L’arbitrage formel entre ces deux approches ne rel\u00e8ve pas d’une simple pr\u00e9f\u00e9rence computationnelle, mais engage la validit\u00e9 m\u00eame des conclusions scientifiques tir\u00e9es d’une \u00e9tude. Choisir \u00e0 tort le mod\u00e8le de Poisson en pr\u00e9sence de surdispersion expose l’analyste \u00e0 un effondrement dramatique de ses erreurs-types, multipliant artificiellement les d\u00e9clarations de significativit\u00e9 statistique et alimentant directement la crise de reproductibilit\u00e9 qui frappe les sciences empiriques. \u00c0 l’inverse, l’emploi syst\u00e9matique et non justifi\u00e9 de mod\u00e8les plus complexes peut engendrer une instabilit\u00e9 param\u00e9trique inutile lorsque la parcimonie est de mise. Ce guide exhaustif a pour vocation d’analyser en profondeur les fondements math\u00e9matiques, les hypoth\u00e8ses stochastiques, les m\u00e9thodes diagnostiques et les strat\u00e9gies de s\u00e9lection r\u00e9gissant la confrontation entre r\u00e9gression de Poisson et r\u00e9gression binomiale n\u00e9gative, offrant ainsi aux chercheurs un cadre rigoureux pour \u00e9tayer leurs choix analytiques.<\/p>\n
1. 1. Introduction aux donn\u00e9es de comptage en sciences comportementales et psychologiques<\/h2>\n1.1 D\u00e9finition et propri\u00e9t\u00e9s math\u00e9matiques des donn\u00e9es de comptage<\/h3>\n
Les donn\u00e9es de comptage correspondent \u00e0 des variables al\u00e9atoires quantitatives discr\u00e8tes dont le support math\u00e9matique est restreint \u00e0 l’ensemble des entiers naturels, not\u00e9 ℕ = {0, 1, 2, 3, …}. Contrairement aux variables continues, une variable de comptage ne peut adopter de valeurs fractionnaires ou d\u00e9cimales : elle d\u00e9nombre des unit\u00e9s d’occurrence distinctes et indivisibles d’un ph\u00e9nom\u00e8ne d\u00e9fini. De plus, ces donn\u00e9es poss\u00e8dent une fronti\u00e8re structurelle stricte en z\u00e9ro, ce qui interdit rigoureusement l’existence de valeurs n\u00e9gatives. Dans la quasi-totalit\u00e9 des contextes comportementaux et psychologiques, les distributions empiriques de ces variables pr\u00e9sentent une forte asym\u00e9trie positive (dextrogire), caract\u00e9ris\u00e9e par une masse probabiliste imposante concentr\u00e9e sur les petites valeurs enti\u00e8res \u2014 et particuli\u00e8rement sur le z\u00e9ro \u2014 ainsi qu’une longue tra\u00eene s’\u00e9tendant vers des valeurs \u00e9lev\u00e9es plus rares.<\/p>\n
Cette structure distributionnelle viole intrins\u00e8quement les deux postulats fondamentaux sur lesquels repose la r\u00e9gression lin\u00e9aire classique par les moindres carr\u00e9s ordinaires (OLS) : la normalit\u00e9 des r\u00e9sidus et l’homosc\u00e9dasticit\u00e9, c’est-\u00e0-dire la constance de la variance de l’erreur conditionnellement aux pr\u00e9dicteurs. Dans les processus de comptage r\u00e9els, la variance empirique est intrins\u00e8quement d\u00e9pendante de la moyenne conditionnelle : plus le nombre moyen d’\u00e9v\u00e9nements pr\u00e9dits est grand, plus l’incertitude et l’\u00e9talement des observations augmentent. Ignorer cette liaison moyenne-variance conduit in\u00e9vitablement l’estimateur OLS \u00e0 produire des erreurs-types h\u00e9t\u00e9rosc\u00e9dastiques et non fiables, ruinant toute tentative d’inf\u00e9rence valide bas\u00e9e sur les statistiques de Student ou de Fisher.<\/p>\n
