{"id":6259,"date":"2026-09-16T06:07:10","date_gmt":"2026-09-16T06:07:10","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-un-test-de-durbin-watson-dans-r\/"},"modified":"2026-09-16T06:07:10","modified_gmt":"2026-09-16T06:07:10","slug":"comment-effectuer-un-test-de-durbin-watson-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-un-test-de-durbin-watson-dans-r","title":{"rendered":"Comment effectuer un test de Durbin-Watson dans R"},"content":{"rendered":"

L’analyse de r\u00e9gression lin\u00e9aire classique repose sur un ensemble d’hypoth\u00e8ses probabilistes fondamentales r\u00e9gissant les propri\u00e9t\u00e9s asymptotiques et finies des estimateurs obtenus par la m\u00e9thode des moindres carr\u00e9s ordinaires<\/a>. Parmi ces conditions structurales, formul\u00e9es initialement dans le cadre des th\u00e9or\u00e8mes de Gauss-Markov, l’absence de corr\u00e9lation s\u00e9rielle entre les termes d’erreur constitue un pilier fondamental pour garantir l’efficience statistique des coefficients estim\u00e9s et la validit\u00e9 des inf\u00e9rences d\u00e9duites des tests d’hypoth\u00e8ses. Lorsque cette ind\u00e9pendance stochastique est viol\u00e9e, notamment dans le cadre de donn\u00e9es ordonn\u00e9es temporellement ou spatialement, les conclusions inf\u00e9rentielles traditionnelles fond\u00e9es sur les lois de Student et de Fisher perdent leur validit\u00e9 nominale, exposant le praticien \u00e0 des erreurs d’interpr\u00e9tation critiques.<\/p>\n

Le test de Durbin-Watson repr\u00e9sente, depuis plus de sept d\u00e9cennies, la proc\u00e9dure diagnostique de r\u00e9f\u00e9rence pour \u00e9valuer la pr\u00e9sence d’une autocorr\u00e9lation des r\u00e9sidus de premier ordre dans les mod\u00e8les lin\u00e9aires. D\u00e9velopp\u00e9 pour r\u00e9pondre aux probl\u00e9matiques soulev\u00e9es par les s\u00e9ries macro\u00e9conomiques et les dynamiques temporelles s\u00e9quentielles, ce test fournit un cadre d’\u00e9valuation pr\u00e9cis permettant d’arbitrer entre la robustesse des estimations standard et l’obligation m\u00e9thodologique de recourir \u00e0 des corrections d’erreurs-types ou \u00e0 des mod\u00e9lisations autor\u00e9gressives plus complexes. Dans l’\u00e9cosyst\u00e8me du logiciel statistique R, plusieurs impl\u00e9mentations compl\u00e9mentaires offrent aux chercheurs des solutions rigoureuses pour ex\u00e9cuter ce diagnostic, allant des calculs analytiques exacts jusqu’aux proc\u00e9dures contemporaines de r\u00e9\u00e9chantillonnage bootstrap.<\/p>\n

Cet article propose une analyse approfondie et op\u00e9rationnelle du test de Durbin-Watson au sein de l’environnement de programmation statistique R. En explorant successivement les fondements th\u00e9oriques, les justifications math\u00e9matiques, l’ex\u00e9cution computationnelle \u00e0 travers les extensions sp\u00e9cialis\u00e9es, l’interpr\u00e9tation diagnostique avanc\u00e9e ainsi que les approches correctives indispensables en pr\u00e9sence d’une violation du postulat d’ind\u00e9pendance, ce guide constitue un manuel exhaustif destin\u00e9 aux biostatisticiens, \u00e9conom\u00e8tres, psychom\u00e8tres et analystes de donn\u00e9es soucieux de pr\u00e9server l’int\u00e9grit\u00e9 de leurs mod\u00e9lisations quantitatives.<\/p>\n

