Stanley Smith Stevens<\/a>, prend ici tout son sens. Les variables continues poss\u00e8dent une unit\u00e9 de mesure constante et un continuum infini de valeurs potentielles, tandis que les variables ordinales ordonnent les observations sans garantir l’\u00e9galit\u00e9 des intervalles sous-jacents. En revanche, les variables nominales polytomiques segmentent la population en classes qualitatives exhaustives et mutuellement exclusives, sans aucune hi\u00e9rarchie naturelle ou ordonnancement g\u00e9om\u00e9trique. L’usage des variables indicatrices permet ainsi de traiter les \u00e9chelles nominales sans imposer arbitrairement une relation d’ordre fallacieuse qui viendrait biaiser de mani\u00e8re substantielle l’estimation des moindres carr\u00e9s ordinaires.<\/p>\n1.2 La transition des \u00e9chelles qualitatives vers les repr\u00e9sentations num\u00e9riques<\/h3>\n L’\u00e9cueil m\u00e9thodologique le plus s\u00e9v\u00e8re lors de la manipulation de variables nominales r\u00e9side dans l’assignation de codes num\u00e9riques arbitraires trait\u00e9s ult\u00e9rieurement comme des grandeurs scalaires continues. Attribuer les valeurs 1, 2 et 3 respectivement aux modalit\u00e9s \u00ab C\u00e9libataire \u00bb, \u00ab Mari\u00e9 \u00bb et \u00ab Divorc\u00e9 \u00bb, puis ins\u00e9rer directement cette variable cod\u00e9e dans une \u00e9quation de r\u00e9gression lin\u00e9aire sous-tend l’hypoth\u00e8se absurde que l’\u00e9tat d’\u00eatre divorc\u00e9 correspond au triple de l’\u00e9tat de c\u00e9libataire, ou que la \u00ab distance psychologique ou sociologique \u00bb s\u00e9parant un individu mari\u00e9 d’un individu c\u00e9libataire \u00e9quivaut rigoureusement \u00e0 celle s\u00e9parant un individu divorc\u00e9 d’un individu mari\u00e9. Une telle d\u00e9rive viole les postulats de mesure fondamentale et vicie irr\u00e9m\u00e9diablement l’interpr\u00e9tation des estimateurs.<\/p>\n
La m\u00e9thode de codage par variables muettes r\u00e9sout \u00e9l\u00e9gamment ce probl\u00e8me en substituant \u00e0 l’axe unidimensionnel arbitraire un hyperespace multidimensionnel constitu\u00e9 d’autant d’axes orthogonaux que la variable qualitative compte de degr\u00e9s de libert\u00e9 informatifs. Ce processus pr\u00e9serve rigoureusement la structure topologique et g\u00e9om\u00e9trique des donn\u00e9es. Aucun espacement quantitatif n’est postul\u00e9 entre les cat\u00e9gories ; chaque modalit\u00e9 est repr\u00e9sent\u00e9e par une coordonn\u00e9e discr\u00e8te sur un axe binaire qui lui est propre, \u00e9liminant tout artefact d’\u00e9quidistance.<\/p>\n
Dans la formulation matricielle standard de la r\u00e9gression lin\u00e9aire g\u00e9n\u00e9rale, d\u00e9finie par l’\u00e9quation classique $Y = X\\beta + \\varepsilon$<\/span>, o\u00f9 $Y$<\/span> d\u00e9signe le vecteur des r\u00e9ponses de dimension $(n \\times 1)$<\/span>, $X$<\/span> la matrice de conception (ou design matrix<\/em>) de dimension $(n \\times p)$<\/span>, $\\beta$<\/span> le vecteur des coefficients directeurs \u00e0 estimer, et $varepsilon$<\/span> le vecteur des perturbations al\u00e9atoires, les pr\u00e9dicteurs qualitatifs binaris\u00e9s s’int\u00e8grent comme des colonnes de z\u00e9ros et de uns. Cette formalisation matricielle garantit que les produits matriciels fondamentaux, notamment la matrice des covariances des r\u00e9gresseurs $X’X$<\/span>, conservent des propri\u00e9t\u00e9s analytiques transparentes et permettent une interpr\u00e9tation g\u00e9om\u00e9trique directe en termes de contrastes moyens entre sous-populations.<\/p>\n1.3 Objectifs du tutoriel et contexte computationnel dans l’\u00e9cosyst\u00e8me R<\/h3>\n Le langage de programmation et environnement statistique R constitue historiquement un vecteur d’excellence pour le traitement rigoureux des donn\u00e9es cat\u00e9gorielles gr\u00e2ce \u00e0 sa structure primitive d\u00e9di\u00e9e : le type factor<\/code>. Con\u00e7u d\u00e8s l’origine par les laboratoires Bell pour le langage S puis r\u00e9impl\u00e9ment\u00e9 dans R, le facteur permet d’encapsuler la s\u00e9mantique statistique des variables qualitatives en distinguant formellement les \u00e9tiquettes textuelles humaines (les modalit\u00e9s ou levels<\/em>) de leur repr\u00e9sentation interne sous forme d’entiers pointant vers une table de contrastes pr\u00e9d\u00e9finie. Cette architecture logicielle conf\u00e8re \u00e0 R une sup\u00e9riorit\u00e9 notable sur d’autres langages \u00e0 vocation g\u00e9n\u00e9rale dans l’automatisation de l’analyse lin\u00e9aire.