{"id":19685,"date":"2026-10-22T14:42:26","date_gmt":"2026-10-22T14:42:26","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_term=coefficient-determination-ajuste-r2"},"modified":"2026-10-22T14:42:26","modified_gmt":"2026-10-22T14:42:26","slug":"coefficient-determination-ajuste-r2","status":"publish","type":"psych_term","link":"https:\/\/french.arabpsychology.com\/?psych_term=coefficient-determination-ajuste-r2","title":{"rendered":"R\u00b2 ajust\u00e9 : Rigueur et mod\u00e9lisation"},"content":{"rendered":"

Dans le domaine de la recherche psychologique et des sciences quantitatives du comportement, la mod\u00e9lisation statistique constitue le socle sur lequel reposent l’inf\u00e9rence causale, l’\u00e9valuation diagnostique et la validation de th\u00e9ories complexes. Face au risque permanent de surapprentissage inh\u00e9rent \u00e0 la multiplication des pr\u00e9dicteurs psychom\u00e9triques, le coefficient de d\u00e9termination ajust\u00e9, commun\u00e9ment d\u00e9sign\u00e9 sous le symbole R\u00b2 ajust\u00e9<\/em>, s’impose comme une m\u00e9trique essentielle de parcimonie et de validit\u00e9 pr\u00e9dictive.<\/p>\n

Coefficient de d\u00e9termination ajust\u00e9 (R\u00b2 ajust\u00e9)<\/h2>\n

1. D\u00e9finition concise<\/h3>\n

Le R\u00b2 ajust\u00e9<\/strong> (ou coefficient de d\u00e9termination ajust\u00e9) est une variante modifi\u00e9e du coefficient de d\u00e9termination standard ($R^2$<\/span>) qui quantifie la proportion de variance d’une variable d\u00e9pendante expliqu\u00e9e par un ensemble de pr\u00e9dicteurs, tout en introduisant une p\u00e9nalit\u00e9 math\u00e9matique proportionnelle au nombre de param\u00e8tres inclus dans le mod\u00e8le relativement \u00e0 la taille de l’\u00e9chantillon. Contrairement au $R^2$<\/span> conventionnel qui augmente de fa\u00e7on monotone avec chaque variable ajout\u00e9e, le $R^2$<\/span> ajust\u00e9 n’augmente que si le nouvel apport informationnel surpasse l’effet du hasard.<\/p>\n

Dans le contexte des sciences psychologiques, il constitue un indice fondamental pour \u00e9valuer l’ajustement r\u00e9el d’un mod\u00e8le de r\u00e9gression lin\u00e9aire multiple<\/a>. En neutralisant l’inflation artificielle de la variance expliqu\u00e9e attribuable \u00e0 l’\u00e9chantillonnage fini et au bruit de mesure, cette mesure fournit aux chercheurs une estimation non biais\u00e9e, ou du moins substantiellement corrig\u00e9e, de la capacit\u00e9 de g\u00e9n\u00e9ralisation d’un mod\u00e8le au niveau de la population cible.<\/p>\n

En pratique psychom\u00e9trique, le R\u00b2 ajust\u00e9 sert d’arbitre objectif entre la compl\u00e9tude th\u00e9orique d’un r\u00e9seau nomologique et la parcimonie empirique indispensable \u00e0 la robustesse m\u00e9thodologique, permettant d’\u00e9viter l’\u00e9cueil classique du surparam\u00e9trage lors de l’int\u00e9gration successive d’\u00e9chelles de personnalit\u00e9, de scores cognitifs ou de biomarqueurs.<\/p>\n

2. \u00c9tymologie et origine linguistique<\/h3>\n

Sur le plan lexical et s\u00e9miotique, le terme d\u00e9rive de la notation symbolique $R$<\/span>, introduite par Karl Pearson et formalis\u00e9e par Ronald Fisher pour caract\u00e9riser la corr\u00e9lation multiple. La racine latine du mot \u00ab coefficient \u00bb provient du pr\u00e9fixe co-<\/em> (ensemble) et de efficiens<\/em> (participe pr\u00e9sent de efficere<\/em>, accomplir ou produire), d\u00e9signant une valeur op\u00e9ratoire concourant \u00e0 un r\u00e9sultat mesurable.<\/p>\n

