Comment effectuer le test de White dans R (avec des exemples)

L’analyse de régression linéaire par la méthode des moindres carrés ordinaires (MCO) constitue l’un des piliers méthodologiques les plus universellement déployés au sein des sciences quantitatives, de l’économétrie appliquée à la psychométrie, en passant par l’épidémiologie et la sociologie computationnelle. L’attrait persistant de ce cadre analytique réside principalement dans sa remarquable élégance mathématique et dans la clarté interprétative de ses coefficients estimés. Cependant, la validité déductive et la fiabilité inférentielle des modèles de régression linéaire reposent sur un ensemble d’hypothèses stochastiques fondamentales, théorisées de manière magistrale dans le cadre du théorème de Gauss-Markov. Parmi ces postulats directeurs, l’hypothèse d’homoscédasticité, qui stipule l’invariance de la variance des perturbations aléatoires conditionnellement aux variables explicatives, occupe une place d’une sensibilité critique absolue.

Dans la pratique empirique contemporaine, la violation de ce postulat d’homoscédasticité donne naissance au phénomène d’hétéroscédasticité, une situation où la dispersion des résidus fluctue systématiquement à travers les différentes strates des prédicteurs ou au gré des observations. Si l’hétéroscédasticité ne détruit pas la propriété de non-biais des estimateurs des moindres carrés ordinaires, elle vicie de manière fondamentale l’estimation de leur matrice de variance-covariance. Par voie de conséquence directe, les erreurs-types usuelles des coefficients se trouvent faussées, entraînant l’invalidation pure et simple des tests de significativité statistique conventionnels, notamment les tests t de Student et les tests F de Fisher-Snedecor, tout en rendant fallacieux les intervalles de confiance construits sous ces prémisses erronées.

Face à ce péril méthodologique majeur, l’économètre Halbert White a proposé en 1980 une procédure diagnostique générale d’une puissance remarquable, affranchie de toute hypothèse préalable contraignante quant à la forme fonctionnelle prise par la variabilité des erreurs. Cet article propose un guide exhaustif, rigoureux et didactique dédié à la compréhension, à la dérivation computationnelle et à la mise en œuvre pratique du test de White au sein de l’environnement statistique R. En explorant tant les assises mathématiques du test que son application pas à pas sur des données réelles et simulées, ce traité offre aux chercheurs et analystes de données la grille d’analyse indispensable pour diagnostiquer rigoureusement la structure stochastique de leurs modèles linéaires et adopter des stratégies de remédiation adéquates.

1. Introduction à l’hétéroscédasticité et aux postulats de la régression linéaire

1.1 Le postulat fondamental d’homoscédasticité selon Gauss-Markov

L’estimation d’un modèle de régression linéaire multiple s’articule formellement autour de l’équation matricielle Y = Xβ + ε, dans laquelle Y représente le vecteur des observations de la variable dépendante de dimension (n × 1), X désigne la matrice de conception des prédicteurs de dimension (n × k), β est le vecteur des paramètres inconnus de dimension (k × 1), et ε symbolise le vecteur stochastique des erreurs non observables de dimension (n × 1). Le cadre théorique établi par Carl Friedrich Gauss et Andreï Markov établit un ensemble de conditions indispensables garantissant que l’estimateur des moindres carrés ordinaires, formulé algébriquement par b = (X’X)⁻¹X’Y, soit l’estimateur linéaire sans biais à variance minimale, qualifié par l’acronyme universel BLUE (Best Linear Unbiased Estimator).

Au cœur de ces conditions figure l’hypothèse d’homoscédasticité, qui prescrit que la variance du terme d’erreur stochastique, conditionnellement à l’ensemble de la matrice des régresseurs X, demeure strictement constante pour chaque observation individuelle i. Formellement, cette condition s’énonce par la relation Var(εᵢ | X) = σ² pour tout i ∈ {1, …, n}, où σ² représente un scalaire positif invariable. De surcroît, en supposant l’absence totale d’autocorrélation entre les perturbations associées à des observations distinctes, à savoir Cov(εᵢ, εⱼ | X) = 0 pour tout i ≠ j, la matrice de variance-covariance conditionnelle du vecteur des perturbations se simplifie selon l’expression E(εε’ | X) = σ²Iₙ, où Iₙ désigne la matrice identité d’ordre n.

Il est impératif d’opérer une distinction conceptuelle et mathématique absolue entre les perturbations stochastiques non observables εᵢ et les résidus empiriques calculés eᵢ = Yᵢ – Ŷᵢ, ces derniers constituant les contreparties échantillonnales des premières. Les résidus ordinaires vérifient par construction algébrique la propriété X’e = 0, mais leur variance individuelle ne coïncide pas exactement avec σ² en raison de l’influence de la matrice de projection orthogonale, souvent désignée comme la matrice des leviers H = X(X’X)⁻¹X’. Lorsque la variance conditionnelle des perturbations théoriques n’est pas constante à travers les observations, la propriété d’optimalité BLUE s’effondre irrémédiablement, privant l’estimateur MCO de son efficacité statistique.

1.2 Nature, origines et manifestations de l’hétéroscédasticité

L’hétéroscédasticité survient dès lors que la variance des termes d’erreur varie en fonction des observations, ce qui se traduit mathématiquement par la configuration Var(εᵢ | X) = σᵢ², où l’indice i dénote la dépendance de la variance vis-à-vis des caractéristiques propres à chaque unité statistique. Cette hétérogénéité de dispersion peut découler de multiples mécanismes générateurs de données inhérents aux phénomènes empiriques étudiés. Parmi les facteurs prépondérants figurent les effets d’échelle : par exemple, dans les études de modélisation économique des dépenses de consommation en fonction du revenu disponible, les ménages à hauts revenus disposent d’un éventail d’arbitrages de consommation et d’épargne considérablement plus vaste que les ménages à faibles revenus, engendrant une variabilité résiduelle intrinsèquement plus étendue aux valeurs élevées du prédicteur.

Une distinction méthodologique essentielle doit être opérée entre l’hétéroscédasticité pure et l’hétéroscédasticité impure. L’hétéroscédasticité pure découle de la nature stochastique profonde du processus générateur de données, au sein duquel la dispersion des aléas augmente ou diminue structurellement sous l’effet de forces exogènes, de dynamiques d’apprentissage comportemental ou de disparités d’agrégation institutionnelle. À l’inverse, l’hétéroscédasticité impure résulte directement d’une erreur de spécification commise par l’analyste lors de l’élaboration du modèle économétrique. L’omission d’une variable explicative pertinente corrélée à la variance résiduelle, l’oubli de termes polynomiaux traduisant des non-linéarités sous-jacentes, ou l’inadéquation de la transformation mathématique imposée à la variable dépendante se répercutent directement dans le terme résiduel, simulant un schéma hétéroscédastique artificiel.

Les implications empiriques de cette pathologie stochastique sont majeures. Sous hétéroscédasticité, l’estimateur MCO b conserve sa convergence et son absence de biais, pourvu que l’espérance conditionnelle des perturbations demeure nulle, soit E(ε | X) = 0. En revanche, sa matrice de variance-covariance réelle devient Var(b | X) = (X’X)⁻¹(X’ΩX)(X’X)⁻¹, où Ω = diag(σ₁², σ₂², …, σₙ²). Dès lors que l’analyste applique naïvement l’estimateur usuel s²(X’X)⁻¹, les erreurs-types des coefficients estimés sont irrémédiablement faussées. Dans la très grande majorité des configurations pratiques, cette méprise conduit à une sous-estimation substantielle des erreurs-types, gonflant artificiellement les statistiques de Student et générant des conclusions faussement positives, couramment désignées sous le terme d’erreurs d’inférence de première espèce.

1.3 Pertinence méthodologique dans la recherche quantitative et comportementale

Dans le domaine des sciences comportementales, de la psychologie différentielle et de la recherche éducationnelle, les données quantitatives sont particulièrement vulnérables aux violations du postulat d’homoscédasticité. Les instruments psychométriques, tels que les échelles de Likert mesurant l’anxiété, l’engagement ou l’auto-efficacité, présentent fréquemment des effets de plancher ou de plafond. Ces artefacts de mesure compriment artificiellement la variance résiduelle aux extrémités de l’échelle, tout en autorisant une dispersion maximale aux niveaux médians, induisant mécaniquement une forme prononcée d’hétéroscédasticité conditionnelle liée au dispositif d’évaluation lui-même.

