D’un point de vue m\u00e9trique, le coefficient de corr\u00e9lation t\u00e9trachorique, couramment not\u00e9 rtet<\/sub><\/em>, \u00e9volue sur une \u00e9chelle de variation strictement born\u00e9e entre -1 et +1, adoptant ainsi la m\u00eame m\u00e9trique d’interpr\u00e9tation que le c\u00e9l\u00e8bre coefficient de corr\u00e9lation produit-moment de Bravais-Pearson. Une valeur de +1 refl\u00e8te une concordance absolue et d\u00e9terministe entre les deux continuums latents, signifiant que tout individu se situant au-del\u00e0 du seuil critique sur la premi\u00e8re variable franchira in\u00e9luctablement le seuil critique sur la seconde variable. R\u00e9ciproquement, une valeur de -1 caract\u00e9rise une discordance parfaite et antagonique entre les deux dimensions sous-jacentes. La valeur 0 d\u00e9signe une ind\u00e9pendance statistique totale entre les variables latentes : dans cette situation, la probabilit\u00e9 conjointe d’endosser simultan\u00e9ment les deux cat\u00e9gories cibles correspond exactement au produit des probabilit\u00e9s marginales de chaque variable prise isol\u00e9ment.<\/p>\n L’\u00e9valuation de la magnitude du coefficient t\u00e9trachorique ne se focalise donc pas sur la relation entre les cat\u00e9gories manifestes de surface, mais reconstitue l’affinit\u00e9 intrins\u00e8que qui unit les deux dimensions invisibles. Cette propri\u00e9t\u00e9 conf\u00e8re \u00e0 la corr\u00e9lation t\u00e9trachorique une sup\u00e9riorit\u00e9 conceptuelle notoire d\u00e8s lors que le postulat de continuit\u00e9 est scientifiquement recevable. Elle permet aux statisticiens et psychom\u00e9triciens de raisonner sur les v\u00e9ritables m\u00e9canismes g\u00e9n\u00e9rateurs de donn\u00e9es plut\u00f4t que de subir passivement les distorsions arithm\u00e9tiques induites par les protocoles de r\u00e9ponse forc\u00e9e ou les instruments de d\u00e9pistage dichotomiques.<\/p>\n L’essor fulgurant de la psychom\u00e9trie<\/a> au d\u00e9but du vingti\u00e8me si\u00e8cle a plac\u00e9 les concepteurs de tests psychologiques face \u00e0 un dilemme technique r\u00e9current : la pr\u00e9pond\u00e9rance des protocoles de recueil de donn\u00e9es reposant sur des items dichotomiques. Qu’il s’agisse des questionnaires de personnalit\u00e9 pionniers, \u00e0 l’image du c\u00e9l\u00e8bre Woodworth Personal Data Sheet \u00e9labor\u00e9 durant la Premi\u00e8re Guerre mondiale, ou des \u00e9preuves d’aptitude intellectuelle d\u00e9velopp\u00e9es par Alfred Binet et Lewis Terman, les sujets \u00e9taient syst\u00e9matiquement contraints de choisir entre deux modalit\u00e9s ferm\u00e9es : \u00ab vrai \u00bb ou \u00ab faux \u00bb, \u00ab oui \u00bb ou \u00ab non \u00bb, \u00ab r\u00e9ussite \u00bb ou \u00ab \u00e9chec \u00bb. Si ce format pr\u00e9sentait l’avantage ind\u00e9niable d’une simplicit\u00e9 de passation et d’une objectivit\u00e9 maximale lors de la notation, il masquait inexorablement la complexit\u00e9 graduelle du fonctionnement cognitif et affectif des participants.<\/p>\n Dans la r\u00e9alit\u00e9 psychologique, l’adh\u00e9sion \u00e0 une affirmation telle que \u00ab Je me sens fr\u00e9quemment submerg\u00e9 par l’anxi\u00e9t\u00e9 \u00bb ne proc\u00e8de pas d’un ph\u00e9nom\u00e8ne binaire de tout ou rien. L’exp\u00e9rience de l’angoisse est un trait dimensionnel s’\u00e9chelonnant le long d’un continuum infini d’intensit\u00e9s \u00e9motionnelles, physiologiques et cognitives. De m\u00eame, la r\u00e9solution correcte d’un item d’aptitude arithm\u00e9tique d\u00e9pend d’une capacit\u00e9 cognitive g\u00e9n\u00e9rale sous-jacente qui varie de mani\u00e8re continue au sein de la population. L’\u00e9mergence de la corr\u00e9lation t\u00e9trachorique a ainsi r\u00e9pondu \u00e0 une imp\u00e9rieuse n\u00e9cessit\u00e9 \u00e9pist\u00e9mologique : fournir aux scientifiques un outil d’inf\u00e9rence capable de mod\u00e9liser math\u00e9matiquement ces construits psychologiques continus artificiellement discr\u00e9tis\u00e9s par les contingences de l’\u00e9valuation standardis\u00e9e.