Comment effectuer une régression quadratique dans SPSS

L’analyse des relations entre variables au sein des sciences humaines et sociales, et tout particulièrement en psychologie contemporaine, repose traditionnellement sur l’hypothèse implicite de linéarité. Les chercheurs postulent fréquemment qu’une augmentation constante d’un prédicteur cognitif, affectif ou organisationnel engendre un accroissement ou une diminution strictement proportionnelle du critère d’intérêt. Pourtant, la complexité des comportements humains, régis par des mécanismes d’homéostasie, de régulation émotionnelle et de plafonnement des ressources psychophysiologiques, contredit régulièrement cette modélisation réductionniste. Les dynamiques psychologiques réelles présentent de manière prépondérante des seuils critiques, des zones d’efficience optimale et des points de rupture au-delà desquels les rendements s’amenuisent ou s’inversent drastiquement.

Face à ces réalités empiriques, la régression quadratique — cas fondamental de régression polynomiale de second ordre — constitue une passerelle méthodologique essentielle. Elle permet d’opérationnaliser mathématiquement des théories fondatrices décrivant des trajectoires curvilignes, qu’il s’agisse de la loi d’activation de Yerkes-Dodson, du paradoxe du « trop d’une bonne chose » (too-much-of-a-good-thing effect) ou encore des relations asymétriques entre temps d’engagement professionnel et bien-être subjectif. Dans l’écosystème de traitement de données quantitatives, le logiciel IBM SPSS Statistics offre un environnement d’analyse robuste pour déployer ces modélisations, à condition de maîtriser rigoureusement les enjeux théoriques, les manipulations syntaxiques et les diagnostics statistiques sous-jacents.

Ce guide propose une exploration exhaustive de la régression quadratique sous SPSS. Depuis l’enracinement épistémologique du modèle jusqu’à la communication académique des résultats selon les normes de l’American Psychological Association (APA 7e édition), chaque étape méthodologique est décortiquée avec précision. Les chercheurs, doctorants et praticiens des sciences du comportement y trouveront les justifications mathématiques du centrage des variables, les protocoles pas à pas d’exécution dans SPSS, les méthodes d’identification du point d’inflexion (vertex), ainsi que les garde-fous nécessaires pour prémunir leurs analyses contre les erreurs courantes de surajustement et de multicolinéarité artificielle.

1. Fondements théoriques de la régression quadratique en psychologie

1.1 Limites du modèle linéaire classique face aux dynamiques psychologiques

La modélisation par régression linéaire simple, régie par l’estimation des moindres carrés ordinaires (MCO), postule que le taux de changement de la variable dépendante reste invariant sur l’ensemble du continuum de la variable explicative. Cette supposition mathématique impose une contrainte forte : le coefficient angulaire demeure rigoureusement constant, signifiant qu’une unité additionnelle de prédicteur produit exactement le même effet à l’extrémité inférieure, médiane ou supérieure de la distribution. En psychologie du travail, en psychométrie et en neurosciences cognitives, cette linéarité universelle est souvent contredite par l’observation des faits cliniques et organisationnels. Les processus psychologiques sont soumis à des contraintes capacitaires intrinsèques qui engendrent systématiquement des effets de seuil, de plancher et de saturation.

Lorsque la structure sous-jacente des données est curviligne, l’ajustement forcé d’une droite linéaire aboutit à une erreur fondamentale de spécification du modèle statistique (model misspecification). Les conséquences techniques sur les résidus sont substantielles : l’hypothèse d’indépendance et de distribution aléatoire des erreurs est violée. Les résidus présentent alors une autocorrélation géométrique visible sous forme d’arcs de cercle systématiques dans le nuage de points d’estimation. Statistiquement, cette sous-spécification biaise l’estimation de l’erreur type des coefficients, détériore la précision des intervalles de confiance et affaiblit dramatiquement la puissance du test statistique, augmentant le risque d’erreur de type II.

L’analyse non linéaire devient indispensable dès lors que l’on s’intéresse à des construits subjectifs comme le stress perçu, l’épanouissement personnel ou la performance adaptative. Prenons le cas classique de la conscience professionnelle ou de l’optimisme : si un déficit majeur de ces traits altère le fonctionnement individuel, un niveau excessif peut engendrer du perfectionnisme dysfonctionnel ou une sous-estimation des risques objectifs. La régression quadratique offre le cadre formel requis pour appréhender ces basculements qualitatifs sans renoncer aux propriétés statistiques éprouvées du modèle linéaire général.

1.2 Formalisation mathématique de l’équation polynomiale du second degré

L’expression formelle d’une régression polynomiale de degré deux s’énonce au moyen de l’équation algébrique fondamentale suivante :

Y = b₀ + b₁X + b₂X² + e

Dans cette structure mathématique, Y représente la variable dépendante continue, b₀ désigne l’ordonnée à l’origine (la constante prédisant la valeur théorique de Y lorsque X est égal à zéro), b₁ constitue le coefficient de premier ordre (linéaire), b₂ représente le coefficient quadratique associé au terme polynomial d’ordre deux, et e symbolise le terme d’erreur résiduelle aléatoire, présumé indépendant et identiquement distribué selon une loi normale centrée sur zéro.

D’un point de vue géométrique, le paramètre quadratique b₂ gouverne l’intensité et l’orientation de la courbure de la parabole générée dans l’espace euclidien bidimensionnel. Sa valeur quantifie l’accélération ou la décélération du taux de changement de Y par rapport à X. Mathématiquement, la dérivée seconde de l’équation par rapport à X révèle immédiatement la nature de cette dynamique : d²Y/dX² = 2b₂. Le signe et la magnitude de ce coefficient déterminent entièrement le profil morphologique de la fonction de réponse estimée.

Lorsque le coefficient quadratique est négatif (b₂ < 0), la fonction présente une concavité dirigée vers le bas, matérialisant la forme archétypale du U inversé. Cette trajectoire illustre un phénomène où l’augmentation de X est d’abord associée à une hausse de Y, jusqu’à atteindre un sommet au-delà duquel tout incrément de X provoque un déclin de Y. Inversement, lorsque le coefficient quadratique est strictement positif (b₂ > 0), la courbe adopte une allure convexe, communément appelée forme en U. Ce second profil traduit un scénario où les valeurs extrêmes — qu’elles soient très faibles ou très élevées — maximisent l’indicateur d’intérêt, tandis que les zones médianes correspondent à un creux de performance ou d’intensité clinique.

1.3 Modélisations empiriques : de la loi de Yerkes-Dodson au bien-être au travail

L’ancrage théorique des paraboles en psychologie trouve l’un de ses précédents historiques les plus célèbres dans les travaux pionniers de Robert Yerkes et John Dodson menés au début du XXe siècle. Leur formalisation, connue sous le nom de loi de Yerkes-Dodson, postule que la relation unissant l’éveil physiologique (ou stress perçu) et l’efficience cognitive prend la forme d’un U inversé. Un niveau d’éveil insuffisant induit l’inattention, la léthargie et un sous-engagement cognitif ; à l’opposé, un niveau d’activation excessif engendre une désorganisation cognitive, de la panique et une chute brutale de la mémoire de travail. L’adaptation optimale se situe précisément sur une crête médiane.

Dans la recherche contemporaine en santé au travail, cette modélisation non linéaire s’applique de manière privilégiée à l’analyse du temps de travail hebdomadaire mis en regard des indicateurs de bonheur subjectif ou d’épuisement professionnel (burnout). De nombreuses enquêtes épidémiologiques et organisationnelles démontrent qu’une activité professionnelle très restreinte (sous-emploi ou inactivité contrainte) génère une détresse psychologique liée à la privation de statut social et d’autonomie financière. Cependant, l’accroissement du volume d’heures travaillées ne produit des bénéfices psychologiques que jusqu’à un certain seuil hebdomadaire — souvent situé entre 35 et 40 heures. Au-delà, l’empiètement sur les temps de récupération somatique et la conciliation vie personnelle-vie professionnelle précipite l’érosion du bien-être.

