{"id":9741,"date":"2026-09-23T17:27:24","date_gmt":"2026-09-23T17:27:24","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-regression-lineaire-simple-python-etape-par-etape\/"},"modified":"2026-09-23T17:27:30","modified_gmt":"2026-09-23T17:27:30","slug":"comment-effectuer-regression-lineaire-simple-python-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-regression-lineaire-simple-python-etape-par-etape","title":{"rendered":"Comment effectuer une r\u00e9gression lin\u00e9aire simple en Python (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

L’analyse de r\u00e9gression lin\u00e9aire simple constitue la pierre angulaire de l’inf\u00e9rence statistique et de la mod\u00e9lisation pr\u00e9dictive dans les sciences contemporaines. D\u00e9velopp\u00e9e historiquement \u00e0 travers les travaux fondateurs de Francis Galton et formalis\u00e9e math\u00e9matiquement par Karl Pearson et Ronald Fisher, cette m\u00e9thode offre un cadre rigoureux pour explorer, quantifier et mod\u00e9liser la relation fonctionnelle univari\u00e9e qui lie une variable d\u00e9pendante continue \u00e0 un pr\u00e9dicteur unique. En d\u00e9pit de l’\u00e9mergence d’algorithmes d’apprentissage automatique de plus en plus complexes, la r\u00e9gression lin\u00e9aire pr\u00e9serve un statut \u00e9pist\u00e9mologique privil\u00e9gi\u00e9, tant en raison de son interpr\u00e9tabilit\u00e9 param\u00e9trique absolue que de sa robustesse th\u00e9orique adoss\u00e9e au th\u00e9or\u00e8me de Gauss-Markov.<\/p>\n

Dans les sciences comportementales, cognitives, sociales et biom\u00e9dicales, la d\u00e9marche du chercheur d\u00e9passe la simple qu\u00eate de performance pr\u00e9dictive pour s’ancrer dans l’explication des ph\u00e9nom\u00e8nes. Comprendre comment une variation marginale d’une variable environnementale ou individuelle module un comportement ou un score psychom\u00e9trique exige un instrument analytique transparent. Le langage de programmation Python s’est impos\u00e9 comme l’environnement d’ing\u00e9nierie et de recherche par excellence, articulant la flexibilit\u00e9 du calcul matriciel vectoris\u00e9 avec des biblioth\u00e8ques statistiques de premier ordre. Ce guide exhaustif a pour vocation de d\u00e9composer chaque dimension de la r\u00e9gression lin\u00e9aire simple, depuis la mod\u00e9lisation math\u00e9matique fondamentale jusqu’\u00e0 la restitution normalis\u00e9e des r\u00e9sultats selon les standards acad\u00e9miques internationaux.<\/p>\n

Adopter une d\u00e9marche analytique rigoureuse requiert de ne jamais r\u00e9duire l’ajustement statistique \u00e0 l’ex\u00e9cution m\u00e9canique d’une ligne de code. Ce manuel m\u00e9thodologique propose une progression syst\u00e9matique : clarification des hypoth\u00e8ses probabilistes sous-jacentes, diagnostic exploratoire des distributions, impl\u00e9mentation comparative via les \u00e9cosyst\u00e8mes Statsmodels<\/a> et Scikit-Learn<\/a>, v\u00e9rification m\u00e9ticuleuse des postulats sur les r\u00e9sidus et d\u00e9tection raisonn\u00e9e des points aberrants et influents. Chaque \u00e9tape est adoss\u00e9e \u00e0 une r\u00e9flexion th\u00e9orique approfondie, assurant ainsi une ma\u00eetrise compl\u00e8te du processus de mod\u00e9lisation pour la recherche empirique.<\/p>\n

1. Fondements th\u00e9oriques de la r\u00e9gression lin\u00e9aire simple<\/h2>\n

1.1 D\u00e9finition et mod\u00e9lisation math\u00e9matique du lien univari\u00e9<\/h3>\n

La mod\u00e9lisation de la r\u00e9gression lin\u00e9aire simple repose sur l’hypoth\u00e8se selon laquelle une variable quantitative continue, qualifi\u00e9e de variable de r\u00e9ponse, d\u00e9pendante ou expliqu\u00e9e, not\u00e9e usuellement $Y$<\/span>, entretient une relation structurelle de premier ordre avec une variable ind\u00e9pendante, explicative ou pr\u00e9dictive, not\u00e9e $X$<\/span>. La formalisation math\u00e9matique de cette relation au sein de la population g\u00e9n\u00e9rale s’\u00e9nonce selon l’\u00e9quation fondamentale :<\/p>\n

$$Y_i = \\beta_0 + \\beta_1 X_i + \\varepsilon_i$$<\/span><\/p>\n

Dans cette formulation, l’indice $i$<\/span> d\u00e9signe la $i$<\/span>-i\u00e8me observation individuelle au sein d’un \u00e9chantillon de taille $n$<\/span>. Le param\u00e8tre $\\beta_0$<\/span> repr\u00e9sente l’ordonn\u00e9e \u00e0 l’origine (ou intercept), c’est-\u00e0-dire la valeur math\u00e9matiquement attendue pour l’esp\u00e9rance conditionnelle de $Y$<\/span> lorsque le pr\u00e9dicteur $X$<\/span> est rigoureusement \u00e9gal \u00e0 z\u00e9ro. Le param\u00e8tre $\\beta_1$<\/span> constitue le coefficient de r\u00e9gression ou la pente ; il quantifie le taux de variation moyen de $Y$<\/span> cons\u00e9cutif \u00e0 une augmentation unitaire de la variable $X$<\/span>. L’entit\u00e9 $\\varepsilon_i$<\/span> est le terme d’erreur stochastique, une variable al\u00e9atoire non observable traduisant \u00e0 la fois la variabilit\u00e9 naturelle intrins\u00e8que du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9, les erreurs potentielles de mesurage et l’omission d’autres d\u00e9terminants infinit\u00e9simaux non inclus dans le mod\u00e8le univari\u00e9.<\/p>\n

La distinction \u00e9pist\u00e9mologique entre relation d\u00e9terministe et relation probabiliste constitue le socle de la mod\u00e9lisation statistique. Alors qu’une relation physique purement d\u00e9terministe assigne \u00e0 chaque valeur de $X$<\/span> une unique valeur exacte de $Y$<\/span> (\u00e0 l’instar de la loi de Hooke ou de la gravitation newtonienne dans un vide parfait), la relation statistique mod\u00e9lis\u00e9e en sciences empiriques est fondamentalement probabiliste. Le mod\u00e8le ne pr\u00e9dit pas une trajectoire absolue pour un individu donn\u00e9, mais stipule la moyenne conditionnelle d’une distribution de probabilit\u00e9s :<\/p>\n

