscisses. La fonction g\u00e9n\u00e9rique plot() combin\u00e9e \u00e0 l’adjonction de droites de r\u00e9f\u00e9rence via abline() permet de circonscrire l’espace d’acceptabilit\u00e9 statistique :<\/p>\n plot(matrice_dfbetas[, \u00ab\u00a0wt\u00a0\u00bb], type = \u00ab\u00a0h\u00a0\u00bb, main = \u00ab\u00a0DFBETAS pour la variable Poids\u00a0\u00bb, ylab = \u00ab\u00a0DFBETAS Standardis\u00e9s\u00a0\u00bb, xlab = \u00ab\u00a0Index des observations\u00a0\u00bb, ylim = c(-1.2, 1.2)) Dans cette configuration, l’emploi de l’argument de type en b\u00e2tons (type = \u00ab\u00a0h\u00a0\u00bb) mat\u00e9rialise verticalement l’\u00e9loignement de chaque point par rapport \u00e0 la ligne de flottaison neutre d’impact z\u00e9ro. Les lignes discontinues horizontales trac\u00e9es en rouge figurent avec pr\u00e9cision les limites d’alerte th\u00e9oriques. Le chercheur per\u00e7oit instantan\u00e9ment les observations dont les tiges verticales percent les fronti\u00e8res de tol\u00e9rance critique, se d\u00e9tachant visiblement de la rumeur de fond des variations al\u00e9atoires standard.<\/p>\n Un trac\u00e9 graphique d’indices ne livre toute sa puissance analytique que s’il permet l’identification nominale directe des unit\u00e9s statistiques probl\u00e9matiques, \u00e9vitant \u00e0 l’exp\u00e9rimentateur des allers-retours fastidieux entre la fen\u00eatre graphique et les vecteurs de la console. L’enrichissement textuel d’un trac\u00e9 graphique sous le moteur natif de R s’op\u00e8re par la mobilisation de la fonction d’annotation text().<\/p>\n Pour pr\u00e9venir la surcharge visuelle et la superposition anarchique d’\u00e9tiquettes, il est capital de conditionner l’affichage textuel aux seuls points qui transgressent le seuil statistique fix\u00e9. Cette discrimination s’accomplit en s\u00e9lectionnant dynamiquement les coordonn\u00e9es spatiales des cas aberrants via des vecteurs logiques d’indexation :<\/p>\n indices_suspects <- which(abs(matrice_dfbetas[, \u00ab\u00a0wt\u00a0\u00bb]) > seuil_critique) L’argument pos fix\u00e9 \u00e0 trois commande l’inscription des \u00e9tiquettes typographiques imm\u00e9diatement au-dessus des coordonn\u00e9es des points identifi\u00e9s, tandis que le param\u00e8tre d’\u00e9chelle cex module la taille des caract\u00e8res pour assurer une lecture confortable. Par ce dispositif automatis\u00e9, les identifiants d’\u00e9chantillons singuliers, tels que les mod\u00e8les sp\u00e9cifiques d’automobiles affichant des caract\u00e9ristiques aberrantes, apparaissent nettement en surbrillance chromatique, offrant un support visuel directement exploitable pour les rapports d’expertise ou les manuscrits scientifiques.<\/p>\n Limiter l’inspection visuelle \u00e0 un pr\u00e9dicteur unique ferait courir le risque de n\u00e9gliger des distorsions majeures affectant d’autres composantes du mod\u00e8le lin\u00e9aire. Afin de dresser un panorama diagnostique exhaustif et synoptique, il est n\u00e9cessaire de juxtaposer les profils d’influence de l’int\u00e9gralit\u00e9 des coefficients au sein d’une m\u00eame planche multi-panneaux.<\/p>\n Cette orchestration graphique s’articule nativement dans R par le param\u00e9trage de l’environnement d’affichage au moyen de l’instruction par(mfrow = c(lignes, colonnes)). En d\u00e9finissant une grille adapt\u00e9e \u00e0 la dimensionnalit\u00e9 du mod\u00e8le (par exemple une matrice 2×2 pour accueillir les quatre coefficients de notre r\u00e9gression de d\u00e9monstration), une simple structure it\u00e9rative de boucle for ex\u00e9cute la s\u00e9rie s\u00e9quentielle des trac\u00e9s graphiques avec un alignement rigoureux des \u00e9chelles verticales :<\/p>\n par(mfrow = c(2, 2), mar = c(4, 4, 2, 1)) Cette planche int\u00e9gr\u00e9e permet une lecture compar\u00e9e instantan\u00e9e : l’observateur distingue d’un seul regard si une observation sp\u00e9cifique d\u00e9stabilise de concert l’ensemble des param\u00e8tres structurels du syst\u00e8me ou si son empreinte d’influence demeure circonscrite \u00e0 une pente partielle singuli\u00e8re. L’exportation de ce dispositif au format vectoriel haute d\u00e9finition (PDF ou EPS) fournit une archive d’audit graphique de r\u00e9f\u00e9rence pour l’\u00e9valuation empirique.<\/p>\n Si les graphiques natifs de R s’av\u00e8rent irrempla\u00e7ables pour une inspection exploratoire imm\u00e9diate, la production d’illustrations sophistiqu\u00e9es r\u00e9pondant aux standards \u00e9ditoriaux contemporains des revues scientifiques de premier rang s’appuie pr\u00e9f\u00e9rentiellement sur la biblioth\u00e8que ggplot2<\/a>. Ce paradigme repose sur la formalisation th\u00e9orique d’une grammaire des graphiques qui exige que les structures de donn\u00e9es adoptent un format rectangulaire unifi\u00e9 dit format long (tidy data).