{"id":5494,"date":"2026-09-11T22:09:08","date_gmt":"2026-09-11T22:09:08","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-coefficient-correlation-pearson-a-la-main\/"},"modified":"2026-09-11T22:09:16","modified_gmt":"2026-09-11T22:09:16","slug":"comment-calculer-coefficient-correlation-pearson-a-la-main","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-coefficient-correlation-pearson-a-la-main","title":{"rendered":"Comment calculer un coefficient de corr\u00e9lation de Pearson \u00e0 la main"},"content":{"rendered":"

Dans le champ de la psychom\u00e9trie, des sciences cognitives et de la psychologie quantitative, la mod\u00e9lisation des relations entre les caract\u00e9ristiques individuelles constitue le socle de la production scientifique. Qu’il s’agisse d’\u00e9valuer la concordance entre des traits de personnalit\u00e9, de mesurer le lien entre des niveaux d’anxi\u00e9t\u00e9 et des performances mn\u00e9siques, ou de calibrer la fid\u00e9lit\u00e9 d’une batterie de tests standardis\u00e9s, les chercheurs recourent quasi universellement \u00e0 l’analyse de corr\u00e9lation. Parmi les indices d’association lin\u00e9aire, le coefficient de corr\u00e9lation produit-moment de Pearson, couramment d\u00e9sign\u00e9 par la lettre latine r<\/em>, demeure l’\u00e9talon m\u00e9thodologique par excellence. Con\u00e7u \u00e0 la fin du dix-neuvi\u00e8me si\u00e8cle, cet outil statistique a permis d’\u00e9manciper les sciences humaines et sociales des simples descriptions qualitatives en leur conf\u00e9rant une rigueur m\u00e9trologique comparable \u00e0 celle des sciences physiques.<\/p>\n

Toutefois, l’av\u00e8nement des logiciels d’analyse de donn\u00e9es tels que SPSS, R, SAS ou Jamovi a progressivement transform\u00e9 la pratique de la statistique en une s\u00e9rie d’op\u00e9rations automatis\u00e9es, occultant les m\u00e9canismes math\u00e9matiques sous-jacents. Cette d\u00e9l\u00e9gation technologique pr\u00e9sente un danger p\u00e9dagogique et \u00e9pist\u00e9mologique majeur : elle induit une utilisation aveugle des algorithmes, privant l’analyste d’une intuition profonde de la dispersion conjointe, des \u00e9carts \u00e0 la moyenne et de la sensibilit\u00e9 m\u00e9trique des indices calcul\u00e9s. L’apprentissage du calcul manuel d’un coefficient de corr\u00e9lation de Pearson ne rel\u00e8ve aucunement d’un pass\u00e9isme d\u00e9suet, mais constitue au contraire une d\u00e9marche heuristique indispensable pour quiconque souhaite ma\u00eetriser la mod\u00e9lisation statistique bivari\u00e9e et appr\u00e9hender l’impact concret de chaque point de mesure sur l’estimation globale d’un effet.<\/p>\n

Le pr\u00e9sent guide a pour vocation d’exposer de mani\u00e8re exhaustive, syst\u00e9matique et didactique la proc\u00e9dure arithm\u00e9tique int\u00e9grale permettant de calculer \u00e0 la main le coefficient de corr\u00e9lation de Pearson. \u00c0 travers la d\u00e9composition th\u00e9orique des formules, l’examen scrupuleux des postulats m\u00e9trologiques, l’analyse guid\u00e9e d’un jeu de donn\u00e9es issu de la psychologie cognitive et l’exploration des prolongements inf\u00e9rentiels, ce document offre aux \u00e9tudiants, chercheurs et praticiens les comp\u00e9tences n\u00e9cessaires pour ex\u00e9cuter, v\u00e9rifier et interpr\u00e9ter cette statistique fondamentale sans aucune d\u00e9pendance logicielle.<\/p>\n

