{"id":6075,"date":"2026-09-16T04:38:30","date_gmt":"2026-09-16T04:38:30","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/calculer-somme-carres-residus-excel\/"},"modified":"2026-09-16T04:38:37","modified_gmt":"2026-09-16T04:38:37","slug":"calculer-somme-carres-residus-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=calculer-somme-carres-residus-excel","title":{"rendered":"Comment calculer la somme des carr\u00e9s des r\u00e9sidus dans Excel"},"content":{"rendered":"

Dans le champ de l’\u00e9conom\u00e9trie appliqu\u00e9e, de la biom\u00e9trie et de la psychom\u00e9trie contemporaine, la mod\u00e9lisation statistique lin\u00e9aire demeure la pierre angulaire de l’analyse des relations de d\u00e9pendance entre variables. Qu’il s’agisse d’\u00e9valuer l’impact d’un stress physiologique sur des performances cognitives ou d’isoler des facteurs pr\u00e9dictifs au sein d’une cohorte clinique, l’estimation des param\u00e8tres structuraux repose sur un crit\u00e8re fondamental d’ad\u00e9quation empirique. Au c\u0153ur de cette architecture math\u00e9matique se trouve la somme des carr\u00e9s des r\u00e9sidus<\/strong>, commun\u00e9ment d\u00e9sign\u00e9e sous l’acronyme SCR en fran\u00e7ais ou Residual Sum of Squares<\/em> (RSS) dans la litt\u00e9rature internationale. Cette m\u00e9trique quantifie l’inad\u00e9quation globale d’un mod\u00e8le en agr\u00e9geant l’\u00e9nergie quadratique des d\u00e9viations inexpliqu\u00e9es entre les observations factuelles et les pr\u00e9dictions th\u00e9oriques du mod\u00e8le.<\/p>\n

Le tableur Microsoft Excel s’est impos\u00e9 comme une interface computationnelle omnipr\u00e9sente au sein des laboratoires universitaires, des d\u00e9partements de recherche clinique et des organisations d’analyse d\u00e9cisionnelle. Si des environnements d\u00e9di\u00e9s comme R, Python, SAS ou SPSS monopolisent les publications sp\u00e9cialis\u00e9es de pointe, Excel demeure l’outil d’audit pr\u00e9liminaire, d’exploration et de transmission p\u00e9dagogique par excellence. N\u00e9anmoins, l’obtention rigoureuse de la somme des carr\u00e9s des r\u00e9sidus dans un tableur ne saurait se r\u00e9duire \u00e0 une simple manipulation m\u00e9canique de cellules. Elle exige une ma\u00eetrise approfondie des principes math\u00e9matiques sous-jacents, une vigilance constante quant \u00e0 la topologie matricielle des plages de calcul, ainsi qu’une compr\u00e9hension claire des algorithmes internes exploit\u00e9s par le moteur de calcul de Microsoft.<\/p>\n

Ce guide exhaustif a pour vocation d’analyser en profondeur les fondements th\u00e9oriques, les modalit\u00e9s techniques de calcul et les implications pratiques de la somme des carr\u00e9s des r\u00e9sidus sous Excel. Nous examinerons successivement l’ancrage conceptuel de la SCR dans la m\u00e9thode des moindres carr\u00e9s ordinaires, les protocoles de pr\u00e9paration matricielle des donn\u00e9es psychom\u00e9triques, les trois approches op\u00e9ratoires majeures sous Excel \u2014 de la d\u00e9composition arithm\u00e9tique pas \u00e0 pas jusqu’\u00e0 la vectorisation dynamique via la fonction matricielle DROITEREG<\/code> et l’Utilitaire d’analyse \u2014, avant d’aborder les extensions multivari\u00e9es, les diagnostics d’ajustement r\u00e9siduel et les imp\u00e9ratifs de reproductibilit\u00e9 scientifique.<\/p>\n

1. Fondements th\u00e9oriques de la somme des carr\u00e9s des r\u00e9sidus en mod\u00e9lisation statistique<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et conceptuelle du r\u00e9sidu statistique<\/h3>\n

