Dans le domaine de la psychologie quantitative et de la psychom\u00e9trie, la mod\u00e9lisation statistique constitue le socle fondamental sur lequel reposent l’inf\u00e9rence causale, l’\u00e9valuation de construits psychologiques complexes et la validation empirique de th\u00e9ories comportementales. Cependant, l’int\u00e9grit\u00e9 de ces mod\u00e8les d\u00e9pend \u00e9troitement du respect de postulats math\u00e9matiques rigoureux, parmi lesquels l’absence d’interd\u00e9pendance lin\u00e9aire excessive entre les variables explicatives occupe une place pr\u00e9pond\u00e9rante. Le ph\u00e9nom\u00e8ne de colin\u00e9arit\u00e9, omnipr\u00e9sent dans les sciences humaines en raison de la nature intrins\u00e8quement intriqu\u00e9e des processus cognitifs et \u00e9motionnels, repr\u00e9sente une menace majeure pour la pr\u00e9cision des estimations, la stabilit\u00e9 des coefficients et la validit\u00e9 interne des conclusions de recherche.<\/p>\n
La colin\u00e9arit\u00e9<\/strong> d\u00e9signe une configuration math\u00e9matique et statistique dans laquelle deux variables pr\u00e9dictives au sein d’un mod\u00e8le de r\u00e9gression partagent une relation lin\u00e9aire exacte ou substantiellement \u00e9lev\u00e9e. Lorsque cette situation implique plus de deux variables ind\u00e9pendantes, on emploie plus pr\u00e9cis\u00e9ment le terme de multicolin\u00e9arit\u00e9. Dans un cadre formel, elle survient lorsqu’au moins l’un des pr\u00e9dicteurs peut \u00eatre exprim\u00e9 comme une combinaison lin\u00e9aire approximative ou parfaite des autres variables explicatives.<\/p>\n Dans le contexte des sciences psychologiques, ce ph\u00e9nom\u00e8ne se traduit par une redondance de l’information apport\u00e9e par plusieurs instruments d’\u00e9valuation ou sous-\u00e9chelles pr\u00e9tendant mesurer des facettes th\u00e9oriquement distinctes d’un m\u00eame ph\u00e9nom\u00e8ne psychologique. Bien que la colin\u00e9arit\u00e9 ne biaise pas directement le pouvoir pr\u00e9dictif global du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral ni l’ajustement global des donn\u00e9es (comme l’illustre le coefficient de d\u00e9termination R<\/em>\u00b2), elle influe dramatiquement sur la variance des coefficients de r\u00e9gression partiels. Elle engendre un gonflement des erreurs types, rendant les tests de signification statistique excessivement conservateurs, d\u00e9stabilisant les estimations d’un \u00e9chantillon \u00e0 l’autre et obscurcissant la contribution unique attribuable \u00e0 chaque d\u00e9terminant cognitif, affectif ou environnemental.<\/p>\n Le vocable colin\u00e9arit\u00e9<\/em> est une formation savante issue de la g\u00e9om\u00e9trie analytique et de l’alg\u00e8bre vectorielle. Il est compos\u00e9 du pr\u00e9fixe d’origine latine co-<\/em> (d\u00e9riv\u00e9 de cum<\/em>, signifiant \u00ab ensemble \u00bb, \u00ab conjointement \u00bb ou \u00ab avec \u00bb) et de l’adjectif lin\u00e9aire<\/em>, lui-m\u00eame issu du latin linearis<\/em> (\u00ab qui concerne la ligne \u00bb, d\u00e9riv\u00e9 de linea<\/em>, le fil de lin puis la ligne g\u00e9om\u00e9trique). Sur le plan morphologique et s\u00e9mantique, la colin\u00e9arit\u00e9 renvoie originellement \u00e0 la propri\u00e9t\u00e9 de points ou de vecteurs qui se situent sur une m\u00eame ligne droite dans un espace affine ou vectoriel.<\/p>\n Le terme a \u00e9t\u00e9 transpos\u00e9 au champ de l’\u00e9conom\u00e9trie et de la statistique math\u00e9matique au d\u00e9but du XXe si\u00e8cle, notamment sous l’impulsion de l’\u00e9conomiste et statisticien norv\u00e9gien Ragnar Frisch dans son ouvrage s\u00e9minal de 1934, Statistical Confluence Analysis by Means of Complete Regression Systems<\/em>. Frisch a forg\u00e9 le concept de \u00ab multicolin\u00e9arit\u00e9 \u00bb pour caract\u00e9riser l’existence de relations lin\u00e9aires multiples perturbant l’identification des param\u00e8tres structurels. Le terme a ensuite \u00e9t\u00e9 assimil\u00e9 par les m\u00e9thodologistes de la psychom\u00e9trie et de la psychologie diff\u00e9rentielle au cours des ann\u00e9es 1950 et 1960, au fur et \u00e0 mesure que les techniques de r\u00e9gression multiple, d’analyse factorielle exploratoire et de mod\u00e9lisation par \u00e9quations structurelles se sont d\u00e9mocratis\u00e9es dans l’\u00e9tude des traits de personnalit\u00e9 et de l’intelligence.