1. Introduction aux fondements du coefficient de corr\u00e9lation de Pearson en psychom\u00e9trie<\/h2>\n

1.1 D\u00e9finition conceptuelle et port\u00e9e en sciences psychologiques<\/h3>\n

Le coefficient de corr\u00e9lation produit-moment a \u00e9t\u00e9 formalis\u00e9 math\u00e9matiquement par le polymathe britannique Karl Pearson<\/a> au cours des ann\u00e9es 1890, s’appuyant sur les intuitions novatrices de son mentor Sir Francis Galton<\/a> relatives aux concepts de r\u00e9gression vers la moyenne et d’h\u00e9r\u00e9dit\u00e9 des traits biologiques et comportementaux. Dans l’\u00e9cosyst\u00e8me de la recherche quantitative contemporaine en psychologie, le coefficient de Pearson repr\u00e9sente l’outil canonique pour quantifier avec une pr\u00e9cision normalis\u00e9e la force et la direction d’une relation lin\u00e9aire unissant deux variables continues. Contrairement aux approches cat\u00e9gorielles ou qualitatives, la corr\u00e9lation saisit la mani\u00e8re dont les variations d’une dimension psychologique s’accordent de fa\u00e7on ordonn\u00e9e aux fluctuations d’une autre dimension au sein d’une population ou d’un \u00e9chantillon sp\u00e9cifique.<\/p>\n

Il est imp\u00e9ratif d’\u00e9tablir une d\u00e9marcation \u00e9pist\u00e9mologique stricte entre l’association statistique, la covariance arithm\u00e9tique et la causalit\u00e9 psychologique. Si la covariance traduit l’orientation brute de la variabilit\u00e9 partag\u00e9e entre deux mesures, elle demeure tributaire de leurs unit\u00e9s d’\u00e9talonnage respectives, ce qui interdit toute comparaison directe entre des construits disparates. Le coefficient de Pearson r\u00e9sout cette contrainte en standardisant la covariance. Cependant, la mise en \u00e9vidence d’une valeur de r<\/em> \u00e9lev\u00e9e n’autorise en aucun cas le chercheur \u00e0 postuler un lien de cause \u00e0 effet : la pr\u00e9sence de variables tierces non contr\u00f4l\u00e9es, la causalit\u00e9 inverse ou des ph\u00e9nom\u00e8nes de synchronie contextuelle peuvent g\u00e9n\u00e9rer des corr\u00e9lations substantielles totalement d\u00e9pourvues de relation causale directe. En psychologie diff\u00e9rentielle, les illustrations de ce principe abondent, par exemple lors de l’\u00e9tude de la dynamique liant l’anxi\u00e9t\u00e9-trait et la performance aux tests de m\u00e9moire de travail, ou lors de l’exploration de l’interaction sym\u00e9trique entre l’estime de soi globale et les scores symptomatiques de d\u00e9pression sur l’\u00e9chelle de Beck.<\/p>\n

Dans la pratique psychom\u00e9trique, l’indice de Pearson sert \u00e9galement de fondement math\u00e9matique \u00e0 l’\u00e9valuation de la validit\u00e9 de construit convergente et divergente, ainsi qu’au calcul des coefficients de fid\u00e9lit\u00e9 test-retest ou inter-juges. Sans une saisie formelle de cette statistique bivari\u00e9e, l’\u00e9valuation psychologique moderne ne disposerait d’aucun \u00e9talon commun pour comparer l’efficacit\u00e9 diagnostique de ses instruments de mesure.<\/p>\n

1.2 L’\u00e9chelle de valeur de r et les postulats de base<\/h3>\n

L’espace m\u00e9trique dans lequel \u00e9volue le coefficient de corr\u00e9lation de Pearson est strictement d\u00e9limit\u00e9 au continuum math\u00e9matique s’\u00e9tendant de -1,00 \u00e0 +1,00 inclusivement. Cette propri\u00e9t\u00e9 de bornage d\u00e9coule directement de l’in\u00e9galit\u00e9 de Cauchy-Schwarz appliqu\u00e9e aux espaces vectoriels norm\u00e9s sous-jacents aux distributions statistiques. L’amplitude num\u00e9rique du coefficient renseigne directement sur la compacit\u00e9 de l’association, tandis que son signe alg\u00e9brique en indique la polarit\u00e9 directionnelle.<\/p>\n