Dans le cadre d’un mod\u00e8le de r\u00e9gression lin\u00e9aire simple ou multiple, le r\u00e9sidu statistique empirique, formellement d\u00e9sign\u00e9 par la notation $e_i$<\/span>, repr\u00e9sente l’\u00e9cart arithm\u00e9tique pr\u00e9cis constat\u00e9 pour une observation individuelle $i$<\/span> entre sa valeur empirique observ\u00e9e $y_i$<\/span> sur la variable r\u00e9ponse et sa valeur estim\u00e9e ou pr\u00e9dite $\\hat{y}_i$<\/span> g\u00e9n\u00e9r\u00e9e par l’hyperplan de r\u00e9gression. Cette relation s’\u00e9tablit selon l’\u00e9quation canonique :<\/p>\n

$$e_i = y_i – \\hat{y}_i$$<\/span><\/p>\n

D’un point de vue psychom\u00e9trique et exp\u00e9rimental, ce r\u00e9sidu incarne la part d’erreur de mesure non capt\u00e9e par les variables explicatives s\u00e9lectionn\u00e9es, la variabilit\u00e9 idiosyncratique du sujet, ainsi que l’effet agr\u00e9g\u00e9 de multiples influences stochastiques non mod\u00e9lis\u00e9es. Il est imp\u00e9ratif d’op\u00e9rer une distinction \u00e9pist\u00e9mologique stricte entre les perturbations th\u00e9oriques inobservables, traditionnellement not\u00e9es $\\varepsilon_i$<\/span>, associ\u00e9es au processus g\u00e9n\u00e9rateur de donn\u00e9es sous-jacent dans la population m\u00e8re, et les r\u00e9sidus empiriques $e_i$<\/span>, qui constituent de simples estimations d’\u00e9chantillon conditionn\u00e9es par les param\u00e8tres sp\u00e9cifiques calcul\u00e9s via les donn\u00e9es disponibles.<\/p>\n

Selon les pr\u00e9ceptes cardinaux \u00e9tablis par Carl Friedrich Gauss et Adrien-Marie Legendre dans le cadre de la m\u00e9thode des moindres carr\u00e9s ordinaires<\/a> (MCO), les estimateurs empiriques sont d\u00e9riv\u00e9s de mani\u00e8re \u00e0 forcer deux propri\u00e9t\u00e9s fondamentales de l’\u00e9chantillon : d’une part, la somme alg\u00e9brique des r\u00e9sidus est rigoureusement nulle ($\\sum_{i=1}^{N} e_i = 0$<\/span>), garantissant l’absence de biais syst\u00e9matique global, et d’autre part, le vecteur des r\u00e9sidus est rigoureusement orthogonal au sous-espace vectoriel sous-tendu par les r\u00e9gresseurs, ce qui implique que la covariance d’\u00e9chantillon entre les variables pr\u00e9dictives et les r\u00e9sidus est exactement \u00e9gale \u00e0 z\u00e9ro.<\/p>\n

1.2 R\u00f4le de la somme des carr\u00e9s des r\u00e9sidus dans l’\u00e9valuation de l’ajustement<\/h3>\n

La somme des carr\u00e9s des r\u00e9sidus (SCR), formalis\u00e9e math\u00e9matiquement par l’expression :<\/p>\n

$$SCR = \\sum_{i=1}^{N} e_i^2 = \\sum_{i=1}^{N} (y_i – \\hat{y}_i)^2$$<\/span><\/p>\n

repr\u00e9sente la m\u00e9trique fondamentale quantifiant la variabilit\u00e9 r\u00e9siduelle totale non expliqu\u00e9e par l’\u00e9quation de r\u00e9gression. Le choix d’une fonction de perte quadratique \u2014 par opposition \u00e0 une norme absolue de type d\u00e9viation moyenne absolue \u2014 repose sur des justifications d’une grande rigueur alg\u00e9brique et probabiliste. Historiquement, l’\u00e9l\u00e9vation au carr\u00e9 conf\u00e8re \u00e0 la fonction d’erreur des propri\u00e9t\u00e9s diff\u00e9rentielles optimales, autorisant un calcul analytique direct des param\u00e8tres par simple annulation des d\u00e9riv\u00e9es partielles (les \u00e9quations normales).<\/p>\n

