{"id":8996,"date":"2026-09-23T06:51:43","date_gmt":"2026-09-23T06:51:43","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-un-graphique-des-residus-a-la-main\/"},"modified":"2026-09-23T06:51:53","modified_gmt":"2026-09-23T06:51:53","slug":"comment-creer-un-graphique-des-residus-a-la-main","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-un-graphique-des-residus-a-la-main","title":{"rendered":"Comment cr\u00e9er un graphique des r\u00e9sidus \u00e0 la main"},"content":{"rendered":"

Dans le domaine des sciences humaines, et tout particuli\u00e8rement en psychologie quantitative et en psychom\u00e9trie, la mod\u00e9lisation statistique lin\u00e9aire constitue l’un des piliers m\u00e9thodologiques fondamentaux de l’investigation empirique. Trop souvent, l’analyse d’une relation fonctionnelle entre deux variables se cantonne \u00e0 l’estimation des coefficients de r\u00e9gression et \u00e0 l’examen de leur niveau de significativit\u00e9 statistique, sanctionn\u00e9 par la sacro-sainte valeur p<\/em>. Pourtant, ajuster une droite \u00e0 travers un nuage de points par la m\u00e9thode des moindres carr\u00e9s ordinaires ne garantit aucunement que le mod\u00e8le lin\u00e9aire sous-jacent rende fid\u00e8lement compte de la r\u00e9alit\u00e9 psychologique observ\u00e9e. C’est pr\u00e9cis\u00e9ment au sein des r\u00e9sidus — ces \u00e9carts irr\u00e9ductibles entre les valeurs effectivement mesur\u00e9es et les pr\u00e9dictions du mod\u00e8le th\u00e9orique — que r\u00e9side la v\u00e9ritable v\u00e9rit\u00e9 m\u00e9thodologique.<\/p>\n

Le graphique des r\u00e9sidus repr\u00e9sente un instrument de diagnostic visuel absolument indispensable, permettant d’interroger la validit\u00e9 des postulats math\u00e9matiques qui conditionnent l’ensemble des inf\u00e9rences statistiques. Tandis que les logiciels contemporains produisent ces repr\u00e9sentations graphiques en une fraction de seconde, la d\u00e9l\u00e9gation aveugle de cette \u00e9tape analytique \u00e0 des algorithmes automatis\u00e9s prive souvent le chercheur d’une compr\u00e9hension intime des propri\u00e9t\u00e9s g\u00e9om\u00e9triques et alg\u00e9briques de ses donn\u00e9es. La d\u00e9marche consistant \u00e0 \u00e9laborer, \u00e9tape par \u00e9tape, un graphique des r\u00e9sidus \u00e0 la main sur papier millim\u00e9tr\u00e9 transcende le simple exercice de style acad\u00e9mique : elle constitue une prop\u00e9deutique heuristique in\u00e9galable pour saisir la substance de l’erreur de mesure, les contraintes de l’orthogonalit\u00e9 euclidienne et les subtilit\u00e9s du diagnostic de mod\u00e9lisation.<\/p>\n

Le pr\u00e9sent article propose un guide exhaustif, rigoureusement document\u00e9 et r\u00e9solument ancr\u00e9 dans les exigences de la recherche quantitative, pour concevoir, tracer et interpr\u00e9ter manuellement un graphique des r\u00e9sidus. En articulant les fondements th\u00e9oriques de l’alg\u00e8bre lin\u00e9aire avec des applications concr\u00e8tes issues de la psychologie diff\u00e9rentielle et exp\u00e9rimentale, nous d\u00e9taillerons chaque \u00e9tape arithm\u00e9tique et graphique n\u00e9cessaire \u00e0 la mat\u00e9rialisation de cet outil diagnostique. Du calcul des valeurs pr\u00e9dites \u00e0 la d\u00e9tection manuelle des courbures non lin\u00e9aires et des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s de variance, ce manuel exhaustif restitue \u00e0 l’analyste des donn\u00e9es le plein contr\u00f4le de son jugement m\u00e9thodologique.<\/p>\n

1. Fondements th\u00e9oriques du graphique des r\u00e9sidus en psychom\u00e9trie et mod\u00e9lisation statistique<\/h2>\n

