{"id":7747,"date":"2026-09-16T23:52:17","date_gmt":"2026-09-16T23:52:17","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/coefficient-de-regression-partielle-definition-et-exemple\/"},"modified":"2026-09-16T23:52:20","modified_gmt":"2026-09-16T23:52:20","slug":"coefficient-de-regression-partielle-definition-et-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=coefficient-de-regression-partielle-definition-et-exemple","title":{"rendered":"Coefficient de r\u00e9gression partielle : d\u00e9finition et exemple"},"content":{"rendered":"

Dans le vaste champ de la mod\u00e9lisation statistique appliqu\u00e9e aux sciences humaines, sociales et comportementales, l’analyse de r\u00e9gression lin\u00e9aire multiple occupe une place pr\u00e9pond\u00e9rante. Lorsqu’un chercheur tente de comprendre les d\u00e9terminants complexes d’un ph\u00e9nom\u00e8ne empirique, il se heurte in\u00e9vitablement \u00e0 l’interd\u00e9pendance des facteurs explicatifs. Dans le monde r\u00e9el, les comportements, les traits psychologiques et les performances cognitives ne se manifestent jamais de mani\u00e8re isol\u00e9e ; ils s’inscrivent au sein d’un r\u00e9seau dense de corr\u00e9lations mutuelles. C’est pr\u00e9cis\u00e9ment pour d\u00e9m\u00ealer cet \u00e9cheveau d’influences partag\u00e9es que le coefficient de r\u00e9gression partielle s’impose comme la pierre angulaire de l’\u00e9conom\u00e9trie et de la psychom\u00e9trie contemporaines.<\/p>\n

Le coefficient de r\u00e9gression partielle constitue l’outil fondamental permettant de quantifier l’effet r\u00e9siduel, direct et marginal d’une variable explicative donn\u00e9e sur une variable d\u00e9pendante, apr\u00e8s avoir math\u00e9matiquement neutralis\u00e9, purg\u00e9 ou \u00ab contr\u00f4l\u00e9 \u00bb l’influence de l’ensemble des autres covariables int\u00e9gr\u00e9es dans le mod\u00e8le. Loin d’\u00eatre une simple d\u00e9clinaison calculatoire de la corr\u00e9lation bivari\u00e9e, ce param\u00e8tre incarne une d\u00e9marche \u00e9pist\u00e9mologique sophistiqu\u00e9e : il permet d’isoler th\u00e9oriquement des relations fonctionnelles au sein de structures d’observation non exp\u00e9rimentales. En op\u00e9rant cette partition rigoureuse de la variance, le statisticien s’approche d’une forme d’exp\u00e9rimentation passive, essentielle lorsque la manipulation directe des variables s’av\u00e8re mat\u00e9riellement ou \u00e9thiquement impossible.<\/p>\n

Cet article propose une exploration approfondie, th\u00e9orique et appliqu\u00e9e du coefficient de r\u00e9gression partielle. En d\u00e9butant par ses fondements conceptuels, son \u00e9volution historique et sa d\u00e9rivation math\u00e9matique matricielle rigoureuse, nous examinerons la port\u00e9e exacte de la clause ceteris paribus<\/em>. Nous poursuivrons par l’analyse d\u00e9taill\u00e9e d’un exemple empirique issu des sciences de l’\u00e9ducation, compl\u00e9t\u00e9 par l’interpr\u00e9tation pas \u00e0 pas des sorties logicielles, l’arbitrage entre m\u00e9triques brutes et standardis\u00e9es, ainsi que les d\u00e9fis inh\u00e9rents \u00e0 la multicollin\u00e9arit\u00e9 et aux paradoxes de suppression statistique. Enfin, un guide m\u00e9thodologique conforme aux normes acad\u00e9miques internationales viendra clore cette synth\u00e8se exhaustive.<\/p>\n

1. 1. Introduction fondamentale au coefficient de r\u00e9gression partielle<\/h2>\n

