Au-del\u00e0 de ces deux premi\u00e8res exigences, l’hypoth\u00e8se de non-corr\u00e9lation s\u00e9rielle des termes d’erreur joue un r\u00f4le d\u00e9terminant. Elle postule formellement que la covariance entre le terme d’erreur d’une observation donn\u00e9e \u00e0 l’instant t et celui d’une observation ant\u00e9rieure ou ult\u00e9rieure \u00e0 l’instant s est strictement \u00e9gale \u00e0 z\u00e9ro pour tout t diff\u00e9rent de s. En psychologie quantitative et dans l’\u00e9tude des s\u00e9ries temporelles comportementales, cette condition d’orthogonalit\u00e9 temporelle est fr\u00e9quemment menac\u00e9e. Les mesures r\u00e9p\u00e9t\u00e9es issues d’un m\u00eame sujet ou les s\u00e9ries chronologiques macro-sociales int\u00e8grent naturellement une persistance m\u00e9morielle qui d\u00e9fie l’ind\u00e9pendance statistique suppos\u00e9e des r\u00e9sidus.<\/p>\n
Il importe de clarifier la distinction conceptuelle majeure entre les erreurs stochastiques sous-jacentes, not\u00e9es traditionnellement par la lettre grecque epsilon, et les r\u00e9sidus observ\u00e9s, not\u00e9s e. Les perturbations stochastiques repr\u00e9sentent une entit\u00e9 th\u00e9orique inobservable, refl\u00e9tant l’ensemble des influences al\u00e9atoires omises dans l’\u00e9quation de la population parente. En revanche, les r\u00e9sidus correspondent aux d\u00e9viations empiriques mesur\u00e9es entre la valeur observ\u00e9e de la variable d\u00e9pendante et la pr\u00e9diction g\u00e9n\u00e9r\u00e9e par la droite de r\u00e9gression estim\u00e9e sur l’\u00e9chantillon. Bien que le th\u00e9or\u00e8me de Gauss-Markov formule ses exigences vis-\u00e0-vis des erreurs inobservables, les praticiens sont contraints de porter leur diagnostic exclusivement sur les r\u00e9sidus d’\u00e9chantillonnage, rendant indispensable l’application d’outils statistiques sp\u00e9cifiquement calibr\u00e9s pour cette extrapolation.<\/p>\n
1.2 La notion d’autocorr\u00e9lation des r\u00e9sidus : typologies et m\u00e9canismes sous-jacents<\/h3>\n
L’autocorr\u00e9lation s\u00e9rielle survient lorsque les erreurs successives d’un mod\u00e8le de r\u00e9gression ne sont pas ind\u00e9pendantes les unes des autres, mais manifestent une structure de d\u00e9pendance interne. La forme la plus \u00e9l\u00e9mentaire et la plus r\u00e9pandue de cette distorsion est l’autocorr\u00e9lation de premier ordre, formellement mod\u00e9lis\u00e9e comme un processus autor\u00e9gressif d’ordre 1, abr\u00e9g\u00e9 AR(1). Dans un tel sch\u00e9ma, l’erreur stochastique \u00e0 la p\u00e9riode courante t s’exprime comme une fraction de l’erreur observ\u00e9e \u00e0 la p\u00e9riode pr\u00e9c\u00e9dente t-1, \u00e0 laquelle s’ajoute un bruit blanc purement al\u00e9atoire. Le coefficient d’autocorr\u00e9lation rho quantifie l’intensit\u00e9 et le signe de cette association lin\u00e9aire.<\/p>\n
On distingue traditionnellement l’autocorr\u00e9lation positive de l’autocorr\u00e9lation n\u00e9gative. L’autocorr\u00e9lation positive, de loin la plus fr\u00e9quente dans les sciences comportementales et \u00e9conomiques, se manifeste par une persistance syst\u00e9matique : un r\u00e9sidu positif \u00e0 l’instant t a une probabilit\u00e9 accrue d’\u00eatre suivi par un r\u00e9sidu \u00e9galement positif \u00e0 l’instant t+1. Inversement, des r\u00e9sidus n\u00e9gatifs ont tendance \u00e0 s’agr\u00e9ger en grappes cons\u00e9cutives. L’autocorr\u00e9lation n\u00e9gative, bien que plus rare, se caract\u00e9rise par une alternance oscillatoire rapide et contre-nature, o\u00f9 les r\u00e9sidus positifs et n\u00e9gatifs se succ\u00e8dent de fa\u00e7on pendulaire d’une mesure \u00e0 la suivante.<\/p>\n
Les origines de cette violation sont plurielles. L’omission d’une variable explicative structurante pr\u00e9sentant elle-m\u00eame une dynamique temporelle constitue la cause premi\u00e8re la plus r\u00e9currente. De surcro\u00eet, une mauvaise sp\u00e9cification de la forme fonctionnelle du mod\u00e8le\u2014par exemple l’utilisation d’une relation strictement lin\u00e9aire pour approximer un ph\u00e9nom\u00e8ne biologique ou cognitif fondamentalement quadratique ou exponentiel\u2014induit m\u00e9caniquement des r\u00e9sidus corr\u00e9l\u00e9s dans le temps. Dans les protocoles exp\u00e9rimentaux r\u00e9p\u00e9t\u00e9s et les \u00e9tudes longitudinales, l’inertie \u00e9motionnelle des participants, les effets d’apprentissage progressif ou encore l’accumulation de fatigue constituent des vecteurs psychologiques directs de corr\u00e9lation s\u00e9rielle non mod\u00e9lis\u00e9e.<\/p>\n La persistance de l’autocorr\u00e9lation des r\u00e9sidus engendre des distorsions analytiques s\u00e9v\u00e8res qui sapent l’ensemble de la d\u00e9marche inf\u00e9rentielle. Il est essentiel de souligner que la pr\u00e9sence d’une corr\u00e9lation s\u00e9rielle n’affecte pas la propri\u00e9t\u00e9 de convergence ni le caract\u00e8re sans biais des estimateurs des coefficients de r\u00e9gression calcul\u00e9s par les moindres carr\u00e9s ordinaires, pourvu que les pr\u00e9dicteurs demeurent strictement exog\u00e8nes. En d’autres termes, les coefficients calcul\u00e9s convergent toujours vers la v\u00e9ritable valeur du param\u00e8tre de population \u00e0 mesure que la taille de l’\u00e9chantillon tend vers l’infini.<\/p>\n N\u00e9anmoins, la violation du postulat d’ind\u00e9pendance d\u00e9truit irr\u00e9m\u00e9diablement l’efficacit\u00e9 statistique des estimateurs. Les estimateurs MCO cessent d’\u00eatre \u00e0 variance minimale, ce qui signifie qu’il existe d’autres estimateurs, tels que ceux issus des moindres carr\u00e9s quasi-g\u00e9n\u00e9ralis\u00e9s, offrant une pr\u00e9cision nettement sup\u00e9rieure. Plus grave encore, la formule conventionnelle utilis\u00e9e par les logiciels pour calculer la matrice de variance-covariance des coefficients devient structurellement invalide. En pr\u00e9sence d’une autocorr\u00e9lation positive, la variance estim\u00e9e des coefficients est syst\u00e9matiquement sous-estim\u00e9e, donnant l’illusion trompeuse d’une pr\u00e9cision analytique accrue.<\/p>\n Cette sous-estimation de la variance standard engendre une inflation spectaculaire des statistiques de Student (test t) et de Fisher (test F). Les intervalles de confiance se trouvent artificiellement r\u00e9tr\u00e9cis, tandis que les valeurs de significativit\u00e9 empirique (valeurs-p) s’effondrent artificiellement. Ce ph\u00e9nom\u00e8ne conduit \u00e0 une explosion incontr\u00f4l\u00e9e du taux d’erreur de type I : le chercheur conclut triomphalement \u00e0 la significativit\u00e9 statistique de pr\u00e9dicteurs comportementaux ou cliniques qui ne sont en r\u00e9alit\u00e9 que des artefacts imputables \u00e0 la structure s\u00e9quentielle non corrig\u00e9e des r\u00e9sidus du mod\u00e8le.<\/p>\n Le test d\u00e9velopp\u00e9 par Durbin et Watson (1950)<\/a> repose sur un cadre inf\u00e9rentiel param\u00e9trique strict, con\u00e7u pour \u00e9valuer la pr\u00e9sence d’une structure autor\u00e9gressive de premier ordre au sein des erreurs d’une r\u00e9gression. La formulation formelle des hypoth\u00e8ses s’\u00e9nonce \u00e0 partir du param\u00e8tre d’autocorr\u00e9lation rho de l’\u00e9quation des perturbations. L’hypoth\u00e8se nulle (H0) pose de mani\u00e8re principielle l’absence totale de d\u00e9pendance s\u00e9quentielle entre les observations contigu\u00ebs, soit rho \u00e9gal \u00e0 0. Sous cette hypoth\u00e8se, le mod\u00e8le satisfait pleinement le postulat d’ind\u00e9pendance s\u00e9rielle de Gauss-Markov.