Visit https://ebooknice.

com to download the full version and

explore more ebooks

(Ebook) Regression Analysis and Linear Models:

Concepts, Applications, and Implementation by
Richard B. Darlington PhD, Andrew F. Hayes PhD ISBN
9781462521135, 1462521134
_____ Click the link below to download _____
https://ebooknice.com/product/regression-analysis-and-
linear-models-concepts-applications-and-
implementation-5523936

Explore and download more ebooks at ebooknice.com

Here are some recommended products that might interest you.
You can download now and explore!

(Ebook) Biota Grow 2C gather 2C cook by Loucas, Jason;

Viles, James ISBN 9781459699816, 9781743365571,
9781925268492, 1459699815, 1743365578, 1925268497
https://ebooknice.com/product/biota-grow-2c-gather-2c-cook-6661374

ebooknice.com

(Ebook) SAT II Success MATH 1C and 2C 2002 (Peterson's SAT

II Success) by Peterson's ISBN 9780768906677, 0768906679

https://ebooknice.com/product/sat-ii-success-
math-1c-and-2c-2002-peterson-s-sat-ii-success-1722018

ebooknice.com

(Ebook) Matematik 5000+ Kurs 2c Lärobok by Lena

Alfredsson, Hans Heikne, Sanna Bodemyr ISBN 9789127456600,
9127456609
https://ebooknice.com/product/matematik-5000-kurs-2c-larobok-23848312

ebooknice.com

(Ebook) Master SAT II Math 1c and 2c 4th ed (Arco Master

the SAT Subject Test: Math Levels 1 & 2) by Arco ISBN
9780768923049, 0768923042
https://ebooknice.com/product/master-sat-ii-math-1c-and-2c-4th-ed-
arco-master-the-sat-subject-test-math-levels-1-2-2326094

ebooknice.com
(Ebook) Cambridge IGCSE and O Level History Workbook 2C -
Depth Study: the United States, 1919-41 2nd Edition by
Benjamin Harrison ISBN 9781398375147, 9781398375048,
1398375144, 1398375047
https://ebooknice.com/product/cambridge-igcse-and-o-level-history-
workbook-2c-depth-study-the-united-states-1919-41-2nd-edition-53538044

ebooknice.com

(Ebook) Introduction to Mediation, Moderation, and

Conditional Process Analysis: A Regression-Based Approach
by Andrew F. Hayes ISBN 9781609182304, 1609182308
https://ebooknice.com/product/introduction-to-mediation-moderation-
and-conditional-process-analysis-a-regression-based-approach-4727664

ebooknice.com

(Ebook) Introduction to Mediation, Moderation, and

Conditional Process Analysis. A Regression-based Approach
by Andrew F. Hayes ISBN 9781462534654, 1462534651
https://ebooknice.com/product/introduction-to-mediation-moderation-
and-conditional-process-analysis-a-regression-based-approach-7017070

ebooknice.com

(Ebook) Applied Regression Analysis and Generalized Linear

Models by John Fox ISBN 9781452205663, 1452205663

https://ebooknice.com/product/applied-regression-analysis-and-
generalized-linear-models-6852208

ebooknice.com

(Ebook) Introduction to Mediation, Moderation, and

Conditional Process Analysis: A Regression-Based Approach
(Methodology in the Social Sciences) by Hayes, Andrew F.
ISBN 9781462549030, 1462549039
https://ebooknice.com/product/introduction-to-mediation-moderation-
and-conditional-process-analysis-a-regression-based-approach-
methodology-in-the-social-sciences-54187544
ebooknice.com
Regression Analysis and Linear Models Concepts
Applications and Implementation 1st Edition Richard B.
Darlington Phd Digital Instant Download
Author(s): Richard B. Darlington PhD, Andrew F. Hayes PhD
ISBN(s): 9781462521135, 1462521134
Edition: 1
File Details: PDF, 7.60 MB
Year: 2016
Language: english
 ebook
THE GUILFORD PRESS
Regression Analysis and Linear Models
Methodology in the Social Sciences
David A. Kenny, Founding Editor
Todd D. Little, Series Editor
www.guilford.com/MSS
This series provides applied researchers and students with analysis and research design
books that emphasize the use of methods to answer research questions. Rather than
emphasizing statistical theory, each volume in the series illustrates when a technique
should (and should not) be used and how the output from available software programs
should (and should not) be interpreted. Common pitfalls as well as areas of further
development are clearly articulated.

RECENT VOLUMES

DOING STATISTICAL MEDIATION AND MODERATION

Paul E. Jose

LONGITUDINAL STRUCTURAL EQUATION MODELING

Todd D. Little

INTRODUCTION TO MEDIATION, MODERATION, AND CONDITIONAL

PROCESS ANALYSIS: A REGRESSION-BASED APPROACH
Andrew F. Hayes

BAYESIAN STATISTICS FOR THE SOCIAL SCIENCES

David Kaplan

CONFIRMATORY FACTOR ANALYSIS FOR APPLIED RESEARCH,

SECOND EDITION
Timothy A. Brown

PRINCIPLES AND PRACTICE OF STRUCTURAL EQUATION MODELING,

FOURTH EDITION
Rex B. Kline

HYPOTHESIS TESTING AND MODEL SELECTION IN THE SOCIAL SCIENCES

David L. Weakliem

REGRESSION ANALYSIS AND LINEAR MODELS:

CONCEPTS, APPLICATIONS, AND IMPLEMENTATION
Richard B. Darlington and Andrew F. Hayes

GROWTH MODELING: STRUCTURAL EQUATION

AND MULTILEVEL MODELING APPROACHES
Kevin J. Grimm, Nilam Ram, and Ryne Estabrook

PSYCHOMETRIC METHODS: THEORY INTO PRACTICE

Larry R. Price
 Regression Analysis
and Linear Models
Concepts, Applications, and Implementation

Richard B. Darlington
Andrew F. Hayes

Series Editor’s Note by Todd D. Little

THE GUILFORD PRESS

New York London
Copyright © 2017 The Guilford Press
A Division of Guilford Publications, Inc.
370 Seventh Avenue, Suite 1200, New York, NY 10001
www.guilford.com

All rights reserved

No part of this book may be reproduced, translated, stored in a retrieval

system, or transmitted, in any form or by any means, electronic,
mechanical, photocopying, microfilming, recording, or otherwise,
without written permission from the publisher.

Printed in the United States of America

This book is printed on acid-free paper.

Last digit is print number: 9 8 7 6 5 4 3 2 1

Library of Congress Cataloging-in-Publication Data is available

from the publisher.

ISBN 978-1-4625-2113-5 (hardcover)

Series Editor’s Note

What a partnership: Darlington and Hayes. Richard Darlington is an icon

of regression and linear modeling. His contributions to understanding the
general linear model have educated social and behavioral science research-
ers for nearly half a century. Andrew Hayes is an icon of applied regression
techniques, particularly in the context of mediation and moderation. His
contributions to conditional process modeling have shaped how we think
about and test processes of mediation and moderation. Bringing these two
icons together in collaboration gives us a work that any researcher should
use to learn and understand all aspects of linear modeling. The didactic
elements are thorough, conversational, and highly accessible. You’ll enjoy
Regression Analysis and Linear Models, not as a statistics book but rather as
a Hitchhiker’s Guide to the world of linear modeling. Linear modeling is
the bedrock material you need to know in order to grow into the more
advanced procedures, such as multilevel regression, structural equation
modeling, longitudinal modeling, and the like. The combination of clarity,
easy-to-digest “bite-sized” chapters, and comprehensive breadth of cover-
age is just wonderful. And the software coverage is equally comprehensive,
with examples in SAS, STATA, and SPSS (and some nice exposure to R)—
giving every discipline’s dominant software platform a thorough coverage.
In addition to the software coverage, the various examples that are used
span many disciplines and offer an engaging panorama of research ques-
tions and topics to stimulate the intellectually curious (a remedy for “aca-
demic attention deficit disorder”).
This book is not just about linear regression as a technique, but also
about research practice and the origins of scientific knowledge. The
v
vi Series Editor’s Note

thoughtful discussion of statistical control versus experimental control, for

example, provides the basis to understand when causal conclusions are suf-
ficiently implicated. As such, policy and practice can, in fact, rely on well-
crafted nonexperimental analyses. Practical guidance is also a hallmark
of this work, from detecting and managing irregularities, to collinearity
issues, to probing interactions, and so on. I particularly appreciate that they
take linear modeling all the way up through path analysis, an essential
starting point for many advanced latent variable modeling procedures.
This book will be well worn, dog-eared, highlighted, shared, re-read,
and simply cherished. It will now be required reading for all of my first-
year students and a recommended primer for all of my courses. And if you
are planning to come to one of my Stats Camp courses, brush up by review-
ing Darlington and Hayes.
As always, “Enjoy!” Oh, and to paraphrase the catch phrase from the
Hitchhiker’s Guide to the Galaxy: “Don’t forget your Darlington and Hayes.”

TODD D. LITTLE
Kicking off my Stats Camp
in Albuquerque, New Mexico
Preface

Linear regression analysis is by far the most popular analytical method in

the social and behavioral sciences, not to mention other fields like medi-
cine and public health. Everyone is exposed to regression analysis in some
form early on who undertakes scientific training, although sometimes that
exposure takes a disguised form. Even the most basic statistical proce-
dures taught to students in the sciences—the t-test and analysis of variance
(ANOVA), for instance—are really just forms of regression analysis. After
mastering these topics, students are often introduced to multiple regression
analysis as if it is something new and designed for a wholly different type
of problem than what they were exposed to in their first course. This book
shows how regression analysis, ANOVA, and the independent groups t-test
are one and the same. But we go far beyond drawing the parallels between
these methods, knowing that in order for you to advance your own study
in more advanced statistical methods, you need a solid background in the
fundamentals of linear modeling. This book attempts to give you that back-
ground, while facilitating your understanding using a conversational writ-
ing tone, minimizing the mathematics as much as possible, and focusing
on application and implementation using statistical software.
Although our intention was to deliver an introductory treatment of
regression analysis theory and application, we think even the seasoned
researcher and user of regression analysis will find him- or herself learn-
ing something new in each chapter. Indeed, with repeated readings of this
book we predict you will come to appreciate the glory of linear modeling
just as we have, and maybe even develop the kind of passion for the topic
that we developed and hope we have successfully conveyed to you.
vii
viii Preface

Regression analysis is conducted with computer software, and you

have many good programs to choose from. We emphasize three commer-
cial packages that are heavily used in the social and behavioral sciences:
IBM SPSS Statistics (referred to throughout the book simply as “SPSS”),
SAS, and STATA. A fourth program, R, is given some treatment in one of the
appendices. But this book is about the concepts and application of regres-
sion analysis and is not written as a how-to guide to using your software.
We assume that you already have at least some exposure to one of these
programs, some working experience entering and manipulating data, and
perhaps a book on your program available or a local expert to guide you
as needed. That said, we do provide relevant commands for each of these
programs for the key analyses and uses of regression analysis presented
in these pages, using different fonts and shades of gray to most clearly dis-
tinguish them from each other. Your program’s reference manual or user’s
guide, or your course instructor, can help you fine-tune and tailor the com-
mands we provide to extract other information from the analysis that you
may need one day.
In this rest of this preface, we provide a nonexhaustive summary of the
contents of the book, chapter by chapter, to give you a sense of what you
can expect to learn about in the pages that follow.

Overview of the Book

Chapter 1 introduces the book by focusing on the concept of “accounting
for something” when interpreting research results, and how a failure to
account for various explanations for an association between two variables
renders that association ambiguous in meaning and interpretation. Two
examples are offered in this first chapter, where the relationship between
two variables changes after accounting for the relationship between these
two variables and a third—a covariate. These examples are used to intro-
duce the concept of statistical control, which is a major theme of the book.
We discuss how the linear model, as a general analytic framework, can be
used to account for covariates in a flexible, versatile manner for many types
of data problems that a researcher confronts.
Chapters 2 and 3 are perhaps the core of the book, and everything that
follows builds on the material in these two chapters. Chapter 2 introduces
the concept of a conditional mean and how the ordinary least squares crite-
rion used in regression analysis for defining the best-fitting model yields a
model of conditional means by minimizing the sum of the squared resid-
uals. After illustrating some simple computations, which are then repli-
cated using regression routines in SPSS, SAS, and STATA, distinctions are
drawn between the correlation coefficient and the regression coefficient as
 Preface ix

related measures of association sensitive to different things (such as scale

of measurement and restriction in range). Because the residual plays such
an important role in the derivation of measures of partial association in the
next chapter, considerable attention is paid in Chapter 2 to the properties of
residuals and how residuals are interpreted.
Chapter 3 lays the foundation for an understanding of statistical con-
trol by illustrating again (as in Chapter 1, but this time using all continuous
variables) how a failure to account for covariates can lead to misleading
results about the true relationship between an independent and dependent
variable. Using this example, the partialing process is described, focusing
on how the residuals in a regression analysis can be thought of as a new
measure—a variable that has been cleansed of its relationships with the
other variables in the model. We show how the partial regression coeffi-
cient as well as other measures of partial association, such as the partial
and semipartial correlation, can be thought of as measures of association
between residuals. After showing how these measures are constructed and
interpreted without using multiple regression, we illustrate how multiple
regression analysis yields these measures without the hassle of having to
generate residuals yourself. Considerable attention is given in this chap-
ter to the meaning and interpretation of various measures of partial asso-
ciation, including the sometimes confusing difference between the semi-
partial and partial correlation. Venn diagrams are introduced at this stage
as useful heuristics for thinking about shared and partial association and
keeping straight the distinction between semipartial and partial correla-
tion.
In many books, you find the topic of statistical inference addressed
first in the simple regression model, before additional regressors and mea-
sures of partial association are introduced. With this approach, much of the
same material gets repeated when models with more than one predictor
are illustrated later. Our approach in this book is different and manifested
in Chapter 4. Rather than discussing inference in the single and multiple
regressor case as separate inferential problems in Chapters 2 and 3, we
introduce inference in Chapter 4 more generally for any model regardless
of the number of variables in the model. There are at least two advantages
to this approach of waiting until a bit later in the book to discuss infer-
ence. First, it allows us to emphasize the mechanics and theory of regres-
sion analysis in the first few chapters while staying purely in the realm
of description of association between variables with or without statistical
control. Only after these concepts have been introduced and the reader has
developed some comfort with the ideas of regression analysis do we then
add the burden that can go with the abstraction of generalization, popula-
tions, degrees of freedom, tolerance and collinearity, and so forth. Second,
with this approach, we need to cover the theory and mechanics of inference
x Preface

only once, noting that a model with only a single regressor is just a special
case of the more general theory and mathematics of statistical inference in
regression analysis.
We return to the uses and theory of multiple regression in Chapter
5, first by showing that a dichotomous regressor can be used in a model
and that, when used alone, the result is a model equivalent to the inde-
pendent groups t-test with which readers are likely familiar. But unlike
the independent groups t-test, additional variables are easily added to a
regression model when the goal is to compare groups when holding one or
more covariates constant (variables that can be dichotomous or numerical
in any combination). We also discuss the phenomenon of regression to the
mean, how regression analysis handles it, and the advantages of regression
analysis using pretest measurements rather than difference scores when a
variable is measured more than once and interest is in change over time.
Also addressed in this chapter are measures and inference about partial
association for sets of variables. This topic is particularly important later in
the book, where an understanding of variable sets is critical to understand-
ing how to form inferences about the effect of multicategorical variables on
a dependent variable as well as testing interaction between regressors.
In Chapter 6 we take a step away from the mechanics of regression
analysis to address the general topic of cause and effect. Experimentation
is seen by most researchers as the gold-standard design for research moti-
vated by a desire to establish cause–effect relationships. But fans of experi-
mentation don’t always appreciate the limitations of the randomized exper-
iment or the strengths of statistical control as an alternative. Ultimately,
experimentation and statistical control have their own sets of strengths
and weaknesses. We take the position in this chapter that statistical control
through regression analysis and randomized experimentation complement
each other rather than compete. Although data analysis can only go so far
in establishing cause–effect, statistical control through regression analysis
and the randomized experiment can be used in tandem to strengthen the
claims that one can make about cause–effect from a data analysis. But when
random assignment is not possible or the data are already collected using
a different design, regression analysis gives a means for the researcher to
entertain and rule out at least some explanations for an association that
compete with a cause–effect interpretation.
Emphasis in the first six chapters is on the regression coefficient and
its derivatives. Chapter 7 is dedicated to the use of regression analysis as
a prediction system, where focus is less on the regression coefficients and
more on the multiple correlation R and how accurately a model generates
estimates of the dependent variable in currently available or future data.
Though no doubt this use of regression analysis is less common, an under-
standing of the subtle and sometimes complex issues that come up when
 Preface xi

