{"id":9749,"date":"2026-10-14T18:02:32","date_gmt":"2026-10-14T18:02:32","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-une-regression-lineaire-simple-en-python-etape-par-etape\/"},"modified":"2026-10-14T18:02:32","modified_gmt":"2026-10-14T18:02:32","slug":"comment-effectuer-une-regression-lineaire-simple-en-python-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-une-regression-lineaire-simple-en-python-etape-par-etape","title":{"rendered":"Comment effectuer une r\u00e9gression lin\u00e9aire simple en Python (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

Dans le champ de l’analyse quantitative contemporaine et des sciences des donn\u00e9es, la mod\u00e9lisation statistique constitue le pivot fondamental permettant de transformer des observations brutes en connaissances structur\u00e9es et exploitables. Parmi l’\u00e9ventail des m\u00e9thodologies pr\u00e9dictives et inf\u00e9rentielles, la r\u00e9gression lin\u00e9aire simple<\/a> demeure la pierre angulaire absolue, le mod\u00e8le matriciel \u00e0 partir duquel s’articulent les architectures algorithmiques les plus sophistiqu\u00e9es. Loin d’\u00eatre un simple exercice m\u00e9canique d’ajustement g\u00e9om\u00e9trique, cette m\u00e9thode bivari\u00e9e offre un cadre rigoureux pour sonder la nature, l’intensit\u00e9 et la significativit\u00e9 math\u00e9matique des associations observ\u00e9es entre deux dimensions quantitatives continues.<\/p>\n

L’essor des \u00e9cosyst\u00e8mes informatiques modernes, particuli\u00e8rement l’av\u00e8nement du langage de programmation Python<\/a> comme standard de facto pour le calcul scientifique, a profond\u00e9ment d\u00e9mocratis\u00e9 et raffin\u00e9 le d\u00e9ploiement de ces mod\u00e8les. \u00c0 l’intersection des math\u00e9matiques fondamentales, de l’\u00e9conom\u00e9trie et de la psychom\u00e9trie appliqu\u00e9e, l’impl\u00e9mentation algorithmique de la r\u00e9gression lin\u00e9aire simple requiert bien plus que la simple ex\u00e9cution d’instructions de code isol\u00e9es. Elle exige une ma\u00eetrise syst\u00e9matique de chaque maillon de la cha\u00eene analytique : de l’examen minutieux des postulats probabilistes sous-jacents \u00e0 l’\u00e9valuation diagnostique des termes d’erreur, en passant par la vectorisation des structures de donn\u00e9es et la communication acad\u00e9mique des r\u00e9sultats.<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive, \u00e9tape par \u00e9tape, de la mod\u00e9lisation par r\u00e9gression lin\u00e9aire simple sous Python. En ancrant le propos dans une perspective empirique rigoureuse \u2014 articul\u00e9e autour de l’\u00e9valuation des liens entre investissement temporel d’apprentissage et performance cognitive \u2014, ce guide d\u00e9taille tant les fondements \u00e9pist\u00e9mologiques et th\u00e9oriques du mod\u00e8le que son instanciation op\u00e9rationnelle \u00e0 l’aide des biblioth\u00e8ques scientifiques dominantes, notamment Pandas<\/a>, NumPy<\/a>, Scikit-learn<\/a> et Statsmodels<\/a>. Chaque concept y est diss\u00e9qu\u00e9 avec une exigence formelle absolue, garantissant au chercheur comme au praticien une reproductibilit\u00e9 sans faille et une interpr\u00e9tation exempte de biais m\u00e9thodologiques.<\/p>\n

