Qu’est-ce qu’un modèle emboîté ? (Définition et exemple)

Dans le champ foisonnant des sciences quantitatives, de la psychométrie et de l’économétrie moderne, la modélisation statistique ne constitue pas une simple transposition mécanique de données empiriques au sein d’algorithmes de calcul. Elle s’érige bien plutôt en un acte épistémologique fondamental : celui de formaliser l’intelligibilité de phénomènes latents, stochastiques et complexes à travers le prisme de structures mathématiques rigoureuses. Dès lors que le chercheur tente de capturer la dynamique des comportements humains, des processus cognitifs sous-jacents ou des variations psychopathologiques, il se heurte inéluctablement à une tension dialectique permanente. D’une part s’exprime la quête d’un ajustement empirique irréprochable, poussant à multiplier les prédicteurs et les paramètres afin de minimiser l’erreur résiduelle ; d’autre part s’impose le principe ontologique de parcimonie, commandant d’élaguer les fioritures conceptuelles pour ne retenir que l’essence causale ou prédictive la plus sobre et la plus généralisable.

Au cœur de cet arbitrage fondamental émerge le concept mathématique de modèle emboîté, également désigné dans la littérature francophone et anglo-saxonne sous les vocables de modèle niché ou nested model. L’emboîtement statistique désigne une relation hiérarchique et structurelle stricte unissant deux représentations formelles d’un même phénomène : une spécification peut être considérée comme emboîtée dans une autre si l’intégralité de ses paramètres libres représente un sous-ensemble direct des paramètres du modèle parent, ou si elle peut être obtenue à partir de ce dernier par l’imposition de contraintes algébriques précises, le plus souvent la fixation de certains coefficients de régression à zéro. Loin de se réduire à une curiosité purement théorique, cette propriété relationnelle constitue le pivot méthodologique sur lequel reposent les protocoles de comparaison d’hypothèses les plus élégants de la statistique inférentielle, à commencer par le test du rapport de vraisemblance et le test F incrémental.

Le présent traité propose une analyse exhaustive, rigoureuse et multidimensionnelle des modèles emboîtés, conçue spécifiquement pour les chercheurs, statisticiens et praticiens des sciences comportementales. En explorant successivement les fondations mathématiques de la réduction paramétrique, les démonstrations concrètes appliquées, les frontières démarquant l’emboîtement du chevauchement non emboîté, ainsi que les déploiements avancés au sein des modèles d’équations structurelles et multiniveaux, cet ouvrage vise à doter le lecteur d’un cadre conceptuel et pratique complet. À travers une formalisation minutieuse et des protocoles opérationnels détaillés sous des environnements de calcul de pointe, nous lèverons le voile sur les subtilités, les écueils méthodologiques et les impératifs de rigueur qui gouvernent la sélection scientifique de modèles.

1. Introduction conceptuelle aux modèles emboîtés en psychologie quantitative

1.1 Épistémologie et rôle de la modélisation statistique en psychologie

La recherche contemporaine en psychologie quantitative s’est bâtie sur l’ambition de traduire les dynamiques intangibles de l’esprit et du comportement en équations formelles dotées d’une portée prédictive et explicative. Contrairement aux sciences physiques fondamentales, où les constantes de l’univers peuvent être mesurées avec un degré de précision infinitésimal, la psychologie opère sur des entités théoriques inobservables de manière directe : l’intelligence fluide, l’anxiété projective, l’extraversion, la charge cognitive ou l’efficacité de soi. Ces construits psychologiques latents ne se manifestent qu’au travers de signaux imparfaits, bruités et partiels, matérialisés par des variables observables telles que les scores à des échelles psychométriques, des temps de réaction millimétrés, des patterns de réponses neurophysiologiques ou des fréquences de comportements manifestes.

Dans ce contexte épistémique singulier, la modélisation statistique transcende le simple ajustement de courbes descriptives. Elle matérialise une hypothèse scientifique formalisée relative à l’organisation du système psychique. Modéliser consiste à affirmer qu’une certaine matrice de covariation observée parmi un ensemble de données découle d’un mécanisme générateur identifiable. Cependant, cette démarche impose un arbitrage fondamental : le compromis entre l’exactitude de l’ajustement empirique et la parcimonie conceptuelle. Un modèle présentant un nombre exubérant de degrés de liberté peut épouser parfaitement les contours d’un échantillon donné, mais cette fidélité apparente n’est fréquemment que le reflet de la modélisation du bruit d’échantillonnage, anéantissant ainsi toute validité externe et toute transférabilité théorique.

Historiquement, l’évolution méthodologique a guidé la discipline depuis les modèles linéaires simples, à l’instar de la régression bivariée de Pearson et Spearman, vers des architectures hiérarchiques et multivariées hautement sophistiquées. Les modèles linéaires généraux, les approches par équations structurelles et les modélisations multiniveaux autorisent aujourd’hui la formulation de systèmes d’équations simultanées capables d’intégrer des relations non linéaires, des boucles de rétroaction et des variances résiduelles partitionnées. Face à cette prolifération de représentations mathématiques concurrentes d’un même phénomène, la communauté scientifique a dû développer des instruments méthodologiques d’une extrême précision pour arbitrer rationnellement entre une théorie plus simple et une théorie plus complexe. C’est précisément à cette intersection entre formalisation mathématique et philosophie des sciences que s’enracine la théorie des modèles emboîtés.

1.2 Définition formelle d’un modèle emboîté (ou niché)

Sur le plan mathématique et axiomatique, un modèle statistique est défini par une famille de distributions de probabilité indexée par un vecteur de paramètres évoluant au sein d’un espace paramétrique déterminé. Soit un modèle général, que nous désignerons conventionnellement comme le modèle parent ou complet, noté $M_1$, caractérisé par un ensemble de paramètres $\Theta_1 \subset \mathbb{R}^p$ de dimension $p$. Considérons à présent un second modèle, noté $M_0$, dont l’espace des paramètres est $\Theta_0 \subset \mathbb{R}^q$, avec $q < p$. Le modèle$M_0$ est rigoureusement qualifié de modèle emboîté (ou niché) dans le modèle $M_1$ si, et seulement si, l’espace paramétrique $\Theta_0$ constitue un sous-espace strict de $\Theta_1$.

En d’autres termes, le principe d’inclusion stipule que toute distribution de probabilité pouvant être générée par les configurations paramétriques admissibles du modèle réduit $M_0$ peut être reproduite à l’identique par le modèle complet $M_1$ sous une assignation particulière de ses propres paramètres. La relation d’emboîtement implique donc une contrainte d’accessibilité sans faille : le modèle réduit n’est rien d’autre qu’une déclinaison restreinte du modèle général. Sur le plan algébrique, cette dérivation s’opère le plus souvent par l’imposition de contraintes d’annulation d’un ou plusieurs paramètres vectoriels spécifiques. Si le modèle complet s’écrit de manière à partitionner son vecteur de paramètres en $\theta = (\theta_a, \theta_b)’$, où $\theta_a$ contient $q$ composantes et $\theta_b$ contient $p – q$ composantes, le modèle $M_0$ émerge dès lors que l’on impose formellement la contrainte linéaire d’annulation $\theta_b = 0$.

Il importe de clarifier ici une ambiguïté terminologique persistante au sein de la littérature méthodologique francophone. Les termes « modèle emboîté » et « modèle niché » constituent des traductions interchangeables et parfaitement synonymes de l’anglais nested model. En revanche, il ne faut point les confondre systématiquement avec les « modèles hiérarchiques » ou « modèles multiniveaux ». Bien que ces derniers reposent structurellement sur l’emboîtement hiérarchique d’unités d’observation (par exemple, des élèves emboîtés au sein de classes scolaires, elles-mêmes nichées au sein d’établissements), le concept d’emboîtement au sens de la sélection de modèles se réfère strictement à la topologie des espaces de paramètres et non pas nécessairement à l’échantillonnage groupé des données empiriques.

1.3 Distinction fondamentale entre modèle complet et modèle restreint

Pour appréhender adéquatement les propriétés asymptotiques et géométriques de la comparaison statistique, il convient d’analyser en profondeur les caractéristiques respectives du modèle complet et du modèle restreint. Le modèle complet, que l’on qualifie d’ailleurs fréquemment de modèle non contraint, saturé (dans un sens relatif) ou parent, mobilise l’ensemble le plus large de degrés de liberté autorisés par la formulation théorique en cours d’évaluation. Doté de cette flexibilité paramétrique supérieure, il détient intrinsèquement une capacité explicative et descriptive maximale face aux observations. Dans le cadre d’un modèle d’optimisation par la méthode des moindres carrés ordinaires ou par le maximum de vraisemblance, le modèle complet atteindra inéluctablement une somme des carrés des erreurs plus faible ou, à tout le moins, rigoureusement égale à celle du modèle restreint, et une valeur de log-vraisemblance supérieure ou égale.

Le modèle restreint, quant à lui, est assujetti à des limitations formelles prédéterminées. En fixant un sous-ensemble de ses coefficients à zéro, ou en contraignant certains paramètres à adopter des valeurs identiques, il renonce délibérément à une fraction de son pouvoir d’ajustement aux données locales dans l’objectif d’acquérir une compacité structurelle. Ce gain de parcimonie se paie mécaniquement par une élévation de la somme des carrés résiduels et par une diminution conjointe de la vraisemblance globale du système stochastique. L’estimation des paramètres du modèle restreint s’opère donc sur une surface géométrique de dimension inférieure au sein de l’hypersurface de régression.