<\/p>\n Dans ce format optimalis\u00e9, chaque ligne du tableau de donn\u00e9es repr\u00e9sente une mesure unique d’influence pour une unit\u00e9 statistique et un coefficient donn\u00e9s. Le passage de la matrice rectangulaire large des DFBETAS \u00e0 ce format vertical s’op\u00e8re \u00e9l\u00e9gamment \u00e0 l’aide de la fonction pivot_longer() issue du package tidyr :<\/p>\n dfbetas_long <- dfbetas_structure %>% Cette op\u00e9ration transforme la table d’origine en un tableau de donn\u00e9es comportant trois attributs essentiels : l’identifiant de l’observation, le nom du param\u00e8tre sous-jacent et le score num\u00e9rique de DFBETAS. La cr\u00e9ation conjointe de la variable indicatrice bool\u00e9enne Est_Influent int\u00e8gre directement la r\u00e8gle de d\u00e9cision au sein de la structure de donn\u00e9es, pr\u00e9parant l’assignation dynamique de propri\u00e9t\u00e9s esth\u00e9tiques diff\u00e9rentielles (couleurs, formes, transparences) lors de la construction des couches graphiques vectorielles.<\/p>\n Le diagramme de type lollipop (graphique en sucette) constitue l’alternative visuelle contemporaine la plus \u00e9l\u00e9gante et informative pour repr\u00e9senter les mesures d’influence \u00e0 la place des graphiques \u00e0 barres traditionnels. Moins dense visuellement que des barres pleines massives, le trac\u00e9 lollipop associe une ligne fine reliant l’origine au point d’estimation et un point terminal accentu\u00e9, focalisant l’attention de l’\u0153il sur la dispersion des coordonn\u00e9es critiques.<\/p>\n La mat\u00e9rialisation de ce trac\u00e9 sous ggplot2 s’articule par la superposition m\u00e9thodique de couches g\u00e9om\u00e9triques combinant geom_segment() pour les tiges verticales et geom_point() pour les marqueurs sommitaux. La couleur des marqueurs est li\u00e9e \u00e0 l’attribut logique de d\u00e9passement de seuil, tandis que des lignes de r\u00e9f\u00e9rence horizontales sont introduites via geom_hline() :<\/p>\n ggplot(dfbetas_long, aes(x = identifiant, y = Valeur_DFBETAS)) + Ce formalisme esth\u00e9tique offre un contraste percutant : les observations ordinaires s’affichent sous une tonalit\u00e9 discr\u00e8te tandis que les points pathologiques \u00e9mergent avec nettet\u00e9 en teinte pourpre, guidant imm\u00e9diatement l’attention du lecteur sur les anomalies prioritaires tout en maintenant un d\u00e9pouillement graphique optimal conforme aux r\u00e8gles de conception de Tufte.<\/p>\n L’un des atouts d\u00e9terminants de l’\u00e9cosyst\u00e8me ggplot2 r\u00e9side dans sa capacit\u00e9 native \u00e0 d\u00e9ployer des d\u00e9compositions visuelles multi-dimensionnelles au moyen de l’op\u00e9rateur de facettage facet_wrap(). En d\u00e9coupant la structure de donn\u00e9es unifi\u00e9e dfbetas_long selon la modalit\u00e9 cat\u00e9gorielle Parametre, l’analyste g\u00e9n\u00e8re une matrice coordonn\u00e9e de trac\u00e9s diagnostiques distincts, harmonis\u00e9s sur une grille commune :<\/p>\n graphique_facette <- ggplot(dfbetas_long, aes(x = identifiant, y = Valeur_DFBETAS)) + Pour parachever l’identification nominative sans provoquer d’enchev\u00eatrements typographiques, l’int\u00e9gration des fonctionnalit\u00e9s de la biblioth\u00e8que ggrepel permet d’implanter la fonction geom_text_repel(), qui projette des \u00e9tiquettes r\u00e9pulsives automatiquement repouss\u00e9es hors des zones de densit\u00e9 de points. Enfin, dans le cadre de rapports \u00e9lectroniques ou d’environnements d’analyse d\u00e9cisionnelle interactifs, ce rendu ggplot2 peut \u00eatre converti dynamiquement en une interface d’exploration interactive par un simple appel \u00e0 la fonction ggplotly() de la biblioth\u00e8que plotly, autorisant l’inspection au survol des m\u00e9tadonn\u00e9es de chaque observation influente.<\/p>\n Bien que la manipulation matricielle directe sous R de base et tidyverse conf\u00e8re une flexibilit\u00e9 totale de mise en forme, le recours aux packages m\u00e9thodologiques sp\u00e9cialis\u00e9s optimise la productivit\u00e9 de l’analyste en automatisant les routines d’audit diagnostique. Le package car de John Fox propose \u00e0 cet effet la fonction de haut niveau influenceIndexPlot(), qui regroupe sur un graphique coordonn\u00e9 l’ensemble des m\u00e9triques d’influence fondamentales d\u00e9riv\u00e9es du mod\u00e8le lin\u00e9aire :<\/p>\n library(car) L’ex\u00e9cution de cette commande produit une mise en page verticale multi-\u00e9chelles int\u00e9grant simultan\u00e9ment les trac\u00e9s des DFBETAS pour chaque r\u00e9gresseur, les distances de Cook et les valeurs de levier hatvalues. Le param\u00e8tre id = list(n = 3) commande l’identification automatique et l’\u00e9tiquetage textuel direct des trois observations affichant les scores d’anomalie les plus s\u00e9v\u00e8res pour chaque panneau respectif.