{"id":9043,"date":"2026-09-23T07:52:58","date_gmt":"2026-09-23T07:52:58","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/anova-vs-regression-difference\/"},"modified":"2026-09-23T07:53:03","modified_gmt":"2026-09-23T07:53:03","slug":"anova-vs-regression-difference","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=anova-vs-regression-difference","title":{"rendered":"ANOVA vs. R\u00e9gression : quelle est la diff\u00e9rence ?"},"content":{"rendered":"

Au sein des sciences quantitatives contemporaines, et plus particuli\u00e8rement en psychologie empirique, le choix d’un dispositif analytique ne constitue jamais un acte purement m\u00e9canique ou neutre. L’analyse de variance (ANOVA<\/a>) et la r\u00e9gression lin\u00e9aire multiple repr\u00e9sentent sans conteste les deux piliers historiques sur lesquels repose l’inf\u00e9rence statistique comportementale. Bien que ces deux m\u00e9thodologies partagent une structure alg\u00e9brique identique au sein du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral<\/a> (GLM), les traditions de recherche les ont longtemps maintenues dans des silos conceptuels distincts, \u00e9rigeant une fronti\u00e8re artificielle entre la d\u00e9marche exp\u00e9rimentale pure et l’approche corr\u00e9lationnelle ou observationnelle.<\/p>\n

Cette polarisation historique a forg\u00e9 des repr\u00e9sentations \u00e9pist\u00e9mologiques profond\u00e9ment ancr\u00e9es chez les chercheurs et praticiens : d’un c\u00f4t\u00e9, une analyse de variance per\u00e7ue comme la m\u00e9thode par excellence pour \u00e9tablir des causalit\u00e9s au sein d’essais randomis\u00e9s en laboratoire ; de l’autre, des mod\u00e8les de r\u00e9gression mobilis\u00e9s pour quantifier des associations multivari\u00e9es, pond\u00e9rer des gradients pr\u00e9dictifs ou traiter des s\u00e9ries \u00e9cologiques complexes. Or, les erreurs d’aiguillage m\u00e9thodologique demeurent fr\u00e9quentes : dichotomisation arbitraire de variables continues pour se conformer aux r\u00e9quisits apparents d’un plan factoriel, interpr\u00e9tation erron\u00e9e des coefficients d’ajustement ou incompr\u00e9hension des d\u00e9compositions de sommes de carr\u00e9s face \u00e0 des plans non orthogonaux.<\/p>\n

Cet article propose une d\u00e9construction exhaustive, comparative et rigoureuse de l’ANOVA et de la r\u00e9gression lin\u00e9aire. \u00c0 travers une trajectoire articul\u00e9e autour de leurs racines historiques, de leur convergence math\u00e9matique fondamentale, du traitement des variables pr\u00e9dictives et d\u00e9pendantes, ainsi que des \u00e9cueils m\u00e9thodologiques majeurs observ\u00e9s dans la litt\u00e9rature psychom\u00e9trique, nous clarifierons les conditions exactes de leur d\u00e9ploiement op\u00e9rationnel. L’objectif ultime est d’offrir une boussole analytique unifi\u00e9e, permettant d’optimiser la puissance statistique des protocoles de recherche tout en garantissant une fid\u00e9lit\u00e9 d’interpr\u00e9tation irr\u00e9prochable face aux exigences de reproductibilit\u00e9 scientifique.<\/p>\n

1. Introduction conceptuelle et historique : ANOVA et r\u00e9gression en psychologie<\/h2>\n

1.1 \u00c9volution historique des approches exp\u00e9rimentales et corr\u00e9lationnelles<\/h3>\n

L’histoire de la psychologie scientifique et des m\u00e9thodes quantitatives est intimement li\u00e9e \u00e0 deux figures embl\u00e9matiques de la statistique moderne dont les travaux ont cristallis\u00e9 deux \u00e9pist\u00e9mologies distinctes. D’une part, Sir Ronald Aylmer Fisher formalise, au d\u00e9but des ann\u00e9es 1920 dans le cadre de la station agronomique de Rothamsted, les bases th\u00e9oriques de l’analyse de variance. Fisher cherchait alors \u00e0 d\u00e9terminer avec pr\u00e9cision si des variations syst\u00e9matiques appliqu\u00e9es \u00e0 des parcelles agricoles (engrais, irrigation) provoquaient des diff\u00e9rences de rendement sup\u00e9rieures aux fluctuations al\u00e9atoires inh\u00e9rentes au sol. Cette logique d’intervention active, de manipulation factorielle contr\u00f4l\u00e9e et de randomisation stricte a \u00e9t\u00e9 imm\u00e9diatement adopt\u00e9e par la psychologie exp\u00e9rimentale naissante, trouvant un \u00e9cho direct dans les travaux b\u00e9havioristes puis cognitivistes visant \u00e0 isoler l’effet causal de stimuli sur le comportement humain.<\/p>\n

D’autre part, Sir Francis Galton, \u00e0 la fin du XIXe si\u00e8cle, cherchait \u00e0 comprendre les m\u00e9canismes de l’h\u00e9r\u00e9dit\u00e9 des traits biologiques et psychologiques humains. Constatant que la descendance d’individus exceptionnellement grands ou petits tendait \u00e0 se rapprocher de la moyenne de la population, il th\u00e9orise la \u00ab r\u00e9gression vers la m\u00e9diocrit\u00e9 \u00bb, concept qui sera ult\u00e9rieurement formalis\u00e9 math\u00e9matiquement par Karl Pearson sous la forme du coefficient de corr\u00e9lation produit-moment et de la r\u00e9gression lin\u00e9aire. Cette tradition s’ancra dans la psychologie diff\u00e9rentielle, soucieuse de mesurer la covariation naturelle entre aptitudes intellectuelles, traits de personnalit\u00e9 et performances scolaires sans intervention manipulatoire pr\u00e9alable.<\/p>\n

Cette dichotomie donna lieu \u00e0 ce que Lee Cronbach a c\u00e9l\u00e8brement d\u00e9sign\u00e9 en 1957 comme \u00ab les deux disciplines de la psychologie scientifique \u00bb : l’exp\u00e9rimentale et la corr\u00e9lationnelle. Les exp\u00e9rimentalistes s’appropriaient l’ANOVA pour rejeter l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des moyennes de traitement, rel\u00e9guant la variance interindividuelle au rang de simple \u00ab bruit d’erreur \u00bb. Les corr\u00e9lationnistes, \u00e0 l’inverse, utilisaient la r\u00e9gression pour mod\u00e9liser pr\u00e9cis\u00e9ment cette variance interindividuelle comme leur objet premier d’investigation. Ce n’est qu’\u00e0 partir du dernier quart du XXe si\u00e8cle, sous l’impulsion de m\u00e9thodologistes comme Jacob Cohen, que la psychologie a progressivement amorc\u00e9 une r\u00e9unification de ces approches, reconnaissant que cette scission reposait moins sur une incompatibilit\u00e9 math\u00e9matique que sur des habitudes coutumi\u00e8res de laboratoire.<\/p>\n