1.1 D\u00e9finition formelle et nature math\u00e9matique des r\u00e9sidus<\/h3>\n

D’un point de vue conceptuel et statistique, le r\u00e9sidu repr\u00e9sente la part de variabilit\u00e9 d’une variable d\u00e9pendante qui \u00e9chappe \u00e0 la capacit\u00e9 explicative du mod\u00e8le d’ajustement. Dans le cadre d’un mod\u00e8le de r\u00e9gression lin\u00e9aire simple, consid\u00e9rons un \u00e9chantillon d’observations appari\u00e9es o\u00f9 chaque individu $i$<\/span> (pour $i = 1, dots, n$<\/span>) est caract\u00e9ris\u00e9 par une mesure sur une variable pr\u00e9dictive $X_i$<\/span> et une mesure sur une variable crit\u00e8re $Y_i$<\/span>. Lorsque nous appliquons une droite de r\u00e9gression estim\u00e9e par la m\u00e9thode des moindres carr\u00e9s ordinaires<\/a> (MCO), la valeur pr\u00e9dite pour cet individu est formellement d\u00e9sign\u00e9e par $\\hat{Y}_i$<\/span>. Le r\u00e9sidu empirique, not\u00e9 conventionnellement $e_i$<\/span>, est alors d\u00e9fini par l’\u00e9quation fondamentale :<\/p>\n

$$e_i = Y_i – \\hat{Y}_i$$<\/span><\/p>\n

Cette formulation \u00e9l\u00e9mentaire masque une distinction \u00e9pist\u00e9mologique cruciale entre l’erreur stochastique th\u00e9orique, traditionnellement symbolis\u00e9e par la lettre grecque $\\varepsilon_i$<\/span>, et le r\u00e9sidu empirique $e_i$<\/span>. L’erreur th\u00e9orique $\\varepsilon_i$<\/span> est une entit\u00e9 latente et inobservable appartenant \u00e0 la population g\u00e9n\u00e9rale, issue de la v\u00e9ritable fonction g\u00e9n\u00e9ratrice de donn\u00e9es : $Y_i = \\beta_0 + \\beta_1 X_i + \\varepsilon_i$<\/span>. \u00c0 l’inverse, le r\u00e9sidu empirique $e_i$<\/span> constitue une quantit\u00e9 calcul\u00e9e sur un \u00e9chantillon restreint, r\u00e9sultant de l’estimation ponctuelle des param\u00e8tres $\\hat{\\beta}_0$<\/span> et $\\hat{\\beta}_1$<\/span> par la relation : $e_i = Y_i – (\\hat{\\beta}_0 + \\hat{\\beta}_1 X_i)$<\/span>.<\/p>\n

Sur le plan g\u00e9om\u00e9trique, dans l’espace euclidien \u00e0 $n$<\/span> dimensions de nos observations, l’op\u00e9ration des moindres carr\u00e9s ordinaires \u00e9quivaut \u00e0 projeter orthogonalement le vecteur des observations observ\u00e9es $\\mathbf{Y}$<\/span> sur le sous-espace vectoriel engendr\u00e9 par les vecteurs des variables pr\u00e9dictives (incluant le vecteur unitaire associ\u00e9 \u00e0 la constante). Par construction g\u00e9om\u00e9trique directe, le vecteur r\u00e9siduel $\\mathbf{e}$<\/span> est orthogonal \u00e0 cet espace de projection. Cette orthogonalit\u00e9 fondamentale conf\u00e8re au r\u00e9sidu des propri\u00e9t\u00e9s arithm\u00e9tiques invariantes, notamment une covariance empirique rigoureusement nulle avec la variable explicative $X$<\/span> et une somme alg\u00e9brique totale obligatoirement \u00e9gale \u00e0 z\u00e9ro d\u00e8s lors qu’une ordonn\u00e9e \u00e0 l’origine est incluse dans le mod\u00e8le.<\/p>\n