<\/p>\n Cette distinction conceptuelle a conduit les th\u00e9oriciens de la mesure \u00e0 formaliser la diff\u00e9renciation essentielle entre dichotomie naturelle et dichotomie artificielle. Une dichotomie naturelle ou intrins\u00e8que qualifie un ph\u00e9nom\u00e8ne dont la r\u00e9alit\u00e9 empirique est structurellement discontinue, comme le statut vital d’un organisme (vivant ou d\u00e9c\u00e9d\u00e9) ou un \u00e9tat g\u00e9n\u00e9tique mend\u00e9lien sp\u00e9cifique. \u00c0 l’oppos\u00e9, une dichotomie artificielle r\u00e9sulte purement et simplement de la d\u00e9cision arbitraire ou pratique de l’observateur de segmenter un continuum continu au moyen d’une fronti\u00e8re nette. L’application de la corr\u00e9lation t\u00e9trachorique est rigoureusement r\u00e9serv\u00e9e \u00e0 cette seconde cat\u00e9gorie d’observations, car elle suppose par essence que sous la fronti\u00e8re cat\u00e9gorielle superficielle persiste une distribution de densit\u00e9s de probabilit\u00e9 gaussienne continue.<\/p>\n L’emploi du coefficient de Pearson standard appliqu\u00e9 \u00e0 des variables binaires cod\u00e9es 0 et 1 (couramment d\u00e9sign\u00e9 sous le terme de coefficient phi<\/a>) engendre des \u00e9cueils analytiques consid\u00e9rables dans l’\u00e9tude des propri\u00e9t\u00e9s m\u00e9trologiques des instruments d’\u00e9valuation. Le biais le plus critique r\u00e9side dans le ph\u00e9nom\u00e8ne de sous-estimation syst\u00e9matique de l’intensit\u00e9 de l’association. En effet, d\u00e8s lors que deux items dichotomiques pr\u00e9sentent des niveaux de difficult\u00e9 ou des taux d’endossement asym\u00e9triques, le coefficient phi est math\u00e9matiquement incapable d’atteindre ses bornes th\u00e9oriques de +1 ou -1. Cette limitation arithm\u00e9tique contraint artificiellement la valeur de la corr\u00e9lation \u00e0 un intervalle restreint, p\u00e9nalisant lourdement la mise en \u00e9vidence des liens substantiels unissant les items d’un m\u00eame domaine de comp\u00e9tence ou de personnalit\u00e9.<\/p>\n La corr\u00e9lation t\u00e9trachorique r\u00e9sout avec \u00e9l\u00e9gance cette distorsion structurelle en s’affranchissant de l’influence parasite exerc\u00e9e par les disparit\u00e9s des taux d’endossement marginaux. Tandis que le coefficient phi varie de mani\u00e8re erratique en fonction de la pr\u00e9valence des r\u00e9ponses positives au sein de l’\u00e9chantillon, la corr\u00e9lation t\u00e9trachorique parvient \u00e0 extraire une estimation invariante de la corr\u00e9lation latente. Deux items psychom\u00e9triques mesurant exactement le m\u00eame construit latent avec une fid\u00e9lit\u00e9 parfaite produiront une corr\u00e9lation t\u00e9trachorique \u00e9gale \u00e0 +1.00, et ce m\u00eame si le premier item est tr\u00e8s facile (endoss\u00e9 par 90 % des participants) et le second item particuli\u00e8rement ardu (endoss\u00e9 par seulement 10 % de la cohorte). Cette ind\u00e9pendance vis-\u00e0-vis des seuils d’endossement constitue l’un des piliers de l’invariance m\u00e9trologique recherch\u00e9e par la psychom\u00e9trie moderne.