{"id":9056,"date":"2026-09-23T07:56:31","date_gmt":"2026-09-23T07:56:31","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/r-vs-r-carre-difference\/"},"modified":"2026-09-23T07:56:35","modified_gmt":"2026-09-23T07:56:35","slug":"r-vs-r-carre-difference","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=r-vs-r-carre-difference","title":{"rendered":"R vs R-carr\u00e9 : quelle est la diff\u00e9rence ?"},"content":{"rendered":"

Dans le paysage foisonnant de la mod\u00e9lisation statistique et de l’analyse quantitative des donn\u00e9es, rares sont les indices aussi universellement employ\u00e9s \u2014 et pourtant aussi fr\u00e9quemment confondus \u2014 que le coefficient de corr\u00e9lation R<\/em> et le coefficient de d\u00e9termination R<\/em>-carr\u00e9 (not\u00e9 R<\/em>2<\/sup>). Qu’il s’agisse d’\u00e9valuer la force d’une association psychologique, de valider un protocole exp\u00e9rimental biom\u00e9dical ou d’estimer la capacit\u00e9 pr\u00e9dictive d’un algorithme \u00e9conom\u00e9trique, ces deux m\u00e9triques constituent le socle fondamental sur lequel reposent d’innombrables inf\u00e9rences empiriques. Pourtant, sous une apparente parent\u00e9 alg\u00e9brique symbolis\u00e9e par une simple mise au carr\u00e9, se dissimulent des architectures th\u00e9oriques distinctes, des ambitions \u00e9pist\u00e9mologiques divergentes et des implications interpr\u00e9tatives qui ne sauraient \u00eatre interchang\u00e9es sans compromettre la rigueur de la d\u00e9marche scientifique.<\/p>\n

Cette ambigu\u00eft\u00e9 r\u00e9currente trouve souvent sa source dans une formation m\u00e9thodologique fragmentaire, o\u00f9 l’enseignement des statistiques appliqu\u00e9es privil\u00e9gie parfois l’automatisation logicielle au d\u00e9triment de l’ex\u00e9g\u00e8se conceptuelle. Les praticiens, confront\u00e9s \u00e0 des tableaux de synth\u00e8se g\u00e9n\u00e9r\u00e9s par des environnements d’analyse complexes, ont trop souvent tendance \u00e0 assimiler l’intensit\u00e9 d’une relation bivari\u00e9e \u00e0 la proportion de variance expliqu\u00e9e par un mod\u00e8le global. Une telle confusion n’est pas une simple querelle s\u00e9mantique r\u00e9serv\u00e9e aux th\u00e9oriciens de la mesure ; elle engendre des biais tangibles dans la quantification des tailles d’effet, fausse l’\u00e9valuation clinique ou p\u00e9dagogique des interventions, et favorise l’illusion d’une causalit\u00e9 l\u00e0 o\u00f9 ne r\u00e9side qu’une banale covariance directionnelle.<\/p>\n

L’objectif de cet article est de diss\u00e9quer de mani\u00e8re exhaustive la fronti\u00e8re math\u00e9matique, philosophique et pragmatique qui s\u00e9pare le coefficient R<\/em> du coefficient R<\/em>2<\/sup>. En cheminant des fondations de la corr\u00e9lation lin\u00e9aire vers la complexit\u00e9 des mod\u00e8les multivari\u00e9s, en examinant la g\u00e9om\u00e9trie des sommes des carr\u00e9s et en scrutant les pi\u00e8ges de l’inflation statistique, cette \u00e9tude entend doter les chercheurs, analystes et \u00e9tudiants d’une grille de lecture lucide et intransigeante. \u00c0 travers une exploration m\u00e9ticuleuse de leurs postulats, de leurs comportements face aux artefacts de mesure et de leurs protocoles de restitution dans la litt\u00e9rature \u00e9valu\u00e9e par les pairs, nous mettrons en lumi\u00e8re pourquoi ces deux indices ne doivent pas \u00eatre per\u00e7us comme des rivaux ou des substituts, mais comme des partenaires analytiques compl\u00e9mentaires, chacun d\u00e9tenant une cl\u00e9 sp\u00e9cifique dans l’intelligibilit\u00e9 des ph\u00e9nom\u00e8nes observ\u00e9s.<\/p>\n

