Identifying nonlinear relations among random variables: A network analytic approach

Imaginez l'esprit humain comme une ville bouillonnante où chaque pensée, sentiment et comportement est un bâtiment. Depuis plus d'un siècle, les scientifiques tentent de cartographier la façon dont ces bâtiments sont connectés en utilisant un outil très simple : une règle qui ne mesure que les lignes droites. Ils supposent que si un bâtiment (comme « se sentir triste ») devient plus haut, un autre bâtiment (comme « avoir des troubles du sommeil ») deviendra soit plus haut, soit plus bas, de manière parfaitement droite et prévisible. Cette pensée en « ligne droite » est devenue la norme pour comprendre la psychologie, de l'étude de la dépression à l'analyse des interactions sociales. Mais et si les véritables connexions n'étaient pas droites ? Et si la relation entre deux sentiments ressemblait davantage à des montagnes russes, à une forme en U ou à une danse complexe où les pas changent selon la musique ? Pendant longtemps, les scientifiques ont lutté pour trouver ces connexions sinueuses, courbes ou torsadées parce que leurs règles standards ne peuvent pas se plier. S'ils manquent ces courbes, ils pourraient mal comprendre le fonctionnement réel de la cité de l'esprit, ce qui mènerait à de mauvaises conclusions sur la raison pour laquelle les gens se sentent de telle ou telle façon.

Ce document traite d'une équipe de chercheurs qui a décidé de construire un nouveau type de cartographe capable de repérer ces connexions complexes et non linéaires sans avoir besoin de deviner au préalable quelle forme elles pourraient prendre. Ils appellent leur nouvel outil une méthode de « corrélation de distance », et ils l'ont testée en créant de faux réseaux psychologiques dans une simulation informatique. Voyez cela comme un détective qui, d'abord, élimine tous les indices évidents et rectilignes d'une scène de crime afin de se concentrer entièrement sur les motifs étranges et cachés qui subsistent. Les chercheurs ont découvert que leur nouvelle méthode est incroyablement efficace pour repérer ces relations courbes et cachées, faisant souvent bien mieux que les anciennes règles (comme les corrélations de Pearson ou de Spearman) ou d'autres outils complexes. Ils ont démontré que, tandis que les anciennes méthodes manquent souvent la courbe ou s'en trouvent confuses, leur nouvelle approche peut dire : « Hé, il y a certainement une connexion ici, et ce n'est pas une ligne droite ! » Cependant, ils ont également constaté que si cet outil est excellent pour trouver les courbes cachées, il ne vous dit pas exactement quelle est la forme de la courbe. C'est comme un détecteur de métaux qui bipe lorsqu'il trouve un trésor, mais ne vous dit pas s'il s'agit d'une pièce d'or ou d'une bague en argent. Les chercheurs suggèrent d'utiliser cette nouvelle méthode comme une première étape pour signaler les connexions intéressantes, puis d'utiliser d'autres outils plus spécifiques pour déterminer la forme exacte de la relation.

L'histoire de la connexion courbe

Dans le monde de la psychologie, les chercheurs utilisent souvent des « modèles de réseau » pour comprendre la santé mentale. Au lieu de considérer un trouble comme étant causé par une « maladie » cachée à l'intérieur d'une personne, ils le voient comme une toile de symptômes qui communiquent entre eux. Par exemple, dans la dépression, le manque de sommeil peut causer un manque d'énergie, qui cause de l'irritabilité, ce qui rend le sommeil plus difficile à nouveau. Pour dessiner cette toile, les scientifiques utilisent généralement une méthode appelée « Modèle Graphique Gaussien ». Cette méthode est excellente, mais elle possède un angle mort majeur : elle ne voit que les lignes droites. Elle suppose que si un symptôme augmente, un autre augmente ou diminue de manière droite et prévisible.

Mais la vie — et l'esprit humain — est rarement aussi simple. Parfois, la relation entre deux choses est une courbe. Peut-être qu'un peu de stress vous aide à bien performer, mais que trop de stress vous fait décrocher (une forme en U). Peut-être que les interactions sociales sont géniales jusqu'à un certain point, mais qu'après, elles commencent à vous épuiser (une courbe qui monte puis s'aplatit). Le problème est que les outils standards utilisés pour dessiner ces toiles ne peuvent pas voir ces courbes. Ils pourraient regarder une relation en U et dire : « Il n'y a aucune connexion ici », car la ligne monte puis descend, s'annulant elle-même.

Le nouvel outil de détective

Les auteurs de ce document voulaient corriger cet angle mort. Ils se sont demandé : « Comment pouvons-nous trouver ces connexions courbes et non linéaires sans avoir à deviner à l'avance quelle forme la courbe prendra ? » Pour ce faire, ils ont développé un processus ingénieux en deux étapes.

Premièrement, ils ont utilisé une technique appelée résidualisation. Imaginez que vous avez une pelote de laine emmêlée où certaines ficelles sont droites et d'autres sont bouclées. La première étape consiste à retirer toutes les ficelles droites et à les jeter. Dans leur calcul, ils ont utilisé un modèle spécial (appelé Modèle Additif Généralisé) pour éliminer toute relation linéaire entre les variables. Cela laisse derrière lui uniquement les parties « restantes » — les morceaux désordonnés et bouclés, non linéaires.