<\/p>\n Cette propri\u00e9t\u00e9 correctrice joue un r\u00f4le d\u00e9terminant dans l’ex\u00e9cution des analyses factorielles exploratoires et confirmatoires appliqu\u00e9es aux \u00e9chelles de personnalit\u00e9 et aux tests d’aptitude. Si l’on extrait les facteurs communs d’une matrice de corr\u00e9lations de Pearson calcul\u00e9e sur des items binaires, les algorithmes de d\u00e9composition en valeurs propres identifient in\u00e9vitablement de pseudo-facteurs m\u00e9thodologiques regroupant artificiellement les items partageant des taux de pr\u00e9valence similaires, ind\u00e9pendamment de leur contenu s\u00e9mantique. L’analyse factorielle fond\u00e9e sur des matrices de corr\u00e9lations t\u00e9trachoriques neutralise ces artefacts de difficult\u00e9, permettant ainsi l’\u00e9mergence d’une structure dimensionnelle authentique, stable et directement align\u00e9e sur les postulats th\u00e9oriques des chercheurs.<\/p>\n L’\u00e9difice math\u00e9matique de la corr\u00e9lation t\u00e9trachorique repose fondamentalement sur l’acceptation d’un mod\u00e8le probabiliste param\u00e9trique : le postulat de normalit\u00e9 bivari\u00e9e<\/a>. Selon cette hypoth\u00e8se formelle, si l’on pouvait mesurer directement les deux traits latents inobservables, conventionnellement d\u00e9sign\u00e9s par les variables al\u00e9atoires continues X*<\/em> et Y*<\/em>, on observerait qu’ils suivent conjointement une loi normale \u00e0 deux dimensions. Par convention et \u00e0 des fins d’identifiabilit\u00e9 m\u00e9trique, ces deux distributions latentes sont standardis\u00e9es de sorte que leur esp\u00e9rance math\u00e9matique respective soit nulle et que leur variance unitaire soit \u00e9gale \u00e0 1. La structure de leur d\u00e9pendance lin\u00e9aire est ainsi int\u00e9gralement captur\u00e9e par un unique param\u00e8tre libre : le coefficient de corr\u00e9lation latent ρ<\/em>.<\/p>\n La fonction de densit\u00e9 de probabilit\u00e9 conjointe normale standardis\u00e9e pour les deux variables al\u00e9atoires continues s’exprime rigoureusement sous la forme analytique suivante :<\/p>\n f(x*, y*; ρ) = [1 \/ (2 π √(1 – ρ2<\/sup>))] × exp[- (x*2<\/sup> – 2 ρ x* y* + y*2<\/sup>) \/ (2 (1 – ρ2<\/sup>))]<\/em><\/p>\n Dans cette formulation, le param\u00e8tre ρ<\/em> correspond pr\u00e9cis\u00e9ment \u00e0 la corr\u00e9lation t\u00e9trachorique que l’analyste cherche \u00e0 estimer \u00e0 partir des seules donn\u00e9es discr\u00e8tes disponibles. La matrice de variance-covariance r\u00e9gissant cette distribution conjointe comporte des valeurs diagonales \u00e9gales \u00e0 1 et des termes extradiagonaux rigoureusement \u00e9gaux \u00e0 ρ<\/em>. L’int\u00e9gralit\u00e9 de la mod\u00e9lisation suppose donc que le couplage entre les deux traits ne comporte aucune non-lin\u00e9arit\u00e9 fondamentale et que l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 est rigoureusement absente sur l’ensemble de l’espace latent.<\/p>\n Les cons\u00e9quences th\u00e9oriques d’une violation flagrante de cette hypoth\u00e8se de normalit\u00e9 bivari\u00e9e sont loin d’\u00eatre anodines. Si les v\u00e9ritables distributions sous-jacentes pr\u00e9sentent une forte asym\u00e9trie (skewness), un aplatissement excessif (kurtosis prononc\u00e9) ou, pire encore, une structure multimodale refl\u00e9tant l’agr\u00e9gation de sous-populations h\u00e9t\u00e9rog\u00e8nes, l’estimateur t\u00e9trachorique perd ses propri\u00e9t\u00e9s de convergence asymptotique sans biais. Il en r\u00e9sulte des estimations qui peuvent s’av\u00e9rer substantiellement sur\u00e9valu\u00e9es ou sous-\u00e9valu\u00e9es, faussant les conclusions substantielles tir\u00e9es lors de l’int\u00e9gration de ce coefficient dans des mod\u00e8les statistiques plus complexes.