Partie I – RLM Corrections des exercices 1

CORRECTIONS DES EXERCICES

Exercice 1
Moyenne Ecart type Minimum Maximum
Is 29.98 3.002 24.00 37.00
E 0 1.563 -2.987 4.012
S 0 1.195 -1.700 2.300

PARTIE « interprétation des coefficients »

On s’intéresse aux effets du degré d'engagement dans une psychothérapie (E) et du soutien social (S) sur l'intentionnalité
suicidaire (Is) grâce à une régression linéaire.
Question 1
Écrire l’équation de régression théorique, populationnelle.
Is =  + E * E + S * S
Question 2
Après avoir donné la signification des coefficients de cette équation, formuler les tests d’hypothèses auxquels on peut
intuitivement penser pour ceux-ci (expliquer).
Techniquement  correspond au score moyen d’Is pour un engagement thérapeutique nul & un
soutien social nul
Expérimentalement, d’après les statistiques descriptives, il s’agit du score moyen d’Is pour le
groupe des sujets moyennement engagés et avec un soutien social moyen.
Toujours dans ces statistiques descriptives, le fait que les minimum et maximum de Is sont tous
deux largement positifs indique de plus que l’échelle utilisée est positive. La moyenne pour les
sujets moyennement engagés (E=0) et avec un soutien social moyen (S=0) ne peut donc qu’être
elle-même positive.
Le seul test sensé (mais peu intéressant) est donc : H1 :  > 0.
E correspond au changement dans l’Is moyenne lorsque l’engagement augmente de 1, à niveau
constant de soutien social.
On peut poser H1 : E < 0 car intuitivement on peut penser/espérer qu’une psychothérapie bien
suivie devrait avoir un effet bénéfique sur les symptômes dépressifs, donc les Is font partie, càd que
plus on est engagé, plus l’Is serait amoindri.
S = changement dans l’Is moyenne lorsque le S. social augmente de 1, à niveau constant
d’engagement. On peut poser H1 : S <0 car intuitivement on peut penser à un effet bénéfique du
S sur les Is car être entouré amène à « être distrait » des ruminations & pensées négatives,
notamment survenant suite à des événements négatifs pour le sujet (autre exemple d’argument : +
S → + de solutions proposées pour combattre les Is), càd que plus on a d’S, moins l’Is serait
importante.
Remarque :
Dire plus de S → - d’Is donc S <0 (H1) = une redite mais pas un argument pour défendre
H1.
Ce qui est attendu doit suivre la logique suivante :
H1 : S <0 car arguments (mais pas redite)  - d’Is
(ou dans l’ordre inverse : arguments  - d’Is donc H1 : S <0)
Autres Remarque :
• Des arguments intuitifs sont suffisants.
• Évidemment s’ils sont complétement farfelus & illogiques, ils ne seront pas comptés comme
corrects.
Partie I – RLM Corrections des exercices 2

• Des graphiques peuvent aider à passer des arguments aux signes attendus des s :

Plus de E ou de S associé à moins d’Is  Une pente négative :

Augmenter de 1 sur les abscisses est associé à un changement
négatif càd revient à ajouter une quantité négative (= le )
PARTIE « tests des coefficients »
Question 3
L’analyse réalisée a en particulier donné les résultats suivants :
Coefficients du modèle
Prédicteur Estimation t p
Ordonnée à l'origine 29.9750 90.64 < .0001
E 0.4455 2.09 0.0397
S -0.0022 -0.01 0.9937
Conclure en prenant en compte vos réponses aux questions précédentes.
On ne peut pas affirmer qu’à niveau constant de S (d’E), E (S) a un effet négatif/bénéfique sur Is
(t(77)= 2,09; p > 0,1 et t(77)=-0,01; p>0,1). Á niveau constant de S (d’E), le changement d’Is
moyens associé à une unité en plus d’E (S) devrait être aux environs de 0,45 (-0,002) points
d’échelle.
On peut affirmer qu’à niveaux moyens d’E et S, les Is sont en moyenne positive (t(77)= 90,64;
p<0,001). Estimation que l’Is moyenne à ces niveaux est égale à 29,98.
Explications/détails
• ddl des t= N - nb de VPs – 1
• E : la p-value logicielle étant celle du test bilatéral, on peut conclure en se basant uniquement sur celle-
ci que E ≠ 0.
E ≠ 0

OU
E < 0 E > 0
̂ E = 0,4455 en désaccord ̂ E = 0,4455 en accord
 Impossible de conclure dans ce  Possible de conclure dans ce sens mais
sens ne correspond pas à la H1 initiale
 Impossible de conclure que E < 0 (p > 0,1 pour le test formulé)
Remarques :
• Ça peut paraître compliqué mais c’est en fait une évidence (cf. aussi Cours de révision sur les tests) :
Si on fait l’hypothèse qu’un objet placé derrière un drap est noir et que lorsque l’on en dévoile un
petit bout, on ne voit que du blanc, alors on ne peut pas conclure que l’objet est noir.
Partie I – RLM Corrections des exercices 3

