{"id":9173,"date":"2026-10-14T18:02:27","date_gmt":"2026-10-14T18:02:27","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-test-rapport-vraisemblance-dans-r\/"},"modified":"2026-10-14T18:02:27","modified_gmt":"2026-10-14T18:02:27","slug":"comment-effectuer-test-rapport-vraisemblance-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-test-rapport-vraisemblance-dans-r","title":{"rendered":"Comment effectuer un test du rapport de vraisemblance dans R"},"content":{"rendered":"

L’\u00e9valuation rigoureuse de la qualit\u00e9 d’ajustement d’un mod\u00e8le statistique constitue l’une des pierres angulaires de l’inf\u00e9rence scientifique moderne. Dans l’\u00e9cosyst\u00e8me de la recherche quantitative, qu’il s’agisse de l’\u00e9conom\u00e9trie, de l’\u00e9pid\u00e9miologie, de la biologie computationnelle ou des sciences comportementales, le chercheur est constamment confront\u00e9 \u00e0 un arbitrage fondamental : le compromis entre la parcimonie d’une formulation th\u00e9orique \u00e9pur\u00e9e et la complexit\u00e9 descriptive d’un mod\u00e8le satur\u00e9 de param\u00e8tres. C’est pr\u00e9cis\u00e9ment \u00e0 la crois\u00e9e de ces imp\u00e9ratifs m\u00e9thodologiques que s’inscrit le test du rapport de vraisemblance, universellement d\u00e9sign\u00e9 sous l’acronyme anglo-saxon de Likelihood Ratio Test (LRT)<\/a>. En quantifiant pr\u00e9cis\u00e9ment le gain de vraisemblance apport\u00e9 par l’adjonction de variables explicatives au regard du sacrifice d’un ou plusieurs degr\u00e9s de libert\u00e9, ce test fournit un cadre de d\u00e9cision statistique d’une \u00e9l\u00e9gance et d’une robustesse in\u00e9gal\u00e9es.<\/p>\n

L’environnement informatique et statistique open-source R s’est impos\u00e9 comme la r\u00e9f\u00e9rence internationale pour l’ajustement, le diagnostic et la comparaison des mod\u00e8les statistiques param\u00e9triques et non param\u00e9triques. Gr\u00e2ce \u00e0 son architecture orient\u00e9e objet, \u00e0 sa gestion unifi\u00e9e des formules de r\u00e9gression et \u00e0 la richesse de ses packages sp\u00e9cialis\u00e9s, le logiciel R permet de mettre en \u0153uvre le test du rapport de vraisemblance avec une flexibilit\u00e9 remarquable. De la simple r\u00e9gression lin\u00e9aire par moindres carr\u00e9s ordinaires aux mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM), en passant par les architectures multiniveaux et hi\u00e9rarchiques complexes estim\u00e9es par des algorithmes it\u00e9ratifs, l’analyste dispose d’outils puissants tels que les fonctions natives du syst\u00e8me ou des extensions d\u00e9di\u00e9es \u00e0 l’\u00e9conom\u00e9trie appliqu\u00e9e.<\/p>\n

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, analystes de donn\u00e9es et \u00e9tudiants avanc\u00e9s dans la ma\u00eetrise int\u00e9grale, tant conceptuelle que technique, du test du rapport de vraisemblance au sein du langage R. \u00c0 travers un parcours structur\u00e9 qui conjugue les th\u00e9or\u00e8mes fondamentaux de la statistique math\u00e9matique et les d\u00e9tails pratiques de la programmation informatique, nous explorerons les m\u00e9canismes intimes de la log-vraisemblance, les exigences imp\u00e9rieuses d’embo\u00eetement des mod\u00e8les, ainsi que la restitution acad\u00e9mique des r\u00e9sultats selon les standards les plus exigeants de la communaut\u00e9 scientifique internationale.<\/p>\n

1. Fondements th\u00e9oriques du test du rapport de vraisemblance<\/h2>\n

1.1 D\u00e9finition et principes de la fonction de vraisemblance<\/h3>\n

La d\u00e9marche fr\u00e9quentiste classique en statistique inf\u00e9rentielle repose sur l’\u00e9valuation de la vraisemblance d’un ensemble de param\u00e8tres au regard des observations recueillies lors d’une exp\u00e9rience empirique. Si la probabilit\u00e9 renvoie \u00e0 la certitude math\u00e9matique d’observer un r\u00e9sultat donn\u00e9 sachant que les param\u00e8tres du syst\u00e8me sous-jacent sont rigoureusement fix\u00e9s, la fonction de vraisemblance op\u00e8re une inversion \u00e9pist\u00e9mologique cruciale. Dans cette perspective, l’\u00e9chantillon d’observations est tenu pour immuable et certain, tandis que le vecteur de param\u00e8tres constitue la variable inconnue dont on cherche \u00e0 d\u00e9terminer les valeurs les plus plausibles. Pour un ensemble de r\u00e9alisations ind\u00e9pendantes et identiquement distribu\u00e9es, la fonction de vraisemblance globale est formalis\u00e9e comme le produit continu des densit\u00e9s de probabilit\u00e9 individuelles associ\u00e9es \u00e0 chaque observation du jeu de donn\u00e9es.<\/p>\n

En pratique calculatoire et th\u00e9orique, le produit d’un grand nombre de densit\u00e9s engendre des valeurs infinit\u00e9simales qui posent de redoutables probl\u00e8mes de sous-d\u00e9passement arithm\u00e9tique dans les processeurs informatiques. Par cons\u00e9quent, les statisticiens recourent universellement \u00e0 la transformation logarithmique n\u00e9p\u00e9rienne de cette fonction, couramment appel\u00e9e log-vraisemblance. Cette transformation monotone croissante pr\u00e9sente le double avantage de convertir un produit complexe en une somme arithm\u00e9tique ais\u00e9e \u00e0 d\u00e9river et de pr\u00e9server strictement l’emplacement du maximum global de la fonction. L’estimateur du maximum de vraisemblance (MLE)<\/a> repr\u00e9sente d\u00e8s lors la valeur exacte du vecteur de param\u00e8tres qui maximise cette log-vraisemblance, assurant une concordance optimale entre la structure math\u00e9matique postul\u00e9e et la dispersion r\u00e9elle des donn\u00e9es empiriques.<\/p>\n

Les propri\u00e9t\u00e9s asymptotiques de cet estimateur constituent le fondement m\u00eame de la mod\u00e9lisation statistique avanc\u00e9e. Lorsque la taille de l’\u00e9chantillon tend vers l’infini, l’estimateur du maximum de vraisemblance converge en probabilit\u00e9 vers la v\u00e9ritable valeur du param\u00e8tre de la population parente, une propri\u00e9t\u00e9 qualifi\u00e9e de consistance. Par ailleurs, il atteint la borne inf\u00e9rieure de Cram\u00e9r-Rao, garantissant ainsi l’efficacit\u00e9 asymptotique, c’est-\u00e0-dire la variance la plus faible possible parmi tous les estimateurs sans biais r\u00e9guliers. Enfin, sa distribution d’\u00e9chantillonnage s’approche d’une distribution normale multivari\u00e9e r\u00e9gie par la matrice d’information de Fisher, conf\u00e9rant aux statistiques d\u00e9riv\u00e9es de la vraisemblance une pr\u00e9visibilit\u00e9 math\u00e9matique remarquable pour l’inf\u00e9rence et la construction d’intervalles de confiance.<\/p>\n

1.2 Objectif statistique du Likelihood Ratio Test (LRT)<\/h3>\n

L’objectif premier du test du rapport de vraisemblance consiste \u00e0 arbitrer entre deux repr\u00e9sentations concurrentes de la r\u00e9alit\u00e9 empirique, l’une \u00e9tant une version simplifi\u00e9e et contrainte de l’autre. Dans toute d\u00e9marche de mod\u00e9lisation explicative ou pr\u00e9dictive, le praticien est confront\u00e9 \u00e0 la tentation d’enrichir continuellement son \u00e9quation par l’ajout de pr\u00e9dicteurs suppl\u00e9mentaires, d’interactions d’ordres \u00e9lev\u00e9s ou de composantes non lin\u00e9aires. Une telle complexification conduit in\u00e9vitablement \u00e0 une augmentation m\u00e9canique de la log-vraisemblance absolue, le mod\u00e8le plus permissif s’ajustant avec une pr\u00e9cision croissante aux singularit\u00e9s et au bruit stochastique de l’\u00e9chantillon observ\u00e9. Le test du rapport de vraisemblance intervient alors comme un censeur probabiliste pour d\u00e9terminer si cette augmentation de vraisemblance refl\u00e8te une v\u00e9ritable structuration des donn\u00e9es ou une simple co\u00efncidence imputable aux fluctuations d’\u00e9chantillonnage.<\/p>\n

Le principe de parcimonie scientifique, h\u00e9rit\u00e9 du rasoir d’Ockham, dicte qu’une th\u00e9orie plus simple doit \u00eatre pr\u00e9f\u00e9r\u00e9e \u00e0 une formulation complexe tant que le gain informatif apport\u00e9 par cette derni\u00e8re n’est pas statistiquement significatif. Le LRT op\u00e9rationnalise cette exigence m\u00e9thodologique en calculant la d\u00e9viance r\u00e9siduelle entre les deux sp\u00e9cifications. La d\u00e9viance, d\u00e9finie formellement comme le double de la diff\u00e9rence de log-vraisemblance entre le mod\u00e8le satur\u00e9 parfait et le mod\u00e8le ajust\u00e9, mesure la distance statistique qui s\u00e9pare les pr\u00e9dictions th\u00e9oriques de la perfection empirique. Comparer deux mod\u00e8les concurrents via le test du rapport de vraisemblance \u00e9quivaut \u00e0 quantifier la r\u00e9duction de d\u00e9viance r\u00e9siduelle obtenue lors du passage du mod\u00e8le restreint vers le mod\u00e8le complet.<\/p>\n

Dans le paysage global des m\u00e9thodes de s\u00e9lection de mod\u00e8les, le test du rapport de vraisemblance occupe une position m\u00e9thodologique singuli\u00e8re et compl\u00e9mentaire face aux crit\u00e8res p\u00e9nalis\u00e9s tels que le crit\u00e8re d’information d’Akaike (AIC<\/a>) et le crit\u00e8re d’information bay\u00e9sien (BIC<\/a>). Tandis que l’AIC et le BIC appliquent une p\u00e9nalisation fixe ou d\u00e9pendante de la taille de l’\u00e9chantillon au nombre de param\u00e8tres pour comparer des mod\u00e8les qui n’ont pas n\u00e9cessairement besoin d’\u00eatre embo\u00eet\u00e9s, le LRT repose sur un v\u00e9ritable test d’hypoth\u00e8se fr\u00e9quentiste. Il g\u00e9n\u00e8re une p-value formelle assujettie \u00e0 un seuil d’erreur de premi\u00e8re esp\u00e8ce, permettant de trancher avec une rigueur probabiliste stricte si les contraintes structurelles impos\u00e9es au mod\u00e8le doivent \u00eatre rejet\u00e9es au profit d’une sp\u00e9cification plus \u00e9labor\u00e9e.<\/p>\n

1.3 Distribution asymptotique sous la loi du Chi-deux<\/h3>\n

L’ancrage probabiliste du test du rapport de vraisemblance repose de mani\u00e8re d\u00e9terminante sur les travaux pionniers du statisticien am\u00e9ricain Samuel S. Wilks. Dans son article fondateur publi\u00e9 en 1938, Wilks a \u00e9tabli ce qui est aujourd’hui universellement d\u00e9sign\u00e9 sous le nom de th\u00e9or\u00e8me de Wilks<\/a>. Ce r\u00e9sultat th\u00e9orique d’une port\u00e9e majeure stipule que, sous l’hypoth\u00e8se nulle selon laquelle le mod\u00e8le le plus simple est la v\u00e9ritable source g\u00e9n\u00e9ratrice des donn\u00e9es, la statistique de test calcul\u00e9e \u00e0 partir de la diff\u00e9rence des log-vraisemblances converge asymptotiquement, c’est-\u00e0-dire lorsque la taille de l’\u00e9chantillon tend vers l’infini, vers une distribution th\u00e9orique du Chi-deux. Cette propri\u00e9t\u00e9 \u00e9limine la d\u00e9pendance vis-\u00e0-vis des param\u00e8tres de nuisance inconnus et autorise le calcul direct de la probabilit\u00e9 critique sans recourir \u00e0 des simulations computationnelles exhaustives.<\/p>\n

Les degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 cette distribution limite du Chi-deux sont strictement r\u00e9gis par la diff\u00e9rence arithm\u00e9tique entre le nombre de param\u00e8tres libres estim\u00e9s dans le mod\u00e8le complet et le nombre de param\u00e8tres libres conserv\u00e9s dans le mod\u00e8le restreint. Si un chercheur ajuste un mod\u00e8le de r\u00e9gression comportant huit coefficients et d\u00e9cide d’omettre trois variables secondaires pour cr\u00e9er un mod\u00e8le restreint comportant cinq coefficients, la statistique de test r\u00e9sultante sera rigoureusement compar\u00e9e \u00e0 une distribution th\u00e9orique du Chi-deux \u00e0 trois degr\u00e9s de libert\u00e9. Chaque degr\u00e9 de libert\u00e9 repr\u00e9sente une dimension g\u00e9om\u00e9trique suppl\u00e9mentaire dans l’espace param\u00e9trique sur laquelle le mod\u00e8le complet dispose de la libert\u00e9 d’optimiser son ajustement aux d\u00e9pens de la simplicit\u00e9 conceptuelle.<\/p>\n

