{"id":7843,"date":"2026-10-14T18:02:17","date_gmt":"2026-10-14T18:02:17","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/regression-segmentee-r-guide-etape-par-etape\/"},"modified":"2026-10-14T18:02:17","modified_gmt":"2026-10-14T18:02:17","slug":"regression-segmentee-r-guide-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=regression-segmentee-r-guide-etape-par-etape","title":{"rendered":"Comment r\u00e9aliser une r\u00e9gression segment\u00e9e sous R (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

Dans le champ foisonnant des sciences quantitatives, de la psychom\u00e9trie et de la mod\u00e9lisation comportementale, l’analyse des relations entre variables explicatives et variables de r\u00e9ponse se heurte fr\u00e9quemment \u00e0 la non-lin\u00e9arit\u00e9 inh\u00e9rente aux dynamiques humaines et biologiques. Si le mod\u00e8le de r\u00e9gression lin\u00e9aire classique constitue historiquement l’instrument de pr\u00e9dilection de la recherche exp\u00e9rimentale pour sa simplicit\u00e9 d’interpr\u00e9tation et sa robustesse calculatoire, il repose sur un postulat ontologique souvent intenable : l’invariance du taux de variation sur l’ensemble du continuum de mesure. Dans la r\u00e9alit\u00e9 empirique, les processus psychophysiques, les trajectoires d’apprentissage, l’\u00e9puisement cognitif et les r\u00e9ponses physiologiques au stress ne manifestent que rarement une proportionnalit\u00e9 uniforme. Les syst\u00e8mes vivants et les architectures cognitives pr\u00e9sentent des inerties initiales, des acc\u00e9l\u00e9rations soudaines, des effets de seuil et des paliers de saturation qui r\u00e9sistent \u00e0 une lin\u00e9arisation globale r\u00e9ductrice.<\/p>\n

Face \u00e0 cette complexit\u00e9 structurale, la r\u00e9gression segment\u00e9e, \u00e9galement d\u00e9sign\u00e9e sous les vocables de r\u00e9gression par morceaux, de r\u00e9gression bris\u00e9e ou de mod\u00e9lisation par points de rupture (piecewise regression<\/em> ou broken-stick regression<\/em>), offre une synth\u00e8se th\u00e9orique et computationnelle remarquable. En autorisant la subdivision du domaine de d\u00e9finition d’une variable pr\u00e9dictive continue en plusieurs sous-r\u00e9gions disjointes, chacune gouvern\u00e9e par une pente distincte mais connect\u00e9e de mani\u00e8re continue aux points de transition, cette technique capture fid\u00e8lement les basculements qualitatifs au sein des ph\u00e9nom\u00e8nes continus. L’environnement de calcul statistique R<\/a>, enrichi par des biblioth\u00e8ques algorithmiques de pointe \u00e0 l’instar du package segmented<\/em>, permet d\u00e9sormais d’estimer non seulement les coefficients de pente propres \u00e0 chaque phase, mais \u00e9galement l’emplacement exact et l’incertitude stochastique associ\u00e9e \u00e0 ces points d’inflexion critiques.<\/p>\n

Le pr\u00e9sent manuel exhaustif propose une d\u00e9construction m\u00e9thodique et appliqu\u00e9e de la r\u00e9gression segment\u00e9e sous R, pens\u00e9e pour les chercheurs en sciences psychologiques, cognitives et biom\u00e9dicales. Depuis l’ancrage \u00e9pist\u00e9mologique des transitions de phase jusqu’aux exigences formelles de publication aux normes acad\u00e9miques internationales, nous explorerons les fondements math\u00e9matiques, les proc\u00e9dures d’impl\u00e9mentation it\u00e9rative, les diagnostics r\u00e9siduels rigoureux et les extensions multivari\u00e9es. \u00c0 travers un protocole \u00e9tape par \u00e9tape fond\u00e9 sur un sc\u00e9nario empirique simul\u00e9, ce guide vise \u00e0 doter les praticiens de la recherche d’une ma\u00eetrise conceptuelle et computationnelle int\u00e9grale, garantissant la validit\u00e9 inf\u00e9rentielle et la reproductibilit\u00e9 absolue de leurs mod\u00e9lisations de rupture.<\/p>\n

1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques de la r\u00e9gression segment\u00e9e en psychologie<\/h2>\n

1.1 D\u00e9finition conceptuelle et principes math\u00e9matiques du mod\u00e8le<\/h3>\n

D’un point de vue formel, la r\u00e9gression segment\u00e9e continue s’articule autour de la notion de fonction affine par morceaux assujettie \u00e0 une contrainte de raccordement topologique sans saut. Soit une variable d\u00e9pendante continue not\u00e9e Y<\/em> et un r\u00e9gresseur continu not\u00e9 X<\/em> observ\u00e9s sur un \u00e9chantillon d’individus. Dans sa configuration canonique \u00e0 un point de rupture unique, not\u00e9 ψ (psi) ou τ (tau), l’espace des valeurs du r\u00e9gresseur est scind\u00e9 en deux sous-intervalles distincts : le r\u00e9gime inf\u00e9rieur caract\u00e9ris\u00e9 par les valeurs de X<\/em> inf\u00e9rieures ou \u00e9gales \u00e0 ψ, et le r\u00e9gime sup\u00e9rieur o\u00f9 les valeurs de X<\/em> exc\u00e8dent ce seuil critique. L’objectif math\u00e9matique consiste \u00e0 ajuster deux droites de r\u00e9gression distinctes qui se rejoignent exactement \u00e0 l’abscisse ψ, pr\u00e9servant ainsi la continuit\u00e9 de la trajectoire estim\u00e9e tout en tol\u00e9rant une discontinuit\u00e9 de la d\u00e9riv\u00e9e premi\u00e8re au n\u0153ud de transition.<\/p>\n

L’\u00e9quation g\u00e9n\u00e9rale du mod\u00e8le s’exprime traditionnellement sous la forme :<\/p>\n

Yi<\/sub><\/em> = β0<\/sub> + β1<\/sub> Xi<\/sub><\/em> + β2<\/sub> (Xi<\/sub><\/em> – ψ)+<\/sub> + εi<\/sub><\/p>\n