1.2 D\u00e9finitions fondamentales et objectifs analytiques distincts<\/h3>\n

D’un point de vue conceptuel \u00e9l\u00e9mentaire, l’ANOVA est une proc\u00e9dure de d\u00e9cision statistique con\u00e7ue pour tester l’\u00e9galit\u00e9 simultan\u00e9e de moyennes de deux ou plusieurs populations ind\u00e9pendantes ou appari\u00e9es. Sa question centrale s’\u00e9nonce ainsi : les \u00e9carts observ\u00e9s entre les moyennes d’\u00e9chantillons class\u00e9s selon un ou plusieurs facteurs discrets sont-ils attribuables \u00e0 l’effet r\u00e9el de ces facteurs ou \u00e0 de simples fluctuations d’\u00e9chantillonnage ? La statistique de d\u00e9cision, le rapport $F$<\/span> de Fisher, compare la variabilit\u00e9 syst\u00e9matique intergroupes \u00e0 la variabilit\u00e9 al\u00e9atoire intragroupe. L’ANOVA se structure donc prioritairement comme un test d’hypoth\u00e8se globale (omnibus), souvent suivi de tests post-hoc ou de contrastes planifi\u00e9s afin d’identifier les paires ou configurations de moyennes statistiquement divergentes.<\/p>\n

\u00c0 l’oppos\u00e9, la r\u00e9gression lin\u00e9aire multiple s’articule autour d’une logique fonctionnelle et pr\u00e9dictive. Son objectif analytique n’est pas simplement de d\u00e9terminer si des groupes diff\u00e8rent, mais d’estimer les param\u00e8tres d’une \u00e9quation lin\u00e9aire reliant une variable d\u00e9pendante continue \u00e0 un ensemble de pr\u00e9dicteurs (qu’ils soient continus, binaires ou polynomiaux). La r\u00e9gression cherche \u00e0 quantifier le taux de variation marginal du crit\u00e8re pour chaque unit\u00e9 incr\u00e9mentale d’un pr\u00e9dicteur donn\u00e9, tout en maintenant constants les autres pr\u00e9dicteurs du mod\u00e8le. Elle offre une d\u00e9composition explicite de la droite (ou de l’hyperplan) de r\u00e9gression par le biais de l’ordonn\u00e9e \u00e0 l’origine (constante ou intercept<\/em>) et de coefficients de pente directionnels.<\/p>\n

Il en r\u00e9sulte une divergence fondamentale dans les questions de recherche adress\u00e9es : l’exp\u00e9rimentateur recourant \u00e0 l’ANOVA interroge l’existence de ruptures de seuil ou de diff\u00e9rences qualitatives provoqu\u00e9es par des conditions distinctes (\u00ab Le traitement cognitivo-comportemental produit-il une baisse moyenne d’anxi\u00e9t\u00e9 sup\u00e9rieure au traitement pharmacologique et au placebo ? \u00bb). Le chercheur employant la r\u00e9gression s’int\u00e9resse \u00e0 la continuit\u00e9 dynamique des processus (\u00ab Dans quelle mesure l’intensit\u00e9 de l’alliance th\u00e9rapeutique et le nombre d’heures d’exposition pr\u00e9disent-ils contin\u00fbment la r\u00e9duction du score d’anxi\u00e9t\u00e9 ? \u00bb). La causalit\u00e9, loin d’\u00eatre inh\u00e9rente \u00e0 l’algorithme de calcul, d\u00e9coule exclusivement de la pr\u00e9sence ou de l’absence de manipulation exp\u00e9rimentale et de randomisation.<\/p>\n

1.3 Pertinence contemporaine dans la recherche psychologique<\/h3>\n

Dans l’\u00e9cosyst\u00e8me contemporain des sciences du comportement, l’emploi de l’ANOVA demeure pr\u00e9dominant au sein des essais cliniques randomis\u00e9s (ECR), des protocoles en neurosciences cognitives (tels que les paradigmes d’IRM fonctionnelle et d’\u00e9lectroenc\u00e9phalographie impliquant des conditions de stimulation factorielles) et de la psychologie sociale exp\u00e9rimentale. La force d’attraction de l’ANOVA dans ces domaines r\u00e9side dans sa lisibilit\u00e9 imm\u00e9diate : les r\u00e9sultats se communiquent ais\u00e9ment sous la forme de graphiques en barres ou de profils de moyennes, imm\u00e9diatement interpr\u00e9tables pour \u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle d’un protocole clinique ou d’une manipulation comportementale.<\/p>\n

Inversement, l’explosion des \u00e9tudes longitudinales, des collectes de donn\u00e9es par \u00e9valuation \u00e9cologique momentan\u00e9e (EMA via smartphone), de la g\u00e9n\u00e9tique comportementale et des grandes bases de donn\u00e9es \u00e9pid\u00e9miologiques a fait de la r\u00e9gression lin\u00e9aire \u2014 et de ses extensions multiniveaux \u2014 l’outil privil\u00e9gi\u00e9 de la psychologie moderne. Lorsque les participants ne peuvent \u00eatre assign\u00e9s au hasard \u00e0 des conditions exp\u00e9rimentales (comme dans l’\u00e9tude des traumatismes infantiles, du vieillissement neurocognitif ou du statut socio\u00e9conomique), la r\u00e9gression permet d’isoler statistiquement des effets propres en int\u00e9grant une multiplicit\u00e9 de facteurs de confusion potentiels sans recourir \u00e0 des d\u00e9coupages arbitraires d’\u00e9chantillons.<\/p>\n

Face \u00e0 la crise de la reproductibilit\u00e9 scientifique qui a profond\u00e9ment \u00e9branl\u00e9 la psychologie, la rigueur dans le choix et l’ex\u00e9cution de ces m\u00e9thodes est devenue un enjeu \u00e9pist\u00e9mologique de premier plan. L’arbitrage aveugle entre ANOVA et r\u00e9gression, dict\u00e9 par la seule conformit\u00e9 aux usages de sous-disciplines plut\u00f4t que par la structure r\u00e9elle des donn\u00e9es psychom\u00e9triques, constitue l’un des vecteurs identifi\u00e9s de distorsions m\u00e9thodologiques. Comprendre l’architecture intime de ces deux outils s’av\u00e8re indispensable pour tout chercheur soucieux d’extraire des inf\u00e9rences valides, r\u00e9plicables et cliniquement signifiantes.<\/p>\n

2. Fondements math\u00e9matiques communs : Le Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral (GLM)<\/h2>\n

2.1 \u00c9quivalence alg\u00e9brique sous-jacente<\/h3>\n

L’un des apports majeurs de la statistique computationnelle au cours des cinq derni\u00e8res d\u00e9cennies a \u00e9t\u00e9 de d\u00e9montrer de mani\u00e8re irr\u00e9futable que l’ANOVA ne constitue pas une entit\u00e9 math\u00e9matique autonome, mais bien un cas particulier, strictement restreint, de la r\u00e9gression lin\u00e9aire multiple. Cette synth\u00e8se conceptuelle s’op\u00e8re au sein du cadre unifi\u00e9 du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral<\/a> (GLM). Sous sa formulation matricielle standard, le mod\u00e8le s’exprime par l’\u00e9quation canonique :<\/p>\n

$$Y = X\\beta + \\varepsilon$$<\/span><\/p>\n

Dans cette expression fondamentale, $Y$<\/span> repr\u00e9sente le vecteur colonne de dimension $(n \\times 1)$<\/span> des observations de la variable d\u00e9pendante quantitative continue ; $X$<\/span> est la matrice de dessein (ou design matrix<\/em>) de dimensions $(n \\times p)$<\/span>, contenant les valeurs des pr\u00e9dicteurs continus ou les vecteurs d’indicatrices cat\u00e9gorielles associ\u00e9es aux diff\u00e9rents groupes exp\u00e9rimentaux ; $\\beta$<\/span> est le vecteur de dimension $(p \\times 1)$<\/span> des param\u00e8tres inconnus de population (l’ordonn\u00e9e \u00e0 l’origine et les coefficients de r\u00e9gression ou contrastes) ; et $varepsilon$<\/span> d\u00e9signe le vecteur $(n \\times 1)$<\/span> des erreurs r\u00e9siduelles al\u00e9atoires, suppos\u00e9es ind\u00e9pendantes et identiquement distribu\u00e9es selon une loi normale centr\u00e9e d’\u00e9cart-type constant $\\sigma$<\/span>.<\/p>\n

