Corrélation bisérielle : Mesurer les continuités latentes

Coefficient de corrélation bisérielle

Au cœur de la psychométrie et de l’évaluation quantitative des conduites humaines, la mesure de l’association entre des variables hétérogènes constitue un défi méthodologique fondamental. Le coefficient de corrélation bisérielle représente une solution élégante et mathématiquement rigoureuse pour quantifier le lien entre une variable continue observée et une variable dichotomique issue de la scission artificielle d’une continuité sous-jacente. Cet outil statistique permet aux chercheurs d’estimer avec précision ce qu’aurait été la corrélation produit-moment de Pearson si la variable binaire avait pu être mesurée sur son échelle continue et normale d’origine.

1. Définition concise

Le coefficient de corrélation bisérielle (noté usuellement r_b) est un indice statistique bivarié conçu pour estimer la force et la direction de l’association linéaire entre une variable quantitative continue observée et une variable dichotomique artificielle, sous l’hypothèse explicite que cette dernière découle d’un continuum latent normalement distribué.

Contrairement aux coefficients applicables à des dichotomies strictes ou naturelles, la corrélation bisérielle s’appuie sur la modélisation mathématique du point de césure sur une loi normale centrée réduite. Elle neutralise l’artefact de troncation provoqué par le découpage d’un trait continu en deux modalités discrètes (telles que succès/échec ou admis/refusé), fournissant ainsi une estimation non biaisée du coefficient produit-moment de Bravais-Pearson qui aurait été obtenu sur les distributions continues non tronquées.

2. Étymologie et origine linguistique

L’expression « corrélation bisérielle » dérive de la combinaison de racines latines et d’une convention terminologique anglo-saxonne introduite au tournant du XXe siècle. Le préfixe latin bi- (« deux » ou « double ») s’associe au substantif series (« suite ordonnée », « rangée » ou « chaîne »), désignant l’analyse conjointe de deux distributions de données disposées en séquences ordonnées. Le terme « corrélation » provient du latin médiéval correlatio, formé par l’assimilation du préfixe cum- (« avec », « ensemble ») et de relatio (« rapport », « référence »).

Introduit initialement dans la littérature scientifique anglophone sous le syntagme biserial correlation coefficient par le statisticien britannique Karl Pearson en 1909, le terme est apparu dans les publications de la revue Biometrika. En entrant dans l’espace francophone, l’expression a été naturalisée sous les formes « corrélation bisérielle » et « coefficient de corrélation bisériel », s’imposant définitivement dans les manuels de statistique appliquée et de psychométrie dès le milieu du XXe siècle pour distinguer formellement cette procédure de la corrélation point-bisérielle.

3. Prononciation et forme grammaticale

Dans la langue française contemporaine, le terme se prononce phonétiquement [kɔ.ʁe.la.sjɔ̃ bi.se.ʁjɛl]. Sur le plan morphosyntaxique, il s’agit d’un groupe nominal composé d’un nom commun féminin singulier (« corrélation ») qualifié par un adjectif relationnel (« bisérielle »), ou au masculin lorsque le mot « coefficient » est utilisé comme tête de syntagme (« coefficient de corrélation bisérielle » ou « coefficient bisériel »).

L’adjectif « bisériel » varie en genre et en nombre : bisériel (masculin singulier), bisérielle (féminin singulier), bisériels (masculin pluriel) et bisérielles (féminin pluriel). Dans la littérature méthodologique spécialisée, le terme est souvent abrégé sous la notation symbolique r_b, par opposition à r_pb qui désigne de manière univoque la corrélation point-bisérielle.

4. Explication conceptuelle détaillée

Pour appréhender la mécanique de la corrélation bisérielle, il convient d’examiner le problème épistémologique posé par la catégorisation d’attributs psychologiques continus. Dans la plupart des évaluations psychométriques, un phénomène sous-jacent (par exemple, la maîtrise d’un domaine de compétence, l’intensité d’une symptomatologie dépressive ou le degré d’extraversion) se distribue de manière continue et suit fréquemment une loi normale dans la population parente. Cependant, les contraintes pratiques de notation ou de décision clinique imposent souvent de scinder cette continuité en deux catégories étanches : réussite versus échec à un item, présence versus absence d’un diagnostic, ou sélection versus rejet d’un candidat.

