Afin de mieux comprendre les données, il est primordial d’analyser leurs relations. Et pour faciliter cette analyse face à des dizaines de milliers de lignes de données, il existe des formules mathématiques. Notamment le coefficient de corrélation.
Qu’est-ce que le coefficient de corrélation ?
Le coefficient de corrélation est un indicateur statistique noté r qui mesure l’association entre deux variables numériques : il en quantifie la force et le sens, avec une valeur toujours comprise entre −1 et +1. Proche de +1, les variables évoluent généralement dans le même sens, proche de −1 elles évoluent en sens opposé, proche de 0 l’association linéaire est faible ou absente.
Relation et dépendance entre deux variables
Avant de comprendre le coefficient de corrélation, il convient de comprendre les relations entre les différentes variables d’un jeu de données. Ainsi, si les valeurs d’une variable Y dépendent de la valeur X (ou inversement), il y a une relation entre ces deux variables. La connaissance de X peut alors aider à prédire Y (et réciproquement selon le contexte). Par exemple, la marge dégagée par une entreprise dépend en partie du prix de ses produits ou services. Il peut donc exister une corrélation entre ces deux valeurs.
En mathématiques, une relation se note souvent Y = f(X), où Y est la variable dépendante et X la variable indépendante. Corrélation n’implique pas causalité : deux variables peuvent être fortement corrélées sans que l’une cause l’autre. Par ailleurs, des variables indépendantes ont une corrélation nulle, mais l’inverse n’est pas toujours vrai.
Corrélation linéaire ou monotone ?
Le choix de l’indice dépend de la forme du lien entre X et Y. Pour une relation linéaire, on utilise le coefficient de Pearson. Pour une relation monotone (strictement croissante ou décroissante, pas nécessairement rectiligne), on privilégie Spearman, qui calcule la corrélation sur les rangs et se montre plus robuste aux valeurs extrêmes.
| Mesure | Ce qu’elle évalue | Données adaptées | Points forts | À surveiller |
|---|---|---|---|---|
| Pearson | Force du lien linéaire | Variables quantitatives continues | Référence pour régression linéaire, interprétation directe | Sensible aux valeurs aberrantes, peut être faible si la relation est non linéaire |
| Spearman | Force du lien monotone via les rangs | Quantitatives ou ordinales, relations non linéaires mais monotones | Moins sensible aux valeurs extrêmes, capte des tendances courbes | Ne renseigne pas sur la linéarité, seulement sur l’ordre croissant/décroissant |
Dans un nuage de points, on caractérise la relation par son intensité (forte, faible, nulle), sa forme (linéaire ou non, monotone ou non) et son sens (positif ou négatif). Le choix entre Pearson et Spearman découle directement de cette lecture visuelle.
Que signifient les valeurs de −1 à +1 ?
Les coefficients sont bornés entre −1 et +1. Le signe indique le sens de la relation : positif si X et Y évoluent ensemble, négatif s’ils évoluent en sens opposé. La valeur absolue mesure la force de l’association.
- r = +1 ou r = −1 : association parfaite selon la mesure choisie (linéaire pour Pearson, monotone pour Spearman).
- r ≈ 0 : pas d’association linéaire marquée. Une relation non linéaire peut toutefois exister, d’où l’intérêt d’un examen graphique.
- Grille indicative (à adapter selon le domaine, la taille d’échantillon et la qualité des données) :
- |r| < 0,10 : négligeable
- 0,10 ≤ |r| < 0,30 : faible
- 0,30 ≤ |r| < 0,50 : modérée
- 0,50 ≤ |r| < 0,70 : assez forte
- |r| ≥ 0,70 : forte à très forte
En pratique, on utilise la corrélation pour relier une multitude de variables, par exemple taille et performance, prix et marge, nombre d’habitants et pollution, apports caloriques et maladie. Choisissez l’indice adapté à la forme du lien observé, une compétence clé pour tout Data Analyst.
Comment interpréter la corrélation visuellement ?