<\/p>\n L’hypoth\u00e8se alternative (HA) peut \u00eatre formul\u00e9e de mani\u00e8re unilat\u00e9rale ou bilat\u00e9rale selon les attendus th\u00e9oriques du protocole de recherche. Dans la majorit\u00e9 des applications en sciences sociales et comportementales, o\u00f9 l’on soup\u00e7onne une inertie temporelle, l’hypoth\u00e8se alternative teste unilat\u00e9ralement la pr\u00e9sence d’une autocorr\u00e9lation positive, soit rho strictement sup\u00e9rieur \u00e0 0. Cependant, une formulation bilat\u00e9rale stipulant simplement que rho est non nul permet de couvrir simultan\u00e9ment l’\u00e9ventualit\u00e9 d’une alternance n\u00e9gative des termes d’erreur, garantissant ainsi un balayage diagnostique exhaustif.<\/p>\n La validit\u00e9 m\u00e9thodologique du test de Durbin-Watson exige le respect de conditions structurelles intransigeantes. D’une part, le mod\u00e8le de r\u00e9gression lin\u00e9aire doit obligatoirement inclure un terme constant (l’ordonn\u00e9e \u00e0 l’origine), sous peine de biaiser la distribution de r\u00e9f\u00e9rence de la statistique de test. D’autre part, et cela repr\u00e9sente une contrainte analytique d\u00e9terminante, les variables explicatives doivent \u00eatre strictement exog\u00e8nes et ne peuvent en aucun cas int\u00e9grer la variable d\u00e9pendante retard\u00e9e (par exemple y \u00e0 l’instant t-1). La pr\u00e9sence d’un terme autor\u00e9gressif parmi les r\u00e9gresseurs entra\u00eene une convergence de la statistique de test vers la valeur 2, masquant enti\u00e8rement l’autocorr\u00e9lation sous-jacente.<\/p>\n La statistique de test d de Durbin-Watson est construite \u00e0 partir de l’analyse comparative des r\u00e9sidus successifs g\u00e9n\u00e9r\u00e9s par l’ajustement aux moindres carr\u00e9s ordinaires. D’un point de vue alg\u00e9brique, la formule s’articule sous la forme d’un ratio confrontant la variance des \u00e9carts s\u00e9quentiels \u00e0 la variance globale de l’\u00e9chantillon. Le num\u00e9rateur mesure la somme des carr\u00e9s des diff\u00e9rences observ\u00e9es entre le r\u00e9sidu \u00e0 l’instant t et le r\u00e9sidu imm\u00e9diatement ant\u00e9rieur \u00e0 l’instant t-1, cette sommation d\u00e9butant n\u00e9cessairement \u00e0 la deuxi\u00e8me observation (t = 2) jusqu’\u00e0 la derni\u00e8re (t = n).<\/p>\n Le d\u00e9nominateur de la fraction correspond quant \u00e0 lui \u00e0 la somme totale des carr\u00e9s de l’ensemble des r\u00e9sidus du mod\u00e8le, sommation calcul\u00e9e pour t variant de 1 \u00e0 n. Cette normalisation conf\u00e8re \u00e0 la statistique une propri\u00e9t\u00e9 invariante d’\u00e9chelle, permettant de neutraliser l’amplitude absolue des unit\u00e9s de mesure employ\u00e9es dans l’\u00e9tude. En d\u00e9veloppant le carr\u00e9 pr\u00e9sent au num\u00e9rateur, l’expression se d\u00e9compose en trois termes distincts : la somme des carr\u00e9s des r\u00e9sidus courants, la somme des carr\u00e9s des r\u00e9sidus retard\u00e9s, et le double de la somme des produits crois\u00e9s entre r\u00e9sidus cons\u00e9cutifs.<\/p>\n Lorsque la taille d’\u00e9chantillon n devient mod\u00e9r\u00e9ment large, la somme des r\u00e9sidus d\u00e9cal\u00e9s au carr\u00e9 converge asymptotiquement vers la somme des r\u00e9sidus courants au carr\u00e9. En factorisant cette approximation fondamentale, il appara\u00eet une relation math\u00e9matique universelle reliant la statistique d au coefficient d’autocorr\u00e9lation empirique des r\u00e9sidus, not\u00e9 r ou rho chapeau. L’expression se simplifie de mani\u00e8re remarquable sous la forme : d est approximativement \u00e9gal \u00e0 2 multipli\u00e9 par le facteur (1 moins rho chapeau). Cette \u00e9quivalence alg\u00e9brique fonde l’ensemble de la grille d’interpr\u00e9tation empirique de la statistique.<\/p>\n L’intervalle th\u00e9orique au sein duquel peut fluctuer la statistique d de Durbin-Watson est strictement born\u00e9 entre 0 et 4, cons\u00e9quence directe de la d\u00e9rivation math\u00e9matique pr\u00e9c\u00e9dente. Si les perturbations stochastiques sont rigoureusement ind\u00e9pendantes les unes des autres, le coefficient d’autocorr\u00e9lation rho chapeau converge vers z\u00e9ro. En appliquant la formule d’approximation, la statistique d adopte une valeur exactement \u00e9gale ou tr\u00e8s proche de 2. Ainsi, toute valeur gravitant dans le voisinage imm\u00e9diat de 2 constitue un indice robuste en faveur de l’absence de corr\u00e9lation s\u00e9rielle d’ordre 1.<\/p>\n \u00c0 l’inverse, lorsque l’\u00e9chantillon est contamin\u00e9 par une autocorr\u00e9lation positive maximale, le coefficient empirique rho tend vers sa limite sup\u00e9rieure de +1. Par substitution dans l’\u00e9quation, le terme (1 moins 1) s’annule, entra\u00eenant l’effondrement de la statistique d vers sa borne inf\u00e9rieure de 0. Par cons\u00e9quent, plus la statistique d observ\u00e9e s’approche de 0, plus la certitude d’une d\u00e9pendance temporelle positive s’accro\u00eet. Une valeur inf\u00e9rieure \u00e0 1,5 \u00e9veille couramment de s\u00e9rieuses inqui\u00e9tudes quant \u00e0 la validit\u00e9 des \u00e9carts-types estim\u00e9s par le mod\u00e8le lin\u00e9aire standard.<\/p>\n Sym\u00e9triquement, lorsqu’un ph\u00e9nom\u00e8ne de balancement pendulaire induit une autocorr\u00e9lation n\u00e9gative extr\u00eame, le coefficient rho s’approche de -1. L’expression math\u00e9matique devient alors 2 multipli\u00e9 par (1 moins -1), ce qui propulse la statistique d vers sa limite sup\u00e9rieure absolue de 4. Toutefois, la d\u00e9termination des seuils de d\u00e9cision ne peut s’effectuer \u00e0 partir d’un point de rupture unique. En raison de la d\u00e9pendance de la distribution exacte de d vis-\u00e0-vis de la matrice particuli\u00e8re des variables explicatives X, l’espace d’\u00e9valuation comporte des bornes d’ind\u00e9cision statistiques irr\u00e9ductibles, articul\u00e9es autour d’une borne inf\u00e9rieure dL et d’une borne sup\u00e9rieure dU.<\/p>\n Pour proc\u00e9der au calcul des r\u00e9sidus d’une r\u00e9gression au sein de Microsoft Excel sans devoir coder manuellement l’inversion matricielle de Gauss, l’activation du compl\u00e9ment int\u00e9gr\u00e9 nomm\u00e9 Utilitaire d’analyse<\/strong> (Analysis ToolPak<\/em>) s’av\u00e8re indispensable. Sous les environnements Windows r\u00e9cents, cette op\u00e9ration n\u00e9cessite d’acc\u00e9der au menu principal en s\u00e9lectionnant l’onglet Fichier<\/em>, puis en cliquant sur Options<\/em> situ\u00e9 tout en bas de la barre lat\u00e9rale. Dans la bo\u00eete de dialogue contextuelle qui s’affiche, la navigation s’oriente vers la rubrique d\u00e9di\u00e9e aux Compl\u00e9ments<\/em>.