$H_0: \\rho = 0$<\/span> peut \u00eatre soit rejet\u00e9e sans \u00e9quivoque, soit conserv\u00e9e en toute confiance statistique.<\/p>\nLe cadre d’application privil\u00e9gi\u00e9 de ces tables concerne l’ensemble des protocoles quantitatifs longitudinaux, les devis quasi-exp\u00e9rimentaux \u00e0 s\u00e9ries temporelles interrompues et les analyses de r\u00e9gression sur donn\u00e9es s\u00e9quentielles. Les tables constituent le filtre diagnostique indispensable validant le passage d’une mod\u00e9lisation lin\u00e9aire statique conventionnelle \u00e0 des m\u00e9thodes d’estimation dynamiques sp\u00e9cialis\u00e9es lorsque le postulat d’ind\u00e9pendance s\u00e9rielle est mis en \u00e9chec.<\/p>\n
2. 2. Fondements math\u00e9matiques du test et d\u00e9rivation de la statistique<\/h2>\n2.1 Formulation alg\u00e9brique de la statistique de Durbin-Watson<\/h3>\n
La statistique canonique de Durbin-Watson, conventionnellement d\u00e9sign\u00e9e par la lettre minuscule $d$<\/span>, est un ratio adimensionnel calcul\u00e9 \u00e0 partir des r\u00e9sidus empiriques observ\u00e9s $e_t = y_t – \\hat{y}_t$<\/span> issus de l’ajustement du mod\u00e8le de r\u00e9gression par les moindres carr\u00e9s ordinaires. Sa d\u00e9finition formelle s’\u00e9nonce comme le quotient de la somme des carr\u00e9s des diff\u00e9rences successives des r\u00e9sidus par la somme totale des carr\u00e9s de ces m\u00eames r\u00e9sidus :<\/p>\n$$d = \\frac{\\sum_{t=2}^{n} (e_t – e_{t-1})^2}{\\sum_{t=1}^{n} e_t^2}$$<\/span><\/p>\nPour appr\u00e9hender l’intuition math\u00e9matique sous-jacente et \u00e9tablir la connexion directe avec le coefficient d’autocorr\u00e9lation s\u00e9rielle lin\u00e9aire empirique $\\hat{\\rho}$<\/span>, il convient de d\u00e9velopper le num\u00e9rateur de l’expression :<\/p>\n$$\\sum_{t=2}^{n} (e_t – e_{t-1})^2 = \\sum_{t=2}^{n} e_t^2 + \\sum_{t=2}^{n} e_{t-1}^2 – 2 \\sum_{t=2}^{n} e_t e_{t-1}$$<\/span><\/p>\nLorsque la taille de l’\u00e9chantillon $n$<\/span> est mod\u00e9r\u00e9ment grande, les trois sommes $\\sum_{t=1}^{n} e_t^2$<\/span>, $\\sum_{t=2}^{n} e_t^2$<\/span> et $\\sum_{t=2}^{n} e_{t-1}^2$<\/span> sont asymptotiquement \u00e9quivalentes et tendent vers une valeur commune. En divisant terme \u00e0 terme par la somme des carr\u00e9s des r\u00e9sidus, on d\u00e9rive l’approximation canonique fondamentale :<\/p>\n$$d \\approx \\frac{\\sum e_t^2}{\\sum e_t^2} + \\frac{\\sum e_{t-1}^2}{\\sum e_t^2} – 2 \\frac{\\sum e_t e_{t-1}}{\\sum e_t^2} \\approx 1 + 1 – 2\\hat{\\rho} = 2(1 – \\hat{\\rho})$$<\/span><\/p>\nCette d\u00e9rivation alg\u00e9brique d\u00e9montre rigoureusement les propri\u00e9t\u00e9s structurales de la statistique. \u00c9tant donn\u00e9 que le coefficient d’autocorr\u00e9lation empirique $\\hat{\\rho}$<\/span> est strictement born\u00e9 au sein de l’intervalle $[-1, 1]$<\/span>, la statistique de Durbin-Watson est m\u00e9caniquement confin\u00e9e au domaine ferm\u00e9 $[0, 4]$<\/span>. Une absence parfaite d’autocorr\u00e9lation s\u00e9rielle ($\\hat{\\rho} = 0$<\/span>) se traduit par une valeur de $d$<\/span> exactement \u00e9gale \u00e0 2. Une autocorr\u00e9lation s\u00e9rielle positive parfaite ($\\hat{\\rho} = 1$<\/span>) fait tendre la statistique vers 0, tandis qu’une autocorr\u00e9lation s\u00e9rielle n\u00e9gative parfaite ($\\hat{\\rho} = -1$<\/span>) propulse la valeur de $d$<\/span> vers sa borne sup\u00e9rieure maximale de 4.<\/p>\n2.2 Hypoth\u00e8ses sous-jacentes du mod\u00e8le lin\u00e9aire classique<\/h3>\n