Sur le plan ph\u00e9nom\u00e9nologique, une valeur de r<\/em> \u00e9gale \u00e0 +1,00 correspond \u00e0 une corr\u00e9lation positive parfaite, configuration dans laquelle toutes les paires d’observations s’alignent rigoureusement le long d’une droite de r\u00e9gression \u00e0 pente ascendante. Dans un tel sc\u00e9nario, toute augmentation unitaire standardis\u00e9e d’une variable s’accompagne d’une progression parfaitement proportionnelle de la seconde. \u00c0 l’oppos\u00e9, une valeur de r<\/em> \u00e9gale \u00e0 -1,00 d\u00e9signe une corr\u00e9lation n\u00e9gative parfaite, caract\u00e9ris\u00e9e par un alignement rectiligne descendant o\u00f9 l’accroissement d’un attribut s’accompagne de la diminution math\u00e9matiquement pr\u00e9visible de l’autre. Le point m\u00e9dian th\u00e9orique, mat\u00e9rialis\u00e9 par r<\/em> = 0, signale l’absence int\u00e9grale de relation lin\u00e9aire entre les deux s\u00e9ries de donn\u00e9es, ce qui implique que la connaissance de la position d’un individu sur l’axe des abscisses n’apporte aucune information pr\u00e9dictive quant \u00e0 son positionnement sur l’axe des ordonn\u00e9es par une fonction lin\u00e9aire.<\/p>\n

L’application l\u00e9gitime de cette mesure repose sur l’hypoth\u00e8se incontournable selon laquelle les donn\u00e9es recueillies sont mesur\u00e9es au minimum sur une \u00e9chelle d’intervalle, voire sur une \u00e9chelle de rapport selon la taxonomie classique propos\u00e9e par Stanley Smith Stevens<\/a>. Les scores composites tir\u00e9s de questionnaires standardis\u00e9s de personnalit\u00e9 (comme les \u00e9chelles de type Likert somm\u00e9es r\u00e9pondant aux crit\u00e8res du mod\u00e8le de Rasch) ou des indices chronom\u00e9triques de temps de r\u00e9action satisfont couramment cette exigence fondamentale de m\u00e9trique continue.<\/p>\n

\"\"<\/figure>\n

1.3 Utilit\u00e9 p\u00e9dagogique et \u00e9pist\u00e9mologique du calcul manuel<\/h3>\n

\u00c0 une \u00e9poque domin\u00e9e par la puissance de calcul informatique et la prolif\u00e9ration des biblioth\u00e8ques de traitement automatis\u00e9, la d\u00e9cision d’ex\u00e9cuter manuellement les op\u00e9rations arithm\u00e9tiques du coefficient de Pearson pourrait de prime abord sembler anachronique. Pourtant, cette d\u00e9marche rec\u00e8le une valeur heuristique irrempla\u00e7able dans la formation des psychologues et des m\u00e9thodologistes. Le calcul \u00e0 la main permet de fracturer l’effet de \u00ab bo\u00eete noire \u00bb g\u00e9n\u00e9r\u00e9 par les logiciels commerciaux, au sein desquels l’utilisateur se borne fr\u00e9quemment \u00e0 injecter des colonnes de donn\u00e9es pour r\u00e9colter des matrices d’indices dont la provenance arithm\u00e9tique demeure n\u00e9buleuse.<\/p>\n