Il convient toutefois de souligner avec gravit\u00e9 que la validit\u00e9 de ce th\u00e9or\u00e8me fondamental d\u00e9pend de conditions de r\u00e9gularit\u00e9 math\u00e9matiques imp\u00e9ratives. Ces conditions exigent notamment que la fonction de vraisemblance soit contin\u00fbment deux fois diff\u00e9rentiable par rapport aux param\u00e8tres sur tout le domaine d’estimation, que la matrice d’information de Fisher demeure d\u00e9finie positive et inversible, et surtout, que la valeur du param\u00e8tre postul\u00e9e sous l’hypoth\u00e8se nulle se situe rigoureusement \u00e0 l’int\u00e9rieur de l’espace des param\u00e8tres admissibles, et non sur sa fronti\u00e8re g\u00e9om\u00e9trique. Le non-respect de ces postulats th\u00e9oriques compromet gravement l’approximation par la loi du Chi-deux, un enjeu m\u00e9thodologique que nous analyserons en profondeur dans les sections consacr\u00e9es aux extensions complexes et aux mod\u00e8les multiniveaux.<\/p>\n

2. Le concept fondamental de mod\u00e8les embo\u00eet\u00e9s<\/h2>\n

2.1 Crit\u00e8res d’embo\u00eetement structurel et param\u00e9trique<\/h3>\n

L’ex\u00e9cution standard du test du rapport de vraisemblance exige imp\u00e9rativement que les deux mod\u00e8les statistiques compar\u00e9s entretiennent une relation d’embo\u00eetement structurel et math\u00e9matique strict. Sur le plan th\u00e9orique, un mod\u00e8le est formellement qualifi\u00e9 d’embo\u00eet\u00e9, ou restreint, au sein d’un mod\u00e8le parent plus vaste s’il peut \u00eatre d\u00e9riv\u00e9 de ce dernier par l’application exclusive d’un ensemble de contraintes param\u00e9triques lin\u00e9aires ou non lin\u00e9aires. La contrainte la plus commune et intuitive consiste \u00e0 contraindre certains coefficients de r\u00e9gression \u00e0 adopter la valeur z\u00e9ro, ce qui correspond physiquement \u00e0 l’\u00e9viction pure et simple des pr\u00e9dicteurs correspondants de la matrice de conception. Cependant, l’embo\u00eetement peut \u00e9galement r\u00e9sulter de l’imposition de contraintes d’\u00e9galit\u00e9, for\u00e7ant par exemple deux coefficients de pente \u00e0 adopter une valeur identique.<\/p>\n

L’absence d’embo\u00eetement invalide math\u00e9matiquement l’utilisation de la statistique du Chi-deux classique de Wilks. Si deux mod\u00e8les reposent sur des familles de distributions probabilistes totalement disjointes, comme la confrontation directe d’un mod\u00e8le log-normal face \u00e0 une formulation gamma, ou s’ils utilisent des ensembles mutuellement exclusifs de pr\u00e9dicteurs non substituables, l’espace param\u00e9trique de l’un n’est pas un sous-espace vectoriel de l’autre. Dans une telle situation, la d\u00e9viance relative ne converge plus n\u00e9cessairement vers une loi du Chi-deux centr\u00e9e, exposant le statisticien \u00e0 des taux d’erreur de premi\u00e8re esp\u00e8ce totalement incontr\u00f4l\u00e9s et \u00e0 des d\u00e9ductions scientifiques potentiellement fallacieuses.<\/p>\n

Pour aborder la comparaison de mod\u00e8les non embo\u00eet\u00e9s, la litt\u00e9rature m\u00e9thodologique pr\u00e9conise des alternatives adapt\u00e9es telles que le test de Cox pour les sp\u00e9cifications non embo\u00eet\u00e9es, le test J de Davidson et MacKinnon, ou plus pragmatiquement l’arbitrage fond\u00e9 sur les crit\u00e8res d’information p\u00e9nalis\u00e9s d’Akaike et de Schwarz. Ces m\u00e9thodes permettent d’\u00e9valuer la qualit\u00e9 relative des repr\u00e9sentations math\u00e9matiques sans postuler que l’une constitue une sous-structure embo\u00eet\u00e9e de l’autre, pr\u00e9servant ainsi l’int\u00e9grit\u00e9 \u00e9pist\u00e9mologique de l’inf\u00e9rence lorsque les contraintes param\u00e9triques r\u00e9guli\u00e8res ne peuvent \u00eatre invoqu\u00e9es.<\/p>\n

2.2 Exemple conceptuel : Mod\u00e8le complet vs Mod\u00e8le r\u00e9duit<\/h3>\n

Afin de mat\u00e9rialiser ce cadre conceptuel d’une mani\u00e8re imm\u00e9diatement op\u00e9rationnelle pour le chercheur, consid\u00e9rons une investigation portant sur les d\u00e9terminants sociocognitifs et comportementaux de la r\u00e9ussite acad\u00e9mique universitaire. Le mod\u00e8le complet peut \u00eatre formalis\u00e9 comme une \u00e9quation de r\u00e9gression englobant cinq variables explicatives distinctes : le temps d’\u00e9tude hebdomadaire, le niveau socio-\u00e9conomique des parents, l’assiduit\u00e9 aux cours magistraux, le score d’anxi\u00e9t\u00e9 pr\u00e9-examen et le sentiment d’efficacit\u00e9 personnelle. Dans cette formulation globale, le vecteur param\u00e9trique comprend l’ordonn\u00e9e \u00e0 l’origine ainsi que les cinq pentes associ\u00e9es, requ\u00e9rant l’estimation simultan\u00e9e de six param\u00e8tres de r\u00e9gression, auxquels s’ajoute le param\u00e8tre de variance r\u00e9siduelle pour une loi normale.<\/p>\n

Supposons \u00e0 pr\u00e9sent que la th\u00e9orie p\u00e9dagogique privil\u00e9gie une hypoth\u00e8se plus cibl\u00e9e postulant que seules les variables d’engagement direct, \u00e0 savoir le temps d’\u00e9tude et l’assiduit\u00e9, influencent substantiellement le crit\u00e8re de performance, les variables psychologiques et socio-\u00e9conomiques n’agissant que comme des bruits de fond non pertinents. Le mod\u00e8le r\u00e9duit est alors conceptualis\u00e9 en \u00e9liminant les trois pr\u00e9dicteurs incrimin\u00e9s : le niveau socio-\u00e9conomique, l’anxi\u00e9t\u00e9 et le sentiment d’efficacit\u00e9 personnelle. Sur le plan alg\u00e9brique, ce mod\u00e8le restreint impose strictement que les coefficients de r\u00e9gression affect\u00e9s \u00e0 ces trois variables soient nuls. Le sous-espace param\u00e9trique ainsi d\u00e9limit\u00e9 est d’une dimension inf\u00e9rieure de trois unit\u00e9s par rapport au mod\u00e8le initial.<\/p>\n

L’application du test du rapport de vraisemblance permettra d’opposer formellement ces deux architectures. Si la log-vraisemblance du mod\u00e8le complet ne surpasse celle du mod\u00e8le r\u00e9duit que d’une quantit\u00e9 marginale, imputable au simple hasard de l’\u00e9chantillonnage, le principe de parcimonie conduira au maintien du mod\u00e8le r\u00e9duit. Inversement, si la perte d’ajustement engendr\u00e9e par l’\u00e9viction de ces trois variables s’av\u00e8re statistiquement intol\u00e9rable, le chercheur conclura que le sous-ensemble de pr\u00e9dicteurs \u00e9cart\u00e9 apporte une contribution unique et irrempla\u00e7able \u00e0 la pr\u00e9diction de la r\u00e9ussite universitaire.<\/p>\n

2.3 Importance de l’int\u00e9grit\u00e9 des donn\u00e9es entre mod\u00e8les compar\u00e9s<\/h3>\n

Une exigence technique fondamentale, fr\u00e9quemment n\u00e9glig\u00e9e par les utilisateurs n\u00e9ophytes du logiciel R, concerne la stricte identit\u00e9 des matrices d’observations sur lesquelles sont estim\u00e9s les mod\u00e8les concurrents. La fonction de vraisemblance mesure la probabilit\u00e9 d’observer un \u00e9chantillon de donn\u00e9es sp\u00e9cifique sous l’autorit\u00e9 d’un mod\u00e8le donn\u00e9. D\u00e8s lors, il est une impossibilit\u00e9 math\u00e9matique absolue de comparer les vraisemblances de deux mod\u00e8les si la matrice empirique sous-jacente subit la moindre alt\u00e9ration d’une estimation \u00e0 la suivante. Si un mod\u00e8le complet est ajust\u00e9 sur un \u00e9chantillon de 450 observations et que le mod\u00e8le r\u00e9duit est estim\u00e9 sur 500 observations, les deux valeurs de vraisemblance \u00e9voluent sur des \u00e9chelles num\u00e9riques incommensurables, privant le ratio r\u00e9sultant de toute signification statistique.<\/p>\n

Cette menace m\u00e9thodologique se concr\u00e9tise principalement \u00e0 travers la gestion implicite des donn\u00e9es manquantes dans les routines de programmation. Par d\u00e9faut, les fonctions standards de mod\u00e9lisation dans R, telles que la commande lm() ou la routine glm(), adoptent un comportement d’exclusion des cas incomplets par observation (listwise deletion). Si l’une des variables incluses exclusivement dans le mod\u00e8le complet pr\u00e9sente des valeurs manquantes non r\u00e9pertori\u00e9es dans les variables du mod\u00e8le r\u00e9duit, le logiciel R r\u00e9duira silencieusement la taille de l’\u00e9chantillon d’entra\u00eenement lors de l’estimation du mod\u00e8le complet. Le chercheur se retrouve alors, sans avertissement imm\u00e9diat, dans l’erreur fatale de confronter deux mod\u00e8les calcul\u00e9s sur deux sous-populations distinctes.<\/p>\n

Pour pr\u00e9munir l’analyse contre cette distorsion d\u00e9vastatrice, l’analyste doit imp\u00e9rativement auditer l’int\u00e9grit\u00e9 dimensionnelle de ses matrices de conception avant toute tentative de test d’hypoth\u00e8se. Cela implique de filtrer le jeu de donn\u00e9es en amont afin d’isoler un sous-\u00e9chantillon parfaitement complet sur l’ensemble exhaustif des variables mobilis\u00e9es dans les deux sp\u00e9cifications, ou d’avoir recours \u00e0 des techniques d’imputation multiple rigoureuses. Ce n’est qu’au prix de cette discipline m\u00e9thodologique que le calcul de la statistique du rapport de vraisemblance refl\u00e9tera exclusivement l’impact de la contrainte param\u00e9trique, sans la moindre contamination par des art\u00e9facts d’attrition de donn\u00e9es.<\/p>\n

3. Formulation formelle des hypoth\u00e8ses statistiques<\/h2>\n

3.1 D\u00e9finition de l’hypoth\u00e8se nulle (H0) et de l’hypoth\u00e8se alternative (H1)<\/h3>\n

La conduite m\u00e9thodologique du test du rapport de vraisemblance s’articule autour d’une formulation canonique des hypoth\u00e8ses de d\u00e9cision, encadr\u00e9e par la logique de l’inf\u00e9rence de Neyman-Pearson. L’hypoth\u00e8se nulle, not\u00e9e H0, correspond formellement \u00e0 la restriction de l’espace des param\u00e8tres. Elle postule que le mod\u00e8le r\u00e9duit constitue une simplification parfaitement ad\u00e9quate de la structure sous-jacente des donn\u00e9es et que l’adjonction des param\u00e8tres suppl\u00e9mentaires dans le mod\u00e8le complet ne correspond \u00e0 aucun effet r\u00e9el dans la population parente. Dans le cadre d’un embo\u00eetement par omission de variables, l’hypoth\u00e8se nulle affirme math\u00e9matiquement que les coefficients des q variables pr\u00e9dictives retranch\u00e9es sont tous simultan\u00e9ment \u00e9gaux \u00e0 z\u00e9ro.<\/p>\n

\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative, conventionnellement d\u00e9sign\u00e9e par H1, soutient que la simplification postul\u00e9e sous H0 engendre une d\u00e9gradation intol\u00e9rable de la capacit\u00e9 descriptive du mod\u00e8le statistique. Elle ne requiert nullement que l’ensemble des q param\u00e8tres omis soit significativement diff\u00e9rent de z\u00e9ro ; il suffit qu’au moins un seul de ces coefficients pr\u00e9sente une d\u00e9viation non nulle par rapport \u00e0 la contrainte pour que l’hypoth\u00e8se nulle soit th\u00e9oriquement viol\u00e9e. Le mod\u00e8le complet, affranchi de ces entraves g\u00e9om\u00e9triques, offre alors une repr\u00e9sentation substantiellement plus fid\u00e8le de la dynamique empirique, justifiant ainsi l’abandon du mod\u00e8le parcimonieux.<\/p>\n