Ici, l’hypothèse est que E < 0 au niveau population (milliers de personnes) et la vue partielle qu’on
en a à partir de l’échantillon (80 personnes) donnant l’idée que  est > 0, on ne peut pas conclure à
cette hypothèse.
• Notons que l’estimation nous indique un accroissement des Is en fonction de l’E, càd pas du tout
l’idée défendue dans H1.
PARTIE « Analyse de variance 1 »
Question 4
a) Donner la prédiction de l’Is moyen des participants ayant les valeurs suivantes de E et S:
E S
Groupes de 2.013 -0.7
participants à : moyen moyen

PrédictionGroupe 2.013, -0.7 = 29,975 + 0,4455 * 2,013 - 0,0022 * -0,7  30,87

Moyenne
Is 29.98
E 0
S 0
 PrédictionGroupe moyen, moyen = 29,975 + 0,4455 * 0 - 0,0022 * 0 = 29,975
b) Pour les participants moyens, que remarque-t-on si on regarde les statistiques descriptives ?
L’estimation/prédiction est égale au niveau moyen d’Is des participants.
Ceci suggère donc que l’estimation de la moyenne de la VD réalisée à niveaux moyens des VPs
est égale à la moyenne de la VD (le sujet moyen sur les VPs est aussi estimé moyen sur la VD).
Notons que cette propriété assez logique (le sujet moyen sur les VPs est aussi estimé moyen
sur la VD) est toujours vraie. Elle est cependant aisément visible uniquement dans des cas
comme celui-ci où les moyennes des VPs sont nulles.
c) Le quatrième participant a des valeurs de E et S les mêmes que le 1er groupe du tableau précédent.
Donner une estimation de son niveau d’Is.
̂ Participant4 = 30,87
Is
Comment légitimer le fait que l’on puisse estimer de la même manière l’Is de ce participant et l’Is moyenne des
participants comparables à celui-ci ?
Si la seule information connue pour ce participant sont ces caractéristiques, le mieux que l’on
puisse faire est d’estimer son Is à la valeur moyenne des sujets ayant les mêmes caractéristiques.
d) Quelle erreur comettrait-on si on prenait l’estimation précédente à la place de 28, l’Is réellement observé pour le
4ème participant ?
Er = 28 - 30.87 = -2,87
(utiliser la prédiction aménerait à sur-estimer l’Is de ce participant)
Question 5
a) Complétez le tableau.
On donnera en les justifiant lorsque c’est possible les formules utilisées.
L’estimation des coefficients de la régression en utilisant le critère des moindres carrés
conduit à la décomposition suivante de la variance :
s2(observations) = s2(valeurs prédites) + s2(erreurs/résidus)
2 2 2
ou de manière plus concise, sTot = sReg + sRes
2
On a d’après les statistiques descriptives sTot = 3,0022 = 9,012
2 2 2
On obtient ainsi sReg = sTot -sEr = 9,012 - 8,5272 = 0,4848
s2
Régression/Prédictions 0,4848
Résidus/Erreurs 8,5272
Total 9,012
Partie I – RLM Corrections des exercices 4

b) Expliquez quelle information est apportée par celui-ci.

Cela permet d’étudier dans quelle mesure les différences d’Is sont reproduites par le modèle
(dans quelle mesure l’hétérogénéité des Is est reproduite par celle des Is prédites.
Pourquoi est-ce intéressant ?
On peut avoir ainsi une idée de la capacité des VPs (E et S) à expliquer/prédire les
différences d’Is.
Ici, sur une variance de 9,012, 0,4848 sont expliquées/prédites par les VPs utilisées, càd que
0,4848/9,012  5,4% des différences d’Is peut être expliqué/modélisé à l’aide de ces variables.
Ces aspects paraissent donc peu explicatifs des différences d’Is.
Question 6
Déduire le tableau d’ANOVA de la question précédente (on donne p = 0.119). On donnera en les
justifiant lorsque c’est possible les formules utilisées.
ANOVA
𝐌𝐒𝐑𝐞𝐠
s2 SCE = (N-1)* s2 ddl CM = SCE/ddl F= p
𝐌𝐒𝐑𝐞𝐬
0,4848 Regression 38.2992 2 19.1496 2.19 0.119
8,5272 Residu 673.6488 77 8.7487
9,012 Total 711.9480 79
Notes explicatives : ddl(Reg) = nb de VPs dans la régression ddl(Res) = N - nb de VPs - 1
SCE = Somme des Carrés de Écarts CM = Carré Moyen
Règle décimales :
4 pour les chiffres servant ensuite à des calculs
2 sinon

Conclure à partir du tableau précédent.

