{"id":4294,"date":"2026-09-11T07:09:55","date_gmt":"2026-09-11T07:09:55","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/trois-facons-calculer-taille-effet-test-chi-carre\/"},"modified":"2026-09-11T07:09:55","modified_gmt":"2026-09-11T07:09:55","slug":"trois-facons-calculer-taille-effet-test-chi-carre","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=trois-facons-calculer-taille-effet-test-chi-carre","title":{"rendered":"Trois fa\u00e7ons de calculer la taille de l’effet pour un test du chi-carr\u00e9"},"content":{"rendered":"

Dans le champ contemporain des sciences du comportement, de la psychopathologie clinique et des sciences sociales, l’inf\u00e9rence statistique a longtemps \u00e9t\u00e9 domin\u00e9e par une d\u00e9f\u00e9rence quasi exclusive envers le test de signification de l’hypoth\u00e8se nulle (NHST, pour Null Hypothesis Significance Testing<\/em>). Au c\u0153ur de cet appareil m\u00e9thodologique, le test d’ind\u00e9pendance du chi-carr\u00e9 formul\u00e9 initialement par Karl Pearson en 1900<\/a> demeure sans conteste l’outil canonique le plus mobilis\u00e9 pour examiner l’existence d’une relation structurelle entre variables qualitatives nominales. Qu’il s’agisse d’\u00e9valuer la concordance entre une typologie diagnostique et un ph\u00e9notype comportemental ou de mesurer l’impact d’une exposition environnementale sur la survenue d’un trouble psychologique, le statisticien s’est historiquement repos\u00e9 sur la valeur p<\/em> pour rejeter l’hypoth\u00e8se d’ind\u00e9pendance stochastique.<\/p>\n

Toutefois, les crises \u00e9pist\u00e9mologiques successives ayant \u00e9branl\u00e9 la psychologie exp\u00e9rimentale et la biom\u00e9decine au cours des derni\u00e8res d\u00e9cennies ont r\u00e9v\u00e9l\u00e9 avec une acuit\u00e9 sans pr\u00e9c\u00e9dent les failles inh\u00e9rentes \u00e0 cette pratique dichotomique. R\u00e9duire la d\u00e9couverte scientifique au franchissement arbitraire d’un seuil alpha de 0,05 expose la communaut\u00e9 scientifique \u00e0 des \u00e9cueils majeurs : l’illusion d’avoir identifi\u00e9 un ph\u00e9nom\u00e8ne substantiel alors qu’il n’est que le sous-produit d’un \u00e9chantillonnage massif, ou inversement, l’occultation d’associations cliniquement d\u00e9terminantes \u00e9touff\u00e9es par un manque de puissance statistique au sein de cohortes restreintes. C’est pr\u00e9cis\u00e9ment pour d\u00e9passer ce r\u00e9ductionnisme probabiliste que la quantification standardis\u00e9e de la taille de l’effet s’est impos\u00e9e comme une exigence m\u00e9thodologique primordiale, permettant d’estimer non plus seulement si une relation existe dans la population parente, mais avec quelle magnitude elle s’y d\u00e9ploie concr\u00e8tement.<\/p>\n

Le pr\u00e9sent article propose une analyse exhaustive, rigoureuse et op\u00e9rationnelle des trois m\u00e9triques fondamentales permettant de calculer et d’interpr\u00e9ter la taille de l’effet dans le cadre d’un test du chi-carr\u00e9 : le coefficient Phi (φ), le V de Cram\u00e9r et le rapport des cotes (Odds Ratio<\/em>, OR). \u00c0 travers un examen approfondi de leurs fondements alg\u00e9briques, de leurs conditions d’application psychom\u00e9triques, de leurs modulations par les marges distributionnelles et de leurs formats de restitution selon les directives les plus exigeantes de l’American Psychological Association, cette contribution vise \u00e0 doter les chercheurs et praticiens des comp\u00e9tences analytiques indispensables \u00e0 une interpr\u00e9tation robuste et substantielle de leurs donn\u00e9es cat\u00e9gorielles.<\/p>\n