Sur le plan pr\u00e9dictif, l’application aveugle d’un mod\u00e8le lin\u00e9aire standard \u00e0 une variable de comptage aboutit fr\u00e9quemment \u00e0 des aberrations manifestes, telles que la g\u00e9n\u00e9ration de valeurs pr\u00e9dites n\u00e9gatives pour des sous-groupes d’individus pr\u00e9sentant de faibles scores sur les covariables explicatives. En recherche clinique, il est impensable d’estimer qu’un patient ayant suivi une th\u00e9rapie comportementale r\u00e9alisera, en moyenne, \u00ab -1,4 crise d’angoisse \u00bb par mois. Par ailleurs, des variables critiques comme le nombre de tentatives de suicide, la fr\u00e9quence des r\u00e9cidives chez les usagers d’opiac\u00e9s, ou le d\u00e9nombrement des lapsus attentionnels lors d’un protocole cognitif sous privation de sommeil, exhibent une nature discr\u00e8te ind\u00e9niable qui interdit l’assimilation \u00e0 un continuum gaussien sans introduire de biais substantiels dans l’estimation de la pente des effets.<\/p>\n
1.2 Le r\u00f4le fondamental des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM)<\/h3>\n
Introduits dans les travaux fondateurs de Nelder et Wedderburn (1972)<\/a>, les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s ont profond\u00e9ment r\u00e9volutionn\u00e9 l’analyse des variables d\u00e9pendantes non gaussiennes en proposant une architecture param\u00e9trique unifi\u00e9e. Un GLM repose formellement sur une structure tripartite : une composante al\u00e9atoire, un pr\u00e9dicteur lin\u00e9aire et une fonction de lien. La composante al\u00e9atoire sp\u00e9cifie que la variable d\u00e9pendante Y<\/em>, conditionnellement aux pr\u00e9dicteurs, suit une distribution appartenant \u00e0 la famille exponentielle de dispersions (englobant les lois gaussienne, de Poisson, binomiale, gamma, et sous certaines formulations, binomiale n\u00e9gative). Le pr\u00e9dicteur lin\u00e9aire, not\u00e9 ηi<\/sub>, agr\u00e8ge lin\u00e9airement l’ensemble des covariables associ\u00e9es \u00e0 leurs coefficients respectifs selon la formulation vectorielle standard :<\/p>\n ηi<\/sub> = β0<\/sub> + β1<\/sub>X1i<\/sub> + β2<\/sub>X2i<\/sub> + … + βk<\/sub>Xki<\/sub><\/p>\n La composante pivotale qui articule ce pr\u00e9dicteur lin\u00e9aire avec l’esp\u00e9rance conditionnelle μi<\/sub> = E(Yi<\/sub>|Xi<\/sub>) de la variable de comptage est la fonction de lien, not\u00e9e g(·)<\/em>, telle que ηi<\/sub> = g(μi<\/sub>)<\/em>. Pour les mod\u00e8les de comptage, la fonction de lien canonique est la fonction logarithmique naturelle, g(μ)<\/em> = ln(μ). D\u00e8s lors, le mod\u00e8le s’exprime sous la forme ln(μi<\/sub>) = Xi<\/sub>β, ce qui \u00e9quivaut, par inversion de la fonction de lien, \u00e0 une relation multiplicative non lin\u00e9aire pour la moyenne conditionnelle :<\/p>\n μi<\/sub> = exp(Xi<\/sub>β) = exp(β0<\/sub>) × exp(β1<\/sub>X1i<\/sub>) × … × exp(βk<\/sub>Xki<\/sub>)<\/p>\n Cette formulation garantit rigoureusement que l’esp\u00e9rance math\u00e9matique μi<\/sub> demeure strictement positive pour toute combinaison de covariables, \u00e9liminant ainsi toute possibilit\u00e9 de pr\u00e9diction n\u00e9gative absurde. De surcro\u00eet, le