Étiquette : régression linéaire multiple

Vous avez saisi vos données, lancé Analyse → Régression → Linéaire, et SPSS vous a rendu quatre tableaux. Le R² s’affiche, quelques coefficients sont significatifs, et une question vous arrête net : est-ce que j’ai le droit d’interpréter ça ?

C’est la bonne question, et c’est celle que la plupart des mémoires escamotent. La régression linéaire multiple est le modèle le plus utilisé dans les mémoires quantitatifs de gestion, de psychologie, de sciences de l’éducation et de santé publique — et c’est aussi celui dont les conditions d’application sont le plus souvent passées sous silence. Un jury qui connaît la méthode ouvre presque toujours la discussion par là.

Cet article suit l’ordre réel du travail : la procédure sous SPSS d’abord, puis les cinq hypothèses, chacune avec son diagnostic, son seuil et, surtout, ce que vous faites quand elle n’est pas vérifiée.

À quoi sert exactement une régression linéaire multiple

Elle répond à une question précise : quelle part de la variation d’une variable dépendante continue est expliquée par plusieurs variables indépendantes prises ensemble, et quelle est la contribution propre de chacune ?

Le mot important est propre. L’intérêt de la régression multiple par rapport à une série de corrélations simples est qu’elle estime l’effet de chaque prédicteur à niveau constant des autres. C’est ce qui vous permet d’écrire qu’un effet subsiste « après contrôle de l’ancienneté et du niveau de diplôme ».

Trois conditions de cadrage, avant même les hypothèses statistiques :

• La variable dépendante doit être continue. Si elle est binaire (réussite/échec, départ/maintien), ce n’est pas ce modèle : voyez la régression logistique binaire et l’interprétation des odds ratios.
• Les prédicteurs peuvent être continus ou catégoriels, mais un prédicteur catégoriel à plus de deux modalités doit être transformé en variables indicatrices (0/1), avec une modalité de référence que vous choisissez et que vous nommez explicitement dans le mémoire.
• Il vous faut assez de participants. La référence la plus citée reste Green (1991), Multivariate Behavioral Research, 26(3), 499-510 : environ N ≥ 50 + 8m pour tester le R² global et N ≥ 104 + m pour tester des coefficients individuels, m étant le nombre de prédicteurs. Avec 4 prédicteurs, cela donne 82 et 108. Ce sont des règles empiriques ; un calcul de puissance formel reste préférable, et le site détaille la procédure G*Power pas à pas.

La procédure sous SPSS, étape par étape

Le chemin est court, mais deux boîtes de dialogue décident de tout ce que vous pourrez diagnostiquer ensuite. Ne les sautez pas.

1. Analyse → Régression → Linéaire.
2. Glissez votre variable dépendante dans Variable dépendante, et l’ensemble de vos prédicteurs dans Variables indépendantes.
3. Laissez la méthode sur Entrée (Enter). Les méthodes pas à pas (Forward, Backward, Stepwise) laissent l’algorithme choisir vos variables à votre place ; en mémoire, elles sont très critiquées parce qu’elles capitalisent sur le hasard de votre échantillon. Si vos hypothèses sont théoriquement fondées, elles entrent toutes.
4. Bouton Statistiques : cochez Estimations, Ajustement du modèle, Intervalles de confiance, Diagnostics de colinéarité, et Durbin-Watson dans le cadre Résidus. Les deux dernières cases sont précisément celles qui manquent dans la plupart des mémoires.
5. Bouton Graphiques : placez *ZRESID en ordonnée et *ZPRED en abscisse, et cochez Diagramme Q-Q ou Histogramme. Ce nuage unique sert à deux diagnostics à la fois.
6. Bouton Enregistrer : cochez Distance de Cook et Valeurs influentes. SPSS créera de nouvelles colonnes dans votre fichier.

Vous obtenez alors quatre tableaux : Récapitulatif des modèles (R, R², R² ajusté, Durbin-Watson), ANOVA (le test global du modèle), Coefficients (les B, bêtas, t, p, IC et VIF), et les Diagnostics par observation.