La validit\u00e9 probabiliste de la d\u00e9rivation du test de Durbin-Watson et de ses tables critiques repose imp\u00e9rativement sur le respect de plusieurs axiomes th\u00e9oriques stricts du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. La moindre violation de ces pr\u00e9requis math\u00e9matiques alt\u00e8re la distribution th\u00e9orique de la statistique $d$<\/span> et rend inop\u00e9rante l’utilisation des bornes tabul\u00e9es.<\/p>\nPremi\u00e8rement, les termes d’erreur inobservables $u_t$<\/span> doivent suivre une distribution normale multidimensionnelle stationnaire, \u00eatre homosc\u00e9dastiques (variance constante $\\sigma^2$<\/span> dans le temps) et pr\u00e9senter une esp\u00e9rance conditionnelle nulle $E(u_t | X) = 0$<\/span>. Bien que le test conserve une robustesse asymptotique mod\u00e9r\u00e9e face \u00e0 des d\u00e9viations l\u00e9g\u00e8res de la gaussianit\u00e9, des distributions \u00e0 queues lourdes modifient substantiellement la position r\u00e9elle des quantiles critiques.<\/p>\nDeuxi\u00e8mement, la matrice de r\u00e9gression $X$<\/span> doit imp\u00e9rativement comporter une constante explicite (un terme d’interception non nul, mat\u00e9rialis\u00e9 par une colonne de 1). En l’absence de constante, la moyenne des r\u00e9sidus n’est plus garantie d’\u00eatre strictement nulle, ce qui invalide l’\u00e9quivalence alg\u00e9brique liant la somme des carr\u00e9s et la variance empirique.<\/p>\nTroisi\u00e8mement, et il s’agit de la contrainte la plus restrictive en analyse de s\u00e9ries temporelles, les variables explicatives incluses dans $X$<\/span> doivent \u00eatre strictement exog\u00e8nes et ne doivent comporter aucune variable d\u00e9pendante retard\u00e9e (par exemple, la pr\u00e9sence de $y_{t-1}$<\/span> parmi les pr\u00e9dicteurs de $y_t$<\/span>). L’inclusion d’un retard autor\u00e9gressif viole l’ind\u00e9pendance entre les r\u00e9gresseurs et les termes d’erreur pass\u00e9s, ce qui introduit un biais massif poussant la statistique $d$<\/span> vers 2 et masquant artificiellement l’autocorr\u00e9lation r\u00e9elle.<\/p>\n2.3 M\u00e9canisme probabiliste justifiant l’usage de deux bornes critiques<\/h3>\n
L’une des questions les plus fascinantes en th\u00e9orie statistique r\u00e9side dans la n\u00e9cessit\u00e9 structurelle d’utiliser deux bornes distinctes ($d_L$<\/span> et $d_U$<\/span>) au lieu d’un unique seuil critique standard, comme c’est le cas pour les tests de Student ($t$<\/span>) ou de Fisher ($F$<\/span>). Cette particularit\u00e9 d\u00e9coule directement de la forme quadratique de la statistique $d$<\/span> exprim\u00e9e en fonction des termes d’erreur vectoriels.<\/p>\nEn notation matricielle, le vecteur des r\u00e9sidus ordinaires s’\u00e9crit $e = M u$<\/span>, o\u00f9 $M = I_n – X(X’X)^{-1}X’$<\/span> repr\u00e9sente la matrice de projection orthogonale idempotente et sym\u00e9trique sur le sous-espace orthogonal engendr\u00e9 par les colonnes de $X$<\/span>. La statistique de Durbin-Watson peut \u00eatre r\u00e9\u00e9crite sous la forme d’un ratio de formes quadratiques gaussiennes :<\/p>\n$$d = \\frac{e’ A e}{e’ e} = \\frac{u’ M A M u}{u’ M u}$$<\/span><\/p>\nDans cette formulation, $A$<\/span> est une matrice tridiagnale sym\u00e9trique d’ordre $n$<\/span> issue de l’op\u00e9rateur de diff\u00e9rences premi\u00e8res. Les valeurs propres de la matrice composite $M A M$<\/span> conditionnent int\u00e9gralement la distribution de probabilit\u00e9 exacte de $d$<\/span>. Or, ces valeurs propres d\u00e9pendent explicitement de la matrice sp\u00e9cifique des pr\u00e9dicteurs $X$<\/span> utilis\u00e9e par le chercheur. Il est donc math\u00e9matiquement impossible de dresser une table universelle unique de valeurs critiques applicables \u00e0 tous les ensembles de donn\u00e9es imaginables.