recours \u00e0 un GLM log-lin\u00e9aire surpasse cat\u00e9goriquement la pratique artisanale et d\u00e9pass\u00e9e consistant \u00e0 appliquer une transformation empirique directe de type log(Y + 1) sur la variable brute avant d’ajuster un mod\u00e8le gaussien. Les travaux m\u00e9thodologiques de O’Hara et Kotze (2010)<\/a> ont d\u00e9montr\u00e9 de mani\u00e8re indiscutable que la transformation log(Y + 1) induit des biais d’estimation massifs, distord les relations fonctionnelles sous-jacentes, et engendre une perte s\u00e9v\u00e8re de puissance statistique, en particulier lorsque la moyenne conditionnelle est faible ou que la proportion de z\u00e9ros est pr\u00e9pond\u00e9rante. Le GLM pr\u00e9serve quant \u00e0 lui l’int\u00e9grit\u00e9 de l’espace d’\u00e9chantillonnage discret tout en mod\u00e9lisant ad\u00e9quatement la structure h\u00e9t\u00e9rosc\u00e9dastique des r\u00e9sidus.<\/p>\n L’acc\u00e8s aux mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s ouvre une interrogation d\u00e9cisive pour le statisticien et le chercheur en sciences humaines : quel mod\u00e8le param\u00e9trique sp\u00e9cifique convient-il de privil\u00e9gier pour d\u00e9crire la composante al\u00e9atoire ? L’arbitrage s’articule principalement entre la r\u00e9gression de Poisson, mod\u00e8le de r\u00e9f\u00e9rence par excellence pour les d\u00e9nombrements, et la r\u00e9gression binomiale n\u00e9gative, sa g\u00e9n\u00e9ralisation flexible con\u00e7ue pour rel\u00e2cher les contraintes stochastiques strictes. La r\u00e9gression de Poisson se distingue par son \u00e9l\u00e9gante parcimonie : elle postule que la variance conditionnelle est rigoureusement identique \u00e0 la moyenne conditionnelle, un ph\u00e9nom\u00e8ne math\u00e9matique d\u00e9sign\u00e9 sous le terme d’\u00e9quidispersion.<\/p>\n Cependant, dans la r\u00e9alit\u00e9 complexe des donn\u00e9es observationnelles et exp\u00e9rimentales en psychologie, cette \u00e9quivalence th\u00e9orique se v\u00e9rifie presque jamais. L’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 biologique, cognitive et sociologique non captur\u00e9e par les variables explicatives g\u00e9n\u00e8re une dispersion empirique bien plus large que celle tol\u00e9r\u00e9e par le cadre de Poisson, un ph\u00e9nom\u00e8ne omnipr\u00e9sent qualifi\u00e9 de surdispersion. Lorsque l’analyste persiste \u00e0 employer un mod\u00e8le de Poisson face \u00e0 des donn\u00e9es surdispers\u00e9es, les estimateurs des coefficients de r\u00e9gression demeurent convergents, mais leurs erreurs-types associ\u00e9es sont s\u00e9v\u00e8rement sous-estim\u00e9es. Cette contraction artificielle de l’incertitude entra\u00eene une explosion des erreurs de premi\u00e8re esp\u00e8ce (taux de faux positifs), conduisant les chercheurs \u00e0 conclure abusivement \u00e0 l’efficacit\u00e9 d’une th\u00e9rapie ou \u00e0 la significativit\u00e9 de corr\u00e9lations psychopathologiques.