On ne peut pas affirmer qu’une partie de la variance des Is est expliquée/trouve son origine dans
les variations d‘engagement et de soutien social càd aussi que l’une de ces VPs aurait un effet (un
) non nul sur les Is (F(2,77) = 2,19 ; p > 0,1). On estime que 5,4% (= R2 = 38,3/711,95) de la
variance des Is est expliquée par les deux dimensions.
PARTIE « Analyse de variance 2 »
On a aussi à disposition les scores des quatre-vingts patients dépressifs sur une échelle globale de dépression (D,
plus les scores sont élevés et plus le patient est dépressif):

Moyenne Ecart type Minimum Maximum

D 0 2.006 -5.025 4.975
Les observations sont dans le fichier IntS vs E D et S
Question 7
a) Réaliser la même régression que précédemment mais en intégrant D en plus des VPs déjà utilisées.
b) Conclure sur le test du R2.

On peut conclure qu’une partie de la variance des Is est expliquée/trouve son origine dans les
variations d‘engagement, de soutien social et de niveau de D, càd aussi qu’au moins l’une de ces
VPs a un effet (un ) non nul sur les Is (F(3,76) = 37,68 ; p < 0,001). On estime que 59,8% (R2)
de la variance des Is est expliquée par les VPs.
Partie I – RLM Corrections des exercices 5

c) Sans aucun autre calcul jamovi, donner le tableau d’ANOVA.

On donnera en les justifiant lorsque c’est possible les formules utilisées.
La variance (Totale) des Is est la même quelles que soient les VPs, donc SCE totale s’obtient
comme dans la Q6.
R2 = 0.598  59,8% de variance/SCE expliquée par les VPs, soit :
SCEReg = 0,598*SCETot = 425,7449
La décomposition de la variance/SCE totale conduit à:
SCE(Res) = SCE(Total) - SCE(Reg) = 711,948 - 425,7449 = 286,2031
ddl(Reg) = nb de VPs dans la régression ddl(Res) = N - nb de VPs – 1
CM = SCE/ddl F = CM(Rég)/ CM(Res)
ANOVA
Somme des ddl Carré
F p
Carrés de Écarts Moyen
Regression 425.7449 3 141.9150 37.69 < .00001
Residu 286.2031 76 3.7658
Total 711.948 79
Note : Les arrondis utilisés peuvent conduire à de petites divergences entre calculs manuels & jamovi. La
règle des 4 décimales évite en général que celles-ci soient trop marquées.
d) Qu’aurait-on pu faire sous jamovi pour obtenir ce tableau différemment ?
Étant donné que la décomposition de la variance est donnée par :
s2(observations) = s2(valeurs prédites) + s2(erreurs/résidus),
on peut déterminer prédiction et erreurs puis leurs variance et ensuite réaliser les mêmes
calculs que ci-dessus.
Faites-le et donner le tableau.

ANOVA
SCE ddl CM F p
Regression 425.7389 3 141.9130 37.68 < .00001
Residu 286.2091 76 3.7659
Total 711.948
Question 8
Calculer puis interpréter le carré du coefficient de corrélation semi-partiel de D (on donnera le détail des calculs).
2 = R 2E,S,D - R 2E,S
D
= 0,598 - 0,054 = 0,544
Ce qui signifie qu’intégrer D en plus de E et S dans une régression permet d’expliquer une
quantité de variance supplémentaire : on estime qu’introduire D en plus de E et S dans le modèle
permet d’expliquer une quantité de variance supplémentaire représentant 54,4% de la variance ou
encore qu’indépendamment de E et S, D explique 54,4% de variance.
PARTIE « Confusion d’effets »
Question 9
a) Conclure pour la ligne E donnée dans la régression précédente.
On peut conclure à notre H1 initiale exprimée en Q2 (E <0) : t(76)= -2,61; p < 0,05. Á niveaux
constants de dépression et de soutien social, une augmentation d’un point d’engagement
thérapeutique conduit à une diminution moyenne des Is estimée à 0,428 points d’échelle.
 Partie I – RLM Corrections des exercices 6

b) Pour cette variable, on note une divergence importante par rapport aux résultats obtenus dans la question 3.
Dans la Q3, l’effet de E est estimé positif, càd que l’E aurait un effet délétère sur les Is. Dans
cette question, il est négatif, càd que l’E aurait un effet bénéfique sur les Is.
Á quelle explication liée aux propriétés de la régression multiple pourrait-on penser ?
Q3 : pas de contrôle du niveau de dépression D → possible confusion d’effets entre E & D.
Car un changement d’un point de E pourrait s’accompagner d’un changement dans D qui
lui-même pourrait avoir un effet sur les Is.
Q7 : en raisonnant à niveau constant de D, cette confusion n’est pas possible
En considérant uniquement E et D, quelle explication expérimentale pourrait-elle être avancée ?
Les sujets sont probablement d’autant plus engagés qu’ils sont dépressifs. Ainsi, sans contrôle
de D, l’évaluation de l’effet de E traduit en fait aussi celui de D : ils ont d’autant plus d’Is qu’ils
sont engagés, ceci car ils sont aussi plus dépressifs. L’effet de D s’exprime dans l’évaluation
de celui de E. Il y a confusion des effets de D et E.
 L’ évaluation de l’effet de E sur Is traduit – au moins en partie – celui de D.
(cf. ci-dessous flèches en résumées par )