La conséquence mathématique incontournable de cette asymétrie réside dans l’inégalité fondamentale régissant leurs fonctions de perte respectives. Soit $\mathcal{L}(\hat{\theta}_{complet} | Y)$ la vraisemblance maximisée du modèle complet et $\mathcal{L}(\hat{\theta}_{restre\int} | Y)$ la vraisemblance maximisée du modèle restreint, calculées sur le même vecteur de variables observables $Y$. En vertu du principe d’optimisation sous contraintes, il est analytiquement impossible que le modèle restreint surpasse le modèle complet en matière de vraisemblance empirique brute :

$$\mathcal{L}(\hat{\theta}_{restre\int} | Y) le \mathcal{L}(\hat{\theta}_{complet} | Y)$$

Toute la problématique de l’inférence consistera dès lors à déterminer si l’écart observé entre ces deux métriques reflète une divergence théorique substantielle et statistiquement significative, ou s’il s’agit d’une simple fluctuation imputable aux aléas de l’échantillonnage.

2. Critères mathématiques et théoriques de l’emboîtement statistique

2.1 La condition de sous-ensemble strict des paramètres

L’assise mathématique de l’emboîtement repose sur la conformité rigoureuse de la structure matricielle des prédicteurs inclus dans l’espace de régression. Considérons le modèle linéaire général formulé sous notation matricielle standard : $Y = X\beta + \varepsilon$, où $Y$ désigne le vecteur des $n$ observations de la variable dépendante, $X$ représente la matrice de dimension $n \times p$ des prédicteurs (incluant éventuellement le vecteur unitaire pour l’intercepte), $\beta$ est le vecteur de dimension $p \times 1$ des paramètres à estimer, et $varepsilon$ le vecteur des résidus stochastiques distribués selon une loi normale multivariée $\mathcal{N}(0, \sigma^2 I_n)$.

Pour qu’un modèle restreint $Y = X_0\beta_0 + \varepsilon_0$ soit strictement emboîté dans ce modèle général, les colonnes constituant la matrice de régresseurs $X_0$ doivent nécessairement être engendrées par une transformation linéaire des colonnes de la matrice $X$. Dans le cas le plus limpide de l’exclusion directe de covariables, la matrice $X_0$ de dimension $n \times q$ s’obtient simplement en supprimant $p – q$ colonnes de $X$. Dès lors, le sous-espace vectoriel projeté par la matrice chapeau (ou matrice de projection orthogonale) de $X_0$, notée $P_0 = X_0(X_0’X_0)^{-1}X_0’$, est un sous-espace vectoriel strict du sous-espace projeté par la matrice chapeau du modèle complet, $P = X(X’X)^{-1}X’$.

Une propriété remarquable découlant de cette configuration matricielle réside dans la transitivité mathématique de l’emboîtement. Si un modèle de régression $M_A$ est rigoureusement emboîté dans un modèle $M_B$, et que ce modèle $M_B$ se trouve lui-même emboîté au sein d’une structure plus générale $M_C$, alors, en vertu de l’axiome d’inclusion ensembliste appliqué aux sous-espaces linéaires :

$$\text{Im}(X_A) \subset \text{Im}(X_B) \subset \text{Im}(X_C) implies M_A \text{ est emboîté dans } M_C$$

Toutefois, cette relation hiérarchique impose une exigence préalable inviolable : l’identité parfaite de la variable dépendante mesurée $Y$. Si la variable dépendante subit la moindre modification entre les deux formulations — qu’il s’agisse d’un recalibrage d’échelle, de l’application d’une fonction logarithmique ou de la standardisation unilatérale des scores —, la comparabilité directe des espaces vectoriels s’effondre instantanément, annihilant de facto toute relation d’emboîtement statistique.

2.2 Imposition de contraintes linéaires et fixation de coefficients

Au-delà de l’élimination pure et simple de variables explicatives, l’emboîtement statistique embrasse un ensemble beaucoup plus vaste d’opérations d’imposition de contraintes formelles, regroupées sous l’appellation d’hypothèses linéaires générales. Soit le vecteur global des paramètres $\beta in \mathbb{R}^p$. Toute restriction d’emboîtement peut s’exprimer sous la forme canonique matricielle :

$$R\beta = r$$

Dans cette formulation, $R$ est une matrice de contraintes préétablie de plein rang de dimension $m \times p$ (où $m$ représente le nombre de restrictions indépendantes imposées au système, avec $m le p$), et $r$ est un vecteur constant de dimension $m \times 1$. Cette formulation englobe deux grands types d’interventions analytiques :

• La fixation de coefficients à des constantes théoriques : La situation la plus banale consiste à fixer $r = 0$. Par exemple, si nous souhaitons tester l’omission des deux derniers régresseurs d’un modèle à quatre prédicteurs, la matrice $R$ sera structurée de manière à isoler précisément $\beta_3$ et $\beta_4$ pour stipuler que $\beta_3 = 0$ et $\beta_4 = 0$. Mais la théorie psychologique peut également dicter la fixation d’un paramètre à une valeur non nulle déterminée a priori, telle que $\beta_1 = 1$, ce qui relève de la même logique matricielle.
• L’imposition d’égalités structurelles inter-paramètres : L’approche autorise également à tester l’équivalence de l’influence de deux régresseurs distincts sur la variable réponse. Si un cadre conceptuel postule que l’impact d’une rétroaction positive équivaut rigoureusement à l’impact d’une incitation financière, le chercheur imposera la contrainte $\beta_1 = \beta_2$, ce qui se reformule matriciellement par $\beta_1 – \beta_2 = 0$.

L’impact géométrique de ces contraintes s’avère saisissant. Dans l’espace euclidien de dimension $p$ où s’exécute l’estimation par minimisation de la distance résiduelle, imposer l’équation $R\beta = r$ revient à projeter l’hyperplan de régression originel sur une variété linéaire contrainte de dimension strictement inférieure égale à $p – m$. Le modèle emboîté restreint cherche alors le point optimal de convergence à l’intérieur de cet hyperplan affaibli, ce qui se traduit mécaniquement par une distance résiduelle supérieure ou égale à celle de l’optimum global libre.

2.3 Topologie de l’espace paramétrique et conditions de régularité

Pour que les édifices théoriques de la comparaison de modèles conservent leur validité mathématique, il ne suffit pas de décréter une contrainte de sous-ensemble ; l’espace paramétrique global doit également satisfaire à un ensemble strict de conditions de régularité statistique, formulées initialement dans les travaux séminaux de Ronald Fisher, Samuel Wilks et Harald Cramér. Soit $\Omega$ l’espace des paramètres admissible du modèle complet et $\Omega_0$ le sous-espace restreint représentant l’hypothèse nulle $\mathcal{H}_0 : \theta in \Omega_0$.

La première condition de régularité impose que le véritable paramètre théorique du processus générateur sous-jacent réside à l’intérieur de l’espace topologique ouvert $\Omega$, et non sur ses frontières physiques ou mathématiques. Par ailleurs, la fonction de log-vraisemblance $\ln \mathcal{L}(\theta | Y)$ doit impérativement être continûment différentiable jusqu’à l’ordre trois par rapport à chaque élément du vecteur $\theta$ sur un voisinage ouvert entourant la valeur véritable. Cette hypothèse assure l’existence, la finitude et la non-singularité de la matrice d’information de Fisher attendue, notée $I(\theta)$, définie comme :

$$I(\theta) = -\mathbb{E}\left[ \frac{\partial^2 \ln \mathcal{L}(\theta | Y)}{\partial \theta \partial theta’} \right]$$

Lorsque ces conditions de différentiabilité et de convexité locale sont rigoureusement respectées, l’estimateur du maximum de vraisemblance converge de manière asymptotique vers une loi normale multivariée, et le théorème de Wilks s’applique pleinement : la distance de déviance entre le modèle complet et le modèle restreint adopte précisément la distribution limite du chi-deux ($\chi^2$). En revanche, dès lors qu’un paramètre fixé par la contrainte se situe sur la frontière de l’espace admissible — comme c’est typiquement le cas lors du test d’une composante de variance dans un modèle multiniveau, où une variance ne peut être strictement négative ($\sigma^2 ge 0$) —, les dérivées s’annulent ou deviennent asymétriques. La topologie locale perd sa linéarité euclidienne, rompant instantanément l’applicabilité directe de la théorie asymptotique classique.

3. Illustration concrète : Démonstration étape par étape

3.1 Spécification du modèle complet (Modèle A)

Afin de concrétiser ces développements mathématiques au sein d’un cadre empirique saisissant, transposons notre réflexion dans le champ de la psychologie de la performance sportive et de la modélisation comportementale. Imaginons une étude d’envergure consacrée à la prédiction de la performance d’athlètes de haut niveau au cours d’une saison compétitive de basketball. L’indicateur retenu comme variable dépendante continue, noté $Points$, quantifie le volume de points marqués par match par chaque athlète. Nous postulons initialement un modèle explicatif exhaustif intégrant quatre covariables comportementales, biomécaniques et tactiques :

• $Minutes$ : Le temps moyen d’engagement effectif sur le parquet par match.
• $Taille$ : La stature physique de l’athlète mesurée en centimètres.
• $Position$ : Un indice d’assignation tactique sur le terrain (du meneur au pivot).
• $Tirs$ : Le volume moyen de tentatives de tirs engagées par match.

Le Modèle complet (Modèle A) se formalise sous l’équation linéaire multivariée suivante, complétée par son terme d’erreur stochastique :

$$Points_i = \beta_0 + \beta_1(Minutes_i) + \beta_2(Taille_i) + \beta_3(Position_i) + \beta_4(Tirs_i) + \varepsilon_i$$

Dans cette équation, nous dénombrons au total cinq paramètres de régression à estimer pour la composante déterministe ($\beta_0, \beta_1, \beta_2, \beta_3, \beta_4$), auxquels s’adjoint le paramètre de variance de l’erreur résiduelle $\sigma_\varepsilon^2$, portant l’estimation globale à six paramètres libres. Si cette étude mobilise un échantillon de $n = 250$ sportifs professionnels, le modèle dispose d’un nombre de degrés de liberté résiduels égal à $df_A = n – p = 250 – 5 = 245$. Sur le plan conceptuel, le Modèle A capture l’intégralité de la variance phénoménologique accessible à notre grille de lecture : il intègre les contraintes physiques individuelles, les paramètres d’exposition temporelle et l’agressivité offensive, assurant un coefficient de détermination empirique $R^2_A$ élevé reflétant la maximisation de l’ajustement aux données recueillies.

