{"id":6051,"date":"2026-09-16T04:31:56","date_gmt":"2026-09-16T04:31:56","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-regression-moindres-carres-ponderes-dans-r\/"},"modified":"2026-09-16T04:31:58","modified_gmt":"2026-09-16T04:31:58","slug":"comment-effectuer-regression-moindres-carres-ponderes-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-regression-moindres-carres-ponderes-dans-r","title":{"rendered":"Comment effectuer une r\u00e9gression par les moindres carr\u00e9s pond\u00e9r\u00e9s dans R"},"content":{"rendered":"

L’inf\u00e9rence statistique au sein des sciences comportementales, sociales et biom\u00e9dicales repose tr\u00e8s largement sur le cadre g\u00e9n\u00e9ral de la mod\u00e9lisation lin\u00e9aire. Qu’il s’agisse d’\u00e9valuer l’impact d’une intervention psychoth\u00e9rapeutique, d’analyser la relation entre la charge cognitive et le temps de traitement de l’information, ou de mod\u00e9liser les trajectoires de d\u00e9veloppement intellectuel, la r\u00e9gression lin\u00e9aire par les moindres carr\u00e9s ordinaires (OLS, pour Ordinary Least Squares<\/em>) constitue fr\u00e9quemment le point d’ancrage m\u00e9thodologique privil\u00e9gi\u00e9 des chercheurs. Cette pr\u00e9dominance historique s’explique par son \u00e9l\u00e9gance math\u00e9matique, sa relative simplicit\u00e9 computationnelle et, surtout, par les garanties th\u00e9oriques offertes par le c\u00e9l\u00e8bre th\u00e9or\u00e8me de Gauss-Markov lorsque ses postulats fondateurs sont satisfaits.<\/p>\n

Cependant, les contextes de recherche empirique s’\u00e9cartent fr\u00e9quemment des conditions id\u00e9alis\u00e9es des manuels de statistique. Parmi ces violations, la rupture du postulat d’homosc\u00e9dasticit\u00e9 \u2014 c’est-\u00e0-dire l’hypoth\u00e8se selon laquelle la variance des erreurs r\u00e9siduelles demeure constante pour chaque niveau des variables pr\u00e9dictives \u2014 constitue un \u00e9cueil m\u00e9thodologique fr\u00e9quent. Lorsqu’une structure d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 \u00e9merge au sein des donn\u00e9es, l’utilisation aveugle des moindres carr\u00e9s ordinaires compromet l’optimalit\u00e9 de l’estimation : bien que les coefficients de r\u00e9gression demeurent non biais\u00e9s, leurs erreurs-types associ\u00e9es deviennent erron\u00e9es, entra\u00eenant une invalidation syst\u00e9matique des tests de significativit\u00e9 statistique, des valeurs p<\/em> et des intervalles de confiance.<\/p>\n

Face \u00e0 cette vuln\u00e9rabilit\u00e9 analytique, la r\u00e9gression par les moindres carr\u00e9s pond\u00e9r\u00e9s (WLS, pour Weighted Least Squares<\/em><\/a>) repr\u00e9sente une solution robuste et formellement rigoureuse. En modulant l’influence de chaque observation en fonction inverse de sa variance d’erreur, le mod\u00e8le WLS r\u00e9tablit les propri\u00e9t\u00e9s d’efficacit\u00e9 statistique des estimateurs et garantit la validit\u00e9 des conclusions inf\u00e9rentielles. Ce guide exhaustif explore en profondeur les fondements th\u00e9oriques, la d\u00e9tection empirique, la d\u00e9rivation math\u00e9matique et la mise en \u0153uvre computationnelle compl\u00e8te de la r\u00e9gression lin\u00e9aire pond\u00e9r\u00e9e sous le logiciel statistique R<\/a>.<\/p>\n

1. Fondements th\u00e9oriques de l’homosc\u00e9dasticit\u00e9 et postulats du mod\u00e8le lin\u00e9aire classique<\/h2>\n

1.1 Le th\u00e9or\u00e8me de Gauss-Markov et les hypoth\u00e8ses fondamentales<\/h3>\n

Le mod\u00e8le de r\u00e9gression lin\u00e9aire classique s’articule autour d’une \u00e9quation structurelle liant une variable d\u00e9pendante continue, not\u00e9e Y<\/em>, \u00e0 un ensemble de p<\/em> variables explicatives ou r\u00e9gresseurs, rassembl\u00e9s dans une matrice X<\/em> de dimension n \u00d7 (p + 1)<\/em>, selon l’expression matricielle Y = X\u03b2 + \u03b5<\/em>. Dans ce formalisme, le vecteur \u03b2<\/em> rassemble les param\u00e8tres d’int\u00e9r\u00eat inconnus de la population, tandis que \u03b5<\/em> repr\u00e9sente le vecteur des perturbations al\u00e9atoires inobservables, ou erreurs de mesure et d’omission. L’ajustement standard par les moindres carr\u00e9s ordinaires repose sur un ensemble d’hypoth\u00e8ses critiques formalis\u00e9es par le th\u00e9or\u00e8me de Gauss-Markov<\/a>.<\/p>\n

Parmi ces postulats fondamentaux figurent l’exog\u00e9n\u00e9it\u00e9 stricte des r\u00e9gresseurs, stipulant que l’esp\u00e9rance conditionnelle des erreurs sachant la matrice de conception est strictement nulle, soit E(\u03b5 | X) = 0<\/em>, ainsi que l’absence d’autocorr\u00e9lation entre les termes d’erreur individuels, soit Cov(\u03b5i<\/sub>, \u03b5j<\/sub> | X) = 0<\/em> pour tout i \u2260 j<\/em>. Le postulat au c\u0153ur de notre propos concerne l’homosc\u00e9dasticit\u00e9 : la variance conditionnelle des erreurs doit \u00eatre invariante quel que soit le niveau ou la configuration prise par les variables explicatives, ce qui se traduit alg\u00e9briquement par Var(\u03b5i<\/sub> | X) = \u03c32<\/sup><\/em> pour tout i \u2208 {1, …, n}<\/em>. Lorsque l’ensemble de ces conditions est rigoureusement satisfait, le th\u00e9or\u00e8me de Gauss-Markov \u00e9tablit que l’estimateur OLS, d\u00e9fini analytiquement par \u03b2\u0302OLS<\/sub> = (XT<\/sup>X)-1<\/sup>XT<\/sup>Y<\/em>, est le meilleur estimateur lin\u00e9aire non biais\u00e9 (connu sous l’acronyme anglais BLUE pour Best Linear Unbiased Estimator<\/em>).<\/p>\n

Dans le champ particulier de la psychologie quantitative et des sciences cognitives, ce postulat d’homosc\u00e9dasticit\u00e9 est pourtant constamment mis \u00e0 rude \u00e9preuve par la nature intrins\u00e8que des ph\u00e9nom\u00e8nes \u00e9tudi\u00e9s. Les chercheurs s’int\u00e9ressent couramment \u00e0 des processus comportementaux caract\u00e9ris\u00e9s par des dynamiques individuelles complexes, o\u00f9 la variabilit\u00e9 des r\u00e9ponses n’a aucune raison th\u00e9orique d’\u00eatre stationnaire sur l’ensemble du continuum de la variable ind\u00e9pendante. Il importe de souligner avec nettet\u00e9 la distinction conceptuelle entre l’esp\u00e9rance conditionnelle nulle des erreurs \u2014 qui garantit que le mod\u00e8le ne sous-estime ni ne surestime syst\u00e9matiquement la r\u00e9ponse moyenne \u2014 et la dispersion de ces r\u00e9sidus autour de leur moyenne conditionnelle. Si l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 n’affecte pas l’esp\u00e9rance conditionnelle, elle d\u00e9truit l’efficacit\u00e9 statistique qui conf\u00e9rait \u00e0 l’estimateur OLS son statut privil\u00e9gi\u00e9 au sein de la bo\u00eete \u00e0 outils statistique.<\/p>\n

1.2 D\u00e9finition formelle et manifestations de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/h3>\n

Formellement, l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 d\u00e9signe la situation dans laquelle la variance conditionnelle des termes d’erreur n’est plus scalaire. Dans le cadre matriciel, la matrice de variance-covariance conditionnelle des erreurs, conventionnellement not\u00e9e \u03a3 = Var(\u03b5 | X)<\/em>, ne se r\u00e9duit plus au produit d’un scalaire unique par la matrice identit\u00e9, soit \u03c32<\/sup>In<\/sub><\/em>, mais prend la forme d’une matrice diagonale o\u00f9 chaque \u00e9l\u00e9ment diagonal refl\u00e8te une variance sp\u00e9cifique \u00e0 chaque observation : diag(\u03c31<\/sub>2<\/sup>, \u03c32<\/sub>2<\/sup>, …, \u03c3n<\/sub>2<\/sup>)<\/em>. Dans les cas les plus complexes incluant une corr\u00e9lation structurelle entre r\u00e9sidus, les termes extradiagonaux peuvent \u00e9galement \u00eatre non nuls, bien que la forme purement h\u00e9t\u00e9rosc\u00e9dastique classique maintienne l’ind\u00e9pendance conditionnelle entre les observations individuelles.<\/p>\n

Les origines de cette h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 de variance au sein des donn\u00e9es exp\u00e9rimentales et quasi-exp\u00e9rimentales sont multiples. D’une part, les erreurs de mesure varient fr\u00e9quemment selon l’instrument employ\u00e9 ou les conditions environnementales de passation : par exemple, un test psychom\u00e9trique standardis\u00e9 peut pr\u00e9senter une excellente fid\u00e9lit\u00e9 au centre de sa distribution, mais une impr\u00e9cision m\u00e9trologique croissante \u00e0 mesure que l’on s’approche des valeurs extr\u00eames. D’autre part, les effets de seuil psychophysiques, tels que les effets de plancher (impossibilit\u00e9 d’obtenir un score inf\u00e9rieur \u00e0 une limite pr\u00e9d\u00e9termin\u00e9e) ou de plafond (saturation des performances maximales), induisent m\u00e9caniquement un r\u00e9tr\u00e9cissement artificiel de la variance pour les sujets tr\u00e8s peu ou tr\u00e8s hautement performants, g\u00e9n\u00e9rant une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 structurelle prononc\u00e9e.<\/p>\n

Il convient d’op\u00e9rer une distinction m\u00e9thodologique fondamentale entre une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 structurelle \u2014 inh\u00e9rente au processus g\u00e9n\u00e9rateur de donn\u00e9es sous-jacent \u2014 et une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 artificielle induite par une mauvaise sp\u00e9cification fonctionnelle du mod\u00e8le lin\u00e9aire. L’omission d’une variable explicative d\u00e9terminante ou la n\u00e9gligence d’une composante non lin\u00e9aire (comme un terme quadratique ou une interaction d’ordre sup\u00e9rieur) peut g\u00e9n\u00e9rer des r\u00e9sidus dont la dispersion apparente s’\u00e9largit ou se contracte le long de l’axe des valeurs pr\u00e9dites. Qu’elle soit d’origine substantielle ou issue d’une mod\u00e9lisation imparfaite, l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 influe directement sur l’exactitude des calculs asymptotiques relatifs aux matrices d’\u00e9chantillonnage, provoquant une distorsion majeure des erreurs-types qui gouvernent l’inf\u00e9rence statistique.<\/p>\n

1.3 Cons\u00e9quences inf\u00e9rentielles sur les tests statistiques<\/h3>\n

L’impact direct de la pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 r\u00e9side dans l’invalidation de la formule classique de calcul de la matrice de variance-covariance de l’estimateur OLS. Sous l’hypoth\u00e8se th\u00e9orique d’homosc\u00e9dasticit\u00e9, la variance de l’estimateur des moindres carr\u00e9s s’exprime selon la relation compacte Var(\u03b2\u0302OLS<\/sub>) = \u03c32<\/sup>(XT<\/sup>X)-1<\/sup><\/em>, dans laquelle le terme \u03c32<\/sup><\/em> est traditionnellement estim\u00e9 sans biais par la moyenne des carr\u00e9s des r\u00e9sidus divis\u00e9e par les degr\u00e9s de libert\u00e9 r\u00e9siduels, soit s2<\/sup> = (eT<\/sup>e) \/ (n – p – 1)<\/em>. En revanche, lorsque la matrice de variance des erreurs est non scalaire, l’expression exacte de la variance de l’estimateur devient ce que les th\u00e9oriciens d\u00e9signent sous le terme de formule \u00ab sandwich \u00bb : Var(\u03b2\u0302OLS<\/sub>) = (XT<\/sup>X)-1<\/sup>(XT<\/sup>\u03a3X)(XT<\/sup>X)-1<\/sup><\/em>.<\/p>\n

En calculant la variance au moyen de la formule classique en pr\u00e9sence d’une matrice \u03a3<\/em> h\u00e9t\u00e9rog\u00e8ne, les logiciels statistiques sous-estiment ou surestiment couramment la v\u00e9ritable dispersion d’\u00e9chantillonnage des coefficients de r\u00e9gression. Cette distorsion des erreurs-types estim\u00e9es se r\u00e9percute de mani\u00e8re imm\u00e9diate sur les statistiques de test : la statistique de Student t = \u03b2\u0302j<\/sub> \/ SE(\u03b2\u0302j<\/sub>)<\/em> et la statistique de Fisher F<\/em> associ\u00e9es aux tests d’hypoth\u00e8ses lin\u00e9aires nulles ne suivent plus rigoureusement leurs distributions th\u00e9oriques respectives sous H0<\/sub><\/em>. Dans la tr\u00e8s grande majorit\u00e9 des cas observ\u00e9s empiriquement, notamment lorsque la variance r\u00e9siduelle cro\u00eet conjointement avec les valeurs de la variable ind\u00e9pendante, l’erreur-type conventionnelle est s\u00e9v\u00e8rement d\u00e9flat\u00e9e, g\u00e9n\u00e9rant une inflation spectaculaire du risque d’erreur de type I (rejet \u00e0 tort d’une hypoth\u00e8se nulle authentiquement vraie).<\/p>\n

