{"id":6309,"date":"2026-09-16T07:54:52","date_gmt":"2026-09-16T07:54:52","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-les-residus-analyse-regression\/"},"modified":"2026-09-16T07:54:58","modified_gmt":"2026-09-16T07:54:58","slug":"comment-calculer-les-residus-analyse-regression","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-les-residus-analyse-regression","title":{"rendered":"Comment calculer les r\u00e9sidus dans l’analyse de r\u00e9gression"},"content":{"rendered":"

Dans le champ des sciences humaines et comportementales, la mod\u00e9lisation statistique ne constitue pas une simple formalit\u00e9 calculatoire, mais un instrument \u00e9pist\u00e9mologique d’investigation des r\u00e9gularit\u00e9s psychologiques. Qu’il s’agisse d’\u00e9valuer l’impact du stress sur la m\u00e9moire de travail, de pr\u00e9dire l’adaptation sociale \u00e0 partir de traits de personnalit\u00e9, ou de sonder l’efficacit\u00e9 d’un protocole psychoth\u00e9rapeutique, les chercheurs recourent fr\u00e9quemment aux mod\u00e8les pr\u00e9dictifs lin\u00e9aires. Toutefois, la valeur heuristique d’un mod\u00e8le ne se mesure pas uniquement \u00e0 l’aune de sa capacit\u00e9 \u00e0 tracer une tendance centrale \u00e9l\u00e9gante \u00e0 travers un nuage d’observations empiriques. Elle repose de mani\u00e8re tout aussi critique sur l’exploration m\u00e9thodique de ce que l’\u00e9quation laisse de c\u00f4t\u00e9, c’est-\u00e0-dire les d\u00e9viations individuelles que l’on nomme formellement les r\u00e9sidus.<\/p>\n

Le calcul et le diagnostic des r\u00e9sidus incarnent la pierre angulaire de l’inf\u00e9rence statistique moderne. Trop souvent rel\u00e9gu\u00e9e au rang d’artefact secondaire par les utilisateurs novices de logiciels de traitement de donn\u00e9es, l’analyse r\u00e9siduelle offre un miroir direct de la validit\u00e9 interne d’une recherche. En confrontant les pr\u00e9dictions th\u00e9oriques issues de la droite de r\u00e9gression aux donn\u00e9es effectivement recueillies sur le terrain, le r\u00e9sidu mat\u00e9rialise la part d’inconnu, de bruit de mesure ou de complexit\u00e9 psychologique non capt\u00e9e par les variables explicatives s\u00e9lectionn\u00e9es. Loin d’\u00eatre un simple d\u00e9chet algorithmique, il constitue la mati\u00e8re premi\u00e8re \u00e0 partir de laquelle s’\u00e9value l’ad\u00e9quation d’un postulat th\u00e9orique face \u00e0 la r\u00e9alit\u00e9 empirique.<\/p>\n

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, psychom\u00e9triciens, \u00e9tudiants de cycles sup\u00e9rieurs et analystes de donn\u00e9es dans la ma\u00eetrise int\u00e9grale des r\u00e9sidus en analyse de r\u00e9gression. De la d\u00e9rivation alg\u00e9brique fondamentale aux proc\u00e9dures computationnelles avanc\u00e9es sous R, Python, SPSS et JASP, nous examinerons en d\u00e9tail les fondements math\u00e9matiques, les typologies de standardisation, les tests de conformit\u00e9 des postulats de Gauss-Markov et les strat\u00e9gies de rem\u00e9diation face aux donn\u00e9es atypiques. \u00c0 travers une d\u00e9marche r\u00e9solument ancr\u00e9e dans la rigueur m\u00e9thodologique, cet ouvrage propose une immersion compl\u00e8te au c\u0153ur de l’analyse des \u00e9carts, transformant l’erreur de pr\u00e9diction en un puissant vecteur de d\u00e9couverte scientifique.<\/p>\n