<\/p>\n \u00c0 l’inverse, l’utilisation automatique et non contextualis\u00e9e de la r\u00e9gression binomiale n\u00e9gative soul\u00e8ve des questions de robustesse et de sur-param\u00e9trisation dans les \u00e9chantillons de taille restreinte. Estimer conjointement les pentes de r\u00e9gression et un param\u00e8tre de surdispersion requiert des algorithmes d’optimisation num\u00e9rique it\u00e9ratifs qui peuvent peiner \u00e0 converger si la taille d’\u00e9chantillon est faible ou si les donn\u00e9es ne contiennent pas une variance exc\u00e9dentaire suffisante. Le choix raisonn\u00e9 entre ces deux approches ne peut \u00eatre r\u00e9duit \u00e0 une simple habitude logicielle : il conditionne la validit\u00e9 inf\u00e9rentielle, la r\u00e9plicabilit\u00e9 des r\u00e9sultats empiriques et la port\u00e9e clinique des inf\u00e9rences formul\u00e9es.<\/p>\n La distribution univari\u00e9e de Poisson constitue le socle probabiliste de la mod\u00e9lisation des \u00e9v\u00e9nements discrets se d\u00e9roulant dans un continuum spatio-temporel fixe. Soit Y<\/em> une variable al\u00e9atoire d\u00e9signant le nombre d’occurrences d’un \u00e9v\u00e9nement au cours d’une fen\u00eatre d’observation standardis\u00e9e. On dit que Y<\/em> suit une loi de Poisson de param\u00e8tre λ > 0, not\u00e9e Y ~ P(λ)<\/em>, si sa fonction de masse de probabilit\u00e9 discr\u00e8te s’exprime, pour toute valeur enti\u00e8re y<\/em> ∈ ℕ, par l’\u00e9quation suivante :<\/p>\n P(Y = y | λ) = [e-λ<\/sup> × λy<\/sup>] \/ y!<\/p>\n o\u00f9 e<\/em> repr\u00e9sente la constante n\u00e9p\u00e9rienne et y!<\/em> d\u00e9signe la factorielle de l’entier y<\/em>. L’\u00e9mergence d’un processus de Poisson pur repose sur trois postulats fondamentaux : l’homog\u00e9n\u00e9it\u00e9 temporelle (le taux d’occurrence instantan\u00e9 λ est constant durant toute la dur\u00e9e d’observation), la non-simultan\u00e9it\u00e9 des \u00e9v\u00e9nements (la probabilit\u00e9 que deux \u00e9v\u00e9nements distincts se produisent dans un intervalle de temps infinit\u00e9simal est n\u00e9gligeable), et l’ind\u00e9pendance stochastique (le nombre d’\u00e9v\u00e9nements observ\u00e9s dans un intervalle donn\u00e9 est totalement ind\u00e9pendant du nombre d’\u00e9v\u00e9nements survenus dans tout intervalle disjoint ant\u00e9rieur).<\/p>\n Dans le cadre de la r\u00e9gression de Poisson, l’intensit\u00e9 moyenne d’occurrence n’est plus consid\u00e9r\u00e9e comme constante pour l’ensemble des individus, mais varie en fonction d’un vecteur de pr\u00e9dicteurs Xi<\/sub><\/em> selon la sp\u00e9cification log-lin\u00e9aire λi<\/sub> = exp(Xi<\/sub>β). Pour un \u00e9chantillon de n<\/em> observations ind\u00e9pendantes, la fonction de vraisemblance conjointe L(β)<\/em> s’obtient par le produit des probabilit\u00e9s individuelles :<\/p>\n L(β) = ∏i=1<\/sub>n<\/sup> [exp(-exp(Xi<\/sub>β)) × (exp(Xi<\/sub>β))yi<\/sub><\/sup>] \/ yi<\/sub>!<\/p>\n En prenant le logarithme naturel de cette fonction, nous obtenons la log-vraisemblance standard :<\/p>\n ln L(β) = ∑i=1<\/sub>n<\/sup> [yi<\/sub> (Xi<\/sub>β) – exp(Xi<\/sub>β) – ln(yi<\/sub>!)]<\/p>\n L’estimation des coefficients vectoriels β s’effectue par la m\u00e9thode du maximum de vraisemblance (MLE)<\/a>. En d\u00e9rivant la log-vraisemblance par rapport au vecteur β, on obtient le vecteur gradient, ou \u00e9quations de score :<\/p>\n ∂(ln L) \/ ∂β = ∑i=1<\/sub>n<\/sup> [yi<\/sub> – exp(Xi<\/sub>β)] Xi<\/sub> = 0<\/p>\n Ce syst\u00e8me d’\u00e9quations transcendantes ne poss\u00e8de pas de solution analytique ferm\u00e9e dans le cas g\u00e9n\u00e9ral. Sa r\u00e9solution requiert l’emploi d’algorithmes d’optimisation num\u00e9rique tels que l’algorithme des moindres carr\u00e9s it\u00e9rativement repond\u00e9r\u00e9s (IRLS) ou la m\u00e9thode de Newton-Raphson. Sous les conditions standards de r\u00e9gularit\u00e9 asymptotique, l’estimateur r\u00e9sultant β̂ est convergent, asymptotiquement normal et asymptotiquement efficace, avec une matrice de variance-covariance asymptotique donn\u00e9e par l’inverse de la matrice d’information de Fisher observ\u00e9e.