En effectuant personnellement chaque soustraction de la moyenne, chaque \u00e9l\u00e9vation au carr\u00e9 et chaque multiplication de r\u00e9sidus crois\u00e9s, le statisticien int\u00e8gre de mani\u00e8re sensorielle et intellectuelle la logique de la dispersion bivari\u00e9e. Il per\u00e7oit physiquement la mani\u00e8re dont un individu situ\u00e9 aux confins de la distribution influence d\u00e9mesur\u00e9ment la somme des produits d’\u00e9carts, consolidant ainsi sa sensibilit\u00e9 clinique et technique \u00e0 l’\u00e9gard de la vuln\u00e9rabilit\u00e9 des statistiques param\u00e9triques face aux valeurs aberrantes ou contamin\u00e9es. Cette familiarisation avec les op\u00e9rations fondamentales de centrage et de normalisation structure les pr\u00e9requis conceptuels indispensables \u00e0 l’assimilation ult\u00e9rieure de mod\u00e8les plus complexes, tels que l’analyse factorielle confirmatoire, la mod\u00e9lisation par \u00e9quations structurelles ou les r\u00e9gressions hi\u00e9rarchiques multiples.<\/p>\n

Enfin, sur le plan \u00e9pist\u00e9mologique, le calcul manuel instille une discipline de rigueur analytique. Il oblige le praticien \u00e0 s’interroger en amont sur la signification g\u00e9om\u00e9trique de ses mesures, l’incite \u00e0 contr\u00f4ler la validit\u00e9 interne de ses transcriptions num\u00e9riques et le pr\u00e9munit contre l’illusion de pr\u00e9cision absolue g\u00e9n\u00e9r\u00e9e par l’affichage logiciel d’une suite interminable de d\u00e9cimales d\u00e9connect\u00e9es de la r\u00e9alit\u00e9 m\u00e9trologique du terrain exp\u00e9rimental.<\/p>\n

2. Les postulats statistiques pr\u00e9alables au calcul de Pearson<\/h2>\n

2.1 L’hypoth\u00e8se de lin\u00e9arit\u00e9 de la relation<\/h3>\n

Le mod\u00e8le de Pearson repose structurellement sur l’hypoth\u00e8se selon laquelle le patron d’association qui unit les variables X<\/em> et Y<\/em> peut \u00eatre ad\u00e9quatement repr\u00e9sent\u00e9 par une droite math\u00e9matique au sein de l’espace euclidien bidimensionnel. Cette contrainte formelle impose que le taux de changement moyen de Y<\/em> pour chaque variation unitaire de X<\/em> demeure uniforme sur l’int\u00e9gralit\u00e9 du domaine de d\u00e9finition observ\u00e9. Dans l’\u00e9ventualit\u00e9 o\u00f9 le ph\u00e9nom\u00e8ne psychologique sous-jacent suivrait une dynamique non lin\u00e9aire, l’application aveugle du coefficient de Pearson produirait un r\u00e9sultat trompeur, voire totalement invalide sur le plan interpr\u00e9tatif.<\/p>\n

L’illustration la plus embl\u00e9matique de cet \u00e9cueil m\u00e9thodologique r\u00e9side dans la c\u00e9l\u00e8bre loi de Yerkes et Dodson<\/a> relative \u00e0 la relation unissant le niveau d’activation physiologique (ou de stress) \u00e0 l’efficacit\u00e9 de la performance cognitive. Cette trajectoire adopte typiquement la forme d’un U invers\u00e9 : une stimulation mod\u00e9r\u00e9e optimise les capacit\u00e9s de concentration, tandis qu’un \u00e9tat d’apathie ou un niveau d’angoisse panique d\u00e9gradent conjointement la performance. Si un chercheur tentait d’ajuster un coefficient de corr\u00e9lation lin\u00e9aire de Pearson sur une telle distribution curvilin\u00e9aire sym\u00e9trique, la statistique r\u00e9sultante tendrait asymptotiquement vers r<\/em> = 0,00. Le praticien conclurait alors erron\u00e9ment \u00e0 une absence totale de relation entre stress et cognition, alors m\u00eame qu’il existe une d\u00e9pendance fonctionnelle d\u00e9terministe majeure, mais d’ordre quadratique.<\/p>\n