1. Introduction aux postulats de la r\u00e9gression lin\u00e9aire et \u00e0 l’ind\u00e9pendance des erreurs<\/h2>\n

1.1 Le r\u00f4le fondamental de l’ind\u00e9pendance des r\u00e9sidus dans les mod\u00e8les lin\u00e9aires<\/h3>\n

Dans la formulation canonique du mod\u00e8le de r\u00e9gression lin\u00e9aire multiple, la variable d\u00e9pendante est exprim\u00e9e comme une combinaison lin\u00e9aire de variables pr\u00e9dictives augment\u00e9e d’un terme r\u00e9siduel al\u00e9atoire non observable. Le postulat d’ind\u00e9pendance stochastique des erreurs stipule que la covariance entre deux perturbations al\u00e9atoires associ\u00e9es \u00e0 des observations distinctes est strictement nulle. Cette condition d’orthogonalit\u00e9 temporelle ou observationnelle est indispensable pour assurer que chaque unit\u00e9 d’information inject\u00e9e dans le syst\u00e8me d’estimation apporte une contribution ind\u00e9pendante et non redondante \u00e0 l’ajustement du plan de r\u00e9gression.<\/p>\n

Sur le plan th\u00e9orique, la persistance d’une corr\u00e9lation non nulle entre les r\u00e9sidus n’alt\u00e8re pas directement la propri\u00e9t\u00e9 de convergence ni la non-biaicit\u00e9 des estimateurs des moindres carr\u00e9s ordinaires, sous r\u00e9serve que les pr\u00e9dicteurs demeurent strictement exog\u00e8nes. N\u00e9anmoins, elle d\u00e9truit l’optimalit\u00e9 de variance minimale \u00e9nonc\u00e9e par le th\u00e9or\u00e8me de Gauss-Markov<\/a>. En pr\u00e9sence d’autocorr\u00e9lation positive, la dispersion r\u00e9elle de l’estimateur d\u00e9passe largement la variance th\u00e9orique calcul\u00e9e par les logiciels standards, conduisant \u00e0 une sous-estimation syst\u00e9matique des erreurs-types des coefficients. Il en r\u00e9sulte une inflation artificielle des statistiques de test, un r\u00e9tr\u00e9cissement indu des intervalles de confiance et un accroissement spectaculaire du risque d’erreur de type I, consistant \u00e0 d\u00e9clarer significative une relation qui n’est que le sous-produit d’une inertie stochastique.<\/p>\n

Il importe d’op\u00e9rer une distinction conceptuelle fondamentale entre l’ind\u00e9pendance des observations marginales et l’ind\u00e9pendance conditionnelle des perturbations r\u00e9siduelles. Alors que deux mesures successives peuvent pr\u00e9senter une corr\u00e9lation marginale importante attribuable \u00e0 l’\u00e9volution conjointe des pr\u00e9dicteurs observ\u00e9s au fil du temps, le postulat de non-autocorr\u00e9lation concerne exclusivement les variations inexpliqu\u00e9es par le mod\u00e8le structurel. D\u00e8s lors qu’une d\u00e9pendance r\u00e9siduelle subsiste apr\u00e8s le conditionnement par les r\u00e9gresseurs, elle signale que le mod\u00e8le \u00e9choue \u00e0 capturer une partie de l’inertie temporelle ou spatiale inh\u00e9rente au processus \u00e9tudi\u00e9.<\/p>\n

1.2 Origine et gen\u00e8se du test statistique de Durbin-Watson<\/h3>\n

Les origines formelles du diagnostic d’autocorr\u00e9lation remontent aux publications s\u00e9minales de James Durbin et Geoffrey Watson publi\u00e9es au d\u00e9but des ann\u00e9es 1950 dans la revue Biometrika. Durant cette p\u00e9riode d’essor de l’\u00e9conom\u00e9trie quantitative, les chercheurs \u00e9taient confront\u00e9s \u00e0 des difficult\u00e9s majeures d’inf\u00e9rence lors de l’application de r\u00e9gressions lin\u00e9aires aux s\u00e9ries chronologiques agr\u00e9g\u00e9es, caract\u00e9ris\u00e9es par des tendances lourdes et des cycles conjoncturels prolong\u00e9s. Durbin et Watson ont identifi\u00e9 la n\u00e9cessit\u00e9 imp\u00e9rieuse de concevoir une statistique de test adapt\u00e9e aux petits et moyens \u00e9chantillons, capable de sonder sp\u00e9cifiquement l’existence d’un processus autor\u00e9gressif lin\u00e9aire de premier ordre au sein des r\u00e9sidus de r\u00e9gression.<\/p>\n