1. Introduction aux r\u00e9sidus dans l’analyse de r\u00e9gression lin\u00e9aire en psychologie<\/h2>\n

1.1 D\u00e9finition conceptuelle et r\u00f4le \u00e9pist\u00e9mologique du r\u00e9sidu<\/h3>\n

D’un point de vue \u00e9pist\u00e9mologique, la psychologie scientifique tente de formaliser des lois g\u00e9n\u00e9rales du comportement tout en composant avec l’in\u00e9vitable singularit\u00e9 des individus observ\u00e9s. Lorsqu’un chercheur applique un mod\u00e8le de r\u00e9gression lin\u00e9aire, il postule qu’une variable ind\u00e9pendante exerce une influence structurelle, syst\u00e9matique et mesurable sur une variable d\u00e9pendante. N\u00e9anmoins, l’observation d’un participant particulier ne co\u00efncide que tr\u00e8s rarement avec la trajectoire moyenne pr\u00e9dite par la th\u00e9orie. Cet \u00e9cart quantitatif pr\u00e9cis, qui s\u00e9pare la r\u00e9ponse empirique manifest\u00e9e par le sujet de la r\u00e9ponse attendue selon la fonction math\u00e9matique, d\u00e9finit formellement le r\u00e9sidu.<\/p>\n

Dans le cadre de la mod\u00e9lisation comportementale, l’erreur d’estimation ne doit pas \u00eatre appr\u00e9hend\u00e9e comme une banale maladresse exp\u00e9rimentale ou une imperfection n\u00e9gligeable de l’instrumentation. Elle refl\u00e8te la part intrins\u00e8que de variance psychologique non expliqu\u00e9e par les d\u00e9terminants int\u00e9gr\u00e9s au mod\u00e8le. Cette variance r\u00e9siduelle agr\u00e8ge de multiples sources : fluctuations attentionnelles passag\u00e8res, ant\u00e9c\u00e9dents biographiques idiosyncrasiques, variations neurobiologiques momentan\u00e9es, erreurs al\u00e9atoires d’\u00e9chantillonnage psychom\u00e9trique ou omissions d\u00e9lib\u00e9r\u00e9es d’autres variables explicatives pertinentes au sein de l’architecture du protocole exp\u00e9rimental.<\/p>\n

Il est imp\u00e9ratif d’op\u00e9rer une distinction s\u00e9mantique et math\u00e9matique irr\u00e9ductible entre l’erreur th\u00e9orique de population, traditionnellement not\u00e9e par la lettre grecque epsilon (ε), et le r\u00e9sidu empirique \u00e9chantillonnal, d\u00e9sign\u00e9 par la lettre latine e<\/em>. L’erreur de population repr\u00e9sente un param\u00e8tre latent et fondamentalement inobservable ; elle renvoie \u00e0 la distance exacte entre une observation individuelle et la droite de r\u00e9gression vraie, issue de la population globale th\u00e9orique. \u00c0 l’inverse, le r\u00e9sidu empirique est une quantit\u00e9 calculable, estim\u00e9e directement \u00e0 partir d’un \u00e9chantillon fini de donn\u00e9es via l’ajustement des param\u00e8tres d’\u00e9chantillonnage. Ignorer cette divergence conceptuelle reviendrait \u00e0 confondre les propri\u00e9t\u00e9s ontologiques de l’univers avec les approximations statistiques permises par un \u00e9chantillon circonscrit.<\/p>\n

L’analyse rigoureuse des r\u00e9sidus constitue ainsi le m\u00e9canisme privil\u00e9gi\u00e9 par lequel la psychologie quantitative \u00e9prouve la robustesse de ses \u00e9difices th\u00e9oriques. Si un mod\u00e8le conceptuel pr\u00e9tend rendre compte d’un ph\u00e9nom\u00e8ne psychologique pr\u00e9cis, les \u00e9carts \u00e0 ce mod\u00e8le ne doivent manifester aucune structure logique, aucune directionnalit\u00e9 sous-jacente ni aucune r\u00e9gularit\u00e9 non ma\u00eetris\u00e9e. L’examen des r\u00e9sidus offre alors un test de falsification popp\u00e9rien par excellence : la pr\u00e9sence de r\u00e9gularit\u00e9s dans l’erreur d\u00e9montre sans \u00e9quivoque que la th\u00e9orie sous-jacente est incompl\u00e8te ou fondamentalement mal sp\u00e9cifi\u00e9e.<\/p>\n