1.2 Le r\u00f4le diagnostique des r\u00e9sidus dans les mod\u00e8les lin\u00e9aires en psychologie<\/h3>\n

Dans la recherche psychologique et comportementale, les construits \u00e9tudi\u00e9s — tels que l’anxi\u00e9t\u00e9 situationnelle, l’intelligence fluide, la motivation intrins\u00e8que ou la m\u00e9moire de travail — sont intrins\u00e8quement entach\u00e9s d’erreurs de mesure et soumis \u00e0 des dynamiques d\u00e9veloppementales ou cognitives complexes. L’application d’un mod\u00e8le lin\u00e9aire repose sur l’hypoth\u00e8se audacieuse que la relation entre ces construits est proportionnelle, stable et uniform\u00e9ment distribu\u00e9e. L’examen des r\u00e9sidus constitue le filtre \u00e9pist\u00e9mologique ultime permettant de v\u00e9rifier si cette simplification math\u00e9matique respecte l’\u00e9cologie des processus mentaux sous-jacents.<\/p>\n

L’\u00e9valuation des r\u00e9sidus sert avant tout \u00e0 d\u00e9tecter les biais de sp\u00e9cification. Si un chercheur omet une variable explicative majeure ou force un ajustement rectiligne sur un processus r\u00e9gulateur qui ob\u00e9it en r\u00e9alit\u00e9 \u00e0 une loi d’\u00e9puisement des ressources (effet d’asymptote cognitive), les coefficients estim\u00e9s deviennent incoh\u00e9rents ou fallacieux. Le test global du coefficient de d\u00e9termination ($R^2$<\/span>) ou les tests de Student sur la pente peuvent sugg\u00e9rer un ajustement statistiquement significatif tout en masquant une inad\u00e9quation structurelle absolue du mod\u00e8le. L’inspection des erreurs r\u00e9siduelles permet de d\u00e9celer si l’\u00e9quation choisie commet des distorsions pr\u00e9dictives localis\u00e9es le long du continuum psychologique \u00e9valu\u00e9.<\/p>\n

En outre, les indices psychom\u00e9triques de fid\u00e9lit\u00e9 et la validit\u00e9 interne des \u00e9chelles de mesure d\u00e9pendent directement de l’homog\u00e9n\u00e9it\u00e9 des variances d’erreur. Si la pr\u00e9cision pr\u00e9dictive d’une \u00e9preuve psychologique fluctue de mani\u00e8re drastique selon que le participant pr\u00e9sente un niveau bas ou \u00e9lev\u00e9 sur le trait latent, la comparabilit\u00e9 des scores standardis\u00e9s se trouve invalid\u00e9e. Les r\u00e9sidus agissent ainsi comme un sismographe de la stabilit\u00e9 m\u00e9trique, r\u00e9v\u00e9lant la pr\u00e9sence d’effets de plafond psychologique, de plancher m\u00e9thodologique, ou de fluctuations d’\u00e9chantillonnage destructrices pour la validit\u00e9 scientifique des conclusions.<\/p>\n

1.3 Utilit\u00e9 p\u00e9dagogique et heuristique du trac\u00e9 manuel<\/h3>\n

\u00c0 l’\u00e8re de l’informatique ubiquitaire et des progiciels statistiques tels que R, SPSS ou JASP, la d\u00e9cision de tracer manuellement un graphique des r\u00e9sidus peut sembler anachronique. Elle rel\u00e8ve pourtant d’une n\u00e9cessit\u00e9 didactique absolue. L’usage d\u00e9contextualis\u00e9 des environnements logiciels tend \u00e0 plonger l’\u00e9tudiant et le chercheur dans un \u00ab effet bo\u00eete noire \u00bb pr\u00e9judiciable, o\u00f9 des commandes syntaxiques automatis\u00e9es g\u00e9n\u00e8rent des graphiques sophistiqu\u00e9s dont la construction intime \u00e9chappe totalement \u00e0 l’utilisateur. En s’affranchissant temporairement de l’\u00e9cran, le statisticien r\u00e9int\u00e8gre la corpor\u00e9it\u00e9 de l’analyse empirique.<\/p>\n