Avant de plonger dans les formules, commencez par un diagnostic à l’œil : tracez un nuage de points avec X en abscisse et Y en ordonnée. Ce regard rapide révèle l’intensité, la forme et le sens de la relation. Si le nuage présente une structure lisible, la connaissance de X permet souvent de mieux anticiper Y. À l’inverse, un nuage totalement diffus suggère une relation faible, voire nulle.
- Interprétation pratique immédiate : plus les points sont rapprochés autour d’un alignement, plus la relation est forte ; s’ils sont très éparpillés, la relation est faible.
- Signe visuel : une pente ascendante traduit un lien positif, une pente descendante un lien négatif.
- Avant les calculs : ce contrôle visuel évite de calculer un coefficient de corrélation sur des données qui ne s’y prêtent pas ou qui contiennent des valeurs aberrantes.
À quoi sert le nuage de points ?
Le nuage de points est la représentation graphique la plus simple pour caractériser une relation. Il met en évidence trois éléments clés et prépare l’introduction d’une droite d’ajustement (ou droite de régression) pour formaliser l’allure observée.
- Alignement : si les points s’alignent bien autour d’une droite imaginaire, la relation est vraisemblablement linéaire et forte.
- Direction : une pente vers le haut indique une corrélation positive ; vers le bas, une corrélation négative.
- Dispersion : plus les points sont serrés autour de la droite d’ajustement, plus la relation est forte en valeur absolue ; plus ils sont dispersés, plus la relation est faible.
- Valeurs aberrantes : des points isolés peuvent exagérer ou masquer la relation. Identifiez-les avant tout calcul.
- Lecture pratique de |r| : un nuage très compact suggère |r| proche de 1, un nuage très diffus suggère |r| proche de 0. Le signe dépend du sens de la pente.
- Étape suivante : superposez une droite d’ajustement, puis calculez un coefficient adapté (par exemple Pearson ou Spearman) pour quantifier ce que l’œil a perçu.
Quand une relation est-elle non linéaire ?
Un coefficient proche de 0 n’implique pas toujours « pas de relation ». Il peut simplement indiquer pas de relation linéaire. Plusieurs formes créent des nuages de points où r est voisin de 0 alors qu’une structure existe.
- Courbe en U ou en cloche (relation quadratique) : faibles valeurs de X et fortes valeurs de X donnent des Y élevés, les valeurs intermédiaires donnent des Y faibles.
- Structure sinusoïdale : alternance de montées et de descentes qui s’annulent au calcul linéaire.
- Cercle ou anneau : X et Y varient, mais sans pente moyenne nette.
- Effet de seuil ou saturation : Y croît avec X jusqu’à un palier, puis se stabilise.
- Hétéroscédasticité marquée : la dispersion de Y change avec X, ce qui peut biaiser la perception de la force du lien.
Dans ces cas, utilisez des transformations (logarithme, carré, racine, etc.) ou un coefficient fondé sur les rangs comme Spearman si la relation est monotone mais non linéaire. Le nuage de points reste l’outil décisif pour repérer ces formes.
Matrice/heatmap de corrélation
Lorsque vous analysez plusieurs variables à la fois, un corrélogramme ou heatmap de corrélation offre un aperçu global. La matrice présente, pour chaque paire de variables, un coefficient compris entre −1 et 1 ; elle est symétrique, et la diagonale vaut 1. La heatmap code ces valeurs par des couleurs pour repérer d’un coup d’œil les liens forts, positifs ou négatifs.
Usages pratiques :
- Détecter les redondances : identifier des groupes de variables très corrélées pour simplifier un modèle ou éviter la multicolinéarité.
- Sélection de variables : choisir des prédicteurs peu corrélés entre eux pour améliorer la stabilité des régressions.
- Contrôle qualité : repérer des relations inattendues qui signalent une erreur de saisie, d’unité ou de préparation des données.
- Suivi temporel : comparer des matrices sur différentes périodes pour détecter une dérive des relations.
