Dans le domaine des sciences comportementales et de la psychom\u00e9trie, la mod\u00e9lisation statistique constitue le socle fondamental sur lequel reposent l’inf\u00e9rence causale et la pr\u00e9diction empirique. Comprendre avec exactitude la part r\u00e9elle de variance expliqu\u00e9e par un ensemble de pr\u00e9dicteurs psychologiques sans c\u00e9der aux illusions du surapprentissage repr\u00e9sente un imp\u00e9ratif m\u00e9thodologique de premier ordre. Le coefficient de d\u00e9termination ajust\u00e9 s’impose ainsi comme un indice correctif indispensable pour \u00e9valuer avec rigueur la parcimonie et la validit\u00e9 pr\u00e9dictive des mod\u00e8les de r\u00e9gression multivari\u00e9e.<\/p>\n
Le R\u00b2 ajust\u00e9<\/strong> (ou coefficient de d\u00e9termination ajust\u00e9) est une m\u00e9trique statistique d\u00e9riv\u00e9e du coefficient de d\u00e9termination classique (R\u00b2), con\u00e7ue pour quantifier la proportion de variance d’une variable d\u00e9pendante expliqu\u00e9e par un ensemble de variables ind\u00e9pendantes, tout en int\u00e9grant une p\u00e9nalit\u00e9 math\u00e9matique proportionnelle au nombre de pr\u00e9dicteurs inclus dans le mod\u00e8le rapport\u00e9 \u00e0 la taille de l’\u00e9chantillon. Contrairement au R\u00b2 ordinaire qui cro\u00eet m\u00e9caniquement \u00e0 chaque ajout de variable, le R\u00b2 ajust\u00e9 ne progresse que si le nouveau r\u00e9gresseur am\u00e9liore l’ajustement du mod\u00e8le au-del\u00e0 de ce que le simple hasard statistique permettrait d’esp\u00e9rer.<\/p>\n Dans le contexte sp\u00e9cifique de la recherche en psychologie, cet indice permet de discriminer les associations empiriques substantielles des art\u00e9facts d’\u00e9chantillonnage, pr\u00e9venant ainsi le surajustement (overfitting<\/em>) lors de l’analyse de structures de donn\u00e9es complexes comprenant des \u00e9chelles de personnalit\u00e9, des scores cognitifs ou des biomarqueurs comportementaux. Il fournit aux chercheurs une estimation non biais\u00e9e, ou du moins substantiellement corrig\u00e9e du biais de shrinkage, de la capacit\u00e9 de g\u00e9n\u00e9ralisation d’une \u00e9quation de r\u00e9gression lin\u00e9aire \u00e0 la population parente.<\/p>\n Formellement, il r\u00e9\u00e9value la somme des carr\u00e9s des r\u00e9sidus et la somme totale des carr\u00e9s en fonction de leurs degr\u00e9s de libert\u00e9 respectifs, \u00e9tablissant un arbitrage formel entre la complexit\u00e9 structurelle du mod\u00e8le math\u00e9matique et son pouvoir explicatif v\u00e9ritable au sein des sciences humaines et sociales.<\/p>\n La d\u00e9nomination \u00ab R\u00b2 ajust\u00e9 \u00bb combine la notation alg\u00e9brique historique introduite pour le coefficient de corr\u00e9lation multiple et le participe pass\u00e9 \u00e0 valeur adjective \u00ab ajust\u00e9 \u00bb. La lettre \u00ab R \u00bb majuscule renvoie traditionnellement aux travaux fondateurs de Karl Pearson et de George Udny Yule \u00e0 la charni\u00e8re des XIXe et XXe si\u00e8cles, qui ont institutionnalis\u00e9 l’usage de la lettre latine r<\/em> (pour \u00ab r\u00e9gression \u00bb ou \u00ab rapport \u00bb) pour d\u00e9signer la corr\u00e9lation bivari\u00e9e, transcrite en majuscule pour symboliser la corr\u00e9lation multiple entre une variable crit\u00e8re et un vecteur de pr\u00e9dicteurs.<\/p>\n Le terme \u00ab ajust\u00e9 \u00bb provient du latin adjuxtare<\/em>, compos\u00e9 du pr\u00e9fixe ad-<\/em> (vers, en direction de) et de juxta<\/em> (pr\u00e8s de, \u00e0 c\u00f4t\u00e9), ayant \u00e9volu\u00e9 en ancien fran\u00e7ais pour signifier \u00ab mettre en ordre \u00bb, \u00ab adapter \u00bb ou \u00ab conformer \u00e0 une norme \u00bb. En statistique math\u00e9matique, l’ajustement s’entend comme une rectification syst\u00e9matique op\u00e9r\u00e9e sur une grandeur d’\u00e9chantillon brute afin de neutraliser une distorsion math\u00e9matique connue, en l’occurrence la surestimation asymptotique de la variance expliqu\u00e9e induite par la multiplication des variables explicatives.