Ce ph\u00e9nom\u00e8ne est particuli\u00e8rement pr\u00e9judiciable pour la validit\u00e9 et la reproductibilit\u00e9 de la litt\u00e9rature scientifique contemporaine. Un chercheur appliquant sans pr\u00e9caution les moindres carr\u00e9s ordinaires \u00e0 des donn\u00e9es h\u00e9t\u00e9rosc\u00e9dastiques conclura couramment \u00e0 l’existence d’un effet psychologique ou comportemental statistiquement significatif au seuil nominal de 5 %, alors m\u00eame que la variabilit\u00e9 r\u00e9elle du ph\u00e9nom\u00e8ne ne permet pas d’\u00e9carter le hasard. Parall\u00e8lement, les intervalles de confiance construits selon la formule canonique \u03b2\u0302j<\/sub> \u00b1 tcritical<\/sub> \u00d7 SE(\u03b2\u0302j<\/sub>)<\/em> voient leur taux de couverture nominal s’effondrer : un intervalle suppos\u00e9 contenir la vraie valeur du param\u00e8tre dans 95 % des r\u00e9plications ne couvrira parfois la cible que dans 80 % ou 85 % des occurrences r\u00e9elles, compromettant gravement l’accumulation des savoirs scientifiques.<\/p>\n

2. D\u00e9tection de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 en sciences psychologiques et comportementales<\/h2>\n

2.1 Manifestations concr\u00e8tes dans les donn\u00e9es psychologiques<\/h3>\n

Dans le champ de la psychologie diff\u00e9rentielle et cognitive, l’invariance de la variance constitue bien plus l’exception que la r\u00e8gle g\u00e9n\u00e9rale. L’\u00e9tude des temps de r\u00e9action chronom\u00e9triques illustre parfaitement ce ph\u00e9nom\u00e8ne : lorsqu’un protocole exp\u00e9rimental mesure la vitesse de d\u00e9cision motrice face \u00e0 des stimuli perceptifs visuels complexes, les sujets jeunes et performants pr\u00e9sentent non seulement une moyenne de r\u00e9ponse plus basse, mais \u00e9galement une variance intra-individuelle et inter-individuelle remarquablement compacte. \u00c0 l’inverse, chez les populations cliniques, les sujets \u00e2g\u00e9s ou les participants soumis \u00e0 une privation prolong\u00e9e de sommeil, on observe une d\u00e9gradation de la performance qui se caract\u00e9rise par une asym\u00e9trie positive marqu\u00e9e et une variabilit\u00e9 r\u00e9siduelle consid\u00e9rablement accrue, trahissant des lapses attentionnels p\u00e9riodiques.<\/p>\n

Un ph\u00e9nom\u00e8ne comparable se manifeste de mani\u00e8re omnipr\u00e9sente dans l’\u00e9tude des processus affectifs et du stress. Lorsque des chercheurs mod\u00e9lisent l’impact de l’exposition \u00e0 des \u00e9v\u00e9nements de vie stressants sur le score d’anxi\u00e9t\u00e9 g\u00e9n\u00e9rale \u00e9valu\u00e9 sur une \u00e9chelle psychom\u00e9trique, les individus peu expos\u00e9s \u00e0 l’adversit\u00e9 affichent des scores d’anxi\u00e9t\u00e9 regroup\u00e9s de fa\u00e7on dense autour d’une ligne de base adaptative minimale. D\u00e8s lors que l’adversit\u00e9 environnementale atteint des intensit\u00e9s \u00e9lev\u00e9es, les m\u00e9canismes psychologiques de r\u00e9gulation \u00e9motionnelle, les soutiens sociaux per\u00e7us et les vuln\u00e9rabilit\u00e9s g\u00e9n\u00e9tiques diff\u00e9rentielles entrent en jeu : certains sujets font preuve d’une r\u00e9silience remarquable en maintenant une anxi\u00e9t\u00e9 basse, tandis que d’autres s’effondrent vers des niveaux pathologiques aigus. Cette divergence substantielle des r\u00e9ponses individuelles sous forte contrainte g\u00e9n\u00e8re une dispersion r\u00e9siduelle proportionnelle \u00e0 l’intensit\u00e9 du stress.<\/p>\n

L’agr\u00e9gation des scores issus d’\u00e9chelles de type Likert en psychom\u00e9trie appliqu\u00e9e repr\u00e9sente une source additionnelle d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances. La variance d’un score composite calcul\u00e9 sur plusieurs items d\u00e9pend structurellement de la fid\u00e9lit\u00e9 locale du test, qui tend \u00e0 diminuer drastiquement aux extr\u00e9mit\u00e9s des comp\u00e9tences cognitives sous-jacentes. Selon les postulats de la th\u00e9orie des r\u00e9ponses aux items (TRI)<\/a>, l’information apport\u00e9e par un test psychologique culmine \u00e0 des niveaux d’aptitude \u03b8<\/em> pr\u00e9cis et s’effondre lorsque le sujet s’\u00e9loigne de ces zones de discrimination optimale. Par cons\u00e9quent, toute r\u00e9gression mod\u00e9lisant un trait latent continu \u00e0 partir de batteries d’items composites introduira intrins\u00e8quement une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 de variance r\u00e9siduelle conditionn\u00e9e par le niveau d’habilet\u00e9 cognitive des r\u00e9pondants.<\/p>\n

2.2 Analyses graphiques exploratoires des r\u00e9sidus<\/h3>\n

Avant d’avoir recours \u00e0 des tests inf\u00e9rentiels formalis\u00e9s, le diagnostic d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 repose prioritairement sur une inspection graphique rigoureuse et multidimensionnelle des composantes r\u00e9siduelles du mod\u00e8le ajust\u00e9 par les moindres carr\u00e9s ordinaires. Le graphique diagnostique le plus puissant et le plus universellement recommand\u00e9 consiste \u00e0 projeter les r\u00e9sidus ordinaires ei<\/sub><\/em> \u2014 ou, de mani\u00e8re encore plus informative, les r\u00e9sidus studentis\u00e9s ou standardis\u00e9s ri<\/sub> = ei<\/sub> \/ (s \u00d7 \u221a(1 – hii<\/sub>))<\/em>, o\u00f9 hii<\/sub><\/em> repr\u00e9sente le levier de l’observation \u2014 en ordonn\u00e9e, face aux valeurs pr\u00e9dites ou ajust\u00e9es (Fitted Values<\/em>, Y\u0302i<\/sub><\/em>) en abscisse. Dans des conditions th\u00e9oriques parfaites d’homosc\u00e9dasticit\u00e9, les points doivent se r\u00e9partir de fa\u00e7on al\u00e9atoire et homog\u00e8ne au sein d’une bande horizontale d’\u00e9paisseur constante de part et d’autre de la ligne z\u00e9ro.<\/p>\n

La pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 se traduit visuellement par l’\u00e9mergence d’un motif caract\u00e9ristique en forme d’entonnoir (d\u00e9sign\u00e9 couramment par l’expression anglaise funnel shape<\/em>). Ce motif s’\u00e9vase g\u00e9n\u00e9ralement de la gauche vers la droite de l’axe horizontal, r\u00e9v\u00e9lant que pour des valeurs pr\u00e9dites faibles, les r\u00e9sidus restent \u00e9troitement circonscrits \u00e0 proximit\u00e9 de l’esp\u00e9rance conditionnelle nulle, tandis que pour des valeurs pr\u00e9dites \u00e9lev\u00e9es, la dispersion verticale des points augmente de fa\u00e7on exponentielle ou quadratique. Dans d’autres contextes cliniques, on peut observer des formes en diamant ou en fuseau, signalant que la dispersion maximale survient pour les valeurs moyennes de la variable crit\u00e8re, les effets de plancher et de plafond venant resserrer la distribution aux marges extr\u00eames.<\/p>\n

L’analyse graphique exploratoire doit \u00e9galement int\u00e9grer l’examen attentif du diagramme quantile-quantile (Q-Q plot) normal appliqu\u00e9 aux r\u00e9sidus studentis\u00e9s. Bien que le diagramme Q-Q serve en premier lieu \u00e0 contr\u00f4ler l’hypoth\u00e8se de normalit\u00e9 de la distribution conditionnelle des erreurs, une divergence simultan\u00e9e des queues de distribution sup\u00e9rieure et inf\u00e9rieure informe fr\u00e9quemment l’analyste sur la pr\u00e9sence de sous-groupes structurellement plus variables ou sur une instabilit\u00e9 globale de la variance de dispersion. De plus, il s’av\u00e8re particuli\u00e8rement \u00e9clairant de construire des diagrammes bivari\u00e9s confrontant directement les r\u00e9sidus standardis\u00e9s \u00e0 chacun des pr\u00e9dicteurs continus inclus dans le mod\u00e8le, permettant d’isoler avec exactitude la ou les variables ind\u00e9pendantes responsables de l’inflation de la variance locale.<\/p>\n

2.3 Tests d’hypoth\u00e8se formels pour valider l’homosc\u00e9dasticit\u00e9<\/h3>\n

Si l’approche graphique offre une intuition visuelle fondamentale, la confirmation de la violation du postulat d’invariance de variance n\u00e9cessite l’ex\u00e9cution de tests d’hypoth\u00e8se formels dot\u00e9s de propri\u00e9t\u00e9s statistiques contr\u00f4l\u00e9es. Le premier outil canonique est le test de Breusch-Pagan, introduit en 1979 par les \u00e9conom\u00e8tres Trevor Breusch et Adrian Pagan. Ce test formule l’hypoth\u00e8se nulle H0<\/sub>: \u03c31<\/sub>2<\/sup> = \u03c32<\/sub>2<\/sup> = … = \u03c3n<\/sub>2<\/sup> = \u03c32<\/sup><\/em> contre l’hypoth\u00e8se alternative postulant que la variance d\u00e9pend lin\u00e9airement d’un ensemble de variables explicatives via la relation \u03c3i<\/sub>2<\/sup> = h(zi<\/sub>T<\/sup>\u03b1)<\/em>, o\u00f9 zi<\/sub><\/em> inclut g\u00e9n\u00e9ralement les variables du mod\u00e8le original. La proc\u00e9dure consiste \u00e0 r\u00e9gresser les r\u00e9sidus au carr\u00e9 mis \u00e0 l’\u00e9chelle sur ces r\u00e9gresseurs et \u00e0 \u00e9valuer la significativit\u00e9 globale du coefficient de d\u00e9termination multipli\u00e9 par la taille de l’\u00e9chantillon, qui suit asymptotiquement une loi du Chi-deux (\u03c72<\/sup><\/em>).<\/p>\n

Une faiblesse reconnue du test classique de Breusch-Pagan r\u00e9side dans son extr\u00eame sensibilit\u00e9 \u00e0 la non-normalit\u00e9 de la distribution des erreurs sous-jacentes. Pour pallier cette limitation, Koenker et Bassett ont propos\u00e9 une variante studentis\u00e9e robuste (connue sous le nom de test de Koenker-Bassett ou test de Breusch-Pagan modifi\u00e9 par Koenker). Cette adaptation ajuste le multiplicateur du Chi-deux par le moment d’ordre quatre empirique des r\u00e9sidus (le kurtosis), garantissant que le taux d’erreur de premi\u00e8re esp\u00e8ce demeure contr\u00f4l\u00e9 m\u00eame en pr\u00e9sence de distributions de donn\u00e9es mod\u00e9r\u00e9ment asym\u00e9triques ou leptokurtiques, ce qui en fait un standard particuli\u00e8rement recommand\u00e9 lors du traitement d’\u00e9chelles psychologiques.<\/p>\n

Une alternative encore plus g\u00e9n\u00e9rale est offerte par le test de White (1980). Contrairement au test de Breusch-Pagan qui pr\u00e9suppose une structure de d\u00e9pendance lin\u00e9aire, le test de White n’exige aucune pr\u00e9somption sur la forme fonctionnelle de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9. Il proc\u00e8de en r\u00e9gressant les r\u00e9sidus ordinaires au carr\u00e9 sur l’ensemble des r\u00e9gresseurs originaux, sur leurs termes quadratiques respectifs (puissances au carr\u00e9) ainsi que sur la totalit\u00e9 de leurs produits crois\u00e9s (interactions du second ordre). Enfin, le test de Goldfeld-Quandt constitue une m\u00e9thode non asymptotique adapt\u00e9e lorsque l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 est soup\u00e7onn\u00e9e de diviser l’\u00e9chantillon en deux sous-groupes contrast\u00e9s selon un ordre monotone : apr\u00e8s avoir class\u00e9 les donn\u00e9es selon le r\u00e9gresseur suspect\u00e9 et supprim\u00e9 un segment central d’observations, il compare directement le rapport des variances r\u00e9siduelles des deux sous-ensembles extr\u00eames au moyen d’un test de Fisher classique.<\/p>\n

3. Principes math\u00e9matiques de la r\u00e9gression par les moindres carr\u00e9s pond\u00e9r\u00e9s (WLS)<\/h2>\n

3.1 Formulation alg\u00e9brique de la m\u00e9thode des moindres carr\u00e9s g\u00e9n\u00e9ralis\u00e9s<\/h3>\n

La m\u00e9thode des moindres carr\u00e9s pond\u00e9r\u00e9s constitue un cas particulier fondamental de la famille plus vaste des moindres carr\u00e9s g\u00e9n\u00e9ralis\u00e9s (GLS, pour Generalized Least Squares<\/em>), d\u00e9velopp\u00e9e initialement par Alexander Aitken en 1935. Lorsque l’on abandonne le postulat de scalaire de variance des perturbations au profit d’une matrice de variance-covariance diagonale \u03a3 = diag(\u03c31<\/sub>2<\/sup>, \u03c32<\/sub>2<\/sup>, …, \u03c3n<\/sub>2<\/sup>)<\/em>, la fonction objectif de minimisation ne cherche plus \u00e0 amoindrir la somme simple des carr\u00e9s des \u00e9carts entre les observations observ\u00e9es et les valeurs mod\u00e9lis\u00e9es, mais une somme pond\u00e9r\u00e9e o\u00f9 chaque carr\u00e9 d’\u00e9cart est modul\u00e9 par un coefficient scalaire strictly positif wi<\/sub><\/em> :<\/p>\n

S(\u03b2) = \u2211i=1<\/sub>n<\/sup> wi<\/sub> (Yi<\/sub> – xi<\/sub>T<\/sup>\u03b2)2<\/sup><\/em><\/p>\n

