Sur le plan conceptuel, le lissage Lowess repose sur l’hypoth\u00e8se fondamentale selon laquelle toute fonction diff\u00e9rentiable, aussi complexe et non lin\u00e9aire soit-elle \u00e0 l’\u00e9chelle globale, peut \u00eatre approxim\u00e9e de mani\u00e8re satisfaisante par un segment de droite ou un polyn\u00f4me de bas degr\u00e9 au sein d’un voisinage infinit\u00e9simal ou localement restreint. Cette d\u00e9marche s’inscrit en rupture avec la mod\u00e9lisation param\u00e9trique classique : au lieu de contraindre chaque observation \u00e0 peser de fa\u00e7on uniforme sur une pente globale unique, Lowess accorde une souverainet\u00e9 primordiale \u00e0 la proximit\u00e9 spatiale des donn\u00e9es le long de l’axe des abscisses. Ainsi, le mod\u00e8le s’adapte en continu \u00e0 la forme locale du signal.<\/p>\n
L’utilit\u00e9 fondamentale de cette approche r\u00e9side dans sa neutralit\u00e9 distributionnelle. Contrairement aux mod\u00e8les de r\u00e9gression classiques qui reposent souvent sur des hypoth\u00e8ses strictes d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9 des erreurs pour assurer la validit\u00e9 des estimations, le lissage Lowess fonctionne comme un estimateur purement non param\u00e9trique. Il ne pr\u00e9sume ni de la distribution sous-jacente des variables ni de la constance de leur variance, ce qui en fait un instrument de choix pour d\u00e9celer des relations \u00e9mergentes dont la forme fonctionnelle demeure inconnue du chercheur.<\/p>\n
1.2 Pertinence et utilit\u00e9 dans l’analyse exploratoire des donn\u00e9es<\/h3>\n
Dans le cadre de l’analyse exploratoire des donn\u00e9es, conceptualis\u00e9e par John Tukey, l’inspection visuelle ne saurait se limiter \u00e0 la simple contemplation d’un nuage de points brut. Lorsque les observations s’accumulent par centaines ou par milliers, la dispersion al\u00e9atoire et la superposition des coordonn\u00e9es engendrent un bruit visuel intense qui sature la perception humaine. Le recours \u00e0 Lowess permet d’introduire une ligne m\u00e9diane directrice fluide, agissant tel un filtre passe-bas num\u00e9rique qui s\u00e9pare la composante d\u00e9terministe continue des fluctuations stochastiques individuelles.<\/p>\n
Cette filtration visuelle s’av\u00e8re particuli\u00e8rement d\u00e9cisive pour identifier les zones de transition comportementale au sein d’un syst\u00e8me complexe. Dans de nombreux jeux de donn\u00e9es empiriques, les trajectoires pr\u00e9sentent des points d’inflexion critiques, des seuils de basculement qualitatif ou des plateaux de saturation qu’une r\u00e9gression lin\u00e9aire globale \u00e9craserait irr\u00e9m\u00e9diablement. Par exemple, une relation qui cro\u00eet rapidement avant de stagner en raison de capacit\u00e9s mat\u00e9rielles ou cognitives limit\u00e9es sera imm\u00e9diatement mise en exergue par la courbure adaptative de la trajectoire liss\u00e9e, offrant \u00e0 l’analyste des indices cruciaux pour guider la mod\u00e9lisation th\u00e9orique ult\u00e9rieure.<\/p>\n