<\/p>\n La formulation anglaise adjusted R-squared<\/em> a \u00e9t\u00e9 formalis\u00e9e au cours des ann\u00e9es 1930 dans les revues d’agronomie et de biom\u00e9trie, avant d’\u00eatre transpos\u00e9e dans la litt\u00e9rature francophone de psychom\u00e9trie et de statistique sociale sous les appellations \u00e9quivalentes de \u00ab coefficient de d\u00e9termination ajust\u00e9 \u00bb, \u00ab R\u00b2 corrig\u00e9 \u00bb ou \u00ab R-deux ajust\u00e9 \u00bb.<\/p>\n Sur le plan phon\u00e9tique, l’expression s’\u00e9nonce couramment en fran\u00e7ais \/\u025b\u0281.d\u00f8 a.\u0292ys.te\/ (\u00ab air-deux ajust\u00e9 \u00bb). Dans les contextes acad\u00e9miques formels, on rencontre \u00e9galement la prononciation int\u00e9grale de son appellation d\u00e9velopp\u00e9e : \/k\u0254.e.fi.sj\u0251\u0303 d\u0259 de.t\u025b\u0281.mi.na.sj\u0254\u0303 a.\u0292ys.te\/ (\u00ab coefficient de d\u00e9termination ajust\u00e9 \u00bb).<\/p>\n D’un point de vue grammatical, \u00ab R\u00b2 \u00bb fonctionne comme un nom propre m\u00e9tonymique de genre masculin invariable en typographie symbolique, qualifi\u00e9 par l’adjectif verbal \u00ab ajust\u00e9 \u00bb qui s’accorde au masculin singulier. L’abr\u00e9viation usuelle admise dans les publications conformes aux normes de l’American Psychological Association (APA) francis\u00e9es est R\u00b2ajust\u00e9<\/sub><\/em>, R\u0304\u00b2<\/em> (R barre carr\u00e9) ou simplement Adj. R\u00b2<\/em>. Au pluriel, la forme nominale d\u00e9velopp\u00e9e devient \u00ab coefficients de d\u00e9termination ajust\u00e9s \u00bb, tandis que la notation siglaire demeure g\u00e9n\u00e9ralement inchang\u00e9e (\u00ab les R\u00b2 ajust\u00e9s \u00bb).<\/p>\n Il s’emploie principalement comme syntagme nominal compl\u00e9ment de verbes tels que \u00ab rapporter \u00bb, \u00ab interpr\u00e9ter \u00bb, \u00ab maximiser \u00bb ou \u00ab p\u00e9naliser \u00bb, \u00e0 l’instar de la phrase canonique : \u00ab L’examen du R\u00b2 ajust\u00e9 d\u00e9montre une d\u00e9t\u00e9rioration de la parcimonie du mod\u00e8le suite \u00e0 l’introduction des variables d’interaction de troisi\u00e8me ordre. \u00bb<\/p>\n Pour appr\u00e9hender la port\u00e9e conceptuelle du R\u00b2 ajust\u00e9, il convient d’examiner la pathologie inh\u00e9rente au coefficient de d\u00e9termination<\/a> conventionnel. Dans toute r\u00e9gression lin\u00e9aire<\/a> multiple par la m\u00e9thode des moindres carr\u00e9s ordinaires, le calcul minimise par construction la somme des r\u00e9sidus au carr\u00e9 de l’\u00e9chantillon analys\u00e9. D\u00e8s lors qu’une variable explicative suppl\u00e9mentaire est adjointe au mod\u00e8le, quand bien m\u00eame celle-ci consisterait en une suite de nombres al\u00e9atoires sans aucun lien th\u00e9orique ou substantiel avec le ph\u00e9nom\u00e8ne \u00e9tudi\u00e9, le R\u00b2 empirique augmentera in\u00e9vitablement ou, dans le pire des cas rarissime, demeurera parfaitement stationnaire. Cette propri\u00e9t\u00e9 g\u00e9om\u00e9trique d\u00e9coule du fait que le sous-espace vectoriel d\u00e9fini par les pr\u00e9dicteurs s’\u00e9largit, permettant de capturer des fluctuations fortuites et du bruit stochastique sp\u00e9cifiques \u00e0 l’\u00e9chantillon recueilli.<\/p>\n Ce ph\u00e9nom\u00e8ne d’optimisme artificiel repr\u00e9sente un danger majeur en psychologie, discipline caract\u00e9ris\u00e9e par des \u00e9chantillons parfois restreints et des matrices de donn\u00e9es contenant de multiples indicateurs psychom\u00e9triques corr\u00e9l\u00e9s. Si un chercheur s\u00e9lectionne ses variables uniquement sur la base de la maximisation du R\u00b2, il s’expose \u00e0 mod\u00e9liser le bruit de mesure plut\u00f4t que la structure invariante sous-jacente du comportement. C’est pr\u00e9cis\u00e9ment cette distorsion qu’annule le R\u00b2 ajust\u00e9 en incorporant une p\u00e9nalit\u00e9 fonctionnelle li\u00e9e au nombre de param\u00e8tres estim\u00e9s.