Méthodologie statistiquePsychométrie et analyse quantitative

Comment interpréter les valeurs négatives de l’AIC

Guide académique complet pour comprendre et interpréter correctement les valeurs négatives du critère d’information d’Akaike (AIC) en modélisation statistique.

PUBLIÉ

Dans la pratique moderne de la modélisation statistique, l’évaluation et la sélection de modèles rivaux constituent une démarche fondamentale de l’inférence scientifique. Que l’on explore les mécanismes cognitifs sous-tendant la prise de décision, les trajectoires d’apprentissage développementales ou l’impact d’une intervention clinique, le chercheur se trouve confronté à une tension inhérente : identifier une représentation mathématique qui ajuste au mieux les données empiriques recueillies tout en évitant l’écueil délétère du surajustement. Depuis un demi-siècle, le critère d’information d’Akaike s’est imposé comme l’une des boussoles méthodologiques les plus robustes et élégantes pour naviguer au sein de cet arbitrage entre fidélité empirique et parcimonie.

Pourtant, un phénomène récurrent plonge régulièrement les analystes, doctorants et chercheurs chevronnés dans une perplexité paralysante : l’apparition inattendue de valeurs d’AIC négatives dans les sorties des logiciels de traitement statistique. Confronté à un score de -142,8 ou -1250,4, le premier réflexe méthodologique consiste souvent à suspecter une erreur de calcul sous-jacente, une défaillance de convergence de l’algorithme d’estimation du maximum de vraisemblance, ou une violation fatale des postulats distributionnels. Cette réaction psychologique découle d’une analogie trompeuse établie avec des indices d’adéquation traditionnels bornés, pour lesquels une valeur négative signale incontestablement une anomalie structurelle.

Ce guide exhaustif a pour vocation de déconstruire méthodiquement cette méprise et d’offrir un cadre conceptuel, mathématique et pratique complet pour interpréter avec rigueur et sérénité les valeurs négatives de l’AIC. En explorant la nature continue de la densité de probabilité, la théorie sous-jacente de l’information de Kullback-Leibler, les pièges de transformation d’échelle et les normes de publication académique les plus exigeantes, cet article démontre qu’une valeur négative d’AIC ne constitue nullement une anomalie, mais l’aboutissement parfaitement valide et naturel d’un ajustement probabiliste précis sur des variables à support continu.

Table of Contents

1. Introduction au critère d’information d’Akaike (AIC) et au problème des valeurs négatives

1.1 Origine théorique et rôle de l’AIC dans la sélection de modèles statistiques

Le critère d’information d’Akaike trouve ses fondements conceptuels dans les travaux séminaux publiés par le statisticien japonais Hirotugu Akaike en 1974. À une époque où les tests d’hypothèses nulles classiques dominaient sans partage l’analyse statistique, Akaike a introduit un changement de paradigme radical en reliant la théorie de l’estimation par le maximum de vraisemblance à la théorie de l’information formalisée par Claude Shannon. Au cœur de cette approche réside l’évaluation du compromis optimal entre la qualité de l’ajustement aux données et la complexité structurelle du modèle, formulée de manière à prévenir le surapprentissage sans pénaliser indûment les structures explicatives pertinentes.

D’un point de vue théorique, l’AIC repose sur une approximation asymptotique de la divergence de Kullback-Leibler (KL), qui quantifie l’inévitable perte d’information subie lorsqu’on utilise un modèle paramétrique pour approximer la réalité génératrice des données, considérée comme infiniment complexe et inconnaissable. Akaike a démontré que maximiser la log-vraisemblance d’un modèle conduit systématiquement à sous-estimer la perte d’information sur de nouvelles données issues du même processus, en raison de l’optimisation des paramètres sur l’échantillon d’apprentissage. Le critère intègre ainsi un terme correctif correcteur d’optimisme, permettant d’estimer de façon non biaisée la distance relative moyenne entre le modèle candidat et le véritable processus sous-jacent.

Dans le paysage contemporain des sciences quantitatives, et particulièrement au sein des protocoles de recherche en psychologie expérimentale, en neurosciences et en sciences comportementales, l’AIC occupe une place cardinale. Il permet de départager des modèles théoriques concurrents sans imposer que ceux-ci soient strictement emboîtés, ouvrant ainsi la voie à une comparaison directe entre des hypothèses computationnelles radicalement différentes portant sur un même ensemble d’observations empiriques.

1.2 L’incompréhension fréquente face aux scores d’AIC négatifs

L’émergence d’une valeur négative lors du calcul de l’AIC suscite couramment une détresse méthodologique disproportionnée chez les utilisateurs de logiciels statistiques tels que R, SPSS, Jamovi ou SAS. Cette réaction s’explique par un biais cognitif tenace : le présupposé intuitif selon lequel un indice statistique mesurant une forme d’erreur ou d’écart informationnel devrait intrinsèquement adopter une valeur positive, à l’instar de la variance, de la distance euclidienne ou de la somme des carrés des résidus. Nombre de praticiens assimilent inconsciemment l’AIC à une mesure absolue d’éloignement, où le zéro représenterait une borne infranchissable marquant l’absence totale de déviation.

Cette confusion est exacerbée par la familiarité précoce des chercheurs avec des métriques standardisées et strictement bornées, telles que le coefficient de détermination R² (borné entre 0 et 1 dans le cas linéaire standard) ou les indices d’ajustement en modélisation par équations structurelles comme le CFI ou le TLI. Habitués à évoluer dans des espaces métriques où les bornes inférieures et supérieures sont intuitives, les analystes confrontés à un AIC de -354,2 présument spontanément une défaillance dans leur chaîne de traitement. Les réactions typiques oscillent alors entre la suspicion infondée d’un bug dans le paquetage logiciel utilisé, la crainte d’une non-convergence algorithmique masquée, ou le sentiment coupable d’avoir violé les présupposés fondamentaux de l’analyse multivariée.

Or, cette anxiété repose entièrement sur une méconnaissance de la mécanique algébrique sous-jacente du critère. Contrairement aux coefficients d’association bornés, l’AIC est une métrique d’information relative non contrainte qui s’étend sur la totalité de la droite des nombres réels, du pôle négatif infini au pôle positif infini. Une valeur négative n’indique en rien une anomalie de calcul, mais traduit fidèlement les propriétés probabilistes de la fonction de vraisemblance évaluée au maximum pour les données considérées.

1.3 La règle fondamentale de décision : la supériorité des valeurs les plus basses

Pour dissiper définitivement cette ambiguïté d’interprétation, il convient d’énoncer le principe directeur universel qui régit l’usage du critère d’Akaike : quel que soit le contexte empirique ou disciplinaire, le modèle présentant la valeur d’AIC algébriquement la plus faible est considéré comme le meilleur de l’ensemble testé. Ce principe opère avec une indifférence méthodologique absolue quant au signe arithmétique, positif ou négatif, de la métrique obtenue.

Sur le plan mathématique, l’évaluation de l’AIC s’effectue strictement le long de l’axe des réels ordonné de gauche à droite. Une valeur plus négative est rigoureusement et formellement inférieure à une valeur moins négative ou positive. Par conséquent, un modèle affichant un score d’AIC de -500 surpasse indiscutablement un modèle concurrent présentant un score de -300, tout comme ce dernier surpasse un modèle dont l’AIC s’élèverait à +50. L’ordre de préférence statistique s’établit selon la relation d’ordre standard : -500 < -300 < +50.

L’erreur la plus pernicieuse consiste à juger de la performance d’un modèle à l’aune de sa proximité avec le point zéro ou en considérant sa valeur absolue. Penser qu’un AIC de -5 est supérieur à un AIC de -80 sous prétexte que le premier est plus proche de zéro constituerait un contresens méthodologique total, revenant à préférer délibérément le modèle qui capture le moins fidèlement la régularité des données observées. Le signe négatif n’est pas un avertissement d’invalidité, mais le témoin d’une log-vraisemblance particulièrement élevée surpassant la pénalité liée au nombre de paramètres.