Il est donc prescrit de proc\u00e9der syst\u00e9matiquement \u00e0 une inspection oculaire pr\u00e9alable des donn\u00e9es brutes par l’interm\u00e9diaire d’un diagramme de dispersion (scatter plot). Cette \u00e9tape exploratoire permet de certifier que l’essaim de points s’\u00e9tire selon une g\u00e9om\u00e9trie ovo\u00efde ou tubulaire rectiligne compatible avec les postulats du mod\u00e8le additif lin\u00e9aire avant d’engager toute op\u00e9ration alg\u00e9brique.<\/p>\n

2.2 La normalit\u00e9 bivari\u00e9e et l’absence de valeurs extr\u00eames<\/h3>\n

L’inf\u00e9rence statistique et la validit\u00e9 param\u00e9trique du coefficient de corr\u00e9lation de Pearson supposent que le couple de variables $(X, Y)$<\/span> soit distribu\u00e9 conform\u00e9ment au mod\u00e8le de la loi normale bivari\u00e9e au sein de la population parente. Cette condition implique non seulement que la distribution univari\u00e9e de X<\/em> et celle de Y<\/em> pr\u00e9sentent chacune une sym\u00e9trie et un aplatissement conformes \u00e0 la loi de Gauss (\u00e9valuables par les coefficients de Skewness et de Kurtosis ou le test de Shapiro-Wilk), mais \u00e9galement que pour chaque point conditionnel le long de l’axe X<\/em>, la distribution correspondante des scores Y<\/em> suive une loi normale, et r\u00e9ciproquement.<\/p>\n

Corr\u00e9lativement \u00e0 cette exigence distributionnelle, la statistique de Pearson d\u00e9montre une hyper-sensibilit\u00e9 aux valeurs aberrantes ou atypiques, qu’elles soient univari\u00e9es (scores isol\u00e9s sur une seule variable) ou bivari\u00e9es (combinaisons atypiques de valeurs individuellement plausibles). Une seule observation excentrique, r\u00e9sultant par exemple d’une erreur de saisie ou d’un sujet ayant r\u00e9pondu au hasard \u00e0 un protocole d’\u00e9valuation psychologique, poss\u00e8de un pouvoir de levier d\u00e9mesur\u00e9 capable de gonfler artificiellement une corr\u00e9lation par ailleurs inexistante, ou \u00e0 l’inverse d’annihiler une corr\u00e9lation r\u00e9elle solidement ancr\u00e9e chez le reste de l’\u00e9chantillon.<\/p>\n

La d\u00e9tection de ces observations parasites requiert la mise en \u0153uvre de proc\u00e9dures de filtrage rigoureuses, telles que le calcul des scores centr\u00e9s r\u00e9duits ($z$<\/span>-scores sup\u00e9rieurs \u00e0 3 en valeur absolue), le calcul des distances de Mahalanobis pour rep\u00e9rer les anomalies multidimensionnelles, ou le recours \u00e0 la r\u00e8gle graphique des bo\u00eetes \u00e0 moustaches de Tukey. Lorsque des violations manifestes de la normalit\u00e9 bivari\u00e9e sont observ\u00e9es et que les valeurs atypiques ne peuvent \u00eatre l\u00e9gitimement purg\u00e9es, l’analyste doit r\u00e9orienter sa d\u00e9marche vers des alternatives non param\u00e9triques bas\u00e9es sur les rangs, \u00e0 l’instar du rho de Spearman ou du tau de Kendall.<\/p>\n