1. Introduction \u00e9pist\u00e9mologique et distinction fondamentale entre R et R-carr\u00e9<\/h2>\n

1.1 Origine de la confusion conceptuelle en statistique appliqu\u00e9e<\/h3>\n

L’histoire de la statistique inf\u00e9rentielle est jalonn\u00e9e de rapprochements formels qui, s’ils t\u00e9moignent de l’\u00e9l\u00e9gance de l’\u00e9difice math\u00e9matique, induisent une charge cognitive consid\u00e9rable chez les utilisateurs finaux. La proximit\u00e9 notationnelle entre le coefficient de corr\u00e9lation r<\/em> (ou R<\/em> dans sa d\u00e9clinaison g\u00e9n\u00e9rale) et le coefficient de d\u00e9termination R<\/em>2<\/sup> repr\u00e9sente sans conteste l’un des foyers de m\u00e9prise les plus constants au sein de la litt\u00e9rature scientifique contemporaine. Cette proximit\u00e9 graphique incite insidieusement l’esprit humain \u00e0 consid\u00e9rer ces deux mesures comme de simples variantes d’une m\u00eame entit\u00e9 ph\u00e9nom\u00e9nologique, r\u00e9ductibles \u00e0 une banale transformation d’\u00e9chelle. Or, si le passage de l’un \u00e0 l’autre semble n’exiger qu’une op\u00e9ration arithm\u00e9tique \u00e9l\u00e9mentaire dans le cadre restrictif du mod\u00e8le lin\u00e9aire univari\u00e9, la nature m\u00eame de ce qu’ils mesurent appartient \u00e0 des registres conceptuels distincts.<\/p>\n

Le n\u0153ud du probl\u00e8me r\u00e9side dans l’incapacit\u00e9 fr\u00e9quente \u00e0 dissocier l’intensit\u00e9 et l’orientation d’une association lin\u00e9aire entre deux vecteurs continus, de la proportion de dispersion quantifi\u00e9e et r\u00e9sorb\u00e9e par une \u00e9quation fonctionnelle. La corr\u00e9lation interroge la synchronie du mouvement : dans quelle mesure deux grandeurs d\u00e9vient-elles conjointement de leurs moyennes respectives ? En revanche, la d\u00e9termination questionne l’efficacit\u00e9 structurelle d’une structure explicative : quelle part de la variabilit\u00e9 globale de la variable r\u00e9ponse est-elle math\u00e9matiquement redevable aux fluctuations des variables postul\u00e9es comme pr\u00e9dictrices ? Cette nuance, fondamentale d’un point de vue analytique, se dissout trop souvent dans les pratiques routini\u00e8res de publication o\u00f9 les chercheurs passent de l’une \u00e0 l’autre de ces notions sans expliciter le saut conceptuel op\u00e9r\u00e9.<\/p>\n

Les cons\u00e9quences de cet amalgame dans des disciplines empiriques telles que la psychologie, les sciences de l’\u00e9ducation ou l’\u00e9pid\u00e9miologie comportementale sont loin d’\u00eatre anodines. Elles se traduisent r\u00e9guli\u00e8rement par une sur\u00e9valuation flagrante de l’impact des pr\u00e9dicteurs psychom\u00e9triques. Un chercheur d\u00e9couvrant une corr\u00e9lation bivari\u00e9e mod\u00e9r\u00e9ment robuste sera tent\u00e9 d’en vanter les retomb\u00e9es pratiques, occultant le fait que la variance effectivement clarifi\u00e9e demeure marginale. Ce d\u00e9calage d’appr\u00e9ciation nourrit une crise de r\u00e9plicabilit\u00e9 rampante, en instillant un optimisme injustifi\u00e9 quant \u00e0 la robustesse pr\u00e9dictive de construits th\u00e9oriques dont la port\u00e9e explicative r\u00e9elle s’av\u00e8re particuli\u00e8rement t\u00e9nue \u00e0 l’\u00e9chelle populationnelle.<\/p>\n

