Comment effectuer une régression linéaire simple dans Stata

Dans le champ foisonnant des sciences quantitatives, de l’économétrie à la psychologie différentielle, la modélisation statistique constitue le pont indispensable reliant l’abstraction conceptuelle à la réalité empirique. Parmi les outils analytiques fondamentaux, la régression linéaire simple occupe une place prépondérante : elle offre une formalisation mathématique élégante et parcimonieuse de la relation univariée unissant une variable dépendante, dite réponse ou critère, à une variable indépendante, dite explicative ou prédictive. Loin de se réduire à un simple calcul mécanique d’extrapolation graphique, cette technique repose sur une architecture probabiliste rigoureuse et sur des hypothèses épistémologiques précises, sans lesquelles toute inférence statistique devient caduque ou fallacieuse.

L’environnement logiciel Stata s’est imposé au fil des décennies comme une référence méthodologique mondiale pour le traitement de données observationnelles et expérimentales. Sa force réside dans son équilibre exceptionnel entre une syntaxe programmatique intuitive, une rapidité de calcul inégalée pour les modèles matriciels et une traçabilité exemplaire, répondant aux exigences contemporaines de reproductibilité scientifique. Apprendre à paramétrer, estimer, interpréter et diagnostiquer un modèle de régression linéaire sous Stata représente un prérequis méthodologique fondamental pour tout chercheur ou analyste désireux de produire des résultats robustes et publiables selon les critères d’excellence académique les plus stricts.

Ce guide exhaustif a été conçu pour détailler chaque maillon de la chaîne d’analyse d’une régression bivariée sous Stata, depuis l’ancrage théorique des moindres carrés ordinaires jusqu’à la publication selon les normes académiques internationales de l’American Psychological Association (APA). À travers une démarche pédagogique et mathématiquement rigoureuse, nous examinerons la structuration des commandes, l’audit de la qualité d’ajustement, les tests post-estimation de vérification des postulats gaussiens, ainsi que le dépistage indispensable des observations atypiques et influentes.

1. Fondements théoriques et épistémologiques de la régression linéaire simple

1.1 Définition mathématique et modélisation bivariée

La régression linéaire simple bivariée a pour vocation de modéliser la dépendance stochastique d’une variable quantitative continue Y vis-à-vis d’une unique variable explicative quantitative X. Sur le plan théorique, la relation sous-jacente au sein de la population cible s’écrit formellement à travers l’équation structurelle suivante :

Y_i = β_0 + β_1 * X_i + ε_i

Dans ce formalisme probabiliste, l’indice i identifie l’unité statistique observée, tandis que les paramètres β_0 et β_1 constituent les coefficients de régression inconnus de la population, qu’il s’agit d’estimer à l’aide d’un échantillon représentatif de taille N. Le coefficient β_0 désigne l’ordonnée à l’origine, correspondant à l’espérance mathématique de la variable réponse lorsque la variable explicative s’annule strictement, pour autant que la valeur X = 0 possède une cohérence théorique et physique dans le champ d’investigation considéré. Le coefficient β_1 matérialise la pente de la droite de régression ; il quantifie la variation attendue de l’espérance conditionnelle de Y consécutive à l’augmentation marginale d’une unité de mesure de X.

L’élément ε_i représente le terme d’erreur stochastique, également qualifié de perturbation aléatoire non observable. Cette composante fondamentale subsume à la fois les erreurs inhérentes aux instruments de mesure, l’omission inévitable d’autres covariables agissant sur Y, ainsi que l’indéterminisme intrinsèque aux processus humains ou biologiques étudiés. L’estimation des coefficients empiriques s’opère traditionnellement via la méthode des moindres carrés ordinaires (MCO). Le principe mathématique d’optimisation consiste à minimiser la somme des carrés des écarts verticaux entre les valeurs observées de Y et les valeurs ajustées par la droite de régression, résolvant un problème d’extremum différentiel qui garantit l’obtention d’une solution analytique unique, fermée et calculable par l’algèbre matricielle élémentaire.

1.2 Applications de la régression linéaire en psychologie quantitative

En psychologie quantitative et dans l’ensemble des sciences comportementales, la régression linéaire simple constitue un pilier de la validation empirique des constructions théoriques. Elle permet de relier des indicateurs latents opérationnalisés — tels que des scores sommés à des échelles de personnalité, des quotients d’anxiété ou des temps de réaction cognitive — à des critères de performance comportementale, académique ou professionnelle. Par exemple, un chercheur peut chercher à modéliser le niveau de rétention mnésique en fonction de l’intensité d’un stress préalable, ou à déterminer dans quelle mesure le sentiment d’auto-efficacité prédit l’adhésion à un protocole de soins thérapeutiques.

Il importe toutefois de souligner avec la plus grande vigilance épistémologique la distinction conceptuelle irréductible entre corrélation bivariée et causalité théorique. L’identification d’une association linéaire hautement significative entre deux vecteurs de scores n’atteste en rien de l’existence d’une relation de cause à effet. L’inférence causale exige un contrôle strict de la précédence temporelle, l’exclusion méthodologique des facteurs de confusion via des devis expérimentaux randomisés, ou l’utilisation de méthodes économétriques avancées telles que les variables instrumentales.

Par ailleurs, la régression linéaire simple balance perpétuellement entre une finalité purement prédictive et une vocation explicative. Dans une optique prédictive, le praticien cherche à anticiper avec une variance minimale la réalisation future de Y sur la base du signal délivré par X, sans nécessairement postuler un mécanisme proximal interne. À l’inverse, dans le paradigme expérimental explicatif, la significativité et l’amplitude de β_1 sont scrutées pour valider une hypothèse fonctionnelle sur les processus cognitifs, émotionnels ou neurophysiologiques, conférant à la modélisation une portée heuristique majeure.

1.3 Hypothèses classiques du modèle de Gauss-Markov

Pour que les estimateurs dérivés des moindres carrés ordinaires possèdent des vertus d’optimalité statistique idéales, le modèle théorique doit impérativement satisfaire les axiomes formalisés par le célèbre théorème de Gauss-Markov. Le respect strict de ces conditions assure que les estimateurs MCO constituent les meilleurs estimateurs linéaires sans biais existants (connus sous l’acronyme anglophone BLUE : Best Linear Unbiased Estimator), garantissant une variance d’échantillonnage minimale au sein de la classe des estimateurs linéaires sans biais.

La première hypothèse réside dans la linéarité intrinsèque des paramètres : la variable réponse doit être modélisée comme une combinaison linéaire des coefficients, quand bien même la variable X elle-même subirait une transformation mathématique non linéaire préalable. La deuxième condition exige que l’espérance conditionnelle des perturbations stochastiques sachant X soit strictement nulle : E(ε_i | X_i) = 0. Cette hypothèse fondamentale, désignée sous le terme d’exogénéité stricte, stipule que l’erreur ne contient aucune information systématique corrélée avec la variable explicative.

La troisième hypothèse pose le principe de l’homoscédasticité de la variance de l’erreur : la dispersion de ε_i doit demeurer constante et invariable quel que soit le niveau conditionnel pris par la variable X. La quatrième hypothèse postule l’absence totale d’autocorrélation entre les perturbations : Cov(ε_i, ε_j) = 0 pour toute paire d’observations distinctes (i différent de j), une condition particulièrement critique lors du traitement de séries temporelles ou de mesures longitudinales répétées. Enfin, pour autoriser une inférence statistique exacte à distance finie — c’est-à-dire le calcul valide des tests d’hypothèses unilatéraux ou bilatéraux et l’établissement d’intervalles de confiance via les lois de Student et de Fisher —, on adjoint traditionnellement une cinquième condition : la distribution normale multivariée des termes d’erreur, ε_i ~ N(0, σ^2).