Lire les trois chiffres qui comptent

Le tableau ANOVA teste une seule chose : votre modèle fait-il mieux que la moyenne ? Si p > 0,05, le modèle dans son ensemble n’explique rien de significatif, et commenter des coefficients individuels n’a plus de sens.

Le R² ajusté est la valeur à rapporter en régression multiple, pas le R² brut : le R² augmente mécaniquement à chaque prédicteur ajouté, même inutile ; le R² ajusté pénalise cet ajout. Un écart important entre les deux signale que vous avez trop de prédicteurs pour votre effectif.

Dans le tableau des coefficients, le B non standardisé s’interprète dans l’unité de la variable (« une année d’ancienneté supplémentaire est associée à +0,34 point de satisfaction »), tandis que le bêta standardisé permet de comparer l’importance relative des prédicteurs entre eux. Rapportez les deux, et l’intervalle de confiance à 95 % du B : un IC qui contient zéro dit la même chose qu’un p > 0,05, mais il dit en plus quelle est la précision de votre estimation. Sur la lecture du seuil lui-même, voyez notre article sur le seuil de significativité et la p-value dans un mémoire.

Les cinq hypothèses, et le plan de repli de chacune

Voici le point que presque aucun tutoriel ne traite honnêtement. Une hypothèse violée n’est pas la fin de votre mémoire : c’est une bifurcation méthodologique que vous documentez. Un jury sanctionne beaucoup plus sévèrement une condition non testée qu’une condition non respectée et assumée.

1. Linéarité de la relation

Diagnostic : le nuage *ZRESID × *ZPRED. Les points doivent former un nuage informe autour de l’horizontale zéro. Une courbe nette (en U, en cloche) signale que la relation n’est pas linéaire.

Si elle échoue : ajoutez un terme quadratique (le carré du prédicteur concerné), transformez la variable (logarithme si la relation s’aplatit aux valeurs hautes), ou découpez le prédicteur en classes et traitez-le comme catégoriel. La solution la plus honnête en mémoire de master est souvent la troisième : elle se justifie et s’explique simplement.

2. Indépendance des résidus

Diagnostic : la statistique de Durbin-Watson, dans le tableau récapitulatif. Elle varie de 0 à 4 ; une valeur proche de 2 indique l’absence d’autocorrélation, et la fourchette conventionnellement admise est d’environ 1,5 à 2,5.

Si elle échoue : l’autocorrélation apparaît surtout avec des données recueillies dans le temps ou par grappes (plusieurs mesures d’un même individu, plusieurs élèves d’une même classe). Ce n’est pas un défaut à corriger par un bricolage : c’est le signe que la structure de vos données est hiérarchique, et le modèle adapté est un modèle multiniveau ou une ANOVA à mesures répétées. Si l’ampleur est faible, mentionnez-la en limite.

3. Homoscédasticité (variance constante des résidus)

Diagnostic : le même nuage *ZRESID × *ZPRED. La dispersion verticale doit rester à peu près constante de gauche à droite. Une forme d’entonnoir — les résidus s’écartent quand les valeurs prédites augmentent — indique l’hétéroscédasticité.

Si elle échoue : deux voies. Transformer la variable dépendante (le logarithme resserre efficacement une variable très étalée à droite, ce qui est typique des revenus, des durées ou des montants). Ou conserver le modèle et rapporter des erreurs standard robustes à l’hétéroscédasticité, disponibles dans SPSS via la procédure de régression du menu Modèles linéaires généralisés ou via une macro. Les coefficients ne changent pas, seuls leurs tests deviennent valides.

4. Normalité des résidus

Diagnostic : le diagramme Q-Q des résidus standardisés. Attention à l’erreur la plus fréquente : l’hypothèse porte sur les résidus, pas sur vos variables brutes. Tester la normalité de la variable dépendante elle-même ne renseigne pas sur la validité du modèle. Notre article sur le test de Shapiro-Wilk et l’interprétation de la normalité détaille la lecture du test et du Q-Q plot.