L’exploration empirique de ces fonctions non linéaires intègre fréquemment l’hypothèse d’une modération par les ressources psychologiques individuelles. Par exemple, le sentiment d’auto-efficacité ou le soutien social perçu ne modifie pas nécessairement la forme quadratique générale, mais décale le sommet de la parabole. Un employé disposant de ressources psychologiques substantielles tolérera une charge d’heures plus élevée avant d’entamer la phase de déclin psychologique, illustrant la pertinence de l’analyse polynomiale pour comprendre la variabilité humaine.

2. Prérequis méthodologiques et hypothèses statistiques du modèle

2.1 Hypothèses de distribution des résidus et homoscédasticité

Bien que la régression quadratique modélise une trajectoire incurvée dans l’espace des données, elle relève du modèle linéaire général. Par conséquent, elle hérite directement de la totalité des exigences distributionnelles classiques relatives aux termes d’erreur résiduelle. La première condition impérative stipule que les résidus standardisés du modèle doivent être distribués selon une loi normale de moyenne nulle et d’écart-type unitaire. Une déviation marquée par rapport à la normalité résiduelle remet en cause l’exactitude des calculs de valeurs p et corrompt la validité des inférences déduites des tests t de Student et F de Fisher-Snedecor.

L’homoscédasticité — ou égalité de la variance des résidus à travers l’ensemble des niveaux prédits — constitue un autre prérequis méthodologique fondamental. Dans le cas précis des modèles d’ordre deux, la violation de l’homoscédasticité présente un risque analytique accru. En effet, en raison de la nature multiplicative du terme X², toute instabilité de variance présente aux extrêmes du prédicteur initial se trouve amplifiée mathématiquement au carré. Si la dispersion des scores de bien-être est beaucoup plus forte chez les individus travaillant 60 heures par semaine que chez ceux travaillant 20 heures, les résidus deviennent fortement hétéroscédastiques.

Les ruptures d’homoscédasticité dans une régression quadratique conduisent fréquemment à des estimations artificiellement gonflées de la significativité du terme quadratique ou, à l’inverse, à l’incapacité de détecter une courbure pourtant statistiquement réelle dans la population. Il est donc indispensable d’évaluer scrupuleusement les graphiques de dispersion liant les résidus standardisés aux valeurs prédites avant de valider tout modèle polynomial sous SPSS.

2.2 Linéarité des paramètres et nature de la relation curviligne

Une confusion épistémologique et sémantique persiste fréquemment chez les chercheurs débutants : la distinction entre une régression non linéaire au sens paramétrique strict et une régression polynomiale curviligne. Sur le plan statistique, le qualificatif de « linéarité » ne s’applique pas à la forme géométrique du tracé reliant la variable indépendante à la variable dépendante, mais à la façon dont les coefficients de régression (les paramètres b) s’articulent au sein de l’équation mathématique.

Dans l’équation Y = b₀ + b₁X + b₂X² + e, les paramètres inconnus b₀, b₁ et b₂ sont combinés par de simples opérations d’addition et de multiplication scalaire. Aucun coefficient n’apparaît en exposant, au dénominateur d’une fraction ou à l’intérieur d’une fonction logarithmique ou trigonométrique (contrairement à des modèles intrinsèquement non linéaires tels que le modèle logistique à quatre paramètres ou les fonctions exponentielles de type Gompertz). Par conséquent, la régression quadratique demeure une régression linéaire dans ses paramètres, ce qui autorise pleinement son estimation via la machinerie mathématique éprouvée des moindres carrés ordinaires dans la procédure de régression linéaire de SPSS.

Toutefois, cette souplesse algébrique ne doit pas inciter à une utilisation opportuniste et athéorique de la polynomialisation. L’introduction d’un terme quadratique au sein d’une analyse psychométrique doit être fermement justifiée en amont par des fondements conceptuels solides ou par des observations exploratoires non équivoques. Transformer artificiellement un modèle linéaire en modèle de degré supérieur sans hypothèse directrice expose l’analyste à surinterpréter de simples fluctuations échantillonnales.

2.3 Problématique de la multicolinéarité structurelle

L’écueil méthodologique le plus sévère rencontré lors du calibrage d’une régression quadratique réside dans l’émergence spontanée d’une colinéarité structurelle majeure. Par définition mathématique, le second prédicteur d’ordre deux est obtenu en élevant au carré les valeurs de la variable indépendante brute : X² = X × X. Si la variable X est mesurée sur une échelle de valeurs positives ne contenant pas le zéro en son centre (comme un temps de travail compris entre 10 et 60 heures, ou un score psychologique borné de 1 à 7 sur une échelle de Likert), la corrélation bivariée de Pearson entre X et X² est systématiquement proche de l’unité, oscillant typiquement entre r = .90 et r = .99.

Cette multicolinéarité extrême n’est pas le reflet d’une dépendance conceptuelle entre deux construits distincts, mais provient exclusivement de la construction arithmétique du terme d’ordre supérieur. Néanmoins, ses répercussions statistiques sous SPSS sont dévastatrices si aucun traitement n’est appliqué :

• Inflation massive des erreurs types : Les variances des coefficients b₁ et b₂ augmentent considérablement, ce qui a pour effet direct de comprimer les statistiques de test t associées.
• Instabilité paramétrique : Les coefficients deviennent extrêmement sensibles à l’ajout ou au retrait d’une seule observation dans la base de données.
• Masquage des effets réels : Il n’est pas rare de constater qu’une régression quadratique brute affiche un R² global hautement significatif, alors qu’aucun des prédicteurs pris individuellement n’atteint le seuil de significativité conventionnel de p < .05.

Pour neutraliser cette multicolinéarité structurelle sans altérer l’ajustement global du modèle, une opération préliminaire de transformation métrique est formellement requise par la communauté scientifique : le centrage de la variable sur sa moyenne empirique.

3. Préparation des données psychométriques dans SPSS

3.1 Encodage et vérification de la cohérence des variables

Avant d’engager toute démarche de calcul sous SPSS, un travail minutieux de vérification de l’intégrité du fichier de données s’impose. Considérons, à titre d’illustration empirique tout au long de cet article, une étude fictive portant sur N = 350 professionnels du secteur tertiaire. L’objectif consiste à évaluer l’impact non linéaire du volume horaire hebdomadaire de travail (notre variable indépendante, notée Heures) sur l’indice de bien-être psychologique au travail (notre variable dépendante, notée Bonheur, mesurée via un score composite validé borné de 0 à 100).

Dans l’onglet « Affichage des variables » (Variable View) de SPSS, le chercheur doit s’assurer que les deux variables sont formellement assignées au type numérique (Numeric) et dotées d’un niveau de mesure « Échelle » (Scale). Les libellés de variables doivent être clairement documentés. Une attention rigoureuse doit être portée au paramétrage des valeurs manquantes (Missing Values). Les codes numériques conventionnellement utilisés pour désigner l’absence de réponse (par exemple -99 ou 999) doivent impérativement être déclarés comme valeurs manquantes discrètes sous peine d’être intégrés à tort dans les calculs arithmétiques, ce qui fausserait gravement le calcul de la moyenne et du carré polynomial.

L’examen des bornes empiriques constitue une barrière de sécurité indispensable : pour la variable Heures, des valeurs inférieures à 0 ou supérieures à 90 doivent susciter une vérification immédiate des fiches d’encodage brutes afin d’éliminer toute erreur de frappe. De même, la métrique du score Bonheur ne doit comporter aucune valeur en dehors de l’intervalle [0, 100].

3.2 Exploration descriptive univariée et bivariée

L’exploration initiale débute par l’extraction des indicateurs de tendance centrale et de dispersion univariée. À travers le menu Analyser > Statistiques descriptives > Descriptives, le chercheur sélectionne la moyenne arithmétique, la médiane, l’écart-type, ainsi que les coefficients d’asymétrie (skewness) et d’aplatissement (kurtosis). Pour une distribution approximativement gaussienne, les ratios de ces coefficients d’asymétrie et de voussure sur leurs erreurs standards respectives ne doivent idéalement pas dépasser la valeur absolue de 2.