2. Préparation de l’environnement de travail et importation des données dans Stata

2.1 Configuration de la session de travail et gestion des fichiers do

La rigueur de la recherche scientifique contemporaine s’enracine dans le principe universel de reproductibilité computationnelle. Toute démarche analytique menée au sein du progiciel Stata doit impérativement s’abstenir de manipulations ad hoc et éphémères réalisées au sein de l’interface graphique interactive des menus déroulants, au profit d’une écriture systématique, structurée et commentée de scripts textuels au sein de l’éditeur de fichiers do (do-files). Le do-file constitue l’archive intellectuelle pérenne du protocole de recherche, permettant de rejouer instantanément, de corriger et d’auditer l’intégralité du pipeline d’ingénierie des données et d’estimation statistique.

L’initialisation d’une session de travail académique commence par le nettoyage méticuleux de la mémoire vive et la définition formelle de l’espace de stockage sur le disque dur local. La commande clear all élimine les matrices et jeux de données résiduels d’anciennes sessions, tandis que l’instruction set more off garantit l’exécution ininterrompue des lignes de commande sans arrêt forcé d’affichage dans la fenêtre de sortie. La définition du répertoire racine s’effectue via l’instruction cd (pour change directory), pointant explicitement vers le chemin d’accès absolu ou relatif hébergeant les sources de données et les scripts.

Parallèlement, la conservation inviolable des sorties textuelles et numériques impose l’initialisation immédiate d’un journal de session grâce à la commande log using, accompagnée des options replace pour écraser d’éventuels fichiers obsolètes du même nom et text pour générer un fichier lisible par n’importe quel éditeur de code brut sans recourir au format propriétaire Stata Markup and Control Language (SMCL). La fermeture systématique de ce flux d’enregistrement à la fin du script par la directive log close assure l’intégrité de la traçabilité des opérations pour les pairs évaluateurs.

2.2 Importation du jeu de données de démonstration auto.dta

Afin d’illustrer chaque facette procédurale et mathématique sans biais d’inaccessibilité, la communauté des statisticiens recourt fréquemment aux bases standardisées préinstallées dans le progiciel. Le jeu de données auto.dta, documentant les caractéristiques techniques, la consommation d’essence et les prix d’un ensemble de véhicules commercialisés aux États-Unis en 1978, offre un support empirique universellement reconnu pour l’apprentissage didactique de la modélisation linéaire.

L’appel de ce fichier stocké dans les répertoires internes du logiciel s’effectue simplement au moyen de la syntaxe sysuse auto, clear. Cette commande charge directement l’échantillon complet de 74 observations et 12 variables au sein de la mémoire vive allouée au moteur de calcul. Lorsqu’un chercheur manipule ses propres données empiriques externes, la commande se métamorphose en use nom_du_fichier.dta, clear si le fichier est déjà au format binaire Stata, ou sollicite les syntaxes dédiées telles que import delimited pour les fichiers CSV ou import excel pour les classeurs tabulaires.

L’importation de sources de données massives exige parfois d’auditer la gestion de la mémoire. Bien que les versions récentes de Stata adaptent automatiquement et de façon dynamique l’allocation de la mémoire vive aux besoins des matrices chargées, l’encodage des chaînes textuelles requiert une attention soutenue. La conversion adéquate des encodages de caractères (notamment UTF-8 vs ISO-8859-1) s’avère indispensable pour préserver l’exactitude sémantique des libellés de variables contenant des signes diacritiques ou des accents propres à la langue française, évitant ainsi des erreurs d’analyse lors du tri alphabétique conditionnel.

2.3 Inspection structurelle du jeu de données

Avant d’engager la moindre estimation économétrique, une étape d’audit structural exhaustif s’impose pour valider l’intégrité des vecteurs de données. La commande de premier niveau describe constitue l’outil diagnostique cardinal à ce stade préliminaire. Elle dresse un inventaire synthétique du nombre d’unités statistiques répertoriées, du nombre total de colonnes, de la date de création du jeu de données ainsi que de la taille mémoire globale mobilisée.

Dans le cadre précis de ce tutoriel méthodologique, nous isolerons deux métriques fondamentales issues du fichier auto.dta afin d’incarner notre modélisation linéaire simple. La variable dépendante (Y) retenue sera la consommation kilométrique exprimée en miles par gallon, identifiée par le vecteur mpg (mesurant l’efficacité énergétique, où une valeur élevée traduit une consommation moindre). La variable indépendante ou prédictrice (X) sera le poids total du véhicule, mesuré en livres anglaises et labellisé sous le nom weight. L’hypothèse mécanique sous-jacente postule qu’un surcroît de masse corporelle impose une contrainte thermodynamique accrue au moteur, induisant une dégradation de l’efficacité énergétique, se traduisant empiriquement par une pente négative.

L’audit structural implique également la consultation attentive de la commande codebook mpg weight. Cette instruction scanne en profondeur le type de stockage numérique (entier, flottant, double précision), le nombre d’entrées non vides, la cardinalité des valeurs distinctes observées, ainsi que la présence éventuelle d’étiquettes de valeur (value labels). Vérifier ces métadonnées garantit que les variables ne sont pas indûment formatées en chaînes textuelles (string), ce qui bloquerait irrémédiablement l’exécution des algorithmes d’inversion matricielle de Stata.

3. Exploration descriptive préalable et détection des anomalies

3.1 Calcul des statistiques descriptives univariées

L’évaluation méticuleuse de la distribution univariée de chaque variable précède obligatoirement la modélisation bivariée. Cette étape permet d’appréhender le centre de gravité des scores, leur amplitude de dispersion ainsi que la forme géométrique de leur fonction de densité empirique. La commande incontournable summarize mpg weight calcule instantanément pour chacune d’elles l’effectif valide N, la moyenne arithmétique, l’écart-type d’échantillon ainsi que les bornes minimale et maximale.

Afin de sonder plus profondément l’architecture distributionnelle, l’ajout de l’option detail (syntaxe : summarize mpg weight, detail) se révèle impératif. Cette commande déploie une table analytique élargie, intégrant une ventilation détaillée des percentiles fondamentaux (1er, 5e, 10e, 25e, 50e ou médiane, 75e, 90e, 95e et 99e percentiles). L’écart entre la médiane et la moyenne fournit un premier indice précieux de l’asymétrie de la distribution. Si la moyenne arithmétique s’écarte substantiellement de la médiane, cela signale la traction exercée par une traîne distributionnelle unidirectionnelle.

Les deux métriques morphologiques maîtresses fournies par l’option detail sont le coefficient d’asymétrie de Fisher (skewness) et le coefficient d’aplatissement (kurtosis). Pour une loi normale parfaite, le skewness théorique est nul, tandis que le kurtosis standardisé vaut 3. Un coefficient d’asymétrie positif élevé indique une distribution étalée vers la droite (scores élevés rares mais extrêmes), tandis qu’un kurtosis largement supérieur à 3 révèle une distribution leptokurtique, caractérisée par un pic central acéré et des queues épaisses, ce qui prédispose l’échantillon à l’émergence de valeurs résiduelles aberrantes lors de l’ajustement du modèle.

3.2 Traitement des valeurs manquantes et aberrantes

L’intégrité de l’inférence par les moindres carrés ordinaires dépend étroitement de la qualité des observations brutes. Dans Stata, les données manquantes numériques sont traditionnellement encodées par un point typographique (.), lequel est assimilé par le compilateur interne à l’infini positif le plus grand imaginable lors des opérations de filtrage relationnel. L’utilisation préventive de la commande misstable summarize mpg weight permet de recenser formellement la proportion de données lacunaires et d’évaluer si un biais d’attrition non aléatoire menace la validité interne de la modélisation.