1. Introduction aux tests du chi-carr\u00e9 et \u00e0 la notion de taille de l’effet<\/h2>\n

1.1 Fondements du test d’ad\u00e9quation et du test d’ind\u00e9pendance<\/h3>\n

L’univers de l’analyse des donn\u00e9es nominales repose sur une distinction conceptuelle fondamentale entre deux d\u00e9clinaisons majeures de la distribution d’\u00e9chantillonnage asymptotique \u00e9tablie par Pearson : le test du chi-carr\u00e9 d’ad\u00e9quation (ou de conformit\u00e9) et le test du chi-carr\u00e9 d’ind\u00e9pendance (ou d’association). Le test d’ad\u00e9quation intervient lorsqu’un chercheur confronte la distribution empirique d’une unique variable cat\u00e9gorielle, segment\u00e9e en k<\/em> modalit\u00e9s mutuellement exclusives, \u00e0 une distribution th\u00e9orique a priori issue d’un mod\u00e8le formel, d’une hypoth\u00e8se g\u00e9n\u00e9tique mend\u00e9lienne ou de donn\u00e9es d\u00e9mographiques standardis\u00e9es. Dans ce cadre univari\u00e9, la statistique de test quantifie la d\u00e9viation globale des effectifs observ\u00e9s par rapport \u00e0 une partition hypoth\u00e9tique pr\u00e9\u00e9tablie, soumise \u00e0 k – 1<\/em> degr\u00e9s de libert\u00e9.<\/p>\n

\u00c0 l’inverse, le test du chi-carr\u00e9 d’ind\u00e9pendance s’applique \u00e0 un paradigme bivari\u00e9 dans lequel les unit\u00e9s d’observation sont class\u00e9es de mani\u00e8re conjointe selon deux crit\u00e8res qualitatifs distincts, formant ainsi un tableau de contingence de dimensions r × c<\/em>, o\u00f9 r<\/em> repr\u00e9sente le nombre de lignes et c<\/em> le nombre de colonnes. La formulation math\u00e9matique de la statistique chi-carr\u00e9 repose sur l’\u00e9valuation syst\u00e9matique de la divergence quadratique entre les fr\u00e9quences observ\u00e9es ($O_{ij}$<\/span>) au sein de chaque cellule de la matrice et les fr\u00e9quences th\u00e9oriques ou attendues ($E_{ij}$<\/span>) sous l’hypoth\u00e8se nulle d’ind\u00e9pendance stochastique :<\/p>\n

$$\\chi^2 = \\sum_{i=1}^{r} \\sum_{j=1}^{c} \\frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$<\/span><\/p>\n

Dans cette architecture, l’effectif attendu pour une cellule donn\u00e9e d\u00e9coule directement du produit des probabilit\u00e9s marginales conditionnelles, calcul\u00e9 selon le produit du total marginal de la ligne correspondante ($R_i$<\/span>) par le total marginal de la colonne ($C_j$<\/span>), divis\u00e9 par la taille totale de l’\u00e9chantillon ($N$<\/span>) : $E_{ij} = (R_i \\times C_j) \/ N$<\/span>. Le r\u00f4le de l’hypoth\u00e8se nulle ($H_0$<\/span>) consiste \u00e0 postuler que la probabilit\u00e9 conjointe qu’un individu appartienne simultan\u00e9ment \u00e0 la modalit\u00e9 i<\/em> de la premi\u00e8re variable et \u00e0 la modalit\u00e9 j<\/em> de la seconde \u00e9quivaut strictement au produit de leurs probabilit\u00e9s marginales respectives : $P(A_i \\cap B_j) = P(A_i) \\times P(B_j)$<\/span>. L’hypoth\u00e8se alternative ($H_1$<\/span>) formalise quant \u00e0 elle l’existence d’une structure de d\u00e9pendance ou de contingence statistique entre les deux variables nominales \u00e9tudi\u00e9es, signifiant que la distribution des \u00e9tats de la variable B fluctue syst\u00e9matiquement en fonction des niveaux de la variable A.<\/p>\n