<\/p>\n En fran\u00e7ais standard, le substantif f\u00e9minin colin\u00e9arit\u00e9<\/strong> se prononce phon\u00e9tiquement \/k\u0254.li.ne.a.\u0281i.te\/. Son d\u00e9riv\u00e9 direct, multicolin\u00e9arit\u00e9<\/strong>, se transcrit phon\u00e9tiquement \/myl.ti.k\u0254.li.ne.a.\u0281i.te\/. Le terme s’emploie principalement au singulier lorsqu’il d\u00e9signe l’\u00e9tat ou la condition g\u00e9n\u00e9rale du mod\u00e8le, bien que l’usage du pluriel (\u00ab les colin\u00e9arit\u00e9s observ\u00e9es \u00bb) soit parfois attest\u00e9 pour d\u00e9signer les diff\u00e9rentes grappes de corr\u00e9lations sp\u00e9cifiques au sein d’une matrice de variance-covariance.<\/p>\n Sur le plan syntaxique, la colin\u00e9arit\u00e9 s’associe couramment avec des adjectifs de degr\u00e9 (\u00ab colin\u00e9arit\u00e9 parfaite \u00bb, \u00ab colin\u00e9arit\u00e9 s\u00e9v\u00e8re \u00bb, \u00ab quasi-colin\u00e9arit\u00e9 \u00bb) et s’emploie dans des syntagmes pr\u00e9positionnels typiques de la statistique inf\u00e9rentielle : \u00ab induire de la colin\u00e9arit\u00e9 entre deux pr\u00e9dicteurs \u00bb, \u00ab diagnostiquer la multicolin\u00e9arit\u00e9 r\u00e9siduelle \u00bb ou \u00ab contr\u00f4ler la colin\u00e9arit\u00e9 dans un mod\u00e8le hi\u00e9rarchique \u00bb. L’adjectif correspondant est colin\u00e9aire<\/em> (\/k\u0254.li.ne.\u025b\u0281\/), applicable aux variables, aux vecteurs d’observation ou aux pr\u00e9dicteurs inclus dans une analyse multivari\u00e9e.<\/p>\n Pour appr\u00e9hender la colin\u00e9arit\u00e9 dans toute sa profondeur conceptuelle au sein des sciences psychologiques, il convient d’examiner la g\u00e9om\u00e9trie sous-jacente au mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral<\/a>. Lorsqu’un chercheur tente de pr\u00e9dire une variable d\u00e9pendante psychologique (par exemple, le score d’id\u00e9ation d\u00e9pressive) \u00e0 partir de plusieurs pr\u00e9dicteurs suppos\u00e9s ind\u00e9pendants (tels que le niveau d’anxi\u00e9t\u00e9 \u00e9tat, l’anxi\u00e9t\u00e9 trait et le n\u00e9vrosisme), les vecteurs d’observations repr\u00e9sentant ces variables pr\u00e9dictives d\u00e9finissent un hyperplan dans un espace multidimensionnel. La r\u00e9gression par la m\u00e9thode des moindres carr\u00e9s ordinaires consiste \u00e0 projeter orthogonalement le vecteur de la variable crit\u00e8re sur le sous-espace vectoriel engendr\u00e9 par ces pr\u00e9dicteurs.<\/p>\n Dans une configuration id\u00e9ale d’orthogonalit\u00e9 parfaite, chaque variable explicative apporte une dimension informationnelle purement in\u00e9dite. L’angle g\u00e9om\u00e9trique entre les vecteurs des variables explicatives est de 90 degr\u00e9s, ce qui correspond \u00e0 une corr\u00e9lation nulle. Cependant, en psychologie, les variables comportementales, \u00e9motionnelles et cognitives sont presque universellement interconnect\u00e9es en raison de la nature unifi\u00e9e du fonctionnement mental et des processus biologiques sous-jacents. Lorsque deux pr\u00e9dicteurs sont \u00e9troitement corr\u00e9l\u00e9s, l’angle s\u00e9parant leurs vecteurs respectifs diminue drastiquement pour tendre vers z\u00e9ro. Dans une telle situation, la matrice d’information X’X<\/em> (o\u00f9 X<\/em> est la matrice des variables explicatives centr\u00e9es et r\u00e9duites) devient singuli\u00e8re ou quasi singuli\u00e8re, c’est-\u00e0-dire que son d\u00e9terminant approche une valeur \u00e9gale \u00e0 z\u00e9ro.<\/p>\n L’inversion de cette matrice quasi singuli\u00e8re, indispensable au calcul formel des coefficients de r\u00e9gression standardis\u00e9s et non standardis\u00e9s, devient alors num\u00e9riquement instable. Cette instabilit\u00e9 a pour cons\u00e9quence directe une explosion de la variance d’\u00e9chantillonnage des coefficients de r\u00e9gression partielle. En d’autres termes, bien que le mod\u00e8le conserve une excellente capacit\u00e9 globale \u00e0 ajuster les donn\u00e9es observ\u00e9es et \u00e0 expliquer une proportion substantielle de la variance totale de la variable d\u00e9pendante, l’analyste se trouve dans l’incapacit\u00e9 math\u00e9matique d’attribuer avec pr\u00e9cision cette part de variance \u00e0 l’un ou l’autre des pr\u00e9dicteurs colin\u00e9aires.