Le qualificatif \u00ab ajust\u00e9 \u00bb tire son \u00e9tymologie de l’ancien fran\u00e7ais ajuster<\/em>, issu du latin populaire adjuxtare<\/em>, form\u00e9 de ad<\/em> (vers) et juxta<\/em> (pr\u00e8s, selon la juste mesure). Il exprime pr\u00e9cis\u00e9ment l’op\u00e9ration de recalibrage ou de rectification math\u00e9matique impos\u00e9e \u00e0 la mesure brute pour la conformer aux exigences d’exactitude probabiliste.<\/p>\n

La formalisation du concept en langue anglaise sous le vocable adjusted R-squared<\/em> remonte aux travaux de l’\u00e9conom\u00e8tre et statisticien am\u00e9ricain Mordecai Ezekiel dans les ann\u00e9es 1930. L’expression a ensuite \u00e9t\u00e9 int\u00e9gr\u00e9e dans la taxonomie de la psychom\u00e9trie francophone au milieu du XXe si\u00e8cle afin de d\u00e9signer sp\u00e9cifiquement les corrections de shrinkage (r\u00e9tr\u00e9cissement d’\u00e9chantillon) au sein de la mod\u00e9lisation statistique comportementale.<\/p>\n

3. Prononciation et forme grammaticale<\/h3>\n

En fran\u00e7ais, l’expression s’\u00e9nonce phon\u00e9tiquement \/\u025b\u0281 ka.\u0281e a.\u0292ys.te\/. Sur le plan morphosyntaxique, il s’agit d’un syntagme nominal masculin singulier. Dans le registre \u00e9crit, il prend fr\u00e9quemment la forme abr\u00e9g\u00e9e R\u00b2 ajust\u00e9<\/em> ou la notation symbolique $\bar{R}^2$<\/span> (R barre carr\u00e9) ou $R^2_{adj}$<\/span>.<\/p>\n

Le pluriel s’\u00e9crit \u00ab des R\u00b2 ajust\u00e9s \u00bb ou \u00ab des coefficients de d\u00e9termination ajust\u00e9s \u00bb. L’usage acad\u00e9mique impose l’accord de l’adjectif qualificatif \u00ab ajust\u00e9 \u00bb avec le terme g\u00e9n\u00e9rique \u00ab coefficient \u00bb ou \u00ab R\u00b2 \u00bb (masculin singulier). Il est couramment employ\u00e9 avec des pr\u00e9positions de mesure telles que \u00ab un R\u00b2 ajust\u00e9 de 0,42 \u00bb ou des verbes d’inf\u00e9rence statistique comme \u00ab converger \u00bb, \u00ab p\u00e9naliser \u00bb ou \u00ab s’effondrer \u00bb.<\/p>\n

Dans les manuscrits scientifiques conformes aux normes de l’American Psychological Association (APA) r\u00e9dig\u00e9s en langue fran\u00e7aise, la lettre $R$<\/span> s’\u00e9crit obligatoirement en italique majuscule, tandis que l’indice ou l’exposant conserve un statut typographique strict : $R^2$<\/span> ajust\u00e9 ou $R^2_{\text{ajust\u00e9}}$<\/span>.<\/p>\n