De surcro\u00eet, le lissage localis\u00e9 \u00e9vite l’\u00e9cueil classique de l’effet de levier exerc\u00e9 par les regroupements marginaux d’observations. Dans une r\u00e9gression ordinaire, un amas de points situ\u00e9 \u00e0 une extr\u00e9mit\u00e9 du domaine de d\u00e9finition peut faire basculer l’ensemble de la pente directrice, conduisant \u00e0 des interpr\u00e9tations fallacieuses sur le reste de l’\u00e9chantillon. Lowess isole ces dynamiques r\u00e9gionales : le comportement local aux bornes n’alt\u00e8re pas l’ajustement r\u00e9alis\u00e9 au centre de la distribution, pr\u00e9servant ainsi l’int\u00e9grit\u00e9 s\u00e9quentielle de l’interpr\u00e9tation exploratoire.<\/p>\n
1.3 Applications types dans les sciences quantitatives et psychom\u00e9triques<\/h3>\n
Les sciences quantitatives, et plus singuli\u00e8rement les neurosciences cognitives et la psychom\u00e9trie, offrent un terrain d’application particuli\u00e8rement f\u00e9cond pour le lissage Lowess. L’un des cas d’\u00e9cole concerne l’analyse des temps de r\u00e9action au cours du vieillissement normal. La relation liant l’\u00e2ge chronologique \u00e0 la vitesse de traitement de l’information ne suit pas une trajectoire rectiligne : elle se caract\u00e9rise g\u00e9n\u00e9ralement par une relative stabilit\u00e9 durant la p\u00e9riode adulte interm\u00e9diaire, suivie d’une acc\u00e9l\u00e9ration graduelle du d\u00e9clin cognitif \u00e0 partir de la sixi\u00e8me d\u00e9cennie. Lowess trace cette non-lin\u00e9arit\u00e9 avec une fid\u00e9lit\u00e9 remarquable, permettant de localiser empiriquement le d\u00e9but de la d\u00e9c\u00e9l\u00e9ration sans imposer arbitrairement une courbure parabolique sym\u00e9trique.<\/p>\n
Dans l’\u00e9tude des processus d’apprentissage et de consolidation mn\u00e9sique, les courbes d’acquisition r\u00e9v\u00e8lent typiquement des phases d’acc\u00e9l\u00e9ration initiale suivies de consolidations en paliers, entrecoup\u00e9es parfois de l\u00e9gers r\u00e9gressions temporaires. La mod\u00e9lisation par lissage local permet de caract\u00e9riser pr\u00e9cis\u00e9ment le moment o\u00f9 le gain de performance par unit\u00e9 de temps commence \u00e0 d\u00e9cro\u00eetre de mani\u00e8re asymptotique. Cela permet aux psychologues exp\u00e9rimentaux d’\u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle de protocoles d’entra\u00eenement sans biaiser les r\u00e9sultats par le choix a priori d’un mod\u00e8le logarithmique ou hyperbolique trop contraignant.<\/p>\n
Enfin, l’\u00e9valuation des liens entre l’activation physiologique, l’anxi\u00e9t\u00e9 mesur\u00e9e et l’efficacit\u00e9 de la performance cognitive fournit une autre illustration \u00e9clatante. Historiquement th\u00e9oris\u00e9e sous la forme de la c\u00e9l\u00e8bre courbe en U invers\u00e9 de la loi de Yerkes-Dodson, cette interaction pr\u00e9sente souvent des asym\u00e9tries majeures selon la complexit\u00e9 de la t\u00e2che requise. Le lissage Lowess permet de tester si l’optimum de performance correspond effectivement \u00e0 un niveau interm\u00e9diaire de stress per\u00e7u et si la d\u00e9gradation subs\u00e9quente de la performance s’op\u00e8re de mani\u00e8re brutale ou graduelle, apportant ainsi des preuves tangibles pour la validation ou la r\u00e9vision des mod\u00e8les th\u00e9oriques en psychologie diff\u00e9rentielle.<\/p>\n