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

1.1 D\u00e9finition math\u00e9matique et mod\u00e9lisation bivari\u00e9e<\/h3>\n

La r\u00e9gression lin\u00e9aire simple formalise l’\u00e9tude de l’association univari\u00e9e entre une variable ind\u00e9pendante, conventionnellement not\u00e9e X<\/em> (variable pr\u00e9dictive ou explicative), et une variable d\u00e9pendante continue, not\u00e9e Y<\/em> (variable r\u00e9ponse ou crit\u00e8re). Sur le plan stochastique, le mod\u00e8le postule que pour chaque observation individuelle index\u00e9e par i<\/em> au sein d’une population ou d’un \u00e9chantillon de taille n<\/em>, la valeur r\u00e9alis\u00e9e yi<\/sub><\/em> s’exprime comme une fonction d\u00e9terministe lin\u00e9aire de xi<\/sub><\/em>, perturb\u00e9e par une composante al\u00e9atoire non observable. Cette mod\u00e9lisation s’\u00e9crit formellement sous la forme :<\/p>\n

yi<\/sub> = β0<\/sub> + β1<\/sub> xi<\/sub> + εi<\/sub><\/em><\/p>\n

Il est imp\u00e9ratif d’\u00e9tablir une distinction \u00e9pist\u00e9mologique stricte entre la corr\u00e9lation lin\u00e9aire observ\u00e9e et l’inf\u00e9rence de causalit\u00e9 th\u00e9orique. La r\u00e9gression lin\u00e9aire quantifie la fa\u00e7on dont l’esp\u00e9rance conditionnelle de la variable r\u00e9ponse varie en fonction des fluctuations de la variable pr\u00e9dictive, ce qui s’\u00e9nonce math\u00e9matiquement par l’esp\u00e9rance E(Y|X = x) = β0<\/sub> + β1<\/sub>x<\/em>. Toutefois, l’existence d’une relation math\u00e9matiquement significative ne prouve en aucun cas qu’une modification d\u00e9lib\u00e9r\u00e9e de X<\/em> engendre intrins\u00e8quement une variation m\u00e9canique de Y<\/em>. La d\u00e9monstration causale requiert un protocole exp\u00e9rimental rigoureux fond\u00e9 sur la randomisation, ou un cadre quasi-exp\u00e9rimental neutralisant les variables de confusion latentes.<\/p>\n

Dans les disciplines empiriques telles que la psychom\u00e9trie et les sciences du comportement, cette mod\u00e9lisation bivari\u00e9e suppose a priori que l’appareil cognitif ou comportemental r\u00e9agit de mani\u00e8re proportionnelle \u00e0 l’intensit\u00e9 du stimulus ou du facteur mesur\u00e9. Cette hypoth\u00e8se de lin\u00e9arit\u00e9 intrins\u00e8que constitue \u00e0 la fois la puissance et la principale limitation du mod\u00e8le. Face \u00e0 des ph\u00e9nom\u00e8nes dynamiques complexes marqu\u00e9s par des ph\u00e9nom\u00e8nes d’hyst\u00e9r\u00e9sis, des saturations cognitives ou des seuils de basculement non lin\u00e9aires, la r\u00e9gression lin\u00e9aire simple impose une approximation de premier ordre qui, bien qu’\u00e9l\u00e9gante et parcimonieuse, doit \u00eatre syst\u00e9matiquement confront\u00e9e \u00e0 la r\u00e9alit\u00e9 distributionnelle des donn\u00e9es observ\u00e9es.<\/p>\n

1.2 L’\u00e9quation fondamentale : ordonn\u00e9e \u00e0 l’origine et coefficient de pente<\/h3>\n

Dans le contexte de l’estimation sur un \u00e9chantillon empirique, l’\u00e9quation fondamentale de la droite d’ajustement pr\u00e9dictive s’exprime conventionnellement par la formule :<\/p>\n

\u0177i<\/sub> = b0<\/sub> + b1<\/sub> xi<\/sub><\/em><\/p>\n

o\u00f9 \u0177i<\/sub><\/em> d\u00e9signe la valeur estim\u00e9e ou pr\u00e9dite pour la i<\/em>-i\u00e8me observation, tandis que b0<\/sub><\/em> et b1<\/sub><\/em> repr\u00e9sentent respectivement les estimateurs d’\u00e9chantillon des param\u00e8tres populationnels inconnus β0<\/sub><\/em> (l’ordonn\u00e9e \u00e0 l’origine) et β1<\/sub><\/em> (le coefficient de r\u00e9gression ou pente).<\/p>\n