Cependant, cette structure quadratique induit une sensibilit\u00e9 exacerb\u00e9e aux \u00e9carts de grande amplitude. Une observation individuelle s’\u00e9cartant substantiellement de la trajectoire moyenne exercera un poids disproportionn\u00e9 sur la magnitude finale de la SCR, puisque sa d\u00e9viation est multipli\u00e9e par elle-m\u00eame. Dans une perspective d’optimisation, la minimisation de la SCR constitue le crit\u00e8re s\u00e9lectif exclusif qui d\u00e9termine l’emplacement et l’orientation g\u00e9om\u00e9trique de la droite ou de l’hyperplan au sein de l’espace euclidien multidimensionnel. Lors de la confrontation de plusieurs mod\u00e8les concurrents appliqu\u00e9s \u00e0 un \u00e9chantillon rigoureusement identique, le mod\u00e8le minimisant la SCR sera jug\u00e9 m\u00e9caniquement sup\u00e9rieur en termes d’ad\u00e9quation descriptive directe aux donn\u00e9es de l’\u00e9chantillon.<\/p>\n

\"\"<\/figure>\n

1.3 D\u00e9composition de la variance totale au sein du mod\u00e8le lin\u00e9aire<\/h3>\n

La compr\u00e9hension pleine et enti\u00e8re de la port\u00e9e statistique de la SCR n\u00e9cessite son insertion au sein de l’\u00e9quation fondamentale de d\u00e9composition de la variance<\/a>. La dispersion globale observ\u00e9e de la variable r\u00e9ponse par rapport \u00e0 sa propre moyenne arithm\u00e9tique $\\bar{y}$<\/span> est mesur\u00e9e par la Somme des Carr\u00e9s Totale (SCT, ou Total Sum of Squares<\/em>, SST) :<\/p>\n

$$SCT = \\sum_{i=1}^{N} (y_i – \\bar{y})^2$$<\/span><\/p>\n

En vertu du th\u00e9or\u00e8me de Pythagore appliqu\u00e9 aux espaces hilbertiens dans lesquels s’op\u00e8rent les projections orthogonales des MCO, cette quantit\u00e9 scalaire se scinde de mani\u00e8re exacte et sans terme crois\u00e9 en deux composantes mutuellement exclusives :<\/p>\n

$$SCT = SCM + SCR$$<\/span><\/p>\n

o\u00f9 la Somme des Carr\u00e9s du Mod\u00e8le (SCM, ou Explained Sum of Squares<\/em>, SSE\/SSM) traduit la variation capt\u00e9e par la droite de r\u00e9gression :<\/p>\n

$$SCM = \\sum_{i=1}^{N} (\\hat{y}_i – \\bar{y})^2$$<\/span><\/p>\n

Cette relation structurelle permet de d\u00e9river directement le coefficient de d\u00e9termination univari\u00e9 ou multivari\u00e9, not\u00e9 $R^2$<\/span>, d\u00e9fini comme la proportion de la variance totale imputable \u00e0 la structure explicative du mod\u00e8le :<\/p>\n

$$R^2 = \\frac{SCM}{SCT} = 1 – \\frac{SCR}{SCT}$$<\/span><\/p>\n

Dans les sciences du comportement, o\u00f9 les ph\u00e9nom\u00e8nes psychologiques int\u00e8grent intrins\u00e8quement une forte composante stochastique, ce ratio offre aux chercheurs un barom\u00e8tre d’\u00e9valuation de la robustesse pr\u00e9dictive de leurs constructions th\u00e9oriques, isolant l’incertitude r\u00e9siduelle incontournable de l’effet mod\u00e9lis\u00e9.<\/p>\n

2. Structuration et pr\u00e9traitement des donn\u00e9es psychologiques sous Excel<\/h2>\n

2.1 Organisation matricielle des variables ind\u00e9pendantes et d\u00e9pendantes<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle de calculs statistiques avanc\u00e9s au sein d’un tableur requiert une rigueur absolue dans l’agencement topologique des jeux de donn\u00e9es. La disposition canonique adopt\u00e9e en psychom\u00e9trie quantitative impose une structure matricielle bidimensionnelle standardis\u00e9e o\u00f9 les lignes horizontales figurent les unit\u00e9s d’observation distinctes (les sujets ou participants \u00e0 l’\u00e9tude) et les colonnes verticales accueillent les variables d’int\u00e9r\u00eat. Pour optimiser les calculs matriciels ult\u00e9rieurs sous Excel, la variable d\u00e9pendante ou crit\u00e8re ($Y$<\/span>) doit \u00eatre positionn\u00e9e dans une colonne clairement identifi\u00e9e, tandis que la ou les variables ind\u00e9pendantes ($X$<\/span>) doivent \u00eatre organis\u00e9es en colonnes imm\u00e9diatement adjacentes et contigu\u00ebs, ce qui \u00e9vite les discontinuit\u00e9s de plage lors des appels de fonctions sp\u00e9cialis\u00e9es.<\/p>\n

