Votre régression donne un coefficient de 2,31, significatif à 0,02. Par curiosité — ou parce que votre directeur vous l’a demandé — vous relancez le modèle sans le participant n° 47. Le coefficient tombe à 0,89, et le p monte à 0,31.
Une personne sur cent quarante vient de décider de votre conclusion. Ce n’est pas une anomalie de vos données : c’est une propriété ordinaire des moindres carrés, qui accordent à chaque observation un poids d’autant plus grand qu’elle est éloignée du centre du nuage. La question n’est donc pas de savoir si certaines observations pèsent plus que d’autres — c’est toujours le cas — mais de combien, lesquelles, et ce que vous en faites.
C’est un diagnostic standard, il prend cinq minutes, et il distingue nettement un mémoire qui a regardé son modèle d’un mémoire qui l’a subi.
Trois notions à ne pas confondre
Le vocabulaire courant range tout sous « valeur aberrante ». En régression, il faut séparer trois choses distinctes, dont une seule compte vraiment.
- Le résidu élevé — l’observation est mal prédite par le modèle. Elle est loin de la droite verticalement. Prise isolément, c’est une information sur la qualité de l’ajustement, pas une menace.
- Le levier élevé — l’observation est atypique sur les prédicteurs : le seul participant de 61 ans dans un échantillon d’étudiants, le seul établissement de 2 000 salariés parmi des PME. Elle est loin du centre du nuage horizontalement. Elle peut être parfaitement bien prédite et ne poser aucun problème.
- L’observation influente — la combinaison des deux : atypique sur les prédicteurs et mal prédite. C’est celle-là, et seulement celle-là, qui déplace les coefficients.
La conséquence pratique est immédiate : chercher les valeurs extrêmes variable par variable ne suffit pas. Un participant dont chaque valeur prise séparément est banale peut occuper une position très inhabituelle dans la combinaison des prédicteurs — quelqu’un de très jeune avec beaucoup d’ancienneté, par exemple. Les diagnostics d’influence travaillent sur le modèle entier ; c’est ce qui les rend irremplaçables.
Les quatre indicateurs, et comment les obtenir
Sous SPSS, tout se trouve dans une seule boîte de dialogue : Analyse → Régression → Linéaire, puis le bouton Enregistrer. Cochez, dans Distances, les cases Cook et Valeurs influentes (levier) ; dans Résidus, Standardisés ; et dans Statistiques d’influence, DfBeta(s) standardisés. SPSS ajoute alors une colonne par indicateur à votre fichier de données. Les mêmes quantités s’obtiennent dans jamovi et dans R en une ligne.
| Indicateur | Ce qu’il mesure | Repère d’alerte courant | Ce qu’il ne dit pas |
|---|---|---|---|
| Résidu standardisé | L’écart entre l’observé et le prédit, en unités d’écart-type | Au-delà de |3| | Si l’observation pèse sur le modèle |
| Levier (h) | L’excentricité sur les prédicteurs | Au-delà de 2 ou 3 fois la moyenne, soit 2(k+1)/n | Si l’observation est mal prédite |
| Distance de Cook | Le déplacement de l’ensemble des valeurs prédites si l’observation est retirée | Au-delà de 1, ou de 4/n pour un critère plus sensible | Quel coefficient est touché |
| DFBETA standardisé | Le déplacement d’un coefficient donné | Au-delà de 2/√n en valeur absolue | L’effet sur le modèle global |
Ces repères sont des conventions, pas des tests. Aucun ne s’accompagne d’un p, et il n’existe pas de valeur au-delà de laquelle une observation devient officiellement problématique. Le critère « Cook > 1 » est très permissif et ne signale presque jamais rien sur un petit échantillon ; le critère 4/n est beaucoup plus sensible et signale souvent plusieurs points sur un échantillon de mémoire. La bonne pratique consiste à ne pas chercher un franchissement de seuil mais un décrochage : classez les distances de Cook par ordre décroissant et regardez s’il existe une ou deux valeurs nettement au-dessus du reste.
