Transformer une sortie `R` (moche) en table de résultats (belle)

Modèle linéaire

Fonction

Les utilisateurs et utilisatrices de R le savent bien : les sorties de base sont hideuses. Je propose quelques fonctions assez basiques pour simplifier l’extraction de données et exporter une table de résultats pour un modèle de type lm().

Date de publication

26 janvier 2026

Point de départ

Toute personne qui a déjà utilisé R est déjà arrivée à la conclusion assez simple que les sorties en base R sont (très) moches et pas (du tout) pratiques. Commençons par un exemple, pour lequel j’utilise le jeu de données penguins, qui contient les observations réalisées sur 344 manchots en Antarctique¹ (Horst et al., 2020).

Ce jeu contient une observation par manchot : son sexe, espèce, la longueur de son bec, la profondeur de son bec, la longueur de nageoire, sa masse, et l’année d’observation.

Partons d’une question simple : qu’est-ce qui détermine la masse d’un manchot ? Assez naïvement, je penserais à l’espèce et au sexe du manchot. Nous avons la masse d’un manchot en gramme, le sexe du manchot (mâle ou femelle) et l’espèce du manchot (adélie, jugulaire ou papou²).

Voir le code

#### Charger les packages ####
library(tidyverse);
library(easystats); library(gt); library(modelsummary)

# Charger les données
df <- palmerpenguins::penguins %>%
  mutate(
    species = case_when(
      species == "Adelie" ~ "Adélie",
      species == "Chinstrap" ~ "Jugulaire",
      species == "Gentoo" ~ "Papou"),
    
    sex = case_when(
      sex == "female" ~ "Femelle",
      sex == "male" ~ "Mâle")) %>% # Traduire les données
  
  rename(
    masse = body_mass_g,
    espece = species,
    sexe = sex) # Renommer les colonnes

df %>%
  select(masse, espece, sexe) %>%
  mutate(across(where(~ !is.numeric(.x)),
                ~ ifelse(is.na(.x), "Manquant", .x))) %>%
  datasummary_skim()

Pour commencer, explorons cette question de façon visuelle.

Voir le code

df %>%
  select(espece, masse, sexe) %>%
  drop_na() %>% # Retirer les lignes pour lesquelles une valeur est manquante
  
  ggplot() +
  aes(x = espece, y = masse, fill = sexe) +
  geom_violin(trim = F, alpha = 0.6) +
  geom_boxplot(width = 0.15, outlier.shape = NA, alpha = 0.8, show.legend = F) +
  geom_jitter(aes(colour = sexe),
              width = 0.12, height = 0, alpha = 0.35, size = 1.3, show.legend = F) +
  scale_fill_manual(values = c(Femelle = egypt[1], Mâle = egypt[2])) +
  scale_colour_manual(values = c(Femelle = egypt[1], Mâle = egypt[2])) +
  labs(
    y = "Masse (g)",
    fill = "Sexe",
    title = "Masse des manchots, selon l’espèce et le sexe") +
  theme(axis.text.x = element_text())

Figure 1: Masse des manchots en grammes, selon l’espèce et le sexe

La masse semble effectivement dépendre du sexe, et varier selon l’espèce. J’ajuste donc la régression suivante, pour estimer cela de façon quantitative :

\[ \text{masse}_i = \alpha + \beta_1\,X_{1i} + \beta_2\,X_{2i} + \beta_3\,X_{3i} + \varepsilon_i \tag{1}\]

où \[ X_{1}=\mathbb{1}(\text{espèce}_i=\text{Jugulaire});\quad X_{2}=\mathbb{1}(\text{espèce}_i=\text{Papou});\quad X_{3}=\mathbb{1}(\text{sexe}_i=\text{Mâle}). \]

La très classique fonction summary() renvoie une sortie tout aussi classique de ce modèle. Et tout aussi inélégante.