Dans notre échantillon d’étude, supposons que la moyenne empirique de la variable Heures s’établit à M = 38.45 heures par semaine (ET = 9.82, étendue = 15 à 68 heures), tandis que le score de Bonheur affiche une moyenne de M = 65.20 (ET = 14.15). L’évaluation préliminaire des corrélations bivariées via Analyser > Corrélation > Bivariée fournit un premier enseignement fondamental : le coefficient de Pearson linéaire entre les heures travaillées et le score de bien-être ressort à un niveau quasi nul, par exemple r = -.04, p = .456.

Cette absence de corrélation linéaire ne signifie absolument pas une absence de relation fonctionnelle entre les deux construits. Si la trajectoire empirique prend la forme d’un U inversé symétrique, la corrélation positive de la phase ascendante est exactement annulée par la corrélation négative de la phase descendante, aboutissant à un coefficient linéaire de Pearson fallacieusement nul. Ce paradoxe met en lumière le danger de s’arrêter prématurément aux métriques bivariées classiques lorsque des processus non linéaires sont suspectés.

3.3 Dépistage des valeurs aberrantes et influentes univariées

La présence de valeurs extrêmes au sein d’une distribution constitue un facteur de distorsion particulièrement critique dans le cadre d’une régression polynomiale. Étant donné que le terme quadratique repose sur une puissance de deux, tout point situé aux extrémités de l’échelle d’échantillonnage verra son poids décuplé lors de l’estimation géométrique de la courbure.

Pour dépister méthodiquement ces observations atypiques, la procédure Analyser > Statistiques descriptives > Explorer est exécutée en insérant Heures et Bonheur dans la liste des variables dépendantes. Les boîtes à moustaches (boxplots) générées permettent de repérer les cas dits aberrants (marqués d’un cercle, situés à plus de 1.5 fois l’écart interquartile de la charnière) et les cas extrêmes (marqués d’une étoile, situés à plus de 3 fois l’écart interquartile). Parallèlement, la conversion des valeurs brutes en scores standardisés Z (via la commande cochée « Enregistrer les valeurs standardisées dans des variables » dans la boîte de dialogue des statistiques descriptives) offre un critère numérique normatif : tout participant affichant un score |Z| > 3.29 peut être qualifié de valeur aberrante univariée au seuil de significativité de p < .001 pour des échantillons de taille modérée à grande.

L’exclusion définitive d’un individu ne doit jamais être automatique ou dogmatique. Elle doit découler d’un examen approfondi : s’agit-il d’une erreur de mesure patente, d’un dysfonctionnement d’enregistrement ou d’un véritable profil atypique appartenant à la population cible ? Si les cas extrêmes s’avèrent valides, le chercheur privilégiera des analyses de sensibilité en exécutant la régression quadratique avec et sans ces participants, afin de garantir que la courbure observée n’est pas le pur artefact d’une poignée de sujets isolés.

4. Centrage sur la moyenne pour atténuer la colinéarité dans SPSS

4.1 Fondements mathématiques du centrage de la variable indépendante

Pour neutraliser efficacement la multicolinéarité structurelle identifiée à la section 2.3, la stratégie mathématique standard consiste à procéder au centrage sur la moyenne empirique de l’échantillon (mean centering). Cette transformation linéaire élémentaire consiste à soustraire de chaque score individuel X_i la moyenne arithmétique globale de ce prédicteur calculée sur l’échantillon complet :

X_{centré, i} = X_i – M_X

Cette opération modifie radicalement les propriétés distributives de la variable sans en altérer la dispersion originelle ni la structure de covariance avec d’autres variables externes. La nouvelle variable centrée possède obligatoirement une moyenne exactement égale à zéro. Sur le plan géométrique, le nuage de points est simplement translaté le long de l’axe des abscisses de manière à ce que l’origine mathématique du repère cartésien coïncide rigoureusement avec le centre de gravité des observations.

L’impact de ce centrage sur la corrélation bivariée entre le prédicteur linéaire (X_centré) et son terme d’ordre deux (X_centré²) est spectaculaire. Lorsque la distribution initiale est symétrique, les valeurs positives et négatives équilibrées de X_centré produisent, une fois élevées au carré, des valeurs identiques qui se répartissent de façon bilatérale et symétrique autour de zéro. La corrélation linéaire de Pearson entre X_centré et (X_centré)² chute alors vers une valeur mathématiquement proche de zéro, éliminant ainsi la multicolinéarité artificielle.

Au-delà de la stabilisation numérique des calculs matriciels, le centrage offre un gain qualitatif considérable pour l’interprétation des résultats statistiques. Dans le modèle non centré, le paramètre linéaire b₁ représente la pente instantanée de la courbe au point X = 0, ce qui constitue fréquemment une extrapolation absurde (un individu ne pouvant pas travailler zéro heure dans notre étude de professionnels actifs). Dans le modèle centré, le coefficient b₁ capture la pente tangentielle exacte de la trajectoire au point où X_centré = 0, c’est-à-dire précisément au niveau de la moyenne de l’échantillon.

4.2 Procédure pas à pas de calcul de la moyenne et du centrage

Pour exécuter le centrage de manière reproductible sous SPSS, l’utilisateur doit en premier lieu obtenir la valeur exacte de la moyenne empirique de la variable indépendante. Deux voies opérationnelles s’offrent à lui : l’extraction textuelle manuelle ou l’automatisation via des routines syntaxiques.

La démarche standard via l’interface graphique requiert les manipulations suivantes :

• Accédez au menu principal de SPSS : Analyser > Statistiques descriptives > Descriptives.
• Faites glisser la variable Heures dans le champ d’analyse et validez pour afficher le tableau des sorties. Relevez la moyenne exacte avec un niveau de précision maximal (par exemple, M = 38.4521).
• Rendez-vous ensuite dans le menu supérieur : Transformer > Calculer la variable (Compute Variable).

Dans la boîte de dialogue « Calculer la variable » qui s’affiche à l’écran, renseignez les paramètres suivants :

• Dans le champ Variable cible (Target Variable), saisissez l’intitulé de votre variable transformée, par exemple : Heures_Centrees.
• Dans la zone d’édition intitulée Expression numérique (Numeric Expression), formulez la soustraction arithmétique : Heures - 38.4521.
• Cliquez sur le bouton OK pour lancer l’exécution de la commande de transformation.

Alternativement, pour les utilisateurs privilégiant la rapidité de la syntaxe SPSS, le code équivalent s’écrit directement comme suit :

COMPUTE Heures_Centrees = Heures - 38.4521.
EXECUTE.

Une fois l’opération exécutée, une nouvelle colonne apparaît instantanément à l’extrême droite de l’éditeur de données. Une vérification rapide dans les descriptives permet de s’assurer que la variable Heures_Centrees possède désormais une moyenne rigoureusement égale à 0.000 et un écart-type strictement inchangé (9.82).

4.3 Génération de la variable quadratique au carré

La constitution formelle du prédicteur non linéaire repose ensuite sur l’élévation au carré de la variable centrée préalablement générée. Il est fondamental de veiller à ne jamais élever au carré la variable brute d’origine, sous peine d’anéantir l’ensemble des bénéfices statistiques du centrage que nous venons de concrétiser.

La séquence opérationnelle sous l’interface graphique de SPSS s’ordonne comme suit :

• Retournez dans le menu Transformer > Calculer la variable.
• Dans le champ Variable cible, inscrivez le nom normé du prédicteur quadratique : Heures_Centrees_Carre.
• Dans la fenêtre de l’Expression numérique, rédigez l’opération arithmétique de puissance. Deux formulations sont admises par le moteur SPSS : Heures_Centrees * Heures_Centrees ou, alternativement, l’emploi de la syntaxe d’exponentiation : Heures_Centrees ** 2.
• Validez en cliquant sur OK.

La syntaxe SPSS correspondante s’avère limpide :

COMPUTE Heures_Centrees_Carre = Heures_Centrees ** 2.
EXECUTE.

Pour attester du succès de l’opération et du traitement de la colinéarité, l’analyste exécute une matrice de corrélation bivariée (Analyser > Corrélation > Bivariée) incluant Heures_Centrees et Heures_Centrees_Carre. Si la corrélation brute entre la variable non centrée et son carré oscillait typiquement autour de r = .98, la corrélation observée entre les deux variables centrées tombe désormais à une valeur négligeable, par exemple r = .06. La colinéarité structurelle est ainsi neutralisée, autorisant une estimation sans biais des erreurs types dans les étapes ultérieures.