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

D’un point de vue distributionnel, le mod\u00e8le lin\u00e9aire standard postule que les erreurs stochastiques $\\varepsilon_i$<\/span> sont ind\u00e9pendantes et identiquement distribu\u00e9es selon une loi normale d’esp\u00e9rance nulle et de variance constante $\\sigma^2$<\/span>, une condition formellement r\u00e9sum\u00e9e par l’expression $\\varepsilon_i \\overset{i.i.d.}{\\sim} \\mathcal{N}(0, \\sigma^2)$<\/span>. Ce postulat implique directement que, pour toute valeur fix\u00e9e de $X$<\/span>, la variable conditionnelle $Y|X$<\/span> suit elle-m\u00eame une distribution gaussienne de moyenne $\\beta_0 + \\beta_1 X$<\/span> et de variance $\\sigma^2$<\/span>.<\/p>\n

1.2 Principe de la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO)<\/h3>\n

L’estimation empirique des param\u00e8tres inconnus de la population, \u00e0 savoir $\\beta_0$<\/span> et $\\beta_1$<\/span>, \u00e0 partir des donn\u00e9es d’un \u00e9chantillon fini requiert un crit\u00e8re d’optimisation math\u00e9matique objectif. La m\u00e9thode des moindres carr\u00e9s ordinaires (MCO), conceptualis\u00e9e de fa\u00e7on ind\u00e9pendante par Adrien-Marie Legendre et Carl Friedrich Gauss au d\u00e9but du XIXe si\u00e8cle, consiste \u00e0 identifier les estimateurs ponctuels, not\u00e9s traditionnellement $\\hat{\\beta}_0$<\/span> (ou $b_0$<\/span>) et $\\hat{\\beta}_1$<\/span> (ou $b_1$<\/span>), qui minimisent la somme du carr\u00e9 des \u00e9carts verticaux entre les valeurs observ\u00e9es $y_i$<\/span> et les valeurs pr\u00e9dites par la droite de r\u00e9gression $\\hat{y}_i$<\/span>.<\/p>\n

Cette fonction de co\u00fbt, d\u00e9sign\u00e9e sous le nom de somme des carr\u00e9s des r\u00e9sidus (SCR ou Residual Sum of Squares<\/em>, RSS), se formalise comme suit :<\/p>\n

$$S(b_0, b_1) = \\sum_{i=1}^{n} e_i^2 = \\sum_{i=1}^{n} (y_i – \\hat{y}_i)^2 = \\sum_{i=1}^{n} (y_i – (b_0 + b_1 x_i))^2$$<\/span><\/p>\n

La d\u00e9rivation analytique de ces estimateurs s’op\u00e8re en calculant les d\u00e9riv\u00e9es partielles de la fonction quadratique $S$<\/span> par rapport \u00e0 $b_0$<\/span> et $b_1$<\/span>, puis en annulant ces gradients pour trouver le minimum global, le syst\u00e8me d’\u00e9quations r\u00e9sultant \u00e9tant qualifi\u00e9 d’\u00e9quations normales :<\/p>\n

$$\\frac{\\partial S}{\\partial b_0} = -2 \\sum_{i=1}^{n} (y_i – b_0 – b_1 x_i) = 0$$<\/span><\/p>\n

$$\\frac{\\partial S}{\\partial b_1} = -2 \\sum_{i=1}^{n} x_i (y_i – b_0 – b_1 x_i) = 0$$<\/span><\/p>\n

La r\u00e9solution de ce syst\u00e8me lin\u00e9aire permet d’isoler les solutions uniques de fa\u00e7on explicite :<\/p>\n

$$\\hat{\\beta}_1 = \\frac{\\sum_{i=1}^{n} (x_i – \\bar{x})(y_i – \\bar{y})}{\\sum_{i=1}^{n} (x_i – \\bar{x})^2} = \\frac{\\mathrm{Cov}(X, Y)}{\\mathrm{Var}(X)}$$<\/span><\/p>\n

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

o\u00f9 $\\bar{x}$<\/span> et $\\bar{y}$<\/span> repr\u00e9sentent respectivement les moyennes arithm\u00e9tiques empiriques des variables $X$<\/span> et $Y$<\/span>. Selon le c\u00e9l\u00e8bre th\u00e9or\u00e8me de Gauss-Markov<\/a>, sous les postulats d’esp\u00e9rance nulle, d’homosc\u00e9dasticit\u00e9 et d’absence d’autocorr\u00e9lation des r\u00e9sidus, les estimateurs des MCO sont les meilleurs estimateurs lin\u00e9aires sans biais (propri\u00e9t\u00e9 dite BLUE<\/em> : Best Linear Unbiased Estimator<\/em>). Cela signifie qu’au sein de la classe de tous les estimateurs lin\u00e9aires et non biais\u00e9s de $\\beta_0$<\/span> et $\\beta_1$<\/span>, ceux obtenus par les MCO poss\u00e8dent la variance d’\u00e9chantillonnage minimale.<\/p>\n

N\u00e9anmoins, en raison de la nature quadratique de la fonction de co\u00fbt, qui amplifie de mani\u00e8re exponentielle les d\u00e9viations de grande magnitude, les estimateurs MCO manifestent une extr\u00eame sensibilit\u00e9 aux valeurs extr\u00eames ou aberrantes. Un unique point empirique situ\u00e9 \u00e0 une distance substantielle de la tendance g\u00e9n\u00e9rale peut infl\u00e9chir drastiquement l’angle de la pente ou d\u00e9caler l’ordonn\u00e9e \u00e0 l’origine, d\u00e9gradant la repr\u00e9sentativit\u00e9 g\u00e9n\u00e9rale du mod\u00e8le.<\/p>\n

1.3 Pertinence de la r\u00e9gression lin\u00e9aire en sciences psychologiques et comportementales<\/h3>\n

L’application de la r\u00e9gression lin\u00e9aire simple rev\u00eat une importance capitale dans les disciplines \u00e9tudiant le comportement humain, la cognition et les dynamiques organisationnelles. Les donn\u00e9es psychom\u00e9triques issues de protocoles standardis\u00e9s \u2014 telles que les mesures de temps de r\u00e9action, les quotients intellectuels, les indices d’anxi\u00e9t\u00e9 ou les scores d’\u00e9valuation des comp\u00e9tences acad\u00e9miques \u2014 se pr\u00eatent naturellement \u00e0 cette mod\u00e9lisation lorsqu’elles sont enregistr\u00e9es sur des \u00e9chelles d’intervalles ou de rapports. Par exemple, quantifier avec pr\u00e9cision l’impact du nombre d’heures consacr\u00e9es \u00e0 l’apprentissage sur la performance cognitive lors d’une t\u00e2che d’\u00e9valuation permet de formaliser des lois d’apprentissage quantitatives et d’optimiser les strat\u00e9gies p\u00e9dagogiques.<\/p>\n