Sous forme vectorielle et matricielle, cette quantit\u00e9 s’\u00e9crit avec une concision remarquable : S(\u03b2) = (Y – X\u03b2)T<\/sup> W (Y – X\u03b2)<\/em>, o\u00f9 W<\/em> d\u00e9signe une matrice de pond\u00e9ration diagonale de dimension n \u00d7 n<\/em>, d\u00e9finie par W = diag(w1<\/sub>, w2<\/sub>, …, wn<\/sub>)<\/em>. Pour identifier l’estimateur qui minimise analytiquement cette somme quadratique, on diff\u00e9rencie cette fonction vectorielle par rapport au vecteur de param\u00e8tres \u03b2<\/em> et on annule le gradient r\u00e9sultant :<\/p>\n

\u2202S(\u03b2) \/ \u2202\u03b2 = -2 XT<\/sup> W (Y – X\u03b2) = 0 \u27f9 XT<\/sup> W X \u03b2 = XT<\/sup> W Y<\/em><\/p>\n

En supposant que la matrice XT<\/sup> W X<\/em> est inversible (ce qui requiert que X<\/em> soit de plein rang de colonnes et que tous les poids wi<\/sub><\/em> soient strictement positifs), la solution analytique de cette \u00e9quation normale prend la forme matricielle canonique de l’estimateur des moindres carr\u00e9s pond\u00e9r\u00e9s :<\/p>\n

\u03b2\u0302WLS<\/sub> = (XT<\/sup> W X)-1<\/sup> XT<\/sup> W Y<\/em><\/p>\n

Le th\u00e9or\u00e8me d’Aitken d\u00e9montre avec rigueur que si la matrice de pond\u00e9ration W<\/em> est exactement proportionnelle \u00e0 l’inverse de la matrice de variance-covariance des erreurs, soit W = \u03a3-1<\/sup> = diag(1\/\u03c31<\/sub>2<\/sup>, 1\/\u03c32<\/sub>2<\/sup>, …, 1\/\u03c3n<\/sub>2<\/sup>)<\/em>, alors l’estimateur \u03b2\u0302WLS<\/sub><\/em> r\u00e9tablit l’ensemble des propri\u00e9t\u00e9s d’optimalit\u00e9 \u00e9tablies par Gauss-Markov : il redevient le meilleur estimateur lin\u00e9aire non biais\u00e9 (BLUE) du syst\u00e8me.<\/p>\n

3.2 Attribution et logique du sch\u00e9ma de pond\u00e9ration<\/h3>\n

La logique intuitive sous-jacente au sch\u00e9ma de pond\u00e9ration wi<\/sub> = 1 \/ \u03c3i<\/sub>2<\/sup><\/em> est d’une remarquable limpidit\u00e9 conceptuelle. Chaque point de donn\u00e9es recueilli dans une investigation scientifique n’apporte pas la m\u00eame quantit\u00e9 d’information empirique utile \u00e0 l’estimation de la pente globale : une observation associ\u00e9e \u00e0 une variance d’erreur minuscule \u03c3i<\/sub>2<\/sup><\/em> est intrins\u00e8quement tr\u00e8s pr\u00e9cise et fournit un signal net quant \u00e0 la localisation spatiale de la droite de r\u00e9gression. \u00c0 l’oppos\u00e9, une observation caract\u00e9ris\u00e9e par une variance r\u00e9siduelle colossale est hautement bruit\u00e9e, son \u00e9cart par rapport \u00e0 la moyenne conditionnelle \u00e9tant domin\u00e9 par l’al\u00e9a plut\u00f4t que par la dynamique structurelle du ph\u00e9nom\u00e8ne sous \u00e9tude.<\/p>\n

En attribuant un poids analytique inversement proportionnel \u00e0 la variance de l’erreur, l’algorithme WLS op\u00e8re une r\u00e9allocation m\u00e9thodique de l’influence statistique. Les points fiables et pr\u00e9cis sont surpond\u00e9r\u00e9s, for\u00e7ant la droite ajust\u00e9e \u00e0 passer au plus pr\u00e8s de leurs coordonn\u00e9es, tandis que les observations volatiles et incertaines sont syst\u00e9matiquement sous-pond\u00e9r\u00e9es, les emp\u00eachant de tirer arbitrairement le mod\u00e8le vers leurs trajectoires d\u00e9sordonn\u00e9es. D’un point de vue de transformation des variables, le WLS revient math\u00e9matiquement \u00e0 multiplier chaque ligne du syst\u00e8me lin\u00e9aire (la variable d\u00e9pendante et chaque pr\u00e9dicteur, constante incluse) par la racine carr\u00e9e du poids correspondant, soit wi<\/sub>1\/2<\/sup> = 1 \/ \u03c3i<\/sub><\/em>. En divisant chaque terme de l’\u00e9quation par son propre \u00e9cart-type th\u00e9orique, le mod\u00e8le transform\u00e9 Yi<\/sub> \/ \u03c3i<\/sub> = (xi<\/sub>T<\/sup>\u03b2) \/ \u03c3i<\/sub> + \u03b5i<\/sub> \/ \u03c3i<\/sub><\/em> satisfait \u00e0 nouveau scrupuleusement la condition d’homosc\u00e9dasticit\u00e9, puisque la variance de l’erreur transform\u00e9e Var(\u03b5i<\/sub> \/ \u03c3i<\/sub>)<\/em> est rigoureusement \u00e9gale \u00e0 1 pour toutes les observations de l’\u00e9chantillon.<\/p>\n

Cette formalisation trouve \u00e9galement un ancrage direct dans les paradigmes de m\u00e9ta-analyse ou d’agr\u00e9gation de donn\u00e9es group\u00e9es. Supposons qu’un chercheur analyse la relation entre deux construits psychologiques \u00e0 partir de moyennes obtenues au sein de k<\/em> groupes distincts de tailles d’\u00e9chantillon variables nj<\/sub><\/em>. D’apr\u00e8s le th\u00e9or\u00e8me central limite, la variance d’\u00e9chantillonnage de chaque moyenne empirique s’exprime par Var(Y\u0304j<\/sub>) = \u03c32<\/sup> \/ nj<\/sub><\/em>. Pour estimer une r\u00e9gression lin\u00e9aire sur ces donn\u00e9es agr\u00e9g\u00e9es sans d\u00e9former les param\u00e8tres, il appara\u00eet alors m\u00e9thodologiquement imp\u00e9ratif d’assigner \u00e0 chaque groupe un poids proportionnel \u00e0 son effectif effectif, soit wj<\/sub> = nj<\/sub><\/em>, mat\u00e9rialisant parfaitement la nature intrins\u00e8que de la pond\u00e9ration par l’inverse de la variance.<\/p>\n

3.3 Propri\u00e9t\u00e9s asymptotiques et robustesse de l’estimateur WLS<\/h3>\n

Sous des conditions de r\u00e9gularit\u00e9 standard \u2014 incluant la compacit\u00e9 de l’espace des param\u00e8tres, la finitude des moments d’ordre sup\u00e9rieur et l’exog\u00e9n\u00e9it\u00e9 stricte \u2014, l’estimateur WLS poss\u00e8de des propri\u00e9t\u00e9s asymptotiques exemplaires de convergence en probabilit\u00e9 (consistance) et de normalit\u00e9 asymptotique lorsque la taille de l’\u00e9chantillon n<\/em> tend vers l’infini. Sa distribution limite s’exprime selon la formule :<\/p>\n

\u221an (\u03b2\u0302WLS<\/sub> – \u03b2) xrightarrow{d} N(0, plim [ n (XT<\/sup> W X)-1<\/sup> ])<\/em><\/p>\n

Cette efficacit\u00e9 statistique maximale d\u00e9pend toutefois de mani\u00e8re cruciale d’une condition d’application s\u00e9v\u00e8re : la matrice de pond\u00e9ration th\u00e9orique W<\/em> doit correspondre fid\u00e8lement \u00e0 la v\u00e9ritable structure de variance sous-jacente des donn\u00e9es. Dans les applications empiriques r\u00e9elles, les variances vraies \u03c3i<\/sub>2<\/sup><\/em> sont presque syst\u00e9matiquement inconnues du statisticien et doivent \u00eatre inf\u00e9r\u00e9es \u00e0 partir des r\u00e9sidus de r\u00e9gressions auxiliaires pr\u00e9liminaires. On parle alors de moindres carr\u00e9s pond\u00e9r\u00e9s r\u00e9alisables ou estim\u00e9s (FGLS, pour Feasible Generalized Least Squares<\/em><\/a>).<\/p>\n

La sensibilit\u00e9 critique de l’estimateur WLS face \u00e0 une mauvaise sp\u00e9cification fonctionnelle de la variance constitue son talon d’Achille m\u00e9thodologique. Si la fonction r\u00e9gissant la variabilit\u00e9 r\u00e9siduelle est mal identifi\u00e9e \u2014 par exemple, en pr\u00e9supposant une d\u00e9pendance lin\u00e9aire par rapport \u00e0 un r\u00e9gresseur alors que la dispersion r\u00e9elle suit une trajectoire quadratique ou d\u00e9pend d’une variable omise \u2014, l’estimateur FGLS conserve sa propri\u00e9t\u00e9 de non-biais asymptotique (\u00e0 condition que la moyenne conditionnelle soit bien mod\u00e9lis\u00e9e), mais il peut paradoxalement devenir moins efficace statistiquement que l’estimateur OLS conventionnel. De surcro\u00eet, les estimateurs de variance de second ordre calcul\u00e9s sur de faibles \u00e9chantillons peuvent \u00eatre substantiellement sous-estim\u00e9s, entra\u00eenant une inflation insidieuse du taux d’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n

C’est pourquoi la pratique contemporaine confronte fr\u00e9quemment le mod\u00e8le WLS aux approches fond\u00e9es sur les estimateurs de variance sandwich robustes \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 (tels que les corrections HC0 \u00e0 HC4 propos\u00e9es par Halbert White, J. Scott Long et Ervin Ervin). Si les estimateurs de type White-Huber conservent l’estimation de pente brute OLS tout en corrigeant a posteriori l’erreur-type sans formuler d’hypoth\u00e8se sur la structure math\u00e9matique de \u03a3<\/em>, la m\u00e9thode WLS conserve une sup\u00e9riorit\u00e9 notable : lorsque la fonction de variance est correctement sp\u00e9cifi\u00e9e, WLS r\u00e9-estime directement le vecteur de coefficients \u03b2<\/em> vers sa trajectoire de variance minimale absolue, garantissant une puissance statistique et une pr\u00e9cision d’estimation qu’aucune simple correction d’erreur-type ne peut atteindre.<\/p>\n

4. Pr\u00e9paration de l’environnement R et structure des donn\u00e9es empiriques<\/h2>\n

4.1 Configuration des biblioth\u00e8ques n\u00e9cessaires<\/h3>\n

Pour mener \u00e0 bien une mod\u00e9lisation compl\u00e8te par les moindres carr\u00e9s pond\u00e9r\u00e9s sous le langage de programmation statistique R, il est indispensable de charger un ensemble coh\u00e9rent de paquets compl\u00e9mentaires sp\u00e9cialis\u00e9s dans la mod\u00e9lisation lin\u00e9aire, le calcul d’erreurs-types robustes et les diagnostics graphiques avanc\u00e9s. L’\u00e9cosyst\u00e8me comprend notamment lmtest<\/code> pour l’ex\u00e9cution des tests formels d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, car<\/code> pour le calcul des statistiques de diagnostic de colin\u00e9arit\u00e9 et de r\u00e9sidus studentis\u00e9s, sandwich<\/code> pour l’\u00e9valuation comparative des matrices de variance-covariance robustes, et enfin le m\u00e9tapaquet tidyverse<\/code> qui englobe ggplot2<\/code>, dplyr<\/code> et tibble<\/code> pour une manipulation fluide et graphique des jeux de donn\u00e9es.<\/p>\n

L’installation de ces paquets s’effectue via l’interface canonique du Comprehensive R Archive Network (CRAN<\/a>). Il est judicieux de fixer les options g\u00e9n\u00e9rales de la console R afin de contr\u00f4ler le nombre de d\u00e9cimales affich\u00e9es pour l’interpr\u00e9tation des valeurs statistiques fines et de neutraliser la conversion automatique des cha\u00eenes de caract\u00e8res en facteurs nominaux.<\/p>\n

Dans une logique rigoureuse de reproductibilit\u00e9 de la recherche scientifique, il est fortement pr\u00e9conis\u00e9 de v\u00e9rifier la version courante de R et de consigner les d\u00e9pendances logicielles au moyen d’environnements virtuels isol\u00e9s (tels que ceux fournis par le paquet renv<\/code>). Cette discipline pr\u00e9vient les disparit\u00e9s d’arrondis num\u00e9riques susceptibles de survenir au fil des mises \u00e0 jour des algorithmes matriciels sous-jacents.<\/p>\n

4.2 Cr\u00e9ation du jeu de donn\u00e9es illustratif<\/h3>\n

Afin d’ancrer les d\u00e9veloppements math\u00e9matiques dans une d\u00e9marche empirique tangible propre aux sciences comportementales et \u00e9ducatives, consid\u00e9rons une \u00e9tude exp\u00e9rimentale simulant la relation entre l’investissement temporel consenti par des \u00e9tudiants universitaires dans la pr\u00e9paration d’un examen complexe de psychom\u00e9trie quantitative (mesur\u00e9 en heures d’\u00e9tude individuelles) et leur performance finale normalis\u00e9e \u00e0 cet examen (\u00e9valu\u00e9e sur une \u00e9chelle continue de 0 \u00e0 100 points).<\/p>\n

Dans ce paradigme, il est plausible d’anticiper une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 croissante : les \u00e9tudiants ne consacrant que tr\u00e8s peu d’heures \u00e0 l’apprentissage obtiennent de mani\u00e8re presque syst\u00e9matique des notes m\u00e9diocres regroup\u00e9es autour d’un score bas. En revanche, chez les \u00e9tudiants fournissant un volume horaire d’\u00e9tude massif, les diff\u00e9rences interindividuelles d’aptitude math\u00e9matique pr\u00e9alable, de strat\u00e9gies mn\u00e9motechniques et de vuln\u00e9rabilit\u00e9 au stress d’\u00e9valuation provoquent une dispersion majeure des r\u00e9sultats : certains atteignent des sommets d’excellence acad\u00e9mique tandis que d’autres plafonnent \u00e0 des niveaux mod\u00e9r\u00e9s en d\u00e9pit de leurs efforts prolong\u00e9s.<\/p>\n

