{"id":1115,"date":"2026-09-04T16:18:09","date_gmt":"2026-09-04T16:18:09","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/coefficient-de-correlation-de-pearson\/"},"modified":"2026-09-04T16:18:26","modified_gmt":"2026-09-04T16:18:26","slug":"coefficient-de-correlation-de-pearson","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=coefficient-de-correlation-de-pearson","title":{"rendered":"Coefficient de corr\u00e9lation de Pearson"},"content":{"rendered":"

L’histoire de la quantification des ph\u00e9nom\u00e8nes psychologiques et biologiques est intimement li\u00e9e \u00e0 la qu\u00eate d’outils statistiques capables de capturer l’intensit\u00e9 et la direction des relations entre grandeurs observables. Au c\u0153ur de cette architecture m\u00e9trologique se trouve le coefficient de corr\u00e9lation produit-moment de Pearson, commun\u00e9ment d\u00e9sign\u00e9 par le symbole r<\/em> pour l’\u00e9chantillon ou ρ<\/em> (rho) pour le param\u00e8tre populationnel. Con\u00e7u \u00e0 la fin du dix-neuvi\u00e8me si\u00e8cle \u00e0 la crois\u00e9e de l’anthropom\u00e9trie, de la th\u00e9orie \u00e9volutionniste et des balbutiements de la psychom\u00e9trie, cet indice constitue l’une des pierres angulaires de l’analyse bivari\u00e9e et multivari\u00e9e contemporaine. Son universalit\u00e9 dans la recherche quantitative en sciences humaines et sociales t\u00e9moigne de son \u00e9l\u00e9gance math\u00e9matique et de son apparente simplicit\u00e9 d’interpr\u00e9tation, bien que son application rigoureuse exige le respect scrupuleux d’un ensemble de postulats distributionnels souvent m\u00e9connus ou sous-estim\u00e9s par les praticiens.<\/p>\n

Dans le domaine de la psychologie scientifique, o\u00f9 les entit\u00e9s d’int\u00e9r\u00eat — qu’il s’agisse de l’intelligence g\u00e9n\u00e9rale, des traits de personnalit\u00e9, de l’anxi\u00e9t\u00e9 ou des performances neurocognitives — ne se pr\u00eatent pas \u00e0 une manipulation physique directe, la mesure de la co-variation entre variables indicatrices est devenue le principal vecteur de la validation des construits th\u00e9oriques. Le coefficient de Pearson offre un cadre formel standardis\u00e9 permettant d’\u00e9valuer dans quelle mesure deux variables quantitatives partagent une trajectoire lin\u00e9aire commune, ind\u00e9pendamment des \u00e9chelles arbitraires sur lesquelles elles sont enregistr\u00e9es. Cette standardisation est fondamentale, car elle permet aux chercheurs de comparer des associations issues d’instruments psychom\u00e9triques h\u00e9t\u00e9rog\u00e8nes, transcendant ainsi les sp\u00e9cificit\u00e9s d’\u00e9talonnage locales.<\/p>\n

Toutefois, la manipulation du coefficient de Pearson ne saurait \u00eatre r\u00e9duite \u00e0 un automatisme algorithmique. L’estimation de la corr\u00e9lation s’inscrit au sein d’une cha\u00eene inf\u00e9rentielle complexe o\u00f9 la violation des hypoth\u00e8ses de normalit\u00e9 bivari\u00e9e, la pr\u00e9sence de valeurs aberrantes, la restriction d’\u00e9tendue ou la confusion \u00e9pist\u00e9mologique entre covariation et causalit\u00e9 peuvent vicier profond\u00e9ment les conclusions d’une \u00e9tude empirique. Cet article propose une exploration exhaustive et syst\u00e9matique du coefficient de corr\u00e9lation de Pearson : de ses racines \u00e9pist\u00e9mologiques et d\u00e9veloppements historiques jusqu’\u00e0 sa d\u00e9composition alg\u00e9brique, ses conditions d’application, ses interpr\u00e9tations cliniques et psychom\u00e9triques, ainsi que son impl\u00e9mentation dans les environnements de programmation modernes.<\/p>\n

\"\"<\/figure>\n

1. D\u00e9finition et fondements th\u00e9oriques du coefficient de corr\u00e9lation de Pearson<\/h2>\n

1.1 Nature et conceptualisation de la relation lin\u00e9aire<\/h3>\n

D’un point de vue math\u00e9matique et conceptuel, le coefficient de corr\u00e9lation de Pearson formalise le degr\u00e9 d’association lin\u00e9aire existant entre deux variables al\u00e9atoires quantitatives continues, not\u00e9es conventionnellement X<\/em> et Y<\/em>. Cette m\u00e9trique ne quantifie pas l’interd\u00e9pendance g\u00e9n\u00e9rale ou fonctionnelle arbitraire entre deux grandeurs, mais circonscrit sp\u00e9cifiquement son \u00e9valuation \u00e0 la proximit\u00e9 des observations empiriques par rapport \u00e0 une droite id\u00e9ale dans un espace cart\u00e9sien \u00e0 deux dimensions. L’essence du produit-moment r\u00e9side dans l’op\u00e9ration conjointe de centrage et de mise \u00e0 l’\u00e9chelle : pour chaque unit\u00e9 statistique de l’\u00e9chantillon, la d\u00e9viation par rapport \u00e0 la moyenne de la premi\u00e8re variable est multipli\u00e9e par la d\u00e9viation correspondante par rapport \u00e0 la moyenne de la seconde, normalisant ensuite cette somme de produits crois\u00e9s par le produit de leurs dispersions respectives.<\/p>\n

