6. Analyses de régression multiple

6.1. Evaluations neuropsychologiques

Comme nous l’avons présenté plus haut, chaque composante exécutive a été évaluée à partir d’un test spécifique. La composante de flexibilité est donc représentée par la variable PMT-CS, la composante de mise à jour, par la variable Nback-TR-2min0 et la composante d’inhibition par la variable Stroop-TR-Inter-min-Déno. Afin de vérifier que ces trois composantes sont bien indépendantes et que les différences entre jeunes et âgés ne peuvent pas s’expliquer uniquement par la variable « vitesse d’exécution », nous avons réalisé des analyses de régression multiple.

La méthode de régression ascendante est une méthode pas à pas, en ce sens qu'il s'agit d'inclure une à une les variables explicatives dans le modèle. La première étape consiste à sélectionner la variable explicative présentant la corrélation la plus élevée de toutes avec la variable expliquée. Une fois la variable sélectionnée, il est nécessaire d'étudier la significativité de son coefficient (probabilité associée à F < 0.05). S'il s'avère que celui-ci n'est pas significativement différent de 0, la variable explicative correspondante ne sera pas retenue pour faire partie du modèle. Il s'agit ensuite de réitérer ce processus, c'est-à-dire de choisir à chaque étape la variable explicative qui améliore significativement le modèle. La méthode de régression descendante relève quasiment du même ordre que la méthode ascendante à cette exception près qu'elle s'effectue dans le sens inverse. En effet, elle consiste à prendre en compte l'ensemble des variables contenues dans le modèle global et à éliminer une à une les variables non significatives (probabilité associée à F > 0.10). L’utilisation conjointe des deux méthodes permet d’éliminer les biais dus à l’introduction séquentielle des variables. Si les deux méthodes renvoient au même modèle, le modèle est considéré comme valide. Nous ne présenterons pas ici le détail des résultats des deux méthodes, mais seulement le modèle global obtenu si les deux méthodes aboutissaient au même modèle, ce qui a été le cas pour chacune des composantes à expliquer.

Nous avons ajusté les analyses de régression sur le niveau d’étude, car cette variable est apparue significativement liée aux variables à expliquer (Tableau 16). Contrairement à ce qui aurait pu être attendu, le sexe et le kilométrage annuel n’étaient pas significativement corrélés aux variables à expliquer, nous ne les avons donc pas fait entrer comme variable d’ajustement dans le modèle de régression. Enfin, comme cela a été préconisé par Bryan et Luszcz , nous avons utilisé la variable nominale « groupe d’âge » plutôt que l’âge individuel des sujets dans les analyses. En effet, les participants étant répartis a priori en deux groupes d’âge, cette variable n’est pas distribuée selon la loi normale. Le groupe d’âge a donc été codé comme une variable qualitative non ordonnée (jeune = 1 ; âgé = 2).

Tableau 16. Matrice de corrélations entre niveau d’étude et composantes exécutives (jeunes et âgés).
r Flexibilité Mise à Jour Inhibition Vitesse
Niveau d’étude -0.396** -0.334** -0.391** -0.134

** : p < 0.01