Pour mat\u00e9rialiser ce ph\u00e9nom\u00e8ne, nous pouvons concevoir un \u00e9chantillon synth\u00e9tique repr\u00e9sentatif comportant n = 100<\/em> observations. Le vecteur de la variable ind\u00e9pendante hours<\/code> est \u00e9chantillonn\u00e9 de mani\u00e8re continue entre 2 et 40 heures d’\u00e9tude. La variable d\u00e9pendante score<\/code> est alors g\u00e9n\u00e9r\u00e9e selon un mod\u00e8le lin\u00e9aire structurel d’\u00e9quation Yi<\/sub> = 35 + 1.4 \u00d7 Xi<\/sub> + \u03b5i<\/sub><\/em>, o\u00f9 le terme d’erreur \u03b5i<\/sub><\/em> est issu d’une distribution normale d’esp\u00e9rance nulle dont l’\u00e9cart-type est rigoureusement asservi \u00e0 la valeur du r\u00e9gresseur selon la fonction lin\u00e9aire \u03c3i<\/sub> = 1.2 + 0.35 \u00d7 Xi<\/sub><\/em>.<\/p>\n

La v\u00e9rification structurelle de la matrice de donn\u00e9es nouvellement instanci\u00e9e constitue une \u00e9tape indispensable. L’application des commandes fondamentales de diagnostic d’int\u00e9grit\u00e9 permet d’attester que l’objet est convenablement encapsul\u00e9 sous forme de tableau de donn\u00e9es \u00e0 deux dimensions num\u00e9riques de type double pr\u00e9cision, et qu’aucune cellule ne contient de valeur manquante ou non assign\u00e9e susceptible de biaiser le calcul matriciel ult\u00e9rieur.<\/p>\n

4.3 Statistiques descriptives pr\u00e9alables<\/h3>\n

L’\u00e9tape pr\u00e9liminaire \u00e0 toute mod\u00e9lisation inf\u00e9rentielle consiste \u00e0 dresser un bilan exhaustif des propri\u00e9t\u00e9s descriptives univari\u00e9es et bivari\u00e9es de l’\u00e9chantillon recueilli. Pour les deux grandeurs continues, il convient d’extraire la moyenne arithm\u00e9tique, l’\u00e9cart-type d’\u00e9chantillon, la m\u00e9diane, l’\u00e9cart interquartile, ainsi que les valeurs extr\u00eames minimale et maximale afin de d\u00e9tecter toute aberration de saisie ou pr\u00e9sence d’outliers manifestes.<\/p>\n

La corr\u00e9lation de Pearson entre le temps d’\u00e9tude et le r\u00e9sultat d’examen permet de quantifier l’intensit\u00e9 du lien lin\u00e9aire global qui unit ces deux m\u00e9triques. Les visualisations univari\u00e9es au moyen d’histogrammes enrichis de courbes d’estimation de densit\u00e9 par noyau gaussien offrent une premi\u00e8re appr\u00e9ciation de la distribution marginale de la performance acad\u00e9mique. De surcro\u00eet, le d\u00e9coupage de l’\u00e9chantillon en sous-classes ordinales de temps d’\u00e9tude (par exemple par tranches de dix heures) permet de calculer les \u00e9carts-types locaux des scores.<\/p>\n

Cette tabulation descriptive pr\u00e9liminaire met g\u00e9n\u00e9ralement en lumi\u00e8re un accroissement monotone de l’\u00e9cart-type empirique le long des strates successives de temps d’apprentissage : alors que l’\u00e9cart-type peut \u00eatre inf\u00e9rieur \u00e0 3 points pour le groupe des \u00e9tudiants ayant r\u00e9vis\u00e9 moins de dix heures, il atteint fr\u00e9quemment plus de 12 \u00e0 15 points pour la tranche sup\u00e9rieure d\u00e9passant trente heures d’entra\u00eenement. Ce constat visuel et quantitatif primitif constitue le signal d’alerte classique incitant l’analyste chevronn\u00e9 \u00e0 suspecter une rupture flagrante du postulat d’homog\u00e9n\u00e9it\u00e9 de la variance.<\/p>\n

5. Ajustement du mod\u00e8le de r\u00e9gression lin\u00e9aire simple ordinaire (OLS)<\/h2>\n

5.1 Impl\u00e9mentation de l’ajustement de base via la fonction lm()<\/h3>\n

L’ajustement canonique du mod\u00e8le de r\u00e9gression lin\u00e9aire ordinaire s’effectue dans R au moyen de la fonction native lm()<\/code> (pour Linear Model<\/em>). Cette fonction fait appel en arri\u00e8re-plan \u00e0 une d\u00e9composition QR de la matrice de conception X<\/em>, assurant une remarquable stabilit\u00e9 num\u00e9rique face aux risques de quasi-colin\u00e9arit\u00e9. La formulation syntaxique standard adopte l’\u00e9criture symbolique score ~ hours<\/code>, dans laquelle le symbole tilde dissocie la variable d\u00e9pendante des termes pr\u00e9dicteurs, l’interception \u00e0 l’origine \u00e9tant implicitement int\u00e9gr\u00e9e sauf instruction contraire explicite.<\/p>\n

L’ex\u00e9cution de cette commande instancie en m\u00e9moire un objet de classe lm<\/code> renfermant l’ensemble des composantes analytiques du mod\u00e8le : les coefficients de r\u00e9gression estim\u00e9s, le vecteur des valeurs pr\u00e9dites, la matrice des r\u00e9sidus ordinaires ainsi que la table de d\u00e9composition des sommes de carr\u00e9s n\u00e9cessaires \u00e0 l’analyse de variance.<\/p>\n

L’affichage structur\u00e9 des r\u00e9sultats d’ajustement est traditionnellement sollicit\u00e9 via la commande summary()<\/code>. Ce rapport statistique pr\u00e9sente de mani\u00e8re synth\u00e9tique les quartiles de la distribution des r\u00e9sidus ordinaires, la table des coefficients incluant les estimations ponctuelles, leurs erreurs-types non corrig\u00e9es, les statistiques t<\/em> associ\u00e9es ainsi que les p<\/em>-valeurs bilat\u00e9rales correspondantes, et s’ach\u00e8ve par le rappel de l’\u00e9cart-type r\u00e9siduel global (Residual Standard Error<\/em>) et des coefficients de d\u00e9termination R2<\/sup><\/em> brut et ajust\u00e9.<\/p>\n

5.2 Interpr\u00e9tation des coefficients non corrig\u00e9s<\/h3>\n

\u00c0 l’issue de l’estimation par les moindres carr\u00e9s ordinaires, les param\u00e8tres du mod\u00e8le d\u00e9crivent la trajectoire moyenne de la performance en fonction de l’effort consenti. Le coefficient associ\u00e9 \u00e0 la constante (l’ordonn\u00e9e \u00e0 l’origine) repr\u00e9sente la performance moyenne estim\u00e9e pour un \u00e9tudiant n’ayant consacr\u00e9 aucune heure de travail \u00e0 la pr\u00e9paration du test. Dans le cadre de notre simulation th\u00e9orique, cette valeur s’\u00e9tablit g\u00e9n\u00e9ralement aux alentours de 35 points, traduisant le niveau de comp\u00e9tence r\u00e9siduel ou la part de r\u00e9ussite accessible par simple d\u00e9duction logique spontan\u00e9e.<\/p>\n

Le coefficient de r\u00e9gression affect\u00e9 \u00e0 la variable hours<\/code> quantifie quant \u00e0 lui la pente moyenne du mod\u00e8le empirique : il indique de combien d’unit\u00e9s de score augmente, en moyenne d’\u00e9chantillon, la performance de l’\u00e9tudiant pour chaque tranche horaire suppl\u00e9mentaire de r\u00e9vision. Si ce coefficient s’\u00e9l\u00e8ve par exemple \u00e0 environ 1,40 point par heure, l’\u00e9tudiant ayant accompli vingt heures de r\u00e9vision suppl\u00e9mentaire verra son score attendu s’accro\u00eetre en moyenne de 28 points. Le test t<\/em> associ\u00e9 affiche une significativit\u00e9 statistique \u00e9clatante (avec une valeur de p<\/em> g\u00e9n\u00e9ralement tr\u00e8s inf\u00e9rieure au seuil alpha conventionnel de 0,001), incitant le praticien na\u00eff \u00e0 conclure imm\u00e9diatement \u00e0 la validit\u00e9 indiscutable de son \u00e9quation pr\u00e9dictive.<\/p>\n

L’appel \u00e0 la fonction confint()<\/code> permet de d\u00e9limiter les intervalles de confiance param\u00e9triques conventionnels \u00e0 95 % autour de ces estimations de coefficients. Cependant, en d\u00e9pit de leur \u00e9l\u00e9gance formelle, ces intervalles sont potentiellement fallacieux. Dans la mesure o\u00f9 le calcul de l’erreur-type SE(\u03b2\u0302)<\/em> utilise un estimateur global unique de la variance des perturbations s2<\/sup><\/em>, les erreurs-types affich\u00e9es partent du postulat non v\u00e9rifi\u00e9 que l’incertitude autour de la ligne de r\u00e9gression est rigoureusement identique pour un novice complet affichant deux heures au compteur et pour un \u00e9tudiant acharn\u00e9 totalisant quarante heures de r\u00e9vision intensive.<\/p>\n

5.3 Extraction des composantes r\u00e9siduelles du mod\u00e8le<\/h3>\n

Pour diagnostiquer la validit\u00e9 empirique des hypoth\u00e8ses de mod\u00e9lisation, il est imp\u00e9ratif d’extraire les grandeurs calcul\u00e9es observation par observation et de les adjoindre formellement \u00e0 la matrice de donn\u00e9es originale. La fonction g\u00e9n\u00e9rique residuals()<\/code> isole le vecteur colonne des r\u00e9sidus ordinaires d’\u00e9chantillon, d\u00e9finis math\u00e9matiquement pour chaque individu par l’\u00e9cart arithm\u00e9tique ei<\/sub> = Yi<\/sub> – Y\u0302i<\/sub><\/em>.<\/p>\n

Conjointement, l’application de la fonction fitted()<\/code> permet de r\u00e9cup\u00e9rer le vecteur des valeurs ajust\u00e9es conditionnelles Y\u0302i<\/sub> = \u03b2\u03020<\/sub> + \u03b2\u03021<\/sub> Xi<\/sub><\/em>, repr\u00e9sentant la projection orthogonale des points observ\u00e9s sur l’hyperplan ajust\u00e9 par les moindres carr\u00e9s. L’int\u00e9gration de ces deux vecteurs au sein du tableau de bord d’analyse s’effectue ais\u00e9ment via des op\u00e9rations d’assignation directe ou par l’entremise de la fonction mutate()<\/code> du paquet dplyr<\/code>.<\/p>\n

Une propri\u00e9t\u00e9 math\u00e9matique \u00e9l\u00e9mentaire mais essentielle de l’estimateur OLS standard est la contrainte alg\u00e9brique selon laquelle la somme des r\u00e9sidus ordinaires (et par cons\u00e9quent leur moyenne arithm\u00e9tique simple) est rigoureusement nulle : \u2211i=1<\/sub>n<\/sup> ei<\/sub> = 0<\/em>, d\u00e8s lors qu’un terme d’interception constante est incorpor\u00e9 dans la matrice de conception. Cette v\u00e9rification num\u00e9rique triviale confirme le bon d\u00e9roulement algorithmique de l’optimisation, mais elle ne dit absolument rien de la constance de la dispersion de ces m\u00eames r\u00e9sidus sur l’axe des abscisses.<\/p>\n

6. Diagnostic statistique et graphique de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sous R<\/h2>\n

6.1 Exploration visuelle des r\u00e9sidus du mod\u00e8le lin\u00e9aire<\/h3>\n

La mise en \u00e9vidence de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 repose sur la construction d’une visualisation graphique explicite reliant les r\u00e9sidus ordinaires aux valeurs ajust\u00e9es. Au moyen du moteur de rendu graphique ggplot2<\/code>, l’analyste trace un nuage de points o\u00f9 l’axe des abscisses consigne les valeurs pr\u00e9dites Y\u0302i<\/sub><\/em> et l’axe des ordonn\u00e9es porte les r\u00e9sidus ei<\/sub><\/em>. L’adjonction d’une ligne de r\u00e9f\u00e9rence horizontale discontinue \u00e0 y = 0<\/em> sert de rep\u00e8re de sym\u00e9trie fondamentale.<\/p>\n

Pour d\u00e9passer la simple subjectivit\u00e9 visuelle, il est m\u00e9thodologiquement recommand\u00e9 de superposer \u00e0 ce nuage de points une courbe de lissage non param\u00e9trique locale de type LOESS (Locally Estimated Scatterplot Smoothing<\/em>). Si la trajectoire centrale du lissage LOESS doit demeurer rectiligne et accol\u00e9e au z\u00e9ro d’ordonn\u00e9e (attestant de la lin\u00e9arit\u00e9 globale de la relation sous-jacente), ce sont les fronti\u00e8res sup\u00e9rieure et inf\u00e9rieure de l’enveloppe de dispersion des points qui focalisent toute l’attention.<\/p>\n

L’apparition manifeste d’une forme en entonnoir \u00e9vas\u00e9 vers la droite mat\u00e9rialise l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 : pour les faibles valeurs ajust\u00e9es de performance, la bande de r\u00e9sidus est extr\u00eamement \u00e9troite, s’\u00e9tendant par exemple de -4 \u00e0 +4 points autour du z\u00e9ro. En progressant vers les pr\u00e9dictions de score \u00e9lev\u00e9es, l’amplitude des r\u00e9sidus explose pour franchir des bornes oscillant entre -25 et +30 points. Ce graphique diagnostique prouve sans \u00e9quivoque que la dispersion conditionnelle de l’erreur est intimement corr\u00e9l\u00e9e au niveau de la performance attendue, violant frontalement le postulat de variance constante.<\/p>\n