2. Fondements math\u00e9matiques et algorithmiques de la r\u00e9gression locale pond\u00e9r\u00e9e<\/h2>\n2.1 Le principe des moindres carr\u00e9s pond\u00e9r\u00e9s localement<\/h3>\n
L’assise math\u00e9matique de Lowess repose sur le cadre formalis\u00e9 des moindres carr\u00e9s pond\u00e9r\u00e9s, appliqu\u00e9 de fa\u00e7on it\u00e9rative \u00e0 une succession de sous-ensembles glissants de donn\u00e9es. Soit un ensemble de paires d’observations num\u00e9riques not\u00e9 (x_i, y_i) pour i variant de 1 \u00e0 n, o\u00f9 x d\u00e9signe la variable pr\u00e9dictive ind\u00e9pendante et y la variable r\u00e9ponse continue. Pour chaque valeur cible x_0 situ\u00e9e le long du spectre des abscisses o\u00f9 l’on souhaite estimer la valeur liss\u00e9e correspondante y_0, l’algorithme d\u00e9finit une fen\u00eatre de voisinage englobant une fraction d\u00e9termin\u00e9e k des observations totales les plus proches de ce point focal.<\/p>\n
Au sein de cette fen\u00eatre spatiale restreinte, l’algorithme ajuste un polyn\u00f4me local d’ordre d, la valeur d \u00e9tant g\u00e9n\u00e9ralement fix\u00e9e \u00e0 1 (r\u00e9gression lin\u00e9aire locale) ou \u00e0 2 (r\u00e9gression quadratique locale). Contrairement \u00e0 la r\u00e9gression ordinaire qui cherche \u00e0 minimiser la simple somme des r\u00e9sidus au carr\u00e9, l’estimation des param\u00e8tres polynomiaux locaux n\u00e9cessite la minimisation d’une fonction d’erreur quadratique pond\u00e9r\u00e9e. L’\u00e9quation de minimisation locale s’exprime sous la forme math\u00e9matique suivante :<\/p>\n
Minimiser la somme pour i allant de 1 \u00e0 n du produit entre le poids local w_i(x_0) et le carr\u00e9 de l’\u00e9cart [y_i – (beta_0 + beta_1 * x_i + … + beta_d * (x_i)^d)].<\/p>\n
Dans ce formalisme, le coefficient b\u00eata d\u00e9pendant de x_0 capture la trajectoire instantan\u00e9e au point d’\u00e9valuation. La valeur liss\u00e9e finale en x_0 d\u00e9coule directement de l’\u00e9valuation de ce polyn\u00f4me au point d’ancrage. Ce proc\u00e9d\u00e9 est r\u00e9p\u00e9t\u00e9 pour chaque point du jeu de donn\u00e9es, conf\u00e9rant \u00e0 la courbe finale sa continuit\u00e9 structurelle sans recourir \u00e0 un raccordement artificiel de segments discontinus.<\/p>\n
2.2 La fonction de pond\u00e9ration tricubique<\/h3>\n
Le choix de la structure de pond\u00e9ration w_i(x_0) conditionne fondamentalement la r\u00e9gularit\u00e9 math\u00e9matique et les propri\u00e9t\u00e9s diff\u00e9rentielles de la courbe estim\u00e9e. Cleveland a introduit \u00e0 cette fin la fonction noyau tricubique, qui allie une d\u00e9croissance monotone \u00e9l\u00e9gante \u00e0 des propri\u00e9t\u00e9s remarquables d’annulation de ses d\u00e9riv\u00e9es premi\u00e8re et seconde aux fronti\u00e8res du domaine local. Soit d(x_0) la distance euclidienne s\u00e9parant le point cible x_0 de la k-i\u00e8me observation la plus \u00e9loign\u00e9e au sein de la fen\u00eatre de voisinage retenue. La distance relative normalis\u00e9e pour tout point x_i s’exprime par le rapport u_i = |x_i – x_0| \/ d(x_0).<\/p>\n
La fonction de pond\u00e9ration tricube W(u) est alors d\u00e9finie de mani\u00e8re rigoureuse par les relations analytiques suivantes :<\/p>\n
W(u) = (1 – u^3)^3, lorsque la valeur absolue de u est strictement inf\u00e9rieure \u00e0 1 ; et W(u) = 0 d\u00e8s lors que la valeur absolue de u est sup\u00e9rieure ou \u00e9gale \u00e0 1.<\/p>\n