Dans cette formulation, l’op\u00e9rateur indicatrice (Xi<\/sub><\/em> – ψ)+<\/sub> adopte la valeur conventionnelle de Xi<\/sub><\/em> – ψ d\u00e8s lors que Xi<\/sub><\/em> est strictement sup\u00e9rieur \u00e0 ψ, et prend la valeur 0 dans le cas contraire. Le coefficient β1<\/sub> quantifie rigoureusement la pente de la premi\u00e8re portion lin\u00e9aire, d\u00e9crivant la trajectoire de la variable d\u00e9pendante en amont du point de transition. Le coefficient β2<\/sub>, quant \u00e0 lui, ne repr\u00e9sente pas directement la pente du second segment, mais mat\u00e9rialise la modification diff\u00e9rentielle de pente intervenant au-del\u00e0 du seuil critique. Par cons\u00e9quent, la vitesse de variation empirique sur le second r\u00e9gime correspond alg\u00e9briquement \u00e0 la somme (β1<\/sub> + β2<\/sub>). Lorsque β2<\/sub> est statistiquement non nul, l’existence d’une rupture structurelle est math\u00e9matiquement \u00e9tablie, confirmant l’inad\u00e9quation d’un gradient unique sur l’ensemble de la distribution.<\/p>\n

Cette approche se diff\u00e9rencie fondamentalement de la r\u00e9gression polynomiale d’ordre sup\u00e9rieur et des fonctions de lissage non param\u00e9triques (comme les splines cubiques ou les mod\u00e8les additifs g\u00e9n\u00e9ralis\u00e9s). Si le polyn\u00f4me de degr\u00e9 deux ou trois parvient fr\u00e9quemment \u00e0 \u00e9pouser la courbure d’un nuage de points non lin\u00e9aire, il impose une modification graduelle et monotone de la d\u00e9riv\u00e9e, diss\u00e9minant l’acc\u00e9l\u00e9ration sur l’ensemble du domaine de mesure. De surcro\u00eet, les polyn\u00f4mes souffrent d’une instabilit\u00e9 pr\u00e9dictive notoire aux bornes extr\u00eames de l’\u00e9chantillon (ph\u00e9nom\u00e8ne de Runge) et interdisent une interpr\u00e9tation param\u00e9trique directe d’un moment pr\u00e9cis de transition comportementale. \u00c0 l’inverse, la r\u00e9gression segment\u00e9e conf\u00e8re au seuil ψ un statut de param\u00e8tre fondamental du mod\u00e8le, directement dot\u00e9 d’une m\u00e9trique temporelle, psychom\u00e9trique ou physiologique intelligible pour le chercheur.<\/p>\n

1.2 Justification th\u00e9orique dans les sciences du comportement<\/h3>\n

L’adoption de mod\u00e8les lin\u00e9aires par morceaux dans les sciences du comportement et les neurosciences cognitives ne proc\u00e8de pas d’une simple coquetterie statistique, mais d\u00e9coule d’imp\u00e9ratifs \u00e9pist\u00e9mologiques majeurs. Depuis l’\u00e9mergence de la psychophysique sous l’impulsion de Gustav Fechner et Ernst Weber, l’investigation des seuils sensoriels absolus et diff\u00e9rentiels postule qu’un syst\u00e8me perceptif ne r\u00e9agit pas de fa\u00e7on proportionnelle \u00e0 l’\u00e9nergie physique d’un stimulus tant que celle-ci demeure en de\u00e7\u00e0 d’une valeur limite d’excitabilit\u00e9 membranaire ou synaptique. Une fois ce seuil franchi, le traitement de l’information s’enclenche avec une cin\u00e9tique propre, engendrant une rupture manifeste dans la fonction reliant l’intensit\u00e9 physique per\u00e7ue au taux d’activation neural ou aux rapports subjectifs des participants.<\/p>\n

Dans le domaine de la psychologie du d\u00e9veloppement et des th\u00e9ories des syst\u00e8mes dynamiques appliqu\u00e9es \u00e0 la cognition humaine, la transition de phase conceptualis\u00e9e par Jean Piaget ou Esther Thelen trouve dans la r\u00e9gression segment\u00e9e son exacte traduction op\u00e9rationnelle. L’acquisition d’un sch\u00e8me sensorimoteur ou l’\u00e9mergence soudaine d’une comp\u00e9tence m\u00e9talinguistique chez l’enfant ne se manifeste pas sous la forme d’un continuum infiniment liss\u00e9. Il se produit fr\u00e9quemment une p\u00e9riode prolong\u00e9e de micro-ajustements imperceptibles au cours de laquelle le score de performance stagne ou progresse \u00e0 un rythme infinit\u00e9simal, suivie par un d\u00e9blocage structurel abrupt — l’explosion lexicale vers l’\u00e2ge de 18 mois en constitue le parangon — o\u00f9 la v\u00e9locit\u00e9 d’apprentissage augmente de mani\u00e8re exponentielle avant d’atteindre un nouveau r\u00e9gime d’\u00e9quilibre.<\/p>\n

De fa\u00e7on sym\u00e9trique, l’\u00e9tude de l’\u00e9puisement cognitif, de la charge de travail mentale et du stress professionnel rel\u00e8ve de dynamiques de tol\u00e9rance non lin\u00e9aires. Sous l’effet d’une privation de sommeil ou d’une sollicitation prolong\u00e9e de l’attention s\u00e9lective, les m\u00e9canismes d’autor\u00e9gulation pr\u00e9frontaux maintiennent artificiellement le niveau de performance \u00e0 un palier quasi constant gr\u00e2ce au recrutement compensatoire de ressources neurophysiologiques annexes. N\u00e9anmoins, lorsque la r\u00e9serve de compensation est satur\u00e9e — point de rupture physiologique ou ψ d’\u00e9puisement —, l’architecture attentionnelle subit une d\u00e9faillance brutale, caract\u00e9ris\u00e9e par une multiplication abrupte des temps de r\u00e9action et des erreurs d’omission. Pr\u00e9tendre mod\u00e9liser de tels m\u00e9canismes par une droite globale de r\u00e9gression induirait un biais d’agr\u00e9gation s\u00e9v\u00e8re, diluant la localisation du point critique d’effondrement et faussant l’\u00e9valuation pr\u00e9ventive des risques ergonomiques.<\/p>\n

1.3 Propri\u00e9t\u00e9s statistiques de l’estimation des param\u00e8tres de rupture<\/h3>\n

D’un point de vue inf\u00e9rentiel, l’estimation conjointe des pentes segmentaires et de la coordonn\u00e9e du point de rupture soul\u00e8ve des d\u00e9fis statistiques consid\u00e9rables qui exc\u00e8dent le cadre des moindres carr\u00e9s ordinaires standards. D\u00e8s lors que l’emplacement de ψ est trait\u00e9 comme un param\u00e8tre inconnu \u00e0 estimer — et non comme une constante d\u00e9terministe pr\u00e9\u00e9tablie par l’exp\u00e9rimentateur —, la fonction de vraisemblance cesse d’\u00eatre lin\u00e9aire par rapport aux param\u00e8tres du mod\u00e8le. Le param\u00e8tre de seuil intervient de fa\u00e7on non diff\u00e9rentiable au sens classique au voisinage imm\u00e9diat du n\u0153ud, ce qui exclut l’application directe des algorithmes analytiques standards d’inversion matricielle.<\/p>\n