Le trac\u00e9 manuel oblige le praticien \u00e0 manipuler chaque valeur num\u00e9rique, \u00e0 calculer arithm\u00e9tiquement chaque diff\u00e9rence, et \u00e0 d\u00e9cider physiquement de la position de chaque coordonn\u00e9e sur une feuille de papier millim\u00e9tr\u00e9. Cette pratique ancre profond\u00e9ment les notions de distance alg\u00e9brique et d’\u00e9cart quadratique dans l’intuition spatiale. Face \u00e0 sa r\u00e8gle gradu\u00e9e et son crayon, le chercheur prend conscience du poids relatif de chaque participant dans l’\u00e9quilibre g\u00e9n\u00e9ral de la droite des moindres carr\u00e9s. Une valeur d\u00e9viante n’est plus un simple pixel excentr\u00e9 sur un moniteur haute r\u00e9solution : elle devient une tension m\u00e9canique ressentie lors de la graduation des axes.<\/p>\n

Ce renforcement de l’intuition g\u00e9om\u00e9trique instille une discipline analytique et une vigilance m\u00e9thodologique accrues. L’analyste rompu \u00e0 la confection manuelle de graphiques d\u00e9veloppe une sensibilit\u00e9 imm\u00e9diate aux anomalies de distribution, aux asym\u00e9tries discr\u00e8tes et aux distorsions d’\u00e9chelle que l’automatisation logicielle a tendance \u00e0 lisser ou \u00e0 standardiser par d\u00e9faut. C’est un retour aux sources artisanales de la statistique qui transforme le technicien du chiffre en un clinicien perspicace de la donn\u00e9e.<\/p>\n

\"\"<\/figure>\n

2. Les postulats de la r\u00e9gression lin\u00e9aire \u00e9valu\u00e9s par les r\u00e9sidus<\/h2>\n

2.1 L’hypoth\u00e8se de lin\u00e9arit\u00e9 entre variables psychologiques<\/h3>\n

L’hypoth\u00e8se la plus intuitive, mais paradoxalement la plus souvent viol\u00e9e dans la mod\u00e9lisation statistique en psychologie, est celle de la lin\u00e9arit\u00e9 fonctionnelle. Selon le mod\u00e8le de r\u00e9gression classique, l’esp\u00e9rance math\u00e9matique conditionnelle de la variable crit\u00e8re $Y$<\/span> sachant la variable explicative $X$<\/span>, not\u00e9e $E(Y|X)$<\/span>, est pr\u00e9sum\u00e9e \u00eatre une fonction strictement lin\u00e9aire des param\u00e8tres :<\/p>\n

$$E(Y|X) = \\beta_0 + \\beta_1 X$$<\/span><\/p>\n

Cette condition implique imp\u00e9rativement que l’esp\u00e9rance conditionnelle des termes d’erreur th\u00e9oriques soit rigoureusement nulle pour toute valeur de $X$<\/span>, soit $E(varepsilon|X) = 0$<\/span>. Lorsque cette condition est satisfaite, les r\u00e9sidus empiriques calcul\u00e9s doivent se r\u00e9partir de mani\u00e8re totalement al\u00e9atoire et \u00e9quilibr\u00e9e de part et d’autre de la ligne horizontale d’\u00e9quation $e = 0$<\/span>, quelle que soit la zone du continuum de $X$<\/span> consid\u00e9r\u00e9e.<\/p>\n

Dans les sciences du comportement, nombre de r\u00e9gulations psychophysiologiques suivent des lois non lin\u00e9aires bien document\u00e9es, \u00e0 l’image de la c\u00e9l\u00e8bre loi de Yerkes-Dodson<\/a> qui postule une relation en U invers\u00e9 entre l’\u00e9veil motivationnel et l’efficacit\u00e9 de la performance motrice ou cognitive. Si un exp\u00e9rimentateur plaque aveugl\u00e9ment un mod\u00e8le de r\u00e9gression lin\u00e9aire simple sur un tel jeu de donn\u00e9es, la droite d’ajustement tentera de moyenner maladroitement la trajectoire ascendante et la trajectoire descendante. Le graphique des r\u00e9sidus r\u00e9v\u00e9lera alors imm\u00e9diatement cette aberration sous la forme d’un motif curviligne syst\u00e9matique : les r\u00e9sidus seront majoritairement n\u00e9gatifs aux extr\u00e9mit\u00e9s de l’\u00e9chelle de $X$<\/span> et positifs en son centre, ou inversement. Le trac\u00e9 manuel de ce ph\u00e9nom\u00e8ne rend imm\u00e9diatement manifeste l’incapacit\u00e9 de la droite \u00e0 r\u00e9sumer la morphologie du processus empirique.<\/p>\n