Quelle que soit l’appellation attribu\u00e9e au logiciel statistique utilis\u00e9, la d\u00e9composition de la dispersion observ\u00e9e repose sur la partition invariante de la somme totale des carr\u00e9s des \u00e9carts ($SS_{Total}$<\/span>) en deux composantes mutuellement exclusives et exhaustives :<\/p>\n

$$SS_{Total} = SS_{Modgrave{e}le} + SS_{Racute{e}sidus}$$<\/span><\/p>\n

Dans l’ANOVA factorielle traditionnelle, ces quantit\u00e9s sont qualifi\u00e9es de somme des carr\u00e9s intergroupes ($SS_{Inter}$<\/span>) et somme des carr\u00e9s intragroupes ou erreur ($SS_{Intra}$<\/span>). Dans la r\u00e9gression, elles sont respectivement nomm\u00e9es somme des carr\u00e9s de la r\u00e9gression ($SS_{Reg}$<\/span>) et somme des carr\u00e9s r\u00e9siduelle ($SS_{Res}$<\/span>). L’\u00e9quivalence formelle entre la statistique omnibus $F$<\/span> de l’ANOVA et le coefficient de d\u00e9termination multivari\u00e9 $R^2$<\/span> de la r\u00e9gression multiple se v\u00e9rifie alg\u00e9briquement par l’identit\u00e9 math\u00e9matique stricte :<\/p>\n

$$F = \\frac{\\frac{R^2}{k}}{\\frac{1 – R^2}{N – k – 1}} = \\frac{\\frac{SS_{Modgrave{e}le}}{df_{Modgrave{e}le}}}{\\frac{SS_{Racute{e}sidus}}{df_{Racute{e}sidus}}}$$<\/span><\/p>\n

o\u00f9 $k$<\/span> repr\u00e9sente le nombre de param\u00e8tres de pr\u00e9diction (ou le nombre de groupes moins un dans une ANOVA \u00e0 un facteur) et $N$<\/span> l’effectif d’\u00e9chantillon total. L’ANOVA teste donc rigoureusement l’hypoth\u00e8se nulle selon laquelle le $R^2$<\/span> de la matrice de dessein cat\u00e9gorielle est nul dans la population parente.<\/p>\n

\"\"<\/figure>\n

2.2 Param\u00e9trisation et estimation des moindres carr\u00e9s<\/h3>\n

L’estimation des param\u00e8tres du GLM repose universellement sur la m\u00e9thode des moindres carr\u00e9s ordinaires (OLS – Ordinary Least Squares<\/em>), dont le principe math\u00e9matique consiste \u00e0 trouver le vecteur d’estimation $\\hat{\\beta}$<\/span> qui minimise la somme des carr\u00e9s des \u00e9carts entre les valeurs observ\u00e9es $Y$<\/span> et les valeurs ajust\u00e9es par le mod\u00e8le $\\hat{Y} = X\\hat{\\beta}$<\/span>. La solution analytique directe s’obtient par l’\u00e9quation normale bien connue :<\/p>\n

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

La divergence d’apparence entre l’ANOVA et la r\u00e9gression provient exclusivement de la configuration interne de la matrice de dessein $X$<\/span>. Dans l’approche classique de l’ANOVA, dite mod\u00e8le des moyennes de cellules, l’\u00e9quation s’\u00e9crit traditionnellement :<\/p>\n

$$Y_{ij} = \\mu_i + \\varepsilon_{ij}$$<\/span><\/p>\n

ou, sous la forme d’un mod\u00e8le avec grand-moyenne :<\/p>\n

$$Y_{ij} = \\mu + \\alpha_i + \\varepsilon_{ij}$$<\/span><\/p>\n

o\u00f9 $\\mu$<\/span> repr\u00e9sente la moyenne g\u00e9n\u00e9rale non pond\u00e9r\u00e9e et $\\alpha_i$<\/span> l’effet sp\u00e9cifique du niveau exp\u00e9rimental $i$<\/span>, avec la contrainte d’identification habituelle $\\sum \\alpha_i = 0$<\/span>. Dans la r\u00e9gression lin\u00e9aire, la param\u00e9trisation int\u00e8gre formellement une colonne de uns pour mod\u00e9liser la constante (l’intercept<\/em>), suivie de colonnes encodant les variables sous forme m\u00e9trique ou par indicatrices binaires.<\/p>\n

Les degr\u00e9s de libert\u00e9 allou\u00e9s au num\u00e9rateur et au d\u00e9nominateur du test $F$<\/span> sont rigoureusement identiques dans les deux approches : le num\u00e9rateur consomme autant de degr\u00e9s de libert\u00e9 qu’il y a de colonnes ind\u00e9pendantes ajout\u00e9es \u00e0 la matrice pour repr\u00e9senter l’effet ($k – 1$<\/span> pour un facteur \u00e0 $k$<\/span> modalit\u00e9s), tandis que le d\u00e9nominateur dispose de $N – p$<\/span> degr\u00e9s de libert\u00e9 pour estimer la variance r\u00e9siduelle $\\sigma^2$<\/span>. En outre, la sensibilit\u00e9 math\u00e9matique aux observations atypiques s’av\u00e8re absolument \u00e9quivalente. Une observation extr\u00eame au sein d’une cellule d’une ANOVA exerce un levier math\u00e9matique (leverage<\/em>) et un r\u00e9sidu standardis\u00e9 dont l’impact g\u00e9om\u00e9trique sur l’estimation de la moyenne de cellule est formellement indistinguable de la distance de Cook ou de l’indice DFBETAS calcul\u00e9s sur un pr\u00e9dicteur dichotomique en r\u00e9gression.<\/p>\n

2.3 Implications pratiques de l’unification GLM<\/h3>\n

La reconnaissance de cette identit\u00e9 alg\u00e9brique profonde d\u00e9tient des cons\u00e9quences op\u00e9ratoires fondamentales pour la recherche en psychologie. En premier lieu, elle garantit qu’un m\u00eame jeu de donn\u00e9es analys\u00e9 via une routine d’ANOVA factorielle ou via une proc\u00e9dure de r\u00e9gression multiple param\u00e9tr\u00e9e ad\u00e9quatement produira des valeurs de $F$<\/span>, des degr\u00e9s de libert\u00e9, des sommes de carr\u00e9s, des valeurs $p$<\/span> et des r\u00e9sidus rigoureusement identiques au dix-milli\u00e8me pr\u00e8s. L’opposition stylistique entre les deux m\u00e9thodes n’est donc pas d’ordre calculatoire, mais proc\u00e8de d’un d\u00e9coupage ergonomique h\u00e9rit\u00e9 de l’\u00e8re pr\u00e9-informatique.<\/p>\n