1.2 Le mod\u00e8le de r\u00e9gression lin\u00e9aire simple : variables pr\u00e9dictive et r\u00e9ponse<\/h3>\n

La formulation alg\u00e9brique canonique de la r\u00e9gression lin\u00e9aire simple<\/a> s’\u00e9nonce selon l’\u00e9quation fondamentale : Y = b0<\/sub> + b1<\/sub>X + e<\/em>. Dans ce dispositif, Y<\/em> repr\u00e9sente la variable r\u00e9ponse, \u00e9galement qualifi\u00e9e de crit\u00e8re ou d’observation d\u00e9pendante, tandis que X<\/em> d\u00e9signe le pr\u00e9dicteur, commun\u00e9ment identifi\u00e9 comme la variable explicative ou ind\u00e9pendante. Les coefficients b0<\/sub><\/em> et b1<\/sub><\/em> constituent respectivement l’ordonn\u00e9e \u00e0 l’origine (ou constante du mod\u00e8le) et le coefficient de pente empirique, traduisant l’amplitude de la variation attendue de Y<\/em> cons\u00e9cutivement \u00e0 une augmentation unitaire de X<\/em>.<\/p>\n

Consid\u00e9rons une investigation psychom\u00e9trique classique visant \u00e0 mod\u00e9liser le niveau d’anxi\u00e9t\u00e9 situationnelle (Y<\/em>), op\u00e9rationnalis\u00e9 par un score standardis\u00e9 sur une \u00e9chelle d’\u00e9valuation clinique, en fonction de la charge cognitive de travail (X<\/em>) impos\u00e9e lors d’une t\u00e2che d’attention divis\u00e9e informatis\u00e9e. L’\u00e9quation de r\u00e9gression cherche \u00e0 formaliser comment l’accumulation des contraintes cognitives amplifie le sentiment d’anxi\u00e9t\u00e9. D\u00e8s lors que le protocole recueille des donn\u00e9es r\u00e9elles, chaque participant pr\u00e9sente un score singulier d’anxi\u00e9t\u00e9 qui s’\u00e9carte de la valeur g\u00e9n\u00e9rale mod\u00e9lis\u00e9e pour son niveau de charge cognitive sp\u00e9cifique. L’\u00e9cart entre ce score clinique recueilli et le score th\u00e9orique g\u00e9n\u00e9r\u00e9 par la combinaison lin\u00e9aire de la constante et de la pente constitue le r\u00e9sidu sp\u00e9cifique attribu\u00e9 \u00e0 cet individu.<\/p>\n

\"Simple
Simple linear regression<\/figcaption><\/figure>\n

Sur le plan de l’interpr\u00e9tation g\u00e9om\u00e9trique, la r\u00e9gression lin\u00e9aire simple par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO) vise \u00e0 tracer une trajectoire rectiligne au sein du plan cart\u00e9sien bidimensionnel d\u00e9fini par les axes des abscisses (X<\/em>) et des ordonn\u00e9es (Y<\/em>). Cette droite optimale ne passe pas n\u00e9cessairement par l’ensemble des points empiriques ; au contraire, elle traverse le nuage de points de telle fa\u00e7on que la somme des distances verticales au carr\u00e9 s\u00e9parant chaque point de la droite soit rendue rigoureusement minimale. Le r\u00e9sidu s’incarne donc physiquement dans cette distance verticale mesur\u00e9e parall\u00e8lement \u00e0 l’axe des ordonn\u00e9es, et non pas selon une projection perpendiculaire ou orthogonale directe \u00e0 la droite elle-m\u00eame.<\/p>\n