2. Décomposition mathématique de l’AIC : le mécanisme générateur de valeurs négatives

2.1 Analyse de l’équation standard de l’AIC

Pour comprendre précisément la genèse arithmétique des valeurs négatives, il est indispensable de disséquer la formule canonique établie par Akaike :

AIC = 2K – 2ln(L)

Dans cette formulation élégante et compacte, l’indice se décompose en deux forces antagonistes qui incarnent mathématiquement le rasoir d’Ockham. Le premier terme, 2K, représente la pénalité de complexité imposée au modèle. Ici, la variable K désigne le nombre total de paramètres libres estimés par la procédure statistique. Dans le cadre d’un modèle de régression linéaire gaussienne univariée, K englobe non seulement les coefficients de régression associés aux variables prédictives et l’ordonnée à l’origine, mais également la variance résiduelle de l’erreur, paramètre fondamental trop souvent négligé dans le décompte formel. Ce terme 2K est obligatoirement positif, dès lors que tout modèle statistique estime au moins un paramètre (K > 0).

Le second terme, -2ln(L), constitue la composante d’ajustement empirique, où L symbolise la valeur maximale atteinte par la fonction de vraisemblance, et ln(L) représente son logarithme népérien (souvent abrégé en log-vraisemblance). La fonction de vraisemblance L mesure la plausibilité d’observer l’échantillon collecté sous l’hypothèse que les paramètres estimés décrivent la population parente. Le terme -2ln(L), parfois désigné sous le vocable de déviance non calibrée, diminue à mesure que le modèle s’ajuste étroitement aux données. L’AIC résulte donc d’une simple soustraction : la pénalité positive 2K vient s’ajouter au terme -2ln(L).

2.2 La condition formelle pour l’obtention d’un AIC négatif

L’émergence d’une valeur globale négative pour l’AIC découle immédiatement d’une condition d’inégalité élémentaire déduite de sa formule structurelle :

AIC < 0 si et seulement si 2K – 2ln(L) < 0

En réarrangeant les termes de cette inégalité par des opérations algébriques directes, on isole la condition fondamentale :

2K < 2ln(L), ce qui équivaut rigoureusement à ln(L) > K

Cette démonstration prouve sans équivoque qu’un modèle statistique produit un AIC négatif dès lors que le logarithme népérien de sa vraisemblance maximale excède le nombre de paramètres libres estimés dans la structure du modèle. Comme le nombre de paramètres K est un entier strictement positif, la condition sine qua non pour que ln(L) puisse surpasser K est que ln(L) soit lui-même strictement positif : ln(L) > 0.

Lorsque la log-vraisemblance ln(L) est positive, sa multiplication par le coefficient scalaire -2 engendre nécessairement un nombre négatif de magnitude substantielle : -2ln(L) < 0. Si la magnitude absolue de ce produit négatif surpasse la pénalité positive 2K, la somme totale bascule inévitablement sous la barre du zéro. Par exemple, si un modèle à 4 paramètres (K = 4, donc 2K = 8) atteint une log-vraisemblance de ln(L) = 15, le terme d’ajustement devient -2 * 15 = -30, produisant un AIC final de 8 – 30 = -22. La négativité de l’AIC n’est donc pas une anomalie stochastique, mais l’expression prévisible d’une log-vraisemblance positive suffisamment puissante pour dominer la pénalisation paramétrique.

2.3 Exemple de calcul pas à pas d’un AIC négatif

Afin d’ancrer cette démonstration dans la réalité calculatoire des logiciels d’analyse, examinons pas à pas la trajectoire arithmétique d’une régression linéaire simple modélisant la précision motrice en fonction de la durée d’entraînement. Soit un échantillon de N = 50 participants soumis à un protocole standardisé. Le modèle s’écrit formellement sous la forme : Y = beta_0 + beta_1 * X + epsilon, avec une hypothèse de résidus gaussiens distribués selon une loi normale centrée d’écart-type sigma.

Dans cette architecture empirique, le nombre de paramètres libres estimés comprend l’ordonnée à l’origine (beta_0), la pente de régression (beta_1) et l’écart-type résiduel (sigma), établissant formellement K = 3. La pénalité de complexité vaut donc exactement : 2K = 2 * 3 = 6.

Supposons que la dispersion résiduelle autour de la droite de régression soit particulièrement restreinte, traduisant une excellente prédictibilité du phénomène. L’évaluation de la fonction de vraisemblance gaussienne globale produit un logarithme népérien maximisé égal à ln(L) = 45,8. En substituant ces valeurs numériques dans l’équation d’Akaike, le calcul s’opère comme suit :

AIC = 2(3) – 2(45,8) = 6 – 91,6 = -85,6

L’analyste obtient un AIC final de -85,6. Cet exemple met en lumière la simplicité arithmétique de l’opération : aucune violation théorique n’est survenue, aucun artefact algorithmique ne s’est produit. Le résultat négatif est le produit direct d’une log-vraisemblance positive de magnitude 45,8, dont la contribution négative pondérée (-91,6) surpasse largement la faible pénalité structurelle (+6) imposée aux trois paramètres estimés.

3. La nature de la log-vraisemblance : variables discrètes vs variables continues

3.1 Pourquoi la log-vraisemblance est toujours négative avec des données discrètes

Pour saisir pourquoi certains chercheurs n’ont jamais rencontré d’AIC négatif au cours de leur carrière tandis que d’autres y sont systématiquement confrontés, il est impératif d’examiner la nature probabiliste de la variable dépendante modélisée. Dans le cadre de données strictement discrètes (telles que des choix binaires, des comptages d’événements ou des classifications diagnostiques modélisés par des régressions logistiques, multinomiales ou de Poisson), la fonction de vraisemblance est construite à partir de probabilités ponctuelles : P(Y = y).

En vertu des axiomes fondamentaux de Kolmogorov, la probabilité d’un événement discret est strictement confinée au sein de l’intervalle fermé [0, 1]. Or, la fonction logarithme népérien appliquée à un nombre réel appartenant à cet intervalle produit invariablement un résultat négatif ou nul : pour tout p tel que 0 < p ≤ 1, on observe ln(p) ≤ 0. Puisque la vraisemblance globale d’un échantillon indépendant d’observations discrètes correspond au produit de ces probabilités individuelles, la log-vraisemblance globale ln(L) constitue la somme de logarithmes népériens de probabilités ponctuelles. Elle est donc structurellement, universellement et inconditionnellement négative : ln(L) ≤ 0.

En réinjectant cette contrainte structurelle dans l’équation de l’AIC, le terme -2ln(L) devient rigoureusement positif : -2 * (valeur négative) = valeur positive. Par conséquent, dans l’univers exclusif des modèles discrets purs, l’AIC est la somme de deux termes strictement positifs (2K > 0 et -2ln(L) ≥ 0). Il est mathématiquement impossible d’obtenir un AIC négatif dans une régression logistique standard ou un modèle log-linéaire sur tableau de contingence, ce qui forge l’illusion trompeuse chez certains spécialistes du domaine discret que l’AIC ne saurait jamais être inférieur à zéro.

3.2 La densité de probabilité des variables continues et ses valeurs supérieures à 1

La donne conceptuelle et mathématique change radicalement dès lors que l’on modélise une variable aléatoire continue, comme c’est le cas dans les régressions linéaires standards, les modèles linéaires généraux ou les analyses spectrales. Pour une variable continue, la probabilité d’observer une valeur ponctuelle exacte est strictement nulle : P(Y = y) = 0. Dès lors, la fonction de vraisemblance ne repose plus sur des probabilités ponctuelles, mais sur une fonction de densité de probabilité, notée usuellement f(y).

Si l’intégrale totale de la fonction de densité sur l’ensemble de son domaine de définition est obligatoirement égale à 1 (garantissant que la probabilité globale de l’espace échantillonnal soit unitaire), la valeur ponctuelle de la densité f(y) elle-même n’est en aucune manière contrainte d’être inférieure à 1. Dans les zones où la distribution des données est fortement concentrée et où la variance résiduelle du modèle est faible, la densité de probabilité peut atteindre des sommets considérables, s’élevant à 5, 10, 100, voire tendant vers l’infini si la variance approche de zéro.

Considérons la fonction de densité d’une loi normale univariée au point moyen : f(mu) = 1 / (sigma * sqrt(2 * pi)). Lorsque l’écart-type résiduel sigma devient inférieur à 1 / sqrt(2 * pi) ≈ 0,3989, la valeur de f(mu) dépasse formellement l’unité. Dès lors que les densités individuelles f(y_i) excèdent 1, leurs logarithmes népériens deviennent strictement positifs : ln(f(y_i)) > 0. La somme de ces logarithmes positifs sur l’ensemble de l’échantillon produit une log-vraisemblance globale positive : ln(L) > 0. C’est cette caractéristique intrinsèque des densités de probabilité continues qui ouvre inévitablement la porte à l’émergence d’AIC négatifs.