La détection univariée des valeurs aberrantes (outliers) repose sur des critères statistiques objectifs. La méthode de Tukey, fondée sur l’écart interquartile (IQR = Q3 – Q1), définit comme valeurs aberrantes modérées toute observation franchissant le seuil externe de 1,5 fois l’IQR au-delà des quartiles, et comme valeur extrême sévère toute observation dépassant 3 fois ce même écart. L’évaluation s’exécute visuellement au moyen de boîtes à moustaches via l’instruction graph box mpg et graph box weight.

Face à une valeur manifestement déviante, l’analyste doit proscrire toute suppression sauvage et injustifiée, qui violerait le principe de neutralité méthodologique. Il convient d’abord de vérifier s’il s’agit d’une erreur matérielle de saisie ou d’encodage (par exemple un individu consigné avec un poids de 30 000 livres par inadvertance dactylographique). Si la valeur déviante appartient authentiquement à la population étudiée, les arbitrages scientifiques imposent soit de conserver l’observation en prévoyant des méthodes de régression robuste ultérieures, soit d’appliquer une imputation par modélisation multivariée, soit, à défaut, de documenter scrupuleusement son exclusion dans le rapport scientifique final.

3.3 Vérification des échelles de mesure des variables

La validité substantielle du modèle de régression linéaire repose sur l’adéquation épistémologique entre le modèle mathématique continu et la nature métrologique intrinsèque des variables analysées. La régression linéaire classique postule que les variables Y et X sont mesurées sur des échelles d’intervalles ou de rapports, pour lesquelles les distances numériques possèdent une signification constante sur toute l’étendue de la graduation.

En psychologie et en sociologie quantitative, le recours fréquent à des échelles de Likert ordinales discrètes (à 4, 5 ou 7 points d’ancrage verbal) pose un dilemme récurrent. Traiter un score ordinal discret comme une variable purement continue au sein d’une équation linéaire peut induire des distorsions prédictives notables, notamment aux bornes de l’échelle, et conduire à l’hétéroscédasticité mécanique des résidus. Lorsque l’échelle sommative regroupe un nombre suffisant d’items (souvent au moins 5 ou 6 items corrélés) générant un score composite étalé sur une amplitude de plus de 20 points, l’approximation linéaire devient méthodologiquement acceptable et couramment tolérée par les revues scientifiques de premier rang.

Enfin, la question de la standardisation préalable (transformation en scores z centrés-réduits, où la moyenne est fixée à 0 et l’écart-type à 1 via la commande egen z_weight = std(weight)) mérite d’être arbitrée avant toute estimation. Bien que la standardisation ne modifie en rien la qualité d’ajustement globale du modèle (le R-carré et les statistiques t demeurant rigoureusement identiques), elle modifie radicalement l’unité de mesure du coefficient estimé. En présence de variables dotées d’unités physiques concrètes et parlantes — telles que les livres, les kilogrammes ou les miles par gallon —, conserver les échelles brutes d’origine s’avère immensément plus informatif pour les applications concrètes du modèle.

4. Visualisation graphique bivariée avant modélisation

4.1 Génération d’un nuage de points élémentaire

L’exploration visuelle préliminaire de la dispersion conjointe des données constitue une étape épistémologique irremplaçable que nul indicateur agrégé ne peut suppléer. Le célèbre quartette d’Anscombe a brillamment démontré que des jeux de données aux distributions géométriques totalement dissemblables peuvent engendrer des moyennes, des variances, des corrélations et des droites de régression rigoureusement indiscernables. Tracer le nuage de points bivarié prémunit le statisticien contre les illusions arithmétiques.

Sous Stata, la construction d’un nuage de points s’opère au moyen de la commande graphique modulaire scatter. L’architecture grammaticale de la commande exige de déclarer en premier argument la variable dépendante assignée à l’ordonnée (axe vertical Y), immédiatement suivie de la variable indépendante assignée à l’abscisse (axe horizontal X). L’instruction élémentaire prend ainsi la forme suivante :

scatter mpg weight

L’examen phénoménologique de ce graphique permet de diagnostiquer trois attributs structurels majeurs du phénomène étudié : la direction générale de la liaison (positive, traduisant une co-variation ascendante, ou négative, traduisant une variation en sens opposé), la force approximative de l’association (reflétée par l’étroitesse du resserrement des points autour d’un faisceau central) et la géométrie de la forme relationnelle. L’observation du croisement entre mpg et weight met immédiatement en évidence une tendance descendante nette, montrant sans équivoque qu’aux véhicules les plus lourds correspondent invariablement des efficacités énergétiques plus faibles, tout en signalant une légère courbure qui invite à la prudence quant à l’adéquation d’un ajustement strictement rectiligne.

4.2 Superposition de la droite d’ajustement linéaire

Pour confronter intuitivement l’échantillon observé à la trajectoire d’un modèle paramétrique théorique, Stata permet d’imbriquer plusieurs couches graphiques au sein d’une unique instruction de traçage grâce à la syntaxe bidimensionnelle twoway. Cette superposition associe le nuage de points brut et la droite de régression linéaire estimée par la méthode des moindres carrés au moyen de l’opérateur graphique lfit (abréviation de linear fit).

L’instruction s’agence formellement de la manière suivante :

twoway (scatter mpg weight) (lfit mpg weight)

Cette visualisation synthétique permet d’évaluer visuellement la plausibilité de l’hypothèse de linéarité globale. La droite d’ajustement matérialise la synthèse linéaire optimale calculée par le moteur mathématique. Les écarts spatiaux verticaux séparant chaque point individuel de cette droite tracée correspondent physiquement aux résidus observés (les estimations de ε_i). Plus ces distances verticales demeurent homogènes et réduites sur l’ensemble de l’abscisse, plus l’ajustement théorique capture fidèlement la dynamique des données empiriques.

Pour hisser le rendu graphique aux standards éditoriaux des revues scientifiques, il convient d’enrichir la commande d’options esthétiques : modification de la palette chromatique, paramétrage de symboles géométriques discrets (comme des cercles évidés via msymbol(oh)), ajout de titres explicatifs précis pour les axes via xtitle() et ytitle(), et sélection d’un thème visuel sobre et épuré exempt de grisaille d’arrière-plan via l’argument scheme(sj) ou scheme(white_tableau).

4.3 Exploration non paramétrique par lissage local

L’une des fautes méthodologiques les plus insidieuses consiste à imposer un ajustement linéaire sur un phénomène qui répond intrinsèquement à une dynamique curviligne, exponentielle ou asymptotique. Pour auditer la véracité de l’hypothèse de linéarité sans imposer a priori de carcan paramétrique rigide, les statisticiens emploient la technique d’estimation non paramétrique par lissage local, connue sous le nom d’algorithme LOWESS (Locally Weighted Scatterplot Smoothing).

Le lissage local calcule une succession d’ajustements polynomiaux pondérés au sein d’intervalles mouvants et restreints autour de chaque observation. Les points les plus proches spatialement reçoivent les poids d’influence les plus massifs, dessinant ainsi une courbe fluide et organique qui épouse fidèlement les inflexions locales réelles des données sans présumer d’une trajectoire géométrique prédéterminée. Dans Stata, ce lissage s’obtient soit par la commande autonome lowess mpg weight, soit en l’insérant dans un cadre comparatif superposé :

twoway (scatter mpg weight) (lfit mpg weight, lcolor(navy)) (lowess mpg weight, lcolor(cranberry))

La confrontation optique entre la droite linéaire rigide (bleue) et la trajectoire souple du lissage local (rouge) fournit un diagnostic immédiat. Si la courbe non paramétrique ondule substantiellement ou s’infléchit de façon marquée en s’écartant systématiquement de la droite des moindres carrés — comme c’est fréquemment le cas pour la relation entre poids et consommation aux extrêmes —, le chercheur est formellement alerté d’une violation potentielle du postulat de linéarité. Cette anomalie suggère qu’une transformation non linéaire préalable (logarithmique, inverse ou polynomiale) de l’une des variables permettra d’obtenir un ajustement conceptuellement et statistiquement plus satisfaisant.