<\/p>\n L’avantage pr\u00e9pond\u00e9rant de cette fonction r\u00e9side dans sa robustesse algorithmique et son int\u00e9gration harmonieuse au flux de travail \u00e9prouv\u00e9 de l’\u00e9cole statistique de Fox. Elle permet \u00e0 l’investigateur de confronter imm\u00e9diatement la localisation d’un point au sein du spectre des DFBETAS avec son positionnement au regard de la distance globale de Cook et de sa coordonn\u00e9e d’effet de levier, scellant ainsi un diagnostic triangul\u00e9 rapide et rigoureux.<\/p>\n Le package moderne olsrr propose une approche diagnostique r\u00e9solument contemporaine en fournissant des proc\u00e9dures d’\u00e9valuation exclusivement calibr\u00e9es pour la r\u00e9gression par les moindres carr\u00e9s ordinaires. Sa fonction d\u00e9di\u00e9e \u00e0 l’inspection des DFBETAS, d\u00e9sign\u00e9e par ols_plot_dfbetas(), se distingue par une prise en charge int\u00e9grale de la production graphique et tabulaire :<\/p>\n library(olsrr) Cette commande g\u00e9n\u00e8re sans param\u00e9trage complexe pr\u00e9alable une s\u00e9quence ordonn\u00e9e de graphiques esth\u00e9tiquement aboutis, appliquant d’office le seuil th\u00e9orique d\u00e9pendant de l’\u00e9chantillon 2\/sqrt(n) trac\u00e9 sous la forme de lignes horizontales d’avertissement. Le moteur graphique d’olsrr colore automatiquement les observations en fonction de leur statut, isolant en tonalit\u00e9 vive toute unit\u00e9 franchissant les bornes d’admissibilit\u00e9 statistique.<\/p>\n Au-del\u00e0 de la restitution visuelle, l’objet retourn\u00e9 par les fonctions d’olsrr encapsule en son sein les tables de donn\u00e9es sous-jacentes contenant les identifiants exacts des cas probl\u00e9matiques, leurs valeurs num\u00e9riques d’influence ainsi que le rang de s\u00e9v\u00e9rit\u00e9 de chaque observation. Cette double dimension visuelle et tabulaire conf\u00e8re \u00e0 la biblioth\u00e8que olsrr une ergonomie particuli\u00e8rement appr\u00e9ciable lors de la r\u00e9daction de bilans m\u00e9thodologiques d’\u00e9tape ou d’audits statistiques pr\u00e9liminaires.<\/p>\n Pour conduire une validation exhaustive selon les crit\u00e8res canoniques de l’\u00e9conom\u00e9trie sans d\u00e9ployer de biblioth\u00e8ques tierces, R int\u00e8gre nativement la fonction d’audit global influence.measures(). Cette routine ex\u00e9cute en un unique appel l’\u00e9valuation simultan\u00e9e de la totalit\u00e9 des statistiques d’exclusion unitaire : DFBETAS pour chaque param\u00e8tre, DFFITS, distances de Cook, ratios de covariance du d\u00e9terminant matriciel (covratio) et valeurs de levier diagonal :<\/p>\n audit_global <- influence.measures(modele_cars) La commande summary() appliqu\u00e9e \u00e0 cet objet d’audit applique les heuristiques th\u00e9oriques de Belsley, Kuh et Welsch \u00e0 l’ensemble des dimensions statistiques calcul\u00e9es. La console R n’affiche alors que les observations franchissant au moins l’un des seuils d’alerte pr\u00e9d\u00e9finis, en apposant un ast\u00e9risque typographique distinctif en regard de chaque m\u00e9trique jug\u00e9e critique pour l’observation concern\u00e9e.<\/p>\n L’analyste dispose ainsi d’une matrice bool\u00e9enne condens\u00e9e permettant d’appr\u00e9cier la transversalit\u00e9 de l’influence exerc\u00e9e par chaque point singulier. Une observation signal\u00e9e par des ast\u00e9risques multiples couvrant conjointement le DFFITS, la distance de Cook et plusieurs colonnes de DFBETAS s’impose sans \u00e9quivoque comme une unit\u00e9 statistique pivot modifiant en profondeur l’\u00e9quilibre du mod\u00e8le. L’int\u00e9gration de la sortie consolid\u00e9e d’influence.measures() au sein des annexes d’un m\u00e9moire ou d’une publication acad\u00e9mique atteste de la rigueur d\u00e9ontologique de la validation empirique.<\/p>\n L’identification num\u00e9rique et visuelle d’un score DFBETAS anormal ne constitue pas l’aboutissement de la d\u00e9marche diagnostique, mais marque au contraire le point de d\u00e9part d’une r\u00e9flexion substantive approfondie sur la dynamique causale du mod\u00e8le. L’analyste doit imp\u00e9rativement d\u00e9monter le m\u00e9canisme statistique par lequel l’observation suspecte alt\u00e8re la g\u00e9om\u00e9trie de la r\u00e9gression.