Chaque variable continue issue d’inventaires psychom\u00e9triques ou de mesures chronom\u00e9triques doit faire l’objet d’un contr\u00f4le de typologie au niveau des cellules Excel. Il convient de s’assurer que le format de cellule est explicitement configur\u00e9 sur \u00ab Nombre \u00bb avec un s\u00e9parateur d\u00e9cimal strictement conforme aux param\u00e8tres r\u00e9gionaux du syst\u00e8me d’exploitation (g\u00e9n\u00e9ralement la virgule dans l’environnement francophone). L’int\u00e9grit\u00e9 r\u00e9f\u00e9rentielle du tableau gagne \u00e0 \u00eatre renforc\u00e9e par le nommage formel des plages de cellules via le Gestionnaire de noms d’Excel. En attribuant par exemple le libell\u00e9 Score_Stress<\/code> \u00e0 la plage B2:B51<\/code> et Score_Anxiete<\/code> \u00e0 la plage C2:C51<\/code>, l’analyste s\u00e9curise la formulation syntaxique de ses algorithmes et pr\u00e9vient les erreurs de glissement de r\u00e9f\u00e9rences lors de recopies incr\u00e9mentales complexes.<\/p>\n

2.2 Identification et traitement des observations aberrantes<\/h3>\n

En raison de l’\u00e9l\u00e9vation au carr\u00e9 inh\u00e9rente au calcul de la SCR, la pr\u00e9sence d’une unique observation atypique au sein d’un \u00e9chantillon psychologique peut exercer une distorsion majeure sur l’estimation globale du mod\u00e8le. Avant toute proc\u00e9dure d’ajustement, une phase de criblage univari\u00e9 et bivari\u00e9 s’impose. Sous Excel, l’analyste peut g\u00e9n\u00e9rer une colonne d’\u00e9valuation des scores standardis\u00e9s (scores $Z$<\/span>) en utilisant la fonction CENTREE.REDUITE<\/code>, ou en appliquant la transformation \u00e9l\u00e9mentaire :<\/p>\n

$$Z_i = \\frac{X_i – \\bar{X}}{s}$$<\/span><\/p>\n

o\u00f9 la moyenne $\\bar{X}$<\/span> est obtenue par =MOYENNE()<\/code> et l’\u00e9cart-type d’\u00e9chantillon $s$<\/span> par =ECARTYPE.STANDARD()<\/code>. Un score absolu exc\u00e9dant la valeur critique de 3, ou m\u00eame 2,5 dans de petits \u00e9chantillons, signale une observation potentiellement discordante.<\/p>\n

Face \u00e0 de telles anomalies, deux strat\u00e9gies m\u00e9thodologiques pr\u00e9valent : l’exclusion argument\u00e9e du participant ou la winsorisation<\/a>. La winsorisation consiste \u00e0 ramener la valeur d\u00e9viante au percentile acceptable le plus proche (par exemple le 95e percentile), limitant son influence d\u00e9l\u00e9t\u00e8re sans amoindrir la taille de l’\u00e9chantillon. Dans tous les cas de figure, l’impact de la r\u00e9tention ou de l’\u00e9viction de ces donn\u00e9es extr\u00eames sur la magnitude de la SCR finale doit \u00eatre rigoureusement consign\u00e9 dans un journal d’audit analytique, afin d’assurer l’int\u00e9grit\u00e9 d\u00e9ontologique de la recherche empirique.<\/p>\n

2.3 Contr\u00f4le pr\u00e9liminaire des postulats de lin\u00e9arit\u00e9<\/h3>\n

Le calcul et l’interpr\u00e9tation de la somme des carr\u00e9s des r\u00e9sidus reposent sur le postulat implicite que la relation unissant les r\u00e9gresseurs au crit\u00e8re est fondamentalement de nature lin\u00e9aire. Poser l’hypoth\u00e8se de lin\u00e9arit\u00e9 sans validation visuelle pr\u00e9alable expose le praticien \u00e0 d’importantes erreurs d’inf\u00e9rence. Excel dispose d’outils graphiques permettant de contr\u00f4ler ce postulat en ins\u00e9rant un diagramme de dispersion bivari\u00e9 (\u00ab Nuage de points \u00bb) croisant la variable explicative en abscisse et la variable d\u00e9pendante en ordonn\u00e9e.<\/p>\n