4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n

Pour appr\u00e9hender la port\u00e9e \u00e9pist\u00e9mologique du R\u00b2 ajust\u00e9, il convient d’abord d’examiner le m\u00e9canisme sous-jacent au coefficient de d\u00e9termination<\/a> standard ($R^2$<\/span>). Le $R^2$<\/span> ordinaire repr\u00e9sente le rapport entre la somme des carr\u00e9s expliqu\u00e9e par le mod\u00e8le de r\u00e9gression et la somme totale des carr\u00e9s de la variable d\u00e9pendante. Math\u00e9matiquement, ce ratio refl\u00e8te l’ajustement du mod\u00e8le exclusivement au sein de l’\u00e9chantillon empirique observ\u00e9. Toutefois, en raison des fluctuations d’\u00e9chantillonnage al\u00e9atoires, toute variable ind\u00e9pendante suppl\u00e9mentaire \u2014 quand bien m\u00eame elle serait constitu\u00e9e de valeurs g\u00e9n\u00e9r\u00e9es purement au hasard \u2014 partagera in\u00e9vitablement une covariance r\u00e9siduelle non nulle avec la variable d\u00e9pendante dans cet \u00e9chantillon particulier. Par cons\u00e9quent, le $R^2$<\/span> conventionnel augmente syst\u00e9matiquement (ou, au strict minimum, demeure stationnaire) chaque fois qu’un pr\u00e9dicteur est greff\u00e9 sur l’\u00e9quation de r\u00e9gression.<\/p>\n

Cette propri\u00e9t\u00e9 math\u00e9matique pose une menace majeure dans la recherche empirique : elle favorise le surapprentissage<\/a> (overfitting). Le mod\u00e8le capture alors non seulement la structure nomoth\u00e9tique sous-jacente des processus psychologiques, mais incorpore \u00e9galement le bruit idiosyncratique et les erreurs d’\u00e9chantillonnage propres au jeu de donn\u00e9es recueilli. Si un tel mod\u00e8le est ensuite appliqu\u00e9 \u00e0 un nouvel \u00e9chantillon clinique ou organisationnel ind\u00e9pendant, sa capacit\u00e9 r\u00e9elle d’explication et de pr\u00e9diction s’effondre de mani\u00e8re dramatique, un ph\u00e9nom\u00e8ne document\u00e9 sous le nom de \u00ab contraction de validit\u00e9 \u00bb (validity shrinkage).<\/p>\n

Le R\u00b2 ajust\u00e9 corrige pr\u00e9cis\u00e9ment ce biais structurel en int\u00e9grant dans sa formulation les degr\u00e9s de libert\u00e9 r\u00e9siduels et totaux. La formule canonique d\u00e9velopp\u00e9e par Ezekiel s’\u00e9nonce :<\/p>\n

$$\bar{R}^2 = 1 – (1 – R^2) \frac{n – 1}{n – p – 1}$$<\/span><\/p>\n

o\u00f9 $n$<\/span> repr\u00e9sente la taille effective de l’\u00e9chantillon et $p$<\/span> le nombre total de variables pr\u00e9dictives dans le mod\u00e8le. Dans cette formulation, le terme $(1 – R^2)$<\/span> correspond \u00e0 la proportion inexpliqu\u00e9e de variance (la variance r\u00e9siduelle normalis\u00e9e). Ce terme est pond\u00e9r\u00e9 par le ratio des degr\u00e9s de libert\u00e9 totaux ($n – 1$<\/span>) sur les degr\u00e9s de libert\u00e9 des r\u00e9sidus ($n – p – 1$<\/span>).<\/p>\n

L’analyse dynamique de cette \u00e9quation r\u00e9v\u00e8le la subtilit\u00e9 du m\u00e9canisme de p\u00e9nalisation. Lorsque le ratio $p\/n$<\/span> s’\u00e9l\u00e8ve (c’est-\u00e0-dire que le nombre de variables pr\u00e9dictives augmente relativement \u00e0 un effectif de participants limit\u00e9), le d\u00e9nominateur ($n – p – 1$<\/span>) diminue, ce qui augmente le facteur multiplicatif appliqu\u00e9 \u00e0 l’erreur r\u00e9siduelle. Pour qu’une nouvelle variable pr\u00e9dictive entra\u00eene une \u00e9l\u00e9vation du R\u00b2 ajust\u00e9, la contribution marginale de cette variable doit surpasser ce que le pur hasard apporterait d’apr\u00e8s la distribution $F$<\/span> de Fisher. Plus sp\u00e9cifiquement, il est math\u00e9matiquement d\u00e9montr\u00e9 que l’adjonction d’un pr\u00e9dicteur n’accro\u00eet le R\u00b2 ajust\u00e9 que si la valeur du test $F$<\/span> partiel associ\u00e9 \u00e0 ce coefficient de r\u00e9gression est strictement sup\u00e9rieure \u00e0 1.<\/p>\n