\"\"<\/figure>\n

6.2 Application rigoureuse des tests statistiques sous R<\/h3>\n

Pour corroborer formellement les constats issus de l’exploration graphique, l’analyste d\u00e9ploie les tests d’hypoth\u00e8se d\u00e9di\u00e9s disponibles au sein du paquet lmtest<\/code>. L’appel \u00e0 la fonction bptest()<\/code> permet d’ex\u00e9cuter de fa\u00e7on standard le test de Breusch-Pagan studentis\u00e9 (impl\u00e9mentation de Koenker). La syntaxe prend directement en argument l’objet de r\u00e9gression ols_model<\/code> :<\/p>\n

library(lmtest)
\nbptest(ols_model)
\n<\/code><\/p>\n

Le r\u00e9sultat retourn\u00e9 par la console R fournit la valeur num\u00e9rique de la statistique du test du multiplicateur de Lagrange (not\u00e9e BP<\/em>), le nombre de degr\u00e9s de libert\u00e9 associ\u00e9 (\u00e9gal au nombre de r\u00e9gresseurs non constants test\u00e9s, soit 1 dans le cas pr\u00e9sent), et la p<\/em>-valeur asymptotique calcul\u00e9e sous la loi du Chi-deux. L’obtention d’une valeur p<\/em> substantiellement inf\u00e9rieure aux seuils critiques usuels (typiquement p < 0.001<\/em>) impose le rejet formel et sans appel de l’hypoth\u00e8se nulle d’homosc\u00e9dasticit\u00e9 au profit de l’hypoth\u00e8se alternative d’une variance d’erreur d\u00e9pendante des covariables.<\/p>\n

Dans les configurations o\u00f9 l’on souhaite tester une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 fonctionnelle non lin\u00e9aire sans formuler de restriction d’ordre 1, le test de White g\u00e9n\u00e9ralis\u00e9 peut \u00eatre ex\u00e9cut\u00e9 au moyen de la m\u00eame fonction bptest()<\/code>, en fournissant une formule auxiliaire quadratique \u00e9tendue incluant le terme au carr\u00e9 de la variable pr\u00e9dictive :<\/p>\n

bptest(ols_model, ~ hours + I(hours^2), data = df)
\n<\/code><\/p>\n

La convergence de ces diff\u00e9rentes \u00e9preuves inf\u00e9rentielles vers un rejet hautement significatif de l’invariance de dispersion apporte la justification scientifique imp\u00e9rative n\u00e9cessaire \u00e0 l’abandon du mod\u00e8le OLS au profit d’un r\u00e9ajustement par les moindres carr\u00e9s pond\u00e9r\u00e9s.<\/p>\n

6.3 Analyse de la structure de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/h3>\n

Le rejet de l’homosc\u00e9dasticit\u00e9 accompli, l’\u00e9tape analytique cons\u00e9cutive consiste \u00e0 \u00e9lucider la forme math\u00e9matique qui lie l’amplitude de la dispersion r\u00e9siduelle au pr\u00e9dicteur hours<\/code>. L’\u00e9cart-type des perturbations \u03c3i<\/sub><\/em> augmente-t-il de mani\u00e8re proportionnellement lin\u00e9aire avec le temps d’\u00e9tude, ou suit-il plut\u00f4t une cin\u00e9tique exponentielle, logarithmique ou polynomiale d’ordre sup\u00e9rieur ?<\/p>\n

D’un point de vue psychom\u00e9trique, une variabilit\u00e9 r\u00e9siduelle proportionnelle au niveau de l’effort d’apprentissage s’interpr\u00e8te comme l’expression d’un d\u00e9verrouillage de potentiel diff\u00e9renci\u00e9. Lorsque les \u00e9tudiants ne travaillent pas, leurs comp\u00e9tences individuelles latentes demeurent inexprim\u00e9es, brid\u00e9es par l’ignorance pure du mat\u00e9riel d’examen ; l’al\u00e9a r\u00e9siduel est donc contraint et minimal. D\u00e8s lors que l’apprentissage s’intensifie, le temps d’\u00e9tude agit comme un catalyseur r\u00e9v\u00e9lant les capacit\u00e9s intrins\u00e8ques et la plasticit\u00e9 cognitive diff\u00e9rentielle des individus : certains progressent \u00e0 une cadence fulgurante tandis que d’autres butent sur des paliers conceptuels ardus, induisant un \u00e9ventail de r\u00e9sultats de plus en plus dispers\u00e9.<\/p>\n

La clarification de cette relation fonctionnelle est d\u00e9terminante car elle oriente directement le choix de l’algorithme d’estimation des poids analytiques. Si la variance Var(\u03b5i<\/sub>)<\/em> est mod\u00e9lisable comme une fonction puissance de la variable ind\u00e9pendante de la forme \u03c3i<\/sub>2<\/sup> = \u03c32<\/sup> \u00d7 Xi<\/sub>\u03b3<\/sup><\/em>, ou si elle suit une expansion exponentielle \u03c3i<\/sub>2<\/sup> = \u03c32<\/sup> \u00d7 exp(\u03b3 Xi<\/sub>)<\/em>, la proc\u00e9dure d’extraction des estimateurs de variance pr\u00e9liminaires ne sera pas identique. Une mod\u00e9lisation approximative de la structure d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 d\u00e9gradera la pr\u00e9cision des poids calcul\u00e9s et r\u00e9duira les gains th\u00e9oriques d’efficacit\u00e9 statistique attendus de la r\u00e9gression pond\u00e9r\u00e9e.<\/p>\n

7. M\u00e9thodologie d’estimation et calcul des poids analytiques<\/h2>\n

7.1 Approche fond\u00e9e sur les r\u00e9sidus absolus de la r\u00e9gression OLS<\/h3>\n

La premi\u00e8re strat\u00e9gie classique d’estimation des poids analytiques dans le cadre des moindres carr\u00e9s pond\u00e9r\u00e9s r\u00e9alisables repose sur la mod\u00e9lisation directe des valeurs absolues des r\u00e9sidus ordinaires issus du premier ajustement OLS. Dans la mesure o\u00f9 l’esp\u00e9rance math\u00e9matique de la valeur absolue d’une variable al\u00e9atoire normale d’\u00e9cart-type \u03c3i<\/sub><\/em> est proportionnelle \u00e0 cet \u00e9cart-type selon la constante E(|\u03b5i<\/sub>|) = \u03c3i<\/sub> \u00d7 \u221a(2\/\u03c0)<\/em>, les r\u00e9sidus bruts en valeur absolue |ei<\/sub>|<\/em> constituent un estimateur empirique non biais\u00e9 (\u00e0 un facteur scalaire pr\u00e8s) de la dispersion locale d’\u00e9chantillonnage.<\/p>\n

L’impl\u00e9mentation algorithmique de cette approche se d\u00e9ploie en quatre \u00e9tapes s\u00e9quentielles :<\/p>\n

1. Extraction du vecteur des r\u00e9sidus absolus \u00e0 partir du mod\u00e8le non corrig\u00e9 : abs_res <- abs(residuals(ols_model))<\/code>.
\n2. Ajustement d’une r\u00e9gression lin\u00e9aire auxiliaire r\u00e9gressant ces r\u00e9sidus absolus sur la variable explicative continue : aux_model <- lm(abs_res ~ hours, data = df)<\/code>.
\n3. Calcul des valeurs ajust\u00e9es issues de ce mod\u00e8le secondaire, qui fournissent une estimation mod\u00e9lis\u00e9e et liss\u00e9e de l’\u00e9cart-type d’erreur pour chaque individu : sigma_hat <- fitted(aux_model)<\/code>.
\n4. D\u00e9rivation du vecteur de pond\u00e9ration wi<\/sub><\/em> par inversion et \u00e9l\u00e9vation au carr\u00e9 de ces \u00e9carts-types pr\u00e9dits : weights_abs <- 1 \/ (sigma_hat^2)<\/code>.<\/p>\n

Une vigilance math\u00e9matique absolue s’impose lors de l’application de cette m\u00e9thode : il convient de v\u00e9rifier imp\u00e9rativement que l’ensemble des valeurs de sigma_hat<\/code> pr\u00e9dites par le mod\u00e8le auxiliaire sont strictement positives. Si la droite auxiliaire venait \u00e0 intercepter l’axe horizontal pour les petites valeurs de la variable pr\u00e9dictive, elle engendrerait des pr\u00e9dictions d’\u00e9carts-types n\u00e9gatives ou nulles, ce qui conduirait \u00e0 des poids infinis ou d\u00e9nu\u00e9s de signification physique, provoquant le plantage imm\u00e9diat de l’optimiseur num\u00e9rique sous R.<\/p>\n

7.2 Approche fond\u00e9e sur le logarithme des r\u00e9sidus au carr\u00e9<\/h3>\n

Pour contourner d\u00e9finitivement l’\u00e9cueil des variances pr\u00e9dites n\u00e9gatives et conf\u00e9rer une robustesse statistique sup\u00e9rieure \u00e0 la proc\u00e9dure d’estimation, la mod\u00e9lisation logarithmique propos\u00e9e initialement par Harvey (1976) repr\u00e9sente la m\u00e9thodologie de r\u00e9f\u00e9rence la plus \u00e9l\u00e9gante. Elle part du principe que la variance conditionnelle peut \u00eatre avantageusement exprim\u00e9e sous une forme exponentielle multiplicative : \u03c3i<\/sub>2<\/sup> = exp(\u03b30<\/sub> + \u03b31<\/sub> Xi<\/sub>)<\/em>.<\/p>\n

En appliquant la transformation logarithmique n\u00e9p\u00e9rienne aux carr\u00e9s des r\u00e9sidus ordinaires, on lin\u00e9arise l’\u00e9quation structurelle de dispersion :<\/p>\n

ln(ei<\/sub>2<\/sup>) = \u03b30<\/sub> + \u03b31<\/sub> Xi<\/sub> + ui<\/sub><\/em><\/p>\n

L’ajustement de ce mod\u00e8le auxiliaire s’ex\u00e9cute dans R par la commande syntaxique suivante :<\/p>\n

log_res2 <- log(residuals(ols_model)^2)
\naux_log_model <- lm(log_res2 ~ hours, data = df)
\n<\/code><\/p>\n

L’obtention des estimations de variance mod\u00e9lis\u00e9e \u03c3\u0302i<\/sub>2<\/sup><\/em> s’op\u00e8re ensuite en appliquant la fonction exponentielle aux valeurs pr\u00e9dites issues de cette r\u00e9gression secondaire : fitted_variance <- exp(fitted(aux_log_model))<\/code>. La transformation exponentielle garantit par construction alg\u00e9brique stricte que la variance pr\u00e9dite demeure positive sur l’int\u00e9gralit\u00e9 du domaine de d\u00e9finition, \u00e9liminant tout risque de valeurs aberrantes nulles ou n\u00e9gatives.<\/p>\n

Le vecteur final de pond\u00e9ration analytique est alors instantan\u00e9ment obtenu par l’inversion arithm\u00e9tique :<\/p>\n

weights_log <- 1 \/ exp(fitted(aux_log_model))
\n<\/code><\/p>\n

Cette m\u00e9thode stabilise remarquablement le comportement des poids aux extr\u00e9mit\u00e9s de la distribution et pr\u00e9serve le mod\u00e8le des influences disproportionn\u00e9es d’observations ponctuelles excessivement volatiles.<\/p>\n

7.3 Pond\u00e9ration par variance empirique de sous-groupes<\/h3>\n

Une troisi\u00e8me approche empirique d’attribution des poids, particuli\u00e8rement appr\u00e9ci\u00e9e en psychologie exp\u00e9rimentale lorsque la variable pr\u00e9dictive est discr\u00e8te ou organis\u00e9e en facteurs cat\u00e9goriels pr\u00e9sentant de multiples r\u00e9plications par modalit\u00e9, consiste \u00e0 calculer directement la variance intra-groupe empirique pour chaque sous-\u00e9chantillon. Supposons que le temps de pr\u00e9paration ait \u00e9t\u00e9 mesur\u00e9 non pas de fa\u00e7on continue fine, mais selon des conditions exp\u00e9rimentales fix\u00e9es \u00e0 5, 10, 20 et 40 heures, chaque groupe comportant un effectif suffisant de participants.<\/p>\n

Sous cette configuration exp\u00e9rimentale, l’analyste n’a pas besoin de supposer une forme param\u00e9trique sp\u00e9cifique reliant la variance au r\u00e9gresseur. Au moyen des fonctions d’agr\u00e9gation de dplyr<\/code>, on calcule pour chaque modalit\u00e9 j<\/em> la variance d’\u00e9chantillon non biais\u00e9e sj<\/sub>2<\/sup> = \u2211 (Yij<\/sub> – Y\u0304j<\/sub>)2<\/sup> \/ (nj<\/sub> – 1)<\/em>. Chaque participant appartenant au groupe j<\/em> se voit alors assigner de fa\u00e7on rigide un poids d’observation \u00e9gal \u00e0 l’inverse exact de la variance mesur\u00e9e au sein de son propre sous-groupe : wij<\/sub> = 1 \/ sj<\/sub>2<\/sup><\/em>.<\/p>\n

Si cette m\u00e9thode pr\u00e9sente l’avantage s\u00e9duisant de l’agnosticisme fonctionnel complet, elle rec\u00e8le des \u00e9cueils consid\u00e9rables lorsque les effectifs locaux sont r\u00e9duits (par exemple moins de 15 \u00e0 20 observations par strate). Dans ce contexte d’\u00e9chantillonnage t\u00e9nu, l’estimateur de la variance d’\u00e9chantillon sj<\/sub>2<\/sup><\/em> est lui-m\u00eame affect\u00e9 d’une forte variance d’\u00e9chantillonnage ; des fluctuations stochastiques al\u00e9atoires peuvent rendre un groupe artificiellement compact, lui assignant un poids d\u00e9mesur\u00e9 qui distordra la r\u00e9gression globale. En pr\u00e9sence d’un r\u00e9gresseur continu comme le temps d’\u00e9tude de notre exemple, l’approche semi-param\u00e9trique fond\u00e9e sur le logarithme des r\u00e9sidus au carr\u00e9 demeure incontestablement la d\u00e9marche la plus stable, la plus reproductible et la plus scientifiquement d\u00e9fendable.<\/p>\n

8. Ajustement et ex\u00e9cution du mod\u00e8le de moindres carr\u00e9s pond\u00e9r\u00e9s sous R<\/h2>\n

8.1 Utilisation de l’argument weights dans la commande lm()<\/h3>\n

L’estimation concr\u00e8te du mod\u00e8le de r\u00e9gression par les moindres carr\u00e9s pond\u00e9r\u00e9s s’ex\u00e9cute dans R avec une fluidit\u00e9 d\u00e9concertante gr\u00e2ce \u00e0 l’argument natif weights<\/code> int\u00e9gr\u00e9 au c\u0153ur de la fonction lm()<\/code>. Cet argument attend un vecteur num\u00e9rique de longueur strictement \u00e9gale au nombre d’observations du jeu de donn\u00e9es, compos\u00e9 exclusivement de valeurs r\u00e9elles finies et strictement positives.<\/p>\n