Une fois le nuage trac\u00e9, l’adjonction instantan\u00e9e d’une courbe de tendance lin\u00e9aire via les options graphiques permet d’\u00e9valuer visuellement la trajectoire des points exp\u00e9rimentaux. L’apparition d’une inflexion curviligne, d’une trajectoire parabolique ou d’effets de seuil prononc\u00e9s signale une inad\u00e9quation structurelle du mod\u00e8le lin\u00e9aire simple. Si une non-lin\u00e9arit\u00e9 s\u00e9v\u00e8re est d\u00e9tect\u00e9e, la minimisation de la SCR par une droite fournira une mesure artificiellement gonfl\u00e9e de l’erreur r\u00e9siduelle, celle-ci int\u00e9grant un biais de sp\u00e9cification morphologique qui aurait pu \u00eatre r\u00e9solu par l’introduction d’un terme polynomial ou d’une transformation logarithmique pr\u00e9alable.<\/p>\n

3. M\u00e9thode pas \u00e0 pas : Calcul arithm\u00e9tique manuel de la SCR dans Excel<\/h2>\n

3.1 Estimation des param\u00e8tres de la r\u00e9gression via PENTE et ORDONNEE.ORIGINE<\/h3>\n

La m\u00e9thode p\u00e9dagogique et analytique par excellence consiste \u00e0 d\u00e9composer le flux computationnel cellule par cellule. Cette approche manuelle garantit une tra\u00e7abilit\u00e9 int\u00e9grale de chaque transformation arithm\u00e9tique. La premi\u00e8re \u00e9tape op\u00e9rationnelle exige l’estimation ponctuelle des deux coefficients de la droite de r\u00e9gression univari\u00e9e : la pente structurale ($\\beta_1$<\/span>) et l’ordonn\u00e9e \u00e0 l’origine ou constante ($\\beta_0$<\/span>).<\/p>\n

Pour calculer la pente $\\beta_1$<\/span>, Excel int\u00e8gre la fonction native PENTE<\/code>. La formulation syntaxique requiert une attention soutenue quant \u00e0 l’ordonnancement des vecteurs d’entr\u00e9e. Il convient d’\u00e9crire imp\u00e9rativement :<\/p>\n

=PENTE(plage_Y; plage_X)<\/code><\/p>\n

L’inversion accidentelle de ces deux arguments constitue l’une des erreurs les plus r\u00e9currentes dans l’usage statistique d’Excel, inversant de facto la direction de causalit\u00e9 mod\u00e9lis\u00e9e. Dans une cellule mitoyenne, l’ordonn\u00e9e \u00e0 l’origine $\\beta_0$<\/span> est d\u00e9riv\u00e9e au moyen de la fonction ORDONNEE.ORIGINE<\/code> selon la m\u00eame syntaxe rigoureuse :<\/p>\n

=ORDONNEE.ORIGINE(plage_Y; plage_X)<\/code><\/p>\n

Il importe de conserver ces valeurs calcul\u00e9es dans leurs cellules de destination sans jamais appliquer d’arrondis interm\u00e9diaires manuels, afin de pr\u00e9server l’enti\u00e8re pr\u00e9cision de l’arithm\u00e9tique en virgule flottante 64 bits impl\u00e9ment\u00e9e par le moteur de calcul du tableur.<\/p>\n

3.2 G\u00e9n\u00e9ration de la colonne des valeurs pr\u00e9dites y\u0302<\/h3>\n

Une fois les param\u00e8tres d’ajustement stabilis\u00e9s, il devient possible de calculer l’estimation th\u00e9orique pour chacun des individus de la cohorte. Supposons que les observations de la variable d\u00e9pendante $Y$<\/span> soient log\u00e9es dans la plage B2:B51<\/code>, que la variable pr\u00e9dictive $X$<\/span> r\u00e9side en A2:A51<\/code>, et que les coefficients $\\beta_1$<\/span> et $\\beta_0$<\/span> aient \u00e9t\u00e9 respectivement calcul\u00e9s dans les cellules E1<\/code> et E2<\/code>.<\/p>\n

