Le guide complet : comment rapporter les résultats d’une régression logistique

L’analyse empirique des comportements humains, des processus cognitifs et des psychopathologies se heurte fréquemment à une réalité méthodologique incontournable : la nature dichotomique de nombreux phénomènes d’intérêt. Qu’il s’agisse de modéliser la rémission clinique d’un patient après une psychothérapie, l’abandon universitaire d’un étudiant de premier cycle, l’adhésion à un traitement pharmacologique ou la réussite à une tâche cognitive complexe, les chercheurs en psychologie et en sciences comportementales sont constamment amenés à prédire des issues binaires. Face à ces configurations, la régression linéaire ordinaire se révèle mathématiquement inappropriée et conceptuellement défaillante, cédant impérativement la place à la modélisation par régression logistique binaire. Cette technique, fondée sur l’estimation du maximum de vraisemblance et la transformation logit, s’est imposée au fil des décennies comme l’un des piliers méthodologiques de la recherche quantitative contemporaine.

Cependant, la puissance analytique de la régression logistique s’accompagne d’une complexité interprétative substantielle. Contrairement aux modèles linéaires gaussiens où les coefficients de régression s’interprètent directement comme des taux de variation marginaux sur l’échelle de la variable dépendante, la régression logistique opère sur une échelle non linéaire, transitant successivement par les probabilités, les cotes (odds) et les logarithmes népériens des cotes (log-odds). Cette abstraction mathématique constitue une source récurrente d’erreurs d’interprétation, de confusions conceptuelles et de lacunes rédactionnelles au sein de la littérature scientifique. Nombre de manuscrits soumis à des revues à comité de lecture pèchent par une communication tronquée de leurs résultats, omettant les indices d’ajustement globaux, confondant rapports de cotes et risques relatifs, ou négligeant la vérification rigoureuse des postulats sous-jacents indispensables à la validité inférentielle.

L’objectif de ce guide exhaustif est de fournir aux chercheurs, doctorants et praticiens des sciences humaines et sociales une feuille de route méthodologique intégrale pour analyser, interpréter et rapporter les résultats d’une régression logistique binaire dans le strict respect des normes académiques internationales, notamment celles édictées par l’American Psychological Association (APA, 7e édition). De la vérification scrupuleuse des conditions d’application jusqu’à la confection de tableaux publiables, en passant par le décryptage des métriques d’ajustement global, l’élucidation fine des odds ratios et la formulation narrative fluide de résultats complexes, ce manuel aborde chaque étape avec un niveau d’exigence scientifique élevé, combinant rigueur statistique et pragmatisme rédactionnel.

1. Fondements et pertinence de la régression logistique en psychologie

1.1 Définition et nature de la variable dépendante binaire

La recherche en psychologie clinique, cognitive, sociale et du travail est intrinsèquement liée à l’observation de variables qualitatives discrètes. Au cœur de cette démarche se trouve la variable réponse dichotomique, souvent qualifiée de binaire ou bernoullienne, qui ne peut prendre que deux modalités mutuellement exclusives et collectivement exhaustives : présence ou absence d’un épisode dépressif caractérisé, rechute ou maintien de l’abstinence tabagique, échec ou réussite à un examen standardisé, démission volontaire ou maintien dans l’organisation. D’un point de vue quantitatif, ces modalités sont conventionnellement codées par les valeurs numériques discrètes 0 (indiquant l’absence du phénomène, la modalité de référence ou l’échec) et 1 (indiquant la présence de l’événement d’intérêt, le cas clinique ou le succès).

L’application d’un modèle de régression linéaire par les moindres carrés ordinaires (MCO) à une telle variable dépendante binaire soulève des apories théoriques et mathématiques rédhibitoires. En premier lieu, le modèle linéaire ordinaire suppose que la variable dépendante est continue et que la relation entre les régresseurs et l’espérance mathématique de la réponse est linéaire. Appliquée à une variable binaire, cette approche (connue sous le nom de modèle de probabilité linéaire) produit fréquemment des prédictions absurdes, générant des probabilités estimées qui excèdent l’intervalle canonique [0, 1]. Prédire une probabilité de récidive délinquante de 1,28 ou de -0,15 constitue un contresens probabiliste flagrant qui invalide la portée prédictive du modèle.

En second lieu, la distribution des résidus d’une variable binaire viole intrinsèquement le postulat d’homoscédasticité (constance de la variance de l’erreur) et de normalité des erreurs. La variance de la distribution de Bernoulli dépend directement de la probabilité de succès via la formule $\sigma^2 = p(1 – p)$. Dès lors que les prédicteurs modifient la valeur de $p$, la variance résiduelle varie inévitablement en fonction des valeurs des variables indépendantes, générant une hétéroscédasticité structurelle irréductible. Les erreurs types associées aux coefficients de régression linéaire deviennent alors biaisées, invalidant l’ensemble des tests inférentiels classiques (tests $t$ de Student, tests $F$ de Fisher).

Pour contourner ces impasses, la régression logistique binaire recourt à une fonction de liaison non linéaire : la transformation logit. Au lieu de modéliser directement la probabilité brute $p$, le modèle calcule d’abord la cote de survenue de l’événement (odds), définie par le rapport entre la probabilité que l’événement se produise et la probabilité qu’il ne se produise pas, soit $p / (1 – p)$. Cette cote, qui s’étend sur l’intervalle $[0, +\infty[$, est ensuite convertie en son logarithme népérien, générant la métrique du logit :

$$\text{logit}(p) = \ln\left(\frac{p}{1 – p}\right)$$

Cette double transformation mathématique permet de projeter une probabilité bornée entre 0 et 1 sur une échelle continue s’étendant de $-\infty$ à $+\infty$. La relation entre les prédicteurs continus ou catégoriels et le logit de la réponse redevient linéaire, permettant l’estimation sans contrainte de coefficients non bornés tout en garantissant, par la transformation logistique inverse (la fonction sigmoïde), que toute probabilité recalculée se situera rigoureusement et asymptotiquement à l’intérieur de l’espace probabiliste [0, 1]. Cette élégance mathématique en fait l’outil privilégié pour traiter les problématiques catégorielles les plus exigeantes de la psychométrie contemporaine.

1.2 Rôle de la régression logistique dans la recherche comportementale

Dans l’écosystème de la recherche comportementale, la régression logistique occupe une place centrale en raison de sa capacité singulière à formaliser des décisions humaines et des états psychologiques complexes sous forme probabiliste. Contrairement aux approches bivariées classiques telles que le test du Chi-deux d’indépendance ou le test $t$ sur deux groupes, la régression logistique offre une architecture multivariée robuste capable d’isoler l’effet propre d’un facteur psychologique spécifique tout en contrôlant rigoureusement l’influence de variables confusionnelles démographiques, cliniques ou contextuelles. Par exemple, lorsqu’un chercheur souhaite déterminer si le niveau d’alexithymie prédit le risque d’automutilation non suicidaire chez les adolescents, il est méthodologiquement impératif de contrôler statistiquement l’âge, le genre, la présence d’une comorbidité anxieuse et le statut socioéconomique de la famille. La régression logistique permet cette neutralisation statistique par ajustement simultané, garantissant que le coefficient attribué à l’alexithymie ne reflète pas un artefact attribuable à ces covariables.

De surcroît, la méthode offre une flexibilité remarquable quant à la nature des variables prédictives intégrées. Elle autorise la modélisation simultanée de régresseurs continus (scores à des échelles psychométriques de dépression, temps de réaction en millisecondes), de variables catégorielles nominales polytomiques (appartenance à différents groupes thérapeutiques, statut marital) et de variables ordinales (stades d’évolution d’une maladie, niveaux d’éducation). Cette polyvalence permet de tester des modèles théoriques intégrateurs où s’articulent des processus individuels et environnementaux.

Enfin, la régression logistique répond à une double finalité épistémologique au sein des sciences du comportement : l’explication théorique et la prédiction pragmatique. Sur le plan explicatif, elle quantifie la magnitude et la directionnalité des liens entre les dimensions psychologiques et l’occurrence d’un comportement, apportant des éléments empiriques décisifs pour valider ou falsifier des modèles étiologiques. Sur le plan prédictif, particulièrement valorisé en psychologie de la santé et en neuropsychologie clinique, elle permet de construire des algorithmes de dépistage et de stratification du risque, traduisant le profil multidimensionnel d’un patient en une probabilité individualisée d’évolution pathologique. Cette dualité exige une précision méthodologique sans faille lors de la communication des résultats, afin de ne pas induire en erreur la communauté scientifique ou les praticiens de terrain.

1.3 Objectifs de communication scientifique des résultats

La communication scientifique des résultats issus d’une régression logistique ne saurait se réduire à une simple énumération mécanique de valeurs statistiques extraites d’un logiciel comme SPSS, R, Jamovi ou SAS. Elle constitue un acte de transmission épistémique qui doit satisfaire aux plus hauts standards de transparence, d’intégrité et de reproductibilité méthodologique, tels que défendus par la politique éditoriale de l’APA et les initiatives de science ouverte (Open Science Framework). Le premier objectif de cette communication réside dans la reproductibilité calculatoire : le lecteur doit disposer de l’intégralité des paramètres numériques nécessaires pour reconstituer l’équation de régression complète, évaluer la précision de chaque coefficient et, le cas échéant, répliquer le modèle sur un échantillon indépendant ou l’agréger au sein d’une méta-analyse quantitative.

Le deuxième impératif éditorial concerne la transmission d’estimations non biaisées de la taille d’effet et de l’incertitude qui leur est associée. Le culte historique de la valeur $p$ (significativité statistique binaire) a souvent occulté la pertinence clinique et l’amplitude réelle des phénomènes observés. Rédiger convenablement une section de régression logistique implique de déplacer la focale vers les odds ratios (rapports de cotes) accompagnés impérativement de leurs intervalles de confiance à 95 %. Ces métriques permettent aux lecteurs de jauger non seulement si un effet diffère significativement de zéro, mais surtout si son amplitude possède une signification théorique ou appliquée substantielle au regard du domaine d’étude considéré.

Le troisième objectif réside dans la transparence descriptive des compromis analytiques adoptés par les auteurs. Tout modèle de régression logistique implique une série d’arbitrages statistiques : choix du seuil de classification, gestion des valeurs aberrantes ou influentes, stratégie de sélection des variables (méthodes hiérarchiques descendantes, forcées ou pas à pas), et traitement des données manquantes. Dissimuler ces choix sous un paragraphe générique affaiblit la validité de la recherche. L’alignement sur les directives internationales, telles que le guide STROBE (Strengthening the Reporting of Observational Studies in Epidemiology) ou les normes JARS-Quant (Journal Article Reporting Standards) de l’APA, constitue la garantie ultime d’une contribution scientifique pérenne, éthique et exempte de biais de publication.

2. Vérification et compte rendu des postulats statistiques préalables

2.1 L’indépendance des observations et la linéarité du logit

Bien que la régression logistique s’affranchisse des postulats restrictifs de normalité des résidus et d’homoscédasticité propres aux modèles linéaires, elle repose sur des hypothèses fondamentales dont la violation compromet gravement la validité des inférences statistiques. Le premier postulat incontournable est celui de l’indépendance des observations. Chaque paire de données (mesure des prédicteurs et statut de la variable dépendante) doit provenir d’une unité d’observation indépendante. Si les données présentent une structure hiérarchique, emboîtée ou longitudinale (mesures répétées chez un même individu au cours du temps, patients regroupés au sein de différents centres hospitaliers, élèves nichés dans des classes scolaires), les termes d’erreur sont inévitablement corrélés. Dans de telles situations, l’application d’une régression logistique standard sous-estime drastiquement les erreurs types, provoquant une inflation artificielle des erreurs de type I (faux positifs). Les auteurs doivent formellement mentionner que le schéma d’échantillonnage garantit cette indépendance ou, à défaut, justifier le recours à des modélisations mixtes généralisées (GLMM) ou à des équations d’estimation généralisées (GEE).