1.1 D\u00e9finition conceptuelle et statut \u00e9pist\u00e9mologique<\/h3>\n

Le coefficient de r\u00e9gression partielle repr\u00e9sente la variation attendue de la variable r\u00e9ponse (ou variable crit\u00e8re, not\u00e9e $Y$<\/span>) pour chaque modification unitaire d’un pr\u00e9dicteur sp\u00e9cifique ($X_j$<\/span>), sous la condition formelle que l’ensemble des autres pr\u00e9dicteurs inclus dans le mod\u00e8le lin\u00e9aire demeure strictement invariant. Sur le plan \u00e9pist\u00e9mologique, ce param\u00e8tre ne d\u00e9crit pas une simple co-occurrence statistique brute, mais formalise une tentative d’isoler l’effet marginal direct propre \u00e0 une dimension explicative. Dans les syst\u00e8mes multivari\u00e9s, plusieurs pr\u00e9dicteurs partagent fr\u00e9quemment des fractions substantielles de variance en raison de leurs interconnexions sous-jacentes. Le coefficient partiel intervient comme un op\u00e9rateur de purification : il soustrait de la relation entre $X_j$<\/span> et $Y$<\/span> toute l’information redondante d\u00e9j\u00e0 expliqu\u00e9e par les autres covariables du mod\u00e8le.<\/p>\n

Cette particularit\u00e9 analytique \u00e9tablit une distinction \u00e9pist\u00e9mologique fondamentale entre l’association bivari\u00e9e brute et la relation conditionnelle ajust\u00e9e. Alors que le coefficient de r\u00e9gression simple exprime le changement total observ\u00e9 sur $Y$<\/span> sans se pr\u00e9occuper des canaux indirects ou des variables confondantes associ\u00e9es, le coefficient partiel extrait la composante unique de la relation fonctionnelle. Par ailleurs, sa formulation quantitative pr\u00e9serve la m\u00e9trique originale des instruments de mesure mobilis\u00e9s. Si la variable $Y$<\/span> est mesur\u00e9e en points d’examen et le pr\u00e9dicteur $X_j$<\/span> en heures d’apprentissage, le coefficient s’exprime rigoureusement en \u00ab points par heure \u00bb, conf\u00e9rant ainsi au r\u00e9sultat une interpr\u00e9tabilit\u00e9 concr\u00e8te, imm\u00e9diatement traduisible au niveau des politiques \u00e9ducatives, cliniques ou manag\u00e9riales.<\/p>\n

1.2 \u00c9volution historique du concept dans la mod\u00e9lisation statistique<\/h3>\n

La gen\u00e8se du coefficient de r\u00e9gression partielle s’enracine dans les travaux pionniers de Sir Francis Galton<\/a> \u00e0 la fin du dix-neuvi\u00e8me si\u00e8cle. En \u00e9tudiant les m\u00e9canismes de transmission h\u00e9r\u00e9ditaire de la taille humaine, Galton mit en lumi\u00e8re le ph\u00e9nom\u00e8ne de \u00ab r\u00e9gression vers la m\u00e9diocrit\u00e9 \u00bb (r\u00e9gression vers la moyenne), formalisant les pr\u00e9mices de la r\u00e9gression bivari\u00e9e. N\u00e9anmoins, l’incapacit\u00e9 du cadre galtonien \u00e0 dissocier les influences maternelles, paternelles et environnementales motiva Karl Pearson<\/a> \u00e0 conceptualiser math\u00e9matiquement le coefficient de corr\u00e9lation produit-moment et \u00e0 entrevoir l’extension aux syst\u00e8mes corr\u00e9latifs d’ordre sup\u00e9rieur.<\/p>\n

C’est toutefois au statisticien britannique George Udny Yule<\/a> que l’on doit, entre 1897 et 1907, la formalisation analytique rigoureuse de la r\u00e9gression multiple et des coefficients partiels. Confront\u00e9 aux d\u00e9terminants socio-\u00e9conomiques du paup\u00e9risme en Angleterre, Yule cherchait \u00e0 mesurer l’impact direct de la distribution des aides sociales tout en contr\u00f4lant l’\u00e2ge de la population et les conditions \u00e9conomiques locales. Il d\u00e9veloppa la th\u00e9orie des moindres carr\u00e9s appliqu\u00e9e aux syst\u00e8mes \u00e0 variables multiples et introduisit les concepts de corr\u00e9lations d’ordre partiel. Cette avanc\u00e9e marqua le passage historique de la corr\u00e9lation descriptive na\u00efve vers une estimation explicative robuste par les moindres carr\u00e9s ordinaires (MCO), posant le socle analytique incontournable qui r\u00e9git aujourd’hui encore la recherche quantitative en \u00e9conomie, en \u00e9pid\u00e9miologie et en psychom\u00e9trie.<\/p>\n

