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

Modèle linéaire

Fonction

Dans un récent post, je proposais des fonctions basiques pour transformer une sortie lm() en table de résultats. D’autres ont déjà fait le travail avant moi, et bien mieux. C’est donc une bonne raison pour présenter le package modelsummary.

Date de publication

3 février 2026

Point de départ

Dans un récent billet, je montrais comment automatiser l’extraction de coefficients d’un modèle lm(). Je trouve que c’est toujours bien de travailler à la main : manipuler les données, comprendre comment elles sont construites, extraites, comment la table est organisée puis rendue, etc. Cela permet de comprendre ce qui se passe sous le capôt de la machine, et de gagner en autonomie si un package n’existe pas déjà pour faire ce que l’on souhaite faire.

Mais, si l’on est honnête, mes fonctions étaient fragiles et la façon de faire peu élégante.

Aussi, ces fonctions étaient bornées à lm(). Un glm(), ordinal() (Christensen, 2025), ou autre glm.nb() (Venables & Ripley, 2002) auraient renvoyé une erreur, et il aurait fallu construire d’autres fonctions pour en extraire les résultats. Il se trouve que d’autres ont déjà fait ce travail de construction, notamment pour le package modelsummary (Arel-Bundock, 2022) !

Je repars du même jeu de données penguins (Horst et al., 2020) et du même modèle linéaire :

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

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

A nouveau, la sortie en base R n’est pas très élégante.


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

La magie de `modelsummary::modelsummary()`

modelsummary() va être très pratique pour un très grand nombre de raisons :

Supporte énormément de modèles, inférentiels ou bayésiens, des plus obscurs aux plus importants (comme fixest, Bergé et al., 2026).
Directement combinable avec des erreurs personnalisées, du type robustes, clusterisées, etc, via sandwich (Zeileis et al., 2020).
Largement personnalisable, comme on va le voir.
Les tables sont élégantes.

Dans sa version la plus basique, la fonction renvoie une table de régression comme on en voit tant.

Voir le code

modelsummary(lm_1)

	(1)
(Intercept)	3372.387
	(31.427)
especeJugulaire	26.924
	(46.483)
especePapou	1377.858
	(39.104)
sexeMâle	667.555
	(34.704)
Num.Obs.	333
R2	0.847
R2 Adj.	0.845
AIC	4785.6
BIC	4804.6
Log.Lik.	-2387.797
RMSE	314.70

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

En soit, c’est tout ce dont on a besoin : à partir de l’estimation et de son erreur, on peut approximer t, p, et l’intervalle de confiance à 95 %. Mais, l’on pourrait tout de même souhaiter afficher les véritables statistiques plutôt que de devoir les approximer.

J’ajoute donc les statistiques suivantes, alignées dans cet ordre dans la Table 3 :

Estimation.
Intervalles de confiance à 95 %.
Erreur standard.
Statistique t.
Statistique p.

Voir le code

modelsummary(lm_1,

             estimate = c("Estimation <br> [IC 95 %]" = "{estimate}<br>[{conf.low}; {conf.high}]"), # Ajouter l'intervalle de confiance à l'estimate
             statistic = c(
               "Erreur standard" = "std.error", 
               "Statistique t" = "statistic", 
               "p-valeur" = "p.value")) # Ajouter la statistique t et la p-valeur

	(1)
(Intercept)	3372.387 [3310.563; 3434.210]
	(31.427)
	(107.308)
	(<0.001)
especeJugulaire	26.924 [-64.518; 118.366]
	(46.483)
	(0.579)
	(0.563)
especePapou	1377.858 [1300.932; 1454.784]
	(39.104)
	(35.236)
	(<0.001)
sexeMâle	667.555 [599.285; 735.825]
	(34.704)
	(19.236)
	(<0.001)
Num.Obs.	333
R2	0.847
R2 Adj.	0.845
AIC	4785.6
BIC	4804.6
Log.Lik.	-2387.797
RMSE	314.70

Table 3: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie modelsummary() avec statistiques.

