Comment lire et interpréter une régression linéaire en psychologie

Maîtrisez l'équation, les coefficients et les diagnostics pour analyser vos données de recherche en psychologie.

Présentation de la régression linéaire en psychologie

La régression linéaire est une méthode statistique qui modélise la relation entre une variable dépendante et une ou plusieurs variables indépendantes. En psychologie, elle permet de représenter des observations complexes sous la forme d'une équation simple. Cette équation est un modèle mathématique — une simplification de la réalité qui rend les données compréhensibles et exploitables. Plutôt que d'analyser chaque observation individuellement, la régression condense l'information en deux paramètres : la pente, qui exprime l'effet de X sur Y, et l'ordonnée à l'origine, qui donne la valeur de Y lorsque X vaut zéro. Cette approche s'inscrit dans le paradigme associatif de la psychologie quantitative : elle ne démontre pas de causalité, mais quantifie des associations entre variables mesurées sur des individus réels. La régression linéaire est aujourd'hui l'un des outils les plus utilisés en recherche psychologique empirique.

Pourquoi utiliser la régression linéaire en psychologie

La régression linéaire répond à des questions du type : dans quelle mesure le nombre de séances de thérapie prédit-il le score de qualité de vie ? Quel score à un examen peut-on attendre d'un étudiant qui consacre vingt heures par semaine à l'étude ? Elle permet d'estimer la valeur d'une variable critère à partir d'une ou plusieurs variables indépendantes, continues ou ordinales, et d'évaluer la significativité statistique de cette relation. En régression multiple, elle permet le contrôle statistique : comparer des groupes à niveau égal d'une troisième variable, ce qui est impossible avec une simple comparaison de moyennes. Elle est préférée aux tests de comparaison dans les designs observationnels où plusieurs variables agissent simultanément sur le critère mesuré. Elle produit des coefficients interprétables, une mesure d'ajustement (R²) et des diagnostics visuels.

A qui s'adresse ce document

Ce document s'adresse aux étudiants en Bachelor de psychologie, en particulier à ceux qui suivent le cours STAT-II en deuxième année à l'Université de Lausanne (UNIL). La psychologie est une science empirique : les construits qu'elle étudie — bien-être, stress, efficacité thérapeutique — sont mesurés par des échelles et des questionnaires, puis analysés par des méthodes statistiques. La régression linéaire occupe une place centrale dans ce dispositif car elle permet de tester des hypothèses sur des relations entre variables psychologiques, de contrôler des variables confondantes et de produire des prédictions chiffrées. L'examen final du cours STAT-II requiert de savoir lire une sortie logicielle R, interpréter des coefficients et formuler une réponse argumentée. Ce document prépare directement à cet exercice, en articulant la méthode générale et plusieurs cas particuliers progressifs.

Ce que contient ce document

Ce document est un cours-résumé structuré en sections progressives. Il commence par une introduction aux modèles mathématiques et à la notion de résidu. Il présente ensuite la régression linéaire simple avec une variable explicative continue, illustrée par un exemple en psychologie de l'éducation. La section suivante traite de la variable indépendante ordinale et de l'hypothèse d'équidistance. Une section est consacrée à la régression multiple avec une variable continue et une variable dummy, qui introduit le contrôle statistique et les droites parallèles. Chaque section suit une méthode en quatre étapes : identification des variables, test de significativité, interprétation des coefficients et prédiction. Les diagnostics — statistique F, R², normalité des résidus, QQ-plot et courbe LOWESS — sont commentés systématiquement. Tous les exemples utilisent R et des données simulées en contexte clinique ou éducatif.

Degré de formation nécessaire pour comprendre la régression linéaire en psychologie

Ce document suppose une familiarité de base avec R et avec les concepts statistiques élémentaires : moyenne, variance, test d'hypothèse et valeur p. Une connaissance préalable du test t ou de l'ANOVA est un atout mais n'est pas indispensable. Aucune compétence en calcul différentiel ni en algèbre linéaire n'est requise : la régression est présentée de manière graphique et conceptuelle, sans dérivation formelle. Le niveau cible correspond au deuxième semestre de Bachelor en psychologie. Les notions de variable dépendante, variable indépendante et échelle de mesure sont supposées connues. Le lecteur doit être capable de lire un script R simple et de comprendre la sortie de la fonction summary(lm(...)). Ce document n'est pas adapté à des étudiants sans aucune exposition préalable aux statistiques ; il constitue un support de révision efficace avant un examen à développement.

Questions courantes FAQ

À quoi sert l'ordonnée à l'origine dans la régression ?

