{"id":3925,"date":"2026-09-11T03:47:58","date_gmt":"2026-09-11T03:47:58","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/coefficient-phi-definition-exemples\/"},"modified":"2026-09-11T03:48:02","modified_gmt":"2026-09-11T03:48:02","slug":"coefficient-phi-definition-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=coefficient-phi-definition-exemples","title":{"rendered":"Coefficient Phi : D\u00e9finition et Exemples"},"content":{"rendered":"

Dans le vaste champ de l’analyse statistique multivari\u00e9e et de la psychom\u00e9trie appliqu\u00e9e, l’\u00e9valuation rigoureuse des associations entre variables qualitatives constitue un d\u00e9fi m\u00e9thodologique fondamental. Lorsque les chercheurs sont confront\u00e9s \u00e0 des donn\u00e9es cat\u00e9gorielles, les m\u00e9triques usuelles de corr\u00e9lation lin\u00e9aire telles que le coefficient produit-moment de Bravais-Pearson ne peuvent \u00eatre mobilis\u00e9es sans une adaptation conceptuelle et alg\u00e9brique pr\u00e9alable. C’est pr\u00e9cis\u00e9ment pour r\u00e9pondre \u00e0 cette exigence analytique qu’a \u00e9t\u00e9 formalis\u00e9 le coefficient Phi<\/strong> (not\u00e9 Φ ou r<\/em>φ<\/sub>), un indicateur non param\u00e9trique sp\u00e9cifiquement con\u00e7u pour quantifier l’intensit\u00e9 et la direction de la relation existant entre deux variables dichotomiques pures.<\/p>\n

Le coefficient Phi occupe une place singuli\u00e8re dans l’histoire des statistiques inf\u00e9rentielles, se situant \u00e0 l’intersection exacte de l’analyse d’ind\u00e9pendance du test du Chi-deux et de la th\u00e9orie classique des scores en psychologie. Qu’il s’agisse de mesurer la concordance entre deux diagnostics psychiatriques, d’analyser l’interd\u00e9pendance de r\u00e9ponses binaires \u00e0 des items d’\u00e9valuation cognitive, ou d’estimer la force d’un effet exp\u00e9rimental au sein d’un plan factoriel \u00e0 deux modalit\u00e9s, ce coefficient offre une mesure standardis\u00e9e d’une grande \u00e9l\u00e9gance math\u00e9matique. Sa simplicit\u00e9 de calcul apparente dissimule n\u00e9anmoins des propri\u00e9t\u00e9s th\u00e9oriques profondes, notamment une \u00e9quivalence formelle stricte avec le coefficient de corr\u00e9lation lin\u00e9aire de Pearson appliqu\u00e9 \u00e0 des variables de Bernoulli.<\/p>\n

Cet article propose une exploration exhaustive et didactique du coefficient Phi, articulant ses fondements th\u00e9oriques, sa d\u00e9rivation alg\u00e9brique, ses applications pratiques et ses contraintes structurelles. \u00c0 travers une analyse d\u00e9taill\u00e9e de la structure des tables de contingence 2×2, la r\u00e9solution pas-\u00e0-pas d’un exemple empirique issu de la sociologie \u00e9lectorale, et une \u00e9tude comparative critique face aux m\u00e9triques concurrentes telles que le V de Cramer, la corr\u00e9lation t\u00e9trachorique ou le Kappa de Cohen, ce guide constitue une r\u00e9f\u00e9rence approfondie pour les \u00e9tudiants, chercheurs et praticiens en sciences comportementales et biom\u00e9dicales.<\/p>\n

1. Introduction et fondements conceptuels du coefficient Phi<\/h2>\n

1.1 Origine historique et d\u00e9veloppement par Karl Pearson<\/h3>\n

L’\u00e9mergence du coefficient Phi s’inscrit au c\u0153ur de l’\u00e2ge d’or de la biom\u00e9trie et de la statistique moderne, au tournant du XXe si\u00e8cle. Confront\u00e9 aux limites de la corr\u00e9lation lin\u00e9aire standard face aux caract\u00e8res qualitatifs discrets, le math\u00e9maticien et biostatisticien britannique Karl Pearson<\/a> chercha \u00e0 d\u00e9velopper des indices capables de quantifier le degr\u00e9 d’association entre des attributs nominaux sans pr\u00e9supposer une distribution continue sous-jacente. Pearson publia au d\u00e9but des ann\u00e9es 1900 une s\u00e9rie de m\u00e9moires fondateurs dans la revue Biometrika<\/em>, \u00e9tablissant les bases th\u00e9oriques de ce qui deviendrait l’analyse des tables de contingence. Le coefficient Phi fut initialement conceptualis\u00e9 comme une mesure de divergence par rapport \u00e0 l’ind\u00e9pendance statistique, directement reli\u00e9e \u00e0 la statistique du test du Chi-deux qu’il venait lui-m\u00eame de formaliser en 1900.<\/p>\n