Par ailleurs, l’avènement des mégadonnées et l’utilisation croissante de très grands échantillons dans les recherches observationnelles contemporaines modifient radicalement la sensibilité des protocoles diagnostiques. Dans les cohortes massives regroupant des dizaines de milliers d’individus, les conséquences de l’hétéroscédasticité sur les tests de significativité deviennent redoutables : d’infimes distorsions dans le calcul des erreurs-types conduisent à déclarer hautement significatives des relations qui ne reposent que sur du bruit stochastique amplifié par une estimation erronée de la variance. Les comités de lecture des revues scientifiques de premier plan exigent désormais une transparence sans faille quant à l’intégrité distributionnelle des modèles soumis à publication.

L’omission de diagnostics formels d’hétéroscédasticité ou le recours exclusif à des inspections visuelles informelles expose le chercheur au risque d’une invalidation totale de ses déductions causales et inférentielles. Il apparaît donc impératif d’intégrer dans le pipeline régulier de modélisation statistique des tests d’hypothèse rigoureux et standardisés, capables d’authentifier objectivement l’état homoscédastique ou hétéroscédastique des résidus, préalablement à toute interprétation substantive des coefficients de régression.

2. Fondements théoriques et mathématiques du test de White

2.1 Genèse et formulation originale par Halbert White en 1980

Dans une contribution séminale publiée en mai 1980 au sein de la prestigieuse revue Econometrica, l’économètre et mathématicien américain Halbert White a révolutionné le traitement de l’hétéroscédasticité en économétrie appliquée. Intitulé A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity, cet article fondateur a résolu une aporie majeure qui entravait l’analyse empirique depuis plusieurs décennies. Avant les travaux de White, les procédures diagnostiques d’hétéroscédasticité imposaient systématiquement aux chercheurs de postuler a priori une structure paramétrique déterminée pour la variance non constante des erreurs, comme une proportionnalité directe avec l’un des régresseurs du modèle.

L’apport conceptuel décisif de White a consisté à concevoir un test diagnostique asymptotique entièrement général, ne requérant aucune spécification préalable quant à la nature, linéaire ou non linéaire, de la fonction reliant la variance d’erreur aux variables indépendantes. Le test repose sur une intuition mathématique d’une grande limpidité : sous l’hypothèse nulle d’homoscédasticité, la matrice de variance-covariance conventionnelle des estimateurs MCO, V₁ = σ²(X’X)⁻¹, et la matrice de variance-covariance asymptotique robuste développée par White, V₂ = (X’X)⁻¹(∑ eᵢ² Xᵢ’Xᵢ)(X’X)⁻¹, convergent toutes deux en probabilité vers la même limite théorique. Une divergence statistiquement significative entre ces deux estimateurs matriciels trahit inéluctablement la présence d’hétéroscédasticité ou une défaillance de spécification fonctionnelle du modèle.

L’hypothèse nulle du test de White s’énonce formellement par H₀ : Var(εᵢ | X) = σ² pour tout i, signifiant que la variance conditionnelle des erreurs est uniforme et indépendante des valeurs prises par les prédicteurs. L’hypothèse alternative générale s’exprime quant à elle par H₁ : Var(εᵢ | X) = σᵢ² = f(Xᵢ), où f représente une fonction non constante dépendant des régresseurs, de leurs puissances quadratiques et de leurs interactions mutuelles. Ce test est ainsi configuré comme un test omnibus, remarquablement armé pour détecter toute violation de l’hypothèse de variance constante.

2.2 Mécanisme de la régression auxiliaire

L’exécution pratique et opérationnelle du test de White repose sur l’estimation d’une régression linéaire secondaire, dite régression auxiliaire, dans laquelle la variable dépendante est constituée par le carré des résidus ordinaires extraits de la régression principale. Considérons un modèle de régression linéaire initial comportant deux régresseurs explicatifs continus : Yᵢ = β₀ + β₁X₁ᵢ + β₂X₂ᵢ + εᵢ. À l’issue de l’ajustement de cette équation par les MCO, les résidus empiriques eᵢ = Yᵢ – Ŷᵢ sont isolés, puis rigoureusement élevés au carré pour former la grandeur eᵢ², laquelle agit comme un estimateur ponctuel non biaisé et observable de la variance instantanée σᵢ².

La régression auxiliaire de White procède ensuite à la régression par moindres carrés de ces carrés de résidus sur un ensemble exhaustif comprenant la constante, l’ensemble des prédicteurs d’origine, leurs carrés respectifs, ainsi que l’ensemble de leurs produits croisés (interactions de second ordre). Pour notre modèle à deux variables, l’équation auxiliaire prend rigoureusement la forme suivante :

eᵢ² = α₀ + α₁X₁ᵢ + α₂X₂ᵢ + α₃X₁ᵢ² + α₄X₂ᵢ² + α₅(X₁ᵢ × X₂ᵢ) + uᵢ

Dans cette formulation auxiliaire, uᵢ symbolise le terme d’erreur résiduel de la régression secondaire. Si l’hypothèse nulle d’homoscédasticité est vérifiée dans la population, aucun des régresseurs de cette équation secondaire ne devrait contribuer de manière systématique à expliquer la magnitude de eᵢ², ce qui implique que l’ensemble des coefficients de pente sont théoriquement nuls : α₁ = α₂ = α₃ = α₄ = α₅ = 0.

Un enjeu algorithmique capital lors de la génération de cette régression auxiliaire réside dans la gestion de la colinéarité parfaite. Lorsque le modèle originel comprend des variables catégorielles codées sous forme d’indicateurs binaires (variables indicatrices ou dummy variables), l’élévation au carré de ces variables est strictement redondante puisque Dᵢ² = Dᵢ. De même, les produits croisés entre catégories mutuellement exclusives d’un même facteur nominal sont identiquement nuls. Tout logiciel statistique rigoureux se doit d’éliminer automatiquement ces colonnes dupliquées de la matrice de conception auxiliaire afin de prévenir la non-inversibilité matricielle.

2.3 Propriétés asymptotiques et loi de distribution du multiplicateur de Lagrange

La dérivation formelle de la statistique de décision du test de White s’inscrit au sein de la classe générale des tests basés sur le principe du multiplicateur de Lagrange (LM). Halbert White a démontré que la statistique de test, notée LM, s’obtient simplement par le produit de la taille d’échantillon n par le coefficient de détermination ordinaire (non ajusté) R² issu de l’ajustement de la régression auxiliaire :

LM = n × R²

Sous la validité de l’hypothèse nulle d’homoscédasticité et sous réserve que les conditions de régularité asymptotique usuelles soient satisfaites (notamment l’existence de moments d’ordre 4 finis pour les régresseurs et les erreurs), cette statistique LM converge en loi, lorsque la taille d’échantillon n tend vers l’infini, vers une distribution du Chi-deux de Pearson :

LM = n × R² -> χ²(p)

Le nombre de degrés de liberté p de cette distribution asymptotique est strictement égal au nombre total de régresseurs explicatifs figurant dans la régression auxiliaire, à l’exclusion formelle de la constante. Pour un modèle originel comportant k variables indépendantes continues (hors constante), le nombre théorique complet de paramètres de pente dans la régression auxiliaire s’élève à p = 2k + [k(k – 1) / 2], ce qui correspond à la somme des k termes linéaires, des k termes quadratiques, et des combinaisons d’interactions d’ordre deux.

La puissance statistique de ce test présente une forte sensibilité asymptotique vis-à-vis de la taille d’échantillon. Dans les échantillons de taille restreinte (par exemple, n < 50), la distribution empirique exacte de la statistique peut s’écarter notablement de sa distribution limite théorique du Chi-deux, induisant parfois un déficit de puissance ou une légère distorsion de la taille empirique du test. En revanche, pour des échantillons modérés à vastes, le test de White démontre une efficacité redoutable pour rejeter l’hypothèse nulle dès lors qu’il existe une distorsion fonctionnelle de la variance conditionnelle.