Ici, ça se complique : les statistiques s’empilent, la table perd en lisibilité. On va devoir la faire pivoter, pour représenter les mêmes statistiques en colonne plutôt qu’en ligne.

Voir le code

modelsummary(lm_1,
             estimate = c("Estimation <br> [IC 95 %]" = "{estimate}<br>[{conf.low}; {conf.high}]"),
             statistic = c(
               "Erreur standard" = "std.error", 
               "Statistique t" = "statistic", 
               "p-valeur" = "p.value"),
             
             shape = term ~ statistic) # Pivoter la table

	(1)
	Estimation [IC 95 %]	Erreur standard	Statistique t	p-valeur
(Intercept)	3372.387 [3310.563; 3434.210]	31.427	107.308	<0.001
especeJugulaire	26.924 [-64.518; 118.366]	46.483	0.579	0.563
especePapou	1377.858 [1300.932; 1454.784]	39.104	35.236	<0.001
sexeMâle	667.555 [599.285; 735.825]	34.704	19.236	<0.001
Num.Obs.	333
R2	0.847
R2 Adj.	0.845
AIC	4785.6
BIC	4804.6
Log.Lik.	-2387.797
RMSE	314.70

Table 4: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie modelsummary() avec statistiques pivotées.

Cette fois, la table commence à être exploitable. Je finalise l’aspect cosmétique, en :

Renommant les coefficients.
Retirant l’ensemble des indices d’ajustement, en renvoyant uniquement le nombre d’observations et le R² ajusté en une note de bas de tableau.
Retirant le numéro de modèle (1).
Mettant les titres de colonnes en gras et les statistiques en italique.
Formattant les statistiques à deux décimales, et la p-valeur selon les normes APA.
Ajoutant le nombre de degrés de liberté à la colonne t

Voir le code

g <- broom::glance(lm_1) # Stocker les indices d'ajustement
ddl <- unique(get_estimates(lm_1)$df.error) # Stocker les degrés de liberté

modelsummary(
  shape = term ~ statistic,
  
  estimate = c(
    "<strong>Estimation<br>[IC 95 %]</strong>" = "{estimate}<br>[{conf.low}; {conf.high}]"), # <strong> pour mettre en gras et <em> pour mettre en italique
  
  statistic = setNames(
    c("std.error", "statistic", "p.value"),
    c(
      "<strong>Erreur standard</strong>",
      paste0("<strong>Statistique <em>t</em> (", ddl, ")</strong>"), # On vient ici ajouter les degrés de liberté à la colonne
      "<strong><em>p</em>-valeur</strong>")), 
  
  models = list(" " = lm_1), # Supprimer le (1)
  
  gof_omit = ".*", # Supprimer les indices d'ajustement
  
  notes = (
    paste0(
      "<em>Note</em> : <em>n</em> = ", 
      scales::number(g$nobs), 
      " observations. <em>R²</em> ajusté = ", 
      sprintf("%.2f", g$adj.r.squared),
      ".")), # Ajouter les indices d'ajustement en note de bas de tableau
  
  coef_rename = c(
    "especeJugulaire" = "Espèce : Jugulaire",
    "especePapou" = "Espèce : Papou",
    "sexeMâle" = "Sexe : Mâle"), # Renommer les coefficients 
  
  fmt = fmt_statistic(estimate = 2, std.error = 2, statistic = 2, conf.low = 2, conf.high = 2, p.value = scales::label_pvalue())) # Formatter les décimales

	Estimation [IC 95 %]	Erreur standard	Statistique t (329)	p-valeur
Note : n = 333 observations. R² ajusté = 0.85.
(Intercept)	3372.39 [3310.56; 3434.21]	31.43	107.31	<0.001
Espèce : Jugulaire	26.92 [-64.52; 118.37]	46.48	0.58	0.563
Espèce : Papou	1377.86 [1300.93; 1454.78]	39.10	35.24	<0.001
Sexe : Mâle	667.56 [599.29; 735.82]	34.70	19.24	<0.001

Table 5: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie modelsummary() avec statistiques cosmétiques.