Mise en pratique rapide : choisissez la bonne métrique (Pearson pour des variables quantitatives continues, Spearman si valeurs extrêmes ou relation monotone non linéaire), nettoyez les données, triez les variables par similarité pour faire émerger des blocs, affichez un seul triangle de la matrice et annotez les valeurs au‑delà d’un seuil utile pour votre cas d’usage.
Quels sont les différents coefficients de corrélation ?
Plusieurs coefficients existent pour mesurer une association entre variables. Pearson et Spearman restent les plus utilisés en pratique, tandis que Kendall, phi et le point-bisérial répondent à des besoins fréquents selon la nature des données. Le choix dépend surtout du type de variables, de la forme attendue de la relation (linéaire ou simplement monotone) et de la présence d’outliers.
Coefficient Type de données Relation captée Robustesse aux outliers Cas d’usage typiques Pearson Deux variables numériques continues Linéaire Faible Mesures physiques, finance, A/B test avec effets linéaires Spearman Rangs ou numériques ordonnables Monotone (linéaire ou non) Bonne Données non normales, outliers, relation croissante ou décroissante régulière Kendall (τ) Rangs Monotone Très bonne Petits échantillons ou nombreux ex æquo Phi (φ) Deux variables binaires Association 2×2 , Table de contingence oui/non Point-bisérial Une binaire, une continue Linéaire entre groupes 0/1 , Comparaison d’un score continu selon une catégorie binaire Corrélation partielle Numériques, avec variables de contrôle Linéaire conditionnelle Dépend du modèle Effet propre de X sur Y en contrôlant Z Corrélation multiple (R) Plusieurs prédicteurs numériques Association globale avec Y Dépend du modèle Qualité d’un modèle multivarié, R² Le coefficient de corrélation de Pearson
Il s’agit d’étudier les relations linéaires et monotones, plus précisément la force et le sens d’une relation linéaire entre deux variables numériques. Le coefficient, noté r, varie entre -1 et 1, où le signe indique le sens de la relation et la valeur absolue sa force.
Hypothèses et bonnes pratiques : relation approximativement linéaire, absence d’outliers marqués, variabilité relativement constante le long de la droite (homoscédasticité). Pour les tests d’hypothèse et intervalles, la normalité des résidus est souvent requise. En calcul, r s’obtient à partir de la covariance et des écarts-types des deux variables (r = Cov(X,Y) / [σX σY]).
Cas d’usage typiques : mesurer l’alignement entre deux mesures continues (par exemple prix et marge, rendement de deux actifs financiers), résumer l’intensité d’un nuage de points proche d’une droite, comparer des effets entre expériences lorsque l’effet attendu est linéaire.
Le coefficient de corrélation de Spearman
Spearman est une corrélation de rangs qui évalue une relation monotone, qu’elle soit linéaire ou non. On remplace les valeurs par leurs rangs puis on calcule la corrélation sur ces rangs. Cette approche est moins sensible aux valeurs extrêmes et convient bien aux distributions non normales.
- Utile en présence d’outliers ou de distributions asymétriques.
- Adapté aux variables ordinales et aux liens croissants ou décroissants réguliers.
- Ties (ex æquo) : attribuer la moyenne des rangs aux valeurs identiques, et utiliser la correction dédiée pour le calcul exact des p‑values lorsque de nombreux ex æquo sont présents.
Quand préférer Kendall, phi ou point-bisérial ?
Orientez votre choix selon la nature des variables et la taille de l’échantillon. Kendall τ, comme Spearman, travaille sur les rangs, mais mesure la concordance et la discordance des paires, ce qui le rend souvent plus stable sur petits échantillons ou lorsque les rangs comportent beaucoup d’ex æquo. Pour les données binaires, on se tourne vers phi, et pour un couple binaire‑continue vers le point-bisérial.
Situation Coefficient recommandé Pourquoi Deux variables ordinales, nombreux ex æquo ou n petit Kendall (τ) Mesure robuste de concordance des paires Deux variables ordinales ou numériques non normales Spearman (ρ) Corrélation de rangs, robuste aux outliers Deux variables binaires Phi (φ) Association d’un tableau 2×2, équivalent de Pearson sur variables 0/1 Une variable binaire et une variable continue Point-bisérial Corrélation de Pearson entre une variable 0/1 et une variable continue Corrélation partielle et multiple : à quoi servent-elles ?