Le d\u00e9fi majeur auquel se heurt\u00e8rent Durbin et Watson r\u00e9sidait dans le fait que la distribution exacte de leur statistique d\u00e9pendait intimement de la matrice de conception des variables explicatives propres \u00e0 chaque \u00e9chantillon particulier. Pour contourner cet obstacle th\u00e9orique avant l’av\u00e8nement de la puissance de calcul informatique moderne, les deux statisticiens ont d\u00e9montr\u00e9 l’existence de bornes universelles ind\u00e9pendantes des donn\u00e9es observ\u00e9es, permettant d’encadrer la distribution nulle du test. Cette avanc\u00e9e m\u00e9thodologique a conf\u00e9r\u00e9 \u00e0 leur outil une applicabilit\u00e9 universelle imm\u00e9diate, transformant durablement les pratiques de validation empirique en \u00e9conomie appliqu\u00e9e.<\/p>\n

Au fil des d\u00e9cennies, l’usage du test s’est diffus\u00e9 largement au-del\u00e0 des sciences \u00e9conomiques pour conqu\u00e9rir la psychom\u00e9trie, les neurosciences cognitives, l’\u00e9cologie quantitative et les sciences comportementales. D\u00e8s lors qu’un protocole exp\u00e9rimental implique des mesures r\u00e9p\u00e9t\u00e9es dans le temps, des suivis longitudinaux ou des dispositifs de recueil ambulatoire de donn\u00e9es, l’\u00e9valuation de la corr\u00e9lation s\u00e9rielle s’est impos\u00e9e comme une exigence d\u00e9ontologique incontournable pour garantir la solidit\u00e9 des inf\u00e9rences scientifiques formul\u00e9es sur la base de mod\u00e8les lin\u00e9aires.<\/p>\n

1.3 Pertinence de l’\u00e9valuation de l’autocorr\u00e9lation dans les protocoles de recherche<\/h3>\n

La d\u00e9tection de l’autocorr\u00e9lation constitue un jalon m\u00e9thodologique critique au sein des protocoles de recherche contemporains caract\u00e9ris\u00e9s par des architectures de donn\u00e9es s\u00e9quentielles. Dans les \u00e9tudes observationnelles impliquant des mesures r\u00e9p\u00e9t\u00e9es ou des s\u00e9ries chronologiques individuelles, le comportement temporel des sujets est intrins\u00e8quement tributaire de leurs \u00e9tats ant\u00e9rieurs. Ignorer cette structure sous-jacente \u00e9quivaut \u00e0 formuler l’hypoth\u00e8se erron\u00e9e que chaque nouveau point de donn\u00e9e apporte une quantit\u00e9 d’information \u00e9quivalente \u00e0 celle d’une observation pr\u00e9lev\u00e9e de mani\u00e8re totalement d\u00e9corr\u00e9l\u00e9e dans une population infinie.<\/p>\n

Dans les sciences humaines et du comportement, des m\u00e9canismes psychologiques et physiologiques ubiquitaires tels que les effets de report, les ph\u00e9nom\u00e8nes d’apprentissage proc\u00e9dural ou l’accumulation graduelle de la fatigue introduisent in\u00e9vitablement une d\u00e9pendance intra-individuelle persistante. Si ces m\u00e9canismes ne sont pas explicitement mod\u00e9lis\u00e9s par des variables dynamiques ad\u00e9quates, leur influence se dilue dans le terme d’erreur r\u00e9siduelle, induisant une autocorr\u00e9lation de premier ordre qui vicie les estimateurs de variance. Un chercheur \u00e9valuant l’efficacit\u00e9 d’une intervention th\u00e9rapeutique via des mesures quotidiennes r\u00e9p\u00e9t\u00e9es risquerait ainsi de conclure faussement \u00e0 l’efficacit\u00e9 d’un traitement en raison d’une baisse fallacieuse des erreurs-types caus\u00e9e par une corr\u00e9lation s\u00e9rielle non diagnostiqu\u00e9e.<\/p>\n