<\/p>\n Deux m\u00e9canismes fondamentaux de distorsion param\u00e9trique s’observent en pratique. Dans le premier sc\u00e9nario, l’observation atypique amplifie artificiellement une relation statistique. Cela se produit lorsqu’un cas cumule un effet de levier \u00e9lev\u00e9 dans le sens pr\u00e9sum\u00e9 de l’association th\u00e9orique et une valeur d\u00e9pendante extr\u00eame, tendant la droite des moindres carr\u00e9s vers lui et cr\u00e9ant une pente apparente fortement statistiquement significative qui s’effondre d\u00e8s lors que ce point unique est soustrait de l’\u00e9chantillon. Le second sc\u00e9nario, plus pernicieux encore, correspond \u00e0 l’effet de masquage statistique (masking effect) ou d’att\u00e9nuation : l’observation influente s’oppose frontalement au sch\u00e9ma structural g\u00e9n\u00e9ral port\u00e9 par l’ensemble des autres unit\u00e9s statistiques. En tirant la pente vers l’horizontale ou en gonflant consid\u00e9rablement la variance r\u00e9siduelle de l’ajustement, ce cas singulier peut neutraliser la significativit\u00e9 statistique d’un pr\u00e9dicteur dont l’impact substantiel est pourtant av\u00e9r\u00e9 sur le reste de la population.<\/p>\n Dans des configurations extr\u00eames, l’exclusion d’une seule observation affichant un DFBETAS exc\u00e9dant l’unit\u00e9 peut induire une inversion pure et simple du signe alg\u00e9brique de l’estimateur. Un tel basculement transforme par exemple une association suppos\u00e9e protectrice en facteur de risque apparent, soulignant la pr\u00e9carit\u00e9 \u00e9pist\u00e9mologique de toute d\u00e9duction substantielle \u00e9tablie sans v\u00e9rification pr\u00e9alable de la stabilit\u00e9 locale des moindres carr\u00e9s.<\/p>\n L’investigation concr\u00e8te des cons\u00e9quences d’une observation influente requiert la conduite d’un r\u00e9ajustement comparatif. L’environnement R facilite grandement cette exp\u00e9rience contrefactuelle gr\u00e2ce \u00e0 la fonction polymorphe update(), qui r\u00e9estime le mod\u00e8le math\u00e9matique en lui adjoignant un argument de filtrage des sous-ensembles sans exiger la r\u00e9\u00e9criture compl\u00e8te de la formule de r\u00e9gression :<\/p>\n modele_tronque <- update(modele_cars, subset = (rownames(mtcars) != \u00ab\u00a0Maserati Bora\u00a0\u00bb))<\/p>\n La confrontation rigoureuse des sorties statistiques issues des deux mod\u00e8les permet de calculer avec exactitude le pourcentage d’\u00e9volution de chaque pente partielle, l’amplitude de d\u00e9placement des erreurs types et la trajectoire des p-valeurs associ\u00e9es. Si l’exclusion du point influent transforme un coefficient statistiquement significatif au seuil de 1 % en un param\u00e8tre non significatif dont la p-valeur d\u00e9passe 0,10, l’analyste se trouve dans l’obligation m\u00e9thodologique de reconna\u00eetre que l’effet empirique document\u00e9 est tributaire d’un profil singulier unique et ne peut \u00eatre g\u00e9n\u00e9ralis\u00e9 avec assurance.<\/p>\n Parall\u00e8lement \u00e0 l’examen des pentes, il convient de quantifier l’impact de cette troncature sur les grandeurs synth\u00e9tiques de mod\u00e9lisation : le coefficient de d\u00e9termination global R-carr\u00e9 et la variance de l’erreur r\u00e9siduelle standard. Fr\u00e9quemment, la neutralisation d’un point influent atypique engendre une contraction marqu\u00e9e de l’erreur quadratique moyenne globale, se traduisant par un gain substantiel d’efficience et de pr\u00e9cision estimative pour l’ensemble des autres param\u00e8tres maintenus au sein du syst\u00e8me.<\/p>\n La confirmation math\u00e9matique de l’influence d\u00e9stabilisatrice d’une unit\u00e9 statistique impose de mener une enqu\u00eate factuelle rigoureuse quant \u00e0 l’origine substantielle de cette singularit\u00e9. L’attitude m\u00e9thodologique appropri\u00e9e commande de cat\u00e9goriser l’anomalie au sein d’une typologie d’erreurs clairement diff\u00e9renci\u00e9e avant de d\u00e9cider de son sort au sein de l’analyse.<\/p>\n La premi\u00e8re cat\u00e9gorie regroupe les erreurs pures de saisie typographique, d’encodage num\u00e9rique ou de dysfonctionnement technique des instruments de mesure (par exemple, un \u00e2ge renseign\u00e9 \u00e0 300 ans ou une masse de v\u00e9hicule d\u00e9cal\u00e9e d’un facteur 10 suite \u00e0 un s\u00e9parateur d\u00e9cimal corrompu). Dans ce contexte d’invalidit\u00e9 mat\u00e9rielle indiscutable, la correction imm\u00e9diate de la valeur erron\u00e9e sur la base des archives originales ou, \u00e0 d\u00e9faut, son exclusion de l’\u00e9chantillon d’analyse constitue une obligation d\u00e9ontologique \u00e9l\u00e9mentaire.<\/p>\n La seconde cat\u00e9gorie, conceptuellement bien plus d\u00e9licate, concerne les observations v\u00e9ridiques mais intrins\u00e8quement rares ou exceptionnelles (par exemple, un individu aux revenus hors normes au sein d’une enqu\u00eate salariale ou une voiture de sport d’exception dans une cohorte de v\u00e9hicules conventionnels). Ces points de donn\u00e9es appartiennent l\u00e9gitimement \u00e0 la population \u00e9tudi\u00e9e, et leur retrait s\u00e9lectif constitue une falsification insidieuse de la variabilit\u00e9 naturelle du monde empirique. L’exclusion opportuniste d’observations sous le seul pr\u00e9texte qu’elles contrarient les seuils de DFBETAS expose la recherche au reproche de manipulation de donn\u00e9es (data trimming abusif). L’\u00e9thique scientifique exige donc de documenter avec une parfaite transparence tout retrait de donn\u00e9es, d’en expliciter les justifications th\u00e9oriques et d’exposer publiquement les analyses parall\u00e8les attestant de l’impact de ces d\u00e9cisions sur les conclusions pr\u00e9sent\u00e9es.