<\/p>\n La transformation d’un espace bidimensionnel continu en une matrice de contingence binaire s’op\u00e8re par l’interm\u00e9diaire de seuils de coupure latents, fr\u00e9quemment d\u00e9sign\u00e9s par les lettres grecques τx<\/sub><\/em> (tau pour la variable X) et τy<\/sub><\/em> (tau pour la variable Y), ou alternativement par les seuils critiques h<\/em> et k<\/em>. Chaque individu appartenant \u00e0 la population \u00e9valu\u00e9e poss\u00e8de une valeur pr\u00e9cise sur les continuums latents X*<\/em> et Y*<\/em>. Cependant, le comportement manifeste de l’individu n’adopte une forme positive (endossement de l’item, r\u00e9ponse \u00ab oui \u00bb ou code 1) que si et seulement si sa position sur le continuum latent d\u00e9passe le seuil critique assign\u00e9 \u00e0 cet item sp\u00e9cifique.<\/p>\n Formellement, les r\u00e8gles de passage de l’espace inobservable aux variables manifestes X<\/em> et Y<\/em> sont r\u00e9gies par des fonctions indicatrices d\u00e9terministes :<\/p>\n X = 1 si X* > τx<\/sub>, et X = 0 si X* ≤ τx<\/sub><\/em><\/p>\n Y = 1 si Y* > τy<\/sub>, et Y = 0 si Y* ≤ τy<\/sub><\/em><\/p>\n Cette formulation met en lumi\u00e8re le fait que la pr\u00e9valence observ\u00e9e d’un \u00e9v\u00e9nement cat\u00e9goriel est enti\u00e8rement dict\u00e9e par l’emplacement du seuil sur la courbe normale standardis\u00e9e univari\u00e9e. Si un seuil est situ\u00e9 tr\u00e8s loin dans la queue droite de la distribution (par exemple τx<\/sub> = +1.96<\/em>), une infime minorit\u00e9 de sujets franchira cette barri\u00e8re, conduisant \u00e0 une proportion marginale d’observations positives de seulement 2.5 %. R\u00e9ciproquement, un seuil localis\u00e9 dans les valeurs n\u00e9gatives profondes correspondra \u00e0 un item massivement endoss\u00e9.<\/p>\n L’estimation des coordonn\u00e9es scalaires de ces seuils latents s’effectue directement \u00e0 partir des probabilit\u00e9s marginales univari\u00e9es par l’application de la fonction quantile de la loi normale centr\u00e9e r\u00e9duite, commun\u00e9ment appel\u00e9e fonction probit. Ainsi, si p1.<\/sub><\/em> repr\u00e9sente la proportion d’individus pr\u00e9sentant la modalit\u00e9 X = 0<\/em>, le seuil s’obtient instantan\u00e9ment par l’inversion de la fonction de r\u00e9partition cumulative : τx<\/sub> = Φ-1<\/sup>(p1.<\/sub>)<\/em>. Ce m\u00e9canisme assure une correspondance directe entre les fr\u00e9quences marginales observ\u00e9es de la table de contingence et les limites d’int\u00e9gration g\u00e9om\u00e9trique de la densit\u00e9 bivari\u00e9e.<\/p>\n Sur le plan g\u00e9om\u00e9trique, le mod\u00e8le t\u00e9trachorique offre une repr\u00e9sentation visuelle d’une remarquable \u00e9l\u00e9gance au sein de l’espace euclidien bidimensionnel d\u00e9fini par les axes orthogonaux des traits latents X*<\/em> et Y*<\/em>. La fonction de densit\u00e9 conjointe se mat\u00e9rialise sous la forme d’un volume en cloche, dont la projection horizontale des lignes d’\u00e9quidensit\u00e9 trace une famille d’ellipses concentriques centr\u00e9es sur l’origine du rep\u00e8re cart\u00e9sien. L’orientation et l’excentricit\u00e9 de ces ellipses sont rigoureusement conditionn\u00e9es par l’amplitude du coefficient de corr\u00e9lation ρ<\/em> : plus la corr\u00e9lation approche les bornes extr\u00eames, plus l’ellipse s’\u00e9tire le long de la diagonale principale ou secondaire, se muant progressivement en un segment rectiligne.<\/p>\n L’introduction des deux seuils critiques latents, τx<\/sub><\/em> et τy<\/sub><\/em>, se traduit g\u00e9om\u00e9triquement par le trac\u00e9 de deux droites perpendiculaires infinies, l’une verticale d’\u00e9quation X* = τx<\/sub><\/em> et l’autre horizontale d’\u00e9quation Y* = τy<\/sub><\/em>. Ces deux axes de d\u00e9marcation partitionnent l’int\u00e9gralit\u00e9 du plan continu en exactement quatre quadrants mutuellement disjoints. Chaque quadrant de l’espace g\u00e9om\u00e9trique correspond de fa\u00e7on univoque \u00e0 l’une des quatre cellules d’une table de contingence 2×2<\/a> regroupant les fr\u00e9quences observ\u00e9es des paires de r\u00e9ponses cat\u00e9gorielles : (0,0), (0,1), (1,0) et (1,1).