En second lieu, les logiciels de pointe contemporains (tels que R avec les fonctions lm()<\/code> et aov()<\/code>, ou la commande PROC GLM<\/code> de SAS) ex\u00e9cutent ces calculs via exactement les m\u00eames algorithmes d’inversion matricielle (g\u00e9n\u00e9ralement bas\u00e9s sur la d\u00e9composition QR ou la d\u00e9composition en valeurs singuli\u00e8res SVD). La dualit\u00e9 logicielle s’efface ainsi au profit d’une interface utilisateur diff\u00e9renci\u00e9e. Les sorties de r\u00e9gression privil\u00e9gient la restitution des param\u00e8tres de pente individuels ($b_i$<\/span>, erreurs-types associ\u00e9es et tests $t$<\/span> univari\u00e9s), tandis que les tables d’ANOVA concentrent l’affichage sur les blocs factoriels globaux (tests $F$<\/span> omnibus multivari\u00e9s).<\/p>\n

Enfin, cette unification conceptuelle constitue le pr\u00e9requis m\u00e9thodologique indispensable pour appr\u00e9hender les extensions analytiques sup\u00e9rieures. Comprendre que l’ANOVA est une r\u00e9gression permet au chercheur de s’affranchir des limitations rigides des plans factoriels standards et d’\u00e9voluer sans heurts vers les mod\u00e8les lin\u00e9aires mixtes (LMM), la mod\u00e9lisation hi\u00e9rarchique (HLM) ou la r\u00e9gression r\u00e9gularis\u00e9e (Lasso, Ridge), o\u00f9 pr\u00e9dicteurs continus et cat\u00e9goriels s’articulent harmonieusement sans heurter les postulats du mod\u00e8le math\u00e9matique sous-jacent.<\/p>\n

3. La nature des variables pr\u00e9dictives : Discr\u00e8tes vs Continues<\/h2>\n

3.1 Variables cat\u00e9gorielles et classification dans l’ANOVA<\/h3>\n

L’analyse de variance impose, par sa constitution op\u00e9ratoire m\u00eame, que l’ensemble des variables pr\u00e9dictives ind\u00e9pendantes (facteurs) soient de nature strictement cat\u00e9gorielle, mesur\u00e9es sur des \u00e9chelles nominales ou ordinales \u00e0 effectifs finis. Dans les plans exp\u00e9rimentaux de psychologie, ces variables correspondent classiquement \u00e0 des modalit\u00e9s de traitement manipul\u00e9es (par exemple : th\u00e9rapie d’acceptation et d’engagement vs th\u00e9rapie cognitive bas\u00e9e sur la pleine conscience vs liste d’attente), \u00e0 des statuts diagnostiques \u00e9tablis selon des crit\u00e8res nosographiques ferm\u00e9s (schizophr\u00e9nie, trouble bipolaire, t\u00e9moins neurotypiques), ou \u00e0 des caract\u00e9ristiques sociod\u00e9mographiques structurellement discr\u00e8tes (secteur d’habitation, branche professionnelle, cohortes scolaires fixes).<\/p>\n

Cette obligation structurelle de manipuler des cat\u00e9gories discr\u00e8tes g\u00e9n\u00e8re une contrainte m\u00e9thodologique majeure : elle exige que le chercheur con\u00e7oive la r\u00e9alit\u00e9 psychologique sous la forme de compartiments \u00e9tanches. L’hypoth\u00e8se sous-jacente d’une ANOVA \u00e0 un facteur est que l’ensemble des participants assign\u00e9s \u00e0 une m\u00eame cellule exp\u00e9rimentale partagent la m\u00eame esp\u00e9rance math\u00e9matique pour le crit\u00e8re d\u00e9pendant, la variance intra-groupe n’\u00e9tant consid\u00e9r\u00e9e que comme un r\u00e9sidu stochastique homog\u00e8ne. Lorsque le ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 pr\u00e9sente effectivement une nature taxinomique ou cat\u00e9gorielle authentique (comme l’administration d’une mol\u00e9cule pharmacologique active versus un placebo inerte), ce cadre s’ajuste parfaitement aux pr\u00e9misses th\u00e9oriques.<\/p>\n

N\u00e9anmoins, l’application rigide de ce formalisme \u00e0 des construits psychologiques intrins\u00e8quement fluides pose de s\u00e9rieux probl\u00e8mes d’ad\u00e9quation conceptuelle. D\u00e8s lors qu’un chercheur stratifie artificiellement une population en groupes disjoints pour pouvoir appliquer une ANOVA (par exemple, segmenter un \u00e9chantillon clinique en trois niveaux d’anxi\u00e9t\u00e9 : faible, mod\u00e9r\u00e9e, s\u00e9v\u00e8re \u00e0 partir d’un inventaire auto-rapport\u00e9), il introduit une partition qui masque l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne de chaque segment tout en exag\u00e9rant la discontinuit\u00e9 existant entre les individus situ\u00e9s de part et d’autre de la fronti\u00e8re de coupure arbitraire.<\/p>\n

3.2 Variables pr\u00e9dictives continues dans la r\u00e9gression<\/h3>\n

\u00c0 l’oppos\u00e9 de la segmentation propre \u00e0 l’ANOVA, la r\u00e9gression lin\u00e9aire multiple brille par sa capacit\u00e9 intrins\u00e8que \u00e0 manipuler des variables pr\u00e9dictives m\u00e9triques continues, mesur\u00e9es sur des \u00e9chelles d’intervalles ou de rapports. Dans la pratique psychom\u00e9trique, cela recouvre un spectre immense de construits : scores composites issus de batteries psychologiques standardis\u00e9es (comme le QI mesur\u00e9 par l’\u00e9chelle de Wechsler, les scores de d\u00e9pression du BDI-II, les dimensions du Big Five), mesures psychophysiologiques (temps de r\u00e9action en millisecondes, conductance cutan\u00e9e, puissance spectrale \u00e9lectroenc\u00e9phalographique) ou encore variables sociologiques continues (\u00e2ge chronologique pr\u00e9cis, revenu annuel net, nombre d’ann\u00e9es de scolarisation formelle).<\/p>\n

Le recours \u00e0 des pr\u00e9dicteurs continus au sein de la r\u00e9gression pr\u00e9serve la granularit\u00e9 originale de l’information et respecte la distribution empirique naturelle du construit. Plut\u00f4t que de postuler des sauts qualitatifs discrets, le mod\u00e8le estime un taux de variation fonctionnel : le coefficient de r\u00e9gression lin\u00e9aire non standardis\u00e9 ($b_1$<\/span>) exprime la modification quantitative moyenne observ\u00e9e sur la variable crit\u00e8re lorsque le pr\u00e9dicteur s’accro\u00eet d’une unit\u00e9 m\u00e9trique, l’ensemble des autres termes \u00e9tant maintenus constants. Cela autorise la capture fine de gradients de vuln\u00e9rabilit\u00e9, de cin\u00e9tiques de r\u00e9ponse symptomatique ou de trajectoires d’apprentissage progressives.<\/p>\n

Qui plus est, la r\u00e9gression ne s’enferme nullement dans l’alternative st\u00e9rile \u00ab tout continu \u00bb ou \u00ab tout cat\u00e9goriel \u00bb. L’une de ses forces les plus \u00e9clatantes r\u00e9side dans sa flexibilit\u00e9 analytique totale : il est parfaitement trivial d’introduire simultan\u00e9ment, au sein d’une m\u00eame \u00e9quation de r\u00e9gression, trois pr\u00e9dicteurs continus (\u00e2ge, score de neuroticisme, niveau de cortisol basal) et deux pr\u00e9dicteurs cat\u00e9goriels (statut vaccinal cod\u00e9 0\/1, type de protocole psychoth\u00e9rapeutique cod\u00e9 via des indicatrices). Cette int\u00e9gration conjointe, qui d\u00e9passe le clivage traditionnel des disciplines, permet d’ajuster chaque variable pour les autres avec un niveau de pr\u00e9cision inaccessible aux plans de d\u00e9coupage factoriel classiques.<\/p>\n

