{"id":6745,"date":"2026-09-16T10:48:28","date_gmt":"2026-09-16T10:48:28","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-le-r-carre-ajuste-dans-excel\/"},"modified":"2026-09-16T10:48:39","modified_gmt":"2026-09-16T10:48:39","slug":"comment-calculer-le-r-carre-ajuste-dans-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-le-r-carre-ajuste-dans-excel","title":{"rendered":"Comment calculer le R-carr\u00e9 ajust\u00e9 dans Excel"},"content":{"rendered":"

Dans le champ foisonnant de la psychologie quantitative et des sciences comportementales, la mod\u00e9lisation statistique constitue le socle sur lequel reposent la validation d’hypoth\u00e8ses th\u00e9oriques et la pr\u00e9diction de comportements humains complexes. Qu’il s’agisse d’\u00e9valuer l’impact combin\u00e9 de multiples stresseurs environnementaux sur l’\u00e9mergence d’\u00e9pisodes d\u00e9pressifs ou d’identifier les d\u00e9terminants cognitifs de la r\u00e9ussite acad\u00e9mique, l’analyse par r\u00e9gression lin\u00e9aire multiple s’impose comme une m\u00e9thodologie privil\u00e9gi\u00e9e. Au c\u0153ur de cette d\u00e9marche d’\u00e9valuation diagnostique, le coefficient de d\u00e9termination ordinaire, universellement d\u00e9sign\u00e9 par la notation R<\/em>\u00b2, a longtemps \u00e9t\u00e9 consid\u00e9r\u00e9 comme la m\u00e9trique cardinale permettant d’appr\u00e9cier la proportion de variance de la variable d\u00e9pendante captur\u00e9e par un ensemble de pr\u00e9dicteurs. Toutefois, cette mesure d’ad\u00e9quation pr\u00e9sente une faille structurelle majeure : sa propension syst\u00e9matique \u00e0 cro\u00eetre de mani\u00e8re artificielle \u00e0 mesure que de nouvelles variables explicatives sont incorpor\u00e9es au mod\u00e8le, ind\u00e9pendamment de leur pertinence empirique r\u00e9elle.<\/p>\n

Cette vuln\u00e9rabilit\u00e9 math\u00e9matique expose les chercheurs \u00e0 un danger \u00e9pist\u00e9mologique redoutable : le surapprentissage (ou overfitting<\/em>), caract\u00e9ris\u00e9 par l’illusion d’une mod\u00e9lisation hautement pr\u00e9dictive qui ne fait en r\u00e9alit\u00e9 que capturer le bruit d’\u00e9chantillonnage inh\u00e9rent aux donn\u00e9es observ\u00e9es. Pour rem\u00e9dier \u00e0 cet \u00e9cueil fondamental et restaurer l’exigence m\u00e9thodologique de parcimonie, les statisticiens ont d\u00e9velopp\u00e9 le coefficient de d\u00e9termination ajust\u00e9, ou R<\/em>\u00b2 ajust\u00e9. En appliquant une p\u00e9nalit\u00e9 rigoureuse proportionnelle au nombre de pr\u00e9dicteurs rapport\u00e9 aux degr\u00e9s de libert\u00e9 disponibles, le R<\/em>\u00b2 ajust\u00e9 fournit un estimateur impartial de l’efficacit\u00e9 pr\u00e9dictive d’un mod\u00e8le statistique au sein de la population parente. Dans le contexte de la recherche contemporaine, ma\u00eetriser le calcul, l’interpr\u00e9tation et l’automatisation de cette m\u00e9trique s’av\u00e8re indispensable pour tout praticien soucieux de la reproductibilit\u00e9 de ses r\u00e9sultats.<\/p>\n