Dans la seconde régression, l’effet de E est mesuré en contrôlant pour l’effet de D (& S mais
c’est plus accessoire) : pour un niveau constant de D, les Is diminuent en fonction de
l’engagement thérapeutique, càd que celui-ci a un effet bénéfique sur les Is. Le fait de raisonner
à niveau constant de D entraîne que l’effet de D ne peut pas s’exprimer dans l’évaluation de
celui de E, la confusion n’est pas possible (cf. flèche en ).
Pour finir, l’évaluation de l’effet de E dans la 1ère régression (flèche ) est ainsi dû à
la combinaison de 2 aspects, un délétère venant de la relation avec D & l’autre bénéfique
indépendant de D. Comme le 1er est probablement beaucoup plus massif que le second, le
résultat est que c’est lui qui apparaît dans cette régression.
Exercice 2 – inspiré d’un sujet de CC 2019/20
PARTIE « interprétation des coefficients »
Explication préalable : on s’intéresse ici au TR de mots & en quoi il est fonction de certaines
caractéristiques de ceux-ci.
 Population = les mots (quelques centaines de milliers)
Les 150 mots utilisés = un échantillon de ceux-ci
Á la différence de l’exercice précédent ou de l’exemple des enseignants chercheurs, l’unité
d’observation n’est donc pas « le sujet » mais « le mot », mais ceci ne change rien aux propriétés
de la méthode.
1) Écrire l’équation de régression théorique, populationnelle.
T =  + L*L +F*F +C*C
2) Donner l’interprétation des coefficients.
Techniquement  = T moyen quand L=F=C=0
Partie I – RLM Corrections des exercices 7

Expérimentalement les mots de 0 lettres n’existant pas,  n’a pas d’interprétation

L (respectivement F, C) = Changement dans T moyen lorsque les mots augmentent d’une
lettre (resp. F ou C augmentent de 1), à niveaux ctts de F & C
(resp. L & C ; L & F).
3) Formuler des hypothèses sur les coefficients (à argumenter intuitivement).
 : pas d’hypothèse car aucune signification expérimentale
H1 : L >0
car plus le mot est long, plus il prendra du temps à décrypter/lire, donc il devrait être plus
lent de décider pour les mots longs que courts (+ L  +TR).
H1 : F <0
car on peut penser que plus un mot est fréquemment rencontré, plus rapide/automatisé est
l’accès aux informations qu’il sous-tend, donc il devrait être plus rapide de décider pour les
mots fréquents (+ F  -TR).
H1 : C <0
car plus le mot est concret, plus l’accès aux informations sémantiques & sensorielles devrait
être aisé, ce qui aidera à sa reconnaissance en tant que mot (+ C  -TR).
PARTIE « tests des coefficients »
Les données sont dans le fichier DL
4) Réaliser les tests formulés ci-dessus et interpréter leurs résultats en particulier au regard de la question 3.

et interpréter leurs résultats en particulier au regard de la question 3 de la partie précédente.

On avait les H suivantes H1 : L > 0 ; H1 : F < 0 ; H1 : C < 0
On peut donc conclure que F < 0 et C < 0, càd qu’à niveaux constants de L & C ou de L & F,
en moyenne le TR diminue quand F ou C augmente (t(146) = -11.91 ; p < .001 et t(146) = -4.78 ;
p < .001). Estimation qu’à un point en plus de F (de C) est associée une diminution du TR moyen
de 55.44m (18.48ms).
Conclusion aussi, mais seulement tendanciellement, que L > 0 (t(146) = 1.69 ; p < .1).
Estimation que lorsque l’on passe des mots de L lettres à ceux de L+1 lettres, le TR moyen
augmente de 5,97 ms.
Explications/détails
• ddl des t= N - nb de VPs – 1
•L:
Lorsque l’hypothèse H1 est unilatérale, la pratique en psychologie
expérimentale est de signaler/parler d’un résultat tendanciellement ou
marginalement significatif lorsque la p-value logicielle (bilatérale) est
dans ]0,05 ; 0,1] ET QUE les observations sont en accord avec cette H1.
On note alors p < 0,1.
Rappel : Sur l’origine du tendanciel
Théorie stat :
Si accord observations/H1-unilatérale alors p(unilatérale) = p(bilatérale)/2
 Si p(bi) dans ]0,05 ; 0,1] alors p(uni) dans ]0,025 ; 0,05]
Partie I – RLM Corrections des exercices 8

NRH0 bilatérale RH0 unilatérale

Pratique des stats en Psycho :
Utilisation de la seule p(logicielle) càd bilatérale
+ méconnaissance de la théorie
 Pendant longtemps idée que NRH0 unilatérale
Puis découverte – par certains – qu’il devrait y avoir RH0
Mais les mauvaises habitudes perdurent
 Invention du « tendanciel » pour contenter tout le monde …
5) a) Donner la décomposition de la variance.

b) Expliquez quelle information est apportée par celle-ci.