Il demeure cependant primordial de souligner la distinction critique entre association statistique et inf\u00e9rence causale. Bien que le mod\u00e8le de r\u00e9gression lin\u00e9aire postule math\u00e9matiquement une asym\u00e9trie fonctionnelle \u2014 la variable $X$<\/span> pr\u00e9disant la variable $Y$<\/span> \u2014, cette directionnalit\u00e9 n’implique en aucun cas que $X$<\/span> soit la cause directe de $Y$<\/span>. En psychologie empirique, des corr\u00e9lations robustes peuvent \u00eatre g\u00e9n\u00e9r\u00e9es par des variables confondantes non observ\u00e9es (ph\u00e9nom\u00e8ne de causalit\u00e9 commune) ou par des relations de causalit\u00e9 inverse. L’affirmation d’une causalit\u00e9 v\u00e9ritable requiert imp\u00e9rativement un dispositif exp\u00e9rimental avec assignation al\u00e9atoire et manipulation syst\u00e9matique du pr\u00e9dicteur, conditions que le mod\u00e8le math\u00e9matique ne peut suppl\u00e9er \u00e0 lui seul.<\/p>\n

Sur le plan structurel, la r\u00e9gression lin\u00e9aire simple ne doit pas \u00eatre per\u00e7ue comme un outil isol\u00e9, mais bien comme la brique \u00e9l\u00e9mentaire du vaste cadre des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux (GLM). Elle constitue le cas particulier le plus accessible d’un continuum statistique englobant la r\u00e9gression multiple, l’analyse de variance (ANOVA), l’analyse de covariance (ANCOVA) et, par extension aux distributions non gaussiennes via des fonctions de lien, les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLZ). Ma\u00eetriser les propri\u00e9t\u00e9s g\u00e9om\u00e9triques et probabilistes du cas univari\u00e9 constitue le pr\u00e9requis m\u00e9thodologique indispensable pour aborder ces extensions multivari\u00e9es complexes.<\/p>\n

2. Configuration de l’environnement de d\u00e9veloppement Python<\/h2>\n

2.1 Mise en place de l’\u00e9cosyst\u00e8me scientifique<\/h3>\n

L’ex\u00e9cution rigoureuse d’analyses statistiques complexes n\u00e9cessite un environnement de calcul stable, isol\u00e9 et parfaitement reproductible. Dans l’\u00e9cosyst\u00e8me Python, la distribution int\u00e9gr\u00e9e Anaconda<\/a> s’est largement impos\u00e9e au sein de la communaut\u00e9 scientifique en raison de sa gestion native des d\u00e9pendances binaires non-Python et de son gestionnaire de paquets optimis\u00e9 conda<\/code>. Alternativement, l’emploi de l’outil natif venv<\/code> associ\u00e9 \u00e0 l’installateur de paquets standard pip<\/code> offre une solution extr\u00eamement l\u00e9g\u00e8re pour cr\u00e9er des environnements virtuels isol\u00e9s, garantissant qu’aucune mise \u00e0 niveau inopin\u00e9e d’une biblioth\u00e8que syst\u00e8me ne vienne alt\u00e9rer le fonctionnement des scripts d’analyse.<\/p>\n

La tra\u00e7abilit\u00e9 et la p\u00e9rennit\u00e9 des r\u00e9sultats constituent des imp\u00e9ratifs \u00e9pist\u00e9mologiques fondamentaux dans le cadre de la crise de la reproductibilit\u00e9 scientifique. Il est formellement recommand\u00e9 de figer les versions pr\u00e9cises des environnements logiciels (notamment la version majeure de Python, telle que Python 3.10 ou 3.11) et de consigner l’int\u00e9gralit\u00e9 des d\u00e9pendances au sein d’un fichier d\u00e9claratif de type requirements.txt<\/code> ou environment.yml<\/code>. Cette pratique standardis\u00e9e permet \u00e0 tout pair ou \u00e9valuateur de reconstruire \u00e0 l’identique la pile logicielle employ\u00e9e lors de l’\u00e9tude.<\/p>\n

Au sein de cet \u00e9cosyst\u00e8me, l’interface des carnets de calcul interactifs Jupyter Notebooks<\/a> (ou JupyterLab) fournit un cadre de travail id\u00e9al pour l’analyse exploratoire et la mod\u00e9lisation statistique. En autorisant la juxtaposition fluide de cellules de code ex\u00e9cutables, de repr\u00e9sentations graphiques haute d\u00e9finition rendues en ligne et de blocs explicatifs r\u00e9dig\u00e9s en syntaxe Markdown et LaTeX, Jupyter favorise une documentation transparente de la d\u00e9marche intellectuelle, depuis l’ingestion brute des donn\u00e9es jusqu’\u00e0 l’interpr\u00e9tation inf\u00e9rentielle terminale.<\/p>\n

2.2 Importation et r\u00f4le des biblioth\u00e8ques fondamentales<\/h3>\n

Le traitement des donn\u00e9es en Python s’articule autour d’un ensemble de biblioth\u00e8ques tierces hautement sp\u00e9cialis\u00e9es, d\u00e9velopp\u00e9es en C et Fortran afin de pallier la lenteur inh\u00e9rente au caract\u00e8re interpr\u00e9t\u00e9 du langage de base. La manipulation tabulaire des ensembles empiriques s’effectue via Pandas<\/a>. Cette biblioth\u00e8que introduit la structure fondamentale du DataFrame<\/code>, un tableau bidimensionnel h\u00e9t\u00e9rog\u00e8ne dot\u00e9 d’axes index\u00e9s, capable d’aligner automatiquement des observations, de g\u00e9rer des types de donn\u00e9es diversifi\u00e9s et d’ex\u00e9cuter des op\u00e9rations d’agr\u00e9gation, de filtrage et de transformation vectoris\u00e9es indispensables lors de la phase de pr\u00e9paration m\u00e9thodologique.<\/p>\n

Sous-jacent \u00e0 Pandas et \u00e0 la quasi-totalit\u00e9 de l’informatique scientifique moderne, le module NumPy<\/a> constitue le c\u0153ur n\u00e9vralgique du calcul num\u00e9rique. Il impl\u00e9mente la classe d’objets ndarray<\/code>, qui alloue des blocs de m\u00e9moire contigus pour stocker des tableaux multidimensionnels homog\u00e8nes. NumPy propose un ensemble exhaustif de fonctions math\u00e9matiques optimis\u00e9es, ex\u00e9cutant des calculs d’alg\u00e8bre lin\u00e9aire de bas niveau indispensables \u00e0 la d\u00e9rivation des estimateurs de r\u00e9gression, tels que le produit matriciel, l’inversion de matrice et la d\u00e9composition en valeurs singuli\u00e8res.<\/p>\n