Pour r\u00e9soudre ce probl\u00e8me, les statisticiens ont recours \u00e0 des techniques d’estimation it\u00e9ratives, parmi lesquelles l’algorithme de lin\u00e9arisation locale propos\u00e9 par Muggeo (2003)<\/a> s’est impos\u00e9 comme la r\u00e9f\u00e9rence contemporaine. Cette m\u00e9thode reformule le probl\u00e8me non lin\u00e9aire en approximant le terme segment\u00e9 par un d\u00e9veloppement en s\u00e9rie de Taylor du premier ordre autour d’une estimation courante de ψ. Cette astuce de reparam\u00e9trisation permet d’estimer un terme correctif lin\u00e9aire \u00e0 chaque it\u00e9ration via un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 standard, actualisant la position du point de coupure jusqu’\u00e0 la convergence num\u00e9rique du gradient. Sous les conditions de r\u00e9gularit\u00e9 usuelles, les estimateurs ainsi obtenus partagent asymptotiquement les propri\u00e9t\u00e9s optimales des estimateurs du maximum de vraisemblance, notamment la convergence en probabilit\u00e9 et la normalit\u00e9 asymptotique.<\/p>\n

Il convient n\u00e9anmoins de souligner que la distribution d’\u00e9chantillonnage de l’estimateur de ψ demeure intrins\u00e8quement non standard lorsque la diff\u00e9rence entre les deux pentes (β2<\/sub>) s’av\u00e8re modeste ou que la stochasticit\u00e9 r\u00e9siduelle de l’\u00e9chantillon est volumineuse. En pr\u00e9sence d’un rapport signal-sur-bruit t\u00e9nu, la surface de vraisemblance pr\u00e9sente fr\u00e9quemment un plateau aplati ou des minima locaux multiples, rendant l’estimation du point d’inflexion particuli\u00e8rement sensible aux fluctuations d’\u00e9chantillonnage. En outre, le maintien d’une stricte continuit\u00e9 aux fronti\u00e8res — comparativement aux mod\u00e8les \u00e0 r\u00e9gimes alternatifs discontinus dits de switching regression — restreint l’espace des param\u00e8tres admissibles, conf\u00e9rant une variance d’\u00e9chantillonnage plus restreinte aux estimations des pentes mais imposant une corr\u00e9lation structurelle forte entre l’ordonn\u00e9e au seuil et l’abscisse ψ.<\/p>\n

2. Pr\u00e9requis computationnels et pr\u00e9paration de l’environnement R<\/h2>\n

2.1 Installation et chargement de la biblioth\u00e8que segmented<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle de la r\u00e9gression segment\u00e9e dans l’\u00e9cosyst\u00e8me open-source R repose principalement sur l’architecture robuste offerte par le package segmented<\/em>, con\u00e7u et maintenu par Vito M. R. Muggeo. Ce module sp\u00e9cialis\u00e9 ne se contente pas d’automatiser l’algorithme de lin\u00e9arisation mentionn\u00e9 pr\u00e9c\u00e9demment ; il fournit une suite coh\u00e9rente de m\u00e9thodes g\u00e9n\u00e9riques surcharg\u00e9es (notamment summary<\/code>, plot<\/code>, predict<\/code>, confint<\/code> et slope<\/code>) garantissant une continuit\u00e9 ergonomique totale avec les mod\u00e8les lin\u00e9aires standards issus de la fonction lm()<\/code>. Afin de disposer des outils computationnels n\u00e9cessaires, l’utilisateur doit proc\u00e9der \u00e0 l’installation du package depuis le Comprehensive R Archive Network (CRAN<\/a>) et v\u00e9rifier la r\u00e9solution sans heurts de ses d\u00e9pendances intrins\u00e8ques.<\/p>\n

Parall\u00e8lement \u00e0 la biblioth\u00e8que segmented<\/em>, la mise en \u0153uvre d’un pipeline d’analyse moderne et rigoureux exige le d\u00e9ploiement d’outils compl\u00e9mentaires pour la manipulation matricielle des structures tabulaires et la mod\u00e9lisation graphique vectorielle. Le m\u00e9ta-package tidyverse<\/em> — incluant en son sein dplyr<\/em>, tibble<\/em>, readr<\/em> et ggplot2<\/em> — s’av\u00e8re indispensable pour orchestrer le pr\u00e9traitement des donn\u00e9es, le calcul des valeurs ajust\u00e9es et la production de visualisations conformes aux canons des revues \u00e0 comit\u00e9 de lecture. Enfin, la biblioth\u00e8que car<\/em> (Companion to Applied Regression<\/em>) fournit l’infrastructure diagnostique indispensable \u00e0 la v\u00e9rification formelle des postulats de distribution des erreurs r\u00e9siduelles.<\/p>\n

La pr\u00e9paration d’un script d’analyse reproductible implique \u00e9galement la configuration d\u00e9lib\u00e9r\u00e9e des options d’arrondi num\u00e9rique et des param\u00e8tres d’initialisation de l’environnement R. L’ajustement global de l’option de p\u00e9nalit\u00e9 de notation scientifique (via l’instruction options(scipen = 999)<\/code>) favorise une lecture imm\u00e9diate et d\u00e9nu\u00e9e d’ambigu\u00eft\u00e9 des probabilit\u00e9s critiques et des erreurs standards. De surcro\u00eet, la fixation d’une graine de pseudo-al\u00e9atoire (random seed<\/em>) s’impose d\u00e8s l’amorce du travail lorsque des simulations empiriques ou des proc\u00e9dures de r\u00e9\u00e9chantillonnage de type bootstrap sont requises pour consolider les intervalles de confiance du seuil ψ.<\/p>\n

2.2 Crit\u00e8res d’admissibilit\u00e9 et structuration des donn\u00e9es<\/h3>\n

Avant d’engager toute mod\u00e9lisation segment\u00e9e sous R, le statisticien doit s’assurer que les donn\u00e9es recueillies r\u00e9pondent scrupuleusement aux crit\u00e8res d’admissibilit\u00e9 impos\u00e9s par les algorithmes de maximisation locale. La premi\u00e8re exigence concerne imp\u00e9rativement l’\u00e9chelle de mesure des variables engag\u00e9es dans l’analyse. La variable de r\u00e9ponse continue Y<\/em> doit \u00eatre mesur\u00e9e sur une \u00e9chelle d’intervalles ou de rapports, et manifester une dispersion conditionnelle approximativement normale autour de la droite de raccordement. La variable explicative X<\/em>, d\u00e9sign\u00e9e dans le formalisme du package comme variable segment\u00e9e (seg.Z<\/em>), doit imp\u00e9rativement poss\u00e9der une nature num\u00e9rique continue ou, \u00e0 tout le moins, pr\u00e9senter un nombre de modalit\u00e9s discr\u00e8tes ordonn\u00e9es suffisamment dense pour que la recherche d’un point d’inflexion n’oscille pas sur un vide observationnel.<\/p>\n