3.3 Le probl\u00e8me de la dichotomisation des variables continues<\/h3>\n

L’un des \u00e9garements m\u00e9thodologiques les plus document\u00e9s \u2014 et pourtant persistant dans les revues internationales de psychologie \u2014 r\u00e9side dans la pratique de la dichotomisation artificielle de variables continues, dont l’exemple paradigmatique est la c\u00e9sure par la m\u00e9diane (median split<\/em>). Cette proc\u00e9dure consiste \u00e0 mesurer une dimension psychologique continue chez les participants (par exemple, le score d’estime de soi de Rosenberg), puis \u00e0 scinder l’\u00e9chantillon en deux groupes artificiels (\u00ab haute estime de soi \u00bb versus \u00ab basse estime de soi \u00bb) dans le seul but de soumettre les donn\u00e9es \u00e0 une ANOVA factorielle \u00e0 deux niveaux, per\u00e7ue \u00e0 tort par certains chercheurs comme plus simple \u00e0 ex\u00e9cuter ou plus noble \u00e0 pr\u00e9senter qu’une r\u00e9gression lin\u00e9aire.<\/p>\n

Les d\u00e9monstrations statistiques formelles, notamment celles publi\u00e9es par MacCallum, Zhang, Preacher et Rucker (2002)<\/a> ainsi que par Maxwell et Delaney (1993), ont mis en \u00e9vidence la toxicit\u00e9 analytique de cette pratique. En premier lieu, la discr\u00e9tisation par la m\u00e9diane provoque une h\u00e9morragie de puissance statistique : transformer une \u00e9chelle continue en variable binaire \u00e9quivaut \u00e0 d\u00e9truire d\u00e9lib\u00e9r\u00e9ment entre un tiers et la moiti\u00e9 de l’information variance-covariance contenue dans le jeu de donn\u00e9es d’origine. Cette perte d’information r\u00e9duit drastiquement la probabilit\u00e9 de d\u00e9tecter des effets r\u00e9els de petite ou moyenne amplitude dans la population.<\/p>\n

En second lieu, et de fa\u00e7on plus pernicieuse, la dichotomisation de deux pr\u00e9dicteurs continus initialement corr\u00e9l\u00e9s entra\u00eene une distorsion s\u00e9v\u00e8re du taux d’erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>). Les calculs d\u00e9montrent qu’en pr\u00e9sence de covariation naturelle entre deux variables, leur partition artificielle en sous-groupes par la m\u00e9diane engendre des corr\u00e9lations spurieuses entre les termes factoriels r\u00e9sultants, conduisant \u00e0 des taux de faux positifs pouvant s’\u00e9lever jusqu’\u00e0 20 % ou 30 % pour tester un effet principal ou une interaction inexistante. Enfin, cette pratique aplatit la variance intragroupe : deux participants situ\u00e9s imm\u00e9diatement au-dessus et imm\u00e9diatement en dessous de la m\u00e9diane sont trait\u00e9s comme radicalement dissemblables, tandis qu’un individu situ\u00e9 sur la m\u00e9diane est amalgam\u00e9 avec un sujet se trouvant \u00e0 trois \u00e9carts-types au-dessus de celle-ci. Le consensus de la communaut\u00e9 m\u00e9thodologique est cat\u00e9gorique : toute variable psychom\u00e9trique continue doit \u00eatre imp\u00e9rativement conserv\u00e9e dans son \u00e9chelle m\u00e9trique originelle et trait\u00e9e au moyen de mod\u00e8les de r\u00e9gression ad\u00e9quats.<\/p>\n

4. La variable d\u00e9pendante : Exigences de m\u00e9trique et distribution<\/h2>\n

4.1 Exigence de continuit\u00e9 pour le crit\u00e8re (Y)<\/h3>\n

Alors que la nature des variables explicatives ($X$<\/span>) constitue l’axe de divergence op\u00e9rationnelle entre ANOVA et r\u00e9gression, il est imp\u00e9ratif de souligner que, vis-\u00e0-vis de la variable d\u00e9pendante ou crit\u00e8re ($Y$<\/span>), les deux m\u00e9thodes partagent rigoureusement les m\u00eames contraintes fondamentales : l’invariance m\u00e9trique impose que la variable r\u00e9ponse soit de nature quantitative continue, mesur\u00e9e au minimum sur une \u00e9chelle d’intervalles au sens de Stevens. Cette exigence d\u00e9coule directement du calcul des r\u00e9sidus sous l’estimateur des moindres carr\u00e9s, lequel pr\u00e9suppose que les distances g\u00e9om\u00e9triques entre scores r\u00e9els et scores mod\u00e9lis\u00e9s poss\u00e8dent une signification m\u00e9trique constante tout au long de l’espace de mesure.<\/p>\n

Dans la recherche psychologique appliqu\u00e9e, ce postulat se heurte fr\u00e9quemment \u00e0 l’utilisation ubiquitaire des \u00e9chelles d’\u00e9valuation de type Likert (par exemple, r\u00e9ponses \u00e9chelonn\u00e9es de 1 \u00ab Pas du tout d’accord \u00bb \u00e0 5 \u00ab Tout \u00e0 fait d’accord \u00bb). La question de savoir si un item isol\u00e9 de Likert peut \u00eatre l\u00e9gitimement introduit comme variable d\u00e9pendante dans une ANOVA ou une r\u00e9gression a suscit\u00e9 des d\u00e9bats intenses. L’orthodoxie m\u00e9thodologique stipule qu’un item unique est ordinal : les intervalles subjectifs s\u00e9parant les \u00e9chelons ne sont en aucun cas d\u00e9montr\u00e9s comme arithm\u00e9tiquement \u00e9gaux. L’application d’un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral \u00e0 un item ordinal \u00e0 cinq points s’av\u00e8re fragile, particuli\u00e8rement lorsque la distribution empirique est asym\u00e9trique ou concentr\u00e9e sur les extr\u00eames.<\/p>\n

En revanche, la pratique psychom\u00e9trique courante consistant \u00e0 agr\u00e9ger une multiplicit\u00e9 d’items de Likert (dix \u00e0 trente items mesurant un construit unidimensionnel coh\u00e9rent) sous la forme d’un score total ou d’une moyenne de score composite b\u00e9n\u00e9ficie d’une tol\u00e9rance math\u00e9matique robuste. Les sommes d’items ordonn\u00e9s tendent, en vertu des propri\u00e9t\u00e9s de la loi des grands nombres et de l’adjonction de variables discr\u00e8tes, \u00e0 approximer un continuum m\u00e9trique sous-jacent avec une fid\u00e9lit\u00e9 suffisante pour autoriser l’usage du GLM. N\u00e9anmoins, lorsque la variable d\u00e9pendante souffre d’effets de plancher s\u00e9v\u00e8res (la majorit\u00e9 des participants affichent un score de z\u00e9ro, comme dans les \u00e9chelles mesurant les comportements d\u00e9linquants ou les id\u00e9ations suicidaires aigu\u00ebs) ou d’effets de plafond (scores maximaux satur\u00e9s), l’hypoth\u00e8se de continuit\u00e9 lin\u00e9aire s’effondre, rendant l’ANOVA comme la r\u00e9gression standard OLS intrins\u00e8quement biaisi\u00e9es.<\/p>\n