<\/p>\n Le m\u00e9canisme op\u00e9ratoire repose sur le rapport des degr\u00e9s de libert\u00e9. La formule canonique de correction, d\u00e9riv\u00e9e par Mordecai Ezekiel en 1930, s’exprime ainsi :<\/p>\n R\u00b2ajust\u00e9<\/sub> = 1 – [(1 – R\u00b2) \u00d7 (N – 1) \/ (N – k – 1)]<\/em><\/p>\n Dans cette formulation, N<\/em> symbolise l’effectif total de l’\u00e9chantillon et k<\/em> repr\u00e9sente le nombre de variables explicatives int\u00e9gr\u00e9es dans l’\u00e9quation de r\u00e9gression (excluant la constante). Le terme (N – 1)<\/em> correspond aux degr\u00e9s de libert\u00e9 de la variance totale de la variable crit\u00e8re, tandis que (N – k – 1)<\/em> renvoie aux degr\u00e9s de libert\u00e9 de la variance r\u00e9siduelle. En divisant chaque somme de carr\u00e9s par son degr\u00e9 de libert\u00e9 correspondant, le calcul ne compare plus des sommes absolues mais des variances moyennes non biais\u00e9es (les carr\u00e9s moyens).<\/p>\n Par cons\u00e9quent, lorsque l’adjonction d’un nouveau pr\u00e9dicteur entra\u00eene une diminution de la variance r\u00e9siduelle qui s’av\u00e8re inf\u00e9rieure \u00e0 la perte d’un degr\u00e9 de libert\u00e9 au d\u00e9nominateur, le ratio augmente, ce qui a pour cons\u00e9quence imm\u00e9diate de faire chuter le R\u00b2 ajust\u00e9. Contrairement au R\u00b2 standard, dont les valeurs sont strictement born\u00e9es au sein de l’intervalle [0, 1] dans le cadre des moindres carr\u00e9s classiques, le R\u00b2 ajust\u00e9 peut tout \u00e0 fait adopter des valeurs n\u00e9gatives lorsque la performance pr\u00e9dictive du mod\u00e8le est inf\u00e9rieure \u00e0 celle d’une simple constante (la moyenne arithm\u00e9tique de l’\u00e9chantillon). Dans une telle situation, la convention acad\u00e9mique consiste g\u00e9n\u00e9ralement \u00e0 interpr\u00e9ter cette valeur comme un pouvoir explicatif nul.<\/p>\n L’\u00e9mergence du R\u00b2 ajust\u00e9 s’inscrit dans l’effort global de formalisation des statistiques math\u00e9matiques<\/a> op\u00e9r\u00e9 au d\u00e9but du XXe si\u00e8cle pour s’\u00e9manciper des approches purement descriptives et asseoir l’inf\u00e9rence sur des bases probabilistes rigoureuses. D\u00e8s l’introduction de la corr\u00e9lation multiple par Karl Pearson, la communaut\u00e9 des statisticiens a constat\u00e9 qu’une \u00e9quation calcul\u00e9e sur un \u00e9chantillon restreint affichait un ajustement syst\u00e9matiquement sup\u00e9rieur \u00e0 la corr\u00e9lation r\u00e9elle pr\u00e9sente dans la population g\u00e9n\u00e9rale, un biais alors qualifi\u00e9 de \u00ab shrinkage \u00bb (r\u00e9tr\u00e9cissement de la validit\u00e9 crois\u00e9e).<\/p>\n En 1930, l’\u00e9conom\u00e8tre et statisticien am\u00e9ricain Mordecai Ezekiel publie dans les colonnes du Journal of the American Statistical Association<\/em> un article fondateur intitul\u00e9 \u00ab Methods of Correlation Analysis \u00bb, dans lequel il explicite la formule d’ajustement qui demeure aujourd’hui la plus universellement impl\u00e9ment\u00e9e dans les logiciels de calcul (tels que R, SPSS, SAS ou Jamovi). Ezekiel cherchait \u00e0 doter les analystes d’un outil simple permettant d’estimer ce que serait la corr\u00e9lation multiple dans la population parente sans devoir recourir \u00e0 des proc\u00e9dures d’\u00e9chantillonnage de validation r\u00e9p\u00e9t\u00e9es, alors techniquement prohitibes avant l’av\u00e8nement de l’informatique moderne.<\/p>\n Au cours des d\u00e9cennies suivantes, d’autres math\u00e9maticiens de renom ont propos\u00e9 des variantes et des raffinements correctifs. L’\u00e9minent statisticien Ronald Aylmer Fisher avait lui-m\u00eame pos\u00e9 des jalons fondamentaux en clarifiant la th\u00e9orie des degr\u00e9s de libert\u00e9 et les distributions d’\u00e9chantillonnage de la variance. Plus tard, des th\u00e9oriciens comme Henri Theil (1961), Olkin et Pratt (1958) ou encore Darlington ont propos\u00e9 des estimateurs alternatifs destin\u00e9s \u00e0 corriger le biais avec une exactitude accrue sous diverses distributions de probabilit\u00e9. Toutefois, la correction formul\u00e9e par Ezekiel et vulgaris\u00e9e par Theil est rest\u00e9e le standard conventionnel en raison de son \u00e9l\u00e9gance alg\u00e9brique et de sa d\u00e9rivation directe \u00e0 partir des carr\u00e9s moyens des r\u00e9sidus.