{"id":6757,"date":"2026-09-16T10:52:06","date_gmt":"2026-09-16T10:52:06","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/r-multiple-vs-r-carre-difference\/"},"modified":"2026-09-16T10:52:09","modified_gmt":"2026-09-16T10:52:09","slug":"r-multiple-vs-r-carre-difference","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=r-multiple-vs-r-carre-difference","title":{"rendered":"R multiple vs R-carr\u00e9 : quelle est la diff\u00e9rence ?"},"content":{"rendered":"

Dans le paysage contemporain de la recherche quantitative en sciences humaines, cognitives et comportementales, la mod\u00e9lisation statistique lin\u00e9aire s’impose comme une pierre angulaire de l’investigation empirique. Qu’il s’agisse d’\u00e9valuer l’impact combin\u00e9 de traits de personnalit\u00e9 sur la propension au stress, de d\u00e9crypter les d\u00e9terminants environnementaux et g\u00e9n\u00e9tiques du quotient intellectuel, ou d’estimer l’efficacit\u00e9 relative d’interventions th\u00e9rapeutiques cibl\u00e9es, la r\u00e9gression multiple constitue l’outil analytique le plus massivement d\u00e9ploy\u00e9. Au c\u0153ur de cette m\u00e9thodologie reposent deux indicateurs omnipr\u00e9sents, pourtant fr\u00e9quemment confondus par les praticiens et les \u00e9tudiants : le coefficient de corr\u00e9lation multiple (d\u00e9sign\u00e9 par la lettre majuscule R<\/em>) et le coefficient de d\u00e9termination (not\u00e9 R<\/em>\u00b2 ou R<\/em>-carr\u00e9).<\/p>\n

Bien que math\u00e9matiquement articul\u00e9s de mani\u00e8re directe, l’\u00e9l\u00e9vation au carr\u00e9 de l’un produisant rigoureusement la valeur de l’autre, ces deux param\u00e8tres v\u00e9hiculent des significations conceptuelles et des fonctions \u00e9pist\u00e9mologiques profond\u00e9ment distinctes. Le R<\/em> multiple formalise la magnitude brute de l’association lin\u00e9aire globale unissant une combinaison optimale de variables pr\u00e9dictrices \u00e0 un crit\u00e8re observ\u00e9. \u00c0 l’inverse, le R<\/em>-carr\u00e9 op\u00e8re une quantification de la variance partag\u00e9e, traduisant la fraction proportionnelle de dispersion du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 qui se trouve absorb\u00e9e et explicit\u00e9e par l’architecture du mod\u00e8le. Cette divergence d’\u00e9chelle \u2014 d’une m\u00e9trique de distance et d’alignement vectoriel vers une m\u00e9trique de proportionnalit\u00e9 d’\u00e9nergie dispers\u00e9e \u2014 engendre r\u00e9guli\u00e8rement des distorsions d’interpr\u00e9tation notables au sein de la litt\u00e9rature scientifique.<\/p>\n

Le pr\u00e9sent article propose un examen exhaustif, th\u00e9orique et appliqu\u00e9 des divergences, convergences et subtilit\u00e9s m\u00e9thodologiques liant le R<\/em> multiple au R<\/em>-carr\u00e9. En explorant leurs soubassements alg\u00e9briques matriciels, leurs dynamiques face au bruit d’\u00e9chantillonnage, la correction imp\u00e9rative apport\u00e9e par l’ajustement aux degr\u00e9s de libert\u00e9, ainsi que les protocoles de restitution conformes aux exigences \u00e9ditoriales les plus strictes de l’American Psychological Association<\/a> (APA), cette analyse vise \u00e0 doter les chercheurs d’un cadre conceptuel rigoureux pour transcender la simple lecture automatis\u00e9e des sorties logicielles.<\/p>\n

1. Introduction aux m\u00e9triques de r\u00e9gression en psychologie : gen\u00e8se du R multiple et du R-carr\u00e9<\/h2>\n

1.1 Le r\u00f4le fondamental des mod\u00e8les de r\u00e9gression en recherche psychologique<\/h3>\n

L’av\u00e8nement de la psychologie scientifique \u00e0 la fin du XIXe si\u00e8cle, sous l’impulsion conjointe de figures telles que Francis Galton, Karl Pearson et Charles Spearman, s’est intrins\u00e8quement nou\u00e9 \u00e0 l’\u00e9laboration d’instruments quantitatifs capables d’objectiver l’invisible. La psychom\u00e9trie, en cherchant \u00e0 mesurer des entit\u00e9s non directement observables \u2014 les traits latents, l’intelligence g\u00e9n\u00e9rale, l’anxi\u00e9t\u00e9 \u00e9tat ou l’estime de soi \u2014, a rapidement but\u00e9 sur la complexit\u00e9 multifactorielle des conduites humaines. Aucun ph\u00e9nom\u00e8ne psychologique d’envergure ne saurait \u00eatre r\u00e9duit \u00e0 une dynamique univari\u00e9e ou \u00e0 une relation causale lin\u00e9aire simple entre un stimulus unique et une r\u00e9ponse isol\u00e9e. D\u00e8s lors, le recours \u00e0 l’analyse de r\u00e9gression s’est impos\u00e9 non seulement comme une n\u00e9cessit\u00e9 statistique, mais comme un imp\u00e9ratif ontologique.<\/p>\n

L’\u00e9valuation de la qualit\u00e9 de l’ajustement pr\u00e9dictif des variables comportementales pose un d\u00e9fi de taille : comment condenser, au sein d’un indice parcimonieux et standardis\u00e9, la capacit\u00e9 d’une constellation h\u00e9t\u00e9rog\u00e8ne de pr\u00e9dicteurs (allant d’\u00e9chelles de personnalit\u00e9 ordonn\u00e9es \u00e0 des biomarqueurs continus) \u00e0 rendre compte des variations d’un crit\u00e8re clinique ou cognitif ? La mod\u00e9lisation lin\u00e9aire permet de projeter ces pr\u00e9dicteurs dans un espace g\u00e9om\u00e9trique multidimensionnel afin de g\u00e9n\u00e9rer une \u00e9quation pr\u00e9dictive dont l’ajustement aux observations empiriques doit \u00eatre quantifi\u00e9 avec une pr\u00e9cision millim\u00e9trique. Il devient alors indispensable d’op\u00e9rer une c\u00e9sure nette entre la simple corr\u00e9lation bivari\u00e9e de Pearson (r<\/em>), confin\u00e9e \u00e0 la covariation sym\u00e9trique entre deux grandeurs isol\u00e9es, et la r\u00e9gression multivari\u00e9e, qui orchestre une synth\u00e8se asym\u00e9trique de multiples sources d’information pour pr\u00e9dire une variable d\u00e9pendante unique.<\/p>\n

Dans ce cadre complexe, l’estimation de la qualit\u00e9 d’ajustement ne se limite pas \u00e0 un contr\u00f4le de conformit\u00e9 math\u00e9matique. Elle constitue le fondement m\u00eame sur lequel repose la validit\u00e9 de construit des th\u00e9ories psychologiques. Un mod\u00e8le pr\u00e9dictif dont on ne peut appr\u00e9cier rigoureusement la force d’ajustement emp\u00eache toute distinction entre une r\u00e9gularit\u00e9 comportementale robuste et une co\u00efncidence imputable aux fluctuations stochastiques du recueil de donn\u00e9es.<\/p>\n

1.2 Origine des coefficients dans les logiciels d’analyse statistique<\/h3>\n

Avec la d\u00e9mocratisation informatique des ann\u00e9es 1970 et l’h\u00e9g\u00e9monie subs\u00e9quente d’environnements d’analyse tels que IBM SPSS Statistics<\/a>, puis plus r\u00e9cemment d’outils modernes et ouverts comme le langage de programmation R<\/a> ou les interfaces graphiques d\u00e9di\u00e9es aux sciences sociales telles que Jamovi<\/a> et JASP<\/a>, les calculs matriciels complexes sont devenus instantan\u00e9s. Cette automatisation a toutefois engendr\u00e9 un effet pervers : la banalisation des tableaux de sortie standardis\u00e9s, au sein desquels les indices R<\/em>, R<\/em>-carr\u00e9 (R<\/em>\u00b2) et R<\/em>-carr\u00e9 ajust\u00e9 figurent c\u00f4te \u00e0 c\u00f4te dans une m\u00eame ligne de r\u00e9sum\u00e9 de mod\u00e8le sans que l’utilisateur n’en saisisse toujours la port\u00e9e diff\u00e9rentielle.<\/p>\n

Une confusion chronique s’est ainsi install\u00e9e dans les laboratoires de recherche et la r\u00e9daction d’articles empiriques. Trop fr\u00e9quemment, la force de l’association globale (incarn\u00e9e par le R<\/em> multiple) est interchang\u00e9e avec la proportion de variance expliqu\u00e9e (incarn\u00e9e par le R<\/em>\u00b2). Cette approximation s\u00e9mantique dissimule des disparit\u00e9s arithm\u00e9tiques majeures. Alors que le R<\/em> multiple \u00e9volue sur une \u00e9chelle dimensionnelle lin\u00e9aire \u00e9quivalente \u00e0 celle d’une corr\u00e9lation d’ordre z\u00e9ro, le R<\/em>\u00b2 repr\u00e9sente une surface g\u00e9om\u00e9trique ou une fraction d’\u00e9nergie statistique. Confondre ces deux m\u00e9triques conduit \u00e0 des distorsions cognitives majeures dans l’appr\u00e9ciation des effets : un chercheur peut juger une relation impressionnante \u00e0 la lecture d’un R<\/em> multiple de 0,40, tout en omettant de r\u00e9aliser que le mod\u00e8le ne parvient en r\u00e9alit\u00e9 \u00e0 expliquer que 16 % des disparit\u00e9s interindividuelles.<\/p>\n

L’objectif cardinal de cet article est de dissiper m\u00e9thodiquement ces ambigu\u00eft\u00e9s. Il s’agit de fournir aux chercheurs, cliniciens et analystes du comportement les rep\u00e8res analytiques indispensables pour d\u00e9coder la m\u00e9canique sous-jacente \u00e0 ces m\u00e9triques, identifier leurs domaines de pertinence respectifs et d\u00e9jouer les pi\u00e8ges interpr\u00e9tatifs inh\u00e9rents \u00e0 la mod\u00e9lisation statistique avanc\u00e9e.<\/p>\n