Sur le plan conceptuel, ce couple d’hypoth\u00e8ses \u00e9value si la surface de log-vraisemblance subit une \u00e9l\u00e9vation significative lorsque l’on quitte le sous-espace contraint pour explorer l’espace \u00e9largi. Le test ne s’int\u00e9resse donc pas \u00e0 la performance intrins\u00e8que de chaque variable prise isol\u00e9ment, mais \u00e9value de mani\u00e8re omnibus et multidimensionnelle l’impact structurel global de l’ensemble des contraintes param\u00e9triques sur l’ajustement empirique du mod\u00e8le.<\/p>\n

3.2 R\u00e8gle de d\u00e9cision statistique et seuils critiques<\/h3>\n

La prise de d\u00e9cision lors du d\u00e9roulement du LRT s’effectue en comparant la valeur p calcul\u00e9e, qui exprime la probabilit\u00e9 d’observer une am\u00e9lioration de la vraisemblance au moins aussi extr\u00eame que celle enregistr\u00e9e dans l’\u00e9chantillon sous l’hypoth\u00e8se o\u00f9 H0 serait rigoureusement vraie, \u00e0 un seuil d’erreur de premi\u00e8re esp\u00e8ce, universellement d\u00e9sign\u00e9 par la lettre grecque alpha. Dans les sciences empiriques et le champ de la recherche comportementale, cette valeur seuil est conventionnellement fix\u00e9e \u00e0 0,05, bien que des contextes cliniques ou g\u00e9nomiques puissent imposer des niveaux de tol\u00e9rance nettement plus drastiques pour pr\u00e9venir les d\u00e9couvertes fortuites.<\/p>\n

Lorsque la probabilit\u00e9 critique p est strictement inf\u00e9rieure au seuil alpha fix\u00e9, le statisticien est conduit au rejet sans \u00e9quivoque de l’hypoth\u00e8se nulle. Cette d\u00e9cision implique la conclusion formelle que le mod\u00e8le complet procure un gain explicatif qui ne saurait \u00eatre d\u00e9cemment imput\u00e9 au seul al\u00e9a d’\u00e9chantillonnage, justifiant ainsi la conservation des pr\u00e9dicteurs additionnels malgr\u00e9 la perte de degr\u00e9s de libert\u00e9. Inversement, si la valeur p exc\u00e8de le seuil de significativit\u00e9 retenu, le principe de pr\u00e9caution m\u00e9thodologique impose de ne pas rejeter H0. L’analyste conclut alors que les variables suppl\u00e9mentaires n’apportent aucun b\u00e9n\u00e9fice statistique mesurable, consacrant le mod\u00e8le r\u00e9duit comme la formulation la plus parcimonieuse et la plus d\u00e9fendable.<\/p>\n

Cette dichotomie d\u00e9cisionnelle est intimement li\u00e9e au contr\u00f4le rigoureux des deux risques d’erreur fondamentaux. L’erreur de type I r\u00e9siderait dans l’abandon pr\u00e9matur\u00e9 du mod\u00e8le restreint pour adopter un mod\u00e8le complexe satur\u00e9 de pr\u00e9dicteurs superf\u00e9tatoires, g\u00e9n\u00e9rant du surajustement (overfitting) et d\u00e9gradant la validit\u00e9 externe des conclusions. L’erreur de type II consisterait \u00e0 maintenir le mod\u00e8le restreint par exc\u00e8s de conservatisme, passant ainsi sous silence des associations empiriques r\u00e9elles et cliniquement significatives port\u00e9es par les variables exclues.<\/p>\n

3.3 Calcul th\u00e9orique de la statistique de test D<\/h3>\n

L’instrument op\u00e9ratoire au c\u0153ur de ce processus d\u00e9cisionnel est la statistique de test, traditionnellement symbolis\u00e9e par la lettre majuscule D ou parfois par la notation lambda majuscule. \u00c0 l’origine, cette statistique est formul\u00e9e sous la forme du ratio direct des fonctions de vraisemblance maximis\u00e9es sous les deux sp\u00e9cifications concurrentes. Soit L(M_reduit) la vraisemblance maximale atteinte sous les contraintes de l’hypoth\u00e8se nulle, et L(M_complet) la vraisemblance maximale obtenue sans aucune restriction. \u00c9tant donn\u00e9 que le mod\u00e8le complet offre une flexibilit\u00e9 g\u00e9om\u00e9trique sup\u00e9rieure ou \u00e9gale \u00e0 celle du mod\u00e8le r\u00e9duit, le ratio de L(M_reduit) sur L(M_complet) est n\u00e9cessairement born\u00e9 entre 0 et 1.<\/p>\n

Pour des motifs de commodit\u00e9 calculatoire et pour faire \u00e9merger la convergence vers la distribution de Wilks, ce ratio brut est converti par l’application de la transformation logarithmique n\u00e9gative doubl\u00e9e. La statistique D s’exprime alors rigoureusement selon l’\u00e9quation math\u00e9matique fondamentale :<\/p>\n

D = -2 * ln( L(M_reduit) \/ L(M_complet) )<\/p>\n

Par application directe des propri\u00e9t\u00e9s alg\u00e9briques des logarithmes, cette expression se d\u00e9ploie sous une forme arithm\u00e9tique d’une extr\u00eame simplicit\u00e9 :<\/p>\n

D = 2 * ( ln(L(M_complet)) – ln(L(M_reduit)) )<\/p>\n

Cette quantit\u00e9 peut \u00e9galement \u00eatre appr\u00e9hend\u00e9e sous l’angle de la d\u00e9viance statistique, o\u00f9 D \u00e9quivaut exactement \u00e0 la d\u00e9viance r\u00e9siduelle du mod\u00e8le r\u00e9duit diminu\u00e9e de la d\u00e9viance r\u00e9siduelle du mod\u00e8le complet. Plus la d\u00e9viation entre les ajustements des deux mod\u00e8les est colossale, plus la valeur de la statistique D s’\u00e9l\u00e8ve le long de l’axe des r\u00e9els positifs. <\/p>\n

Dans le champ de la th\u00e9orie de l’information, cette formulation entretient une parent\u00e9 math\u00e9matique directe avec la mesure d’entropie relative, \u00e9galement connue sous le nom de divergence de Kullback-Leibler. Le test du rapport de vraisemblance \u00e9value concr\u00e8tement la quantit\u00e9 d’information statistique perdue lorsque l’on substitue la r\u00e9alit\u00e9 approxim\u00e9e par le mod\u00e8le r\u00e9duit \u00e0 celle d\u00e9crite par le mod\u00e8le complet.<\/p>\n

4. Pr\u00e9paration de l’environnement de calcul dans R<\/h2>\n

4.1 Chargement et v\u00e9rification des donn\u00e9es de recherche<\/h3>\n

Avant d’ex\u00e9cuter la moindre commande statistique dans l’interpr\u00e9teur de code R, la phase initiale d’importation et de s\u00e9curisation des donn\u00e9es constitue une \u00e9tape cruciale pour pr\u00e9munir les analyses contre les biais d’invariance d’\u00e9chantillon. Qu’il s’agisse de fichiers plats au format CSV, de conteneurs natifs s\u00e9rialis\u00e9s RDS, ou d’archives en provenance de progiciels tiers comme SPSS (.sav) via les extensions fournies par la librairie haven, le jeu de donn\u00e9es doit \u00eatre inspect\u00e9 m\u00e9ticuleusement. La commande interne str() coupl\u00e9e \u00e0 l’instruction summary() permet de v\u00e9rifier la conformit\u00e9 des types de donn\u00e9es, d’identifier les valeurs aberrantes et de rep\u00e9rer les indicateurs manquants.<\/p>\n

Le traitement proactif des valeurs manquantes doit faire l’objet d’une vigilance intransigeante. Pour pr\u00e9venir les exclusions silencieuses op\u00e9r\u00e9es par R en cours d’ajustement, la strat\u00e9gie la plus transparente consiste \u00e0 isoler, d\u00e8s le script de pr\u00e9traitement, un sous-ensemble complet de donn\u00e9es exempt de toute valeur manquante sur les variables candidates. Cette op\u00e9ration peut \u00eatre r\u00e9alis\u00e9e avec la syntaxe na.omit() appliqu\u00e9e au data frame pr\u00e9alablement restreint aux seules colonnes d’int\u00e9r\u00eat, ou au moyen de fonctions sp\u00e9cialis\u00e9es de s\u00e9lection issues de l’univers tidyverse. <\/p>\n

En proc\u00e9dant \u00e0 cette fiabilisation en amont, le chercheur s’assure formellement que l’effectif total N demeurera strictement invariant d’un mod\u00e8le \u00e0 l’autre. Cette invariance structurelle garantit l’alignement des conditions de calcul et pr\u00e9serve la comparabilit\u00e9 absolue des fonctions de log-vraisemblance qui seront ult\u00e9rieurement confront\u00e9es.<\/p>\n

4.2 Installation et chargement des packages sp\u00e9cialis\u00e9s<\/h3>\n

Bien que le noyau standard du logiciel R propose des fonctionnalit\u00e9s intrins\u00e8ques capables de conduire un test du rapport de vraisemblance, le recours \u00e0 des biblioth\u00e8ques logicielles sp\u00e9cialis\u00e9es apporte une robustesse d’ex\u00e9cution et une clart\u00e9 typographique inestimables pour l’analyste chevronn\u00e9. Les packages faisant autorit\u00e9 dans ce domaine incluent le package lmtest<\/a>, d\u00e9velopp\u00e9 express\u00e9ment pour l’\u00e9valuation des hypoth\u00e8ses et les tests diagnostiques en \u00e9conom\u00e9trie, ainsi que le package car (Companion to Applied Regression), r\u00e9dig\u00e9 par John Fox et ses collaborateurs, qui fournit des outils avanc\u00e9s d’inf\u00e9rence lin\u00e9aire.<\/p>\n

L’installation de ces modules s’effectue simplement \u00e0 l’aide de la commande install.packages() ciblant les librairies d’int\u00e9r\u00eat, parmi lesquelles on ajoutera avantageusement le package MASS pour la gestion des mod\u00e8les binomiaux n\u00e9gatifs et la manipulation de donn\u00e9es multidimensionnelles. Une fois ces packages install\u00e9s, l’invocation de l’instruction library() permet de charger les fonctions requises dans l’espace de travail actif. <\/p>\n

Au-del\u00e0 du chargement des modules externes, la saine gouvernance d’une session de recherche dans R commande de configurer les options globales du syst\u00e8me d’affichage num\u00e9rique. L’appel \u00e0 la fonction options(scipen = 999, digits = 4) s’av\u00e8re particuli\u00e8rement judicieux en pratique acad\u00e9mique ; il contraint l’interpr\u00e9teur \u00e0 supprimer la notation scientifique exponentielle au profit d’un affichage d\u00e9cimal lisible et stabilise l’impression des p-values \u00e0 quatre d\u00e9cimales, \u00e9vitant ainsi les erreurs d’inattention lors de l’examen pr\u00e9liminaire des sorties console.<\/p>\n

4.3 Structuration et encodage rigoureux des variables<\/h3>\n

L’int\u00e9grit\u00e9 du test du rapport de vraisemblance d\u00e9pend intimement de la mani\u00e8re dont les variables explicatives sont d\u00e9clar\u00e9es dans l’espace d’ex\u00e9cution de R. Les variables de nature nominale ou ordinale doivent \u00eatre formellement converties en objets de type facteur via la fonction factor() ou as.factor(). Cette formalisation est indispensable car elle contraint le moteur interne de mod\u00e9lisation de R \u00e0 g\u00e9n\u00e9rer automatiquement les variables indicatrices muettes (dummy variables) n\u00e9cessaires \u00e0 l’analyse de r\u00e9gression. Dans ce cadre, la d\u00e9signation explicite du groupe de r\u00e9f\u00e9rence \u00e0 l’aide de la fonction relevel() permet d’ancrer les comparaisons sur la modalit\u00e9 th\u00e9orique la plus pertinente pour la recherche.<\/p>\n

Pour les pr\u00e9dicteurs de nature continue, en particulier lorsqu’ils pr\u00e9sentent des \u00e9chelles d’unit\u00e9s h\u00e9t\u00e9rog\u00e8nes ou qu’ils sont appel\u00e9s \u00e0 \u00eatre int\u00e9gr\u00e9s dans des interactions d’ordres sup\u00e9rieurs, l’analyste gagnera fr\u00e9quemment \u00e0 op\u00e9rer une standardisation pr\u00e9alable au moyen de l’instruction scale(). Cette transformation, qui centre la variable sur sa moyenne empirique et la r\u00e9duit \u00e0 une variance unitaire, conf\u00e8re aux algorithmes d’optimisation num\u00e9rique une convergence nettement plus rapide et stabilise le calcul de la matrice hessienne sous-jacente.<\/p>\n

Enfin, une \u00e9tape imp\u00e9rative consiste \u00e0 \u00e9valuer l’intensit\u00e9 de la multicolin\u00e9arit\u00e9 avant m\u00eame de proc\u00e9der aux embo\u00eetements de mod\u00e8les. Une colin\u00e9arit\u00e9 excessive entre les variables explicatives a pour cons\u00e9quence d\u00e9l\u00e9t\u00e8re d’accro\u00eetre exponentiellement les erreurs-types des coefficients et de rendre l’inversion de la matrice d’information instable. L’inspection des facteurs d’inflation de la variance \u00e0 l’aide de la fonction vif() du package car permet de s’assurer qu’aucun pr\u00e9dicteur ne d\u00e9stabilisera artificiellement l’estimation du maximum de vraisemblance du mod\u00e8le complet.<\/p>\n