3. Comparaison critique entre le test de White et les tests alternatifs

3.1 Confrontation avec le test de Breusch-Pagan

Le test de Breusch-Pagan, formalisé par Trevor Breusch et Adrian Pagan en 1979, constitue l’alternative classique la plus fréquemment mise en concurrence avec le test de White. Bien que ces deux procédures partagent le cadre computationnel d’une régression auxiliaire régressant les résidus au carré sur des variables explicatives, leur divergence réside dans la spécification de la matrice de ces prédicteurs secondaires. Dans sa version standard, le test de Breusch-Pagan se cantonne à une relation purement linéaire entre les résidus au carré et les variables explicatives originelles : eᵢ² = α₀ + α₁X₁ᵢ + … + αₖXₖᵢ + uᵢ.

Cette linéarité structurelle confère au test de Breusch-Pagan une sensibilité ciblée et une puissance statistique optimale lorsque la variance des perturbations évolue de manière strictement monotone par rapport aux covariables. En contrepartie, ce test s’avère totalement aveugle aux structures d’hétéroscédasticité non monotones, notamment les configurations en forme de U où la variance s’accroît symétriquement aux deux extrêmes d’une variable continue. Le test de White, par l’inclusion systématique des puissances quadratiques Xᵢ² et des produits croisés, capture immédiatement ces motifs paraboliques et interactifs complexes, offrant une couverture diagnostique considérablement plus étendue.

Une distinction méthodologique fondamentale additionnelle touche aux hypothèses distributionnelles sous-jacentes. La formulation originale de Breusch et Pagan reposait sur le postulat strict que les erreurs stochastiques suivaient une loi normale, rendant le test excessivement vulnérable à la leptokurtose ou aux asymétries distributionnelles. Bien que Roger Koenker ait remédié à cette tare en 1981 en proposant une version « studentisée » du test de Breusch-Pagan utilisant le moment centré d’ordre 4 des résidus, le test de White est, par essence même de sa dérivation asymptotique, intrinsèquement robuste à la non-normalité modérée des erreurs empiriques.

3.2 Confrontation avec le test de Goldfeld-Quandt

Proposé dès 1965 par Stephen Goldfeld et Richard Quandt, le test éponyme procède selon une philosophie paramétrique radicalement divergente de celle de White. Plutôt que de modéliser une fonction continue de dispersion via une régression auxiliaire, le test de Goldfeld-Quandt opère par partitionnement direct de l’échantillon d’observations. L’analyste doit impérativement sélectionner a priori une variable explicative unique soupçonnée de piloter l’hétéroscédasticité, ordonner l’ensemble des observations selon les valeurs croissantes de cette variable, exclure un segment central d’observations (typiquement entre 20 % et 25 % de l’échantillon pour maximiser le contraste), puis ajuster deux régressions MCO distinctes sur le sous-échantillon inférieur et sur le sous-échantillon supérieur.

La statistique de Goldfeld-Quandt est ensuite définie comme le ratio des sommes des carrés des résidus (SCR) issues de ces deux régressions indépendantes : F = SCR₂ / SCR₁, statistique qui suit rigoureusement une loi de Fisher sous l’hypothèse de normalité homoscédastique. Si ce test offre une interprétation intuitive et une distribution exacte pour de petits échantillons gaussiens, sa dépendance absolue envers le choix d’un régresseur de tri unique constitue une limitation méthodologique sévère dans les contextes multivariés complexes.

La supériorité opérationnelle du test de White s’affirme sans ambiguïté dès lors que l’hétéroscédasticité dépend conjointement de plusieurs prédicteurs en interaction ou lorsqu’aucune théorie substantive ne permet d’isoler une covariable particulière comme source exclusive de variance. Le test de White intègre la totalité des dimensions de l’espace des régresseurs en une analyse conjointe unique, éliminant tout arbitraire lié au partitionnement des données ou au sacrifice d’observations informatives centrales.

3.3 Critères de sélection du test selon la structure des données

L’arbitrage méthodologique entre le test de White, le test de Breusch-Pagan studentisé de Koenker et d’autres procédures spécialisées dépend fondamentalement d’un compromis rigoureux entre puissance statistique et généralité diagnostique. Le prix à payer pour l’extrême polyvalence du test de White réside dans la consommation vorace de degrés de liberté induite par le dénombrement exponentiel des puissances et des termes d’interaction dans la régression auxiliaire. Lorsque le modèle originel comporte un nombre élevé de prédicteurs k, le nombre de régresseurs auxiliaires p = k(k + 3) / 2 explose rapidement (par exemple, pour k = 10, on obtient p = 65 variables auxiliaires).

Dans les jeux de données caractérisés par une taille d’échantillon modeste face à un espace dimensionnel étendu (problématique du « fléau de la dimensionnalité »), la régression auxiliaire de White risque de subir une sur-paramétrisation sévère, affaiblissant considérablement la puissance du test et rendant le rejet de l’hypothèse nulle aléatoire. Dans une telle situation, le praticien averti préférera orienter son choix vers le test de Breusch-Pagan studentisé, plus parcimonieux en degrés de liberté, ou vers la version restreinte du test de White, laquelle neutralise les termes d’interaction croisés pour ne conserver que les puissances linéaires et quadratiques directes.

En pratique contemporaine de recherche, il est vivement préconisé d’articuler ces outils de manière séquentielle et synergique : initier l’analyse par des représentations graphiques exhaustives des résidus afin de détecter d’éventuelles non-linéarités globales, exécuter le test de White sous sa forme complète pour sonder l’espace d’hétéroscédasticité multidimensionnel, et confronter ces résultats au test de Breusch-Pagan pour apprécier si l’hétérogénéité constatée relève d’une dynamique linéaire dominante ou de distorsions quadratiques complexes.

4. Configuration de l’environnement de travail dans R

4.1 Installation et chargement des bibliothèques nécessaires

L’exécution computationnelle rigoureuse des diagnostics d’hétéroscédasticité sous le logiciel d’analyse statistique R requiert l’appel à un écosystème modulaire de bibliothèques spécialisées dans l’économétrie et l’analyse multivariée. Pour initialiser l’environnement de travail, les praticiens doivent s’assurer de l’installation des extensions fondamentales à l’aide de la commande usuelle install.packages(), ciblant spécifiquement lmtest, car, sandwich et tidyverse.

Le package lmtest, conçu par Achim Zeileis et Torsten Hothorn, renferme les routines statistiques prédominantes pour les diagnostics de modèles linéaires, intégrant notamment la fonction polyvalente bptest() qui servira de vecteur d’implémentation du test de White. Le package car (Companion to Applied Regression), développé sous la direction de John Fox et Sanford Weisberg, fournit une instrumentation diagnostique avancée pour le calcul de facteurs d’inflation de variance et les tracés de résidus spécialisés. La bibliothèque sandwich est quant à elle indispensable pour générer les matrices de variance-covariance robustes développées par White et ses successeurs, tandis que la suite tidyverse garantit une manipulation structurée et une visualisation élégante des jeux de données empiriques.

Le chargement séquentiel de ces bibliothèques au sein de la session de travail active s’opère par l’invocation explicite des commandes library(lmtest), library(sandwich), library(car) et library(tidyverse). Cette démarche préventive élimine toute friction logicielle ultérieure et charge les méthodes nécessaires à la manipulation fine des objets de classe linéaire générés par R.

4.2 Exploration et préparation du jeu de données mtcars

Afin d’illustrer la démarche diagnostique sur un cas d’étude standardisé et immédiatement reproductible par tout utilisateur sans nécessiter de téléchargements externes fastidieux, nous utiliserons le jeu de données classique mtcars (Motor Trend Car Road Tests), intégré nativement dans la distribution de base de R. Issu du magazine Motor Trend de 1974, ce tableau d’observations comprend 32 automobiles pour lesquelles 11 variables techniques relatives à la mécanique et aux performances de consommation de carburant ont été méticuleusement répertoriées.

L’inspection analytique préalable de la structure interne du jeu de données se réalise au moyen des instructions d’inspection exploratoire str(mtcars) et summary(mtcars). L’analyste y constate que l’intégralité des variables est encodée sous un format numérique flottant ou entier, exempt de valeurs manquantes (valeurs NA), ce qui élimine tout risque de biais d’attrition computationnelle lors des régressions matricielles. Pour notre démonstration empirique de régression multiple, nous retiendrons l’efficacité énergétique mpg (consommation exprimée en miles par gallon américain) comme variable dépendante continue.