L’\u00e9valuation de la densit\u00e9 distributionnelle au voisinage du point de rupture pr\u00e9sum\u00e9 constitue le second verrou m\u00e9thodologique. Pour que l’algorithme converge de fa\u00e7on fiable vers un minimum global stable, il est imp\u00e9ratif que chaque sous-segment contienne un effectif observationnel suffisant pour permettre l’estimation robuste de deux param\u00e8tres libres (l’ordonn\u00e9e et la pente locale). Si le seuil th\u00e9orique se trouve rel\u00e9gu\u00e9 aux marges extr\u00eames de la distribution empirique — par exemple dans le premier ou le dernier d\u00e9cile des valeurs observ\u00e9es —, le nombre restreint de points d’appui engendre une instabilit\u00e9 asymptotique s\u00e9v\u00e8re, mat\u00e9rialis\u00e9e par une inflation d\u00e9mesur\u00e9e de l’erreur standard de la pente marginale correspondante.<\/p>\n

Enfin, la sensibilit\u00e9 algorithmique de la fonction segmented()<\/code> aux valeurs aberrantes (outliers<\/em>) et aux observations \u00e0 fort levier impose une vigilance m\u00e9trologique rigoureuse lors de la phase exploratoire. Un point isol\u00e9 dot\u00e9 d’un r\u00e9sidu extr\u00eame, particuli\u00e8rement s’il se situe \u00e0 mi-chemin entre deux r\u00e9gimes de pente potentiels, peut exercer une traction gravitationnelle artificielle sur l’estimation de ψ, incitant l’algorithme it\u00e9ratif \u00e0 cr\u00e9er un coude fallacieux pour r\u00e9duire la somme des carr\u00e9s des erreurs r\u00e9siduelles locales. D\u00e8s lors, le nettoyage raisonn\u00e9 des donn\u00e9es, l’identification des points de levier multivari\u00e9s et le diagnostic pr\u00e9liminaire des \u00e9carts \u00e0 la normale constituent des pr\u00e9alables ind\u00e9rogeables \u00e0 toute inf\u00e9rence d\u00e9finitive sur la localisation d’un seuil critique.<\/p>\n

3. \u00c9tape 1 : Structuration et simulation du jeu de donn\u00e9es empirique<\/h2>\n

3.1 Cr\u00e9ation du dataframe repr\u00e9sentatif d’une t\u00e2che cognitive<\/h3>\n

Afin d’illustrer de fa\u00e7on didactique et rigoureusement contr\u00f4l\u00e9e la mise en \u0153uvre de la r\u00e9gression segment\u00e9e sous R, nous concevons ici un jeu de donn\u00e9es exp\u00e9rimental simul\u00e9. Ce protocole reproduit les patrons empiriques classiquement observ\u00e9s dans les paradigmes d’ergonomie cognitive ou de psychologie du travail investiguant la d\u00e9gradation des performances sous privation de sommeil ou charge mentale cumulative. Supposons une cohorte de sujets soumis \u00e0 une \u00e9preuve de temps de r\u00e9action continu dont l’intensit\u00e9 de sollicitation cognitive ou la dur\u00e9e d’astreinte temporelle ininterrompue est gradu\u00e9e sur une \u00e9chelle ordonn\u00e9e de 1 \u00e0 16 unit\u00e9s standardis\u00e9es.<\/p>\n

Dans ce sc\u00e9nario comportemental, nous postulons l’existence d’une premi\u00e8re phase de r\u00e9sistance cognitive, s’\u00e9tendant de l’unit\u00e9 1 \u00e0 l’unit\u00e9 9, durant laquelle les participants maintiennent un niveau d’efficience relativement stable gr\u00e2ce \u00e0 des m\u00e9canismes d’autor\u00e9gulation attentionnelle, n’enregistrant qu’un accroissement mod\u00e9r\u00e9 de leur score d’erreur globale ou de temps de latence. Au-del\u00e0 de ce seuil critique situ\u00e9 pr\u00e9cis\u00e9ment \u00e0 X<\/em> = 9, la saturation des capacit\u00e9s ex\u00e9cutives entra\u00eene un effondrement brutal de la performance, caract\u00e9ris\u00e9 par une \u00e9l\u00e9vation abrupte de la trajectoire d’erreur. Pour mat\u00e9rialiser cette rupture au moyen des structures fondamentales de R, nous d\u00e9clarons un vecteur d\u00e9terministe x<\/em> comprenant 16 valeurs \u00e9quidistantes, et un vecteur d\u00e9pendant y<\/em> int\u00e9grant la dynamique bivari\u00e9e sous-jacente perturb\u00e9e par un bruit stochastique mod\u00e9r\u00e9.<\/p>\n

La transcription informatique de cette structure s’op\u00e8re par l’appel \u00e0 la fonction primitive data.frame()<\/code>. Le vecteur x<\/em> est assign\u00e9 \u00e0 la suite ordonn\u00e9e des entiers de 1 \u00e0 16 : c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16)<\/code>. Le vecteur y<\/em> associe \u00e0 cette trajectoire les valeurs empiriques observ\u00e9es, typiquement calibr\u00e9es selon la s\u00e9rie : c(12, 14, 15, 18, 19, 22, 24, 25, 27, 34, 42, 51, 63, 72, 81, 93)<\/code>. L’inspection matricielle du tableau de donn\u00e9es r\u00e9sultant, via les primitives str()<\/code> et dim()<\/code>, confirme sans ambigu\u00eft\u00e9 l’instanciation d’un tableau \u00e0 deux dimensions renfermant 16 observations appari\u00e9es, exempt de facteurs non contr\u00f4l\u00e9s et exclusivement constitu\u00e9 de vecteurs num\u00e9riques en virgule flottante.<\/p>\n

3.2 V\u00e9rification des premi\u00e8res observations avec la fonction head()<\/h3>\n

Dans tout protocole d’analyse quantitative sous R, la rigueur d’ex\u00e9cution requiert un audit syst\u00e9matique des premi\u00e8res lignes de la structure tabulaire avant l’application du moindre estimateur inf\u00e9rentiel. La fonction g\u00e9n\u00e9rique head()<\/code> constitue la commande standard de v\u00e9rification, restituant de fa\u00e7on concise les six premiers enregistrements du tableau de donn\u00e9es pr\u00e9alablement stock\u00e9 dans l’environnement de travail. Cette op\u00e9ration \u00e9l\u00e9mentaire remplit une fonction de validation fondamentale en v\u00e9rifiant l’alignement univoque entre les coordonn\u00e9es des stimuli exp\u00e9rimentaux et les mesures de latence correspondantes.<\/p>\n