2. D\u00e9finition th\u00e9orique et fondements math\u00e9matiques du R multiple<\/h2>\n

2.1 Nature du coefficient de corr\u00e9lation multiple<\/h3>\n

Sur le plan de la th\u00e9orie statistique fondamentale, le coefficient de corr\u00e9lation multiple, d\u00e9sign\u00e9 par convention typographique par la lettre majuscule R<\/em>, se d\u00e9finit tr\u00e8s pr\u00e9cis\u00e9ment comme la corr\u00e9lation lin\u00e9aire simple de Pearson \u00e9tablie entre les valeurs r\u00e9elles observ\u00e9es de la variable d\u00e9pendante (not\u00e9es Y<\/em>) et les valeurs composites th\u00e9oriques pr\u00e9dites par l’\u00e9quation de r\u00e9gression (not\u00e9es \u0176<\/em> ou Y<\/em>-chapeau). En d’autres termes, si l’on calcule le score pr\u00e9dit pour chaque participant d’un \u00e9chantillon \u00e0 partir de la combinaison optimale de ses scores aux pr\u00e9dicteurs, la corr\u00e9lation bivari\u00e9e entre cette nouvelle colonne de scores estim\u00e9s et la colonne des scores r\u00e9ellement mesur\u00e9s est strictement \u00e9gale au R<\/em> multiple du mod\u00e8le.<\/p>\n

Cette d\u00e9finition entra\u00eene des propri\u00e9t\u00e9s math\u00e9matiques sp\u00e9cifiques. La plus remarquable r\u00e9side dans son intervalle de variation : alors que le coefficient de corr\u00e9lation classique de Pearson bivari\u00e9 (r<\/em>) oscille entre -1,00 et +1,00, le coefficient de corr\u00e9lation multiple R<\/em> est, par construction axiomatique, strictement born\u00e9 au domaine continu allant de 0,00 \u00e0 1,00. Il ne peut jamais prendre de valeur n\u00e9gative. Cette contrainte d\u00e9coule du principe m\u00eame d’optimisation par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO \/ OLS). L’algorithme d’ajustement est con\u00e7u pour orienter les poids de r\u00e9gression partiels de mani\u00e8re \u00e0 maximiser syst\u00e9matiquement l’accord lin\u00e9aire entre les pr\u00e9dictions et les crit\u00e8res r\u00e9els.<\/p>\n

En cons\u00e9quence directe, l’apparition de coefficients de r\u00e9gression partiels n\u00e9gatifs (les coefficients b\u00eata standardis\u00e9s ou B<\/em> non standardis\u00e9s) au sein du mod\u00e8le n’induit aucunement un R<\/em> n\u00e9gatif. Si, par exemple, un niveau accru d’anxi\u00e9t\u00e9 pr\u00e9dit n\u00e9gativement la performance mn\u00e9sique, l’algorithme affecte simplement une pond\u00e9ration n\u00e9gative \u00e0 l’anxi\u00e9t\u00e9. L’accord global entre la projection combin\u00e9e et la mesure r\u00e9elle demeure dans une dynamique de covariation positive maximale, excluant structurellement toute n\u00e9gativit\u00e9 du R<\/em> multiple global.<\/p>\n

2.2 Formulation alg\u00e9brique et calcul matriciel<\/h3>\n

D’un point de vue alg\u00e9brique et computationnel, le R<\/em> multiple ne s’obtient pas par une simple moyenne ou somme pond\u00e9r\u00e9e des corr\u00e9lations individuelles. Son calcul exige l’int\u00e9gration matricielle des relations unissant l’ensemble des variables du syst\u00e8me. Consid\u00e9rons un syst\u00e8me d’analyse pr\u00e9dictive compos\u00e9 d’un vecteur de corr\u00e9lations simples entre chaque pr\u00e9dicteur Xi<\/sub><\/em> et le crit\u00e8re Y<\/em>, not\u00e9 r<\/strong>yx<\/sub>, et de la matrice carr\u00e9e sym\u00e9trique inversible des corr\u00e9lations inter-pr\u00e9dicteurs, d\u00e9sign\u00e9e par R<\/strong>xx<\/sub>. Le carr\u00e9 du coefficient de corr\u00e9lation multiple s’exprime alors par le produit matriciel suivant :<\/p>\n

R<\/em>\u00b2 = r<\/strong>‘yx<\/sub> \u00d7 R<\/strong>xx<\/sub>-1<\/sup> \u00d7 r<\/strong>yx<\/sub><\/p>\n

Le R<\/em> multiple correspond \u00e0 la racine carr\u00e9e positive de cette forme quadratique scalaire. Cette formulation met en exergue le r\u00f4le pivot jou\u00e9 par la matrice inverse R<\/strong>xx<\/sub>-1<\/sup>. Cette inversion op\u00e8re un ajustement rigoureux pour toutes les redondances informatives existant au sein de la batterie de pr\u00e9dicteurs. Si deux tests psychologiques mesurent des facettes tr\u00e8s proches d’un m\u00eame construit intellectuel, leur forte corr\u00e9lation mutuelle gonfle les termes de la matrice R<\/strong>xx<\/sub>, ce qui, via l’inversion, att\u00e9nue la contribution incr\u00e9mentale de la seconde variable au R<\/em> global.<\/p>\n

D’un point de vue g\u00e9om\u00e9trique, dans l’espace vectoriel euclidien \u00e0 n<\/em> dimensions (o\u00f9 n<\/em> repr\u00e9sente le nombre total d’observations ou de participants), la variable d\u00e9pendante Y<\/em> est repr\u00e9sent\u00e9e par un vecteur partant de l’origine. L’ensemble des k<\/em> variables pr\u00e9dictrices engendre un sous-espace vectoriel appel\u00e9 hyperplan. Dans cette perspective spatiale, le vecteur des valeurs pr\u00e9dites \u0176<\/em> est l’exacte projection orthogonale du vecteur Y<\/em> sur l’hyperplan form\u00e9 par les pr\u00e9dicteurs. Le coefficient de corr\u00e9lation multiple R<\/em> correspond alors g\u00e9om\u00e9triquement au cosinus de l’angle vectoriel (not\u00e9 th\u00eata) s\u00e9parant le vecteur observ\u00e9 Y<\/em> de sa projection orthogonale \u0176<\/em>. Plus l’angle est aigu, plus le cosinus tend vers 1,00, signifiant une proximit\u00e9 vectorielle quasi parfaite entre l’observation empirique et la pr\u00e9diction th\u00e9orique.<\/p>\n

2.3 Signification conceptuelle en psychom\u00e9trie<\/h3>\n

Transpos\u00e9 au champ op\u00e9rationnel de la psychom\u00e9trie contemporaine, le coefficient R<\/em> multiple trouve son application la plus noble dans l’\u00e9valuation de la validit\u00e9 crit\u00e8re composite. Lorsqu’une \u00e9quipe de psychologues con\u00e7oit une batterie d’\u00e9valuations cliniques ou de s\u00e9lection professionnelle, l’objectif n’est presque jamais d’utiliser un test isol\u00e9, mais de combiner plusieurs \u00e9preuves pour appr\u00e9hender une r\u00e9alit\u00e9 complexe (le risque de rechute d\u00e9pressive, l’aptitude au commandement, le rendement acad\u00e9mique ult\u00e9rieur). Le R<\/em> multiple synth\u00e9tise en un indicateur scalaire unique le plafond de performance pr\u00e9dictive que cette batterie optimis\u00e9e peut th\u00e9oriquement atteindre.<\/p>\n

Le R<\/em> multiple agit comme une mesure de validit\u00e9 concurrente ou pr\u00e9dictive globale. Il indique jusqu’\u00e0 quel point la combinaison pond\u00e9r\u00e9e id\u00e9ale des scores aux sous-\u00e9chelles r\u00e9plique les diff\u00e9rences observ\u00e9es sur le crit\u00e8re externe. C’est un indicateur de calibrage brut de l’instrument compos\u00e9. D\u00e8s lors qu’un clinicien s’interroge sur l’opportunit\u00e9 d’ajouter un troisi\u00e8me inventaire de personnalit\u00e9 \u00e0 une \u00e9valuation d\u00e9j\u00e0 chronophage, l’augmentation marginale du R<\/em> multiple informe imm\u00e9diatement sur le gain d’alignement empirique rendu possible par cet ajout.<\/p>\n

Cependant, la sensibilit\u00e9 du R<\/em> multiple aux artefacts de multicolin\u00e9arit\u00e9 impose une vigilance m\u00e9thodologique constante. Si des items ou des \u00e9chelles partagent une variance r\u00e9siduelle massive sans apporter d’information nouvelle sur le crit\u00e8re, l’estimation du R<\/em> peut \u00eatre artificiellement stabilis\u00e9e ou fauss\u00e9e par des probl\u00e8mes d’instabilit\u00e9 num\u00e9rique lors de l’inversion matricielle. Le R<\/em> multiple offre une vision holistique de l’association, mais demeure totalement muet quant \u00e0 l’ind\u00e9pendance fonctionnelle des \u00e9l\u00e9ments qui le composent.<\/p>\n

3. D\u00e9finition et interpr\u00e9tation fondamentale du coefficient de d\u00e9termination (R-carr\u00e9)<\/h2>\n

3.1 D\u00e9rivation du R-carr\u00e9 \u00e0 partir du R multiple<\/h3>\n

Si le R<\/em> multiple quantifie une corr\u00e9lation vectorielle, le coefficient de d\u00e9termination \u2014 quasi universellement d\u00e9sign\u00e9 sous le terme de R<\/em>-carr\u00e9 (R<\/em>\u00b2) \u2014 s’obtient alg\u00e9briquement en \u00e9levant le R<\/em> multiple au carr\u00e9. Cette op\u00e9ration arithm\u00e9tique, en apparence \u00e9l\u00e9mentaire, transforme radicalement la nature math\u00e9matique et la port\u00e9e interpr\u00e9tative de l’indice. En \u00e9levant au carr\u00e9 un nombre d\u00e9cimal compris entre 0 et 1, on op\u00e8re une translation dimensionnelle : on passe d’une unit\u00e9 de mesure lin\u00e9aire \u00e0 une unit\u00e9 de surface ou de variance proportionnelle.<\/p>\n