<\/p>\nToutefois, la manipulation explicite des variables muettes demeure indispensable pour une pluralit\u00e9 de cas d’usage avanc\u00e9s. D’une part, certains algorithmes d’apprentissage automatique supervis\u00e9, tels que les for\u00eats al\u00e9atoires optimis\u00e9es, les r\u00e9seaux de neurones profonds ou les mod\u00e8les de r\u00e9gression r\u00e9gularis\u00e9e (Lasso, Ridge, ElasticNet via des biblioth\u00e8ques sp\u00e9cialis\u00e9es comme glmnet<\/code>), exigent imp\u00e9rativement des matrices num\u00e9riques homog\u00e8nes en entr\u00e9e et ne prennent pas en charge nativement les structures de facteurs. D’autre part, dans un dessein p\u00e9dagogique, de contr\u00f4le m\u00e9thodologique ou de reporting psychom\u00e9trique, la d\u00e9composition manuelle d’une modalit\u00e9 permet de mieux ma\u00eetriser l’architecture des \u00e9quations structurelles estim\u00e9es.<\/p>\nCe guide pas \u00e0 pas a pour vocation de d\u00e9mystifier ces processus computationnels \u00e0 travers un prisme empirique centr\u00e9 sur les sciences humaines. Nous examinerons successivement l’approche vectorielle primitive avec les fonctions de base, la d\u00e9rivation matricielle via la commande native model.matrix()<\/code>, l’automatisation performante au moyen de biblioth\u00e8ques sp\u00e9cialis\u00e9es \u00e0 haut d\u00e9bit telles que fastDummies<\/code>, et enfin l’int\u00e9gration harmonieuse dans les pipelines modernes de mod\u00e9lisation pr\u00e9dictive avec tidymodels<\/code> et son module de pr\u00e9-traitement recipes<\/code>. Chaque section sera \u00e9tay\u00e9e par des consid\u00e9rations relatives \u00e0 la th\u00e9orie de la mesure et \u00e0 la robustesse statistique des conclusions inf\u00e9rentielles.<\/p>\n2. Fondements math\u00e9matiques et la r\u00e8gle de k – 1 variables<\/h2>\n2.1 Le pi\u00e8ge des variables muettes (Dummy Variable Trap) et la colin\u00e9arit\u00e9 parfaite<\/h3>\n La conversion d’une variable qualitative comprenant $k$<\/span> modalit\u00e9s distinctes soul\u00e8ve imm\u00e9diatement une contrainte alg\u00e9brique stricte connue sous la d\u00e9nomination de \u00ab pi\u00e8ge des variables muettes \u00bb (Dummy Variable Trap<\/em>). Si un analyste tente de mod\u00e9liser une variable cat\u00e9gorielle en cr\u00e9ant simultan\u00e9ment $k$<\/span> variables indicatrices et qu’il ins\u00e8re l’ensemble de ces $k$<\/span> vecteurs dans une \u00e9quation de r\u00e9gression lin\u00e9aire comportant une constante d’origine (l’intercept $\\beta_0$<\/span>), il engendre m\u00e9caniquement une situation de colin\u00e9arit\u00e9 parfaite, ou d\u00e9pendance lin\u00e9aire exacte.<\/p>\nConsid\u00e9rons en effet le vecteur unit\u00e9 $J = (1, 1, dots, 1)’$<\/span> associ\u00e9 \u00e0 la constante du mod\u00e8le. Par d\u00e9finition, chaque observation $i$<\/span> appartient \u00e0 une et une seule modalit\u00e9 parmi les $k$<\/span> cat\u00e9gories possibles du r\u00e9gresseur qualitatif (principe d’exhaustivit\u00e9 et d’exclusion mutuelle). Par cons\u00e9quent, pour chaque ligne de la matrice de donn\u00e9es, la somme arithm\u00e9tique des $k$<\/span> variables muettes associ\u00e9es s’\u00e9crit de mani\u00e8re d\u00e9terministe :<\/p>\n$$\\sum_{j=1}^{k} D_{i,j} = D_{i,1} + D_{i,2} + dots + D_{i,k} = 1$$<\/span><\/p>\nCette relation d’\u00e9galit\u00e9 montre que le vecteur unitaire de l’intercept est exactement \u00e9gal \u00e0 la somme vectorielle des $k$<\/span> variables muettes cr\u00e9\u00e9es. Les colonnes correspondantes de la matrice de conception $X$<\/span> ne sont plus lin\u00e9airement ind\u00e9pendantes ; le rang de la matrice $X$<\/span> devient strictement inf\u00e9rieur \u00e0 son nombre de colonnes ($p$<\/span>). Il en r\u00e9sulte directement que la matrice sym\u00e9trique semi-d\u00e9finie positive $X’X$<\/span>, indispensable \u00e0 l’obtention des estimateurs par la m\u00e9thode des moindres carr\u00e9s ordinaires, devient une matrice singuli\u00e8re dont le d\u00e9terminant est nul ($det(X’X) = 0$<\/span>).<\/p>\nPuisque la matrice $X’X$<\/span> n’est pas inversible, la formule ferm\u00e9e classique des estimateurs des moindres carr\u00e9s ordinaires :<\/p>\n$$\\hat{\\beta} = (X’X)^{-1} X’Y$$<\/span><\/p>\nse trouve confront\u00e9e \u00e0 une impossibilit\u00e9 algorithmique absolue. Le syst\u00e8me d’\u00e9quations normales admet une infinit\u00e9 de solutions \u00e9quivalentes, rendant l’identification des param\u00e8tres structurellement impossible. Sur le plan computationnel, les logiciels statistiques non avertis renvoient une erreur d’inversion matricielle ou attribuent des valeurs de type NA<\/code> (non disponible) aux coefficients surnum\u00e9raires en raison de l’\u00e9crasement des valeurs singuli\u00e8res lors de la d\u00e9composition num\u00e9rique QR.