4.2 Gestion des distributions asym\u00e9triques et non normales<\/h3>\n

L’inf\u00e9rence param\u00e9trique classique d\u00e9ploy\u00e9e dans l’ANOVA et la r\u00e9gression OLS repose sur la th\u00e9orie des distributions d’\u00e9chantillonnage gaussiennes. D\u00e8s lors que la variable d\u00e9pendante affiche une asym\u00e9trie positive marqu\u00e9e (telle qu’observ\u00e9e syst\u00e9matiquement sur les distributions des temps de r\u00e9action chronom\u00e9triques, des co\u00fbts de sant\u00e9 mentale ou des dur\u00e9es de r\u00e9tablissement clinique), les estimations ponctuelles et les tests statistiques associ\u00e9s subissent une perte de validit\u00e9 potentielle. Une confusion r\u00e9currente consiste \u00e0 scruter la distribution marginale brute de $Y$<\/span> plut\u00f4t que sa distribution conditionnelle. Ni l’ANOVA ni la r\u00e9gression n’exigent que la variable $Y$<\/span> brute soit normalement distribu\u00e9e ; elles requi\u00e8rent imp\u00e9rativement que les erreurs conditionnelles (les r\u00e9sidus du mod\u00e8le global) se conforment \u00e0 la normalit\u00e9.<\/p>\n

Face \u00e0 une d\u00e9viation s\u00e9v\u00e8re de la normalit\u00e9 des r\u00e9sidus, trois voies m\u00e9thodologiques s’offrent historiquement aux analystes. La premi\u00e8re rel\u00e8ve de l’ing\u00e9nierie des donn\u00e9es via les transformations math\u00e9matiques univari\u00e9es : transformation logarithmique ($ln(Y)$<\/span> ou $\\log_{10}(Y)$<\/span>) pour r\u00e9sorber l’asym\u00e9trie positive, transformation racine carr\u00e9e ($\\sqrt{Y}$<\/span>) pour stabiliser la variance de variables de comptage, ou encore algorithmes param\u00e9triques d’optimisation comme la transformation de Box-Cox (1964)<\/a>, qui identifie la puissance optimale $lambda$<\/span> minimisant la somme des r\u00e9sidus non gaussiens. Si ces transformations restaurent la validit\u00e9 des calculs de $p$<\/span>-values, elles compliquent substantiellement l’interpr\u00e9tabilit\u00e9 clinique directe des coefficients, contraignant l’analyste \u00e0 des op\u00e9rations de conversion inverse (back-transformation<\/em>) pour rapporter les r\u00e9sultats dans la m\u00e9trique originale du ph\u00e9nom\u00e8ne.<\/p>\n

La seconde alternative, aujourd’hui consid\u00e9r\u00e9e comme la norme de r\u00e9f\u00e9rence dans les standards psychom\u00e9triques avanc\u00e9s, consiste \u00e0 s’extirper du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral au profit des Mod\u00e8les Lin\u00e9aires G\u00e9n\u00e9ralis\u00e9s (GLM, formalis\u00e9s par Nelder et Wedderburn en 1972). Dans ce cadre probabiliste sup\u00e9rieur, l’hypoth\u00e8se de normalit\u00e9 de la variable r\u00e9ponse est abandonn\u00e9e au profit de lois de distribution issues de la famille exponentielle naturelle : r\u00e9gression gamma pour les temps de r\u00e9action continus hautement asym\u00e9triques, r\u00e9gression de Poisson ou binomiale n\u00e9gative pour les variables de comptage psychologique, r\u00e9gression logistique binaire pour les choix dichotomiques, ou mod\u00e8le de probit ordinal pour les items de Likert stricts. Ce d\u00e9passement m\u00e9thodologique d\u00e9montre une fois encore l’h\u00e9g\u00e9monie conceptuelle de la pens\u00e9e r\u00e9gressive, les mod\u00e8les g\u00e9n\u00e9ralis\u00e9s int\u00e9grant indiff\u00e9remment des facteurs de groupe (assimilables \u00e0 l’ANOVA) ou des r\u00e9gresseurs m\u00e9triques.<\/p>\n

4.3 Sensibilit\u00e9 \u00e0 l’erreur de mesure sur la variable r\u00e9ponse<\/h3>\n

Un principe fondamental de la psychom\u00e9trie classique \u2014 incarn\u00e9 par la th\u00e9orie classique des tests (TCT) d\u00e9velopp\u00e9e par Lord et Novick \u2014 stipule que tout score observ\u00e9 sur une variable psychologique ($Y$<\/span>) se d\u00e9compose en un score vrai ($T$<\/span>) et une erreur de mesure al\u00e9atoire ($e$<\/span>) : $Y = T + e$<\/span>. L’incidence de cette erreur de mesure non corr\u00e9l\u00e9e sur l’analyse de donn\u00e9es diverge profond\u00e9ment selon qu’elle affecte la variable d\u00e9pendante ($Y$<\/span>) ou les variables ind\u00e9pendantes ($X$<\/span>). Lorsqu’elle se situe sur la variable d\u00e9pendante continue, l’erreur de mesure agit de mani\u00e8re parfaitement sym\u00e9trique au sein de l’ANOVA et de la r\u00e9gression lin\u00e9aire.<\/p>\n

En pr\u00e9sence d’un instrument de mesure pr\u00e9sentant une fid\u00e9lit\u00e9 m\u00e9diocre (par exemple, un coefficient alpha de Cronbach ou un om\u00e9ga de McDonald inf\u00e9rieur \u00e0 0,70 pour une \u00e9chelle composite d’anxi\u00e9t\u00e9), la variance r\u00e9siduelle al\u00e9atoire ($SS_{Racute{e}sidus}$<\/span> ou $SS_{Intra}$<\/span>) se trouve m\u00e9caniquement gonfl\u00e9e par la variance propre du bruit de mesure ($s_e^2$<\/span>). Les coefficients de r\u00e9gression non standardis\u00e9s ($b$<\/span>) ou les \u00e9carts bruts entre moyennes de cellules de l’ANOVA demeurent des estimateurs non biais\u00e9s de l’effet moyen dans la population sous-jacente. En revanche, le d\u00e9nominateur des tests statistiques s’accro\u00eet, ce qui entra\u00eene une d\u00e9gradation drastique de la statistique de test ($F$<\/span> ou $t$<\/span>), un \u00e9largissement proportionnel des intervalles de confiance \u00e0 95 % et un effondrement substantiel de la puissance statistique des protocoles de recherche.<\/p>\n

En outre, l’erreur de mesure sur $Y$<\/span> comprime m\u00e9caniquement les indices standardis\u00e9s d’intensit\u00e9 de relation : le coefficient de d\u00e9termination multivari\u00e9 ($R^2$<\/span>) de la r\u00e9gression ainsi que l’\u00eata-carr\u00e9 partiel ($\\eta_p^2$<\/span>) de l’ANOVA sont syst\u00e9matiquement att\u00e9nu\u00e9s par rapport \u00e0 l’effet r\u00e9el qui pr\u00e9vaudrait sur le plan des variables latentes parfaites. Dans les contextes cliniques ou appliqu\u00e9s o\u00f9 les seuils de significativit\u00e9 guident des d\u00e9cisions diagnostiques ou th\u00e9rapeutiques majeures, l’illusion d’une robustesse math\u00e9matique du GLM ne saurait masquer la n\u00e9cessit\u00e9 imp\u00e9rieuse de maximiser la coh\u00e9rence interne et la stabilit\u00e9 test-retest des instruments de recueil psychologique pr\u00e9alablement \u00e0 toute tentative de mod\u00e9lisation comparative.<\/p>\n