Le graphique est plus parlant que la colonne : demandez un simple diagramme en bâtons des distances de Cook, avec le numéro d’observation en abscisse. Un profil plat avec deux pics indique deux cas à examiner ; un profil régulièrement décroissant indique qu’aucune observation ne domine et que la question est réglée en une phrase.
Ce qu’il faut faire d’une observation influente
La réponse par défaut, celle qui vaut dans la grande majorité des cas, est : rien, sinon la documenter. Une observation influente n’est pas une erreur ; c’est souvent l’observation la plus informative du jeu de données, parce qu’elle explore une région que les autres n’atteignent pas.
La démarche se déroule en trois temps.
1. Retourner à la ligne du fichier
Ouvrez la ligne concernée et lisez-la. Trois situations :
- Une erreur manifeste — un âge de 213 ans, un salaire annuel saisi en centimes, une unité inversée. Corrigez si vous pouvez remonter à la source, sinon passez la valeur en manquante et dites-le.
- Un cas hors du champ de l’étude — un répondant qui, à la lecture, ne relève pas de la population visée par vos critères d’inclusion. Il est exclu par le critère, pas par son influence. Si le cas n’est signalé par aucun critère écrit à l’avance et n’attire l’attention que parce qu’il déplace le résultat, le retirer n’est pas défendable — c’est la même logique que celle qui gouverne l’écartement des réponses bâclées : la règle précède le résultat.
- Un cas réel et légitime — c’est le cas le plus fréquent. Il reste dans l’analyse.
2. Se demander ce que le cas révèle du modèle
Une observation influente signale souvent que le modèle est mal spécifié plutôt que la donnée mauvaise. Quatre pistes valent le détour :
- La relation n’est pas linéaire, et le point excentré est le seul à le montrer.
- Une variable manque, qui expliquerait précisément ce cas.
- La variable dépendante est fortement asymétrique — auquel cas la question devient celle du choix entre transformation, bootstrap et méthode non paramétrique, et une transformation logarithmique réduit souvent l’influence sans rien retirer.
- Votre échantillon contient en réalité deux sous-populations, ce qui est une question de structure de l’échantillon avant d’être une question de régression.
3. Rapporter les deux résultats
Si un cas influent est conservé — ce qui doit être la norme —, donnez le coefficient avec et sans lui. Deux nombres et une phrase suffisent. Si la conclusion tient, le lecteur est rassuré ; si elle ne tient pas, il faut le dire, et cela devient un résultat en soi : votre effet dépend d’une seule observation, ce qui est une information importante sur sa solidité.
Ce que le diagnostic change dans l’écriture
« L’examen des diagnostics d’influence identifie deux observations dont la distance de Cook (0,31 et 0,27) se détache nettement des autres (maximum suivant : 0,06), toutes deux associées à un levier élevé. La relecture des questionnaires correspondants n’a révélé aucune erreur de saisie ; il s’agit de deux établissements de taille très supérieure au reste de l’échantillon, appartenant à la population visée. Ces observations ont été conservées. Le modèle réestimé sans elles conduit à un coefficient de 1,94 au lieu de 2,31, la conclusion restant inchangée quant au sens et à la significativité de l’effet. »
Ce paragraphe se place à la fin de la section résultats de la régression, ou en note sous le tableau des coefficients. Il occupe cinq lignes et il désamorce une des questions les plus fréquentes en soutenance.
Les erreurs les plus fréquentes
- Supprimer tout ce qui dépasse un seuil. Avec le critère 4/n sur un échantillon de 80 observations, il est courant d’en signaler cinq ou six. Les retirer toutes revient à construire un modèle sur les seules données qui lui obéissent.
- Ne regarder que la variable dépendante. L’influence naît de la position sur les prédicteurs autant que du résidu. Un balayage variable par variable ne la détecte pas.