<\/p>\n2.2 La formalisation de la modalit\u00e9 de r\u00e9f\u00e9rence (Baseline Category)<\/h3>\n Pour restaurer le plein rang de la matrice d’exp\u00e9rience $X$<\/span> et lever l’ind\u00e9termination math\u00e9matique du syst\u00e8me, il est imp\u00e9ratif d’imposer une contrainte d’identification. La m\u00e9thode la plus courante et la plus intuitive consiste \u00e0 omettre d\u00e9lib\u00e9r\u00e9ment l’un des vecteurs indicatifs de la sp\u00e9cification de la r\u00e9gression. Cette r\u00e8gle fondamentale \u00e9nonce que pour une variable qualitative poss\u00e9dant $k$<\/span> niveaux discrets, exactement $k – 1$<\/span> variables muettes doivent \u00eatre introduites dans le mod\u00e8le en pr\u00e9sence d’une constante libre.<\/p>\nLa modalit\u00e9 dont le vecteur indicatif est \u00e9cart\u00e9 de la matrice de r\u00e9gression est d\u00e9sign\u00e9e sous les vocables de \u00ab modalit\u00e9 de r\u00e9f\u00e9rence \u00bb, \u00ab cat\u00e9gorie de base \u00bb ou \u00ab niveau t\u00e9moin \u00bb (baseline category<\/em> ou reference level<\/em>). Sur le plan statistique, cette soustraction vectorielle conf\u00e8re \u00e0 la constante du mod\u00e8le $\\beta_0$<\/span> une signification primordiale : elle capture l’esp\u00e9rance math\u00e9matique conditionnelle de la variable d\u00e9pendante $Y$<\/span> pour le sous-groupe d’individus appartenant \u00e0 cette modalit\u00e9 de r\u00e9f\u00e9rence, lorsque toutes les autres covariables continues du mod\u00e8le sont fix\u00e9es \u00e0 z\u00e9ro.<\/p>\nLa s\u00e9lection rationnelle de cette cat\u00e9gorie de r\u00e9f\u00e9rence ne modifie en rien la qualit\u00e9 globale de l’ajustement du mod\u00e8le, mesur\u00e9e par la somme des carr\u00e9s des r\u00e9sidus ou le coefficient de d\u00e9termination $R^2$<\/span>, mais elle d\u00e9termine l’architecture comparative de tous les param\u00e8tres de pente estim\u00e9s. Les coefficients associ\u00e9s aux $k – 1$<\/span> variables muettes conserv\u00e9es dans le mod\u00e8le quantifient les \u00e9carts moyens ou diff\u00e9rentiels marginaux observ\u00e9s entre chaque groupe respectif et la cat\u00e9gorie de base choisie. D\u00e8s lors, le choix de ce niveau doit s’appuyer sur des fondements th\u00e9oriques rigoureux : s’agira-t-il d’un groupe contr\u00f4le clinique, de la modalit\u00e9 statistiquement modale de l’\u00e9chantillon, ou d’une condition exp\u00e9rimentale neutre ? La clart\u00e9 de la communication scientifique d\u00e9pend intimement de cette d\u00e9cision op\u00e9ratoire.<\/p>\n2.3 Application au cas concret : statut matrimonial et pr\u00e9diction du revenu<\/h3>\n Afin d’ancrer ces concepts dans une d\u00e9marche analytique concr\u00e8te, consid\u00e9rons une investigation psychologique et socio-\u00e9conomique s’int\u00e9ressant \u00e0 l’impact des trajectoires de vie conjugale sur le bien-\u00eatre mat\u00e9riel d’une cohorte d’actifs. La variable qualitative \u00e9tudi\u00e9e concerne le statut matrimonial, not\u00e9 conventionnellement marital_status<\/code>, et comporte initialement trois modalit\u00e9s discr\u00e8tes et exhaustives :<\/p>\n\nC\u00e9libataire<\/strong> (individus n’ayant jamais contract\u00e9 d’union l\u00e9gale) ;<\/li>\nMari\u00e9<\/strong> (individus vivant sous le r\u00e9gime l\u00e9gal du mariage ou de l’union civile) ;<\/li>\nDivorc\u00e9<\/strong> (individus ayant v\u00e9cu une dissolution l\u00e9gale d’union).<\/li>\n<\/ul>\nLe nombre total de modalit\u00e9s s’\u00e9l\u00e8ve \u00e0 $k = 3$<\/span>. En application stricte du th\u00e9or\u00e8me fondamental de d\u00e9composition matricielle, le nombre d’indicateurs binaires requis pour mod\u00e9liser cette variable dans une r\u00e9gression dot\u00e9e d’une ordonn\u00e9e \u00e0 l’origine est de $k – 1 = 3 – 1 = 2$<\/span>. D\u00e9signons arbitrairement la modalit\u00e9 \u00ab C\u00e9libataire \u00bb comme niveau de r\u00e9f\u00e9rence th\u00e9orique. Il convient alors de construire deux variables indicatrices, not\u00e9es respectivement $D_{\\text{Mari\u00e9}}$<\/span> et $D_{\\text{Divorc\u00e9}}$<\/span>.<\/p>\nL’espace vectoriel d’entr\u00e9e pour chaque sujet statistique $i$<\/span> se d\u00e9cline selon le codage binaire formel suivant :<\/p>\n\nSi l’individu $i$<\/span> est C\u00e9libataire<\/em> : $D_{i, \\text{Mari\u00e9}} = 0$<\/span> et $D_{i, \\text{Divorc\u00e9}} = 0$<\/span>. Le profil num\u00e9rique associ\u00e9 correspond au doublet $(0, 0)$<\/span>.<\/li>\nSi l’individu $i$<\/span> est Mari\u00e9<\/em> : $D_{i, \\text{Mari\u00e9}} = 1$<\/span> et $D_{i, \\text{Divorc\u00e9}} = 0$<\/span>. Le profil num\u00e9rique associ\u00e9 correspond au doublet $(1, 0)$<\/span>.<\/li>\nSi l’individu $i$<\/span> est Divorc\u00e9<\/em> : $D_{i, \\text{Mari\u00e9}} = 0$<\/span> et $D_{i, \\text{Divorc\u00e9}} = 1$<\/span>. Le profil num\u00e9rique associ\u00e9 correspond au doublet $(0, 1)$<\/span>.