Compl\u00e9tant ce socle, la biblioth\u00e8que SciPy<\/a>, et tout particuli\u00e8rement son sous-module scipy.stats<\/code>, met \u00e0 disposition une vaste collection de distributions statistiques th\u00e9oriques continues et discr\u00e8tes. Elle permet le calcul exact des densit\u00e9s de probabilit\u00e9, des fonctions de r\u00e9partition cumul\u00e9es, des percentiles et des probabilit\u00e9s critiques ($p$<\/span>-valeurs), tout en fournissant une panoplie exhaustive de tests non param\u00e9triques et d’outils d’optimisation indispensables pour \u00e9valuer formellement la conformit\u00e9 des donn\u00e9es aux hypoth\u00e8ses sous-jacentes des mod\u00e8les th\u00e9oriques.<\/p>\n

2.3 Outils sp\u00e9cialis\u00e9s de mod\u00e9lisation et de rendu graphique<\/h3>\n

Pour la phase d’ajustement du mod\u00e8le de r\u00e9gression lin\u00e9aire, deux biblioth\u00e8ques logiques aux finalit\u00e9s compl\u00e9mentaires coexistent dans l’\u00e9cosyst\u00e8me Python : Statsmodels<\/a> et Scikit-Learn<\/a>. Statsmodels a \u00e9t\u00e9 express\u00e9ment con\u00e7u selon les paradigmes de la statistique inf\u00e9rentielle et de l’\u00e9conom\u00e9trie formelle. Il excelle dans la restitution exhaustive de tableaux d’analyse de variance, la fourniture des erreurs-types des param\u00e8tres, les intervalles de confiance et les tests de sp\u00e9cification sur la structure des r\u00e9sidus. \u00c0 l’inverse, Scikit-Learn adopte la philosophie de l’apprentissage automatique (machine learning<\/em>), orient\u00e9e prioritairement vers la performance de g\u00e9n\u00e9ralisation, la validation crois\u00e9e et le d\u00e9ploiement op\u00e9rationnel au sein de pipelines de production.<\/p>\n

Sur le versant de la visualisation des donn\u00e9es et des diagnostics graphiques, la biblioth\u00e8que Matplotlib<\/a> sert de moteur graphique de bas niveau. Elle offre un contr\u00f4le granulaire absolu sur l’ensemble des \u00e9l\u00e9ments de la figure : positionnement pr\u00e9cis des axes, calibrage des \u00e9chelles logarithmiques ou lin\u00e9aires, personnalisation typographique fine et rendu vectoriel exportable dans des formats d’impression haute r\u00e9solution (PDF, EPS, SVG) conformes aux exigences des revues acad\u00e9miques les plus strictes.<\/p>\n

B\u00e2tie directement au-dessus de Matplotlib, la biblioth\u00e8que Seaborn<\/a> propose une couche d’abstraction de haut niveau orient\u00e9e vers la visualisation statistique exploratoire. Seaborn s’int\u00e8gre nativement avec les structures de donn\u00e9es Pandas, automatisant l’agr\u00e9gation statistique, l’application de palettes chromatiques scientifiquement calibr\u00e9es et la g\u00e9n\u00e9ration conjointe d’ajustements de r\u00e9gression avec bandes d’incertitude bay\u00e9siennes ou bootstrap\u00e9es. La combinaison synergique de ces deux outils graphiques assure une exploration esth\u00e9tique et rigoureuse des donn\u00e9es empiriques.<\/p>\n

3. \u00c9tape 1 : Structuration et chargement des donn\u00e9es d’\u00e9tude<\/h2>\n

3.1 Cr\u00e9ation du jeu de donn\u00e9es empirique<\/h3>\n

Afin d’ancrer notre d\u00e9marche dans un protocole m\u00e9thodologique concret, nous \u00e9laborons un jeu de donn\u00e9es empirique issu du champ de la psychologie cognitive de l’\u00e9ducation. L’objectif exp\u00e9rimental consiste \u00e0 \u00e9valuer dans quelle mesure l’allocation du temps d’\u00e9tude individuel, exprim\u00e9 en heures cumul\u00e9es au cours d’un semestre acad\u00e9mique, constitue un pr\u00e9dicteur direct et lin\u00e9aire de la performance obtenue lors d’une \u00e9preuve d’\u00e9valuation finale standardis\u00e9e, mesur\u00e9e par un score num\u00e9rique continu gradu\u00e9 sur une \u00e9chelle de z\u00e9ro \u00e0 cent points.<\/p>\n

Dans un contexte r\u00e9el, les observations sont g\u00e9n\u00e9ralement extraites de bases relationnelles ou import\u00e9es depuis des fichiers plats d\u00e9limit\u00e9s (fichiers au format CSV ou TSV). En Python, la formalisation de cette structure tabulaire s’effectue via l’instanciation directe d’un pd.DataFrame<\/code> Pandas \u00e0 partir d’un dictionnaire de vecteurs num\u00e9riques. Cette m\u00e9thode permet de contr\u00f4ler pr\u00e9cis\u00e9ment les valeurs associ\u00e9es \u00e0 chaque unit\u00e9 statistique. Un \u00e9chantillon typique de vingt \u00e9tudiants ($n = 20$<\/span>) est ainsi structur\u00e9, o\u00f9 la premi\u00e8re colonne correspond au pr\u00e9dicteur $X$<\/span> (heures d’\u00e9tude) et la seconde \u00e0 la r\u00e9ponse $Y$<\/span> (note d’examen).<\/p>\n

D\u00e8s l’instanciation de la structure de donn\u00e9es, la premi\u00e8re t\u00e2che de l’analyste consiste \u00e0 inspecter rigoureusement la g\u00e9om\u00e9trie de la matrice au moyen de la propri\u00e9t\u00e9 .shape<\/code>, qui renvoie le tuple $(n, p)$<\/span> correspondant au nombre de lignes et de colonnes. Une visualisation directe des premiers enregistrements via la m\u00e9thode .head()<\/code> et des derniers via .tail()<\/code> confirme l’int\u00e9grit\u00e9 de l’alignement indexiel et \u00e9carte les \u00e9ventuelles anomalies de conversion imm\u00e9diatement perceptibles lors du chargement initial.<\/p>\n

3.2 Contr\u00f4le de l’int\u00e9grit\u00e9 et typage des variables<\/h3>\n

L’int\u00e9grit\u00e9 structurelle des donn\u00e9es conditionne la validit\u00e9 des calculs alg\u00e9briques subs\u00e9quents. Une d\u00e9faillance dans l’assignation des types de donn\u00e9es sous-jacents peut silently corrompre les algorithmes d’estimation matricielle. Il est d\u00e8s lors imp\u00e9ratif de solliciter la m\u00e9thode .dtypes<\/code> et la m\u00e9thode r\u00e9capitulative .info()<\/code> du DataFrame afin de s’assurer formellement que les variables d’int\u00e9r\u00eat sont encod\u00e9es sous forme de nombres \u00e0 virgule flottante (types float64<\/code> ou int64<\/code>) et non sous forme de cha\u00eenes de caract\u00e8res (type object<\/code>), ce qui traduirait la pr\u00e9sence accidentelle de caract\u00e8res typographiques invisibles ou d’espaces ins\u00e9cables.<\/p>\n