<\/p>\n Au bas de la fen\u00eatre des compl\u00e9ments, un menu d\u00e9roulant intitul\u00e9 G\u00e9rer<\/em> affiche par d\u00e9faut la mention Compl\u00e9ments Excel<\/em>. Un clic sur le bouton Atteindre…<\/em> ouvre une sous-fen\u00eatre sp\u00e9cifique recensant les modules analytiques natifs du logiciel. Il convient alors de cocher express\u00e9ment la case intitul\u00e9e Utilitaire d’analyse<\/strong>, puis de valider l’op\u00e9ration en cliquant sur OK<\/em>. Pour les utilisateurs \u00e9voluant sous l’environnement macOS, le cheminement diff\u00e8re l\u00e9g\u00e8rement : l’acc\u00e8s s’effectue via le menu sup\u00e9rieur Outils<\/em>, puis en s\u00e9lectionnant la commande Compl\u00e9ments Excel…<\/em> pour atteindre la m\u00eame bo\u00eete de s\u00e9lection.<\/p>\n Une fois cette validation ex\u00e9cut\u00e9e, l’int\u00e9gration du module se mat\u00e9rialise visuellement par l’apparition d’un nouveau bloc fonctionnel nomm\u00e9 Analyse<\/em> \u00e0 l’extr\u00e9mit\u00e9 droite de l’onglet Donn\u00e9es<\/strong> du ruban Excel. Ce bloc arbore le bouton Utilitaire d’analyse<\/em>. Dans l’\u00e9ventualit\u00e9 o\u00f9 le bouton ne se chargerait pas convenablement ou demeurerait gris\u00e9, un red\u00e9marrage complet de l’application permet g\u00e9n\u00e9ralement de purger le cache et d’ancrer d\u00e9finitivement la r\u00e9f\u00e9rence dynamique aux biblioth\u00e8ques de calcul matriciel requises.<\/p>\n La mise en \u0153uvre d’un diagnostic d’autocorr\u00e9lation exige une rigueur absolue dans la spatialisation des donn\u00e9es tabulaires. Une feuille de calcul mal structur\u00e9e induit in\u00e9vitablement des erreurs de pointage r\u00e9f\u00e9rentiel lors de l’application des formules de d\u00e9calage chronologique. Il est hautement recommand\u00e9 de d\u00e9dier une zone sp\u00e9cifique, typiquement les premi\u00e8res colonnes de la feuille (colonnes A \u00e0 D), aux donn\u00e9es primaires brutes. La premi\u00e8re colonne doit imp\u00e9rativement \u00eatre r\u00e9serv\u00e9e \u00e0 l’index temporel ou au num\u00e9ro s\u00e9quentiel d’observation, allant de 1 jusqu’\u00e0 n sans interruption.<\/p>\n L’ordre chronologique des observations doit \u00eatre maintenu de fa\u00e7on inflexible. Contrairement aux analyses de variance transversales o\u00f9 l’ordonnancement des lignes n’a aucun impact statistique, la logique s\u00e9quentielle du test de Durbin-Watson repose sur la contigu\u00eft\u00e9 stricte des mesures dans le temps. Tout tri alphab\u00e9tique ou reclassement intempestif des observations selon une valeur de variable an\u00e9antirait irr\u00e9m\u00e9diablement la structure de corr\u00e9lation s\u00e9rielle recherch\u00e9e, rendant le calcul de la statistique d\u00e9pourvu de sens.<\/p>\n De surcro\u00eet, la standardisation pr\u00e9alable des formats de cellules constitue un rempart essentiel contre les anomalies d’ex\u00e9cution. Les variables doivent \u00eatre explicitement configur\u00e9es en format Nombre<\/em> avec un s\u00e9parateur d\u00e9cimal uniforme (point ou virgule selon les param\u00e8tres r\u00e9gionaux du syst\u00e8me d’exploitation). Enfin, il est m\u00e9thodologiquement vertueux d’anticiper l’implantation des calculs futurs en segmentant visuellement l’espace de travail : une zone pour la matrice de donn\u00e9es primaires, une zone d\u00e9di\u00e9e aux r\u00e9sultats de r\u00e9gression g\u00e9n\u00e9r\u00e9s par l’utilitaire, et une zone adjacente r\u00e9serv\u00e9e aux colonnes arithm\u00e9tiques du test de Durbin-Watson.<\/p>\n Avant d’ajuster le moindre mod\u00e8le de r\u00e9gression, un audit qualit\u00e9 rigoureux de la s\u00e9rie s\u00e9quentielle s’impose. La pr\u00e9sence de donn\u00e9es manquantes (cellules vides ou valeurs nulles non cod\u00e9es) repr\u00e9sente l’\u00e9cueil le plus dommageable pour le test de Durbin-Watson. Si une valeur est absente au sein d’une s\u00e9rie chronologique, l’\u00e9cart temporel entre l’observation pr\u00e9c\u00e9dente t-1 et l’observation subs\u00e9quente t+1 passe de une \u00e0 deux unit\u00e9s. Ce saut brise l’homog\u00e9n\u00e9it\u00e9 du pas d’\u00e9chantillonnage et biaise l’estimation de la corr\u00e9lation s\u00e9rielle de premier ordre.<\/p>\n Le chercheur doit arbitrer entre plusieurs techniques de pr\u00e9traitement pour r\u00e9soudre ces discontinuit\u00e9s : l’imputation par interpolation spline ou lin\u00e9aire pour des donn\u00e9es \u00e0 dynamique stable, ou le fractionnement de l’analyse en sous-p\u00e9riodes continues \u00e9tanches si les lacunes sont massives. De mani\u00e8re compl\u00e9mentaire, l’inspection visuelle pr\u00e9alable via un graphique de dispersion ou une bo\u00eete \u00e0 moustaches permet de d\u00e9tecter les valeurs aberrantes (outliers<\/em>) s\u00e9v\u00e8res. Un score d\u00e9viant isol\u00e9 exerce un effet de levier consid\u00e9rable sur la droite de r\u00e9gression, produisant localement un r\u00e9sidu artificiellement colossal qui faussera l’ensemble du calcul de la variance des diff\u00e9rences.<\/p>\n Toute transformation math\u00e9matique pr\u00e9liminaire appliqu\u00e9e aux donn\u00e9es\u2014telle qu’une normalisation logarithmique pour stabiliser la variance ou une r\u00e9duction z-score pour uniformiser les \u00e9chelles psychom\u00e9triques\u2014doit \u00eatre int\u00e9gralement document\u00e9e sur la feuille de calcul. Ces ajustements pr\u00e9alables garantissent la reproductibilit\u00e9 scientifique de l’\u00e9tude et certifient que l’analyse des r\u00e9sidus portera sur une s\u00e9rie stabilis\u00e9e respectant au mieux la lin\u00e9arit\u00e9 fonctionnelle requise par l’outil de r\u00e9gression d’Excel.<\/p>\n Pour exemplifier la proc\u00e9dure d’une mani\u00e8re concr\u00e8te et op\u00e9rationnelle, consid\u00e9rons une \u00e9tude de cas issue de la recherche en neuropsychologie cognitive et du travail. Un laboratoire analyse l’influence de la charge cognitive cumul\u00e9e et du niveau d’anxi\u00e9t\u00e9 situationnelle sur les temps de r\u00e9action de contr\u00f4leurs a\u00e9riens au cours d’un quart de travail intensif simul\u00e9 de 60 p\u00e9riodes de mesure successives (n = 60). La d\u00e9finition rigoureuse des variables constitue le socle de toute l’architecture de r\u00e9gression.<\/p>\n La variable \u00e0 expliquer, ou variable d\u00e9pendante not\u00e9e Y, est repr\u00e9sent\u00e9e par le Temps de r\u00e9action moyen<\/strong> exprim\u00e9 en millisecondes. Il s’agit d’une variable quantitative continue capturant la vitesse de traitement de l’information. D’autre part, deux pr\u00e9dicteurs quantitatifs continus sont int\u00e9gr\u00e9s au titre de variables ind\u00e9pendantes : la Charge cognitive per\u00e7ue<\/strong> (X1), \u00e9valu\u00e9e sur une \u00e9chelle continue de 0 \u00e0 100 via des indices physiologiques de connectivit\u00e9 frontale, et l’Indice de stress physiologique<\/strong> (X2), quantifi\u00e9 par la conductance \u00e9lectrodermale moyenne au cours de chaque intervalle s\u00e9quentiel.<\/p>\n Les variables de contr\u00f4le potentielles, telles que la temp\u00e9rature ambiante de la cabine de contr\u00f4le ou l’intensit\u00e9 lumineuse moyenne, doivent faire l’objet d’un recueil similaire ou \u00eatre maintenues constantes au niveau exp\u00e9rimental. Il est imp\u00e9ratif que toutes les m\u00e9triques s\u00e9lectionn\u00e9es satisfassent aux propri\u00e9t\u00e9s de l’\u00e9chelle d’intervalle ou de rapport afin de l\u00e9gitimer le recours aux op\u00e9rations arithm\u00e9tiques lin\u00e9aires de l’estimation MCO et de pr\u00e9server la validit\u00e9 conceptuelle des r\u00e9sidus qui en seront extraits.