Régression à travers l’origine : Définition et exemple

Dans le vaste champ de la modélisation statistique appliquée, l’analyse de régression linéaire constitue sans conteste l’un des piliers méthodologiques les plus universellement déployés, tant dans les sciences expérimentales que dans les sciences sociales ou l’économétrie. Sa vocation première réside dans la formalisation rigoureuse de la relation fonctionnelle unissant une variable dépendante à une ou plusieurs variables prédictives. Au sein de cette architecture mathématique classique, l’ordonnée à l’origine, désignée conventionnellement sous le terme d’intercepte ou de constante, joue un rôle régulateur fondamental en absorbant le niveau de base de la réponse lorsque l’ensemble des covariables s’annule. Pourtant, une question théorique et pratique lancinante traverse régulièrement l’esprit du modélisateur : que devient la structure du modèle lorsque la théorie substantielle impose que l’absence absolue de stimulus entraîne obligatoirement l’absence totale de réponse ?

Cette interrogation conceptuelle ouvre la voie à la régression linéaire à travers l’origine (communément désignée par l’acronyme anglophone RTO pour Regression Through the Origin, ou régression sans constante). Loin de constituer une simple variante calculatoire obtenue par la désactivation d’un paramètre dans un progiciel statistique, la suppression délibérée de l’ordonnée à l’origine transforme radicalement la géométrie sous-jacente des estimateurs, modifie la distribution des erreurs résiduelles et invalide une grande partie des réflexes interprétatifs acquis par les praticiens. Les propriétés asymptotiques, les mécanismes de projection orthogonale et les métriques usuelles d’évaluation de la qualité de l’ajustement s’en trouvent profondément bouleversés, créant parfois des pièges méthodologiques redoutables pour les chercheurs non avertis.

Le présent article propose une exploration encyclopédique, exhaustive et mathématiquement rigoureuse de la régression à travers l’origine. En parcourant ses fondements théoriques, ses justifications mécanistiques au sein de disciplines variées, ses dérivations algébriques pas à pas, ainsi que le problème tristement célèbre de la dégénérescence du coefficient de détermination, ce guide a pour ambition d’offrir une référence complète. À travers un exemple numérique entièrement calculé à la main, des protocoles de tests d’hypothèses emboîtés et une revue des implémentations logicielles majeures, le lecteur découvrira comment mobiliser cet outil avec rigueur, discernement et lucidité épistémologique.

1. Fondements théoriques de la régression linéaire et rôle de l’ordonnée à l’origine

1.1 Structure du modèle de régression linéaire simple classique

Le modèle standard de la régression linéaire simple repose sur la formulation univariée d’une relation affine entre deux grandeurs observables. Sur le plan mathématique, pour une observation individuelle indicée par i au sein d’un échantillon de taille n, l’équation fondamentale s’énonce comme suit :

y_i = β₀ + β₁ x_i + ε_i,   avec i ∈ {1, …, n}

Dans ce paradigme, la variable y_i représente la variable dépendante, expliquée ou endogène, tandis que x_i désigne la variable indépendante, explicative ou exogène. Le paramètre β₀, ou intercepte, quantifie la valeur attendue de la réponse lorsque le prédicteur x est rigoureusement égal à zéro. De son côté, le coefficient angulaire β₁ mesure la pente de la droite d’ajustement, traduisant ainsi la variation marginale espérée de y consécutive à une augmentation d’une unité de x.

Le terme stochastique ε_i modélise l’erreur aléatoire, réceptacle de l’ensemble des micro-déterminants non observés, des imprécisions de mesure et des fluctuations intrinsèques au processus étudié. Selon les hypothèses classiques de Gauss-Markov, ce terme d’erreur obéit à des propriétés strictes : son espérance conditionnelle par rapport au prédicteur est rigoureusement nulle, soit E(ε_i | x_i) = 0, sa variance conditionnelle est constante sur l’ensemble du domaine d’observation (homoscédasticité, formalisée par Var(ε_i | x_i) = σ²), et les erreurs associées à deux observations distinctes sont mutuellement décorrélées (Cov(ε_i, ε_j) = 0 pour tout i ≠ j).

1.2 Nature statistique et géométrique de l’intercept

D’un point de vue géométrique, l’introduction du paramètre β₀ confère à la droite des moindres carrés un degré de liberté translationnel dans l’espace euclidien bidimensionnel. La droite de régression classique possède la propriété fondamentale de passer nécessairement par le centre de gravité ou barycentre des données, défini par le couple de coordonnées moyennes (x̄, ȳ). L’intercepte agit ainsi comme un pivot d’ajustement assurant que le résidu moyen empirique s’annule strictement :

∑_i=1ⁿ e_i = 0,   où e_i = y_i – (b̂₀ + b̂₁ x_i)

Toutefois, la signification substantielle de l’intercepte fait fréquemment l’objet d’interprétations abusives. Sur le plan empirique, x = 0 se situe très souvent en dehors du domaine expérimental exploré par l’échantillon. Évaluer la droite en ce point revient alors à une extrapolation risquée, dépourvue de validité empirique directe. Par exemple, si l’on modélise le poids corporel d’individus adultes en fonction de leur taille en centimètres, la constante représentera la masse théorique d’un individu mesurant zéro centimètre, ce qui constitue une aberration physiologique totale. Dans ce contexte, β₀ n’a aucune vocation à décrire un phénomène observable réel ; il n’est qu’un artefact mathématique garantissant la justesse du taux de variation marginal dans la région où les données sont effectivement collectées.

1.3 Origines du besoin de contraindre le modèle statistique

En dépit de son efficacité technique, la présence systématique d’une constante libre crée une tension épistémologique majeure lorsque la théorie sous-jacente impose une contrainte déterministe incontournable. Dans de nombreuses disciplines scientifiques, il existe des relations causales où l’inactivation complète de la cause rend impossible l’existence de l’effet. Dans un circuit électrique passif obéissant à la loi d’Ohm (U = R · I), il ne peut circuler de courant mesurable sans différence de potentiel appliquée. Autoriser une constante empirique différente de zéro sous prétexte d’ajustement statistique revient à admettre la génération spontanée d’énergie ou l’existence de flux fantômes au sein du modèle.

Dès les travaux pionniers de Sir Francis Galton et de Karl Pearson sur la biométrie et l’hérédité, la question de l’ancrage forcé des relations linéaires s’est posée face aux lois de conservation de la physique et aux contraintes anatomiques. En économie, les débats des années 1950 et 1960 autour de la fonction de consommation keynésienne et de la théorie du revenu permanent de Milton Friedman ont souligné la nécessité de distinguer rigoureusement les modèles comportant un niveau de subsistance autonome (β₀ > 0) des modèles d’homogénéité stricte de degré un (β₀ = 0). Il convient dès lors de séparer nettement la démarche consistant à contraindre structurellement un modèle sur la base de principes physiques ou logiques déductifs de l’erreur méthodologique qui consisterait à éliminer arbitrairement une constante statistique pour la simple raison qu’elle n’atteint pas un seuil de significativité conventionnel.