L’affichage des six premi\u00e8res lignes r\u00e9v\u00e8le la s\u00e9quence ordonn\u00e9e des couples (x<\/em>, y<\/em>) : \u00e0 la valeur x<\/em> = 1 correspond la mesure y<\/em> = 12 ; \u00e0 x<\/em> = 2 r\u00e9pond y<\/em> = 14 ; puis successivement (3, 15), (4, 18), (5, 19) et (6, 22). Cet examen initial permet de contr\u00f4ler empiriquement l’absence absolue de valeurs manquantes cod\u00e9es NA<\/code> (Not Available<\/em>) ou d’aberrations typographiques qui introduiraient des ruptures artificielles dans le calcul des variances locales. Dans le cadre de la psychom\u00e9trie appliqu\u00e9e, cette \u00e9tape certifie que la phase d’\u00e9talonnage basal des sujets se conforme aux attendus th\u00e9oriques de relative stabilit\u00e9 comportementale.<\/p>\n

Au-del\u00e0 de la conformit\u00e9 dimensionnelle, cette inspection pr\u00e9liminaire contextualise l’\u00e9chelle d’observation. L’accroissement moyen sur ces six premi\u00e8res observations oscille autour de 2 unit\u00e9s de la variable de r\u00e9ponse par incr\u00e9ment unitaire du stimulus, esquissant un premier gradient particuli\u00e8rement stable. La v\u00e9rification que les six derni\u00e8res observations — consultables sym\u00e9triquement au moyen de la fonction tail()<\/code> — t\u00e9moignent d’une dispersion nettement plus explosive (atteignant un delta de plus de 10 unit\u00e9s par incr\u00e9ment d’\u00e9preuve) parach\u00e8ve le cadrage ph\u00e9nom\u00e9nologique de nos donn\u00e9es avant leur confrontation aux algorithmes de r\u00e9gression.<\/p>\n

4. \u00c9tape 2 : Exploration visuelle et identification pr\u00e9liminaire du point d’inflexion<\/h2>\n

4.1 G\u00e9n\u00e9ration du nuage de points initial<\/h3>\n

L’exploration visuelle constitue une \u00e9tape fondatrice irrempla\u00e7able dans toute d\u00e9marche de mod\u00e9lisation non lin\u00e9aire. Elle immunise le statisticien contre le risque d’appliquer m\u00e9caniquement des algorithmes d’optimisation num\u00e9rique \u00e0 des distributions qui ne s’y pr\u00eatent pas. Sous l’environnement de base de R, la fonction graphique primitive plot()<\/code> permet de projeter instantan\u00e9ment la relation bivari\u00e9e sur le plan cart\u00e9sien \u00e0 deux dimensions. L’affectation du vecteur x<\/em> sur l’axe horizontal des abscisses et du vecteur y<\/em> sur l’axe vertical des ordonn\u00e9es, conjugu\u00e9e au r\u00e9glage minutieux de l’argument typographique pch = 16<\/code> (d\u00e9signant des disques pleins pour une meilleure visibilit\u00e9 de la densit\u00e9 ponctuelle) et d’une couleur d’encrage contrast\u00e9e (telle que col = \"steelblue\"<\/code>), offre une repr\u00e9sentation directe de la topologie empirique.<\/p>\n

Le calibrage m\u00e9ticuleux des \u00e9tiquettes des axes cart\u00e9siens via les arguments xlab = \"Intensit\u00e9 de la t\u00e2che cognitive (x)\"<\/code> et ylab = \"Score de d\u00e9t\u00e9rioration de la performance (y)\"<\/code> ancre la figure dans son paradigme scientifique. D\u00e8s le trac\u00e9 de ce nuage de points initial, la distribution g\u00e9om\u00e9trique des coordonn\u00e9es \u00e9carte l’hypoth\u00e8se d’une relation strictement rectiligne. Les observations ne s’alignent pas le long d’une diagonale uniforme et ne manifestent pas davantage la parabole sym\u00e9trique caract\u00e9ristique d’un processus purement quadratique.<\/p>\n

\"\"<\/figure>\n

Une observation attentive du graphique permet de d\u00e9celer visuellement deux r\u00e9gimes cin\u00e9tiques distincts s\u00e9par\u00e9s par une fronti\u00e8re hautement localis\u00e9e. Dans la partie gauche du quadrant, s’\u00e9tendant des abscisses 1 \u00e0 environ 8 ou 9, les observations s’organisent selon une trajectoire \u00e0 tr\u00e8s faible d\u00e9clivit\u00e9, presque stationnaire. Soudainement, d\u00e8s que le seuil de 9 unit\u00e9s est franchi, la g\u00e9om\u00e9trie des points subit un redressement angulaire spectaculaire : la pente se verticalise nettement, reliant de mani\u00e8re continue mais vertigineuse l’observation (9, 27) aux valeurs extr\u00eames culminant \u00e0 (16, 93).<\/p>\n

4.2 Interpr\u00e9tation graphique du changement de dynamique comportementale<\/h3>\n

L’analyse qualitative de cette transition met en exergue ce que la litt\u00e9rature cognitive nomme un basculement de strat\u00e9gie adaptative ou l’atteinte d’un point d’effondrement fonctionnel. Durant le premier r\u00e9gime, compris entre les bornes 1 et 9 de l’axe des abscisses, le syst\u00e8me cognitif op\u00e8re dans sa zone d’hom\u00e9ostasie fonctionnelle. L’allongement progressif de la t\u00e2che exp\u00e9rimentale est compens\u00e9 par une allocation accrue d’effort attentionnel, maintenant la progression des d\u00e9faillances comportementales \u00e0 un niveau minimal et pr\u00e9visible. La pente, visuellement estimable \u00e0 une valeur proche de 2 unit\u00e9s de d\u00e9t\u00e9rioration par incr\u00e9ment de stimulus, t\u00e9moigne d’une r\u00e9silience structurelle remarquable.<\/p>\n

Au-del\u00e0 de la zone fronti\u00e8re situ\u00e9e aux alentours de X<\/em> = 9, la dynamique bascule dans un r\u00e9gime d’\u00e9puisement critique. La pente ne se contente pas d’acc\u00e9l\u00e9rer mod\u00e9r\u00e9ment ; elle subit une multiplication abrupte de son coefficient directeur, quadruplant ou quintuplant sa v\u00e9locit\u00e9 de progression. Ce franchissement de seuil traduit l’inhibition des m\u00e9canismes de contr\u00f4le ex\u00e9cutif et l’entr\u00e9e dans une zone de vuln\u00e9rabilit\u00e9 o\u00f9 chaque incr\u00e9ment suppl\u00e9mentaire de charge g\u00e9n\u00e8re un co\u00fbt cognitif disproportionn\u00e9. La continuit\u00e9 g\u00e9om\u00e9trique demeure n\u00e9anmoins manifeste : il n’y a pas de saut quantique vertical ou de t\u00e9l\u00e9portation de l’ordonn\u00e9e — l’observation situ\u00e9e \u00e0 X<\/em> = 10 prend le relais direct de celle situ\u00e9e \u00e0 X<\/em> = 9, sans rupture de continuit\u00e9 m\u00e9trique.<\/p>\n