Par cons\u00e9quent, la validation empirique de l’ind\u00e9pendance des erreurs transcende le simple formalisme math\u00e9matique pour s’\u00e9riger en garantie indispensable de la validit\u00e9 interne des recherches. L’administration syst\u00e9matique d’un test diagnostique tel que celui de Durbin-Watson pr\u00e9munit la communaut\u00e9 acad\u00e9mique contre la prolif\u00e9ration de r\u00e9sultats faussement positifs, consolidant ainsi la reproductibilit\u00e9 des conclusions inf\u00e9rentielles issues de dispositifs exp\u00e9rimentaux complexes.<\/p>\n

2. Cadre th\u00e9orique et formulation math\u00e9matique du test de Durbin-Watson<\/h2>\n

2.1 Formulation du processus autor\u00e9gressif d’ordre 1 (AR1)<\/h3>\n

Le test de Durbin-Watson est rigoureusement \u00e9labor\u00e9 pour tester la pr\u00e9sence d’une perturbation stochastique gouvern\u00e9e par un processus autor\u00e9gressif<\/a> d’ordre un, usuellement d\u00e9sign\u00e9 sous le sigle AR(1). Dans ce cadre analytique, le terme d’erreur r\u00e9siduelle th\u00e9orique associ\u00e9 \u00e0 l’observation indic\u00e9e par le temps t n’est pas distribu\u00e9 de fa\u00e7on purement ind\u00e9pendante, mais d\u00e9pend lin\u00e9airement de la perturbation survenue \u00e0 l’instant imm\u00e9diatement ant\u00e9rieur t-1, selon l’expression math\u00e9matique standard :<\/p>\n

u(t) = rho * u(t – 1) + epsilon(t)<\/em><\/p>\n

Dans cette formulation, le scalaire rho<\/em> repr\u00e9sente le coefficient de corr\u00e9lation s\u00e9rielle du premier ordre reliant deux perturbations cons\u00e9cutives. Les propri\u00e9t\u00e9s de stationnarit\u00e9 au sens faible du processus r\u00e9siduel imposent que la valeur absolue de rho<\/em> soit strictement inf\u00e9rieure \u00e0 l’unit\u00e9, garantissant ainsi que l’impact d’un choc stochastique pass\u00e9 s’amenuise exponentiellement au cours du temps sans induire d’explosion de variance. Lorsque rho<\/em> est strictement positif, le processus manifeste une persistance s\u00e9rielle ; lorsqu’il est strictement n\u00e9gatif, le syst\u00e8me exhibe une alternance oscillatoire syst\u00e9matique de signe.<\/p>\n

L’innovation r\u00e9siduelle epsilon(t)<\/em> constitue quant \u00e0 elle un bruit blanc classique, d\u00e9fini comme une suite de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es, caract\u00e9ris\u00e9es par une esp\u00e9rance math\u00e9matique nulle et une variance constante homosc\u00e9dastique. Cette innovation capture la fraction d’impr\u00e9visibilit\u00e9 pure survenant \u00e0 chaque p\u00e9riode, orthogonale \u00e0 l’histoire pass\u00e9e du syst\u00e8me. L’objectif fondamental du test de Durbin-Watson consiste pr\u00e9cis\u00e9ment \u00e0 sonder si le coefficient rho<\/em> diverge statistiquement de la valeur nulle, ce qui r\u00e9duirait la perturbation u(t)<\/em> \u00e0 la simple innovation pure epsilon(t)<\/em>.<\/p>\n

2.2 Structure analytique de la statistique d de Durbin-Watson<\/h3>\n

La statistique empirique de test, usuellement d\u00e9sign\u00e9e par la lettre d<\/em>, repose sur l’exploitation des r\u00e9sidus observ\u00e9s issus de l’estimation par les moindres carr\u00e9s ordinaires. Sa structure analytique compare la somme des carr\u00e9s des diff\u00e9rences successives entre r\u00e9sidus adjacents \u00e0 la somme globale des carr\u00e9s de ces m\u00eames r\u00e9sidus, formalis\u00e9e comme suit :<\/p>\n

d = [ Somme de t=2 \u00e0 n (e(t) – e(t – 1))^2 ] \/ [ Somme de t=1 \u00e0 n (e(t))^2 ]<\/em><\/p>\n