1.2 D\u00e9finition \u00e9pist\u00e9mologique de la taille de l’effet<\/h3>\n

Sur le plan \u00e9pist\u00e9mologique, l’amalgame persistant entre la signification statistique, mat\u00e9rialis\u00e9e par la valeur p<\/em>, et l’amplitude pratique du ph\u00e9nom\u00e8ne constitue l’une des d\u00e9rives les plus pernicieuses de la mod\u00e9lisation quantitative. La valeur p<\/em> exprime exclusivement la probabilit\u00e9 conditionnelle d’observer une statistique de test au moins aussi extr\u00eame que celle recueillie dans l’\u00e9chantillon, sous l’hypoth\u00e8se stricte que l’hypoth\u00e8se nulle soit v\u00e9rifi\u00e9e dans la population g\u00e9n\u00e9rale : $P(\\text{Donn\u00e9es ou plus extr\u00eames} mid H_0)$<\/span>. Elle constitue un indice purement probabiliste d’incompatibilit\u00e9 entre les donn\u00e9es empiriques et le mod\u00e8le nul, mais ne renferme intrins\u00e8quement aucune information concernant l’ampleur ontologique, la force ou l’importance fonctionnelle de l’association observ\u00e9e.<\/p>\n

L’\u00e9mergence formelle du concept de taille de l’effet plonge ses racines dans les travaux s\u00e9minaux de Jacob Cohen (1969, 1988)<\/a>, qui a forg\u00e9 la notion d’indice d’amplitude standardis\u00e9 affranchi de l’effet direct du volume d’\u00e9chantillonnage. Dans la vision coh\u00e9nienne, la taille de l’effet repr\u00e9sente le degr\u00e9 d’\u00e9cart concret par rapport \u00e0 l’hypoth\u00e8se nulle, une m\u00e9trique invariantive qui refl\u00e8te la r\u00e9alit\u00e9 ph\u00e9nom\u00e9nologique sous-jacente. En psychologie empirique et en psychiatrie exp\u00e9rimentale, cette quantification s’av\u00e8re indispensable : d\u00e9couvrir qu’un facteur environnemental est associ\u00e9 \u00e0 un trouble psychopathologique avec un niveau de signification infinit\u00e9simal ($p < 0{,}00001$) demeure une indication clinique vide de sens si la proportion de variance partag\u00e9e s'av\u00e8re marginale ou si l'augmentation du risque relatif est quasi indiscernable \u00e0 l'\u00e9chelle individuelle.<\/p>\n

La taille de l’effet fournit l’\u00e9talon invariable n\u00e9cessaire \u00e0 la capitalisation des connaissances scientifiques. Elle permet aux m\u00e9ta-analystes de compiler quantitativement des r\u00e9sultats issus d’\u00e9tudes conduites avec des m\u00e9thodologies, des contextes institutionnels et des cohortes distinctes, assurant ainsi la comparabilit\u00e9 directe des observations au-del\u00e0 des contingences de chaque protocole empirique.<\/p>\n

1.3 Aper\u00e7u des trois m\u00e9triques fondamentales<\/h3>\n

Face \u00e0 la pluralit\u00e9 structurelle des tableaux de contingence g\u00e9n\u00e9r\u00e9s par la recherche cat\u00e9gorielle, trois m\u00e9triques cardinales se distinguent par leur pertinence th\u00e9orique, leur rigueur alg\u00e9brique et leur adoptabilit\u00e9 pratique. Chacune r\u00e9pond \u00e0 des sp\u00e9cifications dimensionnelles et m\u00e9thodologiques rigoureuses qui r\u00e9gissent son champ d’application l\u00e9gitime au sein du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9.<\/p>\n

La premi\u00e8re de ces m\u00e9triques est le coefficient Phi (φ), sp\u00e9cifiquement con\u00e7u pour les matrices de contingence d’ordre 2×2. Alg\u00e9briquement \u00e9quivalent au coefficient de corr\u00e9lation produit-moment de Bravais-Pearson calcul\u00e9 sur deux variables indicatrices binaires (cod\u00e9es 0 et 1), le coefficient Phi capture la covariance standardis\u00e9e entre deux \u00e9tats dichotomiques. Sa force r\u00e9side dans sa simplicit\u00e9 d\u00e9rivationnelle et son ancrage direct dans la th\u00e9orie classique de la corr\u00e9lation bivari\u00e9e, bien que son utilisation s’av\u00e8re restreinte d\u00e8s lors que le syst\u00e8me classificatoire s’\u00e9mancipe de la structure d’opposition binaire.<\/p>\n