3.2 Spécification du modèle emboîté (Modèle B)

Considérons à présent une démarche de théorisation concurrente, guidée par une hypothèse psychologique plus restrictive inspirée des théories fondamentales de l’opportunité d’action. Un groupe de chercheurs avance que la productivité brute au score ne requiert nullement la prise en compte de la posture tactique nominale de l’athlète ni de son volume de tirs tentés, mais résulte quasi exclusivement de son gabarit anthropométrique intrinsèque combiné à sa durée d’exposition sur l’aire de jeu. Guidés par cette posture de sobriété théorique, les analystes spécifient un modèle alternatif simplifié, désigné sous le label de Modèle emboîté (Modèle B) :

$$Points_i = \beta_0 + \beta_1(Minutes_i) + \beta_2(Taille_i) + \varepsilon_i$$

Ce Modèle B restreint l’espace explicatif à deux covariables uniques. Il n’estime que trois coefficients de régression ($\beta_0, \beta_1, \beta_2$) en plus de la variance résiduelle, ce qui confère à sa structure un total de $df_B = n – q = 250 – 3 = 247$ degrés de liberté résiduels. La nature strictement emboîtée du Modèle B au sein du Modèle A est limpide et irréfutable : le Modèle B découle sans altération de l’équation du Modèle A dès lors que l’on applique l’hypothèse nulle conjointe d’annulation paramétrique suivante :

$$\mathcal{H}_0 : \beta_3 = 0 \quad \text{et} \quad \beta_4 = 0$$

En contraignant ces deux paramètres à s’annuler rigidement, les chercheurs éliminent deux dimensions de l’hyperplan de régression. Cette simplification structurelle entraîne des retombées directes sur la distribution de l’erreur : en diminuant le nombre de paramètres à inférer, le modèle restreint réduit considérablement l’erreur d’échantillonnage attachée à l’estimation conjointe des coefficients, protégeant ainsi l’analyse contre les distorsions locales spécifiques à l’échantillon observé.

3.3 Analyse comparative de l’inclusion des covariables

L’opération de réduction qui fait passer du Modèle A au Modèle B soulève immédiatement la question fondamentale de la structure de dépendance linéaire entre les régresseurs. L’impact de la suppression des variables $Position$ et $Tirs$ sur les coefficients préservés ($\beta_1$ et $\beta_2$) dépend intégralement de la matrice de variance-covariance unissant les quatre prédicteurs. En vertu du célèbre théorème de Frisch-Waugh-Lovell, si les prédicteurs omis sont parfaitement orthogonaux aux variables conservées, l’omission n’induira aucun biais sur les estimateurs $\hat{\beta}_1$ et $\hat{\beta}_2$.

Néanmoins, dans la quasi-totalité des investigations réelles en psychologie et en sciences sociales, les covariables comportementales manifestent des intercorrélations non nulles. Dès lors, le risque majeur qui guette le modèle restreint B réside dans le biais de variable omise. Si la propension à tenter des tirs ($Tirs$) est positivement corrélée au temps de jeu ($Minutes$) et exerce une influence causale propre sur les points inscrits, l’omission de cette covariable dans le Modèle B forcera le paramètre $\beta_1$ à capturer une fraction de la variance causale dévolue à l’agressivité offensive, gonflant artificiellement sa magnitude numérique :

$$\mathbb{E}[\hat{\beta}_{1, restre\int}] = \beta_1 + \beta_4 \frac{\text{Cov}(Minutes, Tirs)}{\text{Var}(Minutes)}$$

Cette réalité algébrique met en lumière l’enjeu crucial de la validation empirique de l’emboîtement. Les chercheurs ne peuvent se contenter de postuler l’élégance théorique du Modèle B : ils doivent confronter formellement la perte d’information statistique résultant de la fixation $(\beta_3 = 0, \beta_4 = 0)$ au gain de simplicité généré. La structure matricielle démontre sans ambiguïté que l’espace des colonnes de $X_B$ est un sous-ensemble strict de l’espace des colonnes de $X_A$, satisfaisant ainsi de manière absolue aux exigences mathématiques préalables à toute procédure de test comparatif.

4. Les modèles non emboîtés : Définition, contrastes et pièges méthodologiques

4.1 Caractérisation formelle du modèle non emboîté (Modèle C)

Pour délimiter avec une précision infaillible le concept de modèle emboîté, il est impératif d’examiner son antithèse logique : le modèle non emboîté (ou modèle séparé). Introduisons dans notre scénario une troisième formalisation conceptuelle, portée par une équipe dissidente de méthodologistes, désignée sous l’appellation de Modèle C. Cette formulation alternative postule que les points marqués dépendent du temps d’engagement, de la stature physique et du volume moyen de lancers francs obtenus par match ($Lancers_francs$), sans intégrer ni le positionnement tactique nominal ni le volume général de tirs de champ :

$$Points_i = \beta_0 + \beta_1(Minutes_i) + \beta_2(Taille_i) + \beta_5(Lancers_francs_i) + \varepsilon_i$$

À première vue, le Modèle C partage un ancrage commun avec le Modèle A originel : il s’applique scrupuleusement à la même variable dépendante continue $Points$, est calibré sur les mêmes $n = 250$ observations individuelles, et comprend deux prédicteurs rigoureusement identiques ($Minutes$ et $Taille$). Pourtant, sur le plan mathématique formel, le Modèle C n’est absolument pas emboîté dans le Modèle A, tout comme le Modèle A n’est pas emboîté dans le Modèle C.

La démonstration est directe : l’espace de régression du Modèle C comprend un régresseur vectoriel ($Lancers_francs$) qui est totalement absent de l’espace de régression du Modèle A. Réciproquement, le Modèle A intègre deux covariables ($Position$ et $Tirs$) que le Modèle C ignore délibérément. Il existe donc entre les deux structures une relation de variables exclusives et non superposables, brisant irrémédiablement la condition d’inclusion sous-ensembliste stricte.

4.2 Pourquoi le chevauchement partiel invalide l’emboîtement

La tentation est grande pour le néophyte de confondre un chevauchement partiel de variables explicatives avec une véritable relation d’emboîtement. Cette confusion repose sur une intuition fallacieuse : puisque le Modèle A et le Modèle C partagent la majeure partie de leur ossature explicative ($Minutes$ et $Taille$), il pourrait sembler admissible de comparer leurs performances résiduelles via les procédures de test conventionnelles. Or, cette assimilation constitue une erreur logique dévastatrice.

Il est en effet formellement impossible de dériver l’équation du Modèle C à partir de l’équation du Modèle A par le biais de simples restrictions d’annulation ou de contraintes linéaires appliquées aux coefficients de ce dernier. Aucune assignation des valeurs paramétriques $\beta_0, \beta_1, \beta_2, \beta_3, \beta_4$ au sein du Modèle A ne saurait faire jaillir ex nihilo le régresseur $Lancers_francs$. De même, aucune fixation des coefficients du Modèle C ne permettra de reconstituer la contribution de $Position$ et de $Tirs$. Leurs espaces de paramètres respectifs, bien que sécants au niveau du sous-espace formé par $Minutes$ et $Taille$, sont mutuellement transverses et autonomes.

Cette absence d’inclusion hiérarchique ruine les fondements de la théorie des tests statistiques classiques d’emboîtement. Lorsque deux modèles sont simplement en intersection partielle sans que l’un englobe intégralement l’autre, la fonction d’écart de déviance entre les deux ne suit plus asymptotiquement une distribution centrale du chi-deux sous l’hypothèse nulle. Les propriétés régulières garanties par le théorème de Wilks s’effacent au profit de distributions limites complexes dépendantes des valeurs réelles des paramètres méconnus, rendant les p-valeurs calculées conventionnellement entièrement fallacieuses.

4.3 Conséquences statistiques d’une inférence erronée sur l’emboîtement

L’application machinale et erronée d’un test conçu pour modèles emboîtés à des structures non emboîtées conduit à des distorsions méthodologiques sévères au sein de la littérature scientifique. Si un chercheur tente de soumettre la divergence d’ajustement entre le Modèle A et le Modèle C à un test du rapport de vraisemblance standard ou à un test F incrémental, il viole l’axiome probabiliste fondamental qui sous-tend la formulation de l’hypothèse nulle. Dans ce scénario perverti, l’hypothèse nulle ne peut être formulée sous les termes $\theta_b = 0$, car le passage de l’un à l’autre des modèles exige simultanément l’adjonction et la soustraction de paramètres indépendants.

La conséquence mathématique immédiate d’une telle méprise réside dans l’explosion incontrôlée du taux d’erreur de première espèce (l’erreur de type I, $\alpha$). Le chercheur s’expose à rejeter massivement l’hypothèse de non-différence alors même que l’écart de performance entre les modèles ne reflète qu’une sensibilité différentielle aux bruits d’échantillonnage. La p-valeur générée par le logiciel devient un pur artéfact sans signification probabiliste valide.