<\/li>\n<\/ul>\nL’\u00e9quation th\u00e9orique de pr\u00e9diction du revenu annuel $Y_i$<\/span> ajust\u00e9e sur l’\u00e2ge $X_{i, \\text{\u00c2ge}}$<\/span> prend la forme lin\u00e9aire suivante :<\/p>\n$$Y_i = \\beta_0 + \\beta_1 X_{i, \\text{\u00c2ge}} + \\beta_2 D_{i, \\text{Mari\u00e9}} + \\beta_3 D_{i, \\text{Divorc\u00e9}} + \\varepsilon_i$$<\/span><\/p>\nDans ce cadre analytique, le coefficient $\\beta_2$<\/span> mesure la diff\u00e9rence esp\u00e9r\u00e9e de revenu entre un individu mari\u00e9 et un individu c\u00e9libataire ayant strictement le m\u00eame \u00e2ge chronologique. De m\u00eame, $\\beta_3$<\/span> refl\u00e8te la divergence structurelle de revenu entre un individu divorc\u00e9 et un c\u00e9libataire \u00e0 \u00e2ge constant. L’absence de redondance colin\u00e9aire est math\u00e9matiquement garantie puisque le doublet $(0, 0)$<\/span> assure la distinction et la solvabilit\u00e9 de la cat\u00e9gorie de r\u00e9f\u00e9rence sans introduire de troisi\u00e8me colonne unitaire comp\u00e9titive avec $\\beta_0$<\/span>.<\/p>\n3. \u00c9tape 1 : Pr\u00e9paration de l’environnement de travail et cr\u00e9ation du jeu de donn\u00e9es<\/h2>\n3.1 Initialisation de la session et bonnes pratiques de reproductibilit\u00e9<\/h3>\n Toute d\u00e9marche d’investigation quantitative rigoureuse d\u00e9bute par une configuration standardis\u00e9e de la session de calcul sous R. La reproductibilit\u00e9 computationnelle implique de garantir que les r\u00e9sultats obtenus sur une station de travail puissent \u00eatre r\u00e9pliqu\u00e9s \u00e0 l’identique, au bit pr\u00e8s, sur tout autre environnement informatique, ind\u00e9pendamment des sp\u00e9cificit\u00e9s du syst\u00e8me d’exploitation sous-jacent. Cette exigence impose la fixation formelle de l’al\u00e9a g\u00e9n\u00e9r\u00e9 lors des processus stochastiques de simulation.<\/p>\n
L’initialisation de l’espace de travail s’op\u00e8re en purgeant la m\u00e9moire vive des objets r\u00e9siduels \u00e0 l’aide de l’instruction rm(list = ls())<\/code> et en for\u00e7ant l’utilisation d’encodages de caract\u00e8res universels tels que l’UTF-8 via les options globales de la session. Parall\u00e8lement, l’attribution d’une graine d\u00e9terministe au g\u00e9n\u00e9rateur congruentiel de nombres pseudo-al\u00e9atoires s’effectue au moyen de la fonction native set.seed()<\/code>. Le choix de la valeur enti\u00e8re pass\u00e9e en argument est arbitraire sur le plan th\u00e9orique, mais sa permanence garantit la constance des r\u00e9alisations d’\u00e9chantillonnage al\u00e9atoire :<\/p>\nLa commande s’\u00e9crit formellement sous la syntaxe standardis\u00e9e :<\/p>\n
set.seed(12345)<\/code><\/p>\nL’environnement doit \u00eatre configur\u00e9 pour documenter syst\u00e9matiquement la version de R exploit\u00e9e ainsi que l’\u00e9tat des modules charg\u00e9s en invoquant la fonction sessionInfo()<\/code> au terme du script. Ce protocole immunise le chercheur contre les modifications comportementales mineures susceptibles d’intervenir lors des mises \u00e0 jour incr\u00e9mentales des extensions logicielles.<\/p>\n3.2 G\u00e9n\u00e9ration programmatique du data frame empirique<\/h3>\n Afin de contextualiser nos manipulations sur des bases empiriques r\u00e9alistes, g\u00e9n\u00e9rons un ensemble de donn\u00e9es psychologiques et \u00e9conomiques synth\u00e9tique comprenant $n = 1000$<\/span> observations individuelles. Nous \u00e9chantillonnerons trois variables repr\u00e9sentatives : le statut matrimonial (variable qualitative nominale polytomique), l’\u00e2ge (variable quantitative continue exprim\u00e9e en ann\u00e9es r\u00e9volues) et le revenu annuel brut (variable continue exprim\u00e9e en unit\u00e9s mon\u00e9taires standardis\u00e9es).<\/p>\nPour \u00e9muler la distribution d\u00e9mographique observ\u00e9e dans les enqu\u00eates sociom\u00e9triques r\u00e9elles, d\u00e9finissons des proportions in\u00e9gales pour les trois modalit\u00e9s d’\u00e9tat civil : 45 % de c\u00e9libataires, 40 % d’individus mari\u00e9s et 15 % d’individus divorc\u00e9s. La g\u00e9n\u00e9ration stochastique du vecteur de statut matrimonial s’articule autour de la fonction vectoris\u00e9e sample()<\/code> en autorisant le tirage avec remise :<\/p>\nstatut <- sample(c(\"C\u00e9libataire\", \"Mari\u00e9\", \"Divorc\u00e9\"), size = 1000, replace = TRUE, prob = c(0.45, 0.40, 0.15))<\/code><\/p>\nL’\u00e2ge des participants est ensuite g\u00e9n\u00e9r\u00e9 selon une distribution uniforme discr\u00e8te ou continue s’\u00e9tendant de 22 \u00e0 65 ans via runif(1000, min = 22, max = 65)<\/code>. Enfin, pour insuffler un r\u00e9alisme psychom\u00e9trique au mod\u00e8le, la variable d\u00e9pendante de revenu est construite comme une fonction d\u00e9terministe de l’\u00e2ge et du statut marital, \u00e0 laquelle s’adjoint un terme de perturbation gaussien homosc\u00e9dastique d’\u00e9cart-type r\u00e9siduel constant :<\/p>\nbruit <- rnorm(1000, mean = 0, sd = 4500)<\/code>revenu <- 18000 + (650 * age) + ifelse(statut == \"Mari\u00e9\", 8000, 0) + ifelse(statut == \"Divorc\u00e9\", -2500, 0) + bruit<\/code><\/p>\nL’assemblage matriciel prend la forme d’un objet de classe data.frame<\/code> conventionnel regroupant ces s\u00e9ries ordonn\u00e9es :<\/p>\ndonnees_etude <- data.frame(revenu = round(revenu, 2), age = round(age, 1), statut_matrimonial = statut, stringsAsFactors = FALSE)<\/code><\/p>\nL’interrogation imm\u00e9diate de la structure de l’objet via str(donnees_etude)<\/code> et l’affichage des premi\u00e8res lignes par head(donnees_etude)<\/code> valident la conformit\u00e9 des types primitifs : deux vecteurs num\u00e9riques \u00e0 double pr\u00e9cision et un vecteur de cha\u00eenes de caract\u00e8res de type character<\/code>.