2. Définition et formalisation mathématique de la régression à travers l’origine

2.1 Équation fondamentale du modèle sans constante

La régression linéaire à travers l’origine se définit formellement par l’omission intentionnelle et délibérée du terme constant β₀ dans l’équation structurelle de la relation. Le modèle univarié prend alors la forme concise :

y_i = β₁ x_i + ε_i,   pour tout i ∈ {1, …, n}

Cette formulation impose une contrainte déterministe rigide sur la géométrie de la droite estimée : cette dernière est condamnée à intersecter l’axe des ordonnées au point précis de coordonnées cartésiennes (0, 0). Sous l’hypothèse d’espérance conditionnelle nulle des perturbations stochastiques E(ε_i | x_i) = 0, l’espérance mathématique de la réponse conditionnellement à une valeur nulle du régresseur est impérativement nulle : E(y | x = 0) = 0.

Dans le formalisme matriciel général des modèles linéaires, où le vecteur des réponses y ∈ ℝ^n×1 est relié à la matrice des prédicteurs X ∈ ℝ^n×p par la relation y = Xβ + ε, la spécification d’un modèle sans ordonnée à l’origine se traduit par la suppression de la colonne unitaire traditionnellement allouée à la constante. Pour une régression simple, la matrice du dessein expérimental X se réduit à un simple vecteur colonne contenant les valeurs observées du régresseur :

X = [x₁, x₂, …, x_n]^T ∈ ℝ^n×1,   et   β = [β₁] ∈ ℝ^1×1

2.2 Différences structurales avec le modèle standard

L’élimination du paramètre constant engendre une cascade de modifications structurelles profondes dans l’appareil mathématique de l’inférence. La première altération notable concerne les degrés de liberté résiduels. Alors que le modèle classique estime deux paramètres (β₀ et β₁) et consomme par conséquent deux degrés de liberté — laissant n – 2 degrés de liberté pour l’estimation de la variance résiduelle σ² —, le modèle à travers l’origine ne mobilise qu’un seul paramètre, préservant ainsi n – 1 degrés de liberté pour caractériser la dispersion des erreurs.

Sur le plan de l’algèbre linéaire, la matrice de projection orthogonale, ou matrice chapeau H = X(X^TX)^-1X^T, projette désormais l’espace des données non plus sur le sous-espace affine engendré par le vecteur constant 1 et le vecteur x, mais strictement sur la droite vectorielle unidimensionnelle portée par x. Il en découle une conséquence statistique majeure et trop souvent négligée : la somme des résidus des moindres carrés n’est plus garantie d’être nulle. L’égalité ∑ e_i = 0, systématiquement vérifiée dans le modèle classique par l’intermédiaire des équations normales associées à la dérivée partielle par rapport à β₀, cesse d’exister en tant qu’identité algébrique. La droite estimée n’a plus l’obligation géométrique de passer par le barycentre d’échantillonnage (x̄, ȳ), ce qui modifie substantiellement la distribution de l’estimateur de pente.

2.3 Conditions formelles d’admissibilité du modèle sans intercept

L’application légitime de la régression à travers l’origine exige la satisfaction simultanée de plusieurs conditions mathématiques et scientifiques strictes. La première condition réside dans la validité ontologique absolue de la proposition x = 0 ⇒ y = 0. Il ne suffit pas que l’intercepte estimé dans une régression classique ne soit pas statistiquement significatif au seuil α = 0,05 ; il faut que la structure même du système réel interdise physiquement, économiquement ou logiquement toute valeur de y non nulle à l’origine.

La seconde condition fondamentale concerne la stabilité de la relation linéaire au voisinage immédiat de zéro. Même si la contrainte (0, 0) est vérifiée sur le plan physique, le comportement de la fonction peut présenter une courbure importante, une latence ou un seuil d’activation asymptotique lorsque x tend vers zéro. Si la relation observée est strictement linéaire sur l’intervalle [100, 500] mais subit une rupture de pente concave ou convexe sur l’intervalle [0, 100], contraindre la droite à passer par l’origine cartésienne introduit un biais de spécification massif qui faussera dramatiquement l’estimation de la pente dans la région d’intérêt. La justification doit donc être impérativement déductive et corroborée par l’absence d’effets de seuil.

3. Justifications théoriques et domaines d’application privilégiés

3.1 Applications en écologie, foresterie et sciences naturelles

Les sciences de l’environnement et l’écologie quantitative constituent un terreau particulièrement propice à l’utilisation éclairée de la régression à travers l’origine. En foresterie, l’estimation de la biomasse totale ou du volume de bois marchand à partir de mesures allométriques directes s’appuie sur le principe évident de non-génération spontanée de matière organique. Un arbre hypothétique présentant un diamètre à hauteur de poitrine (DHP) ou une section transversale strictement nuls ne saurait contenir une masse volumique ou ligneuse positive. Les équations dendrométriques reliant le volume V au produit du carré du diamètre et de la hauteur totale (D²H) intègrent ainsi cette contrainte physique fondamentale :

V = β₁ (D²H) + ε

De façon analogue, en chimie analytique et en écotoxicologie, le calibrage d’appareils de spectrométrie d’absorption moléculaire repose sur la loi de Beer-Lambert. Selon cette loi physique, l’absorbance optique A d’une solution homogène est directement proportionnelle à la concentration molaire C de l’espèce absorbante et à la longueur du trajet optique. Dans des conditions expérimentales rigoureusement maîtrisées avec soustraction préalable du bruit de fond du solvant (le « blanc » spectrophotométrique), une concentration nulle en soluté garantit une absorption nulle de photons. Tout modèle prédictif intégrant une constante artificielle risquerait d’attribuer une densité spectrale fictive à des milieux totalement purs.

3.2 Transposition aux sciences comportementales et à la psychométrie

Bien que les sciences comportementales fassent un usage prédominant d’échelles de mesure relatives ou d’intervalles arbitraires, certaines configurations expérimentales rigoureuses justifient l’adoption d’un modèle sans constante. C’est particulièrement le cas lors de l’analyse des temps d’accès cognitifs et des coûts attentionnels additifs mesurés dans le cadre de tâches de choix multiples, modélisées sous l’égide de la loi de Hick-Hyman ou du paradigme de soustraction de Donders.

Dans les modèles d’apprentissage moteur ou d’acquisition lexicale où la réponse mesure un gain incrémental direct (ΔPerformance) par rapport à un état de référence initial consécutivement à un temps d’entraînement T, l’absence absolue d’intervention (T = 0) entraîne invariablement un gain de performance nul. Ajuster un modèle autorisant une constante non nulle équivaudrait à postuler un apprentissage autonome spontané sans pratique ou, inversement, une dégradation instantanée non causée. De surcroît, dans les modélisations psychophysiques évaluant le taux de perception subliminale proportionnellement à l’intensité d’un stimulus physique calibré en flux d’énergie élémentaire (lux ou décibels acoustiques au-dessus du seuil absolu), la nullité du stimulus implique l’extinction probabiliste de l’événement sensoriel.

3.3 Économétrie, finance et analyse des coûts

Dans l’analyse microéconomique de la production, la théorie classique des coûts opère une distinction fondamentale entre les horizons temporels de court et de long terme. À long terme, l’ensemble des facteurs de production (capital physique, installations, équipements) devient pleinement variable. Par conséquent, les charges fixes structurelles disparaissent intégralement : en l’absence totale de production physique (Q = 0), le coût total de long terme s’annule strictement. La formalisation d’une fonction de coût total de long terme homogène s’exprime alors naturellement par une régression sans constante CT = β₁ Q + ε, où le paramètre de pente représente le coût marginal moyen de long terme.

