{"id":5920,"date":"2026-09-16T03:31:50","date_gmt":"2026-09-16T03:31:50","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-residus-standardises-excel\/"},"modified":"2026-09-16T03:32:05","modified_gmt":"2026-09-16T03:32:05","slug":"comment-calculer-residus-standardises-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-residus-standardises-excel","title":{"rendered":"Comment calculer les r\u00e9sidus standardis\u00e9s dans Excel"},"content":{"rendered":"

Dans le champ de la recherche quantitative en psychologie et en sciences comportementales, la mod\u00e9lisation statistique ne constitue pas une simple formalit\u00e9 algorithmique destin\u00e9e \u00e0 produire des coefficients de corr\u00e9lation ou des indices de signification. Elle repr\u00e9sente un dispositif \u00e9pist\u00e9mologique rigoureux par lequel le chercheur confronte une hypoth\u00e8se th\u00e9orique aux fluctuations intrins\u00e8ques du comportement humain, de la cognition et des \u00e9tats affectifs. L’analyse de r\u00e9gression lin\u00e9aire, qu’elle soit simple ou multiple, s’impose comme l’un des piliers m\u00e9thodologiques les plus mobilis\u00e9s au sein de la discipline. N\u00e9anmoins, l’application aveugle des moindres carr\u00e9s ordinaires sans un examen exhaustif des postulats sous-jacents expose les investigations empiriques \u00e0 des biais d’interpr\u00e9tation majeurs, conduisant fr\u00e9quemment \u00e0 des conclusions fallacieuses, \u00e0 une sous-estimation dramatique des erreurs de mesure ou \u00e0 une surestimation artificielle de la puissance statistique des mod\u00e8les explicatifs.<\/p>\n

Le diagnostic de r\u00e9gression repose de mani\u00e8re critique sur l’analyse des r\u00e9sidus, c’est-\u00e0-dire l’\u00e9cart constat\u00e9 entre les mesures observ\u00e9es aupr\u00e8s des participants et les estimations th\u00e9oriques d\u00e9duites du mod\u00e8le math\u00e9matique. Alors que les r\u00e9sidus bruts demeurent asservis aux unit\u00e9s de mesure m\u00e9triques ou psychom\u00e9triques des instruments d’\u00e9valuation originaux, les r\u00e9sidus standardis\u00e9s conf\u00e8rent au chercheur une m\u00e9trique universelle, adimensionnelle et directement interpr\u00e9table \u00e0 l’aune des propri\u00e9t\u00e9s de la loi normale. La standardisation de ces \u00e9carts ne rel\u00e8ve pas d’une simple commodit\u00e9 cosm\u00e9tique : elle constitue la condition indispensable pour isoler avec pr\u00e9cision les observations atypiques, d\u00e9tecter les points d’influence susceptibles de d\u00e9former l’estimation des pentes de r\u00e9gression, et \u00e9valuer la conformit\u00e9 des donn\u00e9es aux exigences incontournables d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9 distributionnelle.<\/p>\n

Bien que les environnements informatiques sp\u00e9cialis\u00e9s tels que le logiciel R, SPSS ou SAS int\u00e8grent des routines de diagnostic automatis\u00e9es, le tableur Microsoft Excel<\/a> demeure une plateforme omnipr\u00e9sente, accessible et remarquablement puissante pour la manipulation analytique des protocoles psychologiques. Toutefois, l’obtention de r\u00e9sidus standardis\u00e9s math\u00e9matiquement rigoureux au sein d’Excel n\u00e9cessite une compr\u00e9hension approfondie des m\u00e9canismes matriciels et statistiques sous-jacents, l’outil natif de r\u00e9gression du tableur op\u00e9rant des approximations qu’il convient de corriger imp\u00e9rativement pour r\u00e9pondre aux exigences m\u00e9thodologiques contemporaines. Le pr\u00e9sent trait\u00e9 a pour vocation de guider le chercheur, l’enseignant et l’\u00e9tudiant avanc\u00e9 dans la mise en \u0153uvre pas \u00e0 pas, exhaustive et th\u00e9oriquement fond\u00e9e, du calcul des r\u00e9sidus standardis\u00e9s sous Excel, en reliant l’architecture alg\u00e9brique matricielle aux d\u00e9cisions pratiques de recherche dict\u00e9es par les normes de publication internationales.<\/p>\n