<\/p>\n L’Utilitaire d’analyse de r\u00e9gression d’Excel impose une contrainte topologique formelle : l’ensemble des pr\u00e9dicteurs ind\u00e9pendants (les colonnes X) doit imp\u00e9rativement \u00eatre structur\u00e9 sous la forme d’un bloc contigu de colonnes adjacentes. D\u00e8s lors, si le mod\u00e8le incorpore plusieurs variables explicatives, ces derni\u00e8res ne peuvent \u00eatre s\u00e9par\u00e9es par la variable d\u00e9pendante ou par des colonnes d’annotations textuelles. La disposition doit \u00eatre pens\u00e9e pour \u00e9pouser la logique matricielle interne de l’algorithme de r\u00e9solution.<\/p>\n Une configuration optimale au sein de la feuille de calcul s’organise selon l’architecture suivante :<\/p>\n Chaque ligne d’observation de 2 \u00e0 61 capture un instant s\u00e9quentiel unique, garantissant que l’axe chronologique progresse de mani\u00e8re unidirectionnelle du haut vers le bas du tableau sans discontinuit\u00e9.<\/p>\n L’inclusion d’en-t\u00eates explicites en ligne 1 est vivement recommand\u00e9e. Elle \u00e9vite toute confusion lors de la manipulation des plages de donn\u00e9es et fiabilise le param\u00e9trage ult\u00e9rieur des bo\u00eetes de dialogue. Enfin, il convient de figer les volets sup\u00e9rieurs pour maintenir la visibilit\u00e9 de la d\u00e9nomination des variables lors du d\u00e9filement des dizaines de lignes de donn\u00e9es temporelles, minimisant ainsi les risques d’erreur de saisie manuelle ou de d\u00e9synchronisation de vecteur.<\/p>\n Avant d’engager le processus d’ajustement \u00e9conom\u00e9trique ou psychom\u00e9trique, une inspection visuelle pr\u00e9liminaire de la distribution temporelle des donn\u00e9es est indispensable. Au moyen de l’onglet Insertion<\/em> d’Excel, la g\u00e9n\u00e9ration d’un graphique lin\u00e9aire de type Courbe 2D<\/em> repr\u00e9sentant la variable d\u00e9pendante Y en fonction du temps permet d’appr\u00e9cier la morphologie globale de la s\u00e9rie. Cette d\u00e9marche initiale vise \u00e0 identifier la pr\u00e9sence manifeste d’une tendance lin\u00e9aire d\u00e9terministe ou de cycles p\u00e9riodiques prononc\u00e9s.<\/p>\n L’absence apparente de stationnarit\u00e9\u2014illustr\u00e9e par exemple par une d\u00e9rive continue \u00e0 la hausse du temps de r\u00e9action sous l’effet de l’\u00e9puisement neurophysiologique\u2014constitue une source pr\u00e9visible d’autocorr\u00e9lation r\u00e9siduelle si cette tendance n’est pas mod\u00e9lis\u00e9e par l’introduction d’un pr\u00e9dicteur de temps explicite. De fa\u00e7on analogue, le trac\u00e9 des variables X1 et X2 offre l’opportunit\u00e9 de rep\u00e9rer des sauts structurels brutaux ou des ruptures de dynamique induites par un incident d’enregistrement exp\u00e9rimental.<\/p>\n Le calcul de statistiques descriptives \u00e9l\u00e9mentaires (moyenne empirique, \u00e9cart-type, coefficient d’asym\u00e9trie) via les formules standards `MOYENNE()` et `ECARTYPE.STANDARD()` permet d’\u00e9talonner la dispersion des variables. Si un pr\u00e9dicteur pr\u00e9sente une variance quasi-nulle, il risque d’induire une singularit\u00e9 quasi-singuli\u00e8re dans l’inversion de la matrice X’X, perturbant le calcul des coefficients de r\u00e9gression et faussant l’\u00e9valuation finale du test de Durbin-Watson.<\/p>\n L’ajustement du mod\u00e8le lin\u00e9aire s’op\u00e8re en sollicitant l’Utilitaire d’analyse. Depuis l’onglet Donn\u00e9es<\/strong>, cliquez sur Utilitaire d’analyse<\/em>, faites d\u00e9filer la liste alphab\u00e9tique des outils analytiques disponibles et s\u00e9lectionnez la mention R\u00e9gression<\/strong>, puis confirmez par OK<\/em>. Une interface modale s’ouvre, exigeant le renseignement rigoureux des coordonn\u00e9es spatiales des variables \u00e0 traiter.<\/p>\n Dans le champ intitul\u00e9 Plage d’entr\u00e9e Y<\/em>, s\u00e9lectionnez avec pr\u00e9cision la plage englobant la variable d\u00e9pendante ainsi que son en-t\u00eate, \u00e0 savoir la r\u00e9f\u00e9rence absolue Il est imp\u00e9ratif de cocher la case Intitul\u00e9s<\/strong> (ou Labels<\/em> dans les versions anglophones), ce qui signale explicitement au compilateur statistique d’Excel que la premi\u00e8re cellule de chaque vecteur correspond \u00e0 un nom textuel de variable et non \u00e0 une donn\u00e9e num\u00e9rique. Le niveau de confiance par d\u00e9faut est fix\u00e9 \u00e0 95 %, ce qui correspond au seuil conventionnel alpha de 5 % utilis\u00e9 dans la vaste majorit\u00e9 des recherches empiriques ; cette option peut demeurer coch\u00e9e telle quelle.<\/p>\n La r\u00e9ussite m\u00e9thodologique du diagnostic repose enti\u00e8rement sur la configuration des options de sortie situ\u00e9es dans la moiti\u00e9 inf\u00e9rieure de la bo\u00eete de dialogue de r\u00e9gression. Par d\u00e9faut, Excel se limite \u00e0 g\u00e9n\u00e9rer les tables de synth\u00e8se statistique (R\u00b2, ANOVA et coefficients). Pour pouvoir calculer la statistique de Durbin-Watson, il est absolument indispensable de cocher la case d’option intitul\u00e9e R\u00e9sidus<\/strong> (Residuals<\/em>).<\/p>\n Il importe de ne pas confondre les R\u00e9sidus ordinaires<\/em> avec les R\u00e9sidus normalis\u00e9s<\/em> (ou standardis\u00e9s). Les r\u00e9sidus ordinaires correspondent aux \u00e9carts bruts e_t = y_t – y_chapeau_t, exprim\u00e9s dans l’unit\u00e9 m\u00e9trique originelle de la variable d\u00e9pendante. La statistique de Durbin-Watson s’appuie historiquement sur ces r\u00e9sidus bruts. La s\u00e9lection des r\u00e9sidus normalis\u00e9s produirait un r\u00e9sultat num\u00e9riquement quasi-identique du fait du ratio d’homog\u00e9n\u00e9it\u00e9, mais s’\u00e9carterait du formalisme alg\u00e9brique standard.<\/p>\n Au niveau des options de restitution spatiale des r\u00e9sultats, il est fortement pr\u00e9conis\u00e9 de cocher l’option Une nouvelle feuille de calcul<\/em> en la nommant par exemple Sortie_Regression<\/strong>, ou de d\u00e9signer une Plage de sortie<\/em> locale d\u00e9butant \u00e0 la cellule L’ex\u00e9cution de la routine g\u00e9n\u00e8re instantan\u00e9ment trois tableaux canoniques d’analyse statistique : le tableau des Statistiques de la r\u00e9gression<\/em>, la table de l’Analyse de variance<\/em> (ANOVA) et la table d’estimation des Coefficients<\/em>. L’examen attentif du coefficient de d\u00e9termination R\u00b2 et du R\u00b2 ajust\u00e9 offre un premier \u00e9clairage sur la proportion de variance des temps de r\u00e9action expliqu\u00e9e conjointement par la charge cognitive et le stress physiologique.<\/p>\n L’examen de la ligne de r\u00e9gression dans le tableau de l’ANOVA permet de v\u00e9rifier si la statistique F globale atteint le seuil critique de significativit\u00e9 statistique (valeur critique de F inf\u00e9rieure \u00e0 0,05). Si le mod\u00e8le dans son ensemble ne s’av\u00e8re pas statistiquement pr\u00e9dictif, l’interpr\u00e9tation des r\u00e9sidus perd de sa substance m\u00e9thodologique, car les erreurs refl\u00e8tent principalement le bruit de fond d’un mod\u00e8le non pertinent. Dans notre cas de figure hypoth\u00e9tique, la significativit\u00e9 globale est pleinement \u00e9tablie.