<\/p>\n Sur le plan ph\u00e9nom\u00e9nologique et th\u00e9orique, la colin\u00e9arit\u00e9 engendre ce que les statisticiens nomment le \u00ab paradoxe de la non-significativit\u00e9 conjointe \u00bb : il est fr\u00e9quent d’obtenir une statistique F<\/em> de r\u00e9gression globale hautement significative associ\u00e9e \u00e0 une probabilit\u00e9 critique n\u00e9gligeable (p<\/em> < 0,001), tandis qu’aucun des tests t<\/em> individuels associ\u00e9s aux coefficients de r\u00e9gression partiels ne franchit le seuil traditionnel de significativit\u00e9. Les pr\u00e9dicteurs se masquent mutuellement en r\u00e9clamant la m\u00eame portion explicative du crit\u00e8re. De plus, la colin\u00e9arit\u00e9 peut induire des inversions de signe contre-intuitives ou des amplitudes aberrantes au niveau des estimations de param\u00e8tres, un ph\u00e9nom\u00e8ne connu sous le nom d’effet de suppression ou de rebond statistique<\/span>.<\/p>\n L’histoire de la colin\u00e9arit\u00e9 est intimement li\u00e9e au d\u00e9veloppement de la m\u00e9thode des moindres carr\u00e9s, con\u00e7ue de mani\u00e8re ind\u00e9pendante par Adrien-Marie Legendre en 1805 et Carl Friedrich Gauss en 1809. Dans le cadre initial de l’astronomie et de la g\u00e9od\u00e9sie, les observations physiques reposaient sur des variables instrumentales relativement ind\u00e9pendantes, de sorte que les \u00e9cueils d’une interd\u00e9pendance outranci\u00e8re n’ont pas imm\u00e9diatement \u00e9merg\u00e9 comme un probl\u00e8me \u00e9pist\u00e9mologique ou m\u00e9thodologique majeur.<\/p>\n Le tournant conceptuel a eu lieu au premier tiers du XXe si\u00e8cle avec l’av\u00e8nement des sciences sociales quantitatives. En 1934, Ragnar Frisch a formalis\u00e9 l’existence de d\u00e9pendances lin\u00e9aires internes au sein des syst\u00e8mes de r\u00e9gression simultan\u00e9s, introduisant explicitement le vocable confluence analysis<\/em> pour avertir les chercheurs des dangers de l’estimation de param\u00e8tres lorsque des composantes latentes ind\u00e9termin\u00e9es partagent une variance commune. Frisch a soulign\u00e9 que les donn\u00e9es empiriques non exp\u00e9rimentales contiennent souvent des relations de d\u00e9pendance qui emp\u00eachent d’isoler l’impact individuel des lois physiques ou sociologiques postul\u00e9es.<\/p>\n Avec l’essor de la psychom\u00e9trie<\/a> et de la psychologie factorielle sous l’impulsion de chercheurs tels que Charles Spearman, Louis Leon Thurstone et Harold Hotelling, la colin\u00e9arit\u00e9 s’est retrouv\u00e9e au c\u0153ur des d\u00e9bats sur la structure factorielle de l’intelligence. Thurstone a propos\u00e9 le principe de structure simple pr\u00e9cis\u00e9ment pour contrer le chevauchement redondant et illisible des facteurs cognitifs, tandis qu’Hotelling a d\u00e9velopp\u00e9 en 1933 l’analyse en composantes principales pour transformer des ensembles de pr\u00e9dicteurs corr\u00e9l\u00e9s en combinaisons lin\u00e9aires parfaitement orthogonales.<\/p>\n Durant les d\u00e9cennies 1970 et 1980, le traitement syst\u00e9matique de la colin\u00e9arit\u00e9 a franchi un palier d\u00e9cisif gr\u00e2ce aux travaux d’\u00e9conom\u00e8tres et de statisticiens appliqu\u00e9s tels que David Belsley, Edwin Kuh et Roy Welsch, dont l’ouvrage de r\u00e9f\u00e9rence publi\u00e9 en 1980, Regression Diagnostics: Identifying Influential Data and Sources of Collinearity<\/em>, a standardis\u00e9 les indices modernes de d\u00e9tection, notamment l’indice de conditionnement et la d\u00e9composition de la variance. Parall\u00e8lement, Arthur Hoerl et Robert Kennard avaient propos\u00e9 d\u00e8s 1970 la r\u00e9gression ridge (ou r\u00e9gression ar\u00eate), offrant une alternative p\u00e9nalis\u00e9e aux moindres carr\u00e9s ordinaires pour stabiliser l’estimation des param\u00e8tres en pr\u00e9sence de multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re.<\/p>\n Les soubassements th\u00e9oriques de la colin\u00e9arit\u00e9 s’ancrent directement dans l’alg\u00e8bre lin\u00e9aire, la th\u00e9orie des probabilit\u00e9s et la mod\u00e9lisation asymptotique. Soit le mod\u00e8le de r\u00e9gression lin\u00e9aire multivari\u00e9e classique repr\u00e9sent\u00e9 sous sa forme matricielle :<\/p>\n Y = X\u03b2 + \u03b5<\/em><\/span><\/p>\n o\u00f9 Y<\/em> est un vecteur de dimension (n \u00d7 1)<\/em> contenant les observations de la variable d\u00e9pendante psychologique, X<\/em> est une matrice de plan de dimension (n \u00d7 p)<\/em> regroupant les p<\/em> variables explicatives (incluant la constante), \u03b2<\/em> est le vecteur (p \u00d7 1)<\/em> des param\u00e8tres r\u00e9gressifs inconnus, et \u03b5<\/em> est le vecteur des erreurs r\u00e9siduelles ind\u00e9pendantes et identiquement distribu\u00e9es suivant une loi normale d’esp\u00e9rance nulle et de variance constante \u03c3\u00b2I<\/em>.