1.2 Aper\u00e7u s\u00e9mantique et math\u00e9matique pr\u00e9liminaire<\/h3>\n

Pour clarifier sans ambigu\u00eft\u00e9 les contours de ces deux indicateurs, il convient d’\u00e9tablir d’embl\u00e9e leurs d\u00e9finitions op\u00e9ratoires. Le coefficient de corr\u00e9lation lin\u00e9aire, formalis\u00e9 par Karl Pearson dans la continuit\u00e9 des travaux pionniers de Francis Galton<\/a>, quantifie le degr\u00e9 d’association bidirectionnelle et sym\u00e9trique existant entre deux variables al\u00e9atoires quantitatives. Exprim\u00e9 de mani\u00e8re adimensionnelle, il traduit la pente standardis\u00e9e de la relation observ\u00e9e. Sa nature est intrins\u00e8quement vectorielle au sens informel du terme : il est dot\u00e9 d’une magnitude, qui refl\u00e8te la compacit\u00e9 de la dispersion des points autour d’un axe lin\u00e9aire id\u00e9al, mais \u00e9galement d’un signe alg\u00e9brique (+ ou -), qui indique la polarit\u00e9 de cette concordance. Il informe le chercheur sur la direction du monde empirique : lorsque X<\/em> cro\u00eet, Y<\/em> cro\u00eet-il de concert ou d\u00e9cro\u00eet-il syst\u00e9matiquement ?<\/p>\n

\u00c0 l’inverse, le coefficient de d\u00e9termination R<\/em>2<\/sup> se d\u00e9finit rigoureusement comme une mesure scalaire de la r\u00e9duction d’incertitude. Con\u00e7u pour \u00e9valuer la performance globale d’un mod\u00e8le de r\u00e9gression, il quantifie le ratio de la variance captur\u00e9e par les pr\u00e9dicteurs sur la variance totale de la variable d’int\u00e9r\u00eat. D\u00e9pourvu de toute indication vectorielle ou directionnelle, le R<\/em>-carr\u00e9 constitue un indice purement absolu, s’\u00e9chelonnant sur une \u00e9chelle proportionnelle universelle. Alors que le coefficient de corr\u00e9lation de Pearson oscille contin\u00fbment sur l’intervalle [-1,00 ; +1,00], mat\u00e9rialisant aussi bien l’opposition diam\u00e9trale que la concordance parfaite, le coefficient de d\u00e9termination est strictement born\u00e9 \u00e0 l’espace [0,00 ; 1,00] ou [0 % ; 100 %] dans le cadre des moindres carr\u00e9s conventionnels.<\/p>\n

Cette diff\u00e9rence d’\u00e9chelle entra\u00eene une divergence drastique dans la m\u00e9trique cognitive de l’analyste. Le coefficient R<\/em> s’interpr\u00e8te comme un indice de proximit\u00e9 structurelle le long d’une droite orient\u00e9e dans un plan cart\u00e9sien bivari\u00e9, tandis que le R<\/em>2<\/sup> se lit comme un bilan comptable d’entropie r\u00e9siduelle. Confondre une magnitude sign\u00e9e avec un ratio de dispersion volum\u00e9trique revient \u00e0 confondre la vitesse de d\u00e9placement d’un v\u00e9hicule le long d’une trajectoire d\u00e9finie avec le pourcentage du territoire total couvert par l’ensemble de ses p\u00e9r\u00e9grinations. L’\u00e9tanch\u00e9it\u00e9 s\u00e9mantique entre ces deux notions est le pr\u00e9alable m\u00e9thodologique indispensable \u00e0 toute mod\u00e9lisation rigoureuse.<\/p>\n

1.3 Importance de la diff\u00e9renciation dans l’inf\u00e9rence scientifique<\/h3>\n

Au-del\u00e0 des consid\u00e9rations alg\u00e9briques, la distinction rigide entre R<\/em> et R<\/em>2<\/sup> gouverne la dialectique m\u00eame de l’inf\u00e9rence scientifique, notamment dans l’opposition classique entre mod\u00e9lisation explicative et mod\u00e9lisation purement pr\u00e9dictive. Dans une perspective exploratoire ou explicative fondamentale, le chercheur s’int\u00e9resse en priorit\u00e9 \u00e0 l’existence, au sens et \u00e0 l’intensit\u00e9 de la relation unitaire reliant deux construits latents. Le coefficient de corr\u00e9lation R<\/em> constitue ici le candidat privil\u00e9gi\u00e9, car il pr\u00e9serve l’essence m\u00eame de l’hypoth\u00e8se th\u00e9orique : il permet d’affirmer si un ph\u00e9nom\u00e8ne est positivement ou n\u00e9gativement coupl\u00e9 \u00e0 un autre, tout en fournissant une m\u00e9trique brute de la force du signal relationnel au sein du bruit d’\u00e9chantillonnage.<\/p>\n