using regression analysis to make predictions is important. In this chap-

ter we make the distinction between how well a sample model predicts
the dependent variable in the sample, how well the “population model”
predicts the dependent variable in the population, and how well a sam-
ple model predicts the dependent variable in the population. The latter is
quantified with shrunken R, and we discuss some ways of estimating it. We
also address mechanical methods of model construction, best known as
stepwise regression, including the pitfalls of relinquishing control of model
construction to an algorithm. Even if you don’t anticipate using regression
analysis as a prediction system, the section in this chapter on predictor
variable configurations is worth reading, because complementarity, redun-
dancy, and suppression are phenomena that, though introduced here in the
context of prediction, do have relevance when using regression for causal
analysis as well.
Chapter 8 is on the topic of variable importance. Researchers have an
understandable impulse to want to describe relationships in terms that
convey in one way or another the size of the effect they have quantified. It
is tempting to rely on rules of thumb circulating in the empirical literature
and statistics books for what constitutes a small versus a big effect using
concepts such as the proportion of variance that an independent variable
explains in the dependent variable. But establishing the size of a variable’s
effect or its importance is far more complex than this. For example, small
effects can be important, and big effects for variables that can’t be manipu-
lated or changed have limited applied value. Furthermore, as discussed in
this chapter, there is reason to be skeptical of the use of squared measures
of correlations, which researchers often use, as measures of effect size. In
this chapter we describe various quantitative, value-free measures of effect
size, including our attraction to the semipartial correlation relative to com-
petitors such as the standardized regression coefficient. We also provide an
overview of dominance analysis as an approach to ordering the contribu-
tion of variables in explaining variation in the dependent variable.
In Chapters 9 and 10 we address how to include multicategorical vari-
ables in a regression analysis. Chapter 9 focuses on the most common
means of including a categorical variable with three or more categories
in a regression model through the use of indicator or dummy coding. An
important take-home message from this chapter is that regression analy-
sis can duplicate anything that can be done with a traditional single-factor
one-way ANOVA or ANCOVA. With the principles of interpretation of
regression coefficients and inference mastered, the reader will expand his
or her understanding in Chapter 10, where we cover other systems for
coding groups, including Helmert, effect, and sequential coding. In both
of these chapters we also discuss contrasts between means either with
or without control, including pairwise comparisons between means and
xii Preface

more complex contrasts that can be represented as a linear combination

of means.
In the classroom, we have found that after covering multicategorical
regressors, students invariably bring up the so-called multiple test problem,
because students who have been exposed to ANOVA prior to taking a
regression course often learn about Type I error inflation in the context of
comparing three or more means. So Chapter 11 discusses the multiple test
problem, and we offer our perspective on it. We emphasize that the problem
of multiple testing surfaces any time one conducts more than one hypoth-
esis test, whether that is done in the context of comparing means or when
using any linear model that is the topic of this book. Rather than describing
a litany of approaches invented for pairwise comparisons between means,
we focus almost exclusively on the Bonferroni method (and a few variants)
as a simple, easy-to-use, and flexible approach. Although this method is
conservative, we take the position that its advantages outweigh its conser-
vatism most of the time. We also offer our own philosophy of the multiple
test problem and discuss how one has to be thoughtful rather than mindless
when deciding when and how to compensate for multiple hypothesis tests
in the inference process. This includes contemplating such things as the
logical independence of the hypotheses, how well established the research
area is, and the interest value of various hypotheses being conducted.
By the time you get to Chapter 12, the versatility of linear regression
analysis will be readily apparent. By the end of Chapter 12 on nonlinearity,
any remaining doubters will be convinced. We show in this chapter how
linear regression analysis can be used to model nonlinear relationships. We
start with polynomial regression, which largely serves as a reminder to the
reader what he or she probably learned in secondary school about func-
tions. But once these old lessons are combined with the idea of minimizing
residuals through the least squares criterion, it seems almost obvious that
linear regression analysis can and should be able to model curves. We then
describe linear spline regression, which is a means of connecting straight
lines at joints so as to approximate complex curves that aren’t always cap-
tured well by polynomials. With the principles of linear spline regression
covered, we then merge polynomial and spline regression into polynomial
spline regression, which allows the analyst to model very complex curvi-
linear relationships without ever leaving the comfort of a linear regression
analysis program. Finally, it is in this chapter that we discuss various trans-
formations, which have a variety of uses in regression analysis including
making nonlinear relationships more linear, which can have its advantages
in some circumstances.
Up to this point in the book, one variable’s effect on a dependent vari-
able, as expressed by a measure of partial association such as the partial
regression coefficient, is fixed to be independent of any other regressor.
 Preface xiii

This changes in Chapters 13 and 14, where we discuss interaction, also called
moderation. Chapter 13 introduces the fundamentals by illustrating the flex-
ibility that can be added to a regression model by including a cross-product
of two variables in a model. Doing so allows one variable’s effect—the focal
predictor—to be a linear function of a second variable—the moderator. We
show how this approach can be used with focal predictors and moderators
that are numerical, dichotomous, or multicategorical in any combination.
In Chapter 14 we formalize the linear nature of the relationship between
focal predictor and moderator and how a function can be constructed,
allowing you to estimate one variable’s effect on the dependent variable,
knowing the value of the moderator. We also address the exercise of probing
an interaction and discuss a variety of approaches, including the appealing
but less widely known Johnson–Neyman technique. We end this section by
discussing various complications and myths in the study and analysis of
interactions, including how nonlinearity and interaction can masquerade
as each other, and why a valid test for interaction does not require that
variables be centered before a cross-product term is computed, although
centering may improve the interpretation of the coefficients of the linear
terms in the cross-product.
Moderation is easily confused with mediation, the topic of Chapter 15.
Whereas moderation focuses on estimating and understanding the bound-
ary conditions or contingencies of an effect—when an effect exists and
when it is large versus small—mediation addresses the question how an
effect operates. Using regression analysis, we illustrate how one variable’s
effect in a regression model can be partitioned into direct and indirect com-
ponents. The indirect effect of a variable quantifies the result of a causal
chain of events in which an independent variable is presumed to affect an
intermediate mediator variable, which in turn affects the dependent vari-
able. We describe the regression algebra of path analysis first in a simple
model with only a single mediator before extending it to more complex
models involving more than one mediator. After discussing inference
about direct and indirect effects, we dedicate considerable space to various
controversies and extensions of mediation analysis, including cause–effect,
models with multicategorical independent variables, nonlinear effects, and
combining moderation and mediation analysis.
Under the topic of “irregularities,” Chapter 16 is dedicated to regres-
sion diagnostics and testing regression assumptions. Some may feel
these important topics are placed later in the sequence of chapters than
they should be, but our decision was deliberate. We feel it is important to
focus on the general concepts, uses, and remarkable flexibility of regres-
sion analysis before worrying about the things that can go wrong. In this
chapter we describe various diagnostic statistics—measures of leverage, dis-
tance, and influence—that analysts can use to find problems in their data
xiv Preface

or analysis (such as clerical errors in data entry) and identify cases that
might be causing distortions or other difficulties in the analysis, whether
they take the form of violating assumptions or producing results that are
markedly different than they would be if the case were excluded from the
analysis entirely. We also describe the assumptions of regression analysis
more formally than we have elsewhere and offer some approaches to test-
ing the assumptions, as well as alternative methods one can employ if one
is worried about the effects of assumption violations.
Chapters 17 and 18 close the book by addressing various additional
complexities and problems not addressed in Chapter 16, as well as numer-
ous extensions of linear regression analysis. Chapter 17 focuses on power
and precision of estimation. Though we do not dedicate space to how to
conduct a power analysis (whole books on this topic exist, as does software
to do the computations), we do dissect the formula for the standard error of
a regression coefficient and describe the factors that influence its size. This
shows the reader how to increase power when necessary. Also in Chapter
17 is the topic of measurement error and the effects it has on power and the
validity of a hypothesis test, as well as a discussion of other miscellaneous
problems such as missing data, collinearity and singularity, and rounding
error. Chapter 18 closes the book with an introduction to logistic regression,
which is the natural next step in one’s learning about linear models. After
this brief introduction to modeling dichotomous dependent variables, we
point the reader to resources where one can learn about other extensions to
the linear model, such as models of ordinal or count dependent variables,
time series and survival analysis, structural equation modeling, and mul-
tilevel modeling.
Appendices aren’t usually much worth discussing in the precis of a
book such as this, but other than Appendix C, which contains various
obligatory statistical tables, a few of ours are worthy of mention. Although
all the analyses can be described in this book with regression analysis and
in a few cases perhaps a bit of hand computation, Appendix A describes
and documents the RLM macro for SPSS and SAS written for this book and
referenced in a few places elsewhere in the book that makes some of the
analyses considerably easier. RLM is not intended to replace your preferred
program’s regression routine, though it can do many ordinary regression
functions. But RLM has some features not found in software off the shelf
that facilitates some of the computations required for estimating and prob-
ing interactions, implementing the Johnson–Neyman technique, domi-
nance analysis, linear spline regression, and the Bonferroni correction to
the largest t-residual for testing regression assumptions, among a few other
things. RLM can be downloaded from this book’s web page at www.afhayes.
com. Appendix B is for more advanced readers who are interested in the
matrix algebra behind basic regression computations. Finally, Appendix D
 Preface xv

addresses regression analysis with R, a freely available open-source com-

puting platform that has been growing in popularity. Though this quick
introduction will not make you an expert on regression analysis with R, it
should get you started and position you for additional reading about R on
your own.

To the Instructor
Instructors will find that our precis above combined with the Contents pro-
vides a thorough overview of the topics we cover in this book. But we high-
light some of its strengths and unique features below:

• Repeated references to syntax for regression analysis in three statisti-

cal packages: SPSS, SAS, and STATA. Introduction of the R statistical
language for regression analysis in an appendix.
• Introduction of regression through the concept of statistical control
of covariates, including discussions of the relative advantages of sta-
tistical and experimental control in section 1.1 and Chapter 6.
• Differences between simple regression and correlation coefficients in
their uses and properties; see section 2.3.
• When to use partial, semipartial, and simple correlations, or stan-
dardized and unstandardized regression coefficients; see sections
3.3 and 3.4.
• Is collinearity really a serious problem? See section 4.7.1.
• Truly understanding regression to the mean; see section 5.2.
• Using regression for prediction. Why the familiar “adjusted” mul-
tiple correlation overestimates the accuracy of a sample regression
equation; see section 7.2.
• When should a mechanical regression prediction replace expert judg-
ment in making decisions about real people? See sections 7.1 and 7.5.
• Assessing the relative importance of the variables in a model; see
Chapter 8.
• Should correlations be squared when assessing relative importance?
See section 8.2.
• Sequential, Helmert, and effect coding for multicategorical variables;
see Chapter 10.
• A different view of the multiple test problem. Why should we correct
for some tests, but not correct for all tests in the entire history of sci-
ence? See Chapter 11.
• Fitting curves with polynomial, spline, and polynomial spline regres-
sion; see Chapter 12.
• Advanced techniques for probing interactions; see Chapter 14.
xvi Preface

Acknowledgments
Writing a book is a team effort, and many have contributed in one way
or another to this one, including various reviewers, students, colleagues,
and family members. C. Deborah Laughton, Seymour Weingarten, Judith
Grauman, Katherine Sommer, Jeannie Tang, Martin Coleman, and others
at The Guilford Press have been professional and supportive at various
phases while also cheering us on. They make book writing enjoyable and
worth doing often. Amanda Montoya and Cindy Gunthrie provided edit-
ing and readability advice and offered a reader’s perspective that helped to
improve the book. Todd Little, the editor of Guilford’s Methodology in the
Social Sciences series, was an enthusiastic supporter of this book from the
very beginning. Scott C. Roesch and Chris Oshima reviewed the manu-
script prior to publication and made various suggestions, most of which we
incorporated into the final draft. And our families, and in particular our
wives, Betsy and Carole, deserve much credit for their support and also
tolerating the divided attention that often comes with writing a book of any
kind, but especially one of this size and scope.

RICHARD B. DARLINGTON
Ithaca, New York

ANDREW F. HAYES
Columbus, Ohio
List of Symbols and Abbreviations

Symbol Meaning

b0 regression
constant
bj partial
regression
coefficient
for
regressor
j
b̃ j standardized
partial
regression
coefficient
for
regressor
j

B number
of
hypothesis
tests
conducted
cj contrast
coefficient
for
group
j
Cov covariance
D1 , D2 . . . codes
used
in
the
representation
of
a
multicategorical
regressor

DB(b j ) df
beta
for
regressor
j
df degrees
of
freedom
E expected
value
e residual
ei residual
for
case
i
d ei case
i’s
residual
when
it
is
excluded
from
the
model
F F-ratio
used
in
hypothesis
testing
g number
of
groups
hi leverage
for
case
i
J1 , J2 . . . artificial
variables
created
in
spline
regression
k number
of
regressors
LL log
likelihood
ln natural
logarithm
MD Mahalanobis
distance
MS mean
square
N sample
size
nj sample
size
of
group
j
p observed
sigOificance
or
p-value
PEi probability
of
an
event
for
case
i
PR partial
multiple
correlation
PR(B.A) partial
correlation
for
set
B
controlling
for
set
A
pr j partial
correlation
for
regressor
j
R multiple
correlation
R(A) R
with
regressors
in
set
A
R(AB) R
with
regressors
in
set
A
and
TFU
B
RS shrunken
R
rXY Pearson
correlation
coefficient
rel j reliability
of
regressor
j

xvii
xviii List of Symbols and Abbreviations

Symbol Meaning

sX standard
deviation
of
X
sY standard
deviation
of
Y
sY.X standard
error
of
estimate
SE standard
error
SR semipartial
correlation
for
a
set
SR(B.A) semipartial
correlation
for
set
B
controlling
for
set
A

sr j semipartial
correlation
for
regressor
j
stri standardized
residual
for
case
i
SS sum
of
squares
T as
a
prefix,
the
true
or
population
value
of
the
quantity
t t
statistic
used
in
hypothesis
testing
tri studentized
residual
for
case
i
tj t
statistic
for
regressor
j
Tol j tolerance
for
regressor
j
Var variance
Var(Y.X) variance
of
the
residuals
VIF j variance
inflation
factor
for
regressor
j
X a
regressor
X mean
of
X
Xj regressor
j
X1.2 portion
of
X1
independent
of
X2
x deviation
from
the
mean
of
X
Y usually
the
dependent
variable
Y mean
of
Y
y deviation
from
the
mean
of
Y
Y.1 portion
of
Y
independent
of
X1
Zf Fisher’s
Z
ZX standardized
value
of
X
ZY standardized
value
of
Y
Y mean
of
Y
Ŷ estimate
or
fitted
value
of
Y
from
a
model
α chosen
significance
level
for
a
hypothesis
test

αFW familywise
Type
I
error
rate
ΔR2 change
in
R2
ˆ estimated
value
Π multiplication
Σ summation
θX conditional
effect
of
X
. “controlling
for”;
for
example,
rXY.C
is
rXY
controlling
for
C
Contents

List of Symbols and Abbreviations xvii

1 • Statistical Control and Linear Models 1

1.1 Statistical Control / 1
1.1.1 The Need for Control / 1
1.1.2 Five Methods of Control / 2
1.1.3 Examples of Statistical Control / 4
1.2 An Overview of Linear Models / 8
1.2.1 What You Should Know Already / 12
1.2.2 Statistical Software for Linear Modeling and Statistical Control / 12
1.2.3 About Formulas / 14
1.2.4 On Symbolic Representations / 15
1.3 Chapter Summary / 16

2 • The Simple Regression Model 17

2.1 Scatterplots and Conditional Distributions / 17
2.1.1 Scatterplots / 17
2.1.2 A Line through Conditional Means / 18
2.1.3 Errors of Estimate / 21
2.2 The Simple Regression Model / 23
2.2.1 The Regression Line / 23
2.2.2 Variance, Covariance, and Correlation / 24
2.2.3 Finding the Regression Line / 25
2.2.4 Example Computations / 26
2.2.5 Linear Regression Analysis by Computer / 28
2.3 The Regression Coefficient versus the Correlation Coefficient / 31
2.3.1 Properties of the Regression and Correlation Coefficients / 32
2.3.2 Uses of the Regression and Correlation Coefficients / 34
2.4 Residuals / 35
2.4.1 The Three Components of Y / 35
2.4.2 Algebraic Properties of Residuals / 36
2.4.3 Residuals as Y Adjusted for Differences in X / 37
2.4.4 Residual Analysis / 37
2.5 Chapter Summary / 41