<\/p>\n Selon le th\u00e9or\u00e8me de Gauss-Markov, l’estimateur des moindres carr\u00e9s ordinaires \u03b2\u0302 = (X’X)\u207b\u00b9X’Y<\/em> est l’estimateur sans biais de variance minimale (BLUE) si la matrice (X’X)<\/em> est r\u00e9guli\u00e8re et de rang plein p<\/em>. En pr\u00e9sence de colin\u00e9arit\u00e9 parfaite, le rang de la matrice X<\/em> est strictement inf\u00e9rieur \u00e0 p<\/em>. Le d\u00e9terminant de (X’X)<\/em> est rigoureusement nul, ce qui signifie que l’inverse (X’X)\u207b\u00b9<\/em> n’existe pas. Les param\u00e8tres \u03b2<\/em> ne sont pas identifiables, et une infinit\u00e9 math\u00e9matique de solutions vectorielles minimise la somme des carr\u00e9s des erreurs<\/span>.<\/p>\n Dans la pratique courante des recherches en psychologie, la colin\u00e9arit\u00e9 parfaite est rare, sauf en cas d’erreur grossi\u00e8re de sp\u00e9cification de mod\u00e8le (comme inclure simultan\u00e9ment un score total et l’ensemble de ses sous-scores constitutifs). Le probl\u00e8me quasi universellement rencontr\u00e9 est la colin\u00e9arit\u00e9 imparfaite ou quasi-colin\u00e9arit\u00e9. Dans cette configuration, la matrice (X’X)<\/em> est inversible, mais mal conditionn\u00e9e. La variance de l’estimateur du coefficient \u03b2\u2c7c<\/em> pour le j<\/em>-i\u00e8me pr\u00e9dicteur s’exprime par la relation fondamentale suivante :<\/p>\n Var(\u03b2\u0302\u2c7c) = (\u03c3\u00b2 \/ [\u03a3(x\u1d62\u2c7c – x\u0304\u2c7c)\u00b2]) \u00d7 [1 \/ (1 – R\u2c7c\u00b2)]<\/em><\/span><\/p>\n Le terme R\u2c7c\u00b2<\/em> repr\u00e9sente ici le coefficient de d\u00e9termination multiple issu de la r\u00e9gression auxiliaire du pr\u00e9dicteur X\u2c7c<\/em> sur l’ensemble des p – 1<\/em> autres variables ind\u00e9pendantes du mod\u00e8le. Le facteur 1 \/ (1 – R\u2c7c\u00b2)<\/em> correspond pr\u00e9cis\u00e9ment au facteur d’inflation de la variance (VIF). Lorsque R\u2c7c\u00b2<\/em> tend vers 1 (indiquant que le pr\u00e9dicteur X\u2c7c<\/em> est presque int\u00e9gralement pr\u00e9dictible \u00e0 partir des autres pr\u00e9dicteurs), le VIF tend vers l’infini, entra\u00eenant une amplification d\u00e9mesur\u00e9e de la variance de l’estimateur. Bien que l’estimateur demeure rigoureusement sans biais sur le plan math\u00e9matique, sa dispersion d’\u00e9chantillonnage est telle qu’une l\u00e9g\u00e8re modification des donn\u00e9es brutes, l’ajout ou le retrait d’une seule observation ou l’introduction d’un l\u00e9ger bruit de mesure peut inverser le signe du coefficient ou modifier radicalement son ampleur.<\/p>\n La colin\u00e9arit\u00e9 ne se manifeste pas sous une forme monolithique ; elle recouvre plusieurs r\u00e9alit\u00e9s structurales qu’il convient de d\u00e9composer minutieusement afin d’orienter les d\u00e9marches correctives :<\/p>\n Pour illustrer concr\u00e8tement les r\u00e9percussions empiriques de la colin\u00e9arit\u00e9 dans la recherche psychologique, examinons une \u00e9tude hypoth\u00e9tique mais hautement repr\u00e9sentative portant sur les pr\u00e9dicteurs du bien-\u00eatre subjectif chez des adultes \u00e9mergents. Un chercheur administre une batterie de tests psychom\u00e9triques comprenant l’\u00e9chelle de satisfaction de vie comme variable d\u00e9pendante continue, et cherche \u00e0 pr\u00e9dire ce score \u00e0 partir de trois dimensions psychologiques : l’estime de soi globale (mesur\u00e9e par l’\u00e9chelle de Rosenberg), le sentiment d’efficacit\u00e9 personnelle g\u00e9n\u00e9rale (mesur\u00e9 par l’\u00e9chelle de Bandura) et l’optimisme dispositionnel (mesur\u00e9 par le LOT-R).