<\/p>\nPour surmonter cette ind\u00e9termination, Durbin et Watson ont mobilis\u00e9 le lemme de minimax appliqu\u00e9 aux quotients de Rayleigh et aux th\u00e9or\u00e8mes d’entrelacement de Poincar\u00e9. Ils ont d\u00e9montr\u00e9 que pour toute matrice $X$<\/span> de rang $k+1$<\/span> (incluant la constante), les valeurs propres non nulles de $M A M$<\/span> sont rigoureusement encadr\u00e9es par les valeurs propres de matrices extr\u00eames universelles qui ne d\u00e9pendent que de la taille de l’\u00e9chantillon $n$<\/span> et du nombre de r\u00e9gresseurs $k$<\/span>. Par cons\u00e9quent, la distribution cumul\u00e9e de $d$<\/span> sous l’hypoth\u00e8se nulle $H_0$<\/span> est math\u00e9matiquement born\u00e9e entre deux fonctions de r\u00e9partition extr\u00eames invariantes, engendrant pour chaque quantile $\\alpha$<\/span> une borne inf\u00e9rieure absolue $d_L$<\/span> et une borne sup\u00e9rieure absolue $d_U$<\/span>.<\/p>\n3. 3. Architecture structurelle et composantes de la table de Durbin-Watson<\/h2>\n3.1 Param\u00e8tre de taille d’\u00e9chantillon (n)<\/h3>\n
L’architecture matricielle des tables de Durbin-Watson s’articule autour de trois dimensions fondamentales : la taille de l’\u00e9chantillon $n$<\/span>, le nombre de variables pr\u00e9dictives $k$<\/span>, et le seuil de signification probabiliste $\\alpha$<\/span>. Le param\u00e8tre $n$<\/span>, dispos\u00e9 en lignes dans la pr\u00e9sentation conventionnelle des tables, repr\u00e9sente le nombre total d’observations chronologiques ou s\u00e9quentielles int\u00e9gr\u00e9es dans l’ajustement du mod\u00e8le.<\/p>\nLes tables historiques standardis\u00e9es fournissent des quantiles critiques d\u00e9butant g\u00e9n\u00e9ralement \u00e0 $n = 6$<\/span> ou $n = 15$<\/span> et s’\u00e9tendant de mani\u00e8re discr\u00e8te jusqu’\u00e0 $n = 200$<\/span> ou $n = 500$<\/span>, les extensions contemporaines couvrant des s\u00e9ries allant jusqu’\u00e0 $n = 2000$<\/span>. Pour les s\u00e9ries courtes ($n < 30$<\/span>), caract\u00e9ristiques des protocoles exp\u00e9rimentaux complexes en psychologie ou des \u00e9tudes cliniques longitudinales, les valeurs de $d_L$<\/span> sont particuli\u00e8rement basses (souvent inf\u00e9rieures \u00e0 1,0), refl\u00e9tant une puissance statistique modeste et une incertitude d'estimation consid\u00e9rable sur les formes quadratiques r\u00e9siduelles.<\/p>\n\u00c0 mesure que la taille $n$<\/span> s’accro\u00eet, un ph\u00e9nom\u00e8ne de convergence asymptotique s’op\u00e8re : la borne inf\u00e9rieure $d_L$<\/span> augmente progressivement tandis que la borne sup\u00e9rieure $d_U$<\/span> diminue, resserrant inexorablement l’\u00e9cartement structurel entre les deux seuils. Ce comportement refl\u00e8te la r\u00e9duction de la d\u00e9pendance de l’\u00e9chantillon vis-\u00e0-vis de la configuration de la matrice $X$<\/span>, augmentant ainsi la pr\u00e9cision de la d\u00e9tection de l’autocorr\u00e9lation.<\/p>\n3.2 Nombre de variables explicatives du mod\u00e8le (k)<\/h3>\n