Bien que des progiciels sp\u00e9cialis\u00e9s tels que SPSS, R ou SAS soient couramment employ\u00e9s dans les laboratoires universitaires, Microsoft Excel demeure un environnement de calcul universellement accessible, particuli\u00e8rement puissant et p\u00e9dagogique pour ex\u00e9cuter des analyses de r\u00e9gression avanc\u00e9es. Ce guide exhaustif propose une exploration approfondie des fondements th\u00e9oriques, des formulations math\u00e9matiques et des proc\u00e9dures op\u00e9rationnelles permettant de calculer le R<\/em>-carr\u00e9 ajust\u00e9 dans Excel. \u00c0 travers l’examen de trois m\u00e9thodologies distinctes \u2014 l’Utilitaire d’analyse statistique, la d\u00e9composition manuelle pas \u00e0 pas par formules natives et l’exploitation de la fonction matricielle dynamique DROITEREG \u2014, cet article d\u00e9taille les protocoles garantissant une analyse psychom\u00e9trique rigoureuse, exempte de biais m\u00e9thodologiques et strictement conforme aux standards \u00e9ditoriaux de l’American Psychological Association<\/a>.<\/p>\n

1. Fondements th\u00e9oriques du coefficient de d\u00e9termination en recherche psychologique<\/h2>\n

1.1 D\u00e9finition conceptuelle du R\u00b2 ordinaire<\/h3>\n

Le coefficient de d\u00e9termination ordinaire, traditionnellement symbolis\u00e9 par R<\/em>\u00b2, repr\u00e9sente la proportion de la variance totale observ\u00e9e au sein de la variable d\u00e9pendante (ou variable crit\u00e8re) qui peut \u00eatre expliqu\u00e9e et pr\u00e9dite de mani\u00e8re lin\u00e9aire par la variation conjointe d’un ensemble de variables ind\u00e9pendantes (ou pr\u00e9dicteurs). Sur le plan psychom\u00e9trique, il s’agit d’une m\u00e9trique adimensionnelle standardis\u00e9e, born\u00e9e par construction sur un continuum th\u00e9orique s’\u00e9tendant strictement entre 0 et 1. Une valeur de 0 indique une absence absolue de liaison lin\u00e9aire entre les pr\u00e9dicteurs et le crit\u00e8re, signifiant que la moyenne empirique de la variable d\u00e9pendante constitue une pr\u00e9diction tout aussi efficiente que l’ensemble du syst\u00e8me d’\u00e9quations de r\u00e9gression. \u00c0 l’inverse, une valeur de 1 traduit une ad\u00e9quation d\u00e9terministe parfaite, o\u00f9 chaque point d’observation co\u00efncide rigoureusement avec l’hyperplan de r\u00e9gression estim\u00e9.<\/p>\n

Dans l’\u00e9valuation des instruments psychologiques et des th\u00e9ories comportementales, le R<\/em>\u00b2 ordinaire est interpr\u00e9t\u00e9 comme un indicateur direct de la force d’association lin\u00e9aire globale. Par exemple, si une batterie de tests mesurant les fonctions ex\u00e9cutives produit un R<\/em>\u00b2 de 0,35 lors de la pr\u00e9diction des scores de flexibilit\u00e9 cognitive chez des patients c\u00e9r\u00e9brol\u00e9s\u00e9s, le chercheur en d\u00e9duit que 35 % de la variabilit\u00e9 interindividuelle observ\u00e9e sur le crit\u00e8re est directement attribuable aux pr\u00e9dicteurs retenus. Cependant, le R<\/em>\u00b2 ordinaire souffre d’une limite intrins\u00e8que cardinale : il ignore d\u00e9lib\u00e9r\u00e9ment le co\u00fbt statistique associ\u00e9 \u00e0 l’adjonction de nouvelles variables explicatives. En s’affranchissant du principe de parcimonie scientifique, il conf\u00e8re la m\u00eame valeur apparente \u00e0 une am\u00e9lioration pr\u00e9dictive substantielle qu’\u00e0 une fluctuation al\u00e9atoire g\u00e9n\u00e9r\u00e9e par l’accumulation de pr\u00e9dicteurs non pertinents.<\/p>\n