Dans une colonne d\u00e9di\u00e9e, par exemple la colonne C d\u00e9butant \u00e0 la cellule C2<\/code>, l’analyste sp\u00e9cifie l’\u00e9quation d’estimation lin\u00e9aire en associant la valeur observ\u00e9e du r\u00e9gresseur aux coefficients fix\u00e9s :<\/p>\n

=$E$<\/span>1*A2 + $E$<\/span>2<\/code><\/p>\n

L’utilisation syst\u00e9matique du symbole dollar ($<\/code>) pour verrouiller les coordonn\u00e9es absolues des cellules h\u00e9bergeant les param\u00e8tres est indispensable. Lors de la propagation incr\u00e9mentale de la formule vers le bas (par double-clic sur la poign\u00e9e de recopie jusqu’\u00e0 la cellule C51<\/code>), l’adressage relatif ajustera la variable $X$<\/span> d’observation en observation (de A2<\/code> \u00e0 A51<\/code>) tout en maintenant constants les coefficients d’estimation. \u00c0 des fins de validation de coh\u00e9rence interne, l’analyste v\u00e9rifiera que la moyenne arithm\u00e9tique de la colonne des pr\u00e9dictions (=MOYENNE(C2:C51)<\/code>) est strictement identique, \u00e0 la tol\u00e9rance de calcul pr\u00e8s, \u00e0 la moyenne empirique de la variable observ\u00e9e d’origine (=MOYENNE(B2:B51)<\/code>).<\/p>\n

\"Residual
Residual sum of squares in Excel<\/figcaption><\/figure>\n

3.3 Calcul des r\u00e9sidus individuels et de leurs carr\u00e9s<\/h3>\n

Le calcul des \u00e9carts r\u00e9siduels individuels s’op\u00e8re dans une nouvelle colonne adjacente, par exemple la colonne D. En cellule D2<\/code>, la formalisation de l’erreur empirique s’obtient par la simple soustraction arithm\u00e9tique de la valeur mod\u00e9lis\u00e9e \u00e0 la valeur r\u00e9ellement mesur\u00e9e :<\/p>\n

=B2 - C2<\/code><\/p>\n

Cette formule est ensuite r\u00e9pliqu\u00e9e sur toute la hauteur de la cohorte jusqu’en D51<\/code>. L’analyste attentif pourra ins\u00e9rer un test de contr\u00f4le imm\u00e9diat en calculant la somme simple de cette colonne par =SOMME(D2:D51)<\/code>. Conform\u00e9ment aux propri\u00e9t\u00e9s math\u00e9matiques d\u00e9montr\u00e9es dans la section 1.1, cette sommation doit converger vers z\u00e9ro. En pratique, en raison de l’impr\u00e9cision inh\u00e9rente \u00e0 la repr\u00e9sentation binaire des nombres r\u00e9els d\u00e9cimaux selon la norme IEEE 754, Excel affichera une valeur infinit\u00e9simale de l’ordre de $10^{-14}$<\/span> ou $10^{-15}$<\/span>, attestant de la rectitude de l’estimation.<\/p>\n

L’\u00e9tape imm\u00e9diatement cons\u00e9cutive r\u00e9side dans l’\u00e9l\u00e9vation au carr\u00e9 de ces d\u00e9viations individuelles. Dans la colonne E, \u00e0 partir de la ligne 2, la formule impl\u00e9mente l’op\u00e9rateur d’\u00e9l\u00e9vation \u00e0 la puissance (^2<\/code>) :<\/p>\n

=D2^2<\/code><\/p>\n

Cette transformation produit une s\u00e9rie scalaire strictement positive, neutralisant les compensations de signes et p\u00e9nalisant les \u00e9carts d’amplitude majeure conform\u00e9ment \u00e0 la m\u00e9trique de Gauss-Legendre.<\/p>\n

3.4 Agr\u00e9gation finale au moyen de la fonction SOMME<\/h3>\n

La sommation terminale mat\u00e9rialisant la m\u00e9trique recherch\u00e9e intervient alors par l’application de la fonction de r\u00e9duction SOMME<\/code> sur l’int\u00e9gralit\u00e9 de la colonne des carr\u00e9s r\u00e9siduels. Au bas de la plage, ou au sein d’une cellule de synth\u00e8se r\u00e9serv\u00e9e dans un tableau de bord analytique, la commande suivante est ex\u00e9cut\u00e9e :<\/p>\n