Comme prédicteurs explicatifs continus, nous sélectionnons la cylindrée du moteur disp (displacement, mesurée en pouces cubes) et la puissance développée hp (horsepower, exprimée en chevaux-vapeur bruts). D’un point de vue mécanique et physique, ces deux attributs exercent une influence conjointe majeure sur la demande énergétique globale du véhicule. Cependant, la disparité d’architecture entre les motorisations compactes à haute efficacité et les imposants blocs thermiques à huit cylindres suggère l’émergence d’une dispersion hétérogène de la consommation aux cylindrées et puissances extrêmes, positionnant cette modélisation comme un banc d’essai idéal pour l’investigation du test de White.

5. Ajustement d’un modèle de régression linéaire multiple dans R

5.1 Formulation syntaxique de la commande lm

L’ajustement du modèle linéaire multiple au sein du moteur R s’effectue via l’invocation de la fonction d’estimation standard lm(), dont la syntaxe expressive met en œuvre le formalisme des formules symboliques de Wilkinson et Rogers. Pour régresser formellement la consommation de carburant mpg sur la cylindrée disp et la puissance motrice hp, l’instruction se décline sous la forme : modele_voiture <- lm(mpg ~ disp + hp, data = mtcars). Cette syntaxe procède à l’évaluation par moindres carrés ordinaires et encapsule les résultats dans un objet structuré de classe lm.

L’extraction computationnelle et l’examen du tableau des paramètres s’opèrent par l’exécution de la méthode summary(modele_voiture). L’analyse détaillée des sorties révèle un coefficient d’ordonnée à l’origine (intercept) positif avoisinant 30.74, traduisant le rendement kilométrique théorique extrapolé à cylindrée et puissance nulles. Les coefficients partiels associés aux deux régresseurs s’affichent avec des signes négatifs, de l’ordre de -0.030 pour disp et de -0.025 pour hp, reflétant avec une parfaite logique thermodynamique qu’une augmentation de la cylindrée unitaire ou de la cavalerie motrice s’accompagne d’une réduction drastique de l’efficience énergétique mesurée en miles parcourus par unité de volume d’essence.

À partir de cet objet de classe lm, le praticien peut immédiatement dériver par voie algorithmique le vecteur des valeurs prédites ou ajustées via la fonction générique fitted(modele_voiture), ainsi que le vecteur des résidus ordinaires empiriques à l’aide de l’instruction residuals(modele_voiture). Ces deux vecteurs constituent la matière première mathématique nécessaire à l’ensemble des investigations graphiques subséquentes et à l’armature computationnelle de la régression auxiliaire du test de White.

5.2 Évaluation initiale de l’ajustement global

L’interprétation statistique conventionnelle du modèle requiert l’examen critique des indicateurs globaux de variance expliquée. Au sein de la sortie fournie par summary(), le coefficient de détermination R² brut atteint approximativement 0.748, tandis que sa contrepartie corrigée des degrés de liberté, l’ajusté R², s’établit à 0.731. Cela indique qu’environ 74.8 % de la variance totale constatée dans la consommation de carburant des 32 automobiles de la cohorte d’essai est explicitée de manière linéaire conjointe par la cylindrée et la puissance mécanique du moteur.

De surcroît, le test de significativité globale F de Fisher-Snedecor, formulé sous l’hypothèse nulle conjointe d’absence d’effet explicatif des régresseurs H₀ : β_disp = β_hp = 0, génère une valeur empirique élevée dépassant 43.0, assortie d’une p-valeur infinitésimale de l’ordre de 1.2 × 10⁻⁸. Selon les critères décisionnels classiques, le modèle est déclaré globalement hautement significatif, et l’analyste inexpérimenté pourrait être prompt à valider sans réserve les inférences déduites des tests t associés aux coefficients partiels.

C’est précisément à cette étape de l’analyse que réside le piège méthodologique standard. La totalité des grandeurs inférentielles susmentionnées (statistique F, erreurs-types des coefficients, statistiques t et p-valeurs afférentes) sont dérivées sous la contrainte stochastique stricte de l’homoscédasticité des résidus. Si cette prémisse fondamentale est mise en échec par la présence d’hétéroscédasticité dans la distribution conditionnelle des erreurs, la précision déclarée des coefficients est purement illusoire et les déductions substantielles risquent d’être biaisées de manière irréversible.

6. Diagnostic graphique préalable des résidus

6.1 Diagramme de dispersion des résidus contre les valeurs ajustées

Avant d’engager le calcul formel de statistiques de test inférentielles, le protocole standard en analyse de données prescrit de réaliser une auscultation visuelle approfondie des résidus à l’aide de tracés de dispersion. Le diagramme fondamental oppose, sur l’axe des ordonnées, les résidus ordinaires eᵢ et, sur l’axe des abscisses, les valeurs ajustées par le modèle Ŷᵢ. Ce graphique peut être produit soit par l’environnement graphique de base de R via la commande plot(modele_voiture, which = 1), soit de façon beaucoup plus raffinée au moyen de la grammaire de graphiques de ggplot2.

Dans un contexte idéal d’homoscédasticité et de parfaite linéarité fonctionnelle, le nuage de points résultant doit se structurer sous la forme d’une bande horizontale d’épaisseur homogène et aléatoire, oscillant de part et d’autre de la ligne horizontale de référence d’ordonnée zéro, sans révéler d’orientation préférentielle ou de déformation morphologique identifiable. La présence d’hétéroscédasticité se manifeste visuellement par des motifs géométriques caractéristiques, au premier rang desquels figure le schéma en « entonnoir » ou en « éventail ». Dans une telle configuration, la dispersion verticale des points s’élargit ou se comprime continûment à mesure que les prédictions Ŷ progressent vers les valeurs élevées.

L’observation d’un tracé résidus-ajustements permet également de discriminer une non-linéarité fonctionnelle par rapport à une hétéroscédasticité pure. Si la dispersion moyenne des points épouse une trajectoire curviligne concave ou convexe (allure parabolique), le problème principal réside dans la mauvaise spécification de la moyenne conditionnelle (absence de termes polynomiaux dans le modèle de régression). L’analyste se doit d’être vigilant : une non-linéarité non modélisée se transmet inévitablement dans les résidus, imitant visuellement et statistiquement une hétérogénéité de variance.

6.2 Graphique Scale-Location pour l’inspection de la variance

Pour affiner l’évaluation graphique de la constance de la variance et neutraliser la sensibilité visuelle aux résidus asymétriques, l’économétrie moderne préconise l’utilisation du graphique Scale-Location (également qualifié de graphique d’étalement-localisation). Accessible directement dans R par l’instruction plot(modele_voiture, which = 3), cet outil projette sur l’axe horizontal les valeurs ajustées Ŷᵢ, et sur l’axe vertical la racine carrée de la valeur absolue des résidus standardisés, à savoir √|e*ᵢ|, où e*ᵢ = eᵢ / (s√(1 – hᵢᵢ)) prend en compte la composante diagonale du levier.

L’avantage méthodologique de cette transformation réside dans le fait que la racine carrée de l’amplitude absolue des résidus stabilise la distribution des écarts et supprime la négativité des résidus, convertissant la dispersion en une mesure de distance positive directe par rapport à la moyenne conditionnelle. Une droite ou une courbe de tendance lissée (courbe LOESS) est systématiquement surimposée au diagramme. Sous l’hypothèse d’homoscédasticité, cette courbe de lissage doit demeurer substantiellement plane et horizontale sur toute l’étendue des valeurs ajustées.

Si la courbe LOESS affiche une pente ascendante ou descendante marquée, cela confirme visuellement que l’amplitude résiduelle moyenne varie en fonction du niveau des prédictions. Sur notre jeu de données mtcars, ce tracé permet de déceler instantanément des variations de dispersion aux valeurs prédites extrêmes, signalant l’action d’observations atypiques ou de points de levier potentiellement perturbateurs, tels que la Maserati Bora ou la Ford Pantera L, dont les spécifications de cylindrée et de puissance génèrent des résidus atypiques.