Cela permet d’évaluer dans quelle mesure L , F & C permettent de prédire les différences de
TRs.
2459,9482/4605,0269  53,4% des différences de TRs peuvent être expliquées/modélisées à
l’aide de ces variables. Ces aspects paraissent donc bien explicatifs des différences de TRs.
6) a) Donner le tableau d’ANOVA sans autres calculs sous jamovi (on donne p < 0.0001). On donnera en les justifiant
lorsque c’est possible les formules utilisées.
ANOVA
s2 SCE ddl CM F p
2459,9482 Regression 366532,2818 3 122177,4273 55,81 < 0.0001
2145,0787 Residu 319616,7263 146 2189,1557
4605,0269 Total 686149.0081

Explications :
SCE = (N-1)* s2
ddlRégression = Nombre de VP dans la régression
ddlRésidu= N - Nombre de VP -1
CMX = SCEX /ddlX
F = CMRégression / CMRésidu

6) b) Vérifier vos calculs à partir des éléments d’ANOVA que peut donner jamovi vus en cours.

6) c) Conclure sur le test réalisé.

Conclusion qu’une partie de la variance des TRs est expliquée par les VPs utilisées càd aussi
qu’au moins une d’entre elles a un effet (un ) non nul sur les TRs (F(3,146) = 55,81 ; p < 0,001).
Estimation que 53,4% des différences de TRs sont expliquées par ces VPs.
Partie I – RLM Corrections des exercices 9

PARTIE « Analyse de variance 2 »

On considère la même régression que dans la partie précédente (T comme VD et L, F, C) comme VPs..
7) a) Est-il possible à partir de la régression réalisée de dire quelle VP a le plus d’effet ? (expliquez votre réponse).
Non.
En effet, les VPs n’ont pas les mêmes échelles, donc par exemple une lettre en plus n’a pas la
même signification qu’un point de fréquence en plus. Donc les changements dans la VD dus à un
changement d’un point dans les VPs, càd les , sont incomparables.
b) Que faudrait-il faire pour en avoir une idée ?
Calculer les carrés des coefficients de corrélation semi partiels (2) associés aux VPs car ceux-
ci en tant que % de variance expliquée uniquement par les VPs, sont plus comparables que les 
(on se ramène à une échelle commune, le % de variance expliquée).
c) Faites-le à partir du fichier DL.
R 2L,F, C = .5342

R 2F, C = 0.5251 R 2L,C = 0.0818 R 2L,F = 0.4613

 2L = R 2L,F, C - R 2F, C  2F = R 2L,F, C - R 2L, C 2

 C = R 2L,F, C - R 2L, F
= 0,001 = 0,4524 = 0,0729
Avec une estimation de 45,2% de variance expliquée uniquement par F, cette VP semble de loin
la plus explicative des différences de TRs.
8) Dans l’analyse de cette partie, on a deux groupes de variables prédictives : a) C dépend de réponses de « juges
humains » càd est une mesure comportementale et b) F et L ne relèvent pas de cette dimension et seront donc
qualifiées d’« objectives » (notons que c’est vrai pour L, mais pas pour F qui dépend des instruments de mesure
utilisés).
On aimerait avoir pour chacun des groupes une idée de ses capacités explicatives des variations de TRs.
Comment pourrait-on faire ?
On peut penser à utiliser la logique 2 pour chacun des groupes de variables, càd quantifier le %
de variance supplémentaire expliquée par chacun des groupes lorsque l’autre est déjà inclus dans
le modèle.
Càd calculer :
2
2 = R 2L,F, C - R C C
2 et = R 2L,F, C - R 2L, F
F,L
Càd les % uniques de variance expliquée par chacun des groupes, % qu’on est bien sûr de
pouvoir attribuer à ceux-ci.
Faites-le à partir du fichier DL.
2 2
Voir ci-dessus pour C ; RC  0  2 = R 2L,F, C - R C2  R 2L,F, C = .5342
F,L
Note :
Il apparaît ici que C explique moins de variance quand les autres VPs ne sont pas contrôlées que quand
2 ). Bien qu’étonnant, ce type de propriété n’est pas absurde mais relève de cas assez
elles le sont ( R C2 < C
particuliers (« suppression » dans le jargon RLM) bien au-delà des objectifs de ce cours.
PARTIE « Confusion d’effets »
9) I = l’imageabilité associée à un mot mesure la facilité avec laquelle ce mot évoque une image mentale
sur la base d’une échelle allant de 0 = évoque très difficilement une image mentale à 6 = évoque très
facilement une image mentale. I ne figure pas dans le fichier de données.
3) a) Faire la régression incluant I en plus des VPs précédentes puis interpréter la ligne concernant la VP
C.
Partie I – RLM Corrections des exercices 10