Pour arbitrer scientifiquement entre des modèles non emboîtés sans sombrer dans ces dérives inférentielles, les analystes doivent mobiliser un arsenal méthodologique alternatif et adapté :

• Les critères d’information pénalisée : Les métriques telles que l’AIC (Akaike Information Criterion) ou le BIC (Bayesian Information Criterion), abordées ultérieurement, demeurent parfaitement valides pour comparer des modèles rivaux non emboîtés, à la condition expresse qu’ils reposent sur le même ensemble d’observations de la même variable dépendante.
• Le test de spécification J de Davidson-MacKinnon : Ce test novateur évalue la performance du Modèle 1 en incorporant les valeurs prédites issues du Modèle 2 comme un régresseur auxiliaire au sein du Modèle 1, testant si cet ajout améliore significativement l’ajustement par un simple test t de Student.
• Le test de non-emboîtement de Cox : Fondé sur la modification de la statistique de rapport de vraisemblance, il permet de tester la conformité de la différence observée de log-vraisemblance par rapport à son espérance théorique sous l’hypothèse qu’un des deux modèles concurrents a effectivement généré les données.

5. Le principe de parcimonie dans la sélection de modèles psychologiques

5.1 Le compromis biais-variance appliqué aux construits psychométriques

L’arbitrage formel entre un modèle complet et ses déclinaisons emboîtées restreintes incarne au plus haut point l’un des dilemmes fondamentaux de la statistique moderne : le compromis biais-variance (bias-variance tradeoff). Dans la sphère psychométrique, ce principe mathématique régit directement la pertinence et la robustesse des mesures que nous construisons. L’erreur quadratique moyenne de prédiction (MSE) pour un individu ou une observation future se décompose analytiquement en trois composantes additives irréductibles :

$$\text{MSE} = \text{Biais}^2 + \text{Variance} + \sigma^2$$

Le terme $\sigma^2$ représente la variance irréductible inhérente à la nature stochastique du phénomène psychologique mesuré. Le biais, quant à lui, quantifie l’erreur systématique découlant d’une simplification excessive de la réalité : si nous optons pour un modèle emboîté trop rudimentaire, omettant des régresseurs déterminants, nous sous-ajustons les données (underfitting) et générons des prédictions structurellement biaisées. À l’inverse, si nous déployons un modèle complet hautement paramétré dans l’espoir de réduire le biais à néant, nous introduisons une variabilité colossale dans l’estimation de chaque coefficient individuel. En intégrant des prédicteurs psychométriques fortement intercorrélés, les matrices deviennent quasi-singulières, les erreurs types des estimateurs explosent et le modèle surajuste (overfitting) dramatiquement l’échantillon de calibrage, échouant lamentablement à reproduire ses prédictions sur de nouveaux participants.

5.2 Justification théorique de l’élimination de régresseurs superflus

L’élimination raisonnée de variables au sein d’une structure de modèles emboîtés ne répond pas uniquement à une exigence de nature algorithmique ; elle trouve son fondement philosophique le plus profond dans le précepte du Rasoir d’Ockham (lex parsimoniae) : Entia non sunt multiplicanda praeter necessitatem (Les entités ne doivent pas être multipliées au-delà de ce qui est nécessaire). Transposé dans la pratique contemporaine de l’élaboration théorique en psychologie, ce principe exige que toute complexité structurelle additionnelle au sein d’une équation soit impérativement justifiée par un gain explicatif substantiel et empiriquement vérifiable.

Sur le versant théorique et clinique, la supériorité d’un modèle restreint et épuré s’avère manifeste en matière d’interprétabilité. Un modèle psychologique incorporant trente variables latentes et soixante interactions croisées défie toute conceptualisation clinique opérante et paralyse l’élaboration de protocoles d’intervention ciblés. En revanche, un modèle emboîté restreint qui parvient à rendre compte de 85 % de la variance explicative à travers l’articulation de seulement trois mécanismes fondamentaux offre aux cliniciens et aux décideurs un point d’ancrage immédiatement intelligible et maniable. De surcroît, sur le plan logistique et méthodologique, chaque prédicteur retenu dans un modèle final implique la nécessité d’administrer des items additionnels, de prolonger les passations psychométriques, d’accroître la fatigue cognitive des participants et d’augmenter exponentiellement les coûts financiers et temporels des collectes empiriques de données.

5.3 Robustesse et généralisabilité transculturelle ou inter-groupes

La prolifération paramétrique au sein des modèles non contraints pose un défi aigu dès lors que la recherche s’oriente vers la réplication des résultats et la validation inter-groupes ou transculturelle. Les modèles statistiques surparamétrés se caractérisent par une fragilité ontologique : ils s’adaptent de manière hypersensible aux particularismes idiosyncrasiques, aux biais de réponse spécifiques et aux artefacts d’échantillonnage de la cohorte initiale au sein de laquelle ils ont été entraînés. Dès lors que cette armature hyper-spécifique est projetée sur une population issue d’un autre substrat culturel ou socio-démographique, l’édifice s’effondre fréquemment sous l’effet de l’invariance non respectée des covariances.

C’est ici que triomphe la vertu prédictive des modèles emboîtés parcimonieux. En fixant délibérément les paramètres non essentiels à zéro ou en imposant des contraintes d’égalité transversale, le méthodologiste immunise sa structure explicative contre le surapprentissage local. Des méta-analyses récurrentes en psychométrie ont démontré de longue date que les modèles simplifiés, rigoureusement contraints et adossés à une théorie causale substantielle, exhibent une capacité de survie et de transférabilité empirique largement supérieure lors des tentatives de réplication indépendante à l’échelle internationale. L’élagage raisonné des paramètres à travers l’analyse d’emboîtement constitue donc l’un des remparts les plus solides contre la crise de reproductibilité qui traverse les sciences du comportement.

6. Procédures d’inférence statistique pour la comparaison de modèles emboîtés

6.1 Le test F incrémental (variation du R-carré)

Dans le cadre strict des modèles linéaires estimés par la méthode des moindres carrés ordinaires (MCO), le protocole d’inférence privilégié pour évaluer formellement deux modèles emboîtés repose sur le test F incrémental, traditionnellement désigné sous l’appellation de test de changement du $R^2$ ($\Delta R^2$). Ce test évalue de manière rigoureuse si l’accroissement de la variance expliquée consécutif à l’inclusion de covariables additionnelles au sein du modèle complet dépasse de manière significative ce que l’on pourrait imputer au simple hasard d’échantillonnage.

Soit $R^2_C$ le coefficient de détermination issu de l’estimation du modèle complet possédant $k_C$ prédicteurs, et $R^2_R$ le coefficient de détermination issu de l’estimation du modèle restreint emboîté possédant $k_R$ prédicteurs (avec $k_C > k_R$). Soit $n$ la taille effective de l’échantillon. La statistique de test F incrémentale se formule algébriquement comme suit :

$$F = \frac{\frac{R^2_C – R^2_R}{k_C – k_R}}{\frac{1 – R^2_C}{n – k_C – 1}} = \frac{\frac{SSE_R – SSE_C}{df_R – df_C}}{\frac{SSE_C}{df_C}}$$

Dans cette formulation équivalente, $SSE_R$ et $SSE_C$ désignent respectivement la somme des carrés des erreurs résiduelles du modèle restreint et du modèle complet. La statistique obtenue suit exactement une loi de Fisher-Snedecor sous l’hypothèse nulle $\mathcal{H}_0$, dont les degrés de liberté sont définis au numérateur par le nombre de contraintes imposées, soit $df_1 = k_C – k_R$, et au dénominateur par les degrés de liberté résiduels du modèle complet, soit $df_2 = n – k_C – 1$. Si la valeur calculée de la statistique $F$ franchit le seuil critique pour un niveau de signification donné (généralement $\alpha = 0,05$), le chercheur rejette formellement l’hypothèse nulle d’inutilité marginale et en déduit que l’adjonction des nouveaux régresseurs apporte une plus-value explicative authentique à la théorisation psychologique du phénomène.

6.2 Le test du rapport de vraisemblance (Likelihood Ratio Test – LRT)

Dès lors que la modélisation transcende le champ des moindres carrés ordinaires pour embrasser les modèles de régression logistique, les modèles linéaires généralisés (GLM) ou l’analyse factorielle confirmatoire calibrée par maximum de vraisemblance, le test F cède sa place prééminente au test du rapport de vraisemblance (Likelihood Ratio Test, ou LRT). Cette procédure repose sur l’évaluation de la quantité de déviance statistique, définie classiquement par la transformation $-2 \ln \mathcal{L}$.

Soit $\mathcal{L}_R$ la valeur maximale atteinte par la fonction de vraisemblance du modèle restreint et $\mathcal{L}_C$ la valeur maximale atteinte par la fonction de vraisemblance du modèle complet parent. Le ratio brut des vraisemblances $\lambda = \frac{\mathcal{L}_R}{\mathcal{L}_C}$ est borné mathématiquement sur l’intervalle $[0, 1]$, étant donné que la vraisemblance du modèle contraint ne saurait surpasser celle du modèle non contraint. La statistique du test de déviance, notée traditionnellement $D$ ou $G^2$, s’exprime comme le double de la différence logarithmique :

$$D = -2 \ln(\lambda) = -2 \left( \ln \mathcal{L}_R – \ln \mathcal{L}_C \right) = 2 \left( \ln \mathcal{L}_C – \ln \mathcal{L}_R \right)$$

En vertu du théorème asymptotique fondamental de Wilks, lorsque la taille d’échantillon $n$ tend vers l’infini et sous réserve de l’exactitude de l’hypothèse nulle stipulant la validité du modèle restreint, cette statistique $D$ converge en loi vers une distribution du chi-deux central :

$$D x\rightarrow{\mathcal{D}} \chi^2(df)$$

Les degrés de liberté $df$ de cette distribution limite sont rigoureusement égaux à la différence du nombre de paramètres libres estimés entre les deux structures, c’est-à-dire $df = p_C – p_R$. Si la déviance calculée excède la valeur seuil du chi-deux tabulée pour ces degrés de liberté spécifiques, l’inférence conclut à l’insuffisance du modèle restreint : la contrainte imposée altère significativement la fidélité de restitution de la dynamique empirique des données observées.