1. Fondements th\u00e9oriques des r\u00e9sidus dans la mod\u00e9lisation statistique en psychologie<\/h2>\n

L’exploration des donn\u00e9es psychologiques requiert une vigilance constante face aux manifestations de la variabilit\u00e9 interindividuelle et intra-individuelle. Avant d’aborder les manipulations logicielles, il s’av\u00e8re indispensable d’asseoir le socle th\u00e9orique r\u00e9gissant la gen\u00e8se et la signification des r\u00e9sidus au sein de l’inf\u00e9rence statistique.<\/p>\n

1.1 D\u00e9finition conceptuelle du r\u00e9sidu statistique<\/h3>\n

Au c\u0153ur de la mod\u00e9lisation lin\u00e9aire par les moindres carr\u00e9s ordinaires r\u00e9side la d\u00e9composition fondamentale de toute mesure empirique en deux composantes constitutives : la part d\u00e9terministe, incarn\u00e9e par la pr\u00e9diction structurelle du mod\u00e8le, et la part stochastique, r\u00e9sum\u00e9e par l’erreur d’ajustement. Pour chaque observation individuelle issue d’un protocole psychologique, le r\u00e9sidu statistique brut se d\u00e9finit formellement comme la diff\u00e9rence arithm\u00e9tique simple entre la valeur r\u00e9ellement observ\u00e9e de la variable d\u00e9pendante et la valeur th\u00e9orique ajust\u00e9e, calcul\u00e9e par l’\u00e9quation de r\u00e9gression. Si une \u00e9chelle psychom\u00e9trique enregistre une intensit\u00e9 d\u00e9pressive observ\u00e9e pour un sujet donn\u00e9, le r\u00e9sidu quantify pr\u00e9cis\u00e9ment l’\u00e9cart par lequel ce sujet particulier s’\u00e9loigne de l’esp\u00e9rance math\u00e9matique conditionnelle pr\u00e9dite par le mod\u00e8le \u00e0 partir de ses pr\u00e9dicteurs cognitifs ou contextuels.<\/p>\n

Sur le plan de la g\u00e9om\u00e9trie vectorielle et euclidienne, le r\u00e9sidu repr\u00e9sente la distance verticale absolue s\u00e9parant un point exp\u00e9rimental du lieu g\u00e9om\u00e9trique d\u00e9fini par la droite ou l’hyperplan de r\u00e9gression. Contrairement \u00e0 une distance orthogonale classique qui mesurerait le plus court chemin g\u00e9om\u00e9trique vers la droite, la mod\u00e9lisation par les moindres carr\u00e9s privil\u00e9gie rigoureusement l’\u00e9cart vertical. Ce choix axiomatique refl\u00e8te le statut asym\u00e9trique des variables dans la r\u00e9gression lin\u00e9aire classique : les pr\u00e9dicteurs sont postul\u00e9s comme \u00e9tant fix\u00e9s ou mesur\u00e9s sans erreur al\u00e9atoire, tandis que l’ensemble de la fluctuation d’\u00e9chantillonnage non expliqu\u00e9e est imput\u00e9 \u00e0 la variable d\u00e9pendante.<\/p>\n

\"Example
Example of residual in statistics<\/figcaption><\/figure>\n

Le r\u00f4le des r\u00e9sidus d\u00e9passe largement le cadre du simple calcul arithm\u00e9tique d’\u00e9cart : ils constituent le barom\u00e8tre privil\u00e9gi\u00e9 de la validit\u00e9 interne des dispositifs psychom\u00e9triques. L’\u00e9quation canonique de l’ajustement repose sur les hypoth\u00e8ses classiques du th\u00e9or\u00e8me de Gauss-Markov, qui stipule que pour que les estimateurs des moindres carr\u00e9s soient sans biais et de variance minimale, les erreurs th\u00e9oriques de population doivent poss\u00e9der une esp\u00e9rance conditionnelle nulle, pr\u00e9senter une variance constante \u00e0 travers tous les niveaux des pr\u00e9dicteurs, et ne manifester aucune autocorr\u00e9lation. Les r\u00e9sidus \u00e9chantillonnaux constituent l’unique fen\u00eatre empirique par laquelle le chercheur peut scruter ces erreurs th\u00e9oriques inobservables, transformant l’examen de leur comportement en une \u00e9tape diagnostique primordiale pour toute inf\u00e9rence causale ou pr\u00e9dictive robuste.<\/p>\n