En finance quantitative de marché, le prestigieux Modèle d’Évaluation des Actifs Financiers (MEDAF/CAPM), formalisé initialement par William Sharpe et John Lintner, postule que la prime de risque attendue d’un titre financier individuel [E(R_i) – R_f] est une fonction strictement linéaire de la prime de risque du marché [E(R_m) – R_f]. Sous la condition d’efficience informationnelle des marchés au sens de Fama, l’alpha de Jensen (α_i, qui correspond mathématiquement à l’intercepte de la régression temporelle) doit être théoriquement égal à zéro pour tout actif ne délivrant pas de rendement anormal non rémunéré par le risque de marché :

[R_i,t – R_f,t] = β_i [R_m,t – R_f,t] + ε_i,t

Imposer la contrainte de nullité de la constante permet alors d’obtenir une estimation non contaminée du coefficient d’exposition systématique bêta (β_i), sous l’hypothèse nulle conjointe d’absence d’opportunité d’arbitrage.

4. Estimation des paramètres par les moindres carrés ordinaires sans constante

4.1 Dérivation mathématique de la formule de la pente

Le principe fondamental de la méthode des Moindres Carrés Ordinaires (MCO) repose sur la minimisation déterministe de la somme des carrés des écarts verticaux séparant les points observés de la droite fonctionnelle postulée. Pour le modèle à travers l’origine y_i = β₁ x_i + ε_i, la fonction de perte résiduelle, notée S(β₁), s’exprime sous la forme :

S(β₁) = ∑_i=1ⁿ (y_i – β₁ x_i)²

Pour déterminer la valeur optimale de β₁ qui minimise cette quantité, nous calculons la dérivée première partielle de S par rapport à β₁ :

∂S / ∂β₁ = ∂ / ∂β₁ [∑_i=1ⁿ (y_i² – 2 β₁ x_i y_i + β₁² x_i²)] = -2 ∑_i=1ⁿ x_i y_i + 2 β₁ ∑_i=1ⁿ x_i²

L’égalisation de cette dérivée à zéro (condition de premier ordre pour l’identification d’un extremum global) conduit à l’équation normale unique du modèle :

-2 ∑_i=1ⁿ x_i y_i + 2 b̂₁ ∑_i=1ⁿ x_i² = 0   ⇒   b̂₁ ∑_i=1ⁿ x_i² = ∑_i=1ⁿ x_i y_i

Dès lors que la variable explicative présente au moins une valeur non nulle, le terme quadratique ∑ x_i² est strictement positif, ce qui permet d’isoler analytiquement l’estimateur des moindres carrés sans constante :

b̂_{1, RTO} = (∑_i=1ⁿ x_i y_i) / (∑_i=1ⁿ x_i²)

La dérivée seconde ∂²S / ∂β₁² = 2 ∑ x_i² étant strictement positive, la solution analytique obtenue correspond rigoureusement au minimum global unique de la surface d’erreur.

4.2 Comparaison analytique avec l’estimateur de la régression classique

La divergence entre l’estimateur sans constante et son homologue issu du modèle classique met en lumière des propriétés fondamentales de pondération géométrique. Dans la régression affine standard avec intercepte β₀ libre, la pente estimée s’écrit conventionnellement :

b̂_{1, OLS} = (∑_i=1ⁿ (x_i – x̄)(y_i – ȳ)) / (∑_i=1ⁿ (x_i – x̄)²)

Une comparaison terme à terme révèle immédiatement que l’estimateur RTO opère sur les moments bruts non centrés du premier et du second ordre (∑ x_i y_i et ∑ x_i²), alors que le modèle classique neutralise préalablement le niveau moyen des séries par un centrage systématique autour du barycentre d’échantillonnage (∑ (x_i – x̄)²). Dans la régression sans constante, le dénominateur représente l’énergie géométrique totale du signal plutôt que sa variance empirique.

Cette absence de centrage a des conséquences mécaniques considérables : dans le calcul de b̂_{1, RTO}, chaque observation individuelle est implicitement pondérée par l’amplitude absolue de sa coordonnée x_i et non par son écart à la moyenne (x_i – x̄). Les points situés loin de l’origine (grandes valeurs absolues de x) exercent un bras de levier disproportionné sur la trajectoire angulaire de la droite, tandis que les observations nichées à proximité immédiate de l’origine ont un impact marginal quasi négligeable sur l’orientation de la pente, bien qu’elles soient situées près du point d’ancrage déterministe.

4.3 Calcul de la variance et de l’erreur-type du paramètre

Pour déterminer la précision d’échantillonnage de l’estimateur b̂_{1, RTO}, calculons sa variance théorique sous les postulats d’homoscédasticité et d’indépendance des erreurs stochastiques. Sachant que b̂_{1, RTO} = ∑ w_i y_i, où les poids déterministes sont formalisés par w_i = x_i / ∑ x_j², la variance s’établit par linéarité des opérateurs de dispersion :

Var(b̂_{1, RTO} | X) = Var(∑_i=1ⁿ w_i y_i) = ∑_i=1ⁿ w_i² Var(y_i | x_i) = σ² ∑_i=1ⁿ (x_i / ∑_j=1ⁿ x_j²)²

En factorisant le dénominateur constant, l’expression se simplifie de manière remarquable :

Var(b̂_{1, RTO} | X) = σ² · (∑_i=1ⁿ x_i²) / (∑_j=1ⁿ x_j²)² = σ² / (∑_i=1ⁿ x_i²)

Dans la pratique empirique, la variance intrinsèque des perturbations σ² est inconnue et doit être estimée sans biais à partir de la somme des carrés des résidus du modèle contraint. Comme l’estimation n’implique qu’un seul degré de liberté paramétrique, l’estimateur non biaisé de la variance résiduelle s’écrit :

s² = S_e² = (∑_i=1ⁿ (y_i – b̂_{1, RTO} x_i)²) / (n – 1)

L’erreur-type (ou standard error) estimée du coefficient de pente s’obtient alors en extrayant la racine carrée du quotient de dispersion :

SE(b̂_{1, RTO}) = √(s² / ∑_i=1ⁿ x_i²) = s / √(∑_i=1ⁿ x_i²)

5. Propriétés statistiques des estimateurs dans la régression à l’origine

5.1 Le théorème de Gauss-Markov sans terme constant

Le prestigieux théorème de Gauss-Markov s’applique parfaitement au cadre de la régression linéaire contrainte, à la condition expresse et impérative que la spécification structurelle du modèle soit rigoureusement exacte. Si le véritable processus générateur de données (PGD) est de la forme y_i = β₁ x_i + ε_i avec E(ε_i | x_i) = 0, l’estimateur b̂_{1, RTO} satisfait le critère de non-biais statistique :

E(b̂_{1, RTO}) = E[(∑ x_i (β₁ x_i + ε_i)) / (∑ x_i²)] = β₁ + E[(∑ x_i ε_i) / (∑ x_i²)] = β₁

Sous ces conditions strictes, b̂_{1, RTO} est le meilleur estimateur linéaire non biaisé (BLUE, pour Best Linear Unbiased Estimator) de la pente. Sa variance théorique est strictement inférieure à celle de l’estimateur de la régression classique b̂_{1, OLS}, car le dénominateur ∑ x_i² est systématiquement supérieur ou égal à ∑ (x_i – x̄)².