<\/p>\n Enfin, en dessous de la table des coefficients, se trouve le bloc n\u00e9vralgique pour notre objectif : la Table des sorties des r\u00e9sidus<\/strong>. Ce tableau comprend trois colonnes : le num\u00e9ro de l’observation (de 1 \u00e0 60), la Valeur pr\u00e9dite pour Y<\/em> calcul\u00e9e par l’\u00e9quation de r\u00e9gression, et la colonne vitale des R\u00e9sidus<\/strong> bruts. C’est \u00e0 partir de ce vecteur de d\u00e9viations individuelles que va s’op\u00e9rer la construction manuelle des sommes n\u00e9cessaires au test de Durbin-Watson.<\/p>\n Une fois les r\u00e9sidus bruts extraits, l’\u00e9tape suivante consiste \u00e0 construire m\u00e9thodiquement l’architecture arithm\u00e9tique de la formule de Durbin-Watson. Supposons que, pour des raisons de clart\u00e9 analytique, vous ayez recopi\u00e9 la colonne des r\u00e9sidus bruts sur une nouvelle feuille d\u00e9di\u00e9e au diagnostic, ou que vous vous positionniez directement \u00e0 droite de la table des r\u00e9sidus g\u00e9n\u00e9r\u00e9e. Supposons que vos r\u00e9sidus bruts se situent dans la plage Pour construire la s\u00e9rie des r\u00e9sidus retard\u00e9s d’une p\u00e9riode, couramment d\u00e9sign\u00e9e par la notation e_{t-1}, ins\u00e9rez un en-t\u00eate explicite dans la colonne adjacente, par exemple en cellule C1 : Residu_Lag1<\/em>. Dans la cellule C2, qui correspond \u00e0 la premi\u00e8re p\u00e9riode temporelle t = 1, il est formellement impossible de disposer d’une valeur ant\u00e9rieure, puisque l’observation t = 0 n’existe pas dans le protocole empirique. La cellule C2 doit donc demeurer imp\u00e9rativement vide ou contenir la mention `#N\/A` pour pr\u00e9venir tout calcul erron\u00e9.<\/p>\n Le calcul du retard d\u00e9bute concr\u00e8tement \u00e0 la ligne 3 (correspondant \u00e0 la deuxi\u00e8me observation, t = 2). Dans la cellule C3, saisissez l’instruction d’affectation dynamique suivante : La formulation alg\u00e9brique de Durbin-Watson exige de mesurer l’amplitude du changement intervenu dans les r\u00e9sidus d’une unit\u00e9 de temps \u00e0 la suivante, soit la diff\u00e9rence finie e_t – e_{t-1}. Positionnez-vous sur la colonne adjacente D et inscrivez en cellule D1 l’en-t\u00eate suivant : Diff_Residus<\/em>. Tout comme pour la colonne de d\u00e9calage, la ligne 2 (observation 1) ne peut faire l’objet d’aucune soustraction valide en raison de l’absence de terme ant\u00e9rieur.<\/p>\n Le calcul des \u00e9carts commence donc strictement \u00e0 la ligne 3. Dans la cellule D3, entrez la formule arithm\u00e9tique suivante : Copiez cette formule vers le bas jusqu’\u00e0 la cellule D61 en utilisant la poign\u00e9e d’extension incr\u00e9mentielle. Veillez scrupuleusement \u00e0 ce qu’aucune r\u00e9f\u00e9rence circulaire ne vienne parasiter le tableau. Un contr\u00f4le visuel rapide permet de s’assurer de la coh\u00e9rence des signes : si B3 vaut -4,2 et C3 vaut -4,0, la cellule D3 doit obligatoirement afficher -0,2. La pr\u00e9cision de calcul doit \u00eatre conserv\u00e9e au format standard sans troncature artificielle par des arrondis pr\u00e9matur\u00e9s.<\/p>\n La statistique de test d s’appuie sur la somme des carr\u00e9s de ces variations d’une part, et sur la somme des carr\u00e9s de l’int\u00e9gralit\u00e9 des r\u00e9sidus d’autre part. Pour pr\u00e9server la d\u00e9composition p\u00e9dagogique du processus, nous allons allouer deux colonnes suppl\u00e9mentaires aux op\u00e9rations d’\u00e9l\u00e9vation \u00e0 la puissance 2 avant de proc\u00e9der aux sommations consolid\u00e9es.<\/p>\n Dans la colonne E, intitul\u00e9e Diff_Au_Carre<\/em>, positionnez-vous sur la cellule E3 et ins\u00e9rez la formule arithm\u00e9tique : Parall\u00e8lement, dans la colonne F, intitul\u00e9e Residu_Au_Carre<\/em>, saisissez en cellule F2 la formule d’\u00e9l\u00e9vation au carr\u00e9 du r\u00e9sidu brut individuel : Il ne reste plus qu’\u00e0 d\u00e9river les deux termes scalaires essentiels au sein de deux cellules isol\u00e9es, par exemple en H2 et H3 :<\/p>\n La d\u00e9rivation finale de la statistique de Durbin-Watson s’op\u00e8re par une op\u00e9ration de division \u00e9l\u00e9mentaire confrontant le num\u00e9rateur et le d\u00e9nominateur pr\u00e9c\u00e9demment calcul\u00e9s. Dans une cellule d\u00e9di\u00e9e et mise en exergue, par exemple la cellule H5 assortie de l’\u00e9tiquette descriptive Statistique_d_Durbin_Watson<\/em> en G5, ins\u00e9rez l’instruction arithm\u00e9tique suivante : Il convient de formater la cellule d’affichage pour pr\u00e9senter une pr\u00e9cision usuelle \u00e0 quatre d\u00e9cimales, conform\u00e9ment aux standards \u00e9ditoriaux de l’American Psychological Association (APA)<\/a> et des revues biom\u00e9triques internationales. Si vos calculs interm\u00e9diaires sont rigoureusement exacts, la valeur obtenue doit obligatoirement s’ins\u00e9rer dans l’intervalle th\u00e9orique compris entre 0 et 4. Une valeur n\u00e9gative ou sup\u00e9rieure \u00e0 4 signerait de mani\u00e8re infaillible une erreur de programmation, telle qu’une inversion entre le num\u00e9rateur et le d\u00e9nominateur ou un d\u00e9bordement de plage matricielle.<\/p>\n \u00c0 titre d’auto-validation de la robustesse analytique, vous pouvez proc\u00e9der \u00e0 une estimation empirique directe du coefficient d’autocorr\u00e9lation rho chapeau en saisissant dans une cellule voisine la formule suivante calculant la corr\u00e9lation lin\u00e9aire entre les r\u00e9sidus contemporains et les r\u00e9sidus d\u00e9cal\u00e9s : Bien que la d\u00e9composition pas \u00e0 pas en colonnes interm\u00e9diaires soit incomparablement didactique, il s’av\u00e8re souvent pr\u00e9cieux dans la pratique professionnelle de pouvoir d\u00e9river la statistique de Durbin-Watson de mani\u00e8re compacte au sein d’une seule formule matricielle condens\u00e9e, sans polluer la feuille de calcul avec de multiples colonnes auxiliaires de diff\u00e9rences et de carr\u00e9s.<\/p>\n Cette condensation \u00e9l\u00e9gante est rendue possible gr\u00e2ce \u00e0 la puissance combinatoire de la fonction `SOMMEPROD()` d’Excel, capable de g\u00e9rer nativement des op\u00e9rations vectorielles sur des plages de donn\u00e9es sans n\u00e9cessiter la validation matricielle historique (Ctrl + Maj + Entr\u00e9e) sous les versions modernes de Microsoft 365. En supposant toujours que le vecteur des r\u00e9sidus bruts g\u00e9n\u00e9r\u00e9 par la r\u00e9gression est implant\u00e9 sur la plage Analysons l’anatomie interne de cette formule magistrale : le terme vectoriel Afin de certifier la r\u00e9silience de votre feuille de diagnostic avant son utilisation sur des protocoles de recherche critiques, il est judicieux de soumettre vos formules \u00e0 des tests de r\u00e9sistance (stress tests<\/em>) \u00e0 l’aide de jeux de donn\u00e9es artificiels aux propri\u00e9t\u00e9s s\u00e9rielles extr\u00eames connues. Un premier test de validation consiste \u00e0 remplacer temporairement la colonne des r\u00e9sidus r\u00e9els par une s\u00e9rie parfaitement sinuso\u00efdale ou altern\u00e9e : 1, -1, 1, -1, 1, -1… Dans cette configuration d’autocorr\u00e9lation n\u00e9gative parfaite (rho = -1), la formule condens\u00e9e ou d\u00e9compos\u00e9e doit rigoureusement renvoyer une valeur tendant vers 4,0000.