\"\"<\/figure>\n

2.3 Homosc\u00e9dasticit\u00e9 et ind\u00e9pendance des observations<\/h3>\n

Le troisi\u00e8me pilier axiomatique conditionnant l’emploi du r<\/em> de Pearson r\u00e9side dans le principe d’homosc\u00e9dasticit\u00e9, ou constance de la variance conditionnelle. Ce postulat stipule que la dispersion des r\u00e9sidus de Y<\/em> autour de la ligne de tendance id\u00e9ale doit demeurer statistiquement invariante quelle que soit la position occup\u00e9e par les sujets le long du continuum de la variable pr\u00e9dictive X<\/em>. Lorsque la variance s’accro\u00eet de mani\u00e8re conique au fur et \u00e0 mesure que les scores progressent (h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 en \u00e9ventail), la pr\u00e9cision m\u00e9trique de la pr\u00e9diction devient asym\u00e9trique, ce qui biaise l’estimation de la force d’association et fausse les tests de significativit\u00e9 subs\u00e9quents.<\/p>\n

Simultan\u00e9ment, le protocole exp\u00e9rimental doit garantir l’ind\u00e9pendance mutuelle absolue entre chaque unit\u00e9 d’observation composant l’\u00e9chantillon. Chaque couple de scores $(X_i, Y_i)$<\/span> doit provenir d’un sujet distinct examin\u00e9 de fa\u00e7on totalement autonome, sans qu’aucune contamination sociale, \u00e9cologique ou temporelle ne vienne coupler les r\u00e9sultats d’un participant \u00e0 ceux d’un autre. La violation de ce postulat d’ind\u00e9pendance engendre le ph\u00e9nom\u00e8ne d’autocorr\u00e9lation ou de regroupement (clustering), fr\u00e9quemment rencontr\u00e9 lors de passations collectives en milieu scolaire ou hospitalier, o\u00f9 les \u00e9l\u00e8ves d’une m\u00eame classe partagent l’influence d’un environnement commun.<\/p>\n

L’omission de ces pr\u00e9cautions m\u00e9thodologiques vicie la validit\u00e9 interne du dispositif exp\u00e9rimental. Elle conduit fr\u00e9quemment \u00e0 des erreurs de type I (rejet intempestif de l’hypoth\u00e8se nulle sous-tendu par une r\u00e9duction artificielle de la variance d’erreur) ou de type II, ruinant ainsi la reproductibilit\u00e9 des inf\u00e9rences psychologiques et leur port\u00e9e scientifique globale.<\/p>\n

3. D\u00e9composition th\u00e9orique de la formule math\u00e9matique du r de Pearson<\/h2>\n

3.1 Formulation \u00e0 partir de la covariance et des \u00e9carts-types<\/h3>\n

Sur le plan fondamental de la th\u00e9orie statistique, le coefficient de corr\u00e9lation produit-moment de Pearson est d\u00e9fini comme le rapport strict unissant la covariance bivari\u00e9e des deux distributions au produit arithm\u00e9tique de leurs \u00e9carts-types univari\u00e9s respectifs. Cette structure canonique s’\u00e9nonce selon l’\u00e9quation :<\/p>\n

$$r_{XY} = \\frac{Cov(X, Y)}{s_X \\cdot s_Y}$$<\/span><\/p>\n

La covariance, not\u00e9e $Cov(X, Y)$<\/span>, mesure la moyenne des produits conjoints des d\u00e9viations de chaque observation par rapport \u00e0 sa moyenne arithm\u00e9tique d’\u00e9chantillon. Bien qu’elle permette d’identifier sans ambigu\u00eft\u00e9 la directionnalit\u00e9 de l’association (une covariance positive signalant une variation conjointe concordante, tandis qu’une covariance n\u00e9gative refl\u00e8te une opposition de phase), sa grandeur absolue est asservie aux \u00e9chelles physiques ou psychom\u00e9triques utilis\u00e9es. Par exemple, si l’on mesurait un temps de traitement en millisecondes plut\u00f4t qu’en secondes, la covariance serait m\u00e9caniquement multipli\u00e9e par mille, sans que le lien psychologique sous-jacent n’ait subi la moindre modification.<\/p>\n

