R<\/a>, le calcul de cette grandeur cardinale peut \u00eatre abord\u00e9 selon plusieurs paradigmes computationnels, allant de l’appel direct \u00e0 des fonctions g\u00e9n\u00e9riques optimis\u00e9es \u00e0 l’extraction vectorielle et \u00e0 la manipulation matricielle bas niveau. Ce guide exhaustif a pour vocation d’exposer en profondeur les concepts th\u00e9oriques, les justifications alg\u00e9briques et les impl\u00e9mentations pratiques du calcul de la somme des carr\u00e9s des r\u00e9sidus sous R. De la d\u00e9composition de la variance \u00e0 la r\u00e9alisation de diagnostics r\u00e9siduels rigoureux, nous d\u00e9taillerons l’ensemble des m\u00e9canismes sous-jacents afin d’outiller m\u00e9thodologiquement les chercheurs et analystes confront\u00e9s \u00e0 des donn\u00e9es quantitatives complexes.<\/p>\n1. Introduction aux r\u00e9sidus et \u00e0 la somme des carr\u00e9s des r\u00e9sidus (RSS)<\/h2>\n1.1 D\u00e9finition conceptuelle du r\u00e9sidu statistique<\/h3>\n
Le r\u00e9sidu statistique repr\u00e9sente la divergence arithm\u00e9tique fondamentale constat\u00e9e entre la valeur v\u00e9ritablement mesur\u00e9e d’une variable d\u00e9pendante pour une unit\u00e9 d’observation donn\u00e9e et la valeur pr\u00e9dite par le mod\u00e8le statistique ajust\u00e9. Si l’on d\u00e9signe par yi<\/sub><\/em> la r\u00e9alisation observ\u00e9e du ph\u00e9nom\u00e8ne pour le i<\/em>-i\u00e8me individu au sein d’un \u00e9chantillon de taille n<\/em>, et par \u0177i<\/sub><\/em> l’estimation conditionnelle issue de la droite ou de l’hyperplan de r\u00e9gression, le r\u00e9sidu d’\u00e9chantillon, traditionnellement not\u00e9 ei<\/sub><\/em>, s’exprime par la relation alg\u00e9brique directe : ei<\/sub> = yi<\/sub> – \u0177i<\/sub><\/em>. Cette m\u00e9trique \u00e9l\u00e9mentaire capture l’\u00e9cart sp\u00e9cifique attribuable soit \u00e0 des fluctuations al\u00e9atoires non mesurables, soit \u00e0 l’omission de pr\u00e9dicteurs pertinents, soit encore \u00e0 l’imperfection intrins\u00e8que de la forme fonctionnelle postul\u00e9e.<\/p>\nDans le domaine de la mod\u00e9lisation des comportements humains et des processus psychom\u00e9triques, cet \u00e9cart individuel rev\u00eat une importance capitale. Loin d’\u00eatre un simple sous-produit arithm\u00e9tique insignifiant, le r\u00e9sidu cristallise l’idiosyncrasie de chaque sujet exp\u00e9rimental. Il mat\u00e9rialise la part de variabilit\u00e9 comportementale, \u00e9motionnelle ou cognitive qui r\u00e9siste aux r\u00e9gularit\u00e9s structurelles capt\u00e9es par les covariables s\u00e9lectionn\u00e9es. D\u00e8s lors, l’analyse de ces \u00e9carts individuels permet de discerner si un comportement atypique rel\u00e8ve d’une variabilit\u00e9 naturelle acceptable ou d’une singularit\u00e9 clinique ou m\u00e9thodologique m\u00e9ritant une investigation approfondie.<\/p>\n
Dans le cadre strict des mod\u00e8les de r\u00e9gression lin\u00e9aire classique estim\u00e9s par les moindres carr\u00e9s et int\u00e9grant une constante (ordonn\u00e9e \u00e0 l’origine), les r\u00e9sidus d’\u00e9chantillon poss\u00e8dent la propri\u00e9t\u00e9 math\u00e9matique remarquable d’avoir une moyenne empirique rigoureusement nulle, ce qui se traduit par : \u2211 ei<\/sub> = 0<\/em>. Cette propri\u00e9t\u00e9 de centrage parfait d\u00e9coule directement des conditions de premier ordre du processus d’optimisation et assure que l’hyperplan ajust\u00e9 traverse le centre de gravit\u00e9 multidimensionnel des donn\u00e9es. Il convient toutefois de