2.2 L’homosc\u00e9dasticit\u00e9 versus l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 des variances d’erreur<\/h3>\n

Le deuxi\u00e8me postulat cardinal de l’estimation par moindres carr\u00e9s concerne l’homog\u00e9n\u00e9it\u00e9 de la variance des erreurs, formellement d\u00e9sign\u00e9e sous le terme d’homosc\u00e9dasticit\u00e9. Selon le c\u00e9l\u00e8bre th\u00e9or\u00e8me de Gauss-Markov<\/a>, les estimateurs des MCO ne sont les meilleurs estimateurs lin\u00e9aires sans biais (BLUE — Best Linear Unbiased Estimator<\/em>) que si et seulement si la variance conditionnelle des erreurs demeure strictement constante sur l’ensemble du domaine de variation du pr\u00e9dicteur, ce qui s’\u00e9crit formellement :<\/p>\n

$$Var(\\varepsilon_i | X_i) = \\sigma^2 \\quad \\forall i in {1, dots, n}$$<\/span><\/p>\n

Lorsque cette stabilit\u00e9 n’est pas respect\u00e9e, le mod\u00e8le souffre d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 : la dispersion des erreurs varie syst\u00e9matiquement en fonction de l’intensit\u00e9 de $X$<\/span>. Sur le plan pratique et inf\u00e9rentiel, les cons\u00e9quences de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sont insidieuses mais d\u00e9vastatrices. Bien que les estimateurs ponctuels de la pente $\\hat{\\beta}_1$<\/span> et de la constante $\\hat{\\beta}_0$<\/span> demeurent non biais\u00e9s en moyenne, ils perdent leur efficacit\u00e9 statistique minimale. Plus grave encore, l’estimation arithm\u00e9tique standard de leur erreur-type est irr\u00e9m\u00e9diablement fauss\u00e9e, ce qui corrompt la validit\u00e9 des intervalles de confiance et invalide les tests d’hypoth\u00e8se $t$<\/span> de Student et $F$<\/span> de Fisher-Snedecor.<\/p>\n

Dans la recherche psychologique, l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 \u00e9merge fr\u00e9quemment lors de l’\u00e9tude de t\u00e2ches complexes d’apprentissage ou de tests chronom\u00e9triques. Par exemple, lorsque l’on \u00e9value l’effet de l’\u00e2ge sur le temps de r\u00e9action \u00e0 une t\u00e2che d’attention divis\u00e9e, les individus jeunes et vigoureux affichent g\u00e9n\u00e9ralement des latences homog\u00e8nes et resserr\u00e9es. En revanche, \u00e0 mesure que l’\u00e2ge chronologique progresse, une variabilit\u00e9 interindividuelle consid\u00e9rable se manifeste : certains participants \u00e2g\u00e9s conservent des performances exceptionnelles tandis que d’autres s’effondrent sous l’effet de la s\u00e9nescence neuronale. Sur un graphique des r\u00e9sidus, cette h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle se traduit visuellement par une forme canonique d’entonnoir ou de m\u00e9gaphone s’\u00e9vasant de gauche \u00e0 droite.<\/p>\n

2.3 La normalit\u00e9 et l’ind\u00e9pendance conditionnelle des erreurs<\/h3>\n

Au-del\u00e0 de la lin\u00e9arit\u00e9 et de l’homog\u00e9n\u00e9it\u00e9 de variance, l’inf\u00e9rence statistique classique exige que les erreurs suivent une loi de probabilit\u00e9 normale de moyenne nulle et soient mutuellement ind\u00e9pendantes :<\/p>\n

$$\\varepsilon_i \\overset{iid}{\\sim} \\mathcal{N}(0, \\sigma^2)$$<\/span><\/p>\n