D’un point de vue g\u00e9om\u00e9trique, l’ordonn\u00e9e \u00e0 l’origine b0<\/sub><\/em> correspond au point d’intersection pr\u00e9cis entre la droite de r\u00e9gression et l’axe vertical des ordonn\u00e9es, mat\u00e9rialisant la valeur esp\u00e9r\u00e9e de Y<\/em> lorsque l’abscisse X<\/em> est strictement \u00e9gale \u00e0 z\u00e9ro. En termes statistiques, la validit\u00e9 interpr\u00e9tative de ce param\u00e8tre d\u00e9pend \u00e9troitement de la plausibilit\u00e9 th\u00e9orique et de l’observabilit\u00e9 empirique d’un score nul pour la variable ind\u00e9pendante. Si un niveau nul de X<\/em> se situe hors du champ d’observation ou s’av\u00e8re d\u00e9pourvu de signification fonctionnelle, l’ordonn\u00e9e \u00e0 l’origine joue principalement un r\u00f4le de calage math\u00e9matique pour garantir que la droite traverse le centre de gravit\u00e9 des donn\u00e9es, d\u00e9fini par le point moyen (x\u0304, \u0233)<\/em>.<\/p>\n

Le coefficient de pente b1<\/sub><\/em> incarne le taux de variation marginal attendu. Il quantifie la modification moyenne de l’esp\u00e9rance de Y<\/em> cons\u00e9cutive \u00e0 une \u00e9l\u00e9vation d’une unit\u00e9 scalaire de la variable explicative X<\/em>. Sur le plan diff\u00e9rentiel, il correspond \u00e0 la d\u00e9riv\u00e9e premi\u00e8re de la fonction de r\u00e9gression par rapport \u00e0 x<\/em>. Enfin, la distance verticale s\u00e9parant chaque point empirique yi<\/sub><\/em> de son estimation \u0177i<\/sub><\/em> constitue le r\u00e9sidu observ\u00e9 ei<\/sub> = yi<\/sub> – \u0177i<\/sub><\/em>. Ce r\u00e9sidu mat\u00e9rialise la r\u00e9alisation d’un terme d’erreur stochastique sous-jacent εi<\/sub><\/em>, capturant l’ensemble des perturbations al\u00e9atoires, des impr\u00e9cisions instrumentales de mesure et des influences mineures omises dans la formalisation d\u00e9terministe.<\/p>\n

1.3 Pertinence m\u00e9thodologique en sciences comportementales et psychologie<\/h3>\n

La mobilisation de la r\u00e9gression lin\u00e9aire simple au sein des sciences comportementales et de la psychom\u00e9trie s’illustre particuli\u00e8rement dans l’exploration des liens fondamentaux unissant l’investissement temporel \u00e0 la performance acad\u00e9mique ou cognitive. \u00c0 titre d’illustration prototypique, l’analyse de l’impact du temps de r\u00e9vision hebdomadaire (quantifi\u00e9 en heures) sur le score obtenu \u00e0 une \u00e9preuve standardis\u00e9e constitue un cas d’\u00e9cole o\u00f9 la formalisation lin\u00e9aire fournit une grille de lecture imm\u00e9diatement interpr\u00e9table tant pour le chercheur que pour le p\u00e9dagogue.<\/p>\n

Au-del\u00e0 de cette application acad\u00e9mique courante, l’approche permet d’examiner avec acuit\u00e9 les r\u00e9ponses d’un individu face \u00e0 des tests psychom\u00e9triques \u00e9talonn\u00e9s. Elle permet notamment d’isoler des effets tendanciels constants et de discerner si l’acquisition de comp\u00e9tences ou la vitesse de traitement de l’information progresse selon un incr\u00e9ment arithm\u00e9tique r\u00e9gulier. La standardisation des variables via la normalisation des m\u00e9triques autorise une comparaison rigoureuse des grandeurs d’effet, renfor\u00e7ant ainsi la robustesse et la transf\u00e9rabilit\u00e9 des mod\u00e8les pr\u00e9dictifs d’une cohorte d’\u00e9tude \u00e0 une autre.<\/p>\n