6.3 Le test du multiplicateur de Lagrange (Score test) et le test de Wald

Le test du rapport de vraisemblance s’inscrit au sein d’une triade canonique de tests asymptotiques d’hypothèses en statistique paramétrique, aux côtés du test de Wald et du test du multiplicateur de Lagrange (également baptisé Score test ou test des scores). Bien que ces trois instruments de déduction mathématique soient asymptotiquement équivalents et conduisent aux mêmes conclusions inférentielles sous de très grands échantillons, leurs exigences computationnelles et leurs fondations géométriques diffèrent notablement :

• Le test de Wald : Il se concentre exclusivement sur l’estimation non contrainte issue du modèle complet. Il mesure l’éloignement pondéré existant entre les coefficients librement estimés et les valeurs imposées par la contrainte nulle (par exemple, à quelle distance de zéro se positionnent $\hat{\beta}_3$ et $\hat{\beta}_4$ par rapport à leur matrice de variance-covariance asymptotique). Son avantage majeur réside dans sa rapidité d’exécution, car il ne requiert nullement la ré-estimation algorithmique du modèle restreint. En revanche, il souffre d’une instabilité reconnue lorsque les erreurs-types sont mal estimées ou face à des fonctions non linéaires complexes.
• Le test du multiplicateur de Lagrange (Score test) : Ce test opère exactement à l’opposé de celui de Wald. Il est calculé exclusivement à partir de l’ajustement du modèle restreint. Il évalue la pente (le gradient ou vecteur score) de la fonction de log-vraisemblance calculée au point contraint. Si la contrainte est théoriquement valide, le gradient devrait être statistiquement indistinguable d’un vecteur nul. Ce test présente un intérêt méthodologique inestimable dans les situations où l’estimation computationnelle du modèle complet s’avère prohibitive, instable ou sujette à des non-convergences numériques, comme cela survient fréquemment lors de l’estimation de modèles multiniveaux non linéaires ou de réseaux bayésiens profonds.

7. Modèles emboîtés dans les modèles d’équations structurelles (SEM)

7.1 Test d’invariance de mesure à travers les groupes

L’un des terrains d’application les plus prolifiques et les plus rigoureux de la théorie des modèles emboîtés réside incontestablement dans l’évaluation de l’invariance de mesure (ou équivalence psychométrique de mesure) à travers différents groupes démographiques, cliniques ou culturels au sein de la modélisation par équations structurelles (SEM). Lorsqu’une batterie psychométrique est administrée simultanément à des cohortes d’hommes et de femmes, ou à travers différents pays, le chercheur doit prouver formellement que l’instrument évalue les mêmes construits psychologiques sous une métrique identique avant de comparer licitement les moyennes latentes.

Cette vérification méthodologique s’effectue au moyen d’une séquence hiérarchique d’emboîtements de modèles multi-groupes, chaque palier imposant des contraintes d’égalité transversale de plus en plus restrictives :

• L’invariance configurationnelle (modèle de base non contraint) : Ce premier modèle vérifie simplement que le même pattern d’assignation des items aux facteurs latents se retrouve dans chaque groupe, sans imposer la moindre égalité numérique sur les paramètres.
• L’invariance métrique (faible) : Strictement emboîtée dans le modèle configurationnel, cette étape contraint les saturations factorielles ($lambda$) à être strictement égales entre les différents groupes. Elle teste l’hypothèse selon laquelle l’unité de mesure de l’échelle est invariante à travers les populations.
• L’invariance scalaire (forte) : Emboîtée à son tour dans le modèle d’invariance métrique, elle impose une égalité trans-groupe additionnelle portant sur les intercepts des variables observables ($tau$). Cette contrainte est indispensable pour garantir l’absence de biais de mesure différentiel au niveau des items.
• L’invariance stricte : Forme ultime d’emboîtement de la séquence, elle contraint à l’égalité inter-groupe les variances d’erreurs de mesure résiduelles ($\theta_\varepsilon$).

Sur le plan clinique et psychométrique, l’observation d’une rupture significative de l’emboîtement à l’un de ces paliers sonne l’alarme méthodologique : elle démontre que certains items fonctionnent de façon inéquitable d’une sous-population à l’autre, invalidant toute comparaison directe sans recalibrage préalable.

7.2 Évaluation par la différence de chi-deux (Δχ²)

L’arbitrage formel guidant la progression au sein de la cascade d’invariance psychométrique s’est historiquement adossé au test de la différence de chi-deux, universellement désigné par le symbole $\Delta\chi^2$. Cette procédure repose sur l’exploitation directe du test du rapport de vraisemblance appliqué aux matrices de covariance empiriques versus reproduites :

$$\Delta\chi^2 = \chi^2_{\text{restre\int}} – \chi^2_{\text{complet}}$$

$$\Delta df = df_{\text{restre\int}} – df_{\text{complet}}$$

Cependant, la transposition de ce formalisme théorique à l’exercice concret de la psychométrie de masse s’est heurtée à un écueil méthodologique de taille : la sensibilité extrême et pathologique de la statistique du chi-deux à la taille de l’échantillon ($N$). Dans les études d’envergure mobilisant des milliers de participants, la moindre fluctuation infinitésimale et théoriquement insignifiante au sein de la matrice de covariance déclenche inévitablement un rejet massif de l’hypothèse nulle d’équivalence sous le test $\Delta\chi^2$.

Face à cette rigidité pénalisante, les méthodologistes de référence — à l’instar des travaux pionniers de Cheung et Rensvold (2002) et de Chen (2007) — ont établi des critères de décision alternatifs fondés sur l’amplitude de la variation des indices d’ajustement pratiques. Dès lors, la validité d’un modèle emboîté restreint en SEM ne se jauge plus exclusivement sur la p-valeur du $\Delta\chi^2$, mais sur le maintien des indices de performance dans des plages de tolérance strictes :

• Une diminution du Comparative Fit Index ($\Delta\text{CFI}$) n’excédant pas le seuil critique de $-0,010$.
• Une élévation du Root Mean Square Error of Approximation ($\Delta\text{RMSEA}$) inférieure à $+0,015$.
• Une majoration modérée de la Standardized Root Mean Residual ($\Delta\text{SRMR}$), contenue sous le plafond de $+0,010$ ou $+0,030$ selon le niveau d’invariance testé.

7.3 Comparaison de modèles factoriels emboîtés

En dehors des architectures multi-groupes, la méthodologie des modèles emboîtés constitue l’arbitre suprême dans la controverse classique portant sur la structure dimensionnelle des construits psychologiques. Il est fréquent que deux écoles de pensée s’affrontent quant à la nature d’un phénomène : l’une défendant l’hypothèse d’une dimensionnalité globale unitaire (par exemple, un facteur d’intelligence générale « g » ou un facteur de psychopathologie générale « p »), tandis que l’autre postule l’existence d’une pluralité de sous-dimensions corrélées mais conceptuellement distinctes (par exemple, la triade cognitive anxiété, dépression et stress).

Pour trancher empiriquement cette rivalité théorique, le chercheur modélise en premier lieu la structure multifactorielle corrélée, autorisant les facteurs latents à présenter des corrélations libres $\phi_{ij}$ entre eux. Il spécifie ensuite un modèle unifactoriel concurrent. Ce dernier constitue un modèle strictement emboîté dans le premier : il s’obtient algébriquement en fixant l’intégralité des corrélations inter-factorielles à une valeur unitaire parfaite :

$$\mathcal{H}_0 : \phi_{ij} = 1,00 \quad \forall i ne j$$

Si le test de déviance démontre une dégradation majeure de l’ajustement lors de l’application de cette contrainte d’unisson, l’hypothèse de la dimension unitaire est formellement réfutée au profit de la discriminance des construits. Dans le cas contraire, si la fixation à l’unité n’altère en rien l’adéquation empirique du modèle, la présomption de parcimonie l’emporte : le chercheur conclut à l’inutilité de segmenter artificiellement le construit en facettes multiples redondantes, démasquant ainsi le phénomène de « jangle fallacy » où des termes différents désignent une seule et même réalité psychologique sous-jacente.

8. Modèles emboîtés et modélisation multiniveau (HLM)

8.1 Du modèle nul (vide) au modèle à effets fixes

L’analyse des structures comportementales exige fréquemment de prendre en compte l’emboîtement écologique des données : les écoliers sont regroupés au sein de classes, les patients au sein de services hospitaliers, et les observations répétées sont nichées au sein des trajectoires temporelles des individus. La modélisation multiniveau (Hierarchical Linear Modeling, ou HLM) structure cette complexité à travers une construction ascendante de modèles strictement emboîtés les uns dans les autres.

Le point de départ invariable de cette démarche d’investigation est le modèle nul (également désigné comme le modèle vide ou intercept-only model). Dépourvu de tout prédicteur, ce modèle se borne à partitionner la variance globale de la variable d’intérêt $Y_{ij}$ en une composante de variance intra-groupe (résiduelle individuelle, $\sigma^2$) et une composante de variance inter-groupe (dispersion des intercepts d’unités d’échantillonnage de niveau 2, $\tau_{00}$) :

$$Y_{ij} = \gamma_{00} + u_{0j} + e_{ij} \quad \text{a\vec} \quad u_{0j} \sim \mathcal{N}(0, \tau_{00}) \quad \text{et} \quad e_{ij} \sim \mathcal{N}(0, \sigma^2)$$

Ce modèle nul constitue le socle de calcul du coefficient de corrélation intraclasse (ICC), défini par la formule $\rho = \frac{\tau_{00}}{\tau_{00} + \sigma^2}$, qui quantifie la proportion de la variance totale imputable à la structure de regroupement. L’étape analytique suivante consiste à spécifier un modèle intégrant des covariables individuelles de niveau 1 (par exemple, le statut socio-économique ou le quotient intellectuel des élèves) dotées d’effets fixes. Ce nouveau modèle englobe strictement le modèle nul, autorisant le calcul immédiat de la réduction proportionnelle de la variance d’erreur résiduelle à travers une analyse de déviance par rapport de vraisemblance.