1.3 Pourquoi le calcul exact des r\u00e9sidus est indispensable au chercheur<\/h3>\n

L’estimation num\u00e9rique pr\u00e9cise de chaque r\u00e9sidu individuel n’est pas un luxe computationnel : elle conditionne l’\u00e9valuation de l’ad\u00e9quation globale du mod\u00e8le statistique, concept d\u00e9sign\u00e9 dans la litt\u00e9rature internationale sous le terme d’ad\u00e9quation du mod\u00e8le (goodness-of-fit)<\/a>. Il ne suffit pas d’obtenir un coefficient de corr\u00e9lation \u00e9lev\u00e9 ou une valeur de significativit\u00e9 statistique infinit\u00e9simale (p<\/em> < .001) pour conclure \u00e0 la validit\u00e9 d’une r\u00e9gression. Un mod\u00e8le peut afficher un coefficient de d\u00e9termination s\u00e9duisant tout en \u00e9chouant dramatiquement \u00e0 capturer la g\u00e9om\u00e9trie r\u00e9elle du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 en raison d’une mauvaise r\u00e9partition interne des erreurs d’estimation.<\/p>\n

Le calcul exhaustif des r\u00e9sidus repr\u00e9sente la d\u00e9marche incontournable pour v\u00e9rifier si les postulats fondamentaux du th\u00e9or\u00e8me de Gauss-Markov sont respect\u00e9s. Ces postulats – incluant la lin\u00e9arit\u00e9 intrins\u00e8que de la fonction, l’homog\u00e9n\u00e9it\u00e9 de la variance des erreurs et l’ind\u00e9pendance mutuelle des observations – reposent enti\u00e8rement sur les propri\u00e9t\u00e9s structurelles de la distribution r\u00e9siduelle. Si un chercheur omet d’extraire et d’analyser ses r\u00e9sidus, il court le risque grave d’\u00e9mettre des inf\u00e9rences statistiques erron\u00e9es, de sous-estimer de fa\u00e7on trompeuse les erreurs types associ\u00e9es \u00e0 ses coefficients de r\u00e9gression et, in fine, de publier des conclusions scientifiques fallacieuses bas\u00e9es sur des faux positifs m\u00e9thodologiques.<\/p>\n

Au-del\u00e0 de la validation technique des hypoth\u00e8ses distributionnelles, l’exploration des grandeurs r\u00e9siduelles s’av\u00e8re f\u00e9conde pour le diagnostic clinique et psychom\u00e9trique appliqu\u00e9. L’analyse des \u00e9carts met en lumi\u00e8re les profils comportementaux atypiques : des sujets dont les scores s’av\u00e8rent radicalement divergents de la pr\u00e9diction commune. Ces individus aux r\u00e9sidus disproportionn\u00e9s peuvent r\u00e9v\u00e9ler des strat\u00e9gies cognitives compensatoires non r\u00e9pertori\u00e9es, des biais de d\u00e9sirabilit\u00e9 sociale dans la passation des auto-questionnaires, ou signaler l’existence de sous-groupes cliniques m\u00e9connus dont la prise en compte n\u00e9cessitera une r\u00e9vision th\u00e9orique de grande envergure.<\/p>\n

2. Fondements math\u00e9matiques et formulation alg\u00e9brique des r\u00e9sidus<\/h2>\n

2.1 L’\u00e9quation formelle du r\u00e9sidu ordinaire<\/h3>\n

Dans le formalisme de l’analyse univari\u00e9e et multivari\u00e9e, l’expression alg\u00e9brique canonique d\u00e9finissant le r\u00e9sidu ordinaire pour la i<\/em>-i\u00e8me observation d’un \u00e9chantillon de taille n<\/em> s’\u00e9crit avec une sobri\u00e9t\u00e9 math\u00e9matique universelle :<\/p>\n

ei<\/sub> = yi<\/sub> − \u0177i<\/sub><\/em><\/p>\n

Dans cette formulation \u00e9l\u00e9mentaire, yi<\/sub><\/em> symbolise le score empirique r\u00e9el recueilli aupr\u00e8s du participant exp\u00e9rimental i<\/em>. Il s’agit de la valeur brute, concr\u00e8te et non modifi\u00e9e, observ\u00e9e sur l’instrument psychom\u00e9trique ou le capteur psychophysiologique. En contrepartie, \u0177i<\/sub><\/em> (prononc\u00e9 y chapeau<\/em>) caract\u00e9rise la valeur ajust\u00e9e ou pr\u00e9dite par l’\u00e9quation de r\u00e9gression lin\u00e9aire pour ce participant particulier, calcul\u00e9e en injectant sa valeur observ\u00e9e sur le pr\u00e9dicteur xi<\/sub><\/em> dans le syst\u00e8me : \u0177i<\/sub> = b0<\/sub> + b1<\/sub>xi<\/sub><\/em>.<\/p>\n