<\/p>\n L’interpr\u00e9tation des coefficients estim\u00e9s β̂ dans un mod\u00e8le log-lin\u00e9aire diff\u00e8re radicalement de celle des mod\u00e8les lin\u00e9aires gaussiens en raison de la nature multiplicative impos\u00e9e par la fonction de lien. Soit un mod\u00e8le univari\u00e9 comportant une seule covariable continue X<\/em> : ln(E(Y|X)) = β0<\/sub> + β1<\/sub>X. Si nous augmentons la valeur de la variable explicative d’une unit\u00e9, la nouvelle esp\u00e9rance conditionnelle devient E(Y|X + 1) = exp(β0<\/sub> + β1<\/sub>(X + 1)). En examinant le rapport de ces deux esp\u00e9rances math\u00e9matiques, nous constatons :<\/p>\n E(Y|X + 1) \/ E(Y|X) = exp(β0<\/sub> + β1<\/sub>X + β1<\/sub>) \/ exp(β0<\/sub> + β1<\/sub>X) = exp(β1<\/sub>)<\/p>\n Cette quantit\u00e9 exponenti\u00e9e, not\u00e9e exp(β), est universellement appel\u00e9e le Ratio de Taux d’Incidence<\/strong> (Incidence Rate Ratio<\/em>, ou IRR). L’IRR exprime la modification proportionnelle et multiplicative du taux attendu d’occurrence de l’\u00e9v\u00e9nement induite par une augmentation d’une unit\u00e9 de la variable pr\u00e9dictive correspondante, toutes les autres covariables du mod\u00e8le \u00e9tant maintenues rigoureusement constantes.<\/p>\n Dans la pratique clinique, la conversion des coefficients logarithmiques bruts en IRR simplifie consid\u00e9rablement la restitution des conclusions empiriques :<\/p>\n L’estimation des intervalles de confiance \u00e0 95 % entourant ces ratios de taux d’incidence s’effectue usuellement en appliquant la transformation exponentielle directement aux bornes de l’intervalle de confiance de Wald calcul\u00e9 sur le coefficient additif brut : [exp(β̂j<\/sub> – 1.96 × SE(β̂j<\/sub>)) ; exp(β̂j<\/sub> + 1.96 × SE(β̂j<\/sub>))]. Alternativement, pour les param\u00e8tres transform\u00e9s, l’usage de la m\u00e9thode delta<\/a> permet d’approximer la variance asymptotique de exp(β̂), garantissant une pr\u00e9cision inf\u00e9rentielle ad\u00e9quate m\u00eame sous de l\u00e9g\u00e8res asym\u00e9tries de l’\u00e9chantillonnage fini.<\/p>\n L’une des contraintes analytiques fr\u00e9quentes en psychologie exp\u00e9rimentale et \u00e9pid\u00e9miologique r\u00e9side dans le fait que les unit\u00e9s observationnelles ne sont pas toujours examin\u00e9es durant des intervalles de temps identiques, ou ne sont pas expos\u00e9es \u00e0 un volume \u00e9gal d’opportunit\u00e9s de g\u00e9n\u00e9rer l’\u00e9v\u00e9nement \u00e9tudi\u00e9. Par exemple, mesurer le nombre d’actes d’agressivit\u00e9 chez des patients hospitalis\u00e9s en psychiatrie n’a de sens que si l’on prend en consid\u00e9ration le nombre exact de jours d’hospitalisation de chaque patient. Un patient hospitalis\u00e9 180 jours pr\u00e9sentant 10 actes agressifs pr\u00e9sente une intensit\u00e9 comportementale nettement inf\u00e9rieure \u00e0 celle d’un patient cumulant 8 actes au cours d’un s\u00e9jour de seulement 14 jours.