Corrélation partielle : elle mesure la relation linéaire entre X et Y en contrôlant l’effet d’une ou plusieurs variables Z. Elle sert à isoler l’association propre entre deux variables lorsqu’un facteur tiers peut créer une confusion. Exemple parlant : la corrélation entre taille des pieds et réussite scolaire disparaît en contrôlant l’âge, car l’âge influence à la fois la pointure et la performance.
Corrélation multiple : le coefficient R résume la force de l’association entre une variable cible Y et un ensemble de prédicteurs X1, X2, … Il est directement lié à R², la part de variance de Y expliquée par le modèle. Exemple pratique : expliquer le chiffre d’affaires par le prix, la publicité et la saisonnalité, puis examiner R et R² pour juger la qualité globale du modèle.
Comment calculer le coefficient de corrélation ?
La formule utilisée diffère selon le type de relation, mais elle s’écrit toujours sous la forme r. Pour passer de l’intuition graphique au calcul exact, suivez les pas-à-pas ci‑dessous.
Formule de Pearson et exemple pas à pas
Formule : pour deux séries X et Y de même taille n, le coefficient de Pearson se calcule ainsi :
r = Σ[(xi − x̄)(yi − ȳ)] ÷ √[Σ(xi − x̄)2 × Σ(yi − ȳ)2]
Exemple pas à pas avec 5 observations :
i xi yi (xi−x̄) (yi−ȳ) Produit (xi−x̄)2 (yi−ȳ)2 1 1 2 −2 −2 4 4 4 2 2 3 −1 −1 1 1 1 3 3 5 0 1 0 0 1 4 4 4 1 0 0 1 0 5 5 6 2 2 4 4 4 Sommes 9 10 10 - Calculer les moyennes: x̄ = 3, ȳ = 4.
- Calculer les écarts à la moyenne et remplir le tableau.
- Appliquer la formule: r = 9 ÷ √(10 × 10) = 9 ÷ 10 = 0,9.
Interprétation: r = 0,9 signifie un lien linéaire positif et fort entre X et Y.
Formule de Spearman et gestion des ex æquo (ties)
Idée : Spearman mesure l’association monotone. On remplace les valeurs par leurs rangs puis on calcule la corrélation de Pearson sur ces rangs.
- Remplacer chaque xi et yi par leurs rangs Rx,i et Ry,i dans l’échantillon.
- En absence d’ex æquo, on peut utiliser la formule rapide: rs = 1 − 6 Σdi2 ÷ [n(n2−1)], avec di = Rx,i − Ry,i.
- En présence d’ex æquo, attribuer des rangs moyens aux valeurs à égalité puis calculer Pearson sur les rangs:
rs = Σ[(Rx,i−R̄)(Ry,i−R̄)] ÷ √[Σ(Rx,i−R̄)2 × Σ(Ry,i−R̄)2]
Mini‑exemple avec ex æquo (n = 5) :
i X Y Rang X Rang Y d d2 1 10 30 1 4 −3 9 2 20 20 2,5 2,5 0 0 3 20 20 2,5 2,5 0 0 4 40 10 4 1 3 9 5 50 40 5 5 0 0 Avec rangs moyens, le calcul de Pearson sur les rangs donne rs ≈ 0,053. Remarque: la formule rapide 1 − 6 Σd2 ÷ [n(n2−1)] n’est exacte que sans ex æquo, d’où l’intérêt de Pearson sur les rangs lorsque des égalités existent.
Calcul à partir d’un tableau ou d’un graphique ?
Graphique : le nuage de points permet d’estimer visuellement le sens et l’intensité de la relation. Certaines méthodes scolaires approchent r à partir d’un rectangle englobant, mais le résultat reste une approximation sensible à l’échelle et aux points aberrants.
Tableau de données : le calcul via les formules ci‑dessus fournit la valeur exacte de r ou rs. Pour une analyse fiable, préférez toujours le calcul sur les données, puis utilisez le graphique pour interpréter et détecter d’éventuelles non‑linéarités.