3 • Partial Relationship and the Multiple Regression Model 43

3.1 Regression Analysis with More Than One Predictor Variable / 43
3.1.1 An Example / 43
3.1.2 Regressors / 46

xix
xx Contents

3.1.3 Models / 47
3.1.4 Representing a Model Geometrically / 49
3.1.5 Model Errors / 50
3.1.6 An Alternative View of the Model / 52
3.2 The Best-Fitting Model / 55
3.2.1 Model Estimation with Computer Software / 55
3.2.2 Partial Regression Coefficients / 58
3.2.3 The Regression Constant / 63
3.2.4 Problems with Three or More Regressors / 64
3.2.5 The Multiple Correlation R / 68
3.3 Scale-Free Measures of Partial Association / 70
3.3.1 Semipartial Correlation / 70
3.3.2 Partial Correlation / 71
3.3.3 The Standardized Regression Coefficient / 73
3.4 Some Relations among Statistics / 75
3.4.1 Relations among Simple, Multiple, Partial, and Semipartial Correlations / 75
3.4.2 Venn Diagrams / 78
3.4.3 Partial Relationships and Simple Relationships May Have Different Signs / 80
3.4.4 How Covariates Affect Regression Coefficients / 81
3.4.5 Formulas for bj, prj, srj, and R / 82
3.5 Chapter Summary / 83

4 • Statistical Inference in Regression 85

4.1 Concepts in Statistical Inference / 85
4.1.1 Statistics and Parameters / 85
4.1.2 Assumptions for Proper Inference / 88
4.1.3 Expected Values and Unbiased Estimation / 91
4.2 The ANOVA Summary Table / 92
4.2.1 Data = Model + Error / 95
4.2.2 Total and Regression Sums of Squares / 97
4.2.3 Degrees of Freedom / 99
4.2.4 Mean Squares / 100
4.3 Inference about the Multiple Correlation / 102
4.3.1 Biased and Less Biased Estimation of TR2 / 102
4.3.2 Testing a Hypothesis about TR / 104
4.4 The Distribution of and Inference about a Partial
Regression Coefficient / 105
4.4.1 Testing a Null Hypothesis about Tbj / 105
4.4.2 Interval Estimates for Tbj / 106
4.4.3 Factors Affecting the Standard Error of bj / 107
4.4.4 Tolerance / 109
4.5 Inferences about Partial Correlations / 112
4.5.1 Testing a Null Hypothesis about Tprj and T srj / 112
4.5.2 Other Inferences about Partial Correlations / 113
4.6 Inferences about Conditional Means / 116
4.7 Miscellaneous Issues in Inference / 118
4.7.1 How Great a Drawback Is Collinearity? / 118
4.7.2 Contradicting Inferences / 119
4.7.3 Sample Size and Nonsignificant Covariates / 121
4.7.4 Inference in Simple Regression (When k = 1) / 121
4.8 Chapter Summary / 122

5 • Extending Regression Analysis Principles 125

5.1 Dichotomous Regressors / 125
5.1.1 Indicator or Dummy Variables / 125
5.1.2 Estimates of Y Are Group Means / 126
5.1.3 The Regression Coefficient for an Indicator Is a Difference / 128
 Contents xxi

5.1.4 A Graphic Representation / 129

5.1.5 A Caution about Standardized Regression Coefficients
for Dichotomous Regressors / 130
5.1.6 Artificial Categorization of Numerical Variables / 132
5.2 Regression to the Mean / 135
5.2.1 How Regression Got Its Name / 135
5.2.2 The Phenomenon / 135
5.2.3 Versions of the Phenomenon / 138
5.2.4 Misconceptions and Mistakes Fostered by Regression to the Mean / 140
5.2.5 Accounting for Regression to the Mean Using Linear Models / 141
5.3 Multidimensional Sets / 144
5.3.1 The Partial and Semipartial Multiple Correlation / 145
5.3.2 What It Means If PR = 0 or SR = 0 / 148
5.3.3 Inference Concerning Sets of Variables / 148
5.4 A Glance at the Big Picture / 152
5.4.1 Further Extensions of Regression / 153
5.4.2 Some Difficulties and Limitations / 153
5.5 Chapter Summary / 155

6 • Statistical versus Experimental Control 157

6.1 Why Random Assignment? / 158
6.1.1 Limitations of Statistical Control / 158
6.1.2 The Advantage of Random Assignment / 159
6.1.3 The Meaning of Random Assignment / 160
6.2 Limitations of Random Assignment / 162
6.2.1 Limitations Common to Statistical Control and Random Assignment / 162
6.2.2 Limitations Specific to Random Assignment / 165
6.2.3 Correlation and Causation / 166
6.3 Supplementing Random Assignment with Statistical Control / 169
6.3.1 Increased Precision and Power / 169
6.3.2 Invulnerability to Chance Differences between Groups / 174
6.3.3 Quantifying and Assessing Indirect Effects / 175
6.4 Chapter Summary / 176

7 • Regression for Prediction 177

7.1 Mechanical Prediction and Regression / 177
7.1.1 The Advantages of Mechanical Prediction / 177
7.1.2 Regression as a Mechanical Prediction Method / 178
7.1.3 A Focus on R Rather Than on the Regression Weights / 180
7.2 Estimating True Validity / 181
7.2.1 Shrunken versus Adjusted R / 181
7.2.2 Estimating TRS / 183
7.2.3 Shrunken R Using Statistical Software / 186
7.3 Selecting Predictor Variables / 188
7.3.1 Stepwise Regression / 189
7.3.2 All Subsets Regression / 192
7.3.3 How Do Variable Selection Methods Perform? / 192
7.4 Predictor Variable Configurations / 195
7.4.1 Partial Redundancy (the Standard Configuration) / 196
7.4.2 Complete Redundancy / 198
7.4.3 Independence / 199
7.4.4 Complementarity / 199
7.4.5 Suppression / 200
7.4.6 How These Configurations Relate to the Correlation between Predictors / 201
7.4.7 Configurations of Three or More Predictors / 205
7.5 Revisiting the Value of Human Judgment / 205
7.6 Chapter Summary / 207
xxii Contents

8 • Assessing the Importance of Regressors 209

8.1 What Does It Mean for a Variable to Be Important? / 210
8.1.1 Variable Importance in Substantive or Applied Terms / 210
8.1.2 Variable Importance in Statistical Terms / 211
8.2 Should Correlations Be Squared? / 212
8.2.1 Decision Theory / 213
8.2.2 Small Squared Correlations Can Reflect Noteworthy Effects / 217
8.2.3 Pearson’s r as the Ratio of a Regression Coefficient to Its Maximum
Possible Value / 218
8.2.4 Proportional Reduction in Estimation Error / 220
8.2.5 When the Standard Is Perfection / 222
8.2.6 Summary / 223
8.3 Determining the Relative Importance of Regressors in a Single
Regression Model / 223
8.3.1 The Limitations of the Standardized Regression Coefficient / 224
8.3.2 The Advantage of the Semipartial Correlation / 225
8.3.3 Some Equivalences among Measures / 226
8.3.4 Eta-Squared, Partial Eta-Squared, and Cohen’s f-Squared / 227
8.3.5 Comparing Two Regression Coefficients in the Same Model / 229
8.4 Dominance Analysis / 233
8.4.1 Complete and Partial Dominance / 235
8.4.2 Example Computations / 236
8.4.3 Dominance Analysis Using a Regression Program / 237
8.5 Chapter Summary / 240

9 • Multicategorical Regressors 243

9.1 Multicategorical Variables as Sets / 244
9.1.1 Indicator (Dummy) Coding / 245
9.1.2 Constructing Indicator Variables / 249
9.1.3 The Reference Category / 250
9.1.4 Testing the Equality of Several Means / 252
9.1.5 Parallels with Analysis of Variance / 254
9.1.6 Interpreting Estimated Y and the Regression Coefficients / 255
9.2 Multicategorical Regressors as or with Covariates / 258
9.2.1 Multicategorical Variables as Covariates / 258
9.2.2 Comparing Groups and Statistical Control / 260
9.2.3 Interpretation of Regression Coefficients / 264
9.2.4 Adjusted Means / 266
9.2.5 Parallels with ANCOVA / 268
9.2.6 More Than One Covariate / 271
9.3 Chapter Summary / 273

10 • More on Multicategorical Regressors 275

10.1 Alternative Coding Systems / 276
10.1.1 Sequential (Adjacent or Repeated Categories) Coding / 277
10.1.2 Helmert Coding / 283
10.1.3 Effect Coding / 287
10.2 Comparisons and Contrasts / 289
10.2.1 Contrasts / 289
10.2.2 Computing the Standard Error of a Contrast / 291
10.2.3 Contrasts Using Statistical Software / 292
10.2.4 Covariates and the Comparison of Adjusted Means / 294
10.3 Weighted Group Coding and Contrasts / 298
10.3.1 Weighted Effect Coding / 298
10.3.2 Weighted Helmert Coding / 300
 Contents xxiii

10.3.3 Weighted Contrasts / 304

10.3.4 Application to Adjusted Means / 308
10.4 Chapter Summary / 308

11 • Multiple Tests 311

11.1 The Multiple Test Problem / 312
11.1.1 An Illustration through Simulation / 312
11.1.2 The Problem Defined / 315
11.1.3 The Role of Sample Size / 316
11.1.4 The Generality of the Problem / 317
11.1.5 Do Omnibus Tests Offer “Protection”? / 319
11.1.6 Should You Be Concerned about the Multiple Test Problem? / 319
11.2 The Bonferroni Method / 320
11.2.1 Independent Tests / 321
11.2.2 The Bonferroni Method for Nonindependent Tests / 322
11.2.3 Revisiting the Illustration / 324
11.2.4 Bonferroni Layering / 324
11.2.5 Finding an “Exact” p-Value / 325
11.2.6 Nonsense Values / 327
11.2.7 Flexibility of the Bonferroni Method / 327
11.2.8 Power of the Bonferroni Method / 328
11.3 Some Basic Issues Surrounding Multiple Tests / 328
11.3.1 Why Correct for Multiple Tests at All? / 329
11.3.2 Why Not Correct for the Whole History of Science? / 330
11.3.3 Plausibility and Logical Independence of Hypotheses / 331
11.3.4 Planned versus Unplanned Tests / 335
11.3.5 Summary of the Basic Issues / 338
11.4 Chapter Summary / 338

12 • Nonlinear Relationships 341

12.1 Linear Regression Can Model Nonlinear Relationships / 341
12.1.1 When Must Curves Be Fitted? / 342
12.1.2 The Graphical Display of Curvilinearity / 344
12.2 Polynomial Regression / 347
12.2.1 Basic Principles / 347
12.2.2 An Example / 350
12.2.3 The Meaning of the Regression Coefficients
for Lower-Order Regressors / 352
12.2.4 Centering Variables in Polynomial Regression / 354
12.2.5 Finding a Parabola’s Maximum or Minimum / 356
12.3 Spline Regression / 357
12.3.1 Linear Spline Regression / 358
12.3.2 Implementation in Statistical Software / 363
12.3.3 Polynomial Spline Regression / 364
12.3.4 Covariates, Weak Curvilinearity, and Choosing Joints / 368
12.4 Transformations of Dependent Variables or Regressors / 369
12.4.1 Logarithmic Transformation / 370
12.4.2 The Box–Cox Transformation / 372
12.5 Chapter Summary / 374

13 • Linear Interaction 377

13.1 Interaction Fundamentals / 377
13.1.1 Interaction as a Difference in Slope / 377
13.1.2 Interaction between Two Numerical Regressors / 378
13.1.3 Interaction versus Intercorrelation / 379
13.1.4 Simple Linear Interaction / 380
xxiv Contents

13.1.5 Representing Simple Linear Interaction with a Cross-Product / 381

13.1.6 The Symmetry of Interaction / 382
13.1.7 Interaction as a Warped Surface / 384
13.1.8 Covariates in a Regression Model with an Interaction / 385
13.1.9 The Meaning of the Regression Coefficients / 385
13.1.10 An Example with Estimation Using Statistical Software / 386
13.2 Interaction Involving a Categorical Regressor / 390
13.2.1 Interaction between a Dichotomous and a Numerical Regressor / 390
13.2.2 The Meaning of the Regression Coefficients / 392
13.2.3 Interaction Involving a Multicategorical and a Numerical Regressor / 394
13.2.4 Inference When Interaction Requires More Than One
Regression Coefficient / 397
13.2.5 A Substantive Example / 398
13.2.6 Interpretation of the Regression Coefficients / 402
13.3 Interaction between Two Categorical Regressors / 404
13.3.1 The 2 × 2 Design / 404
13.3.2 Interaction between a Dichotomous and a Multicategorical Regressor / 407
13.3.3 Interaction between Two Multicategorical Regressors / 408
13.4 Chapter Summary / 408

14 • Probing Interactions and Various Complexities 411

14.1 Conditional Effects as Functions / 411
14.1.1 When the Interaction Involves Dichotomous or Numerical Variables / 412
14.1.2 When the Interaction Involves a Multicategorical Variable / 414
14.2 Inference about a Conditional Effect / 415
14.2.1 When the Focal Predictor and Moderator Are Numerical or Dichotomous / 415
14.2.2 When the Focal Predictor or Moderator Is Multicategorical / 419
14.3 Probing an Interaction / 422
14.3.1 Examining Conditional Effects at Various Values of the Moderator / 423
14.3.2 The Johnson–Neyman Technique / 425
14.3.3 Testing versus Probing an Interaction / 427
14.3.4 Comparing Conditional Effects / 428
14.4 Complications and Confusions in the Study of Interactions / 429
14.4.1 The Difficulty of Detecting Interactions / 429
14.4.2 Confusing Interaction with Curvilinearity / 430
14.4.3 How the Scaling of Y Affects Interaction / 432
14.4.4 The Interpretation of Lower-Order Regression Coefficients When
a Cross-Product Is Present / 433
14.4.5 Some Myths about Testing Interaction / 435
14.4.6 Interaction and Nonsignificant Linear Terms / 437
14.4.7 Homogeneity of Regression in ANCOVA / 437
14.4.8 Multiple, Higher-Order, and Curvilinear Interactions / 438
14.4.9 Artificial Categorization of Continua / 441
14.5 Organizing Tests on Interaction / 441
14.5.1 Three Approaches to Managing Complications / 442
14.5.2 Broad versus Narrow Tests / 443
14.6 Chapter Summary / 445

15 • Mediation and Path Analysis 447

15.1 Path Analysis and Linear Regression / 448
15.1.1 Direct, Indirect, and Total Effects / 448
15.1.2 The Regression Algebra of Path Analysis / 452
15.1.3 Covariates / 454
15.1.4 Inference about the Total and Direct Effects / 455
15.1.5 Inference about the Indirect Effect / 455
15.1.6 Implementation in Statistical Software / 458
 Contents xxv

15.2 Multiple Mediator Models / 464

15.2.1 Path Analysis for a Parallel Multiple Mediator Model / 464
15.2.2 Path Analysis for a Serial Multiple Mediator Model / 467
15.3 Extensions, Complications, and Miscellaneous Issues / 469
15.3.1 Causality and Causal Order / 469
15.3.2 The Causal Steps Approach / 471
15.3.3 Mediation of a Nonsignificant Total Effect / 472
15.3.4 Multicategorical Independent Variables / 473
15.3.5 Fixing Direct Effects to Zero / 474
15.3.6 Nonlinear Effects / 475
15.3.7 Moderated Mediation / 475
15.4 Chapter Summary / 476

16 • Detecting and Managing Irregularities 479

16.1 Regression Diagnostics / 480
16.1.1 Shortcomings of Eyeballing the Data / 481
16.1.2 Types of Extreme Cases / 482
16.1.3 Quantifying Leverage, Distance, and Influence / 484
16.1.4 Using Diagnostic Statistics / 490
16.1.5 Generating Regression Diagnostics with Computer Software / 494
16.2 Detecting Assumption Violations / 495
16.2.1 Detecting Nonlinearity / 496
16.2.2 Detecting Non-Normality / 498
16.2.3 Detecting Heteroscedasticity / 499
16.2.4 Testing Assumptions as a Set / 505
16.2.5 What about Nonindependence? / 506
16.3 Dealing with Irregularities / 509
16.3.1 Heteroscedasticity-Consistent Standard Errors / 511
16.3.2 The Jackknife / 512
16.3.3 Bootstrapping / 512
16.3.4 Permutation Tests / 513
16.4 Inference without Random Sampling / 514
16.5 Keeping the Diagnostic Analysis Manageable / 516
16.6 Chapter Summary / 517

17 • Power, Measurement Error, and Various Miscellaneous Topics 519

17.1 Power and Precision of Estimation / 519
17.1.1 Factors Determining Desirable Sample Size / 520
17.1.2 Revisiting the Standard Error of a Regression Coefficient / 521
17.1.3 On the Effect of Unnecessary Covariates / 524
17.2 Measurement Error / 525
17.2.1 What Is Measurement Error? / 525
17.2.2 Measurement Error in Y / 526
17.2.3 Measurement Error in Independent Variables / 527
17.2.4 The Biggest Weakness of Regression: Measurement Error in Covariates / 527
17.2.5 Summary: The Effects of Measurement Error / 528
17.2.6 Managing Measurement Error / 530
17.3 An Assortment of Problems / 532
17.3.1 Violations of the Basic Assumptions / 532
17.3.2 Collinearity / 532
17.3.3 Singularity / 534
17.3.4 Specification Error and Overcontrol / 538
17.3.5 Noninterval Scaling / 541
17.3.6 Missing Data / 543
17.3.7 Rounding Error / 546
17.4 Chapter Summary / 548
xxvi Contents

18 • Logistic Regression and Other Linear Models 551

18.1 Logistic Regression / 551
18.1.1 Measuring a Model’s Fit to Data / 552
18.1.2 Odds and Logits / 554
18.1.3 The Logistic Regression Equation / 556
18.1.4 An Example with a Single Regressor / 557
18.1.5 Interpretation of and Inference about the Regression Coefficients / 560
18.1.6 Multiple Logistic Regression and Implementation in Computing
Software / 562
18.1.7 Measuring and Testing the Fit of the Model / 565
18.1.8 Further Extensions / 568
18.1.9 Discriminant Function Analysis / 568
18.1.10 Using OLS Regression with a Dichotomous Y / 569
18.2 Other Linear Modeling Methods / 570
18.2.1 Ordered Logistic and Probit Regression / 570
18.2.2 Poisson Regression and Related Models of Count Outcomes / 572
18.2.3 Time Series Analysis / 573
18.2.4 Survival Analysis / 573
18.2.5 Structural Equation Modeling / 574
18.2.6 Multilevel Modeling / 575
18.2.7 Other Resources / 577
18.3 Chapter Summary / 578

Appendices

A. The RLM Macro for SPSS and SAS 581

B. Linear Regression Analysis Using R 603

C. Statistical Tables 611

D. The Matrix Algebra of Linear Regression Analysis 621

References 627

Author Index 637

Subject Index 641

About the Authors 661

Data files for the examples used in the book and files
containing the SPSS and SAS versions of RLM are available
on the companion web page at www.afhayes.com.
1
Statistical Control and Linear Models

Researchers routinely ask questions about the relationship between an

independent variable and a dependent variable in a research study. In
experimental studies, relationships observed between a manipulated in-
dependent variable and a measured dependent variable are fairly easy
to interpret. But in many studies, experimental control in the form of
random assignment is not possible. Absent experimental or some form
of procedural control, relationships between variables can be difficult to
interpret but can be made more interpretable through statistical control.
After discussing the need for statistical control, this chapter overviews
the linear model—widely used throughout the social sciences, health
and medical fields, business and marketing, and countless other disci-
plines. Linear modeling has many uses, among them being a means of
implementing statistical control.