Par rapport aux approches non param\u00e9triques ou aux m\u00e9thodes qualitatives par segmentation cat\u00e9gorielle (telles que le d\u00e9coupage arbitraire de variables continues en m\u00e9dianes ou quartiles pour des analyses de variance), la r\u00e9gression lin\u00e9aire simple pr\u00e9serve l’int\u00e9gralit\u00e9 de l’information m\u00e9trique contenue dans le spectre continu des variables. Elle \u00e9vite l’\u00e9cueil majeur de la perte d’efficience statistique tout en diminuant substantiellement le risque d’erreur d’\u00e9chantillonnage de type I ou de type II, conf\u00e9rant ainsi aux conclusions empiriques une validit\u00e9 scientifique consid\u00e9rablement accrue.<\/p>\n

2. Configuration de l’environnement Python pour l’analyse statistique<\/h2>\n

2.1 Installation et initialisation des biblioth\u00e8ques fondamentales<\/h3>\n

L’ex\u00e9cution d’un protocole statistique sous Python exige une architecture logicielle reposant sur un socle de d\u00e9pendances scientifiques hautement optimis\u00e9es. Au c\u0153ur de cette infrastructure se trouvent les biblioth\u00e8ques NumPy<\/a> et Pandas<\/a>. NumPy offre les structures de donn\u00e9es sous-jacentes sous forme de tableaux multidimensionnels homog\u00e8nes, compil\u00e9s en C et Fortran, qui autorisent une vectorisation int\u00e9grale des op\u00e9rations d’alg\u00e8bre lin\u00e9aire. Pandas, quant \u00e0 elle, enrichit cette base en fournissant la structure de DataFrame, essentielle pour la manipulation tabulaire de donn\u00e9es h\u00e9t\u00e9rog\u00e8nes, l’alignement indiciaire automatique et l’ing\u00e9nierie pr\u00e9liminaire des donn\u00e9es.<\/p>\n

Pour le volet visuel et l’exploration graphique diagnostique, l’association de Matplotlib<\/a> et de Seaborn<\/a> s’impose comme la r\u00e9f\u00e9rence m\u00e9thodologique. Matplotlib assure un contr\u00f4le granulaire de bas niveau sur l’ensemble des \u00e9l\u00e9ments typographiques et g\u00e9om\u00e9triques d’une figure, tandis que Seaborn surmonte cette interface pour proposer des abstractions statistiques de haut niveau adapt\u00e9es \u00e0 la restitution graphique des densit\u00e9s, des r\u00e9sidus et des intervalles de confiance.<\/p>\n

Afin de pr\u00e9server la parfaite reproductibilit\u00e9 des calculs dans le temps et d’\u00e9viter les conflits d’environnements, il est fortement pr\u00e9conis\u00e9 d’instancier un environnement virtuel d\u00e9di\u00e9 (via venv<\/code> ou conda<\/code>). L’initialisation du script d\u00e9bute par l’importation ordonn\u00e9e de ces d\u00e9pendances et par le param\u00e9trage explicite du moteur de rendu graphique et du formatage num\u00e9rique :<\/p>\n

import numpy as np<\/em>
\nimport pandas as pd<\/em>
\nimport matplotlib.pyplot as plt<\/em>
\nimport seaborn as sns<\/em>
\npd.set_option(‘display.precision’, 4)<\/em>
\nplt.rcParams[‘font.sans-serif’] = ‘DejaVu Sans’<\/em>
\nplt.rcParams[‘axes.edgecolor’] = ‘#333333’<\/em><\/p>\n

2.2 S\u00e9lection des biblioth\u00e8ques de mod\u00e9lisation : Scikit-learn versus Statsmodels<\/h3>\n

Dans l’\u00e9cosyst\u00e8me Python, deux paradigmes distincts pr\u00e9sident \u00e0 l’impl\u00e9mentation de la r\u00e9gression lin\u00e9aire simple : l’approche orient\u00e9e apprentissage automatique incarn\u00e9e par Scikit-learn<\/a>, et l’approche inf\u00e9rentielle classique mise en \u0153uvre par Statsmodels<\/a>. Comprendre leur divergence m\u00e9thodologique est indispensable pour s\u00e9lectionner l’outil idoine en fonction des objectifs de la recherche empirique.<\/p>\n