Cette formulation math\u00e9matique conf\u00e8re une d\u00e9croissance douce et progressive des poids. Les points observ\u00e9s situ\u00e9s au centre imm\u00e9diat du voisinage re\u00e7oivent un poids unitaire maximal, tandis que les observations s’\u00e9loignant progressivement vers la p\u00e9riph\u00e9rie de la fen\u00eatre voient leur influence s’amenuiser contin\u00fbment. L’attribution stricte d’un poids nul aux donn\u00e9es situ\u00e9es au-del\u00e0 de la distance critique d(x_0) garantit une isolation parfaite du calcul local vis-\u00e0-vis des donn\u00e9es lointaines. De plus, l’annulation des d\u00e9riv\u00e9es en u = 1 assure que la courbe liss\u00e9e finale ne pr\u00e9sentera aucune discontinuit\u00e9 de pente ou d’inflexion artificielle lors de l’entr\u00e9e ou de la sortie de points dans la fen\u00eatre mobile.<\/p>\n
2.3 L’ajustement robuste par r\u00e9it\u00e9ration<\/h3>\n
L’un des d\u00e9fis majeurs rencontr\u00e9s par les estimateurs bas\u00e9s sur les moindres carr\u00e9s r\u00e9side dans leur sensibilit\u00e9 extr\u00eame aux donn\u00e9es aberrantes ou atypiques, commun\u00e9ment qualifi\u00e9es d’outliers. Une observation marginale pr\u00e9sentant un r\u00e9sidu d\u00e9mesur\u00e9 peut fausser l’estimation locale et d\u00e9vier la courbe dans sa direction. Pour conf\u00e9rer \u00e0 Lowess une insensibilit\u00e9 \u00e9prouv\u00e9e face \u00e0 ces contaminations, Cleveland a adjoint au processus un algorithme d’ajustement robuste it\u00e9ratif, fond\u00e9 sur une r\u00e9\u00e9valuation r\u00e9troactive des r\u00e9sidus d’ajustement.<\/p>\n
Apr\u00e8s un premier lissage initial g\u00e9n\u00e9rant un ensemble de valeurs estim\u00e9es y_hat_i, l’algorithme calcule les r\u00e9sidus individuels e_i = y_i – y_hat_i. Une \u00e9chelle de dispersion robuste des r\u00e9sidus est alors d\u00e9termin\u00e9e par la m\u00e9diane de leurs valeurs absolues, not\u00e9e s = median(|e_i|). Pour chaque point de donn\u00e9es, un poids de robustesse r_i est attribu\u00e9 en appliquant la fonction biweight de Tukey au r\u00e9sidu normalis\u00e9, d\u00e9finie comme suit :<\/p>\n
r_i = B(e_i \/ (6 * s)), o\u00f9 B(u) = (1 – u^2)^2 si |u| = 1.<\/p>\n
Lors de l’it\u00e9ration suivante, le poids global accord\u00e9 \u00e0 l’observation x_i pour calculer le lissage autour de x_0 devient le produit direct du poids spatial tricubique initial et de ce poids de robustesse r\u00e9siduelle : W_global_i = w_i(x_0) * r_i. Les observations caract\u00e9ris\u00e9es par des r\u00e9sidus massifs (sup\u00e9rieurs \u00e0 6 fois l’\u00e9cart m\u00e9dian absolu) sont ainsi compl\u00e8tement exclues des it\u00e9rations ult\u00e9rieures gr\u00e2ce \u00e0 un poids nul. L’algorithme r\u00e9it\u00e8re cette phase de recalcul un nombre d\u00e9termin\u00e9 de fois (typiquement deux \u00e0 trois cycles), stabilisant progressivement les coefficients d’ajustement vers une solution insensible aux artefacts de mesure.<\/p>\n
3. Pr\u00e9sentation de la syntaxe et des arguments de la fonction lowess() dans R<\/h2>\n3.1 Structure g\u00e9n\u00e9rale et signature de la commande de base<\/h3>\n