5. Postulats statistiques compar\u00e9s : Normalit\u00e9, homosc\u00e9dasticit\u00e9 et ind\u00e9pendance<\/h2>\n

5.1 Ind\u00e9pendance des observations<\/h3>\n

Parmi les postulats axiomatiques conditionnant la validit\u00e9 des mod\u00e8les d’inf\u00e9rence lin\u00e9aire, l’ind\u00e9pendance conditionnelle des observations constitue la clause technique la plus critique, tout en \u00e9tant la plus fr\u00e9quemment viol\u00e9e dans les recherches en sciences comportementales. Ce postulat exige formellement que l’erreur r\u00e9siduelle associ\u00e9e \u00e0 l’observation $i$<\/span> soit rigoureusement non corr\u00e9l\u00e9e avec l’erreur r\u00e9siduelle associ\u00e9e \u00e0 l’observation $j$<\/span>, soit mat\u00e9rialis\u00e9 par $\\text{Cov}(\\varepsilon_i, \\varepsilon_j) = 0$<\/span> pour tout $i \\neq j$<\/span>. Contrairement aux hypoth\u00e8ses distributionnelles de normalit\u00e9 ou de variance homog\u00e8ne, pour lesquelles des m\u00e9canismes de correction algorithmique existent, la violation du postulat d’ind\u00e9pendance ruine le fondement m\u00eame du calcul des erreurs-types standards asymptotiques.<\/p>\n

Dans la recherche psychologique, la d\u00e9pendance des r\u00e9sidus surgit principalement sous deux formes g\u00e9om\u00e9triques : le regroupement hi\u00e9rarchique naturel (clustering<\/em>) et la r\u00e9p\u00e9tition temporelle s\u00e9rielle (longitudinal design<\/em>). Le regroupement spatial ou social se manifeste typiquement lorsque des \u00e9l\u00e8ves sont \u00e9chantillonn\u00e9s au sein de classes scolaires distinctes, des patients pris en charge par un m\u00eame th\u00e9rapeute, ou des sujets test\u00e9s au sein d’unit\u00e9s de travail d’entreprise partag\u00e9es. Dans de telles configurations, les individus partagent un micro-environnement commun, des influences contextuelles non mod\u00e9lis\u00e9es et des dynamiques interactives qui induisent une ressemblance mutuelle syst\u00e9matique (mesur\u00e9e par le coefficient de corr\u00e9lation intraclasse, ICC).<\/p>\n

Ignorer cette d\u00e9pendance group\u00e9e en traitant les participants comme des unit\u00e9s d’\u00e9chantillonnage totalement ind\u00e9pendantes au sein d’une ANOVA inter-sujets ou d’une r\u00e9gression multiple classique conduit \u00e0 une sous-estimation dramatique des erreurs-types standards des estimateurs. Les tests de signification ($t$<\/span> et $F$<\/span>) deviennent artificiellement gonfl\u00e9s, provoquant une explosion catastrophique du taux de faux positifs (l’erreur de type I r\u00e9elle peut all\u00e8grement atteindre 40 % \u00e0 50 % au lieu du seuil nominal de 5 %). Face \u00e0 une telle structure, l’ANOVA traditionnelle s’av\u00e8re totalement inop\u00e9rante. Le chercheur doit imp\u00e9rativement migrer vers des m\u00e9thodologies adapt\u00e9es : l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es lorsque l’appariement est simple et rigide, ou de mani\u00e8re immens\u00e9ment plus flexible et robuste, les mod\u00e8les de r\u00e9gression multiniveaux \u00e0 effets mixtes (HLM\/LMM), capables de mod\u00e9liser explicitement la covariance r\u00e9siduelle complexe au sein des unit\u00e9s d’\u00e9chantillonnage.<\/p>\n

5.2 Homog\u00e9n\u00e9it\u00e9 de la variance (Homosc\u00e9dasticit\u00e9)<\/h3>\n

Le second postulat cardinal du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral impose que la variance des termes d’erreur r\u00e9siduelle demeure absolument constante \u00e0 travers l’ensemble des valeurs ou des combinaisons de valeurs des variables explicatives : $\\text{Var}(\\varepsilon | X) = \\sigma^2$<\/span>. Dans la tradition lexicale de l’ANOVA, cette condition prend le nom d’homog\u00e9n\u00e9it\u00e9 des variances ou homosc\u00e9dasticit\u00e9 intergroupes. Dans la tradition de la r\u00e9gression lin\u00e9aire, elle est d\u00e9sign\u00e9e sous le terme d’homosc\u00e9dasticit\u00e9 des r\u00e9sidus le long de la droite d’ajustement ou de l’axe des valeurs pr\u00e9dites ($\\hat{Y}$<\/span>).<\/p>\n

Pour \u00e9valuer l’homosc\u00e9dasticit\u00e9 dans le cadre d’une ANOVA, la litt\u00e9rature pr\u00e9conise le test d’homog\u00e9n\u00e9it\u00e9 des variances de Levene, ou sa variante plus robuste aux d\u00e9viations de normalit\u00e9 d\u00e9velopp\u00e9e par Brown et Forsythe (qui substitue la m\u00e9diane de cellule \u00e0 la moyenne arithm\u00e9tique). Si ces tests atteignent le seuil de signification conventionnel ($p < 0,05$<\/span>), l'hypoth\u00e8se nulle d'\u00e9galit\u00e9 des variances est rejet\u00e9e, attestant la pr\u00e9sence d'une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 empirique. Dans la r\u00e9gression lin\u00e9aire, l'\u00e9valuation s'op\u00e8re de mani\u00e8re privil\u00e9gi\u00e9e par l'inspection visuelle du graphique de dispersion opposant les r\u00e9sidus standardis\u00e9s aux valeurs pr\u00e9dites (qui ne doit r\u00e9v\u00e9ler aucune forme en entonnoir, en \u00e9ventail ou en pavillon de trompette), doubl\u00e9e de tests formels tels que le test de Breusch-Pagan ou le test de White.<\/p>\n

L’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 n’affecte pas l’esp\u00e9rance math\u00e9matique des coefficients de r\u00e9gression ni des moyennes de cellule : les estimateurs des moindres carr\u00e9s demeurent non biais\u00e9s. En revanche, elle rend les estimateurs des erreurs-types inefficients et math\u00e9matiquement faux. Si les groupes poss\u00e9dant les plus faibles effectifs pr\u00e9sentent les variances les plus massives (h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 h\u00e9t\u00e9rog\u00e8ne n\u00e9gative), le test $F$<\/span> standard de l’ANOVA devient excessivement lib\u00e9ral, multipliant les d\u00e9tections de faux positifs. \u00c0 l’inverse, si les groupes aux effectifs volumineux portent les plus fortes variances, le test devient ultra-conservateur, paralysant la puissance de d\u00e9tection. Les rem\u00e8des analytiques contemporains privil\u00e9gient l’abandon du mod\u00e8le d’homosc\u00e9dasticit\u00e9 parajust\u00e9 au profit de l’ANOVA de Welch<\/a> pour les plans factoriels, ou de l’int\u00e9gration d’estimateurs de variance-covariance robustes \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 (matrices sandwich de Huber-White, de type HC3 ou HC4) au sein des r\u00e9gressions lin\u00e9aires.<\/p>\n