<\/p>\n Pour int\u00e9grer rigoureusement cette variabilit\u00e9 de l’exposition, le mod\u00e8le doit mod\u00e9liser un taux par unit\u00e9 de temps ou d’effort, soit μi<\/sub> \/ ti<\/sub>, o\u00f9 ti<\/sub><\/em> d\u00e9signe la mesure d’exposition quantitative propre \u00e0 l’individu i<\/em>. En formalisant cette relation par le lien logarithmique, nous obtenons :<\/p>\n ln(μi<\/sub> \/ ti<\/sub>) = Xi<\/sub>β ⇒ ln(μi<\/sub>) – ln(ti<\/sub>) = Xi<\/sub>β ⇒ ln(μi<\/sub>) = ln(ti<\/sub>) + Xi<\/sub>β<\/p>\n Le terme ln(ti<\/sub>) est d\u00e9sign\u00e9 sous le terme technique d’offset<\/strong> statistique. Dans l’architecture du GLM, l’offset correspond \u00e0 une covariable quantitative dont le coefficient de r\u00e9gression est structurellement fix\u00e9 \u00e0 la valeur 1, et n’est donc pas estim\u00e9 par l’algorithme d’optimisation. L’omission d’un offset requis alt\u00e8re substantiellement la signification th\u00e9orique des estimateurs : elle confond la variation r\u00e9elle du taux comportemental intrins\u00e8que avec la simple variabilit\u00e9 des dur\u00e9es de mesure ou du nombre d’items administr\u00e9s aux participants, produisant des artefacts statistiques majeurs.<\/p>\n La distribution de Poisson poss\u00e8de une singularit\u00e9 math\u00e9matique remarquable qui constitue \u00e0 la fois sa force conceptuelle et sa plus grande vuln\u00e9rabilit\u00e9 empirique : elle est enti\u00e8rement caract\u00e9ris\u00e9e par un param\u00e8tre unique, λ. De cette architecture \u00e0 param\u00e8tre unique d\u00e9coule directement la propri\u00e9t\u00e9 fondamentale d’\u00e9quidispersion<\/strong>, stipulant l’\u00e9galit\u00e9 absolue entre l’esp\u00e9rance math\u00e9matique du processus et sa variance :<\/p>\n E(Y) = Var(Y) = λ<\/p>\n Transpos\u00e9e au contexte de la r\u00e9gression de Poisson, l’\u00e9quidispersion impose que pour n’importe quelle configuration donn\u00e9e de covariables explicatives X<\/em>, la variance conditionnelle des r\u00e9ponses individuelles soit strictement \u00e9gale \u00e0 la moyenne conditionnelle pr\u00e9dite par le mod\u00e8le :<\/p>\n Var(Yi<\/sub> | Xi<\/sub>) = E(Yi<\/sub> | Xi<\/sub>) = μi<\/sub> = exp(Xi<\/sub>β)<\/p>\n Cette hypoth\u00e8se implique une rigidit\u00e9 structurelle extr\u00eame. Elle postule que le m\u00e9canisme stochastique r\u00e9gissant la fr\u00e9quence moyenne des \u00e9v\u00e9nements gouverne \u00e9galement, de fa\u00e7on d\u00e9terministe et invariable, la dispersion de ces \u00e9v\u00e9nements autour de cette moyenne. Si cette propri\u00e9t\u00e9 offre une \u00e9l\u00e9gance math\u00e9matique ind\u00e9niable et simplifie le calcul de la vraisemblance, elle s’accorde tr\u00e8s mal avec la dynamique des comportements humains. En sciences sociales et comportementales, il est exceptionnel que la variabilit\u00e9 r\u00e9siduelle observ\u00e9e se conforme \u00e0 cette contrainte th\u00e9orique \u00e9troite.