Le second postulat critique concerne la linéarité de la relation entre les variables prédictives continues et la transformation logit de la variable réponse. Si la relation entre un score d’anxiété continue et le logit de survenue d’une crise d’angoisse n’est pas linéaire mais curvilinéaire ou sigmoïdale, les coefficients estimés seront biaisés et le pouvoir de prédiction du modèle sera drastiquement dégradé. L’évaluation de ce postulat s’opère canoniquement par le test de Box-Tidwell, développé par Box et Tidwell (1962). Cette procédure diagnostique consiste à intégrer dans le modèle logistique, en sus des variables originales, des termes d’interaction formés par le produit de chaque prédicteur continu avec son propre logarithme népérien ($X \times \ln(X)$) :

$$\text{logit}(p) = \beta_0 + \beta_1 X + \beta_2 [X \ln(X)]$$

Si le coefficient associé à ce terme d’interaction s’avère statistiquement significatif au seuil préalablement corrigé pour les comparaisons multiples (par exemple, ajustement de Bonferroni), le postulat de linéarité du logit est formellement violé pour le prédicteur testé. La rédaction de cette vérification doit figurer explicitement dans la section méthodologique ou au début de la section des résultats. On indiquera, par exemple : « L’évaluation du postulat de linéarité du logit pour les variables continues a été conduite à l’aide de la procédure de Box-Tidwell. Avec une correction de Bonferroni fixant le seuil de significativité à $\alpha = .0125$ pour les quatre régresseurs continus, aucun des termes d’interaction prédicteur-logarithme n’a atteint le seuil critique (tous les $p > .08$), attestant de la validité de l’hypothèse de linéarité dans l’espace logit. » En cas d’infraction, les auteurs doivent exposer les transformations non linéaires appliquées (logarithmique, racine carrée, catégorisation par quantiles justifiée, ou splines cubiques restreintes).

2.2 Détection et rapport de la multicolinéarité

La multicolinéarité désigne une situation où deux ou plusieurs variables prédictives au sein du modèle partagent des corrélations linéaires excessivement fortes, créant une redondance informationnelle délétère. En régression logistique, une multicolinéarité prononcée n’affecte pas l’ajustement global du modèle ni les capacités prédictives globales, mais elle gonfle de manière disproportionnée la variance d’échantillonnage et les erreurs types associées aux coefficients de régression individuels ($SE$). Les estimations des coefficients deviennent hautement instables, dépendantes d’infimes variations échantillonnales, et les tests de significativité de Wald perdent leur puissance, conduisant fréquemment à la non-rejection erronée de l’hypothèse nulle pour des régresseurs pourtant dotés d’un effet substantiel.

Le diagnostic de la multicolinéarité s’effectue généralement par l’examen des facteurs d’inflation de la variance (VIF, Variance Inflation Factor) et de leurs inverses, les indices de tolérance ($1/\text{VIF}$). Bien que calculés traditionnellement sur les matrices de corrélation des modèles linéaires, ces indicateurs sont universellement reconnus et acceptés pour le diagnostic préliminaire des modèles logistiques. Les seuils d’alerte consensuels dans la littérature méthodologique en psychologie fixent généralement la limite d’inacceptabilité à un VIF supérieur à 5 ou 10, correspondant respectivement à des tolérances inférieures à 0,20 ou 0,10, bien que certains auteurs rigoristes préconisent un seuil de VIF supérieur à 2,5 ou 3 en présence d’échantillons de taille modeste.

La formulation narrative du contrôle de la multicolinéarité dans le manuscrit doit être systématique et concise. Les auteurs doivent rapporter les valeurs extrêmes observées : « Avant l’ajustement final du modèle logistique, l’absence de multicolinéarité excessive entre les prédicteurs a été vérifiée. Les indices de tolérance s’échelonnaient de 0,64 à 0,91, et les facteurs d’inflation de la variance demeuraient largement en deçà des seuils d’alerte méthodologiques conventionnels ($\text{VIF}_{\max} = 1,56$), confirmant que les erreurs types des estimations n’étaient pas distordues par une intercorrélation délétère entre les régresseurs. » Si une multicolinéarité sévère est détectée, le texte doit documenter de manière transparente les mesures palliatives adoptées : suppression raisonnée d’une variable redondante, agrégation factorielle des indicateurs au sein d’un score composite unique, ou recours à une régression logistique pénalisée (Ridge ou Lasso).

2.3 Gestion des observations influentes et des données aberrantes

L’estimation des paramètres en régression logistique étant gouvernée par la méthode du maximum de vraisemblance, elle s’avère particulièrement vulnérable à l’influence disproportionnée de cas isolés présentant des configurations de données extrêmes ou atypiques. L’identification rigoureuse de ces observations requiert l’examen conjoint de plusieurs métriques résiduelles standardisées et indices de levier.

Les résidus déviants standardisés et les résidus de Pearson standardisés constituent les outils de dépistage de premier ordre des observations mal ajustées par le modèle (résidus aberrants). Une règle d’évaluation universellement acceptée stipule que des valeurs résiduelles excédant un seuil absolu de $|z| > 2,58$ ou $|z| > 3,00$ signalent des cas potentiellement anormaux qui s’écartent significativement des prédictions probabilistes du modèle. Parallèlement, l’effet de levier (leverage, noté $h_{ii}$), qui mesure la distance d’un profil de prédicteurs par rapport au centroïde des covariables dans l’espace multidimensionnel, permet d’isoler les profils atypiques. Tout point de levier excédant deux à trois fois la valeur de levier moyenne ($\bar{h} = (k+1)/N$, où $k$ représente le nombre de prédicteurs et $N$ la taille de l’échantillon) mérite une surveillance accrue.

Enfin, pour évaluer l’impact combiné du résidu et du levier sur l’ensemble des coefficients estimés, les chercheurs s’appuient sur la distance de Cook adaptée à la régression logistique ou sur les statistiques DFBeta. Une distance de Cook approchant ou dépassant la valeur de 1,00 signale une observation influente capable d’altérer unilatéralement la magnitude et la trajectoire des paramètres du modèle. La gestion de ces données exige une honnêteté rédactionnelle totale : la suppression arbitraire de cas sans justification théorique est formellement proscrite. Les auteurs doivent rapporter la présence éventuelle de ces cas et indiquer si leur exclusion modifie substantiellement les conclusions substantielles du modèle (analyse de sensibilité).

Parallèlement à la détection des cas influents, le chercheur doit obligatoirement attester du respect de la règle de dimensionnement échantillonnal, historiquement formalisée par la métrique des événements par variable (EPV, Events Per Variable). Découlant des travaux de Peduzzi et al. (1996), cette règle méthodologique exige un minimum de 10 à 20 événements appartenant à la catégorie la moins représentée de la variable réponse pour chaque paramètre estimé dans le modèle. Un ratio inférieur expose à un surajustement massif (overfitting), caractérisé par des coefficients artificiellement gonflés et une instabilité majeure lors des tentatives de réplication externe.

3. Évaluation globale et rapport de l’ajustement du modèle

3.1 Test du rapport de vraisemblance (Omnibus Test)

L’évaluation inférentielle d’un modèle de régression logistique s’inaugure invariablement par l’examen de sa performance globale comparativement à un modèle nul (ou modèle baseline) ne contenant que le terme d’interception (la constante). Cette comparaison repose sur le test du rapport de vraisemblance, communément qualifié de test omnibus du modèle dans les sorties logicielles comme SPSS. Mathématiquement, ce test compare la déviance résiduelle du modèle nul (notée $-2\text{LL}_0$) à la déviance résiduelle du modèle spécifié intégrant l’ensemble des prédicteurs (notée $-2\text{LL}_1$). La déviance résiduelle, définie par $-2 \times \ln(L)$ où $L$ symbolise la fonction de vraisemblance maximisée, quantifie la quantité d’information empirique non expliquée par le modèle ; par analogie avec la régression classique, elle se comporte comme la somme des carrés des erreurs.

La statistique du test correspond à la différence directe entre ces deux déviances :

$$\chi^2 = (-2\text{LL}_0) – (-2\text{LL}_1)$$

Cette différence suit asymptotiquement une distribution théorique de Chi-deux ($\chi^2$) dont les degrés de liberté ($ddl$) sont rigoureusement égaux au nombre de prédicteurs (ou de paramètres additionnels) ajoutés dans l’équation. Une valeur de $\chi^2$ statistiquement significative (typée $p < .05$) permet de rejeter l’hypothèse nulle fondamentale selon laquelle tous les coefficients de régression$beta_1, beta_2, dots, beta_k$ sont simultanément égaux à zéro. Cela démontre formellement que l’introduction des variables indépendantes améliore de manière statistiquement démontrable l’ajustement aux données empiriques par rapport à une prédiction purement aléatoire calquée sur le taux de base.

Sur le plan rédactionnel, le compte rendu de ce test doit inclure scrupuleusement la valeur du Chi-deux, les degrés de liberté, la taille totale de l’échantillon analysé et la valeur exacte de la significativité ($p$). Une formulation narrative académique rigoureuse se présente sous la forme suivante : « L’évaluation globale du modèle par le test du rapport de vraisemblance s’est révélée hautement significative, $\chi^2(4, N = 385) = 64,82$, $p < .001$,$-2text{LL} = 412,35$, attestant que l’intégration conjointe des prédicteurs améliore substantiellement la capacité prédictive par rapport au modèle nul constitué de la seule constante. » L’omission de cette étape préliminaire prive le lecteur de la preuve irréfutable de l’utilité globale de l’analyse multivariée.

3.2 Test d’adéquation de Hosmer-Lemeshow

Tandis que le test omnibus évalue si le modèle prédit globalement mieux que le hasard, le test d’adéquation (goodness-of-fit) de Hosmer et Lemeshow (2013) examine à quel point les probabilités prédites par le modèle calibré s’accordent fidèlement avec les fréquences réelles observées au sein de l’échantillon empirique. Le principe algorithmique consiste à ordonner les sujets par ordre croissant selon leur probabilité prédite d’événement, puis à partitionner l’échantillon en sous-groupes de taille approximativement égale, traditionnellement dix déciles de risque. Pour chaque décile, la statistique compare le nombre d’événements observés et attendus selon la formule :

$$H = \sum_{g=1}^{G} \frac{(O_g – N_g \bar{\pi}_g)^2}{N_g \bar{\pi}_g (1 – \bar{\pi}_g)}$$

Cette statistique suit approximativement une loi de Chi-deux à $G – 2$ degrés de liberté (soit généralement $10 – 2 = 8$ degrés de liberté pour un découpage en déciles standard).

L’interprétation inférentielle du test de Hosmer-Lemeshow présente une particularité logique capitale qui déroute fréquemment les chercheurs non avertis : c’est le non-rejet de l’hypothèse nulle ($p > .05$) qui constitue la preuve d’un calibrage et d’un ajustement satisfaisants du modèle. L’hypothèse nulle postule en effet qu’il n’y a pas de différence statistiquement significative entre les effectifs observés empiriquement et les effectifs calculés par le modèle logistique. Une valeur $p < .05$ témoigne d'un manque d'ajustement (poor fit), révélant que le modèle surévalue ou sous-évalue systématiquement le risque pour certaines strates de probabilité de l’échantillon.