La syntaxe op\u00e9rationnelle s’\u00e9crit formellement comme suit :<\/p>\n

wls_model <- lm(score ~ hours, data = df, weights = weights_log)
\n<\/code><\/p>\n

D\u00e8s lors que cet argument est renseign\u00e9, le compilateur interne de R modifie son algorithme d’optimisation matricielle. Plut\u00f4t que d’appliquer la d\u00e9composition orthogonale QR directement \u00e0 la matrice originale X<\/em> et au vecteur Y<\/em>, il op\u00e8re un r\u00e9\u00e9chelonnement pr\u00e9alable de chaque vecteur de ligne en les multipliant par la racine carr\u00e9e des coefficients de pond\u00e9ration, soit X* = W1\/2<\/sup> X<\/em> et Y* = W1\/2<\/sup> Y<\/em>, avant de r\u00e9soudre le syst\u00e8me lin\u00e9aire par d\u00e9composition standard.<\/p>\n

Il est imp\u00e9ratif de souligner un d\u00e9tail computationnel fondamental propre \u00e0 R : les poids fournis dans l’argument weights<\/code> sont interpr\u00e9t\u00e9s comme \u00e9tant inversement proportionnels aux variances des erreurs d’observation, et non pas<\/em> aux \u00e9carts-types. Toute inadvertance consistant \u00e0 injecter l’inverse des \u00e9carts-types r\u00e9siduels 1 \/ \u03c3\u0302i<\/sub><\/em> en lieu et place de l’inverse des variances 1 \/ \u03c3\u0302i<\/sub>2<\/sup><\/em> conduirait \u00e0 une sous-correction s\u00e9v\u00e8re de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, divisant par deux l’ajustement requis sur la matrice d’\u00e9chelle.<\/p>\n

8.2 Examen du sommaire statistique du mod\u00e8le WLS<\/h3>\n

L’interrogation de l’objet wls_model<\/code> au moyen de la commande g\u00e9n\u00e9rique summary(wls_model)<\/code> d\u00e9voile les r\u00e9ajustements structurels majeurs op\u00e9r\u00e9s par la m\u00e9thode WLS. D\u00e8s la premi\u00e8re ligne du compte rendu, le sommaire indique que les r\u00e9sidus affich\u00e9s ne sont plus les \u00e9carts simples ei<\/sub><\/em>, mais les r\u00e9sidus pond\u00e9r\u00e9s, d\u00e9finis par ei<\/sub>* = \u221awi<\/sub> \u00d7 (Yi<\/sub> – Y\u0302i<\/sub>)<\/em>. Ces grandeurs transform\u00e9es doivent id\u00e9alement pr\u00e9senter une sym\u00e9trie presque parfaite autour de z\u00e9ro, illustr\u00e9e par une m\u00e9diane r\u00e9siduelle approchant le z\u00e9ro et des quartiles sym\u00e9triquement espac\u00e9s.<\/p>\n

Au sein de la table des coefficients, l’analyste constate les modifications conjointes intervenues sur la droite estim\u00e9e. Les estimations ponctuelles de la constante \u03b2\u03020<\/sub><\/em> et de la pente \u03b2\u03021<\/sub><\/em> diff\u00e8rent de celles obtenues par l’ajustement OLS non corrig\u00e9 : le mod\u00e8le WLS a ajust\u00e9 la ligne pour qu’elle r\u00e9ponde prioritairement aux observations dot\u00e9es de fortes pond\u00e9rations (les \u00e9tudiants aux temps d’apprentissage r\u00e9duits pr\u00e9sentant des notes homog\u00e8nes), sans se laisser d\u00e9river par les \u00e9tudiants dispers\u00e9s aux temps d’\u00e9tude massifs.<\/p>\n

Simultan\u00e9ment, les erreurs-types estim\u00e9es associ\u00e9es \u00e0 chaque param\u00e8tre subissent une r\u00e9\u00e9valuation m\u00e9thodologique radicale. L’erreur-type de la pente est recalcul\u00e9e sur la base de la matrice de covariance restaur\u00e9e Var(\u03b2\u0302WLS<\/sub>) = sw<\/sub>2<\/sup> (XT<\/sup> W X)-1<\/sup><\/em>, o\u00f9 sw<\/sub>2<\/sup><\/em> repr\u00e9sente la somme des carr\u00e9s des r\u00e9sidus pond\u00e9r\u00e9s divis\u00e9e par les degr\u00e9s de libert\u00e9 r\u00e9siduels. Les statistiques de test t<\/em> et les p<\/em>-valeurs associ\u00e9es refl\u00e8tent d\u00e9sormais la pr\u00e9cision d’\u00e9chantillonnage th\u00e9orique optimale garantie par le th\u00e9or\u00e8me de Gauss-Markov sous son extension d’Aitken.<\/p>\n

8.3 Calcul des intervalles de confiance corrig\u00e9s<\/h3>\n

L’extraction des intervalles de confiance par la commande confint(wls_model, level = 0.95)<\/code> offre une perspective \u00e9clatante de la rentabilit\u00e9 m\u00e9thodologique de la proc\u00e9dure WLS. En restaurant la matrice de dispersion d’\u00e9chantillonnage ad\u00e9quate, l’algorithme g\u00e9n\u00e8re des bornes de confiance qui traduisent fid\u00e8lement l’incertitude param\u00e9trique \u00e9pur\u00e9e du bruit parasite provoqu\u00e9 par l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9.<\/p>\n

Lorsque l’on compare ces intervalles corrig\u00e9s aux intervalles d\u00e9livr\u00e9s par le mod\u00e8le lin\u00e9aire ordinaire, on rel\u00e8ve g\u00e9n\u00e9ralement une reconfiguration substantielle : la largeur totale de l’intervalle autour de la pente d’apprentissage peut se resserrer sensiblement si l’essentiel de l’\u00e9chantillon se concentre dans des r\u00e9gions de faible variance d’erreur, conf\u00e9rant au chercheur une certitude m\u00e9trologique accrue sur l’amplitude de l’effet d’apprentissage test\u00e9.<\/p>\n

Pour l’inf\u00e9rence des effets psychologiques, cette pr\u00e9cision restaur\u00e9e est d\u00e9terminante. Elle permet d’attester la significativit\u00e9 substantielle de l’accroissement des comp\u00e9tences sans risquer d’imputer ind\u00fbment au pr\u00e9dicteur une variabilit\u00e9 d’estimation qui ne relevait en r\u00e9alit\u00e9 que de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 stochastique des sous-populations \u00e9tudi\u00e9es, s\u00e9curisant ainsi les recommandations p\u00e9dagogiques ou cliniques tir\u00e9es des r\u00e9sultats du mod\u00e8le.<\/p>\n

9. Analyse comparative et validation crois\u00e9e des mod\u00e8les OLS et WLS<\/h2>\n

9.1 Comparaison directe des param\u00e8tres estim\u00e9s<\/h3>\n

Pour appr\u00e9hender avec clart\u00e9 la port\u00e9e des rectifications introduites par la pond\u00e9ration analytique, il est instructif de synth\u00e9tiser dans une table comparative directe les coefficients, leurs erreurs-types et les grandeurs inf\u00e9rentielles issues de chaque mod\u00e9lisation.<\/p>\n

Cette confrontation chiffr\u00e9e met en exergue l’\u00e9volution des erreurs-types : dans la plupart des contextes empiriques marqu\u00e9s par une variance croissante avec le r\u00e9gresseur, l’erreur-type de l’ordonn\u00e9e \u00e0 l’origine est notablement contract\u00e9e sous WLS, refl\u00e9tant l’abondance d’observations fiables et peu dispers\u00e9es au voisinage imm\u00e9diat de X = 0<\/em>. La pente peut quant \u00e0 elle voir son coefficient l\u00e9g\u00e8rement modul\u00e9 ; bien que l’estimateur OLS soit asymptotiquement sans biais, les fluctuations d’\u00e9chantillonnage locales d’un \u00e9chantillon fini de 100 observations entra\u00eenent toujours un ajustement ponctuel diff\u00e9renci\u00e9 d\u00e8s lors que l’on accorde une pr\u00e9s\u00e9ance math\u00e9matique aux points les plus pr\u00e9cis.<\/p>\n

Sur le plan des conclusions scientifiques, une telle comparaison atteste de la stabilit\u00e9 substantielle des r\u00e9sultats : si la pente demeure hautement significative sous les deux prismes m\u00e9thodologiques, le mod\u00e8le WLS conf\u00e8re \u00e0 l’affirmation scientifique une robustesse math\u00e9matique irr\u00e9prochable face aux exigences de publication des comit\u00e9s de lecture internationaux les plus stricts.<\/p>\n

9.2 Interpr\u00e9tation prudente des m\u00e9triques de qualit\u00e9 d’ajustement<\/h3>\n

L’un des pi\u00e8ges m\u00e9thodologiques les plus redoutables dans lesquels tr\u00e9buchent couramment les chercheurs r\u00e9side dans la tentative de comparaison directe du coefficient de d\u00e9termination R2<\/sup><\/em> fourni respectivement par le sommaire du mod\u00e8le OLS et par celui du mod\u00e8le WLS. Dans le sommaire d’un objet WLS sous R, le R2<\/sup><\/em> affich\u00e9 est calcul\u00e9 sur les donn\u00e9es transform\u00e9es et pond\u00e9r\u00e9es, selon la formule :<\/p>\n

Rw<\/sub>2<\/sup> = 1 – ( \u2211 wi<\/sub> (Yi<\/sub> – Y\u0302i<\/sub>)2<\/sup> ) \/ ( \u2211 wi<\/sub> (Yi<\/sub> – Y\u0304w<\/sub>)2<\/sup> )<\/em><\/p>\n

Cette statistique mesure la proportion de variance pond\u00e9r\u00e9e expliqu\u00e9e par le mod\u00e8le pond\u00e9r\u00e9 au sein de l’espace g\u00e9om\u00e9trique transform\u00e9. Elle n’est en aucun cas comparable arithm\u00e9tiquement au R2<\/sup><\/em> standard du mod\u00e8le OLS, qui quantifie la proportion de variance brute non pond\u00e9r\u00e9e expliqu\u00e9e sur l’\u00e9chelle originale de la variable d\u00e9pendante. Vouloir juger de la sup\u00e9riorit\u00e9 d’un ajustement WLS sur un mod\u00e8le OLS en comparant leurs R2<\/sup><\/em> respectifs constitue un contresens th\u00e9orique majeur.<\/p>\n

Pour arbitrer objectivement entre mod\u00e8les sur l’\u00e9chelle originale de mesure, l’analyste doit calculer des grandeurs invariantes telles que l’erreur quadratique moyenne pr\u00e9dictive brute (RMSE, pour Root Mean Squared Error<\/em>) d\u00e9finie par \u221a[ (1\/n) \u2211 (Yi<\/sub> – Y\u0302i<\/sub>)2<\/sup> ]<\/em>, \u00e9valu\u00e9e en appliquant les deux \u00e9quations de pr\u00e9diction directement aux scores observ\u00e9s non transform\u00e9s. Concernant les crit\u00e8res d’information th\u00e9orique d’Akaike (AIC<\/a>) et bay\u00e9sien (BIC), leur utilisation comparative entre OLS et WLS exige une pr\u00e9caution algorithmique extr\u00eame : il faut s’assurer que la fonction de log-vraisemblance int\u00e8gre formellement le terme de normalisation du Jacobien li\u00e9 \u00e0 la transformation par les poids, condition indispensable pour que les log-vraisemblances soient \u00e9valu\u00e9es sur un espace de probabilit\u00e9 strictement identique.<\/p>\n

9.3 Diagnostic de r\u00e9sidus pond\u00e9r\u00e9s standardis\u00e9s<\/h3>\n

L’\u00e9tape ultime de la validation crois\u00e9e consiste \u00e0 administrer au mod\u00e8le WLS les m\u00eames \u00e9preuves diagnostiques que celles ayant conduit au rejet initial de la r\u00e9gression ordinaire. Pour ce faire, l’analyste extrait les r\u00e9sidus standardis\u00e9s de Pearson propres au mod\u00e8le pond\u00e9r\u00e9 en exploitant la commande rstandard(wls_model)<\/code>.<\/p>\n

La projection graphique de ces r\u00e9sidus pond\u00e9r\u00e9s standardis\u00e9s face aux valeurs pr\u00e9dites doit r\u00e9v\u00e9ler une transformation morphologique \u00e9clatante : l’ancien motif en entonnoir \u00e9vas\u00e9 qui caract\u00e9risait les r\u00e9sidus ordinaires a d\u00e9sormais totalement disparu au profit d’un nuage de points parfaitement stationnaire, uniform\u00e9ment confin\u00e9 au sein d’une bande de largeur constante comprise typiquement entre -2 et +2 sur toute l’\u00e9tendue de l’axe horizontal.<\/p>\n

L’application d’un nouveau test de Breusch-Pagan appliqu\u00e9 aux r\u00e9sidus standardis\u00e9s transform\u00e9s vient sceller cette validation num\u00e9rique en d\u00e9livrant une p<\/em>-valeur largement non significative (par exemple p > 0.40<\/em>). Cette absence de rejet de l’hypoth\u00e8se nulle prouve avec \u00e9clat que la structure d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 qui viciait le mod\u00e8le d’origine a \u00e9t\u00e9 neutralis\u00e9e avec succ\u00e8s par le sch\u00e9ma de pond\u00e9ration calcul\u00e9, conf\u00e9rant \u00e0 la mod\u00e9lisation finale son plein statut d’optimalit\u00e9 statistique.<\/p>\n

10. Approches it\u00e9ratives et extensions avanc\u00e9es sous R<\/h2>\n

10.1 Les moindres carr\u00e9s pond\u00e9r\u00e9s it\u00e9ratifs (IRLS)<\/h3>\n

Bien que la proc\u00e9dure d’estimation des poids en deux \u00e9tapes (FGLS) d\u00e9taill\u00e9e pr\u00e9c\u00e9demment fournisse des r\u00e9sultats asymptotiquement coh\u00e9rents, elle pr\u00e9sente l’inconv\u00e9nient d’asservir la pond\u00e9ration finale aux seuls r\u00e9sidus du mod\u00e8le OLS d’origine, qui sont eux-m\u00eames affect\u00e9s d’inefficacit\u00e9 statistique. L’algorithme des moindres carr\u00e9s pond\u00e9r\u00e9s it\u00e9ratifs (IRLS, pour Iteratively Reweighted Least Squares<\/em><\/a>) pousse la logique math\u00e9matique \u00e0 son terme en instaurant un processus d’actualisation r\u00e9ciproque en boucle ferm\u00e9e.<\/p>\n