Cette transformation \u00e9limine toute d\u00e9pendance r\u00e9siduelle aux unit\u00e9s de mesure m\u00e9triques d’origine des variables consid\u00e9r\u00e9es. Le R<\/em>\u00b2 est un ratio adimensionnel, rigoureusement standardis\u00e9 entre 0,00 (absence totale de relation explicative au sein du mod\u00e8le) et 1,00 (d\u00e9termination d\u00e9terministe parfaite, o\u00f9 chaque point de donn\u00e9es co\u00efncide rigoureusement avec la droite ou l’hyperplan de r\u00e9gression). Cette standardisation universelle conf\u00e8re au R<\/em>-carr\u00e9 un statut privil\u00e9gi\u00e9 au sein des sciences empiriques. Il sert d’\u00e9talon commun permettant de confronter directement des recherches investiguant des construits psychologiques disparates, mesur\u00e9s via des m\u00e9thodologies divergentes (par exemple, comparer la pr\u00e9dictibilit\u00e9 d’une mesure chronom\u00e9trique de temps de r\u00e9action face \u00e0 celle d’une \u00e9chelle ordinale de d\u00e9pression de Beck).<\/p>\n

Dans la recherche contemporaine, et plus singuli\u00e8rement au sein des synth\u00e8ses quantitatives et des m\u00e9ta-analyses, la stabilit\u00e9 d’\u00e9chelle du R<\/em>\u00b2 offre une unit\u00e9 commune d’\u00e9valuation de la magnitude des effets. Les chercheurs peuvent agr\u00e9ger les fractions de variance expliqu\u00e9e issues de multiples laboratoires internationaux afin d’estimer avec pr\u00e9cision la consistance d’un paradigme th\u00e9orique donn\u00e9.<\/p>\n

\"\"<\/figure>\n

3.2 D\u00e9composition de la variance : somme des carr\u00e9s<\/h3>\n

L’assise conceptuelle fondamentale du R<\/em>-carr\u00e9 r\u00e9side dans le grand th\u00e9or\u00e8me de partitionnement de la variabilit\u00e9 au sein du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9. Toute la variabilit\u00e9 observ\u00e9e chez les sujets autour de la moyenne arithm\u00e9tique globale de la variable d\u00e9pendante peut \u00eatre d\u00e9compos\u00e9e en deux composantes mutuellement exclusives et parfaitement additives. Ce d\u00e9coupage repose sur la d\u00e9composition de la somme des carr\u00e9s totale (Sum of Squares Total<\/em> ou SST<\/em>) :<\/p>\n

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

Dans cette formulation axiomatique, la somme des carr\u00e9s totale (SST<\/em>) formalise la dispersion brute des observations individuelles par rapport \u00e0 la moyenne du groupe. La somme des carr\u00e9s de la r\u00e9gression (Sum of Squares Regression<\/em> ou SSR<\/em>, parfois appel\u00e9e somme des carr\u00e9s expliqu\u00e9e) quantifie la dispersion des valeurs pr\u00e9dites \u0176<\/em> par rapport \u00e0 cette m\u00eame moyenne globale. Enfin, la somme des carr\u00e9s des r\u00e9sidus ou de l’erreur (Sum of Squares Error<\/em> ou SSE<\/em>) repr\u00e9sente l’agglom\u00e9ration quadratique des \u00e9carts d’ajustement, c’est-\u00e0-dire les erreurs de pr\u00e9diction individuelles r\u00e9siduelles (Y<\/em> – \u0176<\/em>) que l’ensemble des pr\u00e9dicteurs s’est r\u00e9v\u00e9l\u00e9 incapable de capturer.<\/p>\n

\u00c0 partir de cette partition fondamentale, le coefficient de d\u00e9termination se formule rigoureusement comme le ratio exact de la somme des carr\u00e9s expliqu\u00e9e sur la somme des carr\u00e9s totale :<\/p>\n

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

Cette relation \u00e9tablit indubitablement le R<\/em>\u00b2 comme la proportion exacte de variance totale du crit\u00e8re imputable statistiquement \u00e0 l’action combin\u00e9e des variables ind\u00e9pendantes du mod\u00e8le. Sur le plan heuristique, ce ph\u00e9nom\u00e8ne est fr\u00e9quemment sch\u00e9matis\u00e9 \u00e0 l’aide de diagrammes de Venn ensemblistes. L’aire circulaire globale repr\u00e9sentant la dispersion totale de la variable crit\u00e8re est partiellement recouverte par les cercles figurant les pr\u00e9dicteurs. La surface de superposition consolid\u00e9e de ces pr\u00e9dicteurs sur le disque de la variable d\u00e9pendante correspond rigoureusement \u00e0 la proportion formul\u00e9e par le R<\/em>\u00b2.<\/p>\n

3.3 Interpr\u00e9tation contextuelle de la variance expliqu\u00e9e<\/h3>\n

La simplicit\u00e9 s\u00e9duisante de l’expression \u00ab pourcentage de variance expliqu\u00e9e \u00bb masque des enjeux \u00e9pist\u00e9mologiques cruciaux qu’il convient de d\u00e9limiter rigoureusement. Tout d’abord, une distinction conceptuelle nette doit \u00eatre maintenue entre la pr\u00e9diction individuelle concr\u00e8te et l’explication de la variance agr\u00e9g\u00e9e. Obtenir un R<\/em>\u00b2 de 0,36 au sein d’une cohorte clinique atteste qu’un peu plus d’un tiers de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 globale de la gravit\u00e9 symptomatique est align\u00e9 avec les variations des pr\u00e9dicteurs. Cela n’implique absolument pas que l’erreur de pr\u00e9diction clinique pour un patient pris individuellement sera r\u00e9duite de 36 % dans tous les contextes d’application.<\/p>\n

De surcro\u00eet, le terme \u00ab expliqu\u00e9 \u00bb doit \u00eatre appr\u00e9hend\u00e9 sous une acception strictement statistique et comptable, et non comme une validation de liens de causalit\u00e9 ontologique. Dans les devis de recherche non exp\u00e9rimentaux ou transversaux \u2014 qui pr\u00e9dominent largement en psychologie sociale et du d\u00e9veloppement \u2014, le R<\/em>\u00b2 enregistre une pure covariation empirique. Affirmer qu’un mod\u00e8le combinant le perfectionnisme parental et la pression acad\u00e9mique \u00ab explique \u00bb 28 % de la variance de l’\u00e9puisement scolaire ne conf\u00e8re aucune certitude sur la nature causale de cette dynamique. Des variables tierces non int\u00e9gr\u00e9es, une causalit\u00e9 inverse ou des r\u00e9troactions complexes peuvent \u00eatre \u00e0 l’origine de cette covariation partag\u00e9e.<\/p>\n

Enfin, l’interpr\u00e9tabilit\u00e9 du R<\/em>-carr\u00e9 se heurte \u00e0 des limites m\u00e9thodologiques s\u00e9v\u00e8res d\u00e8s lors que les hypoth\u00e8ses sous-jacentes de la r\u00e9gression lin\u00e9aire sont bafou\u00e9es. Si la distribution des r\u00e9sidus s’\u00e9loigne notablement de la normalit\u00e9 multivari\u00e9e, ou si l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 \u2014 l’in\u00e9galit\u00e9 de la variance de l’erreur \u00e0 travers les diff\u00e9rents niveaux des pr\u00e9dicteurs \u2014 corrompt les donn\u00e9es, le R<\/em>\u00b2 perd sa qualit\u00e9 d’estimateur neutre. L’\u00e9nergie statistique r\u00e9siduelle ne se distribue plus de mani\u00e8re homog\u00e8ne, rendant illusoire l’attribution d’un ratio constant de variance \u00e0 l’\u00e9chelle de l’espace d’\u00e9chantillonnage.<\/p>\n

4. Analyse comparative directe : R multiple versus R-carr\u00e9<\/h2>\n

4.1 Comparaison dimensionnelle et propri\u00e9t\u00e9s d’\u00e9chelle<\/h3>\n

La distinction technique entre le R<\/em> multiple et le R<\/em>-carr\u00e9 s’ancre dans une disparit\u00e9 dimensionnelle fondamentale qui induit des biais de jugement fr\u00e9quents chez les chercheurs. Le R<\/em> multiple se d\u00e9ploie sur une m\u00e9trique unidimensionnelle de corr\u00e9lation, r\u00e9gie par des variations lin\u00e9aires directes. En miroir, le R<\/em>-carr\u00e9 \u00e9volue sur une m\u00e9trique quadratique, bidimensionnelle, assimilable \u00e0 une aire de surface ou \u00e0 une fraction \u00e9nerg\u00e9tique.<\/p>\n

L’\u00e9l\u00e9vation au carr\u00e9 g\u00e9n\u00e8re un \u00e9crasement non lin\u00e9aire asym\u00e9trique particuli\u00e8rement prononc\u00e9 dans la moiti\u00e9 inf\u00e9rieure de la distribution des coefficients. Cette dynamique math\u00e9matique explique pourquoi l’esprit humain, intuitivement habitu\u00e9 aux relations de proportionnalit\u00e9 directe, a tendance \u00e0 surestimer massivement la port\u00e9e pratique d’un R<\/em> multiple moyen. Le tableau sous-jacent illustre sans \u00e9quivoque cette perte d’amplitude m\u00e9canique :<\/p>\n

Consid\u00e9rons un mod\u00e8le de r\u00e9gression affichant un R<\/em> multiple de 0,50. Un observateur non averti y verra souvent un mod\u00e8le d’une efficacit\u00e9 m\u00e9diane (atteignant 50 % d’une cible th\u00e9orique). Or, la conversion en variance partag\u00e9e (0,50 au carr\u00e9) r\u00e9v\u00e8le que ce mod\u00e8le n’explique en v\u00e9rit\u00e9 que 0,25, soit tr\u00e8s exactement 25 % de la variance totale du comportement \u00e9valu\u00e9. Les 75 % restants demeurent totalement assign\u00e9s \u00e0 la variance r\u00e9siduelle, aux facteurs non mesur\u00e9s et aux erreurs d’\u00e9chantillonnage. Pour atteindre le seuil o\u00f9 la moiti\u00e9 exacte de la variance comportementale est ma\u00eetris\u00e9e (R<\/em>\u00b2 = 0,50), le R<\/em> multiple doit s’\u00e9lever \u00e0 une valeur minimale de 0,707. Le seuil psychologique d’un R<\/em> \u00e0 0,30, fr\u00e9quent dans les \u00e9tudes exploratoires, n’\u00e9lucide quant \u00e0 lui que 9 % de la variance d’un trouble ou d’une performance.<\/p>\n