Le second param\u00e8tre cardinal structurant les colonnes des tables statistiques est $k$<\/span>, qui quantifie la dimensionnalit\u00e9 de l’espace des pr\u00e9dicteurs. Une attention terminologique et m\u00e9thodologique rigoureuse est indispensable sur ce point : dans les tables originales de Durbin et Watson, ainsi que dans la majorit\u00e9 des manuels d’\u00e9conom\u00e9trie et de psychom\u00e9trie, $k$<\/span> d\u00e9signe strictement le nombre de variables explicatives \u00e0 l’exclusion de la constante<\/strong>.<\/p>\nLorsque le nombre de variables pr\u00e9dictives $k$<\/span> augmente pour une taille d’\u00e9chantillon $n$<\/span> fixe, on observe syst\u00e9matiquement un double glissement structurel dans la table : la borne inf\u00e9rieure $d_L$<\/span> diminue tandis que la borne sup\u00e9rieure $d_U$<\/span> augmente. Ce ph\u00e9nom\u00e8ne provoque un \u00e9largissement m\u00e9canique tr\u00e8s net de la zone d’ind\u00e9termination ($d_U – d_L$<\/span>).<\/p>\nL’explication g\u00e9om\u00e9trique r\u00e9side dans le fait que l’ajout de pr\u00e9dicteurs accro\u00eet le sous-espace vectoriel projet\u00e9 par la matrice chapeau $H = X(X’X)^{-1}X’$<\/span>. Cette augmentation dimensionnelle r\u00e9duit les degr\u00e9s de libert\u00e9 r\u00e9siduels ($n – k – 1$<\/span>) et \u00e9largit l’\u00e9ventail des configurations possibles pour les valeurs propres de la matrice de projection $M$<\/span>, augmentant par l\u00e0 m\u00eame l’incertitude th\u00e9orique relative \u00e0 la distribution exacte de la statistique. Dans les mod\u00e9lisations psychom\u00e9triques multivari\u00e9es impliquant de nombreux r\u00e9gresseurs factoriels, cette dispersion exige des \u00e9chantillons proportionnellement plus volumineux pour maintenir un pouvoir de d\u00e9cision satisfaisant.<\/p>\n3.3 Seuils de signification alpha et niveaux de confiance<\/h3>\n
Les tables de r\u00e9f\u00e9rence de Durbin-Watson sont universellement construites pour des niveaux de risque d’erreur de premi\u00e8re esp\u00e8ce standardis\u00e9s, principalement $\\alpha = 0{,}05$<\/span> (niveau de confiance \u00e0 95 %) et $\\alpha = 0{,}01$<\/span> (niveau de confiance \u00e0 99 %). Il est primordial de souligner que les tables conventionnelles sont calcul\u00e9es pour des tests unilat\u00e9raux<\/strong> dirig\u00e9s contre l’alternative d’une autocorr\u00e9lation positive ($H_1: \\rho > 0$<\/span>).<\/p>\nDans les situations o\u00f9 le chercheur ne formule aucune hypoth\u00e8se directionnelle a priori et souhaite \u00e9valuer la pr\u00e9sence d’une autocorr\u00e9lation s\u00e9rielle sans pr\u00e9sumer de son signe (test bilat\u00e9ral, $H_1: \\rho \\neq 0$<\/span>), un ajustement formel de la lecture de la table s’impose. La r\u00e8gle m\u00e9thodologique consiste \u00e0 doubler le seuil unilat\u00e9ral : l’utilisation d’une table unilat\u00e9rale \u00e0 $\\alpha = 0{,}025$<\/span> (ou l’application prudente de la table \u00e0 $\\alpha = 0{,}05$<\/span>) correspond alors \u00e0 un test bilat\u00e9ral au niveau de signification global $\\alpha = 0{,}05$<\/span>.<\/p>\nEn psychologie quantitative et en recherche m\u00e9dicale, le choix entre un seuil $\\alpha = 0{,}05$<\/span> et $\\alpha = 0{,}01$<\/span> rel\u00e8ve d’un arbitrage d\u00e9licat entre le contr\u00f4le du taux de faux positifs et la pr\u00e9servation de la puissance de d\u00e9tection. Opter pour un niveau d’exigence tr\u00e8s conservateur ($\\alpha = 0{,}01$<\/span>) abaisse la borne $d_L$<\/span>, ce qui rend le rejet de l’hypoth\u00e8se nulle d’ind\u00e9pendance plus difficile et augmente le risque de conserver par inadvertance un mod\u00e8le MCO contamin\u00e9 par une d\u00e9pendance s\u00e9rielle sous-jacente.<\/p>\n4. 4. Typologie des zones de d\u00e9cision statistique d\u00e9limit\u00e9es par les bornes<\/h2>\n4.1 Zone de rejet de l’hypoth\u00e8se nulle et autocorr\u00e9lation positive<\/h3>\n