3.3 Conséquences pour les modèles gaussiens en sciences psychologiques

Cette propriété mathématique des densités continues a des répercussions directes et massives dans les disciplines quantitatives telles que la psychologie cognitive, la psychométrie et les neurosciences comportementales. Dans ces champs de recherche, il est d’usage courant d’analyser des variables continues dont la variabilité résiduelle est structurellement minime, soit en raison de protocoles expérimentaux hautement contrôlés au niveau intra-individuel, soit du fait de transformations mathématiques spécifiques appliquées aux variables observées.

À titre d’illustration, l’analyse des temps de réaction transformés en secondes (dont les valeurs oscillent typiquement entre 0,350 s et 0,700 s) génère des variances d’erreur minuscules, souvent inférieures à 0,01. De même, les indices d’efficacité neuronale, les scores factoriels standardisés dérivés de batteries psychométriques ou les séries temporelles d’indices de dilatation pupillaire présentent des concentrations de densité extrêmement denses autour de la tendance centrale modélisée. Dans de telles configurations, la fonction de vraisemblance gaussienne opère sur des échelles où la densité de probabilité unitaire est continuellement dépassée.

Par conséquent, observer un AIC négatif dans une régression linéaire gaussienne ou un modèle à effets mixtes appliqué à des données psychologiques continues n’est nullement une bizarrerie statistique. C’est au contraire la signature prévisible et bienvenue du fait que le modèle parvient à restreindre la variance de l’erreur d’estimation à un niveau suffisant pour que la fonction de densité culmine au-delà du seuil unitaire. Loin de dénoter une faille théorique, l’AIC négatif atteste simplement d’une modélisation continue efficace sur une variable dont l’échelle de mesure produit des variances résiduelles contenues.

4. La nature purement ordinale et relative du critère d’information d’Akaike

4.1 L’absence d’échelle absolue et de point zéro substantiel

L’un des écueils majeurs dans l’interprétation des critères d’information réside dans la tentation d’attribuer une signification intrinsèque ou substantielle à la valeur brute de l’AIC. Il est fondamental d’intégrer que l’AIC ne possède pas d’échelle absolue de mesure, ni de zéro absolu doué d’un sens probabiliste intrinsèque. Contrairement à un thermomètre mesurant l’énergie thermique en degrés Kelvin où le zéro absolu fige tout mouvement particulaire, l’échelle de l’AIC ne marque aucune frontière conceptuelle à zéro. Un AIC de 0 n’indique aucunement un modèle parfait, ni un modèle aléatoire, ni un modèle nul.

En réalité, l’AIC possède une propriété mathématique cruciale : l’invariance de rang par translation. Si l’on ajoute ou soustrait une constante arbitraire C à la log-vraisemblance de tous les modèles comparés (par exemple, en omettant les constantes d’intégration dans le calcul de la distribution normale sous-jacente, pratique courante dans plusieurs moteurs logiciels), l’AIC de chaque modèle se trouve translaté d’une valeur fixe 2C, mais l’ordre hiérarchique et les écarts relatifs entre les modèles demeurent strictement inchangés. L’AIC est une métrique d’évaluation strictement relative et ordinale conçue exclusivement pour l’inférence comparative.

Pour saisir cette dynamique sans ambiguïté, une analogie robuste peut être dressée avec l’échelle de température Celsius ou avec des mesures d’altitude par rapport au niveau de la mer. Une température de -15 °C est rigoureusement plus froide qu’une température de -5 °C, laquelle est à son tour plus froide que +10 °C. De même, une fosse océanique située à -2000 mètres d’altitude est plus profonde qu’un canyon situé à -300 mètres, lui-même inférieur à un plateau situé à +500 mètres. Sur l’axe continu de l’AIC, la traversée du zéro n’engendre aucune altération de la dynamique : un nombre situé plus à gauche sur la droite des réels indique toujours une moindre perte d’information de Kullback-Leibler par rapport au processus réel.

4.2 Comparaison de modèles : comparaison de grandeurs sur l’axe des réels

Considérons une étude empirique visant à modéliser la dégradation de la mémoire de travail sous privation de sommeil, au sein de laquelle un chercheur confronte deux modèles théoriques distincts. Le Modèle A, linéaire simple, produit un AIC de -56,5. Le Modèle B, intégrant une composante non-linéaire quadratique, aboutit à un AIC de -103,3. Quelle conclusion statistique s’impose formellement face à ces deux résultats négatifs ?

L’évaluation repose sur la position respective des deux valeurs sur l’axe continu des nombres réels. La valeur -103,3 est strictement inférieure à la valeur -56,5 :

-103,3 < -56,5

Le Modèle B présentant la valeur d’AIC la plus basse, il est sans équivoque le modèle statistiquement supérieur. Il garantit une minimisation substantiellement plus efficace de la perte d’information estimée que le Modèle A, tout en tenant compte du paramètre supplémentaire introduit pour estimer la courbure quadratique.

À ce stade, il est impératif de dissiper une confusion catastrophique fréquemment observée lors de l’apprentissage des statistiques : l’application réflexe et erronée de la valeur absolue. Certains analystes non avertis comparent la magnitude des nombres en ignorant leur signe, affirmant à tort que puisque |-103,3| = 103,3 et que |-56,5| = 56,5, le Modèle B présenterait un indice d’éloignement plus élevé et devrait donc être écarté. Un tel raisonnement constitue une erreur méthodologique gravissime, qui inverse précisément l’ordre d’adéquation et conduit à sélectionner le pire modèle de l’ensemble analysé. Sur l’échelle de l’AIC, les valeurs négatives doivent toujours être traitées avec leur signe algébrique natif, sans jamais recourir à la valeur absolue.

4.3 Transition trans-zéro : comparer un AIC positif et un AIC négatif

Une source de désarroi supplémentaire survient lorsque l’ensemble des modèles candidats chevauche la frontière du zéro, générant un tableau de sélection où cohabitent des valeurs positives et négatives. Imaginons qu’au sein de la même investigation, un Modèle 1 (hypothèse d’invariance totale ne comportant qu’une constante globale) produise un AIC de +12,4, tandis qu’un Modèle 2 (intégrant des covariables développementales adaptées) aboutisse à un AIC de -8,2.

Nombre d’analystes hésitent face à ce résultat, redoutant qu’une discontinuité mathématique n’invalide la comparaison directe d’un score positif et d’un score négatif. Il n’en est absolument rien. La règle de décision s’applique avec une constance algorithmique sans faille :

-8,2 < +12,4

Le Modèle 2 est résolument supérieur au Modèle 1. La traversée de la frontière de zéro ne crée aucun artefact, aucun biais de courbure et aucune rupture d’homogénéité dans la métrique de Kullback-Leibler. Le passage d’une log-vraisemblance inférieure à K (produisant un AIC positif) à une log-vraisemblance supérieure à K (produisant un AIC négatif) est un phénomène continu, fluide et parfaitement légitime. Comparer +12,4 et -8,2 s’opère avec la même validité que de comparer +112,4 et +91,8, ou -108,2 et -128,8.

5. Écarts d’AIC (Delta AIC) et poids d’Akaike en présence de valeurs négatives

5.1 Calcul rigoureux du Delta AIC avec des valeurs négatives

Pour affranchir l’analyse des ambiguïtés liées aux échelles arbitraires et aux valeurs brutes, l’approche préconisée par la littérature méthodologique moderne, notamment incarnée par les travaux majeurs de Kenneth Burnham et David Anderson (2002), repose sur le calcul des écarts d’AIC, universellement désignés par le symbole Delta AIC (ou Δ_i). Cette transformation recentre la distribution des scores autour du modèle le plus performant du groupe examiné.

La formule mathématique du Delta AIC pour un modèle spécifique noté i s’énonce comme suit :

Δ_i = AIC_i – AIC_min

Dans cette formulation, AIC_min représente la valeur d’AIC minimale absolue identifiée dans l’ensemble des R modèles concurrents soumis à l’évaluation. Lorsque tous les scores d’AIC ou une partie d’entre eux sont négatifs, AIC_min désigne formellement la valeur la plus négative (c’est-à-dire celle qui se situe le plus à gauche sur l’axe des réels).