distinguer formellement ce r\u00e9sidu d’\u00e9chantillon ei<\/sub><\/em> de l’erreur stochastique sous-jacente au niveau de la population, usuellement not\u00e9e \u03b5i<\/sub><\/em>. Alors que \u03b5i<\/sub><\/em> est une variable al\u00e9atoire latente et inobservable r\u00e9gie par des postulats th\u00e9oriques pr\u00e9cis (esp\u00e9rance nulle, homosc\u00e9dasticit\u00e9, ind\u00e9pendance), le r\u00e9sidu ei<\/sub><\/em> n’est qu’une estimation empirique d\u00e9pendante des sp\u00e9cificit\u00e9s du sous-ensemble fini d’observations disponibles.<\/p>\n1.2 R\u00f4le de la somme des carr\u00e9s des r\u00e9sidus dans l’ajustement du mod\u00e8le<\/h3>\n
La somme des carr\u00e9s des r\u00e9sidus (RSS) constitue l’indice global par excellence quantifiant le degr\u00e9 d’imperfection global d’un mod\u00e8le statistique au regard des donn\u00e9es empiriques. En agr\u00e9geant les d\u00e9viations individuelles sous une forme quadratique, le RSS synth\u00e9tise l’amplitude de la dispersion inexpliqu\u00e9e par l’ensemble des pr\u00e9dicteurs int\u00e9gr\u00e9s \u00e0 la r\u00e9gression. Contrairement \u00e0 une simple sommation arithm\u00e9tique des \u00e9carts qui m\u00e8nerait syst\u00e9matiquement \u00e0 une valeur nulle en pr\u00e9sence d’une constante en raison de la compensation mutuelle des valeurs positives et n\u00e9gatives, le RSS fournit une \u00e9valuation strictement positive de la non-conformit\u00e9 de l’ajustement, ne s’annulant que dans le cas id\u00e9al et purement th\u00e9orique o\u00f9 tous les points observ\u00e9s se trouveraient parfaitement align\u00e9s sur la trajectoire th\u00e9orique.<\/p>\n
Le principe sous-jacent \u00e0 la plupart des m\u00e9thodes d’estimation en r\u00e9gression r\u00e9side dans la minimisation d\u00e9lib\u00e9r\u00e9e de cette d\u00e9viance inexpliqu\u00e9e. En formulant l’estimation comme un probl\u00e8me d’optimisation num\u00e9rique ou analytique cherchant \u00e0 minimiser la fonctionnelle de co\u00fbt RSS = \u2211 (yi<\/sub> – \u0177i<\/sub>)2<\/sup><\/em>, les statisticiens garantissent que le mod\u00e8le retenu est celui qui se rapproche le plus, au sens de la distance euclidienne, du nuage de points observ\u00e9. Ainsi, une valeur num\u00e9rique faible du RSS t\u00e9moigne d’une proximit\u00e9 globale \u00e9troite entre les trajectoires th\u00e9oriques et les donn\u00e9es factuelles, signalant une capacit\u00e9 pr\u00e9dictive \u00e9lev\u00e9e et un ajustement de haute fid\u00e9lit\u00e9 au sein de l’\u00e9chantillon analys\u00e9.<\/p>\nToutefois, l’interpr\u00e9tation brute de la magnitude du RSS demeure intrins\u00e8quement tributaire de l’\u00e9chelle de mesure sur laquelle est quantifi\u00e9e la variable d\u00e9pendante. \u00c0 la diff\u00e9rence d’indices sans dimension comme le coefficient de d\u00e9termination R2<\/sup><\/em>, le RSS s’exprime dans le carr\u00e9 de l’unit\u00e9 de mesure de la variable r\u00e9ponse y<\/em>. Par cons\u00e9quent, une \u00e9tude \u00e9valuant des temps de r\u00e9action mesur\u00e9s en millisecondes produira des valeurs de RSS de plusieurs ordres de grandeur sup\u00e9rieures \u00e0 celles d’une \u00e9tude mesurant des concentrations d’hormones en microgrammes par litre, sans que cela n’implique une sup\u00e9riorit\u00e9 m\u00e9thodologique intrins\u00e8que de la seconde mod\u00e9lisation. La comparabilit\u00e9 absolue du RSS ne s’av\u00e8re donc l\u00e9gitime que lorsque l’on juxtapose des mod\u00e8les concurrents appliqu\u00e9s rigoureusement au m\u00eame jeu de donn\u00e9es et \u00e0 la m\u00eame variable cible.<\/p>\n1.3 Applications empiriques dans la recherche comportementale et quantitative<\/h3>\n