L’estimation de C étant en désaccord avec H1 : C <0 (cf. Q3), on ne peut pas affirmer
que C ait un effet négatif/facilitateur sur les TRs ((t(145) = 3.08 ; p > .1). Estimation qu’à
niveaux constants de L, F et I, chaque unité en plus de C conduit à une augmentation du T
moyen de 23,29 ms.
b) On note une divergence importante par rapport aux résultats obtenus dans la question 4. Á quelle explication
liée aux propriétés de la régression multiple pourrait-on penser ? (les explications expérimentales étant
complexes, elles ne sont pas attendues).
Dans la régression de la question 4, il y avait probablement une confusion d’effet
importante entre C et I. En effet, I n’était pas contrôlée, càd était laissée libre de varier. C et
I étant très probablement en relation (en général, plus un mot renvoie à du concret, plus une
image mentale est facile à évoquer), une augmentation de C se traduisait aussi probablement
par un changement de I, et – même si l’explication expérimentale est difficile –ce
changement était probablement traduit dans l’effet de C : l’effet de I s’exprimait à travers
celui de C.
Dans la seconde par contre, on raisonne à niveau constant d’imageabilité (et de F & L mais
c’est plus accessoire). C’est cet aspect qui explique le changement assez radical observé.
Cette propriété de la régression est tout à fait essentielle dès que l’on souhaite éviter les
confusions d’effets.

Exercice 3 (adapté d’un sujet de CC 2020/21)

On possède pour 405 personnes un score D de dépression (plus il est élevé, plus des symptômes dépressifs sont présents).
On se demande dans quelle mesure le score D est expliqué par les variables suivantes :
● Une mesure de soutien social (O) ● l’Estime de soi (E)
● Un score d’anxiété (A) ● Le niveau de stress (S)
Après une transformation choisie pour donner plus de sens aux résultats, ces variables ont les caractéristiques
suivantes (plus le score est élevé, plus le trait l’est) :

Partie I
1) a) Formuler des tests d’hypothèses argumentés concernant les coefficients de la régression simple où D est la VD et
A la VP.
H1 :  > 0 car  s’interprétant comme le niveau de D moyen pour les sujets à anxiété moyenne
(ce que signifie A=0) et l’échelle de D variant de 0 à 52, on peut penser que pour le sujet
moyennement anxieux, ce niveau est positif.
Note : les moyennes des VPs sont toutes à 0. Donc un sujet à 0 correspond au sujet « moyen ».
H1 :  > 0 car plus l’anxiété est importante et plus il y a des difficultés d'insertion sociale ou
professionnelle et de tendance à l’isolement, ce qui peut amener à se sentir peu efficace, mal
adapté avec des schémas de pensées négatifs par rapport à soi et si ce cercle vicieux perdure en
définitive à plus de dépression. Donc , le changement dans le niveau de D moyen quand on
passe des sujets avec A d’anxiété à ceux avec A+1, doit être positif.
Partie I – RLM Corrections des exercices 11

b) Interpréter les résultats jamovi ci-dessous.