1.1 Statistical Control

1.1.1 The Need for Control
If you have ever described a piece of research to a friend, it was probably
not very long before you were asked a question like “But did the researchers
account for this?” If the research found a difference between the average
salaries of men and women in a particular industry, did it account for dif-
ferences in years of employment? If the research found differences among
several ethnic groups in attitudes toward social welfare spending, did it
account for income differences among the groups? If the research found
that males who hold relatively higher-status jobs are seen as less physically
attractive by females than are males in lower-status jobs, did it account for
age differences among men who differ in status?
All these studies concern the relationship between an independent vari-
able and a dependent variable. The study on salary differences concerns the

1
2 Regression Analysis and Linear Models

relationship between the independent variable of sex and the dependent

variable of salary. The study on welfare spending concerns the relationship
between the independent variable of ethnicity and the dependent variable
of attitude. The study on perceived male attractiveness concerns the re-
lationship between the independent variable of status and the dependent
variable of perceived attractiveness. In each case, there is a need to account
for, in some way, a third variable; this third variable is called a covariate.
The covariates for the three studies are, respectively, years of employment,
income, and age.
Suppose you wanted to study these three relationships without worry-
ing about covariates. You may be familiar with three very different statis-
tical methods for analyzing these three problems. You may have studied
the t-test for testing questions like the sex difference in salaries, analysis of
variance (also known as “ANOVA”) for questions like the difference in av-
erage attitude among several ethnic groups, and the Pearson or rank-order
correlation for questions like the relationship between status and perceived
attractiveness. These three methods are all similar in that they can all be
used to test the relationship between an independent variable and a de-
pendent variable; they differ primarily in the type of independent variable
used. For sex differences in salary you could use the t-test because the in-
dependent variable—sex—is dichotomous; there are two categories—male
and female. In the example on welfare spending, you could use analysis of
variance because the independent variable of ethnicity is multicategorical,
since there are several categories rather than just two—the various ethnic
groups in the study. You could use a correlation coefficient for the example
about perceived attractiveness because status is numerical—a more or less
continuous dimension from high status to low status. But for our purposes,
the differences among these three variable types are relatively minor. You
should begin thinking of problems like these as basically similar, as this
book presents the linear model as a single method that can be applied to
all of these problems and many others with fairly minor variations in the
method.

1.1.2 Five Methods of Control

The layperson’s notion of “accounting for” something in a study is a collo-
quial expression for what scientists refer to as controlling for that something.
Suppose you want to know whether driver training courses help students
pass driving tests. One problem is that the students who take a driver
training course may differ in some way before taking the course from those
 Statistical Control and Linear Models 3

who do not take the course. If that thing they differ on is related to test
performance, then any differences in test performance may be due to that
thing rather than the training course itself. This needs to be accounted for
or “controlled” in some fashion in order to determine whether the course
helps students pass the test. Or perhaps in a particular town, some testers
may be easier than others. The driving schools may know which testers
are easiest and encourage their students to take their tests when they know
those testers are on duty. So the standards being used to evaluate a student
driver during the test may be systematically different for students who take
the driver training course relative to those who do not. This also needs to
be controlled in some fashion.
You might control the problem caused by preexisting difference between
those who do and do not take the course by using a list of applicants for
driving courses, randomly choosing which of the applicants is allowed to
take the course, and using the rejected applicants as the control group. That
way you know that students are likely to be equal on all things that might be
related to performance on the test before the course begins. This is random
assignment on the independent variable. Or, if you find that more women take
the course than men, you might construct a sample that is half female and
half male for both the trained and untrained groups by discarding some of
the women in the available data. This is control by exclusion of cases.
You might control the problem of differential testing standards by train-
ing testers to make them apply uniform evaluation standards; that would
be manipulation of covariates. Or you might control that problem by ran-
domly altering the schedule different testers work, so that nobody would
know which testers are on duty at a particular moment. That would not
be random assignment on the independent variable, since you have not
determined which applicants take the course; rather, it would be other types
of randomization. This includes randomly assigning which of two or more
forms of the dependent variable you use, choosing stimuli from a pop-
ulation of stimuli (e.g., in a psycholinguistics study, all common English
adjectives), and manipulating the order of presentation of stimuli.
All these methods except exclusion of cases are types of experimental
control since they all require you to manipulate the situation in some way
rather than merely observe it. But these methods are often impractical
or impossible. For instance, you might not be allowed to decide which
students take the driving course or to train testers or alter their schedules.
Or, if a covariate is worker seniority, as in one of our earlier examples,
you cannot manipulate the covariate by telling workers how long to keep
4 Regression Analysis and Linear Models

their jobs. In the same example, the independent variable is sex, and you
cannot randomly decide that a particular worker will be male or female
the way you can decide whether the worker will be in the experimental
or control condition of an experiment. Even when experimental control is
possible, the very exertion of control often intrudes the investigator into
the situation in a way that disturbs participants or alters results; ethologists
and anthropologists are especially sensitive to such issues. Experimental
control may be difficult even in laboratory studies on animals. Researchers
may not be able to control how long a rat looks at a stimulus, but they are
able to measure looking time.
Control by exclusion of cases avoids these difficulties, because you are
manipulating data rather than participants. But this method lowers sample
size, and thus lowers the precision of estimates and the power of hypothesis
tests.
A fifth method of controlling covariates—statistical control—is one of
the main topics of this book. It avoids the disadvantages of the previous
four methods. No manipulation of participants or conditions is required,
and no data are excluded. Several terms mean the same thing: to control a
covariate statistically means the same as to adjust for it or to correct for it, or
to hold constant or to partial out the covariate.
Statistical control has limitations. Scientists may disagree on what vari-
ables need to be controlled—an investigator who has controlled age, in-
come, and ethnicity may be criticized for failing to control education and
family size. And because covariates must be measured to be controlled,
they will be controlled inaccurately if they are measured inaccurately. We
return to these and other problems in Chapters 6 and 17. But because con-
trol of some covariates is almost always needed, and because the other four
methods of control are so limited, statistical control is widely recognized
as one of the most important statistical tools in the empiricist’s toolbox.

1.1.3 Examples of Statistical Control

The nature of statistical control can be illustrated by a simple fictitious
example, though the precise methods used in this example are not those
we emphasize later. In Holly City, 130 children attended a city-subsidized
preschool program and 130 others did not. Later, all 260 children took a
“school readiness test” on entering first grade. Of the 130 preschool chil-
dren, only 60 scored above the median on the test; of the other 130 children,
70 scored above the median. In other words, the preschool children scored
worse on the test than the others. These results are shown in the “Total”
 Statistical Control and Linear Models 5

TABLE 1.1. Test Scores, Socioeconomic Status, and Preschool Attendance in Holly City

Raw frequencies

Middle-class Working-class Total

A B Total A B Total A B Total

Preschool 30 10 40 30 60 90 60 70 130
Other 60 30 90 10 30 40 70 60 130

TABLE 1.2. Socioeconomic Status and Preschool Attendance in Holly City

Percentage scoring above the median

Middle-class Working-class Total

Preschool 75 33 46
Other 67 25 54

section of Table 1.1; A and B refer to scoring above and below the test
median, respectively.
But when the children are divided into “middle-class” and “working-
class,” the results are as shown on the left and center of Table 1.1. We see
that of the 40 middle-class children attending preschool, 30, or 75%, scored
above the median. There were 90 middle-class children not attending
preschool, and 60, or 67%, of them scored above the median. These values
of 75 and 67% are shown on the left in Table 1.2. Similar calculations
based on the working-class and total tables yield the other figures in Table
1.2. This table shows clearly that within each level of socioeconomic status
(SES), the preschool children outperform the other children, even though
they appear to do worse when you ignore socioeconomic status (SES). We
have held constant or controlled or partialed out the covariate of SES.
When we perform a similar analysis for nearby Ivy City, we find the
results in Table 1.3. When we inspect the total percentages, preschool
appears to have a positive effect. But when we look within each SES
group, no effect is found. Thus, the “total” tables overstate the effect of
6 Regression Analysis and Linear Models

preschool in Ivy City and understate it in Holly City. In these examples the
independent variable is preschool attendance and the dependent variable is
test score. In Holly City, we found a negative simple relationship between
these two variables (those attending preschool scored lower on the test) but
a positive partial relationship (a term more formally defined later) when SES
was controlled. In Ivy City, we found a positive simple relationship but no
partial relationship.
By examining the data more carefully, we can see what caused these
paradoxical results, known as Simpson’s paradox (for a discussion of this and
related phenomena, see Tu, Gunnel, & Gilthorpe, 2008). In Holly City, the
130 children attending preschool included 90 working-class children and
40 middle-class children, so 69% of the preschool attenders were working-
class. But the 130 nonpreschool children included 90 middle-class children
and 40 working-class children, so this group was only 31% working-class.
Thus, the test scores of the preschool group were lowered by the dispropor-
tionate number of working-class children in that group. This might have
occurred if city-subsidized preschool programs had been established pri-
marily in poorer neighborhoods. But in Ivy City this difference was in the
opposite direction: The preschool group was 75% middle-class, while the
nonpreschool group was only 25% middle-class; thus, the test scores of the
preschool group were raised by the disproportionate number of middle-
class children. This might have occurred if parents had to pay for their
children to attend preschool. In both cities the effects of preschool were
seen more clearly by controlling for or holding constant SES.
All three variables in this example were dichotomous—they had just
two levels each. The independent variable of preschool attendance had
two levels we called “preschool” and “other.” The dependent variable of
test score was dichotomized into those above and below the median. The
covariate of SES was also dichotomized. Such dichotomization is rarely
if ever something you would want do in practice (as discussed later in
section 5.1.6). Fortunately, with the methods described in this book, such
categorization is not necessary. Any or all of the variables in this problem
could have been numerically scaled. Test scores might have ranged from 0
to 100, and SES might have been measured on a scale with very many points
on a continuum. Even preschool attendance might have been numerical,
such as if we measured the exact number of days each child had attended
preschool. Changing some or all variables from dichotomous to numerical
would change the details of the analysis, but in its underlying logic the
problem would remain the same.
 Statistical Control and Linear Models 7

TABLE 1.3. Socioeconomic Status and Preschool Attendance in Ivy City

Raw frequencies

Middle-class Working-class Total

A B Total A B Total A B Total

Preschool 90 30 120 10 30 40 100 60 160

Other 30 10 40 30 90 120 60 100 100

Percentage scoring above the median

Middle-class Working-class Total

Preschool 75 25 62
Other 75 25 38

Consider now a problem in which the dependent variable is numerical.

At Swamp College, the dean calculated that among professors and other
instructional staff under 30 years of age, the average salary among males
was $81,000 and the average salary among females was only $69,000. To
see whether this difference might be attributed to different proportions of
men and women who have completed the Ph.D., the dean made up the
table given here as Table 1.4.
If the dean had hoped that different rates of completion of the Ph.D.
would explain the $12,000 difference between men and women in average
salary, that hope was frustrated. We see that men had completed the Ph.D.
less often than women: 10 of 40 men, versus 15 of 30 women. The first
column of the table shows that among instructors with a Ph.D., the mean
difference in salaries between men and women is $15,000. The second
column shows the same difference of $15,000 among instructors with no
Ph.D. Therefore, in this artificial example, controlling for completion of the
Ph.D. does not lower the difference between the mean salaries of men and
women, but rather raises it from $12,000 to $15,000.
This example differs from the preschool example in its mechanical de-
tails; we are dealing with means rather than frequencies and proportions.
But the underlying logic is the same. In the present case, the indepen-
dent variable is sex, the dependent variable is salary, and the covariate is
8 Regression Analysis and Linear Models

TABLE 1.4. Average Salaries at Swamp College

Ph.D. completed

Yes No Total

Men $90,000 $78,000 $81,000

n = 10 n = 30 n = 40
Women $75,000 $63,000 $69,000
n = 15 n = 15 n = 30

educational level. Again, the partial relationship differs from the simple re-
lationship, though this time both the simple and partial relationships have
the same sign, meaning that men make more than women, with or without
controlling for education.

1.2 An Overview of Linear Models

The examples presented in section 1.1.3 are so simple that you may be won-
dering why a whole book is needed to discuss statistical control. But when
the covariate is numerical, it may be that no two participants in a study
have the same measurement on the covariate and so we cannot construct
tables like those in the two earlier examples. And we may want to control
many covariates at once; the dean might want to simultaneously control
teaching ratings and other covariates as well as completion of the Ph.D.
Also, we need methods for inference about partial relationships such as
hypothesis testing procedures and confidence intervals. Linear modeling,
the topic of this book, offers a means of accomplishing all of these things
and many others.
This book presents the fundamentals of linear modeling in the form of
linear regression analysis. A linear regression analysis yields a mathematical
equation—a linear model—that estimates a dependent variable Y from a set
of predictor variables or regressors X. Such a linear model in its most general
form looks like

Y = b0 + b1 X1 + b2 X2 + · · · + bk Xk + e (1.1)
 Statistical Control and Linear Models 9

Each regressor in a linear model is given a numerical weight—the b next

to each X in equation 1.1—called its regression coefficient, regression slope,
or simply its regression weight that determines how much the equation
uses values on that variable to produce an estimate of Y. These regression
weights are derived by an algorithm that produces a mathematical equation
or model for Y that best fits the data, using some kind of criterion for defining
“best.” In this book, we focus on linear modeling using the least squares
criterion.
Linear modeling has many uses, among them being the process of statis-
tical control introduced conceptually in the prior section. Linear modeling
is widely used throughout the behavioral sciences, medical research and
public health, business and marketing, and countless other fields. It is safe
to say that one really cannot progress far in one’s development as a scien-
tist without a solid understanding of linear modeling. Most universities
offer at least one and typically several courses on linear regression analysis.
Indeed, it is so important that many if not most academic departments
whose faculty use the scientific method regularly offer their own version
of a course on linear modeling in one form or another.
The basic linear model method imposes six requirements:

1. As in any statistical analysis, there must be a set of “participants,”

“cases,” or “units.” In most every example and application in this
book, the data come from people, so we use the term “participant”
frequently. But case, unit, and participant can be thought of as syn-
onymous and we use all three of these terms.

2. Each of these participants must have values or measurements on

two or more variables, each of which is numerical, dichotomous, or
multicategorical. Thus, the raw data for the analysis form a rectan-
gular data matrix with participants in the rows and variables in the
columns.