Au sein des sciences comportementales, cognitives et de la sant\u00e9 quantitative, la quantification pr\u00e9cise de la d\u00e9viance r\u00e9siduelle structure la validation empirique des hypoth\u00e8ses th\u00e9oriques. Consid\u00e9rons, \u00e0 titre d’illustration, une recherche visant \u00e0 pr\u00e9dire les manifestations somatiques du stress professionnel en fonction de la charge de travail per\u00e7ue, des heures de sommeil et de divers marqueurs physiologiques. L’\u00e9valuation de l’\u00e9quation pr\u00e9dictive ne repose pas uniquement sur les coefficients de r\u00e9gression associ\u00e9s \u00e0 chaque stresseur, mais \u00e9galement sur l’ampleur du RSS r\u00e9siduel, qui informe directement les investigateurs sur le volume de variabilit\u00e9 symptomatologique qui \u00e9chappe \u00e0 la grille explicative d\u00e9ploy\u00e9e.<\/p>\n
Dans le domaine psychom\u00e9trique, le RSS joue un r\u00f4le d\u00e9terminant dans l’\u00e9valuation de la fiabilit\u00e9 et de la validit\u00e9 interne des instruments de mesure standardis\u00e9s. Lors de l’\u00e9talonnage d’\u00e9chelles composites destin\u00e9es \u00e0 quantifier des construits latents tels que l’anxi\u00e9t\u00e9, la d\u00e9pression ou l’intelligence fluide, la mod\u00e9lisation des scores observ\u00e9s en fonction des facteurs latents postule une composante d’erreur de mesure non n\u00e9gligeable. Le calcul de la somme des carr\u00e9s des erreurs r\u00e9siduelles permet de borner cette variance d’erreur, facilitant ainsi la distinction entre la variance v\u00e9ritablement attribuable au trait psychologique d’int\u00e9r\u00eat et celle r\u00e9sultant du bruit de mesure li\u00e9 aux ambigu\u00eft\u00e9s des items ou aux fluctuations transitoires de l’attention des r\u00e9pondants.<\/p>\n
Enfin, dans le contexte des \u00e9tudes observationnelles o\u00f9 l’exp\u00e9rimentateur ne peut contr\u00f4ler l’assignation des sujets aux diff\u00e9rentes conditions, la confrontation directe de mod\u00e8les explicatifs rivaux repose syst\u00e9matiquement sur l’analyse comparative de leurs RSS respectifs. En testant, par exemple, un mod\u00e8le purement additif contre un mod\u00e8le incorporant des effets d’interaction mod\u00e9rateurs ou des non-lin\u00e9arit\u00e9s d\u00e9veloppementales, le diff\u00e9rentiel de r\u00e9duction du RSS sert de levier math\u00e9matique pour d\u00e9terminer si la complexification structurelle du mod\u00e8le engendre un gain statistiquement significatif dans l’intelligibilit\u00e9 des ph\u00e9nom\u00e8nes observ\u00e9s, notamment par le biais des tests de rapport de vraisemblance et des tables de variance d’analyse embo\u00eet\u00e9e.<\/p>\n
2. Fondements math\u00e9matiques de la somme des carr\u00e9s des r\u00e9sidus<\/h2>\n2.1 Formalisation alg\u00e9brique de l’\u00e9quation du RSS<\/h3>\n
La formulation alg\u00e9brique canonique de la somme des carr\u00e9s des r\u00e9sidus d\u00e9coule de la transcription math\u00e9matique du cumul des carr\u00e9s des \u00e9carts entre les observations empiriques et les pr\u00e9dictions param\u00e9triques. Pour un mod\u00e8le de r\u00e9gression lin\u00e9aire comprenant k<\/em> variables explicatives et une constante, l’estimation de la r\u00e9ponse pour l’observation i<\/em> s’\u00e9crit sous la forme vectorielle \u0177i<\/sub> = \u03b2\u03020<\/sub> + \u2211j=1<\/sub>k<\/sup> \u03b2\u0302j<\/sub> xij<\/sub><\/em>. L’expression