1.2 Importance du diagnostic des erreurs dans les sciences comportementales<\/h3>\n

Dans l’\u00e9cosyst\u00e8me complexe des sciences du comportement, l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des r\u00e9ponses individuelles, les biais de d\u00e9sirabilit\u00e9 sociale, la fatigue attentionnelle des participants ou des erreurs accidentelles d’encodage g\u00e9n\u00e8rent in\u00e9vitablement des perturbations dans les matrices de donn\u00e9es. L’impact de ces d\u00e9viations extr\u00eames sur les estimations param\u00e9triques peut s’av\u00e9rer d\u00e9vastateur. Le crit\u00e8re des moindres carr\u00e9s op\u00e9rant par minimisation de la somme des carr\u00e9s des \u00e9carts, un seul point aberrant dot\u00e9 d’un r\u00e9sidu disproportionn\u00e9 exerce un moment de force consid\u00e9rable sur la droite de r\u00e9gression, d\u00e9pla\u00e7ant artificiellement l’ordonn\u00e9e \u00e0 l’origine et infl\u00e9chissant la pente au point d’induire des faux positifs statistiques ou de masquer des effets psychologiques pourtant authentiques.<\/p>\n

Au-del\u00e0 de la distorsion des coefficients angulaires, l’accumulation de variance non expliqu\u00e9e et la pr\u00e9sence de r\u00e9sidus mal caract\u00e9ris\u00e9s compromettent gravement la puissance statistique des tests d’hypoth\u00e8se. L’erreur type des coefficients de r\u00e9gression d\u00e9pend directement de l’amplitude de la variance r\u00e9siduelle globale du mod\u00e8le. Lorsque celle-ci est artificiellement gonfl\u00e9e par des perturbations r\u00e9siduelles non identifi\u00e9es, l’erreur type associ\u00e9e aux tests de Student s’\u00e9largit, comprimant la valeur du test statistique associ\u00e9 et augmentant exponentiellement le risque d’erreur de type II, \u00e0 savoir le rejet erron\u00e9 d’une hypoth\u00e8se alternative scientifiquement valide.<\/p>\n

L’analyse des r\u00e9sidus fournit enfin un cadre discriminatif indispensable pour dissocier les biais de mesure syst\u00e9matiques des pures fluctuations stochastiques propres aux populations humaines. Alors qu’un r\u00e9sidu purement al\u00e9atoire t\u00e9moigne du bruit physiologique ou contextuel inh\u00e9rent \u00e0 toute mesure du vivant, des r\u00e9sidus syst\u00e9matiquement regroup\u00e9s selon des profils non al\u00e9atoires trahissent l’omission d’une variable explicative majeure, une sp\u00e9cification fonctionnelle erron\u00e9e du mod\u00e8le (lin\u00e9aire au lieu de curvilin\u00e9aire) ou des failles structurelles dans la calibration des outils d’\u00e9valuation psychologique.<\/p>\n

1.3 Distinction entre r\u00e9sidus bruts, standardis\u00e9s et studentis\u00e9s<\/h3>\n

Bien que le r\u00e9sidu brut offre une mesure intuitive imm\u00e9diate de l’erreur d’ajustement, son utilisation diagnostique se heurte \u00e0 une limitation math\u00e9matique s\u00e9v\u00e8re : son \u00e9chelle d’expression demeure intrins\u00e8quement subordonn\u00e9e \u00e0 l’unit\u00e9 de mesure de la variable d\u00e9pendante originale. Si un chercheur \u00e9value le temps de r\u00e9action en millisecondes dans un paradigme d’attention s\u00e9lective et l’anxi\u00e9t\u00e9 sur une \u00e9chelle de Likert de 1 \u00e0 7, un r\u00e9sidu brut de 45 poss\u00e9dera une signification statistique diam\u00e9tralement oppos\u00e9e dans les deux contextes. Le r\u00e9sidu brut ne permet aucune comparaison trans-\u00e9chelles, ni l’application de crit\u00e8res de d\u00e9cision standardis\u00e9s quant \u00e0 sa nature pathologique ou aberrante.<\/p>\n