Cependant, en d\u00e9pit de la limpidit\u00e9 de cette inspection visuelle, le chercheur ne saurait se contenter d’une estimation \u00e0 l’\u0153il nu pour asseoir des conclusions scientifiques solides. Une intuition graphique est impuissante \u00e0 quantifier la marge d’erreur stochastique entourant la localisation de la fronti\u00e8re critique, et ne permet pas d’\u00e9tablir si le changement de pente constat\u00e9 atteint le seuil requis de significativit\u00e9 statistique ou s’il r\u00e9sulte de simples fluctuations d’\u00e9chantillonnage. C’est pr\u00e9cis\u00e9ment pour d\u00e9passer les apories de l’empirisme visuel subjectif que l’ajustement math\u00e9matique d’un mod\u00e8le formel s’impose comme une n\u00e9cessit\u00e9 m\u00e9thodologique absolue.<\/p>\n

5. \u00c9tape 3 : Ajustement du mod\u00e8le de r\u00e9gression lin\u00e9aire classique de r\u00e9f\u00e9rence<\/h2>\n

5.1 Estimation par les moindres carr\u00e9s ordinaires via lm()<\/h3>\n

Dans l’architecture de mod\u00e9lisation sous R, l’ajustement d’un mod\u00e8le de r\u00e9gression segment\u00e9e ne s’effectue pas ex nihilo<\/em>, mais requiert imp\u00e9rativement comme pr\u00e9alable computationnel l’estimation d’un mod\u00e8le de r\u00e9gression lin\u00e9aire standard par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO). Cette \u00e9tape initiale remplit une double fonction : elle \u00e9tablit une ligne de base comparative permettant d’\u00e9valuer le gain de parcimonie apport\u00e9 par la complexification ult\u00e9rieure du mod\u00e8le, et fournit la structure matricielle que la fonction segmented()<\/code> exploitera pour initier son algorithme de lin\u00e9arisation it\u00e9rative.<\/p>\n

L’estimation de cette r\u00e9gression globale de r\u00e9f\u00e9rence s’op\u00e8re au moyen de la fonction centrale lm()<\/code>. La syntaxe op\u00e9rationnelle adopte la formulation canonique fit <- lm(y ~ x, data = mon_dataframe)<\/code>, dans laquelle l’op\u00e9rateur tilde (~<\/code>) exprime formellement la d\u00e9pendance stochastique de la variable de r\u00e9ponse y<\/em> \u00e0 l’\u00e9gard de la variable explicative unique x<\/em>. L’objet r\u00e9sultant, stock\u00e9 dans la m\u00e9moire vive sous l’identifiant fit<\/code>, encapsule l’ensemble des propri\u00e9t\u00e9s matricielles du mod\u00e8le : les coefficients d’ordonn\u00e9e \u00e0 l’origine et de pente globale, le tableau des r\u00e9sidus bruts, ainsi que les composantes de la variance factorielle et de la variance r\u00e9siduelle.<\/p>\n

L’interrogation imm\u00e9diate de cet objet au moyen de l’instruction coef(fit)<\/code> ou de la commande analytique summary(fit)<\/code> permet d’extraire les grandeurs num\u00e9riques directes de ce premier ajustement. Pour notre jeu de donn\u00e9es exp\u00e9rimental, la droite moyenne globale compense artificiellement l’inflexion en ajustant une pente moyenne unique de magnitude \u00e9lev\u00e9e (de l’ordre de 5 unit\u00e9s de y<\/em> par incr\u00e9ment de x<\/em>), associ\u00e9e \u00e0 une ordonn\u00e9e \u00e0 l’origine fortement n\u00e9gative destin\u00e9e \u00e0 compenser l’\u00e9l\u00e9vation exponentielle de la seconde moiti\u00e9 de l’\u00e9chantillon. \u00c0 ce stade, bien que les coefficients affichent une significativit\u00e9 statistique apparente — mat\u00e9rialis\u00e9e par une probabilit\u00e9 critique p<\/em> largement inf\u00e9rieure au seuil conventionnel de .001 —, cette conformit\u00e9 param\u00e9trique de fa\u00e7ade masque une d\u00e9ficience structurelle majeure du mod\u00e8le univari\u00e9.<\/p>\n

5.2 \u00c9valuation des insuffisances du mod\u00e8le lin\u00e9aire unique<\/h3>\n

La confrontation critique des sorties du mod\u00e8le lin\u00e9aire classique r\u00e9v\u00e8le sans tarder ses insuffisances conceptuelles et statistiques. Certes, l’examen isol\u00e9 du coefficient de d\u00e9termination global — le traditionnel R<\/em>2<\/sup> — pourrait abuser un analyste inexp\u00e9riment\u00e9 en affichant une valeur s\u00e9duisante exc\u00e9dant fr\u00e9quemment .85 ou .90, attestant qu’une part pr\u00e9pond\u00e9rante de la variance totale de la performance semble math\u00e9matiquement captur\u00e9e par l’unique droite des moindres carr\u00e9s. N\u00e9anmoins, en mod\u00e9lisation statistique avanc\u00e9e, un R<\/em>2<\/sup> \u00e9lev\u00e9 ne constitue en aucun cas une preuve de la validit\u00e9 structurelle de la sp\u00e9cification adopt\u00e9e.<\/p>\n

La mat\u00e9rialisation graphique de cette droite globale, superpos\u00e9e au nuage de points au moyen de la primitive abline(fit, col = \"darkred\", lwd = 2)<\/code>, met instantan\u00e9ment en lumi\u00e8re l’inad\u00e9quation ph\u00e9nom\u00e9nologique de l’ajustement lin\u00e9aire unique. Sur le premier sous-ensemble d’observations (de x<\/em> = 1 \u00e0 x<\/em> = 8), la droite de r\u00e9gression transperce le nuage en sur\u00e9valuant syst\u00e9matiquement les scores r\u00e9els des participants. Inversement, au centre de l’intervalle critique, la droite sous-estime consid\u00e9rablement la courbure empirique, avant de diverger \u00e0 nouveau aux bornes terminales. Cette incapacit\u00e9 \u00e0 \u00e9pouser l’inertie initiale suivie de l’envol\u00e9e comportementale finale g\u00e9n\u00e8re ce que l’\u00e9conom\u00e9trie nomme une erreur de sp\u00e9cification fonctionnelle.<\/p>\n