Quels outils utiliser (Excel, R, Python) ?
Outil Pearson Spearman Excel =CORREL(X_plage; Y_plage) ou =PEARSON(X_plage; Y_plage) Classer avec RANG.AVG puis corréler: =CORREL(RANG.AVG(X_plage;X_plage); RANG.AVG(Y_plage;Y_plage)) R cor(x, y, method = « pearson ») cor(x, y, method = « spearman ») Python (pandas) s1.corr(s2, method= »pearson ») s1.corr(s2, method= »spearman ») Python (SciPy) from scipy.stats import pearsonr; pearsonr(x, y) from scipy.stats import spearmanr; spearmanr(x, y) Quelles hypothèses et conditions faut-il vérifier ?
Avant toute interprétation de r, clarifiez le cadre d’usage. Un même coefficient peut être informatif ou trompeur selon la nature des données, la forme de la relation et la manière de les avoir collectées. Procédez par contrôles simples, puis confirmez au besoin par des tests.
- Type de variables : deux variables numériques mesurées sur la même unité statistique, paires alignées sans valeurs manquantes ni codages erronés.
- Forme de la relation : vérifiez par représentation graphique et nuage de points que la relation est monotone. Si elle est linéaire, privilégiez Pearson, sinon envisagez Spearman (ou Kendall) pour des relations monotones non linéaires.
- Indépendance des observations : pas d’auto-corrélation temporelle ni d’observations répétées non prises en compte. En séries chronologiques, tenez compte des tendances et saisons avant tout calcul.
- Valeurs extrêmes : les points atypiques influencent fortement Pearson. Identifiez-les visuellement et par des mesures simples, puis décidez d’un traitement justifié.
- Objectif inférentiel : si vous testez des hypothèses ou construisez des intervalles de confiance pour Pearson, contrôlez la normalité approximative et l’homoscédasticité des résidus d’un modèle linéaire associé.
Linéarité, normalité, homoscédasticité
- Linéarité : inspectez le nuage de points et, si besoin, une courbe de lissage local. Une courbure marquée indique qu’un simple coefficient de Pearson peut sous‑estimer la force du lien. Solutions possibles : transformation raisonnable des variables, ou usage de Spearman si la relation reste monotone.
- Normalité (pour l’inférence avec Pearson) : regardez un QQ‑plot et les histogrammes, puis, si nécessaire, appliquez un test simple sur les résidus d’un ajustement linéaire. Avec de grands échantillons, l’approximation normale devient plus robuste.
- Homoscédasticité : examinez le graphique résidus vs valeurs ajustées. Un éventail ou un motif en cône suggère une variance non constante. Conséquences : p‑values et intervalles de confiance peu fiables. Parades : transformations adaptées, erreurs standards robustes, ou recours à un coefficient fondé sur les rangs.
- Valeurs extrêmes : un seul point influent peut inverser le signe ou la taille de r. Vérifiez l’effet de levier visuellement, calculez la corrélation avec et sans ces points, puis documentez toute décision de traitement.
Si ces conditions sont violées et ignorées, vous risquez une estimation biaisée de r, des tests trop optimistes et des conclusions erronées. L’analyse graphique, les diagnostics sur résidus et le choix éclairé du coefficient (Pearson ou Spearman) doivent donc précéder toute interprétation.
Taille d’échantillon et puissance statistique
Sur petits échantillons, r est instable et très sensible aux valeurs extrêmes. La précision de l’estimation augmente rapidement avec la taille de l’échantillon. À titre indicatif, l’intervalle de confiance de r se resserre approximativement en proportion de 1/√(n−3) via la transformation de Fisher.
- Précision : autour d’une vraie corrélation nulle, un échantillon de n ≈ 20 donne souvent un intervalle à 95 % proche de −0,44 à +0,44 ; avec n ≈ 100, il se resserre vers −0,20 à +0,20.