<\/p>\n Durant les d\u00e9cennies 1970 et 1980, avec la mont\u00e9e en puissance de la r\u00e9volution informatique et la diffusion massive des progiciels statistiques dans les facult\u00e9s de psychologie et de sciences sociales, l’utilisation du R\u00b2 ajust\u00e9 s’est g\u00e9n\u00e9ralis\u00e9e comme crit\u00e8re standard d’\u00e9valuation des r\u00e9gressions hi\u00e9rarchiques et pas \u00e0 pas (stepwise<\/em>), marquant une \u00e9tape d\u00e9cisive vers une culture m\u00e9thodologique plus attentive aux co\u00fbts de la complexit\u00e9 param\u00e9trique.<\/p>\n Le R\u00b2 ajust\u00e9 repose sur l’intersection de trois piliers th\u00e9oriques majeurs de l’inf\u00e9rence quantitative : la th\u00e9orie de l’estimation non biais\u00e9e, le principe \u00e9pist\u00e9mologique de parcimonie (rasoir d’Ockham) et le compromis biais-variance issu de l’apprentissage statistique contemporain.<\/p>\n Sur le plan de l’estimation, le R\u00b2 conventionnel souffre d’un d\u00e9faut structurel : il utilise le rapport de la somme des carr\u00e9s des erreurs (SSE) sur la somme totale des carr\u00e9s (SST). Or, la variance de l’\u00e9chantillon calcul\u00e9e sans division par les degr\u00e9s de libert\u00e9 appropri\u00e9s constitue un estimateur biais\u00e9 vers le bas de la variance des erreurs de la population. En rempla\u00e7ant la SSE par le carr\u00e9 moyen des erreurs (MSE = SSE \/ (N – k – 1)) et la SST par la variance totale non biais\u00e9e (MST = SST \/ (N – 1)), le R\u00b2 ajust\u00e9 substitue \u00e0 un ratio de sommes descriptives un ratio d’estimateurs convergents et sans biais de la dispersion dans la population :<\/p>\n R\u00b2ajust\u00e9<\/sub> = 1 – (MSE \/ MST)<\/em><\/p>\n Sur le plan \u00e9pist\u00e9mologique, le R\u00b2 ajust\u00e9 formalise la qu\u00eate de mod\u00e8les parcimonieux. En psychologie, une th\u00e9orie \u00e9l\u00e9gante est une th\u00e9orie qui rend compte de la plus grande vari\u00e9t\u00e9 possible de comportements ou d’\u00e9tats mentaux au moyen du plus petit nombre possible de postulats ou de variables explicatives. Un mod\u00e8le de r\u00e9gression comportant vingt pr\u00e9dicteurs pour expliquer 30 % de la variance de la d\u00e9pression est scientifiquement et cliniquement inf\u00e9rieur \u00e0 un mod\u00e8le n’utilisant que deux pr\u00e9dicteurs cibl\u00e9s pour expliquer 28 % de cette m\u00eame variance. Le R\u00b2 ajust\u00e9 p\u00e9nalise l’inflation th\u00e9orique en imposant un co\u00fbt num\u00e9rique mesurable \u00e0 chaque param\u00e8tre additionnel.<\/p>\n Enfin, sous l’angle du compromis biais-variance, l’int\u00e9gration syst\u00e9matique de nouvelles variables r\u00e9duit syst\u00e9matiquement le biais empirique sur l’\u00e9chantillon d’apprentissage, mais augmente la variance des pr\u00e9dictions lorsque le mod\u00e8le est confront\u00e9 \u00e0 de nouvelles observations ind\u00e9pendantes. Le R\u00b2 ajust\u00e9 agit comme un indicateur pr\u00e9curseur des m\u00e9thodes r\u00e9gularis\u00e9es modernes (telles que les r\u00e9gressions Ridge ou Lasso), en tentant d’anticiper la performance du mod\u00e8le hors \u00e9chantillon en stabilisant l’estimation de la variance.<\/p>\n L’analyse approfondie du comportement du R\u00b2 ajust\u00e9 requiert la d\u00e9composition de ses param\u00e8tres structurels et l’examen de ses alternatives math\u00e9matiques au sein de la famille des coefficients de d\u00e9termination :<\/p>\n Afin de concr\u00e9tiser le fonctionnement op\u00e9rationnel du R\u00b2 ajust\u00e9, consid\u00e9rons une recherche en psychologie du travail visant \u00e0 pr\u00e9dire le niveau d’\u00e9puisement professionnel (burnout<\/em>) mesur\u00e9 par une \u00e9chelle continue standardis\u00e9e aupr\u00e8s d’un \u00e9chantillon de N = 45<\/em> soignants hospitaliers.