Dans l’\u00e9cosyst\u00e8me du logiciel R, le lissage non param\u00e9trique de base repose sur l’impl\u00e9mentation originelle accessible directement dans le package natif stats<\/em> \u00e0 travers l’appel de la commande standard L’instruction formelle s’articule autour de : Il convient \u00e9galement de souligner que, bien que la commande classique L’argument central qui gouverne le comportement math\u00e9matique de la fonction La s\u00e9lection de la grandeur num\u00e9rique de f<\/em> instancie de mani\u00e8re tr\u00e8s directe le compromis classique entre biais et variance, pivot fondamental de la th\u00e9orie statistique non param\u00e9trique. Une valeur de f<\/em> excessivement petite contraint la r\u00e9gression locale \u00e0 ne consid\u00e9rer qu’une poign\u00e9e d’observations contigu\u00ebs. Ce choix conf\u00e8re \u00e0 la courbe une flexibilit\u00e9 g\u00e9om\u00e9trique extr\u00eame, capable d’\u00e9pouser les moindres inflexions, mais au prix d’une variance d’\u00e9chantillonnage consid\u00e9rable : la courbe absorbe le bruit stochastique r\u00e9siduel et engendre un ph\u00e9nom\u00e8ne destructeur de surajustement (overfitting).<\/p>\n \u00c0 l’inverse, lorsque l’analyste accro\u00eet la valeur de f<\/em> pour la faire converger vers 1, la fen\u00eatre glissante s’\u00e9largit jusqu’\u00e0 englober la quasi-totalit\u00e9 de l’\u00e9chantillon pour chaque \u00e9valuation locale. Le poids relatif accord\u00e9 aux points \u00e9loign\u00e9s devient important, ce qui stabilise la variance au d\u00e9triment du biais : la courbe s’aplatit, estompe les inflexions r\u00e9elles du signal et converge asymptotiquement vers une simple droite de r\u00e9gression globale pond\u00e9r\u00e9e par la distance tricubique. La calibration judicieuse de f<\/em> repr\u00e9sente d\u00e8s lors la t\u00e2che analytique la plus critique de l’utilisateur.<\/p>\n Au-del\u00e0 de la s\u00e9lection de la largeur de bande, la signature de Pour sa part, le param\u00e8tre delta<\/em> constitue une innovation algorithmique majeure introduite par Cleveland pour optimiser le temps de calcul lors du traitement de tr\u00e8s volumineux jeux de donn\u00e9es. Plut\u00f4t que de proc\u00e9der \u00e0 l’\u00e9valuation int\u00e9grale d’une r\u00e9gression locale pond\u00e9r\u00e9e pour chacun des n points exp\u00e9rimentaux individuels, l’algorithme effectue l’ajustement complet uniquement pour des points d’abscisse s\u00e9par\u00e9s par une distance au moins \u00e9gale \u00e0 delta<\/em>. Les valeurs liss\u00e9es pour les observations interm\u00e9diaires situ\u00e9es dans ces intervalles sont ensuite interpol\u00e9es par raccordement lin\u00e9aire rapide.<\/p>\n Par d\u00e9faut, R configure ce param\u00e8tre selon l’instruction Afin d’illustrer la m\u00e9canique op\u00e9ratoire du lissage Lowess dans R avec une clart\u00e9 m\u00e9thodologique irr\u00e9prochable, il est opportun de g\u00e9n\u00e9rer un jeu de donn\u00e9es exp\u00e9rimental contr\u00f4l\u00e9 mais r\u00e9aliste. Ce cadre simul\u00e9 permettra de confronter l’algorithme \u00e0 un signal th\u00e9orique non lin\u00e9aire complexe, d\u00e9lib\u00e9r\u00e9ment perturb\u00e9 par l’adjonction d’un bruit gaussien h\u00e9t\u00e9rog\u00e8ne et de valeurs aberrantes ponctuelles. L’instanciation de ce jeu de donn\u00e9es s’effectue au moyen de vecteurs num\u00e9riques int\u00e9gr\u00e9s au sein d’un data frame standard.