La beauté mathématique de cette soustraction réside dans sa capacité à neutraliser immédiatement le signe négatif d’origine. En soustrayant la valeur minimale algébrique de chaque score, on obtient une suite de grandeurs Δ_i qui sont obligatoirement et rigoureusement positives ou nulles (Δ_i ≥ 0). Considérons l’exemple chiffré suivant, confrontant trois modèles rivaux :

  • Modèle A : AIC_A = -100
  • Modèle B : AIC_B = -95
  • Modèle C : AIC_C = -78

Ici, la valeur minimale algébrique est indubitablement celle du Modèle A : AIC_min = -100. En appliquant rigoureusement les règles élémentaires du calcul algébrique des signes négatifs, le calcul des écarts s’opère sans encombre :

  • Pour le Modèle A : Δ_A = (-100) – (-100) = -100 + 100 = 0
  • Pour le Modèle B : Δ_B = (-95) – (-100) = -95 + 100 = +5
  • Pour le Modèle C : Δ_C = (-78) – (-100) = -78 + 100 = +22

L’analyste retrouve un espace de référence universel et intuitif : le meilleur modèle affiche un écart de 0, tandis que ses concurrents sous-optimaux se voient assigner des pénalités d’écart positives (+5 et +22) reflétant fidèlement leur perte empirique relative.

5.2 Interprétation des seuils de Burnham et Anderson

L’un des avantages majeurs de l’étalonnage par les Δ_i réside dans l’universalité des grilles d’interprétation heuristiques établies par Burnham et Anderson. Ces seuils de preuve empirique demeurent d’une validité absolue, que les scores d’AIC d’origine soient positifs, nuls ou profondément ancrés dans le domaine négatif, puisque la soustraction a converti l’ensemble en écarts positifs standardisés :

  • Δ_i compris entre 0 et 2 : Le modèle i bénéficie d’un soutien empirique substantiel. Il est considéré comme virtuellement indiscernable du modèle optimal au vu de la précision de l’échantillon, et doit impérativement être conservé dans la discussion théorique ou utilisé conjointement dans des procédures de moyennage de modèles (model averaging).
  • Δ_i compris entre 4 et 7 : Le modèle i présente un soutien empirique considérablement plus faible. Bien qu’il conserve une plausibilité marginale, il accumule un déficit d’information manifeste par rapport au modèle de tête.
  • Δ_i supérieur à 10 : Le modèle i ne dispose d’aucun soutien empirique crédible. L’écart d’information est tel que la communauté scientifique s’accorde pour rejeter purement et simplement ce modèle de l’espace des solutions viables.

Dans notre exemple précédent, le Modèle B avec son Δ_B = +5 présente un soutien substantiellement dégradé, tandis que le Modèle C avec Δ_C = +22 est définitivement écarté de la course. Ces règles de décision s’appliquent sans aucune modification opérationnelle, démontrant une fois encore la parfaite transparence du signe négatif initial vis-à-vis des règles d’inférence scientifique.

5.3 Dérivation des poids d’Akaike (Akaike Weights)

Pour quantifier l’incertitude pesant sur la sélection du modèle optimal, la théorie de l’information pousse l’élégance formelle un cran plus loin en calculant les poids d’Akaike (notés w_i). Ces poids traduisent la probabilité conditionnelle relative que le modèle i soit le meilleur modèle au sens de Kullback-Leibler parmi la liste fermée des R modèles candidats évalués.

Le calcul débute par l’évaluation de la vraisemblance relative de chaque modèle, obtenue par l’exponentiation de la moitié de l’opposé de son écart : RelLik_i = exp(-0,5 * Δ_i). Ensuite, la normalisation s’effectue en divisant chaque résultat par la somme des vraisemblances relatives de l’ensemble des modèles examinés :

w_i = exp(-0,5 * Δ_i) / Σ_{j=1}^R exp(-0,5 * Δ_j)

Puisque les valeurs de Δ_i sont invariablement positives ou nulles (grâce à la soustraction de l’AIC_min le plus négatif), l’expression -0,5 * Δ_i est invariablement négative ou nulle. Par conséquent, les termes exp(-0,5 * Δ_i) sont mathématiquement contraints d’évoluer dans l’intervalle semi-ouvert ]0, 1].

La somme globale des poids w_i est rigoureusement égale à 1 (Σ w_i = 1), permettant une interprétation probabiliste transparente. Par exemple, si le Modèle A obtient w_A = 0,88 et le Modèle B w_B = 0,12, le chercheur peut formuler que le Modèle A détient 88 % de chances d’être le meilleur modèle d’approximation de la réalité informationnelle parmi les candidats considérés. Tout au long de cette chaîne de transformation mathématique sophistiquée, le fait que les AIC initiaux aient été de -100 et -95 n’a introduit aucune perturbation de calcul ni distorsion de probabilité.

6. Impact du pré-traitement des données et de l’unité de mesure sur l’AIC

6.1 L’effet d’échelle de la variable dépendante

L’un des aspects les plus fascinants et potentiellement trompeurs de la log-vraisemblance continue réside dans son extrême sensibilité à l’échelle de mesure adoptée pour la variable dépendante Y. Toute modification d’échelle, qu’il s’agisse d’une multiplication, d’une division ou d’une conversion d’unités physiques, altère immédiatement la concentration de la densité de probabilité et, par ricochet, translate mécaniquement la valeur brute de l’AIC dans le domaine positif ou négatif.

Pour illustrer ce mécanisme avec clarté, considérons une expérience de psychophysique mesurant les temps de réaction. Si la variable dépendante est enregistrée en millisecondes, un écart-type résiduel classique s’élèvera par exemple à sigma = 80 ms. La densité normale correspondante 1 / (80 * sqrt(2 * pi)) sera nettement inférieure à 1, conduisant à une log-vraisemblance négative et à un AIC largement positif, par exemple +1450. Si le même chercheur, travaillant sur le même échantillon exact, convertit simplement ses données en secondes en divisant chaque observation par 1000, le nouvel écart-type résiduel devient sigma = 0,080 s.

Désormais, la densité normale au point central s’envole à environ 5, calculée par 1 / (0,08 * sqrt(2 * pi)). La log-vraisemblance devient massivement positive et l’AIC bascule instantanément dans le négatif, atteignant par exemple -850. La réalité empirique n’a subi aucune altération : le modèle prédit les données avec une précision intrinsèque strictement identique. Le passage d’un AIC positif à un AIC négatif résulte ici exclusivement du rétrécissement de l’unité de mesure, confirmant l’interdiction formelle et absolue de comparer les AIC de modèles entraînés sur des échelles métriques différentes.

6.2 Standardisation et transformations mathématiques (Z-score, log, Box-Cox)

Dans la pratique courante des analyses multivariées, les chercheurs appliquent fréquemment des transformations mathématiques à leurs variables dépendantes afin de stabiliser la variance ou de restaurer la normalité distributionnelle, notamment par le centrage-réduction (Z-score), la transformation logarithmique ou les transformations de puissance de type Box-Cox. Ces manipulations exercent un impact colossal sur la fonction de vraisemblance.

Lorsqu’une variable subit une transformation non-linéaire, telle que le passage à Y* = ln(Y), la règle de transformation des densités de probabilité impose l’intervention du jacobien de la transformation pour maintenir la cohérence de l’espace probabiliste. La fonction de densité de la variable originelle est liée à celle de la variable transformée par la relation formelle : f_Y(y) = f_{Y*}(ln(y)) * |d(ln(y))/dy| = f_{Y*}(ln(y)) * (1/y). Si l’on omet ce terme jacobien, la log-vraisemblance issue du modèle transformé n’est plus commensurable avec celle du modèle linéaire brut.

Cette distinction technique explique pourquoi la standardisation centrée-réduite standard (fixant la variance empirique totale de Y à 1) modifie radicalement les scores bruts d’AIC par rapport aux données brutes non standardisées. Si la standardisation conduit souvent à des AIC négatifs lorsque la variance résiduelle après modélisation plonge nettement sous l’unité, il est méthodologiquement prohibé de comparer l’AIC d’un modèle estimé sur Y avec l’AIC d’un modèle estimé sur ln(Y) ou sur les Z-scores de Y, sauf à intégrer formellement la correction jacobienne de la log-vraisemblance.