La d\u00e9tection des valeurs manquantes ou incompl\u00e8tes (usuellement d\u00e9sign\u00e9es par la valeur sentinelle NaN<\/code> pour Not a Number<\/em>) constitue une \u00e9tape non n\u00e9gociable du protocole de validation. L’ex\u00e9cution de la commande cha\u00een\u00e9e df.isnull().sum()<\/code> permet de quantifier pr\u00e9cis\u00e9ment l’ampleur d’\u00e9ventuelles omissions de collecte. Dans le cadre th\u00e9orique strict des moindres carr\u00e9s ordinaires, toute observation pr\u00e9sentant une valeur ind\u00e9termin\u00e9e sur $X$<\/span> ou sur $Y$<\/span> est \u00e9limin\u00e9e par les proc\u00e9dures d’estimation standard (suppression par liste ou listwise deletion<\/em>), ce qui modifie la taille effective de l’\u00e9chantillon et peut introduire des biais syst\u00e9matiques si ces disparitions ne sont pas compl\u00e8tement al\u00e9atoires (m\u00e9canisme MCAR<\/em>).<\/p>\n

Enfin, la v\u00e9rification des bornes de validit\u00e9 computationnelle garantit l’absence d’incoh\u00e9rences mat\u00e9rielles \u00e9videntes, telles que des scores d’examen n\u00e9gatifs ou des temps d’\u00e9tude exc\u00e9dant le nombre d’heures th\u00e9oriquement disponibles au sein d’une p\u00e9riode acad\u00e9mique donn\u00e9e. Toute anomalie identifi\u00e9e \u00e0 ce stade doit faire l’objet d’une tra\u00e7abilit\u00e9 documentaire m\u00e9ticuleuse avant toute tentative de mod\u00e9lisation math\u00e9matique.<\/p>\n

3.3 Documentation m\u00e9trologique des variables<\/h3>\n

La rigueur acad\u00e9mique impose que toute grandeur num\u00e9rique soit adoss\u00e9e \u00e0 une d\u00e9finition m\u00e9trologique irr\u00e9prochable. L’analyste doit imp\u00e9rativement expliciter les propri\u00e9t\u00e9s de mesure des variables \u00e9tudi\u00e9es. Dans notre dispositif d’illustration, la variable pr\u00e9dictive continue \u00ab Temps d’\u00e9tude \u00bb ($X$<\/span>) est quantifi\u00e9e en unit\u00e9s horaires r\u00e9elles ($h$<\/span>), mesur\u00e9es avec une pr\u00e9cision d\u00e9cimale d’un dixi\u00e8me d’heure, refl\u00e9tant le temps effectif pass\u00e9 par chaque apprenant en interaction active avec le mat\u00e9riel p\u00e9dagogique (lectures, exercices, r\u00e9visions dirig\u00e9es), exclusion faite des temps de pause passive.<\/p>\n

La variable de r\u00e9ponse \u00ab Score \u00e0 l’examen \u00bb ($Y$<\/span>) est formalis\u00e9e sur une \u00e9chelle continue th\u00e9orique de $0$ \u00e0 $100$ points. Bien que les notes d’examens soient parfois discr\u00e9tis\u00e9es par les processus de notation acad\u00e9mique en nombres entiers ou demi-entiers, le continuum sous-jacent du construit cognitif \u00e9valu\u00e9 autorise son traitement l\u00e9gitime en tant que variable continue dans le cadre du mod\u00e8le lin\u00e9aire, sous r\u00e9serve que l’\u00e9chelle ne pr\u00e9sente pas d’effets de plancher ou de plafond marqu\u00e9s qui tronqueraient artificiellement la distribution.<\/p>\n

La tra\u00e7abilit\u00e9 des donn\u00e9es n\u00e9cessite \u00e9galement la conservation des m\u00e9tadonn\u00e9es associ\u00e9es : protocole d’enregistrement utilis\u00e9 (relev\u00e9s automatiques de temps de connexion sur plateforme p\u00e9dagogique, journaux de bord auto-rapport\u00e9s), conditions environnementales de passation de l’\u00e9valuation finale et anonymisation stricte des identifiants des participants. Cette documentation garantit la transparence scientifique et facilite d’\u00e9ventuelles r\u00e9analyses secondaires par la communaut\u00e9 acad\u00e9mique.<\/p>\n

4. \u00c9tape 2 : Analyse exploratoire des donn\u00e9es (EDA)<\/h2>\n

4.1 Statistiques descriptives univari\u00e9es<\/h3>\n

Pr\u00e9alablement \u00e0 toute mod\u00e9lisation bivari\u00e9e, l’exploration d\u00e9taill\u00e9e des distributions univari\u00e9es individuelles constitue un pr\u00e9requis incontournable de l’analyse exploratoire des donn\u00e9es (Exploratory Data Analysis<\/em>). La m\u00e9thode df.describe()<\/code> fournit une premi\u00e8re synth\u00e8se tabulaire des propri\u00e9t\u00e9s de position et d’\u00e9chelle de chaque variable. La tendance centrale est appr\u00e9hend\u00e9e conjointement par la moyenne arithm\u00e9tique et par la m\u00e9diane (50e percentile). Une divergence prononc\u00e9e entre la moyenne et la m\u00e9diane constitue le premier signal d’une asym\u00e9trie distributionnelle ou de l’influence potentielle d’observations atypiques log\u00e9es dans les queues de distribution.<\/p>\n

La dispersion des variables s’\u00e9value au moyen de l’\u00e9cart-type d’\u00e9chantillon, not\u00e9 $s$<\/span>, dont le carr\u00e9 d\u00e9finit la variance non biais\u00e9e (divis\u00e9e par $n – 1$<\/span> degr\u00e9s de libert\u00e9). Pour compl\u00e9ter ces param\u00e8tres gaussiens traditionnels, l’intervalle interquartile ($IQR = Q_3 – Q_1$<\/span>), calcul\u00e9 entre le premier et le troisi\u00e8me quartile, fournit une mesure d’\u00e9talement robuste et non param\u00e9trique, insensible aux \u00e9ventuelles valeurs d\u00e9viantes situ\u00e9es aux extr\u00eames de la s\u00e9rie.<\/p>\n

Pour approfondir la caract\u00e9risation de la forme g\u00e9om\u00e9trique des lois empiriques, le calcul des coefficients de forme s’av\u00e8re indispensable : le coefficient d’asym\u00e9trie de Fisher (skewness<\/em>) et le coefficient d’aplatissement (kurtosis<\/em>). Une asym\u00e9trie statistiquement nulle refl\u00e8te une distribution sym\u00e9trique de type gaussien, tandis qu’une valeur positive d\u00e9note un \u00e9talement de la queue de distribution vers la droite (valeurs \u00e9lev\u00e9es). Un coefficient d’aplatissement exc\u00e9dant la valeur de r\u00e9f\u00e9rence de la loi normale (kurtosis d’exc\u00e8s positif) signale une distribution leptokurtique, caract\u00e9ris\u00e9e par un pic central ac\u00e9r\u00e9 et des queues \u00e9paisses sujettes \u00e0 des \u00e9v\u00e9nements extr\u00eames plus fr\u00e9quents que sous l’hypoth\u00e8se de normalit\u00e9.<\/p>\n