5. Ajustement des mod\u00e8les de r\u00e9gression lin\u00e9aire sous R<\/h2>\n

5.1 Estimation du mod\u00e8le complet via la fonction lm()<\/h3>\n

Dans le paradigme des mod\u00e8les de r\u00e9gression lin\u00e9aire sous hypoth\u00e8se gaussienne, l’estimation des param\u00e8tres est classiquement r\u00e9alis\u00e9e par l’algorithme des moindres carr\u00e9s ordinaires. Or, sous condition de normalit\u00e9 des r\u00e9sidus, l’estimateur des moindres carr\u00e9s co\u00efncide rigoureusement avec l’estimateur du maximum de vraisemblance pour les coefficients de pente. La fonction ma\u00eetresse lm() constitue l’outil fondamental de R pour proc\u00e9der \u00e0 cet ajustement. La formulation syntaxique s’\u00e9tablit au moyen de l’op\u00e9rateur tilde, disposant la variable d\u00e9pendante \u00e0 gauche et la combinatoire lin\u00e9aire des pr\u00e9dicteurs \u00e0 droite, le tout reli\u00e9 au data frame filtr\u00e9.<\/p>\n

Une fois l’objet de r\u00e9gression instanci\u00e9 dans la m\u00e9moire de l’interpr\u00e9teur, le chercheur dispose d’une s\u00e9rie de m\u00e9thodes g\u00e9n\u00e9riques pour en sonder les propri\u00e9t\u00e9s. L’appel de l’instruction logLik() appliqu\u00e9e directement \u00e0 l’objet retourn\u00e9 permet d’extraire la valeur pr\u00e9cise de la log-vraisemblance maximis\u00e9e associ\u00e9e au mod\u00e8le complet, ainsi que le nombre total de degr\u00e9s de libert\u00e9 consomm\u00e9s par l’estimation. Il est fondamental de noter que pour un mod\u00e8le gaussien estim\u00e9 via lm(), R comptabilise dans les degr\u00e9s de libert\u00e9 l’ordonn\u00e9e \u00e0 l’origine, l’ensemble des coefficients de pente, mais \u00e9galement le param\u00e8tre d’\u00e9chelle r\u00e9siduelle sigma, ce qui ajoute syst\u00e9matiquement une dimension suppl\u00e9mentaire au vecteur de param\u00e8tres libres.<\/p>\n

Il convient par ailleurs de s’assurer que l’estimation n’a pas rencontr\u00e9 de singularit\u00e9 num\u00e9rique. Si deux variables sont rigoureusement colin\u00e9aires, R attribuera une valeur manquante (NA) au coefficient de la variable redondante, signalant un rang d\u00e9ficient dans la matrice de conception. L’absence de singularit\u00e9 doit \u00eatre formellement confirm\u00e9e pour garantir que la surface de vraisemblance est strictement convexe et que les conditions d’application de l’inf\u00e9rence asymptotique sont respect\u00e9es.<\/p>\n

5.2 Estimation du mod\u00e8le restreint (embo\u00eet\u00e9)<\/h3>\n

L’\u00e9tape subs\u00e9quente r\u00e9side dans la configuration du mod\u00e8le restreint, lequel d\u00e9coule structurellement de la sp\u00e9cification globale par l’\u00e9viction cibl\u00e9e des pr\u00e9dicteurs dont l’effet conjoint est soumis au test d’hypoth\u00e8se. Bien qu’il soit possible de r\u00e9\u00e9crire int\u00e9gralement une seconde formule au sein d’un nouvel appel \u00e0 la fonction lm(), cette pratique expose l’analyste \u00e0 des fautes d’inattention, particuli\u00e8rement en ce qui concerne la d\u00e9signation exacte des variables ou le maintien involontaire d’arguments divergents.<\/p>\n

Pour garantir un embo\u00eetement param\u00e9trique rigoureusement parfait, l’\u00e9cosyst\u00e8me R propose une fonction d’une \u00e9l\u00e9gance m\u00e9thodologique incomparable : la commande update(). Cette instruction prend comme premier argument l’objet mod\u00e8le complet existant et applique des modifications alg\u00e9briques locales au moyen d’une notation condens\u00e9e par points. Par exemple, l’argument de formule signifi\u00e9 par l’op\u00e9rateur tilde suivi de points et de la soustraction des variables candidates permet d’instancier le mod\u00e8le restreint en h\u00e9ritant strictement de toutes les propri\u00e9t\u00e9s sous-jacentes du premier ajustement, y compris son environnement de donn\u00e9es et ses options algorithmiques.<\/p>\n

D\u00e8s lors que le mod\u00e8le restreint est g\u00e9n\u00e9r\u00e9, l’analyste peut proc\u00e9der \u00e0 une confrontation brute des log-vraisemblances respectives \u00e0 l’aide de l’instruction logLik(). Conform\u00e9ment aux pr\u00e9dictions fondamentales de la th\u00e9orie statistique, la log-vraisemblance du mod\u00e8le restreint sera invariablement inf\u00e9rieure ou, au mieux, strictement \u00e9gale \u00e0 celle du mod\u00e8le complet. L’enjeu m\u00e9thodologique consiste pr\u00e9cis\u00e9ment \u00e0 d\u00e9terminer si cette d\u00e9gradation de la vraisemblance demeure n\u00e9gligeable ou si elle atteste d’une amputation substantielle de l’ajustement.<\/p>\n

5.3 Extraction manuelle des \u00e9l\u00e9ments de d\u00e9viance<\/h3>\n

Avant de confier aveugl\u00e9ment l’arbitrage \u00e0 des routines automatis\u00e9es, la d\u00e9marche p\u00e9dagogique la plus f\u00e9conde pour tout statisticien consiste \u00e0 orchestrer l’extraction programmatique des m\u00e9triques et \u00e0 effectuer le calcul manuel de la statistique de test D. Cette op\u00e9ration d\u00e9mystifie le fonctionnement interne des fonctions de haut niveau et permet une validation crois\u00e9e limpide des m\u00e9canismes d’inf\u00e9rence. L’op\u00e9ration d\u00e9bute par la r\u00e9cup\u00e9ration des valeurs num\u00e9riques scalaires de log-vraisemblance associ\u00e9es aux deux mod\u00e8les concurrents au moyen de la fonction as.numeric(logLik(modele)).<\/p>\n

La statistique de test D est alors calcul\u00e9e directement dans l’interpr\u00e9teur par l’expression alg\u00e9brique :<\/p>\n

statistique_D = 2 * (as.numeric(logLik(modele_complet)) – as.numeric(logLik(modele_reduit)))<\/p>\n

Cette valeur quantifie le delta de d\u00e9viance entre les deux \u00e9tats de mod\u00e9lisation. Concomitamment, le nombre de degr\u00e9s de libert\u00e9 de la comparaison s’obtient en retranchant les degr\u00e9s de libert\u00e9 du mod\u00e8le restreint de ceux du mod\u00e8le complet, une information accessible via l’attribut d’extraction attr(logLik(modele), \u00ab\u00a0df\u00a0\u00bb).<\/p>\n

La d\u00e9termination de la valeur p critique s’effectue ensuite en projetant cette statistique D sur la fonction de r\u00e9partition th\u00e9orique de la loi du Chi-deux. Dans R, cette distribution cumulative est manipul\u00e9e par l’instruction pchisq(). Afin d’obtenir la probabilit\u00e9 associ\u00e9e \u00e0 la queue sup\u00e9rieure de la distribution, le praticien veillera scrupuleusement \u00e0 param\u00e9trer l’argument lower.tail = FALSE. Ce calcul manuel d\u00e9livre la valeur p exacte du test du rapport de vraisemblance, mat\u00e9rialisant de mani\u00e8re transparente le th\u00e9or\u00e8me de Wilks dans son expression computationnelle la plus pure.<\/p>\n

6. Ex\u00e9cution standardis\u00e9e du LRT avec anova()<\/h2>\n

6.1 Syntaxe et fonctionnement interne d’anova()<\/h3>\n

Bien que la d\u00e9rivation manuelle de la statistique de test offre une clart\u00e9 didactique ind\u00e9niable, le protocole standard d’ex\u00e9cution sous R repose sur l’exploitation de la m\u00e9thode g\u00e9n\u00e9rique anova(). Lorsqu’elle re\u00e7oit comme arguments successifs deux objets mod\u00e8les embo\u00eet\u00e9s, la commande anova(modele_reduit, modele_complet) orchestre automatiquement la comparaison s\u00e9quentielle de leurs ajustements respectifs. Cette m\u00e9thode constitue un pilier de l’analyse statistique dans R, car elle abstrait l’extraction manuelle des r\u00e9sidus tout en fournissant une mise en forme normalis\u00e9e et imm\u00e9diatement exploitable pour le compte rendu scientifique.<\/p>\n

Sur le plan de son fonctionnement interne, la fonction anova() analyse la hi\u00e9rarchie des mod\u00e8les soumis, extrait les sommes des carr\u00e9s r\u00e9siduels pour les r\u00e9gressions lin\u00e9aires standards ou les d\u00e9viances pour les formulations g\u00e9n\u00e9ralis\u00e9es, et recense la variation nette des degr\u00e9s de libert\u00e9. Il importe de veiller \u00e0 l’ordre d’introduction des arguments dans la commande : la convention dominante pr\u00e9conise d’inscrire le mod\u00e8le le plus parcimonieux en premier argument et le mod\u00e8le complet en second, bien que le moteur d’anova() recalcule syst\u00e9matiquement les diff\u00e9rences absolues quelle que soit la pr\u00e9s\u00e9ance syntaxique.<\/p>\n

Cependant, un \u00e9cueil majeur guette l’utilisateur non averti lors de l’application directe de la m\u00e9thode anova() sur des r\u00e9gressions lin\u00e9aires ordinaires ajust\u00e9es avec lm(). Par d\u00e9faut, pour les mod\u00e8les de la classe lm, anova() applique un test de Fisher (test F de Snedecor) bas\u00e9 sur les carr\u00e9s moyens des erreurs r\u00e9siduelles et non un test du rapport de vraisemblance asymptotique fond\u00e9 sur le Chi-deux. Pour contraindre la machine \u00e0 ex\u00e9cuter le v\u00e9ritable Likelihood Ratio Test asymptotique, une param\u00e9trisation explicite de l’argument de test devient imp\u00e9rative.<\/p>\n

6.2 Sp\u00e9cification explicite du test Chi-deux dans anova()<\/h3>\n

L’inflexion du comportement de la commande anova() vers la statistique du rapport de vraisemblance s’effectue par l’adjonction de l’argument formel test = \u00ab\u00a0Chisq\u00a0\u00bb. L’instruction compl\u00e8te s’articule ainsi : <\/p>\n

anova(modele_reduit, modele_complet, test = \u00ab\u00a0Chisq\u00a0\u00bb)<\/p>\n

En pr\u00e9sence de cet argument, le moteur de calcul d\u00e9laisse l’inf\u00e9rence de Fisher \u00e0 distance finie pour projeter directement la variation de d\u00e9viance r\u00e9siduelle sur la distribution limite du Chi-deux de Wilks.<\/p>\n

Cette distinction conceptuelle entre l’inf\u00e9rence exacte par le test F et l’inf\u00e9rence asymptotique par le LRT prend toute sa mesure dans les mod\u00e8les lin\u00e9aires gaussiens. Le test F tient formellement compte de l’incertitude pesant sur l’estimation de la variance r\u00e9siduelle sigma \u00e0 \u00e9chantillon fini, ce qui en fait th\u00e9oriquement l’outil de r\u00e9f\u00e9rence le plus conservateur pour de petits \u00e9chantillons gaussiens. \u00c0 l’inverse, le test du rapport de vraisemblance op\u00e8re selon une perspective asymptotique o\u00f9 le param\u00e8tre d’\u00e9chelle r\u00e9siduelle est \u00e9valu\u00e9 via son estimateur de maximum de vraisemblance, tendant ainsi \u00e0 d\u00e9livrer des statistiques de test l\u00e9g\u00e8rement plus lib\u00e9rales lorsque l’effectif total demeure modeste.<\/p>\n

N\u00e9anmoins, dans le cadre des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM), tels que les r\u00e9gressions logistiques binaires ou les mod\u00e9lisations de comptage poissonniennes, l’argumentation change de paradigme. Pour ces mod\u00e8les o\u00f9 la dispersion est soit intrins\u00e8quement fix\u00e9e par la fonction de distribution, soit estim\u00e9e it\u00e9rativement, le test fond\u00e9 sur le Chi-deux repr\u00e9sente la formulation naturelle et canonique du test du rapport de vraisemblance. La d\u00e9claration de test = \u00ab\u00a0Chisq\u00a0\u00bb ou de test = \u00ab\u00a0LRT\u00a0\u00bb y devient la proc\u00e9dure standard universellement requise.<\/p>\n