Cette formulation consacre la nature du coefficient comme une version adimensionnelle et standardis\u00e9e de la covariance<\/a>. Alors que la covariance brute entre deux variables d\u00e9pend intrins\u00e8quement des unit\u00e9s de mesure employ\u00e9es (par exemple, des millisecondes pour un temps de r\u00e9action confront\u00e9es \u00e0 des scores totaux sur une \u00e9chelle de Likert allant de 0 \u00e0 100), le coefficient de Pearson \u00e9limine l’effet de ces unit\u00e9s arbitraires. Il en r\u00e9sulte un indice pur, invariant face \u00e0 toute transformation affine positive de la forme f(X) = aX + b<\/em> (avec a > 0<\/em>). Cette invariance conf\u00e8re \u00e0 la statistique une transposabilit\u00e9 essentielle en psychom\u00e9trie, o\u00f9 les scores bruts sont fr\u00e9quemment transform\u00e9s en notes standardis\u00e9es (notes T, \u00e9chelles de Wechsler, stens) sans que la magnitude de leur interrelation s’en trouve alt\u00e9r\u00e9e d’un iota.<\/p>\n

Sur le plan \u00e9pist\u00e9mologique, la conceptualisation de Pearson exige une d\u00e9marcation sans ambigu\u00eft\u00e9 entre l’association statistique lin\u00e9aire et la relation de causalit\u00e9 directe. L’existence d’une corr\u00e9lation robuste entre deux construits psychologiques n’implique nullement que l’un soit le vecteur causal de l’autre. La covariation observ\u00e9e peut r\u00e9sulter d’une relation asym\u00e9trique unidirectionnelle, d’une causalit\u00e9 bidirectionnelle r\u00e9ciproque fonctionnant en boucle de r\u00e9troaction, ou encore de l’action conjointe d’une ou plusieurs variables latentes non mesur\u00e9es appel\u00e9es facteurs de confusion. La g\u00e9om\u00e9trie vectorielle sous-jacente enrichit cette compr\u00e9hension : si l’on repr\u00e9sente les s\u00e9ries d’observations centr\u00e9es sous forme de vecteurs au sein d’un espace euclidien \u00e0 n<\/em> dimensions (o\u00f9 n<\/em> est le nombre d’observations), le coefficient de Pearson correspond rigoureusement au cosinus de l’angle form\u00e9 par ces deux vecteurs. Un alignement parfait d\u00e9note une colin\u00e9arit\u00e9 vectorielle, tandis qu’un angle droit traduit une orthogonalit\u00e9 g\u00e9om\u00e9trique totale, synonyme d’ind\u00e9pendance lin\u00e9aire.<\/p>\n

\"\"<\/figure>\n

1.2 L’espace des valeurs et m\u00e9triques associ\u00e9es<\/h3>\n

L’espace math\u00e9matique assign\u00e9 au coefficient de corr\u00e9lation est rigoureusement born\u00e9 par l’intervalle ferm\u00e9 [-1, +1]. Ces bornes extr\u00eames poss\u00e8dent une signification analytique absolue qui d\u00e9coule directement de l’in\u00e9galit\u00e9 de Cauchy-Schwarz appliqu\u00e9e aux espaces pr\u00e9hilbertiens. Lorsque la statistique atteint exactement la valeur de +1, elle indique une corr\u00e9lation lin\u00e9aire positive parfaite. Dans cette situation, tous les points du diagramme de dispersion sont situ\u00e9s de mani\u00e8re irr\u00e9prochable sur une droite de pente positive, signifiant qu’une variation positive standardis\u00e9e d’une unit\u00e9 de la variable X<\/em> est in\u00e9vitablement accompagn\u00e9e d’une variation positive standardis\u00e9e exactement \u00e9quivalente de la variable Y<\/em>. Sym\u00e9triquement, une valeur de -1 caract\u00e9rise une relation lin\u00e9aire n\u00e9gative parfaite : les points empiriques s’agencent sans la moindre d\u00e9viation le long d’une droite de pente descendante, refl\u00e9tant une dynamique o\u00f9 l’\u00e9l\u00e9vation d’une variable s’accompagne de l’attrition proportionnelle de l’autre.<\/p>\n

La valeur m\u00e9diane de z\u00e9ro correspond \u00e0 une absence int\u00e9grale d’association lin\u00e9aire. Il convient cependant de souligner avec insistance que l’obtention d’un r<\/em> \u00e9gal \u00e0 z\u00e9ro n’est en aucun cas synonyme d’ind\u00e9pendance stochastique au sens probabiliste large. Des relations d\u00e9terministes d’une puissance absolue, mais non lin\u00e9aires — telles qu’une courbe en cloche parfaite r\u00e9pondant \u00e0 la loi de Yerkes-Dodson sur la relation entre niveau d’\u00e9veil physiologique et performance cognitive — produiront une somme de produits crois\u00e9s s’annulant mutuellement et g\u00e9n\u00e9rant un r<\/em> nul. L’analyste non averti risquerait de conclure erron\u00e9ment \u00e0 une absence d’interaction entre les deux ph\u00e9nom\u00e8nes, alors qu’il se trouve simplement face \u00e0 une structure relationnelle orthogonale aux hypoth\u00e8ses du mod\u00e8le de Pearson.<\/p>\n

Au-del\u00e0 de l’indice lin\u00e9aire direct, la m\u00e9trique d\u00e9riv\u00e9e par l’\u00e9l\u00e9vation au carr\u00e9 du coefficient, d\u00e9sign\u00e9e sous le nom de coefficient de d\u00e9termination (r\u00b2<\/em>), repr\u00e9sente une transition fondamentale de la distance ordinale vers la quantification de la variance partag\u00e9e. Ce param\u00e8tre exprime formellement le ratio de la variance de la variable d\u00e9pendante qui peut \u00eatre math\u00e9matiquement imput\u00e9e, pr\u00e9dite ou comptabilis\u00e9e par la variance de la variable ind\u00e9pendante dans le cadre d’un mod\u00e8le de r\u00e9gression simple. Cette conversion de r<\/em> en r\u00b2<\/em> transforme l’interpr\u00e9tation g\u00e9om\u00e9trique de l’angle cosinus en une grandeur proportionnelle scalaire particuli\u00e8rement pris\u00e9e dans les bilans psychom\u00e9triques pour objectiver la valeur explicative d’un test.<\/p>\n