Si elle échoue : c’est l’hypothèse la moins inquiétante. Au-delà d’une centaine d’observations, le théorème central limite rend les tests de régression très robustes à une non-normalité modérée. Un Q-Q plot qui s’écarte franchement aux extrémités renvoie généralement à un problème de valeurs extrêmes (point 5) plutôt qu’à la distribution elle-même. Le repli formel existe néanmoins : un bootstrap des intervalles de confiance, disponible dans SPSS via le bouton Bootstrap de la boîte de dialogue, produit des IC qui ne supposent aucune forme de distribution.

5. Absence de multicolinéarité

Diagnostic : les colonnes Tolérance et VIF du tableau des coefficients — celles que la case Diagnostics de colinéarité a fait apparaître. Les seuils conventionnels : VIF supérieur à 10 (soit une tolérance inférieure à 0,10) signale une multicolinéarité sévère, et beaucoup d’auteurs alertent dès VIF supérieur à 5.

Si elle échoue : deux de vos prédicteurs mesurent largement la même chose. Le symptôme typique est un modèle globalement très significatif dont aucun coefficient ne l’est individuellement, avec parfois un signe inversé par rapport à la corrélation simple. Les issues : retirer l’un des deux prédicteurs redondants en justifiant théoriquement lequel, ou les combiner en un score composite unique. Cette hypothèse est celle qui produit les erreurs d’interprétation les plus graves en mémoire, et nous lui consacrons un article entier.

Et les valeurs influentes

Ce n’est pas une hypothèse à proprement parler, mais le diagnostic va de pair. Ouvrez la colonne Distance de Cook que SPSS a enregistrée : une valeur supérieure à 1 signale une observation qui, à elle seule, déplace sensiblement vos coefficients. La règle de conduite est simple et vaut mieux que n’importe quelle suppression silencieuse : faites tourner le modèle avec et sans cette observation, et rapportez les deux résultats. Si les conclusions ne changent pas, votre résultat est robuste et vous venez de le prouver. Si elles changent, c’est une limite majeure que vous devez discuter.

Rédiger les résultats dans le mémoire

La section résultats d’une régression tient en trois mouvements : le contrôle des conditions, le modèle global, les coefficients.

Modèle de phrase — les conditions : « Les conditions d’application de la régression ont été vérifiées. L’examen du nuage des résidus standardisés en fonction des valeurs prédites n’a pas révélé de structure curviligne ni d’hétéroscédasticité. La statistique de Durbin-Watson (1,92) indique l’absence d’autocorrélation. Les facteurs d’inflation de la variance sont tous inférieurs à 2, écartant un problème de multicolinéarité. Deux observations présentaient une distance de Cook supérieure à 1 ; le modèle a été réestimé sans elles et les conclusions demeurent inchangées. »

Modèle de phrase — le modèle global : « Le modèle est significatif, F(4, 145) = 12,74, p < 0,001, et explique 24 % de la variance de la satisfaction au travail (R² ajusté = 0,24). »

Modèle de phrase — un coefficient : « Le soutien perçu du supérieur est le prédicteur le plus fort (β = 0,38 ; B = 0,52 ; IC 95 % [0,31 ; 0,73] ; t = 4,86 ; p < 0,001) : à niveau constant des autres variables, une augmentation d’un point du soutien perçu est associée à une hausse de 0,52 point de satisfaction. »

Notez la formulation : est associé à, jamais cause. Une régression sur données transversales n’établit pas de causalité, quelle que soit la qualité du modèle, et c’est une phrase que les jurys attendent explicitement en discussion.

Les erreurs qui reviennent le plus souvent

• Tester la normalité des variables au lieu des résidus. L’erreur numéro un, et elle conduit à abandonner un modèle parfaitement valide.
• Empiler les prédicteurs. Chaque variable ajoutée consomme un degré de liberté et augmente le risque de multicolinéarité. Un modèle de mémoire avec 4 à 6 prédicteurs bien choisis vaut mieux qu’un modèle à 15.
• Utiliser une méthode pas à pas puis présenter le résultat comme une confirmation d’hypothèse. C’est de l’exploration présentée comme de la confirmation.
• Ne rapporter que le R². Sans les conditions et sans les intervalles de confiance, le lecteur ne peut pas évaluer votre résultat.
• Supprimer les valeurs aberrantes sans le dire. Toute suppression se justifie et se documente ; sinon, c’est un choix invisible qui fabrique le résultat.