=SOMME(E2:E51)<\/code><\/p>\n

Le r\u00e9sultat renvoy\u00e9 constitue la valeur d\u00e9finitive et sans biais de la somme des carr\u00e9s des r\u00e9sidus (SCR) pour le jeu de donn\u00e9es analys\u00e9. Par d\u00e9finition structurelle, ce nombre r\u00e9el doit \u00eatre strictement sup\u00e9rieur ou \u00e9gal \u00e0 z\u00e9ro. Une valeur th\u00e9orique \u00e9gale \u00e0 z\u00e9ro caract\u00e9riserait un alignement absolu de la totalit\u00e9 des points exp\u00e9rimentaux sur la droite de r\u00e9gression, configuration hautement improbable dans les disciplines empiriques.<\/p>\n

L’int\u00e9r\u00eat didactique majeur de cette m\u00e9thode modulaire r\u00e9side dans la transparence de l’auditabilit\u00e9 : si une valeur empirique est modifi\u00e9e en cellule B5<\/code> pour simuler un sc\u00e9nario prospectif, l’ensemble des colonnes d\u00e9pendantes r\u00e9percute l’effet en cascade de mani\u00e8re transparente, permettant d’observer en temps r\u00e9el la sensibilit\u00e9 de la SCR aux alt\u00e9rations locales de donn\u00e9es.<\/p>\n

4. M\u00e9thode matricielle avanc\u00e9e : Extraction directe de la SCR via DROITEREG<\/h2>\n

4.1 Syntaxe exhaustive et param\u00e9trage des arguments de DROITEREG<\/h3>\n

Pour les analyses n\u00e9cessitant rapidit\u00e9 d’ex\u00e9cution, compacit\u00e9 du classeur et suppression des colonnes interm\u00e9diaires volumineuses, Microsoft Excel propose une fonction matricielle native de haut niveau : la fonction DROITEREG<\/code> (d\u00e9sign\u00e9e sous l’appellation LINEST<\/em> dans les versions anglophones). Cette fonction ex\u00e9cute directement l’estimation des MCO selon une formalisation vectorielle interne. Sa syntaxe standardis\u00e9e s’articule autour de quatre arguments :<\/p>\n

=DROITEREG(y_connus; [x_connus]; [constante]; [statistiques])<\/code><\/p>\n

Le premier argument, y_connus<\/code>, h\u00e9berge la plage de cellules continues contenant la variable d\u00e9pendante. Le second, x_connus<\/code>, correspond \u00e0 la plage de la ou des variables explicatives. Le troisi\u00e8me argument est une valeur logique bool\u00e9enne : si cet argument est omis ou fix\u00e9 \u00e0 VRAI<\/code>, l’ordonn\u00e9e \u00e0 l’origine $\\beta_0$<\/span> est normalement estim\u00e9e par l’algorithme ; s’il est fix\u00e9 \u00e0 FAUX<\/code>, la constante est contrainte \u00e0 \u00eatre rigoureusement \u00e9gale \u00e0 z\u00e9ro, une pratique comportant d’importants risques statistiques qui seront abord\u00e9s en section 10.3.<\/p>\n

Le quatri\u00e8me argument, statistiques<\/code>, rev\u00eat une importance capitale pour l’extraction de la SCR. Par d\u00e9faut, s’il est ignor\u00e9 ou positionn\u00e9 sur FAUX<\/code>, DROITEREG<\/code> renvoie uniquement le vecteur des coefficients directeurs. Pour forcer l’extraction du bloc statistique complet incluant l’analyse de variance du mod\u00e8le, il est formellement obligatoire d’affecter \u00e0 cet argument la valeur bool\u00e9enne VRAI<\/code>.<\/p>\n

4.2 Validation matricielle et d\u00e9ploiement du tableau de sortie<\/h3>\n

L’exploitation de DROITEREG<\/code> avec le commutateur statistique activ\u00e9 produit une matrice de sortie structur\u00e9e de 5 lignes de hauteur sur un nombre de colonnes d\u00e9pendant de la dimensionnalit\u00e9 du mod\u00e8le (pr\u00e9cis\u00e9ment $k+1$<\/span> colonnes, o\u00f9 $k$<\/span> correspond au nombre de pr\u00e9dicteurs). Selon la version de la suite bureautique mobilis\u00e9e, le protocole d’insertion diff\u00e8re de fa\u00e7on substantielle :<\/p>\n