L’analyse du signe arithm\u00e9tique issu de cette soustraction rev\u00eat une importance analytique directe. Lorsque le r\u00e9sidu est strictement positif (ei<\/sub> > 0<\/em>), la valeur observ\u00e9e yi<\/sub><\/em> est sup\u00e9rieure \u00e0 la pr\u00e9diction th\u00e9orique \u0177i<\/sub><\/em> : le mod\u00e8le a donc commis une sous-estimation du score du sujet. R\u00e9ciproquement, d\u00e8s lors que le r\u00e9sidu affiche une valeur strictement n\u00e9gative (ei<\/sub> < 0<\/em>), la valeur empirique se situe en de\u00e7\u00e0 de la coordonn\u00e9e projet\u00e9e sur la droite : le mod\u00e8le math\u00e9matique a produit une surestimation manifeste de la r\u00e9ponse psychologique r\u00e9elle.<\/p>\n

Un r\u00e9sidu d’une magnitude rigoureusement nulle (ei<\/sub> = 0<\/em>) caract\u00e9rise une co\u00efncidence parfaite, indiquant que le point empirique repr\u00e9sentatif du sujet repose exactement sur l’axe rectiligne de l’\u00e9quation pr\u00e9dictive. Dans la pratique empirique des sciences du comportement, cette situation demeure rarissime en raison de l’in\u00e9vitable variance d’erreur inh\u00e9rente \u00e0 la mesure du comportement humain.<\/p>\n

2.2 La propri\u00e9t\u00e9 fondamentale de la somme nulle des moindres carr\u00e9s<\/h3>\n

L’une des propri\u00e9t\u00e9s fondamentales de l’estimation par les moindres carr\u00e9s ordinaires r\u00e9side dans la nullit\u00e9 obligatoire de la somme alg\u00e9brique des r\u00e9sidus ordinaires, d\u00e8s lors que le mod\u00e8le int\u00e8gre une ordonn\u00e9e \u00e0 l’origine (b0<\/sub><\/em>). Cette caract\u00e9ristique d\u00e9coule de la d\u00e9rivation analytique des conditions du premier ordre de minimisation math\u00e9matique.<\/p>\n

Pour optimiser le mod\u00e8le, l’algorithme des MCO cherche \u00e0 minimiser la fonctionnelle de perte repr\u00e9sent\u00e9e par la somme des carr\u00e9s des erreurs r\u00e9siduelles (not\u00e9e SSE<\/em> pour Sum of Squared Errors<\/em>) :<\/p>\n

S(b0<\/sub>, b1<\/sub>) = ∑i=1<\/sub>n<\/sup> (yi<\/sub> − b0<\/sub> − b1<\/sub>xi<\/sub>)2<\/sup><\/em><\/p>\n

En calculant la d\u00e9riv\u00e9e partielle de cette fonction d’erreur par rapport au param\u00e8tre constant b0<\/sub><\/em> et en posant cette d\u00e9riv\u00e9e \u00e9gale \u00e0 z\u00e9ro pour atteindre l’extremum local, nous obtenons l’\u00e9galit\u00e9 suivante :<\/p>\n

∂S \/ ∂b0<\/sub> = −2 ∑i=1<\/sub>n<\/sup> (yi<\/sub> − b0<\/sub> − b1<\/sub>xi<\/sub>) = 0<\/em><\/p>\n

En \u00e9liminant le facteur multiplicatif −2 et en reconnaissant que l’expression entre parenth\u00e8ses \u00e9quivaut rigoureusement au r\u00e9sidu individuel ei<\/sub><\/em>, la relation d\u00e9bouche in\u00e9vitablement sur la loi fondamentale :<\/p>\n