3. Each variable must be represented by a single column of numbers.

For instance, the dichotomy of sex can be represented by letting the
number 1 represent male and 0 represent female, so that the sexes
of 100 people could be represented by a column of 100 numbers,
each 0 or 1. A multicategorical variable with, say, five categories
can be represented by a column of numbers, each 1, 2, 3, 4, or 5.
For both dichotomous and multicategorical variables, the numbers
representing categories are mere codes and are arbitrary. They carry
no meaning about quantity and can be exchanged with any other set
10 Regression Analysis and Linear Models

of numbers without changing the results of the analysis so long as

proper coding methods are used. And of course a numerical variable
such as age can be represented by a column of ages.

4. Each analysis must have just one dependent variable, though it may
have several independent variables and several covariates.

5. The dependent variable must be numerical. A numerical variable

is something like age or income with interval properties, such that
values can be meaningfully averaged.

6. Statistical inference from linear models often requires several addi-

tional assumptions that are described elsewhere in this book, such as
in section 4.1.2 and Chapter 16.
Within these conditions, linear models are flexible in many ways:
1. A variable might be a natural property of a participant, such as age
or sex, or might be a property manipulated in an experiment, such
as which of two or more experimental conditions into which the
participant is placed through a random assignment procedure. Ma-
nipulated variables are typically categorical but may be numerical,
such as the number of hours of practice at a task participants are given
or the number of acts of violence on television a person is exposed to
during an experiment.

2. You may choose to conduct a series of analyses from the same rect-
angular data matrix, and the same variable might be a dependent
variable in one analysis and an independent variable or covariate in
another. For instance, if the matrix includes the variables age, sex,
years of education, and salary, one analysis may examine years of ed-
ucation as a function of age and sex, while another analysis examines
salary as a function of age, sex, and education.

3. As explained more fully in section 3.1.2, the distinction between inde-

pendent variables and covariates may be fuzzy since linear modeling
programs make no distinction between the two. The program com-
putes a measure of the relationship between the dependent variable
and every other variable in the analysis while controlling statisti-
cally for all remaining variables, including both covariates and other
independent variables. Independent variables are those whose re-
lationship to the dependent variable you wish to discuss or are the
focus of your study, while covariates are other variables you wish to
 Statistical Control and Linear Models 11

control or otherwise include in the model for some other purpose.

Thus, the distinction between the two determines how you describe
the results of the analysis but is not used in writing the computer
commands that specify the analysis or the underlying mathematics.

4. Each independent variable or covariate may be dichotomous, multi-

categorical, or numerical. All three variable types may occur in the
same problem. For instance, if we studied salary in a professional firm
as a function of sex, ethnicity, and age while controlling for seniority,
citizenship (American or not), and type of college degree (business,
arts, engineering, etc.), we would have one independent variable and
one covariate from each of the three scale types.

5. The independent variables and covariates may all be intercorrelated,

as they are likely to be in all these examples. In fact, the need to
control a covariate typically arises because it correlates with one or
more independent variables or the dependent variable or both.

6. In addition to correlating with each other, the independent variables

and covariates may interact in affecting the dependent variable. For
instance, age or sex might have a larger or smaller effect on salary
for American citizens than for noncitizens. Interaction is explained
in detail in Chapters 13 and 14.

7. Despite the names “linear regression” and “linear model,” these

methods can easily be extended to a great variety of problems in-
volving curvilinear relations between variables. For example, phys-
ical strength is curvilinearly related to age, peaking in the 20s. But
a linear model could be used to study the relationship between age
and strength or even to estimate the age at which strength peaks. We
discuss how in Chapter 12.

8. The assumptions required for statistical inference are not extremely

limiting. There are a number of ways around the limits imposed by
those assumptions.

There are many statistical methods that are just linear models in disguise, or
closely related to linear regression analysis. For example, ANOVA, which
you may already be familiar with, can be thought of as a particular subset
of linear models designed early in the 20th century, well before comput-
ers were around. Mostly this meant using only categorical independent
variables, no covariates, and equal cell frequencies if there were two or
12 Regression Analysis and Linear Models

more independent variables. When a problem does meet the narrow re-
quirements of ANOVA, linear models and analysis of variance give the
same answers. Thus, ANOVA is just a special subset of the linear model
method. As shown in various locations throughout this book, ANOVA,
t-tests on differences between means, tests on Pearson correlations—things
you likely have already been exposed to—can all be thought of as special
simple cases of the general linear model, and can all be executed with a
program that can estimate a linear model.
Logistic regression, probit regression, and multilevel modeling are close
relatives of linear regression analysis. In logistic and probit regression, the
dependent variable can be dichotomous or ordinal, such as whether a
person succeeds or fails at a task, acts or does not act in a particular way
in some situation, or dislikes, feels neutral, or likes a stimulus. Multilevel
modeling is used when the data exhibit a “nested” structure, such as when
different subsets of the participants in a study share something such as the
neighborhood or housing development they live in or the building in a city
they work in. But you cannot fruitfully study these methods until you have
mastered linear models, since a great many concepts used in these methods
are introduced in connection with linear models.

1.2.1 What You Should Know Already

This book assumes a working familiarity with the concepts of means and
standard deviations, correlation coefficients, distributions, samples and
populations, random sampling, sampling distributions, standardized vari-
ables, null hypotheses, standard errors, statistical significance, power, con-
fidence intervals, one-tailed and two-tailed tests, summation, subscripts,
and similar basic statistical terms and concepts. It refers occasionally to
basic statistical methods including t-tests, ANOVA, and factorial analysis
of variance. It is not assumed that you remember the mechanics of these
methods in detail, but some sections of this book will be easier if you
understand the uses of these methods.

1.2.2 Statistical Software for Linear Modeling and Statistical

Control
In most research applications, statistical control is undertaken not by look-
ing at simple association in subsets of the data, as in the two examples
presented earlier, but through mathematical equating or partialing. This pro-
cess is conducted automatically through linear regression analysis and will
Exploring the Variety of Random
Documents with Different Content
 La fille du colonel Jean savait un peu de français et d’anglais ;
mais sa timidité, ne lui permettait pas de briller dans la conversation.
J’ai su plus tard que sa famille comptait sur nous pour la
perfectionner dans les langues étrangères. Son père, ayant appris
que Christodule hébergeait des Européens honnêtes et instruits,
avait prié le pâtissier de la faire sortir tous les dimanches et de lui
servir de correspondant. Ce marché paraissait agréer à Christodule,
et surtout à son fils Dimitri. Le jeune domestique de place dévorait
des yeux la pauvre pensionnaire, qui ne s’en apercevait pas.
Nous avions fait le projet d’aller tous ensemble à la musique.
C’est un beau spectacle, que les Athéniens se donnent à eux-mêmes
tous les dimanches. Le peuple entier se rend, en grands atours, dans
un champ de poussière, pour entendre des valses et des quadrilles
joués par une musique de régiment. La cour n’y manquerait pas
pour un empire. Après le dernier quadrille, chacun retourne chez soi,
l’habit poudreux, le cœur content, et l’on dit : « Nous nous sommes
bien amusés. »
Il est certain que Photini comptait se montrer à la musique, et
son admirateur Dimitri n’était pas fâché d’y paraître avec elle ; car il
portait une redingote neuve qu’il avait achetée toute faite au dépôt
de la Belle jardinière. Malheureusement la pluie se mit à tomber si
dru, qu’il fallut rester à la maison. Pour tuer le temps, Maroula nous
offrit de jouer des bonbons : c’est un divertissement à la mode dans
la société moyenne. Elle prit un bocal dans la boutique, et distribua à
chacun de nous une poignée de bonbons indigènes, au girofle, à
l’anis, au poivre et à la chicorée. Là-dessus, on donna des cartes, et
le premier qui savait en rassembler neuf de la même couleur recevait
trois dragées de chacun de ses adversaires. Le Maltais Giacomo
témoigna par son attention soutenue que le gain ne lui était pas
indifférent. Le hasard se déclara pour lui : il fit une fortune, et nous
le vîmes engloutir sept ou huit poignées de bonbons qui s’étaient
promenés dans les mains de tout le monde et de M. Mérinay.
Moi, qui prenais moins d’intérêt à la partie, je concentrai mon
attention sur un phénomène curieux qui se produisait à ma gauche.
Tandis que les regards du jeune Athénien venaient se briser un à un
contre l’indifférence de Photini, Harris, qui ne la regardait pas,
l’attirait à lui par une force invisible. Il tenait ses cartes d’un air
passablement distrait, bâillait de temps en temps avec une candeur
américaine, ou sifflait Yankee Doodle, sans respect pour la
compagnie. Je crois que le récit de Christodule l’avait frappé, et que
son esprit trottait dans la montagne à la poursuite d’Hadgi-Stavros.
Dans tous les cas, s’il pensait à quelque chose, ce n’était assurément
pas à l’amour. Peut-être la jeune fille n’y songeait-elle pas non plus,
car les femmes grecques ont presque toutes au fond du cœur un
bon pavé d’indifférence. Cependant elle regardait mon ami John
comme une alouette regarde un miroir. Elle ne le connaissait pas ;
elle ne savait rien de lui, ni son nom, ni son pays, ni sa fortune. Elle
ne l’avait point entendu parler, et quand même elle l’aurait entendu,
elle n’était certainement pas apte à juger s’il avait de l’esprit. Elle le
voyait très beau, et c’était assez. Les Grecs d’autrefois adoraient la
beauté ; c’est le seul de leurs dieux qui n’ait jamais eu d’athées. Les
Grecs d’aujourd’hui, malgré la décadence, savent encore distinguer
un Apollon d’un magot. On trouve dans le recueil de M. Fauriel une
petite chanson qui peut se traduire ainsi :
« Jeunes garçons, voulez-vous savoir ; jeunes filles, voulez-vous
apprendre comment l’amour entre chez nous ? Il entre par les yeux,
des yeux il descend dans le cœur, et dans le cœur il prend racine. »
Décidément Photini savait la chanson ; car elle ouvrait de grands
yeux pour que l’amour pût y entrer sans se baisser.
La pluie ne se lassait pas de tomber, ni Dimitri de lorgner la jeune
fille, ni la jeune fille de regarder Harris, ni Giacomo de croquer des
bonbons, ni M. Mérinay de raconter au petit Lobster un chapitre
d’histoire ancienne, qu’il n’écoutait pas. A huit heures, Maroula mit le
couvert pour le souper. Photini fut placée entre Dimitri et moi, qui ne
tirais pas à conséquence. Elle causa peu et ne mangea rien. Au
dessert, quand la servante parla de la reconduire, elle fit un effort
visible et me dit à l’oreille :
« M. Harris est-il marié ? »
Je pris plaisir à l’embarrasser un peu, et je répondis :
 « Oui, mademoiselle ; il a épousé la veuve des doges de Venise.
— Est-il possible ! Quel âge a-t-elle ?
— Elle est vieille comme le monde, et éternelle comme lui.
— Ne vous moquez pas de moi ; je suis une pauvre fille, et je ne
comprends pas vos plaisanteries d’Europe.
— En d’autres termes, mademoiselle, il a épousé la mer ; c’est lui
qui commande le stationnaire américain the Fancy. »
Elle me remercia avec un tel rayonnement de joie, que sa laideur
en fut éclipsée et que je la trouvai jolie pendant une seconde au
moins.
 CHAPITRE III
MARY-ANN