Toutefois, une vigilance méthodologique s’impose quant aux limites inhérentes à ce test. Dans les échantillons de très grande taille ($N > 1000$), le test de Hosmer-Lemeshow devient hypersensible à des déviations minimes et cliniquement négligeables, conduisant à des rejets abusifs de l’adéquation. Inversement, dans de petits échantillons, sa puissance statistique médiocre échoue à détecter des erreurs de spécification structurelles. Les auteurs doivent rapporter ce test avec nuance : « Le calibrage du modèle a été confirmé par le test d’adéquation de Hosmer et Lemeshow, $\chi^2(8) = 6,24$, $p = .620$, révélant l’absence de divergence significative entre les taux de prédiction modélisés et les fréquences réelles observées à travers les déciles de risque. »

3.3 Critères d’information pour la comparaison de modèles

Lorsque la démarche analytique implique la confrontation de plusieurs modèles concurrents ou l’emboîtement successif de blocs de prédicteurs (régression logistique hiérarchique), l’ajustement absolu ne suffit plus : il convient d’arbitrer entre la qualité de l’ajustement empirique et la complexité paramétrique du modèle. Deux métriques fondées sur la théorie de l’information s’imposent dans les publications internationales : le critère d’information d’Akaike (AIC, Akaike Information Criterion) et le critère d’information bayésien de Schwarz (BIC, Bayesian Information Criterion).

L’AIC pénalise la déviance en fonction directe du nombre de paramètres estimés ($k$) selon la formule classique :

$$\text{AIC} = -2\ln(L) + 2k$$

Le BIC, fondé sur une logique bayésienne plus conservatrice, applique une pénalité plus sévère qui croît de manière logarithmique avec la taille d’échantillon $N$ :

$$\text{BIC} = -2\ln(L) + k \cdot \ln(N)$$

Ces critères ne possèdent aucune échelle d’évaluation absolue ni de seuil de significativité binaire $p$. Leur utilité est strictement comparative et différentielle : face à deux modèles concurrents appliqués sur le même jeu de données, le modèle présentant les valeurs d’AIC et de BIC les plus faibles est désigné comme supérieur, car offrant le compromis optimal entre parcimonie et pouvoir explicatif. Une diminution d’AIC supérieure à 2 unités ($\Delta\text{AIC} > 2$) est généralement admise comme un indicateur probant de supériorité d’un modèle, tandis qu’une baisse excédant 10 unités atteste d’une supériorité écrasante du modèle enrichi.

Dans la rédaction du manuscrit, particulièrement dans le cadre d’analyses par blocs séquentiels, le chercheur documentera ces évolutions méthodiques : « L’adjonction des variables cognitives au Bloc 2 s’est traduite par une diminution sensible du critère d’information d’Akaike ($\Delta\text{AIC} = 14,20$ ; Modèle 1 $\text{AIC} = 485,10$ vs Modèle 2 $\text{AIC} = 470,90$) ainsi que du critère bayésien ($\text{BIC} = 492,15$ vs $481,30$), démontrant empiriquement que le gain d’ajustement compense largement le coût de complexification induit par ces régresseurs supplémentaires. »

4. Interprétation et communication des indices de pseudo-R²

4.1 Spécificités des pseudo-R² par rapport au R² linéaire

Dans le paradigme de la régression linéaire classique, le coefficient de détermination ordinaire ($R^2$) jouit d’une interprétation conceptuelle directe, intuitive et universellement partagée : il représente avec exactitude la proportion de la variance totale de la variable dépendante continue directement expliquée par la combinaison linéaire des régresseurs. En régression logistique, cette notion intuitive de « variance expliquée » s’effondre conceptuellement. La variable dépendante étant binaire, sa variance totale est une fonction directe de sa moyenne probabiliste ($p(1-p)$) et ne se décompose pas selon les principes additifs de la somme des carrés propres aux modèles linéaires par les moindres carrés.

Pour combler cette attente descriptive des chercheurs et fournir une approximation synthétique de la force d’association, les statisticiens ont développé une panoplie d’indices désignés sous le vocable de « pseudo-$R^2$ ». Ces métriques sont fondées sur la comparaison des fonctions de vraisemblance maximisées entre le modèle estimé et le modèle nul (contenant uniquement la constante). Il est d’une impérieuse nécessité méthodologique de ne jamais assimiler textuellement un pseudo-$R^2$ à un véritable coefficient de détermination. Un pseudo-$R^2$ ne quantifie en aucune manière une « proportion de variance expliquée de la variable de réponse », mais évalue un gain proportionnel de log-vraisemblance.

Les auteurs doivent faire preuve d’une grande prudence discursive : qualifier un pseudo-$R^2$ de 0,25 d’indicateur d’un modèle « faible » par analogie avec un $R^2$ linéaire constitue une erreur d’appréciation fréquente. Les pseudo-$R^2$ génèrent structurellement des amplitudes numériques sensiblement inférieures à celles rencontrées dans les modèles continus gaussiens. Il convient donc de rapporter systématiquement la typologie exacte de l’indice employé et de contextualiser sa portée par rapport aux standards observés dans la discipline psychologique de référence.

4.2 Indices de Cox & Snell et de Nagelkerke

Parmi les multiples déclinaisons algorithmiques de pseudo-$R^2$, les indices de Cox & Snell et de Nagelkerke constituent les indicateurs les plus omniprésents dans la recherche comportementale, principalement en raison de leur intégration par défaut dans le logiciel IBM SPSS Statistics. L’indice de Cox et Snell (1989) est formulé à partir du ratio des fonctions de vraisemblance :

$$R^2_{\text{CS}} = 1 – \left(\frac{L_0}{L_1}\right)^{2/N}$$

Bien que mathématiquement élégant, cet indice présente une tare théorique majeure : sa borne supérieure théorique ne peut jamais atteindre la valeur unitaire de 1,00, même en présence d’une prédiction absolue et parfaite des observations. La valeur maximale atteignable est bornée par $1 – (L_0)^{2/N}$, qui demeure systématiquement inférieure à 0,75 pour la plupart des taux de prévalence observés dans les données réelles. Cette caractéristique le rend malaisé à interpréter pour le lectorat académique généraliste.

Pour remédier à cette troncature structurelle, Nagelkerke (1991) a proposé une normalisation rigoureuse de l’indice de Cox & Snell en divisant la valeur de $R^2_{\text{CS}}$ par sa valeur maximale théorique possible :

$$R^2_{\text{Nagelkerke}} = \frac{R^2_{\text{CS}}}{1 – (L_0)^{2/N}}$$

Cette correction élémentaire permet à l’indice de s’étendre sur l’intervalle canonique standard $[0, 1]$, rendant l’échelle conceptuellement plus familière aux chercheurs. Un modèle capable de séparer sans aucune erreur les deux catégories de la variable dichotomique affichera un $R^2$ de Nagelkerke de 1,00.

Dans la section Résultats, la formulation conjointe de ces deux mesures doit s’effectuer de manière transparente : « L’ensemble des variables prédictives permet d’expliquer une part substantielle de l’incertitude du statut clinique, comme en témoignent les indices de pseudo-$R^2$ de Cox et Snell ($R^2_{\text{CS}} = .18$) et de Nagelkerke ($R^2_{\text{N}} = .26$), suggérant un ajustement modéré à substantiel au regard des standards habituels en psychopathologie cognitive. »

4.3 L’indice de McFadden et autres alternatives modernes

En dépit de l’hégémonie historique des sorties de SPSS favorisant Nagelkerke, une proportion croissante d’experts en biométrie et de logiciels statistiques modernes (notamment l’environnement R via les packages pscl ou performance, ainsi que Stata) privilégient sans équivoque le pseudo-$R^2$ de McFadden (1974), également désigné sous le terme de ratio de log-vraisemblance :

$$R^2_{\text{McFadden}} = 1 – \frac{\ln(L_1)}{\ln(L_0)}$$

La beauté conceptuelle de l’indice de McFadden réside dans son analogie directe avec la formulation de la variance non expliquée du modèle linéaire ordinaire. Le rapport $\ln(L_1)/\ln(L_0)$ quantifie le degré de résidu de log-vraisemblance subsistant dans le modèle complet par rapport au modèle nul. Si le modèle ne prédit absolument rien de mieux que le taux de base, $\ln(L_1) = \ln(L_0)$ et l’indice est égal à 0. Si le modèle prédit la variable réponse avec une perfection probabiliste totale, $\ln(L_1) = 0$, conduisant à un indice de 1,00.

L’interprétation de la magnitude de l’indice de McFadden obéit à des normes empiriques singulières formulées initialement par l’auteur lui-même : des valeurs comprises entre 0,20 et 0,40 sont considérées comme témoignant d’un ajustement hautement satisfaisant et correspondent empiriquement à des coefficients de détermination linéaires situés entre 0,70 et 0,90. Un chercheur publiant dans une revue de psychométrie computationnelle ou d’économétrie comportementale aura tout intérêt à consigner explicitement cet indice : « L’ajustement local du modèle s’avère particulièrement robuste, attesté par un indice de McFadden de $R^2_{\text{McF}} = .24$, une valeur excédant le seuil usuel de 0,20 et signalant une excellente performance explicative globale du modèle sans signe apparent de surajustement statistique. »

5. Présentation des coefficients de régression logistique et tests de Wald

5.1 Le coefficient non standardisé (B) et son signe

Le paramètre central estimé par l’algorithme du maximum de vraisemblance est le coefficient non standardisé, universellement désigné par la lettre $B$ ou la lettre grecque $\beta$. D’un point de vue strictement mathématique, le coefficient $B$ quantifie la variation attendue de la variable réponse exprimée en unités de logit (c’est-à-dire le logarithme népérien des cotes, ou log-odds) pour chaque augmentation d’une unité sur l’échelle de mesure de la variable prédictive correspondante, toutes les autres variables du modèle étant maintenues strictement constantes.

Le signe arithmétique de $B$ fournit une information directionnelle immédiate sur la nature du lien :

• Un coefficient $B$ strictement positif ($B > 0$) indique qu’une augmentation de la valeur du prédicteur est corrélée à une hausse des log-odds de l’événement, ce qui se traduit directement par une augmentation de la probabilité d’occurrence de la modalité codée 1.
• Un coefficient $B$ strictement négatif ($B < 0$) traduit une diminution des log-odds, signifiant qu’une élévation du prédicteur est associée à un abaissement de la probabilité d’occurrence de l’événement cible (effet protecteur ou inhibiteur).
• Un coefficient nul ($B = 0$) matérialise une indépendance stochastique parfaite entre le prédicteur et la variable réponse.

Cependant, l’interprétation intuitive directe de la magnitude brute de $B$ s’avère cognitivement ardue, car les êtres humains ne raisonnent pas spontanément en termes d’unités de logarithmes népériens de cotes. Par conséquent, si le compte rendu de $B$ demeure obligatoire pour des impératifs d’équation structurelle et de calcul de taille d’effet, son explicitation narrative se réalise quasi-systématiquement via sa conversion exponentielle sous forme d’odds ratio. Selon les prescriptions de l’APA (7e édition), les coefficients $B$ doivent être rapportés avec deux ou trois décimales de précision (ex. : $B = 0,42$ ou $B = -1,234$), en incluant obligatoirement le zéro initial avant la virgule, puisque la valeur du logit peut théoriquement excéder l’unité.