Le protocole algorithmique de l’IRLS se d\u00e9ploie selon le cycle suivant :<\/p>\n

1. Ajustement initial par moindres carr\u00e9s ordinaires pour obtenir une premi\u00e8re s\u00e9rie de r\u00e9sidus e(0)<\/sup><\/em>.
\n2. Estimation des poids initiaux w(1)<\/sup> = f(e(0)<\/sup>)<\/em> au moyen de la mod\u00e9lisation de la variance retenue.
\n3. R\u00e9ajustement de la r\u00e9gression lin\u00e9aire pond\u00e9r\u00e9e avec ces nouveaux poids pour d\u00e9river de nouveaux coefficients \u03b2(1)<\/sup><\/em>.
\n4. Calcul des nouveaux r\u00e9sidus issus de ce mod\u00e8le r\u00e9ajust\u00e9 : e(1)<\/sup> = Y – X\u03b2(1)<\/sup><\/em>.
\n5. R\u00e9-estimation d’une nouvelle matrice de pond\u00e9ration w(2)<\/sup> = f(e(1)<\/sup>)<\/em>, et r\u00e9p\u00e9tition du processus d’it\u00e9ration jusqu’\u00e0 ce que la diff\u00e9rence relative entre les coefficients des \u00e9tapes successives ||\u03b2(k+1)<\/sup> – \u03b2(k)||<\/sup><\/em> devienne inf\u00e9rieure \u00e0 un seuil de convergence infinit\u00e9simal pr\u00e9d\u00e9termin\u00e9 (par exemple 10-6<\/sup><\/em>).<\/p>\n

Sous R, l’IRLS constitue le c\u0153ur moteur de la fonction rlm()<\/code> disponible au sein du paquet MASS<\/code>, fr\u00e9quemment mobilis\u00e9e dans le cadre de la r\u00e9gression robuste face aux valeurs aberrantes (via les fonctions de perte de Huber ou de bisquare de Tukey). Dans ces extensions robustes, la pond\u00e9ration ne vise pas uniquement \u00e0 mod\u00e9liser une variance h\u00e9t\u00e9rosc\u00e9dastique continue, mais \u00e0 \u00e9craser de mani\u00e8re it\u00e9rative le levier d’observations extr\u00eames atypiques suspect\u00e9es d’appartenir \u00e0 une distribution d’erreur contamin\u00e9e.<\/p>\n

10.2 Alternative par erreurs-types robustes (HC \/ Newey-West)<\/h3>\n

L’adoption des moindres carr\u00e9s pond\u00e9r\u00e9s impose \u00e0 l’analyste un choix de mod\u00e9lisation explicite sur la forme fonctionnelle r\u00e9gissant l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 de variance. Une alternative m\u00e9thodologique largement r\u00e9pandue en \u00e9conom\u00e9trie et de plus en plus populaire en psychologie consiste \u00e0 conserver int\u00e9gralement l’estimation des coefficients de pente non pond\u00e9r\u00e9s OLS \u03b2\u0302OLS<\/sub><\/em>, tout en substituant \u00e0 l’erreur-type conventionnelle une estimation robuste issue d’un estimateur sandwich h\u00e9t\u00e9rosc\u00e9dastique-coh\u00e9rent (HC).<\/p>\n

Le paquet sandwich<\/code>, d\u00e9velopp\u00e9 par Achim Zeileis, met \u00e0 disposition la fonction vcovHC()<\/code> qui permet d’extraire instantan\u00e9ment diverses variantes de ces matrices de covariance corrig\u00e9es :<\/p>\n

library(sandwich)
\nlibrary(lmtest)
\ncoeftest(ols_model, vcov = vcovHC(ols_model, type = \"HC3\"))
\n<\/code><\/p>\n

La correction de type HC3<\/code> (recommand\u00e9e par Long et Ervin pour les \u00e9chantillons de taille modeste inf\u00e9rieure \u00e0 250 observations) pond\u00e8re chaque r\u00e9sidu ordinaire au carr\u00e9 par le facteur (1 – hii<\/sub>)2<\/sup><\/em>, neutralisant efficacement l’influence des points \u00e0 fort levier sur le calcul de la variance d’\u00e9chantillonnage sans toucher aux coefficients de pente d’origine.<\/p>\n

L’arbitrage scientifique entre WLS et correction sandwich repose sur une balance m\u00e9thodologique claire : si le chercheur \u00e9prouve des doutes majeurs quant \u00e0 la forme exacte de la fonction de variance et craint une mauvaise sp\u00e9cification des poids, l’estimateur sandwich HC3 constitue un filet de s\u00e9curit\u00e9 d\u00e9fensif optimal. En revanche, si la structure d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 peut \u00eatre fid\u00e8lement th\u00e9oris\u00e9e et mod\u00e9lis\u00e9e, le mod\u00e8le WLS demeure l’approche reine, car elle seule procure un gain authentique de pr\u00e9cision sur l’estimation des param\u00e8tres en r\u00e9orientant activement l’angle de la droite de r\u00e9gression.<\/p>\n

10.3 G\u00e9n\u00e9ralisation aux mod\u00e8les lin\u00e9aires mixtes et multiniveaux<\/h3>\n

Dans les dispositifs de recherche comportementale contemporains, les donn\u00e9es collect\u00e9es adoptent fr\u00e9quemment une architecture hi\u00e9rarchique, embo\u00eet\u00e9e ou longitudinale (mesures r\u00e9p\u00e9t\u00e9es dans le temps au sein des m\u00eames participants). Dans un tel cadre multiniveau, l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 peut se d\u00e9ployer simultan\u00e9ment au niveau intra-individuel (variance r\u00e9siduelle fluctuante au cours des sessions exp\u00e9rimentales) et au niveau inter-individuel (variance des pentes al\u00e9atoires conditionn\u00e9e par un trait de personnalit\u00e9 stable).<\/p>\n

Pour traiter avec rigueur ces architectures complexes, la mod\u00e9lisation par les moindres carr\u00e9s g\u00e9n\u00e9ralis\u00e9s \u00e9tendue aux mod\u00e8les mixtes s’av\u00e8re indispensable. Le paquet nlme<\/code> de Pinheiro et Bates offre \u00e0 cet \u00e9gard la puissante fonction gls()<\/code> (Generalized Least Squares<\/em>), qui permet de param\u00e9trer directement la structure de variance des erreurs au moyen de l’argument weights<\/code>, en faisant appel \u00e0 des fonctions analytiques pr\u00e9d\u00e9finies :<\/p>\n

library(nlme)
\ngls_model <- gls(score ~ hours, data = df,
\n weights = varPower(form = ~ hours))
\n<\/code><\/p>\n

Dans cette commande avanc\u00e9e, la fonction varPower()<\/code> instruit le logiciel d’estimer simultan\u00e9ment, par la m\u00e9thode du maximum de vraisemblance restreinte (REML, pour Restricted Maximum Likelihood<\/em><\/a>), le vecteur de coefficients de r\u00e9gression et l’exposant de puissance \u03b4<\/em> r\u00e9gissant l’accroissement de variance selon la formulation Var(\u03b5i<\/sub>) = \u03c32<\/sup> \u00d7 |Xi<\/sub>|2\u03b4<\/sup><\/em>.<\/p>\n

D’autres fonctions d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 telles que varIdent()<\/code> (permettant d’attribuer des variances d’erreur distinctes \u00e0 chaque niveau d’un facteur qualitatif de groupement) ou varExp()<\/code> (mod\u00e9lisant une dispersion exponentielle) illustrent la plasticit\u00e9 totale de cette approche, unifiant harmonieusement la r\u00e9gression lin\u00e9aire pond\u00e9r\u00e9e classique et l’analyse avanc\u00e9e des s\u00e9ries temporelles ou des plans d’exp\u00e9rience longitudinaux.<\/p>\n

11. Pi\u00e8ges m\u00e9thodologiques, limites et v\u00e9rifications d’influence<\/h2>\n

11.1 D\u00e9tection des observations influentes sous pond\u00e9ration<\/h3>\n

L’int\u00e9gration d’un sch\u00e9ma de pond\u00e9ration modifie profond\u00e9ment la topographie g\u00e9om\u00e9trique de l’espace de r\u00e9gression et red\u00e9finit int\u00e9gralement les m\u00e9triques traditionnelles d’influence et de levier statistique. Dans un mod\u00e8le OLS standard, le levier d’une observation d\u00e9pend uniquement de l’\u00e9loignement de ses valeurs de pr\u00e9dicteurs par rapport au centre de gravit\u00e9 multidimensionnel de l’\u00e9chantillon. Dans une r\u00e9gression WLS, la matrice chapeau (Hat Matrix<\/em>) int\u00e8gre formellement la matrice de pond\u00e9ration :<\/p>\n

Hw<\/sub> = W1\/2<\/sup> X (XT<\/sup> W X)-1<\/sup> XT<\/sup> W1\/2<\/sup><\/em><\/p>\n

Par cons\u00e9quent, une observation peut acqu\u00e9rir un levier d\u00e9mesur\u00e9 non pas parce que ses valeurs de pr\u00e9dicteurs sont extr\u00eames, mais simplement parce qu’elle s’est vu attribuer un coefficient de pond\u00e9ration analytique gigantesque. \u00c0 l’inverse, un point tr\u00e8s distant g\u00e9om\u00e9triquement sur l’axe des abscisses peut voir son influence totalement neutralis\u00e9e si son poids wi<\/sub><\/em> est r\u00e9siduel.<\/p>\n

Il est imp\u00e9ratif d’\u00e9valuer la distance de Cook adapt\u00e9e au cadre pond\u00e9r\u00e9, accessible dans R par l’application directe de la fonction cooks.distance(wls_model)<\/code>. L’analyste doit inspecter attentivement les diagrammes d’influence projetant les r\u00e9sidus pond\u00e9r\u00e9s studentis\u00e9s en fonction du levier pond\u00e9r\u00e9. L’\u00e9mergence d’observations combinant un fort r\u00e9sidu et un poids massif pr\u00e9sente le risque redoutable d’une d\u00e9formation unilat\u00e9rale de l’hyperplan ajust\u00e9 sous la d\u00e9pendance d’un seul sujet atypique, imposant une v\u00e9rification de robustesse syst\u00e9matique consistant \u00e0 r\u00e9-estimer le mod\u00e8le apr\u00e8s exclusion it\u00e9rative des points les plus influents.<\/p>\n

11.2 Mauvaise sp\u00e9cification de la structure de pond\u00e9ration<\/h3>\n

L’application des moindres carr\u00e9s pond\u00e9r\u00e9s ne constitue pas une panac\u00e9e universelle exempte de risques m\u00e9thodologiques. Le danger pr\u00e9pond\u00e9rant r\u00e9side dans la sp\u00e9cification erron\u00e9e de la fonction de variance auxiliaire. Si l’analyste choisit une mod\u00e9lisation inadapt\u00e9e des r\u00e9sidus (en supposant par exemple que la variance d\u00e9pend de la variable X1<\/sub><\/em> alors qu’elle est en r\u00e9alit\u00e9 conditionn\u00e9e par une variable omise X2<\/sub><\/em> ou par un effet de groupe latent), la matrice de poids d\u00e9riv\u00e9e W<\/em> sera arbitraire et inexacte.<\/p>\n

Dans ce cas de figure pathologique, l’estimateur FGLS subit une d\u00e9gradation th\u00e9orique p\u00e9nalisante :<\/p>\n

* Bien qu’il conserve son asymptotique non-biais (pour autant que l’esp\u00e9rance conditionnelle des erreurs soit nulle), il perd l’int\u00e9gralit\u00e9 de ses propri\u00e9t\u00e9s de variance minimale d’Aitken.
\n* Son efficacit\u00e9 empirique en \u00e9chantillon fini peut devenir nettement inf\u00e9rieure \u00e0 celle de l’estimateur OLS non corrig\u00e9, augmentant substantiellement la dispersion r\u00e9elle d’\u00e9chantillonnage des coefficients.
\n* Les erreurs-types conventionnelles affich\u00e9es par le sommaire du mod\u00e8le WLS, calcul\u00e9es sous la pr\u00e9somption aveugle que les poids sont exactement inverses aux vraies variances, deviennent fallacieuses et sous-estiment l’al\u00e9a r\u00e9el, restaurant l’inflation de l’erreur de type I que la proc\u00e9dure \u00e9tait cens\u00e9e juguler.<\/p>\n

Pour se pr\u00e9munir contre cette d\u00e9rive, une strat\u00e9gie \u00e9prouv\u00e9e consiste \u00e0 combiner l’ajustement WLS avec une correction de variance de type sandwich appliqu\u00e9e \u00e0 l’objet pond\u00e9r\u00e9 (en utilisant vcovHC(wls_model)<\/code>). Cette approche hybride garantit que m\u00eame si le sch\u00e9ma de pond\u00e9ration est mod\u00e9r\u00e9ment imparfait, l’erreur-type finale demeurera asymptotiquement robuste \u00e0 toute h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 r\u00e9siduelle r\u00e9sidant au sein des r\u00e9sidus transform\u00e9s.<\/p>\n

11.3 Hypoth\u00e8ses secondaires du mod\u00e8le pond\u00e9r\u00e9<\/h3>\n

L’attention focalis\u00e9e sur la r\u00e9solution de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 ne doit pas occulter le contr\u00f4le m\u00e9thodique des autres postulats fondamentaux r\u00e9gissant la validit\u00e9 du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Une fois le mod\u00e8le WLS ajust\u00e9, il est indispensable de v\u00e9rifier la distribution normale des r\u00e9sidus pond\u00e9r\u00e9s standardis\u00e9s. L’ex\u00e9cution du test de normalit\u00e9 de Shapiro-Wilk (via shapiro.test(rstandard(wls_model))<\/code>) conjointement \u00e0 l’inspection du diagramme Q-Q plot permet d’attester que la proc\u00e9dure de pond\u00e9ration n’a pas induit une asym\u00e9trie artificielle ou accentu\u00e9 le caract\u00e8re leptokurtique des perturbations.<\/p>\n