Par cons\u00e9quent, le R\u00b2 ajust\u00e9 peut tout \u00e0 fait diminuer lorsqu’on ajoute une variable d\u00e9nu\u00e9e de pertinence substantielle, et il peut m\u00eame prendre des valeurs n\u00e9gatives lorsque le mod\u00e8le s’av\u00e8re extraordinairement m\u00e9diocre au point que l’ajustement r\u00e9siduel ajust\u00e9 devienne pire que la simple utilisation de la moyenne empirique comme pr\u00e9dicteur constant.<\/p>\n

5. D\u00e9veloppement historique<\/h3>\n

L’histoire du R\u00b2 ajust\u00e9 s’inscrit au c\u0153ur de l’\u00e9mergence des statistiques inf\u00e9rentielles modernes et de la psychom\u00e9trie appliqu\u00e9e au cours du premier tiers du XXe si\u00e8cle. Alors que Karl Pearson avait pos\u00e9 les jalons de la corr\u00e9lation bivari\u00e9e et multiple \u00e0 la fin du XIXe si\u00e8cle, les praticiens de l’\u00e9poque ont rapidement constat\u00e9 un d\u00e9calage substantiel entre les corr\u00e9lations multiples observ\u00e9es en laboratoire et la r\u00e9plicabilit\u00e9 de ces corr\u00e9lations dans des contextes r\u00e9els de s\u00e9lection militaire ou d’orientation p\u00e9dagogique.<\/p>\n

En 1930, le statisticien et \u00e9conom\u00e8tre Mordecai Ezekiel publie un article fondateur intitul\u00e9 \u00ab Methods of Correlation Analysis \u00bb, dans lequel il explicite math\u00e9matiquement le biais optimiste de l’estimateur de l’\u00e9chantillon vis-\u00e0-vis du param\u00e8tre populationnel. Ezekiel propose la formalisation alg\u00e9brique d\u00e9sormais classique qui r\u00e9ajuste le terme d’erreur par le rapport des degr\u00e9s de libert\u00e9. Quasi simultan\u00e9ment, le psychologue quantitatif Robert J. Wherry Sr., confront\u00e9 aux probl\u00e9matiques de pr\u00e9diction de la r\u00e9ussite acad\u00e9mique et professionnelle, aborde la question du r\u00e9tr\u00e9cissement de la corr\u00e9lation multiple dans les petits \u00e9chantillons.<\/p>\n

En 1931, Wherry publie dans le Journal of Educational Psychology<\/em> une formule de correction destin\u00e9e \u00e0 estimer le coefficient de corr\u00e9lation multiple dans la population parente. Les discussions entre les approches d’Ezekiel, de Wherry et ult\u00e9rieurement de Paul Horst ont aliment\u00e9 une vaste litt\u00e9rature sur la distinction entre deux objectifs fondamentalement diff\u00e9rents : l’estimation du coefficient de corr\u00e9lation multiple dans la population (population cross-validity) et la pr\u00e9diction de la performance d’une \u00e9quation sur un second \u00e9chantillon al\u00e9atoire issu de la m\u00eame population.<\/p>\n

Durant les d\u00e9cennies 1960 et 1970, des figures de proue de la psychom\u00e9trie telles que Jacob Cohen, Ingram Olkin, John Pratt et Charles Cattin ont affin\u00e9 ces formulations. Leurs recherches ont mis en exergue que la formule traditionnelle d’Ezekiel repr\u00e9sentait une correction efficace de la variance expliqu\u00e9e au sein de la population, mais tendait \u00e0 sous-estimer la perte de validit\u00e9 pr\u00e9dictive lors de la validation crois\u00e9e concr\u00e8te, stimulant ainsi l’apparition d’estimateurs encore plus rigoureux comme la formule de Browne ou de Stein.<\/p>\n

