PyDA Course
📖 Leçon 9 Intermédiaire ⏱ 25 minutes ⚡ +10 XP ColabKagglenbviewerBinderDeepnoteGitHub corrélation · pearson · spearman · nuage-de-points · causalité

La corrélation

Le r de Pearson et le rho de Spearman : comment deux variables varient ensemble, comment le calculer à la main, et les quatre façons dont il trompe.

🎯 Ce que vous apprendrez :
  • Lire la direction et l'étroitesse d'un nuage de points avant tout calcul
  • Calculer une corrélation de Pearson à la main avec la formule standardisée
  • Interpréter r comme un nombre entre −1 et 1, en signe et en grandeur
  • Calculer une corrélation de rang de Spearman et dire quand elle bat Pearson
  • Expliquer pourquoi r² décrit la variation expliquée et r non

Ce que cela signifie

Deux variables sont corrélées quand elles tendent à varier ensemble. Un coefficient de corrélation comprime cette tendance en un nombre entre −1-1 et +1+1.

La corrélation de Pearson mesure à quel point les points se situent près d’une droite :

r=1n−1∑i=1n(xi−xˉsx)(yi−yˉsy)r = \frac{1}{n-1}\sum_{i=1}^{n} \left(\frac{x_i - \bar{x}}{s_x}\right) \left(\frac{y_i - \bar{y}}{s_y}\right)

Chaque valeur devient un score standardisé — combien d’écarts types la séparent de sa moyenne — et la formule est le produit moyen des deux scores standardisés. Quand xx est au-dessus de sa moyenne en même temps que yy est au-dessus de la sienne, ce produit est positif ; quand ils sont en désaccord, il est négatif. La moyenne de ces produits est rr.

La corrélation de Spearman est la même formule calculée sur les rangs plutôt que sur les valeurs. Cela la rend robuste aux valeurs aberrantes et capable de saisir toute relation qui va toujours dans le même sens, pas seulement les relations linéaires.

Ce que cela apporte

Décrire une variable ne fait que la moitié du travail. Presque toute affirmation intéressante est relationnelle : un traitement est associé à de meilleurs résultats, le prix à la demande, la température aux ventes. Une corrélation est la réponse quantitative la moins coûteuse, et connaître ses limites vous protège de l’inférence erronée la plus courante en science des données : lire une cause dans une coïncidence.

Elle alimente aussi presque tout ce qui suit : la régression, la sélection de variables et les vérifications de fiabilité qui précèdent l’ajustement de tout modèle.

Calcul à la main

Cinq étudiants, heures d’étude xx et score yy :

x=1,2,3,4,5y=50,55,65,70,80x = 1,2,3,4,5 \qquad y = 50,55,65,70,80

Étape 1 — les moyennes. xˉ=3\bar{x} = 3, yˉ=64\bar{y} = 64.

Étape 2 — les écarts à chaque moyenne.

xxyyx−xˉx - \bar{x}y−yˉy - \bar{y}
150−2−14
255−1−9
3650+1
470+1+6
580+2+16

Étape 3 — les écarts types. ∑(x−xˉ)2=10\sum (x-\bar{x})^2 = 10, donc sx=10/4≈1.581s_x = \sqrt{10/4} \approx 1.581. ∑(y−yˉ)2=196+81+1+36+256=570\sum (y-\bar{y})^2 = 196 + 81 + 1 + 36 + 256 = 570, donc sy=570/4≈11.94s_y = \sqrt{570/4} \approx 11.94.

Étape 4 — standardiser et multiplier, ligne par ligne. Pour la première ligne, (−2/1.581)(−14/11.94)≈1.265×1.173≈1.484(-2/1.581)(-14/11.94) \approx 1.265 \times 1.173 \approx 1.484. En faisant les cinq et en additionnant :

∑(x−xˉsx)(y−yˉsy)≈4.949\sum \left(\frac{x-\bar{x}}{s_x}\right)\left(\frac{y-\bar{y}}{s_y}\right) \approx 4.949

Étape 5 — divisez par n−1n-1.

r=4.9494≈0.987r = \frac{4.949}{4} \approx 0.987

Presque 1. Les heures d’étude et le score augmentent ensemble presque parfaitement dans cet échantillon.

Étape 6 — élevez au carré. r2≈0.975r^2 \approx 0.975 : 97,5 % de la variation des scores va de pair avec la tendance linéaire des heures d’étude. Notez que r2r^2 est le nombre à citer quand vous voulez dire « quelle part est expliquée » ; rr seul surestime cette part.

Lire le signe et la grandeur

rrLecture
+1+1croissance parfaitement linéaire
+0.7+0.7forte tendance à la hausse, avec une dispersion visible
+0.2+0.2faible tendance à la hausse, presque noyée dans le bruit
00aucune tendance linéaire (il peut subsister une courbe)
−0.6-0.6tendance à la baisse modérée

Le signe indique la direction, la grandeur indique à quel point l’ajustement linéaire est serré, et rien de plus. r=0r = 0 ne signifie pas « aucune relation » ; cela signifie « aucune relation linéaire » : une relation en U parfaite a r≈0r \approx 0.

Quand Pearson trompe : recourir à Spearman

Considérez ces cinq points : x=1,2,3,4,5x = 1,2,3,4,5 et y=1,4,9,16,25y = 1,4,9,16,25. La relation est parfaite et croissante, mais courbe. Le rr de Pearson vaut environ 0.980.98 : élevé mais pas 1, parce que la courbe n’est pas une droite. La corrélation de rang de Spearman sur les mêmes données vaut exactement 1 : chaque rang en xx correspond à un rang en yy.