1.3 Importance th\u00e9orique dans les sciences du comportement<\/h3>\n

Dans le domaine des sciences du comportement, l’exp\u00e9rimentation pure en laboratoire avec assignation al\u00e9atoire parfaite se heurte souvent \u00e0 des contraintes pratiques et d\u00e9ontologiques. L’\u00e9tude de processus cognitifs complexes, de traits de personnalit\u00e9 ou de psychopathologies s’effectue g\u00e9n\u00e9ralement en contexte observationnel ou quasi exp\u00e9rimental. Dans ce cadre, la pr\u00e9sence de variables parasites (ou covariables de confusion) menace en permanence la validit\u00e9 interne des inf\u00e9rences. Le coefficient de r\u00e9gression partielle offre une solution m\u00e9thodologique indispensable en permettant de neutraliser a posteriori les disparit\u00e9s individuelles telles que le niveau socio-\u00e9conomique, l’intelligence fluide de base ou le degr\u00e9 d’anxi\u00e9t\u00e9 g\u00e9n\u00e9rale lors de l’\u00e9valuation d’un traitement th\u00e9rapeutique ou d’un programme p\u00e9dagogique.<\/p>\n

De surcro\u00eet, le coefficient partiel constitue l’instrument privil\u00e9gi\u00e9 pour \u00e9tablir la validit\u00e9 incr\u00e9mentale d’un construit psychologique th\u00e9oris\u00e9. Lorsqu’un psychologue affirme qu’une nouvelle \u00e9chelle de \u00ab grit \u00bb (pers\u00e9v\u00e9rance) pr\u00e9dit le succ\u00e8s acad\u00e9mique au-del\u00e0 des facteurs classiques du mod\u00e8le des Big Five, l’administration d’une r\u00e9gression multiple est requise. Le coefficient partiel associ\u00e9 au grit, s’il demeure statistiquement significatif apr\u00e8s introduction de la conscience, de l’extraversion et de l’ouverture, prouve que ce nouveau concept apporte une part explicative in\u00e9dite non redondante. Enfin, cette mod\u00e9lisation oblige le chercheur \u00e0 op\u00e9rer une distinction th\u00e9orique nette entre un effet de m\u00e9diation \u2014 o\u00f9 la variable interm\u00e9diaire transmet l’impact d’une cause initiale \u2014 et un simple contr\u00f4le d’effets r\u00e9siduels, \u00e9vitant ainsi des erreurs majeures d’interpr\u00e9tation causale.<\/p>\n

2. 2. Distinction conceptuelle : r\u00e9gression simple versus r\u00e9gression multiple<\/h2>\n

2.1 La nature du coefficient dans la r\u00e9gression lin\u00e9aire simple<\/h3>\n

Dans une analyse de r\u00e9gression lin\u00e9aire bivari\u00e9e, le coefficient de r\u00e9gression (souvent d\u00e9sign\u00e9 par la pente de la droite de r\u00e9gression univari\u00e9e, $b_{simple}$<\/span>) mesure la variation attendue de la variable d\u00e9pendante $Y$<\/span> pour une \u00e9l\u00e9vation d’une unit\u00e9 de l’unique variable pr\u00e9dictive $X$<\/span>. D’un point de vue purement g\u00e9om\u00e9trique et alg\u00e9brique, cette pente \u00e9quivaut au ratio de la covariance entre $X$<\/span> et $Y$<\/span> sur la variance de $X$<\/span>, soit $b_{simple} = \\frac{\\text{Cov}(X,Y)}{\\text{Var}(X)}$<\/span>. Cette formulation implique que le coefficient capture l’int\u00e9gralit\u00e9 de l’association empirique existant entre les deux entit\u00e9s num\u00e9riques, sans effectuer la moindre discrimination quant aux sources originelles de cette covariation.<\/p>\n