<\/p>\n \u00c0 l’oppos\u00e9, la simulation d’une s\u00e9rie r\u00e9siduelle persistante et continue, comme une suite monotone croissante de valeurs infinit\u00e9simales (0.1, 0.2, 0.3…), doit faire s’effondrer la statistique de test d vers une valeur r\u00e9solument proche de 0, attestant de la captation infaillible d’une autocorr\u00e9lation positive majeure. Un test sur des donn\u00e9es al\u00e9atoires ind\u00e9pendantes g\u00e9n\u00e9r\u00e9es par la fonction `=ALEA.ENTRE.BORNES(-100;100)` doit quant \u00e0 lui produire, sur un \u00e9chantillon suffisamment large, une statistique oscillant paisiblement entre 1,85 et 2,15.<\/p>\n Enfin, il convient de pr\u00e9munir la feuille contre l’erreur d’ex\u00e9cution fatale de division par z\u00e9ro (`#DIV\/0!`), qui surviendrait si le mod\u00e8le de r\u00e9gression s’av\u00e9rait parfaitement d\u00e9terministe avec une variance r\u00e9siduelle strictement nulle (somme des carr\u00e9s \u00e9gale \u00e0 0). L’encapsulation de la d\u00e9rivation au moyen de la structure conditionnelle `=SIERREUR(SOMMEPROD((B3:B61-B2:B60)^2)\/SOMME.CARRES(B2:B61); \u00ab\u00a0Variance r\u00e9siduelle nulle\u00a0\u00bb)` apporte une s\u00e9curit\u00e9 logicielle optimale et parach\u00e8ve l’ing\u00e9nierie de votre classeur.<\/p>\n Contrairement aux tests statistiques standards tels que le test t de Student ou le test du Chi-deux, pour lesquels il suffit de confronter la valeur calcul\u00e9e \u00e0 une valeur critique unique d\u00e9termin\u00e9e par les degr\u00e9s de libert\u00e9, la statistique de Durbin-Watson ne poss\u00e8de pas de distribution d’\u00e9chantillonnage universelle ind\u00e9pendante des donn\u00e9es. La distribution de d d\u00e9pend intimement de la matrice sp\u00e9cifique des pr\u00e9dicteurs X. Pour surmonter cet obstacle fondamental, les p\u00e8res fondateurs de la m\u00e9thode ont \u00e9tabli des tables de distribution tabulant deux bornes critiques fondamentales : la borne inf\u00e9rieure (not\u00e9e dL<\/strong> pour Lower<\/em>) et la borne sup\u00e9rieure (not\u00e9e dU<\/strong> pour Upper<\/em>).<\/p>\n Pour exploiter ad\u00e9quatement une table critique de Durbin-Watson, trois param\u00e8tres m\u00e9thodologiques doivent \u00eatre pr\u00e9alablement isol\u00e9s :<\/p>\n Une mise en garde cruciale doit \u00eatre formul\u00e9e concernant la d\u00e9finition du param\u00e8tre k : dans la nomenclature statistique internationale de Durbin-Watson, k repr\u00e9sente exclusivement le nombre de variables ind\u00e9pendantes<\/strong>, en excluant strictement le terme constant (l’ordonn\u00e9e \u00e0 l’origine). D\u00e8s lors, pour notre mod\u00e8le comportant deux pr\u00e9dicteurs (Charge cognitive et Stress physiologique), k est rigoureusement \u00e9gal \u00e0 2, et non \u00e0 3.<\/p>\n En croisant la ligne n = 60 avec la colonne k = 2 au seuil alpha de 0,05 dans une table de r\u00e9f\u00e9rence certifi\u00e9e (comme celle publi\u00e9e par Savin et White), nous identifions les valeurs de seuil suivantes : dL = 1,514<\/strong> et dU = 1,652<\/strong>. Ces deux grandeurs d\u00e9limitent les fronti\u00e8res d\u00e9cisionnelles qui vont gouverner l’ensemble de notre verdict statistique.<\/p>\n L’inf\u00e9rence statistique d\u00e9coulant du test de Durbin-Watson ne se r\u00e9sume pas \u00e0 une dichotomie simpliste rejet\/non-rejet, mais s’organise autour d’une partition complexe de l’espace num\u00e9rique en cinq zones distinctes, incluant deux zones d’ind\u00e9cision formelle. Les r\u00e8gles canoniques de d\u00e9cision s’articulent selon le protocole suivant :<\/p>\n Pour le test de l’autocorr\u00e9lation positive (le sc\u00e9nario le plus pr\u00e9gnant en pratique) :<\/p>\n Pour le d\u00e9pistage sym\u00e9trique de l’autocorr\u00e9lation n\u00e9gative, les seuils sont transpos\u00e9s en miroir par rapport \u00e0 la valeur centrale 2 :<\/p>\n Supposons que notre proc\u00e9dure Excel ait abouti \u00e0 une statistique d observ\u00e9e de 1,1850<\/strong> pour notre cohorte de 60 mesures cognitives. En confrontant ce score \u00e0 notre borne inf\u00e9rieure critique dL de 1,514, le constat statistique est imm\u00e9diat : d \u00e9tant substantiellement inf\u00e9rieur \u00e0 dL, nous rejetons formellement l’hypoth\u00e8se nulle d’absence de corr\u00e9lation s\u00e9rielle au seuil alpha de 5 %. Les r\u00e9sidus du mod\u00e8le d’\u00e9valuation des temps de r\u00e9action sont donc s\u00e9v\u00e8rement contamin\u00e9s par une autocorr\u00e9lation positive de premier ordre.<\/p>\n Sur le plan r\u00e9dactionnel, la transcription de ces r\u00e9sultats dans un rapport d’expertise ou un article scientifique soumis aux normes de l’APA doit adopter une formulation pr\u00e9cise et nuanc\u00e9e : \u00ab L’ind\u00e9pendance s\u00e9rielle des termes d’erreur a \u00e9t\u00e9 \u00e9valu\u00e9e au moyen du test de Durbin-Watson. L’analyse r\u00e9v\u00e8le la pr\u00e9sence d’une autocorr\u00e9lation r\u00e9siduelle positive statistiquement significative (d = 1,19, dL = 1,51, dU = 1,65, p < ,05), indiquant une violation patente du postulat d’ind\u00e9pendance de Gauss-Markov. Par cons\u00e9quent, les erreurs-types associ\u00e9es aux pr\u00e9dicteurs de la charge cognitive et du stress physiologique sont potentiellement sous-estim\u00e9es, imposant le recours \u00e0 des estimateurs robustes. \u00bb<\/em><\/p>\n Si la statistique calcul\u00e9e s’\u00e9tait en revanche \u00e9chou\u00e9e dans la zone d’ind\u00e9cision (par exemple avec d = 1,58), l’\u00e9thique m\u00e9thodologique prescrirait d’\u00e9viter toute conclusion h\u00e2tive. Il serait formellement erron\u00e9 d’affirmer l’absence de corr\u00e9lation sous pr\u00e9texte que d d\u00e9passe dL. La neutralit\u00e9 s’impose : le chercheur doit alors expliciter le caract\u00e8re ind\u00e9termin\u00e9 du test et solliciter des diagnostics compl\u00e9mentaires plus flexibles, au premier rang desquels figure le test du multiplicateur de Lagrange de Breusch-Godfrey.<\/p>\n Dans le domaine de la psychologie clinique appliqu\u00e9e et de la psychoth\u00e9rapie fond\u00e9e sur les preuves, les protocoles exp\u00e9rimentaux \u00e0 cas unique (SCED pour Single-Case Experimental Designs<\/em>) et les protocoles de suivi longitudinal intensif repr\u00e9sentent des cadres d’application privil\u00e9gi\u00e9s pour le test de Durbin-Watson. Consid\u00e9rons le suivi quotidien d’un patient souffrant d’un trouble d\u00e9pressif majeur, dont l’humeur et les ruminations sont \u00e9valu\u00e9es chaque soir pendant trois mois cons\u00e9cutifs au moyen de m\u00e9thodes d’\u00e9chantillonnage de l’exp\u00e9rience (m\u00e9thode ESM pour Ecological Momentary Assessment<\/em>).<\/p>\n Lorsqu’un chercheur r\u00e9gresse le score quotidien de d\u00e9tresse psychologique sur le nombre d’activit\u00e9s comportementales gratifiantes r\u00e9alis\u00e9es dans la journ\u00e9e, les r\u00e9sidus de cette r\u00e9gression ont une probabilit\u00e9 colossale d’\u00eatre s\u00e9riellement corr\u00e9l\u00e9s. Ce ph\u00e9nom\u00e8ne d\u00e9coule directement de ce que les psychologues cliniciens nomment l’inertie \u00e9motionnelle<\/strong> : l’\u00e9tat affectif d’un individu ne se r\u00e9initialise pas \u00e0 z\u00e9ro \u00e0 chaque lever de soleil ; un \u00e9tat d’abattement persistant \u00e0 l’instant t-1 exerce une pression gravitationnelle sur l’\u00e9tat d’humeur du jour t, ind\u00e9pendamment des \u00e9v\u00e9nements contextuels intervenus.