\"Multiple
Multiple R vs. R-Squared<\/figcaption><\/figure>\n

4.2 Utilisations respectives selon les objectifs scientifiques<\/h3>\n

Le choix de privil\u00e9gier le R<\/em> multiple ou le R<\/em>-carr\u00e9 dans les \u00e9crits acad\u00e9miques d\u00e9coule directement des finalit\u00e9s \u00e9pist\u00e9miques et techniques assign\u00e9es \u00e0 la recherche. Le recours au R<\/em> multiple se r\u00e9v\u00e8le particuli\u00e8rement pertinent d\u00e8s lors que l’analyste se focalise sur l’efficacit\u00e9 pr\u00e9dictive d’un score composite op\u00e9rationnel. Dans les domaines du diagnostic neuropsychologique, de l’orientation scolaire ou du recrutement organisationnel, l’enjeu clinique consiste \u00e0 \u00e9valuer avec quelle pr\u00e9cision un agencement pond\u00e9r\u00e9 de tests s’aligne avec le comportement futur observable. Le R<\/em> multiple, en tant que corr\u00e9lation directe entre la projection algorithmique et la r\u00e9alit\u00e9 de terrain, renseigne sur l’exactitude de cet ordonnancement individuel.<\/p>\n

\u00c0 l’oppos\u00e9, lorsque l’investigation s’inscrit dans un paradigme explicatif, de validation th\u00e9orique ou de comparaison de mod\u00e8les concurrents, le R<\/em>-carr\u00e9 s’impose sans rival. C’est le R<\/em>\u00b2 qui permet de d\u00e9terminer quelle proportion de la variabilit\u00e9 humaine un mod\u00e8le th\u00e9orique donn\u00e9 parvient \u00e0 structurer par rapport \u00e0 une formalisation alternative. Lors de l’utilisation de protocoles de r\u00e9gression hi\u00e9rarchique, c’est l’accroissement sp\u00e9cifique du R<\/em>-carr\u00e9 (not\u00e9 Delta R<\/em>\u00b2) qui sert de juge de paix m\u00e9thodologique pour attester qu’une nouvelle th\u00e9orie apporte un gain explicatif substantiel au-del\u00e0 des facteurs d\u00e9j\u00e0 \u00e9tablis dans la litt\u00e9rature.<\/p>\n

Ce partitionnement est \u00e9galement indispensable pour l’appr\u00e9ciation globale des tailles d’effet. L\u00e0 o\u00f9 le R<\/em> multiple conserve une connotation descriptive d’association, le R<\/em>-carr\u00e9 autorise une d\u00e9composition fine des parts d’influence relatives des diff\u00e9rents blocs de variables, mat\u00e9rialisant la part d’inconnu qui r\u00e9siste encore aux hypoth\u00e8ses scientifiques pos\u00e9es.<\/p>\n

4.3 Tableau comparatif exhaustif des caract\u00e9ristiques statistiques<\/h3>\n

Pour ancrer de mani\u00e8re synth\u00e9tique et didactique les divergences th\u00e9oriques, alg\u00e9briques et op\u00e9rationnelles qui caract\u00e9risent ces deux indices, le tableau analytique ci-dessous structure les param\u00e8tres fondamentaux r\u00e9gissant leur comportement respectif au sein des architectures de r\u00e9gression :<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Crit\u00e8res d’analyse<\/th>\nCoefficient de corr\u00e9lation multiple (R<\/em>)<\/th>\nCoefficient de d\u00e9termination (R<\/em>-carr\u00e9 \/ R<\/em>\u00b2)<\/th>\n<\/tr>\n<\/thead>\n
Nature math\u00e9matique<\/strong><\/td>\nIndice lin\u00e9aire de corr\u00e9lation bivari\u00e9e entre Y<\/em> et \u0176<\/em><\/td>\nRatio de variance proportionnelle (forme quadratique)<\/td>\n<\/tr>\n
Bornes de variation<\/strong><\/td>\nStrictement fix\u00e9 entre 0,00 et +1,00<\/td>\nStrictement fix\u00e9 entre 0,00 et +1,00<\/td>\n<\/tr>\n
Sensibilit\u00e9 de signe<\/strong><\/td>\nToujours positif par construction moindres carr\u00e9s<\/td>\nToujours positif par \u00e9l\u00e9vation au carr\u00e9<\/td>\n<\/tr>\n
Formulation matricielle<\/strong><\/td>\n(r<\/strong>‘yx<\/sub> \u00d7 R<\/strong>xx<\/sub>-1<\/sup> \u00d7 r<\/strong>yx<\/sub>)1\/2<\/sup><\/td>\nr<\/strong>‘yx<\/sub> \u00d7 R<\/strong>xx<\/sub>-1<\/sup> \u00d7 r<\/strong>yx<\/sub> ou SSR<\/em> \/ SST<\/em><\/td>\n<\/tr>\n
Sensibilit\u00e9 aux pr\u00e9dicteurs non corr\u00e9l\u00e9s<\/strong><\/td>\nAugmente asymptotiquement par captation du bruit<\/td>\nAugmente syst\u00e9matiquement avec l’ajout de variables<\/td>\n<\/tr>\n
Transformations lin\u00e9aires des X<\/em><\/strong><\/td>\nInvariant face aux changements d’\u00e9chelle lin\u00e9aires<\/td>\nInvariant face aux changements d’\u00e9chelle lin\u00e9aires<\/td>\n<\/tr>\n
Interpr\u00e9tation principale<\/strong><\/td>\nValidit\u00e9 crit\u00e8re et pr\u00e9cision d’alignement pr\u00e9dictif<\/td>\nProportion de variance du crit\u00e8re expliqu\u00e9e par le mod\u00e8le<\/td>\n<\/tr>\n
Utilisation en m\u00e9ta-analyse<\/strong><\/td>\nRequiert la transformation en z<\/em> de Fisher<\/td>\nComparaison et agr\u00e9gation proportionnelle directe<\/td>\n<\/tr>\n
Statut face \u00e0 l’\u00e9chantillonnage<\/strong><\/td>\nEstimateur biais\u00e9 positivement de la population<\/td>\nEstimateur biais\u00e9 vers le haut (surestimation syst\u00e9matique)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

5. Interpr\u00e9tation des grandeurs d’effet en recherche psychologique et comportementale<\/h2>\n

5.1 Les rep\u00e8res conventionnels de Jacob Cohen<\/h3>\n

L’\u00e9valuation quantitative des r\u00e9sultats en psychologie a \u00e9t\u00e9 profond\u00e9ment fa\u00e7onn\u00e9e par les contributions pionni\u00e8res du statisticien et psychologue Jacob Cohen<\/a>. Dans ses travaux fondateurs sur l’analyse de puissance statistique pour les sciences du comportement (notamment l’ouvrage de r\u00e9f\u00e9rence publi\u00e9 en 1988), Cohen s’est efforc\u00e9 de fournir des rep\u00e8res op\u00e9rationnels aux chercheurs d\u00e9sireux de traduire des coefficients statistiques en grandeurs d’effet concr\u00e8tes. Pour le coefficient de d\u00e9termination R<\/em>\u00b2, Cohen a formalis\u00e9 trois seuils heuristiques demeur\u00e9s c\u00e9l\u00e8bres : un effet est qualifi\u00e9 de faible \u00e0 partir d’un R<\/em>\u00b2 de 0,02 (soit 2 % de variance expliqu\u00e9e), de moyen \u00e0 0,13 (13 % de variance expliqu\u00e9e) et de fort lorsqu’il atteint ou d\u00e9passe 0,26 (26 % de variance expliqu\u00e9e).<\/p>\n

Ces jalons num\u00e9riques se traduisent directement en termes de R<\/em> multiple. Un R<\/em>\u00b2 de 0,02 \u00e9quivaut \u00e0 un R<\/em> multiple d’environ 0,14 ; un R<\/em>\u00b2 de 0,13 renvoie \u00e0 un R<\/em> de 0,36 ; et un R<\/em>\u00b2 de 0,26 correspond \u00e0 une corr\u00e9lation globale de 0,51. De surcro\u00eet, Cohen a d\u00e9riv\u00e9 du R<\/em>-carr\u00e9 une m\u00e9trique d’effet indispensable pour les calculs de puissance statistique a priori<\/em> ou post hoc<\/em> : l’indice f<\/em>-carr\u00e9 (f<\/em>\u00b2). Formellement d\u00e9fini par le rapport R<\/em>\u00b2 \/ (1 – R<\/em>\u00b2), cet indice quantifie le rapport de la variance expliqu\u00e9e sur la variance non expliqu\u00e9e. Les seuils de Cohen pour f<\/em>\u00b2 sont fix\u00e9s conventionnellement \u00e0 0,02 (effet minime), 0,15 (effet interm\u00e9diaire) et 0,35 (effet large).<\/p>\n

Cependant, la communaut\u00e9 m\u00e9thodologique contemporaine formule des critiques de plus en plus acerbes contre l’application aveugle et dogmatique de ces rep\u00e8res conventionnels. D\u00e9contextualis\u00e9es des contraintes propres \u00e0 un champ de recherche sp\u00e9cifique, ces grilles de lecture fig\u00e9es occultent le fait que l’ampleur d’un effet statistique d\u00e9pend intrins\u00e8quement de la nature des ph\u00e9nom\u00e8nes analys\u00e9s, de leur niveau de distalit\u00e9 causale et des conditions de mesure sur le terrain.<\/p>\n

5.2 Sp\u00e9cificit\u00e9s des variables psychologiques latentes<\/h3>\n

Les sciences psychologiques se heurtent \u00e0 une contrainte m\u00e9trologique majeure que ne connaissent pas les sciences physiques fondamentales : l’in\u00e9vitabilit\u00e9 de l’erreur de mesure al\u00e9atoire et syst\u00e9matique au sein des instruments psychom\u00e9triques. Tout score observ\u00e9 X<\/em> est la sommation d’un score vrai V<\/em> et d’une composante d’erreur stochastique E<\/em>, conform\u00e9ment aux pr\u00e9ceptes de la th\u00e9orie classique des tests. Cette imperm\u00e9abilit\u00e9 des outils aux construits purs induit un ph\u00e9nom\u00e8ne d’att\u00e9nuation artificielle des coefficients de r\u00e9gression et, par corollaire direct, des valeurs de R<\/em> multiple et de R<\/em>\u00b2.<\/p>\n