Cette discrétisation artificielle entraîne une perte mécanique de variance et contracte artificiellement les valeurs du coefficient de Pearson traditionnel. La corrélation bisérielle surmonte cette entrave en postulant l’existence d’une variable latente non observable continue, $X^*$, sous-tendant la variable dichotomique observée $X$. Si la variable continue dépendante $Y$ est corrélée à $X^*$, la simple dichotomisation de $X^*$ en $X$ selon un seuil critique $tau$ induit une réduction systématique de la covariance observable. L’algorithme bisériel restaure la métrique originale en intégrant les propriétés de la densité de probabilité normale au point précis de la coupure.

Mathématiquement, le calcul du coefficient bisériel relie la différence des moyennes de la variable continue $Y$ entre les deux groupes dichotomiques à l’écart-type global de $Y$, pondéré par la distribution des fréquences marginales et l’ordonnée de la courbe normale :

r_b = ((M₁ – M₀) / S_Y) * ((p * q) / y)

Dans cette formulation, $M_1$ et $M_0$ représentent respectivement les moyennes de la variable continue pour les individus ayant obtenu la modalité 1 et la modalité 0 de la variable dichotomisée ; $S_Y$ symbolise l’écart-type de l’échantillon total pour la variable continue ; $p$ et $q$ (où $q = 1 – p$) constituent les proportions d’individus dans chacun des deux groupes ; et $y$ représente la hauteur de l’ordonnée (la fonction de densité) de la distribution normale centrée réduite au point où la surface sous la courbe est divisée en proportions $p$ et $q$.

Une propriété remarquable découle de cette relation : le coefficient bisériel est fonctionnellement lié au coefficient point-bisériel (r_pb) par l’équation :

r_b = r_pb * (√(p * q) / y)

Puisque le facteur multiplicateur √(p * q) / y est strictement supérieur à 1,253 pour toute division de la courbe normale, la corrélation bisérielle affiche systématiquement une valeur absolue supérieure à celle de la corrélation point-bisérielle calculée sur les mêmes données. Cette correction permet de compenser l’effet d’atténuation statistique induit par le découpage arbitraire de l’information continue d’origine.

5. Développement historique

L’histoire de la corrélation bisérielle s’inscrit dans l’âge d’or de la biométrie et des premières théorisations statistiques impulsées par l’école britannique au début du XXe siècle. C’est à Karl Pearson que l’on doit, dans son article princeps publié en 1909 dans Biometrika (« On a new method of determining correlation between a measured character A, and a character B, of which only the percentage of cases wherein B exceeds (or falls short of) a given intensity is recorded for each grade of A »), la formalisation de cette méthode. Pearson cherchait à résoudre les problèmes d’héritabilité et de transmission biologique lorsque certains traits ne pouvaient être observés que sous une modalité binaire (présence ou absence d’une affection), alors que la susceptibilité biologique sous-jacente demeurait intrinsèquement continue.

Au cours des années 1920 et 1930, avec l’émergence de la psychométrie scolaire et des tests standardisés aux États-Unis, des chercheurs comme Truman Lee Kelley et Harold Gulliksen ont popularisé l’emploi du coefficient bisériel pour analyser le pouvoir discriminant des items. Dans le cadre de la théorie classique des tests, chaque item noté dichotomiquement (correct/incorrect) était conçu comme un indicateur d’une aptitude continue. Le coefficient r_b permettait alors d’estimer la validité de l’item en mesurant son association avec le score global au test ou un critère externe.