<\/p>\n Face \u00e0 la d\u00e9tection d’observations affichant des DFBETAS excessifs qui ne rel\u00e8vent pas d’erreurs mat\u00e9rielles manifestes, la recommandation m\u00e9thodologique pr\u00e9dominante dans les guides de r\u00e9daction scientifique (notamment les normes m\u00e9thodologiques de l’American Psychological Association – APA) consiste \u00e0 ex\u00e9cuter une analyse de sensibilit\u00e9 formelle adoss\u00e9e \u00e0 une mod\u00e9lisation parall\u00e8le transparente.<\/p>\n Cette approche consiste \u00e0 consigner et pr\u00e9senter conjointement dans les rapports finaux les r\u00e9sultats issus du mod\u00e8le complet incluant l’int\u00e9gralit\u00e9 des donn\u00e9es d’\u00e9chantillonnage et les estimations d\u00e9riv\u00e9es du mod\u00e8le ajust\u00e9 apr\u00e8s neutralisation des cas influents. En juxtaposant les estimations ponctuelles, les erreurs types et les niveaux de signification statistique au sein d’un m\u00eame tableau comparatif, l’auteur d\u00e9montre une parfaite probit\u00e9 scientifique et permet \u00e0 la communaut\u00e9 des pairs d’\u00e9valuer de fa\u00e7on ind\u00e9pendante la r\u00e9silience des inf\u00e9rences empiriques face aux variations locales de l’\u00e9chantillon.<\/p>\n Si la trajectoire substantielle des relations d’int\u00e9r\u00eat demeure inchang\u00e9e entre les deux sp\u00e9cifications, l’hypoth\u00e8se de robustesse th\u00e9orique est confirm\u00e9e avec force : les conclusions formul\u00e9es transcendent les contingences locales d’\u00e9chantillonnage. En revanche, si la suppression de deux cas influents an\u00e9antit l’effet mesur\u00e9 ou renverse son orientation, le chercheur doit temp\u00e9rer ses pr\u00e9tentions causales et formuler explicitement les r\u00e9serves qui s’imposent quant \u00e0 la d\u00e9pendance \u00e9troite du ph\u00e9nom\u00e8ne \u00e0 l’\u00e9gard de conditions particuli\u00e8res ou de profils exceptionnels.<\/p>\n Lorsque le mod\u00e8le lin\u00e9aire traditionnel par les moindres carr\u00e9s ordinaires s’av\u00e8re manifestement trop vuln\u00e9rable aux perturbations caus\u00e9es par des observations influentes et que leur exclusion s\u00e8che ne peut \u00eatre th\u00e9oriquement justifi\u00e9e, l’alternative m\u00e9thodologique de premier choix consiste \u00e0 abandonner l’estimateur conventionnel au profit des m\u00e9thodes d’estimation lin\u00e9aire robuste. Ces algorithmes alternatifs sont sp\u00e9cifiquement con\u00e7us pour minimiser l’impact d\u00e9stabilisateur des donn\u00e9es atypiques sans contraindre l’analyste \u00e0 des suppressions binaires radicales.<\/p>\n L’impl\u00e9mentation de la r\u00e9gression robuste sous R s’op\u00e8re couramment via la fonction rlm() (Robust Linear Model) fournie par le package de r\u00e9f\u00e9rence MASS. Cette proc\u00e9dure impl\u00e9mente typiquement l’estimation par M-estimateurs ou MM-estimateurs, articul\u00e9e autour de fonctions de pond\u00e9ration it\u00e9ratives telles que la fonction de perte bi-carr\u00e9e de Tukey ou la fonction de Huber :<\/p>\n library(MASS) Le m\u00e9canisme computationnel sous-jacent \u00e9value it\u00e9rativement les r\u00e9sidus de chaque observation et leur attribue un poids d’ajustement dynamique compris entre z\u00e9ro et un. Les observations ordinaires au c\u0153ur de la distribution re\u00e7oivent une pond\u00e9ration maximale de un, tandis que les cas p\u00e9riph\u00e9riques pourvoyeurs de DFBETAS colossaux voient leur contribution math\u00e9matique progressivement \u00e9touff\u00e9e ou annul\u00e9e. La confrontation directe entre les coefficients de la r\u00e9gression robuste et les estimations MCO renseigne imm\u00e9diatement sur la distorsion globale subie par le mod\u00e8le conventionnel et offre une alternative d’inf\u00e9rence d’une remarquable stabilit\u00e9 statistique.<\/p>\n L’apparition r\u00e9currente d’observations hautement influentes au sein d’un mod\u00e8le lin\u00e9aire standard constitue bien souvent le sympt\u00f4me d’un d\u00e9faut sous-jacent de sp\u00e9cification fonctionnelle plut\u00f4t qu’une pathologie propre aux donn\u00e9es elles-m\u00eames. L’ajustement forc\u00e9 d’une droite rigide sur un ph\u00e9nom\u00e8ne r\u00e9gulateur non lin\u00e9aire concentre in\u00e9vitablement aux extr\u00e9mit\u00e9s de l’espace g\u00e9om\u00e9trique une traction disproportionn\u00e9e mat\u00e9rialis\u00e9e par des DFBETAS exorbitants.