Pour d\u00e9passer l’\u00e9troitesse du format dichotomique, le statisticien su\u00e9dois Harald Cram\u00e9r a formalis\u00e9 en 1946<\/a> le V de Cram\u00e9r, une m\u00e9trique int\u00e9gratrice capable d’\u00e9valuer la force de l’association nominale au sein de tables multidimensionnelles comprenant un nombre arbitraire de lignes r<\/em> et de colonnes c<\/em>. En r\u00e9ajustant la statistique chi-carr\u00e9 non seulement par rapport \u00e0 la taille globale de l’\u00e9chantillon, mais \u00e9galement en fonction du rang g\u00e9om\u00e9trique effectif du tableau crois\u00e9 via la consid\u00e9ration explicite des degr\u00e9s de libert\u00e9 marginaux minimaux, le V de Cram\u00e9r assure une comparabilit\u00e9 standardis\u00e9e born\u00e9e rigoureusement entre 0 et 1, quelle que soit la complexit\u00e9 cat\u00e9gorielle du protocole.<\/p>\n

Enfin, l’Odds Ratio (OR), ou rapport des cotes, constitue une mesure d’association asym\u00e9trique fondamentale issue de l’\u00e9pid\u00e9miologie clinique et de la biom\u00e9decine, dont l’usage s’est g\u00e9n\u00e9ralis\u00e9 en psychopathologie et en neuropsychiatrie. Contrairement \u00e0 Phi et au V de Cram\u00e9r qui \u00e9valuent l’intensit\u00e9 globale de la contingence sur une \u00e9chelle de corr\u00e9lation, l’Odds Ratio quantifie le rapport de chance relative d’exposition ou de survenue d’un statut symptomatique entre deux groupes distincts. Cette caract\u00e9ristique offre une intuitivit\u00e9 clinique sans \u00e9quivalent pour communiquer les facteurs de risque et alimenter la prise de d\u00e9cision th\u00e9rapeutique fond\u00e9e sur des preuves.<\/p>\n

2. Les limites intrins\u00e8ques de la valeur p dans les tests d’association<\/h2>\n

2.1 Sensibilit\u00e9 extr\u00eame de la valeur p \u00e0 la taille de l’\u00e9chantillon<\/h3>\n

La limitation la plus pernicieuse du test de Pearson r\u00e9side dans le fait que la statistique chi-carr\u00e9 calcul\u00e9e est directement proportionnelle \u00e0 la taille globale de l’\u00e9chantillon ($N$<\/span>). Cette d\u00e9pendance math\u00e9matique directe est illustr\u00e9e par l’\u00e9quation reliant le chi-carr\u00e9 au coefficient de contingence moyen :<\/p>\n

$$\\chi^2 = N \\sum_{i=1}^{r} \\sum_{j=1}^{c} \\frac{(p_{ij} – p_{i\\cdot}p_{\\cdot j})^2}{p_{i\\cdot}p_{\\cdot j}}$$<\/span><\/p>\n

o\u00f9 $p_{ij}$<\/span> repr\u00e9sente la probabilit\u00e9 observ\u00e9e dans la cellule ij<\/em> et $p_{i\\cdot}p_{\\cdot j}$<\/span> la probabilit\u00e9 conjointe attendue sous l’hypoth\u00e8se d’ind\u00e9pendance. Il en r\u00e9sulte qu’\u00e0 divergence proportionnelle rigoureusement constante entre fr\u00e9quences observ\u00e9es et attendues, le simple fait de multiplier l’\u00e9chantillon par un facteur k<\/em> entra\u00eene une multiplication lin\u00e9aire de la valeur du chi-carr\u00e9 calcul\u00e9 par ce m\u00eame facteur k<\/em>, provoquant un effondrement m\u00e9canique de la valeur p<\/em> vers des seuils microscopiques.<\/p>\n