8.2 Comparaison entre pentes fixes et pentes aléatoires

Dès lors que des régresseurs de niveau 1 sont opérationnels au sein de la formalisation multiniveau, une question théorique majeure surgit : l’influence exercée par une covariable individuelle est-elle universellement identique à travers tous les groupes d’observation, ou son impact varie-t-il selon l’environnement de niveau supérieur ? En d’autres termes, convient-il de modéliser cet effet sous la forme d’une pente fixe ou d’une pente aléatoire (random slope) ?

Pour répondre à cette interrogation, le méthodologiste compare deux modèles emboîtés portant sur la structure des composantes de variance. Soit un modèle de régression multiniveau articulé autour d’une covariable $X_{1ij}$ :

• Le modèle à pente fixe : L’effet de $X_{1ij}$ est modélisé par un paramètre fixe invariable $\gamma_{10}$. La variance de cet effet à travers les groupes est implicitement contrainte à zéro.
• Le modèle à pente aléatoire : Le coefficient associe un terme d’écart stochastique spécifique à chaque groupe $j$, tel que $\beta_{1j} = \gamma_{10} + u_{1j}$, où la déviation $u_{1j}$ suit une loi normale de moyenne nulle et de variance $\tau_{11}$, co-variant avec l’intercepte selon la covariance $\tau_{01}$.

Le modèle à pente fixe est mathématiquement emboîté dans le modèle à pente aléatoire, car il correspond exactement à la situation où les paramètres de la matrice de covariance des effets aléatoires (notée classiquement matrice $G$) sont contraints à l’annulation : $\tau_{11} = 0$ et $\tau_{01} = 0$. Cependant, cette comparaison introduit un défi asymptotique redoutable. Puisque la variance $\tau_{11}$ ne peut être négative par définition géométrique, tester l’hypothèse nulle $\tau_{11} = 0$ revient à tester un paramètre positionné précisément sur la frontière physique de l’espace admissible.

Comme l’ont magistralement démontré Stram et Lee (1994), la statistique de rapport de vraisemblance ne suit pas, dans ce cas précis, une loi classique du $\chi^2(2)$, mais une distribution de mélange de chi-deux (mixture chi-square distribution), généralement représentée par la notation $\frac{1}{2}\chi^2(1) + \frac{1}{2}\chi^2(2)$. Négliger cette subtilité topologique conduit à adopter une sévérité excessive dans les décisions d’ajustement, augmentant indûment le taux de faux négatifs quant à l’hétérogénéité contextuelle des effets étudiés.

8.3 Maximum de vraisemblance : ML versus REML

L’une des zones d’erreur méthodologique les plus récurrentes dans l’évaluation des modèles multiniveaux emboîtés concerne le choix de l’algorithme d’optimisation de la vraisemblance. Les plateformes logicielles contemporaines proposent systématiquement deux paradigmes d’estimation : le maximum de vraisemblance standard (Maximum Likelihood, ou ML) et le maximum de vraisemblance restreint (Restricted Maximum Likelihood, ou REML).

Le tableau théorique des prérequis pour l’évaluation des modèles emboîtés est rigoureusement compartimenté :

• Comparaison de modèles différant par leurs effets fixes : Si deux modèles emboîtés intègrent des jeux de prédicteurs distincts au niveau de leurs composantes déterministes fixes (par exemple, le Modèle 1 exclut une covariable que le Modèle 2 intègre), il est formellement et mathématiquement interdit d’utiliser l’estimation REML pour procéder au test de rapport de vraisemblance. L’estimation REML opère en projetant les données sur un sous-espace vectoriel orthogonal aux effets fixes afin d’estimer les composantes de variance sans le biais lié aux degrés de liberté des paramètres fixes. Par conséquent, dès lors que les effets fixes changent, la fonction de vraisemblance REML change d’échelle métrique et d’assise transformationnelle, rendant toute soustraction de log-vraisemblance totalement dénuée de sens. L’analyste doit impérativement ré-estimer les modèles sous l’algorithme ML standard avant d’exécuter son LRT.
• Comparaison de modèles différant par leurs effets aléatoires : Si deux modèles emboîtés possèdent rigoureusement les mêmes prédicteurs fixes et ne diffèrent que par la structure de leur matrice de variance-covariance des effets aléatoires (par exemple, l’ajout d’une variance de pente aléatoire ou d’une structure autorégressive sur les résidus), l’estimation REML devient non seulement autorisée, mais vivement préconisée, car elle fournit des estimations non biaisées des composantes de variance sur les petits et moyens échantillons.

9. Critères d’information : AIC, BIC et comparaison de modèles emboîtés et non emboîtés

9.1 Le critère d’Akaike (AIC) et la divergence de Kullback-Leibler

Au début des années 1970, le statisticien japonais Hirotugu Akaike a révolutionné la philosophie de la modélisation statistique en établissant une passerelle fondamentale entre la théorie de l’information développée par Claude Shannon et l’inférence par maximum de vraisemblance. Le critère d’information d’Akaike (AIC) trouve sa justification mathématique dans la volonté de minimiser la divergence de Kullback-Leibler ($D_{KL}$), laquelle mesure l’entropie relative ou la déperdition irrémédiable d’information résultant de l’approximation d’un processus de génération de données de la réalité ($f$) au moyen d’un modèle statistique candidat ($g_\theta$).

L’expression analytique générale de l’AIC se formule comme une combinaison linéaire pénalisée de la log-vraisemblance maximisée :

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

Dans cette formulation, $\ln \mathcal{L}$ capture l’adéquation d’ajustement empirique du modèle aux données, tandis que $k$ représente le nombre total de paramètres libres alloués dans le système. La pénalité $2k$ s’avère mathématiquement proportionnelle au biais asymptotique identifié par Akaike lorsque la vraisemblance d’un échantillon est exploitée pour prédire de futures observations non observées. Face à un ensemble de modèles concurrents — qu’ils soient formellement emboîtés ou issus de formulations non emboîtées —, le modèle le plus probant est celui qui arbore la valeur numérique d’AIC la plus basse.

Lorsque la taille d’échantillon $n$ s’avère restreinte par rapport au nombre de paramètres estimés (approximativement lorsque le ratio $frac{n}{k} < 40$), l'estimateur de biais théorique d'Akaike tend à sous-estimer la pénalisation, incitant à un surajustement intempestif. Les chercheurs ont alors recours à la version corrigée pour petits échantillons (AICc), développée par Hurvich et Tsai :

$$\text{AICc} = \text{AIC} + \frac{2k(k + 1)}{n – k – 1}$$

9.2 Le critère bayésien de Schwarz (BIC) et la pénalité logarithmique

Bien que son architecture algébrique externe présente une forte parenté avec celle de l’AIC, le critère d’information bayésien (BIC), formulé initialement par Gideon Schwarz en 1978, procède d’un ancrage épistémologique radicalement distinct. Le BIC s’enracine dans la théorie de la décision bayésienne et vise l’identification probabiliste du modèle « vrai » parmi une collection discrète de candidats admissibles. Il s’exprime par la relation suivante :

$$\text{BIC} = -2 \ln \mathcal{L} + k \ln(n)$$

La divergence cardinale entre l’AIC et le BIC réside dans la pondération de la fonction de pénalisation. Alors que l’AIC inflige une pénalité linéaire constante et invariante face à la taille de l’échantillon ($2k$), le BIC module la pénalité par le logarithme népérien du nombre total d’observations, soit $k ln(n)$. Dès lors que la taille d’échantillon franchit le seuil critique de $n = e^2 \approx 7,39$, la pénalisation imposée par le BIC devient incomparablement plus sévère que celle de l’AIC.

Cette distinction a des répercussions profondes sur l’arbitrage des modèles emboîtés :

• La consistance du BIC : Sur le plan asymptotique, le BIC est qualifié de critère « consistant ». Cela signifie que si le véritable modèle générateur de données appartient formellement au groupe des modèles en compétition, la probabilité que le BIC sélectionne exactement ce modèle tend vers 1 à mesure que la taille de l’échantillon $n$ approche de l’infini. Le BIC tend donc systématiquement à favoriser des modèles emboîtés beaucoup plus restreints et parcimonieux.
• L’efficacité asymptotique de l’AIC : L’AIC n’est pas consistant pour sélectionner le modèle exact ; il a tendance à surdimensionner légèrement la structure en conservant des paramètres superflus avec une probabilité asymptotique non nulle. En contrepartie, il est « asymptotiquement efficace » au sens où il maximise la précision prédictive minimax sur de futures données sans postuler l’existence naïve d’un « modèle vrai » au sein des sciences humaines.

De surcroît, le BIC présente une remarquable propriété géométrique : la différence de BIC entre deux structures ($\Delta\text{BIC} = \text{BIC}_A – \text{BIC}_B$) constitue une approximation directe par la méthode de Laplace du double du logarithme népérien du facteur de Bayes ($\Delta\text{BIC} \approx 2 \ln B_{10}$), autorisant une conversion probabiliste immédiate de la force de la preuve théorique en faveur du modèle restreint ou du modèle complet.

9.3 Directives de décision : convergence entre LRT et critères d’information

L’analyse empirique confronte régulièrement le chercheur à un défi d’interprétation lorsque les conclusions des différents indicateurs de sélection divergent. Il n’est pas rare qu’un test de rapport de vraisemblance formel ($\Delta\chi^2$) conclue au rejet franc de l’hypothèse nulle (indiquant que le modèle complet apporte un gain statistiquement significatif), tandis que l’examen concomitant du BIC met en évidence une pénalisation rédhibitoire recommandant formellement l’adoption du modèle restreint.