L’impact de la fid\u00e9lit\u00e9 des instruments (souvent estim\u00e9e par l’alpha de Cronbach ou le coefficient om\u00e9ga de McDonald) sur les coefficients est impitoyable : la corr\u00e9lation observable maximale entre deux variables est born\u00e9e sup\u00e9rieurement par la racine carr\u00e9e du produit de leurs fid\u00e9lit\u00e9s respectives. Si un questionnaire d’impulsivit\u00e9 poss\u00e8de une fid\u00e9lit\u00e9 de 0,70 et qu’un crit\u00e8re comportemental d’agressivit\u00e9 affiche une fid\u00e9lit\u00e9 de 0,60, le plafond th\u00e9orique de la corr\u00e9lation bivari\u00e9e ne peut exc\u00e9der la racine de 0,42, soit 0,648, m\u00eame dans l’hypoth\u00e8se o\u00f9 les traits latents sous-jacents seraient rigoureusement isomorphes (corr\u00e9lation unitaire). Ce plafond structurel bride m\u00e9caniquement les valeurs de R<\/em>\u00b2 observ\u00e9es, les maintenant souvent \u00e0 des niveaux jug\u00e9s modestes au regard des crit\u00e8res de Cohen.<\/p>\n

Pour cette raison, l’application d’une formule de correction pour att\u00e9nuation s’av\u00e8re parfois requise dans les cadres m\u00e9tath\u00e9oriques ou lors de l’usage de la mod\u00e9lisation par \u00e9quations structurelles (SEM). En s\u00e9parant l’erreur de mesure de la variance du construit latent, les mod\u00e8les en variables latentes permettent d’estimer un R<\/em> multiple d\u00e9satt\u00e9nu\u00e9, refl\u00e9tant la puissance explicative intrins\u00e8que des construits ind\u00e9pendamment des imperfections instrumentales.<\/p>\n

Il en r\u00e9sulte qu’un R<\/em>\u00b2 semblant modeste (compris par exemple entre 0,05 et 0,10) peut rev\u00eatir une port\u00e9e th\u00e9orique majeure et une signification clinique d\u00e9terminante, d\u00e8s lors qu’il implique des variables complexes, multifactorielles et grev\u00e9es de bruit m\u00e9trologique.<\/p>\n

5.3 Contextualisation \u00e9cologique des r\u00e9sultats empiriques<\/h3>\n

L’\u00e9valuation de la pertinence pratique d’un R<\/em>-carr\u00e9 ne doit jamais s’op\u00e9rer dans le vide m\u00e9thodologique, mais s’inscrire dans une perspective d’\u00e9cologie scientifique compar\u00e9e. Un mod\u00e8le de laboratoire ultra-contr\u00f4l\u00e9 mesurant des r\u00e9actions cognitives \u00e9l\u00e9mentaires peut exiger un R<\/em>\u00b2 \u00e9lev\u00e9 (par exemple 0,40 ou plus) pour \u00eatre jug\u00e9 informatif, car l’environnement exp\u00e9rimental neutralise d\u00e9lib\u00e9r\u00e9ment les interf\u00e9rences externes. \u00c0 l’inverse, dans les \u00e9tudes longitudinales ou les protocoles \u00e9pid\u00e9miologiques men\u00e9s en milieu naturel sur de tr\u00e8s larges cohortes, pr\u00e9dire ne serait-ce que 4 % de la variance (R<\/em>\u00b2 = 0,04 ; R<\/em> = 0,20) de comportements tels que la d\u00e9linquance juv\u00e9nile, le suicide ou la r\u00e9cidive addictologique constitue un accomplissement de premier ordre pour l’action publique et la pr\u00e9vention clinique.<\/p>\n

Le design temporel de l’\u00e9tude module \u00e9galement de fa\u00e7on drastique l’amplitude attendue de ces coefficients. Les designs transversaux pr\u00e9sentent r\u00e9guli\u00e8rement une inflation artificielle de la variance expliqu\u00e9e imputable au biais de m\u00e9thode commune (common method variance<\/em>), notamment lorsque toutes les donn\u00e9es proviennent d’auto-questionnaires remplis simultan\u00e9ment par les m\u00eames r\u00e9pondants. En revanche, dans un sch\u00e9ma prospectif s’\u00e9tendant sur plusieurs ann\u00e9es, les d\u00e9calages temporels \u00e9rodent in\u00e9vitablement les corr\u00e9lations brutes, rendant tout R<\/em>\u00b2 r\u00e9siduel significatif particuli\u00e8rement robuste d’un point de vue heuristique.<\/p>\n

Pour les praticiens prenant des d\u00e9cisions d’orientation th\u00e9rapeutique ou \u00e9ducative, la valeur d’un coefficient s’\u00e9value \u00e0 l’aune du rapport co\u00fbt-b\u00e9n\u00e9fice. Si un mod\u00e8le exploitant trois indicateurs simples et peu co\u00fbteux permet d’expliquer 8 % de la variance d’un \u00e9chec th\u00e9rapeutique futur, ce r\u00e9sultat autorise un ciblage pr\u00e9coce susceptible d’\u00e9viter des d\u00e9tresses humaines et d’optimiser l’allocation de ressources m\u00e9dico-sociales, d\u00e9montrant qu’une statistique modeste peut porter en elle une utilit\u00e9 sociale immense.<\/p>\n

6. Le probl\u00e8me de l’inflation m\u00e9canique du R-carr\u00e9 lors de l’ajout de pr\u00e9dicteurs<\/h2>\n

6.1 D\u00e9monstration du ph\u00e9nom\u00e8ne d’inflation artificielle<\/h3>\n

L’une des vuln\u00e9rabilit\u00e9s math\u00e9matiques les plus insidieuses du coefficient de d\u00e9termination ordinaire (R<\/em>\u00b2) r\u00e9side dans sa relation unilat\u00e9rale face \u00e0 l’adjonction de variables au sein de l’\u00e9quation de r\u00e9gression. Il est une loi alg\u00e9brique immuable de l’estimation par moindres carr\u00e9s : l’introduction d’un nouveau pr\u00e9dicteur dans un mod\u00e8le existant ne peut en aucun cas<\/strong> faire baisser la valeur du R<\/em>-carr\u00e9. La valeur de R<\/em>\u00b2 soit augmentera, soit, dans le sc\u00e9nario le plus improbable o\u00f9 le nouveau pr\u00e9dicteur est rigoureusement orthogonal au crit\u00e8re et \u00e0 toutes les variables d\u00e9j\u00e0 pr\u00e9sentes, demeurera strictement stationnaire.<\/p>\n

Cette propri\u00e9t\u00e9 d\u00e9coule directement de la m\u00e9thode math\u00e9matique de minimisation de la somme des carr\u00e9s des erreurs (SSE<\/em>). Lorsqu’une variable suppl\u00e9mentaire est ins\u00e9r\u00e9e, l’algorithme dispose d’un degr\u00e9 de libert\u00e9 additionnel pour ajuster les pond\u00e9rations. M\u00eame si la variable ajout\u00e9e n’entretient absolument aucun lien th\u00e9orique ou biologique avec la variable d\u00e9pendante \u2014 s’il s’agit, par exemple, d’une suite de chiffres al\u00e9atoires g\u00e9n\u00e9r\u00e9e par un algorithme stochastique \u2014, cette variable pr\u00e9sentera presque toujours, par pure fluctuation d’\u00e9chantillonnage, une corr\u00e9lation non rigoureusement nulle (par exemple, r<\/em> = 0,06) avec le crit\u00e8re dans l’\u00e9chantillon analys\u00e9. Le mod\u00e8le lin\u00e9aire capitalise imm\u00e9diatement sur ce bruit stochastique pour minimiser la SSE<\/em> et accro\u00eetre la SSR<\/em>.<\/p>\n

Ce ph\u00e9nom\u00e8ne porte le nom de capitalisation sur le hasard (capitalization on chance<\/em>). Plus le nombre de pr\u00e9dicteurs k<\/em> s’accro\u00eet et s’approche de la taille de l’\u00e9chantillon n<\/em>, plus le R<\/em>\u00b2 conventionnel grimpe artificiellement. Dans la situation limite absolue o\u00f9 le nombre de param\u00e8tres estim\u00e9s est \u00e9gal au nombre d’observations moins un (k<\/em> = n<\/em> – 1), le R<\/em>-carr\u00e9 atteindra math\u00e9matiquement la valeur parfaite de 1,00 (100 % de variance expliqu\u00e9e), quand bien m\u00eame les variables ne contiendraient que du bruit al\u00e9atoire pur. Cette inflation structurelle conduit tout droit \u00e0 l’\u00e9cueil majeur de la mod\u00e9lisation statistique : le surapprentissage (ou overfitting<\/em>).<\/p>\n

6.2 Cons\u00e9quences d\u00e9l\u00e9t\u00e8res pour la reproductibilit\u00e9 en psychologie<\/h3>\n

Le surapprentissage provoqu\u00e9 par l’inflation m\u00e9canique du R<\/em>\u00b2 constitue l’un des moteurs silencieux de la crise de la reproductibilit\u00e9 qui secoue la psychologie et les neurosciences cognitives depuis le d\u00e9but des ann\u00e9es 2010. Lorsqu’un mod\u00e8le ajuste ses coefficients aux singularit\u00e9s stochastiques d’un jeu de donn\u00e9es particulier, il perd toute capacit\u00e9 de g\u00e9n\u00e9ralisation \u00e0 d’autres cohortes issues de la m\u00eame population parente. L’\u00e9quation devient une description hyper-sp\u00e9cifique du bruit de l’\u00e9chantillon initial, plut\u00f4t qu’une mod\u00e9lisation de la v\u00e9ritable dynamique comportementale sous-jacente.<\/p>\n

Cette faiblesse m\u00e9thodologique favorise l’essor de pratiques de recherche contestables (connues sous l’acronyme de QRPs<\/em> pour Questionable Research Practices<\/em>), au premier rang desquelles figure le p-hacking<\/em> ou l’extraction opportuniste de donn\u00e9es (data dredging<\/em>). Des chercheurs peu scrupuleux ou insuffisamment form\u00e9s peuvent \u00eatre tent\u00e9s d’int\u00e9grer une multitude de covariables secondaires au gr\u00e9 de r\u00e9gressions successives dans l’unique but de gonfler le R<\/em>\u00b2 global ou de forcer un seuil d’ad\u00e9quation pr\u00e9dictive, publiant ensuite des mod\u00e8les artificiellement flatteurs mais intrins\u00e8quement caducs.<\/p>\n