1.3 R\u00f4le \u00e9pist\u00e9mologique dans la recherche quantitative en psychologie<\/h3>\n

Le statut du coefficient de Pearson au sein de la psychologie quantitative d\u00e9passe la simple commodit\u00e9 calculatoire pour occuper un r\u00f4le \u00e9pist\u00e9mologique structurant. Depuis la rupture op\u00e9r\u00e9e par le courant comportementaliste et le cognitivisme computationnel avec l’introspectionnisme sp\u00e9culatif, la psychologie scientifique a fond\u00e9 ses pr\u00e9tentions de scientificit\u00e9 sur la reproductibilit\u00e9 d’associations r\u00e9guli\u00e8res entre stimulations, structures latentes et r\u00e9ponses observables. Le coefficient de corr\u00e9lation fournit l’outil paradigmatique capable de transmuer des donn\u00e9es observationnelles dispers\u00e9es en r\u00e9gularit\u00e9s statistiques quantifi\u00e9es, autorisant ainsi la formulation de lois empiriques au sein d’un univers comportemental caract\u00e9ris\u00e9 par une variabilit\u00e9 intrins\u00e8que majeure.<\/p>\n

Dans l’architecture du Mod\u00e8le Lin\u00e9aire G\u00e9n\u00e9ral (GLM), qui sous-tend la quasi-totalit\u00e9 des analyses quantitatives inf\u00e9rentielles — incluant l’analyse de variance (ANOVA), la r\u00e9gression multiple, l’analyse factorielle exploratoire et la mod\u00e9lisation en \u00e9quations structurelles — le coefficient de Pearson agit comme la brique \u00e9l\u00e9mentaire constitutive. Toute matrice de donn\u00e9es multivari\u00e9es se r\u00e9duit fondamentalement, lors de l’\u00e9tape de compression d’information, \u00e0 une matrice carr\u00e9e sym\u00e9trique d’inter-corr\u00e9lations de Pearson. La r\u00e9solution des \u00e9quations normales permettant d’extraire des composantes principales ou d’estimer des coefficients structurels d\u00e9pend exclusivement de ces valeurs fondamentales de covariation standardis\u00e9e.<\/p>\n

Enfin, sur le plan de la d\u00e9marche heuristique, le calcul du coefficient de Pearson joue un r\u00f4le capital dans la d\u00e9couverte scientifique et la g\u00e9n\u00e9ration d’hypoth\u00e8ses \u00e9tiologiques. Dans les phases exploratoires d’un programme de recherche, l’identification d’associations lin\u00e9aires stables entre profils neurobiologiques, environnements socio-\u00e9ducatifs et scores \u00e0 des batteries comportementales permet de circonscrire des candidats explicatifs prioritaires. Bien que le coefficient ne puisse \u00e0 lui seul clore le d\u00e9bat causal, il en trace la cartographie pr\u00e9liminaire indispensable, sans laquelle les protocoles exp\u00e9rimentaux randomis\u00e9s ou les analyses longitudinales en panel ne sauraient trouver leurs cibles op\u00e9ratoires.<\/p>\n

2. Origines historiques et d\u00e9veloppement en psychom\u00e9trie<\/h2>\n

2.1 Les travaux pr\u00e9curseurs de Francis Galton<\/h3>\n

L’\u00e9mergence conceptuelle de la corr\u00e9lation statistique moderne trouve son origine directe dans les investigations de l’\u00e9rudit britannique Sir Francis Galton<\/a> au cours du dernier quart du dix-neuvi\u00e8me si\u00e8cle. Poursuivant l’ambition de formaliser les lois h\u00e9r\u00e9ditaires de la transmission des traits biologiques et intellectuels dans le sillage des th\u00e9ories de son cousin Charles Darwin, Galton entreprit des campagnes massives de collecte de donn\u00e9es anthropom\u00e9triques au sein de son laboratoire de Londres. Ses relev\u00e9s m\u00e9ticuleux incluaient la stature des parents compar\u00e9e \u00e0 celle de leur descendance adulte, la port\u00e9e des bras, la force de pr\u00e9hension ainsi que la dimension de diverses structures cr\u00e2niennes.<\/p>\n

En analysant la distribution bivari\u00e9e de la taille des p\u00e8res et de leurs fils \u00e0 travers des tableaux de fr\u00e9quences crois\u00e9es, Galton remarqua une anomalie math\u00e9matique qui allait transformer l’histoire de la statistique. Les p\u00e8res d’une stature exceptionnellement \u00e9lev\u00e9e avaient tendance \u00e0 engendrer des fils certes plus grands que la moyenne de la population, mais dont la taille \u00e9tait syst\u00e9matiquement plus proche de cette moyenne g\u00e9n\u00e9rale que ne l’\u00e9tait celle de leurs g\u00e9niteurs. Inversement, les p\u00e8res particuli\u00e8rement petits voyaient leur descendance pr\u00e9senter une taille moyenne sup\u00e9rieure \u00e0 la leur, orient\u00e9e \u00e0 la hausse vers le barycentre de l’esp\u00e8ce. Galton baptisa originellement ce ph\u00e9nom\u00e8ne la \u00ab r\u00e9gression vers la m\u00e9diocrit\u00e9 \u00bb, concept qui deviendra universellement connu sous le nom de r\u00e9gression vers la moyenne.<\/p>\n

Pour formaliser graphiquement cette tendance, Galton tra\u00e7a les lignes reliant les m\u00e9dianes conditionnelles des distributions de taille et r\u00e9alisa qu’en convertissant les mesures individuelles en \u00e9carts standardis\u00e9s — divisant les d\u00e9viations par une unit\u00e9 de dispersion quartile — la pente de cette droite d’alignement devenait ind\u00e9pendante de l’unit\u00e9 de mesure d’origine. Il d\u00e9signa cette pente universelle par la lettre r<\/em>, abr\u00e9viation originelle du mot \u00ab r\u00e9version \u00bb (puis \u00ab r\u00e9gression \u00bb). Cependant, les capacit\u00e9s math\u00e9matiques de Galton demeuraient principalement visuelles et empiriques ; sa m\u00e9thode reposait largement sur des trac\u00e9s manuels de lignes de tendance g\u00e9om\u00e9trique et manquait d’une d\u00e9rivation analytique rigoureuse capable de traiter les distributions bivari\u00e9es dans toute leur complexit\u00e9 alg\u00e9brique.<\/p>\n