Pour s’affranchir de cette d\u00e9pendance m\u00e9trique, la standardisation statistique op\u00e8re une transformation adimensionnelle en rapportant le r\u00e9sidu brut \u00e0 une estimation de son \u00e9cart-type r\u00e9siduel. Le r\u00e9sidu standardis\u00e9 qui en r\u00e9sulte pr\u00e9sente une moyenne th\u00e9orique \u00e9gale \u00e0 z\u00e9ro et une variance asymptotiquement unitaire. Cette mise \u00e0 l’\u00e9chelle permet au m\u00e9thodologue d’appliquer des seuils d’alerte universels d\u00e9riv\u00e9s de la loi normale, quelle que soit la nature substantive des variables analys\u00e9es au sein du devis exp\u00e9rimental.<\/p>\n

Il existe n\u00e9anmoins une subtilit\u00e9 m\u00e9trologique cruciale entre les r\u00e9sidus standardis\u00e9s (fr\u00e9quemment appel\u00e9s r\u00e9sidus studentis\u00e9s internes) et les r\u00e9sidus studentis\u00e9s externes (ou r\u00e9sidus jackknife). Les r\u00e9sidus standardis\u00e9s internes calculent l’erreur type r\u00e9siduelle globale en incluant l’ensemble des observations du jeu de donn\u00e9es, y compris l’observation potentiellement aberrante test\u00e9e. \u00c0 l’inverse, les r\u00e9sidus studentis\u00e9s externes recalculent le mod\u00e8le de r\u00e9gression en omettant l’observation cible pour l’estimation de la variance r\u00e9siduelle, emp\u00eachant ainsi une valeur singuli\u00e8re de contaminer le d\u00e9nominateur de son propre test diagnostique. Dans la plupart des applications psychologiques courantes o\u00f9 l’\u00e9chantillon comprend plus d’une cinquantaine de participants, l’\u00e9cart num\u00e9rique entre ces deux formalismes s’att\u00e9nue, conf\u00e9rant au r\u00e9sidu standardis\u00e9 une efficacit\u00e9 analytique et une robustesse remarquables pour le tri pr\u00e9liminaire des observations suspectes.<\/p>\n

2. Formalisation math\u00e9matique des r\u00e9sidus standardis\u00e9s<\/h2>\n

Une impl\u00e9mentation rigoureuse d’un outil statistique dans un tableur n\u00e9cessite de ma\u00eetriser l’architecture alg\u00e9brique exacte de ses formules. L’estimation d’un r\u00e9sidu standardis\u00e9 ne se r\u00e9sume pas \u00e0 une division grossi\u00e8re par l’\u00e9cart-type global, mais int\u00e8gre des corrections fondamentales issues de la g\u00e9om\u00e9trie de projection lin\u00e9aire.<\/p>\n

2.1 L’\u00e9quation math\u00e9matique du r\u00e9sidu standardis\u00e9<\/h3>\n

Sur le plan analytique formel, soit un \u00e9chantillon de n<\/em> participants pour lesquels une variable d\u00e9pendante continue not\u00e9e Y<\/em> est mod\u00e9lis\u00e9e en fonction d’un ou plusieurs pr\u00e9dicteurs regroup\u00e9s sous la matrice X<\/em>. Pour l’observation indic\u00e9e i<\/em>, le r\u00e9sidu brut s’exprime sous la forme :<\/p>\n

ei<\/sub> = Yi<\/sub> – \u0176i<\/sub><\/strong><\/p>\n

o\u00f9 Yi<\/sub><\/em> d\u00e9signe la valeur empirique recueillie aupr\u00e8s du participant et \u0176i<\/sub><\/em> la pr\u00e9diction correspondante fournie par la fonction de r\u00e9gression estim\u00e9e par les moindres carr\u00e9s ordinaires. L’erreur type de la r\u00e9gression, couramment d\u00e9sign\u00e9e sous le symbole se<\/sub><\/em> ou ETR<\/em>, constitue l’estimation de l’\u00e9cart-type des erreurs de population et se d\u00e9rive de la somme des carr\u00e9s des r\u00e9sidus bruts divis\u00e9e par le nombre de degr\u00e9s de libert\u00e9 r\u00e9siduels :<\/p>\n

se<\/sub> = \u221a[ (\u2211 ei<\/sub>\u00b2) \/ (n – k – 1) ]<\/strong><\/p>\n

au sein de laquelle k<\/em> repr\u00e9sente le nombre exact de variables pr\u00e9dictives int\u00e9gr\u00e9es dans le mod\u00e8le math\u00e9matique, excluant le terme constant.<\/p>\n