Toutefois, d\u00e8s lors que la vis\u00e9e de l’investigation bascule vers l’ing\u00e9nierie pr\u00e9dictive, l’\u00e9valuation des politiques publiques ou la prise de d\u00e9cision diagnostique, le coefficient de d\u00e9termination R<\/em>2<\/sup> devient incontournable. Il ne suffit plus de savoir qu’un lien fonctionnel statistiquement significatif lie l’exposition \u00e0 un programme \u00e9ducatif et la r\u00e9ussite aux examens. Ce qui importe d\u00e9sormais au l\u00e9gislateur ou au clinicien est de savoir quelle proportion concr\u00e8te de la variance des performances est effectivement domin\u00e9e par ladite intervention. Un mod\u00e8le affichant un coefficient R<\/em> prometteur peut masquer un R<\/em>2<\/sup> d’une indigence manifeste, signifiant que la quasi-totalit\u00e9 de la dispersion interindividuelle \u00e9chappe aux leviers d’action identifi\u00e9s.<\/p>\n

Enfin, cette diff\u00e9renciation s’\u00e9rige en rempart contre le pi\u00e8ge tenace de la causalit\u00e9 illusoire. L’observance d’un coefficient R<\/em> substantiel pousse fr\u00e9quemment les esprits enthousiastes \u00e0 inf\u00e9rer des m\u00e9canismes causaux directs, en oubliant la totale r\u00e9versibilit\u00e9 math\u00e9matique de l’indice. Le recours lucide au R<\/em>2<\/sup>, tout en ne garantissant en rien la causalit\u00e9 \u2014 qui demeure un enjeu d’architecture exp\u00e9rimentale et d’isolation contrefactuelle \u2014, ram\u00e8ne continuellement l’analyste \u00e0 la r\u00e9alit\u00e9 probabiliste de son mod\u00e8le : il lui rappelle brutalement le volume de variance qui demeure dans l’ombre des r\u00e9sidus et des facteurs non observ\u00e9s, temp\u00e9rant ainsi l’hybris m\u00e9thodologique.<\/p>\n

2. D\u00e9finition approfondie et propri\u00e9t\u00e9s math\u00e9matiques du coefficient R<\/h2>\n

2.1 Le coefficient de corr\u00e9lation lin\u00e9aire de Pearson<\/h3>\n

Le coefficient de corr\u00e9lation produit-moment de Pearson, conventionnellement d\u00e9sign\u00e9 par la lettre minuscule r<\/em> lorsqu’il est calcul\u00e9 sur un \u00e9chantillon empirique et par la lettre grecque ρ (rh\u00f4) \u00e0 l’\u00e9chelle de la population parente, repr\u00e9sente la normalisation de la covariance de deux variables al\u00e9atoires r\u00e9elles. Consid\u00e9rons deux s\u00e9ries statistiques de taille n<\/em>, not\u00e9es respectivement X<\/em> et Y<\/em>, de moyennes arithm\u00e9tiques x\u0304<\/em> et \u0233<\/em>, et d’\u00e9carts-types sX<\/sub><\/em> et sY<\/sub><\/em>. La covariance mesure la tendance conjointe de ces grandeurs \u00e0 s’\u00e9carter simultan\u00e9ment de leurs barycentres respectifs. La formulation canonique du coefficient de Pearson s’exprime par le rapport direct de cette covariance empirique au produit strict des \u00e9carts-types marginaux :<\/p>\n

r<\/em> = [ ∑ (Xi<\/sub><\/em> – x\u0304<\/em>)(Yi<\/sub><\/em> – \u0233<\/em>) ] \/ [ √(∑ (Xi<\/sub><\/em> – x\u0304<\/em>)2<\/sup>) × √(∑ (Yi<\/sub><\/em> – \u0233<\/em>)2<\/sup>) ]<\/p>\n