∑i=1<\/sub>n<\/sup> ei<\/sub> = 0<\/em><\/p>\n

Cette contrainte structurelle engendre une cons\u00e9quence directe : la moyenne arithm\u00e9tique des r\u00e9sidus bruts au sein de l’\u00e9chantillon d’ajustement est invariablement et exactement \u00e9gale \u00e0 z\u00e9ro (\u0113 = 0<\/em>). Sur le plan de la g\u00e9om\u00e9trie vectorielle hilbertienne, cela implique que le vecteur des r\u00e9sidus se d\u00e9ploie orthogonalement \u00e0 l’hyperplan sous-tendu par les pr\u00e9dicteurs du mod\u00e8le et le vecteur unitaire associ\u00e9 \u00e0 la constante. Le produit scalaire entre le vecteur des valeurs pr\u00e9dites \u0176<\/em> et le vecteur des r\u00e9sidus e<\/em> est donc nul (\u0176T<\/sup>e = 0<\/em>), ce qui formalise l’ind\u00e9pendance lin\u00e9aire stricte entre la pr\u00e9diction et l’erreur d’ajustement globale.<\/p>\n

2.3 D\u00e9composition de la variance totale et r\u00f4le des r\u00e9sidus<\/h3>\n

L’orthogonalit\u00e9 math\u00e9matique entre les pr\u00e9dictions du mod\u00e8le et les erreurs calcul\u00e9es constitue le pilier du principe de d\u00e9composition de la variance, central dans l’analyse de r\u00e9gression et l’analyse de variance (ANOVA<\/a>). La dispersion totale des scores observ\u00e9s par rapport \u00e0 leur moyenne g\u00e9n\u00e9rale s’articule autour de la Somme des Carr\u00e9s Totale (SST<\/em>, Total Sum of Squares<\/em>) :<\/p>\n

SST = ∑i=1<\/sub>n<\/sup> (yi<\/sub> − \u0233)2<\/sup><\/em><\/p>\n

Cette variabilit\u00e9 globale se partitionne de fa\u00e7on exacte en deux composantes mutuellement exclusives et exhaustives : la Somme des Carr\u00e9s de la R\u00e9gression (SSR<\/em>, Regression Sum of Squares<\/em>), qui capture la dispersion des pr\u00e9dictions th\u00e9oriques autour de la moyenne, et la Somme des Carr\u00e9s des Erreurs (SSE<\/em>, Residual Sum of Squares<\/em>), qui agr\u00e8ge l’amplitude quadratique des r\u00e9sidus bruts :<\/p>\n

SST = SSR + SSE<\/em>, soit : ∑ (yi<\/sub> − \u0233)2<\/sup> = ∑ (\u0177i<\/sub> − \u0233)2<\/sup> + ∑ (yi<\/sub> − \u0177i<\/sub>)2<\/sup><\/em><\/p>\n

Cette relation met en \u00e9vidence la nature du coefficient de d\u00e9termination<\/a> R2<\/sup><\/em>, qui mesure la proportion de la variance de la variable crit\u00e8re directement attribuable aux variations de la variable explicative. Alg\u00e9briquement, le R2<\/sup><\/em> peut \u00eatre d\u00e9riv\u00e9 directement de la quantit\u00e9 r\u00e9siduelle calcul\u00e9e :<\/p>\n

R2<\/sup> = 1 − (SSE \/ SST)<\/em><\/p>\n

Enfin, la variance r\u00e9siduelle de l’\u00e9chantillon, appel\u00e9e \u00e9galement le Carr\u00e9 Moyen de l’Erreur (MSE<\/em> pour Mean Squared Error<\/em>), s’obtient en divisant la somme des carr\u00e9s des r\u00e9sidus par les degr\u00e9s de libert\u00e9 r\u00e9siduels associ\u00e9s au syst\u00e8me, \u00e0 savoir la taille de l’\u00e9chantillon n<\/em> amput\u00e9e du nombre de pr\u00e9dicteurs k<\/em> et de la constante unitaire :<\/p>\n

se<\/sub>2<\/sup> = MSE = SSE \/ (n − k − 1)<\/em><\/p>\n

L’\u00e9cart-type r\u00e9siduel (se<\/sub> = √MSE<\/em>), souvent d\u00e9nomm\u00e9 erreur type de l’estimation, quantifie la dispersion moyenne des observations empiriques autour de la droite de r\u00e9gression finale.<\/p>\n