D’un point de vue diagnostique, cette inad\u00e9quation se traduit par une violation flagrante du postulat d’ind\u00e9pendance et d’homosc\u00e9dasticit\u00e9 des r\u00e9sidus. Lorsque l’on examine la distribution des \u00e9carts (yi<\/sub><\/em> – ŷi<\/sub><\/em>), ceux-ci ne fluctuent pas de mani\u00e8re purement stochastique autour de la valeur z\u00e9ro ; ils d\u00e9crivent une structure sinuso\u00efdale hautement autocorr\u00e9l\u00e9e, alternant des paquets de r\u00e9sidus contin\u00fbment positifs puis n\u00e9gatifs. Cette organisation non al\u00e9atoire des erreurs d\u00e9montre formellement qu’une part substantielle de l’information d\u00e9terministe contenue dans les donn\u00e9es a \u00e9t\u00e9 abandonn\u00e9e dans le terme r\u00e9siduel, justifiant th\u00e9oriquement et math\u00e9matiquement le passage \u00e0 une mod\u00e9lisation par r\u00e9gression segment\u00e9e.<\/p>\n

6. \u00c9tape 4 : Ajustement de la r\u00e9gression segment\u00e9e avec la fonction segmented()<\/h2>\n

6.1 Syntaxe op\u00e9rationnelle et d\u00e9claration de la valeur d’amor\u00e7age<\/h3>\n

Une fois le mod\u00e8le lin\u00e9aire global fit<\/code> pr\u00e9alablement estim\u00e9 et stock\u00e9 en m\u00e9moire, l’ex\u00e9cution de la r\u00e9gression par morceaux s’effectue via l’invocation de la fonction ma\u00eetresse segmented()<\/code>, issue de la biblioth\u00e8que \u00e9ponyme de Vito Muggeo. Cette fonction op\u00e8re par enrichissement structurel de l’objet initial, en y greffant les routines non lin\u00e9aires d’estimation de point de rupture. L’appel standardis\u00e9 requiert la sp\u00e9cification rigoureuse de trois arguments principaux : l’objet de mod\u00e8le initial, l’identit\u00e9 de la variable continue sujette \u00e0 la fragmentation de pente, et une valeur initiale d’amor\u00e7age destin\u00e9e \u00e0 guider l’amorce de la recherche num\u00e9rique.<\/p>\n

La ligne de code repr\u00e9sentative de cette \u00e9tape s’\u00e9nonce ainsi :<\/p>\n

segmented_fit <- segmented(fit, seg.Z = ~ x, psi = 9)<\/code><\/p>\n

Dans cette formulation syntaxique, l’argument fit<\/code> transmet l’\u00e9quation globale de d\u00e9part et les r\u00e9sidus initiaux calcul\u00e9s par lm()<\/code>. L’argument seg.Z = ~ x<\/code> — obligatoirement formul\u00e9 sous forme de formule unilat\u00e9rale pr\u00e9c\u00e9d\u00e9e d’un tilde — notifie \u00e0 l’algorithme que c’est la dimension m\u00e9trique x<\/em> qui abrite la discontinuit\u00e9 de d\u00e9riv\u00e9e, \u00e9cartant toute ambigu\u00eft\u00e9 si le mod\u00e8le de r\u00e9gression initiale int\u00e9grait d’autres covariables fixes ou d’ajustement. Enfin, l’argument psi = 9<\/code> introduit l’estimation a priori ou la valeur de d\u00e9part (starting value<\/em>) pour la localisation de la coupure, d\u00e9termin\u00e9e ici en coh\u00e9rence avec les observations qualitatives recueillies lors de l’\u00e9tape exploratoire.<\/p>\n

Le choix de la valeur d’amor\u00e7age assign\u00e9e au param\u00e8tre psi<\/code> rev\u00eat une importance strat\u00e9gique pour la convergence algorithmique. Bien que la routine num\u00e9rique de Muggeo fasse preuve d’une robustesse appr\u00e9ciable face aux impr\u00e9cisions d’initialisation, fournir une valeur de d\u00e9part dramatiquement \u00e9loign\u00e9e de la zone de rupture r\u00e9elle — par exemple en d\u00e9clarant psi = 2<\/code> ou psi = 15<\/code> — expose le calcul \u00e0 un risque de divergence num\u00e9rique ou de pi\u00e9geage dans un minimum local insignifiant. Dans les situations o\u00f9 l’exploration visuelle pr\u00e9liminaire s’av\u00e8re \u00e9quivoque ou parasit\u00e9e par un niveau de bruit trop intense, l’analyste peut s’abstenir de fixer une valeur scalaire stricte et d\u00e9clarer psi = NA<\/code>, enjoignant ainsi \u00e0 la fonction d’exploiter la m\u00e9diane distributionnelle de x<\/em> comme point d’amorce standardis\u00e9.<\/p>\n

6.2 Fonctionnement sous-jacent de l’algorithme d’optimisation<\/h3>\n

Pour appr\u00e9cier pleinement la port\u00e9e des r\u00e9sultats g\u00e9n\u00e9r\u00e9s par segmented()<\/code>, il est indispensable de comprendre le m\u00e9canisme computationnel qui s’ex\u00e9cute lors de l’ajustement. L’algorithme d\u00e9velopp\u00e9 par Muggeo repose sur une proc\u00e9dure it\u00e9rative particuli\u00e8rement \u00e9l\u00e9gante, fond\u00e9e sur une lin\u00e9arisation locale de type Newton-Raphson. La difficult\u00e9 intrins\u00e8que de la fonction r\u00e9side dans la non-diff\u00e9rentiabilit\u00e9 du terme (X<\/em> – ψ)+<\/sub> au point pr\u00e9cis o\u00f9 X<\/em> est \u00e9gal \u00e0 ψ. Pour surmonter cet obstacle, l’algorithme approxime la fonction indicatrice non lin\u00e9aire par un d\u00e9veloppement en s\u00e9rie de Taylor au premier ordre autour d’une valeur d’amorce ψ(0)<\/sup>.<\/p>\n