L’hypoth\u00e8se d’ind\u00e9pendance stipule qu’aucun terme d’erreur ne doit \u00eatre corr\u00e9l\u00e9 avec un autre, soit $Cov(\\varepsilon_i, \\varepsilon_j) = 0$<\/span> pour tout $i \\neq j$<\/span>. Dans les protocoles longitudinaux ou lorsque les donn\u00e9es psychologiques sont collect\u00e9es en grappes (comme des \u00e9l\u00e8ves au sein d’une m\u00eame classe ou des patients pris en charge par un m\u00eame th\u00e9rapeute), cette ind\u00e9pendance est souvent viol\u00e9e par la pr\u00e9sence d’une autocorr\u00e9lation ou d’effets de contexte partag\u00e9. L’inspection des r\u00e9sidus dans l’ordre s\u00e9quentiel de recueil permet d’identifier ces d\u00e9pendances sous forme d’oscillations rythm\u00e9es ou d’agr\u00e9gats de signes similaires cons\u00e9cutifs.<\/p>\n

Quant \u00e0 l’hypoth\u00e8se de normalit\u00e9, elle conditionne la pr\u00e9cision exacte des distributions d’\u00e9chantillonnage pour de petits effectifs. Bien que le th\u00e9or\u00e8me central limite offre une robustesse asymptotique lorsque la taille de l’\u00e9chantillon $n$<\/span> tend vers l’infini, les \u00e9tudes cliniques ou les exp\u00e9rimentations exploratoires en psychom\u00e9trie travaillent fr\u00e9quemment avec des cohortes modestes ($n < 30$<\/span>). Dans ces conditions, de fortes d\u00e9viations par rapport \u00e0 la normalit\u00e9 — r\u00e9v\u00e9l\u00e9es par des asym\u00e9tries flagrantes ou un aplatissement leptocurtique des r\u00e9sidus — p\u00e9nalisent lourdement la validit\u00e9 des conclusions statistiques. Il convient enfin de souligner la distinction entre les r\u00e9sidus bruts $e_i$<\/span>, les r\u00e9sidus standardis\u00e9s (divis\u00e9s par l'\u00e9cart-type r\u00e9siduel global) et les r\u00e9sidus studentis\u00e9s (qui tiennent compte du levier sp\u00e9cifique exerc\u00e9 par chaque observation sur l'ajustement global), ces derniers offrant le contr\u00f4le le plus rigoureux face aux observations potentiellement disruptives.<\/p>\n

3. Pr\u00e9paration du jeu de donn\u00e9es et formalisation du mod\u00e8le de r\u00e9gression<\/h2>\n

3.1 S\u00e9lection des variables : variable pr\u00e9dictive (X) et crit\u00e8re (Y)<\/h3>\n

Avant d’entamer la moindre d\u00e9marche graphique ou arithm\u00e9tique manuelle, le chercheur doit proc\u00e9der \u00e0 un cadrage conceptuel rigoureux de ses variables de mesure. Pour illustrer fid\u00e8lement la d\u00e9marche, nous nous situons dans le contexte classique d’une recherche en psychom\u00e9trie diff\u00e9rentielle visant \u00e0 pr\u00e9dire le score d’anxi\u00e9t\u00e9 cognitive d’un individu lors d’une \u00e9preuve d’\u00e9valuation (variable crit\u00e8re continue not\u00e9e $Y$<\/span>) \u00e0 partir du nombre d’heures d\u00e9clar\u00e9es de privation de sommeil au cours des quarante-huit heures pr\u00e9c\u00e9dant le test (variable pr\u00e9dictive continue not\u00e9e $X$<\/span>).<\/p>\n

Il est imp\u00e9ratif de v\u00e9rifier au pr\u00e9alable le statut m\u00e9trique des donn\u00e9es recueillies. L’application l\u00e9gitime de la r\u00e9gression lin\u00e9aire ordinaire exige que les deux variables soient mesur\u00e9es sur des \u00e9chelles d’intervalles ou de rapports. Dans notre protocole exp\u00e9rimental, la privation de sommeil est un d\u00e9compte d’heures r\u00e9elles (\u00e9chelle de rapport), tandis que l’anxi\u00e9t\u00e9 est op\u00e9rationnalis\u00e9e par un inventaire psychom\u00e9trique standardis\u00e9 produisant un score composite continu allant formellement de 10 \u00e0 60 points.<\/p>\n