6.3 Constance de l’échantillon et des données observées

Une règle cardinale de la théorie de la sélection de modèles stipule que la validité de la comparaison par l’AIC repose impérativement sur la constance absolue du vecteur d’observations Y. L’ensemble des modèles candidats comparés doivent avoir été ajustés rigoureusement sur le même échantillon d’individus, sans la moindre divergence dans le nombre d’observations N ni dans la composition des cas retenus.

Une violation fréquente de cette règle survient en présence de valeurs manquantes (missing data) disséminées parmi les variables prédictives. Lorsqu’un chercheur spécifie un Modèle 1 intégrant les prédicteurs X1 et X2, puis un Modèle 2 introduisant une covariable additionnelle X3 qui contient 15 % de données manquantes, les logiciels statistiques appliquent par défaut une suppression des observations incomplètes (listwise deletion). Le Modèle 2 est alors ajusté sur un échantillon réduit (par exemple N = 85 au lieu de N = 100).

Dans cette situation, la log-vraisemblance globale diminue artificiellement du simple fait qu’elle additionne moins de termes individuels, ce qui biaise irréversiblement l’AIC et interdit toute interprétation comparative des scores. De surcroît, la magnitude brute de l’AIC étant proportionnelle à N, toute variation de l’échantillon distord la position relative des modèles sur l’axe des réels, pouvant faire basculer artificiellement un indice d’un côté ou de l’autre du zéro. L’analyste doit impérativement s’assurer de l’imputation préalable ou de la restriction uniforme du jeu de données avant d’engager toute comparaison d’AIC.

7. Variantes du critère : AIC corrigé (AICc) et Critère Bayésien (BIC) négatifs

7.1 L’AIC corrigé pour petits échantillons (AICc)

Lorsque la taille de l’échantillon N est relativement modeste par rapport au nombre de paramètres libres K estimés, l’approximation asymptotique sous-jacente à la dérivation originale d’Akaike tend à sous-estimer la pénalité de complexité, favorisant de manière excessive les modèles surparamétrés. Pour pallier ce biais d’optimisme, Clifford Hurvich et Chih-Ling Tsai ont développé en 1989 une version raffinée du critère, universellement adoptée sous l’acronyme d’AICc (AIC corrigé pour petits échantillons) :

AICc = AIC + [2K(K + 1)] / (N – K – 1)

Le terme correctif [2K(K + 1)] / (N – K – 1) est strictement positif pour toute configuration méthodologiquement viable où N > K + 1. Son ajout systématique a pour conséquence géométrique d’augmenter algébriquement le score d’AIC de base, déplaçant ainsi la valeur vers la droite sur l’axe des nombres réels.

Face à des valeurs d’AIC initiales négatives, l’intervention du correctif d’Hurvich et Tsai a pour effet de réduire la magnitude négative du critère. Par exemple, si un modèle à K = 5 paramètres évalué sur N = 25 observations produit un AIC de -40,0, le terme correctif s’élève à [2 * 5 * 6] / (25 – 5 – 1) = 60 / 19 ≈ +3,16. L’AICc final s’établit donc à -40,0 + 3,16 = -36,84. La valeur demeure négative, mais la pénalisation supplémentaire a atténué son ampleur. Il est aujourd’hui recommandé par la majorité des méthodologues de substituer systématiquement l’AICc à l’AIC classique dès lors que le ratio N / K est inférieur à 40, sans que le signe négatif n’entrave en rien cette substitution.

7.2 Comportement du critère d’information bayésien (BIC) face aux valeurs négatives

Parallèlement à la famille d’Akaike, le critère d’information bayésien introduit par Gideon Schwarz en 1978 (Schwarz, 1978), désigné sous l’acronyme BIC (Bayesian Information Criterion), obéit à une logique épistémologique distincte. Tandis que l’AIC cherche le modèle minimisant la perte d’information prédictive sans supposer que le vrai modèle appartienne à l’ensemble testé, le BIC vise à identifier asymptotiquement le véritable modèle générateur des données sous l’hypothèse qu’il figure parmi les candidats. Sa formulation mathématique s’écrit :

BIC = K * ln(N) – 2ln(L)

La distinction opératoire majeure réside dans la pénalité de complexité : le terme constant 2K de l’AIC est remplacé par le terme K * ln(N). Dès lors que la taille de l’échantillon franchit le seuil de N = 8 observations (puisque ln(8) ≈ 2,079 > 2), la pénalisation imposée par le BIC devient structurellement plus sévère que celle de l’AIC, et cette divergence s’accroît de manière logarithmique avec l’expansion de l’échantillon.

Cette sévérité accrue engendre une dynamique fascinante en régime de valeurs négatives : il est très fréquent d’observer des situations où l’AIC d’un modèle est négatif, tandis que son BIC demeure résolument positif. Cela survient précisément lorsque la log-vraisemblance est suffisamment élevée pour dépasser 2K, mais s’avère incapable de compenser la pénalité bien plus lourde dictée par K * ln(N). Dans tous les cas, le BIC peut lui-même devenir négatif si la log-vraisemblance positive est spectaculairement élevée (ln(L) > [K * ln(N)] / 2). Lorsque cela se produit, la même règle d’inférence universelle prévaut : le BIC le plus faible algébriquement (le plus négatif) désigne le modèle bayésien optimal.

7.3 Tableau comparatif des critères face aux signes négatifs

Afin de synthétiser le comportement structurel de ces trois critères majeurs d’information face aux valeurs négatives, le tableau conceptuel suivant met en relief leurs conditions d’émergence, leurs sensibilités d’échantillon et leurs convergences interprétatives :

  • AIC classique (Akaike) :
    • Formule : 2K – 2ln(L)
    • Condition formelle de négativité : ln(L) > K
    • Sensibilité à N : La vraisemblance croît proportionnellement à N, augmentant la propension aux valeurs négatives pour les grandes séries si sigma est petit.
    • Comportement à signe négatif : Invariance complète du protocole décisionnel ; le score le plus négatif reste le choix optimal.
  • AIC corrigé (AICc, Hurvich & Tsai) :
    • Formule : AIC + [2K(K+1)] / (N – K – 1)
    • Condition formelle de négativité : ln(L) > K + [K(K+1)] / (N – K – 1)
    • Sensibilité à N : Le terme correctif positif diminue quand N croît, convergeant asymptotiquement vers l’AIC standard.
    • Comportement à signe négatif : Atténue systématiquement la négativité de l’AIC de base, protégeant contre le surajustement sur petits échantillons.
  • BIC (Critère Bayésien de Schwarz) :
    • Formule : K * ln(N) – 2ln(L)
    • Condition formelle de négativité : ln(L) > [K * ln(N)] / 2
    • Sensibilité à N : Pénalité fortement amplifiée par la croissance de l’échantillon, rendant les BIC négatifs plus rares que les AIC négatifs.
    • Comportement à signe négatif : Privilégie des modèles plus parcimonieux que l’AIC ; le score le plus négatif désigne le modèle le plus probable a posteriori.

8. Applications pratiques en psychologie cognitive, clinique et psychométrie

8.1 Modélisation des temps de réaction et modèles d’accumulation de preuve

L’exploration computationnelle de la cognition humaine fournit l’un des contextes les plus prolifiques en valeurs d’AIC négatives. Dans l’analyse des temps de réponse lors de tâches de discrimination sensorielle ou d’attention sélective, les chercheurs ont largement abandonné l’analyse de variance classique pour adopter des modèles mathématiques sophistiqués, tels que les modèles d’accumulation séquentielle d’indices (Drift-Diffusion Models ou DDM) et les décompositions de distribution temporelle ex-gaussienne (combinant une composante normale et une composante exponentielle pour capturer la queue de distribution).

Dans ces modélisations, la variable temporelle continue s’exprime typiquement sur des échelles courtes (en fractions de seconde, de 0,200 s à 1,5 s). Les densités de probabilité associées au taux de dérive (drift rate) ou aux temps de processus non décisionnel (non-decision time t0) sont extrêmement resserrées. En estimant ces paramètres par maximum de vraisemblance, il est systématique d’enregistrer des log-vraisemblances globales dépassant plusieurs centaines d’unités positives pour des échantillons de quelques milliers d’essais comportementaux.