6.3 D\u00e9composition des r\u00e9sultats du tableau d’ANOVA<\/h3>\n

L’ex\u00e9cution de la commande d’analyse de variance comparative g\u00e9n\u00e8re une console d’affichage tabulaire extr\u00eamement dense qu’il convient de savoir d\u00e9chiffrer avec une exactitude chirurgicale. Le tableau produit s’ordonne traditionnellement en deux lignes d’\u00e9valuation correspondant aux deux mod\u00e8les soumis, articul\u00e9es autour d’une s\u00e9rie de colonnes descriptives. La premi\u00e8re ligne caract\u00e9rise l’\u00e9tat du mod\u00e8le restreint, stipulant le nombre de degr\u00e9s de libert\u00e9 r\u00e9siduels (Res.Df) et la d\u00e9viance r\u00e9siduelle non expliqu\u00e9e (Resid. Dev).<\/p>\n

La seconde ligne r\u00e9capitule les performances du mod\u00e8le complet, mat\u00e9rialisant l’impact du rel\u00e2chement des contraintes. La colonne Df consigne la diff\u00e9rence arithm\u00e9tique de degr\u00e9s de libert\u00e9 entre les deux architectures, un nombre positif qui correspond exactement \u00e0 la quantit\u00e9 de param\u00e8tres pr\u00e9dictifs suppl\u00e9mentaires d\u00e9ploy\u00e9s dans la seconde \u00e9quation. Imm\u00e9diatement adjacente, la colonne Deviance affiche la r\u00e9duction brute de la d\u00e9viance r\u00e9siduelle, laquelle correspond tr\u00e8s pr\u00e9cis\u00e9ment \u00e0 la valeur de la statistique D issue du ratio des fonctions de log-vraisemblance.<\/p>\n

Enfin, l’attention du chercheur se focalise sur la colonne terminale intitul\u00e9e Pr(>Chi). Celle-ci formalise la valeur p asymptotique r\u00e9sultante, assortie des symboles d’\u00e9toiles conventionnels marquant les seuils usuels de significativit\u00e9. Une valeur de Pr(>Chi) inf\u00e9rieure \u00e0 0,05 conduit au rejet formel de l’hypoth\u00e8se nulle d’inutilit\u00e9 des param\u00e8tres ajout\u00e9s. L’analyste conclut d\u00e8s lors en toute l\u00e9gitimit\u00e9 scientifique que l’am\u00e9lioration de la d\u00e9viance observ\u00e9e dans la colonne Deviance est hautement significative, justifiant statistiquement l’adoption du mod\u00e8le complet.<\/p>\n

7. Utilisation du package lmtest et de la fonction lrtest()<\/h2>\n

7.1 Avantages op\u00e9rationnels de la fonction lrtest()<\/h3>\n

Bien que la fonction g\u00e9n\u00e9rique anova() rende des services incontestables, la communaut\u00e9 des chercheurs en \u00e9conom\u00e9trie et en sciences computationnelles pl\u00e9biscite largement l’usage de la fonction lrtest() issue du package sp\u00e9cialis\u00e9 lmtest<\/a>. Cette commande a \u00e9t\u00e9 express\u00e9ment con\u00e7ue pour ex\u00e9cuter le test du rapport de vraisemblance en \u00e9liminant toute ambigu\u00eft\u00e9 sur la m\u00e9thode d’inf\u00e9rence sous-jacente. Alors qu’anova() requiert une sp\u00e9cification attentive d’arguments additionnels pour forcer l’usage du Chi-deux et adopte parfois des comportements divergents selon les classes d’objets transmises, lrtest() est d’une consistance algorithmique absolue : elle met rigoureusement en \u0153uvre la statistique de Wilks en toutes circonstances.<\/p>\n

Un autre avantage op\u00e9rationnel majeur de lrtest() r\u00e9side dans son interop\u00e9rabilit\u00e9 universelle. La fonction est capable d’ing\u00e9rer nativement une vari\u00e9t\u00e9 impressionnante de classes d’objets statistiques g\u00e9n\u00e9r\u00e9es par R, allant des mod\u00e8les lin\u00e9aires classiques (lm) et mod\u00e8les g\u00e9n\u00e9ralis\u00e9s (glm) aux r\u00e9gressions multivari\u00e9es, mod\u00e8les de survie de Cox, mod\u00e8les \u00e0 correction d’erreur et estimateurs de s\u00e9ries temporelles de la classe arima. Cette flexibilit\u00e9 polyvalente d\u00e9charge l’analyste de l’obligation de m\u00e9moriser les comportements particuliers d’anova() face \u00e0 des objets statistiques h\u00e9t\u00e9rog\u00e8nes.<\/p>\n

De surcro\u00eet, la fonction lrtest() int\u00e8gre des s\u00e9curit\u00e9s diagnostiques automatis\u00e9es de premier plan. Si l’utilisateur commet par m\u00e9garde l’erreur m\u00e9thodologique de confronter deux mod\u00e8les ajust\u00e9s sur des tailles d’\u00e9chantillons divergentes \u00e0 la suite d’un probl\u00e8me de donn\u00e9es manquantes, lrtest() proc\u00e8de \u00e0 un contr\u00f4le pr\u00e9alable strict et interrompt le processus en levant une alerte explicite. Ce verrou logiciel emp\u00eache l’\u00e9dition d’inf\u00e9rences erron\u00e9es et s\u00e9curise la cha\u00eene de traitement empirique.<\/p>\n

7.2 Syntaxe et options avanc\u00e9es de lrtest()<\/h3>\n

La simplicit\u00e9 syntaxique de la fonction lrtest() repr\u00e9sente un mod\u00e8le d’\u00e9l\u00e9gance programmatique dans l’environnement R. Pour confronter deux sp\u00e9cifications concurrentes, il suffit d’importer la biblioth\u00e8que par library(lmtest) puis d’invoquer l’instruction en passant en arguments s\u00e9quentiels les deux mod\u00e8les cibles :<\/p>\n

lrtest(modele_reduit, modele_complet)<\/p>\n

L’ordre des arguments n’alt\u00e8re en rien la validit\u00e9 du calcul, la fonction \u00e9tant dot\u00e9e d’une logique interne identifiant instantan\u00e9ment quelle entit\u00e9 constitue la formulation restreinte et quelle autre repr\u00e9sente l’architecture globale par comparaison de leurs degr\u00e9s de libert\u00e9 respectifs.<\/p>\n

La fonction lrtest() brille \u00e9galement par sa capacit\u00e9 \u00e0 recevoir en param\u00e8tre unique un mod\u00e8le complet pr\u00e9alablement ajust\u00e9, accompagn\u00e9 d’une cha\u00eene de caract\u00e8res identifiant les variables \u00e0 soustraire. Par exemple, l’ex\u00e9cution de lrtest(modele_complet, \u00ab\u00a0variable_cible\u00a0\u00bb) instanciera et ajustera automatiquement le sous-mod\u00e8le sans cette variable sp\u00e9cifique avant d’afficher la confrontation des vraisemblances. Cette modularit\u00e9 permet de tester des effets de retrait \u00e0 la vol\u00e9e sans multiplier inutilement les objets interm\u00e9diaires dans l’espace de travail global.<\/p>\n

Enfin, la fonction supporte l’\u00e9valuation s\u00e9quentielle d’une cha\u00eene arbitrairement longue de mod\u00e8les embo\u00eet\u00e9s hi\u00e9rarchiquement. En fournissant trois, quatre ou cinq mod\u00e8les successifs dans l’appel lrtest(m1, m2, m3, m4), la sortie console s’organise en une progression d’analyses de d\u00e9viance par \u00e9tapes, d\u00e9taillant le gain incr\u00e9mental de log-vraisemblance obtenu \u00e0 chaque palier de complexification structurelle. Cette disposition s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse dans le cadre des protocoles de r\u00e9gression hi\u00e9rarchique couramment appliqu\u00e9s en psychologie diff\u00e9rentielle et en sociologie quantitative.<\/p>\n

7.3 Comparaison critique des sorties entre anova() et lrtest()<\/h3>\n

Lorsqu’on examine en parall\u00e8le les r\u00e9sultats retourn\u00e9s par anova(test = \u00ab\u00a0Chisq\u00a0\u00bb) et par lrtest(), il appara\u00eet que sur le plan purement math\u00e9matique, les deux proc\u00e9dures aboutissent \u00e0 des valeurs de statistiques de test et de probabilit\u00e9s critiques rigoureusement identiques, \u00e0 la condition expresse que les mod\u00e8les compar\u00e9s appartiennent \u00e0 des familles pour lesquelles la dispersion est connue ou fix\u00e9e, comme dans la r\u00e9gression logistique. La valeur de la statistique D co\u00efncide au centi\u00e8me de d\u00e9cimale pr\u00e8s, attestant de l’\u00e9quivalence fondamentale des algorithmes de calcul sous-jacents.<\/p>\n

Cependant, la diff\u00e9rence s’exprime avec force sur le terrain de la lisibilit\u00e9 ergonomique et de l’imm\u00e9diatet\u00e9 de l’interpr\u00e9tation. La sortie de la fonction lrtest() affiche explicitement la log-vraisemblance absolue de chaque mod\u00e8le dans une colonne d\u00e9di\u00e9e intitul\u00e9e LogLik, une information que la fonction anova() omet fr\u00e9quemment de pr\u00e9senter de mani\u00e8re directe au profit de la seule d\u00e9viance r\u00e9siduelle. L’observation directe de ces grandeurs de log-vraisemblance permet au praticien d’appr\u00e9cier la position exacte de chaque sp\u00e9cification sur l’\u00e9chelle de vraisemblance logarithmique, facilitant du m\u00eame coup le rapprochement intellectuel avec les crit\u00e8res AIC et BIC.<\/p>\n

En mati\u00e8re de bonnes pratiques pour le travail scientifique, la recommandation m\u00e9thodologique s’\u00e9tablit comme suit : si l’analyse s’inscrit dans le cadre de mod\u00e8les lin\u00e9aires par moindres carr\u00e9s o\u00f9 l’on d\u00e9sire strictement \u00e9valuer la pertinence \u00e0 \u00e9chantillon fini sous l’\u00e9gide de la loi de Fisher, la fonction standard anova() demeure la r\u00e9f\u00e9rence incontournable. En revanche, d\u00e8s lors que le chercheur navigue dans l’univers \u00e9tendu des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s, des donn\u00e9es de survie ou des s\u00e9ries chronologiques, o\u00f9 l’\u00e9valuation repose express\u00e9ment sur l’asymptotique de la vraisemblance, le recours syst\u00e9matique \u00e0 lrtest() du package lmtest offre une garantie sup\u00e9rieure de standardisation, d’ergonomie et d’immunit\u00e9 contre les mauvaises manipulations syntaxiques.<\/p>\n

8. Application aux mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM)<\/h2>\n

8.1 Le test du rapport de vraisemblance en r\u00e9gression logistique<\/h3>\n

Le champ d’\u00e9lection par excellence du test du rapport de vraisemblance r\u00e9side sans conteste dans la vaste famille des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM<\/a>), au premier rang desquels figure la r\u00e9gression logistique binaire. Utilis\u00e9e intensivement pour mod\u00e9liser des variables d’int\u00e9r\u00eat dichotomiques, telles que la pr\u00e9sence ou l’absence d’une pathologie, la r\u00e9cidive comportementale ou l’adh\u00e9sion \u00e0 un choix \u00e9lectoral, la r\u00e9gression logistique s’affranchit des postulats de normalit\u00e9 et d’homosc\u00e9dasticit\u00e9. Les param\u00e8tres y sont estim\u00e9s exclusivement par des algorithmes it\u00e9ratifs de Newton-Raphson maximisant la fonction de log-vraisemblance bernoullienne via la fonction native glm(…, family = binomial).<\/p>\n

Dans ce contexte, le test du rapport de vraisemblance devient l’instrument d’\u00e9valuation diagnostique absolu. En comparant un mod\u00e8le logistique restreint \u00e0 un mod\u00e8le enrichi de nouveaux biomarqueurs ou pr\u00e9dicteurs psychologiques, l’analyste utilise l’instruction anova(modele_logit_reduit, modele_logit_complet, test = \u00ab\u00a0Chisq\u00a0\u00bb) ou l’instruction lrtest(). Le r\u00e9sultat quantifie la chute de d\u00e9viance r\u00e9siduelle induite par les nouvelles variables. Dans la litt\u00e9rature \u00e9pid\u00e9miologique et m\u00e9dicale internationale, ce delta de d\u00e9viance est universellement mobilis\u00e9 pour justifier la valeur ajout\u00e9e incr\u00e9mentale d’un nouvel outil diagnostique au-del\u00e0 des facteurs de risque cliniques traditionnels.<\/p>\n

Il convient d’insister sur la sup\u00e9riorit\u00e9 m\u00e9thodologique fondamentale du LRT face \u00e0 l’examen parcellaire des p-values associ\u00e9es aux tests de Wald individuels affich\u00e9s dans le sommaire summary(glm). Dans de nombreuses situations pathologiques de s\u00e9paration quasi-compl\u00e8te des donn\u00e9es, le test de Wald s’effondre dramatiquement en sous-estimant la significativit\u00e9 des effets, alors que le test du rapport de vraisemblance conserve une r\u00e9silience et une pr\u00e9cision inf\u00e9rentielle irr\u00e9prochables.<\/p>\n