<\/p>\n Nous pouvons d\u00e9finir une variable pr\u00e9dictive ind\u00e9pendante repr\u00e9sentant, par exemple, un continuum temporel ou une \u00e9chelle d’\u00e9valuation psychologique continue s’\u00e9tendant sur un intervalle d\u00e9termin\u00e9. Pour ce faire, on g\u00e9n\u00e8re un vecteur d’abscisses comprenant 200 points \u00e9quidistants ou al\u00e9atoirement distribu\u00e9s. La variable d\u00e9pendante sera ensuite formul\u00e9e \u00e0 partir d’une combinaison de fonctions trigonom\u00e9triques et polynomiales, capable d’engendrer une acc\u00e9l\u00e9ration initiale suivie d’une d\u00e9pression puis d’une remont\u00e9e tardive, simulant ainsi une dynamique cognitive ou biologique non monotone.<\/p>\n Une fois les \u00e9quations d\u00e9terministes sp\u00e9cifi\u00e9es dans R, l’incorporation d’une composante d’erreur stochastique s’op\u00e8re via la fonction de g\u00e9n\u00e9ration al\u00e9atoire normale Pr\u00e9alablement \u00e0 toute manipulation algorithmique dans R, un audit rigoureux de l’int\u00e9grit\u00e9 typologique des variables s’impose. L’ex\u00e9cution de fonctions exploratoires telles que Une attention tout aussi vigilante doit \u00eatre port\u00e9e \u00e0 la gestion des valeurs manquantes, encod\u00e9es sous la forme de constantes Enfin, bien que l’algorithme natif Avant d’ajuster une quelconque courbe de r\u00e9gression non param\u00e9trique, l’analyste se doit de quantifier la g\u00e9om\u00e9trie empirique de ses variables au moyen de statistiques descriptives univari\u00e9es et bivari\u00e9es. L’estimation des moments statistiques fondamentaux \u2014 \u00e0 savoir la moyenne arithm\u00e9tique, l’\u00e9cart-type empirique, la m\u00e9diane et l’intervalle interquartile \u2014 fournit un diagnostic quantitatif direct de la dispersion centrale et de la dispersion relative de la distribution exp\u00e9rimentale.<\/p>\n L’\u00e9valuation rigoureuse de l’\u00e9tendue des variables s’obtient via la fonction Ce panorama statistique est consolid\u00e9 par l’appel classique \u00e0 la fonction lowess()<\/code>. Cette fonction b\u00e9n\u00e9ficie d’une optimisation computationnelle cod\u00e9e en langage C et Fortran, garantissant une rapidit\u00e9 d’ex\u00e9cution instantan\u00e9e m\u00eame sur des jeux de donn\u00e9es comportant plusieurs dizaines de milliers de lignes. Sa signature g\u00e9n\u00e9rique classique se d\u00e9ploie selon la syntaxe suivante :<\/p>\nlowess(x, y = NULL, f = 2\/3, iter = 3, delta = 0.01 * diff(range(xy$x[o])))<\/code>. Les vecteurs d’entr\u00e9e x<\/em> et y<\/em> constituent le substrat num\u00e9rique fondamental de l’analyse. Ils doivent obligatoirement contenir des grandeurs quantitatives r\u00e9elles de longueurs strictement identiques. Lorsque y<\/em> est omis, l’argument x<\/em> peut \u00eatre transmis sous la forme d’un objet bivari\u00e9 compatible, tel qu’une matrice \u00e0 deux colonnes, une liste structur\u00e9e ou un data frame contenant deux coordonn\u00e9es num\u00e9riques.