- Puissance : détecter une corrélation modérée demande du volume. À titre d’ordre de grandeur, pour mettre en évidence r ≈ 0,30 avec un risque de 5 % et une puissance de 80 %, il faut souvent autour de 80 à 90 observations. Pour r ≈ 0,20, des tailles bien supérieures sont nécessaires.
- Bonnes pratiques : planifiez une taille d’échantillon cible à l’aide d’un calcul de puissance, rapportez systématiquement l’intervalle de confiance de r, et vérifiez la sensibilité des résultats à l’exclusion de points influents.
Signification statistique : que testez-vous vraiment ?
Le coefficient de corrélation r résume la force et le sens d’un lien entre deux variables numériques, généralement dans l’intervalle [-1, 1]. Dans la pratique, on ne s’arrête pas à sa valeur observée, on teste une hypothèse et on encadre r par un intervalle de confiance pour juger de la robustesse du résultat. Ces outils complètent la lecture descriptive du nuage de points présentée plus haut et éclairent l’usage de r, qu’il s’agisse du Pearson ou du Spearman.
À retenir : une p-value vous dit si vos données sont compatibles avec un monde où la corrélation vraie serait nulle, tandis qu’un intervalle de confiance indique une plage plausible de valeurs pour la corrélation de la population. La signification statistique ne dit pas tout de la signification pratique.
Test d’hypothèse et p-value pour r
Hypothèse nulle : H0 : r = 0 (pas de corrélation linéaire dans la population). Sous des hypothèses usuelles de normalité bivariée et d’échantillonnage aléatoire, la statistique de test pour le coefficient de Pearson est, à titre d’aperçu,
t = r * sqrt(n - 2) / sqrt(1 - r^2), qui suit approximativement une loi de Student àn - 2degrés de liberté sous H0. La p-value est la probabilité d’observer une statistique au moins aussi extrême que celle obtenue, si H0 était vraie.- Interprétation prudente :
- Petite p-value (par exemple < 0,05) : les données sont peu compatibles avec H0, on rejette H0 et on conclut à une corrélation non nulle.
- Grande p-value : absence de preuve contre H0, ce qui ne prouve pas que r est exactement 0.
Comment construire un intervalle de confiance (Fisher z) ?
- Transformer r :
z = 0,5 * ln((1 + r) / (1 - r))(transformation z de Fisher). - Écart-type sur l’échelle z :
SEz = 1 / sqrt(n - 3). - IC à 95 % sur z :
[ z - 1,96 * SEz, z + 1,96 * SEz ](adapter la constante pour un autre niveau). - Revenir à r : appliquer la tangente hyperbolique
r = tanh(z)à chaque borne pour obtenir[ rbas, rhaut ]. - Lire l’IC : s’il ne contient pas 0, la corrélation est statistiquement différente de 0 au niveau choisi.
Cette méthode normalise la distribution de r et fournit un encadrement directement interprétable sur l’échelle de la corrélation. Elle complète utilement le test de H0 et éclaire la magnitude plausible de l’association.
Corrélation vs covariance : quelle différence ?
La covariance mesure comment deux variables varient ensemble, mais sa valeur dépend des unités de mesure. La corrélation est une version normalisée de la covariance, sans unité, bornée entre -1 et 1, donc directement comparable entre paires de variables et contextes.
Mesure Définition Échelle Domaine Interprétation directe Quand l’utiliser Covariance Moyenne des produits des écarts à la moyenne Dépend des unités de X et Y Non borné Difficile à lire sans contexte Étapes de calcul, matrices variance‑covariance, modélisation Corrélation (r) Covariance divisée par les écarts‑types Sans unité, normalisée [-1, 1] Force et sens du lien linéaire Comparer des associations, communiquer un effet Quelles sont les limites du coefficient de corrélation ?
Le coefficient de corrélation est utile pour résumer la force et le sens d’un lien entre deux variables, mais il peut induire en erreur si on l’interprète sans précautions. Voici les principaux pièges, avec des exemples concrets et des pistes pour les éviter :
- Confondre corrélation et causalité, surtout en présence de variables confondantes.
- Ignorer l’effet disproportionné des valeurs aberrantes sur r.