\"\"<\/figure>\n

L’\u00e9quation compl\u00e8te et irr\u00e9prochable du r\u00e9sidu standardis\u00e9 interne, fr\u00e9quemment not\u00e9 ri<\/sub><\/em> ou r\u00e9sidu studentis\u00e9 interne dans la litt\u00e9rature statistique sp\u00e9cialis\u00e9e issue des travaux de Cook et Weisberg, s’\u00e9crit de la fa\u00e7on suivante :<\/p>\n

ri<\/sub> = ei<\/sub> \/ [ se<\/sub> * \u221a(1 – hii<\/sub>) ]<\/strong><\/p>\n

Dans cette formulation, le terme hii<\/sub><\/em> symbolise la valeur de levier associ\u00e9e \u00e0 l’observation i<\/em>. Lorsque les postulats de lin\u00e9arit\u00e9, d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9 des r\u00e9sidus th\u00e9oriques sont rigoureusement respect\u00e9s, le ratio ri<\/sub><\/em> converge distributionnellement vers une variable al\u00e9atoire suivant une loi normale standardis\u00e9e centr\u00e9e r\u00e9duite de moyenne z\u00e9ro et de variance \u00e9gale \u00e0 un, autorisant le chercheur \u00e0 mobiliser la table de la loi normale pour \u00e9valuer la probabilit\u00e9 critique d’occurrence de chaque d\u00e9viation individuelle.<\/p>\n

2.2 R\u00f4le et calcul du levier de l’observation<\/h3>\n

Le levier, d\u00e9sign\u00e9 math\u00e9matiquement par l’\u00e9l\u00e9ment diagonal hii<\/sub><\/em> de la matrice de projection orthogonale, joue un r\u00f4le fondamental et pourtant fr\u00e9quemment ignor\u00e9 dans la dispersion th\u00e9orique des r\u00e9sidus d’\u00e9chantillonnage. En mod\u00e9lisation lin\u00e9aire matricielle, les pr\u00e9dictions du mod\u00e8le s’obtiennent par l’application de la matrice chapeau (ou hat matrix<\/em>) H<\/em> au vecteur des observations empiriques :<\/p>\n

\u0176 = H * Y, avec H = X * (XT<\/sup> * X)-1<\/sup> * XT<\/sup><\/strong><\/p>\n

Les \u00e9l\u00e9ments diagonaux hii<\/sub><\/em> quantifient la distance g\u00e9om\u00e9trique multidimensionnelle s\u00e9parant le profil de pr\u00e9dicteurs d’un sujet individuel du barycentre ou centro\u00efde de l’ensemble de l’\u00e9chantillon exp\u00e9rimental. Plus un participant pr\u00e9sente des caract\u00e9ristiques atypiques ou extr\u00eames sur les variables explicatives ind\u00e9pendantes, plus sa valeur de levier se rapproche asymptotiquement de la borne sup\u00e9rieure th\u00e9orique \u00e9gale \u00e0 1.<\/p>\n

L’int\u00e9gration du terme \u221a(1 – hii<\/sub>)<\/strong> au d\u00e9nominateur du r\u00e9sidu standardis\u00e9 corrige une anomalie statistique inh\u00e9rente \u00e0 l’estimation par les moindres carr\u00e9s. En vertu de la structure math\u00e9matique de la projection, la variance d’\u00e9chantillonnage d’un r\u00e9sidu brut individuel n’est pas homog\u00e8ne sur l’ensemble de la distribution ; elle ob\u00e9it rigoureusement \u00e0 la relation :<\/p>\n

Var(ei<\/sub>) = \u03c3\u00b2 * (1 – hii<\/sub>)<\/strong><\/p>\n

Par cons\u00e9quent, les observations situ\u00e9es aux confins de l’espace des pr\u00e9dicteurs (haut levier) exercent une telle traction sur la surface d’ajustement que la droite est litt\u00e9ralement attir\u00e9e vers elles, comprimant artificiellement leur r\u00e9sidu brut ei<\/sub><\/em>. Sans la correction par le levier, le chercheur sous-estimerait gravement l’anormalit\u00e9 statistique des sujets p\u00e9riph\u00e9riques. Il convient ainsi de distinguer m\u00e9thodologiquement un r\u00e9sidu brut modeste issu d’un point \u00e0 fort levier, d’un point d’influence majeur r\u00e9v\u00e9l\u00e9 par un r\u00e9sidu standardis\u00e9 corrig\u00e9 pour son \u00e9loignement centro\u00efdal.<\/p>\n