Dans les décennies 1940 et 1950, des méthodologistes comme Charles C. Peters, Walter R. Van Voorhis et plus tard Frederic M. Lord ont raffiné les propriétés distributionnelles du coefficient. Lord a notamment démontré les instabilités de l’estimateur bisériel lorsque l’échantillon est restreint ou lorsque la proportion de scission $p$ s’écarte radicalement de la symétrie. L’apparition de l’informatique statistique moderne et le déploiement de la théorie de la réponse aux items (TRI) dans les années 1970 et 1980 ont redéfini la place de la corrélation bisérielle : bien que concurrencée par les modèles logistiques à variable latente, elle demeure une pierre angulaire de l’analyse exploratoire d’items et de la psychométrie appliquée.

6. Fondements théoriques

La validité théorique du coefficient de corrélation bisérielle repose sur un ensemble d’axiomes mathématiques et probabilistes précis qui définissent son domaine de légitimité :

Le premier postulat exige que la distribution conjointe de la variable continue observée $Y$ et de la variable latente inobservable $X^*$ soit normale bivariée. Cela implique non seulement que chaque variable marginale soit distribuée selon une loi gaussienne, mais également que la relation entre $X^*$ et $Y$ soit strictement linéaire et homoscédastique, c’est-à-dire que la variance conditionnelle de $Y$ sachant $X^*$ demeure constante sur l’ensemble du continuum.

Le deuxième postulat concerne le mécanisme de discrétisation : la variable binaire observée $X$ doit résulter d’une coupure nette sur l’axe latent de $X^*$ à un seuil fixe $tau$, tel que $X = 1$ lorsque $X^* ge au$, et $X = 0$ lorsque $X^* < au$. Aucun mécanisme stochastique étranger ne doit intervenir dans cette assignation ; le passage de la continuité à la dichotomie est supposé entièrement déterministe.

Le troisième fondement théorique se rattache à la notion de correction pour atténuation. Dans la mesure où la dichotomisation compresse la variance de la variable et détruit de l’information discriminative, la corrélation bisérielle opère comme un redresseur d’atténuation structurelle. Elle s’inscrit dans la famille des méthodes d’estimation à variables latentes, reliant directement l’analyse bivariée classique aux équations structurelles modernes.

7. Composantes clés, types et dimensions

L’utilisation et l’interprétation de la corrélation bisérielle font intervenir plusieurs composantes interdépendantes et déclinaisons algorithmiques :

• La différence standardisée des moyennes : L’expression (M₁ – M₀) / S_Y quantifie l’écart d’efficacité ou d’intensité de la variable continue entre les deux groupes en unités d’écart-type. Elle constitue le moteur principal de l’amplitude du coefficient.
• Les proportions marginales (p et q) : Elles reflètent la prévalence observée de chaque catégorie dans l’échantillon. Un item trop facile ($p > 0,90$) ou trop difficile ($p < 0,10$) modifie la précision de l'ordonnée et augmente l'erreur-type du coefficient bisériel.
• L’ordonnée normale (y) : Représente la densité de la courbe normale centrée réduite au point quantile $z_p$ correspondant à la division de l’aire sous la courbe en proportions $p$ et $q$. Sa valeur maximale est de 0,3989 (au point médian $z = 0$, $p = 0,50$).
• Le coefficient bisériel de Pearson : La version paramétrique standard développée par Karl Pearson, qui suppose la normalité bivariée parfaite.
• Le coefficient bisériel de Brogden : Une variante développée pour pallier certaines limites du coefficient classique lorsque les distributions marginales s’écartent modérément de la courbe gaussienne.
• Le coefficient bisériel de rang (Glass) : Une déclinaison non paramétrique utilisée pour quantifier la corrélation entre une variable ordinale ou de rang et une variable dichotomique, souvent associée au test U de Mann-Whitney.

8. Exemples et cas illustratifs

Considérons un premier cas d’école issu de l’évaluation pédagogique. Un enseignant-chercheur conçoit un examen de statistiques et souhaite déterminer si un item à choix multiple particulier (noté 0 pour échec et 1 pour réussite) permet de prédire efficacement le niveau global des étudiants mesuré par le score total à l’examen (échelle continue de 0 à 100 points). Sur un échantillon de 200 étudiants, la proportion de réussite à cet item est de $p = 0,60$ (donc $q = 0,40$). La moyenne au score global des étudiants ayant échoué à l’item est de 52 avec un écart-type global de 12, tandis que la moyenne de ceux ayant réussi est de 68. L’ordonnée normale correspondant au seuil $z$ séparant l’aire en 0,60 et 0,40 est approximativement $y = 0,386$. En appliquant la formule, le coefficient bisériel met en évidence une association très élevée entre la maîtrise de cet item spécifique et l’aptitude globale sous-jacente, révélant un pouvoir de discrimination supérieur à ce qu’aurait suggéré le coefficient point-bisériel classique.