Construire une fonction personnalisée et simple, regroupant tous les besoins classiques en psychologie : `fr_modelsummary_lm()`

Il ne manque finalement qu’une chose à cette table : d’inclure un coefficient standardisé \(\beta\). Cela demande un peu plus de travail car, de base, modelsummary() ne renvoie pas de coefficient standardisé. On va donc devoir (à nouveau) créer une table personnalisée avant de pouvoir l’envoyer à la fonction.

Plutôt que de devoir à chaque fois ré-écrire ces scripts, et potentiellement devoir les mettre à jour en cas de changement, je construits une fonction pour (1) extraire une table personnalisée et (2) formater cette table personnalisée. Je m’appuie encore une fois sur le package parameters (Lüdecke et al., 2020) pour simplifier l’importation d’une matrice de variance-covariance facilement personnalisable¹.

Comparées au post précédent, ces fonctions sont directement intégrées l’une à l’autre et permettent d’appeler une seule fonction personnalisée fr_modelsummary_lm() (ou son équivalent anglophone en_modelsummary_lm(), que je vous mets plus bas). Elles acceptent également un argument vcov. Finalement, elles seraient facilement personnalisables et adaptables à d’autres modèles avec quelques ajustements.

Voir le code

# Fonction fr

fr_modelsummary_lm <- function(
    model, 
    vcov = NULL,
    coef_rename = NULL, 
    gof_omit = ".*",
    ...) {
  
  # Vérifier que le modèle est bien de type lm()
  if (!inherits(model, "lm")) {
    stop("Le modèle fournit doit être un objet de classe lm. Ce n'est pas le cas ici.",
         call. = FALSE)
  }
  
  # Première fonction : Extraire une table
  custom_modelsummary_lm <- function(model, standardize = "refit", vcov = NULL, ...) {
    
    est <- modelsummary::get_estimates(model, vcov = vcov) # Extraire les coefficients pour la table de base
    
    est_std <- parameters::model_parameters(model, standardize = standardize, vcov = vcov) %>% # Extraire un coefficient standardisé
      dplyr::select(Parameter, Coefficient, CI_low, CI_high) %>% # Sélectionner les colonnes standardisées
      dplyr::rename(Std_Coefficient = Coefficient) # Renommer la colonne qui nous intéresse
    
    est$estimate_std <- paste0(
      sprintf("%.2f", est_std$Std_Coefficient), "<br>",
      "[", sprintf("%.2f", est_std$CI_low), "; ", sprintf("%.2f", est_std$CI_high), "]") # Formatter les statistiques à deux décimales
    
    out <- list(
      tidy = est,
      glance = broom::glance(model)) # Stocker la table et les indices de fit
    class(out) <- "modelsummary_list" # Définir la classe de l'objet de telle façon à ce que modelsummary() l'accepte
    out
  }
  
  # Seconde fonction : Formatter la table
  est <- custom_modelsummary_lm(model, vcov = vcov) # Appliquer la première fonction au modèle
  g <- broom::glance(model) # Stocker les indices d'ajustement
  ddl <- unique(modelsummary::get_estimates(model, vcov = vcov)$df.error) # Stocker les degrés de liberté
  
  vcov_note <- if (!is.null(vcov)) paste0(" Erreurs standards : <em>", vcov, "</em>.") else ""
  
  notes_txt <- paste0(
    "<em>Note</em> : <em>n</em> = ",
    scales::number(g$nobs),
    ". <em>R²</em> ajusté = ",
    sprintf("%.2f", g$adj.r.squared),
    ".",
    vcov_note)
  
  modelsummary(
    coef_rename = coef_rename,
    gof_omit = gof_omit,
    
    shape = term ~ statistic, 
    
    estimate = c(
      "<strong>Estimation<br>[IC 95 %]</strong>" = "{estimate}<br>[{conf.low}; {conf.high}]"),
    