<\/p>\n Sur le plan bivari\u00e9, chacune de ces trois variables pr\u00e9dictives affiche une corr\u00e9lation positive et robuste avec la satisfaction de vie (respectivement r<\/em> = 0,62, r<\/em> = 0,58 et r<\/em> = 0,65, tous \u00e0 p<\/em> < 0,001). Cependant, l’estime de soi et le sentiment d’efficacit\u00e9 personnelle sont eux-m\u00eames intercorr\u00e9l\u00e9s \u00e0 hauteur de r<\/em> = 0,88, refl\u00e9tant un fort chevauchement de la valorisation de soi et de la perception de comp\u00e9tence. Lorsque le psychologue ex\u00e9cute une r\u00e9gression multiple standard en int\u00e9grant simultan\u00e9ment ces trois variables, le mod\u00e8le global s’av\u00e8re hautement pr\u00e9dictif (R\u00b2<\/em> = 0,48, F<\/em>(3, 250) = 76,92, p<\/em> < 0,001). Pourtant, le coefficient de r\u00e9gression standardis\u00e9 de l’efficacit\u00e9 personnelle s’effondre (\u03b2<\/em> = 0,04, t<\/em> = 0,52, p<\/em> = 0,603), tandis que l’erreur type associ\u00e9e \u00e0 son estimation double par rapport \u00e0 une r\u00e9gression simple. Si le chercheur interpr\u00e8te na\u00efvement ce r\u00e9sultat, il conclura \u00e0 tort que l’efficacit\u00e9 personnelle ne joue aucun r\u00f4le pr\u00e9dictif dans la satisfaction de vie, ignorant que sa variance explicative a \u00e9t\u00e9 phagocyt\u00e9e par l’estime de soi<\/span>.<\/p>\n Un second cas embl\u00e9matique en neuropsychologie concerne l’investigation du d\u00e9clin cognitif li\u00e9 \u00e0 l’\u00e2ge chez des patients atteints de troubles neurocognitifs l\u00e9gers. Un investigateur introduit l’\u00e2ge chronologique, le nombre d’ann\u00e9es de scolarit\u00e9, le volume total de mati\u00e8re grise corticale et le volume hippocampique dans un mod\u00e8le lin\u00e9aire pour pr\u00e9dire le score \u00e0 l’\u00e9preuve de m\u00e9moire \u00e9pisodique. Si les volumes c\u00e9r\u00e9braux partagent une colin\u00e9arit\u00e9 s\u00e9v\u00e8re (due \u00e0 la corr\u00e9lation allom\u00e9trique naturelle entre les structures enc\u00e9phaliques) et que l’\u00e2ge est fortement associ\u00e9 \u00e0 ces deux atrophies, le mod\u00e8le peut produire un coefficient n\u00e9gatif aberrant pour le volume de mati\u00e8re grise (laissant supposer qu’un volume cortical plus \u00e9lev\u00e9 d\u00e9t\u00e9riore la m\u00e9moire) coupl\u00e9 \u00e0 une instabilit\u00e9 majeure lors d’une validation crois\u00e9e : scinder l’\u00e9chantillon en deux sous-groupes al\u00e9atoires peut faire basculer le coefficient de positif \u00e0 n\u00e9gatif d’une moiti\u00e9 \u00e0 l’autre.<\/p>\n L’\u00e9valuation rigoureuse de la colin\u00e9arit\u00e9 constitue une \u00e9tape indispensable du diagnostic des mod\u00e8les de r\u00e9gression multivari\u00e9e. Les psychologues quantitatifs disposent d’un ensemble d’outils analytiques compl\u00e9mentaires pour d\u00e9tecter et quantifier la gravit\u00e9 de cette pathologie matricielle :<\/p>\n Le premier indicateur \u00e9l\u00e9mentaire r\u00e9side dans l’examen de la matrice des corr\u00e9lations bivari\u00e9es entre pr\u00e9dicteurs. Bien qu’une corr\u00e9lation sup\u00e9rieure \u00e0 0,80 ou 0,85 signale sans \u00e9quivoque une colin\u00e9arit\u00e9 manifeste, cet outil est notoirement insuffisant, car il \u00e9choue syst\u00e9matiquement \u00e0 capturer la multicolin\u00e9arit\u00e9 complexe impliquant plus de deux variables.<\/p>\n L’outil diagnostique le plus universellement employ\u00e9 est le Facteur d’Inflation de la Variance<\/strong> (FIV, ou VIF<\/a> pour Variance Inflation Factor<\/em>), d\u00e9fini math\u00e9matiquement comme l’inverse de la tol\u00e9rance :<\/p>\n VIF\u2c7c = 1 \/ Tol\u00e9rance\u2c7c = 1 \/ (1 – R\u2c7c\u00b2)<\/em><\/span><\/p>\n La tol\u00e9rance mesure la proportion de variance du pr\u00e9dicteur X\u2c7c<\/em> qui n’est pas expliqu\u00e9e par les autres r\u00e9gresseurs du mod\u00e8le. Une tol\u00e9rance approchant 0 (et par cons\u00e9quent un VIF tr\u00e8s \u00e9lev\u00e9) signale une redondance critique. Dans la litt\u00e9rature m\u00e9thodologique en psychologie :<\/p>\n Pour un diagnostic exhaustif, l’approche pr\u00e9conis\u00e9e par Belsley, Kuh et Welsch (1980) repose sur les valeurs propres<\/strong> (eigenvalues<\/em>) et les indices de conditionnement<\/strong> de la matrice des donn\u00e9es normalis\u00e9es. Le nombre de conditionnement est d\u00e9fini comme la racine carr\u00e9e du rapport entre la plus grande valeur propre et la plus petite valeur propre de la matrice :<\/p>\n \u03ba = \u221a(\u03bb_max \/ \u03bb_min)<\/em><\/span><\/p>\n Un indice de conditionnement d\u00e9passant 15 indique une colin\u00e9arit\u00e9 naissante, tandis qu’un indice sup\u00e9rieur \u00e0 30 signale une colin\u00e9arit\u00e9 grave et destructrice. Ce diagnostic s’accompagne de l’examen de la matrice de d\u00e9composition des proportions de variance : lorsqu’une composante spectrale sp\u00e9cifique associ\u00e9e \u00e0 un indice de conditionnement \u00e9lev\u00e9 explique une part substantielle (sup\u00e9rieure \u00e0 50 %) de la variance de deux ou plusieurs coefficients de r\u00e9gression, la d\u00e9pendance lin\u00e9aire exacte entre ces pr\u00e9dicteurs est isol\u00e9e et identifi\u00e9e.