Ce faisant, ce r\u00e9ductionnisme m\u00e9thodologique viole frontalement le principe cardinal de parcimonie \u00e9pist\u00e9mologique, connu sous le nom de rasoir d’Ockham : entre deux mod\u00e8les offrant des descriptions comparables d’une r\u00e9alit\u00e9, le plus sobre doit toujours \u00eatre pr\u00e9f\u00e9r\u00e9. Un mod\u00e8le mobilisant vingt pr\u00e9dicteurs pour afficher un R<\/em>\u00b2 de 0,35 est scientifiquement et th\u00e9oriquement inf\u00e9rieur \u00e0 un mod\u00e8le n’en convoquant que deux pour atteindre un R<\/em>\u00b2 de 0,30. Le premier dissimule son inanit\u00e9 derri\u00e8re une inflation stochastique, tandis que le second d\u00e9gage des r\u00e9gularit\u00e9s universelles potentiellement exploitables dans la recherche appliqu\u00e9e.<\/p>\n

7. La solution du R-carr\u00e9 ajust\u00e9 : mod\u00e9lisation et p\u00e9nalisation math\u00e9matique<\/h2>\n

7.1 Formulation th\u00e9orique du R-carr\u00e9 ajust\u00e9<\/h3>\n

Pour neutraliser l’optimisme trompeur du R<\/em>-carr\u00e9 conventionnel et endiguer la capitalisation sur le hasard, les statisticiens \u2014 sous l’impulsion originelle de Robert Wherry et Henri Theil \u2014 ont \u00e9labor\u00e9 une version corrig\u00e9e de l’indice, universellement d\u00e9sign\u00e9e sous le nom de R<\/em>-carr\u00e9 ajust\u00e9 (not\u00e9 R\u0304<\/em>\u00b2 ou Adj. R<\/em>\u00b2). L’objectif explicite de cette m\u00e9trique est de fournir un estimateur non biais\u00e9 de la variance expliqu\u00e9e par le mod\u00e8le dans la population<\/strong> parente, et non plus simplement au sein de l’\u00e9chantillon empirique particulier soumis \u00e0 l’analyse.<\/p>\n

La formulation alg\u00e9brique canonique du R<\/em>-carr\u00e9 ajust\u00e9 op\u00e8re un r\u00e9ajustement proportionnel bas\u00e9 sur la r\u00e9partition des degr\u00e9s de libert\u00e9 du syst\u00e8me :<\/p>\n

R\u0304<\/em>\u00b2 = 1 – [(1 – R<\/em>\u00b2) \u00d7 (n<\/em> – 1) \/ (n<\/em> – k<\/em> – 1)]<\/p>\n

Dans cette \u00e9quation structurelle, n<\/em> repr\u00e9sente la taille globale de l’\u00e9chantillon d’observations (le nombre total de participants inclus dans la mod\u00e9lisation), tandis que k<\/em> d\u00e9signe le nombre de variables pr\u00e9dictrices introduites dans le syst\u00e8me de r\u00e9gression. Le ratio (n<\/em> – 1) \/ (n<\/em> – k<\/em> – 1) joue le r\u00f4le exact d’un multiplicateur de p\u00e9nalit\u00e9. Les degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 la variance r\u00e9siduelle (n<\/em> – k<\/em> – 1) diminuent \u00e0 mesure que l’on introduit des pr\u00e9dicteurs suppl\u00e9mentaires, ce qui augmente le coefficient multiplicateur appliqu\u00e9 au r\u00e9sidu non expliqu\u00e9 (1 – R<\/em>\u00b2).<\/p>\n

Sur le plan computationnel, cette formulation revient \u00e0 substituer le ratio de la moyenne des carr\u00e9s de l’erreur (Mean Square Error<\/em> ou MSE<\/em>) sur la moyenne des carr\u00e9s totaux (Mean Square Total<\/em> ou MST<\/em>) au simple ratio de sommes de carr\u00e9s non pond\u00e9r\u00e9es par leurs degr\u00e9s de libert\u00e9. Comme la MSE<\/em> et la MST<\/em> sont des estimateurs sans biais des variances r\u00e9siduelles et totales de la population, le R<\/em>\u00b2 ajust\u00e9 op\u00e8re une correction probabiliste de la d\u00e9viation stochastique induite par la taille du jeu de donn\u00e9es.<\/p>\n

7.2 Comportement dynamique selon le rapport pr\u00e9dicteurs\/participants<\/h3>\n

L’introduction de ce terme p\u00e9nalisateur modifie radicalement la dynamique du coefficient lors des modifications de l’architecture du mod\u00e8le. Contrairement au R<\/em>\u00b2 classique, le R<\/em>\u00b2 ajust\u00e9 ne garantit nullement une augmentation monotone lors de l’adjonction de variables. En r\u00e9alit\u00e9, une condition arithm\u00e9tique pr\u00e9cise r\u00e9git son \u00e9volution : le R<\/em>-carr\u00e9 ajust\u00e9 n’augmentera lors de l’insertion d’un nouveau pr\u00e9dicteur que si et seulement si<\/strong> la valeur absolue de la statistique t<\/em> de Student associ\u00e9e au coefficient de r\u00e9gression de cette nouvelle variable (ou la valeur de la statistique F<\/em> de son apport incr\u00e9mental) est strictement sup\u00e9rieure \u00e0 1,00. Si l’apport informatif du pr\u00e9dicteur est marginal et g\u00e9n\u00e8re une statistique F<\/em> inf\u00e9rieure \u00e0 l’unit\u00e9, le R<\/em>\u00b2 ajust\u00e9 diminuera<\/strong>, p\u00e9nalisant imm\u00e9diatement le mod\u00e8le pour son manque de parcimonie.<\/p>\n

Ce m\u00e9canisme engendre une propri\u00e9t\u00e9 surprenante et m\u00e9connue de nombreux chercheurs : le R<\/em>\u00b2 ajust\u00e9 peut th\u00e9oriquement prendre des valeurs n\u00e9gatives<\/strong>. Si un mod\u00e8le de r\u00e9gression incorpore un ensemble de pr\u00e9dicteurs dont l’association globale avec la variable d\u00e9pendante est quasi inexistante (R<\/em>\u00b2 empirique proche de z\u00e9ro) et que le rapport entre le nombre de pr\u00e9dicteurs k<\/em> et l’effectif n<\/em> est d\u00e9s\u00e9quilibr\u00e9, la fraction p\u00e9nalisatrice exc\u00e8de la valeur 1,00, projetant le r\u00e9sultat final dans le domaine n\u00e9gatif. Sur le plan de l’interpr\u00e9tation clinique ou scientifique, un R<\/em>\u00b2 ajust\u00e9 n\u00e9gatif ne signifie aucunement une \u00ab variance invers\u00e9e \u00bb ; il doit \u00eatre interpr\u00e9t\u00e9 sans d\u00e9tour comme l’indicateur d’un mod\u00e8le d’ajustement structurellement nul, incapable d’extraire le moindre signal hors du bruit statistique ambiant, sugg\u00e9rant que la moyenne arithm\u00e9tique brute constitue un estimateur sup\u00e9rieur au mod\u00e8le test\u00e9.<\/p>\n

Cette sensibilit\u00e9 dynamique s’exprime avec une acuit\u00e9 particuli\u00e8re dans les protocoles neuropsychologiques ou psychiatriques impliquant des cohortes restreintes (par exemple, des \u00e9tudes cliniques pionni\u00e8res sur l’imagerie c\u00e9r\u00e9brale portant sur 20 \u00e0 30 patients). Dans ces contextes o\u00f9 n<\/em> est faible, chaque pr\u00e9dicteur suppl\u00e9mentaire induit une amputation substantielle des degr\u00e9s de libert\u00e9 r\u00e9siduels, d\u00e9clenchant une chute drastique du R<\/em>\u00b2 ajust\u00e9 si la variable n’apporte pas un saut qualitatif majeur \u00e0 la mod\u00e9lisation.<\/p>\n

7.3 Distinction formelle : R multiple, R\u00b2 conventionnel et R\u00b2 ajust\u00e9<\/h3>\n

La distinction entre ces trois m\u00e9triques forme le socle sur lequel doit s’\u00e9difier toute s\u00e9lection raisonn\u00e9e de mod\u00e8les en sciences empiriques. Le R<\/em> multiple formalise la liaison lin\u00e9aire empirique maximale instantan\u00e9e observ\u00e9e sur l’\u00e9chantillon de travail. Le R<\/em>\u00b2 conventionnel quantifie l’\u00e9nergie comptable brute capt\u00e9e dans ce m\u00eame \u00e9chantillon. Le R<\/em>\u00b2 ajust\u00e9, quant \u00e0 lui, estime la capacit\u00e9 pr\u00e9dictive reproductible dans la population m\u00e8re dont cet \u00e9chantillon n’est qu’une \u00e9manation temporelle.<\/p>\n

Bien que le R<\/em>\u00b2 ajust\u00e9 surpasse largement le R<\/em>\u00b2 ordinaire pour arbitrer la pertinence de l’ajout de pr\u00e9dicteurs, il n’\u00e9chappe pas \u00e0 certaines limitations inh\u00e9rentes aux m\u00e9thodes d’estimation lin\u00e9aire. Le R<\/em>\u00b2 ajust\u00e9 n’est pas un estimateur strictement sans biais du param\u00e8tre th\u00e9orique sous-jacent (le R<\/em>\u00b2 de population, not\u00e9 rho-carr\u00e9), m\u00eame s’il att\u00e9nue consid\u00e9rablement la surestimation. De surcro\u00eet, il n’int\u00e8gre pas de p\u00e9nalisation logarithmique aussi agressive que les crit\u00e8res issus de la th\u00e9orie de l’information contemporaine.<\/p>\n

C’est pourquoi la statistique moderne associe fr\u00e9quemment le R<\/em>\u00b2 ajust\u00e9 \u00e0 des crit\u00e8res de s\u00e9lection alternatifs tels que le crit\u00e8re d’information d’Akaike (Akaike Information Criterion<\/em> ou AIC<\/em>) et le crit\u00e8re d’information bay\u00e9sien (Bayesian Information Criterion<\/em> ou BIC<\/em>). Ces derniers int\u00e8grent des p\u00e9nalit\u00e9s asym\u00e9triques pour chaque param\u00e8tre additionnel, \u00e9valuant la perte d’information relative d’un mod\u00e8le avec une s\u00e9v\u00e9rit\u00e9 accrue lors des analyses men\u00e9es sur de vastes ensembles de donn\u00e9es.<\/p>\n