    statistic = setNames(
      c("std.error", "statistic", "p.value", "estimate_std"), # Ajouter la colonne standardisée
      c(
        "<strong>Erreur standard</strong>",
        paste0("<strong>Statistique <em>t</em> (", ddl, ")</strong>"),
        "<strong><em>p</em>-valeur</strong>",
        "<strong><em>β</em><br>[IC 95 %]</strong>")), # Renomme
    
    models = list(" " = est),
    
    notes = notes_txt,
    
    fmt = fmt_statistic(estimate = 2, std.error = 2, statistic = 2, conf.low = 2, conf.high = 2, p.value = scales::label_pvalue()),
    
    ...)
}

Ces fonctions personnalisables s’appuient ultimement sur modelsummary() et tout argument supplémentaire lui sera donc passé. Un exemple en français via fr_modelsummary_lm(), en intégrant une matrice de variance-covariance robuste à l’hétéroscédasticité.

Voir le code

fr_modelsummary_lm(lm_1,
                   coef_rename = c(
                     "especeJugulaire" = "Espèce : Jugulaire",
                     "especePapou" = "Espèce : Papou",
                     "sexeMâle" = "Sexe : Mâle"),
                   vcov = "HC3")

	Estimation [IC 95 %]	Erreur standard	Statistique t (329)	p-valeur	β [IC 95 %]
Note : n = 333. R² ajusté = 0.85. Erreurs standards : HC3.
(Intercept)	3372.39 [3315.89; 3428.88]	28.72	117.43	<0.001	-1.04 [-1.11; -0.97]
Espèce : Jugulaire	26.92 [-71.16; 125.01]	49.86	0.54	0.590	0.03 [-0.09; 0.16]
Espèce : Papou	1377.86 [1302.71; 1453.01]	38.20	36.07	<0.001	1.71 [1.62; 1.80]
Sexe : Mâle	667.56 [598.91; 736.20]	34.90	19.13	<0.001	0.83 [0.74; 0.91]

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

La fonction `en_modelsummary_lm()`

Pour celles et ceux qui pourraient en avoir besoin en anglais, la fonction traduite et le même exemple en appelant cette fois la fonction en_modelsummary_lm() :

Voir le code

# English function

en_modelsummary_lm <- function(
    model, 
    vcov = NULL,
    coef_rename = NULL, 
    gof_omit = ".*",
    ...) {
  
  # Check that the model is of type lm()
  if (!inherits(model, "lm")) {
    stop("The model must be an object of class lm. This is not the case here.",
         call. = FALSE)
  }
  
  # First function: Extract a table
  custom_modelsummary_lm <- function(model, standardize = "refit", vcov = NULL, ...) {
    
    est <- modelsummary::get_estimates(model, vcov = vcov) # Extract coefficients for the base table
    
    est_std <- parameters::model_parameters(model, standardize = standardize, vcov = vcov) %>% # Extract standardised coefficients
      dplyr::select(Parameter, Coefficient, CI_low, CI_high) %>% # Select standardised columns
      dplyr::rename(Std_Coefficient = Coefficient) # Rename the column we are interested in
    
    est$estimate_std <- paste0(
      sprintf("%.2f", est_std$Std_Coefficient), "<br>",
      "[", sprintf("%.2f", est_std$CI_low), "; ", sprintf("%.2f", est_std$CI_high), "]") # Format statistics to two decimal places
    
    out <- list(
      tidy = est,
      glance = broom::glance(model)) # Storing the table and fit indices
    class(out) <- "modelsummary_list" # Define the class of the object so that modelsummary() accepts it
    out
  }
  