<\/p>\n La gestion de la colin\u00e9arit\u00e9 a des r\u00e9percussions pratiques directes dans de multiples branches de la psychologie appliqu\u00e9e, o\u00f9 des d\u00e9cisions cliniques, \u00e9ducatives ou manag\u00e9riales d\u00e9pendent de mod\u00e8les de pr\u00e9diction empiriques :<\/p>\n En psychologie clinique et psychopathologie<\/strong>, les classifications diagnostiques comme le DSM-5-TR et la CIM-11 reposent fr\u00e9quemment sur des crit\u00e8res symptomatiques qui se recoupent largement d’une pathologie \u00e0 l’autre (par exemple, anh\u00e9donie, alt\u00e9rations du sommeil, fatigue cognitive dans la d\u00e9pression, le burnout et l’anxi\u00e9t\u00e9 g\u00e9n\u00e9ralis\u00e9e). Lorsqu’un clinicien ou un chercheur \u00e9labore un algorithme pronostique pour \u00e9valuer le risque de rechute suicidaire \u00e0 l’aide de scores symptomatiques, la colin\u00e9arit\u00e9 peut occulter des pr\u00e9dicteurs critiques ou donner l’illusion fallacieuse qu’un sympt\u00f4me majeur n’a pas d’effet pr\u00e9dictif une fois ajust\u00e9 pour un autre sympt\u00f4me similaire.<\/p>\n En psychologie du travail et des organisations<\/strong>, les d\u00e9partements de ressources humaines mobilisent r\u00e9guli\u00e8rement des batteries de s\u00e9lection compos\u00e9es de tests d’aptitudes cognitives g\u00e9n\u00e9rales (facteur g<\/em>), de tests de jugement situationnel et d’inventaires de personnalit\u00e9. Les diff\u00e9rentes facettes de la conscience professionnelle ou de l’intelligence fluide pr\u00e9sentent souvent des colin\u00e9arit\u00e9s substantielles. Dans les litiges juridiques portant sur la discrimination \u00e0 l’embauche ou la validit\u00e9 pr\u00e9dictive des instruments de recrutement, une mauvaise appr\u00e9ciation de la colin\u00e9arit\u00e9 peut amener \u00e0 \u00e9carter \u00e0 tort un test pourtant valide au motif erron\u00e9 que son coefficient partiel est non significatif dans un mod\u00e8le satur\u00e9.<\/p>\n En mod\u00e9lisation par \u00e9quations structurelles (SEM)<\/strong>, omnipr\u00e9sente dans la recherche contemporaine, la colin\u00e9arit\u00e9 entre variables manifestes ou entre construits latents (par exemple, deux variables latentes corr\u00e9l\u00e9es \u00e0 r<\/em> > 0,85) g\u00e9n\u00e8re des matrices de covariance implicites non d\u00e9finies positives, des variances r\u00e9siduelles n\u00e9gatives (les fameux cas de Heywood) et des \u00e9checs d’it\u00e9ration num\u00e9rique lors de l’algorithme d’estimation du maximum de vraisemblance<\/span>.<\/p>\n La recherche m\u00e9thodologique en psychologie computationnelle a abondamment document\u00e9 l’impact de la colin\u00e9arit\u00e9 et \u00e9valu\u00e9 l’efficacit\u00e9 relative des solutions correctives d\u00e9velopp\u00e9es au cours des derni\u00e8res d\u00e9cennies :<\/p>\n Les \u00e9tudes de simulation Monte Carlo conduites notamment par Mason et Perreault (1991), puis enrichies par Grewal, Cote et Baumgartner (2004), ont d\u00e9montr\u00e9 de mani\u00e8re univoque que les cons\u00e9quences de la colin\u00e9arit\u00e9 ne peuvent \u00eatre dissoci\u00e9es de deux autres param\u00e8tres statistiques fondamentaux : la taille de l’\u00e9chantillon (N<\/em>) et la fiabilit\u00e9 psychom\u00e9trique des mesures (consistance interne ou alpha de Cronbach). Leurs simulations ont mis en \u00e9vidence que lorsque la taille d’\u00e9chantillon est modeste (par exemple, N<\/em> < 100) et que la fiabilit\u00e9 des instruments est m\u00e9diocre (fiabilit\u00e9 < 0,70), m\u00eame des niveaux de colin\u00e9arit\u00e9 mod\u00e9r\u00e9s (VIF oscillant entre 3 et 5) entra\u00eenent une perte drastique de puissance statistique (la probabilit\u00e9 de commettre une erreur de type II d\u00e9passe alors souvent 80 %) et une prolif\u00e9ration de coefficients pr\u00e9sentant des inversions de signe artificielles<\/span>.