Cependant, si le véritable modèle de la population comporte une ordonnée à l’origine non nulle β₀ ≠ 0 (mauvaise spécification), l’estimateur sans constante subit un biais systématique d’omission irréductible et dévastateur :

E(b̂_{1, RTO}) = E[(∑ x_i (β₀ + β₁ x_i + ε_i)) / (∑ x_i²)] = β₁ + β₀ · (∑ x_i) / (∑ x_i²) = β₁ + β₀ · (n x̄) / (∑ x_i²)

Ce biais ne tend pas vers zéro lorsque la taille d’échantillon n s’approche de l’infini, rendant l’estimateur asymptotiquement inconsistant si la moyenne x̄ est non nulle.

5.2 Somme des résidus et absence de recentrage automatique

Une méprise fréquente chez les utilisateurs des progiciels statistiques concerne le comportement des résidus d’échantillonnage e_i = y_i – b̂_{1, RTO} x_i. Dans une régression avec intercepte, la condition de premier ordre ∂S/∂β₀ = 0 force algébriquement l’annulation de la somme arithmétique des résidus : ∑ e_i = 0. En régression à travers l’origine, cette condition disparaît totalement. En lieu et place, la condition d’orthogonalité impose uniquement que :

∑_i=1ⁿ x_i e_i = 0

Par conséquent, les résidus sont orthogonaux au vecteur du régresseur x, mais ils ne sont plus orthogonaux au vecteur constant 1. Il s’ensuit que :

∑_i=1ⁿ e_i ≠ 0   ⇒   ē ≠ 0

Cette dérive résiduelle implique directement que la moyenne empirique des valeurs prédites n’est pas égale à la moyenne empirique des valeurs observées de la variable dépendante : ȳ̂ ≠ ȳ. Le modèle peut ainsi accumuler un biais global de sous-estimation ou de surestimation sur l’ensemble de la série temporelle ou spatiale étudiée.

5.3 Distribution d’échantillonnage et intervalles de confiance

Lorsque le terme d’erreur stochastique obéit à une distribution normale multivariée selon l’hypothèse ε_i ~ i.i.d. Ν(0, σ²), le quotient standardisé de l’estimateur par son erreur-type suit rigoureusement une loi de Student à n – 1 degrés de liberté :

T = (b̂_{1, RTO} – β₁) / SE(b̂_{1, RTO}) ~ t_(n-1)

Cette propriété distributionnelle permet de bâtir des tests d’hypothèses unilatéraux ou bilatéraux et d’établir des intervalles de confiance exacts. Pour un niveau de confiance fixé à (1 – α), l’intervalle de confiance encadrant le paramètre théorique β₁ est défini par :

IC_(1-α)(β₁) = [ b̂_{1, RTO} – t_{(1-α/2, n-1)} · SE(b̂_{1, RTO})  ;  b̂_{1, RTO} + t_{(1-α/2, n-1)} · SE(b̂_{1, RTO}) ]

Sous les conditions de régularité asymptotique garanties par le théorème central limite, cette convergence vers la normalité demeure robuste face aux déviations modérées de l’hypothèse de gaussianité des erreurs, à mesure que n tend vers des dimensions substantielles.

6. La problématique critique du coefficient de détermination (R²)

6.1 La décomposition défaillante de la somme des carrés

Le point le plus litigieux et la source d’erreurs logicielles la plus documentée de la régression sans constante réside dans l’interprétation et le calcul du coefficient de détermination R². Dans le modèle de régression linéaire affine classique avec intercepte, la variabilité totale de la variable expliquée se décompose de façon parfaite selon l’identité fondamentale de l’ANOVA :

SST_centré = SSM_centré + SSR

∑_i=1ⁿ (y_i – ȳ)² = ∑_i=1ⁿ (ŷ_i – ȳ)² + ∑_i=1ⁿ (y_i – ŷ_i)²

Cette orthogonalité stricte entre les écarts du modèle et les résidus d’ajustement est une conséquence directe de la présence de la constante, laquelle garantit que ∑ (y_i – ŷ_i) = 0 et que ∑ ŷ_i(y_i – ŷ_i) = 0. En l’absence d’intercepte, le double produit croisé 2 ∑ (ŷ_i – ȳ)(y_i – ŷ_i) ne s’annule plus ! Il s’ensuit que la somme des carrés résiduels (SSR) peut parfaitement dépasser la somme des carrés totale centrée (SST_centré).

Si un logiciel applique naïvement la formule conventionnelle R² = 1 – (SSR / SST_centré), le ratio peut excéder l’unité, conduisant mathématiquement à un coefficient de détermination négatif :

R² = 1 – (∑ (y_i – ŷ_i)²) / (∑ (y_i – ȳ)²) < 0

Un R² négatif signifie simplement que la droite issue de la régression sans constante effectue des prédictions empiriques globalement pires que celles qui résulteraient de la simple assignation de la constante triviale ȳ à l’ensemble des observations.

6.2 Le R² non centré ou brut : Définition et controverses

Pour contourner l’embarras méthodologique provoqué par des R² négatifs, de nombreux concepteurs de progiciels statistiques (notamment SAS, SPSS ou le récapitulatif par défaut du langage R) basculent automatiquement, lors de l’omission de la constante, vers le coefficient de détermination non centré (raw R²) :

R²_{non centré} = (∑_i=1ⁿ ŷ_i²) / (∑_i=1ⁿ y_i²) = 1 – (∑_i=1ⁿ (y_i – ŷ_i)²) / (∑_i=1ⁿ y_i²)

Sous cette formulation, la variation est mesurée non plus par rapport à la moyenne empirique ȳ, mais par rapport au point zéro cartésien absolu. L’égalité non centrée ∑ y_i² = ∑ ŷ_i² + ∑ e_i² est alors strictement vérifiée, ce qui force le R²_{non centré} à demeurer confiné dans l’intervalle canonique [0, 1].

Toutefois, cette manœuvre crée une illusion d’ajustement majeure. La quantité ∑ y_i² est habituellement colossale par rapport à ∑ (y_i – ȳ)², en particulier lorsque la moyenne de la variable réponse est nettement éloignée de zéro. Le dénominateur se trouvant artificiellement gonflé, le R²_{non centré} affiche fréquemment des valeurs spectaculairement élevées (supérieures à 0,95 ou 0,98), dissimulant une qualité de prédiction intrinsèque médiocre. Il est formellement interdit de comparer le R² non centré d’un modèle sans constante avec le R² conventionnel d’un modèle affine standard ; une telle comparaison est dépourvue de toute cohérence mathématique.

6.3 Métriques alternatives pour évaluer l’ajustement sans constante

Face à la défaillance structurelle du coefficient de détermination, l’évaluation de la performance d’un modèle à travers l’origine doit s’émanciper du réflexe du R² et se tourner vers des indicateurs d’erreur absolue non sujets aux ambiguïtés de recentrage. La première métrique de choix est l’erreur quadratique moyenne (MSE pour Mean Squared Error) et sa racine carrée (RMSE) :

RMSE = √[ (1 / n) ∑_i=1ⁿ (y_i – ŷ_i)² ]

Le RMSE présente l’avantage fondamental d’exprimer la dispersion des résidus directement dans l’unité physique de mesure de la variable dépendante y. En complément, l’erreur absolue moyenne (MAE) offre une lecture robuste face aux points aberrants :

MAE = (1 / n) ∑_i=1ⁿ |y_i – ŷ_i|

Pour l’arbitrage formel entre plusieurs spécifications concurrentes, il convient d’employer les critères d’information pénalisés, tels que le critère d’information d’Akaike (AIC) ou le critère d’information bayésien (BIC), calculés directement à partir de la fonction de vraisemblance non centrée :

AIC = n · ln(SSR / n) + 2k,   où k = 1 pour le modèle sans constante

Enfin, la procédure de validation croisée k-blocs (k-fold cross-validation) constitue le test de référence absolu pour mesurer la capacité de généralisation réelle du modèle sur des échantillons non vus.

