Analyses de régression multiple

Nous procédons à une analyse de régression multiple en incluant comme variables potentiellement prédictrices les scores d’empans simples, d’empans complexes et de raisonnement non-verbal. Nous recherchons l’influence de ces variables indépendantes (VI) sur chacune des variables dépendantes (VD) correspondant aux mesures de la complexité syntaxique (voir tableau IX). Nous procédons à une analyse de régression pas à pas qui consiste à introduire successivement les variables prédictrices de telle sorte qu’avant toute introduction d’une variable supplémentaire, la signification des variables déjà présentes dans l’équation est testée. Ainsi, les variables qui n’apportent pas de contribution significative sont éliminées. Cette technique permet d’affiner l’analyse de régression multiple en déterminant une hiérarchie dans l’analyse. Dans notre étude, elle va nous permettre de rechercher le

pourcentage de variance expliqué par chacune des variables prédictrices de MdT et pour chaque épreuve de syntaxe. Plus précisément, nous cherchons à savoir quels sont les domaines parmi le raisonnement non-verbal, les empans simples et les empans complexes, qui prédisent le plus fortement les résultats aux mesures de complexité syntaxique (ECOSSE, répétition de phrases complexes, mesures de langage spontané).

Tableau IX : Ensemble des variables dépendantes et indépendantes utilisées pour les analyses de régression.

Variables dépendantes Variables indépendantes

 Variable dépendante : Longueur moyenne d’énoncés (LME)

L’analyse de régression révèle qu’une seule VI entre dans l’équation qui est résolue dès l’étape 1. Il s’agit du score au counting span qui explique 30% de la variance observée en LME. Une synthèse de ces analyses est présentée dans le tableau X.

Tableau X : Analyse de régression pour la variable dépendante « LME : Longueur moyenne d’énoncé »

R R² R² ajusté Err-type

de l'Estim. F(1,46) p

Counting span .56 .32 .30 .94 21.30 <.001

 Variable dépendante : Taux de subordination

A l’étape 1 de l’analyse de régression, le counting span entre dans l’équation et explique la plus grande part de variance de la VD « taux de subordination ». En effet, cette variable explique 22% de la variance pour cette épreuve. L’étape 1 est la dernière étape de cette analyse. Une synthèse de ces analyses est présentée dans le tableau XI.

Tableau XI : Analyse de régression pour la variable dépendante « taux de subordination ».

R R² R² ajusté

Err-type de l'Estim.

F(1,46) p

Counting span .49 .24 .22 11.13 14.40 <.001

 Variable dépendante : Taux d’enchâssement profond

Une seule VI entre dans l’équation qui est alors résolue dès l’étape 1 de l’analyse de régression. Il s’agit du counting span qui explique 23% de la variance de la VD « taux d’enchâssement profond ». Une synthèse de ces analyses est présentée dans le tableau XII.

Tableau XII : Analyse de régression pour la variable dépendante « taux d’enchâssement profond ».

R R² R² ajusté

Err-type de l'Estim.

F(1,46) p

Counting span .50 .25 .23 5.38 15.02 <.001

 Variable dépendante : ECOSSE

A l’étape 1, l’analyse de régression révèle que le score au counting span explique la part la plus importante de variance à l’ECOSSE, soit 44%. A l’étape 2, le running span entre dans l’équation ; ces deux VI associées expliquent alors 54% de la variance pour cette épreuve.

L’étape 2 est la dernière étape, aucune autre VI n’explique significativement les performances à l’ECOSSE. Une synthèse de ces analyses est présentée dans le tableau XIII.

Tableau XIII : Analyse de régression pour la variable dépendante « ECOSSE »

R R² R² ajusté Err-type

de l'Estim. F(ddl1,ddl2) p Counting span .67 .45 .44 2.99 (2,46) 38.54 <.000 Running span .75 .56 .54 2.70 (1,45) 29.19 <.001

 Variable dépendante : Répétition de phrases complexes

A l’étape 1 de l’analyse de régression, le WISC endroit explique 43% de la variance pour la VD « répétition de phrases complexes ». A l’étape 2, la VI « course aux animaux » entre dans l’équation. Les VI « WISC endroit » et « course aux animaux » expliquent alors 49% de

la variance pour cette épreuve. L’étape 2 est la dernière étape, aucune autre VI n’entre dans l’équation pour expliquer significativement le score en répétition de phrases complexes. Une synthèse de ces analyses est présentée dans le tableau XIV.

Tableau XIV : Analyse de régression pour la variable dépendante « répétition de phrases complexes »

R R² R² ajusté

Err-type de l'Estim.