Les études de ma jeunesse ont développé en moi une passion

qui a fini par empiéter sur toutes les autres : c’est le désir de savoir,
ou, si vous aimez mieux l’appeler autrement, la curiosité. Jusqu’au
jour où je partis pour Athènes, mon seul plaisir avait été
d’apprendre ; mon seul chagrin, d’ignorer. J’aimais la science comme
une maîtresse, et personne n’était encore venu lui disputer mon
cœur. En revanche, il faut convenir que je n’étais pas tendre, et que
la poésie et Hermann Schultz entraient rarement par la même porte.
Je me promenais dans le monde comme dans un vaste muséum, la
loupe à la main. J’observais les plaisirs et les souffrances d’autrui
comme des faits dignes d’étude, mais indignes d’envie ou de pitié. Je
ne jalousais pas plus un heureux ménage qu’un couple de palmiers
mariés par le vent ; j’avais juste autant de compassion pour un cœur
déchiré par l’amour que pour un géranium grillé par la gelée. Quand
on a disséqué des animaux vivants, on n’est plus guère sensible aux
cris de la chair palpitante. J’aurais été bon public dans un combat de
gladiateurs.
L’amour de Photini pour John Harris eût apitoyé tout autre qu’un
naturaliste. La pauvre créature aimait à tort et à travers, suivant la
belle expression d’Henri IV ; et il était évident qu’elle aimerait en
pure perte. Elle était trop timide pour laisser percer son amour, et
John était trop brouillon pour le deviner. Quand même il se serait
aperçu de quelque chose, le moyen d’espérer qu’il s’intéresserait à
une laideron naïve des bords de l’Ilissus ? Photini passa quatre
autres journées avec lui, les quatre dimanches d’avril. Elle le
regarda, du matin au soir, avec des yeux languissants et désespérés ;
mais elle ne trouva jamais le courage d’ouvrir la bouche en sa
présence. Harris sifflait tranquillement, Dimitri grondait comme un
jeune dogue, et moi, j’observais en souriant cette étrange maladie
dont ma constitution m’avait toujours préservé.
Mon père m’écrivit sur ces entrefaites pour me dire que les
affaires allaient bien mal, que les voyageurs étaient rares, que la vie
était chère, que nos voisins d’en face venaient d’émigrer, et que si
j’avais trouvé une princesse russe, je n’avais rien de mieux à faire
que de l’épouser sans délai. Je répondis que je n’avais trouvé
personne à séduire, si ce n’est la fille d’un pauvre colonel grec ;
qu’elle était sérieusement éprise, mais d’un autre que moi ; que je
pourrais, avec un peu d’adresse, devenir son confident, mais que je
ne ferais jamais son mari. Au demeurant, ma santé était bonne, mon
herbier magnifique. Mes recherches, renfermées jusque-là dans la
banlieue d’Athènes, allaient pouvoir s’étendre plus loin. La sécurité
renaissait, les brigands avaient été battus par la gendarmerie, et
tous les journaux annonçaient la dispersion de la bande d’Hadgi-
Stavros. Dans un mois au plus tard je pourrais me mettre en route
pour l’Allemagne, et solliciter une place qui donnât du pain à toute la
famille.
Nous avions lu, le dimanche 28 avril, dans le Siècle d’Athènes, la
grande défaite du roi des Montagnes. Les rapports officiels disaient
qu’il avait eu vingt hommes mis hors de combat, son camp brûlé, sa
troupe dispersée, et que la gendarmerie l’avait poursuivi jusque dans
les marais de Marathon. Ces nouvelles, fort agréables à tous les
étrangers, avaient paru causer moins de plaisir aux Grecs, et
particulièrement à nos hôtes. Christodule, pour un lieutenant de la
phalange, manquait d’enthousiasme, et la fille du colonel Jean avait
failli pleurer en écoutant la défaite du brigand. Harris, qui avait
apporté le journal, ne dissimulait pas sa joie. Quant à moi, je
rentrais en possession de la campagne, et j’étais enchanté. Dès le 30
au matin, je me mis en route avec ma boîte et mon bâton. Dimitri
m’éveilla sur les quatre heures. Il allait prendre les ordres d’une
famille anglaise, débarquée depuis quelques jours à l’hôtel des
Étrangers.
Je descendis la rue d’Hermès jusqu’au carrefour de la Belle-
Grèce, et je pris la rue d’Éole. En passant devant la place des
Canons, je saluai la petite artillerie du royaume, qui sommeille sous
un hangar en rêvant la prise de Constantinople, et j’arrivai en quatre
enjambées à la promenade de Patissia. Les mélias qui la bordent des
deux côtés commençaient à entr’ouvrir leurs fleurs odorantes. Le
ciel, d’un bleu foncé, blanchissait imperceptiblement entre l’Hymette
et le Pentélique. Devant moi, à l’horizon, les sommets du Parnès se
dressaient comme une muraille ébréchée : c’était le but de mon
voyage. Je descendis par un chemin de traverse jusqu’à la maison
de la comtesse Janthe Théotoki, occupée par la légation de France ;
je longeai les jardins du prince Michel Soutzo de l’Académie de
Platon, qu’un président de l’aréopage mit en loterie il y a quelques
années, et j’entrai dans le bois d’oliviers. Les grives matinales et les
merles, leurs cousins germains, sautillaient dans les feuillages
argentés et bavardaient joyeusement sur ma tête. Au débouché du
bois, je traversai de grandes orges vertes où les chevaux de
l’Attique, courts et trapus comme sur la frise du Parthénon, se
consolaient du fourrage sec et de la nourriture échauffante de l’hiver.
Des bandes de tourterelles s’envolaient à mon approche, et les
alouettes huppées montaient verticalement dans le ciel comme les
fusées d’un feu d’artifice. De temps en temps une tortue indolente
traversait le chemin en traînant sa maison. Je la couchais
soigneusement sur le dos, et je poursuivais ma route en lui laissant
l’honneur de se tirer d’affaire. Après deux heures de marche, j’entrai
dans le désert. Les tracés de culture disparaissaient ; on ne voyait
sur le sol aride que des touffes d’herbe maigre, des oignons
d’ornithogale ou de longues tiges d’asphodèles desséchées. Le soleil
se levait et je voyais distinctement les sapins qui hérissent le flanc
du Parnès. Le sentier que j’avais pris n’était pas un guide bien sûr,
mais je me dirigeais sur un groupe de maisons éparpillées au revers
de la montagne, et qui devaient être le village de Castia.
Je franchis d’une enjambée le Céphise éleusinien, au grand
scandale des petites tortues plates qui sautaient à l’eau comme de
simples grenouilles. A cent pas plus loin, le chemin se perdit dans un
ravin large et profond, creusé par les pluies de deux ou trois mille
hivers. Je supposai avec quelque raison que le ravin devait être la
route. J’avais remarqué, dans mes excursions précédentes, que les
Grecs se dispensent de tracer un chemin toutes les fois que l’eau a
bien voulu se charger de la besogne. Dans ce pays, où l’homme
contrarie peu le travail de la nature, les torrents sont routes royales ;
les ruisseaux, routes départementales ; les rigoles, chemins vicinaux.
Les orages font l’office d’ingénieurs des ponts et chaussées, et la
pluie est un agent voyer qui entretient, sans contrôle, les chemins de
grande et de petite communication. Je m’enfonçai donc dans le
ravin, et je poursuivis ma promenade entre deux rives escarpées qui
me cachaient la plaine, la montagne et mon but. Mais le chemin
capricieux faisait tant de détours, que bientôt il me fut difficile de
savoir dans quelle direction je marchais, et si je ne tournais pas le
dos au Parnès. Le parti le plus sage eût été de grimper sur l’une ou
l’autre rive et de m’orienter en plaine ; mais les talus étaient à pic,
j’étais las, j’avais faim, et je me trouvais bien à l’ombre. Je m’assis
sur un galet de marbre, je tirai de ma boîte un morceau de pain, une
épaule d’agneau froide, et une gourde du petit vin que vous savez.
Je me disais : « Si je suis sur un chemin, il y passera peut-être
quelqu’un et je m’informerai. »
En effet, comme je refermais mon couteau pour m’étendre à
l’ombre avec cette douce quiétude qui suit le déjeuner des
voyageurs et des serpents, je crus entendre un pas de cheval.
J’appliquai une oreille contre terre et je reconnus que deux ou trois
cavaliers s’avançaient derrière moi. Je bouclai ma boîte sur mon dos,
et je m’apprêtai à les suivre, dans le cas où ils se dirigeraient sur le
Parnès. Cinq minutes après, je vis apparaître deux dames montées
sur des chevaux de manège et équipées comme des Anglaises en
voyage. Derrière elles marchait un piéton que je n’eus pas de peine
à reconnaître : c’était Dimitri.
Vous qui avez un peu couru le monde, vous n’êtes pas sans avoir
remarqué que le voyageur se met toujours en marche sans aucun
souci des vanités de la toilette, mais que s’il vient à rencontrer des
dames, fussent-elles plus vieilles que la colombe de l’arche, il sort
brusquement de cette indifférence et jette un regard inquiet sur son
enveloppe poudreuse. Avant même de distinguer la figure des deux
amazones derrière leurs voiles de crêpe bleu, j’avais fait l’inspection
de toute ma personne, et j’avais été assez satisfait. Je portais les
vêtements que vous voyez, et qui sont encore présentables,
quoiqu’ils me servent depuis bientôt deux ans. Je n’ai changé que
ma coiffure : une casquette, fût-elle aussi belle et aussi bonne que
celle-ci, ne protégerait pas un voyageur contre les coups de soleil.
J’avais un chapeau de feutre gris à larges bords, où la poussière ne
marquait point.
Je l’ôtai poliment sur le passage des deux dames, qui ne parurent
pas s’inquiéter grandement de mon salut. Je tendis la main à Dimitri,
et il m’apprit en quelques mots tout ce que je voulais savoir.
— Suis-je bien sur le chemin du Parnès ?
— Oui, nous y allons.
— Je peux faire route avec vous ?
— Pourquoi pas ?
— Qu’est-ce que ces dames ?
— Mes Anglaises. Le milord est resté à l’hôtel.
— Quelle espèce de gens ?
— Peuh ! des banquiers de Londres. La vieille dame est Mme
Simons, de la maison Barley et Co ; le milord est son frère ; la
demoiselle est sa fille.
— Jolie ?
— Suivant les goûts. J’aime mieux Photini.
— Irez-vous jusqu’à la forteresse de Philé ?
 — Oui. Elles m’ont pris pour une semaine, à dix francs par jour et
nourri. C’est moi qui organiserai les promenades. J’ai commencé par
celle-ci, parce que je savais vous rencontrer. Mais quelle guêpe les
pique ?
La vieille dame, ennuyée de voir que je lui empruntais son
domestique, avait mis sa bête au trot dans un passage où, de
mémoire de cheval, personne n’avait jamais trotté. L’autre animal,
piqué au jeu, essayait de prendre la même allure, et, si nous avions
causé quelques minutes de plus, nous étions distancés. Dimitri court
rejoindre ces dames, et j’entendis Mme Simons lui dire en anglais :
« Ne vous éloignez pas. Je suis Anglaise et je veux être bien
servie. Je ne vous paye pas pour faire la conversation avec vos amis.
Qu’est-ce que ce Grec avec qui vous causiez ?
— C’est un Allemand, madame.
— Ah !… Qu’est-ce qu’il fait ?
— Il cherche des herbes.
— C’est donc un apothicaire.
— Non, madame : c’est un savant.
— Ah !… Sait-il l’anglais ?
— Oui, madame, très bien.
— Ah !…
Les trois « ah ! » de la vieille dame furent dits sur trois tons
différents, que j’aurais eu du plaisir à noter si j’avais su la musique.
Ils indiquaient par des nuances bien sensibles les progrès que j’avais
faits dans l’estime de Mme Simons. Cependant elle ne m’adressa pas
la parole, et je suivis la petite caravane à quelques pas de distance.
Dimitri n’osait plus causer avec moi : il marchait en avant, comme un
prisonnier de guerre. Tout ce qu’il put faire en ma faveur fut de me
lancer deux ou trois regards qui voulaient dire en français : « Que
ces Anglaises sont pimbêches ! » Miss Simons ne retournait pas la
tête, et j’étais hors d’état de décider en quoi sa laideur différait de
celle de Photini. Ce que je pus voir sans indiscrétion, c’est que la
jeune Anglaise était grande et merveilleusement faite. Ses épaules
étaient larges, sa taille ronde comme un jonc et souple comme un
roseau. Le peu qu’on apercevait de son cou m’eût fait penser aux
cygnes du jardin zoologique, quand même je n’aurais pas été
naturaliste.
Sa mère se retourna pour lui parler, et je doublai le pas, dans
l’espoir d’entendre sa voix. Ne vous ai-je pas averti que j’étais
passionnément curieux ? J’arrivai juste à temps pour recueillir la
conversation suivante :
« Mary-Ann !
— Maman ?
— J’ai faim.
— Avez-vous ?
— J’ai.
— Moi, maman, j’ai chaud.
— Avez-vous ?
— J’ai. »
Vous croyez que ce dialogue éminemment anglais me fit sourire ?
Point du tout, monsieur ; j’étais sous le Charme. La voix de Mary-Ann
avait suivi je ne sais quel chemin pour pénétrer je ne sais où ; le fait
est qu’en l’écoutant j’éprouvai comme une angoisse délicieuse, et je
me sentis très agréablement étouffé. De me vie je n’avais rien
entendu de plus jeune, de plus frais, de plus argentin que cette
petite voix. Le son d’une pluie d’or tombant sur le toit de mon père
m’aurait paru moins doux en vérité. « Quel malheur, pensais-je en
moi-même, que les oiseaux les plus mélodieux soient
nécessairement les plus laids ! » Et je craignais de voir son visage, et
pourtant je mourais d’envie de la regarder en face, tant la curiosité a
d’empire sur moi.
Dimitri comptait faire déjeuner les deux voyageuses au khan de
Calyvia. C’est une auberge construite en planches mal jointes ; mais
on y trouve en toute saison une outre de vin résiné, une bouteille de
rhaki, c’est-à-dire d’anisette, du pain bis, des œufs, et tout un
régiment de vénérables couveuses que la mort transforme en
poulets, en vertu de la métempsycose. Malheureusement le khan
était désert et la porte fermée. A cette nouvelle, Mme Simons fit une
querelle très aigre à Dimitri, et comme elle se retournait en arrière,
elle me montra une figure aussi anguleuse que la lame d’un couteau
de Sheffield, et deux rangées de dents semblables à des palissades.
« Je suis Anglaise, disait-elle, et j’ai la prétention de manger lorsque
j’ai faim.
— Madame, répliqua piteusement Dimitri, vous déjeunerez dans
une demi-heure au village de Castia. »
Moi qui avais déjeuné, je me livrais à des réflexions
mélancoliques sur la laideur de Mme Simons, et je murmurais entre
mes dents un aphorisme de la grammaire latine de Fraugman :
« Telle mère, telle fille. » Qualis mater, talis filia.
Depuis le khan jusqu’au village, la route est particulièrement
détestable. C’est une rampe étroite, entre un rocher à pic et un
précipice qui donnerait le vertige aux chamois eux-mêmes. Mme
Simons, avant de s’engager dans ce sentier diabolique, où les
chevaux trouvaient bien juste la place de leurs quatre fers, demanda
s’il n’y avait pas un autre chemin. « Je suis Anglaise, dit-elle, et je ne
suis pas faite pour rouler dans les précipices. » Dimitri fit l’éloge du
chemin ; il assurait qu’il y en avait de cent fois pires dans le
royaume. « Au moins, reprit la bonne dame, tenez la bride de mon
cheval. Mais que deviendra ma fille ? Conduisez le cheval de ma fille !
Cependant il ne faut pas que je me rompe le cou. Ne pourriez-vous
pas tenir les deux chevaux en même temps ? Ce sentier est
détestable en vérité. Je veux croire qu’il est assez bon pour des
Grecs, mais il n’est pas fait pour des Anglaises. N’est-il pas vrai,
monsieur ? » ajouta-t-elle en se tournant gracieusement vers moi.
J’étais introduit. Régulière ou non, la présentation était faite.
J’arrivais sous les auspices d’un personnage bien connu dans les
romans du moyen âge, et que les poètes du quatorzième siècle
appelaient Danger. Je m’inclinai avec toute l’élégance que la nature
m’a permise, et je répondis en anglais :
 « Madame, le chemin n’est pas si mauvais qu’il vous semble à
première vue. Vos chevaux ont le pied sûr ; je les connais pour les
avoir montés. Enfin, vous avez deux guides, si vous voulez bien le
permettre : Dimitri pour vous, moi pour mademoiselle. »
Aussitôt fait que dit : sans attendre une réponse, je m’avançai
hardiment, je pris la bride du cheval de Mary-Ann en me tournant
vers elle, et comme son voile bleu venait de s’envoler en arrière, je
vis la plus adorable figure qui ait jamais bouleversé l’esprit d’un
naturaliste allemand.
Un charmant poète chinois, le célèbre A-Scholl, prétend que
chaque homme a dans le cœur un chapelet d’œufs, dont chacun
contient un amour. Pour les faire éclore, il suffit du regard d’une
femme. Je suis trop savant pour ignorer que cette hypothèse ne
repose sur aucune base solide, et qu’elle est en contradiction
formelle avec tous les faits révélés par l’anatomie. Cependant je dois
constater que le premier regard de Miss Simons me causa un
ébranlement sensible dans la région du cœur. J’éprouvai une
commotion tout à fait inusitée, et qui pourtant n’avait rien de
douloureux, et il me sembla que quelque chose s’était brisé dans la
boîte osseuse de ma poitrine, au-dessous de l’os appelé sternum. Au
même instant, mon sang courut par ondées violentes, et les artères
de mes tempes battirent avec tant de force, que je pouvais compter
les pulsations.
Quels yeux elle avait, mon cher monsieur ! Je souhaite, pour
votre repos, que vous n’en rencontriez jamais de pareils. Ils n’étaient
pas d’une grandeur surprenante, et ils n’empiétaient pas sur le reste
de la figure. Ils n’étaient ni bleus ni noirs, mais d’une couleur
spéciale et personnelle, faite pour eux et broyée tout exprès sur un
coin de la palette. C’était un brun ardent et velouté qui ne se
rencontre que dans le grenat de Sibérie et dans certaines fleurs des
jardins. Je vous montrerai une scabieuse et une variété de rose
trémière presque noire, qui rappellent, sans la rendre, la nuance
merveilleuse de ses yeux. Si vous avez jamais visité les forges à
minuit, vous avez dû remarquer la lueur étrange que projette une
plaque d’acier chauffée au rouge brun : voilà tout justement la
couleur de ses regards. Quant au charme qu’ils avaient, aucune
comparaison ne saurait le rendre. Le charme est un don réservé à
un petit nombre d’individus du règne animal. Les yeux de Mary-Ann
avaient je ne sais quoi de naïf et de spirituel, une vivacité candide,
un pétillement de jeunesse et de santé, et parfois une langueur
touchante. Toute la science de la femme et toute l’innocence de
l’enfant s’y lisaient comme dans un livre ; mais ce livre, on serait
devenu aveugle à le lire longtemps. Son regard brûlait, aussi vrai
que je m’appelle Hermann. Il aurait fait mûrir les pêches de votre
espalier.
Quand je pense que ce pauvre Dimitri la trouvait moins belle que
Photini ! En vérité, l’amour est une maladie qui hébète
singulièrement ses malades ! Moi qui n’ai jamais perdu l’usage de ma
raison et qui juge toutes choses avec la sage indifférence du
naturaliste, je vous certifie que le monde n’a jamais vu une femme
comparable à Mary-Ann. Je voudrais pouvoir vous montrer son
portrait tel qu’il est resté gravé au fond de ma mémoire. Vous verriez
comme ses cils étaient longs, comme ses sourcils traçaient une
courbe gracieuse au-dessus de ses yeux, comme sa bouche était
mignonne, comme l’émail de ses dents riait au soleil, comme sa
petite oreille était rose et transparente. J’ai étudié sa beauté dans
ses moindres détails, parce que j’ai l’esprit analytique et l’habitude
de l’observation. Un des traits qui m’ont le plus frappé en elle, c’est
la finesse et la transparence de la peau : son épiderme était plus
délicat que la pellicule veloutée qui enveloppe les beaux fruits. Les
couleurs de ses joues semblaient faites de cette poussière
impalpable qui enlumine les ailes des papillons. Si je n’avais pas été
docteur ès sciences naturelles, j’aurais craint que le frôlement de son
voile n’emportât l’éclat fragile de sa beauté. Je ne sais pas si vous
aimez les femmes pâles, et je ne voudrais point heurter vos idées, si
par hasard vous aviez du goût pour ce genre d’élégance moribonde
qui a été à la mode pendant un certain temps ; mais, en ma qualité
de savant, je n’admire rien tant que la santé, cette joie de la vie. Si
jamais je me fais recevoir médecin, je serai un homme précieux pour
les familles, car il est certain que je ne m’éprendrai jamais d’une de
mes malades. La vue d’une jolie figure saine et vivante me fait