5. Spécification et exécution du modèle sous Stata

5.1 Syntaxe fondamentale de la commande regress

L’estimation des paramètres d’une régression linéaire par les moindres carrés ordinaires s’effectue dans Stata au moyen de la commande cardinale regress (qui peut être abrégée en reg dans les environnements interactifs, bien que l’écriture intégrale demeure vivement recommandée au sein des fichiers do formels). L’architecture syntaxique de cette commande respecte une règle grammaticale immuable et fondamentale : le tout premier argument suivant immédiatement le verbe de commande désigne impérativement la variable dépendante (le vecteur Y), tandis que les arguments subséquents déclarent la ou les variables indépendantes (le vecteur X).

L’instruction maîtresse de notre modèle bivarié s’écrit de la façon suivante :

regress mpg weight

Par défaut, Stata intègre automatiquement dans son calcul matriciel une colonne unitaire au sein du régresseur, ce qui conduit à l’estimation systématique d’une ordonnée à l’origine (β_0), libellée sous le vocable _cons dans la table des résultats de sortie. Stata offre la possibilité technique d’évincer cette constante mathématique par l’adjonction de l’option noconstant (ou noc). Il s’agit toutefois d’une option d’un maniement périlleux sur le plan statistique. Forcer la droite de régression à transiter obligatoirement par l’origine cartésienne absolue (le point de coordonnées [0, 0]) altère fondamentalement les propriétés des moindres carrés ordinaires : la moyenne empirique des résidus n’est alors plus contrainte à la nullité stricte, et le calcul canonique du coefficient de détermination R-carré perd sa borne inférieure usuelle à zéro, pouvant générer des valeurs négatives dénuées de sens interprétatif classique.

5.2 Contrôle des sous-échantillons et pondérations

L’analyse empirique exige fréquemment de segmenter l’espace d’observation afin d’évaluer la stabilité des paramètres selon des critères d’appartenance sociologique, clinique ou technique. Stata autorise une flexibilité remarquable pour restreindre le champ de l’estimation sans altérer le jeu de données d’origine grâce aux clauses conditionnelles if et in.

Par exemple, si l’on souhaite restreindre formellement l’estimation du modèle de régression aux seuls véhicules d’origine étrangère au marché américain, la syntaxe intégrera le filtre logique d’égalité relationnelle :

regress mpg weight if foreign == 1

De surcroît, les devis d’échantillonnage complexes et les enquêtes épidémiologiques ou psychométriques imposent souvent d’assigner des coefficients de pondération différentiels aux unités statistiques analysées. Stata gère quatre classes distinctes de pondérations, insérées entre crochets immédiatement avant la liste des options. Les poids de fréquence (fweight) indiquent le nombre d’occurrences identiques représentées par une ligne. Les poids analytiques (aweight) sont inversement proportionnels à la variance de l’observation, fréquemment exploités lorsque les données représentent des moyennes agrégées par sous-groupes. Les poids d’échantillonnage ou de sondage (pweight) correspondent à l’inverse de la probabilité marginale d’inclusion dans l’échantillon. L’introduction de poids altère le calcul matriciel des erreurs types des coefficients, prévenant l’obtention de p-valeurs artificiellement optimistes issues d’échantillonnages stratifiés ou en grappes.

5.3 Stockage et gestion des résultats d’estimation

L’environnement Stata est conçu selon un modèle modulaire orienté post-estimation. Lorsque la commande regress termine ses itérations de calcul matriciel, elle n’affiche pas seulement une table tabulaire dans la console ; elle emmagasine l’ensemble des scalaires, macros, vecteurs et matrices calculés dans la mémoire vive sous forme d’éléments retournés, désignés sous l’appellation d’objets e-class (pour estimation returns). L’interrogation exhaustive de ces éléments internes s’effectue au moyen de l’instruction ereturn list.

Parmi ces entités sous-jacentes, on trouve notamment le scalaire e(N) (l’effectif total d’observations), e(r2) (le coefficient de détermination), e(F) (la statistique globale de Fisher), e(rmse) (l’erreur quadratique moyenne des résidus), ainsi que les matrices e(b) (contenant les coefficients estimés) et e(V) (la matrice de variance-covariance asymptotique des estimateurs). Ces scalaires peuvent être réutilisés dynamiquement dans des équations programmatiques ou des boucles algorithmiques au sein des do-files.

Afin de préserver l’intégrité d’un modèle estimé avant d’en exécuter un autre, Stata fournit l’utilitaire estimates store. En attribuant un label identificatoire à un modèle via la commande estimates store Modele_Simple, l’analyste se dote de la faculté de restaurer ultérieurement l’état complet du système via estimates restore, ou d’élaborer sans effort des comparaisons structurelles et des tests d’hypothèses imbriqués confrontant spécifications bivariées et modèles multivariés élargis.

6. Décomposition et analyse de la table de variance (ANOVA)

6.1 Sommes des carrés : Totale, Modèle et Résiduelle

L’angle supérieur gauche de la sortie standard de la commande regress sous Stata expose l’architecture de la table d’analyse de la variance (ANOVA). Cette décomposition arithmétique constitue le socle énergétique sur lequel repose l’intégralité de l’évaluation de la qualité de la modélisation. Elle matérialise l’identité fondamentale de partitionnement de la variabilité totale observée :

Somme des Carrés Totale (TSS) = Somme des Carrés du Modèle (MSS) + Somme des Carrés Résiduelle (RSS)

La Somme des Carrés Totale (Total SS) quantifie l’inertie globale de la variable dépendante Y autour de sa propre moyenne arithmétique marginale non conditionnelle. Elle correspond mathématiquement à la somme sur toutes les unités observées du carré des écarts entre chaque valeur Y_i et la moyenne de Y. Il s’agit de la masse totale d’incertitude que l’analyste aspire à expliquer.

La Somme des Carrés du Modèle (Model SS) représente la portion de cette inertie globale capturée avec succès par la droite de régression linéaire. Elle équivaut à la somme des carrés des écarts entre les valeurs ajustées par le modèle (Ŷ_i) et la moyenne globale de Y. Enfin, la Somme des Carrés Résiduelle (Residual SS) mesure la part de la variabilité qui demeure irréductiblement inexpliquée par la variable X. Elle cumule les carrés des résidus individuels (Y_i – Ŷ_i). La méthode des moindres carrés ordinaires s’emploie précisément à comprimer cette somme résiduelle à son minimum géométrique absolu dans l’espace euclidien considéré.

6.2 Degrés de liberté et carrés moyens associatifs

Dans la colonne immédiatement juxtaposée aux sommes des carrés se trouvent les degrés de liberté (notés df pour degrees of freedom). Dans le cadre spécifique de la régression linéaire simple bivariée, le modèle mobilise exactement 1 degré de liberté (df = 1), correspondant au nombre de paramètres de pente indépendants estimés dans l’équation. La ligne résiduelle dispose quant à elle de N – 2 degrés de liberté, où N figure l’échantillon total : cette réduction de deux unités découle de la fixation préalable de deux contraintes arithmétiques internes indispensables à l’ajustement de la droite, à savoir l’estimation de la moyenne de l’échantillon et de la pente.

La division mathématique terme à terme de chaque somme de carrés par son degré de liberté respectif engendre les Carrés Moyens (affichés sous l’entête MS pour Mean Squares). Le Carré Moyen du Modèle (Model MS) reflète la quantité de variance expliquée par dimension paramétrique introduite. À l’opposé, le Carré Moyen Résiduel (Residual MS) correspond à la formule d’estimation non biaisée de la variance intrinsèque de l’erreur stochastique de la population, notée classiquement σ^2.