7. Diagnostic des résidus et vérification des hypothèses fondamentales

7.1 Homoscédasticité et hétéroscédasticité le long de la droite

Dans la régression linéaire sans constante, l’hypothèse d’homoscédasticité (variance constante du terme d’erreur) est très fréquemment violée dans les applications concrètes. Dans les systèmes physiques, biologiques ou financiers où une valeur nulle de x conditionne impérativement une valeur nulle de y, la variabilité stochastique tend naturellement à s’étendre en éventail à mesure que l’on s’écarte de l’origine. L’erreur résiduelle présente alors un profil en cône caractéristique, traduisant une hétéroscédasticité marquée où Var(ε_i | x_i) = σ² x_i ou σ² x_i².

Les tests d’hétéroscédasticité classiques, tels que le test de Breusch-Pagan ou le test de White, doivent être déployés avec rigueur en utilisant les résidus issus du modèle contraint. Lorsque l’hétéroscédasticité est formellement caractérisée, l’estimateur des moindres carrés ordinaires perd son statut de variance minimale. Il devient alors indispensable de recourir à la méthode des moindres carrés pondérés (WLS pour Weighted Least Squares), attribuant à chaque observation un poids inversement proportionnel à sa variance présumée (w_i = 1 / x_i), ou d’adopter des estimateurs de variance-covariance robustes de type White-Huber (sandwich estimators).

7.2 Détection des observations influentes et points de levier

L’absence d’ordonnée à l’origine modifie fondamentalement la géométrie de projection de la matrice chapeau H = X(X^TX)^-1X^T. Pour la régression simple sans constante, l’élément diagonal de cette matrice, noté h_ii et quantifiant la valeur de levier (leverage) de la i-ième observation, prend la forme mathématique suivante :

h_ii = x_i² / (∑_j=1ⁿ x_j²)

Cette expression tranche nettement avec le modèle linéaire classique, où le levier vaut h_{ii, OLS} = (1 / n) + (x_i – x̄)² / ∑ (x_j – x̄)². Dans le modèle sans intercepte, le levier ne dépend que de l’amplitude quadratique absolue de x_i. Une observation dont le régresseur se situe à l’extrémité supérieure de la distribution possède un pouvoir d’influence disproportionné sur l’estimation de la pente. La suppression ou l’altération d’un unique point d’échantillonnage éloigné peut faire basculer la droite autour de l’axe d’ancrage (0, 0).

La détection de ces points critiques requiert l’adaptation des statistiques d’influence, notamment la distance de Cook D_i, qui doit intégrer un nombre de paramètres p = 1 :

D_i = [ e_i² / (1 · s²) ] · [ h_ii / (1 – h_ii)² ]

Tout seuil de levier excédant la recommandation conventionnelle 2 / n doit inciter à une inspection minutieuse des données au moyen de régressions robustes (estimateurs M de Huber ou méthode Theil-Sen modifiée).

7.3 Linéarité locale et absence d’effets de seuil

L’examen graphique des résidus en fonction des valeurs ajustées (e_i en fonction de ŷ_i) revêt une importance capitale pour attester de la validité de la régression sans constante. Dans une configuration valide, les résidus doivent fluctuer de façon purement aléatoire au sein d’une bande horizontale centrée sur l’axe zéro. Si l’on observe une déformation curviligne systématique, particulièrement aux faibles valeurs de ŷ, l’hypothèse de linéarité locale à l’origine est manifestement compromise.

Dans de nombreuses disciplines expérimentales, il existe des phénomènes d’inertie initiale, souvent dénommés « effets plancher » ou « zones de léthargie ». Par exemple, dans les études pharmacocinétiques, un principe actif peut ne produire aucun effet physiologique mesurable tant que sa concentration sanguine n’a pas franchi un seuil minimal d’activation τ. Tenter d’ajuster un modèle linéaire sans constante sur l’intégralité du domaine revient à forcer une régression rectiligne au travers d’une fonction sigmoïde ou discontinue, introduisant une distorsion massive tant à l’origine que sur les prédictions asymptotiques. Des tests de spécification fonctionnelle, tels que le test RESET de Ramsey adapté à l’omission d’intercepte, permettent de rejeter formellement l’hypothèse de linéarité pure.

8. Exemple empirique guidé : Calculs détaillés et interprétation pas à pas

8.1 Présentation du jeu de données et contexte substantiel

Pour illustrer de manière limpide et pédagogique l’application intégrale de la régression à travers l’origine, considérons une étude expérimentale issue des sciences de l’ingénierie logicielle et des sciences cognitives. Un laboratoire de recherche évalue l’efficacité d’un module d’apprentissage intensif par simulation destiné à former des opérateurs de systèmes critiques. L’objectif est d’étudier la relation entre la durée totale de pratique simulée (notée x, mesurée rigoureusement en dizaines d’heures) et le nombre de compétences opérationnelles avancées validées lors d’un test standardisé (noté y).

Sur le plan théorique substantiel, l’environnement de test est conçu de façon si spécifique et sécurisée qu’un opérateur n’ayant bénéficié d’aucune heure de formation (x = 0) dispose de compétences techniques strictement nulles (y = 0). L’hypothèse fondamentale x = 0 ⇒ y = 0 est ontologiquement indiscutable. L’échantillon d’essai comporte n = 8 opérateurs sélectionnés aléatoirement. Les observations appariées se déclinent comme suit :

Opérateur 1 : (x₁ = 1, y₁ = 2,5)  |  Opérateur 2 : (x₂ = 2, y₂ = 5,1)
Opérateur 3 : (x₃ = 3, y₃ = 7,4)  |  Opérateur 4 : (x₄ = 4, y₄ = 10,2)
Opérateur 5 : (x₅ = 5, y₅ = 12,0)  |  Opérateur 6 : (x₆ = 6, y₆ = 14,8)
Opérateur 7 : (x₇ = 7, y₇ = 17,9)  |  Opérateur 8 : (x₈ = 8, y₈ = 19,8)

8.2 Calcul manuel complet de la pente et des erreurs-types

Afin de déterminer les paramètres d’ajustement sans constante avec une transparence mathématique absolue, dressons le tableau exhaustif des produits croisés et des termes quadratiques requis pour l’application des formules des moindres carrés :

Indice i	xi	yi	xi yi	xi2	Valeur ajustée ŷi	Résidu ei	Résidu au carré ei2
1	1	2,5	2,5	1	2,5107	-0,0107	0,00011
2	2	5,1	10,2	4	5,0214	+0,0786	0,00618
3	3	7,4	22,2	9	7,5321	-0,1321	0,01745
4	4	10,2	40,8	16	10,0428	+0,1572	0,02471
5	5	12,0	60,0	25	12,5535	-0,5535	0,30636
6	6	14,8	88,8	36	15,0642	-0,2642	0,06980
7	7	17,9	125,3	49	17,5749	+0,3251	0,10569
8	8	19,8	158,4	64	20,0856	-0,2856	0,08157
Total (∑)	36	89,7	508,2	204	89,8852	-0,6852	0,61187

Le calcul de la pente optimale s’effectue directement par le quotient des sommes non centrées :

b̂_{1, RTO} = (∑ x_i y_i) / (∑ x_i²) = 508,2 / 204 &approx; 2,491176 (arrondi à 2,4912)

Observons immédiatement la confirmation empirique de nos démonstrations antérieures : la somme des résidus n’est pas nulle (∑ e_i = -0,6852 ≠ 0), et la somme des valeurs prédites (∑ ŷ_i = 89,8852) diffère légèrement de la somme des observations réelles (∑ y_i = 89,70).

