Effet des prédicteurs sur MAIA_trust

• Intercept (β = -0.09554, p = 0.9378)
  • Non significatif
  • La valeur moyenne de MAIA_trust (confiance en l’interoception) lorsque toutes les variables explicatives sont nulles n’est pas différente de zéro
• Automutilation (β = -0.45622, p = 0.3568)
  • Non significatif
  • La présence d’antécédents d’automutilation n’a pas d’effet clair sur la confiance en l’interoception
• Modèle de soi de l’attachement (β = 0.11574, p = 0.0104)
  • Effet significatif (p < 0.05)
  • Un modèle de soi plus positif dans l’attachement est associé à une plus grande confiance en l’interoception
• Échelle Globale de Fonctionnement (EGF) (β = 0.04163, p = 0.0143)
  • Effet significatif (p < 0.05)
  • Un meilleur fonctionnement global est associé à une plus grande confiance en l’interoception

  Modeles avec interaction

  model_RQ_mod_soi_interaction_table

  GLM Model Summary
  term	Estimate	Std. Error	Z-value	p-value	conf.low	conf.high
  (Intercept)	−0.115	1.227	−0.094	0.926	−2.520	2.290
  autoMoui	−0.357	0.524	−0.681	0.499	−1.384	0.670
  RQ_mod_soi	0.093	0.059	1.590	0.118	−0.022	0.209
  EGF	0.042	0.017	2.544	0.014	0.010	0.074
  autoMoui:RQ_mod_soi	0.050	0.087	0.568	0.573	−0.122	0.221

  model_score_ACE_interaction_table

  GLM Model Summary
  term	Estimate	Std. Error	Z-value	p-value	conf.low	conf.high
  (Intercept)	0.209	1.493	0.140	0.889	−2.717	3.136
  autoMoui	−0.328	0.998	−0.328	0.744	−2.284	1.628
  Score_ACE	0.053	0.219	0.243	0.809	−0.377	0.483
  EGF	0.036	0.017	2.049	0.046	0.002	0.070
  autoMoui:Score_ACE	−0.237	0.294	−0.804	0.425	−0.814	0.340

On n’observe pas d’interactions significatives entre l’automutilation et le modèle de soi de l’attachement sur la MAIA trust, ni entre l’automutilation et le score ACE sur la MAIA trust.
Surement du à la faible taille de l’échantillon.

Analyse des facteurs prédictifs (Odds Ratios)

En se basant sur les résultats du modèle ci-dessus :

• Score ACE (OR = 0.802, p = 0.334)
  • Chaque point supplémentaire au score d’adversité durant l’enfance serait associé à une variation du risque d’automutilations
  • Cette association n’est pas statistiquement significative (p = 0.33)
• MAIA_trust (OR = 0.674, p = 0.072)
  • Chaque point supplémentaire au score de confiance en ses sensations corporelles tend à diminuer de 32.6% les chances de présenter des automutilations
  • Cette association est marginalement significative (p = 0.07)
• RQ_mod_soi (OR = 0.863, p = 0.082)
  • Chaque point supplémentaire au score du modèle de soi tend à diminuer de 13.7% les chances de présenter des automutilations
  • Cette association est marginalement significative (p = 0.08)
• RQ_mod_autr (OR = 0.935, p = 0.446)
  • L’association entre le modèle d’autrui et les automutilations n’est pas statistiquement significative (p = 0.45)
• TASTOT (OR = 0.999, p = 0.974)
  • L’association entre le score d’alexithymie et les automutilations n’est pas statistiquement significative (p = 0.97)

Qualité globale du modèle

print(paste("Pseudo R² de Nagelkerke:", round(nagelkerke$Pseudo.R.squared.for.model.vs.null[3], 3)))

## [1] "Pseudo R² de Nagelkerke: 0.33"

Le R² de Nagelkerke indique que notre modèle explique environ 33% de la variance dans la présence d’automutilations, ce qui représente un pouvoir explicatif substantiel pour un phénomène aussi complexe.

Performance prédictive du modèle

print("Matrice de confusion:")

## [1] "Matrice de confusion:"

print(conf_matrix)

##          observed
## predicted  0  1
##         0 18  7
##         1  7 22

print(paste("Exactitude:", round(accuracy, 3)))

## [1] "Exactitude: 0.741"

print(paste("Sensibilité:", round(sensitivity, 3)))

## [1] "Sensibilité: 0.759"

print(paste("Spécificité:", round(specificity, 3)))

## [1] "Spécificité: 0.72"

• Exactitude : Le modèle classe correctement 74.1% des observations
• Sensibilité : Le modèle identifie correctement 75.9% des cas d’automutilations (vrais positifs)
• Spécificité : Le modèle identifie correctement 72% des cas sans automutilations (vrais négatifs)

Courbe ROC et valeur AUC

# Visualisation de la courbe ROC
plot(roc_autoM, main = "Courbe ROC pour le modèle prédictif des automutilations",
     col = "blue", lwd = 2)
abline(a = 0, b = 1, lty = 2, col = "gray")
text(0.6, 0.2, paste("AUC =", round(auc_value, 3)), col = "blue")

Importance relative des prédicteurs

print(importance_plot)

Ce graphique illustre l’importance relative de chaque facteur dans le modèle, basée sur la magnitude des coefficients (en valeur absolue). Les facteurs ayant les barres les plus longues ont l’influence la plus forte sur la prédiction des automutilations.