8.2 Application \u00e0 la r\u00e9gression de Poisson et binomiale n\u00e9gative<\/h3>\n

L’analyse des variables de comptage, telles que le nombre de rechutes d’un patient sous th\u00e9rapie ou la fr\u00e9quence d’actes d’incivilit\u00e9 enregistr\u00e9s en milieu \u00e9ducatif, mobilise usuellement la r\u00e9gression de Poisson \u00e0 travers la commande glm(family = poisson). La distribution de Poisson repose sur l’hypoth\u00e8se tr\u00e8s restrictive d’\u00e9quidispersion, stipulant que l’esp\u00e9rance conditionnelle de la variable d\u00e9pendante doit \u00eatre rigoureusement identique \u00e0 sa variance. Dans la r\u00e9alit\u00e9 des donn\u00e9es observationnelles, ce postulat est massivement viol\u00e9 par l’\u00e9mergence d’une surdispersion prononc\u00e9e, la variance empirique surpassant largement la moyenne du fait de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 non observ\u00e9e ou de l’agr\u00e9gation spatio-temporelle des occurrences.<\/p>\n

Pour pallier cette anomalie, le mod\u00e9lisateur se tourne naturellement vers la r\u00e9gression binomiale n\u00e9gative, impl\u00e9ment\u00e9e via la fonction glm.nb() du package sp\u00e9cialis\u00e9 MASS. La distribution binomiale n\u00e9gative introduit un param\u00e8tre de dispersion theta suppl\u00e9mentaire qui mod\u00e9lise explicitement la variabilit\u00e9 r\u00e9siduelle exc\u00e9dentaire. Le test du rapport de vraisemblance devient alors l’outil d\u00e9cisif pour arbitrer entre le mod\u00e8le de Poisson et le mod\u00e8le binomial n\u00e9gatif. En comparant le mod\u00e8le poissonnien au mod\u00e8le binomial n\u00e9gatif, le LRT permet d’\u00e9valuer formellement si le param\u00e8tre de surdispersion apporte une am\u00e9lioration hautement significative de la vraisemblance par rapport \u00e0 l’\u00e9quidispersion contrainte.<\/p>\n

Toutefois, une pr\u00e9caution m\u00e9thodologique majeure s’impose ici : tester l’absence de surdispersion \u00e9quivaut \u00e0 v\u00e9rifier si le param\u00e8tre additionnel se situe sur la borne limite de son espace de d\u00e9finition, ce qui correspond \u00e0 la fronti\u00e8re de l’espace des param\u00e8tres. Bien que le test du rapport de vraisemblance soit massivement utilis\u00e9 dans ce cadre par l’instruction anova(modele_poisson, modele_nb, test = \u00ab\u00a0LRT\u00a0\u00bb), la valeur p issue de la loi du Chi-deux standard tend \u00e0 \u00eatre l\u00e9g\u00e8rement trop conservatrice. Malgr\u00e9 cette l\u00e9g\u00e8re distorsion th\u00e9orique, la chute spectaculaire de d\u00e9viance fr\u00e9quemment observ\u00e9e lors du passage \u00e0 la binomiale n\u00e9gative permet de trancher sans \u00e9quivoque en faveur de cette derni\u00e8re dans l’immense majorit\u00e9 des applications empiriques.<\/p>\n

8.3 Test des termes d’interaction et de non-lin\u00e9arit\u00e9<\/h3>\n

L’un des apports les plus pr\u00e9cieux du test du rapport de vraisemblance dans le cadre des GLM concerne l’\u00e9valuation globale d’hypoth\u00e8ses complexes impliquant des interactions multidimensionnelles ou des extensions polynomiales. Consid\u00e9rons une investigation cherchant \u00e0 \u00e9tablir si l’effet modulateur d’un traitement th\u00e9rapeutique d\u00e9pend \u00e9troitement de l’appartenance des sujets \u00e0 une variable cat\u00e9gorielle structur\u00e9e en cinq modalit\u00e9s distinctes d’ethnie ou de stade clinique. Dans l’\u00e9quation de r\u00e9gression, ce terme mod\u00e9rateur engendre l’apparition simultan\u00e9e de quatre coefficients d’interaction distincts.<\/p>\n

Si l’analyste se contente d’examiner le tableau standard fourni par l’instruction summary(), il se retrouve confront\u00e9 \u00e0 quatre tests de Wald distincts, chacun assorti de sa propre valeur p. Cette approche morcel\u00e9e expose la conclusion globale \u00e0 une grave confusion statistique : comment trancher l’existence de l’interaction si deux coefficients atteignent le seuil critique de significativit\u00e9 tandis que les deux autres y \u00e9chouent ? L’ex\u00e9cution du test du rapport de vraisemblance r\u00e9sout instantan\u00e9ment ce dilemme par une approche omnibus. En estimant un mod\u00e8le restreint exempt de toute interaction et un mod\u00e8le complet int\u00e9grant l’ensemble des termes crois\u00e9s, un appel \u00e0 lrtest(modele_sans_int, modele_avec_int) g\u00e9n\u00e8re un test unique \u00e0 quatre degr\u00e9s de libert\u00e9 \u00e9valuant si, dans son enti\u00e8ret\u00e9 syst\u00e9mique, le terme d’interaction module significativement le ph\u00e9nom\u00e8ne.<\/p>\n

Cette m\u00e9thodologie s’applique avec une \u00e9gale pertinence m\u00e9thodologique pour tester la pr\u00e9sence de courbures fonctionnelles non lin\u00e9aires. Lorsqu’un chercheur souhaite \u00e9prouver si une relation entre une covariable et la r\u00e9ponse justifie l’adjonction de splines de r\u00e9gression ou de polyn\u00f4mes d’ordre 2 et 3, le LRT permet de comparer le mod\u00e8le strictement lin\u00e9aire au mod\u00e8le enrichi. Si la statistique du Chi-deux ne franchit pas le seuil de rejet, la loi de parcimonie commande l’exclusion des termes non lin\u00e9aires, \u00e9vitant ainsi le pi\u00e8ge pernicieux de l’hypersp\u00e9cialisation du mod\u00e8le sur le bruit stochastique de l’\u00e9chantillon.<\/p>\n

9. Application aux mod\u00e8les multiniveaux et mixtes avec lme4<\/h2>\n

9.1 Comparaison de la structure \u00e0 effets fixes<\/h3>\n

La mod\u00e9lisation de donn\u00e9es hi\u00e9rarchiques, longitudinales ou r\u00e9p\u00e9t\u00e9es requiert le d\u00e9ploiement de mod\u00e8les lin\u00e9aires mixtes capables de scinder la variance entre des processus fixes populationnels et des variations al\u00e9atoires propres aux grappes ou aux individus. Dans l’\u00e9cosyst\u00e8me R, la biblioth\u00e8que faisant autorit\u00e9 pour ces architectures est le package lme4<\/a>, articul\u00e9 autour de la fonction ma\u00eetresse lmer() pour les issues continues gaussiennes et glmer() pour les issues non gaussiennes. L’application du test du rapport de vraisemblance \u00e0 ces objets d’une haute complexit\u00e9 algorithmique exige n\u00e9anmoins une rigueur m\u00e9thodologique sans faille concernant la m\u00e9thode d’estimation param\u00e9trique sous-jacente.<\/p>\n

Par d\u00e9faut, la fonction lmer() estime les param\u00e8tres en ayant recours au Maximum de Vraisemblance Restreinte, universellement d\u00e9sign\u00e9 par l’acronyme REML<\/a>. L’approche REML modifie la fonction de vraisemblance pour tenir compte de la perte de degr\u00e9s de libert\u00e9 inh\u00e9rente \u00e0 l’estimation des effets fixes, produisant ainsi des estimateurs non biais\u00e9s pour les composantes de variance al\u00e9atoire. Cependant, une cons\u00e9quence math\u00e9matique absolue d\u00e9coule de cette formulation : la fonction de vraisemblance restreinte d\u00e9pend intrins\u00e8quement de la matrice de conception des effets fixes. Par cons\u00e9quent, il est th\u00e9oriquement et math\u00e9matiquement interdit de comparer deux mod\u00e8les pr\u00e9sentant des structures d’effets fixes diff\u00e9rentes \u00e0 partir de leurs log-vraisemblances REML.<\/p>\n

Pour comparer deux mod\u00e8les mixtes embo\u00eet\u00e9s diff\u00e9rant par leurs pr\u00e9dicteurs fixes via le test du rapport de vraisemblance, le chercheur doit obligatoirement forcer l’ajustement par le Maximum de Vraisemblance classique en sp\u00e9cifiant explicitement l’argument REML = FALSE au sein de la fonction lmer(). Une fois les mod\u00e8les estim\u00e9s sous ce r\u00e9gime de vraisemblance non restreinte, l’appel \u00e0 la fonction anova(modele_mixte_reduit, modele_mixte_complet) d\u00e9livre un test du Chi-deux rigoureusement valide, mesurant le gain r\u00e9el apport\u00e9 par les nouveaux effets fixes.<\/p>\n

9.2 Comparaison de la structure \u00e0 effets al\u00e9atoires<\/h3>\n

\u00c0 l’exact inverse de la probl\u00e9matique pr\u00e9c\u00e9dente, lorsque l’investigation empirique se focalise sur la mod\u00e9lisation de la stochasticit\u00e9 sous-jacente, c’est-\u00e0-dire la comparaison de deux structures d’effets al\u00e9atoires concurrentes, la m\u00e9thode d’estimation doit imp\u00e9rativement basculer en mode REML = TRUE. Supposons qu’un analyste cherche \u00e0 d\u00e9terminer si l’adjonction d’une pente al\u00e9atoire pour le temps am\u00e9liore significativement un mod\u00e8le qui ne comportait initialement qu’une simple ordonn\u00e9e \u00e0 l’origine al\u00e9atoire par sujet. Dans cette configuration, les effets fixes demeurent rigoureusement identiques entre les deux \u00e9quations, ce qui autorise pleinement l’usage des crit\u00e8res de vraisemblance restreinte.<\/p>\n

Toutefois, l’application du test du rapport de vraisemblance \u00e0 la structure al\u00e9atoire se heurte \u00e0 une violation frontale des conditions de r\u00e9gularit\u00e9 du th\u00e9or\u00e8me classique de Wilks : le probl\u00e8me de la valeur sur la fronti\u00e8re de l’espace param\u00e9trique. En effet, tester l’omission d’une pente al\u00e9atoire revient \u00e0 tester si sa variance est \u00e9gale \u00e0 z\u00e9ro. Or, par d\u00e9finition math\u00e9matique, une variance ne peut \u00eatre strictement n\u00e9gative ; la valeur nulle sous l’hypoth\u00e8se nulle H0 se situe donc pr\u00e9cis\u00e9ment sur la fronti\u00e8re g\u00e9om\u00e9trique de l’espace des param\u00e8tres admissibles et non \u00e0 son int\u00e9rieur.<\/p>\n

La cons\u00e9quence m\u00e9thodologique directe de cette anomalie g\u00e9om\u00e9trique est que la statistique D sous l’hypoth\u00e8se nulle ne suit pas une loi classique du Chi-deux \u00e0 q degr\u00e9s de libert\u00e9, mais converge vers un m\u00e9lange \u00e9quiprobable de lois du Chi-deux, un r\u00e9sultat \u00e9tabli par Stram et Lee. L’utilisation d’une loi de Chi-deux classique sans correction d\u00e9livre une valeur p artificiellement gonfl\u00e9e, conf\u00e9rant au test un caract\u00e8re excessivement conservateur susceptible de masquer l’existence d’une variation al\u00e9atoire r\u00e9elle. Pour corriger cette distorsion, les statisticiens recommandent de diviser par deux la p-value standard affich\u00e9e par R pour des tests simples sur un composant de variance, ou d’avoir recours au bootstrap param\u00e9trique.<\/p>\n

9.3 Exemple pratique en psychologie cognitive ou clinique<\/h3>\n

Pour appr\u00e9hender concr\u00e8tement cette d\u00e9marche dans un domaine appliqu\u00e9, imaginons une \u00e9tude clinique longitudinale en neuropsychologie portant sur l’efficacit\u00e9 d’un programme d’entra\u00eenement cognitif digitalis\u00e9 chez des patients atteints de troubles mn\u00e9siques d\u00e9butants. Cinquante patients sont \u00e9valu\u00e9s de mani\u00e8re r\u00e9p\u00e9t\u00e9e \u00e0 raison de six sessions temporelles cons\u00e9cutives. L’issue quantitative mesure le temps de r\u00e9action \u00e0 une t\u00e2che d’attention soutenue. Les chercheurs s’interrogent sur la n\u00e9cessit\u00e9 de doter le mod\u00e8le d’une pente al\u00e9atoire temporelle, afin de mod\u00e9liser l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interindividuelle des trajectoires de r\u00e9cup\u00e9ration cognitive au-del\u00e0 du gain moyen du groupe.<\/p>\n

L’analyste proc\u00e8de en premier lieu \u00e0 l’estimation du mod\u00e8le de base sous lmer() avec une ordonn\u00e9e al\u00e9atoire par patient, le tout param\u00e9tr\u00e9 avec REML = TRUE pour stabiliser l’\u00e9valuation des structures de variance. Dans un second temps, le mod\u00e8le enrichi est ajust\u00e9 en int\u00e9grant la pente al\u00e9atoire pour la variable temporelle par sujet, autorisant une corr\u00e9lation entre le niveau de d\u00e9part et la vitesse d’am\u00e9lioration. La commande de comparaison anova(modele_ordonnee_seule, modele_pente_aleatoire) est alors invoqu\u00e9e dans la console de R.<\/p>\n