Dans l’\u00e8re contemporaine des m\u00e9gadonn\u00e9es (Big Data<\/em>), des cohortes biobancaires comprenant des centaines de milliers d’individus et des \u00e9tudes \u00e9pid\u00e9miologiques massives, cette propri\u00e9t\u00e9 m\u00e9canique engendre un risque m\u00e9thodologique omnipr\u00e9sent : identifier des associations triviales, d\u00e9nu\u00e9es de toute pertinence th\u00e9orique ou clinique, comme \u00e9tant \u00ab hautement significatives \u00bb sur le plan statistique. Une variation minime d’un demi pour cent dans la r\u00e9partition d’une caract\u00e9ristique ph\u00e9notypique entre deux populations obtiendra une valeur $p < 0{,}001$ d\u00e8s lors que la cohorte d\u00e9passe cinquante mille sujets. Le chercheur non averti s'expose d\u00e8s lors \u00e0 une erreur d'interpr\u00e9tation majeure en confondant puissance d'\u00e9chantillonnage et port\u00e9e scientifique du ph\u00e9nom\u00e8ne.<\/p>\n

\u00c0 l’oppos\u00e9 du spectre m\u00e9thodologique, la recherche clinique hautement sp\u00e9cialis\u00e9e \u2014 notamment en neuropsychologie des l\u00e9sions c\u00e9r\u00e9brales focales, en p\u00e9diatrie des maladies orphelines ou dans les protocoles d’imagerie fonctionnelle contraignants \u2014 doit fr\u00e9quemment composer avec des cohortes d’effectifs r\u00e9duits ($N < 40$). Dans ce contexte de faible puissance statistique, de v\u00e9ritables fractures comportementales ou des relations d’association substantielles \u00e9chouent r\u00e9guli\u00e8rement \u00e0 franchir le seuil d’admissibilit\u00e9 acad\u00e9mique de$<\/span>alpha = 0{,}05$. L’\u00e9valuation exclusive de la valeur p<\/em> conduit ainsi au rejet injustifi\u00e9 d’hypoth\u00e8ses de recherche prometteuses, g\u00e9n\u00e9rant une inflation d’erreurs de type II (non-rejet d’une hypoth\u00e8se nulle fausse) et masquant des pistes d’intervention th\u00e9rapeutique d’une valeur incontestable.<\/p>\n

2.2 Signification statistique versus pertinence clinique<\/h3>\n

L’incapacit\u00e9 r\u00e9dhibitoire de la valeur p<\/em> \u00e0 quantifier l’amplitude r\u00e9elle d’une relation observ\u00e9e entra\u00eene des cons\u00e9quences d\u00e9sastreuses lorsqu’elle sert d’unique guide \u00e0 la prise de d\u00e9cision en recherche comportementale, en \u00e9valuation diagnostique et en neuropsychologie appliqu\u00e9e. L’inf\u00e9rence bay\u00e9sienne et la psychom\u00e9trie contemporaine rappellent qu’une d\u00e9cision d’action pragmatique \u2014 telle que l’adoption d’un nouveau protocole de prise en charge psychoth\u00e9rapeutique, l’octroi d’une allocation de soutien \u00e9ducatif ou la prescription d’une m\u00e9dication psychotrope \u2014 ne peut rationnellement s’articuler autour d’une simple preuve d’existence probabiliste formalis\u00e9e par le rejet de $H_0$<\/span>.<\/p>\n

Consid\u00e9rons l’\u00e9valuation d’un programme de rem\u00e9diation cognitive administr\u00e9 \u00e0 des patients pr\u00e9sentant des troubles du spectre de l’autisme. Si l’\u00e9tude croise la variable d’adh\u00e9sion au programme (oui\/non) avec l’am\u00e9lioration de l’autonomie adaptative (oui\/non) sur un \u00e9chantillon de dix mille participants, un chi-carr\u00e9 de Pearson peut r\u00e9v\u00e9ler une association statistiquement robuste ($p = 0{,}004$<\/span>). Toutefois, si l’analyse approfondie de la taille de l’effet indique que le b\u00e9n\u00e9fice net repr\u00e9sente une am\u00e9lioration de seulement 1,2 % des cas trait\u00e9s par rapport au groupe t\u00e9moin, la pertinence clinique de l’intervention s’av\u00e8re n\u00e9gligeable, particuli\u00e8rement si le dispositif exige des investissements mat\u00e9riels, financiers et humains massifs. Si le clinicien se base aveugl\u00e9ment sur la signification statistique pour g\u00e9n\u00e9raliser cette pratique, il induit des d\u00e9penses d’\u00e9nergie institutionnelle sans commune mesure avec les gains substantiels r\u00e9els pour les b\u00e9n\u00e9ficiaires.<\/p>\n