5.2 L’erreur-type (SE B) et sa fonction inférentielle

L’erreur-type associée au coefficient de régression non standardisé, universellement abrégée par $SE B$ (pour Standard Error) ou $ET B$ dans les publications francophones, constitue la mesure d’incertitude d’échantillonnage attachée à l’estimation ponctuelle de $B$. Elle quantifie la dispersion asymptotique attendue de l’estimation de $B$ si l’on répétait indéfiniment l’extraction d’échantillons aléatoires de même taille issus de la même population parente. L’erreur-type remplit une fonction inférentielle capitale : elle forme le dénominateur de tous les tests d’hypothèse portant sur les paramètres individuels et détermine directement la largeur de l’intervalle de confiance du coefficient.

Au-delà de son rôle statistique classique, l’examen méticuleux du $SE B$ constitue un puissant outil diagnostique pour repérer une anomalie méthodologique majeure : le phénomène de séparation quasi-complète ou séparation parfaite des données (également désigné sous l’étiquette de problème de quasi-séparation). Cet écueil survient lorsqu’un prédicteur catégoriel (ou une combinaison de prédicteurs) sépare parfaitement les modalités 0 et 1 de la variable dépendante, créant une case vide dans un tableau de contingence (par exemple, si aucun patient du groupe témoin n’a connu de rémission). Dans cette éventualité, l’algorithme d’optimisation numérique ne converge plus correctement : le coefficient $B$ explose vers des valeurs extrêmes irréalistes (ex. : $B = 25,4$), tandis que son erreur-type atteint des proportions gigantesques (ex. : $SE = 1845,3$).

Tout manuscrit présentant des erreurs-types démesurées signale une faille méthodologique grave qui invalide totalement l’inférence. Les auteurs doivent rapporter systématiquement le $SE B$ immédiatement après le coefficient non standardisé, souvent entre parenthèses au sein du texte ($B = 0,54, SE = 0,18$) ou dans une colonne dédiée au sein des tableaux statistiques, permettant aux relecteurs d’attester de la stabilité numérique des algorithmes de convergence.

5.3 La statistique de Wald et sa valeur p

Pour statuer sur la significativité statistique individuelle de chaque prédicteur, la procédure standard la plus répandue consiste à déployer le test de Wald. Cette statistique teste l’hypothèse nulle $H_0 : B_j = 0$ contre l’hypothèse bilatérale alternative $H_1 : B_j \neq 0$. La statistique de Wald classique repose sur le carré du quotient du coefficient non standardisé par son erreur-type asymptotique :

$$\text{Wald } \chi^2 = \left(\frac{B}{SE B}\right)^2$$

Cette statistique suit sous l’hypothèse nulle une distribution théorique de Chi-deux à 1 degré de liberté. Alternativement, de nombreux progiciels statistiques (tels que le langage R via la fonction glm()) rapportent la racine carrée non quadratique de cette statistique, désignée sous le nom de statistique $z$ de Wald ($z = B / SE B$), qui suit asymptotiquement une loi normale centrée réduite ($\mathcal{N}(0, 1)$). Les deux approches sont rigoureusement équivalentes d’un point de vue probabiliste ($\chi^2_1 = z^2$).

Néanmoins, les méthodologistes alertent depuis longtemps sur une vulnérabilité critique inhérente au test de Wald : le paradoxe de Hauck-Donner (Hauck & Donner, 1977). Lorsque la taille réelle de l’effet est extrêmement puissante (c’est-à-dire que le coefficient $B$ est très élevé), l’erreur-type asymptotique calculée par l’algorithme a tendance à croître plus rapidement que le coefficient lui-même. En conséquence directe, le ratio $B / SE B$ décroît paradoxalement, conduisant le test de Wald à échouer à rejeter l’hypothèse nulle ($p > .05$) pour des variables dotées d’un impact empirique massif. Face à des coefficients très élevés ou à des échantillons de taille réduite, les méthodologistes recommandent d’utiliser plutôt le test du rapport de vraisemblance profilé pour chaque variable individuelle.

Dans la prose rédactionnelle, la significativité doit être rapportée de manière formelle sans ambiguïté : « L’anxiété préopératoire prédisait de façon significative la survenue de complications post-anesthésiques, Wald $\chi^2(1) = 8,94$, $p = .003$ ($z = 2,99$). » On veillera à proscrire rigoureusement les formulations abusives du type « effet marginalement significatif » pour des seuils $p$ compris entre .05 et .10, la prudence académique imposant de s’en tenir aux conventions de décision préalable du protocole.

6. Maîtrise et formulation narrative des Odds Ratios [Exp(B)]

6.1 Calcul et conversion mathématique des log-odds en Odds Ratios

L’Odds Ratio (OR), désigné en français sous les terminologies interchangeables de « rapport de cotes » ou « risque relatif approché », représente la métrique reine de la régression logistique. Il constitue la mesure d’amplitude d’effet préférentielle communiquée dans les revues biomédicales et psychologiques en raison de sa traduisibilité concrète sur le plan décisionnel. D’un point de vue calculatoire, l’odds ratio s’obtient directement en appliquant la fonction exponentielle au coefficient de régression non standardisé :

$$\text{OR} = \exp(B) = e^B$$

Pour appréhender la signification substantielle de l’OR, il est indispensable de maîtriser la distinction conceptuelle et arithmétique entre la probabilité brute ($p$) et la cote (odds). La probabilité correspond au ratio des événements favorables sur le nombre total d’événements possibles : $p = \text{événements} / \text{total}$. La cote, quant à elle, représente le rapport de la probabilité de survenue de l’événement sur la probabilité de son non-avènement :

$$\text{Cote} = \frac{p}{1 – p}$$

Par conséquent, l’odds ratio est le rapport entre deux cotes distinctes : celle caractérisant le groupe ou la condition d’exposition ($X + 1$) comparée à celle du groupe de référence ou de base ($X$).

La valeur charnière centrale de l’odds ratio est le point d’ancrage neutre de 1,00 :

• Un $\text{OR} = 1,00$ (dérivant de $e^0$) atteste d’une stricte équiprobabilité des cotes : le prédicteur n’exerce aucun impact sur la survenue de l’événement d’intérêt.
• Un $\text{OR} > 1,00$ (correspondant à un $B$ positif) démontre que des valeurs supérieures sur la variable prédictive sont associées à une augmentation des cotes d’occurrence du phénomène (effet multiplicatif de facilitation).
• Un $text{OR} < 1,00$ (correspondant à un $B$ négatif, borné strictement entre 0 et 1) signale que l’exposition au facteur diminue les cotes d’avènement de l’issue (effet protecteur ou inhibiteur).

Une confusion rédactionnelle fréquente et théoriquement condamnable consiste à utiliser le terme « risque » pour décrire un odds ratio. Un odds ratio n’est pas un risque relatif (RR). Le risque relatif compare des probabilités brutes ($p_1 / p_0$), tandis que l’OR compare des rapports de probabilités. Lorsque l’événement d’intérêt est rare dans la population étudiée (taux d’occurrence inférieur à 10 %, postulat de rareté des événements), l’OR approche numériquement le risque relatif. En revanche, dès lors que le taux de prévalence de base devient modéré ou élevé, l’odds ratio s’éloigne drastiquement du risque relatif, exagérant considérablement la perception de la force de l’association (effet de suramplification de l’effet). Il convient donc de toujours conserver l’expression stricte de « cotes » dans les comptes rendus qualitatifs.

6.2 Interprétation des prédicteurs continus

Pour une variable prédictive mesurée sur une échelle métrique continue (par exemple, un score psychométrique d’extraversion échelonné de 0 à 50, ou l’âge en années), l’odds ratio quantifie la variation multiplicative des cotes de l’événement réponse pour chaque augmentation d’une unité unitaire sur l’échelle de ce prédicteur, toutes les autres covariables du modèle étant maintenues rigoureusement constantes.

Afin de rendre cette quantification accessible et vivante dans le corps du texte académique, il est d’usage de transformer l’odds ratio en pourcentage d’évolution des cotes au moyen de l’opération mathématique :

$$Delta% = (\text{OR} – 1) \times 100$$

Si un chercheur étudie l’impact du score d’épuisement professionnel (continu) sur le départ volontaire d’une entreprise et obtient un coefficient $B = 0,223$, l’exponentiation fournit $\text{OR} = \exp(0,223) = 1,25$. Le calcul du pourcentage donne $(1,25 – 1) \times 100 = +25%$. La formulation narrative modèle s’articulera ainsi : « Pour chaque incrément d’un point sur l’échelle d’épuisement professionnel, la cote de démission volontaire des salariés s’accroît significativement de 25 % ($\text{OR} = 1,25$, IC 95 % [1,12 ; 1,39], $p < .001$), après ajustement pour l'ancienneté et la rémunération. »

Dans le cas d’un coefficient négatif, par exemple un score de résilience affichant un $B = -0,431$, l’odds ratio se calcule à $\text{OR} = \exp(-0,431) = 0,65$. L’opération produit $(0,65 – 1) \times 100 = -35%$. Le compte rendu textuel s’énoncera de la façon suivante : « Chaque augmentation unitaire du score de résilience psychologique est associée à une réduction de 35 % des cotes de développer une rechute dépressive ($\text{OR} = 0,65$, IC 95 % [0,52 ; 0,81], $p < .001$). »

Une précaution méthodologique cruciale s’impose lorsque l’unité de mesure d’un régresseur continu est infime par rapport à sa distribution totale (par exemple, le revenu annuel en euros ou le temps de réaction en millisecondes). Dans ces configurations, l’OR unitaire sera artificiellement proche de 1,000 (ex. : $\text{OR} = 1,0003$). Les auteurs doivent alors soit standardiser la variable (scores $z$), soit rescaper la métrique en amont (par exemple, exprimer la variable par tranches de 1 000 euros ou de 100 millisecondes) pour que l’estimation de l’OR acquière une pertinence théorique et pratique manifeste.

6.3 Interprétation des prédicteurs catégoriels et choix de la modalité de référence

L’introduction de variables indépendantes qualitatives (nominales ou ordinales) au sein du modèle requiert impérativement une opération de recodage sous forme de variables indicatrices (communément désigné sous l’anglicisme dummy coding ou codage disjonctif complet). Pour une variable comportant $k$ catégories distinctes, l’analyseur doit générer $k – 1$ variables indicatrices binaires (0 ou 1) et sélectionner formellement une catégorie qui servira de modalité de référence (le point zéro de comparaison).

L’interprétation de l’odds ratio associé à chaque modalité indicatrice reflète dès lors le rapport des cotes de survenue de l’événement cible pour le groupe évalué comparativement à la modalité de référence choisie, toutes choses étant égales par ailleurs. Il est scientifiquement impossible de comprendre ou d’évaluer un odds ratio sans connaître avec certitude l’identité de ce groupe de référence. L’omission de cette information constitue l’un des manquements rédactionnels les plus couramment relevés par les comités de lecture scientifique.