L’architecture d\u00e9cisionnelle du test de Durbin-Watson scinde le continuum des valeurs possibles de la statistique $d in [0, 4]$<\/span> en cinq segments op\u00e9rationnels distincts. Le premier segment critique correspond \u00e0 la zone o\u00f9 la statistique calcul\u00e9e empiriquement sur les r\u00e9sidus est strictement inf\u00e9rieure \u00e0 la borne tabul\u00e9e minimale : $d < d_L$<\/span>.<\/p>\nLorsque cette condition est satisfaite, la d\u00e9cision statistique est sans \u00e9quivoque : l’hypoth\u00e8se nulle $H_0: \\rho = 0$<\/span> d’absence d’autocorr\u00e9lation est formellement rejet\u00e9e au seuil de risque $\\alpha$<\/span> choisi, au profit de l’hypoth\u00e8se alternative d’une autocorr\u00e9lation s\u00e9rielle positive<\/strong> ($rho > 0$<\/span>). Dans cette configuration, les r\u00e9sidus successifs pr\u00e9sentent une covariance positive significative, ce qui signifie qu’un r\u00e9sidu positif \u00e0 l’instant $t-1$<\/span> a une probabilit\u00e9 anormalement \u00e9lev\u00e9e d’\u00eatre suivi par un r\u00e9sidu positif \u00e0 l’instant $t$<\/span>.<\/p>\nSur le plan comportemental et psychologique, cette situation traduit fr\u00e9quemment une inertie non mod\u00e9lis\u00e9e, la persistance temporelle d’\u00e9tats affectifs (comme l’humeur d\u00e9pressive ou l’anxi\u00e9t\u00e9) ou des effets d’apprentissage cumulatifs qui n’ont pas \u00e9t\u00e9 captur\u00e9s par les pr\u00e9dicteurs statiques du mod\u00e8le. Cons\u00e9quemment, les inf\u00e9rences standards issues des MCO doivent \u00eatre rejet\u00e9es en raison de la sous-estimation syst\u00e9matique des erreurs-types des param\u00e8tres estim\u00e9s, qui cr\u00e9e une inflation substantielle du risque d’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n
4.2 Zone de non-rejet et absence d’autocorr\u00e9lation r\u00e9siduelle<\/h3>\n
La deuxi\u00e8me zone cardinale est l’intervalle central de conformit\u00e9 statistique, d\u00e9fini formellement par la double in\u00e9galit\u00e9 $d_U < d < 4 – d_U$<\/span>. Lorsque la statistique de test calcul\u00e9e se positionne \u00e0 l'int\u00e9rieur de cet intervalle sym\u00e9trique centr\u00e9 autour de la valeur th\u00e9orique 2,0, la r\u00e8gle de d\u00e9cision impose le non-rejet de l’hypoth\u00e8se nulle<\/strong> d’ind\u00e9pendance s\u00e9rielle.<\/p>\nCe constat empirique valide le fait que la corr\u00e9lation s\u00e9rielle entre les termes d’erreur successifs n’est pas statistiquement discernable d’un pur bruit stochastique au seuil $\\alpha$<\/span>. Dans ces conditions, les hypoth\u00e8ses fondamentales du th\u00e9or\u00e8me de Gauss-Markov sont satisfaites quant \u00e0 la structure de variance-covariance des r\u00e9sidus ($E(u u’) = \\sigma^2 I_n$<\/span>).<\/p>\nPour le chercheur en sciences comportementales ou neuroscientifiques, ce r\u00e9sultat apporte la garantie m\u00e9thodologique que l’ajustement par les moindres carr\u00e9s ordinaires fournit des estimateurs BLUE (Best Linear Unbiased Estimators). Les tests d’hypoth\u00e8ses conventionnels reposant sur les statistiques de Student ($t$<\/span>) et les tests d’analyse de variance ($F$<\/span>) conservent l’int\u00e9gralit\u00e9 de leur validit\u00e9 inf\u00e9rentielle, certifiant que l’erreur-type des coefficients n’est ni contract\u00e9e ni dilat\u00e9e par une d\u00e9pendance temporelle latente.<\/p>\n4.3 Zone d’ind\u00e9termination ou d’inconclusivit\u00e9 statistique<\/h3>\n