- Conclure trop vite à un lien alors qu’il s’agit d’une corrélation « spurielle » créée par une tendance commune ou une saisonnalité.
- Sous-estimer l’impact des erreurs de mesure et de la restriction de plage, qui atténuent artificiellement r.
- Oublier que r de Pearson capte surtout des relations linéaires, alors que des alternatives comme Spearman peuvent mieux refléter un lien monotone non linéaire (Pearson vs Spearman).
Corrélation = causalité ?
Une corrélation élevée n’implique pas que X cause Y. Elle peut refléter une causalité inverse, une cause commune, ou un simple alignement conjoncturel. Sans cadre causal explicite, la corrélation ne dit rien des mécanismes sous-jacents.
Cas concret : on observe souvent une forte corrélation entre la taille des pieds des élèves et la réussite à la dictée. Ce n’est pas la taille des pieds qui « améliore » l’orthographe, mais l’âge, variable confondante. Les élèves plus âgés ont de plus grands pieds et font généralement moins de fautes. Pour démêler ces effets, il faut intégrer l’âge dans le modèle, utiliser des variables instrumentales ou concevoir une expérience contrôlée.
Valeurs aberrantes (outliers) et robustesse
Le coefficient de corrélation de Pearson est très sensible aux points extrêmes. Un seul outlier peut changer nettement la valeur de r, voire en inverser le signe. Cela arrive lorsque le point présente une forte « influence » géométrique dans le nuage de points.
- Diagnostiquer : visualiser le nuage de points, repérer les points à fort levier, calculer r avec et sans ces points.
- Nettoyer ou transformer : vérifier les erreurs de saisie, considérer des transformations (log, racine), appliquer un winsorising raisonné.
- Préférer une mesure robuste quand c’est pertinent : utiliser la corrélation de Spearman basée sur les rangs (ou Kendall) pour réduire l’influence des outliers et capter un lien monotone non linéaire (comparatif Pearson/Spearman).
- Modéliser de façon robuste : recourir à des régressions robustes ou à des corrélations robustes (par exemple biweight) lorsque les données comportent des valeurs extrêmes structurelles.
Corrélations spurielles : comment les repérer ?
Deux séries peuvent afficher une corrélation élevée uniquement parce qu’elles partagent une tendance de long terme, une saisonnalité ou un cycle commun, sans relation réelle entre elles. On parle de corrélation spurielle.
- Contrôler la tendance : différencier les séries, retirer la tendance ou la saisonnalité, puis recalculer r sur les résidus.
- Vérifier les variables cachées : estimer une corrélation partielle en contrôlant des facteurs comme l’âge, le revenu ou la température.
- Tester la dynamique temporelle : décaler les séries, utiliser des fenêtres roulantes, vérifier la stabilité du lien dans le temps.
- Valider hors échantillon : vérifier que la corrélation persiste sur d’autres périodes, d’autres sous-populations ou d’autres jeux de données.
- Mobiliser des tests adaptés : tests de racine unitaire et de cointégration pour séries temporelles, tests de permutation lorsque c’est pertinent. Compléter avec une analyse causale dédiée si l’objectif est inférentiel.
Que faire en cas d’erreurs de mesure ou de plage restreinte ?
Conséquences : les erreurs de mesure atténuent la corrélation observée, qui tend vers zéro quand la fiabilité diminue. De même, la « restriction de plage » (échantillon trop homogène, filtrage par sélection) réduit la variance de X ou de Y, ce qui abaisse mécaniquement r et peut masquer une relation réelle.
Bonnes pratiques : améliorer la qualité des données (protocoles de mesure stables, étalonnage, répétitions et moyennes), élargir la plage d’observation lorsque c’est possible, documenter les critères de sélection. En analyse avancée, on peut envisager des corrections d’atténuation fondées sur la fiabilité des mesures, ou des modèles qui explicitent l’erreur de mesure.
Applications courantes : quand l’utiliser ?