5.3 Normalit\u00e9 des r\u00e9sidus et th\u00e9or\u00e8me central limite<\/h3>\n

Le troisi\u00e8me postulat fondamental concerne la forme de la distribution probabiliste des termes d’erreur r\u00e9siduelle, postul\u00e9e comme conforme \u00e0 une loi normale continue : $\\varepsilon \\sim \\mathcal{N}(0, \\sigma^2)$<\/span>. Une incompr\u00e9hension tenace parmi les apprentis chercheurs consiste \u00e0 exiger que la variable d\u00e9pendante composite brute affiche une distribution gaussienne parfaite avant toute mod\u00e9lisation. Cette exigence est th\u00e9oriquement absurde : la distribution globale de $Y$<\/span> repr\u00e9sente un m\u00e9lange composite de multiples sous-populations ; si les diff\u00e9rents groupes d’une \u00e9tude exp\u00e9rimentale poss\u00e8dent des moyennes r\u00e9elles distinctes, l’histogramme de la variable $Y$<\/span> agr\u00e9g\u00e9e sera n\u00e9cessairement bimodal ou plurimodal sans que cela ne constitue en rien une violation du postulat du mod\u00e8le.<\/p>\n

La normalit\u00e9 s’\u00e9value exclusivement sur les r\u00e9sidus d’\u00e9chantillonnage conditionnels ($e_i = Y_i – \\hat{Y}_i$<\/span>). Les outils diagnostiques de r\u00e9f\u00e9rence comprennent les trac\u00e9s graphiques quantile-quantile (Q-Q plots de probabilit\u00e9 normale), sur lesquels les r\u00e9sidus standardis\u00e9s doivent id\u00e9alement s’aligner sur la bissectrice d’ajustement sans d\u00e9crochage curviligne aux extr\u00e9mit\u00e9s, ainsi que les \u00e9preuves d’ajustement formelles comme le test de Shapiro-Wilk ou le test de Kolmogorov-Smirnov corrig\u00e9 par Lilliefors. Toutefois, dans les \u00e9chantillons de taille substantielle, ces tests formels p\u00e8chent par un exc\u00e8s de sensibilit\u00e9 statistique, conduisant \u00e0 rejeter la normalit\u00e9 pour des \u00e9carts infinit\u00e9simaux et m\u00e9thodologiquement insignifiants.<\/p>\n

C’est ici qu’intervient la puissance protectrice du Th\u00e9or\u00e8me Central Limite (TCL). Selon ce principe fondamental de la statistique probabiliste, d\u00e8s lors que la taille totale de l’\u00e9chantillon devient mod\u00e9r\u00e9ment vaste (typiquement lorsque les effectifs de cellule d’une ANOVA exc\u00e8dent 30 \u00e0 50 observations par condition, ou que le ratio sujets\/pr\u00e9dicteurs d’une r\u00e9gression multiple est g\u00e9n\u00e9reux), la distribution d’\u00e9chantillonnage de la moyenne empirique et des coefficients de r\u00e9gression converge asymptotiquement vers une loi normale parfaite, quelle que soit la forme de la distribution parente sous-jacente des donn\u00e9es (\u00e0 l’exclusion des lois pr\u00e9sentant des moments infinis). Par cons\u00e9quent, l’ANOVA et la r\u00e9gression lin\u00e9aire sous OLS s’av\u00e8rent hautement robustes aux d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9 des r\u00e9sidus. Lorsque les d\u00e9viations s’av\u00e8rent extr\u00eames (asym\u00e9tries \u00e9crasantes, distributions multimodales irr\u00e9ductibles) ou que les \u00e9chantillons sont de dimension tr\u00e8s r\u00e9duite (par exemple, en neuropsychologie clinique avec $N < 15$<\/span>), les m\u00e9thodologies non param\u00e9triques de r\u00e9\u00e9chantillonnage par r\u00e9\u00e9chantillonnage bootstrap avec correction de biais et acc\u00e9l\u00e9ration (BCa), ou l'application d'estimateurs robustes de type M-estimateurs de Huber, s'imposent pour pr\u00e9server l'int\u00e9grit\u00e9 de l'inf\u00e9rence.<\/p>\n

6. Le codage des variables qualitatives dans la r\u00e9gression<\/h2>\n

6.1 M\u00e9canismes du codage fictif (Dummy Coding)<\/h3>\n

L’int\u00e9gration math\u00e9matique de facteurs de classification cat\u00e9goriels au sein de l’architecture d’une r\u00e9gression lin\u00e9aire s’op\u00e8re par le truchement de matrices de codage binaire. Le codage fictif (plus commun\u00e9ment d\u00e9sign\u00e9 sous le terme anglo-saxon de dummy coding<\/em> ou codage par variables indicatrices) repr\u00e9sente la modalit\u00e9 de param\u00e9trisation par d\u00e9faut de la quasi-totalit\u00e9 des logiciels d’analyse statistique contemporains (tels que le traitement par d\u00e9faut de lm()<\/code> en langage R). Pour mod\u00e9liser une variable qualitative $k$<\/span> niveaux factoriels, le syst\u00e8me g\u00e9n\u00e8re imp\u00e9rativement un sous-espace vectoriel compos\u00e9 de $k – 1$<\/span> variables binaires artificielles, affect\u00e9es chacune de valeurs 0 ou 1.<\/p>\n

Le principe fondamental exige la d\u00e9signation pr\u00e9alable d’un groupe de r\u00e9f\u00e9rence th\u00e9orique (souvent le groupe t\u00e9moin, la condition placebo ou la modalit\u00e9 sociod\u00e9mographique de base). Ce groupe de r\u00e9f\u00e9rence se voit attribuer la valeur 0 sur l’ensemble des $k – 1$<\/span> variables cr\u00e9\u00e9es. \u00c0 titre d’illustration, consid\u00e9rons une \u00e9tude psychoth\u00e9rapeutique \u00e9valuant trois conditions : Groupe T\u00e9moin Liste d’Attente ($k_1$<\/span>), Groupe Th\u00e9rapie Cognitive Classique ($k_2$<\/span>), et Groupe Th\u00e9rapie d’Exposition Virtuelle ($k_3$<\/span>). Si le Groupe T\u00e9moin ($k_1$<\/span>) est d\u00e9sign\u00e9 comme r\u00e9f\u00e9rence, deux indicatrices ($D_1$<\/span> et $D_2$<\/span>) sont g\u00e9n\u00e9r\u00e9es. Pour un individu appartenant \u00e0 $k_1$<\/span>, le vecteur est $(D_1 = 0, D_2 = 0)$<\/span>. Pour un sujet appartenant \u00e0 $k_2$<\/span>, le vecteur devient $(D_1 = 1, D_2 = 0)$<\/span>, et pour un sujet de $k_3$<\/span>, il s’\u00e9tablit \u00e0 $(D_1 = 0, D_2 = 1)$<\/span>.<\/p>\n

\"\"<\/figure>\n

Cette param\u00e9trisation conf\u00e8re une signification arithm\u00e9tique rigoureuse et univoque \u00e0 chaque terme de l’\u00e9quation de r\u00e9gression $Y = b_0 + b_1 D_1 + b_2 D_2 + \\varepsilon$<\/span> :<\/p>\n