2.2 La formalisation math\u00e9matique par Karl Pearson<\/h3>\n

Conscient des limites th\u00e9oriques des approches intuitives de Galton, le math\u00e9maticien et biostimaticien britannique Karl Pearson<\/a> — titulaire de la chaire de g\u00e9om\u00e9trie puis de m\u00e9canique appliqu\u00e9e au University College de Londres — entreprit d’\u00e9riger l’\u00e9difice analytique de la corr\u00e9lation sur des bases probabilistes inattaquables. S’appuyant sur ses travaux pr\u00e9curseurs relatifs \u00e0 la d\u00e9composition des distributions asym\u00e9triques et \u00e0 la m\u00e9thode des moments, Pearson pr\u00e9senta en 1895, dans un article historique soumis \u00e0 la Royal Society<\/em>, la formulation d\u00e9finitive du coefficient produit-moment qui porte aujourd’hui son nom.<\/p>\n

Pearson d\u00e9montra que sous l’hypoth\u00e8se d’une surface de probabilit\u00e9 normale bivari\u00e9e, le meilleur estimateur de l’association lin\u00e9aire correspondait au moment produit d’ordre 1-1 divis\u00e9 par le produit des moments d’ordre 2 des distributions marginales. En int\u00e9grant formellement les r\u00e9sidus quadratiques selon les principes des moindres carr\u00e9s introduits par Gauss et Legendre, Pearson fournissait pour la premi\u00e8re fois une expression math\u00e9matique exacte permettant de calculer r<\/em> de fa\u00e7on enti\u00e8rement d\u00e9terministe \u00e0 partir de n’importe quel tableau de donn\u00e9es continues. Il prouvait math\u00e9matiquement que la valeur de cet indice co\u00efncidait rigoureusement avec la pente de la droite de r\u00e9gression standardis\u00e9e, int\u00e9grant ainsi la corr\u00e9lation et la r\u00e9gression lin\u00e9aire dans un syst\u00e8me th\u00e9orique unifi\u00e9.<\/p>\n

Cette innovation magistrale fut n\u00e9anmoins le th\u00e9\u00e2tre de controverses \u00e9pist\u00e9mologiques ac\u00e9r\u00e9es, particuli\u00e8rement avec l’\u00e9cole statistique montante incarn\u00e9e plus tard par Ronald Aylmer Fisher. Tandis que Pearson privil\u00e9giait une approche bas\u00e9e sur les grands \u00e9chantillons descriptifs et l’ajustement de courbes empiriques larges, Fisher allait d\u00e9montrer les propri\u00e9t\u00e9s exactes d’\u00e9chantillonnage de r<\/em> en petit \u00e9chantillon, critiquant certaines lacunes de Pearson quant \u00e0 la distinction th\u00e9orique rigide entre estimateur d’\u00e9chantillon et param\u00e8tre populationnel. Malgr\u00e9 ces querelles virulentes qui marqu\u00e8rent les premi\u00e8res d\u00e9cennies de l’\u00e9cole biom\u00e9trique anglaise, la formalisation de Pearson conserva une pr\u00e9\u00e9minence conceptuelle absolue dans l’ensemble des sciences computationnelles naissantes.<\/p>\n

2.3 L’h\u00e9ritage de Charles Spearman et l’essor psychom\u00e9trique<\/h3>\n

L’int\u00e9gration du coefficient de Pearson au c\u0153ur de la m\u00e9thodologie psychologique est l’\u0153uvre magistrale de Charles Spearman, psychologue anglais influenc\u00e9 \u00e0 la fois par les travaux de laboratoire de Wilhelm Wundt \u00e0 Leipzig et par la biom\u00e9trie londonienne de Galton. Au tout d\u00e9but du vingti\u00e8me si\u00e8cle, Spearman entreprit d’\u00e9tudier scientifiquement la structure de l’intelligence humaine. En appliquant syst\u00e9matiquement la formule du produit-moment aux performances scolaires d’enfants dans des domaines h\u00e9t\u00e9rog\u00e8nes (tels que les math\u00e9matiques, le latin, la musique ou les capacit\u00e9s de discrimination sensorielle), il observa que toutes les corr\u00e9lations bivari\u00e9es entre ces comp\u00e9tences distinctes \u00e9taient universellement positives, un ph\u00e9nom\u00e8ne empirique baptis\u00e9 depuis lors le \u00ab collecteur positif \u00bb (positive manifold<\/em>).<\/p>\n

En analysant les propri\u00e9t\u00e9s formelles des tables de corr\u00e9lations crois\u00e9es, Spearman r\u00e9alisa que les variations de magnitude de ces coefficients pouvaient \u00eatre math\u00e9matiquement expliqu\u00e9es par l’influence d’un facteur latent unique, qu’il conceptualisa sous le terme de facteur d’intelligence g\u00e9n\u00e9rale ou facteur g<\/em>. Cette avanc\u00e9e spectaculaire marqua la naissance de l’analyse factorielle<\/a>, une m\u00e9thode analytique reposant int\u00e9gralement sur la d\u00e9composition spectrale et l’inversion de matrices de corr\u00e9lations de Pearson. D\u00e8s lors, le coefficient r<\/em> cessa d’\u00eatre un simple outil descriptif de covariation anatomique pour devenir l’instrument privil\u00e9gi\u00e9 de l’exploration de la structure interne de l’esprit humain.<\/p>\n