L’affichage produit un diff\u00e9rentiel de deux degr\u00e9s de libert\u00e9, correspondant \u00e0 l’estimation simultan\u00e9e de la variance de la pente temporelle et de sa covariance avec l’ordonn\u00e9e \u00e0 l’origine. Si le delta de d\u00e9viance r\u00e9siduelle atteint par exemple une valeur de 18,4 avec une p-value r\u00e9sultante inf\u00e9rieure \u00e0 0,001, le rejet de l’hypoth\u00e8se nulle est sans \u00e9quivoque, m\u00eame en appliquant les ajustements de fronti\u00e8re les plus stricts. L’\u00e9quipe clinique peut ainsi conclure avec une certitude scientifique absolue que les patients ne r\u00e9pondent pas de mani\u00e8re uniforme \u00e0 l’entra\u00eenement cognitif, justifiant formellement l’adoption d’un mod\u00e8le mixte personnalis\u00e9 int\u00e9grant des pentes temporelles individualis\u00e9es.<\/p>\n

10. LRT versus alternatives : Wald Test et Score Test<\/h2>\n

10.1 La trinit\u00e9 classique de l’inf\u00e9rence par vraisemblance<\/h3>\n

Dans l’\u00e9difice conceptuel de l’inf\u00e9rence statistique param\u00e9trique, le test du rapport de vraisemblance ne constitue pas une entit\u00e9 isol\u00e9e, mais forme avec le test de Wald<\/a> et le test du Score (ou test du multiplicateur de Lagrange de Rao) ce que la litt\u00e9rature acad\u00e9mique d\u00e9signe sous l’appellation \u00e9vocatrice de \u00ab Trinit\u00e9 classique de la Vraisemblance \u00bb. Ces trois d\u00e9marches d’inf\u00e9rence poursuivent le m\u00eame dessein fondamental, \u00e0 savoir \u00e9prouver la validit\u00e9 d’une restriction param\u00e9trique impos\u00e9e \u00e0 un mod\u00e8le statistique, mais se distinguent radicalement par la perspective g\u00e9om\u00e9trique qu’elles adoptent sur la surface de log-vraisemblance.<\/p>\n

Le test de Wald proc\u00e8de \u00e0 une analyse purement locale focalis\u00e9e sur le mod\u00e8le complet. Il \u00e9value la distance euclidienne entre l’estimateur non contraint du maximum de vraisemblance et la valeur assign\u00e9e sous H0, en pond\u00e9rant cet \u00e9cart par la courbure locale de la log-vraisemblance, laquelle est mat\u00e9rialis\u00e9e par l’inverse de la matrice hessienne des d\u00e9riv\u00e9es secondes. \u00c0 l’extr\u00eame oppos\u00e9, le test du Score op\u00e8re exclusivement au niveau du mod\u00e8le contraint. Il \u00e9value l’ampleur de la pente (la d\u00e9riv\u00e9e premi\u00e8re ou vecteur gradient) de la fonction de log-vraisemblance au point dict\u00e9 par l’hypoth\u00e8se nulle ; si cette pente est quasiment plane, la contrainte impos\u00e9e est jug\u00e9e plausible et l’hypoth\u00e8se nulle n’est pas rejet\u00e9e.<\/p>\n

Le test du rapport de vraisemblance adopte quant \u00e0 lui une posture int\u00e9grale et omnisciente : au lieu de sonder une d\u00e9riv\u00e9e locale en un point unique de la courbe, il compare directement l’altitude globale de la log-vraisemblance atteinte au sommet du mod\u00e8le complet avec celle atteinte au sommet contraint du mod\u00e8le r\u00e9duit. Bien que ces trois approches soient asymptotiquement strictement \u00e9quivalentes lorsque l’\u00e9chantillon N tend vers l’infini, leurs comportements \u00e0 \u00e9chantillon fini divergent substantiellement. En r\u00e8gle g\u00e9n\u00e9rale, le LRT s’impose comme l’\u00e9talon d’or incontest\u00e9 en raison de son invariance par reparam\u00e9trisation et de sa robustesse sup\u00e9rieure face aux asym\u00e9tries informationnelles.<\/p>\n

10.2 Limites et instabilit\u00e9 du test de Wald<\/h3>\n

Malgr\u00e9 son omnipr\u00e9sence dans les restitutions num\u00e9riques fournies par R sous la forme des ratios z ou t figurant dans les sorties standard de summary(), le test de Wald est affect\u00e9 de fragilit\u00e9s structurelles qui doivent inciter les chercheurs \u00e0 la plus grande vigilance m\u00e9thodologique. L’une de ses faiblesses les plus troublantes r\u00e9side dans sa sensibilit\u00e9 exacerb\u00e9e aux reparam\u00e9trisations arbitraires. Si un m\u00eame mod\u00e8le math\u00e9matique est formul\u00e9 sous la forme d’un coefficient beta ou sous la forme de son exponentielle (comme un odds ratio), le test du rapport de vraisemblance produira une statistique strictement invariante, alors que le test de Wald affichera des valeurs oscillatoires susceptibles d’alt\u00e9rer la d\u00e9cision de significativit\u00e9.<\/p>\n

Dans le champ sp\u00e9cifique de la r\u00e9gression logistique binaire et des mod\u00e8les pour donn\u00e9es discr\u00e8tes, le test de Wald est en outre frapp\u00e9 par un artefact pernicieux d\u00e9sign\u00e9 sous le nom d’effet ou ph\u00e9nom\u00e8ne de Hauck-Donner. Lorsque la v\u00e9ritable valeur d’un coefficient de r\u00e9gression cro\u00eet vers des amplitudes consid\u00e9rables, signifiant un pouvoir pr\u00e9dictif exceptionnellement puissant d’une variable par rapport \u00e0 la r\u00e9ponse, l’erreur-type estim\u00e9e par l’algorithme de Wald a tendance \u00e0 cro\u00eetre \u00e0 un rythme exponentiel bien plus rapide que le coefficient lui-m\u00eame. <\/p>\n

Cette anomalie calculatoire conduit \u00e0 un r\u00e9sultat paradoxal et dramatique pour l’analyste : la statistique de Wald s’effondre vers z\u00e9ro pour des pr\u00e9dicteurs d’une efficacit\u00e9 clinique pourtant majeure, amenant le chercheur \u00e0 conclure faussement \u00e0 la non-significativit\u00e9 de variables fondamentales (erreur de type II). Le test du rapport de vraisemblance demeure absolument insensible \u00e0 l’aberration de Hauck-Donner, car il ne repose nullement sur l’inversion d’une courbure locale d\u00e9form\u00e9e mais sur l’\u00e9valuation de la d\u00e9viance r\u00e9siduelle, confortant ainsi son statut d’outil m\u00e9thodologique imp\u00e9ratif pour toute analyse exigeante.<\/p>\n

10.3 Comparaison pratique des r\u00e9sultats dans R<\/h3>\n

La mise en confrontation pratique de ces m\u00e9thodologies alternatives au sein du syst\u00e8me R permet d’illustrer la concordance ou les divergences potentielles entre les d\u00e9cisions statistiques. Pour calculer un test de Wald multivari\u00e9 portant sur un bloc de variables omises, le chercheur peut solliciter la fonction waldtest() issue du package lmtest. La syntaxe d’appel se calque fid\u00e8lement sur celle de lrtest() en recevant en arguments successifs le mod\u00e8le restreint et le mod\u00e8le complet :<\/p>\n

waldtest(modele_reduit, modele_complet)<\/p>\n

Face \u00e0 un \u00e9chantillon d’observations de grande envergure et bien conditionn\u00e9, l’ex\u00e9cution conjointe de lrtest() et de waldtest() produira des statistiques num\u00e9riques extr\u00eamement proches et des valeurs p conduisant \u00e0 une d\u00e9cision statistique rigoureusement superposable. Cette convergence empirique apporte une r\u00e9assurance rassurante quant \u00e0 la solidit\u00e9 des inf\u00e9rences produites par l’exp\u00e9rimentation.<\/p>\n

En revanche, face \u00e0 des jeux de donn\u00e9es restreints, des distributions fortement asym\u00e9triques ou des variables pr\u00e9sentant une s\u00e9paration prononc\u00e9e, des discordances parfois marqu\u00e9es \u00e9mergent entre les deux m\u00e9thodes. Dans de telles configurations, les prescriptions acad\u00e9miques internationales s’accordent sans r\u00e9serve : les conclusions port\u00e9es par la fonction lrtest() doivent syst\u00e9matiquement pr\u00e9valoir sur les indications fournies par waldtest(). Le LRT maximise l’utilisation de l’information statistique globale contenue dans la surface de vraisemblance et pr\u00e9munit l’analyste contre les mirages num\u00e9riques g\u00e9n\u00e9r\u00e9s par les approximations d’ordre inf\u00e9rieur propres \u00e0 l’inf\u00e9rence de Wald.<\/p>\n

11. Diagnostics, pi\u00e8ges m\u00e9thodologiques et erreurs courantes<\/h2>\n

11.1 Erreur d’incompatibilit\u00e9 de l’\u00e9chantillon (Missing Data Bias)<\/h3>\n

Le pi\u00e8ge m\u00e9thodologique le plus pr\u00e9valent et le plus insidieux rencontr\u00e9 lors de l’ex\u00e9cution du test du rapport de vraisemblance concerne l’incompatibilit\u00e9 silencieuse des bases d’\u00e9chantillonnage entre les deux mod\u00e8les compar\u00e9s. Supposons qu’un chercheur sp\u00e9cifie un mod\u00e8le restreint mobilisant trois pr\u00e9dicteurs int\u00e9gralement renseign\u00e9s pour 1000 participants. Il formule ensuite un mod\u00e8le complet en int\u00e9grant un quatri\u00e8me pr\u00e9dicteur qui pr\u00e9sente un taux d’attrition ou de non-r\u00e9ponse de 10 %. Lorsqu’il lance l’estimation du mod\u00e8le complet, la routine de r\u00e9gression de R proc\u00e8de automatiquement \u00e0 l’\u00e9limination des 100 observations incompl\u00e8tes pour cet ajustement.<\/p>\n

Si l’analyste tente alors de confronter ces deux objets via anova(modele_reduit, modele_complet), le moteur interne de R s’interrompra ou g\u00e9n\u00e9rera un message d’alerte sans appel signalant que les mod\u00e8les ne sont pas ajust\u00e9s sur les m\u00eames donn\u00e9es : \u00ab models were not all fitted to the same size of dataset \u00bb. Cependant, si l’ajustement est r\u00e9alis\u00e9 avec certaines fonctions non natives ou par le biais d’extractions manuelles imprudentes de logLik(), le calcul du ratio D peut s’ex\u00e9cuter sans bloquer, d\u00e9livrant une statistique totalement d\u00e9pourvue de fondement math\u00e9matique. La valeur de la vraisemblance \u00e9tant proportionnelle au volume d’observations inject\u00e9es, une r\u00e9duction d’\u00e9chantillon abaisse m\u00e9caniquement la vraisemblance, faussant irr\u00e9m\u00e9diablement l’inf\u00e9rence.<\/p>\n

La parade m\u00e9thodologique absolue face \u00e0 ce risque consiste \u00e0 verrouiller l’\u00e9chantillon d\u00e8s la phase pr\u00e9paratoire d’encodage. Le chercheur doit d\u00e9clarer un nouveau conteneur de donn\u00e9es restreint aux seuls cas complets pour l’union vectorielle de l’ensemble des variables figurant dans les deux mod\u00e8les concurrents :<\/p>\n

donnees_analyse = na.omit(donnees_brutes[, c(\u00ab\u00a0Y\u00a0\u00bb, \u00ab\u00a0X1\u00a0\u00bb, \u00ab\u00a0X2\u00a0\u00bb, \u00ab\u00a0X3\u00a0\u00bb, \u00ab\u00a0X4\u00a0\u00bb)])<\/p>\n

En contraignant formellement les deux sp\u00e9cifications \u00e0 s’ajuster sur ce sous-\u00e9chantillon parfaitement harmonis\u00e9, l’int\u00e9grit\u00e9 de la statistique de test est pr\u00e9serv\u00e9e de toute d\u00e9viation li\u00e9e \u00e0 la troncature diff\u00e9rentielle des donn\u00e9es.<\/p>\n

11.2 Test sur la fronti\u00e8re de l’espace param\u00e9trique<\/h3>\n

Un \u00e9cueil th\u00e9orique r\u00e9current lors du d\u00e9ploiement du test du rapport de vraisemblance, particuli\u00e8rement dans les extensions multiniveaux et les mod\u00e8les \u00e0 composantes de variance, r\u00e9side dans la violation de l’hypoth\u00e8se de non-fronti\u00e8re. Le th\u00e9or\u00e8me de Wilks repose sur la pr\u00e9misse math\u00e9matique stricte que l’estimation sous H0 se situe au c\u0153ur d’un voisinage ouvert de l’espace des param\u00e8tres. Or, lorsqu’un analyste cherche \u00e0 tester la significativit\u00e9 statistique d’une composante de variance en fixant cette derni\u00e8re \u00e0 z\u00e9ro sous l’hypoth\u00e8se nulle, cette contrainte place le mod\u00e8le exactement sur la bordure physique de son domaine d’existence, la variance ne pouvant logiquement adopter de valeurs n\u00e9gatives.<\/p>\n