<\/p>\n Dans une premi\u00e8re \u00e9tape, le psychologue introduit deux pr\u00e9dicteurs th\u00e9oriquement \u00e9prouv\u00e9s : la charge de travail per\u00e7ue et le niveau de soutien social de la hi\u00e9rarchie. Le mod\u00e8le pr\u00e9sente un coefficient de d\u00e9termination ordinaire R\u00b2 = 0,420<\/em> (soit 42 % de la variance du burnout expliqu\u00e9e). L’application de la formule d’Ezekiel donne :<\/p>\n R\u00b2ajust\u00e9<\/sub> = 1 – [(1 – 0,420) \u00d7 (45 – 1) \/ (45 – 2 – 1)] = 1 – [0,580 \u00d7 44 \/ 42] = 1 – 0,6076 = 0,3924<\/em> (soit 39,24 %).<\/p>\n La perte de variance de l’ordre de 2,76 points de pourcentage refl\u00e8te la correction l\u00e9gitime appliqu\u00e9e pour tenir compte de la taille d’\u00e9chantillon modeste et de l’estimation de deux param\u00e8tres.<\/p>\n D\u00e9sireux d’augmenter son score explicatif, le chercheur choisit dans un second temps d’int\u00e9grer sans justification th\u00e9orique robuste cinq variables secondaires suppl\u00e9mentaires issues de son protocole : l’\u00e2ge, l’anciennet\u00e9 dans l’\u00e9tablissement, le nombre de tasses de caf\u00e9 bues par jour, la distance domicile-travail et le type d’horaire de rotation. Le mod\u00e8le passe ainsi \u00e0 k = 7<\/em> variables explicatives. La nouvelle r\u00e9gression affiche un R\u00b2 brut en l\u00e9g\u00e8re augmentation, atteignant R\u00b2 = 0,460<\/em> (soit 46 %).<\/p>\n Le calcul du R\u00b2 ajust\u00e9 pour ce second mod\u00e8le r\u00e9v\u00e8le une tout autre r\u00e9alit\u00e9 empirique :<\/p>\n R\u00b2ajust\u00e9<\/sub> = 1 – [(1 – 0,460) \u00d7 (45 – 1) \/ (45 – 7 – 1)] = 1 – [0,540 \u00d7 44 \/ 37] = 1 – 0,6422 = 0,3578<\/em> (soit 35,78 %).<\/p>\n Tandis que le R\u00b2 ordinaire semblait indiquer une am\u00e9lioration du mod\u00e8le (+4 points de pourcentage), le R\u00b2 ajust\u00e9 met en lumi\u00e8re une d\u00e9gradation nette du pouvoir explicatif r\u00e9el (-3,46 points de pourcentage par rapport au premier mod\u00e8le). Le gain apparent \u00e9tait une pure illusion statistique g\u00e9n\u00e9r\u00e9e par l’absorption d’art\u00e9facts d’\u00e9chantillonnage par les cinq pr\u00e9dicteurs parasites. Ce cas d\u00e9montre avec \u00e9clat comment le R\u00b2 ajust\u00e9 prot\u00e8ge le psychologue clinicien ou le chercheur contre de fausses conclusions empiriques.<\/p>\n Le calcul et la lecture du R\u00b2 ajust\u00e9 s’inscrivent dans une s\u00e9quence standardis\u00e9e d’\u00e9valuation diagnostique de la mod\u00e9lisation statistique. Les principaux logiciels de traitement de donn\u00e9es psychom\u00e9triques (R via la commande Son \u00e9valuation ne doit jamais s’effectuer de mani\u00e8re isol\u00e9e, mais en comparaison \u00e9troite et conjointe avec d’autres indices statistiques :<\/p>\n D’abord, la comparaison directe entre la valeur du R\u00b2 et celle du R\u00b2 ajust\u00e9 informe instantan\u00e9ment le m\u00e9thodologiste sur l’ad\u00e9quation du rapport entre la complexit\u00e9 de son \u00e9quation et la puissance statistique de son \u00e9chantillon. Un diff\u00e9rentiel majeur (par exemple un R\u00b2 de 0,35 coupl\u00e9 \u00e0 un R\u00b2 ajust\u00e9 de 0,15) constitue un signal d’alarme sans \u00e9quivoque : le mod\u00e8le est lourdement sur-param\u00e9tr\u00e9 par rapport au volume de donn\u00e9es disponibles, et la plupart des coefficients de r\u00e9gression estim\u00e9s risquent de ne pas \u00eatre r\u00e9plicables lors d’une \u00e9tude ult\u00e9rieure.<\/p>\n Ensuite, le R\u00b2 ajust\u00e9 sert de crit\u00e8re heuristique dans les strat\u00e9gies de s\u00e9lection de mod\u00e8les pas \u00e0 pas ou hi\u00e9rarchiques. Lorsqu’un chercheur teste des mod\u00e8les embo\u00eet\u00e9s (par exemple en ajoutant un terme quadratique ou une interaction mod\u00e9ratrice), il v\u00e9rifie si la variation du R\u00b2 ajust\u00e9 (\u0394R\u00b2ajust\u00e9<\/sub><\/em>) est positive. Bien qu’il n’existe pas de test d’hypoth\u00e8se nulle sp\u00e9cifique dont la p-valeur porterait isol\u00e9ment sur le R\u00b2 ajust\u00e9 lui-m\u00eame, sa variation positive co\u00efncide rigoureusement avec le moment o\u00f9 le test F<\/em> de changement de variance atteint une statistique sup\u00e9rieure \u00e0 l’unit\u00e9.