Calculons maintenant la variance résiduelle non biaisée s² avec n – 1 = 8 – 1 = 7 degrés de liberté :

s² = SSR / (n – 1) = 0,61187 / 7 &approx; 0,08741

L’erreur-type du coefficient s’obtient alors en rapportant cette variance à la somme des carrés de x :

SE(b̂_{1, RTO}) = √(s² / ∑ x_i²) = √(0,08741 / 204) = √(0,00042848) &approx; 0,02070

8.3 Conduite du test d’hypothèse et intervalle de confiance

Pour statuer sur l’efficacité globale du programme de formation, formulons le test statistique portant sur la significativité de l’effet d’entraînement. Les hypothèses s’énoncent :

H₀ : β₁ = 0   versus   H₁ : β₁ ≠ 0

La statistique empirique de Student se calcule selon la formule usuelle :

t_calculé = b̂_{1, RTO} / SE(b̂_{1, RTO}) = 2,4912 / 0,02070 &approx; 120,35

Pour un seuil de risque bilatéral α = 0,05 avec 7 degrés de liberté, la valeur critique tabulée dans la table de la loi de Student est t_{(0,975 ; 7)} = 2,365. La valeur empirique (120,35) excédant très largement le seuil critique théorique, nous rejetons sans équivoque l’hypothèse nulle H₀ au profit de l’hypothèse alternative (p < 0,0001).

Construisons à présent l’intervalle de confiance à 95 % pour la véritable pente de la population :

IC_0,95(β₁) = 2,4912 ± (2,365 · 0,02070) = 2,4912 ± 0,0490 = [2,4422 ; 2,5402]

Sur le plan substantiel, nous pouvons affirmer avec un degré de confiance de 95 % que chaque tranche supplémentaire de dix heures de formation par simulation procure en moyenne l’acquisition d’environ 2,44 à 2,54 compétences opérationnelles validées. Le modèle sans intercepte fournit ici une prédiction épurée, exempte de distorsion d’ancrage artificiel.

9. Test formel de la pertinence de l’ordonnée à l’origine

9.1 Procédure de test de nullité de la constante dans le modèle complet

Avant d’entériner définitivement un modèle contraint à travers l’origine, la prudence méthodologique impose souvent de procéder à l’estimation préalable du modèle complet non contraint afin de tester formellement l’hypothèse de nullité du terme constant :

y_i = β₀ + β₁ x_i + ε_i

Le test standard de Wald ou test de Student appliqué spécifiquement au paramètre β₀ examine :

H₀ : β₀ = 0   versus   H₁ : β₀ ≠ 0

Sous H₀, la statistique t = (b̂_{0, OLS} – 0) / SE(b̂_{0, OLS}) suit une loi de Student à n – 2 degrés de liberté. Si la valeur absolue de t est inférieure au quantile critique associé au seuil α, l’analyste conclut qu’il n’existe pas de preuve statistique suffisante pour réfuter l’hypothèse selon laquelle la constante est nulle dans la population parente.

Toutefois, une limitation majeure de cette procédure préliminaire réside dans le manque de puissance statistique fréquemment rencontré sur des échantillons de taille modérée ou lorsque la variable indépendante présente une faible variabilité. L’absence de rejet de H₀ (une p-valeur supérieure à 0,05) ne prouve en aucun cas que β₀ est rigoureusement égal à zéro. Confondre l’absence de preuve avec la preuve de l’absence constitue une faute épistémologique classique qui peut conduire à contraindre abusivement un système comportant en réalité un décalage structurel constant.

9.2 Test de comparaison de modèles emboîtés par l’analyse de variance

Puisque le modèle sans ordonnée à l’origine est un cas particulier (modèle restreint) du modèle linéaire classique (modèle complet non restreint), ces deux structures sont strictement emboîtées. Il est dès lors possible de mobiliser le test du ratio de variance de Fisher (test F incrémental) issu de l’analyse de variance pour comparer formellement la dégradation de l’ajustement induite par la contrainte.

Soit SSR_R la somme des carrés résiduels du modèle restreint (sans constante, comportant k_R = 1 paramètre) et SSR_UR la somme des carrés résiduels du modèle non restreint (avec constante, comportant k_UR = 2 paramètres). La statistique F s’exprime par le ratio :

F = [ (SSR_R – SSR_UR) / (df_R – df_UR) ] / [ SSR_UR / df_UR ] = [ (SSR_RTO – SSR_OLS) / 1 ] / [ SSR_OLS / (n – 2) ]

Sous l’hypothèse nulle H₀ : β₀ = 0, cette statistique obéit strictement à une loi de Fisher à 1 et n – 2 degrés de liberté : F ~ F(1, n – 2). Il est formellement équivalent de noter que la statistique de Fisher obtenue est rigoureusement égale au carré de la statistique t de Student associée à l’intercepte dans le modèle non restreint : F = (t_β0)². Si la statistique F calculée est inférieure au seuil critique au niveau α, l’accroissement de la somme des carrés résiduels résultant de l’omission de la constante n’est pas statistiquement significatif, confortant le chercheur dans son choix de parcimonie.

9.3 Dangers de l’élimination automatique de l’ordonnée à l’origine

L’automatisation aveugle de l’élimination de la constante au sein de protocoles algorithmiques de sélection descendante (backward elimination) représente une pratique méthodologique extrêmement pernicieuse. De nombreux manuels d’économétrie et de statistique appliquée mettent en garde contre ce piège récurrent : on ne doit jamais supprimer l’intercepte d’un modèle de régression uniquement parce que sa p-valeur dépasse 0,05.

Si la théorie scientifique ne garantit pas de manière formelle et inconditionnelle que la relation passe par l’origine, imposer artificiellement β₀ = 0 introduit un biais de spécification irréversible sur la pente β₁. Même un décalage minime de l’intercepte dans la réalité peut forcer la droite des moindres carrés à basculer vigoureusement pour aller chercher le point (0, 0), faussant totalement l’estimation du taux marginal dans la zone utile des données. Le principe de parcimonie ne doit jamais primer sur la validité structurelle du modèle mathématique : la primauté appartient toujours à la consistance théorique du domaine étudié.