Par conséquent, les tableaux comparatifs de modèles DDM affichent presque constamment des scores d’AIC oscillant entre -500 et -8000. L’analyste en sciences cognitives ne doit éprouver aucune réticence à sélectionner un modèle affichant un AIC de -4520,3 face à un modèle concurrent affichant -4310,1. Cette négativité massive témoigne simplement de la capacité du modèle computationnel à capter avec une finesse millimétrique la dynamique d’accumulation d’information sensorielle au sein des réseaux neuronaux des participants.

8.2 Modèles linéaires mixtes et longitudinaux en psychologie du développement

La psychologie développementale et la recherche clinique recourent massivement aux modèles linéaires mixtes (LMM) ou aux modèles multiniveaux pour analyser l’évolution longitudinale de fonctions cognitives, de traits émotionnels ou de scores cliniques collectés à travers de multiples vagues de mesures répétées. Dans ce cadre méthodologique, l’estimation des composantes de variance aléatoire (intercepts et pentes aléatoires au niveau individuel) affine considérablement l’ajustement aux trajectoires singulières des sujets.

Lorsque le modèle mixte incorpore une structure de covariance résiduelle complexe (telle qu’une structure autorégressive d’ordre 1 [AR(1)] ou de Toeplitz) pour modéliser la dépendance sérielle des erreurs temporelles standardisées, la variance de l’erreur résiduelle non expliquée au niveau 1 plonge fréquemment à des niveaux très modestes. Cette absorption de variance par la composante aléatoire propulse la log-vraisemblance restreinte (REML) dans des grandeurs positives, induisant mécaniquement des AIC et BIC négatifs.

Dans ce contexte, comparer un modèle à trajectoire linéaire (AIC = -145,2) avec un modèle intégrant un polynôme de croissance cubique et une structure autorégressive (AIC = -210,8) s’effectue dans le respect le plus strict des règles ordonnées sur l’axe réel. Le gain de 65,6 points d’AIC en faveur de la valeur la plus négative confirme sans équivoque que la modélisation de la courbure développementale et de l’autocorrélation temporelle capture des régularités fondamentales du développement de l’enfant, bien au-delà de la pénalisation encourue par l’estimation des paramètres de variance additionnels.

8.3 Modélisation par équations structurelles (SEM) et analyse factorielle confirmatoire

Dans le domaine de la psychométrie et de l’analyse factorielle confirmatoire (CFA), la modélisation d’équations structurelles évalue dans quelle mesure une matrice de covariance théorique postulée par un modèle reproduit fidèlement la matrice de covariance empirique observée entre des indicateurs latents. Bien que l’adéquation globale soit historiquement examinée via le test du Chi-deux et des indices incrémentaux, l’AIC est devenu la métrique de prédilection pour arbitrer entre des structures factorielles non emboîtées (par exemple, confronter un modèle unifactoriel global à un modèle bifactoriel ou à facteurs corrélés).

Les logiciels phares du domaine, tels que lavaan dans l’environnement R, Mplus ou Amos, procèdent à l’estimation par le maximum de vraisemblance sur la fonction de divergence de Wishart. Dans certaines implémentations où les données observées ont fait l’objet d’un calibrage métrique très fin, ou lorsque l’ajustement est évalué sur des échelles composites standardisées, l’AIC rapporté par le logiciel peut afficher des valeurs négatives.

Cette situation se présente tout particulièrement lorsque les structures factorielles intègrent un nombre substantiel d’indicateurs continus hautement fiables affichant des saturations factorielles très élevées (λ > 0,85). La variance d’unicité (l’erreur de mesure résiduelle de chaque item) devient alors minime, augmentant exponentiellement la hauteur de la densité conjointe. La sélection de la structure factorielle optimale repose alors rigoureusement sur le choix de l’architecture présentant le score d’AIC le plus bas sur la droite numérique, sanctionnant les structures redondantes et primant l’organisation dimensionnelle la plus parcimonieuse.

9. Erreurs méthodologiques courantes et pièges d’interprétation

9.1 Le piège de la valeur absolue

Parmi les égarements interprétatifs documentés dans la littérature statistique, le piège de la valeur absolue demeure le plus destructeur pour la validité des conclusions scientifiques. Ce biais cognitif consiste, pour un analyste confronté à deux scores d’AIC négatifs, à appliquer mentalement ou logiciellement une fonction valeur absolue (|AIC|) sous le prétexte fallacieux que le critère quantifierait une distance géométrique positive par rapport à un idéal.

Supposons qu’un chercheur évalue deux modèles neurocognitifs : le Modèle 1 affiche un AIC de -12,0 et le Modèle 2 affiche un AIC de -85,0. Aveuglé par le piège de la valeur absolue, l’analyste pose que |-12,0| = 12 et |-85,0| = 85. Raisonnant selon le précepte que « le plus petit AIC est le meilleur », il commet l’erreur fatale de désigner le Modèle 1 comme le modèle supérieur, croyant que 12 est inférieur à 85.

Cette déduction est un non-sens statistique dramatique. Sur l’axe continu de la théorie de l’information, -85,0 est immensément inférieur à -12,0 (-85,0 < -12,0). Le Modèle 2 est en réalité supérieur par un écart colossal de Δ = 73 points d’AIC, indiquant que le Modèle 1 ne dispose d’absolument aucun soutien empirique. En appliquant la valeur absolue, le chercheur a délibérément rejeté le modèle le plus fidèle et le plus parcimonieux pour adopter celui qui subit la pire perte d’information. La règle est infrangible : l’AIC ne s’évalue jamais, en aucune circonstance, sous sa valeur absolue.

9.2 La confusion entre rejet du modèle et AIC négatif

Une seconde erreur répandue découle de la confusion entre les critères d’information comparatifs et les tests d’adéquation globale fondés sur des hypothèses statistiques formelles. Nombre de jeunes chercheurs, découvrant un AIC négatif, redoutent immédiatement que cette métrique ne signifie le « rejet » formel du modèle ou la démonstration d’une inadéquation rédhibitoire avec les données observées.

Il est fondamental de réaffirmer que l’AIC n’est pas un test d’hypothèse nulle. Il ne délivre aucune valeur p (p-value), ne postule aucun seuil de significativité alpha, et ne prononce ni rejet ni acceptation au sens de la théorie de Neyman-Pearson. L’AIC quantifie uniquement une perte d’information relative. Un modèle affichant un AIC négatif peut présenter des violations manifestes de ses postulats résiduels (comme une hétéroscédasticité sévère, une non-linéarité flagrante ou des résidus aberrants).

Réciproquement, un modèle présentant un ajustement théorique impeccable peut générer un AIC positif si la variance d’échelle des données est large. Par conséquent, l’obtention d’un AIC négatif ne dispense en aucune façon le chercheur d’effectuer un diagnostic approfondi des résidus (graphiques quantile-quantile, tests d’indépendance, distances de Cook). L’AIC intervient exclusivement pour classer des modèles dont la viabilité théorique et distributionnelle a été préalablement validée par l’inspection diagnostique standard.

9.3 Ignorer le surajustement (overfitting) extrême

Si les AIC négatifs sont légitimes en présence de variables continues à faible dispersion, une vigilance méthodologique aiguë s’impose face à des valeurs d’AIC devenant subitement et massivement négatives au cours du raffinement d’un modèle (par exemple, un plongeon brutal de -50 à -8500 suite à l’ajout d’un unique paramètre). Une telle trajectoire ne traduit presque jamais une percée théorique révolutionnaire, mais constitue l’indicateur d’alarme typique d’une défaillance numérique de surajustement pathologique.

Ce phénomène se manifeste avec acuité dans deux configurations d’estimation bien connues :

  • L’effondrement de la variance résiduelle vers zéro : Dans les modèles mixtes ou les régressions non linéaires, si un algorithme d’optimisation converge vers une solution où l’écart-type résiduel sigma tend asymptotiquement vers zéro (sigma → 0), le terme 1 / (sigma * sqrt(2 * pi)) tend vers l’infini positif. La log-vraisemblance explose alors vers l’infini, et l’AIC plonge artificiellement vers moins l’infini (-∞).
  • Les cas de Heywood en psychométrie : En modélisation par équations structurelles, l’estimation d’une variance d’erreur négative pour un item (variances résiduelles négatives théoriquement impossibles désignées sous le nom de « Heywood cases ») produit une distorsion violente de la matrice de covariance. Les algorithmes d’optimisation génèrent alors des pseudo-vraisemblances exorbitantes générant des AIC profondément négatifs.