Par cons\u00e9quent, la r\u00e9gression simple est intrins\u00e8quement vuln\u00e9rable au biais d’omission de variables fondamentales. Si une tierce variable $Z$<\/span> est corr\u00e9l\u00e9e simultan\u00e9ment avec $X$<\/span> et $Y$<\/span>, la pente bivari\u00e9e absorbera m\u00e9caniquement l’effet de $Z$<\/span>, attribuant fallacieusement \u00e0 $X$<\/span> une force ou une nature de relation qui n’est qu’un artefact structurel. Vouloir d\u00e9duire une relation causale ou m\u00eame une pr\u00e9diction op\u00e9rationnelle fiable \u00e0 partir d’un coefficient simple expose le chercheur \u00e0 des extrapolations totalement erron\u00e9es d\u00e8s lors que le syst\u00e8me g\u00e9n\u00e9rateur de donn\u00e9es repose sur des d\u00e9pendances multifactorielles.<\/p>\n

2.2 L’\u00e9mergence de la partialit\u00e9 dans la r\u00e9gression multiple<\/h3>\n

L’int\u00e9gration conjointe de plusieurs pr\u00e9dicteurs au sein d’une \u00e9quation lin\u00e9aire transforme profond\u00e9ment la nature math\u00e9matique du coefficient estim\u00e9. Le coefficient devient \u00ab partiel \u00bb pr\u00e9cis\u00e9ment parce qu’il op\u00e8re un ajustement simultan\u00e9 pour l’ensemble des covariables concurrentes introduites dans la matrice de mod\u00e9lisation. Ce processus repose sur la partition g\u00e9om\u00e9trique de l’espace vectoriel des observations : le mod\u00e8le identifie et retire la variance partag\u00e9e entre les pr\u00e9dicteurs pour ne conserver que la variance strictement sp\u00e9cifique \u00e0 chaque pr\u00e9dicteur dans son association avec la variable d\u00e9pendante.<\/p>\n

Cette partialisation peut induire des modifications spectaculaires par rapport aux estimations univari\u00e9es initiales. Il est fr\u00e9quent d’observer une att\u00e9nuation substantielle du coefficient, d\u00e9montrant que l’association univari\u00e9e initiale n’\u00e9tait qu’un mirage aliment\u00e9 par des facteurs confondants. Plus d\u00e9stabilisant encore, le signe du coefficient peut s’inverser totalement lors du passage de la r\u00e9gression simple \u00e0 la r\u00e9gression multiple, illustrant le c\u00e9l\u00e8bre paradoxe de Simpson<\/a>. Inversement, la partialisation poss\u00e8de la propri\u00e9t\u00e9 de r\u00e9v\u00e9ler des effets masqu\u00e9s ou des m\u00e9canismes de suppression statistique, o\u00f9 un pr\u00e9dicteur semble sans relation avec $Y$<\/span> au niveau bivari\u00e9 ($r \\approx 0$<\/span>), mais affiche un coefficient partiel vigoureux et statistiquement significatif d\u00e8s lors qu’un autre facteur est contr\u00f4l\u00e9.<\/p>\n