Spearman comprit \u00e9galement une faille fondamentale qui mena\u00e7ait la validit\u00e9 des coefficients de Pearson appliqu\u00e9s aux mesures psychologiques : l’imperfection inh\u00e9rente aux instruments de recueil de donn\u00e9es. Tout test psychologique contient une part de variance d’erreur al\u00e9atoire. Spearman d\u00e9montra que cette erreur non syst\u00e9matique produisait in\u00e9vitablement une sous-estimation syst\u00e9matique de la v\u00e9ritable force de la corr\u00e9lation th\u00e9orique entre les construits, un ph\u00e9nom\u00e8ne qu’il nomma \u00ab att\u00e9nuation \u00bb. Pour y rem\u00e9dier, il formula l’\u00e9quation de correction pour att\u00e9nuation, int\u00e9grant les indices de fid\u00e9lit\u00e9 des mesures au c\u0153ur de l’alg\u00e8bre corr\u00e9lationnelle. Ces d\u00e9veloppements pionniers ont scell\u00e9 l’essor de la th\u00e9orie classique des tests (TCT) et garanti au coefficient de Pearson sa place pr\u00e9pond\u00e9rante dans l’ensemble de l’arsenal psychom\u00e9trique contemporain.<\/p>\n

3. Formulation math\u00e9matique et d\u00e9composition alg\u00e9brique<\/h2>\n

3.1 Formule populationnelle et param\u00e8tre rho (ρ)<\/h3>\n

Pour appr\u00e9hender le coefficient de Pearson avec toute la rigueur math\u00e9matique requise, il convient de distinguer formellement le param\u00e8tre structural de la population — not\u00e9 par la lettre grecque ρ<\/em> (rho) — de son estimation empirique obtenue sur un \u00e9chantillon d’observations finies. Au sein d’un univers probabiliste continu o\u00f9 deux variables al\u00e9atoires X<\/em> et Y<\/em> sont conjointement distribu\u00e9es selon une fonction de densit\u00e9 f(X, Y)<\/em>, le param\u00e8tre ρXY<\/sub><\/em> est formellement d\u00e9fini comme le rapport entre la covariance th\u00e9orique de ces deux variables et le produit scalaire de leurs \u00e9carts-types marginaux respectifs.<\/p>\n

L’expression analytique de cette relation fondamentale s’\u00e9crit :<\/p>\n

ρXY<\/sub> = Cov(X, Y) \/ [σX<\/sub> × σY<\/sub>] = E[(X – μX<\/sub>)(Y – μY<\/sub>)] \/ [√(E[(X – μX<\/sub>)2<\/sup>]) × √(E[(Y – μY<\/sub>)2<\/sup>])]<\/strong><\/p>\n

\"{displaystyle
{displaystyle r_{xy}={frac {sum _{i=1}^{n}(x_{i}-{bar {x}})(y_{i}-{bar {y}})}{{sqrt {sum _{i=1}^{n}(x_{i}-{bar {x}})^{2}}}{sqrt {sum _{i=1}^{n}(y_{i}-{bar {y}})^{2}}}}}}<\/figcaption><\/figure>\n

Dans cette formalisation, E[·]<\/em> d\u00e9signe l’op\u00e9rateur d’esp\u00e9rance math\u00e9matique, μX<\/sub><\/em> et μY<\/sub><\/em> repr\u00e9sentent les moyennes th\u00e9oriques (ou moments d’ordre 1) des variables dans l’ensemble de la population, tandis que σX<\/sub><\/em> et σY<\/sub><\/em> correspondent aux racines carr\u00e9es des variances de population (les moments centr\u00e9s d’ordre 2). Cette structure r\u00e9v\u00e8le imm\u00e9diatement le principe d’\u00e9quivalence op\u00e9rationnelle : le num\u00e9rateur capture l’amplitude conjointe des d\u00e9viations synchronis\u00e9es par rapport aux esp\u00e9rances marginales, tandis que le d\u00e9nominateur \u00e9tablit une valeur plafond th\u00e9orique repr\u00e9sentant la dispersion maximale absolue que le syst\u00e8me bivari\u00e9 pourrait afficher si les deux grandeurs variaient de concert de mani\u00e8re totalement d\u00e9terministe.<\/p>\n

Ce ratio th\u00e9orique est assujetti \u00e0 l’hypoth\u00e8se sous-jacente d’une distribution bivari\u00e9e continue dont les moments d’ordre 1 et 2 existent et sont finis. Lorsque la distribution sous-jacente suit rigoureusement une loi normale bivari\u00e9e (ou distribution gaussienne \u00e0 deux dimensions), le param\u00e8tre ρ<\/em> acquiert une propri\u00e9t\u00e9 remarquable : il encapsule l’int\u00e9gralit\u00e9 de la d\u00e9pendance stochastique existant entre X<\/em> et Y<\/em>. Dans ce cas particulier fondamental, l’\u00e9galit\u00e9 ρ = 0<\/em> implique non seulement l’absence de corr\u00e9lation lin\u00e9aire, mais \u00e9galement l’ind\u00e9pendance statistique absolue des deux variables al\u00e9atoires, conditionnant la factorisation exacte de leur densit\u00e9 conjointe en produit de leurs densit\u00e9s marginales.<\/p>\n

3.2 Formule d’\u00e9chantillonnage et estimateur empirique r<\/h3>\n

Dans la pratique de la recherche psychologique, les param\u00e8tres populationnels μ<\/em> et σ<\/em> demeurent des entit\u00e9s latentes inobservables. L’investigateur doit donc inf\u00e9rer la valeur de ρ<\/em> \u00e0 partir d’un \u00e9chantillon fini de couples de donn\u00e9es observ\u00e9es {(x1<\/sub>, y1<\/sub>), (x2<\/sub>, y2<\/sub>), …, (xn<\/sub>, yn<\/sub>)}<\/em> o\u00f9 n<\/em> d\u00e9signe la taille de l’\u00e9chantillon. L’estimateur produit-moment empirique standard, universellement d\u00e9sign\u00e9 par la lettre latine r<\/em> ou rxy<\/sub><\/em>, s’obtient en substituant aux moments th\u00e9oriques leurs contreparties empiriques bas\u00e9es sur la moyenne de l’\u00e9chantillon.<\/p>\n