De m\u00eame, l’absence d’autocorr\u00e9lation entre les termes d’erreur r\u00e9siduels doit \u00eatre certifi\u00e9e au moyen du test de Durbin-Watson, disponible via la commande dwtest(wls_model)<\/code> du paquet lmtest<\/code>. La pr\u00e9sence d’une autocorr\u00e9lation s\u00e9rielle positive non trait\u00e9e invaliderait la structure diagonale pr\u00e9sum\u00e9e de la matrice W<\/em> et exigerait le recours \u00e0 des structures d’autor\u00e9gression plus \u00e9labor\u00e9es de type AR(1).<\/p>\n

Enfin, la question de la lin\u00e9arit\u00e9 fonctionnelle de la relation moyenne demeure primordiale. Il arrive fr\u00e9quemment dans la pratique clinique qu’une apparente h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 des r\u00e9sidus ne soit que le sympt\u00f4me d’une relation sous-jacente fondamentalement non lin\u00e9aire (comme une fonction exponentielle de saturation ou une trajectoire polynomiale cubique). L’\u00e9valuation des composantes de courbure r\u00e9siduelle au moyen du test RESET de Ramsey (via resettest(wls_model)<\/code>) permet de s’assurer que l’\u00e9quation ne souffre d’aucune omission de puissance fonctionnelle majeure, garantissant ainsi que la pond\u00e9ration traite une r\u00e9elle instabilit\u00e9 de variance stochastique et non une simple mauvaise formulation de la trajectoire moyenne.<\/p>\n

12. Applications empiriques en psychologie et communication des r\u00e9sultats acad\u00e9miques<\/h2>\n

12.1 R\u00e9daction et pr\u00e9sentation des r\u00e9sultats selon les normes APA<\/h3>\n

La r\u00e9daction scientifique des r\u00e9sultats d’une r\u00e9gression par les moindres carr\u00e9s pond\u00e9r\u00e9s au sein d’un article soumis \u00e0 une revue acad\u00e9mique internationale exige le respect scrupuleux des normes de l’American Psychological Association (APA, 7e \u00e9dition)<\/a>. La restitution ne peut se borner \u00e0 d\u00e9livrer les seuls coefficients finaux : elle doit imp\u00e9rativement documenter la cha\u00eene d\u00e9cisionnelle m\u00e9thodologique compl\u00e8te ayant justifi\u00e9 l’abandon du mod\u00e8le OLS standard.<\/p>\n

Le corps du texte de la section m\u00e9thodologie ou r\u00e9sultats doit s’articuler selon une logique rigoureuse :<\/p>\n

1. Justification initiale de l’\u00e9valuation du postulat d’homosc\u00e9dasticit\u00e9 et rapport formel des tests diagnostiques initiaux (par exemple : \u00ab L’inspection visuelle des r\u00e9sidus de la r\u00e9gression lin\u00e9aire simple pr\u00e9liminaire a r\u00e9v\u00e9l\u00e9 un motif manifeste d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 en entonnoir, confirm\u00e9 formellement par le test de Breusch-Pagan modifi\u00e9 par Koenker, BP(1) = 14.82, p < .001<\/em> \u00bb).
\n2. Pr\u00e9sentation explicite de la proc\u00e9dure d’estimation des poids retenue (par exemple : \u00ab Pour restaurer l’efficacit\u00e9 statistique des estimateurs, une r\u00e9gression par les moindres carr\u00e9s pond\u00e9r\u00e9s a \u00e9t\u00e9 appliqu\u00e9e en d\u00e9finissant les poids analytiques comme l’inverse de la variance estim\u00e9e par mod\u00e9lisation exponentielle du logarithme des r\u00e9sidus au carr\u00e9, wi<\/sub> = 1 \/ exp(\u03b3\u03020<\/sub> + \u03b3\u03021<\/sub> Xi<\/sub>)<\/em> \u00bb).
\n3. Rapport des param\u00e8tres inf\u00e9rentiels corrig\u00e9s incluant les coefficients de r\u00e9gression non standardis\u00e9s B<\/em> avec leurs intervalles de confiance \u00e0 95 %, les erreurs-types corrig\u00e9es SE<\/em>, la statistique de Student t<\/em> avec ses degr\u00e9s de libert\u00e9 r\u00e9siduels pr\u00e9cis, et la valeur p<\/em> exacte (par exemple : \u00ab Le temps de r\u00e9vision pr\u00e9dit de fa\u00e7on statistiquement significative le score \u00e0 l’examen final, B = 1.38, SE = 0.09, t(98) = 15.33, p < .001, 95% IC [1.20, 1.56]<\/em> \u00bb).
\n4. Pr\u00e9cision expresse relative \u00e0 la m\u00e9trique de qualit\u00e9 d’ajustement globale pour pr\u00e9venir toute m\u00e9prise (en sp\u00e9cifiant clairement s’il s’agit du coefficient de d\u00e9termination pond\u00e9r\u00e9 Rw<\/sub>2<\/sup><\/em> ou de la r\u00e9duction de l’erreur quadratique moyenne non pond\u00e9r\u00e9e sur les donn\u00e9es d’origine).<\/p>\n

La pr\u00e9sentation sous forme de tableau normalis\u00e9 constitue le format id\u00e9al pour offrir une lisibilit\u00e9 optimale, juxtaposant c\u00f4te \u00e0 c\u00f4te le mod\u00e8le OLS pr\u00e9liminaire non corrig\u00e9 et le mod\u00e8le WLS d\u00e9finitif afin de mettre en lumi\u00e8re l’affinement des erreurs-types.<\/p>\n

12.2 Cas d’usage appliqu\u00e9s en psychom\u00e9trie et sciences cognitives<\/h3>\n

Les champs d’application concrets de la r\u00e9gression WLS abondent dans l’ensemble des sous-disciplines des sciences cognitives et du comportement. Dans l’exploration des temps de r\u00e9action chronom\u00e9triques confront\u00e9s \u00e0 la charge mentale de travail (quantifi\u00e9e par le nombre d’\u00e9l\u00e9ments maintenus en m\u00e9moire de travail dans un protocole d’empan complexe), l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 de variance est syst\u00e9matique : les blocs exp\u00e9rimentaux \u00e0 haute charge g\u00e9n\u00e8rent une augmentation spectaculaire de la variabilit\u00e9 r\u00e9siduelle intra-sujet. L’assignation de poids inversement proportionnels \u00e0 la variance temporelle locale de chaque condition permet de mod\u00e9liser avec une fid\u00e9lit\u00e9 optimale la vitesse d’\u00e9puisement des ressources attentionnelles.<\/p>\n

Dans le champ de l’\u00e9valuation des interventions psychoth\u00e9rapeutiques ou neuropsychologiques, les protocoles cliniques multicentriques \u00e9valuent fr\u00e9quemment l’efficacit\u00e9 d’un traitement en colligeant des moyennes de scores de d\u00e9pression ou d’anxi\u00e9t\u00e9 issues de diverses cohortes hospitali\u00e8res locales. Dans la mesure o\u00f9 les effectifs recrut\u00e9s varient grandement d’un centre hospitalier \u00e0 l’autre (certains centres incluant 150 patients tandis que d’autres n’en comptent que 20), la variance d’\u00e9chantillonnage de chaque moyenne de centre est intrins\u00e8quement disparate. La mise en \u0153uvre d’un mod\u00e8le WLS pond\u00e9rant chaque centre par son effectif d’\u00e9chantillon nj<\/sub><\/em> constitue le standard incontournable pour \u00e9viter que les petits centres instables ne d\u00e9forment l’estimation de l’efficacit\u00e9 th\u00e9rapeutique globale.<\/p>\n

De m\u00eame, l’\u00e9tude des courbes d’apprentissage et de r\u00e9tention mn\u00e9sique en psychologie de l’\u00e9ducation d\u00e9montre que la variabilit\u00e9 interindividuelle de l’acquisition s’amplifie consid\u00e9rablement au fur et \u00e0 mesure que les sessions de r\u00e9p\u00e9tition espac\u00e9e s’accumulent. L’application du formalisme WLS assure que les mod\u00e9lisations de trajectoires de r\u00e9tention \u00e0 long terme ne soient pas artificiellement biais\u00e9es par la dispersion accrue des phases tardives, procurant aux th\u00e9oriciens de l’apprentissage des estimations pr\u00e9cises et stables des asymptotes de ma\u00eetrise conceptuelle.<\/p>\n

12.3 Bonnes pratiques pour la science ouverte et la reproductibilit\u00e9<\/h3>\n

L’adoption de m\u00e9thodes quantitatives avanc\u00e9es telles que la r\u00e9gression pond\u00e9r\u00e9e s’inscrit au c\u0153ur du mouvement contemporain en faveur de la science ouverte (Open Science<\/em><\/a>) et de la reproductibilit\u00e9 computationnelle des r\u00e9sultats empiriques. L’impl\u00e9mentation de la r\u00e9gression WLS faisant intervenir des \u00e9tapes d’estimation auxiliaire des r\u00e9sidus et des calculs de poids param\u00e9triques, la transparence algorithmique totale doit \u00eatre garantie \u00e0 la communaut\u00e9 scientifique.<\/p>\n

Pour satisfaire aux standards les plus exigeants :<\/p>\n

* Le script R d’analyse complet, autonome et minutieusement comment\u00e9 doit \u00eatre d\u00e9pos\u00e9 sur un entrep\u00f4t public institutionnel p\u00e9renne (tel que l’Open Science Framework<\/a> ou Zenodo).
\n* En cas de recours \u00e0 des simulations stochastiques ou \u00e0 des sous-\u00e9chantillonnages pr\u00e9liminaires de validation crois\u00e9e, l’initialisation de la graine al\u00e9atoire via l’instruction set.seed()<\/code> doit \u00eatre rigoureusement document\u00e9e d\u00e8s les premi\u00e8res lignes du code source pour permettre une r\u00e9g\u00e9n\u00e9ration exacte des valeurs num\u00e9riques \u00e0 la virgule pr\u00e8s.
\n* Le cahier de laboratoire num\u00e9rique (de type R Markdown ou Quarto) doit consigner l’int\u00e9gralit\u00e9 des diagnostics graphiques bruts ayant motiv\u00e9 le passage au mod\u00e8le WLS, incluant les graphiques initiaux r\u00e9sidus-valeurs pr\u00e9dites, les sorties textuelles compl\u00e8tes des tests de Breusch-Pagan et de White, ainsi que les diagnostics post-ajustement attestant de l’homog\u00e9n\u00e9isation r\u00e9ussie des r\u00e9sidus transform\u00e9s.
\n* Enfin, l’environnement logiciel complet (version exacte de R, versions pr\u00e9cises des paquets lmtest<\/code>, car<\/code>, sandwich<\/code> et compilateur C\/Fortran sous-jacent) doit \u00eatre formalis\u00e9 au moyen de la commande sessionInfo()<\/code> annex\u00e9e en fin de script de traitement.<\/p>\n

En int\u00e9grant ces pr\u00e9ceptes de rigueur statistique, d’\u00e9l\u00e9gance computationnelle et de transparence m\u00e9thodologique, le chercheur contemporain garantit que ses analyses de r\u00e9gression par les moindres carr\u00e9s pond\u00e9r\u00e9s sous R constituent non seulement un mod\u00e8le d’excellence math\u00e9matique, mais \u00e9galement une contribution solide, reproductible et durable au progr\u00e8s des sciences empiriques.<\/p>\n

R\u00e9f\u00e9rences<\/h2>\n

Aitken, A. C. (1936). On least squares and linear combinations of observations. Proceedings of the Royal Society of Edinburgh<\/em>, 55, 42-48. https:\/\/doi.org\/10.1017\/S0370164600014431<\/p>\n

Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control<\/em>, 19(6), 716-723. https:\/\/doi.org\/10.1109\/TAC.1974.1100705<\/p>\n

American Psychological Association. (2020). Publication manual of the American Psychological Association<\/em> (7th ed.). https:\/\/doi.org\/10.1037\/0000165-000<\/p>\n

Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica<\/em>, 47(5), 1287-1294. https:\/\/doi.org\/10.2307\/1911963<\/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\/<\/p>\n

Goldfeld, S. M., & Quandt, R. E. (1965). Some tests for homoscedasticity. Journal of the American Statistical Association<\/em>, 60(310), 539-547. https:\/\/doi.org\/10.1080\/01621459.1965.10480811<\/p>\n

Harvey, A. C. (1976). Estimating regression models with multiplicative heteroscedasticity. Econometrica<\/em>, 44(3), 461-465. https:\/\/doi.org\/10.2307\/1913974<\/p>\n

Koenker, R. (1981). A note on studentizing a test for heteroscedasticity. Journal of Econometrics<\/em>, 17(1), 107-112. https:\/\/doi.org\/10.1016\/0304-4076(81)90062-2<\/p>\n

Long, J. S., & Ervin, L. H. (2000). Using heteroscedasticity consistent standard errors in the linear regression model. The American Statistician<\/em>, 54(3), 217-224. https:\/\/doi.org\/10.1080\/00031305.2000.10474549<\/p>\n

Pinheiro, J. C., & Bates, D. M. (2000). Mixed-effects models in S and S-PLUS<\/em>. Springer. https:\/\/doi.org\/10.1007\/b98882<\/p>\n

R Core Team. (2023). R: A language and environment for statistical computing<\/em>. R Foundation for Statistical Computing. https:\/\/www.R-project.org\/<\/p>\n

White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica<\/em>, 48(4), 817-838. https:\/\/doi.org\/10.2307\/1912934<\/p>\n

Zeileis, A. (2004). Econometric computing with HC and HAC covariance matrix estimators. Journal of Statistical Software<\/em>, 11(10), 1-17. https:\/\/doi.org\/10.18637\/jss.v011.i10<\/p>\n","protected":false},"excerpt":{"rendered":"

Guide acad\u00e9mique complet pour corriger l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 par la r\u00e9gression des moindres carr\u00e9s pond\u00e9r\u00e9s (WLS) sous R, appliqu\u00e9 \u00e0 la recherche psychologique.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2891,359],"tags":[2272,7838,16,3078,7837],"class_list":["post-6051","psych_stat","type-psych_stat","status-publish","hentry","category-methodes-quantitatives-en-psychologie","category-statistiques-appliquees","tag-heteroscedasticite","tag-moindres-carres","tag-psychometrie","tag-r-programmation","tag-regression-ponderee"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/6051","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=6051"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/6051\/revisions"}],"predecessor-version":[{"id":6053,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/6051\/revisions\/6053"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=6051"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=6051"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=6051"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}