Hurdle Models in Psychology—A Practical Guide for Inflated Data

Abstract

Dans la recherche psychologique, les variables présentent souvent une inflation ponctuelle (par exemple, de nombreuses réponses nulles ou d'autres regroupements aux limites) qui défie les techniques de régression standard. Les modèles Hurdle relèvent ce défi en séparant le processus générateur de zéros de la distribution des observations non nulles (ou non limites), permettant ainsi une modélisation plus précise du comportement et des résultats. Dans cet article, je présente les bases conceptuelles des modèles Hurdle et montre comment ils peuvent être appliqués aux données de comptage ainsi qu'à d'autres types de données (par exemple, les variables continues avec un excès de zéros). À l'aide d'un tutoriel étape par étape dans R, j'illustre comment la structure en deux parties du modèle Hurdle, composée d'une composante binaire pour les observations ponctuelles et d'une distribution tronquée pour les valeurs positives (ou supérieures au seuil), fournit des informations nuancées que les modèles plus simples ne permettent souvent pas d'obtenir. Pour illustrer cette approche, j'examine un ensemble de données fictives sur le dépistage du VIH à domicile chez les hommes ayant des relations sexuelles avec des hommes, en soulignant la capacité du modèle Hurdle à traiter simultanément la surdispersion et l'excès de zéros. En mettant l'accent sur l'évaluation itérative des modèles, les contrôles d'adéquation et une série de recommandations pratiques, cet article vise à fournir aux psychologues un cadre analytique robuste qui favorise des interprétations plus approfondies et plus conformes à la théorie des données, ce qui, à terme, favorisera la recherche innovante dans divers domaines de la science psychologique.