6.3 Limites inhérentes à l’inspection purement visuelle

Nonobstant son caractère instructif et son rôle exploratoire indiscutable, l’inspection purement graphique souffre de tares épistémologiques intrinsèques qui interdisent d’en faire l’arbitre exclusif de la décision statistique. La première limitation réside dans l’inévitable subjectivité de l’interprétation humaine. Face à un nuage de points généré sur un échantillon de taille modeste (tel que mtcars avec n = 32), la frontière séparant une fluctuation stochastique bénigne résultant du simple bruit d’échantillonnage d’une véritable hétéroscédasticité sous-jacente est particulièrement diffuse, conduisant fréquemment des observateurs distincts à des conclusions diamétralement opposées.

En second lieu, les graphiques bidimensionnels standard résidus-ajustements agrègent l’ensemble des covariables au travers de la grandeur unidimensionnelle projetée Ŷ. Cette synthèse visuelle opacifie les structures d’hétéroscédasticité complexes qui ne se manifesteraient que le long de combinaisons orthogonales spécifiques de certains régresseurs ou par des effets d’interaction de second ordre non alignés avec le vecteur des prédictions linéaires globales.

Ces déficiences méthodologiques démontrent la nécessité absolue de transcender le diagnostic exploratoire visuel pour adopter une procédure de test d’hypothèse formelle, objective et mathématiquement standardisée. Le test de White répond avec une rigueur absolue à cette exigence en calculant une statistique probabilisée dont la distribution stochastique sous l’hypothèse nulle est connue, autorisant une prise de décision inférentielle dotée d’une maîtrise explicite des risques d’erreur de première espèce.

7. Exécution pas-à-pas du test de White avec la fonction bptest

7.1 Paramétrage exact de la formule auxiliaire dans bptest

L’implémentation canonique et la plus rigoureuse du test de White sous R s’opère par l’intermédiaire de la fonction bptest() issue du package lmtest. Il convient toutefois de souligner une mise en garde technique capitale : si la fonction bptest(modele_voiture) est exécutée sans spécification additionnelle de formule, le logiciel effectue par défaut le test standard de Breusch-Pagan, c’est-à-dire une régression linéaire simple des résidus au carré sur les seuls termes de premier degré disp et hp.

Pour exécuter le test de White complet au sens mathématique défini par Halbert White en 1980, le praticien doit impérativement paramétrer l’argument formula de la fonction bptest() afin d’y incorporer de manière exhaustive les termes linéaires, les puissances au carré, ainsi que l’ensemble des interactions croisées d’ordre deux. L’expression de ces transformations fonctionnelles au sein de la grammaire syntaxique de R exige l’utilisation de l’opérateur d’inhibition mathématique I() pour les élévations à la puissance deux, évitant ainsi que le symbole circonflexe ne soit intercepté par le processeur de formule standard.

La ligne de commande complète et rigoureusement paramétrée pour le modèle s’énonce comme suit :
bptest(modele_voiture, ~ disp + hp + I(disp^2) + I(hp^2) + disp:hp, data = mtcars)
Dans cette instruction, le premier argument transmet le modèle linéaire initial de référence, tandis que le second argument, initié par le symbole tilde (~), redéfinit la partie droite de l’équation de la régression auxiliaire en injectant explicitement les termes I(disp^2), I(hp^2) et l’interaction disp:hp. L’exécution de cette commande génère une sortie synthétique indiquant le nom formel du test (studentized Breusch-Pagan test), la valeur empirique de la statistique BP (qui équivaut conceptuellement à la statistique LM), le nombre de degrés de liberté (df = 5), et la p-valeur associée.

7.2 Variante sans termes croisés : le test de White restreint

Dans de multiples situations empiriques confrontées à des échantillons de taille modeste ou à des modèles comprenant un nombre substantiel de prédicteurs initiaux, l’incorporation systématique de la totalité des produits croisés d’ordre deux peut saturer inutilement l’espace des degrés de liberté de la régression auxiliaire, provoquant une érosion drastique de la puissance du test. Pour pallier cet inconvénient, la littérature économétrique appliquée préconise fréquemment le recours au test de White restreint (ou forme quadratique pure sans interactions).

Cette spécification alternative conserve la capacité indispensable à capturer les schémas d’hétérogénéité de variance paraboliques ou en U, tout en amputant la régression auxiliaire des termes de covariation croisée entre variables indépendantes distinctes. Dans l’environnement R, la mise en œuvre computationnelle de ce test restreint s’articule via l’omission délibérée du terme d’interaction dans la formule auxiliaire :
bptest(modele_voiture, ~ disp + hp + I(disp^2) + I(hp^2), data = mtcars)

La sortie de cette variante affiche un nombre de degrés de liberté réduit à df = 4 (correspondant aux deux termes linéaires et aux deux puissances quadratiques pures). La comparaison rigoureuse des p-valeurs obtenues entre la forme complète et la forme restreinte permet à l’analyste d’évaluer finement si l’hétéroscédasticité éventuelle émane d’effets d’échelle non linéaires propres à des prédicteurs individuels ou si elle est stimulée de manière synergique par l’action conjointe et interactive de plusieurs facteurs de dispersion simultanés.

7.3 Automatisation de la spécification avec des outils auxiliaires

Lorsque le modèle linéaire intègre non plus deux, mais cinq, sept ou dix prédicteurs explicatifs, la saisie manuelle de l’ensemble exhaustif des termes au carré et des interactions croisées au sein de la formule de bptest() devient une tâche particulièrement fastidieuse, répétitive et hautement exposée au risque d’erreur humaine d’omission. Il s’avère dès lors indispensable de mobiliser des approches programmatiques pour automatiser la génération intégrale de la matrice auxiliaire de second degré.

Une première alternative élégante consiste à recourir au package spécialisé skedastic, développé expressément pour agréger l’ensemble des diagnostics d’hétéroscédasticité au sein d’une interface syntaxique unifiée. L’exécution du test de White s’y réalise par une simple invocation de la fonction dédiée : white_lm(modele_voiture, interactions = TRUE). Ce package génère de manière algorithmique l’ensemble complet des termes polynomiaux et interactifs, élimine automatiquement les redondances matricielles et retourne un tableau de résultats parfaitement structuré conforme aux normes modernes de l’analyse computationnelle.

Une seconde méthode d’automatisation, mobilisable sans dépendance envers un package tiers additionnel, exploite la fonction native poly() ou l’opérateur d’interaction globale de R au sein de bptest(), via l’expression syntaxique raccourcie : bptest(modele_voiture, ~ (disp + hp)^2 + I(disp^2) + I(hp^2), data = mtcars). L’opérateur (X₁ + X₂)^2 déploie automatiquement les termes linéaires et l’ensemble de leurs interactions d’ordre 2, assurant une parfaite exhaustivité tout en préservant la compacité du code source.

8. Implémentation manuelle du test de White par régression auxiliaire

8.1 Extraction et élévation au carré des résidus MCO

Afin de démystifier entièrement l’armature algorithmique du test de White et d’en maîtriser intimement chaque composante mathématique, il est particulièrement formateur de procéder à son implémentation manuelle, pas à pas, en utilisant uniquement les fonctions d’algèbre et de modélisation élémentaires de R. Cette démarche de programmation directe permet de décomposer chaque phase séquentielle de la dérivation théorique et de constater la convergence parfaite avec les résultats délivrés par les fonctions préprogrammées.

La phase inaugurale consiste à extraire le vecteur des résidus ordinaires e issu de l’ajustement du modèle linéaire principal modele_voiture. Dans l’espace computationnel de R, cette extraction se formalise par : residus_empiriques <- residuals(modele_voiture). Conformément à la définition théorique, ce vecteur est de longueur n = 32, équivalente au nombre d’observations du jeu de données mtcars.

Dans un second temps, chaque élément individuel de ce vecteur résiduel est élevé à la puissance deux pour quantifier la dispersion ponctuelle associée à chaque véhicule : residus_carre <- residus_empiriques^2. Nous encapsulons ensuite cette nouvelle variable stochastique au sein d’un nouveau tableau de données aux côtés des variables explicatives initiales issues de mtcars, garantissant un formatage rigoureux pour l’estimation de l’équation secondaire : donnees_auxiliaires <- data.frame(residus_carre = residus_carre, mtcars).