La règle pratique :

  • utilisez Pearson quand les deux variables sont numériques, à peu près continues, et que le nuage ressemble à une droite ou à une ellipse ;
  • utilisez Spearman quand la relation est monotone mais courbe, quand il y a des valeurs aberrantes, ou quand une variable est ordinale (une note de satisfaction de 1 à 5, un classement de compétition).

La même chose en Python

python
x = [1, 2, 3, 4, 5]
y = [50, 55, 65, 70, 80]

import statistics as st
mx, my = st.mean(x), st.mean(y)
sx, sy = st.stdev(x), st.stdev(y)

zx = [(v - mx) / sx for v in x]
zy = [(v - my) / sy for v in y]
r = sum(a * b for a, b in zip(zx, zy)) / (len(x) - 1)
print(round(r, 3))        # 0.987
print(round(r ** 2, 3))   # 0.975

NumPy et pandas font la même chose en un appel, et corr(method='spearman') bascule vers la version des rangs :

python
import numpy as np
print(np.corrcoef(x, y)[0, 1])

import pandas as pd
df = pd.DataFrame({'hours': x, 'score': y})
print(df.corr(method='pearson'))
print(df.corr(method='spearman'))

Le voir géométriquement

Sur un nuage de points, le rr de Pearson décrit la finesse du nuage autour d’une droite. Tournez le nuage et rr change ; courbez-le en U et rr tombe à zéro tandis que la relation devient plus forte. L’explorateur de corrélation de GeoGebra vous permet de déplacer des points et de voir rr réagir, y compris au moment où un seul point transforme une droite jusque-là serrée en relation faible.

Quand l’utiliser

  • Repérer des relations avant de décider ce qu’il faut modéliser.
  • Valider qu’une variable porte de l’information sur une cible.
  • Rapporter une association honnêtement, accompagnée d’un nuage de points pour que le lecteur voie ce que le nombre résume.

Limites

  • Corrélation n’est pas causalité. Les ventes de glaces sont corrélées aux noyades ; les deux suivent la météo.
  • Elle ne mesure que les droites. Des relations courbes fortes peuvent afficher un rr proche de zéro.
  • Elle est sensible aux valeurs aberrantes. Un point très éloigné peut faire passer rr de 0,2 à 0,8, ou détruire une corrélation réelle.
  • Les plages restreintes la réduisent. Corréler parmi les 10 % de valeurs les plus élevées peut cacher une relation forte globalement.
  • Combiner des groupes peut l’inventer (paradoxe de Simpson) : deux groupes sans tendance peuvent afficher une forte tendance une fois rassemblés.

Pièges courants

  • Lire r2r^2 comme un pourcentage puis aussi citer rr comme s’il en était un. r=0.5r = 0.5 signifie 25 % de la variation, pas 50 %.
  • Comparer des corrélations entre populations différentes sans vérifier que les plages sont comparables.
  • Ignorer le nuage de points. Le nombre ne peut pas vous parler de courbure, de groupes ou de valeurs aberrantes ; l’image, si.

🧩 Défis

🧩 Défi, réfléchissez d'abord, puis révélez

Expliquez pourquoi l’affirmation suivante est fausse : « la corrélation entre les ventes de glaces et les morts par noyade est de 0,9, donc la glace fait mal nager les gens ».

💡 Réponse : La corrélation mesure la co-variation, pas le mécanisme. Les deux variables suivent une troisième, la météo chaude, qui augmente à la fois la consommation et la baignade. La lecture correcte de $r = 0.9$ est « ces deux choses varient ensemble » ; attribuer une direction de causalité exige une expérience ou un argument bien plus solide qu'un coefficient.

🧩 Défi, réfléchissez d'abord, puis révélez

Vous calculez le r de Pearson sur 12 points et obtenez 0,1, mais le nuage de points montre un U bien net. Que devriez-vous rapporter, et que donnerait Spearman ?

💡 Réponse : Rapportez qu'il existe une forte relation non linéaire sans composante linéaire ; $r \approx 0$ est techniquement correct mais trompeur comme résumé. Spearman serait aussi proche de 0 ici, car les rangs n'augmentent pas de façon monotone (ils montent puis redescendent). La bonne étape suivante est de modéliser la courbure — ajuster $y$ contre $x$ et $x^2$, ou tracer une courbe lissée — plutôt que de citer l'un ou l'autre coefficient comme conclusion.

🤔 Questions socratiques

  • Pourquoi rr reste-t-il inchangé si vous ajoutez 10 à chaque valeur de xx, ou si vous multipliez chaque yy par 3 ?
  • rr peut-il valoir 0,9 alors que presque tous les points sont loin de la droite d’ajustement ? Quand ?
  • Si deux variables sont indépendantes, leur corrélation doit-elle être nulle ? Si leur corrélation est nulle, doivent-elles être indépendantes ?
  • Que signifie qu’une corrélation est « statistiquement significative » quand r=0.05r = 0.05 et nn vaut 100 000 ?

✅ Vérification rapide

1. Le r de Pearson vaut 0,8. Quelle fraction de la variation de y est associée à la tendance linéaire de x ?

2. Quand faut-il préférer Spearman à Pearson ?

3. Une corrélation de 0,95 entre deux variables établit quoi ?

corrélationpearsonspearmannuage-de-pointscausalité