formelle du RSS prend d\u00e8s lors la forme classique suivante :<\/p>\nRSS = \u2211i=1<\/sub>n<\/sup> (yi<\/sub> – \u0177i<\/sub>)2<\/sup> = \u2211i=1<\/sub>n<\/sup> [yi<\/sub> – (\u03b2\u03020<\/sub> + \u2211j=1<\/sub>k<\/sup> \u03b2\u0302j<\/sub> xij<\/sub>)]2<\/sup><\/em><\/p>\nSous une notation matricielle plus compacte et op\u00e9rationnelle, indispensable au calcul computationnel moderne, d\u00e9signons par y<\/strong> le vecteur colonne de dimension (n \u00d7 1)<\/em> regroupant les observations de la variable r\u00e9ponse, par X<\/strong> la matrice de dimension (n \u00d7 (k+1))<\/em> contenant la colonne unitaire d\u00e9di\u00e9e \u00e0 la constante ainsi que l’ensemble des r\u00e9gresseurs, et par \u03b2\u0302<\/strong> le vecteur colonne ((k+1) \u00d7 1)<\/em> des estimateurs des param\u00e8tres. Le vecteur des r\u00e9sidus e<\/strong> correspond alors \u00e0 e = y – X\u03b2\u0302<\/strong>. D\u00e8s lors, la somme des carr\u00e9s des r\u00e9sidus \u00e9quivaut au produit scalaire du vecteur r\u00e9siduel transpos\u00e9 par lui-m\u00eame :<\/p>\nRSS = e<\/strong>T<\/sup>e<\/strong> = (y<\/strong> – X\u03b2\u0302<\/strong>)T<\/sup>(y<\/strong> – X\u03b2\u0302<\/strong>)<\/em><\/p>\nLe choix d\u00e9lib\u00e9r\u00e9 d’\u00e9lever les r\u00e9sidus au carr\u00e9, plut\u00f4t que d’opter pour la somme de leurs valeurs absolues, repose sur des justifications fondamentales d’analyse math\u00e9matique et de g\u00e9om\u00e9trie diff\u00e9rentielle. D’une part, l’op\u00e9ration de quadrature garantit la diff\u00e9rentiabilit\u00e9 continue de la fonction de perte en tout point de l’espace param\u00e9trique, condition sine qua non<\/em> pour d\u00e9terminer analytiquement les solutions optimales par annulation des d\u00e9riv\u00e9es partielles. D’autre part, cette \u00e9l\u00e9vation quadratique neutralise m\u00e9caniquement le ph\u00e9nom\u00e8ne d’auto-annulation alg\u00e9brique entre r\u00e9sidus positifs et n\u00e9gatifs. Enfin, la quadrature assigne une p\u00e9nalit\u00e9 exponentielle aux d\u00e9viations de grande magnitude, conf\u00e9rant ainsi un poids pr\u00e9pond\u00e9rant aux \u00e9carts majeurs : une erreur d’ajustement de quatre unit\u00e9s contribue seize fois plus au co\u00fbt global qu’une d\u00e9viation d’une unit\u00e9, contraignant ainsi la droite de r\u00e9gression \u00e0 ne d\u00e9laisser aucun point sans un arbitrage d’optimalit\u00e9 rigoureux.<\/p>\n2.2 M\u00e9thode des moindres carr\u00e9s ordinaires (MCO)<\/h3>\n
La m\u00e9thode des moindres carr\u00e9s ordinaires (MCO) s’\u00e9rige sur un crit\u00e8re d’optimalit\u00e9 analytique explicit\u00e9 par le th\u00e9or\u00e8me de Gauss-Markov<\/a>. Ce dernier postule que, parmi tous les estimateurs lin\u00e9aires sans biais des param\u00e8tres vectoriels \u03b2<\/strong>, l’estimateur des MCO pr\u00e9sente la matrice de covariance minimale au sens de l’ordre de Loewner, ce qui lui conf\u00e8re le titre d’estimateur BLUE (Best Linear Unbiased Estimator<\/em>). Pour atteindre cet optimum analytique, on d\u00e9finit la fonctionnelle d’erreur scalaire S(\u03b2<\/strong>) = (y<\/strong> – X\u03b2<\/strong>)T<\/sup>(y<\/strong> – X\u03b2<\/strong>)<\/em>, que l’on expanse alg\u00e9briquement sous la forme :<\/p>\nS(\u03b2<\/strong>) = y<\/strong>T<\/sup>y<\/strong> – 2 \u03b2<\/strong>T<\/sup>X<\/strong>T<\/sup>y<\/strong> + \u03b2<\/strong>T<\/sup>X<\/strong>T<\/sup>X\u03b2<\/strong><\/em><\/p>\nPour d\u00e9terminer le minimum de cette fonction quadratique \u00e0 l’\u00e9gard de l’inconnue vectorielle \u03b2<\/strong>, on calcule le gradient par d\u00e9rivation matricielle et on pose son annulation stricte :<\/p>\n\u2207\u03b2<\/strong><\/sub> S(\u03b2<\/strong>) = -2 X<\/strong>T<\/sup>y<\/strong> + 2 X<\/strong>T<\/sup>X\u03b2<\/strong> = 0<\/em><\/p>\nCette condition de premier ordre conduit imm\u00e9diatement au syst\u00e8me fondamental des \u00e9quations normales :<\/p>\n