8.2 Ajustement de la régression secondaire et extraction du R-carré

L’étape charnière réside dans l’estimation de la régression linéaire auxiliaire. En exploitant le jeu de données intermédiaire configuré précédemment, nous régressons la variable residus_carre sur la matrice complète des covariables linéaires, quadratiques et interactives :
reg_aux <- lm(residus_carre ~ disp + hp + I(disp^2) + I(hp^2) + disp:hp, data = donnees_auxiliaires)

À l’issue de cet ajustement, il est crucial d’interroger la structure interne du sommaire statistique de cette régression secondaire. L’analyste doit vérifier l’absence d’estimations nulles dues à des singularités de rang (ce qui n’est pas le cas ici, la matrice étant de plein rang). Nous extrayons ensuite par voie programmatique le coefficient de détermination ordinaire (non ajusté) R², qui mesure la proportion de la variance des résidus au carré explicitée par l’ensemble des prédicteurs auxiliaires :
r_carre_aux <- summary(reg_aux)$r.squared

Ce scalaire extrait, r_carre_aux, quantifie le degré d’association empirique entre les variations résiduelles et les fonctions d’échelle des régresseurs. Si l’homoscédasticité régnait parfaitement dans la population, cette valeur serait théoriquement proche de zéro, toute déviation mesurable traduisant un schéma structurel d’association stochastique.

8.3 Calcul computationnel de la statistique LM et de la p-valeur

Disposant du coefficient R² auxiliaire et de la taille effective de l’échantillon n, le calcul de la statistique du multiplicateur de Lagrange (LM) s’opère par une simple multiplication scalaire, conformément au théorème de White :
taille_n <- nrow(mtcars)
statistique_LM <- taille_n * r_carre_aux

Pour déterminer la significativité statistique de cette grandeur, il est nécessaire de spécifier avec une exactitude rigoureuse le nombre de degrés de liberté de la loi asymptotique du Chi-deux. Le nombre de degrés de liberté équivaut au nombre de coefficients estimés dans l’équation auxiliaire, en excluant formellement la constante. Sous R, cette valeur se calcule dynamiquement par la formule :
degres_liberte <- length(coef(reg_aux)) – 1
Dans notre modèle, comportant la constante plus cinq paramètres de pente (disp, hp, disp², hp², et disp:hp), le nombre de degrés de liberté s’élève exactement à degres_liberte = 5.

La dérivation finale de la p-valeur repose sur la fonction de répartition cumulative de la loi du Chi-deux, pchisq(), en configurant le calcul sur la queue supérieure de la distribution (région critique de rejet unilatérale droite) :
p_valeur_white <- pchisq(statistique_LM, df = degres_liberte, lower.tail = FALSE)
En affichant les scalaires statistique_LM et p_valeur_white, le praticien constate une adéquation numérique rigoureusement absolue avec les valeurs fournies par l’appel automatisé de bptest(), consacrant la validation théorique et algorithmique de la procédure computationnelle.

9. Interprétation statistique approfondie des résultats du test

9.1 Décodage de la p-valeur et prise de décision inférentielle

L’aboutissement de la séquence de calcul du test de White conduit à l’examen de la p-valeur empirique confrontée au seuil de significativité conventionnel fixé a priori, usuellement désigné par la lettre grecque α (avec les valeurs canoniques 0.05, 0.01 ou 0.001 selon les standards disciplinaires). La règle de décision s’articule de manière binaire : si la p-valeur est strictement inférieure au seuil α retenu, le chercheur se trouve contraint de rejeter formellement l’hypothèse nulle d’homoscédasticité H₀, en concluant à l’existence d’une hétéroscédasticité statistiquement significative au sein de la structure stochastique du modèle.

À l’inverse, si la p-valeur excède le seuil α critique, l’hypothèse nulle ne peut être rejetée. Sur le plan épistémologique et méthodologique, une précaution sémantique fondamentale s’impose impérativement à ce stade : l’incapacité à rejeter l’hypothèse nulle ne constitue en aucun cas une démonstration formelle de la présence d’homoscédasticité. Selon l’adage statistique cardinal popularisé par Douglas Altman, « l’absence de preuve n’est pas la preuve de l’absence ». Un non-rejet peut simplement découler d’un échantillon de dimension insuffisante induisant une faible puissance de détection, masquant une hétéroscédasticité modérée mais substantielle.

Sur notre jeu d’essai mtcars appliqué au modèle reliant mpg à disp et hp, l’exécution du test de White complet génère une statistique de test avoisinant LM = 7.07 pour 5 degrés de liberté, débouchant sur une p-valeur de l’ordre de p = 0.215. Au seuil classique α = 0.05, nous ne rejetons pas l’hypothèse nulle d’homoscédasticité. Néanmoins, l’analyste rigoureux doit immédiatement tempérer cette conclusion par le constat de la très faible taille d’échantillon (n = 32), qui restreint considérablement la puissance du test de White face à un espace auxiliaire à 5 degrés de liberté.

9.2 Décomposition de la source d’hétéroscédasticité

L’intérêt diagnostique majeur de l’implémentation de la régression auxiliaire ne se limite pas à la délivrance d’un verdict global binaire via la statistique LM. L’analyste gagne un éclairage substantiel déterminant en examinant les coefficients individuels et les tests t internes associés à chaque régresseur au sein du sommaire de la régression auxiliaire, obtenu via summary(reg_aux).

Cet examen minutieux des paramètres auxiliaires permet de décomposer chirurgicalement l’architecture de la dispersion résiduelle. Si un terme quadratique pur comme I(hp^2) présente un coefficient positif hautement significatif dans l’équation auxiliaire, cela indique que l’incertitude prédictive et la variabilité des erreurs croissent de manière exponentielle dès lors que l’on s’aventure vers les fortes puissances motrices. Si c’est le terme d’interaction disp:hp qui s’avère prédominant, cela révèle que l’hétérogénéité de variance n’est pas réductible à une covariable isolée, mais jaillit de la synergie conjointe d’une cylindrée imposante couplée à une puissance élevée.

Cette granularité analytique oriente directement le chercheur vers la source exacte des instabilités distributionnelles. Elle autorise des ajustements de spécification ciblés, prévenant l’application aveugle de correctifs génériques en révélant précisément quelles strates du domaine de définition expérimental nécessitent une attention modélisatrice renforcée ou une collecte d’échantillons supplémentaires pour stabiliser la variance.

10. Application avancée : Modélisation de données psychologiques et comportementales

10.1 Présentation d’une étude de cas en psychologie différentielle

Pour appréhender l’utilité du test de White dans un cadre méthodologique représentatif des sciences humaines et de la recherche empirique sur le comportement, développons une étude de cas simulée consacrée à la psychologie différentielle de la performance cognitive. Les théories contemporaines de la régulation émotionnelle postulent que la performance lors de tâches cognitives complexes dépend étroitement du niveau de stress perçu et du volume de privation de sommeil éprouvé par l’individu. Cependant, la loi de Yerkes-Dodson et les modèles d’épuisement exécutif suggèrent qu’à des niveaux de stress très faibles ou modérés, les individus réagissent de manière relativement uniforme, générant une variance résiduelle restreinte.

En revanche, lorsque les individus sont soumis à des niveaux de stress psychologique extrêmes couplés à une dette de sommeil aiguë, les divergences interindividuelles de résilience neurocognitive explosent : certains sujets maintiennent une concentration satisfaisante grâce à des stratégies d’adaptation compensatoires performantes, tandis que d’autres s’effondrent brutalement sur le plan attentionnel. Ce mécanisme théorique génère une hétérogénéité conditionnelle structurelle profonde au sein des données, rendant l’hypothèse d’homoscédasticité théoriquement intenable.

Pour matérialiser ce cadre au sein de R, nous simulons de manière computationnellement reproductible une cohorte de n = 300 participants à l’aide des instructions suivantes :
set.seed(42)
n_sujets <- 300
stress <- runif(n_sujets, min = 1, max = 10)
sommeil <- rnorm(n_sujets, mean = 7, sd = 1.5)
sigma_hetero <- 0.5 + 0.15 * (stress^2)
erreur_hetero <- rnorm(n_sujets, mean = 0, sd = sigma_hetero)
performance <- 50 – 2.5 * stress + 1.8 * sommeil + erreur_hetero
donnees_psy <- data.frame(performance, stress, sommeil)
Ce protocole crée délibérément une variance d’erreur proportionnelle au carré du niveau de stress, simulant fidèlement la pathologie stochastique théorisée.