5. Visualisation graphique préliminaire de la courbure dans SPSS

5.1 Génération du nuage de points via le Générateur de graphiques

Avant d’examiner les tableaux d’ajustement numérique et les tests d’hypothèses, une inspection visuelle exploratoire s’avère indispensable pour apprécier la dynamique morphologique réelle liant la variable explicative au critère psychologique. L’outil le plus puissant pour construire cette représentation sous SPSS est le Générateur de graphiques (Chart Builder).

Pour déployer ce visualiseur bivarié, appliquez le protocole d’actions suivant :

• Naviguez vers Graphiques > Générateur de graphiques dans la barre des menus. Si un message d’alerte s’ouvre au sujet de la conformité des niveaux de mesure des variables, confirmez en cliquant sur OK.
• Dans la galerie inférieure de types de graphiques, cliquez sur l’onglet Nuage de points/Lignes (Scatter/Dot).
• Glissez-déposez la première vignette, figurant un Nuage de points simple, directement dans la grande fenêtre de prévisualisation centrale.
• Dans la liste de gauche contenant vos variables d’étude, sélectionnez la variable prédictive brute Heures et déplacez-la sur la zone de dépôt de l’Axe des X.
• Sélectionnez ensuite la variable dépendante Bonheur et déposez-la sur la zone réceptrice de l’Axe des Y.
• Validez la construction en cliquant sur le bouton OK dans l’angle inférieur droit.

Le nuage de points qui se matérialise dans la fenêtre des sorties de SPSS offre un premier panorama de la dispersion globale de l’échantillon. Chaque point représente les coordonnées conjointes d’un participant sur les dimensions du temps de travail et de son épanouissement perçu.

5.2 Superposition des courbes d’ajustement linéaire et quadratique

Pour évaluer visuellement la supériorité de l’ajustement non linéaire sur le modèle linéaire traditionnel, il est extrêmement formateur de superposer directement les deux trajectoires mathématiques théoriques sur le nuage de points généré.

Cette incrustation s’opère par l’intermédiaire de l’Éditeur de graphiques interactif de SPSS :

• Effectuez un double-clic vigoureux directement sur le graphique dans la fenêtre des résultats pour ouvrir l’Éditeur de graphiques (Chart Editor).
• Dans la barre d’outils supérieure de cette nouvelle interface, cliquez sur l’icône représentant une droite traversant des points : Ajouter une ligne d’ajustement global (Add Fit Line at Total). Une fenêtre de propriétés s’ouvre instantanément.
• Dans l’onglet « Méthode d’ajustement » (Fit Method), laissez cochée par défaut l’option Linéaire. Fermez la boîte de propriétés : une droite de régression linéaire de référence est alors tracée sur les données.
• Pour ajouter la trajectoire polynomiale de second ordre, cliquez une seconde fois sur l’icône de ligne d’ajustement global, puis cochez l’option Quadratique (Quadratic). Vous pouvez personnaliser la couleur de cette seconde courbe (par exemple en rouge ou bleu foncé) pour maximiser le contraste visuel avec la droite linéaire.
• Fermez la fenêtre des propriétés, puis fermez l’Éditeur de graphiques pour répercuter les modifications dans le visualiseur des sorties.

Cette manipulation graphique permet d’observer simultanément la rigidité de la trajectoire linéaire et l’adaptabilité de la trajectoire parabolique face aux données collectées.

5.3 Interprétation visuelle de la forme empirique

L’analyse visuelle des deux fonctions ajustées permet de confronter directement les postulats théoriques à la réalité des faits observés. Dans notre exemple, la droite linéaire de référence apparaît quasiment horizontale, reflétant une pente insignifiante et un pouvoir prédictif proche du néant (R² linéaire dérisoire, inférieur à .01).

À l’inverse, la courbe quadratique épouse fidèlement la morphologie interne des données : elle s’élève progressivement à mesure que le volume d’heures passe de 15 à environ 38-42 heures par semaine, marquant une ascension continue du bien-être individuel. Au-delà de cette plage centrale, la courbure s’inverse nettement et entame une descente soutenue jusqu’aux valeurs de 60 à 70 heures hebdomadaires, où les scores de bien-être s’effondrent à leurs niveaux les plus bas. Cette visualisation met en lumière une concavité dirigée vers le bas, confirmant empiriquement un profil en U inversé.

Ce diagnostic visuel démontre sans ambiguïté que le modèle linéaire échoue à saisir l’optimum fonctionnel et induit l’analyste en erreur en concluant hâtivement à une absence d’effet. La pertinence méthodologique d’engager une régression quadratique formelle par moindres carrés ordinaires se trouve ainsi empiriquement confirmée.

6. Exécution de la régression quadratique hiérarchique sous SPSS

6.1 Configuration hiérarchique par blocs de prédicteurs

L’approche méthodologique la plus rigoureuse pour tester une hypothèse quadratique consiste à déployer une régression linéaire hiérarchique (ou par étapes successives). Ce protocole analytique permet d’évaluer statistiquement si l’introduction du terme polynomial de second degré apporte un gain incrémental de variance expliquée au-delà de ce qui est déjà capté par l’effet linéaire de premier ordre.

Pour mettre en place cette configuration dans SPSS, suivez scrupuleusement les étapes de paramétrage :

• Ouvrez le menu : Analyser > Régression > Linéaire.
• Faites glisser la variable dépendante Bonheur dans la case Dépendant (Dependent).
• Configurez le Bloc 1 : insérez exclusivement la variable linéaire centrée Heures_Centrees dans la fenêtre Indépendant(s) (Independent(s)). Laissez la méthode sur Entrée (Enter). Ce premier bloc représente le modèle linéaire standard de comparaison.

• Cliquez ensuite sur le bouton Suivant (Next) situé au-dessus de la boîte des prédicteurs. L’encadré affiche désormais « Bloc 2 sur 2 ».
• Configurez le Bloc 2 : laissez la variable Heures_Centrees dans le modèle et introduisez la variable quadratique Heures_Centrees_Carre dans la fenêtre des indépendants. Laissez la méthode d’insertion sur Entrée. Ce second bloc formalise le modèle quadratique complet.

Cette approche séquentielle permet à SPSS de tester simultanément deux modèles emboîtés : le Modèle 1 ne contenant que la composante linéaire, et le Modèle 2 intégrant simultanément la composante linéaire et la composante quadratique.

6.2 Sélection des statistiques et critères d’ajustement indispensables

Avant de valider l’analyse, il est impératif de paramétrer les options inférentielles avancées. Cliquez sur le bouton Statistiques… situé sur le flanc droit de la boîte de dialogue de régression linéaire.

Dans la sous-fenêtre des statistiques, activez les coches suivantes :

• Estimations (Estimates) : activé par défaut, fournit les coefficients de régression non standardisés (B) et standardisés (β).
• Intervalles de confiance (Confidence intervals) : sélectionnez l’intervalle bilatéral à 95 %, indispensable pour évaluer la précision des coefficients selon les normes méthodologiques récentes.
• Qualité de l’ajustement (Model fit) : fournit le R, le R² et le tableau d’analyse de variance globale (ANOVA).
• Modification de R-deux (R-squared change) : cette option est cruciale. Elle ordonne à SPSS d’exécuter le test F de significativité incrémentale mesurant l’apport statistique propre du terme quadratique du Bloc 2.
• Diagnostics de colinéarité (Collinearity diagnostics) : génère le calcul des indices de Tolérance et des facteurs d’inflation de la variance (VIF).
• Durbin-Watson : permet de tester l’indépendance des résidus vis-à-vis des éventuels effets de dépendance sérielle.

Cliquez sur Poursuivre pour mémoriser ces choix statistiques essentiels.

6.3 Paramétrage des graphiques de diagnostic des résidus

L’évaluation post-estimation des postulats distributionnels requiert la configuration conjointe des graphiques résiduels. Cliquez sur le bouton Graphiques… (Plots) dans la boîte de dialogue principale de régression.