10. Comparaison critique : Régression avec constante versus régression à l’origine

10.1 Impact comparatif sur l’estimation de la pente

L’ajustement simultané d’une régression avec constante et d’une régression à travers l’origine sur un même ensemble de données empiriques met en évidence une divergence géométrique immédiate. La droite classique pivote librement autour du barycentre d’échantillonnage (x̄, ȳ), trouvant son orientation optimale en fonction des covariations locales. En revanche, la régression à l’origine possède un point d’ancrage déterministe fixe aux coordonnées (0, 0), contraignant l’estimation de la pente à s’ajuster en fonction de ce second pôle géométrique.

Cette distinction se manifeste avec une acuité particulière lorsque la distribution de la variable explicative est fortement excentrée par rapport à zéro (par exemple si les valeurs de x s’échelonnent entre 80 et 100). Dans cette configuration, le bras de levier séparant la région des données observées du point d’ancrage (0, 0) est immense. Si les données réelles présentent même une légère non-linéarité ou un niveau de base non nul dans l’intervalle [0, 80], la pente b̂_{1, RTO} subira une distorsion considérable par rapport à b̂_{1, OLS}. La régression sans intercepte échange une flexibilité d’ajustement local contre une fidélité globale à une contrainte de frontière théorique.

10.2 Précision des prédictions et compromis biais-variance

Le choix entre l’inclusion et l’exclusion de l’ordonnée à l’origine s’interprète élégamment à la lumière du célèbre arbitrage biais-variance (bias-variance tradeoff) en apprentissage statistique. La contrainte β₀ = 0 réduit la complexité structurelle du modèle en retranchant un paramètre du vecteur d’estimation. Par voie de conséquence, la variance de l’estimateur de pente est mécaniquement amoindrie :

Var(b̂_{1, RTO}) = σ² / ∑ x_i² ≤ σ² / ∑ (x_i – x̄)² = Var(b̂_{1, OLS})

En contrepartie de cette réduction appréciable de variance d’échantillonnage, le risque de biais systématique est maximal si l’hypothèse structurelle sous-jacente est inexacte. L’erreur quadratique moyenne de prédiction (MSE_pred = Biais² + Variance) du modèle à travers l’origine sera nettement inférieure à celle du modèle classique si et seulement si le véritable intercepte est rigoureusement nul ou infinitésimal. Dès que β₀ s’écarte notablement de zéro, le carré du biais accumulé submerge très rapidement le gain de variance, dégradant catastrophiquement la précision des prédictions extrapolées.

10.3 Tableau de synthèse méthodologique décisionnel

Pour guider le praticien et le chercheur dans cette décision de modélisation critique, le tableau synoptique suivant récapitule de manière systématique les contrastes statistiques et opérationnels séparant les deux approches :

Critère de comparaison	Régression linéaire classique (avec constante)	Régression à travers l’origine (sans constante)
Formulation théorique	yi = β0 + β1 xi + εi	yi = β1 xi + εi
Ancrage géométrique	Passe impérativement par le barycentre (x̄, ȳ)	Passe impérativement par l’origine cartésienne (0, 0)
Somme des résidus (∑ ei)	Rigoureusement égale à 0 (propriété algébrique)	Généralement différente de 0 (∑ ei ≠ 0)
Moyenne des prédictions (ȳ̂)	Strictement égale à la moyenne observée (ȳ̂ = ȳ)	Diffère de la moyenne observée (ȳ̂ ≠ ȳ)
Degrés de liberté résiduels	n – 2	n – 1
Coefficient de détermination (R2)	Toujours borné sur [0, 1] (décomposition orthogonale)	Peut devenir négatif ou artificiellement gonflé (non centré)
Estimateur de la pente (b̂1)	Ratio basé sur les moments centrés : ∑ (x–x̄)(y–ȳ) / ∑ (x–x̄)2	Ratio basé sur les moments bruts : ∑ xy / ∑ x2
Conditions d’admissibilité	Flexibilité empirique générale	Certitude déductive absolue que x=0 implique y=0
Sensibilité aux points extrêmes	Pondération selon la déviation à la moyenne	Pondération quadratique par rapport à l’amplitude absolue

11. Implémentation pratique dans les logiciels statistiques majeurs

11.1 Exécution et analyse sous le langage R

Dans l’environnement de calcul statistique R, l’ajustement d’un modèle linéaire est traditionnellement dévolu à la fonction native lm(). Par défaut, la syntaxe de formule y ~ x inclut implicitement un vecteur constant unitaire. Pour contraindre explicitement la droite à passer par l’origine, l’utilisateur doit insérer l’opérateur arithmétique - 1 ou 0 + au sein de la formule structurelle :

# Spécification canonique sous R
modele_rto <- lm(y ~ x – 1, data = donnees)
# Syntaxe strictement équivalente
modele_rto <- lm(y ~ 0 + x, data = donnees)
summary(modele_rto)

Une vigilance capitale s’impose lors de la lecture de la sortie produite par la commande summary(). Lorsque R détecte l’absence de terme constant, il modifie automatiquement son calcul interne et affiche un R² non centré sans en avertir explicitement l’utilisateur dans l’en-tête du tableau. Pour visualiser graphiquement la droite de régression contrainte sous la bibliothèque ggplot2, il convient de spécifier la formule appropriée au sein du composant géométrique geom_smooth() :

library(ggplot2)
ggplot(donnees, aes(x = x, y = y)) +
  geom_point(color = « blue », size = 2) +
  geom_smooth(method = « lm », formula = y ~ 0 + x, color = « red », se = TRUE) +
  expand_limits(x = 0, y = 0) +
  theme_minimal()

11.2 Implémentation sous Python (Scikit-Learn et Statsmodels)

Dans l’écosystème open-source Python, deux bibliothèques majeures se partagent l’analyse prédictive et inférentielle : Scikit-Learn et Statsmodels. Leurs philosophies respectives diffèrent sensiblement quant à la gestion de la constante.

Sous Scikit-Learn, l’estimateur LinearRegression comporte un argument booléen explicite nommé fit_intercept, dont la valeur par défaut est True. Pour paramétrer une régression à travers l’origine, il suffit de configurer cet argument à False :

from sklearn.linear_model import LinearRegression
modele_sk = LinearRegression(fit_intercept=False)
modele_sk.fit(X, y)
pente_estimee = modele_sk.coef_[0]

Attention toutefois : la méthode score(X, y) de Scikit-Learn renvoie le R² centré conventionnel calculé selon la formule 1 – (SSR / SST_centré), ce qui peut générer des scores négatifs déroutants en cas de mauvaise spécification.

Sous Statsmodels, la classe OLS adopte la convention inverse : aucun intercepte n’est ajouté par défaut à moins que la fonction sm.add_constant() n’ait été préalablement appliquée à la matrice des caractéristiques. Exécuter sm.OLS(y, X).fit() sur un vecteur unidimensionnel X ajuste donc automatiquement un modèle contraint à travers l’origine. L’attribut results.rsquared renverra quant à lui la métrique non centrée, en accord avec les conventions économétriques classiques.

11.3 Procédure sous IBM SPSS et SAS

Au sein de la suite logicielle propriétaire IBM SPSS Statistics, la suppression de l’intercepte dans une procédure de régression linéaire s’effectue via l’interface graphique en décochant la case « Inclure la constante dans l’équation » située dans le sous-menu des options de régression. En syntaxe de commande SPSS, l’opération est matérialisée par la directive /ORIGIN :

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA
  /CRITERIA=PIN(.05) POUT(.10)
  /ORIGIN
  /DEPENDENT y
  /METHOD=ENTER x.