Afin de mieux comprendre les données, il est primordial d’analyser leurs relations. Le coefficient de corrélation sert alors à quantifier la force et le sens d’une relation entre variables, pour explorer un jeu de données, cadrer des hypothèses et préparer des modèles, sans conclure à une causalité.
- Prioriser des variables explicatives avant modélisation (repérer celles qui bougent ensemble ou à l’inverse en sens opposé).
- Dépister la redondance entre indicateurs afin d’éviter le double comptage dans un tableau de bord.
- Contrôle qualité et opérations, par exemple vérifier si la température d’un procédé évolue avec le taux de rebut.
- Produits et pricing, par exemple étudier le lien entre prix et marge pour ajuster une politique tarifaire.
- Marketing et produit, par exemple observer l’association entre trafic qualifié et conversions pour guider des tests.
- Environnement et santé publique, par exemple le nombre d’habitants et la pollution, ou les apports caloriques et une maladie, afin d’explorer des pistes d’analyse.
Analyse exploratoire de données et sélection de variables
En EDA, la corrélation aide à caractériser rapidement l’intensité, le sens et parfois la forme d’une relation. On combine généralement nuages de points et matrice de corrélation pour repérer motifs et redondances, puis on choisit l’indicateur adapté : Pearson ou Spearman selon que la relation est linéaire ou seulement monotone.
- Visualiser d’abord: nuages de points, heatmap de corrélation, distributions marginales.
- Choisir l’indicateur: Pearson pour relations linéaires, Spearman pour relations monotones non linéaires ou en présence d’outliers.
- Dépister la redondance: marquer les paires très corrélées en valeur absolue (par exemple |r| élevé selon le contexte) et décider de conserver, combiner ou supprimer une variable.
- Limiter la multicolinéarité: compléter par un facteur d’inflation de la variance (VIF), ou recourir à des pénalisations (Ridge, Lasso) et à des techniques de réduction de dimension si besoin.
- Valider: vérifier la stabilité des corrélations sur d’autres périodes, échantillons ou sous-populations.
Finance et diversification : utile ou piégeux ?
En gestion de portefeuille, la corrélation (bornée dans l’intervalle [-1, 1]) sert à construire la diversification: combiner des actifs faiblement corrélés, voire négativement corrélés, aide à lisser les variations et à limiter le risque global. Elle éclaire aussi la proximité d’un fonds avec son marché de référence en mesurant à quel point leurs rendements évoluent ensemble.
Ses limites imposent toutefois la prudence: la corrélation ne prouve pas la causalité, elle varie dans le temps (changements de régime, effets de crise), dépend de la période et de la fréquence d’observation, et capture mal les dépendances non linéaires ou en queue de distribution. Bonnes pratiques: analyser des fenêtres roulantes, comparer Pearson et Spearman, compléter par volatilité et drawdown, et tester des scénarios de stress avant de conclure.
Ce qu’il faut retenir
Pour analyser la relation entre deux variables d’un jeu de données, on observe d’abord la forme du lien sur un nuage de points, puis on la quantifie avec un coefficient de corrélation noté r.
- Définition : le coefficient de corrélation mesure la force et le sens de la relation entre deux variables numériques, avec une valeur toujours comprise entre -1 et 1.
- Interprétation : plus |r| est proche de 1, plus le lien est fort, proche de 0 il est faible. Le signe positif indique que les variables évoluent dans le même sens, le signe négatif qu’elles évoluent en sens opposé.
- Hypothèses et choix de l’outil : on étudie d’abord la forme de la relation. Pour une relation linéaire, on utilise Pearson. Pour une relation monotone non linéaire ou des rangs, on privilégie Spearman (Pearson ou Spearman).
- Outils pratiques : nuage de points pour visualiser l’intensité et le sens, puis calcul de r à partir de la covariance et des écarts types de X et Y, ou via un tableur ou un logiciel statistique.
- Limites : la corrélation ne prouve pas la causalité, Pearson évalue uniquement un lien linéaire, les résultats peuvent être sensibles aux valeurs aberrantes et au choix de la période d’observation, deux variables indépendantes sont non corrélées mais l’inverse n’est pas toujours vrai.