L’extraction de la racine carrée arithmétique de ce Carré Moyen Résiduel fournit une métrique statistique fondamentale affichée sous l’acronyme Root MSE (Root Mean Squared Error). Également appelée écart-type de la régression ou erreur standard de l’estimation, cette valeur quantifie la dispersion moyenne type des observations empiriques réelles autour de la droite d’ajustement théorique, exprimée directement et commodément dans l’unité de mesure native de la variable réponse Y.

6.3 Test global de significativité par la statistique de Fisher

Le ratio de variance constitué par la division du Carré Moyen du Modèle par le Carré Moyen Résiduel donne naissance à la statistique F de Fisher-Snedecor, répertoriée sous la mention F( 1, df_r) dans la console de résultats de Stata. Ce ratio opérationnalise le test global de l’hypothèse nulle d’absence totale d’association linéaire dans la population d’intérêt :

H0 : β_1 = 0 contre H1 : β_1 ≠ 0

Si la variable explicative X ne possède aucun pouvoir prédictif sur Y, le Carré Moyen du Modèle sera en moyenne équivalent au Carré Moyen Résiduel, faisant osciller le ratio F autour d’une valeur proche de 1. En revanche, si la droite capture une dynamique structurelle massive, le numérateur dominera très largement le dénominateur, générant une statistique F d’une amplitude substantielle qui s’éloignera de la zone de densité probable sous l’hypothèse nulle.

Stata associe instantanément à cette valeur empirique de F une probabilité critique bilatérale exacte, libellée Prob > F. Si cette p-valeur s’avère inférieure aux seuils conventionnels d’erreur de première espèce (notamment α = 0,05, 0,01 ou 0,001), le chercheur rejette formellement l’hypothèse nulle et conclut que le modèle linéaire apporte une contribution prédictive statistiquement significative. Dans le contexte très particulier de la régression bivariée simple ne comportant qu’une unique variable indépendante, il existe une équivalence mathématique parfaite entre la statistique de Fisher globale et le test t de Student associé à la pente : F est rigoureusement égal au carré de la valeur t (F = t^2), et leurs p-valeurs respectives sont strictement identiques.

7. Interprétation des coefficients et inférence statistique

7.1 Interprétation quantitative du coefficient de pente

Le bloc horizontal inférieur de la sortie générée par Stata isole les estimations des coefficients au sein d’une table analytique à plusieurs colonnes. La ligne dédiée à la variable explicative affiche dans la colonne Coef. l’estimation numérique par les moindres carrés de la pente, &bcirc;_1. L’élucidation de sa signification exige une verbalisation d’une extrême précision conceptuelle, en respectant scrupuleusement les unités physiques ou psychométriques des grandeurs mises en relation.

Dans l’exemple de la commande regress mpg weight, le coefficient associé à weight affiche une valeur négative approximative de -0,0060087. La traduction scientifique rigoureuse de ce chiffre s’énonce ainsi : pour chaque augmentation d’une unité de mesure du prédicteur — soit un accroissement d’une livre anglaise supplémentaire du poids du véhicule —, l’espérance conditionnelle de l’efficacité énergétique diminue en moyenne d’environ 0,00601 mile par gallon. Afin de conférer une intelligibilité clinique ou pratique plus parlante lors de la communication des résultats, l’analyste peut légitimement procéder à un changement d’échelle intellectuel en multipliant mentalement la métrique : une élévation de 1 000 livres du poids du véhicule est associée à une baisse moyenne prédite d’environ 6,01 miles par gallon d’essence.

Il est capital de ne jamais commettre l’écueil classique consistant à confondre l’amplitude numérique du coefficient avec son importance substantielle ou clinique. Un coefficient peut être numériquement microscopique tout en ayant des retombées systémiques considérables si l’unité de mesure du prédicteur est très petite par rapport à son étendue opérationnelle. Inversement, un coefficient numériquement volumineux peut résulter d’une simple manipulation d’échelle sans traduire pour autant un effet prédictif fort au sein de la population étudiée.

7.2 Rôle et interprétation théorique de la constante

L’estimation assignée à la ligne libellée _cons fournit la valeur numérique de l’ordonnée à l’origine (&bcirc;_0). Sur le plan strictement géométrique, ce paramètre matérialise l’élévation verticale à laquelle la droite des moindres carrés coupe l’axe des ordonnées. Sur le plan de la modélisation statistique, la constante représente l’espérance mathématique conditionnelle prédite pour la variable dépendante lorsque la variable explicative X est rigoureusement égale à zéro.

Toutefois, dans une multitude d’investigations empiriques, la valeur X = 0 constitue une impossibilité matérielle absolue ou se situe infiniment au-delà des frontières de l’échantillon observé. Dans notre cas d’étude automobile, l’observation d’un véhicule pesant 0 livre est un non-sens physique flagrant. Le coefficient de la constante (qui s’élève ici approximativement à 39,44 miles par gallon) ne correspond donc à aucune réalité physique concrète ; il s’agit d’un point d’ancrage mathématique abstrait, indispensable pour situer et stabiliser géométriquement la trajectoire de la droite dans le plan cartésien.

Pour conférer à la constante une signification théorique concrète et immédiatement interprétable dans un manuscrit scientifique, les statisticiens recourent fréquemment à la technique éprouvée du centrage sur la moyenne (mean-centering). En créant une variable transformée définie par l’écart à la moyenne arithmétique de l’échantillon (generate weight_c = weight - r(mean)), puis en estimant le modèle regress mpg weight_c, la pente &bcirc;_1 demeure strictement inchangée, mais la nouvelle constante estimée correspond désormais très exactement à la consommation prédite pour un véhicule dont le poids est rigoureusement identique au poids moyen de l’ensemble de l’échantillon.

7.3 Erreurs types, statistiques t de Student et intervalles de confiance

Puisque les estimateurs &bcirc;_0 et &bcirc;_1 sont calculés à partir d’un échantillon stochastique fini extrait d’une population infinie, ils sont eux-mêmes des variables aléatoires tributaires de fluctuations d’échantillonnage. La colonne Std. Err. rapporte les erreurs types d’estimation des coefficients. L’erreur type de la pente mesure la variabilité attendue de l’estimation &bcirc;_1 si l’on répétait l’expérience de tirage un nombre infini de fois dans des conditions identiques. Plus la dispersion résiduelle σ est faible et plus la variance de la variable indépendante X au sein de l’échantillon est large, plus l’erreur type s’amenuise, affinant la précision du faisceau d’estimation.

La colonne t fournit la valeur de la statistique du test de Student pour l’hypothèse de nullité du coefficient : t = &bcirc;_1 / Std.Err.(&bcirc;_1). Sous l’hypothèse nulle H0 (β_1 = 0), ce ratio obéit rigoureusement à une loi de Student à N – 2 degrés de liberté. La colonne contiguë P>|t| délivre la probabilité critique bilatérale associée. Une p-valeur infinitésimale (notée 0.000 dans Stata lorsqu’elle est inférieure à 0,0005) apporte une preuve empirique écrasante contre l’hypothèse d’absence d’effet linéaire, autorisant le rejet de H0.

Enfin, les deux dernières colonnes délimitent l’intervalle de confiance bilatéral à 95 % du paramètre :

[&bcirc;_1 – t_(0,975 ; df) * Std.Err.(&bcirc;_1) ; &bcirc;_1 + t_(0,975 ; df) * Std.Err.(&bcirc;_1)]

Cet intervalle fournit une information d’une richesse bien supérieure à la simple p-valeur ponctuelle. Il circonscrit la plage de plausibilité au sein de laquelle se situe le véritable paramètre inconnu de la population β_1 avec un niveau d’assurance probabiliste de 95 %. L’exclusion du chiffre zéro de cet intervalle est mathématiquement équivalente à un rejet de l’hypothèse nulle au seuil de significativité α = 0,05, tout en illustrant l’incertitude métrologique entourant l’estimation.

