Modèles et analyses statistiques avancés

Cet enseignement prolonge et approfondit les compétences statistiques acquises au cours des semestres précédents — tests inférentiels classiques, modèles linéaires, introduction à R — pour aborder des problématiques analytiques avancées, fréquemment rencontrées dans la conduite d'une recherche empirique en psychologie. Il s'adresse à des étudiants engagés dans la phase finale de leur mémoire de recherche et vise à les outiller pour faire face aux défis concrets que pose l'analyse de données réelles. Une première partie est consacrée à la gestion des données problématiques : identification, traitement et gestion des valeurs aberrantes (outliers) et des données manquantes, avec une présentation des approches disponibles — exclusion raisonnée, imputation simple et multiple, modèles à maximum de vraisemblance — et de leurs implications pour la validité des résultats. Une deuxième partie aborde les modèles de modération et de médiation — et leur combinaison dans les modèles de médiation modérée — avec une mise en œuvre sous R, incluant l'estimation des effets indirects par bootstrap et la présentation des résultats selon les standards actuels de la littérature. Une troisième partie introduit les graphes acycliques dirigés (Directed Acyclic Graphs, DAG) comme outil d'identification d'un squelette causal dans un design de recherche. Les étudiants apprennent à formaliser leurs hypothèses causales sous forme de DAG, à identifier les variables de contrôle pertinentes et à éviter les biais classiques d'ajustement (collider bias, backdoor paths). Enfin, une quatrième partie propose une introduction aux statistiques bayésiennes : fondements conceptuels (prior, vraisemblance, posterior), comparaison avec l'approche fréquentiste, facteur de Bayes, et mise en œuvre pratique sous R à l'aide des packages dédiés. L'accent est mis sur l'apport de cette approche pour la quantification de l'incertitude et l'interprétation des résultats nuls.

À l'issue de cet enseignement, les étudiants seront capables de traiter de manière rigoureuse les problèmes statistiques courants rencontrés dans l'analyse de données empiriques en psychologie (outliers, données manquantes....), de mettre en œuvre des modèles de modération et de médiation, d'identifier une structure causale à l'aide de DAG, d'interpréter des analyses dans un cadre bayésien. Ils disposeront ainsi des outils analytiques avancés nécessaires à la finalisation et à la valorisation de leur mémoire de recherche.

Session 1 : Devoir sur table. Ecrit - QCM ou rédaction - durée 1 heure

Session 2 : Devoir sur table. Ecrit - QCM ou rédaction - durée 1 heure

Dérogatoire : pas de dérogatoire

Répartition de la note finale : non compensable

À l'issue de l'enseignement, l'étudiant sera capable :
- d'identifier, caractériser et traiter les valeurs aberrantes et les données manquantes dans un jeu de données empiriques, en justifiant les choix effectués.
- de mettre en œuvre des techniques d'imputation simple et multiple et d'évaluer les implications pour l'interprétation des résultats.
- de spécifier, estimer et interpréter un modèle de modération, un modèle de médiation et un modèle de médiation modérée, en utilisant l'estimation des effets indirects par bootstrap.
- de construire et interpréter un graphe acyclique dirigé (DAG) pour formaliser des hypothèses causales et identifier les variables de contrôle pertinentes dans un design de recherche.
- de distinguer les approches fréquentiste et bayésienne et mobiliser les outils de l'inférence bayésienne (facteur de Bayes, estimation du posterior).
- de présenter les résultats de ces analyses selon les standards actuels de la littérature en psychologie, en intégrant les exigences de transparence et de reproductibilité.

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research. Journal of Personality and Social Psychology, 51(6), 1173–1182.
Briganti, G., Scutari, M., & McNally, R. J. (2022). A tutorial on bayesian networks for psychopathology researchers. Psychological Methods. https://doi.org/10.1037/met0000479
Enders, C. K. (2023). Missing data : An update on the state of the art. Psychological Methods. https://doi.org/10.1037/met0000563
Hayes, A. F. (2022). Introduction to Mediation, Moderation, and Conditional Process Analysis (3e éd.). Guilford Press.
McElreath, R. (2020). Statistical Rethinking: A Bayesian Course with Examples in R and Stan (2e éd.). CRC Press.
Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books
Zhu, G., Tay, L. Q., & Zhang, M. (2026). Causal discovery methods in psychological research : Foundations, algorithms, and a practical tutorial in R. Behavior Research Methods, 58(2), 64. https://doi.org/10.3758/s13428-025-02841-w

Logiciels R et RStudio (libres et gratuits) ; packages R dédiés : mice, lavaan, mediation, bnlearn, BayesFactor, brms ; jeux de données pédagogiques issus de la recherche en psychologie ; supports de séances fournis par l'enseignant ; ressources en ligne associées aux ouvrages de référence.