presque autant de plaisir que la rencontre d’un bel arbuste
vigoureux dont les fleurs s’épanouissent gaiement au soleil, et dont
les feuilles n’ont jamais été entamées ni par les chenilles ni par les
hannetons. Aussi la première fois que je vis la figure de Mary-Ann,
j’éprouvai une violente tentation de lui serrer la main et de lui dire :
« Mademoiselle, que vous êtes bonne de vous porter si bien ! »
J’ai oublié de vous dire que les lignes de sa figure manquaient de
régularité, et qu’elle n’avait pas un profil de statue. Phidias eût peut-
être refusé de faire son buste ; mais votre Pradier lui eût demandé
quelques séances à deux genoux. J’avouerai, au risque de détruire
vos illusions, qu’elle portait à la joue gauche une fossette qui
manquait absolument à sa joue droite : ce qui est contraire à toutes
les lois de la symétrie. Sachez de plus que son nez n’était ni droit ni
aquilin, mais franchement retroussé, à la française. Mais que cette
conformation la rendît moins jolie, c’est ce que je nierais jusque sur
l’échafaud. Elle était aussi belle que les statues grecques ; mais elle
l’était différemment. La beauté ne se mesure pas sur un type
immuable, quoique Platon l’ait affirmé dans ses divagations
sublimes. Elle varie suivant les temps, suivant les peuples, et suivant
la culture des esprits. La Vénus de Milo était, il y a deux mille ans, la
plus belle fille de l’Archipel : je ne crois pas qu’elle serait en 1856 la
plus jolie femme de Paris. Menez-là chez une couturière de la place
Vendôme et chez une modiste de la rue de la Paix. Dans tous les
salons où vous la présenterez, elle aura moins de succès que
madame telle ou telle qui a les traits moins corrects et le nez moins
droit. On pouvait admirer une femme géométriquement belle dans le
temps où la femme n’était qu’un objet d’art destiné à flatter les yeux
sans rien dire à l’esprit, un oiseau de paradis dont on contemplait le
plumage sans l’inviter à chanter jamais. Une belle Athénienne était
aussi bien proportionnée, aussi blanche et aussi froide que la
colonne d’un temple. M. Mérinay m’a fait voir dans un livre que la
colonne ionique n’était qu’une femme déguisée. Le portique du
temple d’Érechthée, à l’acropole d’Athènes, repose encore sur quatre
Athéniennes du siècle de Périclès. Les femmes d’aujourd’hui sont de
petits êtres ailés, légers, remuants et surtout pensants, créés non
pour porter des temples sur leurs têtes, mais pour éveiller le génie,
pour égayer le travail, pour animer le courage et pour éclairer le
monde aux étincelles de leur esprit. Ce que nous aimons en elles, et
ce qui fait leur beauté, ce n’est pas la régularité compassée de leurs
traits, c’est l’expression vive et mobile de sentiments plus délicats
que les nôtres ; c’est le rayonnement de la pensée autour de cette
fragile enveloppe qui ne suffit pas à la contenir ; c’est le jeu pétulant
d’une physionomie éveillée. Je ne suis pas sculpteur, mais si je savais
manier l’ébauchoir et qu’on me donnât à faire la statue allégorique
de notre époque, je vous jure qu’elle aurait une fossette à la joue
gauche et le nez retroussé.
Je conduisis Mary-Ann jusqu’au village de Castia. Ce qu’elle me
dit le long du chemin et ce que j’ai pu lui répondre n’a pas laissé
plus de traces dans mon esprit que le vol d’une hirondelle n’en laisse
dans les airs. Sa voix était si douce à entendre, que je n’ai peut-être
pas écouté ce qu’elle me disait. J’étais comme à l’Opéra, où la
musique ne permet pas souvent de comprendre les paroles. Et
pourtant toutes les circonstances de cette première entrevue sont
devenues ineffaçables dans mon esprit. Je n’ai qu’à fermer les yeux
pour croire que j’y suis encore. Le soleil d’avril frappait à petits coups
sur ma tête. Au-dessous du chemin et au-dessus, les arbres résineux
de la montagne semaient leurs aromates dans l’air. Les pins, les
thuyas et les térébinthes semblaient brûler un encens âpre et
rustique sur le passage de Mary-Ann. Elle aspirait avec un bonheur
visible cette largesse odorante de la nature. Son petit nez mutin
frémissait et battait des ailes ; ses yeux, ses beaux yeux, couraient
d’un objet à l’autre avec une joie étincelante. En la voyant si jolie, si
vive et si heureuse, vous auriez dit une dryade échappée de l’écorce.
Je vois encore d’ici la bête qu’elle montait ; c’était le Psari, un cheval
blanc du manège de Zimmermann. Son amazone était noire ; celle
de Mme Simons, qui me fermait l’horizon, était d’un vert bouteille
assez excentrique pour témoigner de l’indépendance de son goût.
Mme Simons avait un chapeau noir, de cette forme absurde et
disgracieuse que les hommes ont adoptée en tout pays ; sa fille
portait le feutre gris des héroïnes de la Fronde. L’une et l’autre
étaient gantées de chamois. La main de Mary-Ann était un peu
grande, mais admirablement faite. Moi je n’ai jamais pu porter de
gants. Et vous ?
Le village de Castia se trouva désert comme le khan de Calyvia.
Dimitri n’y pouvait rien comprendre. Nous descendîmes de cheval
auprès de la fontaine, devant l’Église. Chacun de nous s’en alla
frapper de porte en porte : pas une âme. Personne chez le papas,
personne chez le parèdre. L’autorité avait déménagé à la suite de la
population. Toutes les maisons de la commune se composent de
quatre murs et d’un toit, avec deux ouvertures, dont l’une sert de
porte et l’autre de fenêtre. Le pauvre Dimitri prit la peine d’enfoncer
deux ou trois portes et cinq ou six volets pour s’assurer que les
habitants n’étaient pas endormis chez eux. Tant d’effractions ne
servirent qu’à délivrer un malheureux chat oublié par son maître, et
qui partit comme une flèche dans la direction des bois.
Pour le coup, Mme Simons perdit patience. « Je suis Anglaise, dit-
elle à Dimitri, et l’on ne se moque pas impunément de moi. Je me
plaindrai à la légation. Quoi ! je vous loue pour une promenade dans
la montagne, et vous me faites voyager sur des précipices ! Je vous
ordonne d’apporter des provisions, et vous m’exposez à mourir de
faim ! Nous devions déjeuner au khan, et le khan est abandonné !
J’ai la constance de vous suivre à jeun jusqu’à cet affreux village, et
tous les paysans sont partis ! Tout cela n’est pas naturel. J’ai voyagé
en Suisse : la Suisse est un pays de montagnes, et cependant je n’y
ai manqué de rien : j’y ai toujours déjeuné à mes heures, et j’ai
mangé des truites, entendez-vous ? »
Mary-Ann essaya de calmer sa mère, mais la bonne dame n’avait
pas d’oreilles. Dimitri lui expliqua comme il put que les habitants du
village étaient presque tous charbonniers, et que leur profession les
dispersait assez souvent dans la montagne. En tout cas, il n’y avait
pas encore de temps de perdu : il n’était pas plus de huit heures, et
l’on était sûr de trouver à dix minutes de marche une maison habitée
et un déjeuner tout prêt.
« Quelle maison ? demanda mistress Simons.
 — La ferme du couvent. Les moines du Pentélique ont de vastes
terrains au-dessus de Castia. Ils y élèvent des abeilles. Le bon
vieillard qui exploite la ferme a toujours du vin, du pain, du miel et
des poules : il nous donnera à déjeuner.
— Il sera sorti comme tout le monde.
— S’il est sorti, il ne sera pas loin. Le temps des essaims
approche, et il ne peut pas s’écarter beaucoup de ses ruchers.
— Allez-y voir ; moi, j’ai assez voyagé depuis ce matin. Je fais
vœu de ne pas remonter à cheval avant d’avoir mangé.
— Madame, vous n’aurez pas besoin de remonter à cheval, reprit
Dimitri, patient comme un guide. Nous pouvons attacher nos bêtes à
l’abreuvoir, et nous arriverons plus vite à pied. »
Mary-Ann décida sa mère. Elle mourait d’envie de voir le bon
vieillard et ses troupeaux ailés. Dimitri fixa les chevaux auprès de la
fontaine, en posant sur chaque bride une grosse pierre pesante. Mme
Simons et sa fille relevèrent leurs amazones ; et notre petite troupe
s’engagea dans un sentier escarpé, fort agréable assurément aux
chèvres de Castia. Tous les lézards verts qui s’y chauffaient au soleil
se retirèrent discrètement à notre approche, mais chacun d’eux
arracha un cri d’aigle à la bonne Mme Simons, qui ne pouvait pas
souffrir les bêtes rampantes. Après un quart d’heure de vocalises,
elle eut enfin la joie de voir une maison ouverte et un visage
humain. C’était la ferme et le bon vieillard.
La ferme était un petit édifice en briques rouges coiffé de cinq
coupoles, ni plus ni moins qu’une mosquée de village. A la voir de
loin, elle ne manquait pas d’une certaine élégance. Propre en
dehors, sale en dedans, c’est la devise de l’Orient. On voyait aux
environs, à l’abri d’un monticule hérissé de thym, une centaine de
ruches en paille, posées à terre sans façon et alignées au cordeau
comme les tentes dans un camp. Le roi de cet empire, le bon
vieillard, était un petit jeune homme de vingt-cinq ans, rond et
guilleret. Tous les moines grecs sont décorés du titre honorifique de
bon vieillard, et l’âge n’y fait rien. Il était vêtu comme un paysan,
mais son bonnet, au lieu d’être rouge, était noir : c’est à ce signe
que Dimitri le reconnut.
Le petit homme, en nous voyant accourir, levait les bras au ciel,
et donnait les signes d’une stupéfaction profonde. « Voilà un
singulier original, dit Mme Simons ; qu’a-t-il donc tant à s’étonner ?
On dirait qu’il n’a jamais vu d’Anglaises ! »
Dimitri, qui courait en tête, baisa la main du moine, et lui dit avec
un curieux mélange de respect et de familiarité :
« Bénissez-moi, mon père. Tords le cou à deux poulets, on te
payera bien.
— Malheureux ! dit le moine, que venez-vous faire ici ?
— Déjeuner.
— Tu n’as donc pas vu que le khan d’en bas était abandonné ?
— Je l’ai si bien vu, que j’y ai trouvé visage de bois.
— Et que le village était désert ?
— Si j’y avais rencontré du monde, je n’aurais pas grimpé jusque
chez toi.
— Tu es donc d’accord avec eux ?
— Eux qui ?
— Les brigands !
— Il y a des brigands dans le Parnès ?
— Depuis avant-hier.
— Où sont-ils ?
— Partout ! »
Dimitri se retourna vivement vers nous et nous dit :
« Nous n’avons pas une minute à perdre. Les brigands sont dans
la montagne. Courons à nos chevaux. Un peu de courage,
mesdames, et des jambes, s’il vous plaît !
— Voilà qui est trop fort ! cria Mme Simons. Sans avoir déjeuné !
— Madame, votre déjeuner pourrait vous coûter cher. Hâtons-
nous, pour l’amour de Dieu !
 — Mais c’est donc une conspiration ! Vous avez juré de me faire
mourir de faim ! Voici les brigands, maintenant ! Comme s’il y avait
des brigands ! Je ne crois pas aux brigands. Tous les journaux
annoncent qu’il n’y en a plus ! D’ailleurs je suis Anglaise, et si
quelqu’un touchait un cheveu de ma tête…! »
Mary-Ann était beaucoup moins rassurée. Elle s’appuya sur mon
bras et me demanda si je croyais que nous fussions en danger de
mort.
« De mort, non. De vol, oui.
— Que m’importe ? reprit Mme Simons. Qu’on me vole tout ce que
j’ai sur moi, et qu’on me serve à déjeuner ! »
J’ai su plus tard que la pauvre femme était sujette à une maladie
assez rare que le vulgaire appelle faim canine, et que nous autres
savants nous baptisons du nom de boulimie. Lorsque la faim la
prenait, elle aurait donné sa fortune pour un plat de lentilles.
Dimitri et Mary-Ann la saisirent chacun par une main et
l’entraînèrent jusqu’au sentier qui nous avait amenés. Le petit moine
la suivait en gesticulant, et j’avais une violente tentation de la
pousser par derrière ; mais un petit sifflement net et impératif nous
arrêta tous sur nos pieds.
« St ! st ! »
Je levai les yeux. Deux buissons de lentisques et d’arbousiers se
serraient à droite et à gauche du chemin. De chaque touffe d’arbres
sortaient trois ou quatre canons de fusil. Une voix cria en grec :
« Asseyez-vous à terre. » Cette opération me fut d’autant plus facile,
que mes jarrets pliaient sous moi. Mais je me consolai en pensant
qu’Ajax, Agamemnon et le bouillant Achille, s’ils s’étaient vus dans la
même situation, n’auraient pas refusé le siège qu’on m’offrait.
Les canons des fusils s’abaissèrent vers nous. Je crus voir qu’ils
s’allongeaient démesurément et que leurs extrémités allaient venir
se rejoindre autour de nos têtes. Ce n’est pas que la peur me
troublât la vue ; mais je n’avais jamais remarqué aussi sensiblement
la longueur désespérante des fusils grecs. Tout l’arsenal déboucha
bientôt dans le chemin, et chaque canon montra sa crosse et son
maître.
La seule différence qui existe entre les diables et les brigands,
c’est que les diables sont moins noirs qu’on ne le dit, et les brigands
plus crottés qu’on ne le suppose. Les huit sacripants qui se mirent
en cercle autour de nous étaient d’une telle malpropreté, que j’aurais
voulu leur donner mon argent avec des pincettes. On devinait avec
un peu d’effort que leurs bonnets avaient été rouges ; mais la lessive
elle-même n’aurait pas su retrouver la couleur originelle de leurs
habits. Tous les rochers du royaume avaient déteint sur leurs jupes
de percale, et leurs vestes gardaient un échantillon des divers
terrains sur lesquels ils s’étaient reposés. Leurs mains, leurs figures
et jusqu’à leurs moustaches étaient d’un gris rougeâtre comme le sol
qui les portait. Chaque animal se colore suivant son domicile et ses
habitudes : les renards du Groenland sont couleur de neige ; les
lions, couleur de désert ; les perdrix, couleur de sillon ; les brigands
grecs, couleur de grand chemin.
Le chef de la petite troupe qui nous avait faits prisonniers ne se
distinguait par aucun signe extérieur. Peut-être cependant sa figure,
ses mains et ses habits étaient-ils plus riches en poussière que ceux
de ses camarades. Il se pencha vers nous du haut de sa longue
taille, et nous examina de si près, que je sentis le frôlement de ses
moustaches. Vous auriez dit un tigre qui flaire sa proie avant d’y
goûter. Quand sa curiosité fut satisfaite, il dit à Dimitri : « Vide tes
poches ! » Dimitri ne se le fit pas répéter deux fois. Il jeta devant lui
un couteau, un sac à tabac, et trois piastres mexicaines qui
composaient une somme de seize francs environ.
« Est-ce tout ? demanda le brigand.
— Oui, frère.
— Tu es le domestique ?
— Oui, frère.
— Reprends une piastre. Tu ne dois pas retourner à la ville sans
argent. »
 Dimitri marchanda. « Tu pourrais bien m’en laisser deux, dit-il.
J’ai deux chevaux en bas ; ils sont loués au manège ; il faudra que je
paye la journée.
— Tu expliqueras à Zimmermann que nous t’avons pris ton
argent.
— Et s’il veut être payé quand même ?
— Réponds-lui qu’il est trop heureux de revoir ses chevaux.
— Il sait bien que vous ne prenez pas les chevaux. Qu’est-ce que
vous en feriez dans la montagne ?
— Assez ! Dis-moi, quel est ce grand maigre qui est auprès de
toi ? »
Je répondis moi-même : « Un honnête Allemand dont les
dépouilles ne vous enrichiront pas.
— Tu parles bien le grec. Vide tes poches ! »
Je déposai sur la route une vingtaine de francs, mon tabac, ma
pipe et mon mouchoir.
— Qu’est cela ? demanda le grand inquisiteur.
— Un mouchoir.
— Pourquoi faire ?
— Pour me moucher.
— Pourquoi m’as-tu dit que tu étais pauvre ? Il n’y a que les
milords qui se mouchent dans des mouchoirs. Ote la boîte que tu as
derrière le dos. Bien ! Ouvre-la.
Ma boîte contenait quelques plantes, un livre, un couteau, un
petit paquet d’arsenic, une gourde presque vide, et les restes de
mon déjeuner, qui allumèrent un regard de convoitise dans les yeux
de Mme Simons. J’eus la hardiesse de les lui offrir avant que mon
bagage changeât de maître. Elle accepta gloutonnement et se mit à
dévorer le pain et la viande. A mon grand étonnement, cet acte de
gourmandise scandalisa nos voleurs, qui murmurèrent entre eux le
mot schismatique ! Le moine fit une demi-douzaine de signes de
croix suivant le rite de l’Église grecque.
 « Tu dois avoir une montre, me dit le brigand ; mets-la avec le
reste. »
Je livrai ma montre d’argent, un bijou héréditaire du poids de
quatre onces. Les scélérats se la passèrent de main en main, et la
trouvèrent fort belle. J’espérais que l’admiration, qui rend l’homme
meilleur, les disposerait à me restituer quelque chose, et je priai leur
chef de me laisser ma boîte de fer blanc. Il m’imposa rudement
silence. « Du moins, lui dis-je, rends-moi deux écus pour retourner à
la ville ! » Il répondit avec un rire sardonique : « Tu n’en auras pas
besoin. »
Le tour de Mme Simons était venu. Avant de mettre la main à la
poche, elle interpella nos vainqueurs dans la langue de ses pères.
L’anglais est un des rares idiomes qu’on peut parler la bouche pleine.
« Réfléchissez bien à ce que vous allez faire, dit-elle d’un ton
menaçant. Je suis Anglaise, et les citoyens anglais sont inviolables
dans tous les pays du monde ; Ce que vous me prendrez vous
servira peu et vous coûtera cher. L’Angleterre me vengera, et vous
serez tous pendus, pour le moins. Maintenant, si vous voulez de
mon argent, vous n’avez qu’à parler ; mais il vous brûlera les doigts :
c’est de l’argent anglais !
— Que dit-elle ? » demanda l’orateur des brigands.
Dimitri répondit : « Elle dit qu’elle est Anglaise.
— Tant mieux ! Tous les Anglais sont riches. Dis-lui de faire
comme vous. »
La pauvre dame vida sur le sable une bourse qui contenait douze
souverains. Comme sa montre n’était pas en évidence, et qu’on ne
faisait pas mine de nous fouiller, elle la garda. La clémence des
vainqueurs lui laissa son mouchoir de poche.
Mary-Ann jeta sa montre avec tout un trousseau d’amulettes
contre le mauvais œil. Elle lança devant elle, par un mouvement
plein de grâce mutine, un sac de peau de chagrin qu’elle portait en
bandoulière. Le brigand l’ouvrit avec un empressement de douanier.
Il en tira un petit nécessaire anglais, un flacon de sels anglais, une
boîte de pastilles de menthe anglaise et cent et quelques francs
d’argent anglais.
« Maintenant, dit la belle impatiente, vous pouvez nous laisser
partir : nous n’ayons plus rien à vous. »
On lui indiqua, par un geste menaçant, que la séance n’était pas
levée. Le chef de la bande s’accroupit devant nos dépouilles, appela
le bon vieillard, compta l’argent en sa présence et lui remit une
somme de quarante-cinq francs. Mme Simons me poussa le coude :
« Vous voyez, me dit-elle, le moine et Dimitri nous ont livrés : on
partage avec eux.
— Non, madame, répliquai-je aussitôt. Dimitri n’a reçu qu’une
aumône sur ce qu’on lui avait volé. C’est une chose qui se fait
partout. Aux bords du Rhin, lorsqu’un voyageur s’est ruiné à la
roulette, le fermier des jeux lui donne de quoi retourner chez lui.
— Mais le moine ?
— Il a perçu la dîme du butin, en vertu d’un usage immémorial.
Ne le lui reprochez pas, mais plutôt sachez-lui gré d’avoir voulu nous
sauver quand son couvent était intéressé à notre capture. »
Cette discussion fut interrompue par les adieux de Dimitri. On
venait de lui rendre sa liberté. « Attends-moi, lui dis-je, nous
retournerons ensemble. » Il hocha tristement la tête et me répondit
en anglais, pour être compris de ces dames :
« Vous êtes prisonniers pour quelques jours, et vous ne reverrez
pas Athènes avant d’avoir payé rançon. Je vais avertir le milord. Ces
dames ont-elles des commissions à me donner pour lui ?
— Dites-lui, cria Mme Simons, qu’il coure à l’ambassade, qu’il aille
ensuite au Pirée trouver l’amiral, qu’il se plaigne au Foreign Office,
qu’il écrive à lord Palmerston ! On nous arrachera d’ici par la force
des armes ou par autorité de la politique ; mais je n’entends pas
qu’on débourse un penny pour ma liberté.
— Moi, repris-je sans tant de colère, je te prie de dire à mes amis
dans quelles mains tu m’as laissé. S’il faut quelques centaines de
drachmes pour racheter un pauvre diable de naturaliste, ils les
trouveront sans peine. Ces messieurs de grand chemin ne sauraient
me coter bien cher. J’ai envie, tandis que tu es encore là, de leur
demander ce que je vaux, au plus juste prix.
— Inutile, mon cher monsieur Hermann ; ce n’est pas eux qui
fixeront le chiffre de votre rançon.
— Et qui donc ?
— Leur chef, Hadgi-Stavros. »
 CHAPITRE IV
HADGI-STAVROS