<\/p>\n3.3 Audit exploratoire des distributions et des modalit\u00e9s qualitatives<\/h3>\n Avant d’engager toute transformation matricielle, la d\u00e9ontologie de l’analyste de donn\u00e9es commande d’effectuer une inspection statistique rigoureuse des fr\u00e9quences observ\u00e9es. Le comptage des occurrences d’une variable nominale permet de s’assurer de l’absence de modalit\u00e9s quasi-vides (ou sparse categories<\/em>), lesquelles sont susceptibles de provoquer de fortes instabilit\u00e9s lors de l’estimation de l’erreur-type des coefficients de r\u00e9gression.<\/p>\nDans l’environnement de base de R, la distribution d’une variable qualitative s’examine \u00e0 l’aide de la commande table()<\/code>, compl\u00e9t\u00e9e par la fonction prop.table()<\/code> pour l’\u00e9valuation des fr\u00e9quences relatives. L’instruction combin\u00e9e :<\/p>\nprop.table(table(donnees_etude$statut_matrimonial)) * 100<\/code><\/p>\npermet de certifier que les proportions observ\u00e9es dans l’\u00e9chantillon synth\u00e9tique convergent de mani\u00e8re satisfaisante vers les probabilit\u00e9s d’affectation th\u00e9oriques configur\u00e9es \u00e0 l’\u00e9tape pr\u00e9c\u00e9dente. L’apparition inopin\u00e9e de cat\u00e9gories sous-repr\u00e9sent\u00e9es (par exemple, moins de 5 % des observations totales) contraindrait le statisticien \u00e0 envisager un regroupement de modalit\u00e9s afin de garantir la convergence asymptotique des estimateurs.<\/p>\n
Enfin, un premier diagnostic bivari\u00e9 croisant le statut matrimonial et la distribution continue du revenu est men\u00e9 par le calcul des esp\u00e9rances conditionnelles \u00e0 l’aide de la fonction d’agr\u00e9gation vectoris\u00e9e tapply()<\/code> :<\/p>\ntapply(donnees_etude$reve\\nu, donnees_etude$<\/span>statut_matrimonial, summary)<\/code><\/p>\nCette commande permet d’obtenir un tableau r\u00e9capitulatif des indicateurs de tendance centrale (m\u00e9diane, moyenne arithm\u00e9tique) et de dispersion (\u00e9carts interquartiles) pour chaque strate conjugale, corroborant ainsi l’existence empirique des \u00e9carts diff\u00e9rentiels que les variables muettes auront pour vocation formelle d’isoler dans les \u00e9tapes analytiques ult\u00e9rieures.<\/p>\n
4. \u00c9tape 2 : M\u00e9thode manuelle avec les fonctions de base de R<\/h2>\n4.1 Utilisation de la fonction conditionnelle ifelse()<\/h3>\n L’approche la plus \u00e9l\u00e9mentaire et p\u00e9dagogique pour concevoir des variables muettes en dehors de tout cadre automatis\u00e9 repose sur l’emploi de structures conditionnelles vectoris\u00e9es natives. La fonction ifelse()<\/code> de R \u00e9value un test logique scalaire appliqu\u00e9 \u00e0 chaque \u00e9l\u00e9ment d’un vecteur et renvoie une valeur sp\u00e9cifique selon que le pr\u00e9dicat bool\u00e9en s’av\u00e8re vrai (TRUE<\/code>) ou faux (FALSE<\/code>).<\/p>\nPour notre jeu de donn\u00e9es comportant les modalit\u00e9s \u00ab C\u00e9libataire \u00bb, \u00ab Mari\u00e9 \u00bb et \u00ab Divorc\u00e9 \u00bb, et en maintenant notre d\u00e9cision m\u00e9thodologique d’\u00e9riger les c\u00e9libataires en modalit\u00e9 de r\u00e9f\u00e9rence omise, nous devons impl\u00e9menter manuellement deux nouvelles colonnes indicatrices. La syntaxe computationnelle se d\u00e9ploie de la mani\u00e8re suivante :<\/p>\n
donnees_etude$statut_marie <- ifelse(donnees_etude$<\/span>statut_matrimonial == \"Mari\u00e9\", 1, 0)<\/code>donnees_etude$statut_divorce <- ifelse(donnees_etude$<\/span>statut_matrimonial == \"Divorc\u00e9\", 1, 0)<\/code><\/p>\nCe m\u00e9canisme garantit une transparence absolue dans l’affectation binaire. Si un individu pr\u00e9sente la modalit\u00e9 \u00ab Mari\u00e9 \u00bb, la variable statut_marie<\/code> re\u00e7oit la valeur 1 tandis que statut_divorce<\/code> se voit assigner la valeur 0. Si un individu est \u00ab Divorc\u00e9 \u00bb, les assignations s’inversent de fa\u00e7on sym\u00e9trique. Crucialement, pour tout sujet pr\u00e9sentant l’attribut \u00ab C\u00e9libataire \u00bb, les deux conditions logiques \u00e9chouent successivement, attribuant un 0 dans les deux colonnes cr\u00e9\u00e9es. Le groupe de r\u00e9f\u00e9rence se trouve ainsi implicitement cod\u00e9 par le profil vectoriel conjoint $(0, 0)$<\/span>, satisfaisant \u00e0 la perfection la condition n\u00e9cessaire pour contourner le pi\u00e8ge de la colin\u00e9arit\u00e9 parfaite.<\/p>\nBien que d’une clart\u00e9 conceptuelle indiscutable pour des jeux de donn\u00e9es d’envergure modeste, cette m\u00e9thode pr\u00e9sente l’inconv\u00e9nient d’un co\u00fbt de d\u00e9veloppement lin\u00e9aire : pour une variable nominale \u00e0 vingt modalit\u00e9s, l’analyste serait astreint \u00e0 d\u00e9clarer dix-neuf lignes de code redondantes, augmentant proportionnellement le risque d’erreurs typographiques ou d’incoh\u00e9rences de nommage.<\/p>\n