3. Proc\u00e9dure manuelle \u00e9tape par \u00e9tape pour calculer les r\u00e9sidus<\/h2>\n

3.1 \u00c9tape 1 : D\u00e9termination des param\u00e8tres de la droite de r\u00e9gression<\/h3>\n

L’extraction manuelle des r\u00e9sidus exige en premier lieu l’estimation rigoureuse des coefficients de la fonction de r\u00e9gression par les MCO. Pour une r\u00e9gression lin\u00e9aire simple reliant un pr\u00e9dicteur X<\/em> \u00e0 une variable d\u00e9pendante Y<\/em>, le calcul commence par la d\u00e9termination de la moyenne empirique de chaque variable, not\u00e9es respectivement x\u0304<\/em> et \u0233<\/em>. L’analyste doit ensuite calculer la somme des produits des \u00e9carts \u00e0 la moyenne – \u00e9quivalente \u00e0 la covariance non normalis\u00e9e – ainsi que la somme des carr\u00e9s des \u00e9carts de la variable explicative X<\/em> (sa variance non normalis\u00e9e).<\/p>\n

Le coefficient de r\u00e9gression de la pente (b1<\/sub><\/em>) est d\u00e9riv\u00e9 en \u00e9tablissant le quotient suivant :<\/p>\n

b1<\/sub> = [∑i=1<\/sub>n<\/sup> (xi<\/sub> − x\u0304)(yi<\/sub> − \u0233)] \/ [∑i=1<\/sub>n<\/sup> (xi<\/sub> − x\u0304)2<\/sup>]<\/em><\/p>\n

Une fois le coefficient directeur obtenu, l’ordonn\u00e9e \u00e0 l’origine (b0<\/sub><\/em>) d\u00e9coule imm\u00e9diatement du fait obligatoire que la droite de r\u00e9gression des moindres carr\u00e9s passe invariablement par le centre de gravit\u00e9 bivari\u00e9 de l’\u00e9chantillon, c’est-\u00e0-dire le point de coordonn\u00e9es moyennes (x\u0304, \u0233)<\/em>. L’\u00e9quation se r\u00e9sout alors de fa\u00e7on lin\u00e9aire :<\/p>\n

b0<\/sub> = \u0233 − b1<\/sub>x\u0304<\/em><\/p>\n

\"Scatterplot
Scatterplot example<\/figcaption><\/figure>\n

L’\u00e9quation pr\u00e9dictive finale s’\u00e9crit d\u00e8s lors sous sa forme op\u00e9rationnelle : \u0177 = b0<\/sub> + b1<\/sub>x<\/em>. Cette \u00e9quation fixe le standard pr\u00e9dictif \u00e0 partir duquel l’ensemble des \u00e9carts individuels va \u00eatre \u00e9valu\u00e9.<\/p>\n

3.2 \u00c9tape 2 : Calcul syst\u00e9matique des valeurs pr\u00e9dites (\u0177)<\/h3>\n

La deuxi\u00e8me s\u00e9quence op\u00e9ratoire consiste \u00e0 calculer, pour chacun des participants composant la cohorte d’\u00e9tude, la valeur sp\u00e9cifiquement attendue selon le mod\u00e8le. Pour chaque sujet i<\/em>, la valeur mesur\u00e9e sur le pr\u00e9dicteur xi<\/sub><\/em> est introduite directement dans l’\u00e9quation param\u00e9tr\u00e9e lors de l’\u00e9tape pr\u00e9c\u00e9dente.<\/p>\n