\"{displaystyle
{displaystyle r_{xy}={frac {sum _{i=1}^{n}(x_{i}-{bar {x}})(y_{i}-{bar {y}})}{{sqrt {sum _{i=1}^{n}(x_{i}-{bar {x}})^{2}}}{sqrt {sum _{i=1}^{n}(y_{i}-{bar {y}})^{2}}}}}}<\/figcaption><\/figure>\n

La formule standard d’\u00e9chantillonnage s’articule comme suit :<\/p>\n

r = ∑i=1<\/sub>n<\/sup> (xi<\/sub> – x\u0304)(yi<\/sub> – \u0233) \/ [√(∑i=1<\/sub>n<\/sup> (xi<\/sub> – x\u0304)2<\/sup>) × √(∑i=1<\/sub>n<\/sup> (yi<\/sub> – \u0233)2<\/sup>)]<\/strong><\/p>\n

o\u00f9 x\u0304<\/em> et \u0233<\/em> repr\u00e9sentent les moyennes arithm\u00e9tiques respectives des s\u00e9ries de scores X<\/em> et Y<\/em> calcul\u00e9es sur les n<\/em> participants. L’examen minutieux de l’architecture de cette \u00e9quation r\u00e9v\u00e8le la m\u00e9canique interne de la standardisation. Le num\u00e9rateur, traditionnellement d\u00e9nomm\u00e9 \u00ab Somme des Produits des \u00c9carts \u00bb (SPxy<\/sub>), prend une valeur positive d\u00e8s lors que les observations individuelles ont tendance \u00e0 d\u00e9vier de leur moyenne dans la m\u00eame direction spatiale, et une valeur n\u00e9gative lorsque les \u00e9carts s’inversent syst\u00e9matiquement.<\/p>\n

Le d\u00e9nominateur est constitu\u00e9 de la moyenne g\u00e9om\u00e9trique de deux sommes de carr\u00e9s d’\u00e9carts fondamentales : la Somme des Carr\u00e9s de X<\/em> (SSx<\/sub>) et la Somme des Carr\u00e9s de Y<\/em> (SSy<\/sub>). La pr\u00e9sence conjointe de ces deux termes quadratiques garantit math\u00e9matiquement que la valeur finale de l’indice sera parfaitement ind\u00e9pendante des unit\u00e9s de mesure brutes employ\u00e9es lors de l’acquisition des donn\u00e9es. En outre, bien que r<\/em> constitue l’estimateur du maximum de vraisemblance classique sous l’hypoth\u00e8se de normalit\u00e9, il n’est pas un estimateur rigoureusement sans biais de ρ<\/em> pour les petits \u00e9chantillons ; il a tendance \u00e0 l\u00e9g\u00e8rement surestimer la corr\u00e9lation absolue de la population. L’esp\u00e9rance math\u00e9matique de r<\/em> v\u00e9rifie asymptotiquement l’approximation E[r] ≈ ρ – ρ(1 – ρ2<\/sup>)\/(2n)<\/em>, une distorsion qui s’estompe rapidement lorsque n<\/em> cro\u00eet au-del\u00e0 de 30 ou 40 unit\u00e9s statistiques.<\/p>\n

3.3 Relations d’\u00e9quivalence alg\u00e9brique et formes computationnelles<\/h3>\n

Bien que la formulation centr\u00e9e sur les \u00e9carts \u00e0 la moyenne offre une lisibilit\u00e9 conceptuelle directe, elle pr\u00e9sente historiquement des inconv\u00e9nients computationnels notables, notamment le risque d’accumulation d’erreurs d’arrondi lors du traitement manuel ou par des unit\u00e9s de calcul \u00e0 virgule flottante limit\u00e9e. Il existe par cons\u00e9quent une forme alg\u00e9briquement \u00e9quivalente dite \u00ab formule brute computationnelle \u00bb, obtenue par le d\u00e9veloppement arithm\u00e9tique complet des sommes des produits :<\/p>\n

r = [n ∑(xi<\/sub>yi<\/sub>) – (∑xi<\/sub>)(∑yi<\/sub>)] \/ [√[n ∑xi<\/sub>2<\/sup> – (∑xi<\/sub>)2<\/sup>] × √[n ∑yi<\/sub>2<\/sup> – (∑yi<\/sub>)2<\/sup>]]<\/strong><\/p>\n

Cette formulation permet de d\u00e9river la corr\u00e9lation directement \u00e0 partir de cinq sommes fondamentales d’accumulation : la somme des X<\/em>, la somme des Y<\/em>, la somme des carr\u00e9s des X<\/em>, la somme des carr\u00e9s des Y<\/em> et la somme des produits crois\u00e9s XY<\/em>. Cette propri\u00e9t\u00e9 algorithmique \u00e0 un seul passage a permis le traitement de larges jeux de donn\u00e9es psychom\u00e9triques bien avant l’av\u00e8nement des m\u00e9moires informatiques vectorielles modernes.<\/p>\n

r = ∑i=1<\/sub>n<\/sup> (zx(i)<\/sub> × zy(i)<\/sub>) \/ (n – 1)<\/strong><\/p>\n

Cette forme standardis\u00e9e met en lumi\u00e8re le lien math\u00e9matique ombilical liant le coefficient de Pearson au mod\u00e8le de r\u00e9gression lin\u00e9aire simple. Dans une r\u00e9gression lin\u00e9aire univari\u00e9e o\u00f9 Y<\/em> est mod\u00e9lis\u00e9e en fonction de X<\/em> (Y = β1<\/sub>X + β0<\/sub> + ε<\/em>), le coefficient de r\u00e9gression non standardis\u00e9 s’\u00e9tablit \u00e0 b1<\/sub> = Cov(X, Y) \/ sx<\/sub>2<\/sup> = r × (sy<\/sub> \/ sx<\/sub>)<\/em>. D\u00e8s lors que les deux variables sont pr\u00e9alablement standardis\u00e9es en scores z, les \u00e9carts-types sx<\/sub><\/em> et sy<\/sub><\/em> deviennent \u00e9gaux \u00e0 l’unit\u00e9, impliquant l’identit\u00e9 absolue entre le coefficient de r\u00e9gression standardis\u00e9 (le poids b\u00e9ta, β<\/em>) et le coefficient de corr\u00e9lation de Pearson : β = r<\/em>.<\/p>\n