En d\u00e9veloppant le carr\u00e9 du num\u00e9rateur, la somme des diff\u00e9rences quadratiques successives se d\u00e9compose en trois termes distincts : la somme des carr\u00e9s de e(t)<\/em>, la somme des carr\u00e9s de e(t-1)<\/em>, et le terme crois\u00e9 repr\u00e9sentant deux fois la somme des produits de e(t)<\/em> et e(t-1)<\/em>. Pour des \u00e9chantillons de taille n mod\u00e9r\u00e9ment grande, la l\u00e9g\u00e8re divergence d’indi\u00e7age temporel entre les sommes devient asymptotiquement n\u00e9gligeable. Par cons\u00e9quent, en divisant terme \u00e0 terme par la somme totale des carr\u00e9s r\u00e9siduels, on \u00e9tablit la relation d’\u00e9quivalence asymptotique fondamentale :<\/p>\n

d s’approche de 2 * (1 – r)<\/em><\/p>\n

Dans cette expression asymptotique, r<\/em> d\u00e9signe l’estimateur empirique du coefficient d’autocorr\u00e9lation rho<\/em> calcul\u00e9 sur les r\u00e9sidus d’estimation. Cette relation math\u00e9matique \u00e9l\u00e9gante d\u00e9limite le domaine de variation th\u00e9orique de la statistique de Durbin-Watson sur un intervalle ferm\u00e9 compris strictement entre 0 et 4. Lorsque les r\u00e9sidus ne manifestent aucune corr\u00e9lation s\u00e9rielle (r = 0<\/em>), la statistique d<\/em> oscille \u00e9troitement autour de la valeur pivotale de 2. \u00c0 l’inverse, en pr\u00e9sence d’une autocorr\u00e9lation positive parfaite (r = 1<\/em>), la statistique s’effondre vers 0. R\u00e9ciproquement, si une autocorr\u00e9lation n\u00e9gative extr\u00eame pr\u00e9vaut (r = -1<\/em>), la statistique d<\/em> converge vers sa borne maximale de 4.<\/p>\n

2.3 Conditions et limites d’application du mod\u00e8le math\u00e9matique<\/h3>\n

L’application rigoureuse du cadre inf\u00e9rentiel formul\u00e9 par Durbin et Watson est subordonn\u00e9e au respect scrupuleux de plusieurs conditions math\u00e9matiques contraignantes. La premi\u00e8re exigence structurale impose la pr\u00e9sence explicite d’un terme constant dans le mod\u00e8le de r\u00e9gression lin\u00e9aire, correspondant \u00e0 l’ordonn\u00e9e \u00e0 l’origine. En l’absence d’un terme constant, la somme des r\u00e9sidus empiriques n’est plus rigoureusement contrainte \u00e0 z\u00e9ro, ce qui d\u00e9stabilise l’esp\u00e9rance de la statistique d<\/em> et invalide la convergence de sa distribution vers les valeurs de r\u00e9f\u00e9rence tabul\u00e9es.<\/p>\n

La deuxi\u00e8me condition, d’une criticit\u00e9 m\u00e9thodologique absolue, concerne l’absence totale de valeurs retard\u00e9es de la variable d\u00e9pendante parmi l’ensemble des pr\u00e9dicteurs explicatifs. Si une \u00e9quation dynamique inclut la variable d\u00e9pendante d\u00e9cal\u00e9e d’une ou plusieurs p\u00e9riodes comme r\u00e9gresseur, l’hypoth\u00e8se de non-corr\u00e9lation contemporaine entre les pr\u00e9dicteurs et les erreurs pass\u00e9es est structurellement viol\u00e9e. Dans cette configuration, la statistique d<\/em> est massivement biais\u00e9e vers la valeur 2, masquant syst\u00e9matiquement la pr\u00e9sence d’une autocorr\u00e9lation r\u00e9siduelle pourtant bien r\u00e9elle et conduisant \u00e0 un taux d’erreur de diagnostic inacceptable.<\/p>\n