La troisi\u00e8me zone constitue la singularit\u00e9 \u00e9pist\u00e9mologique et pratique majeure du test de Durbin-Watson : l’intervalle d’ind\u00e9cision ou d’inconclusivit\u00e9, d\u00e9limit\u00e9 par $d_L le d le d_U$<\/span> (pour le versant positif) et par $4 – d_U le d le 4 – d_L$<\/span> (pour le versant n\u00e9gatif). Lorsque la statistique $d$<\/span> calcul\u00e9e tombe dans l’une de ces deux zones grises, le test ne permet math\u00e9matiquement ni de rejeter ni de conserver l’hypoth\u00e8se nulle.<\/p>\nCette situation inconfortable r\u00e9sulte du fait que la distribution exacte de $d$<\/span> d\u00e9pend de la matrice des r\u00e9gresseurs $X$<\/span> : pour certaines matrices $X$<\/span>, la vraie valeur critique se trouve plus proche de $d_L$<\/span>, tandis que pour d’autres, elle se situe \u00e0 proximit\u00e9 de $d_U$<\/span>. L’absence de calcul de la distribution conditionnelle exacte interdit toute conclusion formelle \u00e0 partir des seules tables g\u00e9n\u00e9riques.<\/p>\nSur le plan m\u00e9thodologique, adopter une d\u00e9cision binaire arbitraire face \u00e0 une valeur tomb\u00e9e en zone d’ind\u00e9termination constitue une faute d’inf\u00e9rence. Si le chercheur d\u00e9cide unilat\u00e9ralement de conserver $H_0$<\/span>, il s’expose \u00e0 un risque accru d’erreur de type II (ne pas d\u00e9tecter une autocorr\u00e9lation existante et sous-estimer les erreurs-types). \u00c0 l’inverse, rejeter d’office $H_0$<\/span> peut conduire \u00e0 complexifier inutilement le mod\u00e8le d’estimation sans justification probabiliste suffisante. Des strat\u00e9gies computationnelles avanc\u00e9es doivent alors \u00eatre d\u00e9ploy\u00e9es pour trancher cette ambigu\u00eft\u00e9.<\/p>\n4.4 D\u00e9tection de l’autocorr\u00e9lation n\u00e9gative et sym\u00e9trie<\/h3>\n
La d\u00e9tection de l’autocorr\u00e9lation s\u00e9rielle n\u00e9gative ($rho < 0$<\/span>) s'appuie sur la parfaite sym\u00e9trie de la distribution th\u00e9orique de la statistique de Durbin-Watson autour de la valeur centrale m\u00e9diane 2,0. Les segments d\u00e9cisionnels pour le versant n\u00e9gatif sont directement construits par compl\u00e9mentarit\u00e9 \u00e0 4 des bornes tabul\u00e9es conventionnelles.<\/p>\nLa r\u00e8gle d\u00e9cisionnelle formelle pour l’autocorr\u00e9lation n\u00e9gative se d\u00e9cline comme suit :<\/p>\n
\n- Si $d > 4 – d_L$<\/span> : Rejet net de $H_0$<\/span> et conclusion \u00e0 l’existence d’une autocorr\u00e9lation s\u00e9rielle n\u00e9gative<\/strong> significative au seuil $\\alpha$<\/span>.<\/li>\n
- Si $4 – d_U le d le 4 – d_L$<\/span> : Zone d’ind\u00e9termination pour l’autocorr\u00e9lation n\u00e9gative.<\/li>\n<\/ul>\n
Dans les donn\u00e9es empiriques, l’autocorr\u00e9lation n\u00e9gative se manifeste par une alternance syst\u00e9matique et trop r\u00e9guli\u00e8re du signe des r\u00e9sidus successifs (un r\u00e9sidu positif succ\u00e9dant quasi syst\u00e9matiquement \u00e0 un r\u00e9sidu n\u00e9gatif). En psychologie exp\u00e9rimentale et en psychophysiologie, un tel sch\u00e9ma r\u00e9siduel traduit fr\u00e9quemment des dynamiques de surcompensation rapide, des m\u00e9canismes de r\u00e9troaction hom\u00e9ostatique \u00e0 cycle court ou des art\u00e9facts induits par des corrections algorithmiques excessives lors du pr\u00e9traitement du signal.<\/p>\n