Pour rendre la d\u00e9monstration manuelle parfaitement lisible, transparente et enti\u00e8rement v\u00e9rifiable par le lecteur sans recourir \u00e0 une calculatrice programmable, nous s\u00e9lectionnons un \u00e9chantillon restreint de taille $n = 10$<\/span> sujets volontaires. Cet effectif compact permet d’ex\u00e9cuter chaque calcul \u00e0 la main tout en pr\u00e9servant la repr\u00e9sentativit\u00e9 g\u00e9om\u00e9trique des ph\u00e9nom\u00e8nes d’ajustement lin\u00e9aire. Chaque couple d’observations $(X_i, Y_i)$<\/span> est soumis \u00e0 un contr\u00f4le qualit\u00e9 m\u00e9ticuleux afin d’\u00e9carter toute anomalie de saisie ou d\u00e9passement des bornes admissibles des instruments d’\u00e9valuation psychologique.<\/p>\n

3.2 \u00c9tablissement de l’\u00e9quation de la droite des moindres carr\u00e9s ordinaires<\/h3>\n

L’estimation des coefficients r\u00e9gissant la droite des moindres carr\u00e9s repose sur la minimisation de la somme des carr\u00e9s des \u00e9carts verticaux entre les valeurs observ\u00e9es et la trajectoire mod\u00e9lis\u00e9e. La fonction pr\u00e9dictive s’\u00e9crit sous la forme param\u00e9trique classique :<\/p>\n

$$\\hat{Y}_i = \\hat{\\beta}_0 + \\hat{\\beta}_1 X_i$$<\/span><\/p>\n

La pente de r\u00e9gression empirique, not\u00e9e $\\hat{\\beta}_1$<\/span>, correspond au quotient de la covariance empirique de $X$<\/span> et $Y$<\/span> par la variance empirique de $X$<\/span>. Elle s’exprime par la formule arithm\u00e9tique suivante :<\/p>\n

$$\\hat{\\beta}_1 = \\frac{\\sum_{i=1}^{n} (X_i – \\bar{X})(Y_i – \\bar{Y})}{\\sum_{i=1}^{n} (X_i – \\bar{X})^2} = \\frac{\\sum_{i=1}^{n} X_i Y_i – n \\bar{X} \\bar{Y}}{\\sum_{i=1}^{n} X_i^2 – n \\bar{X}^2}$$<\/span><\/p>\n

Une fois la pente d\u00e9termin\u00e9e, la constante \u00e0 l’origine (ou ordonn\u00e9e \u00e0 l’origine), not\u00e9e $\\hat{\\beta}_0$<\/span>, se d\u00e9duit m\u00e9caniquement en exploitant la propri\u00e9t\u00e9 g\u00e9om\u00e9trique selon laquelle le barycentre du nuage de points, d\u00e9fini par les moyennes d’\u00e9chantillon $(\\bar{X}, \\bar{Y})$<\/span>, appartient obligatoirement \u00e0 la droite des moindres carr\u00e9s :<\/p>\n

$$\\hat{\\beta}_0 = \\bar{Y} – \\hat{\\beta}_1 \\bar{X}$$<\/span><\/p>\n

Dans l’optique d’un calcul manuel irr\u00e9prochable, l’analyste doit veiller scrupuleusement \u00e0 la gestion des arrondis d\u00e9cimaux lors de l’\u00e9valuation de ces param\u00e8tres. Conserver au minimum deux \u00e0 trois d\u00e9cimales interm\u00e9diaires s’av\u00e8re indispensable pour neutraliser la propagation d’erreurs d’arrondi susceptibles d’alt\u00e9rer la neutralit\u00e9 r\u00e9siduelle lors des \u00e9tapes subs\u00e9quentes.<\/p>\n

3.3 Construction de la matrice tabulaire pr\u00e9paratoire<\/h3>\n

L’organisation m\u00e9thodique de l’espace de travail constitue le rempart fondamental contre les fautes arithm\u00e9tiques qui polluent fr\u00e9quemment les calculs statistiques manuels. Nous structurons donc nos donn\u00e9es au sein d’une matrice tabulaire d’analyse pr\u00e9paratoire. Ce tableau doit obligatoirement comporter six colonnes fondamentales clairement \u00e9tiquet\u00e9es :<\/p>\n