<\/p>\n L’effondrement syst\u00e9matique de l’\u00e9quidispersion dans les plans de recherche exp\u00e9rimentaux et observationnels d\u00e9coule de plusieurs m\u00e9canismes sous-jacents bien document\u00e9s en m\u00e9thodologie quantitative. Le premier r\u00e9side dans l’existence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle non observ\u00e9e<\/strong>. Dans toute \u00e9tude psychologique, des facteurs latents majeurs \u2014 variations g\u00e9n\u00e9tiques, susceptibilit\u00e9s neurobiologiques, traits de personnalit\u00e9 ou contextes familiaux non mesur\u00e9s \u2014 introduisent des disparit\u00e9s substantielles de propension de base entre les individus. D\u00e8s lors que cette variabilit\u00e9 latente n’est pas explicitement mod\u00e9lis\u00e9e par des pr\u00e9dicteurs dans la matrice X<\/em>, elle se diffuse dans le terme d’erreur r\u00e9siduel, augmentant la variabilit\u00e9 bien au-del\u00e0 de la valeur pr\u00e9dite par le mod\u00e8le conditionnel de Poisson.<\/p>\n Le second m\u00e9canisme rel\u00e8ve de la violation du postulat d’ind\u00e9pendance des \u00e9v\u00e9nements<\/strong>, fr\u00e9quemment d\u00e9sign\u00e9e sous l’appellation de contagion temporelle ou de renforcement comportemental. Le mod\u00e8le de Poisson exige que la survenue d’un \u00e9v\u00e9nement n’alt\u00e8re en rien la probabilit\u00e9 d’occurrence des \u00e9v\u00e9nements futurs. Or, dans les comportements addictifs, les conduites suicidaires ou les compulsions associ\u00e9es au trouble obsessionnel-compulsif, la r\u00e9alisation d’un premier acte modifie profond\u00e9ment la dynamique psychique du sujet : elle brise des barri\u00e8res inhibitrices ou active des circuits de renforcement neurochimique qui rendent les \u00e9v\u00e9nements ult\u00e9rieurs bien plus probables (contagion positive). \u00c0 l’inverse, l’apparition d’un \u00e9v\u00e9nement peut induire une p\u00e9riode r\u00e9fractaire au cours de laquelle toute nouvelle occurrence est impossible (contagion n\u00e9gative, induisant alors une sous-dispersion).<\/p>\n Enfin, le regroupement des observations au sein de clusters \u00e9cologiques \u2014 tels que des patients trait\u00e9s au sein de diff\u00e9rentes cliniques, des \u00e9l\u00e8ves nich\u00e9s dans des classes scolaires ou des familles soumises \u00e0 un m\u00eame environnement \u2014 introduit des corr\u00e9lations intra-groupes qui gonflent artificiellement la variance empirique globale. Associ\u00e9e aux in\u00e9vitables erreurs de mesure inh\u00e9rentes aux inventaires auto-rapport\u00e9s (qui augmentent le bruit r\u00e9siduel), cette structure complexe d’agr\u00e9gation d’\u00e9v\u00e9nements rompt d\u00e9finitivement l’\u00e9quidispersion th\u00e9orique.<\/p>\n1.3 Probl\u00e9matique centrale du choix de mod\u00e9lisation<\/h3>\n
2. 2. Fondements th\u00e9oriques du mod\u00e8le de r\u00e9gression de Poisson<\/h2>\n
2.1 Distribution de Poisson et formulation stochastique<\/h3>\n
2.2 Interpr\u00e9tation des coefficients et ratios de taux d’incidence (IRR)<\/h3>\n
\n
2.3 Inclusion des termes d’exposition statistique (Offsets)<\/h3>\n
3. 3. L’hypoth\u00e8se fondamentale d’\u00e9quidispersion et ses limites pratiques<\/h2>\n
3.1 Le principe formel de l’\u00e9quidispersion<\/h3>\n
3.2 Facteurs induisant la rupture de l’\u00e9quidispersion<\/h3>\n
3.3 Cons\u00e9quences statistiques de l’ignorance du postulat<\/h3>\n
![\"Negative](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/negativeBinom1.png\")