Dimitri redescendit vers Athènes ; le moine remonta vers ses

abeilles ; nos nouveaux maîtres nous poussèrent dans un sentier qui
conduisait au camp de leur roi. Mme Simons fit acte d’indépendance
en refusant de mettre un pied devant l’autre. Les brigands la
menacèrent de la porter dans leurs bras : elle déclara qu’elle ne se
laisserait pas porter. Mais sa fille la rappela à des sentiments plus
doux, en lui faisant espérer qu’elle trouverait la table mise et qu’elle
déjeunerait avec Hadgi-Stavros. Mary-Ann était plus surprise
qu’épouvantée. Les brigands subalternes qui venaient de nous
arrêter avaient fait preuve d’une certaine courtoisie ; ils n’avaient
fouillé personne, et ils avaient tenu les mains loin de leurs
prisonnières. Au lieu de nous dépouiller, ils nous avaient priés de
nous dépouiller nous-mêmes ; ils n’avaient pas remarqué que ces
dames portaient des pendants d’oreilles, et ils ne les avaient pas
même invitées à ôter leurs gants. Nous étions donc bien loin de ces
routiers d’Espagne et d’Italie qui coupent un doigt pour avoir une
bague, et arrachent le lobe de l’oreille pour prendre une perle ou un
diamant. Tous les malheurs dont nous étions menacés se réduisaient
au paiement d’une rançon : encore était-il probable que nous serions
délivrés gratis. Comment supposer qu’Hadgi-Stavros nous retiendrait
impunément, à cinq lieues de la capitale, de la cour, de l’armée
grecque, d’un bataillon de Sa Majesté Britannique, et d’un
stationnaire anglais ? Ainsi raisonnait Mary-Ann. Pour moi, je pensais
involontairement à l’histoire des petites filles de Mistra, et je me
sentais gagné de tristesse. Je craignais que Mme Simons, par son
obstination patriotique, n’exposât sa fille à quelque grand danger, et
je me promettais de l’éclairer au plus tôt sur sa situation. Nous
marchions un à un dans un sentier étroit, séparés les uns des autres
par nos farouches compagnons de voyage. La route me paraissait
interminable, et je demandai plus de dix fois si nous n’étions pas
bientôt arrivés. Le paysage était affreux : la roche nue laissait à
peine échapper par ses crevasses un petit buisson de chêne vert ou
une touffe de thym épineux qui s’accrochait à nos jambes. Les
brigands victorieux ne manifestaient aucune joie, et leur marche
triomphale ressemblait à une promenade funèbre. Ils fumaient
silencieusement des cigarettes grosses comme le doigt. Aucun d’eux
ne causait avec son voisin : un seul psalmodiait de temps en temps
une sorte de chanson nasillarde. Ce peuple est lugubre comme une
ruine.
Sur les onze heures, un aboiement féroce nous annonça le
voisinage du camp. Dix ou douze chiens énormes, grands comme
des veaux, frisés comme des moutons, se ruèrent sur nous en
montrant toutes leurs dents. Nos protecteurs les reçurent à coups de
pierres, et après un quart d’heure d’hostilités la paix se fit. Ces
monstres inhospitaliers sont les sentinelles avancées du Roi des
Montagnes. Ils flairent la gendarmerie comme les chiens des
contrebandiers flairent la douane. Mais ce n’est pas tout, et leur zèle
est si grand, qu’ils croquent de temps à autre un berger inoffensif,
un voyageur égaré, ou même un compagnon d’Hadgi-Stavros. Le Roi
les nourrit, comme les vieux sultans entretenaient leurs janissaires,
avec la crainte perpétuelle d’être dévoré.
Le camp du Roi était un plateau de sept ou huit cents mètres de
superficie. J’eus beau y chercher les tentes de nos vainqueurs. Les
brigands ne sont pas des sybarites, et ils dorment sous le ciel au 30
avril. Je ne vis ni dépouilles entassées, ni trésors étalés, ni rien de ce
qu’on espère trouver au chef-lieu d’une bande de voleurs. Hadgi-
Stavros se charge de faire vendre le butin ; chaque homme reçoit sa
paye en argent et l’emploie à sa fantaisie. Les uns font des
placements dans le commerce, les autres prennent hypothèque sur
des maisons d’Athènes, d’autres achètent des terrains dans leurs
villages ; aucun ne gaspille les produits du vol. Notre arrivée
interrompit le déjeuner de vingt-cinq ou trente hommes, qui
accoururent à nous avec leur pain et leur fromage. Le chef nourrit
ses soldats : on leur distribue tous les jours une ration de pain,
d’huile, de vin, de fromage, de caviar, de piment, d’olives amères, et
de viande quand la religion le permet. Les gourmets qui veulent
manger des mauves ou d’autres herbages sont libres de cueillir des
friandises dans la montagne. Les brigands, comme les autres classes
du peuple, allument rarement du feu pour leurs repas ; ils mangent
les viandes froides et les légumes crus. Je remarquai que tous ceux
qui se serraient autour de nous observaient religieusement la loi
d’abstinence. Nous étions à la veille de l’Ascension, et ces braves
gens, dont le plus innocent avait au moins un homme sur la
conscience, n’auraient pas voulu charger leur estomac d’une cuisse
de poulet. Arrêter deux Anglaises au bout de leurs fusils leur
semblait une peccadille insignifiante ; Mme Simons avait péché bien
plus gravement en mangeant de l’agneau le mercredi de l’Ascension.
Les hommes de notre escorte régalèrent copieusement la
curiosité de leurs camarades. On les accabla de questions, et ils
répondirent à tout. Ils étalèrent le butin qu’ils avaient fait, et ma
montre d’argent obtint encore un succès qui flatta mon amour-
propre. La savonnette d’or de Mary-Ann fut moins remarquée. Dans
cette première entrevue, la considération publique tomba sur ma
montre, et il en rejaillit quelque chose sur moi. Aux yeux de ces
hommes simples, le possesseur d’une pièce si importante ne pouvait
être moins qu’un milord.
La curiosité des brigands était agaçante, mais non pas insolente.
Aucun d’eux ne faisait mine de nous traiter en pays conquis. Ils
savaient que nous étions dans leurs mains et qu’ils nous
échangeraient tôt ou tard contre un certain nombre de pièces d’or ;
mais ils ne songeaient pas à se prévaloir de cette circonstance pour
nous malmener ou nous manquer de respect. Le bon sens, ce génie
impérissable du peuple grec, leur montrait en nous les représentants
d’une race différente, et jusqu’à un certain point supérieure. La
barbarie victorieuse rendait un secret hommage à la civilisation
vaincue. Plusieurs d’entre eux voyaient pour la première fois l’habit
européen. Ceux-là tournaient autour de nous comme les habitants
du nouveau monde autour des Espagnols de Colombo. Ils tâtaient
furtivement l’étoffe de mon paletot, pour savoir de quel tissu elle
était faite. Ils auraient voulu pouvoir m’ôter tous mes vêtements,
pour les examiner en détail. Peut-être même n’auraient-ils pas été
fâchés de me casser en deux ou trois morceaux pour étudier la
structure intérieure d’un milord ; mais je suis sûr qu’ils ne l’eussent
pas fait sans s’excuser et sans me demander pardon de la liberté
grande.
Mme Simons ne tarda pas à perdre patience ; elle s’ennuyait
d’être examinée de si près par ces mangeurs de fromage qui ne lui
offraient point à déjeuner. Tout le monde n’aime pas à se donner en
spectacle. Le rôle de curiosité vivante déplaisait fort à la bonne
dame, quoiqu’elle eût pu le remplir avantageusement dans tous les
pays du globe. Quant à Mary-Ann, elle tombait de fatigue. Une
course de six heures, la faim, l’émotion, la surprise, avaient eu bon
marché de cette créature délicate. Figurez-vous une jeune miss
élevée dans la ouate, habituée à marcher sur les tapis des salons ou
sur le raygrass des plus beaux parcs. Ses bottines étaient déjà
déchirées par les aspérités du chemin, et les buissons avaient frangé
le bas de sa robe. Elle avait pris du thé la veille, dans les salons de la
légation d’Angleterre, en feuilletant les admirables albums de M.
Wyse : elle se voyait transportée sans transition au milieu d’un
paysage affreux et d’une horde de sauvages, et elle n’avait pas la
consolation de se dire : « C’est un rêve » car elle n’était ni couchée,
ni assise, mais debout, au grand désespoir de ses petits pieds.
Une nouvelle troupe survint, qui rendit notre position intolérable.
Ce n’était pas une troupe de brigands ; c’était bien pis. Les Grecs
portent sur eux toute une ménagerie de petits animaux agiles,
capricieux, insaisissables, qui leur tiennent compagnie nuit et jour,
les occupent jusque dans le sommeil, et, par leurs bonds et leurs
piqûres, accélèrent le mouvement des esprits et la circulation du
sang. Les puces des brigands, dont je puis vous montrer quelques
échantillons dans ma collection entomologique, sont plus rustiques,
plus fortes et plus agiles que celles des citadins : le grand air a des
vertus si puissantes ! Mais je m’aperçus trop tôt qu’elles n’étaient pas
contentes de leur sort et qu’elles trouvaient plus de régal sur la peau
fine d’un jeune Allemand que sur le cuir tanné de leurs maîtres. Une
émigration armée se dirigea sur mes jambes. Je sentis d’abord une
vive démangeaison autour des chevilles : c’était la déclaration de
guerre. Dix minutes plus tard, une division d’avant-garde se jeta sur
le mollet droit. J’y portai vivement la main. Mais, à la faveur de cette
diversion, l’ennemi s’avançait à marches forcées vers mon aile
gauche et prenait position sur les hauteurs du genou. J’étais
débordé, et toute résistance devenait inutile. Si j’avais été seul, dans
un coin écarté, j’aurais tenté avec quelque succès la guerre
d’escarmouches. Mais la belle Mary-Ann était devant moi, rouge
comme une cerise, et tourmentée peut-être aussi par quelque
ennemi secret. Je n’osais ni me plaindre ni me défendre ; je dévorai
héroïquement mes douleurs sans lever les yeux sur Miss Simons ; et
je souffrais pour elle un martyre dont on ne me saura jamais gré.
Enfin, à bout de patience et décidé à me soustraire par la fuite au
flot montant des invasions, je demandai à comparaître devant le Roi.
Ce mot rappela nos guides à leur devoir. Ils demandèrent où était
Hadgi-Stavros. On leur répondit qu’il travaillait dans ses bureaux.
« Enfin, dit Mme Simons, je pourrai donc m’asseoir dans un
fauteuil. »
Elle prit mon bras, offrit le sien à sa fille, et marcha d’un pas
délibéré dans la direction où la foule nous conduisait. Les bureaux
n’étaient pas loin du camp, et nous y fûmes en moins de cinq
minutes.
Les bureaux du Roi ressemblaient à des bureaux comme le camp
des voleurs ressemblait à un camp. On n’y voyait ni tables, ni
chaises, ni mobilier d’aucune sorte. Hadgi-Stavros était assis en
tailleur, sur un tapis carré, à l’ombre d’un sapin. Quatre secrétaires
et deux domestiques se groupaient autour de lui. Un jeune garçon
de seize à dix-huit ans s’occupait incessamment à remplir, à allumer
et à nettoyer le chibouk du maître. Il portait à la ceinture un sac à
tabac, brodé d’or et de perles fines, et une pince d’argent destinée à
prendre les charbons. Un autre serviteur passait la journée à
préparer les tasses de café, les verres d’eau et les sucreries destinés
à rafraîchir la bouche royale. Les secrétaires, assis à cru sur le
rocher, écrivaient sur leurs genoux avec des roseaux taillés. Chacun
d’eux avait à portée de la main une longue boîte de cuivre contenant
les roseaux, le canif et l’écritoire. Quelques cylindres de fer-blanc,
pareils à ceux où nos soldats roulent leur congé, servaient de dépôt
des archives. Le papier n’était pas indigène, et pour cause. Chaque
feuille portait le mot BATH en majuscules.
Le Roi était un beau vieillard, merveilleusement conservé, droit,
maigre, souple comme un ressort, propre et luisant comme un sabre
neuf. Ses longues moustaches blanches pendaient sous le menton
comme deux stalactites de marbre. Le reste du visage était
scrupuleusement rasé, le crâne nu jusqu’à l’occiput, où une grande
tresse de cheveux blancs s’enroulait sous le bonnet. L’expression de
ses traits me parut calme et réfléchie. Une paire de petits yeux bleu
clair et un menton carré annonçaient une volonté inébranlable. Sa
figure était longue, et la disposition des rides l’allongeait encore.
Tous les plis du front se brisaient par le milieu et semblaient se
diriger vers la rencontre des sourcils ; deux sillons larges et profonds
descendaient perpendiculairement à la commissure des lèvres,
comme si le poids des moustaches eût entraîné les muscles de la
face. J’ai vu bon nombre de septuagénaires ; j’en ai même disséqué
un qui aurait attrapé la centaine si la diligence d’Osnabruck ne lui
eût passé sur le corps ; mais je ne me souviens pas d’avoir observé
une vieillesse plus verte et plus robuste que celle d’Hadgi-Stavros.
Il portait l’habit de Tino et de toutes les îles de l’Archipel. Son
bonnet rouge formait un large pli à sa base autour du front. Il avait
la veste de drap noir, soutachée de soie noire, l’immense pantalon
bleu qui absorbe plus de vingt mètres de cotonnade, et les grandes
bottes en cuir de Russie, souple et solide. La seule richesse de son
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebooknice.com