<\/p>\n Si le praticien ignore ce m\u00e9canisme et constate une statistique d de Durbin-Watson de 0,82 sans y rem\u00e9dier, il s’expose \u00e0 surestimer massivement l’effet protecteur suppos\u00e9 des activit\u00e9s gratifiantes. Les tests t r\u00e9v\u00e9leront un coefficient hautement significatif alors m\u00eame que la trajectoire du patient pourrait simplement \u00eatre tributaire de sa dynamique autor\u00e9gressive interne. La surveillance de la statistique de Durbin-Watson dans Excel offre au clinicien un garde-fou m\u00e9thodologique indispensable pour diff\u00e9rencier l’efficacit\u00e9 clinique r\u00e9elle d’une intervention des r\u00e9manences \u00e9motionnelles spontan\u00e9es du patient.<\/p>\n Les paradigmes de chronopsychom\u00e9trie et de psychologie exp\u00e9rimentale du laboratoire imposent fr\u00e9quemment aux participants l’ex\u00e9cution de blocs massifs d’essais comportementaux cons\u00e9cutifs (t\u00e2ches de type Stroop, t\u00e2ches de d\u00e9tection de signaux ou paradigmes d’inhibition motrice de type Go\/No-Go). L’unit\u00e9 d’analyse temporelle se chiffre ici en fractions de seconde ou en minutes au fil de centaines d’essais successifs.<\/p>\n Dans ce contexte hautement condens\u00e9, les violations de l’ind\u00e9pendance s\u00e9rielle des temps de r\u00e9ponse ou des taux d’erreur ne sont pas l’exception, mais la norme empirique absolue. Trois facteurs psychophysiologiques majeurs induisent une autocorr\u00e9lation syst\u00e9matique :<\/p>\n L’application du test de Durbin-Watson sur les r\u00e9sidus d’une mod\u00e9lisation lin\u00e9aire des performances permet aux neuropsychologues de quantifier pr\u00e9cis\u00e9ment l’empreinte de cette m\u00e9moire proc\u00e9durale. L’identification d’une statistique d anormalement basse d\u00e9montre que le mod\u00e8le lin\u00e9aire \u00e9choue \u00e0 capturer la temporalit\u00e9 inh\u00e9rente de l’architecture cognitive humaine, incitant \u00e0 int\u00e9grer des termes de tendance polynomiale ou des composantes de lissage exponentiel pour \u00e9purer les estimateurs.<\/p>\n L’observation des interactions humaines en temps r\u00e9el, qu’il s’agisse de la n\u00e9gociation dyadique, de la synchronisation motrice au sein d’une \u00e9quipe ou des flux conversationnels entre partenaires conjugaux, engendre des architectures de donn\u00e9es s\u00e9quentielles d’une grande complexit\u00e9. L’analyse des donn\u00e9es de codage comportemental image par image (\u00e9valuation de l’expressivit\u00e9 faciale, du tonus vocal ou des postures corporelles) met en relief des couplages dynamiques intenses.<\/p>\n Dans l’\u00e9tude des signaux d’actim\u00e9trie mesurant le niveau d’agitation motrice synchronis\u00e9e entre deux individus en interaction, la r\u00e9gression de l’activit\u00e9 motrice du sujet A sur celle du sujet B r\u00e9v\u00e8le fr\u00e9quemment des r\u00e9sidus hautement corr\u00e9l\u00e9s s\u00e9quentiellement. Cette interd\u00e9pendance refl\u00e8te la boucle de r\u00e9troaction cybern\u00e9tique constitutive de toute communication humaine : le geste de l’un r\u00e9pond \u00e0 la posture prise par l’autre une seconde auparavant, cr\u00e9ant une trame temporelle serr\u00e9e o\u00f9 chaque instant est g\u00e9n\u00e9tiquement li\u00e9 au pass\u00e9 imm\u00e9diat.<\/p>\n Si ces s\u00e9ries sont analys\u00e9es au moyen de r\u00e9gressions transversales ordinaires sans v\u00e9rification par le test de Durbin-Watson, le chercheur s’expose \u00e0 attribuer une valeur psychom\u00e9trique d\u00e9terminante \u00e0 des corr\u00e9lations illusoires. La d\u00e9tection pr\u00e9coce d’une d\u00e9pendance s\u00e9rielle dans Excel permet aux psychologues sociaux d’\u00e9viter la publication de faux positifs retentissants quant aux facteurs pr\u00e9sidant \u00e0 l’harmonie ou au conflit relationnel, r\u00e9orientant l’appareil analytique vers des approches autor\u00e9gressives en vecteur (VAR) adapt\u00e9es \u00e0 l’interactivit\u00e9 des conduites humaines.<\/p>\n Lorsque le couperet du test de Durbin-Watson tombe et confirme sans ambigu\u00eft\u00e9 la pr\u00e9sence d’une autocorr\u00e9lation s\u00e9rielle positive au sein du mod\u00e8le empirique, le chercheur ne peut laisser le mod\u00e8le en l’\u00e9tat. La panoplie des rem\u00e8des \u00e9conom\u00e9triques et statistiques offre plusieurs strat\u00e9gies curatives. La premi\u00e8re r\u00e9ponse m\u00e9thodologique, d’une remarquable simplicit\u00e9 de mise en \u0153uvre dans Microsoft Excel, r\u00e9side dans la m\u00e9thode des diff\u00e9rences premi\u00e8res<\/strong>.<\/p>\n Si la corr\u00e9lation s\u00e9rielle est extr\u00eamement aigu\u00eb et que le coefficient d’autocorr\u00e9lation rho chapeau approche de la valeur 1 (ce qui correspond \u00e0 une statistique d plongeant sous le seuil de 0,60), le mod\u00e8le sous-jacent est tr\u00e8s probablement assimilable \u00e0 une marche al\u00e9atoire avec d\u00e9rive. Dans cette situation, la transformation s’op\u00e8re en substituant aux variables de niveau brut les variations inter-p\u00e9riodes. Pour chaque variable du mod\u00e8le, on calcule la variation s\u00e9quentielle : Delta y_t = y_t – y_{t-1}, et de mani\u00e8re analogue Delta x_t = x_t – x_{t-1}.<\/p>\n Dans Excel, il suffit d’ins\u00e9rer de nouvelles colonnes calculant cette soustraction simple entre les lignes t et t-1, puis de r\u00e9ex\u00e9cuter l’Utilitaire d’analyse de r\u00e9gression en utilisant ces vecteurs diff\u00e9renci\u00e9s comme nouvelles plages d’entr\u00e9e X et Y. Cette op\u00e9ration \u00e9limine instantan\u00e9ment les tendances stochastiques sous-jacentes et restaure quasi-syst\u00e9matiquement la stationnarit\u00e9 et l’ind\u00e9pendance des r\u00e9sidus, mat\u00e9rialis\u00e9e par un bond spectaculaire de la nouvelle statistique de Durbin-Watson vers la valeur 2. Le chercheur doit n\u00e9anmoins avoir conscience de la contrepartie \u00e9pist\u00e9mologique : le mod\u00e8le diff\u00e9renci\u00e9 n’explique plus le niveau absolu du ph\u00e9nom\u00e8ne, mais sa dynamique de changement marginal.<\/p>\n Lorsque l’autocorr\u00e9lation est mod\u00e9r\u00e9e (par exemple avec un rho estim\u00e9 oscillant entre 0,30 et 0,70), la diff\u00e9renciation premi\u00e8re int\u00e9grale s’av\u00e8re trop brutale car elle sur-corrige la s\u00e9rie et d\u00e9truit l’information structurelle de long terme contenue dans les niveaux des variables. Dans ce sc\u00e9nario de d\u00e9pendance partielle, la proc\u00e9dure it\u00e9rative d\u00e9velopp\u00e9e par Donald Cochrane et Guy Orcutt en 1949 offre une solution de quasi-diff\u00e9renciation infiniment plus \u00e9l\u00e9gante et respectueuse de la variance du syst\u00e8me.<\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/durbinExcel1.png\")
<\/figure>\n1.3 Cons\u00e9quences statistiques de la violation du postulat d’ind\u00e9pendance<\/h3>\n
2. Le test de Durbin-Watson : principes statistiques et formulation math\u00e9matique<\/h2>\n
2.1 Formulation formelle des hypoth\u00e8ses nulle et alternative<\/h3>\n
2.2 D\u00e9rivation alg\u00e9brique de la statistique d<\/h3>\n
2.3 \u00c9chelle d’interpr\u00e9tation et intervalle th\u00e9orique de la statistique<\/h3>\n
3. Configuration pr\u00e9alable de Microsoft Excel pour l’analyse de r\u00e9gression<\/h2>\n