Il est donc imp\u00e9ratif de dissocier cat\u00e9goriquement l’acte math\u00e9matique de rejet de l’hypoth\u00e8se nulle et l’estimation qualitative de l’utilit\u00e9 pratique d’un mod\u00e8le d’association. La valeur p<\/em> agit comme un d\u00e9tecteur de signal : elle informe le chercheur quant \u00e0 la cr\u00e9dibilit\u00e9 du fait que le signal per\u00e7u ne soit pas le simple fruit des fluctuations d’\u00e9chantillonnage al\u00e9atoire. En revanche, elle est totalement muette quant \u00e0 la clart\u00e9, l’amplitude ou l’impact fonctionnel de ce signal dans l’\u00e9cologie du sujet \u00e9tudi\u00e9.<\/p>\n

2.3 Recommandations contemporaines de l’American Psychological Association<\/h3>\n

Face \u00e0 la persistance de ces \u00e9cueils interpr\u00e9tatifs et \u00e0 la suite des d\u00e9bats houleux entourant la reproductibilit\u00e9 des r\u00e9sultats scientifiques, les instances normatives internationales ont radicalement r\u00e9form\u00e9 leurs standards d’\u00e9dition scientifique. Les directives de la 7e \u00e9dition du manuel de publication de l’APA<\/a> ainsi que les recommandations du Task Force on Statistical Inference<\/em> (Wilkinson et al., 1999) stipulent explicitement que la communication de la signification statistique d’un test doit imp\u00e9rativement s’accompagner de la mention syst\u00e9matique d’une estimation ponctuelle de la taille de l’effet et de son intervalle de confiance associ\u00e9.<\/p>\n

Cette transition m\u00e9thodologique vers une approche d’estimation marque une rupture avec l’orthodoxie d\u00e9cisionnelle unilat\u00e9rale issue du mod\u00e8le de Neyman-Pearson. L’accent analytique se d\u00e9place d\u00e9sormais de la question binaire : \u00ab L’effet est-il diff\u00e9rent de z\u00e9ro ? \u00bb vers une interrogation probabiliste et param\u00e9trique bien plus mature : \u00ab Quelle est l’amplitude plausible de l’effet observ\u00e9 au sein de la population cible, et avec quel degr\u00e9 de pr\u00e9cision m\u00e9trologique nos instruments actuels parviennent-ils \u00e0 la circonscrire ? \u00bb<\/p>\n

L’exigence de syst\u00e9maticit\u00e9 dans la d\u00e9claration des tailles d’effet pour les tests d’ind\u00e9pendance du chi-carr\u00e9 conditionne directement l’int\u00e9grit\u00e9 du processus d’accumulation des preuves empiriques. Ce n’est qu’en documentant rigoureusement les m\u00e9triques d’association affranchies de l’effet de taille de cohorte que la recherche en sciences humaines pr\u00e9serve sa r\u00e9plicabilit\u00e9, ouvre ses donn\u00e9es aux m\u00e9ta-analyses prospectives et garantit la transparence d\u00e9ontologique de ses conclusions.<\/p>\n