Le choix de la modalité de référence doit être théoriquement motivé : il peut s’agir d’une condition témoin ou placebo, du groupe le plus représentatif démographiquement, ou de la modalité dite « saine ». Considérons une recherche testant l’efficacité de deux formats de psychothérapie sur la rémission d’un état de stress post-traumatique, où les modalités sont le groupe « Prise en charge habituelle » (sélectionné comme référence), le groupe « Thérapie Cognitive et Comportementale classique (TCC) » et le groupe « Thérapie EMDR ». Si l’analyse fournit un $\text{OR} = 2,45$ pour la TCC et un $\text{OR} = 3,10$ pour l’EMDR, la formulation textuelle standardisée s’énoncera ainsi : « En prenant la prise en charge habituelle comme modalité de référence, les cotes de rémission clinique complète étaient significativement multipliées par un facteur de 2,45 chez les patients ayant bénéficié d’une TCC ($\text{OR} = 2,45$, IC 95 % [1,34 ; 4,48], $p = .004$) et par un facteur de 3,10 chez les individus ayant suivi le protocole EMDR ($\text{OR} = 3,10$, IC 95 % [1,68 ; 5,72], $p < .001$). » La rigueur syntaxique exige que le groupe cible et le groupe comparateur soient explicitement nommés dans la même phrase.

7. Rapportage rigoureux des intervalles de confiance à 95 % pour les Odds Ratios

7.1 Importance méthodologique de l’intervalle de confiance (IC 95 %)

L’estimation ponctuelle d’un odds ratio ne fournit qu’une valeur statique calculée sur un échantillon empirique unique soumis aux aléas d’échantillonnage. En vertu des standards contemporains de la science statistique et des exigences formelles stipulées dans le manuel de l’APA (7e édition), aucun odds ratio ne doit jamais être communiqué sans son intervalle de confiance bilatéral à 95 % (IC 95 %). L’intervalle de confiance offre une contextualisation probabiliste fondamentale : il borne avec un niveau de confiance choisi de 95 % la zone de plausibilité numérique au sein de laquelle réside la véritable amplitude de l’effet au niveau de la population parente asymptotique.

D’un point de vue clinique et théorique, l’intervalle de confiance délivre une information qualitativement supérieure à la valeur $p$. Une valeur $p$ hautement significative ($p < .001$) induite par un échantillon de très grande taille ($N = 10 000$) peut masquer un odds ratio dénué de toute portée pratique réelle, comme un $\text{OR} = 1,02$ avec un IC 95 % [1,01 ; 1,03]. L’examen des bornes supérieure et inférieure de l’intervalle permet au chercheur d’envisager le meilleur et le pire des scénarios cliniques compatibles avec les données. Si la borne inférieure de l’intervalle d’un programme d’intervention thérapeutique flirte avec la valeur nulle de 1,00 (ex. : IC 95 % [1,02 ; 3,45]), le chercheur doit tempérer son enthousiasme, l’effet potentiel pouvant être infime dans la population.

Inversement, un échantillon restreint souffrant d’un manque de puissance peut afficher une absence de significativité statistique ($p = .08$) tout en affichant un intervalle très large orienté vers des effets potentiellement gigantesques ($\text{OR} = 2,80$, IC 95 % [0,91 ; 8,62]). Dans ce cas, la conclusion ne doit pas être celle d’une « absence d’effet », mais celle d’une imprécision échantillonnale manifeste empêchant toute certitude conclusive, appelant à de nouvelles réplications dimensionnées adéquatement.

7.2 Règle décisionnelle liée à la valeur 1.00

Il existe une cohérence mathématique absolue et biunivoque entre le résultat du test d’hypothèse bilatéral au seuil $\alpha = .05$ et la position de l’intervalle de confiance à 95 % calculé sur la métrique de l’odds ratio. La règle décisionnelle s’articule impérativement autour de la valeur unitaire neutre 1,00 :

• Si la valeur 1,00 est exclue de l’intervalle de confiance à 95 % (c’est-à-dire si la borne inférieure est strictement supérieure à 1,00, ou si la borne supérieure est strictement inférieure à 1,00), alors l’effet du prédicteur est formellement jugé statistiquement significatif au seuil canonique de $p < .05$.
• Si la valeur 1,00 est englobée au sein de l’intervalle de confiance à 95 % (par exemple, un intervalle s’échelonnant de 0,85 à 1,45), il est mathématiquement impossible de rejeter l’hypothèse nulle au seuil de 5 %. La valeur $p$ associée au test de Wald sera inéluctablement supérieure à .05 ($p \geq .05$).

Cette règle décisionnelle découle directement du fait que l’intervalle de confiance de l’odds ratio est construit en exponentiant les bornes de l’intervalle de confiance calculé sur les coefficients des log-odds :

$$\text{IC}_{95%}[\text{OR}] = \left[ \exp(B – 1,96 \cdot SE B) ; \exp(B + 1,96 \cdot SE B) \right]$$

Sur l’échelle des log-odds, la valeur nulle d’absence d’effet est 0,00 ; lorsque $B – 1,96 \cdot SE B > 0$, l’exponentiation donne $exp(0) = 1,00$ comme valeur plancher exclue. Tout manuscrit présentant un $\text{OR}$ avec une valeur $p < .05$ alors que son IC 95 % comprend la valeur 1,00 (ou inversement) contient une anomalie arithmétique ou typographique majeure qui discrédite immédiatement l'expertise des auteurs auprès des évaluateurs.

7.3 Syntaxe typographique et conventions d’écriture

L’écriture académique des intervalles de confiance obéit à des conventions typographiques strictes fixées par les manuels de style internationaux, dont l’APA. En français, la rigueur méthodologique impose de combiner la clarté syntaxique avec les règles éditoriales francophones tout en maintenant l’universalité statistique.

Le formatage canonique stipule que l’intervalle de confiance doit être introduit par l’acronyme « IC 95 % » (ou « 95 % CI » en anglais) suivi des valeurs d’ancrage encadrées obligatoirement par des crochets fermants : [borne inférieure, borne supérieure]. Dans l’espace francophone, l’utilisation de la virgule comme séparateur décimal crée un risque majeur de confusion avec la virgule séparant les deux bornes. Il est donc hautement recommandé, dans les manuscrits rédigés en français, d’utiliser le point-virgule comme séparateur entre les deux bornes statistiques ou, si la revue francophone adopte la nomenclature décimale internationale à base de points, de séparer par une virgule classique.

Exemple de mise en forme conforme en français académique :
$\text{OR} = 1,84$, IC 95 % [1,22 ; 2,78]

Une observation critique concerne l’asymétrie naturelle de l’intervalle de confiance d’un odds ratio. Alors que l’intervalle calculé sur le coefficient $B$ est strictement symétrique autour de l’estimation ponctuelle ($B \pm 1,96 \cdot SE$), l’opération d’exponentiation brise cette linéarité : la distance entre la borne inférieure et l’OR est mathématiquement plus resserrée que la distance séparant l’OR de sa borne supérieure. Cette asymétrie n’est aucunement une erreur de calcul, mais le reflet fidèle de la distribution logarithmique sous-jacente s’étendant de 0 à l’infini.

8. Élaboration de tableaux de résultats conformes aux normes APA (7e édition)

8.1 Structure matricielle standardisée du tableau logistique

La communication synthétique des résultats d’une régression logistique requiert la conception d’un tableau synthétique exhaustif répondant aux normes éditoriales de l’APA (7e édition). Selon ces prescriptions, les tableaux ne doivent jamais comporter de lignes verticales séparatives. Seules trois lignes horizontales principales doivent structurer l’espace : une ligne sous le titre général du tableau, une ligne inférieure fermant l’en-tête des colonnes, et une ligne finale inférieure délimitant la base des données avant les notes de bas de tableau.

L’architecture matricielle standardisée organise les résultats en colonnes selon une séquence logique universelle :

1. Variable : Noms des variables prédictives, alignés à gauche, avec indentation claire des modalités indicatrices sous la variable qualitative parente.
2. $B$ : Coefficient de régression non standardisé.
3. $SE B$ : Erreur-type de l’estimation de $B$.
4. Wald $\chi^2$ : Statistique de Wald (ou alternativement la statistique $z$).
5. $ddl$ (optionnel) : Degrés de liberté (généralement omis si tous égaux à 1).
6. $p$ : Valeur exacte de significativité statistique (ex. : .024, et non $p < .05$, sauf pour$< .001$).
7. $\text{OR}$ ou $\text{Exp}(B)$ : Rapport de cotes ponctuel.
8. IC 95 % de l’OR : Colonne scindée ou unique regroupant les bornes inférieure et supérieure [BI, BS].

Tableau 1. Régression logistique binaire prédisant l’abandon des soins en cours de thérapie (N = 340)

Prédicteur	B	SE B	Wald $\chi^2$	p	OR	IC 95 %
Constante	-1,452	0,412	12,41	< .001	0,23	—
Âge (années)	-0,031	0,012	6,66	.010	0,97	[0,95 ; 0,99]
Alliance thérapeutique	-0,485	0,114	18,10	< .001	0,62	[0,49 ; 0,77]
Symptomatologie initiale	0,064	0,021	9,28	.002	1,07	[1,02 ; 1,11]
Modalité de thérapie (Réf. : TCC présentielle)
Téléconsultation	0,523	0,245	4,56	.033	1,69	[1,04 ; 2,73]
Format hybride	-0,118	0,268	0,19	.660	0,89	[0,53 ; 1,51]

8.2 Notes de bas de tableau et abréviations

Les notes disposées sous la bordure inférieure finale du tableau jouent un rôle déterminant dans l’intelligibilité autonome du document. Selon l’APA, un lecteur doit être capable de déchiffrer l’intégralité d’un tableau sans avoir à consulter le corps de l’article. Les notes de tableau se structurent formellement en trois strates successives : la note générale, la note spécifique et la note de probabilité.

La note générale (introduite par l’italique Note.) définit l’ensemble des acronymes utilisés dans les colonnes sans exception ($B$ = coefficient non standardisé, $SE B$ = erreur-type, Wald = statistique de Wald, $\text{OR}$ = rapport de cotes, IC = intervalle de confiance). Elle spécifie obligatoirement la nature du codage de la variable dépendante (par exemple : « Variable dépendante codée 0 = poursuite de la thérapie, 1 = abandon prématuré des soins. »). C’est également dans cette note générale que l’on intègre les métriques globales d’ajustement du modèle : test omnibus du Chi-deux global avec ses degrés de liberté, taille d’échantillon totale, déviance $-2\text{LL}$, et pseudo-$R^2$ de Cox & Snell et de Nagelkerke.

La note spécifique est mobilisée pour clarifier le choix des catégories de référence des prédicteurs qualitatifs (si non précisé dans le corps même des libellés du tableau) ou pour expliquer des données manquantes ciblées.

La note de probabilité détaille le barème conventionnel d’astérisques signalant la significativité statistique, aligné scrupuleusement sur les standards internationaux :
*p < .05. **p < .01. ***p < .001.

Modèle textuel type d’une note de tableau conforme :
Note. $N = 340$. $B$ = coefficient non standardisé ; $SE$ = erreur-type ; Wald = statistique de Wald ; $\text{OR}$ = odds ratio (rapport de cotes) ; IC = intervalle de confiance. Variable réponse codée 0 = persévérance, 1 = abandon. Ajustement global du modèle : $\chi^2(5) = 48,92$, $p < .001$ ; $-2\text{LL} = 382,14$ ; $R^2_{\text{Cox & Snell}} = .134$, $R^2_{\text{Nagelkerke}} = .192$. Test de Hosmer-Lemeshow : $\chi^2(8) = 5,43$, $p = .711$.