On peut conclure que pour les sujets moyennement anxieux, le score moyen de D est positif
(t(403)=30,96 ; p<0,001). Ce score est estimé à 7,53 points d’échelle.
On peut conclure que l’effet de l’anxiété sur D est positif, ((t(403)=17,84 ; p<0,001)
L’augmentation du niveau moyen de D lorsque l’anxiété augmente de un point est estimé à 4,34
points d’échelle.
2) Dans une deuxième régression on utilise D comme VD et O, E, A et S comme VPs.
a) Écrire l’équation de régression populationnelle.
D =  + O * O + E * E + A * A + S * S
b) Donner l’interprétation de ses paramètres.
 = D moyen pour les sujets moyens sur toutes les VPs (O=E=A=S=0) càd pour le sujet moyen
sur toutes les VPs.
VP = Changement dans le D moyen quand on passe des sujets au niveau VP à ceux au niveau
VP+1, à niveaux constants des autres VPs.
c) Á partir de votre intuition, énoncer des tests d’hypothèses argumentés sur ces paramètres.
H1 :  > 0, même raison que dans Q1 (on peut penser que le sujet moyen sur les VPs doit l’être
à peu près aussi sur la VP et comme de D varie de 0 à 52, cette moyenne devrait être
positive).
Á niveaux constants des autres VPs, i) plus on a de soutien social, moins la D devrait être
importante car être entouré amène à « être distrait » des ruminations & pensées négatives,
notamment survenant suite à des événements négatifs pour le sujet (autre exemple d’argument :
+ O → + de solutions proposées pour combattre la D) & ii) plus on a d’ES, moins la D devrait
être importante car avoir des sentiments positifs envers notre propre personne rend moins
vulnérable, plus efficace pour affronter les événements de vie négatifs.
Donc : H1 : E < 0 & H1 : O < 0
Même raisonnement que Q1 pour A : H1 : A > 0
Un niveau de stress important conduisant à de l’anxiété, on devrait avoir – si celui-là perdure –
des conséquences similaires à celles de celle-ci & donc H1 : S > 0
Notes générales hors sujet :
● Les arguments pour expliquer le sens des effets doivent dans la mesure du possible (càd si les
choses ne sont pas trop compliquées) ne pas être réduites à des constatations « statistiques »,
telle que « plus de stress est associé à plus de dépression ». Il s’agit - au moins partiellement-
de tenter d’apporter des explications sur les processus en œuvre. C’est ce que nous avons fait
pour soutien social, estime de soi & anxiété. C’est moins développé pour le stress car c’est
plus compliqué : le stress est une réaction normale de défense, donc souvent non lié à la
dépression. Par contre, si les situations stressantes se prolongent, les mécanismes chimiques
en œuvre, notamment lié à un excès de sécrétion de cortisol, agissent sur l’organisme qui
tourne par certains aspects « en surrégime », ce qui amène de l’anxiété et de l’épuisement &
peut conduire à de la dépression, notamment chez des sujets « à risques ».
● Se contenter de dire « E < 0 car plus d’estime de soi est lié à moins de dépression » est une
redite et a peu d’intérêt. De plus ça peut provenir d’un coup d’œil aux résultats de la
régression et n’est donc pas convaincant.
● En régression, la perspective est asymétrique : on étudie par exemple l’effet de E sur D et pas
l’inverse, càd qu’est-ce que plus d’E peut produire sur D & pas qu’est-ce que plus de D peut
produire sur E.
Partie I – RLM Corrections des exercices 12

● Au contraire la corrélation est plus symétrique et peu importe de se demander si + de E va

avec plus de D ou si c’est l’inverse
● Bien évidemment les différences sont parfois ténues, notamment lorsqu’on n’a pas d’idée bien
causale sur les liens existant entre les deux variables.
d) Conclure à partir des résultats donnés ci-dessous.

On peut conclure que pour les sujets « moyens », càd dans la moyenne de l’estime de soi, du
stress, du soutien social et d’anxiété, le score moyen sur D est positif (t(400)=34,8 ; p<0,001).
Moyenne estimée à 7,53 points d’échelle.
On peut conclure qu’à niveaux constants des autres VPs, les effets du stress et de l’anxiété sont
positifs/délétères (t(400)=5,79 ; p<0,001 & t(400)=5,82 ; les deux p<0,001) alors que ceux de
l’ES et du soutien social sont négatifs/bénéfiques (t(400)=-7,03 ; p<0,001 & t(400)=-2,6 ;
p<0,01).
Estimation qu’à niveaux constants des autres VPs, si le niveau de stress (l’anxiété, l’estime de
soi ou le soutien social) augmente de 1 points alors le niveau de dépression moyen augmente
(diminue pour ES & soutien) de 1,39 (1,9, -2,26 ou -0,61) points d’échelle.
3) L’effet de A apparaît nettement plus faible dans la question 2 que dans la question 1.
Qu’est-ce qui pourrait techniquement expliquer ce phénomène ? (on développera pour expliquer un peu
théoriquement celui-ci)
Dans la question 1, il y a probablement une confusion d’effets : l’effet de A étant évalué sans
contrôle des autres VPs, càd en les laissant libres de varier, une augmentation d’un point de A se
traduit probablement par des changements aussi sur une ou plusieurs des autres VPs, et ce sont
peut-être en partie ces changements qui induisent le changement observé à travers l’évaluation de
l’effet de A. On capterait donc à travers l’effet de l’anxiété en partie l’effet d’autres VPs.
Ce n’est pas possible dans la question 2 car l’effet de A est évalué à niveaux constants des autres
VPs.
Quelle explication expérimentale pourrait-on y apporter ?
En général, le stress, surtout s’il se prolonge, va se manifester en partie à travers de l’anxiété : +
Stress → + A et donc, dans l’autre sens l’A s’accompagne – en général – de plus de stress. Le
Stress est donc lui-même pour partie lié à plus de dépression, du fait de sa relation avec l’anxiété.
Par ailleurs, indépendamment du Stress, l’A étant un symptôme dépressif, il existe un
changement positif dans D quand A augmente.
Ainsi, le changement de D quand A augmente est la résultante de deux phénomènes : en partie
lié au niveau de stress et en partie indépendant de celui-ci. L’addition de ces deux phénomènes
conduit bien évidemment à une estimation beaucoup plus élevé du  de l’anxiété (= mesure du
changement du niveau de D quand A augmente de 1) quand le S n’est pas contrôlé que (Q1) que
lorsqu’il l’est.