Call:
lm(formula = masse ~ espece + sexe, data = df)

Residuals:
    Min      1Q  Median      3Q     Max 
-816.87 -217.80  -16.87  227.61  882.20 

Coefficients:
                Estimate Std. Error t value Pr(>|t|)    
(Intercept)      3372.39      31.43 107.308   <2e-16 ***
especeJugulaire    26.92      46.48   0.579    0.563    
especePapou      1377.86      39.10  35.236   <2e-16 ***
sexeMâle          667.56      34.70  19.236   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 316.6 on 329 degrees of freedom
  (11 observations deleted due to missingness)
Multiple R-squared:  0.8468,    Adjusted R-squared:  0.8454 
F-statistic: 606.1 on 3 and 329 DF,  p-value: < 2.2e-16

Table 2: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie base r.

A partir d’ici, beaucoup de personnes copient les coefficients dans leur traitement de texte. Avec un ensemble de frictions :

Si le modèle change, il faut re-copier les nouvelles estimations.
Si l’on copie manuellement, des erreurs peuvent apparaître.
L’intervalle de confiance n’est pas directement disponible lorsque l’on explore des données³.
Il n’est pas possible d’obtenir un coefficient standardisé type \(\beta\) sans ré-ajuster le modèle. Ici, ce n’est peut-être pas nécessaire car les quantités estimées ont un sens. Mais en psychologie…

Bref : on peut faire mieux⁴. J’ai donc rédigé une petite fonction, e que s’apelerio lm_summary(), pour extraire les résultats d’un modèle lm. Cette fonction prend deux arguments : un modèle linéaire lm (duh!) et un argument vcov pour spécifier la matrice de variance-covariance à utiliser. Elle s’appuie sur le package parameters (Lüdecke et al., 2020) pour extraire les données du modèle linéaire, puis sur dplyr (Wickham et al., 2025) pour structurer la table.

Voir le code

lm_summary <- function(model, vcov = NULL) {
  
  # Extraire les paramètres non standardisés
  mp <- parameters::model_parameters(model,
                                     vcov = vcov)
  
  # Extraire les paramètres standardisés (refit le modèle)
  mp_std <- dplyr::select(
    parameters::model_parameters(
      model,
      standardize = "refit",
      vcov = vcov),
    
    Parameter,
    Std_Coefficient = Coefficient,
    Std_CI_low = CI_low,
    Std_CI_high = CI_high)
  
  mp <- dplyr::left_join(mp, mp_std, by = "Parameter")
  
  # Préparer les données
  mp <- dplyr::mutate(mp,
                      
                      # Arrondir p à trois décimales
                      p = ifelse(p < .001, "< .001", round(p, 3)),
                      
                      # Arrondir les autres valeurs à deux décimales
                      dplyr::across(dplyr::where(is.numeric), ~ round(.x, 2)),
                      
                      # Réunir l'intervalle de confiance de l'estimate et le placer sous le Coefficient
                      Coefficient = paste0(Coefficient, "<br>", "[", CI_low, "; ", CI_high, "]"),
                      
                      # Réunir l'intervalle de confiance de β et le placer sous β
                      β = paste0(Std_Coefficient, "<br>", "[", Std_CI_low, "; ", Std_CI_high, "]"),
                      
                      # Conserver le modèle pour lm_tab, même après des verbes dplyr (mutate, filter, etc.)
                      .model = list(model))
  
  # Renommer les colonnes : les colonnes avec un nom simple
  mp <- dplyr::rename(mp,
                      Paramètre = Parameter,
                      Estimation = Coefficient,
                      "Erreur standard" = SE,
                      p = p)
  
  # Renommer les colonnes : la colonne t est un peu plus complexe, car je souhaite y intégrer le nombre de degrés de liberté de la statistique
  mp <- dplyr::rename_with(mp,
                           ~ paste0("Statistique t (", broom::glance(model)$df.residual, ")"),
                           .cols = t)
  