X<\/strong>T<\/sup>X\u03b2<\/strong> = X<\/strong>T<\/sup>y<\/strong><\/em><\/p>\nSous r\u00e9serve que la matrice d’information X<\/strong>T<\/sup>X<\/strong> soit de rang plein (ce qui exclut formellement toute colin\u00e9arit\u00e9 exacte entre les pr\u00e9dicteurs), cette matrice admet une inverse unique. L’unique estimateur minimisant le RSS est alors formellement r\u00e9solu par :<\/p>\n\u03b2\u0302<\/strong> = (X<\/strong>T<\/sup>X<\/strong>)-1<\/sup>X<\/strong>T<\/sup>y<\/strong><\/em><\/p>\nLa confirmation que cette solution correspond sans ambigu\u00eft\u00e9 \u00e0 un minimum absolu, et non \u00e0 un point-selle ou \u00e0 un maximum, repose sur l’examen de la matrice hessienne des d\u00e9riv\u00e9es partielles du second ordre : \u22072<\/sup>\u03b2<\/strong><\/sub> S(\u03b2<\/strong>) = 2 X<\/strong>T<\/sup>X<\/strong><\/em>. Pour peu que les colonnes de X<\/strong> soient lin\u00e9airement ind\u00e9pendantes, la matrice X<\/strong>T<\/sup>X<\/strong> est d\u00e9finie positive, ce qui \u00e9tablit la stricte convexit\u00e9 globale de la surface de r\u00e9ponse du RSS et assure math\u00e9matiquement l’existence et l’unicit\u00e9 du point stationnaire identifi\u00e9.<\/p>\n2.3 D\u00e9composition de la variance totale<\/h3>\n
L’\u00e9difice conceptuel de l’analyse de r\u00e9gression lin\u00e9aire repose sur la d\u00e9composition orthogonale de l’\u00e9cart quadratique global de la variable cible par rapport \u00e0 sa propre moyenne arithm\u00e9tique \u0233<\/em>. Cette somme totale des carr\u00e9s, conventionnellement d\u00e9nomm\u00e9e TSS<\/em> (pour Total Sum of Squares<\/em>), capture l’enti\u00e8ret\u00e9 de la variabilit\u00e9 empirique inh\u00e9rente \u00e0 la variable d\u00e9pendante avant toute tentative d’explication par le mod\u00e8le, s’\u00e9crivant TSS = \u2211 (yi<\/sub> – \u0233)2<\/sup><\/em>. En introduisant artificiellement le terme de pr\u00e9diction dans l’\u00e9cart individuel, nous obtenons l’identit\u00e9 suivante :<\/p>\nyi<\/sub> – \u0233 = (yi<\/sub> – \u0177i<\/sub>) + (\u0177i<\/sub> – \u0233)<\/em><\/p>\nEn \u00e9levant chacun des membres au carr\u00e9 et en sommant sur la totalit\u00e9 des n<\/em> observations, le terme crois\u00e9 de double produit 2 \u2211 (yi<\/sub> – \u0177i<\/sub>)(\u0177i<\/sub> – \u0233)<\/em> s’annule identiquement d\u00e8s lors que le mod\u00e8le int\u00e8gre une constante, en raison de l’orthogonalit\u00e9 fondamentale entre le vecteur des r\u00e9sidus et l’espace vectoriel engendr\u00e9 par les colonnes de r\u00e9gresseurs. Il en d\u00e9coule l’\u00e9quation de partitionnement cardinale de la variance :<\/p>\n\u2211i=1<\/sub>n<\/sup> (yi<\/sub> – \u0233)2<\/sup> = \u2211i=1<\/sub>n<\/sup> (\u0177i<\/sub> – \u0233)2<\/sup> + \u2211i=1<\/sub>n<\/sup> (yi<\/sub> – \u0177i<\/sub>)2<\/sup><\/em><\/p>\nCe qui s’exprime symboliquement sous la formulation fondamentale : TSS = ESS + RSS<\/em>, o\u00f9 ESS<\/em> (pour Explained Sum of Squares<\/em> ou somme des carr\u00e9s expliqu\u00e9e) mat\u00e9rialise la part de la variabilit\u00e9 globale explicit\u00e9e par l’agencement des r\u00e9gresseurs, tandis que RSS<\/em> incarne le r\u00e9sidu irr\u00e9ductible inexpliqu\u00e9.