Configurez la fenêtre de dialogue comme suit :

• Dans le champ Y, insérez la variable résiduelle standardisée : *ZRESID.
• Dans le champ X, insérez la variable des valeurs prédites standardisées : *ZPRED.
• Ce nuage bivarié (*ZRESID en ordonnée vs *ZPRED en abscisse) constitue le graphique de diagnostic fondamental pour traquer l’hétéroscédasticité et vérifier qu’aucune résiduelle non linéaire résiduelle ne persiste.
• Dans la section « Graphiques des résidus standardisés », cochez impérativement la case Histogramme (Histogram) et la case Tracé du graphique de probabilité normale (Normal probability plot ou droite de Henry).
• Cliquez sur Poursuivre.

Enfin, cliquez sur le sous-menu Enregistrer… (Save), cochez la métrique d’influence de la Distance de Cook (Cook’s distance) ainsi que les Valeurs de levier standardisées (Leverage values). Ces statistiques d’influence seront directement injectées dans de nouvelles colonnes du fichier de données pour une auscultation ultérieure. Validez l’ensemble de la commande en cliquant sur OK.

7. Méthode alternative : la procédure Estimation de courbe (Curve Estimation)

7.1 Navigation et paramétrage du module d’estimation de courbe

SPSS met à la disposition des analystes un module entièrement automatisé dédié à l’ajustement non linéaire direct, sans nécessiter la création manuelle préalable des puissances arithmétiques : la procédure « Estimation de courbe » (Curve Estimation).

Pour y accéder et paramétrer cette analyse rapide, procédez comme suit :

• Dirigez-vous vers le menu supérieur : Analyser > Régression > Estimation de courbe (ou Ajustement de courbe selon les versions linguistiques de SPSS).
• Dans le volet de sélection, transférez la variable dépendante Bonheur dans la case Variable(s) dépendante(s).
• Transférez la variable indépendante brute Heures dans le champ Variable indépendante.
• Dans la section « Modèles », laissez cochée l’option Linéaire et cochez activement l’option Quadratique.
• Veillez à ce que la case Afficher la table ANOVA (Display ANOVA table) soit cochée afin d’obtenir le détail des sommes des carrés et des valeurs de F associées à chaque modèle.
• Cliquez sur le bouton OK pour générer l’ensemble des sorties.

Le module génère instantanément dans la fenêtre des sorties une série de tableaux d’ajustement séparés pour le modèle linéaire et pour le modèle quadratique, accompagnés d’un graphique superposant automatiquement les deux fonctions sur les données observées.

7.2 Avantages opérationnels et limites de la procédure automatisée

Sur le plan pratique, l’utilisation de l’Estimation de courbe présente un avantage évident : l’économie de temps et la réduction des manipulations de fichiers. Le logiciel effectue en interne, de manière invisible pour l’utilisateur, l’élévation au carré de la variable indépendante sans que le chercheur n’ait à manipuler la commande « Calculer la variable » dans son jeu de données.

Cependant, cette facilité opérationnelle dissimule des restrictions méthodologiques substantielles qui en limitent l’usage dans le cadre de recherches académiques poussées :

• Incapacité à intégrer des covariables : Le module n’accepte qu’un seul prédicteur indépendant à la fois. Il est strictement impossible d’ajuster l’analyse sur des variables de contrôle classiques (telles que l’âge, le statut matrimonial ou l’ancienneté professionnelle).
• Modélisation par défaut sur variables non centrées : La procédure opère nativement sur la variable brute X et calcule X² sans centrage préalable. Bien que le R² global reste valide, les coefficients non standardisés rapportés sont pollués par la multicolinéarité structurelle, rendant le paramètre de premier ordre b₁ inexploitable sur le plan interprétatif.
• Absence de test hiérarchique formel : Les modèles linéaire et quadratique sont estimés de manière indépendante, privant le chercheur du test formel de variation de R² (ΔR²) au sein d’une même synthèse comparative.

7.3 Comparaison critique des sorties entre les deux approches SPSS

Une comparaison rigoureuse des tableaux de résultats produits respectivement par la régression hiérarchique (avec centrage) et par l’estimation de courbe automatisée (sans centrage) révèle des convergences mathématiques parfaites doublées de divergences d’affichage majeures qu’il convient de bien comprendre.

D’un côté, les statistiques macroscopiques du modèle quadratique final sont strictement identiques dans les deux approches : le coefficient de détermination global (R² = .187), le F de l’ANOVA globale (F = 39.84, p < .001) et l’erreur type de l’estimation demeurent rigoureusement inchangés. De même, le coefficient quadratique de second degré b₂ (par exemple, b₂ = -0.045) conserve exactement la même valeur décimale, la même erreur type et le même test t de significativité. Ceci s’explique mathématiquement par le fait que le centrage est une transformation affine linéaire qui n’affecte en rien l’amplitude de la dérivée seconde de la fonction.

En revanche, la constante b₀ et le coefficient de premier ordre b₁ diffèrent totalement. Dans l’estimation de courbe brute non centrée, b₀ est très éloigné de la réalité psychologique de l’échantillon car il extrapole le bien-être d’un individu fictif travaillant zéro heure, tandis que b₁ prend une valeur positive trompeuse qui ne reflète pas le comportement de la pente au centre des données. Dans la régression hiérarchique centrée, b₀ indique précisément le score prédit de bien-être pour la moyenne d’heures de travail de l’échantillon, conférant une interprétation directement exploitable aux paramètres. C’est pourquoi la communauté académique recommande très largement la méthode hiérarchique manuelle pour les thèses de doctorat et les publications internationales.

8. Interprétation statistique des tableaux de sorties (Outputs) SPSS

8.1 Évaluation du gain incrémental dans le Récapitulatif des modèles

L’analyse approfondie des résultats débute par l’examen du tableau intitulé Récapitulatif des modèles (Model Summary), généré lors de la procédure hiérarchique. Ce tableau détaille l’efficacité prédictive respective du Modèle 1 (linéaire) et du Modèle 2 (quadratique).

Le chercheur doit examiner attentivement la séquence des indicateurs suivants :

• Modèle 1 : Affiche un R de .040 et un R² de .002 (seulement 0.2 % de la variance expliquée). La statistique de variation F associée est de F(1, 348) = 0.56, avec une valeur p de .456. Ce modèle linéaire de référence est statistiquement non significatif et incapable d’expliquer le bien-être au travail.
• Modèle 2 : Lors de l’adjonction de la variable Heures_Centrees_Carre, le R bondit à .432 et le R² atteint .187 (18.7 % de variance totale expliquée). Le R² ajusté s’établit à .182.
• Statistiques de variation : La colonne Variation de R-deux (ΔR²) indique un accroissement net de .185. Cela signifie que l’effet quadratique capture à lui seul 18.5 % de variance supplémentaire dans le score de bien-être subjectif.
• Test F incrémental : La statistique de variation F (F Change) s’élève à F(1, 347) = 79.03, avec une significativité exacte de p < .001 (notée .000 dans SPSS).

Ces données attestent d’une amélioration hautement significative de la modélisation : le passage d’une spécification linéaire à une spécification quadratique transforme un modèle prédictif inopérant en un modèle explicatif robuste.

8.2 Interprétation du tableau ANOVA pour la validité globale du modèle

Le second tableau névralgique s’intitule ANOVA. Il teste formellement l’hypothèse nulle globale selon laquelle l’ensemble des prédicteurs introduits dans le modèle ne posséderait aucun pouvoir d’explication de la variance du critère dans la population mère (H₀ : b₁ = b₂ = 0).

Le tableau présente deux lignes distinctes correspondant aux blocs séquentiels :

• Pour le Modèle 1, la somme des carrés de la régression est minime au regard de la somme des carrés résiduelle, aboutissant au ratio de variance non significatif déjà documenté : F(1, 348) = 0.56, p = .456. L’hypothèse nulle ne peut être rejetée pour la droite linéaire.
• Pour le Modèle 2, le calcul intègre la variance conjointe des prédicteurs linéaire et quadratique. La somme des carrés de la régression croît fortement. Le test F global affiche désormais F(2, 347) = 39.84, p < .001.

Ce résultat autorise formellement le rejet de l’hypothèse nulle au seuil conventionnel α = .05. On peut affirmer avec un très haut niveau de confiance statistique que le modèle quadratique global explique une proportion de variance significativement différente de zéro dans la population des professionnels ciblée.