<\/p>\nlowess()<\/code> privil\u00e9gie historiquement la notation vectorielle, elle accepte, sous certaines versions et wrappers fonctionnels, la notation par formule statistique usuelle de type y ~ x<\/code>, bien que cette derni\u00e8re soit plus g\u00e9n\u00e9ralement r\u00e9serv\u00e9e \u00e0 son extension multivari\u00e9e loess()<\/code>. La ma\u00eetrise de ces subtilit\u00e9s d’interface \u00e9vite de commettre des erreurs de coercition de type lors de l’int\u00e9gration du lissage au sein de scripts automatis\u00e9s d’analyse de donn\u00e9es.<\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/lowess1.png\")
<\/figure>\n3.2 R\u00f4le et impact du param\u00e8tre de lissage f (span)<\/h3>\n
lowess()<\/code> est ind\u00e9niablement le param\u00e8tre f<\/em>, fr\u00e9quemment d\u00e9sign\u00e9 sous le vocable anglo-saxon de span<\/em> ou bande passante locale. Ce param\u00e8tre correspond \u00e0 un nombre r\u00e9el strictement compris entre 0 et 1, repr\u00e9sentant la fraction globale des donn\u00e9es totales qui doit \u00eatre incluse dans chaque voisinage mobile pour estimer l’ordonn\u00e9e liss\u00e9e de chaque observation cible. La valeur par d\u00e9faut attribu\u00e9e par le syst\u00e8me est f = 2\/3<\/em>, soit environ 66,7 % des points d’\u00e9chantillon.<\/p>\n3.3 Param\u00e8tres secondaires : it\u00e9rations et optimisation du calcul<\/h3>\n
lowess()<\/code> propose deux arguments secondaires fondamentaux pour le contr\u00f4le fin de l’algorithme : iter<\/em> et delta<\/em>. Le param\u00e8tre iter<\/em> r\u00e9git le nombre de cycles it\u00e9ratifs de r\u00e9ajustement robuste selon la m\u00e9thode du biweight de Tukey d\u00e9crite pr\u00e9c\u00e9demment. Par d\u00e9faut, sa valeur est fix\u00e9e \u00e0 iter = 3<\/em>, ce qui offre un niveau d’assainissement robuste suffisant pour la vaste majorit\u00e9 des configurations exp\u00e9rimentales tout en pr\u00e9venant les d\u00e9rives caus\u00e9es par des contaminants extr\u00eames.<\/p>\ndelta = 0.01 * diff(range(x))<\/code>, ce qui segmente l’\u00e9tendue totale de la variable explicative en une centaine de tranches d’interpolation. Cette approximation n’induit aucune perte perceptible de pr\u00e9cision graphique, tout en diminuant drastiquement la charge de calcul machine. Enfin, l’objet r\u00e9sultant renvoy\u00e9 par un appel standard \u00e0 lowess()<\/code> ne consiste pas en un mod\u00e8le de r\u00e9gression classique au sens de la classe lm<\/em>, mais prend la forme rigoureuse d’une liste R \u00e0 deux \u00e9l\u00e9ments vectoriels nomm\u00e9s $x<\/code> et $y<\/code>, contenant respectivement les abscisses d’origine tri\u00e9es et leurs correspondances liss\u00e9es calcul\u00e9es.<\/p>\n4. \u00c9tape 1 : Cr\u00e9ation et manipulation du jeu de donn\u00e9es exp\u00e9rimental<\/h2>\n
4.1 D\u00e9finition programmatique du vecteur de variables ind\u00e9pendantes et d\u00e9pendantes<\/h3>\n
rnorm()<\/code>. L’ensemble de ces vecteurs est consolid\u00e9 au sein d’une structure rectangulaire via la fonction data.frame()<\/code>. La v\u00e9rification de la parfaite correspondance dimensionnelle entre les colonnes et le contr\u00f4le des premi\u00e8res lignes \u00e0 l’aide de l’utilitaire head()<\/code> garantissent que le substrat de calcul est parfaitement pr\u00eat pour les \u00e9tapes d’audit et de lissage statistique.<\/p>\n4.2 Contr\u00f4le des types de donn\u00e9es et nettoyage initial<\/h3>\n