2.3 Tableau comparatif des propri\u00e9t\u00e9s statistiques et analytiques<\/h3>\n

Afin de conceptualiser rigoureusement les mutations analytiques s’op\u00e9rant lors de la transition d’un mod\u00e8le simple \u00e0 un mod\u00e8le multivari\u00e9, il convient d’examiner le comportement de leurs param\u00e8tres fondamentaux au sein d’une structure synth\u00e9tique comparative.<\/p>\n\n\n\n\n\n\n\n\n\n
Propri\u00e9t\u00e9 Statistique<\/th>\nR\u00e9gression Lin\u00e9aire Simple ($Y = \\beta_0 + \\beta_1 X_1 + \\epsilon$<\/span>)<\/th>\nR\u00e9gression Lin\u00e9aire Multiple ($Y = \\beta_0 + \\sum \\beta_j X_j + \\epsilon$<\/span>)<\/th>\n<\/tr>\n<\/thead>\n
Formule d’estimation du coefficient<\/strong><\/td>\n$b_1 = \\frac{\\text{Cov}(X_1, Y)}{\\text{Var}(X_1)}$<\/span><\/td>\n$\\mathbf{b} = (\\mathbf{X}’\\mathbf{X})^{-1}\\mathbf{X}’\\mathbf{Y}$<\/span> (estimation matricielle simultan\u00e9e)<\/td>\n<\/tr>\n
Nature de l’association mesur\u00e9e<\/strong><\/td>\nBrute, non ajust\u00e9e, englobant tous les effets indirects et facteurs de confusion.<\/td>\nPartielle, conditionnelle, \u00e9pur\u00e9e des intercorr\u00e9lations avec les autres pr\u00e9dicteurs.<\/td>\n<\/tr>\n
Comportement de l’erreur type<\/strong><\/td>\n$\\text{SE}(b_1) = \\frac{s_e}{\\sqrt{\\sum (X_1 – \\bar{X}_1)^2}}$<\/span> d\u00e9pendant uniquement de la variance r\u00e9siduelle univari\u00e9e.<\/td>\n$\\text{SE}(b_j) = \\frac{s_e}{\\sqrt{\\sum (X_j – \\bar{X}_j)^2 (1 – R_j^2)}}$<\/span> vuln\u00e9rable \u00e0 la multicollin\u00e9arit\u00e9 ($VIF_j$<\/span>).<\/td>\n<\/tr>\n
Interpr\u00e9tation des seuils de significativit\u00e9<\/strong><\/td>\n\u00c9value si la droite bivari\u00e9e s’\u00e9carte d’une horizontale plane ($H_0 : \\beta_1 = 0$<\/span>).<\/td>\n\u00c9value la contribution incr\u00e9mentale unique du pr\u00e9dicteur sp\u00e9cifique au-del\u00e0 des autres ($H_0 : \\beta_j = 0$<\/span>).<\/td>\n<\/tr>\n
Coefficient de d\u00e9termination<\/strong><\/td>\n$R^2 = r_{X_1, Y}^2$<\/span> (carr\u00e9 direct de la corr\u00e9lation de Pearson).<\/td>\n$R^2 ge \\max(r_{X_j, Y}^2)$<\/span> repr\u00e9sentant la variance totale expliqu\u00e9e par l’ensemble du syst\u00e8me de pr\u00e9dicteurs.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

3. 3. Fondements math\u00e9matiques et d\u00e9rivation matricielle<\/h2>\n

3.1 Formulation alg\u00e9brique du mod\u00e8le de r\u00e9gression lin\u00e9aire multiple<\/h3>\n

L’expression alg\u00e9brique d’un mod\u00e8le de r\u00e9gression lin\u00e9aire multiple reliant une variable d\u00e9pendante quantitative continue $Y$<\/span> \u00e0 un ensemble ordonn\u00e9 de $k$<\/span> pr\u00e9dicteurs m\u00e9triques $X_1, X_2, dots, X_k$<\/span> se formule, pour le $i$<\/span>-\u00e8me individu d’un \u00e9chantillon al\u00e9atoire de taille $N$<\/span>, sous la forme scalaire classique suivante :<\/p>\n

$Y_i = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + dots + \\beta_k X_{ki} + \\epsilon_i$<\/span><\/p>\n

Dans cette formalisation structurelle, $\\beta_0$<\/span> mat\u00e9rialise l’ordonn\u00e9e \u00e0 l’origine (ou constante du mod\u00e8le), indiquant la valeur th\u00e9orique moyenne prise par $Y$<\/span> lorsque l’ensemble des pr\u00e9dicteurs s’annule simultan\u00e9ment ($X_{1i} = X_{2i} = dots = X_{ki} = 0$<\/span>). Les grandeurs $\\beta_1, \\beta_2, dots, \\beta_k$<\/span> d\u00e9signent les param\u00e8tres de population inconnus correspondant aux coefficients de r\u00e9gression partielle th\u00e9oriques. Le terme stochastique $\\epsilon_i$<\/span> incarne l’erreur r\u00e9siduelle al\u00e9atoire inh\u00e9rente \u00e0 toute mesure humaine ou physiologique, englobant les variations idiosyncratiques et l’influence d’un nombre infini de micro-facteurs non inclus dans le protocole.<\/p>\n