8.3 Organisation hiérarchique pour les modèles à étapes multiples

Lorsque la stratégie de recherche théorique repose sur une régression logistique hiérarchique (séquentielle par blocs), le tableau doit refléter l’évolution incrémentale de la modélisation à mesure que de nouveaux ensembles de prédicteurs sont intégrés. Cette configuration est classique lorsque les chercheurs souhaitent prouver la validité incrémentale de facteurs psychologiques par-dessus un ensemble préalable de variables démographiques ou biomédicales de contrôle.

La présentation idéale scinde le tableau en sections horizontales explicitement identifiées : « Étape 1 » (ou Bloc 1 : Variables de contrôle), suivie de « Étape 2 » (ou Bloc 2 : Prédicteurs psychologiques cibles). Pour chaque étape, les coefficients non standardisés $B$, les erreurs types et les odds ratios doivent être rapportés. Ce qui importe particulièrement dans cette architecture matricielle est la communication des métriques différentielles de gain d’ajustement entre deux étapes successives.

À la fin de chaque étape, une ligne intercalaire ou la note de bas de tableau doit renseigner :

• Le Chi-deux de bloc ($\Delta\chi^2$), qui teste formellement si l’adjonction du nouveau bloc de prédicteurs améliore de manière statistiquement significative la vraisemblance globale par rapport à l’étape précédente.
• Les degrés de liberté associés à cette variation ($\Delta ddl$).
• La valeur de significativité de cette amélioration ($p$).
• La variation incrémentale des pseudo-$R^2$ ($\Delta R^2_{\text{Nagelkerke}}$).

Cette rigueur tabulaire permet aux pairs d’évaluer instantanément si les variables cibles apportent un bénéfice explicatif réel ou si leur influence apparente n’est qu’un artefact imputable aux covariables préexistantes.

9. Modèles de formulations narratives pour le corps du manuscrit

9.1 Gabarits de phrases standardisés pour prédicteurs continus

L’intégration narrative des coefficients statistiques dans le corps du texte ne doit jamais consister en une lecture laborieuse du tableau, mais en une articulation fluide combinant le sens conceptuel des hypothèses et l’exactitude des paramètres mathématiques. Le style APA préconise une syntaxe où les statistiques soutiennent le propos sans briser la dynamique narrative de la phrase.

Modèle standard pour prédicteur continu à effet facilitateur (positif) :
« Une régression logistique binaire a été ajustée afin d’évaluer l’impact des traits de personnalité sur la survenue d’une rechute addictive au cours d’un suivi de 12 mois. Après contrôle du sexe et de l’âge des participants, le score d’impulsivité motrice est apparu comme un prédicteur statistiquement significatif de la récidive, $B = 0,084$, $SE = 0,028$, Wald $\chi^2(1) = 9,00$, $p = .003$. Pour chaque incrément d’un point sur l’échelle d’impulsivité, la cote de rechute augmente de 8,8 % ($\text{OR} = 1,09$, IC 95 % [1,03 ; 1,15]). »

Modèle standard pour prédicteur continu à effet protecteur (négatif) :
« Le niveau de soutien social perçu est associé de manière significative à une réduction de la probabilité de développer un épisode dépressif caractérisé post-partum, $B = -0,051$, $SE = 0,016$, Wald $\chi^2(1) = 10,16$, $p = .001$. Toutes choses étant égales par ailleurs, chaque unité additionnelle de soutien social perçu réduit les cotes de dépression de 4,9 % ($\text{OR} = 0,95$, IC 95 % [0,92 ; 0,98]). »

Modèle standard pour prédicteur non significatif :
« Contrairement aux hypothèses initialement formulées, le score d’intolérance à l’incertitude n’exerçait aucune influence statistiquement significative sur le statut d’adhésion thérapeutique, $B = 0,012$, $SE = 0,019$, Wald $\chi^2(1) = 0,40$, $p = .527$, $\text{OR} = 1,01$, IC 95 % [0,97 ; 1,05], suggérant que cette dimension cognitive n’altère pas directement la persévérance médicale dans cet échantillon clinique. »

9.2 Gabarits de phrases standardisés pour prédicteurs catégoriels

La verbalisation des prédicteurs qualitatifs exige de rappeler sans équivoque la catégorie servant d’étalon comparatif, en veillant à ne jamais formuler de comparaison sans ancrage relationnel.

Modèle pour variable catégorielle binaire (deux groupes) :
« Le statut d’activité professionnelle s’est révélé prédictif du renoncement aux soins de santé mentale, Wald $\chi^2(1) = 7,42$, $p = .006$. En retenant les personnes en situation d’emploi comme modalité de référence, les individus demandeurs d’emploi affichaient une cote de renoncement aux soins 2,15 fois plus élevée ($B = 0,765$, $SE = 0,281$, $\text{OR} = 2,15$, IC 95 % [1,24 ; 3,73]). »

Modèle pour variable nominale polytomique (trois modalités ou plus) :
« Le type de suivi psychiatrique ambulatoire influence significativement la survenue d’une réadmission hospitalière d’urgence à six mois, Wald $\chi^2(2) = 11,84$, $p = .003$. Comparativement au groupe témoin recevant le suivi standard (modalité de référence), les patients assignés au programme de gestion de cas intensive présentaient une diminution de 58 % de la cote de réhospitalisation ($B = -0,868$, $SE = 0,312$, Wald $\chi^2(1) = 7,74$, $p = .005$, $\text{OR} = 0,42$, IC 95 % [0,23 ; 0,77]). En revanche, l’assignation au groupe d’ateliers psychoéducatifs collectifs ne conférait aucun bénéfice statistique différencié par rapport au suivi standard ($B = -0,198$, $SE = 0,287$, Wald $\chi^2(1) = 0,48$, $p = .490$, $\text{OR} = 0,82$, IC 95 % [0,47 ; 1,44]). »

9.3 Rapport des effets d’interaction (modération) en régression logistique

La modélisation d’une interaction (effet modérateur) en régression logistique se formalise par l’introduction d’un terme multiplicatif entre deux prédicteurs ($X_1 \times X_2$). Son interprétation textuelle s’avère particulièrement délicate, car l’interaction s’évalue au niveau multiplicatif sur l’échelle des odds ratios, et additif sur l’échelle du logit.

Modèle de compte rendu pour une interaction continu $\times$ catégoriel :
« Afin de tester l’hypothèse d’une modération du soutien social dans la relation entre stress perçu et détresse psychologique sévère, un terme d’interaction multiplicatif (Stress $\times$ Soutien) a été intégré au modèle logistique. L’effet d’interaction s’est avéré statistiquement significatif, $B = -0,042$, $SE = 0,018$, Wald $\chi^2(1) = 5,44$, $p = .020$, $\text{OR} = 0,96$, IC 95 % [0,93 ; 0,99]. L’analyse des effets conditionnels (slopes simples) indique que l’impact délétère du stress perçu sur la détresse est massif chez les participants disposant d’un faible soutien social perçu (-1 ET : $B = 0,112$, $p < .001$,$text{OR} = 1,12$, IC 95 % [1,06 ; 1,18]), alors qu’il s’atténue substantiellement et perd sa significativité chez les individus bénéficiant d’un soutien social élevé (+1 ET :$B = 0,028$,$p = .214$,$text{OR} = 1,03$, IC 95 % [0,98 ; 1,08]). Cette dynamique atteste d’un effet protecteur par tamponnement du soutien social face au stress. »

Il est fortement encouragé dans ce type de configuration d’insérer une figure illustrant les probabilités prédites d’événement en fonction du continuum de la variable indépendante pour chaque niveau du modérateur (-1 ET, Moyenne, +1 ET), conférant à l’article une clarté visuelle et pédagogique immédiate.

10. Matrice de classification, sensibilité, spécificité et courbes ROC

10.1 Présentation de la matrice de confusion et exactitude globale

L’évaluation des performances pratiques d’un modèle logistique ne peut se cantonner à ses propriétés d’inférence globale et de calibrage. Elle requiert l’examen approfondi de ses compétences discriminatoires et de son utilité diagnostique concrète au moyen de la matrice de confusion (ou table de classification croisée). Cette matrice confronte le statut réel empirique des individus (lignes) à leur statut prédit par le modèle statistique (colonnes), permettant de décomposer les décisions probabilistes en quatre sous-groupes cardinaux : les vrais positifs (VP), les vrais négatifs (VN), les faux positifs (FP) et les faux négatifs (FN).

L’exactitude globale (overall accuracy) synthétise la proportion de sujets correctement classés par rapport à l’échantillon total :

$$\text{Exactitude} = \frac{\text{VP} + \text{VN}}{\text{VP} + \text{VN} + \text{FP} + \text{FN}}$$

Toutefois, la communication naïve du pourcentage global de classification sans mise en perspective avec le taux de base constitue une faute méthodologique majeure. Si un trouble neuropsychiatrique rare n’affecte que 5 % des individus d’une cohorte ($N = 1000$, soit 50 malades et 950 sujets sains), un algorithme purement aveugle qui classerait la totalité absolue des individus dans la catégorie « sain » afficherait une exactitude globale spectaculaire de 95 %, tout en présentant une inutilité clinique totale puisqu’il échouerait à identifier le moindre malade réel (sensibilité de 0 %).

Les auteurs doivent systématiquement comparer le taux de classement global obtenu à celui du modèle nul (taux de classification par le simple choix de la modalité majoritaire) et expliciter le seuil de coupure probabiliste (cut-off threshold) utilisé. Par convention aveugle, les logiciels affectent par défaut un seuil probabiliste fixé à $p \geq .50$ pour catégoriser une observation comme positive. Ce seuil arbitraire de 0,50 n’a de validité que si les effectifs des deux groupes sont approximativement équilibrés (50/50). Dès lors qu’une dissymétrie prévaut, ce seuil doit être formellement réajusté pour optimiser l’utilité clinique de la décision prédictive.

10.2 Rapport de la sensibilité et de la spécificité

Pour s’émanciper des distorsions liées au déséquilibre des classes, les chercheurs doivent rapporter obligatoirement deux indices de performance intrinsèque : la sensibilité et la spécificité.

La sensibilité (ou taux de vrais positifs, True Positive Rate) quantifie l’aptitude du modèle logistique à repérer correctement la présence de l’événement cible là où il existe objectivement :

$$\text{Sensibilité} = \frac{\text{VP}}{\text{VP} + \text{FN}}$$

Dans un contexte de dépistage en psychopathologie clinique (par exemple, identification du risque suicidaire imminent), une sensibilité maximale est primordiale, car le coût humain d’un faux négatif (ne pas détecter une crise suicidaire) est incommensurablement plus dévastateur que celui d’un faux positif.

La spécificité (ou taux de vrais négatifs, True Negative Rate) quantifie l’aptitude du modèle à exclure avec rigueur les cas où l’événement n’advient pas :

$$\text{Spécificité} = \frac{\text{VN}}{\text{VN} + \text{FP}}$$

Une spécificité élevée est requise lorsqu’une classification positive entraîne un traitement médical lourd, invasif, stigmatisant ou financièrement prohibitif.