6. Fondements th\u00e9oriques<\/h3>\n

Le R\u00b2 ajust\u00e9 s’enracine dans la th\u00e9orie des moindres carr\u00e9s ordinaires (MCO \/ OLS) et s’articule directement avec la th\u00e9orie de l’\u00e9chantillonnage de la distribution normale multivari\u00e9e. Pour comprendre son statut th\u00e9orique, il convient d’opposer l’ajustement descriptif de l’\u00e9chantillon \u00e0 l’inf\u00e9rence asymptotique sur la population.<\/p>\n

Dans la th\u00e9orie classique de la r\u00e9gression, les sommes de carr\u00e9s sont d\u00e9compos\u00e9es selon l’identit\u00e9 fondamentale de la variance :<\/p>\n

$$SC_{\text{totale}} = SC_{\text{expliqu\u00e9e}} + SC_{\text{r\u00e9siduelle}}$$<\/span><\/p>\n

Le coefficient $R^2$<\/span> classique n’est autre que le rapport $SC_{\text{expliqu\u00e9e}} \/ SC_{\text{totale}}$<\/span>, ou de mani\u00e8re \u00e9quivalente $1 – (SC_{\text{r\u00e9siduelle}} \/ SC_{\text{totale}})$<\/span>. Or, les sommes de carr\u00e9s sont des estimateurs non corrig\u00e9s de la variance (des sommes de d\u00e9viations quadratiques non divis\u00e9es par leurs degr\u00e9s de libert\u00e9 respectifs). Sur le plan th\u00e9orique, la variance r\u00e9siduelle non biais\u00e9e de la population $\\sigma^2_{\\epsilon}$<\/span> doit \u00eatre estim\u00e9e par le carr\u00e9 moyen de l’erreur ($CME$<\/span>), qui divise la somme des carr\u00e9s des r\u00e9sidus par ses degr\u00e9s de libert\u00e9 ($n – p – 1$<\/span>). De m\u00eame, la variance totale non biais\u00e9e de la population $\\sigma^2_y$<\/span> est estim\u00e9e par le carr\u00e9 moyen total ($CMT$<\/span>), qui divise la somme totale des carr\u00e9s par ses degr\u00e9s de libert\u00e9 ($n – 1$<\/span>).<\/p>\n

Le R\u00b2 ajust\u00e9 th\u00e9orique se reformule donc directement comme le rapport des variances non biais\u00e9es :<\/p>\n

$$\bar{R}^2 = 1 – \frac{CME}{CMT} = 1 – \frac{SC_{\text{r\u00e9siduelle}} \/ (n – p – 1)}{SC_{\text{totale}} \/ (n – 1)}$$<\/span><\/p>\n

Cette \u00e9l\u00e9gance th\u00e9orique d\u00e9montre que le R\u00b2 ajust\u00e9 est le ratio exact de la variance r\u00e9siduelle corrig\u00e9e sur la variance totale corrig\u00e9e. Il s’inscrit au carrefour du compromis biais-variance (bias-variance tradeoff). En acceptant d’introduire une correction bas\u00e9e sur les degr\u00e9s de libert\u00e9, le statisticien abandonne un estimateur descriptif maximaliste au profit d’un estimateur sans biais (ou \u00e0 biais r\u00e9siduel minimal) du param\u00e8tre de d\u00e9termination dans la population.<\/p>\n

7. Composantes cl\u00e9s, types et dimensions<\/h3>\n

L’analyse fonctionnelle du coefficient de d\u00e9termination ajust\u00e9 n\u00e9cessite d’isoler ses composantes structurelles et de distinguer les divers types d’ajustements applicables en mod\u00e9lisation psychologique :<\/p>\n