L'ordonnée à l'origine représente la valeur prédite de Y lorsque toutes les variables indépendantes valent zéro. En pratique, cette valeur est souvent hors du domaine observé et n'a pas d'interprétation directe. Son rôle principal est de positionner la droite dans le plan : c'est un paramètre d'ajustement indispensable à la définition du modèle, même lorsqu'il ne peut pas être interprété de manière substantielle.

Quelle est la différence entre R² et R² ajusté ?

Le R² mesure la proportion de variance de Y expliquée par le modèle. Le R² ajusté pénalise chaque variable indépendante ajoutée : il diminue si une variable n'apporte pas d'information réelle. En régression multiple, le R² ajusté est préférable car il évite de surestimer la qualité du modèle simplement en augmentant le nombre de variables indépendantes dans l'équation.

Comment vérifier que les résidus sont distribués normalement ?

Le QQ-plot compare la distribution des résidus standardisés à une distribution normale théorique : si les points s'alignent sur la droite, la normalité est confirmée. Le test de Shapiro-Wilk fournit une p-valeur formelle. En complément, la médiane des résidus doit être proche de zéro et la distribution doit être approximativement symétrique entre la queue gauche et la queue droite.

Que signifie contrôle statistique dans une régression multiple ?

Le contrôle statistique signifie que l'effet estimé d'une variable indépendante est calculé à valeur constante de toutes les autres. En incluant le genre et le nombre de séances dans le modèle, le coefficient du nombre de séances mesure son effet indépendamment du genre. Cela permet de comparer des individus qui diffèrent sur une variable tout en maintenant les autres constantes — impossible avec une simple corrélation bivariée.

Qu'est-ce qu'une variable dummy et comment l'interpréter dans R ?

Une variable dummy code une appartenance catégorielle en 0 ou 1. Dans une régression multiple, son coefficient représente la différence moyenne entre les deux groupes à valeur constante des autres variables. Graphiquement, elle produit deux droites parallèles de même pente mais d'ordonnées à l'origine décalées. Ce décalage quantifie l'effet du groupe toutes choses égales par ailleurs, et se lit directement dans la sortie de summary(lm(...)) sous R.

Comment interpréter ANOVA en psychologie : Un cours pratique sur R

Maîtriser la statistique F de Fisher et apprendre à lire les résultats d'une sortie logicielle méthodiquement.

Présentation, Comment interpréter ANOVA en psychologie

L'ANOVA (Analyse de Variance) est une méthode statistique qui permet au statisticiens.nnes de comparer simultanément plusieurs groupes entre eux. L'analyse repose sur l'additivité des variances : La variance totale observée sur l'ensembles des participants se décompose en plusieurs type de variance comme nous le verrons: la variance inter-groupes et variance intra-groupe notemment. Cette propriété est centrale car elle permet de distinguer ce qui est intéressant dans notre échantillon de ce qui ne l'est pas. On appel cela le rapport signal sur bruit. Il est donnée par la statistique commune à toutes les analyse de variance: la statistique F de Fisher.

Pourquoi utiliser ANOVA en psychologie

L'ANOVA permet de distinguer les différentes contributions de chaque groupe à la variance totale. En psychologie empirique, cette distinction est particulièrement utile car elle permet de savoir si un traitement à un effet réel ou si les effets observé sont juste un artefact de mesure. Si l'on souhaite comparer trois thérapies sur l'anxiété par exemple, cela exige de séparer la variance due au traitement de la variance due à la diversité individuelle des participants.es. L'ANOVA fournit un outils pour distinguer les différente contributions en une seule fois et de réduire ainsi le risque d'erreur de type I.

A qui s'adresse ce document

Ce document s'adresse aux étudiants de la Faculté des Sciences Sociales et Politiques (SSP) de l'UNIL, en 2e année de Bachelor en Psychologie. L'ANOVA y est enseignée car la recherche en psychologie empirique repose fréquemment sur des plans à plusieurs conditions. Comparer des groupes sur une variable quantitative — scores de dépression, niveaux d'anxiété, temps de réaction — est une situation récurrente qui exige une maîtrise de cette méthode.

Ce que contient ce document

Ce document couvre trois formes d'ANOVA illustrées par des exemples cliniques et expérimentaux : l'ANOVA à groupes indépendants (trois types de soutien psychologique sur l'anxiété), l'ANOVA à mesures répétées (un même patient mesuré à plusieurs moments), et l'ANOVA à deux facteurs avec interaction (traitement croisé avec le genre). Chaque section présente une question de recherche, une méthode de résolution, le code R correspondant et l'interprétation complète des résultats. Le document se conclut sur les points de repère essentiels pour lire et valider une ANOVA.