8. Applications pratiques dans les logiciels d’analyse statistique (SPSS, R, Jamovi)<\/h2>\n

8.1 Extraction et lecture des tableaux de sortie sous SPSS<\/h3>\n

Dans l’environnement SPSS, l’ex\u00e9cution d’une proc\u00e9dure de r\u00e9gression lin\u00e9aire multiple via le menu Analyser > R\u00e9gression > Lin\u00e9aire<\/code> g\u00e9n\u00e8re une s\u00e9rie de blocs tabulaires dont l’un des plus importants s’intitule conventionnellement \u00ab R\u00e9capitulatif des mod\u00e8les \u00bb (Model Summary<\/em>). Ce tableau se compose d’une ligne r\u00e9capitulative structur\u00e9e en colonnes standardis\u00e9es : la colonne \u00ab R<\/em> \u00bb pr\u00e9sente le coefficient de corr\u00e9lation multiple, suivie de la colonne \u00ab R-deux<\/em> \u00bb (R Square<\/em>), puis de la colonne \u00ab R-deux ajust\u00e9<\/em> \u00bb (Adjusted R Square<\/em>) et enfin de \u00ab Erreur standard de l’estimation<\/em> \u00bb.<\/p>\n

La lecture analytique de ce tableau requiert une interpr\u00e9tation s\u00e9quentielle et rigoureuse. L’analyste doit d’abord porter son regard sur l’\u00e9cart arithm\u00e9tique s\u00e9parant le R-deux<\/em> et le R-deux ajust\u00e9<\/em>. Un diff\u00e9rentiel restreint (par exemple un R<\/em>\u00b2 de 0,38 face \u00e0 un R<\/em>\u00b2 ajust\u00e9 de 0,36) atteste que l’\u00e9chantillon est d’une taille suffisante au regard du nombre de pr\u00e9dicteurs inclus, validant la robustesse du mod\u00e8le face au risque de surapprentissage. \u00c0 l’inverse, un foss\u00e9 b\u00e9ant (par exemple un R<\/em>\u00b2 de 0,42 chutant \u00e0 un R<\/em>\u00b2 ajust\u00e9 de 0,18) constitue un signal d’alarme imm\u00e9diat, r\u00e9v\u00e9lant un mod\u00e8le artificiellement surcharg\u00e9 d’informations redondantes ou appliqu\u00e9 \u00e0 une cohorte trop restreinte.<\/p>\n

Lorsque le chercheur utilise l’approche par blocs hi\u00e9rarchiques (m\u00e9thode de r\u00e9gression pas-\u00e0-pas ou r\u00e9gression hi\u00e9rarchique th\u00e9orique), SPSS int\u00e8gre une section compl\u00e9mentaire intitul\u00e9e \u00ab Statistiques de changement \u00bb. Cette zone affiche le changement de R-deux<\/em> (R Square Change<\/em>), qui mesure la contribution unique apport\u00e9e par le nouveau bloc de pr\u00e9dicteurs, assorti de la statistique de test F<\/em> de changement (F Change<\/em>) et de sa significativit\u00e9 stochastique (Sig. F Change<\/em>). Cette lecture crois\u00e9e permet d’authentifier si l’\u00e9l\u00e9vation du R<\/em> multiple et du R<\/em>-carr\u00e9 traduit un gain th\u00e9orique substantiel ou un simple artefact num\u00e9rique.<\/p>\n

8.2 Impl\u00e9mentation et extraction sous R syntaxique<\/h3>\n

Dans l’environnement de programmation statistique R, l’approche syntaxique offre une flexibilit\u00e9 conceptuelle in\u00e9gal\u00e9e pour d\u00e9composer et extraire ces m\u00e9triques. L’ajustement d’un mod\u00e8le lin\u00e9aire repose classiquement sur l’op\u00e9rateur fondamental lm()<\/code>. L’appel de la fonction g\u00e9n\u00e9rique summary()<\/code> sur l’objet de r\u00e9gression r\u00e9sultant compile l’ensemble des indices d’ad\u00e9quation dans les lignes finales de la sortie console, sous les termes Multiple R-squared<\/code> et Adjusted R-squared<\/code>.<\/p>\n

Il est r\u00e9v\u00e9lateur de constater que l’objet summary.lm<\/code> sous R n’affiche pas explicitement le R<\/em> multiple de base. Ce choix n’est pas anodin : les concepteurs du langage ont d\u00e9lib\u00e9r\u00e9ment privil\u00e9gi\u00e9 l’indicateur d’\u00e9nergie de variance (R<\/em>\u00b2) sur l’indicateur d’association brute (R<\/em>). N\u00e9anmoins, pour le praticien d\u00e9sireux d’extraire la valeur du R<\/em> multiple, la syntaxe R permet une d\u00e9rivation directe :<\/p>\n

modele <- lm(Y ~ X1 + X2 + X3, data = donnees)<\/code>
\nres <- summary(modele)<\/code>
\nr_multiple <- sqrt(res$r.squared)<\/code>
\nr_carre <- res$r.squared<\/code>
\nr_carre_ajuste <- res$adj.r.squared<\/code><\/p>\n

Pour approfondir les analyses psychom\u00e9triques, les chercheurs mobilisent r\u00e9guli\u00e8rement des \u00e9cosyst\u00e8mes de packages sp\u00e9cialis\u00e9s. Le package psych<\/code>, d\u00e9velopp\u00e9 par William Revelle, offre des fonctions d\u00e9di\u00e9es au calcul de la matrice de corr\u00e9lations corrig\u00e9es et au partitionnement hi\u00e9rarchique. Le package car<\/code> (Companion to Applied Regression<\/em>) fournit des tests diagnostiques indispensables pour traquer l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 ou la colin\u00e9arit\u00e9, tandis que le package moderne performance<\/code> permet d’extraire, via la fonction model_performance()<\/code>, l’int\u00e9gralit\u00e9 des m\u00e9triques d’ajustement (R<\/em>\u00b2, R<\/em>\u00b2 ajust\u00e9, AIC<\/em>, BIC<\/em>, RMSE<\/em>) au sein d’un tableau d’une clart\u00e9 optimale.<\/p>\n

8.3 V\u00e9rification sous Jamovi et JASP pour les sciences du comportement<\/h3>\n

Con\u00e7us sp\u00e9cifiquement pour allier la rigueur calculatoire du moteur R sous-jacent \u00e0 l’intuitivit\u00e9 d’une interface graphique moderne, les logiciels Jamovi et JASP sont devenus incontournables dans l’enseignement et la recherche en psychologie internationale. L’analyse de r\u00e9gression multiple s’y d\u00e9ploie de mani\u00e8re dynamique et r\u00e9active en temps r\u00e9el.<\/p>\n

Dans le menu de r\u00e9gression lin\u00e9aire de Jamovi, l’utilisateur coche simplement les options situ\u00e9es dans l’onglet \u00ab Ajustement du mod\u00e8le \u00bb (Model Fit<\/em>). Le logiciel g\u00e9n\u00e8re instantan\u00e9ment un tableau d’ajustement affichant simultan\u00e9ment R<\/em>, R<\/em>\u00b2 et R<\/em>\u00b2 ajust\u00e9. La force ergonomique de ces outils r\u00e9side dans la possibilit\u00e9 de superposer des contr\u00f4les visuels directs : graphiques de dispersion des r\u00e9sidus standardis\u00e9s face aux valeurs pr\u00e9dites, trac\u00e9s Q-Q de normalit\u00e9 r\u00e9siduelle et estimations instantan\u00e9es des coefficients d’inflation de la variance (VIF).<\/p>\n

De surcro\u00eet, Jamovi et JASP int\u00e8grent une passerelle d’exportation native permettant de copier directement les tableaux r\u00e9capitulatifs au format de mise en page standardis\u00e9 APA 7. Cette fonctionnalit\u00e9 r\u00e9duit consid\u00e9rablement les erreurs humaines de retranscription manuelle qui polluent historiquement les rapports de laboratoire, s\u00e9curisant ainsi le passage de l’analyse brute \u00e0 la r\u00e9daction scientifique finalis\u00e9e.<\/p>\n

9. \u00c9tude de cas psychologique : mod\u00e9lisation pr\u00e9dictive de l’\u00e9puisement professionnel (Burnout)<\/h2>\n

9.1 Pr\u00e9sentation du protocole de recherche et des variables<\/h3>\n

Afin d’ancrer ces concepts statistiques fondamentaux dans une r\u00e9alit\u00e9 empirique concr\u00e8te, analysons une \u00e9tude m\u00e9thodologique d\u00e9di\u00e9e \u00e0 la mod\u00e9lisation de l’\u00e9puisement professionnel (burnout) chez le personnel soignant. Les donn\u00e9es sont issues d’une cohorte clinique standardis\u00e9e de n<\/em> = 250 soignants (infirmiers, aides-soignants, m\u00e9decins urgentistes) exer\u00e7ant au sein d’un centre hospitalier universitaire \u00e0 haute tension op\u00e9rationnelle.<\/p>\n

La variable d\u00e9pendante (crit\u00e8re Y<\/em>) est constitu\u00e9e par le score continu standardis\u00e9 \u00e0 la dimension \u00ab \u00c9puisement \u00c9motionnel \u00bb de l’inventaire d’\u00e9puisement professionnel de Maslach (Maslach Burnout Inventory<\/em> ou MBI<\/em>), \u00e9chelle psychom\u00e9trique de r\u00e9f\u00e9rence dont le score varie contin\u00fbment de 0 \u00e0 54 points. Pour pr\u00e9dire ce construit clinique majeur, l’\u00e9quipe de recherche introduit initialement deux pr\u00e9dicteurs th\u00e9oriquement l\u00e9gitim\u00e9s par la litt\u00e9rature sur la psychologie de la sant\u00e9 au travail :<\/p>\n

1. La charge de travail per\u00e7ue (variable X<\/em>1<\/sub>), mesur\u00e9e via l’\u00e9chelle d’\u00e9valuation de la charge cognitive et temporelle (score de 10 \u00e0 50).
\n2. Le manque per\u00e7u de soutien organisationnel et hi\u00e9rarchique (variable X<\/em>2<\/sub>), document\u00e9 par le questionnaire de soutien social de Karasek (score invers\u00e9 de 8 \u00e0 32).<\/p>\n