Pour naviguer rationnellement au cœur de ces tensions décisionnelles, il convient d’adopter un protocole de résolution hiérarchisé :

• Vérifier la concordance globale : Dans la grande majorité des situations d’investigation standards, un rejet unanime sous le LRT ($p < 0,001$) s'accompagne d'une réduction parallèle de l'AIC et du BIC, validant sans réserve la robustesse de l'adjonction paramétrique.
• Arbitrer le découplage LRT versus BIC en grand échantillon : Comme nous l’avons théorisé, le test du rapport de vraisemblance est intrinsèquement sensible à l’hyper-puissance statistique dès que l’échantillon devient colossal ($N > 2,000$). Dans cette configuration précise, une p-valeur significative découle souvent d’une perturbation triviale de la variance sans pertinence substantielle. Il conviendra alors d’accorder une préséance méthodologique au BIC pour préserver la parcimonie clinique.
• Distinguer puissance exploratoire et confirmation théorique : Si l’objectif ultime de la modélisation relève de l’ingénierie prédictive opérationnelle, la priorité sera accordée à l’AIC ou à l’AICc. Si l’enjeu relève de la confirmation d’une théorie psychologique causale épurée, le BIC et le test de Wald sur les contraintes d’emboîtement offriront le rempart le plus sûr contre la prolifération de théories spécieuses.

10. Guide pratique d’implémentation logicielle (R et Python)

10.1 Comparaison de modèles linéaires et logistiques sous R

L’environnement de calcul statistique R fournit une infrastructure native extrêmement puissante pour l’estimation et la comparaison computationnelle de modèles emboîtés. Dans le cadre de la régression linéaire standard estimée par moindres carrés ordinaires, la fonction canonique anova() prend en arguments consécutifs deux objets de modèle créés par la fonction lm() et procède de manière totalement automatisée au calcul du test F incrémental.

La séquence opérationnelle requiert toutefois une rigueur scrupuleuse dans l’ordre de passage des objets. Bien que l’algorithme sous-jacent recalcule les différences de sommes de carrés de manière bidirectionnelle, la nomenclature standard exige d’insérer en premier argument le modèle restreint (porteur du plus grand nombre de degrés de liberté résiduels), suivi du modèle complet parent :

modele_b <- lm(Points ~ Minutes + Taille, data = donnees_sport)

modele_a <- lm(Points ~ Minutes + Taille + Position + Tirs, data = donnees_sport)

anova(modele_b, modele_a)

L’exécution de cette commande génère une table d’analyse de variance affichant les sommes des carrés résiduelles associées à chaque spécification, les degrés de liberté soustractifs ($df = 2$), la statistique empirique de Fisher $F$ et la p-valeur exacte correspondante. Pour des variables dépendantes binaires ou catégorielles analysées via la fonction glm() (régression logistique ou de Poisson), la syntaxe s’adapte en exigeant impérativement la spécification explicite du test d’hypothèse désiré : anova(modele_b_glm, modele_a_glm, test = "Chisq"). L’omission de cet argument contraindrait R à imprimer uniquement les déviances brutes sans calculer la p-valeur du chi-deux de rapport de vraisemblance.

10.2 Modélisation avancée avec lavaan et lme4 sous R

Dans le domaine des modèles d’équations structurelles, le paquet de référence lavaan (Latent Variable Analysis) simplifie considérablement l’inférence sur modèles emboîtés. Considérons la confrontation empirique entre un modèle factoriel libre et un modèle factoriel contraint où les saturations factorielles sont fixées à l’égalité inter-groupe. Après avoir formulé et estimé les deux structures via la fonction cfa(), l’analyste exécute simplement :

lavTestLRT(fit_modele_metrique, fit_modele_config) ou de manière analogue anova(fit_modele_metrique, fit_modele_config)

La sortie logicielle de lavaan transcende la simple déviance de chi-deux : elle intègre simultanément le tableau des variations d’indices d’ajustement ($\Delta\text{AIC}$, $\Delta\text{BIC}$), permettant au psychométricien de confronter en un coup d’œil l’ensemble des métriques d’invariance.

Pour ce qui a trait aux modélisations hiérarchiques et multiniveaux sous le paquet standard lme4, la gestion des modèles emboîtés requiert une vigilance méthodologique extrême liée à l’algorithme d’estimation. Si l’on souhaite comparer deux modèles spécifiés via la fonction lmer() différant par leurs covariables déterministes à effets fixes, le package lme4 intègre une protection automatisée remarquable : si les modèles ont été initialement estimés sous l’algorithme REML par défaut, l’application de la commande anova(modele_hlm_reduit, modele_hlm_complet) détecte automatiquement le changement de structure des effets fixes, procède en arrière-plan à la ré-estimation intégrale des deux modèles sous l’algorithme du Maximum de Vraisemblance (ML), et délivre un avertissement explicite (refitting model(s) with ML) avant d’imprimer les statistiques du test du rapport de vraisemblance.

10.3 Implémentation sous Python avec statsmodels

Dans l’écosystème open-source Python, les bibliothèques d’apprentissage automatique pur telles que scikit-learn sont optimisées pour la maximisation de l’ajustement prédictif et la validation croisée, mais s’avèrent structurellement inadaptées à l’inférence statistique sur les modèles emboîtés. L’architecture logicielle dédiée à cette exigence rigoureuse est le module statsmodels.

L’estimation des structures emboîtées s’articule élégamment au travers de l’interface fonctionnelle statsmodels.formula.api, autorisant l’usage de la syntaxe standard inspirée de R :

import statsmodels.formula.api as smf

mod_b = smf.ols('Points ~ Minutes + Taille', data=df).fit()

mod_a = smf.ols('Points ~ Minutes + Taille + Position + Tirs', data=df).fit()

Pour procéder formellement au test du rapport de vraisemblance unissant les deux représentations, la méthode dédiée intégrée aux objets de résultats de statsmodels est invoquée par la syntaxe : lr_stat, p_val, df_diff = mod_a.compare_lr_test(mod_b). Cette commande extrait automatiquement la différence de log-vraisemblance des deux systèmes, applique l’équation de la déviance de Wilks $D = 2(\ln \mathcal{L}_A – \ln \mathcal{L}_B)$, déduit le nombre de degrés de liberté contraints et renvoie la p-valeur de rejet. De manière analogue, la méthode compare_f_test(mod_b) fournit l’exécution correspondante du test F incrémental pour les régressions par moindres carrés, garantissant une cohérence analytique parfaite entre les écosystèmes informatiques de recherche.

11. Erreurs courantes et écueils méthodologiques lors de l’analyse

11.1 Le piège des données manquantes et variations de taille d’échantillon

Parmi les écueils qui compromettent la validité de la recherche computationnelle, le piège des données manquantes différentielles représente incontestablement l’erreur la plus insidieuse et la plus fréquente. La quasi-totalité des progiciels statistiques déploie par défaut un algorithme de suppression des valeurs manquantes par liste (listwise deletion ou complete case analysis) : toute observation individuelle présentant une valeur manquante sur l’une quelconque des variables incluses dans l’équation de régression est unilatéralement rayée de l’échantillon d’estimation.

L’impact de ce comportement algorithmique sur la comparaison de modèles emboîtés est dévastateur. Considérons notre exemple : supposons que l’échantillon global comprenne initialement $N = 250$ sportifs. Lors de l’estimation du Modèle B (intégrant $Minutes$ et $Taille$), aucune valeur n’est manquante : le modèle est donc estimé sur les $N_B = 250$ cas. En revanche, la variable $Tirs$, introduite au sein du Modèle A, comporte $25$ valeurs manquantes non renseignées. Sans que l’analyste n’y prenne garde, le logiciel recalibre automatiquement l’échantillon effectif du Modèle A à $N_A = 225$ observations.

Dès cet instant, la relation d’emboîtement statistique est purement et simplement anéantie. Le Modèle B et le Modèle A ne sont plus calibrés sur le même univers probabiliste de données ; leurs fonctions de log-vraisemblance sont calculées sur des distributions conjointes asymétriques, et les sommes de carrés deviennent incommensurables. Tout test du rapport de vraisemblance exécuté sur cette disparité délivrera un résultat complètement invalide. Pour préserver l’intégrité de la déduction, le chercheur doit obligatoirement, soit filtrer préalablement sa matrice de données de manière à n’estimer les deux modèles que sur la sous-population strictement complète pour l’ensemble des variables du modèle complet, soit recourir aux techniques modernes d’imputation multiple par équations chaînées (MICE) ou à l’estimation Full Information Maximum Likelihood (FIML).

11.2 Divergences de fonctions de lien ou de transformations mathématiques

Un deuxième piège théorique découle de l’altération involontaire de la structure fonctionnelle reliant le prédicteur linéaire à la distribution conditionnelle de la variable dépendante. La condition d’emboîtement exige non seulement l’identité nominale de la variable cible, mais également l’identité absolue de son traitement mathématique préliminaire. L’une des confusions les plus récurrentes consiste à vouloir comparer un modèle linéaire classique opérant sur une variable brute $Y$ avec un modèle linéaire opérant sur sa transformation logarithmique $ln(Y)$ sous prétexte de stabiliser les résidus hétéroscédastiques.

Une telle démarche rompt l’emboîtement de façon irréparable. La transformation logarithmique modifie l’échelle de mesure et applique une transformation non linéaire au jacobien de la distribution, altérant profondément la métrique de la fonction de vraisemblance. La log-vraisemblance d’un modèle estimé sur $ln(Y)$ ne peut en aucun cas être soustraite de la log-vraisemblance d’un modèle estimé sur $Y$ sans l’application d’un terme correctif jacobien rigoureux ($-\sum \ln y_i$).