10.2 Application du test de White complet sur données comportementales

Disposant de ce jeu de données comportementales, nous procédons à l’ajustement du modèle de régression linéaire prédisant la performance cognitive : modele_psy <- lm(performance ~ stress + sommeil, data = donnees_psy). L’inspection des estimations ordinaires confirme l’impact délétère attendu du stress et le rôle protecteur de la durée de sommeil, le modèle affichant une significativité globale indiscutable. L’inspection visuelle du graphique de dispersion résidus-ajustements révèle quant à elle une structure en pavillon d’éventail spectaculaire, s’évasant de manière vertigineuse vers les valeurs prédictives dégradées associées aux états de stress intense.

Nous soumettons immédiatement ce modèle comportemental au test de White complet par l’invocation de la syntaxe standardisée vue précédemment :
bptest(modele_psy, ~ stress + sommeil + I(stress^2) + I(sommeil^2) + stress:sommeil, data = donnees_psy)
Dans cette configuration reposant sur n = 300 observations, la statistique du multiplicateur de Lagrange atteint une amplitude considérable, dépassant LM = 115.4 pour 5 degrés de liberté, se traduisant par une p-valeur infinitésimale largement inférieure à 2.2 × 10⁻¹⁶.

Face à une telle évidence probabiliste, l’hypothèse nulle d’homoscédasticité est formellement balayée avec une certitude absolue. Sur le plan de l’inférence psychologique, ce résultat interdit formellement l’utilisation des erreurs-types standards issues du tableau MCO usuel. Toute tentative de publication de ces coefficients sans correction adéquate de la structure de covariance exposerait l’étude à un biais d’inférence sévère, altérant la validité des conclusions relatives à l’ampleur exacte des effets du sommeil et du stress sur la cognition humaine.

11. Stratégies de remédiation en présence d’hétéroscédasticité avérée

11.1 Estimation d’erreurs-types robustes à l’hétéroscédasticité (HC)

Lorsque le test de White confirme de manière irrévocable la violation de l’hypothèse d’homoscédasticité, la première ligne de conduite méthodologique contemporaine ne consiste pas nécessairement à altérer le modèle originel ou à transformer les variables, mais à recourir à l’estimation d’une matrice de variance-covariance robuste, universellement désignée sous le vocable d’erreurs-types de White ou estimateur « sandwich ». Cette approche préserve rigoureusement la formulation intuitive de l’équation de régression originale et l’absence de biais des estimateurs MCO, tout en restaurant la validité asymptotique intégrale de l’inférence statistique (tests t, tests F, intervalles de confiance).

Le principe théorique de l’estimateur sandwich de White, originellement qualifié d’HC0, repose sur la substitution de la matrice inconnue des variances conditionnelles Ω par la matrice empirique diagonale des résidus ordinaires élevés au carré : V_HC0 = (X’X)⁻¹ (∑ eᵢ² Xᵢ’Xᵢ) (X’X)⁻¹. Bien que convergent asymptotiquement, l’estimateur HC0 tend à sous-estimer la variance dans les échantillons de taille petite à modérée. La littérature économétrique a subséquemment élaboré des variantes corrigées d’une efficacité nettement supérieure :

• HC1 : Applique une correction proportionnelle aux degrés de liberté globaux via le facteur scalaire n / (n – k).
• HC2 : Pondère chaque résidu au carré par l’inverse de (1 – hᵢᵢ), où hᵢᵢ représente la valeur du levier individuel, compensant le fait que les résidus ordinaires sous-estiment la variance aux points de levier élevés.
• HC3 : Introduit une pénalisation plus vigoureuse en divisant les résidus au carré par (1 – hᵢᵢ)², configuration vivement recommandée par Long et Ervin pour les échantillons restreints (n < 250).
• HC4 : Développée par Cribari-Neto pour préserver la robustesse de l’inférence même en présence d’observations à levier extrême associées à une forte hétéroscédasticité.

Sous R, l’application opérationnelle de ces estimateurs s’exécute avec une remarquable fluidité conceptuelle grâce à la combinaison des packages sandwich et lmtest. Pour recalculer les erreurs-types robustes de type HC3 sur notre modèle psychologique modele_psy et générer le tableau des tests d’hypothèse révisés, le code se résume à l’instruction :
coeftest(modele_psy, vcov = vcovHC(modele_psy, type = « HC3 »))
Les coefficients d’estimation ponctuelle β demeurent rigoureusement identiques, mais les erreurs-types sont recalculées de façon robuste, protégeant l’analyste contre toute conclusion erronée liée à l’inflation artificielle de la significativité.

11.2 Transformation mathématique des variables dépendantes

Une stratégie alternative particulièrement puissante pour assainir l’hétéroscédasticité, notamment lorsque celle-ci est de nature « impure » ou corrélée au niveau de l’espérance conditionnelle, réside dans l’application de transformations mathématiques non linéaires stabilisatrices de variance sur la variable dépendante Y. Lorsque la variance résiduelle tend à croître proportionnellement au carré de la moyenne de la variable réponse (écart-type proportionnel à la moyenne, caractéristique d’un coefficient de variation constant), la transformation logarithmique népérienne s’impose comme le remède de premier choix : log(Yᵢ) = β₀ + β₁X₁ᵢ + … + εᵢ.

Cette transformation comprime de manière spectaculaire les grandes valeurs de la distribution tout en étirant les valeurs basses, rétablissant fréquemment la symétrie distributionnelle et l’homogénéité de la variance des résidus. Il convient cependant de souligner les implications analytiques directes de cette opération sur la sémantique des coefficients estimés : les paramètres ne s’interprètent plus comme des variations absolues d’unités d’échelle, mais sous la forme de semi-élasticités (pourcentage de variation de Y induit par la variation unitaire d’un régresseur continu).

Dans les configurations plus complexes où la transformation logarithmique s’avère insuffisante ou inappropriée (par exemple en présence de distributions asymétriques ne respectant pas l’invariance logarithmique), le praticien peut déployer la méthodologie de transformation paramétrique systématique de Box-Cox. Accessible sous R via l’instruction boxCox(modele_voiture) du package car, cette méthode estime par maximum de vraisemblance le paramètre d’élévation à la puissance λ optimal qui maximise l’adéquation distributionnelle aux postulats linéaires et homoscédastiques. Une fois la variable transformée ajustée, il est impératif d’exécuter à nouveau le test de White pour attester formellement de l’extinction effective de l’hétéroscédasticité.

11.3 Moindres Carrés Pondérés (WLS) et modèles linéaires généralisés

Lorsque la structure fonctionnelle précise de la variance conditionnelle des erreurs est théoriquement connue ou peut être modélisée de manière paramétrique robuste, la méthode des Moindres Carrés Pondérés (MCP ou Weighted Least Squares, WLS) s’impose comme la solution canonique pour restaurer la condition BLUE du théorème de Gauss-Markov. Si l’on pose que la variance de l’observation i s’écrit Var(εᵢ | X) = σ² × wᵢ⁻¹, où wᵢ représente un poids strictement positif propre à chaque unité statistique, le principe du WLS consiste à transformer l’équation originale en la multipliant par √wᵢ, uniformisant ainsi la variance des perturbations transformées.

Dans la pratique computationnelle de R, l’ajustement par WLS s’exécute directement au sein de la fonction lm() en alimentant son argument dédié weights. Dans les situations où la variance exacte n’est pas connue d’avance (ce qui représente la quasi-totalité des contextes empiriques), le chercheur met en œuvre la procédure des moindres carrés généralisés réalisables (FGLS) :

1. Ajuster le modèle linéaire standard par MCO et extraire les résidus eᵢ.
2. Régresser le logarithme du carré des résidus sur les prédicteurs du modèle pour estimer la fonction de variance : log(eᵢ²) = γ₀ + γ₁X₁ᵢ + … + vᵢ.
3. Calculer les valeurs ajustées de cette régression secondaire ĝᵢ, puis dériver les poids inverses optimaux via l’exponentielle : poids_wls <- 1 / exp(ĝᵢ).
4. Ré-estimer le modèle principal en incorporant ces poids : lm(Y ~ X₁ + X₂, data = donnees, weights = poids_wls).