Degré de formation nécessaire pour comprendre pour lire ce document

Ce document est conçu pour des étudiants en 2e année de Bachelor en psychologie. Aucune dérivation mathématique n'est requise. Les prérequis sont : une familiarité avec les notions de moyenne, variance et p-valeur, ainsi qu'une expérience élémentaire de R (lancer un script, lire un output). La connaissance préalable du test t de Student facilite la compréhension, car l'ANOVA en est une généralisation directe à plus de deux groupes.

Questions courantes FAQ

Quelle est la différence entre le test t et l'ANOVA ?

Le test t de Student compare les moyennes de deux groupes. L'ANOVA généralise cette logique à trois groupes ou plus en effectuant une seule comparaison globale. Multiplier des tests t sur plusieurs groupes augmenterait artificiellement le risque d'erreur de type I. L'ANOVA maintient ce risque à son niveau nominal en utilisant la statistique F, rapport entre la variance inter-groupes et la variance intra-groupe.

Que mesure la statistique F de Fisher ?

La statistique F est le rapport entre la variance inter-groupes et la variance intra-groupe. Lorsque F est proche de 0, les groupes se superposent ce qui signifie qu' il n'y a pas d'effet détectable. Lorsque F est nettement supérieur à 1, les groupes sont espacés par rapport à leur variabilité interne, ce qui suggère un effet réel. La p-valeur associée indique si cette valeur de F est significativement différente de 0.

Qu'est-ce qu'une ANOVA à deux facteurs ?

Une ANOVA à deux facteurs examine simultanément l'effet de deux variables catégorielles sur une variable dépendante quantitative. Elle évalue les effets principaux de chaque facteur et leur interaction : l'effet d'un facteur dépend-il du niveau de l'autre ? Par exemple, l'efficacité d'un traitement varie-t-elle selon le genre du participant ? Cette interaction se visualise sur un graphique de profils c'est à dire, des lignes qui se croisent indiquent un effet croisé.

Peut-on utiliser l'ANOVA si les groupes n'ont pas la même taille ?

Oui. L'ANOVA tolère des groupes de taille inégale. Dans R, la fonction aov() gère automatiquement ces situations. Il convient d'être attentif au type de décomposition de la variance utilisé (sommes de carrés de type I ou type III), car les résultats peuvent différer lorsque les effectifs sont déséquilibrés. Pour les plans à deux facteurs en particulier, le type III est généralement recommandé.

Quelle est la différence entre ANOVA à groupes indépendants et ANOVA à mesures répétées ?

Dans l'ANOVA à groupes indépendants, chaque participant appartient à un seul groupe. Dans l'ANOVA à mesures répétées, chaque participant est mesuré dans toutes les conditions. Cette seconde forme est plus puissante car elle élimine la variabilité inter-individuelle du terme d'erreur. On l'utilise dans les études longitudinales ou les plans intra-sujet, où l'on suit l'évolution d'un même individu à plusieurs moments ou sous plusieurs conditions.

L'ANOVA est-elle robuste si les données ne se distribue pas normalement ?

L'ANOVA est relativement robuste aux écarts à la normalité, surtout quand les groupes sont de taille suffisante (n ≥ 30 par groupe environ). Pour des petits échantillons fortement non normaux, des alternatives non paramétriques existent : le test de Kruskal-Wallis pour groupes indépendants, ou le test de Friedman pour mesures répétées. Ces tests reposent sur les rangs plutôt que sur les valeurs brutes.

Comment utiliser le test de Student en psychologie

Le guide pratique pour comparer deux groupes à l'aide du test de student et comprendre comment l'utiliser.

Présentation du test de Student en psychologie

Le test de Student, est une méthode statistique qui à été imaginée pour comparer les moyennes de deux groupes à partir de données numériques. En psychologie, il permet de déterminer si une différence observée entre deux groupes est significativement différente d'une différence qui serait due au hasard. Le test repose sure une mesure de l'écart entre les moyennes des deux groupes. On appel cette mesure la statistique de test t. Plus cette statistique est élevée, plus la différence est marquée relativement à la dispersion des données. Dans ce document, tu trouvera également une alternative non paramétrique que l'on utilise lorsque les conditions de normalité ne sont pas satisfaites: Le test de Wilcoxon. Ces deux outils partagent la même logique: quantifier une différence entre deux groupes afin d'évaluer sa significativité statistique.