Le d\u00e9nominateur de l’\u00e9quation, constitu\u00e9 par la multiplication de l’\u00e9cart-type de la variable X<\/em> ($s_X$<\/span>) par celui de la variable Y<\/em> ($s_Y$<\/span>), agit pr\u00e9cis\u00e9ment comme un facteur universel de normalisation. En divisant la covariance brute par la dispersion g\u00e9om\u00e9trique intrins\u00e8que \u00e0 chaque dimension, l’indice se d\u00e9charge de toute unit\u00e9 de mesure concr\u00e8te pour devenir un nombre pur et adimensionnel. Cette standardisation conf\u00e8re au r<\/em> de Pearson sa remarquable universalit\u00e9 comparative, permettant de confronter directement des liens empiriques issus d’instruments d’\u00e9valuation radicalement dissemblables.<\/p>\n

3.2 Formulation standard par les scores centr\u00e9s et r\u00e9duits<\/h3>\n

Lorsque l’on d\u00e9veloppe les d\u00e9finitions formelles de la covariance et des \u00e9carts-types d’\u00e9chantillon au sein de l’\u00e9quation pr\u00e9c\u00e9dente, les termes divisionnaires li\u00e9s aux degr\u00e9s de libert\u00e9 de l’\u00e9chantillon ($n – 1$<\/span>) s’annulent mutuellement. Cette simplification m\u00e8ne directement \u00e0 l’\u00e9criture op\u00e9rationnelle classique par les d\u00e9viations centr\u00e9es, \u00e9galement nomm\u00e9e formulation produit-moment par les \u00e9carts :<\/p>\n

$$r = \\frac{\\sum_{i=1}^{n} (X_i – \\bar{X})(Y_i – \\bar{Y})}{\\sqrt{\\sum_{i=1}^{n} (X_i – \\bar{X})^2 \\cdot \\sum_{i=1}^{n} (Y_i – \\bar{Y})^2}}$$<\/span><\/p>\n

Cette expression constitue le v\u00e9ritable pivot p\u00e9dagogique du calcul manuel. Le num\u00e9rateur, commun\u00e9ment d\u00e9sign\u00e9 dans la litt\u00e9rature francophone sous l’appellation de Somme des Produits d’\u00e9carts (not\u00e9 $SP_{XY}$<\/span>), quantifie la concordance nette des \u00e9carts. Chaque terme $(X_i – \\bar{X})(Y_i – \\bar{Y})$<\/span> exprime la contribution individuelle d’un participant \u00e0 l’association globale : si un sujet se situe au-dessus de la moyenne \u00e0 la fois sur X<\/em> et sur Y<\/em>, les deux facteurs sont positifs et leur produit est positif. S’il se situe en dessous des deux moyennes, les deux facteurs sont n\u00e9gatifs, et leur produit s’av\u00e8re tout aussi rigoureusement positif en vertu de la r\u00e8gle des signes \u00e9l\u00e9mentaire.<\/p>\n

Le d\u00e9nominateur repr\u00e9sente quant \u00e0 lui la racine carr\u00e9e du produit des deux Sommes des Carr\u00e9s des \u00e9carts univari\u00e9s (not\u00e9es respectivement $SC_X$<\/span> et $SC_Y$<\/span>). Ces quantit\u00e9s mesurent l’entropie ou la variabilit\u00e9 interne totale propre \u00e0 chaque variable ind\u00e9pendamment de l’autre. Le d\u00e9nominateur correspond math\u00e9matiquement au plafond th\u00e9orique maximal que la somme des produits d’\u00e9carts pourrait atteindre dans l’\u00e9ventualit\u00e9 o\u00f9 chaque point se superposerait de mani\u00e8re parfaite et absolue le long d’une trajectoire rectiligne univari\u00e9e.<\/p>\n