<\/p>\n Dans cette perspective, l’exploration de transformations math\u00e9matiques des variables explicatives ou de la variable d\u00e9pendante repr\u00e9sente une strat\u00e9gie d’assainissement particuli\u00e8rement f\u00e9conde. L’application d’une transformation logarithmique, d’une racine carr\u00e9e ou d’une transformation de puissance param\u00e9trique selon la famille de transformations de Box-Cox permet de compresser l’\u00e9chelle des pr\u00e9dicteurs tr\u00e8s asym\u00e9triques, rapprochant ainsi les valeurs extr\u00eames de la masse distributionnelle principale et r\u00e9duisant m\u00e9caniquement leur effet de levier structurel.<\/p>\n De mani\u00e8re compl\u00e9mentaire, l’analyste doit r\u00e9examiner la structure th\u00e9orique de son mod\u00e8le : l’\u00e9mergence d’une influence anormale peut traduire l’omission malencontreuse d’un terme d’interaction multiplicatif ou d’une composante polynomiale quadratique capable d’\u00e9pouser naturellement la courbure des donn\u00e9es. De m\u00eame, la pr\u00e9sence de points influents isol\u00e9s peut r\u00e9v\u00e9ler l’existence d’une sous-population h\u00e9t\u00e9rog\u00e8ne dissimul\u00e9e au sein du collectif exp\u00e9rimental, r\u00e9clamant l’introduction d’un facteur de stratification cat\u00e9goriel adapt\u00e9. Une fois la forme structurelle correctement r\u00e9align\u00e9e sur les r\u00e9alit\u00e9s distributionnelles des variables, la r\u00e9\u00e9valuation des DFBETAS t\u00e9moigne g\u00e9n\u00e9ralement d’une s\u00e9dation spectaculaire des scores d’anomalie.<\/p>\n Pour assurer la p\u00e9rennit\u00e9 et l’efficience des contr\u00f4les de qualit\u00e9 des donn\u00e9es au fil des projets de recherche quantitatifs, l’assemblage des routines diagnostiques sous la forme d’une fonction R modulaire, document\u00e9e et reproductible constitue une pratique de programmation statistique exemplaire. Cette fonction personnalis\u00e9e doit recevoir en entr\u00e9e un objet de r\u00e9gression g\u00e9n\u00e9rique issu de lm(), calculer dynamiquement les seuils sp\u00e9cifiques \u00e0 l’\u00e9chantillon, d\u00e9pouiller la matrice des DFBETAS et restituer une structure de r\u00e9sultats ordonn\u00e9e pr\u00eate \u00e0 l’emploi :<\/p>\n diagnostiquer_dfbetas <- function(modele, seuil_manuel = NULL) { Cette architecture fonctionnelle encapsule l’int\u00e9gralit\u00e9 du processus d\u00e9cisionnel dans un conteneur algorithmique unifi\u00e9. En renvoyant une liste structur\u00e9e associant le seuil th\u00e9orique employ\u00e9, le d\u00e9compte absolu des observations transgressives et le sous-ensemble tabulaire des scores critiques, la fonction simplifie consid\u00e9rablement les protocoles d’audit dans les pipelines d’analyse complexes. L’adjonction optionnelle de sauvegardes graphiques automatiques export\u00e9es directement sur le disque dur parach\u00e8ve l’automatisation int\u00e9grale du contr\u00f4le statistique de l’influence.<\/p>\n L’excellence m\u00e9thodologique contemporaine est indissociable des imp\u00e9ratifs de reproductibilit\u00e9 computationnelle port\u00e9s par les environnements de publication scientifique automatis\u00e9s tels que Quarto et R Markdown. L’insertion d’une section d\u00e9di\u00e9e au diagnostic des DFBETAS au sein du flux de g\u00e9n\u00e9ration documentaire assure la tra\u00e7abilit\u00e9 int\u00e9grale de la cha\u00eene analytique, reliant sans discontinuit\u00e9 les donn\u00e9es brutes aux inf\u00e9rences param\u00e9triques publi\u00e9es.<\/p>\n Au sein de ces documents reproductibles, l’exploitation des biblioth\u00e8ques de mise en forme tabulaire telles que kableExtra ou gt permet de sublimer la restitution des tables de DFBETAS filtr\u00e9es. Il devient possible de programmer un formatage conditionnel automatisant la colorisation en surbrillance rouge des cellules de la table dont les valeurs num\u00e9riques exc\u00e8dent les bornes th\u00e9oriques de 2\/sqrt(n), offrant un confort de lecture optimal lors de l’\u00e9valuation par les pairs ou de la diffusion interne des r\u00e9sultats.<\/p>\n De surcro\u00eet, la standardisation absolue des environnements d’ex\u00e9cution computationnelle implique la fixation d\u00e9terministe des graines al\u00e9atoires (au moyen de l’instruction set.seed()) lorsque des proc\u00e9dures d’\u00e9chantillonnage, de r\u00e9\u00e9chantillonnage par bootstrap ou de validations crois\u00e9es compl\u00e8tent l’\u00e9valuation de la stabilit\u00e9 des param\u00e8tres. Ce niveau d’exigence garantit que tout auditeur ind\u00e9pendant r\u00e9ex\u00e9cutant le code source obtiendra rigoureusement \u00e0 l’identique les m\u00eames mesures matricielles de DFBETAS et les m\u00eames d\u00e9limitations de cas influents.