La violation de ce postulat a pour incidence directe de fausser la distribution th\u00e9orique de la statistique de test sous l’hypoth\u00e8se nulle. La d\u00e9viance r\u00e9siduelle observ\u00e9e ne converge plus vers une distribution classique du Chi-deux \u00e0 q degr\u00e9s de libert\u00e9, mais s’\u00e9crase contre une borne g\u00e9om\u00e9trique, produisant une distribution d’\u00e9chantillonnage asymptotique qui s’apparente \u00e0 un m\u00e9lange \u00e9quiprobable de lois du Chi-deux. En cons\u00e9quence directe, le calcul standard de la valeur p d\u00e9livr\u00e9 par les fonctions automatiques d’anova() sur-p\u00e9nalise le mod\u00e8le complet, aboutissant \u00e0 un test excessivement conservateur incapable de d\u00e9tecter des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s al\u00e9atoires r\u00e9elles.<\/p>\n

Pour contourner avec succ\u00e8s cette impasse analytique, la litt\u00e9rature contemporaine pr\u00e9conise d’abandonner l’approximation th\u00e9orique de Wilks au profit d’approches computationnelles de r\u00e9\u00e9chantillonnage par bootstrap param\u00e9trique. Au sein de l’environnement R, le package sp\u00e9cialis\u00e9 pbkrtest offre la fonction PBmodcomp(), con\u00e7ue express\u00e9ment pour confronter des mod\u00e8les mixtes embo\u00eet\u00e9s par bootstrap param\u00e9trique. Cette m\u00e9thode simule des milliers de r\u00e9alisations empiriques sous l’hypoth\u00e8se nulle pour reconstruire la v\u00e9ritable distribution empirique de la statistique D sans postuler d’appartenance \u00e0 une loi th\u00e9orique r\u00e9guli\u00e8re, restituant ainsi une inf\u00e9rence d’une fiabilit\u00e9 irr\u00e9prochable.<\/p>\n

11.3 Taille d’\u00e9chantillon insuffisante et surajustement<\/h3>\n

L’ancrage th\u00e9orique du LRT est fondamentalement asymptotique, ce qui pr\u00e9suppose que la taille de l’\u00e9chantillon N est suffisamment vaste pour que la distribution d’\u00e9chantillonnage de la statistique de test converge harmonieusement vers sa limite sous la loi du Chi-deux. Lorsque l’exp\u00e9rimentateur d\u00e9ploie ce test sur de petits \u00e9chantillons, typiquement des cohortes cliniques restreintes de quelques dizaines d’individus confront\u00e9es \u00e0 des mod\u00e8les riches en param\u00e8tres, l’approximation du th\u00e9or\u00e8me de Wilks perd grandement de sa pr\u00e9cision. La statistique de d\u00e9viance empirique a alors tendance \u00e0 pr\u00e9senter une dispersion substantiellement plus \u00e9tal\u00e9e que la distribution th\u00e9orique, augmentant ind\u00fbment le taux d’erreur de type I.<\/p>\n

Pour att\u00e9nuer cette d\u00e9formation \u00e0 \u00e9chantillon fini, les th\u00e9oriciens de la statistique ont d\u00e9velopp\u00e9 des ajustements correctifs correctifs, dont la plus c\u00e9l\u00e8bre est la correction de Bartlett. Le facteur de correction de Bartlett consiste \u00e0 diviser la statistique D par un coefficient d’\u00e9chelle analytique sup\u00e9rieur \u00e0 1, calcul\u00e9 \u00e0 partir de la taille de l’\u00e9chantillon, du nombre de param\u00e8tres estim\u00e9s et de la structure de l’information informationnelle. Cette transformation compense le sur\u00e9talement de la statistique empirique et r\u00e9tablit une convergence acc\u00e9l\u00e9r\u00e9e vers les quantiles de la distribution du Chi-deux.<\/p>\n

Au-del\u00e0 de ces rectifications num\u00e9riques, les recommandations empiriques de saine pratique statistique pr\u00e9conisent de respecter scrupuleusement un ratio minimal entre le volume d’observations informatives et le nombre de param\u00e8tres libres estim\u00e9s. Dans les mod\u00e8les de r\u00e9gression lin\u00e9aire, un ratio minimal de quinze \u00e0 vingt sujets par param\u00e8tre constitue une garantie \u00e9l\u00e9mentaire de s\u00e9curit\u00e9. Dans les r\u00e9gressions logistiques, la r\u00e8gle empirique commande de disposer d’au moins dix \u00e0 quinze \u00e9v\u00e9nements observ\u00e9s pour la modalit\u00e9 la plus rare de l’issue binaire pour chaque param\u00e8tre libre inclus dans le mod\u00e8le complet (r\u00e8gle des Events Per Variable – EPV). Le non-respect de ces garde-fous expose l’analyse au surajustement structurel et invalide la pertinence scientifique des conclusions d\u00e9riv\u00e9es du test du rapport de vraisemblance.<\/p>\n

12. Restitution acad\u00e9mique et normes de r\u00e9daction APA<\/h2>\n

12.1 Normes de pr\u00e9sentation des r\u00e9sultats selon l’APA (7e \u00e9dition)<\/h3>\n

La r\u00e9daction des conclusions statistiques au sein des publications et manuscrits scientifiques requiert une stricte adh\u00e9sion aux normes typographiques et formelles \u00e9tablies par l’American Psychological Association<\/a> dans sa septi\u00e8me \u00e9dition. L’inobservation de ces conventions nuit gravement \u00e0 la clart\u00e9 de la communication scientifique et peut susciter des r\u00e9serves de la part des comit\u00e9s de lecture acad\u00e9miques. Dans le cadre de la restitution d’un test du rapport de vraisemblance, la transcription doit syst\u00e9matiquement stipuler la nature exacte du test conduit, les mod\u00e8les embo\u00eet\u00e9s mis en regard, la valeur pr\u00e9cise de la statistique du Chi-deux observ\u00e9e, les degr\u00e9s de libert\u00e9 soustraits, ainsi que la valeur p exacte exprim\u00e9e avec un niveau de pr\u00e9cision d\u00e9cimal rigoureux.<\/p>\n

Sur le plan typographique, les symboles statistiques universels doivent \u00eatre format\u00e9s en italique. La lettre grecque Chi-deux majuscule est couramment typographi\u00e9e sous la forme de la lettre X majuscule italique \u00e9lev\u00e9e au carr\u00e9, suivie des degr\u00e9s de libert\u00e9 encadr\u00e9s de parenth\u00e8ses r\u00e9guli\u00e8res. Par convention stricte de l’APA, si une p-value est inf\u00e9rieure \u00e0 0,001, elle ne doit en aucun cas \u00eatre libell\u00e9e sous la forme p = 0,000, mais transcrite selon l’in\u00e9galit\u00e9 formelle p < .001. En outre, la lettre p pr\u00e9c\u00e9dant le r\u00e9sultat doit imp\u00e9rativement figurer en italique et sans z\u00e9ro initial lorsque la m\u00e9trique est naturellement born\u00e9e entre 0 et 1.<\/p>\n

Un exemple paradigmatique de formulation textuelle conforme aux exigences de l’APA s’\u00e9noncerait comme suit : \u00ab Afin d’\u00e9valuer l’apport explicatif incr\u00e9mental de l’anxi\u00e9t\u00e9 pr\u00e9-examen et du sentiment d’efficacit\u00e9 personnelle au-del\u00e0 des facteurs d’engagement comportemental, un test du rapport de vraisemblance a \u00e9t\u00e9 conduit en confrontant le mod\u00e8le restreint au mod\u00e8le complet. Les r\u00e9sultats indiquent que l’adjonction de ces deux pr\u00e9dicteurs psychologiques entra\u00eene une am\u00e9lioration statistiquement significative de l’ajustement du mod\u00e8le, X<\/em>\u00b2(2) = 14,87, p<\/em> < .001. D\u00e8s lors, le mod\u00e8le complet a \u00e9t\u00e9 retenu pour les interpr\u00e9tations subs\u00e9quentes. \u00bb<\/p>\n

12.2 Construction de tableaux r\u00e9capitulatifs de comparaison de mod\u00e8les<\/h3>\n

Lorsque l’investigation empirique repose sur une progression hi\u00e9rarchique complexe impliquant plusieurs \u00e9tapes successives d’embo\u00eetement, la simple narration textuelle s’av\u00e8re insuffisante pour restituer la globalit\u00e9 des r\u00e9sultats. L’analyste se doit alors de construire un tableau r\u00e9capitulatif comparatif de haute tenue visuelle. Ce tableau doit consigner pour chaque mod\u00e8le successif : sa log-vraisemblance absolue, ses crit\u00e8res d’information p\u00e9nalis\u00e9s (AIC et BIC), la d\u00e9viance r\u00e9siduelle, ainsi que la quantification pas-\u00e0-pas de l’\u00e9volution de la statistique du Chi-deux et de sa probabilit\u00e9 critique aff\u00e9rente.<\/p>\n

Pour g\u00e9n\u00e9rer ces tableaux directement depuis l’espace de calcul R sans transiter par des ressaisies manuelles fuentes d’erreurs, l’\u00e9cosyst\u00e8me met \u00e0 disposition des biblioth\u00e8ques de mise en page acad\u00e9mique remarquables. Le package modelsummary, ainsi que les extensions stargazer et sjPlot, permettent d’exporter directement des tableaux d’une \u00e9l\u00e9gance typographique irr\u00e9prochable vers des formats de traitement de texte ou de documents compil\u00e9s en HTML et LaTeX. Ces fonctions agr\u00e8gent nativement les estimations des param\u00e8tres, les erreurs-types et les m\u00e9triques de vraisemblance en un tableau unifi\u00e9 r\u00e9pondant d’embl\u00e9e aux standards de la publication par les pairs.<\/p>\n

Un tableau comparatif m\u00e9ticuleusement dress\u00e9 permet aux \u00e9valuateurs d’appr\u00e9cier d’un seul regard synoptique la dynamique de la mod\u00e9lisation. En observant conjointement la chute de la d\u00e9viance r\u00e9siduelle, la baisse \u00e9ventuelle de l’AIC et la significativit\u00e9 du test de Wilks \u00e0 chaque ligne d’adjonction de pr\u00e9dicteurs, le lecteur acc\u00e8de \u00e0 une transparence m\u00e9thodologique totale, condition sine qua non de la reproductibilit\u00e9 scientifique contemporaine.<\/p>\n

12.3 Arbre d\u00e9cisionnel pour le choix du mod\u00e8le optimal<\/h3>\n

L’aboutissement de la d\u00e9marche d’\u00e9valuation par le test du rapport de vraisemblance ne doit pas se r\u00e9duire \u00e0 une application m\u00e9canique et aveugle de l’inf\u00e9rence par la valeur p. Le choix du mod\u00e8le statistique optimal d\u00e9coule d’un arbitrage multidimensionnel mat\u00e9rialis\u00e9 par un v\u00e9ritable algorithme de d\u00e9cision scientifique. La premi\u00e8re bifurcation de cet arbre d\u00e9cisionnel concerne bien entendu la significativit\u00e9 formelle du LRT : si le test entre un mod\u00e8le restreint et un mod\u00e8le complet s’av\u00e8re non significatif (p >= 0,05), la loi de parcimonie dicte imp\u00e9rativement le maintien du mod\u00e8le restreint, excluant les pr\u00e9dicteurs superflus.<\/p>\n

Cependant, lorsque le test du rapport de vraisemblance se r\u00e9v\u00e8le hautement significatif (p < 0,05), l’analyste ne doit pas s’empresser de d\u00e9clarer le mod\u00e8le complet vainqueur sans un examen approfondi de la taille d’effet incr\u00e9mentale. Dans des \u00e9chantillons massifs comptant des dizaines de milliers d’observations, l’adjonction d’une variable au pouvoir explicatif infinit\u00e9simal et d\u00e9nu\u00e9 de toute port\u00e9e pratique engendra quasi-syst\u00e9matiquement une valeur p hautement significative en raison de la puissance statistique surmultipli\u00e9e de l’\u00e9chantillon. Le chercheur doit alors confronter cette d\u00e9cision aux crit\u00e8res d’information AIC et BIC pour v\u00e9rifier si le gain informatif compense r\u00e9ellement la perte de parcimonie, tout en jaugeant l’amplitude substantielle des variations observ\u00e9es sur les coefficients d’int\u00e9r\u00eat.<\/p>\n

Enfin, la protection absolue contre le data dredging ou la p\u00eache aux r\u00e9sultats requiert que les comparaisons embo\u00eet\u00e9es soumises au LRT aient \u00e9t\u00e9 formellement pr\u00e9-sp\u00e9cifi\u00e9es dans un protocole d’analyse a priori, dict\u00e9 par des consid\u00e9rations th\u00e9oriques solides. Le recours opportuniste au test du rapport de vraisemblance comme instrument exploratoire automatis\u00e9 pour \u00e9laguer arbitrairement des centaines de combinaisons de pr\u00e9dicteurs expose l’analyse \u00e0 une inflation drastique du risque d’erreur globale de premi\u00e8re esp\u00e8ce. Ce n’est qu’en articulant la rigueur th\u00e9orique en amont et la puissance de l’inf\u00e9rence asymptotique en aval que le test du rapport de vraisemblance d\u00e9ploie toute sa valeur \u00e9pist\u00e9mologique pour la validation des savoirs empiriques.<\/p>\n

R\u00e9f\u00e9rences<\/h2>\n