Calculatrice gratuite Editverse
Calculateur de régression linéaire multiple
Ajustez une variable continue à plusieurs prédicteurs simultanément, interprétez chaque coefficient comme un effet ajusté et copiez la commande R exacte associée au résultat. Un guide d'interprétation complet est fourni ci-dessous. Validé avec R 4.3.3.
En mots simples
La régression linéaire multiple permet d'estimer l'évolution d'une variable continue en fonction de la variation simultanée de plusieurs prédicteurs. Chaque coefficient représente la variation moyenne de la variable pour une augmentation d'une unité du prédicteur correspondant, les autres étant maintenus constants ; il s'agit de l'effet « ajusté » qu'une simple comparaison à deux variables ne permet pas d'obtenir.
Le modèle indique également le coefficient de détermination R² , la part de la variance du résultat expliquée conjointement par les prédicteurs, ainsi qu'une valeur p pour chaque coefficient. Ensemble, ces informations permettent de déterminer non seulement si un prédicteur est pertinent, mais aussi dans quelle mesure il influence le résultat une fois les autres variables prises en compte.
Quand utiliser la régression linéaire multiple
Utilisez la régression linéaire multiple lorsque votre variable dépendante est continue et que vous souhaitez évaluer la contribution indépendante de chaque prédicteur après ajustement pour les autres — par exemple, pour modéliser la pression artérielle à partir de l'âge, de l'IMC et de l'apport en sodium simultanément. Elle permet de distinguer l'effet propre d'un prédicteur de l'effet confondant des variables concomitantes, ce qu'une analyse univariée ne permet pas.
Si votre variable dépendante est binaire, utilisez plutôt une régression logistique ; pour un seul prédicteur, une simple corrélation peut suffire. Indiquez chaque coefficient avec son intervalle de confiance à 95 % , et non seulement sa p-valeur. Vous ne savez pas quel modèle convient à votre étude ? Notre outil interactif de sélection de tests peut vous guider.
Résultat attendu : une ligne par enregistrement, y, x1, x2, …
Déposez un fichier CSV ici ou cliquez pour en choisir un. Analyse effectuée dans votre navigateur : aucun fichier n’est téléchargé.
Résultat attendu : une ligne par enregistrement, y, x1, x2, …
df <- read.csv(text = "y,x1,x2 {mlr_csv}") summary(lm(y ~ ., data = df))Mode d'emploi
Quand l'utiliser ? Modélisez une variable continue à partir de plusieurs prédicteurs simultanément ; interprétez chaque coefficient comme l'effet ajusté.
Hypothèses : linéarité, erreurs indépendantes, variance constante, résidus normaux, absence de multicolinéarité importante.
Erreurs fréquentes. Évitez d'inclure plus de prédicteurs que l'échantillon ne peut en supporter ; vérifiez les facteurs d'inflation de la variance.
Exemple concret
Cliquez sur « Charger les données d'exemple » ci-dessus, puis sur « Lancer l'analyse » pour afficher un résultat complet avec figure, formule et interprétation pour ce test.
Références
- Draper NR, Smith H. Analyse de régression appliquée. 3e éd. 1998.
Exemples travaillés
Exemple 1 — Deux prédicteurs d'un résultat
Supposons qu'un modèle prédise un score de qualité de vie à partir d'une dose de traitement et d'une évaluation initiale de la gravité, modélisé par l'équation ŷ = 8.4 + 1.9·dose − 0.6·gravité. Le coefficient de dose de 1.9 signifie qu'à gravité initiale constante, chaque unité de dose supplémentaire est associée à une augmentation moyenne du score de 1.9 point. Le coefficient de gravité négatif indique qu'une gravité initiale plus élevée prédit un score plus faible une fois la dose prise en compte.
Exemple 2 — Interprétation du coefficient de détermination R² et signification
Si le même modèle affiche un R² de 0.62, les deux prédicteurs expliquent ensemble 62 % de la variation du score ; les 38 % restants demeurent inexpliqués. La signification statistique d’un coefficient est déterminée par sa p-valeur et son intervalle de confiance ; un intervalle excluant zéro indique que l’effet ajusté est significatif au niveau choisi.