\u00c0 chaque it\u00e9ration indic\u00e9e k<\/em>, le mod\u00e8le estime simultan\u00e9ment un ensemble \u00e9tendu de coefficients comprenant non seulement les param\u00e8tres de pente des r\u00e9gimes lin\u00e9aire et diff\u00e9rentiel, mais \u00e9galement le coefficient associ\u00e9 \u00e0 une fonction indicatrice liss\u00e9e de type Heaviside. Ce coefficient auxiliaire mesure l’\u00e9cart g\u00e9om\u00e9trique subsistant entre l’estimation courante ψ(k)<\/sup> et l’emplacement optimal minimisant la somme des carr\u00e9s des r\u00e9sidus. Gr\u00e2ce \u00e0 ce terme correctif, l’algorithme calcule une mise \u00e0 jour dynamique de la coordonn\u00e9e du n\u0153ud : ψ(k+1)<\/sup> = ψ(k)<\/sup> + δ(k)<\/sup>. Ce processus it\u00e9ratif r\u00e9ajuste pas \u00e0 pas l’abscisse du coude et recalcule l’ensemble des r\u00e9gressions partielles jusqu’\u00e0 ce que l’incr\u00e9ment de modification devienne infinit\u00e9simal, passant sous un seuil de tol\u00e9rance num\u00e9rique pr\u00e9d\u00e9fini (typiquement 10-5<\/sup>).<\/p>\n

Ce proc\u00e9d\u00e9 de lin\u00e9arisation dynamique conf\u00e8re \u00e0 la m\u00e9thode un avantage d\u00e9cisif sur les techniques d’optimisation par recherche sur grille (grid search<\/em>). Tandis que la recherche exhaustive \u00e9value une constellation discontinue de points candidats arbitraires — ce qui s’av\u00e8re computationnellement prohibitif pour de volumineux jeux de donn\u00e9es ou des extensions multiphasiques —, l’algorithme de Muggeo converge de mani\u00e8re quasi instantan\u00e9e en une poign\u00e9e d’it\u00e9rations, g\u00e9n\u00e9ralement entre 3 et 8 cycles de calcul. Toutefois, cette v\u00e9locit\u00e9 d\u00e9pend de la r\u00e9gularit\u00e9 locale de la distribution empirique : en pr\u00e9sence de discontinuit\u00e9s topologiques abruptes ou d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 r\u00e9siduelle massive, l’algorithme requiert un ajustement des param\u00e8tres de contr\u00f4le via la commande seg.control()<\/code>, permettant d’accro\u00eetre le nombre maximal d’it\u00e9rations allou\u00e9es ou de moduler l’amortissement du pas de gradient.<\/p>\n

7. \u00c9tape 5 : Analyse approfondie des sorties statistiques et des param\u00e8tres<\/h2>\n

7.1 D\u00e9composition du r\u00e9sum\u00e9 statistique via summary()<\/h3>\n

L’extraction des r\u00e9sultats quantitatifs s’op\u00e8re par l’application de la fonction g\u00e9n\u00e9rique summary()<\/code> appliqu\u00e9e \u00e0 l’objet mod\u00e9lis\u00e9 : summary(segmented_fit)<\/code>. L’affichage textuel restitu\u00e9 par la console R enrichit substantiellement le tableau classique des moindres carr\u00e9s en y adjoignant des blocs d’informations d\u00e9di\u00e9s \u00e0 la param\u00e9trisation structurelle de la rupture. La premi\u00e8re section du rapport statistique d\u00e9taille les coefficients de l’\u00e9quation modifi\u00e9e, fournissant les estimations de l’ordonn\u00e9e \u00e0 l’origine (Intercept<\/em>), de la pente initiale associ\u00e9e \u00e0 la variable continue continue x<\/em>, et du terme d’ajustement angulaire, rigoureusement r\u00e9pertori\u00e9 sous la nomenclature U1.x<\/code>.<\/p>\n

Le coefficient associ\u00e9 \u00e0 x<\/code> correspond math\u00e9matiquement \u00e0 β1<\/sub>, soit l’expression directe de la v\u00e9locit\u00e9 de variation du premier segment. Dans le cadre de notre simulation cognitive, ce param\u00e8tre s’\u00e9tablit \u00e0 une valeur approximative de 1.83 (erreur standard ≈ 0.31, t<\/em> = 5.92, p<\/em> < .0001), confirmant la significativit\u00e9 statistique de la progression mod\u00e9r\u00e9e de l’erreur comportementale durant la phase de r\u00e9sistance attentionnelle. Le terme diff\u00e9rentiel U1.x<\/code>, qui mat\u00e9rialise l’incr\u00e9ment de pente β2<\/sub>, affiche quant \u00e0 lui une valeur robuste d’environ 7.37 (erreur standard ≈ 0.42, t<\/em> = 17.55, p<\/em> < .00001). Ce coefficient hautement significatif atteste formellement que la cin\u00e9tique post-rupture n’est pas un prolongement de la premi\u00e8re droite, mais subit une acc\u00e9l\u00e9ration statistique majeure.<\/p>\n

La section m\u00e9diane de la sortie standard pr\u00e9sente l’estimation centrale du point de rupture empirique, d\u00e9sign\u00e9e sous l’\u00e9tiquette Estimated Break-Point(s)<\/code>. L’algorithme y indique la coordonn\u00e9e finale estim\u00e9e de ψ — qui converge dans notre protocole aux alentours stricts de 9.00 — accompagn\u00e9e de son erreur standard stochastique d\u00e9di\u00e9e (Est. St.Err<\/em> ≈ 0.22). Pour cerner la pr\u00e9cision m\u00e9trologique de cette estimation, la fonction confint(segmented_fit)<\/code> permet d’extraire l’intervalle de confiance param\u00e9trique du n\u0153ud. \u00c0 un niveau de confiance fix\u00e9 \u00e0 95 %, l’intervalle s’\u00e9tend de 8.52 \u00e0 9.48, confirmant que le seuil de basculement cognitif des participants se trouve rigoureusement circonscrit autour de la neuvi\u00e8me it\u00e9ration de l’\u00e9preuve, sans chevauchement avec les phases initiales ou terminales.<\/p>\n

7.2 Calcul et comparaison des pentes des diff\u00e9rents segments<\/h3>\n

Bien que le tableau principal des coefficients offre une d\u00e9composition analytique irrempla\u00e7able, la quantification intuitive du comportement empirique n\u00e9cessite la connaissance de la pente absolue du second segment et non de sa seule d\u00e9viation relative U1.x<\/code>. Afin d’\u00e9viter \u00e0 l’exp\u00e9rimentateur d’effectuer manuellement la somme stochastique (β1<\/sub> + β2<\/sub>) et de propager p\u00e9niblement les erreurs types via la matrice de variance-covariance, la biblioth\u00e8que fournit la fonction d\u00e9di\u00e9e slope()<\/code>. L’ex\u00e9cution de la commande slope(segmented_fit)<\/code> automatise int\u00e9gralement cette op\u00e9ration d’inf\u00e9rence lin\u00e9aire.<\/p>\n

La sortie structur\u00e9e g\u00e9n\u00e9r\u00e9e par slope()<\/code> d\u00e9livre un \u00e9tat des lieux exhaustif pour chaque portion du mod\u00e8le :<\/p>\n