Deuxièmement, ils ont appliqué un nouveau bâton de mesure appelé corrélation de distance. Contrairement aux règles traditionnelles qui mesurent à quel point deux choses évoluent ensemble de manière rectiligne, la corrélation de distance mesure à quel point les distances entre les points de données sont similaires. Si deux variables sont liées de quelque manière que ce soit — que ce soit une ligne droite, une forme en U ou une spirale — les distances entre leurs points auront tendance à évoluer ensemble. C'est comme remarquer que, dès que deux amis s'éloignent l'un de l'autre dans une pièce, ils ont tous deux tendance à se diriger vers la porte, même s'ils ne marchent pas en ligne droite.

Ce que les simulations ont montré

Pour voir si leur nouvel outil fonctionnait, les chercheurs ont construit une simulation informatique. Ils ont créé de faux réseaux avec trois et quatre « nœuds » (ou variables) et les ont programmés pour présenter des relations spécifiques : certaines droites, certaines courbes (comme des carrés ou des logarithmes) et certaines interactions complexes. Ils ont ensuite testé leur nouvelle méthode par rapport aux standards anciens (corrélations de Pearson et de Spearman) et à un autre outil avancé appelé « information mutuelle conditionnelle ».

Les résultats étaient clairs : la corrélation de distance était la championne pour trouver les courbes.

• Elle a vu ce que les autres ont manqué : Lorsque les chercheurs ont caché une relation courbe dans les données, les anciens outils de ligne droite ont souvent échoué à la voir, rapportant une connexion nulle. La méthode de corrélation de distance, cependant, a réussi à signaler la connexion presque à chaque fois, surtout lorsqu'ils ont utilisé l'étape de « résidualisation » pour supprimer les lignes droites au préalable.
• Elle a géré le désordre : Les simulations incluaient des « facteurs de confusion » — des variables supplémentaires qui pourraient fausser les résultats. Même lorsqu'il y avait d'autres variables interférant, la méthode de corrélation de distance est restée très efficace pour repérer le véritable lien non linéaire.
• Le défi de l'« Interaction » : Il y avait un cas délicat. Lorsqu'il s'agissait d'un type spécifique d'interaction complexe (où une variable modifie la façon dont deux autres se rapportent), la méthode de corrélation de distance était un peu moins sensible que l'outil d'« information mutuelle conditionnelle » si aucune relation linéaire n'était présente au départ. Cependant, les auteurs ont noté que dans la vie réelle, les interactions pures sans composante de ligne droite sont rares. Lorsque les lignes droites étaient présentes, la corrélation de distance était plus performante.

Les chercheurs ont également examiné un ensemble de données réelles sur l'humeur (hostilité, solitude, nervosité, somnolence et dépression). Ils ont découvert que leur méthode avait repéré une connexion significative entre « l'hostilité » et la « solitude » que la meilleure méthode précédente (une approche de réseau modérée) avait manquée. Cela suggère que leur outil pourrait trouver des relations que les autres méthodes négligent.

À retenir : Une carte pour les courbes

La conclusion principale de ce document est que la corrélation de distance, lorsqu'elle est combinée à une étape de résidualisation, est un moyen puissant et flexible de trouver des relations non linéaires dans les données psychologiques. Elle ne nécessite pas que le chercheur devine la forme de la courbe à l'avance ; elle lui indique simplement : « Il y a une connexion ici, et ce n'est pas une ligne droite. »

Cependant, les auteurs prennent garde à ne pas trop promettre. Ils soulignent que cette méthode est un outil exploratoire. C'est comme un détecteur de métaux qui bipe pour vous dire de creuser, mais ne vous dit pas ce que vous allez trouver. Une fois que la méthode a signalé une relation comme étant « non linéaire », les chercheurs doivent encore utiliser d'autres outils plus spécifiques pour déterminer exactement quelle forme prend cette courbe (est-ce une forme en U ? une spirale ? un effet de modération ?).

Le document note également certaines limites. Les simulations ont été réalisées sur de petits réseaux (3 à 4 variables), et les auteurs admettent qu'à mesure que les réseaux deviennent immenses, les mathématiques deviennent beaucoup plus complexes et la « malédiction de la dimensionnalité » (où les données deviennent trop éparses pour mesurer les distances avec précision) pourrait devenir un problème. Ils se sont également concentrés sur des données recueillies à un instant T, alors que la santé mentale réelle est dynamique et change au fil du temps.

En bref, ce document propose une nouvelle façon hautement sensible de scanner le paysage psychologique à la recherche de connexions courbes et cachées. Il suggère qu'en utilisant cette méthode, les chercheurs peuvent cesser de manquer les relations complexes et sinueuses qui rendent l'esprit humain si fascinant, ouvrant la voie à des cartes plus précises et nuancées de nos vies mentales.