8.3 Décryptage du tableau des coefficients de régression

Le tableau des Coefficients offre la décomposition analytique paramètre par paramètre et permet de reconstituer l’équation empirique finale de prédiction. Portons notre attention exclusive sur les lignes du Modèle 2, qui contient la spécification complète.

Dans ce modèle, les coefficients non standardisés (colonne B) et leurs tests d’hypothèses respectifs s’organisent comme suit :

• Constante (b₀ = 71.35, ET = 0.85, t = 83.94, p < .001) : Étant donné que la variable indépendante a été centrée sur sa moyenne, cette constante indique que pour un employé travaillant le volume hebdomadaire moyen de l’échantillon (38.45 heures, soit Heures_Centrees = 0), le score de bonheur au travail prédit est de 71.35 sur 100. L’intervalle de confiance à 95 % s’étend de 69.68 à 73.02.
• Coefficient linéaire (b₁ = 0.352, ET = 0.087, β = .244, t = 4.05, p < .001) : Ce coefficient représente la pente instantanée (la dérivée première) de la courbe au point précis de la moyenne de l’échantillon (X_centré = 0). À ce niveau moyen de 38.45 heures de travail, l’effet instantané d’une heure de travail supplémentaire est significativement positif : chaque heure additionnelle augmente le score de bonheur d’environ 0.35 point.
• Coefficient quadratique (b₂ = -0.045, ET = 0.005, β = -.535, t = -8.89, p < .001) : Le coefficient quadratique est négatif et hautement significatif. Sa négativité atteste mathématiquement de la concavité de la parabole, confirmant le patron théorique en U inversé. Sa valeur absolue renseigne sur le taux de courbure : plus |b₂| est élevé, plus le fléchissement de la trajectoire est abrupte de part et d’autre du sommet.

L’équation prédictive calée sur les données s’écrit donc formellement :

Bonheur_Predit = 71.35 + 0.352 * (Heures_Centrees) - 0.045 * (Heures_Centrees)**2

L’observation simultanée d’un terme linéaire positif au point moyen et d’un terme quadratique négatif indique que la moyenne de l’échantillon se situe sur le versant ascendant de la cloche, mais à proximité relative du point d’inflexion où la relation va basculer.

9. Calcul et signification psychologique du point d’inflexion (Vertex)

9.1 Dérivation mathématique de l’optimum fonctionnel

Bien que le tableau des coefficients SPSS fournisse les paramètres de courbure, il n’affiche pas directement les coordonnées de l’optimum fonctionnel — communément appelé le sommet ou vertex de la parabole. Cette estimation constitue pourtant l’élément d’information le plus précieux pour la théorie et l’intervention pratique. Sa détermination requiert l’application de calculs différentiels élémentaires sur l’équation de régression obtenue.

Le sommet correspond rigoureusement à l’endroit précis où la pente tangentielle de la courbe s’annule pour changer de direction. Mathématiquement, cela implique de calculer la dérivée première de la fonction prédictive par rapport à la variable explicative, et de résoudre l’équation d’égalité à zéro :

dY/dX_centré = b₁ + 2b₂X_centré = 0

En isolant algébriquement la coordonnée de l’optimum, on obtient la formule universelle du vertex pour une régression quadratique :

X_{centré, optimum} = –b₁ / (2 × b₂)

Appliquons immédiatement cette formule aux valeurs numériques de nos coefficients estimés :

X_{centré, optimum} = -0.352 / (2 × -0.045) = -0.352 / -0.090 = +3.91 heures centrées.

Pour transposer cette coordonnée abstraite centrée vers l’échelle métrique d’origine des heures de travail réelles, il suffit de lui réincorporer la moyenne arithmétique de l’échantillon prélevée lors de l’étape de centrage (M_X = 38.45 heures) :

X_optimum = X_{centré, optimum} + M_X = 3.91 + 38.45 = 42.36 heures par semaine.

Pour identifier le niveau maximal de bonheur prédit à cet optimum, nous réinjectons cette valeur centrée de 3.91 dans l’équation estimée : Y_maximal = 71.35 + 0.352(3.91) – 0.045(3.91)² = 71.35 + 1.376 – 0.688 = 72.04 points.

9.2 Traduction empirique dans le domaine psychologique

La dérivation mathématique du sommet apporte un éclairage substantiel à la compréhension des dynamiques organisationnelles étudiées. Le seuil critique de 42.36 heures hebdomadaires représente la frontière opérationnelle entre deux régimes psychologiques opposés au sein de l’environnement de travail.

En deçà de 42 heures, chaque tranche horaire d’activité investie s’accompagne d’une progression positive de l’épanouissement professionnel. Sur ce premier segment, le travail agit comme un vecteur d’accomplissement de soi, d’insertion relationnelle et de valorisation des compétences techniques. Les rendements marginaux sont positifs, bien que leur intensité diminue progressivement à l’approche de la quarantaine d’heures.

Au-delà du seuil de 42.36 heures hebdomadaires, l’effet s’inverse radicalement : la dérivée devient négative et la courbe entame sa descente. Les mécanismes de récupération cognitive et physiologique sont dépassés, la charge mentale s’accumule, et le temps disponible pour la régénération extra-professionnelle devient insuffisant. Chaque heure travaillée au-delà de ce point d’inflexion engendre un coût psychologique qui érode le niveau de bonheur global.

Sur le plan des politiques de ressources humaines, cette estimation objective fournit un repère précieux : elle démontre scientifiquement l’inutilité — voire le danger — de valoriser des semaines de travail de 50 à 60 heures. Bien loin d’accroître l’engagement, ces volumes excessifs réduisent le bien-être subjectif des collaborateurs, ce qui se traduit à terme par une augmentation de l’absentéisme et du roulement de personnel.

9.3 Estimation des intervalles de confiance de l’optimum

Une erreur méthodologique récurrente consiste à considérer le vertex calculé (42.36 heures) comme une valeur absolue et déterministe. Comme tout paramètre dérivé d’un échantillon probabiliste, cette estimation ponctuelle est soumise aux aléas de l’échantillonnage et possède sa propre marge d’incertitude.

Le calcul rigoureux de l’intervalle de confiance du vertex repose sur la méthode Delta. Le vertex étant un ratio non linéaire de deux variables aléatoires dépendantes (-b₁ / 2b₂), l’approximation de son erreur type requiert le développement d’une série de Taylor de premier ordre incorporant les variances des deux coefficients ainsi que leur covariance mutuelle :

Var(X_opt) &approx; (1 / 4b₂²) × Var(b₁) + (b₁² / 4b₂⁴) × Var(b₂) – (b₁ / 2b₂³) × Cov(b₁, b₂)

La matrice de covariance asymptotique des coefficients peut être extraite directement sous SPSS en cochant la case Matrice des covariances dans le sous-menu Statistiques… de la boîte de régression linéaire. Grâce à cette formule, le chercheur peut déduire l’erreur type asymptotique du sommet et construire son intervalle de confiance à 95 % :

IC_95% = X_optimum ± 1.96 × ET(X_opt)

Dans notre étude, si l’erreur type du sommet s’élève par exemple à 1.45 heure, l’intervalle de confiance à 95 % s’étendra de 39.52 heures à 45.20 heures. Cette précision statistique atteste de la prudence requise : l’optimum psychologique ne se réduit pas à une minute précise, mais définit une zone d’efficience ergonomique comprise entre environ 40 et 45 heures par semaine.

10. Diagnostics approfondis du modèle et vérification des postulats

10.1 Contrôle post-estimation de la multicolinéarité

L’évaluation des métriques d’inflation de variance dans le tableau des coefficients constitue la preuve empirique de l’efficacité du centrage effectué en amont. L’attention de l’analyste se porte sur les deux dernières colonnes des résultats : la Tolérance et le VIF (Variance Inflation Factor).

Les critères décisionnels conventionnels appliqués dans la littérature méthodologique établissent qu’un modèle souffre de colinéarité excessive si un VIF franchit le seuil de 5 ou 10, ou si la Tolérance (égale à 1/VIF) passe en deçà de 0.20 ou 0.10. Dans notre régression quadratique hiérarchique centrée, les résultats observés sont exemplaires :

• Pour la variable Heures_Centrees : Tolérance = 0.996, VIF = 1.004.
• Pour la variable Heures_Centrees_Carre : Tolérance = 0.996, VIF = 1.004.