\"\"<\/figure>\n

3.3 Formulation brute ou computationnelle pour calculatrice<\/h3>\n

Il existe une seconde formulation alg\u00e9brique rigoureusement \u00e9quivalente \u00e0 la m\u00e9thode par les \u00e9carts, fr\u00e9quemment qualifi\u00e9e de formule brute, computationnelle ou formule machine. Con\u00e7ue initialement pour optimiser la vitesse de calcul des op\u00e9rateurs m\u00e9caniques et des premiers ordinateurs d\u00e9pourvus de registres de m\u00e9moire multiples, cette variante contourne l’obligation de calculer au pr\u00e9alable les moyennes arithm\u00e9tiques interm\u00e9diaires :<\/p>\n

$$r = \\frac{n \\sum XY – (\\sum X)(\\sum Y)}{\\sqrt{[n \\sum X^2 – (\\sum X)^2][n \\sum Y^2 – (\\sum Y)^2]}}$$<\/span><\/p>\n

L’avantage fonctionnel majeur de cette d\u00e9clinaison computationnelle r\u00e9side dans le fait qu’elle traite directement les donn\u00e9es num\u00e9riques brutes sans g\u00e9n\u00e9rer de nombres fractionnaires ou d\u00e9cimaux r\u00e9currents d\u00e8s la premi\u00e8re \u00e9tape soustractive, ce qui limite consid\u00e9rablement les d\u00e9rives cumulatives dues aux arrondis interm\u00e9diaires lors de calculs d’envergure. Elle ne n\u00e9cessite que l’accumulation cumulative de cinq grandeurs scalaires de base : $\\sum X$<\/span>, $\\sum Y$<\/span>, $\\sum X^2$<\/span>, $\\sum Y^2$<\/span> et $\\sum XY$<\/span>.<\/p>\n

Cependant, dans un contexte acad\u00e9mique visant l’acquisition d’une compr\u00e9hension structurelle et clinique de la statistique, cette formule machine pr\u00e9sente un inconv\u00e9nient \u00e9pist\u00e9mique r\u00e9dhibitoire : elle d\u00e9sint\u00e8gre compl\u00e8tement le sens perceptif des \u00e9carts \u00e0 la moyenne et de la covariance conjointe au profit d’agr\u00e9gations arithm\u00e9tiques abstraites. C’est la raison pour laquelle le pr\u00e9sent trait\u00e9 m\u00e9thodologique privil\u00e9gie sans r\u00e9serve l’approche analytique par d\u00e9viation des moyennes, seule capable d’offrir une tra\u00e7abilit\u00e9 conceptuelle transparente et un contr\u00f4le didactique imm\u00e9diat \u00e0 chaque \u00e9chelon du traitement manuel.<\/p>\n

4. Constitution du protocole et du jeu de donn\u00e9es pour l’exercice manuel<\/h2>\n

4.1 Contexte de recherche psychologique et variables \u00e9tudi\u00e9es<\/h3>\n

Afin d’ancrer le protocole p\u00e9dagogique dans la r\u00e9alit\u00e9 de l’investigation empirique, nous \u00e9laborons un sc\u00e9nario de recherche fictif mais hautement repr\u00e9sentatif issu du domaine de la psychologie de l’\u00e9ducation et des neurosciences cognitives. Un laboratoire universitaire s’int\u00e9resse \u00e0 l’impact des strat\u00e9gies d’autor\u00e9gulation de l’apprentissage sur l’acquisition de comp\u00e9tences complexes chez des \u00e9tudiants de premier cycle universitaire. Plus pr\u00e9cis\u00e9ment, l’\u00e9quipe cherche \u00e0 v\u00e9rifier s’il existe une corr\u00e9lation lin\u00e9aire significative entre la quantit\u00e9 de travail autonome investi sur un trimestre et la ma\u00eetrise finale des m\u00e9canismes conceptuels \u00e9valu\u00e9e lors d’une \u00e9preuve standardis\u00e9e.<\/p>\n

Le dispositif exp\u00e9rimental op\u00e9rationnalise deux variables continues mesur\u00e9es aupr\u00e8s d’une cohorte restreinte mais calibr\u00e9e de dix participants volontaires ($n = 10$<\/span>) :<\/p>\n