Cette carence m\u00e9thodologique fragilise l’interpr\u00e9tation des r\u00e9sultats psychologiques, incitant parfois les analystes non avertis \u00e0 saturer leurs mod\u00e8les de covariables arbitraires dans l’unique dessein de maximiser la variance apparente. D\u00e8s lors, le R<\/em>\u00b2 cesse d’\u00eatre une mesure neutre de validit\u00e9 conceptuelle pour devenir une mesure gonfl\u00e9e d’ad\u00e9quation empirique locale, incapable d’informer sur la v\u00e9ritable g\u00e9n\u00e9ralisabilit\u00e9 des processus psychologiques sous-jacents.<\/p>\n

1.2 La d\u00e9composition de la variance totale<\/h3>\n

La compr\u00e9hension math\u00e9matique rigoureuse du coefficient de d\u00e9termination repose sur le th\u00e9or\u00e8me fondamental de d\u00e9composition de la variabilit\u00e9, structur\u00e9 autour de trois composantes quadratiques distinctes : la somme des carr\u00e9s totaux (SST, pour Total Sum of Squares<\/em>), la somme des carr\u00e9s de la r\u00e9gression (SSR, pour Regression Sum of Squares<\/em>), et la somme des carr\u00e9s des erreurs r\u00e9siduelles (SSE, pour Sum of Squared Errors<\/em>). La somme des carr\u00e9s totaux quantifie la variabilit\u00e9 interindividuelle globale de la variable crit\u00e8re Y<\/em> par rapport \u00e0 sa propre moyenne arithm\u00e9tique. Elle traduit l’incertitude totale initiale que le chercheur cherche \u00e0 r\u00e9duire par l’introduction de covariables explicatives.<\/p>\n

La somme des carr\u00e9s de la r\u00e9gression correspond \u00e0 la portion de cette dispersion globale qui est effectivement capt\u00e9e par le mod\u00e8le lin\u00e9aire, calcul\u00e9e comme la diff\u00e9rence au carr\u00e9 entre les valeurs pr\u00e9dites par l’\u00e9quation et la moyenne g\u00e9n\u00e9rale de la distribution. Enfin, la somme des carr\u00e9s des r\u00e9sidus incarne le bruit de mesure, la variance inexpliqu\u00e9e et l’ensemble des facteurs non contr\u00f4l\u00e9s ou des fluctuations al\u00e9atoires propres \u00e0 l’\u00e9chantillonnage. La relation math\u00e9matique d’additivit\u00e9 orthogonale qui lie ces trois grandeurs s’\u00e9nonce invariablement selon l’\u00e9galit\u00e9 fondamentale :<\/p>\n

SST = SSR + SSE<\/p>\n

Sur la base de cette d\u00e9composition canonique, le coefficient de d\u00e9termination R<\/em>\u00b2 peut \u00eatre formalis\u00e9 soit comme le rapport de la variance expliqu\u00e9e sur la variance totale (SSR \/ SST), soit comme le compl\u00e9ment \u00e0 l’unit\u00e9 de la fraction de variance inexpliqu\u00e9e, selon la relation :<\/p>\n

R<\/em>\u00b2 = 1 – (SSE \/ SST)<\/p>\n

Cette seconde formulation rev\u00eat une importance conceptuelle majeure pour la psychom\u00e9trie : elle met en exergue le fait que maximiser le R<\/em>\u00b2 \u00e9quivaut strictement \u00e0 minimiser la somme des carr\u00e9s des r\u00e9sidus par la m\u00e9thode des moindres carr\u00e9s ordinaires. Toutefois, cette minimisation s’effectue sans aucune pond\u00e9ration relative au nombre de param\u00e8tres libres estim\u00e9s dans l’architecture du mod\u00e8le.<\/p>\n