2.3 Seuils d’identification des valeurs aberrantes<\/h3>\n

La normalisation distributionnelle des r\u00e9sidus standardis\u00e9s permet de d\u00e9finir des heuristiques d\u00e9cisionnelles objectives pour d\u00e9limiter les fronti\u00e8res de l’acceptabilit\u00e9 statistique au sein des jeux de donn\u00e9es comportementales. Suivant les lois de distribution d’une variable normale centr\u00e9e r\u00e9duite, approximativement 68,27 % des observations doivent th\u00e9oriquement s’inscrire dans l’intervalle compris entre -1 et +1 \u00e9cart-type, 95,45 % entre -2 et +2 \u00e9carts-types, et 99,73 % entre -3 et +3 \u00e9carts-types.<\/p>\n

Dans la pratique acad\u00e9mique conventionnelle, toute observation dont la valeur absolue du r\u00e9sidu standardis\u00e9 exc\u00e8de le seuil critique de 3 unit\u00e9s (|ri<\/sub>| > 3,00) est formellement cat\u00e9goris\u00e9e comme une valeur aberrante univari\u00e9e sur l’espace d’erreur. La survenue d’un tel \u00e9cart pr\u00e9sente une probabilit\u00e9 d’occurrence spontan\u00e9e inf\u00e9rieure \u00e0 0,27 % sous l’hypoth\u00e8se de validit\u00e9 du mod\u00e8le, sugg\u00e9rant de mani\u00e8re quasi indiscutable la pr\u00e9sence d’une perturbation non mod\u00e9lis\u00e9e, qu’il s’agisse d’un artefact m\u00e9thodologique, d’une incompr\u00e9hension manifeste des consignes par le sujet ou d’un comportement pathologique singulier n\u00e9cessitant un traitement isol\u00e9.<\/p>\n

N\u00e9anmoins, la d\u00e9termination des seuils critiques ne saurait s’abstraire de la puissance de l’\u00e9chantillon psychologique investigu\u00e9. Dans une cohorte clinique restreinte de 30 participants, la pr\u00e9sence d’un r\u00e9sidu standardis\u00e9 de 2,50 repr\u00e9sente d\u00e9j\u00e0 une anomalie substantielle m\u00e9ritant une inspection clinique d\u00e9taill\u00e9e, tandis que dans une cohorte \u00e9pid\u00e9miologique comprenant 10 000 sujets, observer plusieurs dizaines de r\u00e9sidus oscillant entre 3,0 et 3,5 constitue un ph\u00e9nom\u00e8ne statistiquement attendu en vertu de la loi des grands nombres. L’inspection visuelle na\u00efve sans standardisation expose le statisticien \u00e0 des taux prohibitifs d’erreurs de type I, l’amenant \u00e0 disqualifier des observations l\u00e9gitimes par simple m\u00e9connaissance des lois de dispersion stochastique.<\/p>\n

3. Configuration pr\u00e9alable de l’environnement de calcul dans Microsoft Excel<\/h2>\n

Microsoft Excel offre une flexibilit\u00e9 de calcul remarquable, mais son usage \u00e0 des fins de recherche scientifique exige un param\u00e9trage scrupuleux de son environnement analytique afin d’\u00e9viter tout artefact computationnel ou toute alt\u00e9ration involontaire de la pr\u00e9cision arithm\u00e9tique.<\/p>\n

3.1 Activation du compl\u00e9ment Utilitaire d’analyse<\/h3>\n

Pour acc\u00e9der aux modules avanc\u00e9s de mod\u00e9lisation statistique dans Excel, le chercheur doit pr\u00e9alablement v\u00e9rifier la pr\u00e9sence et le bon chargement de l’Utilitaire d’analyse<\/strong> (nomm\u00e9 Analysis ToolPak<\/em> dans la version anglophone). Bien que natif dans le paquet logiciel, ce composant d’analyse sp\u00e9cialis\u00e9 est d\u00e9sactiv\u00e9 par d\u00e9faut lors de l’installation initiale du tableur afin d’all\u00e9ger la m\u00e9moire vive allou\u00e9e aux op\u00e9rations bureautiques ordinaires.<\/p>\n

\"\"<\/figure>\n

L’activation de cette extension s’op\u00e8re selon une s\u00e9quence op\u00e9ratoire standardis\u00e9e :<\/p>\n