<\/p>\n Enfin, le R\u00b2 ajust\u00e9 est syst\u00e9matiquement confront\u00e9 aux crit\u00e8res d’information modernes, tels que le crit\u00e8re d’information d’Akaike<\/a> (AIC) et le crit\u00e8re d’information bay\u00e9sien<\/a> (BIC). Ces derniers partagent avec le R\u00b2 ajust\u00e9 la philosophie de la p\u00e9nalisation param\u00e9trique, mais s’ancrent dans la th\u00e9orie de l’information et la vraisemblance statistique, offrant un cadre comparatif pour des mod\u00e8les non n\u00e9cessairement lin\u00e9aires ou non embo\u00eet\u00e9s.<\/p>\n Dans l’arsenal m\u00e9thodologique des psychologues, le R\u00b2 ajust\u00e9 trouve des champs d’application concrets et cruciaux \u00e0 travers l’ensemble des sous-disciplines acad\u00e9miques et appliqu\u00e9es :<\/p>\n En psychom\u00e9trie et construction de tests<\/strong>, lors du d\u00e9veloppement d’une forme abr\u00e9g\u00e9e d’un questionnaire d’\u00e9valuation clinique (par exemple une version courte d’un inventaire d’anxi\u00e9t\u00e9 ou de personnalit\u00e9), les psychom\u00e9triciens utilisent le R\u00b2 ajust\u00e9 pour d\u00e9terminer combien d’items peuvent \u00eatre supprim\u00e9s sans entamer le pouvoir explicatif du score global. L’ajustement pr\u00e9serve l’\u00e9quipe de recherche de l’illusion selon laquelle conserver 60 items serait toujours statistiquement sup\u00e9rieur \u00e0 n’en retenir que 20.<\/p>\n En psychologie clinique et psychopathologie<\/strong>, les \u00e9tudes \u00e9tiologiques explorent fr\u00e9quemment des mod\u00e8les multifactoriels int\u00e9grant des facteurs g\u00e9n\u00e9tiques, des traits de temp\u00e9rament, des traumatismes pr\u00e9coces et des facteurs de stress environnementaux. L’usage du R\u00b2 ajust\u00e9 permet de d\u00e9terminer si l’adjonction d’une mesure complexe (comme un biomarqueur de r\u00e9activit\u00e9 au cortisol) apporte une r\u00e9elle valeur ajout\u00e9e pr\u00e9dictive au-del\u00e0 des mesures psychologiques auto-rapport\u00e9es classiques, guidant ainsi l’optimisation des bilans diagnostiques en termes de co\u00fbt et de p\u00e9nibilit\u00e9 pour le patient.<\/p>\n En psychologie organisationnelle et gestion des ressources humaines<\/strong>, les mod\u00e8les de s\u00e9lection du personnel cherchent \u00e0 pr\u00e9dire la performance au travail \u00e0 partir de batteries d’\u00e9valuations cognitives, de tests de mise en situation et d’entretiens structur\u00e9s. Le recours au R\u00b2 ajust\u00e9 \u00e9vite aux organisations d’alourdir inutilement leurs protocoles de recrutement avec des tests redondants qui ne feraient qu’augmenter le R\u00b2 apparent de l’\u00e9chantillon de validation tout en s’effondrant lors de leur application r\u00e9elle sur les futurs candidats (ph\u00e9nom\u00e8ne de non-g\u00e9n\u00e9ralisation de la validit\u00e9 de pr\u00e9diction).<\/p>\n La litt\u00e9rature scientifique en m\u00e9thodologie quantitative a amplement document\u00e9 la n\u00e9cessit\u00e9 imp\u00e9rieuse de pr\u00e9f\u00e9rer le R\u00b2 ajust\u00e9 au R\u00b2 ordinaire lors de la publication de r\u00e9sultats empiriques. Les travaux pr\u00e9curseurs de Robert J. Wherry (1931), puis les simulations comparatives conduites par Bruce Thompson (1995) et Yin et Fan (2001), ont \u00e9valu\u00e9 la robustesse relative des diff\u00e9rentes formules d’ajustement face aux conditions r\u00e9elles de recherche en psychologie.<\/p>\n Les \u00e9tudes de simulation de Monte Carlo r\u00e9alis\u00e9es par Yin et Fan ont notamment d\u00e9montr\u00e9 que la formule classique d’Ezekiel offre une correction remarquable et tr\u00e8s robuste du R\u00b2 lorsque la taille de l’\u00e9chantillon est mod\u00e9r\u00e9e (N > 50<\/em>) et que le nombre de variables explicatives demeure raisonnable. Toutefois, ces m\u00eames donn\u00e9es empiriques ont mis en \u00e9vidence que dans des contextes de tr\u00e8s petits \u00e9chantillons (N < 20<\/em>) associ\u00e9s \u00e0 un ratio pr\u00e9dicteurs\/participants d\u00e9favorable (par exemple 5 pr\u00e9dicteurs pour 15 participants), la formule d’Ezekiel tend encore \u00e0 sous-estimer l\u00e9g\u00e8rement la perte r\u00e9elle d’ajustement (le shrinkage r\u00e9el), faisant para\u00eetre le mod\u00e8le encore un peu plus robuste qu’il ne l’est v\u00e9ritablement en population g\u00e9n\u00e9rale.