4.2 Alternative par conversion logique directe en entiers<\/h3>\n Une alternative \u00e9l\u00e9gante et nettement sup\u00e9rieure en termes d’efficience computationnelle consiste \u00e0 exploiter la coercition de type sous-jacente du langage R. En effet, dans le mod\u00e8le de calcul de R, un vecteur bool\u00e9en (de type logical<\/code>) compos\u00e9 exclusivement de constantes TRUE<\/code> et FALSE<\/code> peut \u00eatre converti de mani\u00e8re d\u00e9terministe en un vecteur num\u00e9rique entier sans recourir \u00e0 la lourdeur d’une fonction conditionnelle d’embranchement telle que ifelse()<\/code>.<\/p>\nL’\u00e9valuation logique directe d’une \u00e9galit\u00e9 stricte g\u00e9n\u00e8re un vecteur bool\u00e9en en m\u00e9moire. En enveloppant cette comparaison logique dans la fonction primitive de coercition as.integer()<\/code> ou as.numeric()<\/code>, le syst\u00e8me convertit automatiquement les valeurs de v\u00e9rit\u00e9 TRUE<\/code> en l’entier 1, et les valeurs de fausset\u00e9 FALSE<\/code> en l’entier 0. La syntaxe optimis\u00e9e s’\u00e9crit ainsi :<\/p>\ndonnees_etude$statut_marie <- as.integer(donnees_etude$<\/span>statut_matrimonial == \"Mari\u00e9\")<\/code>donnees_etude$statut_divorce <- as.integer(donnees_etude$<\/span>statut_matrimonial == \"Divorc\u00e9\")<\/code><\/p>\nCette approche pr\u00e9sente un avantage d\u00e9terminant lors du traitement de tr\u00e8s larges bases de donn\u00e9es psychologiques ou \u00e9pid\u00e9miologiques comportant des centaines de milliers d’observations. Alors que la fonction ifelse()<\/code> effectue des v\u00e9rifications d’attributs et des duplications d’objets interm\u00e9diaires co\u00fbteuses en cycles processeur, la coercition directe via as.integer()<\/code> op\u00e8re par une modification quasi-instantan\u00e9e du pointeur de type C interne de R, r\u00e9duisant consid\u00e9rablement l’empreinte m\u00e9moire et le temps d’ex\u00e9cution global.<\/p>\n4.3 Contr\u00f4le de conformit\u00e9 de la nouvelle matrice de donn\u00e9es<\/h3>\n Toute manipulation manuelle de donn\u00e9es n\u00e9cessite une \u00e9tape formelle de validation crois\u00e9e. Il est imp\u00e9ratif de v\u00e9rifier que les nouvelles colonnes indicatrices reproduisent sans alt\u00e9ration l’information port\u00e9e par la variable qualitative originale et qu’aucun glissement d’indice ou aucune valeur manquante fortuite n’a \u00e9t\u00e9 introduite au cours du processus de conversion.<\/p>\n
L’outil le plus rigoureux pour attester de cette conformit\u00e9 structurelle demeure la table de contingence bivari\u00e9e. En croisant la variable textuelle initiale avec chacune des variables muettes d\u00e9riv\u00e9es, l’analyste doit observer une s\u00e9paration disjonctive sans ambigu\u00eft\u00e9. L’ex\u00e9cution de la commande suivante :<\/p>\n
table(donnees_etude$statut_matrimonial, donnees_etude$<\/span>statut_marie)<\/code><\/p>\ndoit faire appara\u00eetre une matrice de contingence de dimension $(3 \\times 2)$<\/span> o\u00f9 la modalit\u00e9 \u00ab Mari\u00e9 \u00bb est strictement concentr\u00e9e dans la colonne 1, tandis que les lignes \u00ab C\u00e9libataire \u00bb et \u00ab Divorc\u00e9 \u00bb pr\u00e9sentent exclusivement des effectifs au sein de la colonne 0. Une inspection sym\u00e9trique doit \u00eatre r\u00e9alis\u00e9e sur la variable statut_divorce<\/code>.<\/p>\nDe surcro\u00eet, la v\u00e9rification de l’absence de chevauchement contradictoire entre les deux indicateurs s’op\u00e8re par le test de tabulation crois\u00e9e conjointe :<\/p>\n