\"Boxplot
Boxplot in Python<\/figcaption><\/figure>\n

4.2 Visualisation pr\u00e9liminaire par nuage de points<\/h3>\n

L’inspection graphique d’une distribution constitue l’un des garde-fous m\u00e9thodologiques les plus puissants contre les erreurs d’interpr\u00e9tation purement arithm\u00e9tiques, comme l’a magistralement d\u00e9montr\u00e9 le statisticien Francis Anscombe avec son c\u00e9l\u00e8bre quatuor. Le diagramme de dispersion (ou scatter plot<\/em>) repr\u00e9sente l’espace bidimensionnel d\u00e9fini par les axes orthogonaux $(X, Y)$<\/span>, sur lequel chaque couple d’observations empiriques $(x_i, y_i)$<\/span> est projet\u00e9 sous la forme d’un point g\u00e9om\u00e9trique discret.<\/p>\n

En mobilisant la fonction sns.scatterplot()<\/code> de la biblioth\u00e8que Seaborn ou la fonction native plt.scatter()<\/code> de Matplotlib, le chercheur proc\u00e8de \u00e0 un examen morphologique attentif du nuage d’observations. L’objectif premier est de confirmer visuellement l’ad\u00e9quation d’une trajectoire lin\u00e9aire droite. Une disposition g\u00e9n\u00e9rale des points s’\u00e9tirant le long d’une bande diagonale ascendante uniforme constitue le signal favorable indiquant qu’un mod\u00e8le de r\u00e9gression du premier degr\u00e9 permettra de capturer fid\u00e8lement la structure dominante des donn\u00e9es.<\/p>\n

Ce diagnostic visuel permet \u00e9galement d’identifier imm\u00e9diatement des anomalies de conformation spatiale qui \u00e9chapperaient aux synth\u00e8ses num\u00e9riques globales. Il s’agit notamment de rep\u00e9rer d’\u00e9ventuelles non-lin\u00e9arit\u00e9s flagrantes (courbures logarithmiques, inflexions sigmo\u00efdales ou trajectoires paraboliques en forme de U invers\u00e9), des concentrations asym\u00e9triques sugg\u00e9rant des effets de grappes ou de sous-groupes non identifi\u00e9s au sein de l’\u00e9chantillon, ainsi que des points isol\u00e9s situ\u00e9s \u00e0 une distance consid\u00e9rable du corps principal de la distribution.<\/p>\n

\"Scatterplot
Scatterplot in Python<\/figcaption><\/figure>\n

4.3 Estimation de l’association lin\u00e9aire bivari\u00e9e<\/h3>\n

La quantification math\u00e9matique formelle du degr\u00e9 d’association lin\u00e9aire univari\u00e9e entre la variable explicative et la variable cible repose sur le coefficient de corr\u00e9lation produit-moment de Pearson, usuellement d\u00e9sign\u00e9 par le symbole $r$<\/span>. Ce coefficient param\u00e9trique s’obtient en divisant la covariance empirique des deux grandeurs par le produit de leurs \u00e9carts-types respectifs :<\/p>\n

$$r = \\frac{\\sum_{i=1}^{n} (x_i – \\bar{x})(y_i – \\bar{y})}{\\sqrt{\\sum_{i=1}^{n} (x_i – \\bar{x})^2} \\sqrt{\\sum_{i=1}^{n} (y_i – \\bar{y})^2}}$$<\/span><\/p>\n

Par construction math\u00e9matique, la valeur de $r$<\/span> est strictement born\u00e9e au sein de l’intervalle ferm\u00e9 $[-1, +1]$<\/span>. Une valeur tendant vers $+1$<\/span> indique une corr\u00e9lation lin\u00e9aire positive parfaite, une valeur de $0$ caract\u00e9rise l’absence absolue de corr\u00e9lation lin\u00e9aire, et une valeur tendant vers $-1$<\/span> mat\u00e9rialise une relation lin\u00e9aire n\u00e9gative parfaite. Selon les conventions canoniques propos\u00e9es par Jacob Cohen pour les sciences humaines et comportementales, une corr\u00e9lation $|r| ge 0{,}10$<\/span> est qualifi\u00e9e de faible, $|r| ge 0{,}30$<\/span> de mod\u00e9r\u00e9e, et $|r| ge 0{,}50$<\/span> d’\u00e9lev\u00e9e.<\/p>\n

L’estimation ponctuelle de ce coefficient doit imp\u00e9rativement s’accompagner d’un test d’hypoth\u00e8se inf\u00e9rentiel visant \u00e0 \u00e9valuer la significativit\u00e9 statistique de la liaison observ\u00e9e au sein de la population parente. L’hypoth\u00e8se nulle formalise l’absence d’association lin\u00e9aire : $H_0: \\rho = 0$<\/span>. La statistique de d\u00e9cision suit une loi de Student \u00e0 $n – 2$<\/span> degr\u00e9s de libert\u00e9 :<\/p>\n

$$t = \\frac{r \\sqrt{n – 2}}{\\sqrt{1 – r^2}}$$<\/span><\/p>\n

L’ex\u00e9cution de la fonction pearsonr<\/code> du sous-module scipy.stats<\/code> renvoie simultan\u00e9ment l’estimation ponctuelle de $r$<\/span> et la probabilit\u00e9 critique bilat\u00e9rale ($p$<\/span>-valeur) associ\u00e9e \u00e0 cette statistique $t$<\/span>. Si cette $p$<\/span>-valeur est inf\u00e9rieure au seuil de signification conventionnel $\\alpha = 0{,}05$<\/span>, l’hypoth\u00e8se nulle est rejet\u00e9e, attestant que l’association observ\u00e9e ne peut raisonnablement \u00eatre imput\u00e9e au seul hasard de l’\u00e9chantillonnage.<\/p>\n

5. \u00c9tape 3 : \u00c9valuation pr\u00e9liminaire des postulats th\u00e9oriques<\/h2>\n

5.1 Postulat de lin\u00e9arit\u00e9 de la relation<\/h3>\n

Le premier postulat fondamental du mod\u00e8le de r\u00e9gression lin\u00e9aire classique stipule que la forme fonctionnelle liant l’esp\u00e9rance conditionnelle de $Y$<\/span> \u00e0 la valeur de $X$<\/span> est une fonction affine droite. Une erreur de sp\u00e9cification relative \u00e0 cette lin\u00e9arit\u00e9 th\u00e9orique entra\u00eene des cons\u00e9quences d\u00e9sastreuses sur le plan math\u00e9matique : les estimateurs des MCO perdent leur propri\u00e9t\u00e9 de non-biais, induisant des sous-estimations ou des surestimations syst\u00e9matiques des valeurs cibles sur diff\u00e9rentes plages de l’espace des covariables.<\/p>\n