Une pathologie analogue survient lors de la manipulation des modèles linéaires généralisés (GLM). Si un chercheur spécifie une régression logistique pour modéliser une variable binaire au sein d’un Modèle A en exploitant la fonction de lien logit standard ($\eta = \ln(\frac{p}{1-p})$), et qu’il spécifie pour son modèle restreint B une fonction de lien probit ($\eta = \Phi^{-1}(p)$), l’emboîtement est instantanément dissous, même si les régresseurs de B constituent un sous-ensemble parfait de ceux de A. Bien que les deux courbes sigmoïdes soient visuellement proches, leurs espaces de paramètres procèdent de familles exponentielles structurellement distinctes interdisant toute utilisation du test de Wilks.

11.3 Problèmes de colinéarité extrême et instabilité paramétrique

L’évaluation des modèles emboîtés est particulièrement vulnérable aux distorsions générées par la multicolinéarité sévère au sein de la matrice des régresseurs. Lorsque des covariables ajoutées au modèle complet partagent une corrélation empirique quasi-parfaite avec les variables préexistantes du modèle restreint, le déterminant de la matrice d’information approche dangereusement de zéro, provoquant une instabilité numérique critique de l’inversion matricielle.

Dans ce contexte pathologique, le retrait des covariables contraintes lors de la transition vers le modèle restreint peut induire des phénomènes de bascule paramétrique spectaculaires. L’analyste observe alors des inversions contre-intuitives de la polarité algébrique des coefficients — un effet directement corrélé au paradoxe de Simpson —, où un coefficient significativement positif dans le modèle complet devient inexplicablement et massivement négatif dès lors que le modèle restreint est estimé. Parallèlement, les erreurs-types associées aux régresseurs préservés s’effondrent brutalement.

Avant de s’engager dans l’inférence comparative de modèles emboîtés, le méthodologiste se doit de quantifier systématiquement l’ampleur de cette colinéarité au moyen du facteur d’inflation de la variance (VIF, Variance Inflation Factor) :

$$\text{VIF}_j = \frac{1}{1 – R_j^2}$$

Un seuil de $\text{VIF} > 5$ ou $10$ signale une redondance informationnelle toxique qui déforme les projections des hyperplans et vicie irrémédiablement l’interprétabilité des tests F incrémentaux ou de rapport de vraisemblance.

12. Synthèse méthodologique et recommandations pour la recherche empirique

12.1 Protocole séquentiel d’évaluation d’un modèle emboîté

Pour prémunir les investigations empiriques contre les dérives arbitraires et les conclusions erronées, la communauté des psychométriciens et statisticiens quantitatifs a formalisé un protocole de conduite séquentiel en quatre étapes majeures, guidant méthodiquement le processus de comparaison de modèles emboîtés :

• Étape 1 : Formulation d’hypothèses théoriques a priori : La décision d’emboîtement ne doit jamais résulter d’un dragage aveugle de données (data dredging ou p-hacking) guidé par des algorithmes de sélection automatique pas à pas (stepwise regression), dont les propriétés inférentielles sont largement dénoncées. L’inclusion ou l’omission de covariables doit impérativement s’ancrer dans des hypothèses scientifiques falsifiables solidement préétablies.
• Étape 2 : Contrôle rigoureux de la commensurabilité des matrices : L’analyste doit vérifier formellement la stricte identité de la variable dépendante $Y$, l’exactitude de la fonction de transformation appliquée, la stricte identité de la fonction de lien distributionnelle, ainsi que l’invariance absolue de la taille d’échantillon effective ($N_R = N_C$) à travers une gestion transparente des données manquantes.
• Étape 3 : Calcul conjointe de la trinité inférentielle : L’arbitrage ne saurait reposer sur une métrique isolée. Le chercheur calibrera simultanément le test formel d’hypothèse nulle adapté au paradigme d’estimation (test F incrémental pour MCO, test du rapport de vraisemblance LRT pour GLM/SEM), assorti du relevé systématique des critères d’information pénalisée (AICc pour l’exactitude prédictive, BIC pour la parcimonie structurelle).
• Étape 4 : Évaluation substantielle de la taille d’effet : La seule présence d’une p-valeur infinitésimale ne suffit pas à valider scientifiquement l’adoption du modèle complet. Le chercheur doit quantifier l’incrément pragmatique apporté par les nouveaux paramètres, mesuré par le changement absolu de variance expliquée ($\Delta R^2$), la variation des indices d’adéquation ($\Delta\text{CFI}$, $\Delta\text{RMSEA}$) et la pertinence clinique ou sociétale des prédictions différentielles générées.

12.2 Normes de reporting scientifique conformes aux standards APA

La transcription des résultats comparatifs au sein des revues scientifiques à comité de lecture doit se plier aux exigences de transparence méthodologique codifiées par l’American Psychological Association (normes APA, 7e édition). La dissémination scientifique moderne proscrit les déclarations vagues d’ajustement supérieur non étayées par des données quantitatives complètes.

Le reporting rigoureux d’une comparaison de modèles linéaires emboîtés requiert l’intégration d’un tableau comparatif structuré présentant pour chaque modèle :

• Les coefficients de régression non standardisés ($B$) avec leurs erreurs-types respectives ($SE$).
• Les coefficients de régression standardisés ($\beta$).
• Les statistiques d’adéquation globales ($R^2$, $R^2$ ajusté, ou Déviance).
• La ligne synthétique de comparaison d’emboîtement stipulant la variation de variance expliquée ($\Delta R^2$), les degrés de liberté exacts sous la forme indiciaire matricielle, la valeur empirique exacte de la statistique $F$ ou $\Delta\chi^2$, et la mention de la p-valeur exacte (par exemple, $F(2, 245) = 14,82, p < 0,001$ plutôt que l'imprécis « $p < 0,05$ »).

Le corps du texte doit expliciter sans ambiguïté les contraintes imposées, justifier théoriquement la sélection finale du modèle retenu pour l’interprétation substantielle, et discuter explicitement des implications épistémiques découlant du renoncement aux prédicteurs omis.

12.3 Perspectives futures : Apprentissage automatique et régularisation

À l’aube de l’intégration croissante de l’intelligence artificielle et du machine learning au sein de la méthodologie quantitative, le concept même de modèle emboîté connaît une mutation conceptuelle fascinante. La frontière historique entre modèle complet et modèle restreint reposait sur une logique discrète, presque binaire : un paramètre était soit intégralement libre, soit brutalement contraint à une annulation absolue ($\beta_j = 0$).

Cette vision discontinue est aujourd’hui dépassée par les techniques d’estimation sous pénalisation et régularisation continue, dont les chefs de file sont la régression Ridge, l’Elastic Net et tout particulièrement la régression Lasso (Least Absolute Shrinkage and Selection Operator) introduite par Robert Tibshirani. La régularisation Lasso modifie la fonction d’optimisation classique par l’adjonction d’une contrainte de norme $L_1$ :

$$\hat{\beta}_{Lasso} = arg\min_{\beta} \left{ \sum_{i=1}^n \left( Y_i – \beta_0 – \sum_{j=1}^p \beta_j X_{ij} \right)^2 + \lambda \sum_{j=1}^p |\beta_j| \right}$$

Dans ce cadre analytique, le paramètre de tuning continu $lambda$ contrôle le degré de pénalisation. Lorsque $lambda = 0$, le système correspond exactement au modèle complet non contraint classique. À mesure que $lambda$ s’élève de manière infinitésimale et continue, la contrainte géométrique force progressivement les coefficients des régresseurs les moins explicatifs à rétrécir de façon différentielle jusqu’à atteindre rigoureusement zéro. Dès lors, le Lasso ne compare plus une poignée de modèles emboîtés discrets choisis arbitrairement : il trace un continuum dynamique infini de modèles emboîtés successifs le long de son chemin de régularisation (regularization path).

Cette convergence féconde entre la modélisation explicative psychologique et les approches algorithmiques contemporaines démontre la vitalité pérenne du concept d’emboîtement. Loin d’être relégué aux archives de la statistique classique, le principe d’emboîtement de structures paramétriques demeure la boussole méthodologique indispensable pour quiconque cherche à naviguer avec rigueur, lucidité et élégance au sein des paysages empiriques complexes des sciences du comportement humain.

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

Bollen, K. A. (1989). Structural equations with latent variables. John Wiley & Sons. https://doi.org/10.1002/9781118619179

Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 14(3), 464-504. https://doi.org/10.1080/10705510701301834

Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 9(2), 233-255. https://doi.org/10.1207/S15328007SEM0902_5

Cox, D. R. (1962). Further results on tests of separate families of hypotheses. Journal of the Royal Statistical Society: Series B (Methodological), 24(2), 406-424. https://doi.org/10.1111/j.2517-6161.1962.tb00469.x

Davidson, R., & MacKinnon, J. G. (1981). Several tests for model specification in the presence of alternative hypotheses. Econometrica, 49(3), 781-793. https://doi.org/10.2307/1911522

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7

Hurvich, C. M., & Tsai, C.-L. (1989). Regression and time series model selection in small samples. Biometrika, 76(2), 297-307. https://doi.org/10.1093/biomet/76.2.297

Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.

Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models: Applications and data analysis methods (2nd ed.). Sage Publications.

Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1-36. https://doi.org/10.18637/jss.v048.i02

Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464. https://doi.org/10.1214/aos/1176344136

Stram, D. O., & Lee, J. W. (1994). Variance components testing in the longitudinal mixed effects model. Biometrics, 50(4), 1171-1177. https://doi.org/10.2307/2533455

Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267-288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x

Wilks, S. S. (1938). The large-sample distribution of the likelihood ratio for testing composite hypotheses. The Annals of Mathematical Statistics, 9(1), 60-62. https://doi.org/10.1214/aoms/1177732360