Sur le plan g\u00e9om\u00e9trique, cette \u00e9quation \u00e9quivaut rigoureusement au cosinus de l’angle θ form\u00e9 par les deux vecteurs de donn\u00e9es centr\u00e9es dans un espace euclidien de dimension n<\/em>. En vertu des propri\u00e9t\u00e9s intrins\u00e8ques de l’in\u00e9galit\u00e9 de Cauchy-Schwarz, la valeur absolue de la covariance ne peut jamais exc\u00e9der le produit g\u00e9om\u00e9trique des dispersions individuelles. Par cons\u00e9quent, l’intervalle de variation du coefficient R<\/em> est math\u00e9matiquement contraint de mani\u00e8re absolue :<\/p>\n

-1,00 ≤ R<\/em> ≤ +1,00<\/p>\n

\"\"<\/figure>\n

Une propri\u00e9t\u00e9 cardinale et souvent n\u00e9glig\u00e9e de R<\/em> r\u00e9side dans son inf\u00e9odation exclusive \u00e0 la lin\u00e9arit\u00e9 stricte. Le coefficient de Pearson ne mesure pas l’intensit\u00e9 d’une relation fonctionnelle arbitraire, mais exclusivement son ad\u00e9quation \u00e0 une ligne droite dans un plan cart\u00e9sien \u00e0 deux dimensions. Une association curviligne d\u00e9terministe et parfaite \u2014 telle qu’une fonction parabolique parfaite Y<\/em> = X<\/em>2<\/sup> sur un intervalle sym\u00e9trique centr\u00e9 en z\u00e9ro \u2014 g\u00e9n\u00e9rera un coefficient R<\/em> exactement \u00e9gal \u00e0 0,00. Cette c\u00e9cit\u00e9 structurelle de l’indice aux morphologies non rectilignes constitue une limite inh\u00e9rente que l’analyste doit constamment garder \u00e0 l’esprit sous peine de d\u00e9clarer absente une d\u00e9pendance statistique pourtant absolue.<\/p>\n

Par ailleurs, le coefficient R<\/em> se caract\u00e9rise par une vuln\u00e9rabilit\u00e9 aigu\u00eb \u00e0 deux distorsions empiriques majeures : la pr\u00e9sence d’observations aberrantes (outliers<\/a>) et le ph\u00e9nom\u00e8ne de restriction d’\u00e9tendue (range restriction<\/em>). Une seule observation excentr\u00e9e, situ\u00e9e \u00e0 l’intersection d’\u00e9carts extr\u00eames sur les deux variables, poss\u00e8de un bras de levier suffisant pour gonfler artificiellement une corr\u00e9lation par ailleurs inexistante au sein de la sous-population majoritaire, ou r\u00e9ciproquement pour r\u00e9duire \u00e0 n\u00e9ant une concordance pourtant remarquable. Inversement, l’\u00e9chantillonnage d’une fraction tronqu\u00e9e de la distribution globale comprime m\u00e9caniquement la variance observ\u00e9e, induisant un affaiblissement spectaculaire de la magnitude apparente de R<\/em>.<\/p>\n

2.2 Signification de l’orientation et de la magnitude de R<\/h3>\n

L’herm\u00e9neutique du coefficient R<\/em> repose sur l’\u00e9valuation conjointe de deux composantes distinctes mais indissociables : son signe alg\u00e9brique et sa valeur absolue. Le signe encode la directionnalit\u00e9 intrins\u00e8que de la covariation. Un signe positif (+R<\/em>) traduit une relation concordante ou homophile : les unit\u00e9s d’observation pr\u00e9sentant des valeurs sup\u00e9rieures \u00e0 la moyenne sur la variable X<\/em> ont une propension syst\u00e9matique \u00e0 afficher \u00e9galement des valeurs sup\u00e9rieures au centro\u00efde sur la variable Y<\/em>. Inversement, un signe n\u00e9gatif (-R<\/em>) caract\u00e9rise une relation discordante ou antagoniste : toute d\u00e9viation positive sur un axe s’accompagne d’une d\u00e9viation n\u00e9gative attendue sur le second, mat\u00e9rialisant un effet d’inversion proportionnelle.<\/p>\n

La magnitude de l’indice, quantifi\u00e9e par sa valeur absolue |R<\/em>|, renseigne sur la compacit\u00e9 du nuage de points autour du mod\u00e8le lin\u00e9aire optimal. Afin de guider l’interpr\u00e9tation empirique dans les sciences humaines et sociales, le statisticien Jacob Cohen a \u00e9tabli une typologie heuristique largement consacr\u00e9e par l’usage, tout en incitant \u00e0 la prudence :<\/p>\n