SPSS génère alors un tableau d’analyse de variance modifiée accompagné d’une note de bas de page explicite signalant que le modèle ne comporte pas de terme constant et que les sommes des carrés résultantes ne sont pas centrées.

Dans l’environnement de programmation statistique SAS, le module de modélisation univariée par excellence est la procédure PROC REG. Pour inhiber l’estimation du terme β₀, il convient d’adjoindre l’option NOINT (pour No Intercept) directement à la suite de la déclaration du modèle analytique :

proc reg data=donnees;
  model y = x / noint;
run;
quit;

Le listing SAS extrait de cette procédure indique de manière exhaustive les statistiques d’échantillonnage adaptées, les degrés de liberté résiduels réajustés à n – 1 et le calcul du R² brut non centré.

12. Recommandations méthodologiques, limites épistémologiques et synthèse

12.1 Bonnes pratiques pour la communication scientifique des résultats

La publication de résultats scientifiques reposant sur une régression à travers l’origine requiert une rigueur de rédaction et une transparence méthodologique exemplaires. Compte tenu des idiosyncrasies calculatoires exposées tout au long de cet article, tout chercheur faisant usage de cette technique se doit de respecter plusieurs impératifs déontologiques :

• Justifier a priori et exhaustivement la suppression de la constante : L’auteur doit expliquer clairement, sur la base des lois physiques, biologiques ou logiques de son domaine, pourquoi l’ordonnée à l’origine est ontologiquement impossible. L’argument selon lequel l’intercepte du modèle complet « n’était pas statistiquement significatif » est scientifiquement irrecevable à lui seul.
• Déclarer sans ambiguïté la nature du coefficient de détermination : Si un R² est rapporté dans les tableaux de résultats, l’auteur doit formellement préciser s’il s’agit du R² conventionnel ou du R² non centré. La mention explicite « R² non centré calculé à travers l’origine » évite toute méprise chez les évaluateurs et les pairs.
• Rapporter prioritairement des mesures absolues de dispersion : La publication conjointe du RMSE (dans l’unité des données) et de l’erreur absolue moyenne (MAE) doit être systématique. Ces indicateurs constituent les seuls étalons impartiaux permettant de comparer la fidélité prédictive du modèle à travers l’origine avec d’éventuelles modélisations concurrentes.
• Fournir l’analyse graphique des résidus en annexe : L’inspection visuelle du nuage des résidus face aux valeurs prédites et l’examen attentif du comportement de la relation au voisinage immédiat de zéro constituent la preuve matérielle de l’absence de rupture de pente locale.

12.2 Limites épistémologiques du passage forcé par l’origine

Sur le plan épistémologique, la régression à travers l’origine est porteuse d’un danger inhérent : celui de la réification prématurée d’une vision théorique idéalisée du monde. Même si une loi théorique fondamentale énonce qu’en l’absence de cause, l’effet s’éteint, l’appareil expérimental déployé pour mesurer cette relation n’est jamais parfait. Les capteurs physiques, les échelles psychométriques et les instruments de collecte souffrent fréquemment de bruits de fond résiduels, de dérives d’étalonnage instrumentales ou de biais de mesure systématiques.

Dans un tel contexte, forcer artificiellement le passage de la droite par l’origine cartésienne absorbe le biais d’instrumentation directement dans l’estimateur de la pente. Si un dynamomètre présente un décalage d’étalonnage initial positif de +2 Newtons, contraindre le modèle à (0, 0) faussera dramatiquement l’estimation du coefficient d’élasticité physique. De surcroît, la présence de variables latentes omises — dont la valeur moyenne n’est pas nulle lorsque le prédicteur principal s’annule — constitue une source fréquente de translation du système dans le plan cartésien, rendant la contrainte à l’origine mathématiquement fallacieuse.

Enfin, il convient de rappeler une règle élémentaire de métrologie : la régression sans constante est strictement invalide lorsqu’elle est appliquée à des données mesurées sur des échelles d’intervalles dépourvues de zéro absolu. Tenter une régression à l’origine en utilisant des températures mesurées en degrés Celsius ou Fahrenheit, des scores de quotient intellectuel (QI) ou des indices d’attitudes sur une échelle de Likert constitue un contresens méthodologique total, le point (0, 0) ne correspondant à aucune extinction ontologique de la grandeur physique mesurée.

12.3 Perspectives et modèles de régression alternatifs

Lorsque la contrainte d’extinction à l’origine est théoriquement séduisante mais que le comportement local des données présente une complexité accrue, le modélisateur moderne n’est plus cantonné au dilemme binaire entre régression affine classique et régression sans constante univariée. Plusieurs alternatives méthodologiques avancées méritent d’être envisagées :

Les Modèles Linéaires Généralisés (GLM) permettent de spécifier des fonctions de lien rigoureusement adaptées à des espaces d’états bornés. Pour des données strictement positives ou de comptage s’annulant à l’origine, un GLM avec une distribution gamma ou quasi-Poisson assortie d’un lien logarithmique garantit le respect asymptotique des frontières naturelles du phénomène sans déformer la structure stochastique des erreurs.

Les régressions segmentées ou splines de régression contraintes offrent une souplesse remarquable pour modéliser des systèmes présentant une transition douce. En imposant une contrainte d’ancrage déterministe en (0, 0) tout en autorisant un ou plusieurs nœuds polynomiaux à des valeurs positives de x, ces modèles capturent fidèlement les effets de latence, les phases d’induction biochimique ou les saturations de rendement sans sacrifier la cohérence de base du modèle.

Enfin, l’inférence bayésienne fournit sans doute le cadre philosophique le plus élégant pour résoudre la tension entre contrainte théorique et incertitude empirique. Plutôt que de fixer brutalement l’intercepte à zéro avec une certitude absolue (β₀ = 0), le chercheur peut formuler un a priori informatif très resserré autour de zéro (par exemple, β₀ ~ Ν(0, τ²) avec une variance τ infinitésimale). Cette formulation probabiliste autorise le modèle à dévier légèrement de l’origine si et seulement si les données empiriques observées apportent une preuve massive en faveur d’un décalage instrumental ou structurel, réalisant ainsi une synthèse harmonieuse entre fidélité à la théorie déductive et lucidité face à la contingence empirique.

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

Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287-1294. https://doi.org/10.2307/1911963

Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.

Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15-18. https://doi.org/10.1080/00401706.1977.10489493

Eisenhauer, J. G. (2003). Regression through the origin. Teaching Statistics, 25(3), 76-80. https://doi.org/10.1111/1467-9639.00136

Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson.

Hahn, G. J. (1977). The hazard of fitted regression equations through the origin. Journal of Quality Technology, 9(3), 146-149. https://doi.org/10.1080/00224065.1977.11980789

Kvalseth, T. O. (1985). Cautionary note about R-squared. The American Statistician, 39(4), 279-285. https://doi.org/10.1080/00031305.1985.10479448

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). John Wiley & Sons.

Ramsey, J. B. (1969). Tests for specification errors in classical linear least-squares regression analysis. Journal of the Royal Statistical Society: Series B (Methodological), 31(2), 350-371. https://doi.org/10.1111/j.2517-6161.1969.tb00796.x

Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3), 425-442. https://doi.org/10.1111/j.1540-6261.1964.tb02865.x

White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817-838. https://doi.org/10.2307/1912934

Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.