<\/p>\n Au terme de ce parcours approfondi d\u00e9di\u00e9 \u00e0 l’\u00e9valuation m\u00e9thodique de l’influence locale en r\u00e9gression lin\u00e9aire multiple, il convient de dresser un inventaire synth\u00e9tique des \u00e9cueils m\u00e9thodologiques majeurs qui guettent l’analyste de donn\u00e9es, ainsi qu’une grille de contr\u00f4le d\u00e9finitive \u00e0 observer scrupuleusement avant la soumission ou la diss\u00e9mination de toute analyse quantitative :<\/p>\n En respectant rigoureusement ce protocole diagnostique et en mobilisant les potentialit\u00e9s algorithmiques de l’environnement R, le chercheur consolide l’int\u00e9grit\u00e9 de son dispositif d’inf\u00e9rence, s’assurant que ses d\u00e9couvertes empiriques reposent sur des fondations statistiques inattaquables et parfaitement reproductibles.<\/p>\n Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression Diagnostics: Identifying Influential Data and Sources of Collinearity<\/em>. John Wiley & Sons. https:\/\/doi.org\/10.1002\/0471725153<\/a><\/p>\n Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics<\/em>, 19(1), 15\u201318. https:\/\/doi.org\/10.1080\/00401706.1977.10489493<\/a><\/p>\n Fox, J., & Weisberg, S. (2019). An R Companion to Applied Regression<\/em> (3rd ed.). Sage Publications. https:\/\/socialsciences.mcmaster.ca\/jfox\/Books\/Companion\/<\/a><\/p>\n Hebbali, A. (2020). olsrr: Tools for building OLS regression models<\/em> (R package version 0.5.3). https:\/\/cran.r-project.org\/package=olsrr<\/a><\/p>\n Venables, W. N., & Ripley, B. D. (2002). Modern Applied Statistics with S<\/em> (4th ed.). Springer. https:\/\/doi.org\/10.1007\/978-0-387-21706-2<\/a><\/p>\n Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., Fran\u00e7ois, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., M\u00fcller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., Takahashi, K., Vaughan, D., Wilke, C., Woo, K., & Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software<\/em>, 4(43), 1686. https:\/\/doi.org\/10.21105\/joss.01686<\/a><\/p>\n","protected":false},"excerpt":{"rendered":" Guide acad\u00e9mique complet pour calculer, visualiser et interpr\u00e9ter les DFBETAS dans R afin d’\u00e9valuer l’influence des observations sur les mod\u00e8les de r\u00e9gression.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2141,7564],"tags":[7565,3733,7553,2658,1910],"class_list":["post-5667","psych_stat","type-psych_stat","status-publish","hentry","category-methodologie-quantitative","category-statistiques-r","tag-dfbetas","tag-diagnostic-de-regression","tag-observations-influentes","tag-r","tag-regression-lineaire"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/5667","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_stat"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=5667"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/5667\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=5667"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=5667"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=5667"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}1.3 Enjeux m\u00e9thodologiques pour la recherche quantitative<\/h3>\n
2. Formulation math\u00e9matique et m\u00e9canisme statistique sous-jacent<\/h2>\n
2.1 Formule math\u00e9matique de base des DFBETAS<\/h3>\n
2.2 Diff\u00e9rence fondamentale entre dfbeta et dfbetas<\/h3>\n
2.3 Seuils th\u00e9oriques et heuristiques de coupure<\/h3>\n
3. Pr\u00e9paration de l’environnement de travail et des donn\u00e9es dans R<\/h2>\n
3.1 Configuration des biblioth\u00e8ques n\u00e9cessaires<\/h3>\n
3.2 S\u00e9lection et inspection exploratoire du jeu de donn\u00e9es<\/h3>\n
3.3 V\u00e9rification des hypoth\u00e8ses pr\u00e9alables de la r\u00e9gression<\/h3>\n
4. Ajustement du mod\u00e8le de r\u00e9gression lin\u00e9aire multiple<\/h2>\n
4.1 Construction du mod\u00e8le avec la fonction lm()<\/h3>\n
4.2 Extraction et analyse du sommaire statistique<\/h3>\n
4.3 Sauvegarde des m\u00e9tadonn\u00e9es du mod\u00e8le<\/h3>\n
5. Calcul pas \u00e0 pas des DFBETAS avec les fonctions natives de R<\/h2>\n
![\"DFBETAS](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dfbetas1.png\")
5.1 Ex\u00e9cution de la fonction dfbetas()<\/h3>\n
5.2 Extraction cibl\u00e9e pour des pr\u00e9dicteurs sp\u00e9cifiques<\/h3>\n
\ndfbetas_structure$identifiant <- rownames(dfbetas_structure)<\/p>\n5.3 Calcul alternatif avec la fonction dfbeta() brute<\/h3>\n
6. Application rigoureuse des seuils d’identification des cas influents<\/h2>\n
6.1 Calcul programmable du seuil sp\u00e9cifique 2\/sqrt(n)<\/h3>\n
\nseuil_critique <- 2 \/ sqrt(taille_echantillon)<\/p>\n6.2 Filtrage et classement des observations critiques<\/h3>\n
\n filter(abs(wt) > seuil_critique) %>%
\n arrange(desc(abs(wt)))<\/p>\n6.3 Analyse diff\u00e9rentielle selon le type de pr\u00e9dicteur<\/h3>\n
7. Visualisation graphique fondamentale des DFBETAS dans R de base<\/h2>\n