Scikit-learn con\u00e7oit la r\u00e9gression principalement sous l’angle de la minimisation du risque empirique et de l’optimisation des performances pr\u00e9dictives sur des donn\u00e9es non observ\u00e9es. Structur\u00e9e autour du pattern unifi\u00e9 fit-predict<\/code>, l’API de Scikit-learn excelle dans l’int\u00e9gration au sein de pipelines modulaires, la validation crois\u00e9e automatis\u00e9e et la gestion \u00e0 grande \u00e9chelle des tenseurs de donn\u00e9es. Cependant, cette biblioth\u00e8que fait d\u00e9lib\u00e9r\u00e9ment l’impasse sur l’\u00e9dition exhaustive des tables d’inf\u00e9rence statistique formelle, ne restituant ni erreurs-types des coefficients, ni statistiques de Student, ni p-valeurs associ\u00e9es.<\/p>\n

\u00c0 l’inverse, Statsmodels a \u00e9t\u00e9 d\u00e9velopp\u00e9e selon les traditions de l’\u00e9conom\u00e9trie et de la statistique acad\u00e9mique rigoureuse. Son module d’estimation par les moindres carr\u00e9s ordinaires (sm.OLS<\/code>) g\u00e9n\u00e8re nativement un rapport synoptique complet calqu\u00e9 sur les standards des progiciels statistiques sp\u00e9cialis\u00e9s (tels que R, Stata ou SAS). Ce tableau int\u00e8gre les tests d’hypoth\u00e8ses unilat\u00e9raux et bilat\u00e9raux, les intervalles de confiance param\u00e9triques, ainsi que les diagnostics formels d’ad\u00e9quation globale. D\u00e8s lors, pour un chercheur ax\u00e9 sur l’inf\u00e9rence th\u00e9orique et la validation d’hypoth\u00e8ses psychom\u00e9triques, Statsmodels constitue le choix prioritaire, tandis que Scikit-learn sera privil\u00e9gi\u00e9 pour l’op\u00e9rationnalisation d’un syst\u00e8me pr\u00e9dictif p\u00e9renne.<\/p>\n

2.3 Structuration d’un notebook pour la recherche reproductible<\/h3>\n

La conduite d’une recherche quantitative rigoureuse impose une organisation modulaire et s\u00e9quentielle du code source. Un document de travail scientifique sous forme de notebook (ou script analytique document\u00e9) doit \u00eatre segment\u00e9 en unit\u00e9s logiques distinctes \u00e9vitant toute adh\u00e9rence d’\u00e9tat cach\u00e9e ou ex\u00e9cution d\u00e9sordonn\u00e9e des cellules interactives. La structure type adopte un sch\u00e9ma lin\u00e9aire rigide : configuration logicielle, instanciation des donn\u00e9es, v\u00e9rification des postulats distributionnels, calage algorithmique, inspection diagnostique des r\u00e9sidus, et synth\u00e8se inf\u00e9rentielle.<\/p>\n

La fixation d\u00e9terministe des graines d’al\u00e9a (random seed<\/em>) constitue une exigence d\u00e9ontologique indispensable pour garantir la fid\u00e9lit\u00e9 absolue des r\u00e9plications num\u00e9riques ult\u00e9rieures, particuli\u00e8rement lors des \u00e9tapes de partitionnement al\u00e9atoire des observations ou d’\u00e9chantillonnage de r\u00e9\u00e9chantillonnage (bootstrap<\/em>). L’instruction explicite np.random.seed(42)<\/code> doit \u00eatre ex\u00e9cut\u00e9e en amont de toute manipulation stochastique.<\/p>\n

Enfin, l’annotation du code doit ob\u00e9ir aux normes internationales de documentation scientifique. Chaque bloc de traitement doit \u00eatre pr\u00e9c\u00e9d\u00e9 d’un commentaire explicatif pr\u00e9cisant l’intention math\u00e9matique sous-jacente, les unit\u00e9s dimensionnelles manipul\u00e9es et la justification des hyperparam\u00e8tres retenus. Cette tra\u00e7abilit\u00e9 int\u00e9grale garantit l’auditabilit\u00e9 par les pairs et l’int\u00e9gration fluide des r\u00e9sultats au sein de rapports acad\u00e9miques publiables.<\/p>\n