<\/p>\n Dans le domaine des neurosciences cognitives comportementales, des chercheurs comme Poldrack et ses collaborateurs ont soulign\u00e9 comment l’absence d’utilisation syst\u00e9matique de m\u00e9triques corrig\u00e9es ou de proc\u00e9dures de validation crois\u00e9e ind\u00e9pendante a historiquement contribu\u00e9 \u00e0 la crise de la r\u00e9plicabilit\u00e9. Les mod\u00e8les reliant des cartes d’activation en imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle (IRMf) \u00e0 des traits comportementaux affichaient des R\u00b2 bruts spectaculaires qui s’av\u00e9raient \u00eatre de purs art\u00e9facts statistiques d’un nombre excessif de voxels par rapport au nombre de participants scann\u00e9s, un \u00e9cueil que l’analyse attentive du R\u00b2 ajust\u00e9 aurait permis d’identifier imm\u00e9diatement.<\/p>\n Bien que le R\u00b2 ajust\u00e9 soit une formule math\u00e9matique universelle exempte en elle-m\u00eame de biais culturel intrins\u00e8que, son application pratique dans les recherches transculturelles en psychologie soul\u00e8ve des enjeux d’interpr\u00e9tation m\u00e9thodologique particuli\u00e8rement subtils.<\/p>\n Dans les enqu\u00eates psychologiques comparatives internationales (telles que le World Values Survey ou les \u00e9tudes transculturelles sur l’individualisme et le collectivisme), les chercheurs font face \u00e0 des structures d’\u00e9chantillons tr\u00e8s h\u00e9t\u00e9rog\u00e8nes d’un pays \u00e0 l’autre. La taille des cohortes nationales interrog\u00e9es peut varier de quelques centaines \u00e0 plusieurs dizaines de milliers d’individus. Si un chercheur utilisait le R\u00b2 standard non ajust\u00e9 pour comparer la puissance explicative d’un mod\u00e8le d’auto-efficacit\u00e9 sur le bien-\u00eatre entre un \u00e9chantillon pilote collect\u00e9 dans une population autochtone restreinte (N = 40<\/em>) et un \u00e9chantillon urbain massif (N = 4000<\/em>), la comparaison serait totalement biais\u00e9e en faveur du petit groupe du simple fait du surajustement m\u00e9canique.<\/p>\n Le R\u00b2 ajust\u00e9 r\u00e9tablit une base de comparabilit\u00e9 \u00e9quitable en compensant les disparit\u00e9s de taille d’\u00e9chantillon au regard de la complexit\u00e9 du mod\u00e8le statistique utilis\u00e9 dans chaque contexte culturel. Il permet ainsi de v\u00e9rifier si une th\u00e9orie psychologique occidentale pr\u00e9sente une validit\u00e9 explicative r\u00e9elle et \u00e9quivalente lorsqu’elle est export\u00e9e et test\u00e9e dans des contextes culturels non-occidentaux (les contextes dits WEIRD : Western, Educated, Industrialized, Rich, Democratic<\/em>), sans que les fluctuations d’effectifs ne viennent fausser la lecture des tailles d’effet transculturelles.<\/p>\n En d\u00e9pit de son omnipr\u00e9sence dans les manuels et les logiciels d’analyse de donn\u00e9es, le R\u00b2 ajust\u00e9 fait l’objet de plusieurs critiques th\u00e9oriques et pratiques persistantes au sein de la communaut\u00e9 des statisticiens m\u00e9thodologistes :<\/p>\n La premi\u00e8re limitation majeure r\u00e9side dans le fait que la correction d’Ezekiel vise \u00e0 estimer le R\u00b2 de population<\/strong> (c’est-\u00e0-dire la part de variance qui serait expliqu\u00e9e si l’on connaissait la v\u00e9ritable \u00e9quation param\u00e9trique de la population totale), mais ne quantifie pas directement la validit\u00e9 crois\u00e9e pr\u00e9dictive<\/strong> (l’exactitude du mod\u00e8le estim\u00e9 sur l’\u00e9chantillon lorsqu’il est appliqu\u00e9 tel quel \u00e0 un nouvel \u00e9chantillon ind\u00e9pendant). Pour quantifier cette derni\u00e8re, les statisticiens recommandent d’utiliser la formule de Browne ou de recourir \u00e0 des techniques directes de validation crois\u00e9e k-fold ou de r\u00e9\u00e9chantillonnage par bootstrap<\/em>.