<\/p>\n Face \u00e0 ces d\u00e9fis, la litt\u00e9rature empirique s’est tourn\u00e9e vers les techniques de r\u00e9gression r\u00e9gularis\u00e9e et p\u00e9nalis\u00e9e issues de l’apprentissage automatique statistique. Les travaux comparatifs de Friedman, Hastie et Tibshirani (2010) ont valid\u00e9 la sup\u00e9riorit\u00e9 des estimateurs p\u00e9nalis\u00e9s par rapport aux moindres carr\u00e9s ordinaires dans des contextes de haute colin\u00e9arit\u00e9 :<\/p>\n Dans la recherche interculturelle et la psychologie transnationale, la colin\u00e9arit\u00e9 acquiert une dimension \u00e9pist\u00e9mologique singuli\u00e8re souvent sous-estim\u00e9e. Les construits psychologiques ne s’articulent pas de mani\u00e8re identique selon les contextes socioculturels, ce qui modifie la structure de corr\u00e9lation sous-jacente des variables pr\u00e9dictives :<\/p>\n Par exemple, l’interd\u00e9pendance conceptuelle entre les valeurs d’individualisme et de collectivisme, ou entre les orientations vers l’autonomie et l’appartenance relationnelle, varie substantiellement entre les cultures occidentales, \u00e9duqu\u00e9es, industrialis\u00e9es, riches et d\u00e9mocratiques (dites cultures WEIRD) et les soci\u00e9t\u00e9s traditionnelles ou collectivistes. Alors que dans une cohorte nord-am\u00e9ricaine, deux sous-\u00e9chelles mesurant l’affirmation de soi et le soutien social peuvent demeurer suffisamment dissoci\u00e9es pour afficher une colin\u00e9arit\u00e9 faible ou mod\u00e9r\u00e9e, ces m\u00eames dimensions peuvent devenir quasi indiscernables sur le plan psychom\u00e9trique au sein d’une population d’Asie orientale en raison d’une conception holistique du soi, induisant une explosion de la colin\u00e9arit\u00e9 au sein du mod\u00e8le empirique.<\/p>\n De surcro\u00eet, le ph\u00e9nom\u00e8ne de biais de r\u00e9ponse transculturel \u2014 tel que le style de r\u00e9ponse acquies\u00e7ant (tendance syst\u00e9matique \u00e0 approuver les \u00e9nonc\u00e9s d’un questionnaire ind\u00e9pendamment de leur contenu) ou l’usage pr\u00e9f\u00e9rentiel des points extr\u00eames de l’\u00e9chelle de Likert \u2014 introduit une variance de m\u00e9thode commune (Common Method Variance<\/em>) non substantielle. Cette variance partag\u00e9e artificielle amplifie m\u00e9caniquement les intercorr\u00e9lations entre l’ensemble des instruments de mesure auto-rapport\u00e9s, g\u00e9n\u00e9rant une multicolin\u00e9arit\u00e9 de surface qui ne refl\u00e8te pas une \u00e9quivalence fonctionnelle des traits mesur\u00e9s mais un artefact culturel d’\u00e9valuation.<\/p>\n La question de la colin\u00e9arit\u00e9 en sciences du comportement est au centre de controverses th\u00e9oriques et m\u00e9thodologiques persistantes :<\/p>\n L’une des controverses majeures concerne le mythe de l’invalidit\u00e9 globale du mod\u00e8le<\/strong>. De nombreux \u00e9tudiants et chercheurs novices croient \u00e0 tort que la pr\u00e9sence d’une multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re invalide la capacit\u00e9 d’un mod\u00e8le \u00e0 pr\u00e9dire la variable crit\u00e8re. Or, sur le plan purement d\u00e9ductif et probabiliste, la colin\u00e9arit\u00e9 ne compromet aucunement l’optimalit\u00e9 des pr\u00e9dictions g\u00e9n\u00e9r\u00e9es par le mod\u00e8le pour des individus issus de la m\u00eame population, pourvu que la structure de d\u00e9pendance lin\u00e9aire entre les pr\u00e9dicteurs demeure inchang\u00e9e dans les futures donn\u00e9es. La colin\u00e9arit\u00e9 est exclusivement un probl\u00e8me d’isolement causal et d’attribution univoque de variance partielle ; elle ne d\u00e9grade pas le R\u00b2<\/em> ou la pr\u00e9cision globale de la pr\u00e9diction.<\/p>\n Une seconde controverse critique a trait aux r\u00e8gles empiriques simplistes (dites rules of thumb<\/em>) entourant les seuils d’exclusion des variables. L’utilisation aveugle du seuil conventionnel de VIF > 10<\/em> (ou pire, VIF > 5<\/em>) comme crit\u00e8re dogmatique pour \u00e9liminer m\u00e9caniquement des variables d’un mod\u00e8le a \u00e9t\u00e9 vivement d\u00e9nonc\u00e9e par des m\u00e9thodologistes comme Paul Allison et Gary King. Supprimer une variable cl\u00e9 d’un mod\u00e8le au seul motif qu’elle pr\u00e9sente un VIF \u00e9lev\u00e9 pour r\u00e9duire artificiellement la colin\u00e9arit\u00e9 induit un biais d’omission de variable (omitted variable bias<\/em>), dont les cons\u00e9quences sur la validit\u00e9 des estimations causales sont infiniment plus d\u00e9vastatrices que l’impr\u00e9cision d’\u00e9chantillonnage caus\u00e9e par la colin\u00e9arit\u00e9<\/span>.