4. Hypoth\u00e8ses statistiques sous-jacentes et conditions d’application<\/h2>\n

4.1 Niveau de mesure et continuit\u00e9 des variables<\/h3>\n

L’application l\u00e9gitime du coefficient de Pearson repose sur une s\u00e9rie de postulats m\u00e9trologiques et distributionnels que le chercheur se doit d’auditer avec rigueur avant toute interpr\u00e9tation. Au premier rang de ces exigences figure le niveau de mesure des variables analys\u00e9es, th\u00e9oris\u00e9 par la classification \u00e9pist\u00e9mologique de Stanley Smith Stevens. Le calcul math\u00e9matique des moments d’ordre 1 (moyennes) et d’ordre 2 (variances et covariances) requiert de mani\u00e8re non n\u00e9gociable que les variables X<\/em> et Y<\/em> soient mesur\u00e9es selon des \u00e9chelles d’intervalles constants ou des \u00e9chelles de rapports. Cette condition pr\u00e9suppose qu’une m\u00eame diff\u00e9rence num\u00e9rique entre deux valeurs refl\u00e8te une distance quantitative \u00e9quivalente au sein de la r\u00e9alit\u00e9 empirique du construit mesur\u00e9.<\/p>\n

L’utilisation indue du r<\/em> de Pearson sur des variables purement qualitatives ou strictement ordinales — telles que des classements hi\u00e9rarchiques ou des stades d’\u00e9valuation clinique non m\u00e9triques — constitue une violation m\u00e9thodologique s\u00e9v\u00e8re. Sur de telles \u00e9chelles, les op\u00e9rations de sommation et de d\u00e9viation quadratique perdent leur validit\u00e9 math\u00e9matique. Une controverse r\u00e9currente en m\u00e9thodologie psychologique concerne l’usage des \u00e9chelles de r\u00e9ponse de type Likert (par exemple, de 1 \u00ab Pas du tout d’accord \u00bb \u00e0 5 \u00ab Tout \u00e0 fait d’accord \u00bb). Si le score global r\u00e9sultant de l’agr\u00e9gation sommative de nombreux items ordinaires peut converger, en vertu du th\u00e9or\u00e8me central limite, vers un comportement proche de la m\u00e9trique d’intervalles continus, l’analyse corr\u00e9lationnelle item par item via le coefficient de Pearson conduit syst\u00e9matiquement \u00e0 des sous-estimations de la covariation latente en raison de la compression cat\u00e9gorielle des r\u00e9ponses.<\/p>\n

De surcro\u00eet, la continuit\u00e9 sous-jacente des construits psychologiques est primordiale. L’application du coefficient de Pearson \u00e0 des donn\u00e9es ayant subi une discr\u00e9tisation artificielle — comme la dichotomisation arbitraire d’un continuum d’anxi\u00e9t\u00e9 ou de neuroticisme par une s\u00e9paration selon la m\u00e9diane — engendre une perte drastique d’information m\u00e9trique (pouvant atteindre plus d’un tiers de la variance statistique) et r\u00e9duit artificiellement la valeur absolue de r<\/em>, produisant un art\u00e9fact m\u00e9thodologique majeur dans la litt\u00e9rature scientifique.<\/p>\n

\"Pearson
Pearson correlation example on scatterplot<\/figcaption><\/figure>\n

4.2 Normalit\u00e9 bivari\u00e9e et distribution univari\u00e9e<\/h3>\n

L’inf\u00e9rence statistique associ\u00e9e au coefficient de Pearson — qu’il s’agisse du calcul d’une p-valeur de test d’hypoth\u00e8se ou de l’estimation d’un intervalle de confiance — pr\u00e9suppose que les deux variables suivent conjointement une loi normale bivari\u00e9e au sein de la population parente. Cette condition th\u00e9orique impose que pour toute tranche conditionnelle choisie sur la variable X<\/em>, la distribution correspondante de Y<\/em> suive une courbe de Gauss exacte, et vice-versa. Il est capital de noter que la v\u00e9rification de la normalit\u00e9 univari\u00e9e marginale de X<\/em> et de Y<\/em> prise isol\u00e9ment, bien qu’indispensable, constitue une condition n\u00e9cessaire mais aucunement suffisante pour attester de la normalit\u00e9 conjointe bivari\u00e9e ; des distributions marginales parfaitement gaussiennes peuvent th\u00e9oriquement s’agr\u00e9ger selon des configurations non planes g\u00e9n\u00e9rant des violations structurelles de la loi normale \u00e0 deux dimensions.<\/p>\n

Les d\u00e9viations majeures par rapport \u00e0 la distribution normale univari\u00e9e, mat\u00e9rialis\u00e9es par une forte asym\u00e9trie positive ou n\u00e9gative (skewness<\/em>) ou par un aplatissement anomal (kurtosis<\/em> leptokurtique ou platykurtique), exercent un impact d\u00e9l\u00e9t\u00e8re sur la stabilit\u00e9 de l’estimateur r<\/em>. Lorsque les deux distributions pr\u00e9sentent des coefficients d’asym\u00e9trie de signes oppos\u00e9s, la borne sup\u00e9rieure maximale th\u00e9oriquement atteignable par le coefficient de Pearson peut se trouver plafonn\u00e9e \u00e0 des valeurs largement inf\u00e9rieures \u00e0 +1,00 (parfois plafonn\u00e9e \u00e0 0,50 ou 0,60), faussant totalement l’interpr\u00e9tation de la force r\u00e9elle du lien entre les concepts.<\/p>\n