Hypothèses à vérifier
Linéarité et additivité. La variable dépendante est modélisée comme une fonction linéaire additive des prédicteurs. Les relations non linéaires nécessitent une transformation ou l'ajout de termes polynomiaux, et les interactions réelles doivent être explicitement saisies.
Les erreurs doivent être indépendantes, de variance égale et suivre une loi normale. Les résidus doivent être indépendants, présenter une dispersion à peu près constante autour des valeurs ajustées (homoscédasticité) et être approximativement normaux. Représentez graphiquement les résidus en fonction des valeurs ajustées et utilisez un graphique quantile-quantile normal pour le vérifier.
Absence de multicolinéarité importante, taille d'échantillon adéquate. Les prédicteurs fortement corrélés augmentent les erreurs standard ; il convient de les filtrer à l'aide de facteurs d'inflation de la variance. Un nombre suffisant d'observations par prédicteur est également nécessaire ; un nombre trop élevé de variables par rapport à la taille de l'échantillon engendre des coefficients instables et surajustés.
Erreurs courantes
Surapprentissage avec trop de prédicteurs
L'ajout de prédicteurs non pris en charge par l'échantillon augmente artificiellement le R² et déstabilise les coefficients. Le nombre de variables à inclure doit être déterminé en fonction de la taille de l'échantillon, et non par une règle empirique fixe.
Ignorer la multicolinéarité
Lorsque les prédicteurs sont fortement corrélés, les coefficients individuels deviennent peu fiables et peuvent même changer de signe. Il est donc important de vérifier les facteurs d'inflation de la variance avant d'interpréter un effet particulier.
Interpréter les coefficients sans fixer les autres
Chaque coefficient représente un effet ajusté, conditionné par les autres prédicteurs. Le décrire comme une relation brute, non ajustée, revient à mal interpréter l'estimation du modèle.
Ignorer les diagnostics résiduels
Un coefficient de détermination (R²) élevé ne garantit pas la validité du modèle. Une non-linéarité ou une variance non constante peuvent masquer un bon ajustement ; il est donc impératif d’examiner attentivement les graphiques des résidus avant de présenter les résultats.
Questions fréquemment posées
En quoi la régression multiple diffère-t-elle de la régression simple ?
La régression simple utilise un seul prédicteur ; la régression multiple en utilise plusieurs à la fois et rend compte de chaque effet ajusté en fonction des autres, séparant ainsi les influences qui se chevauchent.
Que signifie un coefficient ajusté ?
Il s'agit de la variation moyenne du résultat pour une variation d'une unité de ce prédicteur, tous les autres prédicteurs du modèle étant maintenus constants.
De combien d'observations ai-je besoin ?
Cela dépend de l'objectif : estimer précisément un coefficient et prédire des résultats individuels impliquent des exigences différentes. Basez le calcul sur l'erreur standard tolérable, et non sur une règle générale du nombre de sujets par variable.
Le résultat correspond-il à celui obtenu avec SPSS, R et Stata ?
Oui. La calculatrice utilise la méthode des moindres carrés ordinaires et affiche la valeur exacte. lm() commande vous permettant de reproduire les coefficients, R² et les valeurs p dans R.
Calculatrices associées
Références
- Hanley JA. Régression linéaire simple et multiple : considérations relatives à la taille de l’échantillon. J Clin Epidemiol. 2017;79:112–119. PMID 27393156.
- Slinker BK, Glantz SA. La régression linéaire multiple est une alternative utile aux analyses de variance traditionnelles. Am J Physiol. 1988;255(3 Pt 2):R353–367. PMID 3046375.
- Draper NR, Smith H. Analyse de régression appliquée. 3e éd. New York : Wiley ; 1998.
Besoin de cette analyse pour votre manuscrit ?
Nos biostatisticiens titulaires d'un doctorat élaborent votre modèle de régression, vérifient chaque hypothèse, fournissent les coefficients ajustés avec leurs intervalles de confiance et vous livrent des tableaux prêts à être publiés avec des résultats R reproductibles.