A & S non Augmentation de D

+S
indépendantes en fonction de S

+A +D
Partie I – RLM Corrections des exercices 13

Remarque :
• Soulignons que l’expression changement dû à A est ici préférée à celle d’effet de A. En effet,
même si l’Anxiété peut être pour partie causale de D (cf. Q3c) elle est généralement plutôt un
symptôme de la D, ce qui signifie que la relation entre A et D est en grande partie le résultat de
la D & pas celui de l’A. Même chose pour le stress, qui en général n’est pas causé par l’A, mais
peut l’accompagner étant donné qu’il peut être à l’origine d’anxiété.
• Ceci est dans une certaine mesure comparable à des questions du type de celle de « l’œuf et de
la poule », dont la réponse est bien difficile à trancher dans la plupart des situations …, d’où les
doubles flèches ci-dessus et de l’évitement du terme d’effet.
Partie II
4) Sachant que dans la régression précédente, le R2 était égal à 0,561, donner le tableau d’analyse de variance puis
conclure à partir du test reporté dans celui-ci (on donne p < .001).
sD = 6.5361  sD2 = 6.53612 = 42.7206
 SCET = 404 *42.7206 = 17259.1224
56,1% de la variance est expliqué par les VPs
 SCEReg = 0.561 *17259.1224 = 9682.3677
Décomposition de la variance en une partie expliquée et une partie résiduelle
 SCERes = SCET - SCEReg = 7576.7547
ANOVA
SCE ddl CM F p
Reg 9682.3677 4 2420.5919 127.79 0,001
Res 7576.7547 400 18.9419
Total 17259.1224
Notes explicatives : ddl(Reg) = nb de VPs ddl(Res) = N - nb de VPs – 1
CM = SCE/ddl F = CMRég / CMRés
On peut affirmer que les VPs expliquent une partie non nulle de la variance de T ou encore qu’au
moins une de ces variables a un effet non nul sur T (F(4,400)=127,79, p<0,001). Environ 56,1%
de la variance de T est expliquée par les VPs.
5) On a malencontreusement égaré le score de dépression de Mr X, qui avait par ailleurs les scores suivants pour les
VPs :
O E A S
0 0 0 1
a) Comment pourrait-on faire pour en avoir une idée ?
Calculer la prédiction de D pour ce sujet :
̂ = 7.5259 - 0.6115*0 - 2.2592 * 0 + 1.8995 * 0 + 1.3903 * 1 = 8.9162
D
Remarque (pas nécessaire pour la réponse à cette question) :
D’après les stats descriptives, il s’agit donc d’un sujet moyen en termes de soutien social, d’estime de soi
et d’anxiété qui est un plus stressé que la moyenne (un point en plus au-dessus de la moyenne pour être
exact).
L’effet de S étant délétère sur le niveau de D, il n’est pas étonnant que ce sujet soit prédit un peu pus
dépressif que le sujet moyen sur toutes les VPs.
b) Qu’est-ce que la démarche réalisée a à voir avec la question 5 ?
On peut calculer comme ci-dessus les prédictions pour les 405 sujets de l’échantillon.
SCEReg est égale à la variance de ces prédictions mulipliée par N-1.
Pour ces sujets, on peut aussi calculer les erreurs qui seraient faites si on prenait ces prédictions
à la place des vraies valeurs de D, erreurs données par Dobservées – Prédictions.
SCERes est égale à la variance de ces erreurs mulipliée par N-1.
Partie I – RLM Corrections des exercices 14

Précision en plus (pas nécessaire pour la réponse à cette question):

L’utilisation du critère des moindres carrés comme méthode d’estimation des paramètres permet
d’assurer qu’on a la relation :
𝑠𝑇2 = s2(Régression) + s2(Erreurs)
(𝑠𝑇2 désigne la variance des (405) D réellement observées)

Partie III
6) On souhaite avoir une idée de qui des mesures d’états psychologiques (A & S) d’un côté et des autres dimensions (O
et E) de l’autre est le plus explicatif des niveaux de dépression rencontrés.
Que faut-il calculer pour pouvoir faire cette comparaison ? (on expliquera l’intérêt de la solution proposée).
Sur la base des résultats ci-dessus, il n’y a aucune mesure des capacités explicatives de ces deux
groupes de variables. Mais on peut compléter ces résultats par le calcul des carrés des coefficients
de corrélation semi partiels (2) de {A, S} et de {O, E} :
2 =R
2
-R
2 et 2 =R
2
-R
2
{A, S} O, E, A, S O, E {O, E} O, E, A, S A, S

Le 2 associé à un groupe de variables étant défini par la différence entre le R2 de la régression

contenant toutes les VPs et celui de la régression ne contenant pas ce groupe, il permet de juger du
% supplémentaire de variance que ce groupe permet d’expliquer quand on l’ajoute aux autres VPs
dans l’équation. Etant bien sûr que ce % ne peut être attribué qu’à ce groupe, on peut le comparer
aux mêmes % expliqués par les autres groupes.