F(ddl1,ddl2) p

WISC endroit .67 .44 .43 2.22 (1,45) 36.02 <.001 Course animaux .72 .52 .49 2.09 (2,44) 23.56 <.001

 Analyses de régression avec les scores composites en VI

Dans le but de déterminer le poids global des empans simples et des empans complexes pour chacune des épreuves de syntaxe, nous avons réitéré nos analyses de régression en entrant comme variables indépendantes uniquement les scores composites d’empans simples et d’empans complexes. Les résultats de ces analyses confirment les précédents, en effet ils montrent que le score composite d’empans complexes explique 30% de la variance des scores de la LME, 12% de la variance pour le taux de subordination, 17 % de la variance pour le taux d’enchâssement profond ainsi que 50% de la variance à l’ECOSSE. Le score composite d’empans simples explique la plus grande part de variance pour une seule VD : il explique en effet 50% de la variance à l’épreuve de répétition de phrases complexes. Une synthèse de ces analyses est présentée en annexe IV (voir tableaux VII, VIII, IX, X et XI).

En synthèse, nous avons vu que les tâches d’empans simples du WISC endroit et de la course aux animaux, de même que le score composite d’empans simples, prédisent seulement le score de la répétition de phrases. Les tâches d’empans complexes, et plus particulièrement le counting span, semblent avoir un poids plus important sur les mesures en syntaxe. En effet, les scores au counting span, et au running span dans une moindre mesure, prédisent toutes les mesures du langage spontané (longueur moyenne d’énoncés, taux de subordination, taux d’enchâssement profond) ainsi que le score à l’ECOSSE. Logiquement, le score composite d’empans complexes prédit également ces mêmes VD. Par ailleurs, il est intéressant de préciser que le raisonnement non-verbal n’apparaît dans aucune des analyses de régression ; cette VI ne prédit donc pas, en tous cas pas de manière significative, les compétences en syntaxe de nos sujets.

Nous constatons ainsi que les scores de MdT prédisent les mesures en syntaxe. Cependant, nous ne savons pas si cette relation existe aussi dans le sens inverse, c'est-à-dire si les scores en syntaxe prédisent également les scores de MdT ; dans ce cas, il s’agirait davantage d’une influence réciproque entre ces deux composantes. Afin d’éclaircir ce point, nous procédons dans le point suivant à des analyses de régression dans le sens inverse.

 Analyses de régression multiple inverse

Nous effectuons à nouveau des analyses de régression multiple en incluant cette fois comme variables potentiellement prédictrices les mesures de complexité syntaxique et les matrices de Raven évaluant le raisonnement non-verbal. Nous recherchons l’influence de ces variables indépendantes (VI) sur chacune des variables dépendantes (VD) correspondant aux scores composites d’empans simples et d’empans complexes.

 Variable dépendante : score composite « empans simples »

A l’étape 1 de l’analyse de régression, la répétition de phrases complexes entre dans l’équation et explique 50% de la variance de la VD « score composite d’empans simples ». A l’étape 2, les matrices entrent à leur tour dans l’équation. Ces deux variables associées expliquent alors 55% de la variance pour ce score composite. L’étape 2 est la dernière étape de cette analyse. Une synthèse de ces analyses est présentée dans le tableau XV.

Tableau XV : Analyse de régression pour la variable dépendante « score composite d’empans simples ».

R R² R² ajusté

Err-type de l'Estim.

F(ddl1,ddl2) p

Répétition Phr complexes .71 .51 .50 .60 (1,45) 46.38 <.001

Matrices .76 .57 .55 .57 (1,44) 29.59 <.01

 Variable dépendante : score composite « empans complexes »

A l’étape 1, l’analyse de régression révèle que le score aux matrices de Raven explique la plus grande part de variance, soit 56%. A l’étape 2, l’ECOSSE entre dans l’équation ; ces deux variables associées expliquent 63% de la variance de ce score composite. L’étape 3 est la dernière étape, la LME entre alors dans l’équation ; les trois VI expliquent ensemble 67% de la variance pour le score composite d’empans complexes. Une synthèse de ces analyses est rassemblée dans le tableau XVI.

Tableau XVI : Analyse de régression pour la variable dépendante « score composite d’empans complexes ».

R R² R²ajusté Err-type

de l'Estim.

F(ddl1,ddl2) p

Matrices .75 .57 .56 .56 (1,45) 59.48 .001

ECOSSE .80 .64 .63 .51 (2,44) 38.87 .01

LME .83 .69 .67 .48 (3,43) 32.41 .01

Nous avons effectué des analyses de régression supplémentaires afin de rechercher l’influence des mesures de syntaxe sur les variables dépendantes correspondant aux scores de chaque épreuve de MdT. Nous ne présentons pas l’analyse détaillée pour chaque épreuve ici dans un souci de concision, mais en annexe IV (voir tableaux XII, XIII, XIV, XV, XVI et XVII). Il nous parait cependant important de noter que le raisonnement non-verbal entre dans l’équation à l’étape 1 ou à l’étape 2 de l’analyse de régression pour la quasi-totalité des variables dépendantes de MdT (empans simples et empans complexes) ce qui n’était pas le cas dans le sens inverse.

En synthèse, les analyses de régression inverses révèlent que certaines mesures de complexité syntaxique, associés au niveau de raisonnement non-verbal, prédisent également les scores en MdT pour les empans simples et les empans complexes.