Face à un AIC spectaculairement négatif, le premier devoir de l’analyste consiste à inspecter méticuleusement le tableau des paramètres estimés pour vérifier qu’aucune variance résiduelle n’est égale à zéro ou négative. Un AIC n’a de sens que si les paramètres sous-jacents qui l’ont généré demeurent rigoureusement plausibles et situés à l’intérieur de leur espace paramétrique théorique.

10. Diagnostic logiciel : comment lire et vérifier les AIC négatifs dans R, SPSS et Jamovi

10.1 Gestion des AIC dans l’environnement R (fonctions AIC, MuMIn, brms)

Dans l’environnement de programmation statistique R, l’extraction de l’AIC s’effectue traditionnellement via la fonction générique stats::AIC(), applicable à une vaste typologie d’objets de modélisation (lm, glm, nls, ou lmerMod issus du paquetage lme4). Le comportement interne de cette fonction repose sur l’extraction directe de la log-vraisemblance maximisée via la méthode logLik(). Dès que l’objet modélisé présente une log-vraisemblance positive excédant K, stats::AIC() renvoie tout naturellement une valeur négative au format numérique à virgule flottante.

Pour la sélection automatisée et systématique de modèles, le paquetage MuMIn (Multi-Model Inference) constitue la référence internationale. Lorsqu’on soumet un modèle global à la fonction dredge(), MuMIn génère un tableau récapitulatif ordonnant l’ensemble des sous-modèles candidats par ordre croissant d’AIC ou d’AICc. Le paquetage gère avec une rigueur mathématique sans faille les valeurs négatives : le modèle positionné sur la première ligne (au sommet de la hiérarchie) est invariablement celui dont la valeur algébrique est la plus faible sur l’axe des réels, et le calcul de la colonne delta est systématiquement ancré sur cette valeur la plus négative, garantissant des deltas positifs.

Dans le domaine de l’inférence bayésienne computationnelle par chaînes de Markov Monte-Carlo (MCMC), notamment via le paquetage brms reposant sur le moteur Stan, les critères d’information d’échantillonnage prédictif tels que le WAIC (Watanabe-Akaike Information Criterion) ou le LOO-CV (Leave-One-Out Cross-Validation basée sur le package loo) peuvent également adopter des scores négatifs. La fonction loo_compare() classe rigoureusement ces modèles bayésiens du plus négatif au plus positif, confirmant l’universalité de la convention ordinale à travers tous les paradigmes computationnels sous R.

10.2 Sorties statistiques sous SPSS, Jamovi et JASP

Dans les environnements statistiques munis d’une interface graphique, l’affichage des critères d’information obéit à des conventions visuelles qu’il convient de décrypter avec assurance afin d’éviter toute méprise lors de l’exploration des menus.

Sous IBM SPSS Statistics, l’AIC est accessible au sein des modules de régression linéaire, de régression logistique binaire et, de façon prépondérante, dans le menu des modèles linéaires mixtes (Analyse > Modèles mixtes > Linéaires). Dans les sorties de modèles mixtes, SPSS consacre un tableau entier intitulé « Critères d’information ». La première ligne mentionne la statistique « -2 Log-vraisemblance restreinte » (ou -2 Restrict Log Likelihood). Si la log-vraisemblance du modèle est positive, cette première ligne affiche un nombre négatif précédé d’un signe moins (-). Par voie de conséquence directe, la ligne subséquente « Critère d’Akaike (AIC) » affiche une valeur négative. L’analyste doit noter que SPSS n’émet aucun message d’erreur ou d’alerte particulier lorsqu’un AIC est négatif : le logiciel traite cette éventualité comme une modalité arithmétique standard.

Dans les interfaces modernes axées sur l’accessibilité comme Jamovi ou JASP, conçues sur un socle R sous-jacent, les tables de sélection de modèles affichent spontanément les AIC, AICc et BIC dans les options d’ajustement global. Si les données continues analysées produisent des variances résiduelles serrées, les tableaux de sortie présentent des valeurs précédées du symbole négatif. Les étudiants et chercheurs novices sont parfois déstabilisés par l’absence d’explication textuelle dans les sorties de ces logiciels ; il convient de souligner que cette absence d’avertissement prouve précisément qu’aucun événement anormal ne s’est produit au regard de la machinerie statistique.

10.3 Scripts types pour automatiser la sélection de modèles

Afin de prémunir les chercheurs contre toute bévue de manipulation lors du calcul manuel des écarts et des poids en présence de valeurs d’AIC négatives, il est vivement préconisé d’automatiser le processus d’ordonnancement par des fonctions programmées fiables. Dans un flux de travail R rigoureux, la sélection de modèles s’articule autour d’une logique algorithmique assurant l’identification infaillible du minimum algébrique.

Le squelette opérationnel d’une telle fonction d’ordonnancement implique les étapes analytiques suivantes :

  • Étape d’extraction : Récupération des valeurs d’AIC brutes et des degrés de liberté paramétriques K pour chaque objet de modèle estimé au sein d’une liste structurée.
  • Tri directionnel : Ordonnancement du vecteur des modèles candidats en appliquant un tri croissant standard via la primitive order(), qui positionne nativement les valeurs les plus négatives en tête de liste.
  • Recentrage algébrique : Calcul du Delta AIC en soustrayant le premier élément du vecteur ordonné (qui représente le minimum absolu AIC_min) de l’ensemble des éléments, garantissant l’obtention de valeurs strictement supérieures ou égales à zéro.
  • Exponentiation et normalisation : Évaluation des exponentielles de -0,5 * Delta, suivie de leur division par la somme cumulée de ces termes pour générer le vecteur normé des poids d’Akaike.

L’implémentation d’une telle routine automatisée au sein de scripts reproductibles sécurise l’analyse statistique, évite le piège involontaire de l’inversion de signes et assure une transition fluide entre la modélisation brute et la restitution synthétique des résultats.

11. Protocole pas à pas pour interpréter des AIC négatifs dans une recherche

11.1 Étape 1 : Contrôle de la validité mathématique et convergence

Face à un tableau de modélisation dévoilant un ou plusieurs scores d’AIC négatifs, le chercheur ne doit ni s’inquiéter prématurément ni valider aveuglément les chiffres obtenus. La première phase du protocole méthodique consiste à soumettre les sorties du logiciel à un audit de cohérence structurelle rigoureux, visant à écarter l’hypothèse d’une dégénérescence algorithmique de l’ajustement.

Cet audit initial se décompose en trois vérifications indispensables :

  • Vérification de la convergence : S’assurer que le rapport d’optimisation indique une convergence sans anomalie du gradient. Les messages d’avertissement tels que « singularité de matrice », « gradient non nul au maximum estimé » ou « problème de courbure » doivent inciter à la plus grande réserve quant à la validité de la log-vraisemblance finale.
  • Inspection des variances estimées : Parcourir l’ensemble des composantes de variance résiduelle et aléatoire. Une variance résiduelle estimée à 0,000000 ou une variance d’effets aléatoires anormalement dilatée signale une fausse solution optimale (surajustement pathologique ou modèle surparamétré non identifiable).
  • Contrôle d’intégrité de l’échantillon : Valider formellement que le nombre total d’observations N est rigoureusement identique entre tous les modèles concurrents. Si un modèle a exclu des lignes en raison de données manquantes sur une variable prédictive spécifique, l’analyse comparative est frappée de nullité immédiate.

11.2 Étape 2 : Ordonnancement strict sur la droite numérique

Une fois la conformité numérique des estimations attestée, l’analyste procède à l’alignement ordonné de l’ensemble des modèles concurrents le long de la droite réelle. Cette opération géométrique élémentaire vise à prémunir le chercheur contre tout réflexe erroné d’interprétation visuelle.

La règle opérationnelle est d’une limpidité totale : on identifie le modèle qui se situe le plus profondément vers le pôle négatif (la coordonnée la plus à gauche). Ce modèle constitue sans ambiguïté le modèle de référence statistique de l’investigation, celui qui capitalise la plus forte concentration de vraisemblance relative rapportée à sa structure paramétrique.