3.1 Activation de l’Utilitaire d’analyse (Analysis ToolPak)<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/twoSampExcel3-20.png\")
<\/figure>\n3.2 Organisation m\u00e9thodologique de la feuille de calcul<\/h3>\n
3.3 Contr\u00f4le qualit\u00e9 initial et nettoyage des donn\u00e9es<\/h3>\n
4. \u00c9tape 1 : Saisie et pr\u00e9paration des donn\u00e9es empiriques<\/h2>\n
4.1 D\u00e9finition op\u00e9rationnelle des variables du mod\u00e8le<\/h3>\n
4.2 Disposition matricielle des donn\u00e9es dans la feuille de calcul<\/h3>\n
\n
4.3 Inspection exploratoire pr\u00e9alable des variables<\/h3>\n
5. \u00c9tape 2 : Ajustement du mod\u00e8le de r\u00e9gression lin\u00e9aire multiple<\/h2>\n
5.1 Param\u00e9trage de la bo\u00eete de dialogue de r\u00e9gression d’Excel<\/h3>\n
$B$<\/span>1:$B$<\/span>61<\/code> pour notre jeu de donn\u00e9es exp\u00e9rimental. Dans le champ Plage d’entr\u00e9e X<\/em>, pointez la souris sur le bloc contigu des pr\u00e9dicteurs, en s\u00e9lectionnant l’ensemble des colonnes C et D incluant leurs titres respectifs, soit la plage $C$<\/span>1:$D$<\/span>61<\/code>.<\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/durbinExcel2.png\")
<\/figure>\n5.2 Extraction obligatoire des r\u00e9sidus du mod\u00e8le<\/h3>\n
$F$<\/span>1<\/code> sur la m\u00eame feuille si l’on pr\u00e9f\u00e8re conserver l’ensemble des calculs sur un panneau visuel unifi\u00e9. Une fois les s\u00e9lections confirm\u00e9es, cliquez sur OK<\/em> pour lancer le calcul matriciel des moindres carr\u00e9s ordinaires.<\/p>\n5.3 Interpr\u00e9tation pr\u00e9liminaire du sommaire de sortie<\/h3>\n
6. \u00c9tape 3 : Calcul des composantes arithm\u00e9tiques du test dans Excel<\/h2>\n
6.1 G\u00e9n\u00e9ration de la s\u00e9rie des r\u00e9sidus d\u00e9cal\u00e9s dans le temps<\/h3>\n
B2:B61<\/code>, la cellule B2 correspondant au premier r\u00e9sidu e_1 et la cellule B61 au dernier r\u00e9sidu e_60.<\/p>\n
\n=B2<\/code>
\nCette syntaxe affecte \u00e0 la p\u00e9riode courante le r\u00e9sidu de la p\u00e9riode imm\u00e9diatement pr\u00e9c\u00e9dente. \u00c9tendez ensuite cette formule vers le bas par double-clic sur la poign\u00e9e de recopie jusqu’\u00e0 la cellule C61. Vous obtenez ainsi un alignement rigoureux o\u00f9 chaque cellule de la colonne C pr\u00e9sente le terme r\u00e9siduel de rang t-1 associ\u00e9 au terme r\u00e9siduel courant de rang t situ\u00e9 dans la colonne B.<\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/durbinExcel3.png\")
<\/figure>\n6.2 Calcul des diff\u00e9rences successives de r\u00e9sidus<\/h3>\n
\n=B3-C3<\/code>
\nCette op\u00e9ration soustrait le r\u00e9sidu de l’instant pr\u00e9c\u00e9dent (C3, qui \u00e9quivaut \u00e0 B2) du r\u00e9sidu de l’instant courant (B3). Le r\u00e9sultat refl\u00e8te la fluctuation nette de l’erreur entre les deux pas d’\u00e9chantillonnage cons\u00e9cutifs. Si les r\u00e9sidus manifestent une forte autocorr\u00e9lation positive, ils sont de signe identique et d’amplitude tr\u00e8s proche, rendant cette diff\u00e9rence particuli\u00e8rement t\u00e9nue.<\/p>\n6.3 \u00c9l\u00e9vation au carr\u00e9 et calcul des sommes requises<\/h3>\n
\n=D3^2<\/code>
\nD\u00e9ployez cette formule de E3 \u00e0 E61. Chaque cellule de cette plage contient d\u00e9sormais le carr\u00e9 de la variation s\u00e9quentielle entre deux r\u00e9sidus contigus. Les valeurs obtenues sont n\u00e9cessairement toutes positives ou nulles, neutralisant les effets d’annulation mutuelle des signes n\u00e9gatifs lors de la sommation ult\u00e9rieure.<\/p>\n
\n=B2^2<\/code>
\nCette instruction doit s’appliquer imp\u00e9rativement d\u00e8s la ligne 2 (observation t = 1) et s’\u00e9tendre jusqu’\u00e0 la cellule F61. En effet, le d\u00e9nominateur de la formule th\u00e9orique de Durbin-Watson cumule les carr\u00e9s de l’ensemble<\/strong> des r\u00e9sidus de l’\u00e9chantillon, de 1 \u00e0 n, et non pas uniquement \u00e0 partir de la seconde observation.<\/p>\n\n
=SOMME(E3:E61)<\/code>. Cette expression calcule la somme des carr\u00e9s des diff\u00e9rences de r\u00e9sidus cons\u00e9cutifs sur les n – 1 transitions.<\/li>\n=SOMME(F2:F61)<\/code>, ou alternativement en utilisant la fonction native d\u00e9di\u00e9e =SOMME.CARRES(B2:B61)<\/code> directement appliqu\u00e9e sur la colonne des r\u00e9sidus bruts.<\/li>\n<\/ul>\n7. \u00c9tape 4 : D\u00e9rivation finale et automatisation de la statistique d<\/h2>\n
7.1 Calcul de la statistique d \u00e0 partir des sommes obtenues<\/h3>\n
\n=H2\/H3<\/code>
\nLe r\u00e9sultat num\u00e9rique produit correspond \u00e0 la valeur observ\u00e9e exacte de la statistique de test d pour votre mod\u00e8le de r\u00e9gression.<\/p>\n=COEFFICIENT.CORRELATION(B3:B61; C3:C61)<\/code>. En appliquant la formule d’approximation th\u00e9orique d = 2 * (1 – rho), la valeur obtenue doit converger de mani\u00e8re spectaculaire vers le r\u00e9sultat calcul\u00e9 en H5, apportant une confirmation crois\u00e9e de l’exactitude de votre cha\u00eene de calculs.<\/p>\n![\"Durbin](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/durbinWatson1.png\")
7.2 Alternative par fonctions matricielles sans colonnes interm\u00e9diaires<\/h3>\n
B2:B61<\/code>, la statistique d peut \u00eatre obtenue instantan\u00e9ment dans une cellule unique via la syntaxe compacte suivante :<\/p>\n=SOMMEPROD((B3:B61-B2:B60)^2) \/ SOMME.CARRES(B2:B61)<\/code><\/p>\n(B3:B61 - B2:B60)<\/code> calcule dynamiquement et de mani\u00e8re volatile les 59 diff\u00e9rences s\u00e9quentielles cons\u00e9cutives e_t – e_{t-1}. L’op\u00e9rateur de puissance ^2<\/code> \u00e9l\u00e8ve chacun de ces \u00e9carts \u00e9l\u00e9mentaires au carr\u00e9 dans la m\u00e9moire vive du tableur, et `SOMMEPROD()` en op\u00e8re la sommation int\u00e9grale, g\u00e9n\u00e9rant sans aucune colonne d’appui le num\u00e9rateur exact. Le d\u00e9nominateur est quant \u00e0 lui instantan\u00e9ment fourni par la fonction native `SOMME.CARRES(B2:B61)`. Cette approche procure un gain d’espace substantiel et immunise la feuille contre les d\u00e9calages accidentels lors du redimensionnement de l’\u00e9chantillon.<\/p>\n7.3 V\u00e9rification automatis\u00e9e et tests de r\u00e9sistance de la formule<\/h3>\n
![\"Durbin](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/durbinExcel4.png\")
8. Interpr\u00e9tation rigoureuse des r\u00e9sultats et lecture des tables critiques<\/h2>\n
8.1 Structure et lecture des tables statistiques de Durbin-Watson<\/h3>\n
\n
8.2 Application syst\u00e9matique des r\u00e8gles de d\u00e9cision statistique<\/h3>\n
\n
\n
8.3 Interpr\u00e9tation pratique et formulation des conclusions de recherche<\/h3>\n
9. Applications pratiques en recherche psychologique et comportementale<\/h2>\n
9.1 Analyses longitudinales et suivi th\u00e9rapeutique individuel<\/h3>\n
9.2 \u00c9tudes chronopsychologiques et processus d’apprentissage continu<\/h3>\n
\n
9.3 Dynamiques de groupe et interactions sociales s\u00e9quentielles<\/h3>\n
10. Solutions m\u00e9thodologiques et correctives face \u00e0 une autocorr\u00e9lation av\u00e9r\u00e9e<\/h2>\n
10.1 Transformation des variables et m\u00e9thode de diff\u00e9renciation premi\u00e8re<\/h3>\n
10.2 Proc\u00e9dure d’estimation de Cochrane-Orcutt appliqu\u00e9e dans Excel<\/h3>\n