<\/p>\nD’un point de vue g\u00e9om\u00e9trique dans l’espace vectoriel euclidien \u00e0 n<\/em> dimensions \u211dn<\/em><\/sup>, le vecteur centr\u00e9 y<\/strong> – \u0233<\/em>1<\/strong> est projet\u00e9 orthogonalement sur le sous-espace vectoriel de dimension (k+1)<\/em> sous-tendu par la matrice de conception X<\/strong> via la matrice de projection orthogonale, souvent d\u00e9sign\u00e9e sous le terme de matrice chapeau (hat matrix<\/em>) H = X(XT<\/sup>X)-1<\/sup>XT<\/sup><\/strong>. Le vecteur r\u00e9siduel e = (I – H)y<\/strong> r\u00e9side ainsi dans le compl\u00e9ment orthogonal de cet espace vectoriel. En cons\u00e9quence directe du th\u00e9or\u00e8me de Pythagore appliqu\u00e9 dans cet espace euclidien de grande dimension, le carr\u00e9 de la longueur de l’hypot\u00e9nuse (TSS) est strictement \u00e9gal \u00e0 la somme des carr\u00e9s des longueurs des deux composantes projet\u00e9es orthogonales (ESS et RSS). Ce rapport de proportionnalit\u00e9 \u00e9claire la m\u00e9canique profonde de l’ajustement : toute r\u00e9duction du RSS se traduit obligatoirement par une augmentation \u00e9quivalente de l’ESS, r\u00e9tr\u00e9cissant ainsi le volume d’incertitude associ\u00e9 au ph\u00e9nom\u00e8ne examin\u00e9.<\/p>\n3. Configuration de l’environnement R et pr\u00e9paration des donn\u00e9es<\/h2>\n3.1 Initialisation de la session R et principes de reproductibilit\u00e9<\/h3>\n
L’analyse rigoureuse de mod\u00e8les lin\u00e9aires au sein de l’environnement de programmation R impose le respect de standards d’hygi\u00e8ne logicielle garantissant la tra\u00e7abilit\u00e9 int\u00e9grale des calculs et la parfaite reproductibilit\u00e9 des r\u00e9sultats num\u00e9riques. L’initialisation d’une session de travail scientifique d\u00e9bute imp\u00e9rativement par la clarification de l’espace de m\u00e9moire virtuelle et la sp\u00e9cification m\u00e9thodique du r\u00e9pertoire d’ex\u00e9cution racine. Il est vivement proscrit de s’appuyer sur des environnements pr\u00e9existants conserv\u00e9s dans des fichiers invisibles de sauvegarde d’\u00e9tat, car ils introduisent un risque majeur de pollution variable et de d\u00e9pendances cach\u00e9es non d\u00e9clar\u00e9es.<\/p>\n
Sur le plan pratique, l’utilisation de scripts document\u00e9s structur\u00e9s selon une logique lin\u00e9aire d’ex\u00e9cution \u2014 souvent facilit\u00e9e par des formats computationnels tels que R Markdown ou Quarto \u2014 permet d’assurer qu’aucune op\u00e9ration interm\u00e9diaire ne demeure implicite. Par ailleurs, lorsque le protocole statistique int\u00e8gre des processus d’\u00e9chantillonnage al\u00e9atoire, de partitionnement d’\u00e9chantillons d’apprentissage et de validation, ou des calculs de r\u00e9\u00e9chantillonnage par r\u00e9\u00e9chantillonnage bootstrap, il est primordial de verrouiller le g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires \u00e0 l’aide de la commande set.seed()<\/code>. La fixation de cette graine garantit que les simulations num\u00e9riques et les tirages stochastiques pourront \u00eatre reproduits \u00e0 l’identique par tout tiers r\u00e9examinant le code source sur une machine ind\u00e9pendante.<\/p>\nEn outre, la pr\u00e9cision d’affichage de la console R peut \u00eatre ajust\u00e9e d\u00e8s l’ouverture de la session \u00e0 l’aide de la commande d’environnement options(digits = 7, scipen = 999)<\/code>. L’argument scipen<\/code> (pour scientific penalty<\/em>) modul\u00e9 \u00e0 une valeur positive \u00e9lev\u00e9e \u00e9vite que le moteur d’\u00e9valuation n’adopte pr\u00e9matur\u00e9ment une notation exponentielle condenserait la lecture des petits \u00e9carts quadratiques, facilitant ainsi la d\u00e9tection visuelle d’infimes variations r\u00e9siduelles lors de l’estimation s\u00e9quentielle de mod\u00e8les imbriqu\u00e9s.<\/p>\n3.2 Importation et inspection structurelle du jeu de donn\u00e9es<\/h3>\n