1.3 Le comportement asymptotique du R\u00b2 lors de l’ajout de pr\u00e9dicteurs<\/h3>\n

D’un point de vue alg\u00e9brique, l’estimation des param\u00e8tres d’une r\u00e9gression lin\u00e9aire via les moindres carr\u00e9s consiste \u00e0 projeter orthogonalement le vecteur d’observations sur le sous-espace vectoriel engendr\u00e9 par les colonnes de la matrice des variables ind\u00e9pendantes. Chaque fois qu’une variable explicative additionnelle est introduite dans l’\u00e9quation, la dimension de ce sous-espace augmente m\u00e9caniquement d’une unit\u00e9, ou demeure inchang\u00e9e si la variable est une combinaison lin\u00e9aire parfaite des pr\u00e9c\u00e9dentes. En cons\u00e9quence g\u00e9om\u00e9trique in\u00e9luctable, la distance euclidienne s\u00e9parant le vecteur observ\u00e9 du sous-espace de projection ne peut que d\u00e9cro\u00eetre ou, dans le pire des cas, rester constante.<\/p>\n

Il en r\u00e9sulte que la somme des carr\u00e9s des r\u00e9sidus (SSE) diminue de fa\u00e7on monotone ou stagne, ce qui engendre une augmentation syst\u00e9matique et non informative du R<\/em>\u00b2 ordinaire, m\u00eame si la nouvelle variable inject\u00e9e est un vecteur de nombres purement al\u00e9atoires g\u00e9n\u00e9r\u00e9 par tirage au sort. Ce comportement asymptotique est particuli\u00e8rement d\u00e9l\u00e9t\u00e8re dans les contextes de recherche en psychologie o\u00f9 les \u00e9chantillons sont restreints, par exemple lors de l’\u00e9tude de pathologies rares ou de cohortes cliniques hospitali\u00e8res o\u00f9 le nombre d’observations n<\/em> d\u00e9passe rarement quelques dizaines d’individus.<\/p>\n

L’inflation artificielle de la m\u00e9trique conduit directement \u00e0 un surapprentissage empirique d\u00e9vastateur : le mod\u00e8le ne d\u00e9crit plus une loi psychologique g\u00e9n\u00e9rale, mais s’ajuste \u00e9troitement aux singularit\u00e9s et aux bruits d’\u00e9chantillonnage de la cohorte \u00e9tudi\u00e9e. Lorsque ce mod\u00e8le surajust\u00e9 est ult\u00e9rieurement confront\u00e9 \u00e0 un nouvel \u00e9chantillon ind\u00e9pendant, sa capacit\u00e9 de g\u00e9n\u00e9ralisation s’effondre dramatiquement, an\u00e9antissant la validit\u00e9 externe des conclusions scientifiques et compromettant la reproductibilit\u00e9 des interventions cliniques qui en d\u00e9coulent.<\/p>\n

2. La n\u00e9cessit\u00e9 statistique du R-carr\u00e9 ajust\u00e9 face au surapprentissage<\/h2>\n

2.1 Principe de parcimonie et rasoir d’Ockham<\/h3>\n

Dans la th\u00e9orie de la mod\u00e9lisation statistique, le principe de parcimonie \u2014 souvent assimil\u00e9 au c\u00e9l\u00e8bre rasoir d’Ockham formul\u00e9 par le philosophe m\u00e9di\u00e9val Guillaume d’Ockham \u2014 stipule que face \u00e0 plusieurs explications ou mod\u00e8les concurrents pr\u00e9sentant des capacit\u00e9s descriptives \u00e9quivalentes, la structure la plus simple comportant le moins de pr\u00e9suppositions ou de param\u00e8tres doit syst\u00e9matiquement \u00eatre privil\u00e9gi\u00e9e. Transpos\u00e9 \u00e0 l’analyse de r\u00e9gression en sciences du comportement, ce principe commande de rechercher l’\u00e9quilibre optimal entre la complexit\u00e9 structurelle du mod\u00e8le (mesur\u00e9e par le nombre de r\u00e9gresseurs inclus) et sa pr\u00e9cision pr\u00e9dictive effective.<\/p>\n