La validit\u00e9 des propri\u00e9t\u00e9s inf\u00e9rentielles de ces param\u00e8tres repose sur les hypoth\u00e8ses classiques \u00e9tablies par le th\u00e9or\u00e8me de Gauss-Markov<\/a>. Ces conditions exigent que l’esp\u00e9rance math\u00e9matique conditionnelle des erreurs soit nulle ($\\mathbb{E}[\\epsilon_i | \\mathbf{X}] = 0$<\/span>), que la variance de ces r\u00e9sidus demeure constante quel que soit le niveau des pr\u00e9dicteurs (hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 : $\\text{Var}(\\epsilon_i | \\mathbf{X}) = \\sigma^2$<\/span>), et que les r\u00e9sidus soient mutuellement ind\u00e9pendants (absence d’autocorr\u00e9lation : $\\text{Cov}(\\epsilon_i, \\epsilon_m) = 0$<\/span> pour tout $i \\neq m$<\/span>). Pour autoriser les inf\u00e9rences statistiques exactes \u00e0 \u00e9chantillon fini (intervalles de confiance et tests d’hypoth\u00e8ses), on postule usuellement la distribution gaussienne des perturbations ($\\epsilon_i \\sim \\mathcal{N}(0, \\sigma^2)$<\/span>). La transgression de l’homosc\u00e9dasticit\u00e9 ou la non-normalit\u00e9 s\u00e9v\u00e8re compromet la variance th\u00e9orique minimale des estimateurs, rendant caduques les probabilit\u00e9s critiques calcul\u00e9es conventionnellement.<\/p>\n

3.2 D\u00e9rivation matricielle des moindres carr\u00e9s ordinaires (MCO)<\/h3>\n

Pour d\u00e9passer la complexit\u00e9 des syst\u00e8mes d’\u00e9quations scalaires, la mod\u00e9lisation s’\u00e9crit sous forme matricielle compacte : $\\mathbf{Y} = \\mathbf{X}boldsymbol{\\beta} + boldsymbol{\\epsilon}$<\/span>. Dans cette formulation, $\\mathbf{Y}$<\/span> est un vecteur colonne de dimensions $(N \\times 1)$<\/span>, $\\mathbf{X}$<\/span> d\u00e9signe la matrice d’exp\u00e9rience de dimensions $(N \\times (k+1))$<\/span> dont la premi\u00e8re colonne est constitu\u00e9e de 1 pour mod\u00e9liser la constante, $boldsymbol{\\beta}$<\/span> est le vecteur colonne $((k+1) \\times 1)$<\/span> des param\u00e8tres th\u00e9oriques, et $boldsymbol{\\epsilon}$<\/span> est le vecteur $(N \\times 1)$<\/span> des erreurs inobservables. L’estimateur des moindres carr\u00e9s ordinaires, d\u00e9not\u00e9 $\\mathbf{b}$<\/span> ou $\\hat{boldsymbol{\\beta}}$<\/span>, a pour objectif d’optimiser l’ajustement global en minimisant la somme des carr\u00e9s des r\u00e9sidus (SCR) :<\/p>\n

$\\text{SCR}(boldsymbol{\\beta}) = boldsymbol{\\epsilon}’boldsymbol{\\epsilon} = (\\mathbf{Y} – \\mathbf{X}boldsymbol{\\beta})'(\\mathbf{Y} – \\mathbf{X}boldsymbol{\\beta}) = \\mathbf{Y}’\\mathbf{Y} – 2boldsymbol{\\beta}’\\mathbf{X}’\\mathbf{Y} + boldsymbol{\\beta}’\\mathbf{X}’\\mathbf{X}boldsymbol{\\beta}$<\/span><\/p>\n

Pour d\u00e9terminer le vecteur qui minimise cette fonction convexe, nous diff\u00e9rentions matriciellement cette expression par rapport au vecteur $boldsymbol{\\beta}$<\/span> et \u00e9galisons le gradient r\u00e9sultant au vecteur nul :<\/p>\n