Un deuxième exemple clinique concerne la psychiatrie computationnelle et l’évaluation du trouble dépressif majeur. Un protocole de recherche évalue la réponse cognitive à un test d’inhibition attentionnelle (temps de réaction mesuré en millisecondes, variable continue) auprès d’une cohorte d’individus classés soit comme cliniquement déprimés, soit comme non déprimés suite à un entretien diagnostique standardisé. Le diagnostic catégoriel binaire est ici envisagé comme l’expression observable d’une sévérité psychopathologique latente continue dépassant un seuil clinique conventionnel. Le recours à la corrélation bisérielle permet d’estimer avec précision la force du lien sous-jacent entre la vitesse d’inhibition cognitive et le spectre dépressif continu, sans subir le tassement artificiel induit par la binarisation du diagnostic.

9. Mesure et évaluation psychométrique

L’estimation empirique de la corrélation bisérielle s’effectue couramment à l’aide de logiciels d’analyse statistique et psychométrique tels que R (via les packages psych ou ltm), SPSS, SAS ou Python (avec scipy.stats). L’inférence statistique associée au coefficient requiert toutefois une attention méticuleuse portée à son erreur-type asymptotique.

L’erreur-type de la corrélation bisérielle ($SE_{r_b}$) est approximée par l’expression mathématique :

SE(r_b) = (√(p * q) / y – r_b²) / √N

Cette erreur-type est structurellement supérieure à celle d’un coefficient produit-moment de Pearson standard calculé sur deux variables continues observées de même effectif $N$. Cette inflation de la variance d’échantillonnage s’explique par la perte irrémédiable d’information causée par la dichotomisation : reconstituer la covariance latente nécessite une extrapolation probabiliste qui accroît l’incertitude statistique, particulièrement lorsque la répartition marginale est très asymétrique (par exemple, si $p < 0,05$ ou $p > 0,95$).

Sur le plan des qualités métrologiques, l’usage du coefficient bisériel pour estimer la discrimination d’un item présente un compromis : s’il possède une excellente validité théorique pour approcher la corrélation latente, sa fidélité d’échantillonnage exige des tailles d’échantillon substantielles ($N > 200$) afin de stabiliser les estimations et d’éviter des fluctuations excessives des intervalles de confiance.

10. Applications et pertinence pratique

Les champs d’application de la corrélation bisérielle sont nombreux et occupent une place stratégique dans les sciences humaines et sociales :

En psychométrie et docimologie, elle constitue l’un des indices traditionnels de discrimination d’item (item discrimination index). Dans la phase de calibration d’un test d’intelligence ou d’un inventaire de personnalité, les concepteurs éliminent les items dont la corrélation bisérielle avec le score total est inférieure à un seuil critique (usuellement 0,30 ou 0,40), car un tel score indique que l’item n’arrive pas à discriminer fidèlement les individus selon leur position sur le trait latent.

En psychologie du travail et gestion des ressources humaines, la corrélation bisérielle est systématiquement mobilisée dans les études de validité prédictive des processus de recrutement. Lorsque le critère de performance est mesuré de façon binaire (salarié promu versus non promu, ou maintien en poste versus démission durant la première année), elle permet d’évaluer la validité intrinsèque des tests d’aptitude psychologique continus administrés lors de la sélection initiale.

En épidémiologie et santé publique, le coefficient permet de relier des biomarqueurs continus (taux de cholestérol sérique, pression artérielle) à des états morbides diagnostiqués dichotomiquement, offrant ainsi aux modélisateurs une métrique standardisée pour quantifier la puissance étiologique d’un indicateur physiologique avant de recourir à des modèles de régression multivariés plus complexes.