8. Évaluation de la qualité d’ajustement du modèle

8.1 Le coefficient de détermination (R-carré)

L’évaluation synthétique de la force prédictive de la droite de régression repose en premier lieu sur le coefficient de détermination, universally labellisé R-squared dans l’en-tête synthétique droit du tableau de bord de sortie de Stata. Par définition mathématique, le R-carré exprime la proportion relative de la dispersion totale de la variable réponse expliquée par la droite d’ajustement linéaire calculée :

R^2 = MSS / TSS = 1 – (RSS / TSS)

Évoluant structurellement au sein d’un intervalle borné entre 0 et 1 (lorsque le modèle intègre une constante ordinaire), le R-carré est une quantité adimensionnelle. Dans le cadre exclusif de la régression linéaire simple univariée, le R-carré est rigoureusement identique au carré du coefficient de corrélation linéaire de Pearson entre X et Y : R^2 = (r_xy)^2. Si notre régression bivariée génère un R-squared de 0,6515, cela stipule formellement que 65,15 % de la variabilité observée de l’efficacité énergétique (mpg) est statistiquement expliquée par les différences de masse pondérale (weight) des véhicules.

L’appréciation de l’amplitude d’un R-carré doit impérativement s’affranchir d’un dogmatisme aveugle et s’ajuster au domaine scientifique considéré. Si dans les sciences de l’ingénieur ou la métrologie thermodynamique, un R-carré inférieur à 0,90 peut être jugé médiocre, en psychologie différentielle, en épidémiologie sociale ou dans les sciences du comportement humain, un R-carré oscillant entre 0,10 et 0,25 est fréquemment considéré comme instructif et hautement informatif. Les comportements humains étant régis par une multiplicité de déterminants en interaction, capturer un quart de la variance totale à l’aide d’un unique score constitue déjà une avancée méthodologique notable.

8.2 Différence entre R-carré ordinaire et R-carré ajusté

Immédiatement en dessous du R-carré conventionnel se positionne le coefficient de détermination corrigé, libellé Adj R-squared dans les résultats Stata. Cette métrique alternative applique une pénalité arithmétique proportionnelle au nombre de prédicteurs inclus dans la spécification du modèle, en ajustant les sommes des carrés par leurs degrés de liberté respectifs :

R^2_ajusté = 1 – [(RSS / (N – k – 1)) / (TSS / (N – 1))]

Dans un protocole multivarié, le R-carré ordinaire présente la faiblesse mécanique de gonfler artificiellement chaque fois qu’un prédicteur supplémentaire est injecté dans l’équation, même si la nouvelle variable n’apporte qu’un bruit aléatoire dépourvu de sens prédictif. Le R-carré ajusté compense ce travers en pénalisant la perte de parcimonie du modèle.

En régression linéaire simple bivariée (où k = 1), la distinction quantitative entre le R-carré ordinaire et le R-carré ajusté demeure généralement ténue, pour autant que la taille d’échantillon N soit convenable. Néanmoins, lorsque la cohorte analysée est de taille restreinte (par exemple N < 30), le R-carré ajusté s’affaisse sensiblement en deçà du R-carré standard. Cette correction signale à l’analyste que le modèle risque de surestimer son efficacité hors-échantillon en raison de contraintes de degrés de liberté.

8.3 Erreur standard de l’estimation (Root MSE)

Le R-carré souffre d’une limite conceptuelle notoire : étant un ratio normalisé sans dimension, il est sensible à l’étendue de la variance de la variable indépendante X au sein de l’échantillon. C’est pourquoi de nombreux méthodologistes préconisent d’accorder une importance égale à l’erreur standard de la régression, répertoriée sous l’appellation Root MSE dans Stata.

Contrairement au R-carré, le Root MSE est une mesure absolue de la précision prédictive, calibrée dans l’unité de mesure physique originale de la variable dépendante Y. Il représente l’écart-type résiduel des écarts à la droite d’ajustement. Si l’écart-type marginal non conditionnel de mpg s’élève à 5,79 miles par gallon, et que le Root MSE de notre modèle linéaire se contracte à 3,44 miles par gallon, cette réduction quantifie la précision gagnée grâce à l’incorporation de la variable explicative.

Cette statistique s’avère particulièrement utile pour borner concrètement la marge d’erreur des prédictions individuelles. Sous l’hypothèse de normalité des perturbations, environ 95 % des observations individuelles se situeront dans un rayon vertical d’environ ± 1,96 fois le Root MSE autour de la trajectoire de la droite de régression. Ce repère concret permet de juger immédiatement de l’utilité pratique du modèle face aux exigences de précision d’une discipline donnée.

9. Diagnostics post-estimation des résidus et des postulats

9.1 Extraction et calcul des valeurs résiduelles

L’obtention de coefficients statistiquement significatifs et d’un R-carré élevé ne garantit en rien la validité scientifique d’un modèle de régression. L’analyste doit impérativement auditer le comportement empirique des perturbations non observées à travers l’étude minutieuse de leurs équivalents mesurables : les résidus. Dans Stata, la commande universelle dédiée au calcul de nouvelles variables après l’estimation s’intitule predict.

L’extraction des valeurs attendues sur la droite (les valeurs ajustées &Ycirc;) s’effectue au moyen de l’instruction predict y_chapeau, xb. Immédiatement après, le calcul des résidus bruts d’échantillon (e_i = Y_i – &Ycirc;_i) s’exécute par la commande fondamentale :

predict residus_bruts, residuals (ou simplement predict e, resid)

Pour des diagnostics plus poussés, Stata permet de calculer des résidus standardisés (predict r_std, rstandard) — divisés par l’écart-type résiduel global —, ainsi que des résidus studentisés (predict r_stud, rstudent), pour lesquels la variance est calculée en omettant l’observation cible afin d’éviter qu’un point aberrant n’atténue lui-même son propre résidu. La vérification préliminaire indispensable consiste à vérifier que la moyenne arithmétique de ces résidus bruts est rigoureusement égale à zéro (à la précision machine près, de l’ordre de 10^-14), ce que confirme l’exécution de la commande summarize e. Cette condition découle directement des propriétés des moindres carrés en présence d’une constante.

9.2 Vérification formelle et visuelle de l’homoscédasticité

L’hypothèse d’homoscédasticité stipule que la variance des termes d’erreur demeure rigoureusement identique le long de la droite d’ajustement. Pour évaluer ce postulat, le premier réflexe méthodologique consiste à solliciter le graphique diagnostique des résidus opposés aux valeurs prédites en saisissant la commande graphique spécialisée :

rvfplot, yline(0)

Sur ce graphique (residuals-versus-fitted plot), la ligne horizontale zéro sert de repère de référence. Un modèle sain et homoscédastique produit un nuage de points réparti de manière aléatoire et uniforme au sein d’une bande de largeur constante sur toute l’étendue de l’axe horizontal. Si l’on observe une structure en entonnoir (points resserrés à gauche et largement dispersés à droite) ou en papillon, l’hétéroscédasticité est visuellement caractérisée.