Pour valider l’ad\u00e9quation d’une mod\u00e9lisation lin\u00e9aire sans imposer a priori une trajectoire param\u00e9trique rigide, les statisticiens emploient des m\u00e9thodes d’estimation non param\u00e9trique locale, au premier rang desquelles figure le lissage polynomial local pond\u00e9r\u00e9 ou LOWESS (Locally Weighted Scatterplot Smoothing<\/em>). Cette technique estime la tendance centrale en calculant des r\u00e9gressions polynomiales locales pond\u00e9r\u00e9es au voisinage de chaque observation, attribuant un poids inversement proportionnel \u00e0 la distance g\u00e9om\u00e9trique des points voisins.<\/p>\n

En superposant graphiquement la courbe issue du lissage LOWESS \u00e0 la droite de r\u00e9gression lin\u00e9aire param\u00e9trique des MCO, le chercheur peut d\u00e9celer visuellement d’\u00e9ventuelles inflexions ou courbures progressives. Si la trajectoire non param\u00e9trique oscille \u00e9troitement autour de la droite g\u00e9om\u00e9trique sans manifester de d\u00e9rive syst\u00e9matique persistante, l’hypoth\u00e8se de lin\u00e9arit\u00e9 peut \u00eatre jug\u00e9e empiriquement acceptable. Dans le cas contraire, une transformation non lin\u00e9aire des variables (transformation logarithmique, racine carr\u00e9e ou mod\u00e9lisation polynomiale d’ordre sup\u00e9rieur) doit \u00eatre envisag\u00e9e avant de poursuivre.<\/p>\n

5.2 Ind\u00e9pendance conceptuelle des observations<\/h3>\n

L’hypoth\u00e8se selon laquelle chaque observation individuelle $(x_i, y_i)$<\/span> est stochastiquement ind\u00e9pendante de toutes les autres constitue un pilier th\u00e9orique indispensable du mod\u00e8le standard. L’absence d’ind\u00e9pendance structurelle survient fr\u00e9quemment dans les protocoles comportant des mesures longitudinales r\u00e9p\u00e9t\u00e9es sur les m\u00eames sujets, des donn\u00e9es hi\u00e9rarchis\u00e9es (tels que des \u00e9l\u00e8ves regroup\u00e9s au sein de classes scolaires distinctes) ou des s\u00e9ries chronologiques caract\u00e9ris\u00e9es par une d\u00e9pendance temporelle s\u00e9rielle.<\/p>\n

La violation du postulat d’ind\u00e9pendance ne biaise pas directement l’estimation ponctuelle des coefficients $\\hat{\\beta}_0$<\/span> et $\\hat{\\beta}_1$<\/span>, mais affecte dramatiquement le calcul de leur matrice de variance-covariance empirique. Lorsque les r\u00e9sidus sont corr\u00e9l\u00e9s positivement entre eux, l’information redondante contenue dans l’\u00e9chantillon est trait\u00e9e par le mod\u00e8le comme s’il s’agissait d’observations autonomes r\u00e9elles. Il en r\u00e9sulte une sous-estimation syst\u00e9matique des erreurs-types asymptotiques des param\u00e8tres, ce qui gonfle artificiellement les statistiques $t$<\/span> de Student et produit une multiplication intol\u00e9rable du taux d’erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>), conduisant \u00e0 rejeter abusivement l’hypoth\u00e8se nulle.<\/p>\n

Il est fondamental de maintenir une distinction claire entre l’ind\u00e9pendance conceptuelle des variables brutes et l’ind\u00e9pendance des termes d’erreur r\u00e9siduels. Alors que la premi\u00e8re d\u00e9pend intrins\u00e8quement de l’architecture du plan d’\u00e9chantillonnage exp\u00e9rimental, la seconde fait l’objet de v\u00e9rifications empiriques quantitatives post-estimation. Dans notre cas d’\u00e9tude, l’\u00e9chantillonnage transversal al\u00e9atoire d’\u00e9tudiants distincts n’ayant aucun lien de d\u00e9pendance mutuelle permet de consid\u00e9rer le postulat d’ind\u00e9pendance du plan de collecte comme v\u00e9rifi\u00e9.<\/p>\n

5.3 \u00c9chelle et absence d’erreur de mesure sur le r\u00e9gresseur<\/h3>\n

Le cadre classique de la r\u00e9gression par les moindres carr\u00e9s ordinaires s’articule formellement autour de l’hypoth\u00e8se selon laquelle la variable explicative $X$<\/span> est mesur\u00e9e sans erreur stochastique ou, \u00e0 tout le moins, avec une pr\u00e9cision m\u00e9trologique infiniment sup\u00e9rieure \u00e0 celle de la variable de r\u00e9ponse $Y$<\/span>. Dans la litt\u00e9rature statistique avanc\u00e9e, cette condition s\u00e9pare les mod\u00e8les de r\u00e9gression classiques des mod\u00e8les d’erreurs sur les variables (Errors-in-Variables Models<\/em>).<\/p>\n

Lorsque le pr\u00e9dicteur $X$<\/span> est entach\u00e9 d’une erreur de mesure al\u00e9atoire non n\u00e9gligeable \u2014 situation particuli\u00e8rement pr\u00e9valente en psychologie lorsque les variables ind\u00e9pendantes proviennent de questionnaires auto-rapport\u00e9s ou d’instruments psychom\u00e9triques \u00e0 fid\u00e9lit\u00e9 imparfaite \u2014, un ph\u00e9nom\u00e8ne pernicieux d\u00e9nomm\u00e9 biais d’att\u00e9nuation (ou r\u00e9gression vers la moyenne) se produit. Ce biais math\u00e9matique comprime syst\u00e9matiquement l’estimation de la pente $\\hat{\\beta}_1$<\/span> vers z\u00e9ro :<\/p>\n

$$\\text{p\\lim} , \\hat{\\beta}_1 = \\beta_1 \\left( \\frac{\\sigma_X^2}{\\sigma_X^2 + \\sigma_u^2} \\right)$$<\/span><\/p>\n

o\u00f9 $\\sigma_u^2$<\/span> repr\u00e9sente la variance de l’erreur de mesure grevant la variable $X$<\/span>. Le coefficient d’att\u00e9nuation \u00e9tant strictement inf\u00e9rieur \u00e0 l’unit\u00e9 d\u00e8s lors que $\\sigma_u^2 > 0$<\/span>, l’analyste sous-estime syst\u00e9matiquement la force de l’effet univari\u00e9 r\u00e9el du pr\u00e9dicteur sur la population. Il est par cons\u00e9quent imp\u00e9ratif de s’assurer en amont que les outils m\u00e9trologiques servant \u00e0 enregistrer le r\u00e9gresseur poss\u00e8dent des indices de fid\u00e9lit\u00e9 et de consistance interne (tels que l’alpha de Cronbach ou l’om\u00e9ga de McDonald) d’un niveau particuli\u00e8rement \u00e9lev\u00e9 avant d’int\u00e9grer leurs mesures dans un mod\u00e8le MCO conventionnel.<\/p>\n