table(donnees_etude$statut_marie, donnees_etude$<\/span>statut_divorce)<\/code><\/p>\nLe quadrant sup\u00e9rieur droit correspondant \u00e0 la cellule $(1, 1)$<\/span> \u2014 c’est-\u00e0-dire l’hypoth\u00e8se absurde o\u00f9 un individu serait simultan\u00e9ment cod\u00e9 comme mari\u00e9 et divorc\u00e9 \u2014 doit afficher un effectif rigoureusement nul. L’observation d’un total de z\u00e9ro dans cette cellule, coupl\u00e9e au fait que l’effectif de la cellule $(0, 0)$<\/span> concorde exactement avec le nombre de c\u00e9libataires d\u00e9nombr\u00e9s dans l’\u00e9chantillon brut, confirme la validit\u00e9 logique de la matrice enrichie.<\/p>\n5. \u00c9tape 3 : M\u00e9thode matricielle native via model.matrix()<\/h2>\n5.1 Compr\u00e9hension du m\u00e9canisme interne de codage par contrastes de R<\/h3>\n Sous son apparente simplicit\u00e9, l’\u00e9cosyst\u00e8me R rec\u00e8le une machinerie analytique sophistiqu\u00e9e pour la gestion des donn\u00e9es cat\u00e9gorielles. Lorsque des mod\u00e8les lin\u00e9aires sont formul\u00e9s \u00e0 l’aide de l’op\u00e9rateur symbolique ~<\/code>, le moteur d’\u00e9valuation n’exige pas que l’analyste ait pr\u00e9alablement \u00e9clat\u00e9 ses variables qualitatives en colonnes muettes ind\u00e9pendantes. Si la variable est formellement d\u00e9clar\u00e9e comme un facteur (factor<\/code>), R applique un syst\u00e8me interne d’assignation de contrastes math\u00e9matiques.<\/p>\nLa transformation d’un vecteur de cha\u00eenes en facteur s’effectue par l’instruction :<\/p>\n
donnees_etude$statut_matrimonial <- as.factor(donnees_etude$<\/span>statut_matrimonial)<\/code><\/p>\nD\u00e8s lors, l’objet acquiert un attribut structurel d\u00e9terminant nomm\u00e9 levels<\/code>. Par d\u00e9faut, R ordonne les modalit\u00e9s selon l’ordre lexicographique standard (alphab\u00e9tique). Dans notre cas d’\u00e9tude, l’ordre r\u00e9sultant devient irr\u00e9m\u00e9diablement : 1. \u00ab C\u00e9libataire \u00bb, 2. \u00ab Divorc\u00e9 \u00bb, 3. \u00ab Mari\u00e9 \u00bb. Par d\u00e9faut, les mod\u00e8les param\u00e9triques dans R exploitent le syst\u00e8me de contrastes de traitement, mat\u00e9rialis\u00e9 par la fonction sous-jacente contr.treatment()<\/code>.<\/p>\nCe sch\u00e9ma de codage d\u00e9signe automatiquement le premier niveau alphab\u00e9tique comme modalit\u00e9 de base. Pour chaque niveau subs\u00e9quent, R cr\u00e9e une variable indicatrice implicite qui est compar\u00e9e \u00e0 cette r\u00e9f\u00e9rence. La fonction d’inspection des contrastes :<\/p>\n
contrasts(donnees_etude$statut_matrimonial)<\/code><\/p>\nr\u00e9v\u00e8le explicitement la matrice de conception sous-jacente, affichant une ligne pour chaque niveau et une colonne pour chaque degr\u00e9 de libert\u00e9 param\u00e9tr\u00e9. Si ce comportement par d\u00e9faut est souvent commode, l’ordre purement alphab\u00e9tique peut s’av\u00e9rer n\u00e9faste s’il promeut comme groupe t\u00e9moin une modalit\u00e9 marginale ou d\u00e9nu\u00e9e de sens th\u00e9orique.<\/p>\n
5.2 G\u00e9n\u00e9ration de la matrice d’exp\u00e9rience avec model.matrix()<\/h3>\n Pour les utilisateurs souhaitant extraire l’exacte matrice num\u00e9rique exploit\u00e9e en coulisses par les algorithmes d’estimation lin\u00e9aire, R met \u00e0 disposition la fonction universelle model.matrix()<\/code>. Cette primitive prend pour arguments une formule symbolique sp\u00e9cifiant les relations entre les pr\u00e9dicteurs et le data frame h\u00f4te, et renvoie la matrice de conception compl\u00e8te, pr\u00eate pour le calcul matriciel pur.<\/p>\nPour g\u00e9n\u00e9rer l’espace des variables muettes avec prise en compte automatique d’un intercept, la syntaxe canonique s’\u00e9nonce comme suit :<\/p>\n
matrice_conception <- model.matrix(~ statut_matrimonial, data = donnees_etude)<\/code><\/p>\nL’inspection des dimensions via dim(matrice_conception)<\/code> atteste de la pr\u00e9sence d’une matrice de dimensions $(1000 \\times 3)$<\/span>. L’instruction head(matrice_conception)<\/code> permet de constater que la premi\u00e8re colonne est uniform\u00e9ment constitu\u00e9e de 1 (l’intercept symbolis\u00e9 par (Intercept)<\/code>), la deuxi\u00e8me colonne est nomm\u00e9e statut_matrimonialDivorc\u00e9<\/code> et la troisi\u00e8me statut_matrimonialMari\u00e9<\/code>. Conform\u00e9ment \u00e0 la th\u00e9orie, la modalit\u00e9 \u00ab C\u00e9libataire \u00bb a \u00e9t\u00e9 absorb\u00e9e dans la constante d’origine.<\/p>\nSi l’analyste requiert l’ensemble exhaustif des $k$<\/span> variables muettes sans omission pr\u00e9alable \u2014 par exemple pour nourrir un mod\u00e8le de r\u00e9gression p\u00e9nalis\u00e9e de type Ridge ou un classifieur bay\u00e9sien sans intercept explicite \u2014, il convient d’alt\u00e9rer la formule en soustrayant formellement l’unit\u00e9 :<\/p>\nmatrice_disjonctive <- model.matrix(~ statut_matrimonial - 1, data = donnees_etude)<\/code><\/p>\nL’op\u00e9rateur - 1<\/code> supprime la g\u00e9n\u00e9ration de la colonne vectorielle unitaire, for\u00e7ant ainsi model.matrix()<\/code> \u00e0 produire les trois indicateurs binaires disjoints pour chaque observation, correspondant \u00e0 un codage disjonctif complet.