La structuration et le chargement m\u00e9thodique des matrices de donn\u00e9es constituent le pr\u00e9requis obligatoire avant toute manipulation de mod\u00e9lisation par r\u00e9gression. Les vecteurs empiriques doivent \u00eatre consolid\u00e9s au sein d’une structure de classe data.frame<\/code> ou tibble<\/code>, formats canoniques dans lesquels chaque rang\u00e9e correspond sans ambigu\u00eft\u00e9 \u00e0 une unit\u00e9 observationnelle autonome et chaque colonne \u00e0 une variable op\u00e9rationnalis\u00e9e distincte. L’importation s’op\u00e8re typiquement au moyen de fonctions optimis\u00e9es pour les fichiers d\u00e9limit\u00e9s, \u00e0 l’image de read.csv()<\/code> ou readRDS()<\/code> pour les sauvegardes binaires natives de R.<\/p>\nD\u00e8s le chargement op\u00e9r\u00e9, l’analyste se doit de proc\u00e9der \u00e0 un examen scrupuleux de l’anatomie interne de l’objet \u00e0 l’aide des fonctions fondamentales str()<\/code> (structure) et summary()<\/code> (r\u00e9sum\u00e9 synth\u00e9tique). La premi\u00e8re commande valide les types de donn\u00e9es attribu\u00e9s par l’interpr\u00e9teur : elle permet de certifier que les variables d\u00e9pendantes continues ont bien \u00e9t\u00e9 reconnues comme des vecteurs num\u00e9riques (numeric<\/code> ou double<\/code>) et non par m\u00e9garde comme des facteurs nominaux ou des cha\u00eenes de caract\u00e8res (character<\/code>), une anomalie fr\u00e9quente induite par la pr\u00e9sence de s\u00e9parateurs d\u00e9cimaux h\u00e9t\u00e9rog\u00e8nes. La commande head()<\/code>, coupl\u00e9e \u00e0 tail()<\/code>, vient clore cette inspection visuelle primaire en restituant respectivement les premi\u00e8res et derni\u00e8res occurrences de la base d’apprentissage.<\/p>\nParall\u00e8lement, la d\u00e9tection pr\u00e9coce des valeurs manquantes (not\u00e9es NA<\/code> sous R) s’av\u00e8re critique pour la stabilit\u00e9 ult\u00e9rieure des algorithmes d’optimisation. L’utilisation combin\u00e9e des fonctions logiques anyNA()<\/code> et colSums(is.na(donnees))<\/code> quantifie l’\u00e9tendue du d\u00e9ficit informationnel pour chaque variable. Dans l’\u00e9ventualit\u00e9 o\u00f9 des donn\u00e9es seraient incompl\u00e8tes, une r\u00e9flexion m\u00e9thodologique s’impose : l’exclusion pure et simple des rang\u00e9es incompl\u00e8tes par filtrage modifie la population parente effectivement mod\u00e9lis\u00e9e, tandis que le recours \u00e0 des proc\u00e9dures d’imputation statistique multiple pr\u00e9serve la puissance et la repr\u00e9sentativit\u00e9 de l’\u00e9chantillon tout en \u00e9vitant des distorsions pr\u00e9judiciables dans l’estimation ult\u00e9rieure du RSS.<\/p>\n3.3 V\u00e9rification des conditions pr\u00e9alables \u00e0 la r\u00e9gression<\/h3>\n