Ces valeurs de VIF proches de 1.00 attestent d’une indépendance quasi totale entre les deux prédicteurs au sein du modèle empirique. L’erreur standard des estimations est exempte de tout gonflement parasite, autorisant une confiance totale dans la significativité statistique déduite des tests t associés aux deux termes.

10.2 Examen de la normalité et de l’homoscédasticité des résidus

La validation empirique du modèle quadratique requiert une auscultation minutieuse des graphiques résiduels produits par SPSS lors du paramétrage initial. Le premier examen repose sur l’histogramme des résidus standardisés (*ZRESID) superposé à la courbe de Gauss idéale. La distribution des erreurs doit présenter une morphologie en cloche symétrique, dépourvue d’asymétrie marquée ou d’aplatissement excessif.

Cette impression visuelle est consolidée par le tracé de probabilité normale (Normal P-P Plot). Dans ce graphique, les points résiduels cumulés observés doivent s’aligner étroitement le long de la ligne diagonale de référence à 45 degrés. Tout écart systématique — qu’il prenne la forme d’un serpentement ou d’un bombement — signalerait une non-normalité résiduelle exigeant des corrections (comme des transformations logarithmiques sur le critère dépendant).

Le diagnostic de l’homoscédasticité s’effectue sur le nuage de dispersion bivarié opposant les résidus standardisés (axe Y) aux valeurs prédites standardisées (*ZPRED, axe X). L’analyste doit observer une dispersion homogène formant une bande rectangulaire régulière de part et d’autre de la ligne horizontale zéro, sans patron discernable. Deux déviations critiques doivent être traquées :

• La forme en entonnoir ou en mégaphone : Des résidus qui s’écartent fortement à mesure que la valeur prédite augmente trahissent une hétéroscédasticité caractérisée. Dans ce cas, les estimateurs des moindres carrés demeurent non biaisés, mais leurs erreurs types sont faussées, justifiant l’application d’estimateurs à variance robuste (par exemple les corrections hétéroscédastiques de White ou HC3).
• La persistance d’une courbure en forme de banane ou de U : Si le nuage résiduel montre encore un profil incurvé, cela démontre que la composante quadratique n’a pas suffi à capturer la totalité de la non-linéarité, suggérant la présence d’une dynamique d’ordre supérieur (cubique) ou l’oubli d’une variable modératrice majeure.

10.3 Identification des observations influentes et des points de levier

La dernière étape du diagnostic interne consiste à s’assurer qu’aucun participant isolé ne biaise exagérément l’ajustement parabolique. Rappelons que nous avions ordonné à SPSS de sauvegarder la Distance de Cook (créant la colonne COO_1) et les Valeurs de levier (colonne LEV_1).

Pour inspecter ces indices, on exécute une commande descriptive simple (Analyser > Statistiques descriptives > Descriptives) sur ces nouvelles variables :

• Distance de Cook (D) : Cet indice mesure le déplacement global de l’ensemble des coefficients de régression si une observation donnée était supprimée du calcul. La règle décisionnelle empirique la plus conservatrice considère comme problématique toute valeur de D > 1.0. Un seuil plus sensible, particulièrement adapté aux échantillons larges, s’énonce par la formule D > 4 / N (soit 4 / 350 = 0.0114 dans notre contexte). Si le maximum de COO_1 s’établit par exemple à 0.008, aucun cas n’exerce d’influence excessive sur l’estimation globale.
• Effet de levier centré (h) : Cette métrique quantifie l’éloignement d’une observation par rapport au centre de gravité des prédicteurs dans l’espace multidimensionnel. La valeur moyenne théorique du levier est de h̄ = (k + 1) / N, où k représente le nombre de prédicteurs (ici 2 prédicteurs, donc 3 / 350 = 0.0086). Les points de levier suspects dépassent usuellement le double ou le triple de cette valeur moyenne (c’est-à-dire h > 0.026).

Si des observations dépassent simultanément les seuils de levier élevé et de distance de Cook critique, il convient de réestimer la régression sans ces individus afin de mesurer leur impact sur la courbure b₂ et sur l’emplacement du vertex. La stabilité des paramètres entre les deux analyses attestera de la robustesse des conclusions tirées.

11. Rédaction académique des résultats selon les normes APA (7e édition)

11.1 Règles stylistiques et typographiques pour les statistiques inférentielles

La communication scientifique des résultats d’une régression quadratique dans une revue à comité de lecture affiliée à l’American Psychological Association répond à des conventions typographiques et rédactionnelles rigides qu’il convient de respecter à la lettre.

Sur le plan typographique :

• Tous les symboles statistiques désignés par des lettres latines doivent impérativement être formatés en italique : N, M, ET, R, R², ΔR², F, t, p, B, z. Les symboles grecs, en revanche, restent en police droite standard : β, α, Δ.
• L’arrondi standardisé s’établit à deux décimales pour la majorité des métriques statistiques (coefficients B, écarts-types, statistiques F et t).
• Pour les indicateurs bornés par nature entre zéro et un (tels que les corrélations r, les coefficients de détermination R² et les valeurs de p), la règle APA proscrit l’adjonction du zéro initial avant la virgule décimale : notez .187 et non 0.187.
• La valeur de significativité p doit être rapportée avec son niveau exact à trois décimales (par exemple p = .034). Lorsque SPSS affiche un résultat tronqué de type .000, il est scientifiquement proscrit d’écrire p = .000 (ce qui signifierait une probabilité nulle absolue) ; la mention conforme s’énonce p < .001.
• Les degrés de liberté doivent systématiquement être précisés entre parenthèses immédiatement après la lettre statistique associée : F(1, 347) ou t(347).

11.2 Exemple de paragraphe de résultats pour une publication ou une thèse

Voici une formulation académique exemplaire traduisant l’ensemble de notre séquence d’analyses sous SPSS, directement transposable dans une section « Résultats » d’une thèse de doctorat ou d’un article scientifique de rang international :

« Afin d’évaluer l’hypothèse d’une relation curvilinéaire en forme de U inversé entre le volume de travail hebdomadaire et le bien-être subjectif au travail, une analyse de régression linéaire hiérarchique a été réalisée. Pour prévenir tout risque de multicolinéarité structurelle entre les composantes polynomiales, la variable des heures travaillées a préalablement été centrée sur la moyenne empirique de l’échantillon (M = 38.45, ET = 9.82). Dans le premier bloc de régression, le terme linéaire n’expliquait pas une proportion significative de la variance du bien-être, R² = .002, F(1, 348) = 0.56, p = .456, B = -0.05, ET = 0.07, β = -.04, t = -0.75, p = .456.

L’introduction du terme quadratique au second bloc a entraîné un incrément statistiquement significatif de la variance expliquée, ΔR² = .185, ΔF(1, 347) = 79.03, p < .001. Le modèle quadratique complet s’avère globalement hautement significatif, R² = .187, R² ajusté = .182, F(2, 347) = 39.84, p < .001, expliquant 18.7 % de la variance totale des scores de bonheur au travail. Au sein de ce modèle final, le coefficient quadratique ressort négatif et significatif, B = -0.045, ET = 0.005, IC_95% [-0.055, -0.035], β = -.535, t(347) = -8.89, p < .001, attestant d’une concavité marquée orientée vers le bas. Le coefficient linéaire calculé au point moyen est quant à lui positif et significatif, B = 0.352, ET = 0.087, IC_95% [0.181, 0.523], β = .244, t(347) = 4.05, p < .001.

L’application du calcul différentiel sur les coefficients non standardisés a permis de déterminer l’emplacement exact du sommet fonctionnel (vertex) : X_{centré, optimum} = -0.352 / (2 × -0.045) = +3.91 heures par rapport à la moyenne, ce qui correspond à un volume d’activité réel optimal de 42.36 heures hebdomadaires. Au-delà de ce seuil critique, le bien-être au travail diminue systématiquement. Ces observations confirment pleinement l’hypothèse d’une dynamique en U inversé calquée sur le principe des rendements décroissants. »

11.3 Conception de tableaux synthétiques et de graphiques normés

Le style APA préconise la restitution des modélisations hiérarchiques sous la forme d’un tableau récapitulatif compact, exempt de tout quadrillage vertical interne et n’utilisant que des traits horizontaux sobres (en tête de colonne, sous les en-têtes et en bas de tableau).