Le d\u00e9veloppement de cette m\u00e9trique ne s’est pas fait sans de vifs d\u00e9bats \u00e9pist\u00e9mologiques, dont le plus c\u00e9l\u00e8bre opposa Karl Pearson \u00e0 son contemporain George Udny Yule<\/a>. Alors que Yule d\u00e9fendait des coefficients d’association fond\u00e9s sur les produits crois\u00e9s purs et insensibles aux marges (comme le Q de Yule), Pearson insistait sur la n\u00e9cessit\u00e9 d’ancrer la mesure d’association dans le cadre probabiliste g\u00e9n\u00e9ral de la distribution de fr\u00e9quence observ\u00e9e par rapport aux fr\u00e9quences th\u00e9oriques attendues. Pour Pearson, l’objectif \u00e9tait de construire une m\u00e9trique normalis\u00e9e, oscillant id\u00e9alement entre -1 et +1, capable de traduire directement la force du lien statistique au sein d’une population finie ou infinie.<\/p>\n

Dans l’histoire de la psychom\u00e9trie naissante, le coefficient Phi devint rapidement un outil indispensable pour les pionniers de l’\u00e9valuation mentale, tels que Charles Spearman et Louis Leon Thurstone. L’\u00e9valuation de l’intelligence et des aptitudes sp\u00e9cifiques reposant tr\u00e8s fr\u00e9quemment sur des items scored de mani\u00e8re binaire (r\u00e9ussite ou \u00e9chec, correct ou incorrect), les psychom\u00e8tres avaient un besoin imp\u00e9rieux d’un indice de corr\u00e9lation maniable pour estimer l’inter-corr\u00e9lation des items et fonder les premi\u00e8res analyses factorielles. Le coefficient Phi a ainsi constitu\u00e9 l’un des premiers ponts quantitatifs entre la th\u00e9orie des probabilit\u00e9s et l’\u00e9valuation standardis\u00e9e des conduites humaines.<\/p>\n

1.2 Nature des variables \u00e9tudi\u00e9es : La dichotomie stricte<\/h3>\n

L’application rigoureuse et \u00e9pist\u00e9mologiquement valide du coefficient Phi exige une compr\u00e9hension approfondie de la nature ontologique des donn\u00e9es analys\u00e9es. Cet indice s’applique exclusivement \u00e0 des couples de variables dichotomiques, c’est-\u00e0-dire des variables qualitatives nominales ne comportant que deux modalit\u00e9s mutuellement exclusives et conjointement exhaustives. Cependant, la litt\u00e9rature m\u00e9thodologique op\u00e8re une distinction cruciale entre les dichotomies dites \u00ab vraies \u00bb ou naturelles et les dichotomies dites \u00ab artificielles \u00bb.<\/p>\n

Une dichotomie vraie ou naturelle caract\u00e9rise un ph\u00e9nom\u00e8ne dont l’\u00e9tat intrins\u00e8que est binaire de mani\u00e8re objective et discr\u00e8te. En recherche m\u00e9dicale et psychiatrique, l’\u00e9tat de survie (vivant versus d\u00e9c\u00e9d\u00e9), la pr\u00e9sence ou l’absence formellement \u00e9tablie d’une mutation g\u00e9n\u00e9tique sp\u00e9cifique, ou le portage clinique d’un all\u00e8le particulier repr\u00e9sentent des dichotomies naturelles. Dans ces contextes, la variable ne masque aucun continuum sous-jacent mesurable ; l’attribut est qualitativement pr\u00e9sent ou absent. C’est pour ce type pr\u00e9cis de variables que le coefficient Phi exprime pleinement sa validit\u00e9 de construit, car il ne postule \u00e0 aucun moment l’existence d’une variable latente distribu\u00e9e selon une courbe de Gauss.<\/p>\n

\u00c0 l’inverse, les dichotomies artificielles r\u00e9sultent d’un d\u00e9coupage op\u00e9rationnel arbitraire appliqu\u00e9 \u00e0 une variable fondamentalement continue. Par exemple, la cat\u00e9gorisation d’un score de d\u00e9pression obtenu \u00e0 l’inventaire de Beck en deux classes \u00ab d\u00e9prim\u00e9 \u00bb et \u00ab non-d\u00e9prim\u00e9 \u00bb via un seuil clinique (cut-off point), ou la scission de l’\u00e2ge chronologique en \u00ab jeunes \u00bb et \u00ab \u00e2g\u00e9s \u00bb, introduit une dichotomie artificielle. Si le calcul du coefficient Phi demeure techniquement possible sur de telles donn\u00e9es, il induit une perte s\u00e9v\u00e8re d’information statistique et une sous-estimation syst\u00e9matique de la force r\u00e9elle de la liaison par rapport au coefficient de corr\u00e9lation t\u00e9trachorique. Les conditions pr\u00e9alables d’application de Phi requi\u00e8rent donc id\u00e9alement des mesures nominales qualitatives authentiques, pr\u00e9servant ainsi la nature intrins\u00e8quement discr\u00e8te du ph\u00e9nom\u00e8ne sous investigation.<\/p>\n