11. Recherches et données empiriques

Les investigations empiriques menées tout au long des dernières décennies ont documenté avec rigueur les comportements et les anomalies potentielles de l’estimateur bisériel face à des déviations méthodologiques courantes dans la recherche psychologique.

Les travaux de Lord (1953) et les simulations ultérieures par rééchantillonnage de Monte-Carlo ont révélé une singularité mathématique déconcertante : alors que le coefficient de Bravais-Pearson est borné par définition dans l’intervalle [-1,00 ; +1,00], la corrélation bisérielle peut théoriquement dépasser l’unité ($|r_b| > 1,00$). Cette anomalie survient principalement lorsque les distributions empiriques violent de manière marquée l’hypothèse de normalité, ou lorsqu’une asymétrie extrême des proportions ($p < 0,05$) se combine à une corrélation substantielle entre les variables. Ce dépassement des bornes conventionnelles reflète l'inadéquation du modèle de redressement gaussien face à des distributions réelles leptokurtiques ou bimodales.

D’autres recherches comparatives menées dans le contexte des examens nationaux standardisés (comme le SAT ou le GRE) ont confronté la corrélation bisérielle aux paramètres de discrimination $a$ estimés sous le modèle logistique à deux paramètres (2PL) de la théorie de la réponse aux items. Ces études ont établi une concordance empirique presque parfaite entre les deux approches : le coefficient bisériel est fonctionnellement équivalent à une transformation monotone du paramètre de discrimination du modèle logistique, confirmant sa robustesse opérationnelle comme statistique descriptive d’item de premier ordre.

12. Considérations culturelles et transculturelles

L’adaptation transculturelle d’instruments psychométriques soulève des enjeux spécifiques quant à l’interprétation des coefficients de corrélation bisérielle. Lorsqu’un test développé dans un contexte culturel donné (par exemple, en Amérique du Nord) est traduit et adapté dans un autre environnement linguistique ou socioculturel (en Afrique subsaharienne ou en Asie de l’Est), les taux de réussite marginale ($p$) des items sont susceptibles de varier considérablement en raison de biais culturels ou d’inégalités de familiarité avec le format d’évaluation.

Puisque la corrélation bisérielle intègre dans son calcul le terme d’ordonnée $y$, qui est très sensible à la valeur de la prévalence observée $p$, des variations culturelles dans la difficulté perçue d’un item peuvent induire des distorsions comparatives. Un item présentant un coefficient bisériel élevé dans la population d’origine peut paraître dysfonctionnel dans la culture cible simplement parce que son taux de réussite y est excessivement bas, fragilisant l’estimation de l’ordonnée normale.

Par conséquent, les chercheurs engagés dans des études transculturelles doivent veiller à vérifier l’invariance de mesure et à s’assurer que l’hypothèse d’une variable latente identiquement distribuée reste défendable à travers les différents groupes culturels avant de comparer directement les coefficients de discrimination bisérielle.

13. Critiques, débats et limites méthodologiques

Malgré son utilité historique et sa clarté théorique, la corrélation bisérielle a fait l’objet de vifs débats au sein de la communauté statistique internationale :

La critique la plus fréquente concerne l’infraction aux bornes mathématiques. L’apparition possible de valeurs supérieures à 1,00 perturbe l’interprétation intuitive de la corrélation en tant que cosinus d’un angle dans un espace vectoriel ou en tant que racine carrée du coefficient de détermination ($R^2$). Lorsqu’un praticien obtient un coefficient bisériel de 1,12, il lui est impossible de quantifier la part de variance expliquée sans procéder à des ajustements empiriques ad hoc.

Une seconde limite majeure réside dans la sensibilité extrême à l’hypothèse de normalité. Si la variable dichotomique observée découle en réalité d’un continuum latent qui suit une distribution asymétrique (telle qu’une loi log-normale, une distribution de Poisson ou une distribution multimodale), la formule de Pearson surestime ou sous-estime massivement la corrélation réelle. Dans ce contexte, l’utilisation aveugle de la fonction de densité gaussienne pour déterminer l’ordonnée $y$ biaise systématiquement les résultats.