Sur le plan des propri\u00e9t\u00e9s statistiques des MCO, l’autocorr\u00e9lation n\u00e9gative entra\u00eene des cons\u00e9quences inverses de celles de l’autocorr\u00e9lation positive : elle induit une surestimation syst\u00e9matique de l’erreur-type<\/strong> des estimateurs. Cette sur\u00e9valuation artificielle produit des statistiques $t$<\/span> anormalement basses, d\u00e9truisant la puissance du test et augmentant dramatiquement le taux d’erreur de seconde esp\u00e8ce (non-rejet d’effets r\u00e9els, induisant des faux n\u00e9gatifs pr\u00e9judiciables \u00e0 la d\u00e9couverte scientifique).<\/p>\n5. 5. Guide m\u00e9thodologique de lecture et d’utilisation pas \u00e0 pas<\/h2>\n5.1 Proc\u00e9dure syst\u00e9matique d’extraction des valeurs tabul\u00e9es<\/h3>\n
L’utilisation rigoureuse d’une table de Durbin-Watson au sein d’un protocole de recherche quantitatif exige le suivi d’un algorithme m\u00e9thodologique standardis\u00e9. La premi\u00e8re \u00e9tape consiste \u00e0 extraire sans \u00e9quivoque les trois param\u00e8tres directeurs de l’analyse :<\/p>\n
\n- La taille d’\u00e9chantillon effective ($n$<\/span>)<\/strong> : correspondant au nombre total d’observations chronologiques ou s\u00e9quentielles valides incluses dans l’estimation du mod\u00e8le de r\u00e9gression lin\u00e9aire.<\/li>\n
- Le nombre de variables pr\u00e9dictives ($k$<\/span>)<\/strong> : d\u00e9fini rigoureusement comme le nombre total de r\u00e9gresseurs explicatifs autonomes, en excluant imp\u00e9rativement le terme d’interception (constante)<\/em>. Par exemple, pour un mod\u00e8le $Y_t = \\beta_0 + \\beta_1 X_{1t} + \\beta_2 X_{2t} + u_t$<\/span>, on s\u00e9lectionnera $k = 2$<\/span>.<\/li>\n
- Le seuil de signification probabiliste ($\\alpha$<\/span>)<\/strong> : g\u00e9n\u00e9ralement fix\u00e9 a priori \u00e0 0,05 ou 0,01 selon les exigences de puissance et de conservatisme m\u00e9thodologique.<\/li>\n<\/ol>\n
Une fois la table ad\u00e9quate identifi\u00e9e (correspondant au niveau $\\alpha$<\/span> cibl\u00e9), le praticien localise l’intersection exacte entre la ligne correspondant \u00e0 la taille $n$<\/span> et la colonne correspondant au nombre de variables $k$<\/span>. \u00c0 ce croisement se trouvent les deux valeurs scalaires fondamentales : la borne inf\u00e9rieure $d_L(n, k, \\alpha)$<\/span> et la borne sup\u00e9rieure $d_U(n, k, \\alpha)$<\/span>.<\/p>\n5.2 Calcul manuel et comparaison avec les bornes tabulaires<\/h3>\n
L’obtention de la statistique empirique s’op\u00e8re s\u00e9quentiellement \u00e0 partir de l’ajustement du mod\u00e8le de r\u00e9gression par les MCO. Le chercheur extrait le vecteur complet des r\u00e9sidus observ\u00e9s $e_t = y_t – \\hat{y}_t$<\/span> pour $t in [1, n]$<\/span>.<\/p>\nLe calcul arithm\u00e9tique se d\u00e9ploie ensuite en trois op\u00e9rations fondamentales :<\/p>\n
\n- Calcul de la s\u00e9rie des diff\u00e9rences successives : $\\Delta e_t = e_t – e_{t-1}$<\/span> pour chaque instant de $t = 2$<\/span> \u00e0 $n$<\/span>.<\/li>\n
- Calcul de la somme des carr\u00e9s des diff\u00e9rences premi\u00e8res au num\u00e9rateur : $\\text{Num} = \\sum_{t=2}^{n} (e_t – e_{t-1})^2$<\/span>.<\/li>\n
- Calcul de la somme totale des carr\u00e9s r\u00e9siduels au d\u00e9nominateur : $\\text{Den} = \\sum_{t=1}^{n} e_t^2$<\/span>.<\/li>\n<\/ul>\n