C’est à ce modèle de référence que l’on attribue conventionnellement un Δ = 0. On procède ensuite au calcul séquentiel des écarts pour tous les autres modèles du groupe en soustrayant cette valeur minimale de chaque AIC respectif (Δ_i = AIC_i – AIC_min). Les modèles sont alors compilés au sein d’un tableau récapitulatif hiérarchisé, classés du Δ le plus faible (0) au Δ le plus élevé, permettant d’objectiver instantanément la perte de performance informationnelle de chaque architecture rivale.

11.3 Étape 3 : Intégration de la parcimonie et de la plausibilité scientifique

L’inférence statistique moderne s’oppose à tout automatisme aveugle qui déléguerait la décision scientifique finale à une simple machine à calculer. Une fois l’ordonnancement par les Δ établi, le chercheur doit exercer son discernement théorique, particulièrement au sein de la fenêtre de sensibilité Δ < 2 formalisée par Burnham et Anderson.

Si deux ou trois modèles concurrents se situent au coude-à-coude au sein de cet intervalle d’équivalence substantielle (Δ ≤ 2) tout en présentant des AIC négatifs, l’analyste doit mobiliser le principe de parcimonie au sens strict du rasoir d’Ockham. Si un modèle plus simple comportant K = 3 paramètres affiche un AIC de -152,1 et qu’un modèle complexe à K = 7 paramètres affiche un AIC de -153,2 (soit un Δ de seulement 1,1 point en faveur du modèle complexe), il est méthodologiquement supérieur et épistémologiquement sage de retenir le modèle le plus sobre.

De surcroît, la cohérence des paramètres estimés avec les corpus théoriques établis de la discipline (psychologie cognitive, neurobiologie, éducation) doit primer sur des micro-gains d’information statistique. Un modèle affichant un AIC légèrement plus négatif mais dont les coefficients sont en contradiction flagrante avec les lois physiologiques connues doit susciter une remise en cause critique de sa spécification plutôt qu’une adhésion inconditionnelle.

12. Normes de rédaction et de présentation des résultats académiques selon l’APA

12.1 Structuration d’un tableau comparatif de modèles selon le style APA 7

La publication de résultats reposant sur des critères d’information au sein de revues scientifiques internationales exige une conformité absolue avec les directives de l’American Psychological Association (APA, 7e édition). La présentation tabulaire de la sélection de modèles doit être conçue pour offrir une lisibilité immédiate, tout en dissipant d’emblée toute ambiguïté relative aux valeurs négatives.

Le tableau APA standardisé doit éviter tout quadrillage vertical et comporter des lignes horizontales sobres délimitant l’en-tête, le corps du tableau et les notes de clôture. Les colonnes indispensables comprennent l’identification explicite du Modèle, le nombre de paramètres libres estimés (K), le logarithme de la vraisemblance (ln(L)), l’AIC (ou l’AICc selon la taille de l’échantillon), l’écart d’information (Δ AIC), et enfin le poids d’Akaike (w_i). Les valeurs numériques doivent afficher un nombre uniforme de décimales (usuellement une ou deux pour l’AIC, deux ou trois pour les poids).

Une règle typographique fondamentale du style APA stipule que le signe négatif doit impérativement être composé à l’aide d’un véritable tiret demi-cadratin (en-dash, –) ou d’un symbole mathématique moins (−), et jamais d’un trait d’union standard (-). Une note explicative concise placée sous le tableau précisera la métrique retenue, la méthode d’estimation (par exemple, Maximum de Vraisemblance Intégrale [ML] ou Restreinte [REML]) et stipulera explicitement que les modèles ont été ordonnés par ordre croissant de performance d’information.

12.2 Exemples de formulation textuelle pour les sections Résultats

Dans le corps du texte de la section Résultats d’un manuscrit soumis à publication, la description de la sélection de modèles doit être articulée avec une clarté limpide, en formulant explicitement les scores obtenus sans dissimuler leur polarité négative. Les tournures de phrases doivent affirmer l’inférence avec assurance sans s’excuser de la présence du signe moins.

Voici un gabarit de rédaction académique standardisé prêt à l’emploi :

« Afin de déterminer l’architecture prédictive optimale modélisant les temps de réaction moyens sous condition d’épuisement cognitif, une série de modèles linéaires hiérarchiques emboîtés et non emboîtés a été comparée à l’aide du critère d’information d’Akaike corrigé pour petits échantillons (AICc). Comme consigné dans le Tableau 2, le Modèle 3 (intégrant les effets aléatoires d’interaction sujet-tâche) a manifesté le meilleur ajustement parcimonieux aux données empiriques, affichant la valeur d’AICc algébriquement la plus faible (AICc = −324,85 ; K = 6). En référence à ce modèle optimal, le Modèle 2 linéaire standard a présenté un soutien empirique considérablement dégradé (ΔAICc = 6,42 ; AICc = −318,43 ; w_i = 0,038), tandis que le modèle nul ne disposait d’aucun soutien substantiel (ΔAICc = 48,12 ; AICc = −276,73 ; w_i < 0,001). Les poids d’Akaike indiquent que le Modèle 3 détient une probabilité relative d’adéquation informationnelle de 96,1 % au sein de l’ensemble des modèles évalués. »

Cette formulation démontre une maîtrise statistique rigoureuse : les signes négatifs sont énoncés naturellement, la relation d’ordre est respectée (−324,85 est formellement identifié comme plus bas que −318,43), et la dérivation des poids d’Akaike vient asseoir la conclusion méthodologique selon les canons scientifiques contemporains.

12.3 Répondre constructivement aux remarques des réviseurs de revues

Tout chercheur publiant des analyses quantitatives est susceptible de se heurter un jour à l’incompréhension d’un évaluateur de revue (Reviewer 2) exigeant de façon comminatoire l’explication d’un score d’AIC négatif ou affirmant catégoriquement qu’une telle métrique découle d’une erreur informatique de calcul. Dans cette situation délicate, la réponse aux réviseurs doit conjuguer une courtoisie irréprochable avec une démonstration technique pédagogique inattaquable.

Voici un exemple argumentaire type pouvant être intégré dans une lettre de réponse éditoriale (Response to Reviewers) :

« Nous remercions chaleureusement le réviseur pour son attention minutieuse portée aux critères d’information rapportés dans le Tableau 1. Le réviseur s’interroge sur la validité méthodologique des valeurs d’AIC négatives obtenues lors de l’estimation de nos modèles de régression. Nous souhaitons rassurer pleinement le réviseur sur la conformité de ces scores. Conformément aux principes fondamentaux de la théorie de l’information appliquée aux variables aléatoires continues (Burnham & Anderson, 2002, pp. 62-64), la fonction de vraisemblance est dérivée d’une fonction de densité de probabilité continue f(x). Lorsque la variance d’erreur résiduelle d’un modèle ajusté sur une variable continue est modeste, la densité ponctuelle excède régulièrement l’unité (f(x) > 1), ce qui produit une log-vraisemblance maximale positive (ln(L) > 0). Lorsque 2ln(L) surpasse la pénalité paramétrique 2K, la formule canonique AIC = 2K − 2ln(L) génère mathématiquement et légitimement une valeur négative. Sur l’axe continu de l’information relative, la règle universelle de sélection demeure inaltérée : le modèle affichant la valeur algébriquement la plus faible (la plus négative) est celui qui minimise la divergence de Kullback-Leibler. Pour rassurer le lectorat, nous avons enrichi la note de bas de tableau d’une précision bibliographique clarifiant ce fondement mathématique. »

Face à une argumentation aussi structurée, étayée par les références pionnières de la statistique computationnelle, tout comité éditorial averti lèvera immédiatement la réserve, validant la pertinence de l’analyse et la compétence méthodologique des auteurs.

Références

Citer cet article

memjavad (2026, septembre 4). Comment interpréter les valeurs négatives de l’AIC. Base de données de psychologie en français. https://fr.arabpsychology.com/statistics/comment-interpreter-valeurs-negatives-aic/
memjavad. “Comment interpréter les valeurs négatives de l’AIC.” Base de données de psychologie en français, 4 septembre 2026, https://fr.arabpsychology.com/statistics/comment-interpreter-valeurs-negatives-aic/.
memjavad. “Comment interpréter les valeurs négatives de l’AIC.” Base de données de psychologie en français. septembre 4, 2026. https://fr.arabpsychology.com/statistics/comment-interpreter-valeurs-negatives-aic/.