9.2 \u00c9tape 1 : Mod\u00e8le bivari\u00e9 puis ajout de pr\u00e9dicteurs psychologiques<\/h3>\n

Dans une premi\u00e8re phase exploratoire, les chercheurs introduisent uniquement la charge de travail per\u00e7ue (X<\/em>1<\/sub>) dans l’\u00e9quation de r\u00e9gression bivari\u00e9e simple. L’estimation lin\u00e9aire produit les r\u00e9sultats suivants :<\/p>\n

Le coefficient de corr\u00e9lation bivari\u00e9 (qui est strictement \u00e9quivalent au R<\/em> multiple dans un cadre \u00e0 pr\u00e9dicteur unique) ressort \u00e0 R<\/em> = 0,45. En \u00e9levant cette valeur au carr\u00e9, nous obtenons le coefficient de d\u00e9termination : R<\/em>\u00b2 = 0,2025 (soit 20,25 % de la variance de l’\u00e9puisement \u00e9motionnel expliqu\u00e9e par la charge de travail isol\u00e9e). Le calcul du R<\/em>\u00b2 ajust\u00e9 donne :<\/p>\n

R\u0304<\/em>\u00b2 = 1 – [(1 – 0,2025) \u00d7 (250 – 1) \/ (250 – 1 – 1)] = 1 – [0,7975 \u00d7 249 \/ 248] = 0,1993 (soit 19,93 %).<\/p>\n

Dans la seconde \u00e9tape de la mod\u00e9lisation hi\u00e9rarchique, les chercheurs int\u00e8grent le second pr\u00e9dicteur th\u00e9orique : le manque de soutien organisationnel (X<\/em>2<\/sub>). Le r\u00e9ajustement de la matrice de r\u00e9gression op\u00e8re un saut qualitatif. Le nouveau R<\/em> multiple grimpe \u00e0 R<\/em> = 0,58<\/strong>. L’\u00e9l\u00e9vation au carr\u00e9 de cette association globale r\u00e9v\u00e8le que le nouveau R<\/em>\u00b2 atteint d\u00e9sormais 0,3364<\/strong> (soit 33,64 % de variance expliqu\u00e9e). Le calcul du R<\/em>\u00b2 ajust\u00e9 actualis\u00e9 produit :<\/p>\n

R\u0304<\/em>\u00b2 = 1 – [(1 – 0,3364) \u00d7 (249) \/ (250 – 2 – 1)] = 1 – [0,6636 \u00d7 249 \/ 247] = 0,3310 (soit 33,10 %).<\/p>\n

Le gain incr\u00e9mental de variance (Delta R<\/em>\u00b2) s’\u00e9tablit \u00e0 0,1339 (un apport de 13,39 % de variance additionnelle explicative). Le test F<\/em> de changement s’av\u00e8re hautement significatif (p<\/em> < 0,001). Le R<\/em> multiple et le R<\/em>-carr\u00e9 ajust\u00e9 progressent de concert, attestant que le soutien organisationnel constitue un pr\u00e9dicteur th\u00e9orique solide qui apporte une information unique non redondante avec la charge de travail.<\/p>\n

9.3 \u00c9tape 2 : Ajout de pr\u00e9dicteurs bruits et observation de la p\u00e9nalisation<\/h3>\n

Pour mettre en lumi\u00e8re la vuln\u00e9rabilit\u00e9 diff\u00e9rentielle des indices face \u00e0 la capitalisation sur le hasard, les chercheurs introduisent d\u00e9lib\u00e9r\u00e9ment dans un troisi\u00e8me bloc une variable th\u00e9oriquement absurde et m\u00e9thodologiquement d\u00e9nu\u00e9e de tout lien causal avec la sant\u00e9 mentale : la couleur du bureau de travail du soignant, cod\u00e9e num\u00e9riquement sur une \u00e9chelle arbitraire de teintes (variable bruit X<\/em>3<\/sub>).<\/p>\n

Par pure fluctuation d’\u00e9chantillonnage stochastique au sein de ce groupe de 250 soignants, cette variable bruit pr\u00e9sente une corr\u00e9lation marginale et non significative avec le score d’\u00e9puisement (r<\/em> = 0,035). L’algorithme de moindres carr\u00e9s int\u00e8gre imm\u00e9diatement cette infime covariation pour minimiser l’erreur r\u00e9siduelle. Les sorties logicielles r\u00e9v\u00e8lent l’\u00e9volution suivante des coefficients :<\/p>\n

Le R<\/em> multiple passe de 0,5800 \u00e0 0,5808<\/strong>. Le R<\/em>\u00b2 conventionnel enregistre une hausse m\u00e9canique, passant de 0,3364 \u00e0 0,3373<\/strong> (soit une augmentation apparente de pr\u00e8s de 0,1 % de variance expliqu\u00e9e). Un chercheur focalis\u00e9 uniquement sur le R<\/em>\u00b2 classique conclurait \u00e0 une l\u00e9g\u00e8re am\u00e9lioration du mod\u00e8le.<\/p>\n

Cependant, l’examen du R<\/em>-carr\u00e9 ajust\u00e9 r\u00e9tablit la v\u00e9rit\u00e9 m\u00e9thodologique :<\/p>\n

R\u0304<\/em>\u00b2 = 1 – [(1 – 0,3373) \u00d7 (249) \/ (250 – 3 – 1)] = 1 – [0,6627 \u00d7 249 \/ 246] = 0,3292<\/strong> (soit 32,92 %).<\/p>\n

Au lieu de progresser, le R<\/em>-carr\u00e9 ajust\u00e9 a chut\u00e9<\/strong>, passant de 33,10 % \u00e0 32,92 %. Parce que la statistique t<\/em> associ\u00e9e \u00e0 ce pr\u00e9dicteur bruit est largement inf\u00e9rieure \u00e0 1,00 (t<\/em> = 0,57, p<\/em> = 0,569), la p\u00e9nalit\u00e9 impos\u00e9e par la perte d’un degr\u00e9 de libert\u00e9 r\u00e9siduel (le d\u00e9nominateur passant de 247 \u00e0 246) d\u00e9passe le gain stochastique infinit\u00e9simal capt\u00e9 par l’algorithme. Cette d\u00e9monstration empirique illustre la sup\u00e9riorit\u00e9 diagnostique du R<\/em>\u00b2 ajust\u00e9, qui prot\u00e8ge l’analyste contre l’illusion pr\u00e9dictive et garantit le respect de la parcimonie scientifique.<\/p>\n

10. Limites m\u00e9thodologiques, multicolin\u00e9arit\u00e9 et pi\u00e8ges d’interpr\u00e9tation<\/h2>\n

10.1 Le pi\u00e8ge de la multicolin\u00e9arit\u00e9 entre pr\u00e9dicteurs psychom\u00e9triques<\/h3>\n

L’interpr\u00e9tation conjointe du R<\/em> multiple et du R<\/em>-carr\u00e9 se complique consid\u00e9rablement en pr\u00e9sence d’une pathologie statistique fr\u00e9quente en psychom\u00e9trie : la multicolin\u00e9arit\u00e9. Cette distorsion survient lorsque deux ou plusieurs variables pr\u00e9dictrices au sein de l’\u00e9quation de r\u00e9gression partagent des niveaux d’intercorr\u00e9lation tr\u00e8s \u00e9lev\u00e9s, traduisant une redondance conceptuelle ou m\u00e9trologique substantielle.<\/p>\n

Dans une telle configuration, l’inversion de la matrice de corr\u00e9lation R<\/strong>xx<\/sub> devient computationnellement instable en raison d’un d\u00e9terminant proche de z\u00e9ro. Les cons\u00e9quences sur le mod\u00e8le sont paradoxales et fr\u00e9quemment mal comprises : le R<\/em> multiple global et le R<\/em>-carr\u00e9 associ\u00e9 demeurent extr\u00eamement \u00e9lev\u00e9s et statistiquement significatifs \u00e0 un seuil critique (attestant que le bloc global de pr\u00e9dicteurs capture une part massive de variance), tandis que l’ensemble des coefficients de r\u00e9gression partiels standardis\u00e9s (les b\u00eatas) voient leur erreur standard exploser, devenant individuellement non significatifs (valeurs de p<\/em> > 0,05).<\/p>\n

Pour diagnostiquer et circonscrire ce pi\u00e8ge, les chercheurs doivent surveiller deux indicateurs interd\u00e9pendants : l’indice de tol\u00e9rance (Tolerance<\/em> = 1 – R<\/em>\u00b2i<\/sub>, o\u00f9 R<\/em>\u00b2i<\/sub> est la variance du pr\u00e9dicteur i<\/em> expliqu\u00e9e par tous les autres pr\u00e9dicteurs) et le facteur d’inflation de la variance (Variance Inflation Factor<\/em> ou VIF<\/em> = 1 \/ Tol\u00e9rance). Une valeur de VIF sup\u00e9rieure \u00e0 5 (ou une tol\u00e9rance inf\u00e9rieure \u00e0 0,20) signale un danger de multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re. Dans cette situation, un R<\/em>-carr\u00e9 \u00e9lev\u00e9 donne une impression trompeuse de ma\u00eetrise du ph\u00e9nom\u00e8ne, alors m\u00eame qu’il est impossible de d\u00e9limiter l’apport th\u00e9orique sp\u00e9cifique de chaque composante.<\/p>\n

10.2 Effets de suppression en r\u00e9gression multiple<\/h3>\n

Un autre ph\u00e9nom\u00e8ne m\u00e9thodologique susceptible de fausser radicalement la lecture du R<\/em> multiple et du R<\/em>-carr\u00e9 est l’effet de suppression (ou variable suppressive). En psychologie diff\u00e9rentielle et sociale, une variable suppressive se d\u00e9finit comme un pr\u00e9dicteur qui, bien qu’affichant une corr\u00e9lation bivari\u00e9e quasiment nulle, voire non significative avec le crit\u00e8re Y<\/em>, induit une augmentation substantielle et paradoxale du R<\/em>\u00b2 global lorsqu’il est introduit dans l’\u00e9quation de r\u00e9gression.<\/p>\n

La litt\u00e9rature distingue trois variantes principales de suppressors :<\/p>\n