Un mod\u00e8le excessivement complexe, int\u00e9grant une multitude de covariables marginales ou fortement corr\u00e9l\u00e9es entre elles, dissipe inutilement des degr\u00e9s de libert\u00e9 pr\u00e9cieux et majore l’instabilit\u00e9 des estimations des coefficients. \u00c0 l’oppos\u00e9, un mod\u00e8le excessivement d\u00e9pouill\u00e9 risque d’omettre des facteurs explicatifs d\u00e9terminants, induisant un biais de sp\u00e9cification majeur. Le R<\/em>\u00b2 ajust\u00e9 intervient pr\u00e9cis\u00e9ment comme un instrument d’arbitrage math\u00e9matique rigoureux : il p\u00e9nalise s\u00e9v\u00e8rement l’adjonction de pr\u00e9dicteurs superflus dont la contribution marginale \u00e0 la r\u00e9duction de la variance r\u00e9siduelle est inf\u00e9rieure au co\u00fbt statistique impos\u00e9 par la perte d’un degr\u00e9 de libert\u00e9.<\/p>\n

Cette r\u00e9gulation pr\u00e9serve la puissance statistique des protocoles exp\u00e9rimentaux. Elle contraint le chercheur \u00e0 faire preuve d’une rigueur \u00e9pist\u00e9mologique accrue dans la s\u00e9lection de ses variables, d\u00e9courageant les approches exploratoires aveugles au profit d’hypoth\u00e8ses solides ancr\u00e9es dans la litt\u00e9rature psychologique \u00e9tablie.<\/p>\n

2.2 Distinction cruciale entre R\u00b2 ordinaire et R\u00b2 ajust\u00e9<\/h3>\n

La divergence conceptuelle entre le R<\/em>\u00b2 ordinaire et le R<\/em>\u00b2 ajust\u00e9 r\u00e9side fondamentalement dans la prise en compte explicite des degr\u00e9s de libert\u00e9 associ\u00e9s respectivement \u00e0 la dispersion totale et \u00e0 l’erreur r\u00e9siduelle. Alors que le R<\/em>\u00b2 ordinaire manipule des sommes brutes de d\u00e9viations quadratiques, le R<\/em>\u00b2 ajust\u00e9 substitue \u00e0 ces grandeurs leurs \u00e9quivalents non biais\u00e9s : les variances ou carr\u00e9s moyens. Cette substitution transforme radicalement le comportement math\u00e9matique de l’indice.<\/p>\n

Contrairement au R<\/em>\u00b2 classique, qui est strictement confin\u00e9 \u00e0 l’intervalle [0, 1], le R<\/em>\u00b2 ajust\u00e9 poss\u00e8de la particularit\u00e9 th\u00e9orique et empirique de pouvoir adopter des valeurs n\u00e9gatives. Cette \u00e9ventualit\u00e9 se produit lorsque le mod\u00e8le statistique propos\u00e9 s’av\u00e8re si m\u00e9diocre que l’accroissement r\u00e9siduel p\u00e9nalis\u00e9 d\u00e9passe la variance totale de la distribution, indiquant que la pr\u00e9diction fournie par l’\u00e9quation de r\u00e9gression est plus erratique que l’attribution simple de la moyenne g\u00e9n\u00e9rale du groupe \u00e0 chaque individu.<\/p>\n

Par ailleurs, sur le plan inf\u00e9rentiel, le R<\/em>\u00b2 ordinaire calcul\u00e9 sur un \u00e9chantillon empirique constitue un estimateur structurellement biais\u00e9 par exc\u00e8s du coefficient de d\u00e9termination r\u00e9el pr\u00e9sent dans la population sous-jacente. En revanche, le R<\/em>\u00b2 ajust\u00e9, formul\u00e9 pour corriger ce biais d’\u00e9chantillonnage, op\u00e8re comme un estimateur quasi non biais\u00e9 de l’ampleur v\u00e9ritable du lien th\u00e9orique. Il offre ainsi aux chercheurs une projection beaucoup plus lucide et conservatrice de la transf\u00e9rabilit\u00e9 de leurs r\u00e9sultats hors du laboratoire.<\/p>\n