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

3.1 Cr\u00e9ation programmatique du jeu de donn\u00e9es sous Pandas<\/h3>\n

Afin d’ancrer notre analyse dans un sc\u00e9nario r\u00e9aliste de psychologie de l’\u00e9ducation, nous construisons un ensemble de donn\u00e9es empiriques simulant le comportement d’une cohorte d’\u00e9tudiants pr\u00e9parant une \u00e9valuation sommative standardis\u00e9e. Nous mod\u00e9lisons l’effort consenti par le volume d’heures consacr\u00e9es aux r\u00e9visions personnelles durant le mois pr\u00e9c\u00e9dant l’examen (notre variable ind\u00e9pendante X<\/em>), tandis que la note finale obtenue sur une \u00e9chelle standardis\u00e9e gradu\u00e9e de 0 \u00e0 100 constitue notre variable r\u00e9ponse (Y<\/em>).<\/p>\n

Pour instancier ces donn\u00e9es de mani\u00e8re transparente, nous exploitons la structure matricielle de Pandas en cr\u00e9ant un dictionnaire natif converti instantan\u00e9ment en DataFrame. L’\u00e9chantillon d’entra\u00eenement retenu comprend 30 observations soigneusement \u00e9talonn\u00e9es, refl\u00e9tant une distribution typique de variabilit\u00e9 interindividuelle :<\/p>\n

data = {
\n    ‘Heures_Etude’: [2.5, 5.1, 3.2, 8.5, 3.5, 1.5, 9.2, 5.5, 8.3, 2.7, 7.7, 5.9, 4.5, 3.3, 1.1,
\n                     8.9, 2.5, 1.9, 6.1, 7.4, 2.7, 4.8, 3.8, 6.9, 7.8, 8.1, 4.2, 6.5, 3.0, 5.8],
\n    ‘Note_Examen’: [21.0, 47.0, 27.0, 75.0, 30.0, 20.0, 88.0, 60.0, 81.0, 25.0, 85.0, 62.0, 41.0, 42.0, 17.0,
\n                    95.0, 30.0, 24.0, 67.0, 69.0, 30.0, 54.0, 35.0, 76.0, 86.0, 83.0, 45.0, 71.0, 32.0, 65.0]
\n}
\ndf = pd.DataFrame(data)<\/em><\/p>\n

Une validation technique imm\u00e9diate s’op\u00e8re par le contr\u00f4le dimensionnel de la matrice via l’attribut df.shape<\/code>, attestant de la pr\u00e9sence exacte des 30 lignes et 2 colonnes sans troncation intempestive.<\/p>\n

3.2 Inspection technique et typage des variables<\/h3>\n

Pr\u00e9alablement \u00e0 tout calcul d’ajustement lin\u00e9aire, un examen de salubrit\u00e9 technique s’impose afin de v\u00e9rifier l’int\u00e9grit\u00e9 de la structure matricielle. L’ex\u00e9cution de la m\u00e9thode df.info()<\/code> permet de contr\u00f4ler le typage des vecteurs de donn\u00e9es : ceux-ci doivent imp\u00e9rativement \u00eatre instanci\u00e9s sous forme de scalaires \u00e0 virgule flottante (float64<\/code>) ou d’entiers (int64<\/code>), toute pr\u00e9sence de cha\u00eenes de caract\u00e8res (object<\/code>) interdisant les op\u00e9rations d’alg\u00e8bre sous-jacentes.<\/p>\n

L’absence rigoureuse de valeurs manquantes (NaN<\/em> ou valeurs nulles) est v\u00e9rifi\u00e9e via l’expression analytique df.isnull().sum()<\/code>, laquelle doit retourner un d\u00e9compte nul pour l’ensemble des colonnes. La m\u00e9thode df.describe()<\/code> fournit quant \u00e0 elle un aper\u00e7u exhaustif des indicateurs de position et de dispersion :<\/p>\n