Enfin, la d\u00e9rivation analytique des propri\u00e9t\u00e9s distributionnelles du test pr\u00e9suppose que les innovations r\u00e9siduelles epsilon(t)<\/em> suivent une loi normale univari\u00e9e stationnaire, exempte de d\u00e9rives de variance ou de ruptures structurelles au fil de l’\u00e9chantillonnage. Si la s\u00e9rie analys\u00e9e pr\u00e9sente des distributions \u00e0 queues lourdes ou des dynamiques h\u00e9t\u00e9rosc\u00e9dastiques non contr\u00f4l\u00e9es, les seuils critiques standards perdent leur pertinence probabiliste, n\u00e9cessitant l’emploi de proc\u00e9dures d’inf\u00e9rence non param\u00e9triques ou bas\u00e9es sur le r\u00e9\u00e9chantillonnage.<\/p>\n

3. D\u00e9finition formelle des hypoth\u00e8ses statistiques du test<\/h2>\n

3.1 \u00c9nonciation rigoureuse de l’hypoth\u00e8se nulle (H0)<\/h3>\n

Dans le paradigme des tests d’hypoth\u00e8ses statistiques de Neyman-Pearson, l’hypoth\u00e8se nulle H0<\/em> du test de Durbin-Watson postule formellement l’absence compl\u00e8te de corr\u00e9lation s\u00e9rielle du premier ordre parmi les perturbations al\u00e9atoires sous-jacentes du mod\u00e8le. Math\u00e9matiquement, cette proposition s’\u00e9nonce comme la stricte nullit\u00e9 du param\u00e8tre autor\u00e9gressif :<\/p>\n

H0 : rho = 0<\/em><\/p>\n

Sous cette hypoth\u00e8se nulle, les r\u00e9sidus de la r\u00e9gression lin\u00e9aire se comportent comme une s\u00e9quence de variables al\u00e9atoires non corr\u00e9l\u00e9es, confirmant que le mod\u00e8le sp\u00e9cifi\u00e9 capture ad\u00e9quatement l’int\u00e9gralit\u00e9 de l’information pr\u00e9dictive disponible dans les r\u00e9gresseurs sans laisser de structure inertielle inexpliqu\u00e9e dans le terme stochastique. L’acceptation ou le non-rejet de l’hypoth\u00e8se nulle garantit que les propri\u00e9t\u00e9s d’efficience statistique attribu\u00e9es aux estimateurs des moindres carr\u00e9s ordinaires par le th\u00e9or\u00e8me de Gauss-Markov demeurent intactes, certifiant que les erreurs-types calcul\u00e9es refl\u00e8tent la variance d’\u00e9chantillonnage r\u00e9elle.<\/p>\n

Sur le plan distributionnel, sous l’hypoth\u00e8se nulle, la variable al\u00e9atoire associ\u00e9e \u00e0 la statistique d<\/em> admet une esp\u00e9rance math\u00e9matique conditionnelle rigoureusement \u00e9gale \u00e0 2, modulo un terme d’ordre 1\/n<\/em> d\u00e9pendant de la structure de la matrice des variables ind\u00e9pendantes. Sa distribution d’\u00e9chantillonnage est parfaitement sym\u00e9trique lorsque le design exp\u00e9rimental est \u00e9quilibr\u00e9, permettant de construire des proc\u00e9dures de d\u00e9cision probabilistes rigoureuses pour rejeter ou maintenir la validit\u00e9 du mod\u00e8le.<\/p>\n

3.2 Typologie des hypoth\u00e8ses alternatives (HA)<\/h3>\n

La formulation de l’hypoth\u00e8se alternative d\u00e9pend intrins\u00e8quement des connaissances th\u00e9oriques a priori et de la nature des ph\u00e9nom\u00e8nes physiques ou comportementaux mod\u00e9lis\u00e9s. Trois d\u00e9clinaisons formelles s’offrent au mod\u00e9lisateur, guidant l’orientation unilat\u00e9rale ou bilat\u00e9rale de la d\u00e9cision statistique :<\/p>\n