3. Le coefficient Phi (φ) : Fondements th\u00e9oriques et math\u00e9matiques<\/h2>\n

3.1 D\u00e9finition et cadre restrictif des tables 2×2<\/h3>\n

Le coefficient Phi (φ), introduit initialement par Karl Pearson dans le prolongement de ses r\u00e9flexions sur les corr\u00e9lations non lin\u00e9aires, constitue une mesure de d\u00e9pendance sym\u00e9trique exclusivement d\u00e9volue aux tableaux de contingence comprenant strictement deux lignes et deux colonnes ($2 \\times 2$<\/span>). Cette m\u00e9trique trouve sa place th\u00e9orique dans l’analyse des situations exp\u00e9rimentales o\u00f9 les deux dimensions examin\u00e9es renvoient \u00e0 des attributs dichotomiques nets : pr\u00e9sence ou absence d’un trait clinique, succ\u00e8s ou \u00e9chec \u00e0 une \u00e9preuve psychom\u00e9trique, exposition ou non-exposition \u00e0 une condition exp\u00e9rimentale.<\/p>\n

Sur le plan de l’architecture vectorielle, le coefficient Phi ne constitue rien de moins qu’un cas particulier strict du coefficient de corr\u00e9lation lin\u00e9aire de Pearson ($r$<\/span>) calcul\u00e9 sur deux variables binaires num\u00e9riques encod\u00e9es sous forme d’indicateurs discrets, traditionnellement sous la forme bool\u00e9enne {0, 1}. Lorsque l’on projette deux distributions d’\u00e9chantillonnage dichotomiques dans un espace euclidien, la covariance normalis\u00e9e par le produit des \u00e9carts-types marginaux se r\u00e9duit, par simplification math\u00e9matique directe, \u00e0 la statistique de d\u00e9pendance du tableau crois\u00e9 standardis\u00e9. Il s’agit par cons\u00e9quent d’une mesure de corr\u00e9lation produit-moment op\u00e9rant sur un espace cat\u00e9goriel discret.<\/p>\n

Cette nature restreinte conf\u00e8re au coefficient Phi une grande puret\u00e9 conceptuelle, mais impose \u00e9galement une contrainte d’usage infranchissable : toute tentative d’application du coefficient Phi \u00e0 des matrices d’ordre sup\u00e9rieur (telles que des tables 2×3 ou 3×3) corrompt son ancrage m\u00e9trique standardis\u00e9. D\u00e8s lors que l’une des dimensions exc\u00e8de deux modalit\u00e9s, la borne sup\u00e9rieure th\u00e9orique de la m\u00e9trique d\u00e9passe la valeur canonique de 1,0, d\u00e9truisant son comparatisme direct avec l’\u00e9chelle de corr\u00e9lation standard de Bravais-Pearson.<\/p>\n

3.2 Formulation alg\u00e9brique du coefficient Phi<\/h3>\n

L’estimation ponctuelle du coefficient Phi peut s’effectuer \u00e0 partir de deux perspectives analytiques distinctes mais convergentes : soit par d\u00e9rivation directe de la statistique globale du chi-carr\u00e9 de Pearson pr\u00e9alablement calcul\u00e9e, soit par le calcul direct des fr\u00e9quences observ\u00e9es issues des quatre cellules de la matrice crois\u00e9e.<\/p>\n

La formulation standard liant le coefficient Phi \u00e0 la statistique chi-carr\u00e9 globale s’exprime selon la relation suivante :<\/p>\n

$$\\phi = \\sqrt{\\frac{\\chi^2}{N}}$$<\/span><\/p>\n

o\u00f9 $\\chi^2$<\/span> repr\u00e9sente la valeur empirique du test d’ind\u00e9pendance de Pearson et $N$<\/span> symbolise la taille totale de l’\u00e9chantillon d’observation ($N = a + b + c + d$<\/span>). Cette \u00e9quation d\u00e9montre avec transparence la fonction premi\u00e8re de la m\u00e9trique : \u00e9purer radicalement la statistique chi-carr\u00e9 de la contamination arithm\u00e9tique induite par le volume des effectifs collect\u00e9s. En divisant le chi-carr\u00e9 par $N$<\/span> pr\u00e9alablement \u00e0 l’extraction de la racine carr\u00e9e, on neutralise l’inflation d’\u00e9chantillonnage.<\/p>\n

Alternativement, consid\u00e9rons un tableau de contingence 2×2 conventionnellement d\u00e9sign\u00e9 selon la disposition vectorielle suivante :<\/p>\n