La restitution narrative de ces paramètres s’effectuera de la façon suivante : « En fixant le seuil de décision probabiliste à 0,35 pour tenir compte du taux de prévalence de l’échantillon, le modèle a démontré une performance diagnostique satisfaisante, avec une exactitude globale de 78,4 % (comparée à un taux de base de 62,0 %). Le modèle présente une sensibilité de 81,5 % (identifiant 106 des 130 cas de décrochage avérés) et une spécificité de 76,5 % (classant correctement 162 des 212 étudiants persévérants), démontrant un arbitrage clinique équilibré entre faux positifs et faux négatifs. »

10.3 L’aire sous la courbe ROC (AUC) comme métrique de discrimination

L’inconvénient majeur de la matrice de confusion réside dans sa dépendance tributaire au seuil de coupure probabiliste unitaire choisi par l’utilisateur. Pour évaluer la capacité discriminante d’un modèle indépendamment de tout choix de seuil arbitraire, l’outil de référence absolu est la courbe caractéristique d’efficacité du récepteur (courbe ROC, Receiver Operating Characteristic) et son intégrale mathématique : l’aire sous la courbe (notée AUC pour Area Under the Curve ou indice $C$ de concordance).

La courbe ROC est construite graphiquement en reportant sur l’axe des ordonnées la sensibilité ($y = \text{Taux de vrais positifs}$) et sur l’axe des abscisses le complément de la spécificité ($x = 1 – \text{Spécificité}$, soit le taux de faux positifs) pour l’ensemble exhaustif des seuils de classification possibles compris entre 0 et 1. La bissectrice diagonale représente les performances d’un modèle aléatoire sans valeur diagnostique ($\text{AUC} = 0,50$), tandis qu’un modèle à discrimination parfaite atteint l’angle supérieur gauche ($\text{AUC} = 1,00$). L’indice AUC équivaut statistiquement à la probabilité qu’un sujet sélectionné aléatoirement parmi les cas positifs présente une probabilité prédite par le modèle plus élevée qu’un sujet tiré au sort parmi les cas négatifs.

L’interprétation clinique de l’AUC s’opère selon les repères méthodologiques consensuels formalisés par Hosmer, Lemeshow et Sturdivant (2013) :

• $\text{AUC} = 0,50$ : Discrimination nulle (équiprobabilité/hasard pur).
• $0,70 leq text{AUC} < 0,80$ : Discrimination acceptable.
• $0,80 leq text{AUC} < 0,90$ : Discrimination excellente.
• $\text{AUC} \geq 0,90$ : Discrimination exceptionnelle (attention toutefois aux risques de surajustement statistique ou de fuite de données).

Dans un manuscrit, l’AUC doit obligatoirement être rapportée avec son erreur-type asymptotique ($SE$), son intervalle de confiance à 95 % et sa significativité par rapport au modèle nul (0,50) : « L’analyse de la courbe ROC a mis en évidence une excellente capacité discriminative globale du modèle à prédire l’apparition du trouble panique, $\text{AUC} = .842$, $SE = .024$, IC 95 % [.795 ; .889], $p < .001$. L’indice de Youden maximal ($J = 0,58$) identifie un seuil probabiliste optimal de 0,38, permettant de maximiser conjointement la sensibilité (.82) et la spécificité (.76). »

11. Étude de cas empirique complète en psychologie : de la sortie logicielle à la publication

11.1 Mise en situation de la recherche et jeu de données

Pour concrétiser l’ensemble de ces préceptes au sein d’une démonstration empirique unifiée, examinons une recherche typique en psychologie de l’éducation portant sur la prédiction de l’abandon précoce des études chez des étudiants de première année d’université ($N = 400$).

La question de recherche examine dans quelle mesure le stress perçu, le soutien social et le type de filière académique prédisent le décrochage universitaire au terme du premier semestre universitaire. La variable dépendante ($Y$) est binaire : « Statut d’abandon académique » au terme du premier semestre, codée 0 pour « Persévérance » ($n = 280, 70%$) et 1 pour « Abandon » ($n = 120, 30%$).

Les prédicteurs intégrés dans le modèle sont au nombre de trois :

• Stress perçu : Mesuré par l’échelle standardisée PSS-10 (score continu de 0 à 40).
• Soutien social perçu : Mesuré par la dimension globale de la MSPSS (score continu de 12 à 84).
• Filière universitaire : Prédicteur qualitatif à trois modalités : Sciences Humaines et Sociales (SHS, retenue théoriquement comme modalité de référence), Droit-Économie, et Sciences et Technologies (ST). Deux variables indicatrices sont générées : Filière Droit-Éco (0 = Non, 1 = Oui) et Filière Sciences-Tech (0 = Non, 1 = Oui).

Les hypothèses stipulent qu’un stress perçu élevé et un faible soutien social accroîtront le risque d’abandon, tandis que les taux de décrochage fluctueront selon les exigences structurelles des filières après ajustement de ces variables psychologiques.

11.2 Traduction détaillée des sorties de logiciels statistiques (SPSS, R, Jamovi)

L’exécution de la régression logistique multivariée sous progiciel statistique produit une série de blocs matriciels tabulaires qu’il convient de décoder et de vérifier avec minutie avant toute rédaction académique.

Aperçu des paramètres extraits des sorties logicielles brutes :

• Statistiques globales d’ajustement :
  • Modèle nul : $-2\text{LL}_0 = 488,98$
  • Modèle complet : $-2\text{LL}_1 = 403,24$
  • Omnibus Chi-deux : $\Delta\chi^2 = 488,98 – 403,24 = 85,74$, $ddl = 4$, $p < .001$
  • Pseudo-$R^2$ de Cox & Snell : $R^2_{\text{CS}} = 1 – \exp(-85,74 / 400) = 0,193$
  • Pseudo-$R^2$ de Nagelkerke : Max théorique $= 1 – exp(-488,98 / 400) = 0,705$ ; $R^2_{\text{N}} = 0,193 / 0,705 = 0,274$
  • Test de Hosmer-Lemeshow : $\chi^2(8) = 7,12$, $p = .524$
  • Performance discriminative ROC : $\text{AUC} = .818$, $SE = .023$, IC 95 % [.773 ; .863], $p < .001$
• Tableau des coefficients individuels :
  • Constante : $B = -0,214$, $SE = 0,682$, Wald = $0,10$, $p = .754$, $\text{OR} = 0,81$
  • Stress perçu : $B = 0,085$, $SE = 0,018$, Wald = $22,25$, $p < .001$,$text{OR} = 1,089$, IC 95 % [1,051 ; 1,128]
  • Soutien social : $B = -0,046$, $SE = 0,011$, Wald = $17,52$, $p < .001$,$text{OR} = 0,955$, IC 95 % [0,935 ; 0,976]
  • Filière Droit-Éco : $B = 0,698$, $SE = 0,285$, Wald = $5,99$, $p = .014$, $\text{OR} = 2,010$, IC 95 % [1,150 ; 3,514]
  • Filière Sciences-Tech : $B = 0,142$, $SE = 0,298$, Wald = $0,23$, $p = .633$, $\text{OR} = 1,153$, IC 95 % [0,643 ; 2,067]

Le chercheur effectue les conversions narratives immédiates : chaque point de stress majore la cote de décrochage de $(\text{OR} – 1) \times 100 = (1,089 – 1) \times 100 = +8,9%$. Chaque unité de soutien social abaisse la cote de décrochage de $(0,955 – 1) \times 100 = -4,5%$. L’inscription en Droit-Économie double les cotes d’abandon comparée à la filière SHS ($\text{OR} = 2,01$).

11.3 Section ‘Résultats’ entièrement rédigée et tableau prêt pour la publication

Voici la retranscription éditoriale intégrale, modélisée selon les canons de perfection stylistique et de rigueur formelle de l’APA (7e édition), prête pour l’insertion directe au sein d’un manuscrit soumis pour évaluation par les pairs.

Section Résultats :

Une régression logistique binaire a été déployée afin de modéliser la propension au décrochage académique au premier semestre ($0 = \text{Persévérance}$, $1 = \text{Abandon}$) en fonction du niveau de stress perçu, du soutien social perçu et de la filière d’affiliation académique ($N = 400$). L’évaluation préalable des postulats statistiques n’a mis en lumière aucune infraction critique. Le test de Box-Tidwell n’a décelé aucune violation du postulat de linéarité du logit pour les prédicteurs continus du stress ($p = .341$) et du soutien social ($p = .189$). Les diagnostics de colinéarité témoignent de l’absence de colinéarité délétère, les indices de tolérance oscillant entre 0,82 et 0,94 et les VIF demeurant sous la valeur de 1,22. L’inspection des résidus déviants standardisés et des distances de Cook n’a révélé aucun cas d’influence démesurée susceptible de corrompre les estimations.

L’évaluation du modèle global s’est révélée hautement significative comparativement au modèle nul, $\chi^2(4, N = 400) = 85,74$, $p < .001$,$-2text{LL} = 403,24$, attestant que la combinaison des prédicteurs psychologiques et contextuels discrimine adéquatement les étudiants persévérants de ceux abandonnant leurs études. Le calibrage du modèle est satisfaisant, comme le démontre le test d’adéquation de Hosmer et Lemeshow,$chi^2(8) = 7,12$,$p = .524$. Le modèle r\end compte d’une part substantielle de l’incertitude entourant le décrochage, a\vec des pseudo-$R^2$ de Cox et Snell et de Nagelkerke respectivement de .193 et .274. L’aire sous la courbe ROC met en évidence une excellente discrimination empirique, $\text{AUC} = .818$, $SE = .023$, IC 95 % [.773 ; .863], $p < .001$. En adoptant un seuil probabiliste optimisé par l’indice de Youden ($p = .32$), l’exactitude globale de classification atteint 76,8 %, affichant une sensibilité de 78,3 % et une spécificité de 76,1 %.

Les paramètres individuels du modèle logistique sont récapitulés dans le Tableau 2. L’examen des coefficients individuels révèle que le stress perçu constitue un prédicteur statistiquement significatif et positif du décrochage, Wald $\chi^2(1) = 22,25$, $p < .001$. Toutes choses étant égales par ailleurs, chaque élévation d’une unité sur l’échelle de stress majore la cote de décrochage académique de 8,9 % ($text{OR} = 1,09$, IC 95 % [1,05 ; 1,13]). À l’inverse, le soutien social perçu exerce un impact protecteur indépendant marqué, Wald$chi^2(1) = 17,52$,$p < .001$ : chaque augmentation d'un point sur l'échelle de soutien social s'accompagne d'une réduction de 4,5 % des cotes d'abandon ($\text{OR} = 0,96$, IC 95 % [0,94 ; 0,98]).

Concernant l’impact de la structure disciplinaire, la filière académique prédit significativement l’issue universitaire globale, Wald $\chi^2(2) = 6,85$, $p = .033$. En retenant les Sciences Humaines et Sociales comme filière de référence, les étudiants inscrits en Droit-Économie présentent des cotes d’abandon deux fois plus élevées que leurs pairs de SHS, Wald $\chi^2(1) = 5,99$, $p = .014$, $\text{OR} = 2,01$, IC 95 % [1,15 ; 3,51]. En revanche, aucune divergence significative de risque de décrochage n’est observée entre les étudiants de Sciences et Technologies et ceux de SHS, Wald $\chi^2(1) = 0,23$, $p = .633$, $\text{OR} = 1,15$, IC 95 % [0,64 ; 2,07].