Le diagnostic de cette normalit\u00e9 bivari\u00e9e repose conjointement sur des techniques graphiques et des \u00e9preuves statistiques formelles. Sur le plan visuel, un nuage de points bivari\u00e9 normal se caract\u00e9rise par une morphologie elliptique r\u00e9guli\u00e8re et sym\u00e9trique dont la densit\u00e9 d\u00e9cro\u00eet harmonieusement \u00e0 mesure que l’on s’\u00e9loigne du barycentre (le point d’intersection des deux moyennes). Le trac\u00e9 d’ellipses de confiance \u00e0 95 % offre une visualisation imm\u00e9diate de cette conformit\u00e9. Sur le plan inf\u00e9rentiel, l’analyste fait appel \u00e0 des protocoles multivari\u00e9s d\u00e9di\u00e9s, en premier lieu le test de Mardia, fond\u00e9 sur l’\u00e9valuation combin\u00e9e de l’asym\u00e9trie et de l’aplatissement multivari\u00e9s calcul\u00e9s via les distances de Mahalanobis.<\/p>\n

4.3 Homosc\u00e9dasticit\u00e9 et lin\u00e9arit\u00e9 stricte<\/h3>\n

La validit\u00e9 substantielle du coefficient de Pearson d\u00e9pend fondamentalement de la condition de lin\u00e9arit\u00e9 stricte de la trajectoire d’association. L’\u00e9quation de Pearson est con\u00e7ue pour mod\u00e9liser une relation de pente constante : une unit\u00e9 de changement sur X<\/em> doit s’associer au m\u00eame incr\u00e9ment moyen th\u00e9orique sur Y<\/em>, que cette variation survienne aux bas niveaux, dans la zone m\u00e9diane ou aux extr\u00eames de la distribution. Toute d\u00e9viation par rapport \u00e0 ce sch\u00e9ma lin\u00e9aire — telle qu’une relation asymptotique logarithmique, une inversion quadratique en forme de parabole ou un seuil exponentiel — engendre une distorsion structurelle du coefficient. Dans de telles circonstances, r<\/em> quantifie uniquement la composante lin\u00e9aire r\u00e9siduelle, sous-estimant massivement l’intensit\u00e9 de la d\u00e9pendance d\u00e9terministe r\u00e9elle reliant les entit\u00e9s psychologiques.<\/p>\n

Parall\u00e8lement \u00e0 la lin\u00e9arit\u00e9, la condition d’homosc\u00e9dasticit\u00e9<\/a> stipule que la variance conditionnelle des r\u00e9sidus autour de la droite de r\u00e9gression doit demeurer rigoureusement constante le long de l’ensemble du continuum de la variable ind\u00e9pendante. Lorsque cette dispersion fluctue, le mod\u00e8le pr\u00e9sente de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/a>, qui se mat\u00e9rialise fr\u00e9quemment dans les diagrammes de dispersion sous une g\u00e9om\u00e9trie en entonnoir (par exemple, une dispersion minime des performances cognitives pour les faibles niveaux de stress, mais une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 massive et chaotique pour les hauts niveaux de tension). Bien que l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 n’entra\u00eene pas un biais syst\u00e9matique sur la valeur ponctuelle de r<\/em>, elle alt\u00e8re l’estimation de son erreur-type, invalidant ainsi les tests de significativit\u00e9 conventionnels et produisant des taux excessifs d’erreurs de type I.<\/p>\n

La mise en \u00e9vidence de ces alt\u00e9rations ne saurait s’effectuer de fa\u00e7on purely param\u00e9trique ; elle n\u00e9cessite imp\u00e9rativement une inspection oculaire syst\u00e9matique du diagramme de dispersion bivari\u00e9. L’analyse des graphiques de r\u00e9sidus standardis\u00e9s confront\u00e9s aux valeurs pr\u00e9dites demeure la m\u00e9thode de r\u00e9f\u00e9rence pour d\u00e9tecter l’apparition d’incurvations non lin\u00e9aires ou d’\u00e9vasements homosc\u00e9dastiques, pr\u00e9venant ainsi les erreurs d’interpr\u00e9tation massives inh\u00e9rentes \u00e0 un traitement aveugle des matrices de corr\u00e9lation.<\/p>\n

5. Interpr\u00e9tation statistique et psychologique des valeurs de r<\/h2>\n

5.1 Grilles conventionnelles et seuils de Jacob Cohen<\/h3>\n

L’\u00e9valuation de la magnitude clinique ou th\u00e9orique d’un coefficient de corr\u00e9lation a \u00e9t\u00e9 profond\u00e9ment influenc\u00e9e par les travaux pr\u00e9curseurs de Jacob Cohen dans le cadre de l’analyse de puissance en sciences du comportement. Conscient du d\u00e9sarroi des chercheurs confront\u00e9s \u00e0 des coefficients statistiquement significatifs mais d’amplitude difficile \u00e0 cat\u00e9goriser, Cohen (1988) a propos\u00e9 des seuils op\u00e9rationnels devenus des standards universels :<\/p>\n

Une autre \u00e9quivalence fondamentale, d’une grande valeur heuristique pour la psychom\u00e9trie, s’exprime en fonction des scores standardis\u00e9s ou notes z<\/a>. Si l’on transforme chaque score brut individuel en note centr\u00e9e r\u00e9duite selon l’op\u00e9ration zx(i)<\/sub> = (xi<\/sub> – x\u0304) \/ sx<\/sub><\/em> et zy(i)<\/sub> = (yi<\/sub> – \u0233) \/ sy<\/sub><\/em> (o\u00f9 s<\/em> correspond \u00e0 l’\u00e9cart-type d’\u00e9chantillon calcul\u00e9 avec n-1<\/em> degr\u00e9s de libert\u00e9), la corr\u00e9lation de Pearson se r\u00e9\u00e9crit comme la moyenne arithm\u00e9tique directe des produits des scores z :<\/p>\n