Pourquoi utiliser le test de Student en psychologie

Le test de Student en psychologie permet de répondre à des questions de recherche portant sur la comparaison entre deux groupes. Par exemple : une thérapie cognitivo-comportementale réduit-elle significativement les scores d'anxiété par rapport à un groupe contrôle ? Les hommes et les femmes diffèrent-ils sur une mesure de bien-être psychologique ? Un traitement pharmacologique produit-il un effet mesurable sur les scores de dépression avant et après intervention ? Ces questions constituent le cœur de la recherche en psychologie clinique et expérimentale. 

A qui s'adresse ce document

Ce document s'adresse aux étudiantes et étudiants de 2e année de Bachelor en Psychologie à l'Université de Lausanne (UNIL). Le test de Student est enseigné en psychologie pour une raison fondamentale : la recherche en sciences du comportement repose largement sur la comparaison entre groupes. Qu'il s'agisse d'évaluer l'efficacité d'une intervention thérapeutique ou de comparer deux populations, la question de la différence entre deux groupe apparait souvent. En tant que discipline empirique, la psychologie demande des outils capables de répondre à cette question de manière quantitative. Le test t et son alternative non paramétrique, le test de Wilcoxon, constituent les outils de base dans ce type de scénario.

Ce que contient ce document

Ce document est organisé en cinq sections principales. La première présente l'approche générale : comment comparer deux groupes, quand utiliser le test t de Student, et quelle logique sous-tend la construction de la statistique de test. Les sections suivantes traitent de cas particuliers fréquents en psychologie : la comparaison de deux groupes indépendants avec variances inégales (test de Welch) et la situation où les données ne suivent pas une distribution normale, nécessitant le recours au test de Wilcoxon. Une section est consacrée aux mesures pairées, design courant en psychologie clinique où le même individu est mesuré avant et après une intervention. Chaque section est illustrée par un exemple concret de la psychologique, avec des données générées sous R, des graphiques explicatifs et une lecture guidée des résultats.

Degré de formation nécessaire pour comprendre le test de Student en psychologie

Pour aborder le contenu de ce document, un niveau de 2e année de Bachelor en Psychologie est requis. Les prérequis indispensables sont les suivants : avoir suivi un premier cours de statistiques (STAT-I ou équivalent), être familiarisé avec les notions de moyenne, variance et écart-type, comprendre la logique du test d'hypothèse — hypothèse nulle H0, p-valeur, seuil de significativité alpha — et avoir une expérience élémentaire du logiciel R. Aucune formation mathématique formelle n'est nécessaire : ce document ne contient aucune dérivation algébrique.

Questions courantes FAQ

Quelle est la différence entre le test t de Student et le test de Wilcoxon ?

Le test t compare les moyennes de deux groupes en supposant une distribution normale des données. Le test de Wilcoxon est une alternative non paramétrique qui compare les rangs plutôt que les moyennes. On utilise le test de Wilcoxon lorsque la normalité n'est pas satisfaite ou que les effectifs sont trop petits pour pouvoir la vérifier de manière fiable.

Comment savoir si je dois utiliser un test unilatéral ou bilatéral ?

Un test bilatéral est utilisé quand vous ne savez pas dans quel sens ira la différence (H1 : mu1 différent de mu2). Un test unilatéral est justifié uniquement si vous avez formulé une hypothèse directionnelle forte avant la collecte des données. En psychologie, le test bilatéral est le choix par défaut et le plus défendable dans un contexte d'examen ou de publication.

Qu'est-ce que la p-valeur m'indique concrètement ?

La p-valeur est la probabilité d'obtenir une statistique de test aussi extrême — ou plus — si l'hypothèse nulle était vraie. Une p-valeur inférieure à 0.05 indique que la différence observée est peu compatible avec l'absence d'effet. Attention : ce n'est pas la probabilité que l'hypothèse nulle soit vraie, ni la probabilité que votre résultat soit dû au hasard.

Quelle différence entre mesures indépendantes et mesures pairées ?

Des mesures indépendantes impliquent deux groupes distincts sans lien entre les individus, comme un groupe traitement et un groupe contrôle. Des mesures pairées impliquent le même individu mesuré deux fois, par exemple avant et après une intervention. Le test t pour mesures pairées est plus puissant car il élimine la variabilité inter-individuelle du calcul de la statistique de test.

Comment interpréter la taille d'effet d de Cohen ?

Le d de Cohen mesure l'ampleur de la différence entre deux groupes en unités d'écart-type poolé. Un d de 0.2 est considéré petit, 0.5 moyen et 0.8 grand. La taille d'effet complète l'information de la p-valeur : une différence peut être statistiquement significative mais pratiquement négligeable si le d est très faible, ce qui arrive fréquemment avec des grands échantillons.