Au-delà de l’inspection optique, Stata autorise des tests formels d’hypothèses statistiques. Le test classique d’hétéroscédasticité de Breusch-Pagan et Cook-Weisberg se déploie via l’instruction post-estimation estat hettest. Ce test vérifie si la variance des résidus dépend linéairement des valeurs prédites. Une p-valeur associée inférieure au seuil de 0,05 conduit au rejet formel de l’hypothèse d’homoscédasticité. Lorsque l’hétéroscédasticité est avérée, les coefficients MCO demeurent sans biais mais les erreurs types standard deviennent erronées, faussant la significativité statistique. La solution standard sous Stata consiste alors à réestimer le modèle en mobilisant les erreurs types robustes de Huber-White au moyen de l’option vce(robust) :

regress mpg weight, vce(robust)

9.3 Évaluation de la normalité de la distribution des erreurs

La validité des tests inférentiels usuels repose sur l’hypothèse de normalité de la distribution des perturbations stochastiques dans la population. Deux approches graphiques complémentaires permettent d’examiner ce point. La première consiste à tracer l’histogramme des résidus extrait en y superposant la courbe théorique normale de même moyenne et de même variance via l’instruction :

histogram residus_bruts, normal

La seconde approche graphique, plus fine et informative, exploite le tracé des quantiles théoriques à travers le graphique quantile-normale : qnorm residus_bruts. Si la distribution des résidus concorde avec la loi de Gauss, les observations empiriques s’alignent fidèlement sur la bissectrice diagonale. Des décollements prononcés aux extrémités supérieures ou inférieures trahissent une asymétrie ou des queues de distribution plus épaisses que ne le prévoit la loi normale.

Sur le plan inférentiel formel, Stata propose deux tests d’ajustement réputés : le test de normalité de Shapiro-Wilk, invoqué par la commande swilk residus_bruts, particulièrement puissant pour les échantillons restreints ou modérés, et le test combiné d’asymétrie et d’aplatissement via sktest residus_bruts. Il convient toutefois de rappeler que le théorème central limite garantit que lorsque la taille d’échantillon atteint des volumes substantiels (généralement N > 100 ou 200), les estimateurs MCO convergent asymptotiquement vers une distribution normale, rendant l’inférence relativement robuste à des déviations modérées de la normalité des résidus.

10. Identification des observations influentes et des points de levier

10.1 Mesure du levier (Leverage) des observations

Dans toute analyse de régression, un nombre restreint d’observations atypiques peut exercer une influence disproportionnée sur l’estimation finale des paramètres, au point d’orienter artificiellement la trajectoire de la droite. Il convient de distinguer conceptuellement un point aberrant (qui présente un résidu vertical exceptionnellement large mais une valeur de X proche de la moyenne) d’un point à fort levier (leverage).

Le potentiel de levier d’une observation découle de sa position sur l’axe horizontal de la variable indépendante X : plus une unité s’écarte du barycentre des prédicteurs, plus son potentiel de torsion mécanique sur la droite de régression est substantiel. Dans Stata, la mesure formelle du levier d’une observation s’obtient via la diagonale de la matrice de projection (dite matrice chapeau ou hat matrix). L’extraction de cette mesure s’exécute par la commande suivante :

predict h, leverage (ou predict h, hat)

La valeur de h_i est strictement bornée entre 1/N et 1. La littérature statistique établit des repères théoriques pour repérer les points de levier suspects : on considère généralement comme critique toute valeur franchissant le seuil de (2k + 2) / N, où k figure le nombre de covariables (soit 4/N en régression simple bivariée). Les unités statistiques dépassant ce seuil de vigilance doivent être scrupuleusement répertoriées via la commande list weight h if h > (4/_N) afin d’évaluer leur profil technique ou sociologique singulier.

10.2 Calcul de la distance de Cook et des DFBETAS

Avoir un fort résidu ou un fort levier ne suffit pas à qualifier une observation d’influente : une observation est dite influente si son exclusion modifie substantiellement l’estimation des coefficients de régression. La mesure synthétique la plus employée pour quantifier ce phénomène est la distance de Cook (notée D), qui intègre simultanément l’amplitude du résidu studentisé et le coefficient de levier.

Stata calcule la distance de Cook via l’instruction post-estimation dédiée :

predict dcook, cooksd

La règle empirique la plus courante considère qu’une distance de Cook franchissant la valeur seuil critique de 4/N (ou, selon une règle plus conservatrice, D > 1) signale une unité statistique qui tire excessivement la solution des moindres carrés vers elle. Pour examiner précisément comment une observation déforme individuellement chaque coefficient (β_0 ou β_1), on calcule les métriques de sensibilité locale DFBETAS via la commande spécifique dfbeta. Cette routine engendre automatiquement de nouveaux vecteurs qui mesurent la variation standardisée du coefficient de la variable explicative consécutive à l’éviction ciblée de la i-ème observation. Une valeur de |DFBETA| excédant le seuil de 2 / sqrt(N) matérialise une instabilité paramétrique causée par cette unique observation.

10.3 Graphiques diagnostiques intégrés de levier versus résidus

Pour apprécier d’un seul coup d’œil l’écologie globale des anomalies au sein de l’échantillon, Stata propose une macro-commande graphique particulièrement performante : le graphique du levier opposé au carré des résidus studentisés, accessible par la syntaxe suivante :

lvr2plot

Ce graphique croise en ordonnée la valeur du levier (Leverage) et en abscisse le carré des résidus standardisés (e_std^2). Deux lignes pointillées perpendiculaires matérialisent automatiquement les valeurs seuils critiques de référence calculées pour l’échantillon. L’espace cartésien se trouve ainsi découpé en quatre zones d’interprétation clinique :

• Le quadrant inférieur gauche abrite les observations standards et sans danger (faible levier, résidus contenus).
• Le quadrant supérieur gauche regroupe les points à fort levier mais à résidu minuscule : ces observations confortent le modèle sans distordre la pente de façon erratique.
• Le quadrant inférieur droit isole les observations aberrantes non influentes (résidus spectaculaires mais valeur sur X banale).
• Le quadrant supérieur droit isole les observations les plus critiques : elles conjuguent un éloignement spatial extrême sur X et une divergence totale sur Y, exerçant une traction démesurée sur l’orientation de la droite des moindres carrés.

Face à ces cas critiques, la démarche scientifique commande de procéder à une analyse de sensibilité rigoureuse : il convient d’estimer et de publier en parallèle les résultats obtenus avec et sans ces observations dans un tableau comparatif transparent, afin que la communauté scientifique puisse juger de la stabilité et de la robustesse des conclusions empiriques avancées.

11. Génération de prédictions et graphiques post-estimation avancés

11.1 Calcul des valeurs prédites et intervalles d’estimation

L’une des finalités cardinales de la modélisation statistique réside dans la formulation de prédictions circonstanciées. Stata permet de calculer l’espérance conditionnelle moyenne pour l’ensemble des points empiriques via la fonction predict y_pred, xb. Toutefois, une estimation ponctuelle n’a de valeur que si elle s’accompagne d’une évaluation de son incertitude probabiliste.

Deux concepts probabilistes distincts doivent être scrupuleusement dissociés ici :

• L’intervalle de confiance de la moyenne conditionnelle (confidence interval of the mean), obtenu par predict stdp, stdp, qui mesure l’erreur type d’échantillonnage de la hauteur de la droite de régression en un point X donné.
• L’intervalle de prédiction pour une nouvelle observation individuelle future (prediction interval), calculé via predict stdf, stdf, qui incorpore à la fois l’incertitude sur la position de la droite et la variance stochastique individuelle σ^2 du terme d’erreur ε. Ce second intervalle est invariablement plus large que le premier.

Grâce à ces métriques dérivées, le chercheur peut délimiter les bornes précises d’incertitude entourant toute nouvelle prédiction, garantissant une utilisation prudente des extrapolations dans le cadre de la prise de décision opérationnelle ou clinique.