$\\frac{\\partial \\text{SCR}}{\\partial boldsymbol{\\beta}} = -2\\mathbf{X}’\\mathbf{Y} + 2\\mathbf{X}’\\mathbf{X}boldsymbol{\\beta} = \\mathbf{0} implies \\mathbf{X}’\\mathbf{X}boldsymbol{\\beta} = \\mathbf{X}’\\mathbf{Y}$<\/span><\/p>\n

Cette relation fondamentale constitue le syst\u00e8me des \u00e9quations normales. \u00c0 la condition stricte que la matrice carr\u00e9e $(\\mathbf{X}’\\mathbf{X})$<\/span> soit d’ordre plein (c’est-\u00e0-dire que ses colonnes soient lin\u00e9airement ind\u00e9pendantes, ce qui exclut toute collin\u00e9arit\u00e9 parfaite), elle admet une matrice inverse unique $(\\mathbf{X}’\\mathbf{X})^{-1}$<\/span>. Nous d\u00e9rivons alors directement le c\u00e9l\u00e8bre estimateur des MCO :<\/p>\n

$\\hat{boldsymbol{\\beta}} = (\\mathbf{X}’\\mathbf{X})^{-1}\\mathbf{X}’\\mathbf{Y}$<\/span><\/p>\n

C’est au c\u0153ur de cette op\u00e9ration d’inversion matricielle que se mat\u00e9rialise l’essence m\u00eame de la r\u00e9gression partielle. La matrice $(\\mathbf{X}’\\mathbf{X})$<\/span> condense l’ensemble des variances et covariances existant entre tous les pr\u00e9dicteurs du mod\u00e8le. Son inversion a pour r\u00f4le math\u00e9matique de \u00ab d\u00e9nouer \u00bb ces corr\u00e9lations mutuelles. Chaque \u00e9l\u00e9ment individuel du vecteur $\\hat{boldsymbol{\\beta}}$<\/span> repr\u00e9sente ainsi un coefficient de r\u00e9gression partielle calcul\u00e9 apr\u00e8s neutralisation alg\u00e9brique explicite de l’ensemble des interd\u00e9pendances structurelles repr\u00e9sent\u00e9es dans la matrice d’exp\u00e9rience.<\/p>\n

3.3 Le th\u00e9or\u00e8me de Frisch-Waugh-Lovell et la purification des variables<\/h3>\n

L’un des r\u00e9sultats les plus \u00e9l\u00e9gants de l’\u00e9conom\u00e9trie th\u00e9orique est ind\u00e9niablement le th\u00e9or\u00e8me de Frisch-Waugh-Lovell (FWL)<\/a>, publi\u00e9 initialement par Ragnar Frisch et Frederick V. Waugh en 1933, puis g\u00e9n\u00e9ralis\u00e9 par Michael C. Lovell en 1963. Ce th\u00e9or\u00e8me fournit une d\u00e9monstration vectorielle et g\u00e9om\u00e9trique limpide du m\u00e9canisme de \u00ab purification \u00bb op\u00e9r\u00e9e par le coefficient de r\u00e9gression partielle. Consid\u00e9rons un mod\u00e8le scind\u00e9 en deux blocs de variables explicatives : $\\mathbf{Y} = \\mathbf{X}_1 boldsymbol{\\beta}_1 + \\mathbf{X}_2 boldsymbol{\\beta}_2 + boldsymbol{\\epsilon}$<\/span>, o\u00f9 nous d\u00e9sirons estimer le sous-vecteur de coefficients partiels $boldsymbol{\\beta}_1$<\/span> associ\u00e9 aux variables du bloc $\\mathbf{X}_1$<\/span>, en \u00e9liminant l’impact du bloc de covariables $\\mathbf{X}_2$<\/span>.<\/p>\n

Le th\u00e9or\u00e8me FWL \u00e9nonce et prouve math\u00e9matiquement que le calcul de $\\hat{boldsymbol{\\beta}}_1$<\/span> peut \u00eatre ex\u00e9cut\u00e9 rigoureusement \u00e0 travers un protocole en trois \u00e9tapes s\u00e9quentielles :<\/p>\n