  # Ne pas garder les colonnes qui ont déjà été incorporées à d'autres, ou ne sont pas utiles
  mp <- dplyr::select(mp,
                      -c(CI, CI_low, CI_high, df_error, Std_Coefficient, Std_CI_low, Std_CI_high))
  
  mp
}

lm_summary(lm_1) %>%
  select(-c(.model)) %>% # Une colonne ".model" stocke le modèle, pour pouvoir l'envoyer dans une future fonction. C'est inélégant, mais ça fonctionne.
  knitr::kable()

Paramètre	Estimation	Erreur standard	Statistique t (329)	p	β
(Intercept)	3372.39 [3310.56; 3434.21]	31.43	107.31	< .001	-1.04 [-1.11; -0.96]
especeJugulaire	26.92 [-64.52; 118.37]	46.48	0.58	0.563	0.03 [-0.08; 0.15]
especePapou	1377.86 [1300.93; 1454.78]	39.10	35.24	< .001	1.71 [1.62; 1.81]
sexeMâle	667.56 [599.29; 735.82]	34.70	19.24	< .001	0.83 [0.74; 0.91]

Table 3: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie de la fonction lm_summary() passée via knitr::kable().

Ce dataframe est un bon début à mes yeux, même s’il a des limites. Je combine cette fonction avec une seconde, qui va mettre cette table en forme. Celle-ci, lm_tab(), s’appuie principalement sur le package gt (Iannone et al., 2026).

Voir le code

lm_tab <- function(lm_summary) {
  
  lm_model <- attr(lm_summary, "model")
  if (is.null(lm_model) && ".model" %in% names(lm_summary)) {
    lm_model <- lm_summary$.model[[1]]
  }
  if (is.null(lm_model)) {
    stop("Aucun modèle retrouvé en sortie de lm_summary.")
  }
  
  g <- broom::glance(lm_model)
  t_col <- paste0("Statistique t (", g$df.residual, ")")
  
  tab <- gt::gt(lm_summary)
  
  # Ne pas afficher la colonne technique, qui contient le modèle
  tab <- gt::cols_hide(tab, columns = dplyr::any_of(".model"))
  
  tab <- gt::cols_label(
    tab,
    Paramètre = gt::html("<strong>Paramètre</strong>"),
    Estimation = gt::html("<strong>Estimation<br>[IC 95 %]</strong>"),
    `Erreur standard` = gt::html("<strong>Erreur standard</strong>"),
    !!t_col := gt::html(
      paste0("<strong>Statistique <em>t</em> (", g$df.residual, ")</strong>")),
    p = gt::html("<strong><em>p</em>-valeur</strong>"),
    β = gt::html("<strong><em>β</em><br>[IC 95 %]</strong>"))
  
  tab <- gt::fmt_markdown(tab, columns = c(Estimation, β))
  
  tab <- gt::cols_align(
    tab,
    align = "center",
    columns = c(Estimation, `Erreur standard`, dplyr::all_of(t_col), p, β))
  
  tab <- gt::tab_source_note(
    tab,
    gt::html(paste0("<em>Note</em> : n = ",
                    scales::number(g$nobs),
                    " observations.")))
  
  tab
}

lm_1 %>%
  lm_summary() %>%
  mutate(
    Paramètre = case_when(
      Paramètre == "especeJugulaire" ~ "Espèce : Jugulaire",
      Paramètre == "especePapou" ~ "Espèce : Papou",
      Paramètre == "sexeMâle" ~ "Sexe : Mâle",
      .default = Paramètre)) %>%
  lm_tab()

Paramètre	Estimation [IC 95 %]	Erreur standard	Statistique t (329)	p-valeur	β [IC 95 %]
(Intercept)	3372.39 [3310.56; 3434.21]	31.43	107.31	< .001	-1.04 [-1.11; -0.96]
Espèce : Jugulaire	26.92 [-64.52; 118.37]	46.48	0.58	0.563	0.03 [-0.08; 0.15]
Espèce : Papou	1377.86 [1300.93; 1454.78]	39.10	35.24	< .001	1.71 [1.62; 1.81]
Sexe : Mâle	667.56 [599.29; 735.82]	34.70	19.24	< .001	0.83 [0.74; 0.91]
Note : n = 333 observations.