<\/p>\n5.3 Avantages algorithmiques de l’approche matricielle<\/h3>\n L’utilisation de la fonction model.matrix()<\/code> transcende largement la simple g\u00e9n\u00e9ration cosm\u00e9tique de colonnes binaires. Sur le plan de la robustesse computationnelle, cette fonction encapsule une gestion particuli\u00e8rement rigoureuse des donn\u00e9es manquantes. En association avec les options d’environnement globales de gestion des valeurs manquantes, telles que na.action = na.pass<\/code> ou na.action = na.omit<\/code>, elle permet de calibrer pr\u00e9cis\u00e9ment le comportement de l’algorithme face aux lacunes d’\u00e9chantillonnage.<\/p>\nPar ailleurs, cette fonction r\u00e9sout de mani\u00e8re transparente les probl\u00e9matiques de coh\u00e9rence typologique. Si une modalit\u00e9 pr\u00e9sente dans les attributs d’un facteur ne se trouve pas repr\u00e9sent\u00e9e au sein d’un sous-\u00e9chantillon particulier (un ph\u00e9nom\u00e8ne fr\u00e9quent lors de validations crois\u00e9es par d\u00e9coupage de plis $k$<\/span>-fold), model.matrix()<\/code> maintient la structure dimensionnelle globale dict\u00e9e par la d\u00e9finition originelle du facteur, \u00e9vitant ainsi l’apparition d’erreurs d’incompatibilit\u00e9 de dimensions (dimension mismatch<\/em>) lors du calcul des produits matriciels de pr\u00e9diction sur des jeux de donn\u00e9es d’\u00e9valuation.<\/p>\nEnfin, cette approche s’interface de fa\u00e7on optimale avec les architectures de programmation math\u00e9matique de bas niveau. La matrice produite est directement assimilable par des biblioth\u00e8ques d’alg\u00e8bre lin\u00e9aire haute performance \u00e9crites en FORTRAN ou en C++, telles que BLAS (Basic Linear Algebra Subprograms<\/em>) et LAPACK, garantissant des d\u00e9compositions spectrales et des inversions de Cholesky \u00e0 la vitesse d’ex\u00e9cution maximale permise par le mat\u00e9riel.<\/p>\n6. \u00c9tape 4 : Automatisation avec le package fastDummies<\/h2>\n6.1 Installation, chargement et principes de l’extension fastDummies<\/h3>\n Tandis que les fonctions fondamentales de R suffisent pour des manipulations acad\u00e9miques ponctuelles, les projets d’analyse de donn\u00e9es massives n\u00e9cessitent des solutions hautement automatis\u00e9es, capables de traiter des dizaines de colonnes qualitatives simultan\u00e9ment au sein de structures tabulaires sans alt\u00e9rer l’int\u00e9grit\u00e9 des autres covariables. Le package fastDummies<\/code>, d\u00e9velopp\u00e9 sp\u00e9cifiquement pour combler cette lacune op\u00e9rationnelle, s’est impos\u00e9 comme une r\u00e9f\u00e9rence incontournable de l’\u00e9cosyst\u00e8me CRAN.<\/p>\nL’installation de l’extension s’effectue par la proc\u00e9dure classique de gestionnaire de paquets :<\/p>\n
install.packages(\"fastDummies\")<\/code>library(fastDummies)<\/code><\/p>\nLa philosophie de fastDummies<\/code> repose sur un traitement non destructif et vectoris\u00e9 en profondeur. Contrairement aux m\u00e9thodes manuelles qui imposent une assignation it\u00e9rative colonne par colonne, ou \u00e0 model.matrix()<\/code> qui renvoie une matrice brute d\u00e9connect\u00e9e des variables d’origine n’ayant pas fait partie de la formule, la fonction phare dummy_cols()<\/code> op\u00e8re directement sur un data.frame<\/code> ou un tibble<\/code>. Elle identifie de mani\u00e8re autonome les colonnes de type texte ou facteur, g\u00e9n\u00e8re les variables muettes correspondantes et les agr\u00e8ge harmonieusement au jeu de donn\u00e9es initial tout en conservant intactes les variables continues adjacentes.<\/p>\n6.2 Param\u00e9trage fin de l’encodage disjonctif complet<\/h3>\n La puissance du package r\u00e9side dans la finesse et l’exhaustivit\u00e9 de ses arguments de param\u00e9trage, qui permettent d’ajuster l’encodage exactement aux contraintes th\u00e9oriques de la mod\u00e9lisation \u00e0 entreprendre. Pour illustrer son ex\u00e9cution, appliquons dummy_cols()<\/code> \u00e0 notre table synth\u00e9tique :<\/p>\ndonnees_encodees <- dummy_cols(donnees_etude, select_columns = \"statut_matrimonial\", remove_first_dummy = TRUE, remove_selected_columns = FALSE)<\/code><\/p>\nExaminons la port\u00e9e des arguments mobilis\u00e9s :<\/p>\n
\nselect_columns<\/code> : Permet de d\u00e9signer explicitement le sous-ensemble de variables qualitatives \u00e0 vectoriser. Si l’argument est omis, la fonction scanne l’int\u00e9gralit\u00e9 du data frame et convertit automatiquement toutes les colonnes de nature cat\u00e9gorielle.<\/li>\nremove_first_dummy = TRUE<\/code> : Cet argument est capital. Il instruit la fonction de retrancher syst\u00e9matiquement la premi\u00e8re modalit\u00e9 ordonn\u00e9e rencontr\u00e9e pour chaque variable trait\u00e9e. Ce m\u00e9canisme garantit l’exclusion m\u00e9canique de la premi\u00e8re indicatrice et pr\u00e9munit instantan\u00e9ment l’analyste contre le pi\u00e8ge de la colin\u00e9arit\u00e9 parfaite dans le cadre d’un mod\u00e8le avec ordonn\u00e9e \u00e0 l’origine.<\/li>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/dummy4-2.png\")
<\/figure>\n