6. \u00c9tape 4 : Ajustement du mod\u00e8le de r\u00e9gression avec Statsmodels<\/h2>\n

6.1 Construction de la matrice de r\u00e9gression<\/h3>\n

La mise en \u0153uvre computationnelle de l’ajustement lin\u00e9aire via la biblioth\u00e8que Statsmodels<\/a> requiert une compr\u00e9hension pr\u00e9cise de la structure de l’alg\u00e8bre matricielle sous-jacente. Dans un syst\u00e8me lin\u00e9aire g\u00e9n\u00e9ral, le mod\u00e8le s’exprime sous la forme compacte $\\mathbf{Y} = \\mathbf{X}boldsymbol{\\beta} + boldsymbol{\\varepsilon}$<\/span>, o\u00f9 $\\mathbf{X}$<\/span> d\u00e9signe la matrice de dessin (design matrix<\/em>). Par d\u00e9faut, pour des raisons de flexibilit\u00e9 algorithmique, Statsmodels ne pr\u00e9sume pas de la pr\u00e9sence obligatoire d’une ordonn\u00e9e \u00e0 l’origine dans la formulation math\u00e9matique.<\/p>\n

Afin d’estimer le coefficient $\\beta_0$<\/span>, il est imp\u00e9ratif de modifier le vecteur dimensionnel de la variable explicative en lui adjoignant une colonne de constantes unitaires (des valeurs scalaires \u00e9gales \u00e0 $1$). Cette op\u00e9ration matricielle s’effectue au moyen de la fonction sm.add_constant()<\/code>, qui convertit la s\u00e9rie uni-colonne de taille $(n, 1)$<\/span> en une matrice bidimensionnelle de dimensions $(n, 2)$<\/span>, dont la premi\u00e8re colonne est constitu\u00e9e de $1$ et la seconde des valeurs empiriques de la variable $X$<\/span>.<\/p>\n

L’omission de cette \u00e9tape technique constitue un pi\u00e8ge classique aux cons\u00e9quences analytiques majeures : l’appel direct de la fonction de r\u00e9gression sans l’adjonction de cette colonne unitaire force artificiellement la droite \u00e0 traverser l’origine g\u00e9om\u00e9trique des coordonn\u00e9es $(0, 0)$<\/span>. Cela contraint l’ordonn\u00e9e \u00e0 l’origine \u00e0 \u00eatre strictement nulle ($\\hat{\\beta}_0 = 0$<\/span>), ce qui fausse radicalement l’estimation de la pente $\\hat{\\beta}_1$<\/span>, alt\u00e8re le calcul de la somme des carr\u00e9s et rend le coefficient de d\u00e9termination $R^2$<\/span> math\u00e9matiquement incoh\u00e9rent et virtuellement inutilisable pour l’inf\u00e9rence.<\/p>\n

6.2 Instanciation et r\u00e9solution par les moindres carr\u00e9s<\/h3>\n

Une fois les structures de donn\u00e9es rigoureusement configur\u00e9es, l’ajustement du mod\u00e8le statistique s’op\u00e8re par l’appel \u00e0 la classe sm.OLS<\/code> (pour Ordinary Least Squares<\/em>). La signature formelle du constructeur impose de sp\u00e9cifier le vecteur cible de la variable d\u00e9pendante $Y$<\/span> comme premier argument positionnel, suivi de la matrice de dessin $\\mathbf{X}$<\/span> pr\u00e9alablement augment\u00e9e de sa constante :<\/p>\n

modele = sm.OLS(y, X_const)<\/code><\/p>\n

L’instanciation de cette classe ne d\u00e9clenche pas imm\u00e9diatement la r\u00e9solution num\u00e9rique, mais initialise un objet de mod\u00e8le statistique formel. C’est l’ex\u00e9cution explicite de la m\u00e9thode .fit()<\/code> sur cette instance qui active les routines de calcul num\u00e9rique sous-jacentes. En coulisses, Statsmodels n’ex\u00e9cute pas une inversion matricielle na\u00efve de type $(\\mathbf{X}^T\\mathbf{X})^{-1}$<\/span>, laquelle s’av\u00e9rerait num\u00e9riquement instable en pr\u00e9sence de quasi-colin\u00e9arit\u00e9 ou de mauvais conditionnement num\u00e9rique, mais s’appuie sur des algorithmes avanc\u00e9s de factorisation matricielle, tels que la d\u00e9composition QR ou la d\u00e9composition en valeurs singuli\u00e8res (SVD) impl\u00e9ment\u00e9es dans la biblioth\u00e8que sous-jacente LAPACK.<\/p>\n

La m\u00e9thode .fit()<\/code> retourne une instance sp\u00e9cialis\u00e9e de la classe RegressionResultsWrapper<\/code>. Cet objet central encapsule de mani\u00e8re exhaustive l’int\u00e9gralit\u00e9 des sorties statistiques du mod\u00e8le : estimations ponctuelles des param\u00e8tres, matrices de variance-covariance asymptotique, r\u00e9sidus du mod\u00e8le, m\u00e9triques globales de qualit\u00e9 d’ajustement et valeurs critiques associ\u00e9es aux tests d’hypoth\u00e8ses univari\u00e9s et multivari\u00e9s.<\/p>\n

6.3 D\u00e9codage complet du tableau r\u00e9capitulatif (Summary Table)<\/h3>\n

L’affichage structur\u00e9 des r\u00e9sultats d’ajustement s’obtient via l’appel de la m\u00e9thode resultats.summary()<\/code>, qui g\u00e9n\u00e8re un rapport textuel normalis\u00e9 compos\u00e9 de trois blocs analytiques distincts. L’en-t\u00eate sup\u00e9rieur regroupe les informations contextuelles du protocole statistique : la variable d\u00e9pendante mod\u00e9lis\u00e9e, le mod\u00e8le th\u00e9orique exploit\u00e9 (OLS), la m\u00e9thode d’optimisation (Least Squares), la date et l’horodatage d’ex\u00e9cution, le nombre d’observations effectives incluses ($n$<\/span>), ainsi que les degr\u00e9s de libert\u00e9 du mod\u00e8le (\u00e9gaux \u00e0 $1$ pour une r\u00e9gression simple) et des r\u00e9sidus (\u00e9gaux \u00e0 $n – 2$<\/span>).<\/p>\n

La section centrale du rapport est d\u00e9volue \u00e0 la quantification des param\u00e8tres de la droite de r\u00e9gression :<\/p>\n