7.1 G\u00e9n\u00e9ration de graphiques d’indices simples<\/h3>\n
\nabline(h = 0, lty = 1, col = \u00ab\u00a0black\u00a0\u00bb)
\nabline(h = c(-seuil_critique, seuil_critique), lty = 2, col = \u00ab\u00a0red\u00a0\u00bb)<\/p>\n7.2 \u00c9tiquetage textuel des points extr\u00eames<\/h3>\n
\ntext(x = indices_suspects, y = matrice_dfbetas[indices_suspects, \u00ab\u00a0wt\u00a0\u00bb], labels = rownames(matrice_dfbetas)[indices_suspects], pos = 3, cex = 0.8, col = \u00ab\u00a0blue\u00a0\u00bb)<\/p>\n7.3 Multi-panneaux graphiques pour l’ensemble des pr\u00e9dicteurs<\/h3>\n
\nfor(nom_colonne in colnames(matrice_dfbetas)) {
\n plot(matrice_dfbetas[, nom_colonne], type = \u00ab\u00a0h\u00a0\u00bb, main = nom_colonne, ylab = \u00ab\u00a0DFBETAS\u00a0\u00bb, xlab = \u00ab\u00a0Index\u00a0\u00bb, ylim = c(-1.5, 1.5))
\n abline(h = c(-seuil_critique, 0, seuil_critique), lty = c(2, 1, 2), col = c(\u00ab\u00a0red\u00a0\u00bb, \u00ab\u00a0gray\u00a0\u00bb, \u00ab\u00a0red\u00a0\u00bb))
\n}<\/p>\n8. Visualisation graphique avanc\u00e9e avec ggplot2<\/h2>\n
8.1 Structuration des donn\u00e9es au format long<\/h3>\n
\n pivot_longer(cols = -identifiant, names_to = \u00ab\u00a0Parametre\u00a0\u00bb, values_to = \u00ab\u00a0Valeur_DFBETAS\u00a0\u00bb) %>%
\n mutate(Est_Influent = abs(Valeur_DFBETAS) > seuil_critique)<\/p>\n8.2 Cr\u00e9ation de graphiques lollipop et diagrammes \u00e0 barres<\/h3>\n
\n geom_segment(aes(x = identifiant, xend = identifiant, y = 0, yend = Valeur_DFBETAS), color = \u00ab\u00a0gray70\u00a0\u00bb) +
\n geom_point(aes(color = Est_Influent), size = 2) +
\n geom_hline(yintercept = c(-seuil_critique, seuil_critique), linetype = \u00ab\u00a0dashed\u00a0\u00bb, color = \u00ab\u00a0firebrick\u00a0\u00bb) +
\n scale_color_manual(values = c(\u00ab\u00a0FALSE\u00a0\u00bb = \u00ab\u00a0steelblue\u00a0\u00bb, \u00ab\u00a0TRUE\u00a0\u00bb = \u00ab\u00a0firebrick\u00a0\u00bb)) +
\n theme_minimal() +
\n theme(axis.text.x = element_blank(), axis.ticks.x = element_blank())<\/p>\n8.3 Facettage et interactivit\u00e9 graphique<\/h3>\n
\n geom_segment(aes(x = identifiant, xend = identifiant, y = 0, yend = Valeur_DFBETAS), color = \u00ab\u00a0gray75\u00a0\u00bb) +
\n geom_point(aes(color = Est_Influent), size = 1.5) +
\n geom_hline(yintercept = c(-seuil_critique, seuil_critique), linetype = \u00ab\u00a0dashed\u00a0\u00bb, color = \u00ab\u00a0firebrick\u00a0\u00bb) +
\n facet_wrap(~ Parametre, scales = \u00ab\u00a0free_y\u00a0\u00bb) +
\n scale_color_manual(values = c(\u00ab\u00a0FALSE\u00a0\u00bb = \u00ab\u00a0grey40\u00a0\u00bb, \u00ab\u00a0TRUE\u00a0\u00bb = \u00ab\u00a0darkred\u00a0\u00bb)) +
\n theme_bw()<\/p>\n9. Utilisation de packages sp\u00e9cialis\u00e9s : car et olsrr<\/h2>\n
9.1 Exploitation de la fonction influenceIndexPlot() du package car<\/h3>\n
\ninfluenceIndexPlot(modele_cars, vars = c(\u00ab\u00a0dfbetas\u00a0\u00bb, \u00ab\u00a0Cook\u00a0\u00bb, \u00ab\u00a0hat\u00a0\u00bb), id = list(n = 3))<\/p>\n9.2 Diagnostics graphiques d\u00e9di\u00e9s avec le package olsrr<\/h3>\n
\nols_plot_dfbetas(modele_cars)<\/p>\n9.3 Synth\u00e8se des diagnostics d’influence avec influence.measures()<\/h3>\n
\nsummary(audit_global)<\/p>\n10. Interpr\u00e9tation substantive des cas influents identifi\u00e9s<\/h2>\n
10.1 D\u00e9termination du m\u00e9canisme de distorsion sur les coefficients<\/h3>\n
10.2 Comparaison du mod\u00e8le avant et apr\u00e8s suppression des observations<\/h3>\n
10.3 \u00c9valuation de la nature des anomalies : erreur de saisie ou profil atypique<\/h3>\n
11. Strat\u00e9gies m\u00e9thodologiques face aux DFBETAS excessifs<\/h2>\n
11.1 Analyses de sensibilit\u00e9 et mod\u00e9lisation parall\u00e8le<\/h3>\n
11.2 Recours aux r\u00e9gressions robustes dans R<\/h3>\n
\nmodele_robuste <- rlm(mpg ~ wt + disp + hp, data = mtcars, method = \u00ab\u00a0MM\u00a0\u00bb)
\nsummary(modele_robuste)<\/p>\n11.3 Transformations de variables et r\u00e9vision du mod\u00e8le structurel<\/h3>\n
12. Automatisation, bonnes pratiques et reproductibilit\u00e9 dans R<\/h2>\n
12.1 Cr\u00e9ation d’une fonction R personnalis\u00e9e de diagnostic complet<\/h3>\n
\n n <- nobs(modele)
\n seuil <- ifelse(is.null(seuil_manuel), 2 \/ sqrt(n), seuil_manuel)
\n mat_dfb <- dfbetas(modele)
\n depassements <- abs(mat_dfb) > seuil
\n lignes_suspectes <- which(apply(depassements, 1, any))
\n resume_anomalies <- as.data.frame(mat_dfb[lignes_suspectes, , drop = FALSE])
\n return(list(seuil_utilise = seuil, nb_anomalies = length(lignes_suspectes), cas_critiques = resume_anomalies))
\n}<\/p>\n12.2 Int\u00e9gration dans des flux de travail automatis\u00e9s Quarto et R Markdown<\/h3>\n
12.3 Synth\u00e8se des pi\u00e8ges fr\u00e9quents et recommandations pour le chercheur<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n