Écrire tout cela proprement, sans y passer trois semaines

Le vrai coût de cette partie du mémoire n’est pas le calcul — SPSS le fait en trois secondes. C’est la rédaction : formuler chaque diagnostic, justifier chaque choix, transformer une sortie logicielle en prose scientifique cohérente avec le reste de votre méthodologie, et le faire dans une langue académique qui tienne debout du début à la fin.

Tesify vous accompagne exactement à cet endroit : structurer votre chapitre méthodologie et votre chapitre résultats, garder une terminologie constante d’un chapitre à l’autre, et rédiger les passages de justification à partir de vos propres décisions d’analyse. Vos données restent les vôtres, vos résultats restent les vôtres, et le texte reste écrit à 100 % par vous.

Commencer la rédaction de votre mémoire avec Tesify

Questions fréquentes

Combien de prédicteurs puis-je mettre dans une régression pour un mémoire de master ?

Cela dépend de votre effectif avant tout. En appliquant la règle de Green (1991), un échantillon de 120 participants supporte confortablement 4 à 6 prédicteurs pour tester des coefficients individuels. Au-delà, vous perdez en puissance et vous augmentez le risque de multicolinéarité. Le critère décisif n’est pas le nombre maximal possible mais la justification théorique : chaque prédicteur doit répondre à une hypothèse formulée dans votre revue de littérature.

Mon R² ajusté est de 0,15 : mon modèle est-il mauvais ?

Non, pas nécessairement. Un R² de 0,15 signifie que vos variables expliquent 15 % de la variance — ce qui est courant, et souvent bon, en sciences humaines et sociales où les comportements dépendent d’une multitude de facteurs non mesurés. Un R² de 0,15 avec des coefficients théoriquement cohérents et significatifs vaut mieux qu’un R² de 0,60 obtenu par accumulation de prédicteurs redondants. Discutez la valeur au regard de ce que rapporte la littérature de votre domaine, pas dans l’absolu.

Faut-il centrer ou standardiser mes variables avant la régression ?

Ce n’est pas nécessaire pour une régression simple à effets principaux : SPSS fournit déjà les bêtas standardisés. Le centrage devient utile lorsque vous introduisez un terme d’interaction entre deux variables continues, car il réduit la colinéarité artificielle entre les prédicteurs et leur produit, et il rend l’interprétation des effets principaux beaucoup plus lisible.

Puis-je utiliser une variable mesurée par une échelle de Likert comme variable dépendante ?

Un item unique de Likert est ordinal et se prête mal à une régression linéaire. En revanche, un score composite — la moyenne de plusieurs items d’une même dimension, dont vous avez vérifié la cohérence interne — est très largement traité comme continu dans la pratique de recherche. La conception et l’analyse de ces échelles sont détaillées dans notre guide sur l’échelle de Likert dans un mémoire.

Quelle est la différence entre une régression multiple et une ANOVA factorielle ?

Mathématiquement, ce sont deux cas particuliers du même modèle linéaire général. La différence est pratique : l’ANOVA factorielle est adaptée à des prédicteurs catégoriels et se concentre sur les effets d’interaction entre groupes, tandis que la régression multiple est adaptée à des prédicteurs majoritairement continus et se concentre sur la contribution propre de chacun. Si vos variables indépendantes sont des groupes expérimentaux, allez voir le guide de l’ANOVA factorielle sous SPSS.

Dois-je mettre les tableaux SPSS bruts dans mon mémoire ?

Non. Les captures d’écran de sorties SPSS n’ont pas leur place dans le corps du texte. Reconstruisez un tableau propre au format de votre norme de présentation, ne conservant que les colonnes utiles — prédicteur, B, erreur standard, IC 95 %, β, t, p — et renvoyez en annexe la sortie complète si votre directeur la demande.