  # Second function: Format the table
  est <- custom_modelsummary_lm(model, vcov = vcov) # Apply the first function to the model
  g <- broom::glance(model) # Stock fit indices
  ddl <- unique(modelsummary::get_estimates(model, vcov = vcov)$df.error) # Stock degrees of freedom
  
  vcov_note <- if (!is.null(vcov)) paste0(" Standard errors : <em>", vcov, "</em>.") else ""
  
  notes_txt <- paste0(
    "<em>Note</em> : <em>n</em> = ",
    scales::number(g$nobs),
    ". Adjusted <em>R²</em> = ", 
    sprintf("%.2f", g$adj.r.squared),
    ".",
    vcov_note)
  
  modelsummary(
    coef_rename = coef_rename,
    gof_omit = gof_omit,
    
    shape = term ~ statistic, 
    
    estimate = c(
      "<strong>Estimate<br>[95% CI]</strong>" = "{estimate}<br>[{conf.low}; {conf.high}]"),
    
    statistic = setNames(
      c("std.error", "statistic", "p.value", "estimate_std"), # Add standardised column
      c(
        "<strong>Standard error</strong>",
        paste0("<strong><em>t</em> statistic (", ddl, ")</strong>"),
        "<strong><em>p</em>-value</strong>",
        "<strong><em>β</em><br>[95% CI]</strong>")), # Rename column
    
    models = list(" " = est),
    
    notes = notes_txt,
    
    fmt = fmt_statistic(estimate = 2, std.error = 2, statistic = 2, conf.low = 2, conf.high = 2, p.value = scales::label_pvalue()),
    
    ...)
}

en_modelsummary_lm(lm_1,
                   coef_rename = c(
                     "especeJugulaire" = "Species : Chinstrap",
                     "especePapou" = "Species : Gentoo",
                     "sexeMâle" = "Sex : Male"),
                   vcov = "HC3")

	Estimate [95% CI]	Standard error	t statistic (329)	p-value	β [95% CI]
Note : n = 333. Adjusted R² = 0.85. Standard errors : HC3.
(Intercept)	3372.39 [3315.89; 3428.88]	28.72	117.43	<0.001	-1.04 [-1.11; -0.97]
Species : Chinstrap	26.92 [-71.16; 125.01]	49.86	0.54	0.590	0.03 [-0.09; 0.16]
Species : Gentoo	1377.86 [1302.71; 1453.01]	38.20	36.07	<0.001	1.71 [1.62; 1.80]
Sex : Male	667.56 [598.91; 736.20]	34.90	19.13	<0.001	0.83 [0.74; 0.91]

Table 7: Régression de la masse des manchots en grammes, sur l’espèce et le sexe, selon l’Équation 1. Sortie en_modelsummary_lm().

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

Bergé, L. R., Butts, K., & McDermott, G. (2026). Fast and user-friendly econometrics estimations: The R package fixest. https://arxiv.org/abs/2601.21749

Christensen, R. H. B. (2025). ordinal—Regression Models for Ordinal Data. https://CRAN.R-project.org/package=ordinal

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

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

Venables, W. N., & Ripley, B. D. (2002). Modern Applied Statistics with S (Fourth). Springer. https://www.stats.ox.ac.uk/pub/MASS4/

Zeileis, A., Köll, S., & Graham, N. (2020). Various Versatile Variances: An Object-Oriented Implementation of Clustered Covariances in R. Journal of Statistical Software, 95(1), 1‑36. https://doi.org/10.18637/jss.v095.i01

Notes de bas de page

Pour les personnes un peu plus geek, il serait aussi possible de définir une fonction personnalisée et directement utilisable en interne de modelsummary(), de type tidy_custom.↩︎

Point de départ

La magie de modelsummary::modelsummary()

Construire une fonction personnalisée et simple, regroupant tous les besoins classiques en psychologie : fr_modelsummary_lm()

La fonction en_modelsummary_lm()

Références

Notes de bas de page

La magie de `modelsummary::modelsummary()`

Construire une fonction personnalisée et simple, regroupant tous les besoins classiques en psychologie : `fr_modelsummary_lm()`

La fonction `en_modelsummary_lm()`