Le ratio $d = \\text{Num} \/ \\text{Den}$<\/span> est ensuite projet\u00e9 sur l’\u00e9chelle d\u00e9cisionnelle en le comparant s\u00e9quentiellement aux quatre points de rep\u00e8re cardinaux : $d_L$<\/span>, $d_U$<\/span>, $4 – d_U$<\/span> et $4 – d_L$<\/span>. Le positionnement univoque de $d$<\/span> dans l’un des cinq intervalles d’\u00e9valuation scelle le verdict statistique formel.<\/p>\n5.3 Interpr\u00e9tation contextuelle du r\u00e9sultat obtenu<\/h3>\n
L’aboutissement de la proc\u00e9dure statistique ne se limite pas \u00e0 un constat arithm\u00e9tique binaire : il impose une r\u00e9\u00e9valuation critique de la sp\u00e9cification du mod\u00e8le psychologique ou comportemental. Si le r\u00e9sultat indique une absence d’autocorr\u00e9lation ($d_U < d < 4 – d_U$<\/span>), la structure lin\u00e9aire statique est jug\u00e9e ad\u00e9quate pour la mod\u00e9lisation des donn\u00e9es.<\/p>\nEn revanche, si le test conclut \u00e0 un rejet de l’hypoth\u00e8se nulle ($d 4 – d_L$<\/span>), l’analyste doit imp\u00e9rativement s’interroger sur l’origine th\u00e9orique de cette d\u00e9pendance s\u00e9rielle r\u00e9siduelle. Tr\u00e8s souvent, une autocorr\u00e9lation d’ordre un significative signale :<\/p>\n\n- L’omission d’une variable explicative cl\u00e9 pr\u00e9sentant elle-m\u00eame une forte inertie temporelle (par exemple, une covariable physiologique ou environnementale non mesur\u00e9e).<\/li>\n
- Une forme fonctionnelle mal sp\u00e9cifi\u00e9e (telle qu’une trajectoire logarithmique ou quadratique abusivement mod\u00e9lis\u00e9e par une droite affine pure).<\/li>\n
- La pr\u00e9sence intrins\u00e8que d’une dynamique autor\u00e9gressive sous-jacente propre au processus psychologique \u00e9tudi\u00e9, imposant le passage \u00e0 des mod\u00e8les dynamiques \u00e0 erreurs autor\u00e9gressives ou des mod\u00e8les autor\u00e9gressifs \u00e0 retards \u00e9chelonn\u00e9s (ARDL).<\/li>\n<\/ul>\n
Toute conclusion doit \u00eatre rigoureusement document\u00e9e dans le rapport m\u00e9thodologique afin d’assurer la parfaite reproductibilit\u00e9 scientifique des analyses quantitatives conduites.<\/p>\n
6. 6. Tables de valeurs critiques de r\u00e9f\u00e9rence pour alpha = 0,05<\/h2>\n6.1 Valeurs pour mod\u00e8les univari\u00e9s et bivari\u00e9s (k = 1 \u00e0 k = 2)<\/h3>\n
Le seuil de signification $\\alpha = 0{,}05$<\/span> constitue la convention m\u00e9thodologique standard en sciences humaines, sociales et comportementales. Le tableau ci-dessous synth\u00e9tise les valeurs critiques exactes des bornes inf\u00e9rieure ($d_L$<\/span>) et sup\u00e9rieure ($d_U$<\/span>) pour des mod\u00e8les simples comprenant un ($k=1$<\/span>) ou deux ($k=2$<\/span>) r\u00e9gresseurs explicatifs (hors terme constant), calcul\u00e9es pour des tailles d’\u00e9chantillons types \u00e9chelonn\u00e9es de 15 \u00e0 100 observations.<\/p>\n\n\n\n| Taille d’\u00e9chantillon ($n$<\/span>)<\/th>\n | $k = 1$<\/span><\/th>\n | $k = 2$<\/span><\/th>\n<\/tr>\n\n| $d_L$<\/span><\/th>\n | $d_U$<\/span><\/th>\n | $d_L$<\/span><\/th>\n | $d_U$<\/span><\/th>\n<\/tr>\n<\/thead>\n\n\n15<\/strong><\/td>\n| 1,077<\/td>\n | 1,361<\/td>\n | 0,946<\/td>\n | 1,543<\/td>\n<\/tr>\n | \n20<\/strong><\/td>\n| 1,201<\/td>\n | 1,411<\/td>\n | 1,100<\/td>\n | 1,537<\/td>\n<\/tr>\n | \n25<\/strong><\/td>\n| 1,288<\/td>\n | 1,451<\/td>\n | 1,206<\/td>\n | 1,550<\/td>\n<\/tr>\n | \n30<\/strong><\/td>\n| 1,352<\/td>\n | 1,489<\/td>\n | 1,284<\/td>\n | 1,567<\/td>\n<\/tr>\n | \n | | | | | | |