2.3 Applications empiriques en sciences comportementales<\/h3>\n

La pertinence de cette correction math\u00e9matique se manifeste de fa\u00e7on \u00e9clatante dans une multitude de paradigmes psychologiques contemporains. Consid\u00e9rons, \u00e0 titre d’illustration, la mod\u00e9lisation des scores d’anxi\u00e9t\u00e9 clinique mesur\u00e9s \u00e0 l’aide d’\u00e9chelles standardis\u00e9es telles que le STAI (State-Trait Anxiety Inventory<\/em>). Un clinicien peut chercher \u00e0 pr\u00e9dire cette symptomatologie \u00e0 partir d’un ensemble de variables comprenant le cortisol salivaire, la fr\u00e9quence cardiaque au repos, le nombre d’heures de sommeil paradoxal, mais \u00e9galement des variables sociod\u00e9mographiques h\u00e9t\u00e9roclites comme le revenu, le niveau d’\u00e9tudes ou le temps d’exposition aux \u00e9crans.<\/p>\n

Dans une telle configuration, l’utilisation exclusive du R<\/em>\u00b2 ordinaire masquerait le fait que plusieurs de ces variables n’apportent qu’un apport purement fortuit, gonflant le pouvoir explicatif apparent du mod\u00e8le \u00e0 des niveaux artificiels. L’\u00e9valuation du R<\/em>\u00b2 ajust\u00e9 permet d’identifier imm\u00e9diatement le moment exact o\u00f9 l’introduction d’un pr\u00e9dicteur suppl\u00e9mentaire d\u00e9t\u00e9riore la robustesse globale du mod\u00e8le au lieu de l’enrichir.<\/p>\n

De m\u00eame, dans les protocoles \u00e9valuant le rendement acad\u00e9mique en fonction de batteries de tests neuropsychologiques (m\u00e9moire de travail, vitesse de traitement, attention s\u00e9lective), la forte corr\u00e9lation crois\u00e9e entre les sous-tests engendre une redondance informationnelle substantielle. Le R<\/em>\u00b2 ajust\u00e9 constitue un garde-fou m\u00e9thodologique indispensable pour rep\u00e9rer ces inefficacit\u00e9s statistiques, guidant l’analyste vers des sp\u00e9cifications de mod\u00e8les plus denses, r\u00e9plicables et cliniquement interpr\u00e9tables.<\/p>\n

3. Formulation math\u00e9matique rigoureuse du R\u00b2 ajust\u00e9<\/h2>\n

3.1 D\u00e9rivation de l’\u00e9quation standard d’Ezekiel<\/h3>\n

La formulation canonique du coefficient de d\u00e9termination ajust\u00e9 universellement adopt\u00e9e dans les sciences sociales et int\u00e9gr\u00e9e dans les moteurs de calcul matriciel d\u00e9rive des travaux fondateurs du statisticien et \u00e9conom\u00e8tre Mordecai Ezekiel (1930). L’objectif d’Ezekiel \u00e9tait de corriger la formule classique du R<\/em>\u00b2 en substituant aux sommes de carr\u00e9s leurs estimateurs sans biais respectifs de variance populationnelle. L’expression math\u00e9matique s’articule formellement ainsi :<\/p>\n

R<\/em>\u00b2aj<\/sub> = 1 – [(1 – R<\/em>\u00b2) * (n<\/em> – 1) \/ (n<\/em> – k<\/em> – 1)]<\/p>\n

Dans cette architecture \u00e9quationnelle rigoureuse, les termes doivent \u00eatre d\u00e9finis avec une exactitude m\u00e9trique totale :<\/p>\n