Table 4: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie de la fonction lm_summary() passée via lm_tab().

Ces fonctions ne me plaisent aujourd’hui qu’à moitié, car elles nécessitent de modifier manuellement le dataframe en sortie de lm_summary() pour renommer les paramètres avant de l’envoyer à lm_tab(). Si le dataframe est modifié en amont de l’ajustement du modèle, le pipe peut casser et la fonction ne plus fonctionner.

Mais, à défaut, cela permet malgré tout d’obtenir une table qui synthétise toutes les informations nécessaires de façon élégante. De plus, cette table étant un objet gt, elle peut être exportée via la fonction gtsave() pour éviter de s’embêter à copier-coller manuellement les résultats.

Mise à jour du 02.02.2026

Suite à la publication de cette note, il a été demandé “Pourquoi ne pas utiliser sjPlot::tab_model ?”. La question est légitime, je me suis donc essayé à reproduire la Table 4 via sjPlot::tab_model() (Lüdecke, 2026).

Partons de la table que la fonction exporte de base, qui est un bon point de départ, même s’il manque à mon sens l’élément le plus important : l’erreur associée au paramètre.

Voir le code

library(sjPlot)

tab_model(lm_1)

	masse
Predictors	Estimates	CI	p
(Intercept)	3372.39	3310.56 – 3434.21	<0.001
espece [Jugulaire]	26.92	-64.52 – 118.37	0.563
espece [Papou]	1377.86	1300.93 – 1454.78	<0.001
sexe [Mâle]	667.56	599.29 – 735.82	<0.001
Observations	333
R² / R² adjusted	0.847 / 0.845

Table 5: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie de la fonction tab_model() de base.

Essayons de la personnaliser, pour afficher cette erreur, réunir l’intervalle de confiance et l’estimation, afficher la statistique t et \(\beta\).

Voir le code

lm_1 %>%
  tab_model(
    
    # Gérer la structure de la table
    show.se = T,  # Afficher l'erreur
    show.std = T, # Afficher le coefficient standardisé beta 
    std.response = T, # Il faut préciser que la réponse doit aussi être standardisée (autrement, seuls les prédicteurs sont standardisés)
    show.stat = T,  # Afficher la statistique t
    col.order = c("est", "se", "ci", "stat", "p", "std.est", "std.se", "std.ci"), # Personnaliser l'ordre d'affichage des colonnes
    collapse.ci = T, # Réunir estimations et intervalles de confiance
    dv.labels = " ", # Ne pas afficher le nom de la variable Y
    show.r2 = F, # Ne pas afficher les coefficients R²
    
    # Aspects cosmétiques de la table 
    pred.labels = c("(Intercept)", # Modifier les noms des paramètres
                    "Espèce : Jugulaire",
                    "Espèce : Papou",
                    "Sexe : Mâle"),
    emph.p = F, # Ne pas mettre les p < .05 en gras 
    
    # Renommer les colonnes
    string.pred = "<strong>Paramètre</strong>", # Renommer la colonne Predictors
    string.est = "<strong>Estimation<br>[IC 95 %]</strong>", # Renommer la colonne Estimates
    string.se = "<strong>Erreur standard</strong>", # Renommer la colonne Std.Error
    string.stat = paste0("<strong>Statistique <em>t</em> (", insight::get_df(lm_1), ")</strong>"),
    string.p = "<strong><em>p</em>-valeur</strong>",
    string.std = "<strong><em>β</em><br>[IC 95 %]</strong>")