<\/p>\n Une seconde critique porte sur la nature arithm\u00e9tique de la p\u00e9nalit\u00e9. La p\u00e9nalit\u00e9 impos\u00e9e par le R\u00b2 ajust\u00e9 est purement lin\u00e9aire par rapport aux degr\u00e9s de libert\u00e9 et traite tous les pr\u00e9dicteurs sur un pied d’\u00e9galit\u00e9 absolue, ind\u00e9pendamment de leur multicolin\u00e9arit\u00e9 ou de leur vraisemblance th\u00e9orique. Dans les configurations o\u00f9 les variables ind\u00e9pendantes sont hautement corr\u00e9l\u00e9es entre elles (ph\u00e9nom\u00e8ne fr\u00e9quent en psychom\u00e9trie lorsque des sous-\u00e9chelles mesurent des facettes proches d’un m\u00eame construit), le R\u00b2 ajust\u00e9 ne capture pas ad\u00e9quatement l’instabilit\u00e9 des coefficients b\u00eata individuels.<\/p>\n Enfin, un d\u00e9bat subsiste quant \u00e0 son usage comme crit\u00e8re unique de s\u00e9lection de mod\u00e8le. Maximiser aveugl\u00e9ment le R\u00b2 ajust\u00e9 pour d\u00e9terminer quelle \u00e9quation retenir peut inciter \u00e0 des pratiques de \u00ab p\u00eache aux donn\u00e9es \u00bb (p-hacking<\/em> ou data dredging<\/em>), en incitant l’analyste \u00e0 retirer ou ajouter des pr\u00e9dicteurs jusqu’\u00e0 obtenir le score le plus flatteur, au d\u00e9triment de la plausibilit\u00e9 th\u00e9orique et de la coh\u00e9rence clinique des hypoth\u00e8ses de recherche initiales.<\/p>\n Pour \u00e9viter toute confusion conceptuelle fr\u00e9quente dans les publications \u00e9tudiantes et de recherche, il importe de distinguer nettement le R\u00b2 ajust\u00e9 de plusieurs indices voisins :<\/p>\n Le R\u00b2 ajust\u00e9 constitue un pilier fondamental de l’analyse multivari\u00e9e rigoureuse appliqu\u00e9e \u00e0 la psychologie et aux sciences humaines. Il op\u00e8re une balance indispensable entre la capacit\u00e9 d’explication statistique d’un mod\u00e8le et sa complexit\u00e9 param\u00e9trique, prot\u00e9geant les chercheurs contre les pi\u00e8ges insidieux du surajustement.<\/p>\n Les points d’ancrage essentiels \u00e0 m\u00e9moriser comprennent :<\/p>\n Le R\u00b2 ajust\u00e9 est une m\u00e9trique statistique cruciale en psychologie qui p\u00e9nalise l’ajout de pr\u00e9dicteurs non pertinents pour quantifier la variance expliqu\u00e9e r\u00e9elle d’un mod\u00e8le.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[2937,1829,2],"tags":[1833,16,32023,1910,1942,6743,4411],"class_list":["post-19686","psych_term","type-psych_term","status-publish","hentry","category-analyse-de-donnees","category-methodologie-statistique","category-psychometrie","tag-degres-de-liberte","tag-psychometrie","tag-r-ajuste","tag-regression-lineaire","tag-statistiques-en-psychologie","tag-surapprentissage","tag-variance-expliquee"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/19686","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_term"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/19686\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=19686"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=19686"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=19686"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. \u00c9tymologie et origine linguistique<\/h3>\n
3. Prononciation et forme grammaticale<\/h3>\n
4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n
5. D\u00e9veloppement historique<\/h3>\n
6. Fondements th\u00e9oriques<\/h3>\n
7. Composantes cl\u00e9s, types et dimensions<\/h3>\n
\n
8. Exemples et cas illustratifs<\/h3>\n
9. Mesure et \u00e9valuation<\/h3>\n
summary(lm(...))<\/code>, JASP, Jamovi ou SPSS) g\u00e9n\u00e8rent automatiquement le coefficient au sein de la table de synth\u00e8se du mod\u00e8le (Model Summary<\/em>).<\/p>\n10. Applications et pertinence pratique<\/h3>\n
11. Recherche et donn\u00e9es empiriques<\/h3>\n
12. Consid\u00e9rations culturelles et transculturelles<\/h3>\n
13. Critiques, d\u00e9bats et limites<\/h3>\n
14. Termes connexes et distinctions<\/h3>\n
\n
15. R\u00e9sum\u00e9 et points cl\u00e9s<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n