- Confondre influence et non-normalité. Ce sont deux diagnostics différents. Une distribution asymétrique se voit sur le test de normalité des résidus et sur le Q-Q plot ; l’influence se voit sur les distances de Cook. Les deux peuvent coexister ou survenir séparément.
- Oublier que le diagnostic dépend du modèle. Ajoutez une variable, et la liste des observations influentes change. Les diagnostics se relancent sur le modèle final, pas sur une version intermédiaire.
- Croire que le problème disparaît sur un grand échantillon. Il devient plus rare, pas impossible : une observation très excentrée sur une combinaison de prédicteurs peut peser lourd même parmi mille autres.
Au-delà de la régression linéaire
Le raisonnement se transpose. En régression logistique, SPSS fournit les mêmes statistiques d’influence dans la boîte Enregistrer, et un cas influent y est typiquement un participant dont l’issue observée contredit fortement ce que ses prédicteurs annonçaient. En ANOVA, l’analogue est une cellule à faible effectif contenant une valeur extrême, ce qui déstabilise à la fois la moyenne et la variance du groupe. Et sur une corrélation simple, un unique point peut faire passer un coefficient de 0,05 à 0,45 : le nuage de points reste, dans ce cas, le meilleur diagnostic disponible.
La règle générale ne change pas d’une procédure à l’autre : un résultat qui repose sur une observation n’est pas un résultat, c’est une observation.
Écrire la section diagnostics
Le calcul prend cinq minutes. Ce qui prend du temps, c’est de rédiger le passage qui l’expose sans donner l’impression que le modèle est fragile : présenter le diagnostic comme une vérification de routine, motiver la conservation des cas, et articuler la réestimation sans qu’elle occupe trois pages.
Tesify travaille avec vous sur ce passage : structurer la section résultats, tenir un vocabulaire constant entre la méthode et la discussion, et transformer vos sorties en un texte qui se défend. Vos données restent les vôtres, et le texte est écrit à 100 % par vous.
Rédiger votre chapitre résultats avec Tesify
Questions fréquentes
Faut-il vérifier l’influence dans tous les mémoires ?
Dès qu’un modèle de régression est estimé, oui — et cela tient en une phrase quand rien ne se détache. Sur un simple test de comparaison de moyennes, la question ne se pose pas dans ces termes : c’est la distribution de chaque groupe qu’il faut examiner.
Distance de Cook supérieure à 1 ou à 4/n : quel critère retenir ?
Déclarez celui que vous utilisez, et n’en changez pas en cours de route. Le seuil de 1 est prudent et rarement franchi sur de petits effectifs ; 4/n est plus sensible et convient mieux à un échantillon de mémoire, à condition de traiter les cas signalés un par un plutôt que de les supprimer en bloc.
Combien d’observations influentes est-ce « trop » ?
Il n’y a pas de nombre. Si un tiers de vos observations est signalé, ce n’est pas un problème de données : c’est que votre modèle n’ajuste pas grand-chose, et la question à traiter est celle de sa spécification.
Peut-on utiliser une régression robuste à la place ?
C’est une solution élégante : ces méthodes pondèrent automatiquement les observations selon leur écart au modèle, sans supprimer personne. Elles ne figurent pas dans les menus de base de SPSS et demandent R ou un module additionnel. Si vous y avez accès, présentez-les en analyse complémentaire plutôt qu’en remplacement, pour que le lecteur puisse comparer.
Le point influent est le cas le plus intéressant de mon corpus. Que faire ?
Gardez-le et parlez-en. Un cas atypique et documenté enrichit la discussion : il indique où le modèle cesse de valoir, et cette frontière est un résultat. Signalez simplement, chiffres à l’appui, ce que la conclusion doit à ce seul cas.
Où placer les diagnostics dans le mémoire ?
Le paragraphe de synthèse va dans les résultats, juste après le tableau des coefficients. Le graphique des distances de Cook et le tableau détaillé des cas signalés vont en annexe. Notre guide général de l’analyse de données replace cette vérification dans l’enchaînement complet du chapitre.