Paramètre	Estimation [IC 95 %]	Erreur standard	Statistique t (329)	p-valeur	β [IC 95 %]	standardized std. Error
(Intercept)	3372.39 (3310.56 – 3434.21)	31.43	107.31	<0.001	-1.04 (-1.11 – -0.96)	0.04
Espèce : Jugulaire	26.92 (-64.52 – 118.37)	46.48	0.58	0.563	0.03 (-0.08 – 0.15)	0.06
Espèce : Papou	1377.86 (1300.93 – 1454.78)	39.10	35.24	<0.001	1.71 (1.62 – 1.81)	0.05
Sexe : Mâle	667.56 (599.29 – 735.82)	34.70	19.24	<0.001	0.83 (0.74 – 0.91)	0.04
Observations	333

Table 6: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie de la fonction tab_model() personnalisée.

Il reste deux problèmes à mon sens :

En interne, tab_model() a besoin de la colonne de l’erreur standard de \(\beta\) (standardized std. Error) pour calculer l’intervalle de confiance. Mais, je ne souhaite pas afficher cette erreur. Donc, je ne peux pas et obtenir l’intervalle de confiance de \(\beta\) et ne pas obtenir la colonne d’erreur associée. Il faudrait ruser un peu, pour à la fois la demander, mais ne pas l’afficher, via la modification du style de table en CSS.
Par défaut, le style de table affiche les noms de colonnes en italique, et je n’arrive pas à ce que cela ne soit pas le cas.

Pour ces deux points, on pourrait certainement bidouiller quelque chose en HTML et/ou en CSS, mais le ratio temps nécessaire / résultat obtenu m’apparaît largement déficitaire.

Références

Arel-Bundock, V. (2022). modelsummary: Data and Model Summaries in R. Journal of Statistical Software, 103(1), 1‑23. https://doi.org/10.18637/jss.v103.i01

Hlavac, M. (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables. Social Policy Institute. https://CRAN.R-project.org/package=stargazer

Horst, A. M., Hill, A. P., & Gorman, K. B. (2020). palmerpenguins: Palmer Archipelago (Antarctica) penguin data. https://doi.org/10.5281/zenodo.3960218

Iannone, R., Cheng, J., Schloerke, B., Haughton, S., Hughes, E., Lauer, A., François, R., Seo, J., Brevoort, K., & Roy, O. (2026). gt: Easily Create Presentation-Ready Display Tables. https://gt.rstudio.com

Lüdecke, D. (2026). sjPlot: Data Visualization for Statistics in Social Science. https://CRAN.R-project.org/package=sjPlot

Lüdecke, D., Ben-Shachar, M. S., Patil, I., & Makowski, D. (2020). Extracting, Computing and Exploring the Parameters of Statistical Models using R. Journal of Open Source Software, 5(53), 2445. https://doi.org/10.21105/joss.02445

Wickham, H., François, R., Henry, L., Müller, K., & Vaughan, D. (2025). dplyr: A Grammar of Data Manipulation. https://dplyr.tidyverse.org

Notes de bas de page

Je vous jure. C’est pas extraordinaire ?!↩︎
Je vous encourage mille fois à chercher Manchot Jugulaire sur votre moteur de recherches préféré, vous pourriez tomber sur des photos comme celles-ci ou celles-là, qui sont fabuleuses.↩︎
Peut-être que vous arrivez à calculer 3372.39 + (1.96 x 31.43) de tête, personnellement, je ne sais pas faire.↩︎
Et d’excellents packages existent pour extraire de magnifiques tables de régression, dont l’excellent modelsummary (Arel-Bundock, 2022) ou plus anciennement stargazer qui n’est aujourd’hui plus mis à jour (Hlavac, 2022).↩︎

	Unique	Missing Pct.	Mean	SD	Min	Median	Max
masse	95	1	4201.8	802.0	2700.0	4050.0	6300.0
		N	%
espece	Adélie	152	44.2
	Jugulaire	68	19.8
	Papou	124	36.0
sexe	Femelle	165	48.0
	Mâle	168	48.8
	Manquant	11	3.2