<\/p>\n Enfin, le d\u00e9bat persiste quant \u00e0 l’efficacit\u00e9 du centrage des variables<\/a> (soustraire la moyenne de l’\u00e9chantillon avant de calculer des termes quadratiques ou des produits d’interaction). Alors que la tradition psychologique classique (notamment vulgaris\u00e9e par Aiken et West en 1991) recommandait syst\u00e9matiquement le centrage pour \u00e9liminer la colin\u00e9arit\u00e9 artificielle entre les effets principaux et le terme d’interaction, des statisticiens ont rigoureusement d\u00e9montr\u00e9 que le centrage modifie uniquement la signification substantielle des effets d’ordre inf\u00e9rieur (qui deviennent des effets conditionnels \u00e0 la moyenne) sans alt\u00e9rer en rien l’erreur type, la valeur t<\/em> ou la signification statistique de l’effet d’interaction supr\u00eame, prouvant que la colin\u00e9arit\u00e9 dans ce cas pr\u00e9cis est une illusion purement math\u00e9matique sans impact inf\u00e9rentiel r\u00e9el.<\/p>\n Pour \u00e9viter toute confusion terminologique et m\u00e9thodologique, il importe de distinguer la colin\u00e9arit\u00e9 de plusieurs concepts psychom\u00e9triques et statistiques \u00e9troitement apparent\u00e9s :<\/p>\n La colin\u00e9arit\u00e9 repr\u00e9sente une r\u00e9alit\u00e9 structurelle incontournable de la recherche en psychologie et en sciences sociales, d\u00e9coulant de l’interconnexion holistique des processus cognitifs, conatifs et affectifs de l’\u00eatre humain. Sa compr\u00e9hension rigoureuse est essentielle pour tout chercheur aspirant \u00e0 produire des analyses empiriques valides et reproductibles.<\/p>\n Sur le plan fondamental, la colin\u00e9arit\u00e9 ne d\u00e9truit pas le pouvoir pr\u00e9dictif d’un mod\u00e8le et n’introduit aucun biais math\u00e9matique intrins\u00e8que dans les estimateurs des moindres carr\u00e9s ordinaires. En revanche, elle gonfle dramatiquement les erreurs types des coefficients r\u00e9gressifs partiels, favorise les erreurs d’inf\u00e9rence de type II, produit une instabilit\u00e9 extr\u00eame des param\u00e8tres lors des r\u00e9plications empiriques et entrave l’isolement de l’effet unique propre \u00e0 chaque variable explicative.<\/p>\n Sa d\u00e9tection repose imp\u00e9rativement sur des outils diagnostiques multivari\u00e9s robustes \u2014 en premier lieu le Facteur d’Inflation de la Variance (VIF) et la d\u00e9composition spectrale des valeurs propres et indices de conditionnement de Belsley \u2014 plut\u00f4t que sur la simple consultation des corr\u00e9lations bivari\u00e9es. Enfin, face \u00e0 une colin\u00e9arit\u00e9 probl\u00e9matique, les m\u00e9thodologistes recommandent d’\u00e9viter la suppression na\u00efve de variables pertinentes, privil\u00e9giant plut\u00f4t l’agr\u00e9gation th\u00e9orique de dimensions redondantes, l’utilisation de l’analyse en composantes principales, l’adoption de mod\u00e8les d’\u00e9quations structurelles avec construits latents d’ordre sup\u00e9rieur, ou encore le recours aux m\u00e9thodes de r\u00e9gression r\u00e9gularis\u00e9e moderne telles que la r\u00e9gression ridge ou l’Elastic Net.<\/p>\n La colin\u00e9arit\u00e9 et la multicolin\u00e9arit\u00e9 d\u00e9signent l’interd\u00e9pendance lin\u00e9aire \u00e9lev\u00e9e entre pr\u00e9dicteurs au sein d’un mod\u00e8le statistique. D\u00e9couvrez leurs impacts, leurs m\u00e9thodes de diagnostic psychom\u00e9trique et leurs solutions.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[1829,2],"tags":[40600,4787,16,5227,1842,4788],"class_list":["post-23968","psych_term","type-psych_term","status-publish","hentry","category-methodologie-statistique","category-psychometrie","tag-colinearite","tag-multicolinearite","tag-psychometrie","tag-regression-multiple","tag-statistiques-psychologiques","tag-vif"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/23968","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\/23968\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=23968"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=23968"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=23968"}],"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. \u00c9volution 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
\n
10. Applications et port\u00e9e pratique<\/h3>\n
11. Recherche et donn\u00e9es empiriques<\/h3>\n
\n
12. Consid\u00e9rations culturelles et interculturelles<\/h3>\n
13. Critiques, controverses et limites<\/h3>\n
14. Termes connexes et distinctions<\/h3>\n
\n
15. Synth\u00e8se et points cl\u00e9s<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n