Le tableau doit présenter côte à côte les coefficients du Modèle 1 et du Modèle 2, en fournissant pour chacun d’eux les coefficients bruts non standardisés (B) assortis de leurs erreurs-types (ET) ou de leurs intervalles de confiance à 95 %, les coefficients standardisés (β), ainsi que les grandeurs macroscopiques d’ajustement (R², ΔR² et statistiques de variation F). Des notes de bas de tableau clarifient la taille d’échantillon analysée et indiquent les conventions de seuils de significativité par astérisques (*p < .05, **p < .01, ***p < .001).

Pour le rendu graphique destiné à la publication, il est recommandé d’exporter la figure de dispersion depuis SPSS vers un logiciel de retouche vectorielle ou d’éditer le modèle sous un thème épuré : le fond de grille grisâtre et les lignes de repère intempestives de SPSS doivent être supprimés au profit d’un arrière-plan blanc pur, avec des axes noir mat et une typographie sans empattement conforme aux exigences éditoriales (telle que Arial ou Times New Roman de corps 10 à 12 points). La courbe d’ajustement parabolique doit être clairement légendée, et les points de données légèrement estompés par transparence pour privilégier la lecture de la trajectoire mathématique.

12. Erreurs courantes, pièges méthodologiques et bonnes pratiques

12.1 Le piège du surajustement (overfitting) et l’extrapolation abusive

L’une des dérives méthodologiques les plus insidieuses en modélisation polynomiale réside dans l’escalade non contrôlée du degré des équations. Séduit par l’augmentation mécanique du R² générée par l’adjonction de variables polynomiales, le chercheur peut être tenté d’expérimenter des termes d’ordre cubique (X³), quartique (X⁴), voire quintique. Cette pratique de surenchère paramétrique débouche inéluctablement sur un phénomène destructeur : le surajustement (overfitting).

Un modèle surajusté perd toute valeur scientifique car il renonce à capturer la régularité théorique de la population pour modéliser le bruit statistique contingent et les particularités aléatoires de l’échantillon sous étude. Si un polynôme de degré élevé affiche un ajustement d’apparence spectaculaire sur les données d’étalonnage, sa capacité de généralisation s’effondre lors de l’application à un nouvel échantillon indépendant. L’introduction d’un terme cubique ne doit être concédée que si une théorie substantielle solide (décrivant par exemple une fonction sinusoïdale en forme de S ou une double inflexion) l’exige impérativement à titre d’hypothèse a priori.

Un second écueil critique réside dans l’extrapolation abusive en dehors de l’espace empirique observé. Une fonction quadratique accélère mathématiquement de façon exponentielle à mesure que l’on s’éloigne du centre. Prédire le niveau de bien-être pour une semaine de travail de 90 heures à partir d’un échantillon borné à 65 heures conduirait à des valeurs aberrantes (par exemple des scores négatifs impossibles sur une échelle psychométrique). Une parabole statistique n’est valide que dans les limites strictes des valeurs de X collectées.

12.2 Confusion entre causalité psychologique et ajustement mathématique

La découverte d’un ajustement quadratique hautement significatif et d’une concavité élégante ne confère en aucun cas, à elle seule, une preuve de causalité unilatérale entre les variables investiguées. En psychologie empirique, la grande majorité des investigations reposent sur des plans de recherche corrélationnels transversaux, où les variables sont mesurées à un instant temporel unique.

Une trajectoire empirique en U inversé peut résulter d’artefacts structurels insoupçonnés, parmi lesquels la présence de sous-populations hétérogènes non contrôlées dans l’échantillon d’analyse. Par exemple, si notre groupe de professionnels travaillant 20 heures par semaine contient une majorité d’intérimaires subissant le temps partiel, tandis que le groupe travaillant 60 heures regroupe des cadres soumis à une charge excessive, ce sont des déterminants socio-professionnels sous-jacents qui génèrent l’abaissement bilatéral du bonheur, et non la dynamique psychologique intrinsèque du volume horaire en soi.

Le chercheur doit impérativement confronter ses équations aux théories psychologiques établies avant d’émettre des préconisations interventionnelles. L’analyse polynomiale décrit avec une grande finesse l’organisation géométrique d’une covariance empirique, mais la démonstration formelle du mécanisme causal requiert des protocoles longitudinaux rigoureux à mesures répétées ou des expérimentations contrôlées avec manipulation directe des variables contextuelles.

12.3 Checklist finale pour la réalisation d’une régression quadratique rigoureuse

Pour accompagner le chercheur et l’étudiant dans le déploiement opérationnel de leurs analyses sous IBM SPSS Statistics, cette checklist récapitule de façon chronologique l’intégralité des points de contrôle méthodologiques indispensables à l’obtention de résultats robustes, publiables et reproductibles :

• Phase conceptuelle : Justification théorique préalable documentée soutenant l’hypothèse d’une relation non linéaire curviligne (ex. saturation, seuil d’épuisement, U inversé de Yerkes-Dodson).
• Inspection univariée des données brutes : Évaluation de l’absence d’erreurs d’encodage, vérification des bornes d’échelles, et repérage des valeurs aberrantes univariées par l’inspection des boîtes à moustaches et des scores standardisés Z.
• Centrage sur la moyenne empirique : Extraction de la moyenne exacte de la variable indépendante X et génération de la variable centrée X_Centree = X - Moyenne_X via la commande « Calculer la variable ».
• Génération du terme quadratique : Calcul mathématique de la puissance au second degré appliquée exclusivement sur la variable préalablement centrée : X_Centree_Carre = X_Centree ** 2.
• Contrôle de la colinéarité artificielle : Exécution d’une corrélation de Pearson démontrant la chute drastique de la corrélation bivariée entre la variable centrée et son terme quadratique (r proche de 0).
• Exploration graphique bivariée : Construction d’un nuage de points sous le Générateur de graphiques et superposition comparative de la droite d’ajustement linéaire et de la parabole quadratique.
• Modélisation hiérarchique par blocs : Paramétrage dans la boîte de régression linéaire du Bloc 1 (variable centrée de premier ordre) et du Bloc 2 (variable quadratique d’ordre deux), avec activation impérative de la statistique de variation de R².
• Diagnostics post-estimation des postulats : Confirmation de scores de VIF proches de 1.0, validation de la normalité des résidus standardisés (diagramme P-P) et contrôle de l’homoscédasticité sur le nuage *ZRESID contre *ZPRED.
• Auscultation des valeurs d’influence : Vérification de l’absence d’observations déstabilisant la courbure via le tamisage de la distance de Cook (D < 4/N) et des valeurs d’effet de levier centré.
• Résolution de l’optimum fonctionnel : Calcul du sommet de la parabole par la dérivée première : X_optimum = (-b₁ / 2b₂) + M_X, et approximation de son intervalle de confiance via la méthode Delta.
• Communication académique normée : Rédaction synthétique des paramètres (B, ET, β, t, p, IC_95%) et des gains incrémentaux (ΔR², ΔF) en respectant scrupuleusement les exigences de mise en forme typographique de l’APA 7e édition.

Références

• Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. SAGE Publications.
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
• Grant, A. M., & Schwartz, B. (2011). Too much of a good thing: The challenge and opportunity of the inverted U. Perspectives on Psychological Science, 6(1), 61–76. https://doi.org/10.1177/1745691610393523
• Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). The Guilford Press.
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. https://doi.org/10.1037/1082-989X.7.1.19
• Pierce, C. A., & Aguinis, H. (2013). The student becomes the master: Examining curvilinear effects in sex-based regression models. Journal of Management, 39(7), 1845–1870. https://doi.org/10.1177/0149206311435252
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Yerkes, R. M., & Dodson, J. D. (1908). The relation of strength of stimulus to rapidity of habit-formation. Journal of Comparative Neurology and Psychology, 18(5), 459–482. https://doi.org/10.1002/cne.920180503