1.3 R\u00f4le et pertinence en recherche psychologique contemporaine<\/h3>\n

Bien que les mod\u00e8les statistiques contemporains privil\u00e9gient souvent les r\u00e9gressions logistiques multivari\u00e9es et la mod\u00e9lisation par \u00e9quations structurelles, le coefficient Phi conserve une pertinence de premier plan dans la recherche exp\u00e9rimentale et observationnelle en psychologie. Son champ d’application privil\u00e9gi\u00e9 r\u00e9side tout d’abord dans l’\u00e9valuation psychom\u00e9trique de la fid\u00e9lit\u00e9 test-retest lors de passations d’\u00e9preuves \u00e0 choix binaire forc\u00e9. Lorsqu’un protocole exp\u00e9rimental requiert des sujets qu’ils r\u00e9pondent par \u00ab Oui \u00bb ou par \u00ab Non \u00bb, ou qu’ils choisissent entre deux alternatives incompatibles, le coefficient Phi fournit une estimation directe et standardis\u00e9e de la stabilit\u00e9 temporelle des r\u00e9ponses individuelles \u00e0 travers le temps.<\/p>\n

Dans le domaine de l’\u00e9valuation clinique et diagnostique, le coefficient Phi est couramment employ\u00e9 pour d\u00e9terminer l’accord inter-juges ou l’accord inter-diagnostics lorsque deux cliniciens ind\u00e9pendants \u00e9valuent la pr\u00e9sence ou l’absence d’un trouble r\u00e9pertori\u00e9 dans les classifications nosographiques telles que le Manuel diagnostique et statistique des troubles mentaux (DSM-5<\/a>). Bien que le coefficient Kappa de Cohen soit parfois pr\u00e9f\u00e9r\u00e9 pour corriger l’accord fortuit, Phi demeure la m\u00e9trique d’association pure indispensable pour quantifier le degr\u00e9 de co-occurrence syst\u00e9matique entre deux \u00e9tiquettes nosologiques distinctes au sein d’une cohorte clinique.<\/p>\n

Enfin, en psychologie sociale et en psychologie cognitive, Phi est largement exploit\u00e9 comme m\u00e9trique de taille d’effet standardis\u00e9e. Dans le cadre de plans exp\u00e9rimentaux factoriels manipulant une condition binaire (par exemple : exposition \u00e0 un stimulus d’amor\u00e7age vs condition t\u00e9moin) et mesurant une r\u00e9ponse comportementale discr\u00e8te (par exemple : acceptation vs refus d’une requ\u00eate), le test d’hypoth\u00e8se globale du Chi-deux indique si un \u00e9cart existe, mais seul le coefficient Phi permet d’exprimer la magnitude intrins\u00e8que de cet effet ind\u00e9pendamment de la taille de l’\u00e9chantillon, autorisant ainsi l’inclusion directe de l’\u00e9tude dans des m\u00e9ta-analyses quantitatives.<\/p>\n

2. Structure math\u00e9matique du tableau de contingence 2×2<\/h2>\n

2.1 Organisation spatiale et notation standard des fr\u00e9quences observ\u00e9es<\/h3>\n

L’architecture fondamentale sous-jacente au calcul du coefficient Phi repose sur la configuration spatiale d’une table de contingence de dimensions 2×2. Cette matrice croise les deux niveaux de la variable ind\u00e9pendante th\u00e9orique (d\u00e9signons-la par X) avec les deux niveaux de la variable d\u00e9pendante ou concurrente (d\u00e9signons-la par Y). Par convention universelle dans la litt\u00e9rature statistique francophone et internationale, les lignes repr\u00e9sentent g\u00e9n\u00e9ralement les modalit\u00e9s de la premi\u00e8re variable (pr\u00e9sence vs absence, ou modalit\u00e9 1 vs modalit\u00e9 2), tandis que les colonnes mat\u00e9rialisent les modalit\u00e9s de la seconde variable.<\/p>\n

La matrice canonique \u00e0 quatre quadrants est partitionn\u00e9e selon les cellules conventionnelles A, B, C et D, qui h\u00e9bergent les fr\u00e9quences conjointes empiriques observ\u00e9es au sein de l’\u00e9chantillon :<\/p>\n