Enfin, le débat persiste entre partisans de la corrélation point-bisérielle et tenants de la corrélation bisérielle. Certains statisticiens soutiennent que si la variable observée est dichotomique, il est plus prudent d’employer la corrélation point-bisérielle, qui ne nécessite aucun postulat sur une quelconque variable latente continue et respecte strictement les bornes [-1 ; +1]. À l’inverse, les psychométriciens soulignent que la point-bisérielle pénalise injustement les items difficiles ou faciles en restreignant mathématiquement leur corrélation maximale possible à des valeurs parfois inférieures à 0,60, ce qui fausse le diagnostic de validité de l’item.

14. Termes connexes et distinctions conceptuelles

La compréhension rigoureuse du coefficient bisériel impose de le différencier de plusieurs concepts statistiques connexes :

• Corrélation point-bisérielle (r_pb) : Elle mesure la relation entre une variable continue et une variable dichotomique véritable ou naturelle (par exemple, le sexe biologique ou la survie à un événement). Elle n’assume aucune distribution continue sous-jacente pour la variable binaire et correspond au calcul direct de Pearson sans correction d’ordonnée.
• Corrélation tétrachorique (r_tet) : Elle estime le lien d’association linéaire lorsque les deux variables observées sont dichotomiques artificielles, chacune reposant sur une variable latente continue normale sous-jacente.
• Corrélation polychorique : Il s’agit d’une généralisation multidimensionnelle de la corrélation tétrachorique, utilisée pour estimer l’association entre des variables ordinales comprenant plusieurs modalités discrètes sous l’hypothèse de distributions latentes continues bivariées normales.
• Corrélation de Bravais-Pearson (r) : Le modèle fondamental standard calculé directement entre deux variables quantitatives continues observées sans dichotomisation préalable.
• Régression logistique binaire : Une modélisation probabiliste multivariée reliant la cote de probabilité d’une issue binaire à des prédicteurs continus ou discrets, constituant l’alternative moderne privilégiée pour dépasser les restrictions paramétriques du coefficient bisériel.

15. Résumé et points clés

La corrélation bisérielle demeure un concept fondamental de la métrologie des sciences humaines et sociales. Les points structurants suivants synthétisent sa nature et son usage :

• Elle évalue le lien linéaire entre une variable continue observée et une variable dichotomisée artificielle issue d’un continuum latent supposé normalement distribué.
• Elle corrige mathématiquement l’atténuation statistique induite par le processus de catégorisation binaire grâce à l’intégration de la hauteur d’ordonnée de la loi normale.
• Sa valeur est systématiquement supérieure en magnitude à celle du coefficient point-bisériel calculé sur les mêmes observations.
• Elle est particulièrement sollicitée lors de l’analyse d’items dans la théorie classique des tests pour déterminer l’indice de discrimination des questions d’un examen ou d’un inventaire clinique.
• Ses limites résident dans sa vulnérabilité aux déviations de la normalité bivariée, une erreur-type d’échantillonnage élevée en cas de scission marginale asymétrique, et la possibilité mathématique d’excéder l’intervalle [-1 ; +1].

Références

• Brogden, H. E. (1949). A new coefficient of biserial correlation. Psychometrika, 14(3), 169–182. https://doi.org/10.1007/BF02289149
• Gulliksen, H. (1950). Theory of mental tests. John Wiley & Sons. https://doi.org/10.1037/13241-000
• Lord, F. M. (1953). The relation of the reliability of multiple-choice tests to the distribution of item difficulties. Psychometrika, 18(2), 117–126. https://doi.org/10.1007/BF02289053
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Pearson, K. (1909). On a new method of determining correlation between a measured character A, and a character B, of which only the percentage of cases wherein B exceeds (or falls short of) a given intensity is recorded for each grade of A. Biometrika, 7(1/2), 96–105. https://doi.org/10.2307/2345366