class()<\/code>, typeof()<\/code> et str()<\/code> permet de certifier que les colonnes assign\u00e9es au lissage appartiennent strictement au type num\u00e9rique (numeric<\/em> ou double<\/em>). La pr\u00e9sence inopin\u00e9e d’un facteur, d’une cha\u00eene de caract\u00e8res ou d’une valeur textuelle parasite entra\u00eenerait l’interruption imm\u00e9diate de l’algorithme de calcul des distances locales de Lowess.<\/p>\nNA<\/code>, ou des valeurs non num\u00e9riques r\u00e9sultant d’op\u00e9rations illicites telles que NaN<\/code> ou l’infini math\u00e9matique Inf<\/code>. L’algorithme math\u00e9matique sous-jacent \u00e0 lowess()<\/code> ne tol\u00e8re pas la pr\u00e9sence de donn\u00e9es ind\u00e9finies, lesquelles g\u00e9n\u00e8rent des erreurs d’ex\u00e9cution ou la propagation d’ind\u00e9terminations sur l’ensemble de la trajectoire liss\u00e9e. Le recours aux op\u00e9rateurs logiques d’identification is.na()<\/code> et l’extraction subs\u00e9quente des observations compl\u00e8tes au moyen de la directive na.omit()<\/code> s’av\u00e8rent indispensables.<\/p>\nlowess()<\/code> proc\u00e8de en interne \u00e0 un r\u00e9arrangement ordonn\u00e9 des abscisses pour calculer sa progression locale, il constitue une saine pratique d’ing\u00e9nierie statistique de proc\u00e9der en amont au tri explicite du jeu de donn\u00e9es selon les valeurs croissantes de la variable explicative via l’instruction d’indexation order()<\/code>. Cette pr\u00e9caution garantit une parfaite homog\u00e9n\u00e9it\u00e9 s\u00e9quentielle lors de l’extraction des r\u00e9sidus ou lors du raccordement graphique ult\u00e9rieur \u00e0 l’aide des outils de visualisation conventionnels.<\/p>\n4.3 Statistiques descriptives pr\u00e9alables \u00e0 l’ajustement<\/h3>\n
range()<\/code>, compl\u00e9t\u00e9e par l’identification minutieuse des quantiles extr\u00eames au moyen de la commande quantile()<\/code>. L’inspection des \u00e9carts entre les premier, deuxi\u00e8me et troisi\u00e8me quartiles permet de d\u00e9celer la pr\u00e9sence d’une asym\u00e9trie de distribution (skewness) ou d’un aplatissement anomal (kurtosis). Une variable explicative pr\u00e9sentant des regroupements denses alternant avec de vastes d\u00e9serts de donn\u00e9es imposera une vigilance d\u00e9cupl\u00e9e quant au comportement des fen\u00eatres de voisinage local de Lowess.<\/p>\nsummary()<\/code> sur le data frame d’\u00e9tude. Les r\u00e9sum\u00e9s num\u00e9riques synth\u00e9tiques issus de cette \u00e9tape \u00e9tablissent le cadre de r\u00e9f\u00e9rence objectif indispensable pour juger ult\u00e9rieurement si la courbe de lissage respecte les grandeurs d’\u00e9chelle du ph\u00e9nom\u00e8ne mod\u00e9lis\u00e9 ou si elle subit des distorsions ind\u00e9sirables caus\u00e9es par une mauvaise calibration des hyperparam\u00e8tres de l’algorithme.<\/p>\n5. \u00c9tape 2 : Visualisation initiale et inspection du nuage de points<\/h2>\n
5.1 Construction du graphique de dispersion de base avec plot()<\/h3>\n
![\"Lowess](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/lowess2.png\")
![\"Lowess](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/lowess3.png\")