Il est fondamental de maintenir une rigueur dimensionnelle et arithm\u00e9tique totale lors de cette substitution. Si l’\u00e9valuation de la charge de travail est mesur\u00e9e sur une \u00e9chelle de 0 \u00e0 100, la coordonn\u00e9e xi<\/sub><\/em> doit \u00eatre trait\u00e9e avec pr\u00e9cision sans arrondis h\u00e2tifs, sous peine d’induire des erreurs d’arrondi cumulatives lors de l’estimation subs\u00e9quente des composantes r\u00e9siduelles.<\/p>\n

Dans le cadre d’un traitement psychom\u00e9trique rigoureux, il est recommand\u00e9 de compiler ces valeurs pr\u00e9dites dans une colonne structur\u00e9e au sein d’une grille ou d’un tableau d’analyse. Chaque ligne correspond \u00e0 un sujet unique, mat\u00e9rialisant le passage continu du niveau empirique brut au niveau th\u00e9orique pr\u00e9dit. Cette table servira d’assise aux contr\u00f4les de coh\u00e9rence ult\u00e9rieurs.<\/p>\n

3.3 \u00c9tape 3 : Soustraction pour obtenir les r\u00e9sidus bruts<\/h3>\n

L’\u00e9tape charni\u00e8re r\u00e9side dans l’application rigoureuse et s\u00e9quentielle de la formule de soustraction canonique ei<\/sub> = yi<\/sub> − \u0177i<\/sub><\/em> pour chacune des lignes du jeu de donn\u00e9es. La valeur th\u00e9orique calcul\u00e9e \u0177i<\/sub><\/em> est retranch\u00e9e de la mesure observ\u00e9e yi<\/sub><\/em>.<\/p>\n

Cette \u00e9tape requiert une attention soutenue \u00e0 la pr\u00e9servation rigoureuse des signes math\u00e9matiques. Une erreur fr\u00e9quente chez les chercheurs en d\u00e9but de parcours consiste \u00e0 inverser les termes de l’op\u00e9rateur (en calculant \u0177i<\/sub> − yi<\/sub><\/em>) ou \u00e0 convertir d’autorit\u00e9 l’ensemble des r\u00e9sultats en valeurs absolues positives. Une telle inversion fausse compl\u00e8tement l’analyse ult\u00e9rieure de la direction des biais de pr\u00e9diction.<\/p>\n

D\u00e8s l’ach\u00e8vement de la colonne des r\u00e9sidus, une proc\u00e9dure de v\u00e9rification interne doit \u00eatre ex\u00e9cut\u00e9e : la sommation cumulative de l’int\u00e9gralit\u00e9 des termes ei<\/sub><\/em> doit converger vers z\u00e9ro (aux micro-impr\u00e9cisions d’arrondis machine pr\u00e8s). Si la somme d\u00e9vie substantiellement de z\u00e9ro, cela signale une erreur syst\u00e9matique dans le calcul pr\u00e9alable des coefficients b0<\/sub><\/em> ou b1<\/sub><\/em>. Enfin, chaque r\u00e9sidu individuel est \u00e9lev\u00e9 au carr\u00e9 (ei<\/sub>2<\/sup><\/em>) dans une colonne adjacente ; leur agr\u00e9gation finale g\u00e9n\u00e8re la SSE<\/em> indispensable au diagnostic d’erreur global du protocole.<\/p>\n

3.4 Exemple num\u00e9rique guid\u00e9 sur un jeu de donn\u00e9es psychologiques<\/h3>\n

Afin d’illustrer concr\u00e8tement la s\u00e9quence des op\u00e9rations math\u00e9matiques d\u00e9crites, examinons un protocole exp\u00e9rimental men\u00e9 sur un \u00e9chantillon restreint de 10 participants adultes (n = 10<\/em>). Cette \u00e9tude explore l’influence du score de stress per\u00e7u (variable explicative X<\/em>, mesur\u00e9e de 1 \u00e0 10 sur une \u00e9chelle de tension psychologique) sur le temps de r\u00e9action moyen \u00e0 une t\u00e2che d’inhibition cognitive de type Stroop (variable r\u00e9ponse Y<\/em>, mesur\u00e9e en centi\u00e8mes de seconde).<\/p>\n

Les donn\u00e9es brutes recueillies sont les suivantes :<\/p>\n