Au-delà du cadre des MCO pondérés, la statistique moderne s’oriente résolument vers les modèles de dispersion conjointe ou la famille des modèles linéaires généralisés (GLM). Ces formulations permettent d’expliciter nativement la relation moyenne-variance propre à la loi de la variable dépendante (distribution Gamma, loi de Poisson ou quasi-vraisemblance), offrant une alternative conceptuelle élégante et structurellement adaptée à la non-constance de la dispersion sans nécessiter de transformations empiriques arbitraires.

12. Bonnes pratiques, limites méthodologiques et recommandations de publication

12.1 Limites statistiques du test de White

Malgré sa polyvalence remarquable et son statut de référence universelle dans la panoplie diagnostique de l’économètre, le test de White n’est pas exempt de limites méthodologiques substantielles que tout praticien se doit d’intégrer dans son esprit critique. La première faiblesse intrinsèque, brièvement évoquée au chapitre théorique, concerne la consommation exponentielle des degrés de liberté face à l’accroissement du nombre de régresseurs initiaux. Dans les modèles riches comportant de multiples variables explicatives, la régression auxiliaire peut rapidement épuiser l’information statistique disponible, dégradant la puissance du test au point de masquer des défaillances de dispersion majeures.

Une seconde vulnérabilité majeure touche à la sensibilité extrême du test de White à la présence d’observations aberrantes ou de points atypiques isolés dotés d’un levier mathématique disproportionné. Un unique point de données extrême situé dans les marges de distribution peut distordre artificiellement les termes quadratiques ou les interactions de la régression auxiliaire, générant un R² secondaire artificiellement élevé et conduisant à un rejet fallacieux de l’hypothèse d’homoscédasticité, alors même que l’ensemble du reste de l’échantillon obéit à une variance parfaitement stable.

Enfin, la limite conceptuelle la plus insidieuse réside dans la nature strictement « omnibus » du test de White. En raison de l’inclusion généraliste des termes polynomiaux et des produits croisés dans l’équation auxiliaire, le test de White ne discrimine pas avec certitude entre une hétéroscédasticité pure et une mauvaise spécification de la fonction de régression principale. Si la véritable relation entre Y et X est intrinsèquement quadratique mais que le chercheur a ajusté un modèle linéaire simple, le test de White rejettera massivement l’hypothèse nulle d’homoscédasticité, non pas parce que la variance est instable, mais parce que le modèle souffre d’un biais de spécification de sa moyenne conditionnelle.

12.2 Protocole méthodique pour les chercheurs et praticiens

Pour immuniser les recherches empiriques contre les écueils inférentiels tout en garantissant un niveau de rigueur méthodologique irréprochable, les chercheurs quantitatifs doivent adopter un protocole séquentiel standardisé pour l’investigation des structures de variance. Cette démarche en quatre étapes interconnectées s’articule comme suit :

Premièrement, toujours initier l’analyse par un diagnostic visuel conjoint exploitant le tracé des résidus contre les valeurs ajustées et le graphique d’étalement-localisation (Scale-Location). Cette auscultation exploratoire permet de détecter d’éventuelles aberrations de mesure, des points d’influence extrêmes et des courbures géométriques manifestant une non-linéarité fondamentale du phénomène étudié.

Deuxièmement, exécuter formellement le test de White sous R au moyen de la bibliothèque lmtest. Si la taille d’échantillon est restreinte ou si le modèle contient de nombreuses covariables, privilégier la version restreinte du test de White (sans interactions croisées) ou corroborer le résultat à l’aide du test de Breusch-Pagan studentisé de Koenker. Si la p-valeur confirme l’hétéroscédasticité, inspecter minutieusement le sommaire de la régression auxiliaire pour identifier si l’instabilité découle de facteurs d’échelle identifiés ou d’interactions systémiques.

Troisièmement, adopter la stratégie de remédiation la plus congruente avec les objectifs théoriques de la recherche. Si l’interprétation originale des coefficients sur l’échelle naturelle doit être préservée sans hypothèse supplémentaire sur le processus de variance, déployer sans hésitation l’estimation des erreurs-types robustes de White (variante HC3 ou HC4 via le package sandwich). Si le modèle s’y prête conceptuellement, évaluer l’opportunité d’une transformation stabilisatrice de variance (logarithme ou Box-Cox).

Quatrièmement, appliquer des règles de totale transparence rédactionnelle au sein de la section méthodologique des publications scientifiques. Les auteurs doivent explicitement documenter les tests diagnostiques mobilisés, préciser les versions exactes des packages R utilisés, expliciter la variante d’erreurs-types sélectionnée (par exemple, « les inférences reposent sur les erreurs-types corrigées pour l’hétéroscédasticité de White avec ajustement HC3 »), et idéalement mettre à disposition le code source reproductible en annexe électronique.

12.3 Synthèse du code R complet et script reproductible

Afin d’offrir une référence opérationnelle immédiate pour les praticiens, nous synthétisons ci-après l’architecture programmatique complète d’un script R structuré, reproductible et conforme aux meilleures pratiques de modélisation économétrique. Ce canevas intègre le chargement des bibliothèques, l’estimation MCO, les visualisations graphiques, l’exécution formelle du test de White (automatisée et manuelle), et la correction robuste des inférences :

Le script s’initialise par l’appel formel des packages :
library(lmtest)
library(sandwich)
library(car)
library(tidyverse)

L’estimation du modèle de référence s’opère sur le jeu de données d’intérêt :
modele_final <- lm(mpg ~ disp + hp, data = mtcars)
summary(modele_final)

L’inspection graphique séquentielle des résidus se déploie via les paramètres de base :
par(mfrow = c(1, 2))
plot(modele_final, which = 1)
plot(modele_final, which = 3)
par(mfrow = c(1, 1))

L’exécution du test de White complet et de sa variante restreinte se formalise ainsi :
test_white_complet <- bptest(modele_final, ~ disp + hp + I(disp^2) + I(hp^2) + disp:hp, data = mtcars)
print(test_white_complet)
test_white_restreint <- bptest(modele_final, ~ disp + hp + I(disp^2) + I(hp^2), data = mtcars)
print(test_white_restreint)

L’implémentation de la procédure de correction robuste pour l’inférence définitive s’exécute par :
vcov_robuste <- vcovHC(modele_final, type = « HC3 »)
resultats_robustes <- coeftest(modele_final, vcov = vcov_robuste)
print(resultats_robustes)

La dérivation des intervalles de confiance robustes à 95 % s’obtient enfin par l’instruction :
coefci(modele_final, vcov = vcov_robuste, level = 0.95)

Ce protocole standardisé assure une chaîne analytique rigoureuse, reproductible et robuste aux violations de distribution stochastique, hissant l’évaluation des modèles de régression linéaire aux standards les plus exigeants de la recherche computationnelle contemporaine.

Références

• Altman, D. G., & Bland, J. M. (1995). Absence of evidence is not evidence of absence. British Medical Journal, 311(7003), 485. https://doi.org/10.1136/bmj.311.7003.485
• Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211-243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
• Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287-1294. https://doi.org/10.2307/1911963
• Cribari-Neto, F. (2004). Asymptotic inference under heteroskedasticity of unknown form. Computational Statistics & Data Analysis, 45(2), 215-233. https://doi.org/10.1016/S0167-9473(02)00366-3
• Fox, J., & Weisberg, S. (2019). An R Companion to Applied Regression (3rd ed.). Sage Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/
• Goldfeld, S. M., & Quandt, R. E. (1965). Some tests for homoskedasticity. Journal of the American Statistical Association, 60(310), 539-547. https://doi.org/10.1080/01621459.1965.10480811
• Koenker, R. (1981). A note on studentizing a test for heteroscedasticity. Journal of Econometrics, 17(1), 107-112. https://doi.org/10.1016/0304-4076(81)90062-2
• Long, J. S., & Ervin, L. H. (2000). Using heteroscedasticity consistent standard errors in the linear regression model. The American Statistician, 54(3), 217-224. https://doi.org/10.1080/00031305.2000.10474549
• White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817-838. https://doi.org/10.2307/1912934
• Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., … & Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686
• Zeileis, A. (2004). Econometric computing with HC and HAC covariance matrix estimators. Journal of Statistical Software, 11(10), 1-17. https://doi.org/10.18637/jss.v011.i10
• Zeileis, A., & Hothorn, T. (2002). Diagnostic checking in regression relationships. R News, 2(3), 7-10. https://cran.r-project.org/doc/Rnews/Rnews_2002-3.pdf