11.2 Visualisation de l’ajustement avec marges de confiance

L’exploration des effets prédits et de leur précision s’est trouvée révolutionnée dans Stata par l’introduction de la commande margins, fleuron des outils post-estimation de l’éditeur de calcul. Cette commande permet de calculer les valeurs attendues pour une série ordonnée de scénarios contrefactuels le long de l’axe des abscisses. La syntaxe suivante calcule par exemple la consommation moyenne attendue à des paliers fixes du poids du véhicule s’étalant de 2 000 à 4 500 livres par pas de 500 livres :

margins, at(weight=(2000(500)4500))

Le prolongement graphique naturel de cette tabulation s’effectue via l’instruction complémentaire hautement modulaire :

marginsplot

Cette commande génère automatiquement un graphique publiable représentant la trajectoire prédite assortie de son fuseau d’intervalle de confiance à 95 %. Ce fuseau adopte la courbure hyperbolique caractéristique de l’inférence linéaire, illustrant de façon visuelle le fait que la certitude statistique est maximale à proximité du centre de gravité des données (la moyenne de X) et se dégrade progressivement à mesure que l’on s’éloigne vers les extrémités du domaine observé.

11.3 Exportation des figures aux formats de publication

Pour intégrer ces visualisations analytiques au sein d’un manuscrit scientifique destiné à une revue internationale révisée par les pairs, les standards typographiques réprouvent l’usage de captures d’écran matricielles floues ou pixelisées. Stata intègre le module graph export, conçu pour convertir les figures vectorielles dans les formats conformes aux exigences des éditeurs académiques majeurs tels que Springer, Elsevier ou l’IEEE.

L’exportation vectorielle sans perte de résolution s’effectue vers le format PostScript encapsulé (EPS) ou PDF à l’aide de commandes standardisées :

graph export "figure1_ajustement.eps", as(eps) replace

graph export "figure1_ajustement.pdf", as(pdf) replace

Si la soumission électronique de la revue exige impérativement un format matriciel (comme le TIFF ou le PNG), il est indispensable d’adjoindre l’option de suréchantillonnage de densité width() ou d’ajuster formellement la résolution à un minimum strict de 300 points par pouce (DPI) voire 600 DPI pour les schémas au trait noir et blanc :

graph export "figure1_ajustement.png", as(png) width(2400) replace

En couplant ces exports avec des thèmes d’affichage épurés (scheme(sj)), l’analyste obtient des figures d’une netteté typographique irréprochable, prêtes pour l’impression finale.

12. Communication des résultats et intégration dans un manuscrit scientifique

12.1 Normes de rapportage selon le style APA (7e édition)

La transcription narrative des résultats statistiques au sein du corps du texte obéit à un protocole rédactionnel standardisé fixé par la 7e édition du manuel de publication de l’American Psychological Association. Ce standard impose de rendre compte conjointement du test global de variance, de la magnitude de l’effet, de l’estimation ponctuelle des coefficients, de leur test d’hypothèse associé ainsi que de l’incertitude métrologique exprimée par l’intervalle de confiance.

Sur le plan rédactionnel, les lettres latines symbolisant des indices statistiques (tels que F, t, p, R^2, b) doivent être systématiquement composées en caractères italiques. Les degrés de liberté sont insérés entre parenthèses immédiatement après la lettre statistique. Par ailleurs, selon les normes APA, si une métrique statistique ne peut mathématiquement jamais excéder la valeur absolue de 1 (à l’instar des p-valeurs ou des coefficients de détermination R^2), le chiffre zéro précédant la virgule décimale doit être omis dans la typographie anglo-saxonne (par exemple : p < .001, R^2 = .65).

Une formulation académique standard conforme à ces préceptes prendra la forme canonique suivante :

« Une régression linéaire simple a été menée pour tester dans quelle mesure le poids du véhicule permet d’expliquer son efficacité énergétique. Le modèle de régression linéaire s’avère statistiquement très significatif, F(1, 72) = 134,62, p < ,001, attestant que le poids contribue de façon majeure à prédire la consommation. La proportion de variance expliquée par le modèle atteint un niveau élevé, avec un R^2 de ,652 (soit 65,2 % de la variance totale de la consommation). Le coefficient de pente non standardisé indique que chaque livre additionnelle est associée à une diminution moyenne de l’efficacité énergétique de 0,006 mile par gallon (b = -0,006, erreur type = 0,0005, t(72) = -11,60, p < ,001, IC à 95 % [-0,007, -0,005]). Ces constats empiriques corroborent l’hypothèse d’une dégradation substantielle du rendement thermodynamique consécutive à l’élévation de la masse inertielle. »

12.2 Automatisation des tableaux de régression avec outreg2 et asdoc

La compilation manuelle de tableaux statistiques par copier-coller depuis la console Stata vers un traitement de texte constitue une source majeure d’erreurs matérielles de transcription. Pour rationaliser cette étape et garantir une reproductibilité irréprochable, l’écosystème Stata dispose de modules complémentaires développés par les utilisateurs et distribués via le Statistical Software Components (SSC) de Boston College.

Le module historique outreg2 s’installe au moyen de la commande ssc install outreg2, replace. Il permet de formater et d’exporter instantanément la table de régression vers Microsoft Word, Excel ou LaTeX, avec un étiquetage paramétrable des seuils d’étoiles de significativité statistique (* p < ,05 ; ** p < ,01 ; *** p < ,001) et une sélection sélective des statistiques de diagnostics :

regress mpg weight
outreg2 using "Tableau_Reg.doc", word replace bdec(3) sdec(4) r2 adjr2 title("Modèle de Régression Linéaire Simple")

Une alternative contemporaine très appréciée pour sa polyvalence réside dans le package asdoc (installation par ssc install asdoc, replace). En préfixant simplement la commande analytique par l’instruction d’interception (asdoc regress mpg weight, replace title(Résultats du Modèle MCO)), Stata génère directement un tableau au format Word intégrant la mise en page standardisée des publications académiques, réduisant les risques d’erreur de saisie lors de la phase finale de rédaction.

12.3 Discussion des limites méthodologiques et perspectives

Toute communication de résultats empiriques doit se clore sur un examen lucide et autocritique de ses limites méthodologiques intrinsèques. La première menace pesant sur l’usage d’une régression bivariée réside dans le danger épistémologique de l’extrapolation hasardeuse hors du domaine d’observation. Appliquer l’équation ajustée pour prédire la consommation d’un véhicule pesant 10 000 livres ou 500 livres constitue une imprudence méthodologique sévère : rien ne prouve que la dynamique mécanique demeure linéaire bien au-delà des valeurs observées dans l’échantillon.

La seconde limite majeure est la menace d’omission de variables confondantes (le biais de variable omise). En isolant une variable explicative unique, l’analyste assume l’hypothèse très forte que toutes les autres caractéristiques susceptibles d’influencer simultanément X et Y sont orthogonalement réparties, ce qui est exceptionnellement rare dans les contextes observationnels non expérimentaux. Dans notre exemple, la cylindrée du moteur, le type d’injection ou l’aérodynamique sont des facteurs latents susceptibles d’être corrélés à la fois avec le poids et la consommation, générant une forme classique d’endogénéité qui biaise l’estimation de la pente.

Cette vulnérabilité théorique invite naturellement à une transition méthodologique vers la régression linéaire multiple. En intégrant des covariables supplémentaires au sein de la spécification matricielle, le chercheur se dote de la capacité d’isoler l’effet direct « toutes choses égales par ailleurs » (ceteris paribus) de la variable d’intérêt, en purgeant les coefficients de la contamination exercée par les cofacteurs d’hétérogénéité, ouvrant ainsi la voie à une modélisation plus robuste et explicative des phénomènes observés.

Références

• Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21. https://doi.org/10.1080/00031305.1973.10478966
• 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
• Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15–18. https://doi.org/10.1080/00401706.1977.10489493
• Greene, W. H. (2018). Econometric analysis (8e éd.). Pearson.
• Long, J. S., & Freese, J. (2014). Regression models for categorical dependent variables using Stata (3e éd.). Stata Press.
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Stock, J. H., & Watson, M. W. (2019). Introduction to econometrics (4e éd.). Pearson.
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7e éd.). Cengage Learning.