Tableau 2. Régression logistique binaire prédisant l’abandon universitaire précoce (N = 400)

Prédicteur	B	SE B	Wald $\chi^2$	p	OR	IC 95 %
Constante	-0,214	0,682	0,10	.754	0,81	—
Stress perçu (PSS-10)	0,085	0,018	22,25	< .001	1,09	[1,05 ; 1,13]
Soutien social (MSPSS)	-0,046	0,011	17,52	< .001	0,96	[0,94 ; 0,98]
Filière d’études (Réf. : Sciences Humaines et Sociales)
Droit-Économie	0,698	0,285	5,99	.014	2,01	[1,15 ; 3,51]
Sciences et Technologies	0,142	0,298	0,23	.633	1,15	[0,64 ; 2,07]

Note. $N = 400$. $B$ = coefficient non standardisé ; $SE B$ = erreur-type ; Wald = statistique de Wald ; $\text{OR}$ = rapport de cotes (odds ratio) ; IC = intervalle de confiance à 95 %. Variable dépendante codée 0 = persévérance académique, 1 = abandon précoce des études. Modèle global : $\chi^2(4) = 85,74$, $p < .001$ ; $-2\text{LL} = 403,24$ ; $R^2_{\text{Cox & Snell}} = .193$, $R^2_{\text{Nagelkerke}} = .274$. Test d’adéquation de Hosmer-Lemeshow : $\chi^2(8) = 7,12$, $p = .524$. Aire sous la courbe ROC ($\text{AUC}$) = .818, IC 95 % [.773 ; .863].

12. Erreurs méthodologiques fréquentes et checklist éditoriale finale

12.1 Les pièges conceptuels et erreurs d’interprétation à proscrire

L’analyse des manuscrits scientifiques rejetés lors de la phase d’évaluation par les pairs met en exergue des dérives récurrentes que tout chercheur rigoureux se doit d’éradiquer méthodiquement. Le premier piège conceptuel, déjà évoqué mais constamment récurrent, est l’assimilation abusive du rapport de cotes au risque relatif. Déclarer dans le résumé ou la discussion qu’un individu présentant un $\text{OR} = 3,00$ a « trois fois plus de risque » de développer la maladie constitue une hérésie mathématique lorsque l’événement de santé étudié n’est pas rigoureusement rare. Les auteurs doivent employer scrupuleusement la formule : « les cotes de développer le trouble sont multipliées par trois ».

Le deuxième écueil majeur est la glissade causale injustifiée à partir d’un schéma d’observation corrélationnel transversal. La régression logistique multivariée permet certes un contrôle statistique sophistiqué d’effets de confusion, mais elle ne transforme en aucun cas une corrélation observationnelle en causalité déterministe. Proclamer que le manque de soutien social « provoque » le décrochage académique constitue une surinterprétation épistémologique non autorisée par le plan de recherche. Seule une méthodologie expérimentale randomisée ou un design longitudinal rigoureux à décalages croisés adossé à une théorie solide autorise l’usage prudent d’un registre causal.

Le troisième écueil concerne l’omission de la spécification de la modalité de référence pour les variables nominales, rendant les coefficients et les odds ratios associés parfaitement indéchiffrables. De même, l’erreur consistant à déclarer une variable non significative comme « n’ayant aucun effet » sans rapporter l’intervalle de confiance à 95 % occulte les risques majeurs d’erreur de type II inhérents aux échantillons de faible puissance statistique.

Enfin, la tentation de la dichotomisation arbitraire de variables dépendantes initialement continues constitue une anomalie statistique largement documentée dans la littérature méthodologique (par exemple, scinder un score continu de dépression par une médiane pour forcer une régression logistique binaire). Cette pratique entraîne une perte colossale d’information statistique, un effondrement dramatique de la puissance inférentielle, et génère régulièrement des corrélations fallacieuses. La régression logistique binaire doit être réservée aux variables conceptuellement et intrinsèquement discrètes.

12.2 Divergences typographiques entre normes francophones et internationales

La publication scientifique s’inscrit au carrefour des traditions linguistiques nationales et des impératifs d’uniformisation internationale dictés par les revues indexées. Le chercheur francophone se trouve souvent confronté à un arbitrage complexe entre les normes typographiques de la langue française et les règles stylistiques de l’APA (7e édition).

Le premier point de divergence concerne la séparation décimale. La typographie française institutionnelle impose formellement l’usage de la virgule décimale (ex. : $B = 0,45$), là où les revues anglo-saxonnes prescrivent le point décimal (ex. : $B = 0.45$). Si le manuscrit est destiné à une revue francophone affiliée aux normes APA (telle que l’Année Psychologique ou la Revue Canadienne des Sciences du Comportement), les auteurs doivent vérifier scrupuleusement les consignes aux auteurs : la plupart acceptent la virgule décimale dans le texte français, mais exigent le point-virgule entre les bornes d’un intervalle de confiance pour éviter des ambivalences numériques monstrueuses du type [1,02, 1,45] qui se mue rigoureusement en [1,02 ; 1,45].

Le deuxième aspect est le respect strict des italiques statistiques. Toutes les lettres symbolisant des paramètres statistiques ou des variables mathématiques doivent impérativement être composées en italique : N, p, B, SE, z, ainsi que la lettre grecque $\beta$. En revanche, les abréviations composées de plusieurs lettres ou les acronymes demeurent rigoureusement en caractères romains droits : $\text{OR}$ (et non OR), $\text{IC}$ (et non IC), $\text{VIF}$, $\text{AIC}$, $\text{BIC}$, $\text{LL}$. De surcroît, le symbole du Chi-deux s’écrit avec la lettre grecque Chi en capitale ou bas-de-casse suivie de l’exposant : $\chi^2$ (et non Khi-2 ou Chi2).

Le tableau ci-dessous synthétise les équivalences terminologiques franco-anglaises indispensables pour la traduction et la rédaction scientifique croisée :

Tableau 3. Lexique bilingue standardisé des métriques de régression logistique

Terme Anglais (Norme APA)	Traduction Académique Francophone	Abréviation Validée
Binary Logistic Regression	Régression logistique binaire	RLB
Log-odds / Logit	Logarithme népérien de la cote / Logit	logit(p)
Odds Ratio	Rapport de cotes	OR / RC
Standard Error	Erreur-type	SE / ET
Likelihood Ratio Test	Test du rapport de vraisemblance	TRV / LRT
Deviance / -2 Log-Likelihood	Déviance résiduelle / -2 Log-vraisemblance	-2LL
Goodness-of-fit	Qualité d’ajustement / Adéquation	—
Reference Category	Modalité de référence	Réf.
Area Under the Curve	Aire sous la courbe (ROC)	AUC / ASC

12.3 Checklist d’auto-évaluation avant la soumission d’un manuscrit

Avant d’expédier un manuscrit pour évaluation auprès d’une revue scientifique, il est impératif d’effectuer un audit d’auto-évaluation systématique. Cette checklist récapitule les points de contrôle incontournables garantissant une conformité méthodologique totale :

• Vérification des postulats préliminaires :
  • Le schéma d’échantillonnage garantit-il l’indépendance stricte des observations (absence d’effets de grappes ou de mesures répétées non modélisées) ?
  • Le postulat de linéarité du logit pour chaque prédicteur continu a-t-il été rigoureusement testé via la procédure de Box-Tidwell ou par l’évaluation graphique des résidus ?
  • La multicolinéarité a-t-elle été formellement réfutée au moyen des indices VIF et des tolérances ?
  • La détection des cas aberrants et influents a-t-elle été conduite (résidus déviants standardisés, levier, distance de Cook) avec mention claire de leur traitement ?
  • La taille d’échantillon respecte-t-elle le ratio canonique minimal de 10 à 20 événements par variable prédictive (règle de l’EPV) ?
• Rapportage de l’ajustement global du modèle :
  • Le test omnibus du rapport de vraisemblance est-il explicitement documenté ($\chi^2$, degrés de liberté, taille d’échantillon $N$, valeur exacte de $p$, déviance $-2\text{LL}$) ?
  • Le test d’adéquation de Hosmer-Lemeshow est-il consigné, et son absence de significativité est-elle correctement interprétée comme un bon calibrage ?
  • Au moins un indice de pseudo-$R^2$ (Nagelkerke, Cox & Snell ou McFadden) est-il consigné sans être assimilé erronément à de la « variance expliquée » ?
  • Pour les modèles concurrents ou séquentiels, les critères d’information AIC et BIC ainsi que les tests de changement de Chi-deux ($\Delta\chi^2$) sont-ils indiqués ?
• Compte rendu des coefficients individuels et des tailles d’effet :
  • Chaque prédicteur est-il documenté avec son coefficient $B$, son erreur-type $SE$, sa statistique de Wald (ou $z$) et sa valeur $p$ exacte ?
  • Chaque odds ratio ($\text{OR} = \exp(B)$) est-il impérativement accompagné de son intervalle de confiance à 95 % ?
  • La cohérence formelle est-elle respectée : si $p < .05$, la valeur 1,00 est-elle strictement exclue de l'IC 95 % ?
  • Les modalités de référence pour toutes les variables qualitatives indicatrices sont-elles nommément désignées dans le texte et dans les tableaux ?
  • L’interprétation verbale s’abstient-elle formellement d’utiliser le mot « risque » et privilégie-t-elle la formulation stricte en termes d’évolution multiplicative des cotes ?
• Performances de classification et discrimination :
  • La matrice de confusion est-elle rapportée avec sa sensibilité, sa spécificité et son exactitude globale, en précisant le seuil de décision probabiliste retenu ?
  • L’aire sous la courbe ROC ($\text{AUC}$) est-elle consignée avec son erreur-type, son intervalle de confiance à 95 % et sa significativité statistique ?
• Conformité formelle et typographique APA (7e éd.) :
  • Les tableaux statistiques sont-ils dépourvus de lignes verticales et structurés uniquement par trois lignes horizontales principales ?
  • Toutes les lettres désignant des symboles statistiques ($N, p, B, SE, z, \chi^2$) sont-elles formatées en italique, tandis que les acronymes statistiques ($\text{OR}, \text{IC}, \text{VIF}$) sont en romain ?
  • Les zéros initiaux sont-ils rigoureusement respectés pour les paramètres pouvant excéder 1,00 ($B, \text{OR}, SE$, Wald), et omis pour les valeurs strictement bornées par 1,00 ($p$) ?

En observant scrupuleusement ces directives méthodologiques et stylistiques, les chercheurs en psychologie et en sciences comportementales confèrent à leurs travaux une rigueur démonstrative inattaquable, facilitant l’évaluation par les pairs, garantissant la reproductibilité computationnelle de leurs analyses et contribuant directement à l’élévation de la qualité de la littérature empirique internationale.

Références

• Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723. https://doi.org/10.1109/TAC.1974.1100705
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Box, G. E., & Tidwell, P. W. (1962). Transformation of the independent variables. Technometrics, 4(4), 531–550. https://doi.org/10.1093/biomet/49.3-4.531
• Cox, D. R., & Snell, E. J. (1989). Analysis of binary data (2nd ed.). Chapman and Hall/CRC.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hauck, W. W., & Donner, A. (1977). Wald’s test as applied to hypotheses in logit analysis. Journal of the American Statistical Association, 72(360a), 851–853. https://doi.org/10.2307/2287085
• Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471722146
• McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior. In P. Zarembka (Ed.), Frontiers in econometrics (pp. 105–142). Academic Press.
• Nagelkerke, N. J. (1991). A note on a general definition of the coefficient of determination. Biometrika, 78(3), 691–692. https://doi.org/10.1093/biomet/78.3.691
• Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
• Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461–464. https://doi.org/10.1214/aos/1176344136
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., & Egger, M. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration. PLOS Medicine, 4(10), e297. https://doi.org/10.1371/journal.pmed.0040297