L’estimation lin\u00e9aire par les MCO et la confiance accord\u00e9e au RSS en tant que statistique d’ajustement optimale supposent la validit\u00e9 de plusieurs conditions structurelles r\u00e9gissant la distribution empirique des covariables et de la variable d\u00e9pendante. La premi\u00e8re d’entre elles concerne le postulat de lin\u00e9arit\u00e9 globale univari\u00e9e et multivari\u00e9e reliant la r\u00e9ponse conditionnelle aux pr\u00e9dicteurs. L’examen minutieux des diagrammes de dispersion bivari\u00e9s (scatter plots<\/em>) appuy\u00e9s par des courbes de lissage local non param\u00e9trique (comme les r\u00e9gressions loess<\/code>) permet d’identifier l’\u00e9ventuelle \u00e9mergence d’asym\u00e9tries fonctionnelles, de relations curvilin\u00e9aires ou de ruptures de tendance qui disqualifieraient l’ajustement d’un hyperplan rectiligne standard.<\/p>\nLa seconde condition porte sur l’examen de la distribution et de la dispersion pr\u00e9liminaire de la variable d\u00e9pendante. Si l’hypoth\u00e8se de normalit\u00e9 porte formellement sur les erreurs stochastiques non observables et non sur les variables brutes, une asym\u00e9trie marqu\u00e9e (skewness<\/em> prononc\u00e9e) ou un aplatissement excessif (kurtosis<\/em> extr\u00eame) de la variable r\u00e9ponse engendre souvent une forte concentration de r\u00e9sidus aberrants en extr\u00e9mit\u00e9 de spectre. La mise en \u0153uvre de transformations math\u00e9matiques univari\u00e9es pr\u00e9alables \u2014 telles que la transformation logarithmique n\u00e9p\u00e9rienne log()<\/code> ou la classe g\u00e9n\u00e9rique des transformations de Box-Cox \u2014 permet fr\u00e9quemment de stabiliser la variance globale et de restaurer des relations de quasi-lin\u00e9arit\u00e9 adapt\u00e9es \u00e0 l’optimisation par MCO.<\/p>\nEnfin, le tri et le nettoyage m\u00e9thodique des donn\u00e9es n\u00e9cessitent d’isoler les art\u00e9facts de mesure, les valeurs aberrantes manifestes issues d’erreurs de saisie et les z\u00e9ros structurels non pertinents. Dans les protocoles de psychologie quantitative ou d’\u00e9valuation psychom\u00e9trique, l’exclusion justifiable d’observations contamin\u00e9es par des temps de r\u00e9ponse invraisemblablement courts (r\u00e9ponses au hasard) ou longs (distraction manifeste du sujet) permet de pr\u00e9server l’estimation du mod\u00e8le d’une inflation artificielle du RSS qui fausserait l’appr\u00e9ciation r\u00e9elle du pouvoir pr\u00e9dictif des variables psychologiques sous revue.<\/p>\n
4. Ajustement d’un mod\u00e8le de r\u00e9gression lin\u00e9aire avec la fonction lm()<\/h2>\n4.1 Syntaxe formelle et param\u00e9trage de l’objet mod\u00e8le<\/h3>\n
Le langage R propose une abstraction fonctionnelle unifi\u00e9e et d’une rare \u00e9l\u00e9gance pour l’ajustement des architectures lin\u00e9aires \u00e0 travers la primitive lm()<\/code>, acronyme direct de linear model<\/em>. Cette fonction repose sur un syst\u00e8me d’\u00e9criture formel fond\u00e9 sur la grammaire des formules introduite par Wilkinson et Rogers. L’op\u00e9rateur tilde ~<\/code> op\u00e8re une scission fondamentale au sein de l’expression math\u00e9matique : la variable d\u00e9pendante d’int\u00e9r\u00eat est positionn\u00e9e sur le flanc gauche, tandis que les pr\u00e9dicteurs explicatifs sont agenc\u00e9s sur le flanc droit, articul\u00e9s par divers op\u00e9rateurs arithm\u00e9tiques symboliques (l’addition +<\/code> pour un effet purement lin\u00e9aire additif, les deux-points :<\/code> pour un terme d’interaction, ou la multiplication *<\/code> pour int\u00e9grer simultan\u00e9ment les effets principaux et leur interaction de second ordre).<\/p>\nL’invocation d’un mod\u00e8le lin\u00e9aire sous sa forme formelle canonique adopte ainsi le sch\u00e9ma d’assignation suivant :<\/p>\n
modele_lineaire <- lm(formule = y ~ x1 + x2, data = donnees_analyse)<\/code><\/p>\n