<\/p>\n La probabilit\u00e9 th\u00e9orique assign\u00e9e \u00e0 chaque cellule de la table de contingence \u00e9quivaut tr\u00e8s pr\u00e9cis\u00e9ment au volume sous la surface de la cloche normale bivari\u00e9e d\u00e9limit\u00e9 par les fronti\u00e8res du quadrant correspondant. D\u00e8s lors, le calcul de la corr\u00e9lation t\u00e9trachorique consiste g\u00e9om\u00e9triquement \u00e0 trouver la valeur unique de l’angle d’inclinaison de l’ellipso\u00efde (directement d\u00e9termin\u00e9 par ρ<\/em>) qui permet aux quatre volumes sous la surface d’\u00e9pouser avec une exactitude optimale les quatre fr\u00e9quences relatives empiriques issues de l’\u00e9chantillon d’observation. Cette ad\u00e9quation volum\u00e9trique constitue le c\u0153ur intuitif de l’inf\u00e9rence t\u00e9trachorique.<\/p>\n La gen\u00e8se formelle de la corr\u00e9lation t\u00e9trachorique remonte \u00e0 l’aube du vingti\u00e8me si\u00e8cle, marqu\u00e9e par la publication en 1900 d’un article monumental r\u00e9dig\u00e9 par le polymathe britannique Karl Pearson<\/a> au sein des prestigieuses Philosophical Transactions of the Royal Society of London<\/em>. Intitul\u00e9 \u00ab Mathematical Contributions to the Theory of Evolution. VII. On the Correlation of Characters not Quantitatively Measurable \u00bb, ce m\u00e9moire fondateur visait \u00e0 \u00e9tendre la port\u00e9e des m\u00e9thodes biom\u00e9triques \u00e0 l’analyse de traits biologiques qualitatifs pour lesquels aucune graduation num\u00e9rique directe n’\u00e9tait concevable \u00e0 l’\u00e9poque.<\/p>\n Pearson \u00e9tait anim\u00e9 par un objectif empirique pr\u00e9cis li\u00e9 aux th\u00e9ories de l’h\u00e9r\u00e9dit\u00e9 mend\u00e9lienne et galtonienne : il cherchait \u00e0 d\u00e9montrer la transmission g\u00e9n\u00e9tique quantitative de caract\u00e9ristiques somatiques et comportementales telles que la couleur des yeux chez l’humain, la robe des chevaux de course ou la s\u00e9v\u00e9rit\u00e9 d’infections \u00e9pid\u00e9miques face \u00e0 l’efficacit\u00e9 vaccinale. Confront\u00e9 \u00e0 des tableaux crois\u00e9s d\u00e9nombrant des cat\u00e9gories discr\u00e8tes comme \u00ab clair \u00bb versus \u00ab fonc\u00e9 \u00bb, Pearson rejeta l’id\u00e9e que ces traits repr\u00e9sentaient des cat\u00e9gories ontologiques distinctes et soutint avec force qu’ils d\u00e9rivaient d’une charge physiologique continue distribu\u00e9e selon les lois normales r\u00e9gissant les syst\u00e8mes vivants.<\/p>\n Pour extraire la corr\u00e9lation continue sous-jacente \u00e0 ces tableaux rudimentaires, Pearson \u00e9labora un appareil math\u00e9matique d’une virtuosit\u00e9 technique impressionnante. Ne disposant d’aucune m\u00e9thode d’int\u00e9gration num\u00e9rique informatis\u00e9e, il d\u00e9veloppa une d\u00e9composition de l’int\u00e9grale double de la loi normale bivari\u00e9e sous la forme d’un d\u00e9veloppement en s\u00e9ries infinies faisant intervenir des fonctions polynomiales sp\u00e9cifiques. Ces \u00e9quations sommatoires, rapidement baptis\u00e9es s\u00e9ries t\u00e9trachoriques, permirent pour la premi\u00e8re fois dans l’histoire de la statistique d’estimer un coefficient d’affinit\u00e9 continue \u00e0 partir d’une simple grille de d\u00e9nombrement croisant deux dichotomies.<\/p>\n La proposition th\u00e9orique de Pearson ne fit pas l’unanimit\u00e9 au sein de la communaut\u00e9 scientifique victorienne et d\u00e9clencha l’une des querelles acad\u00e9miques les plus c\u00e9l\u00e8bres et les plus vives de l’histoire des statistiques : l’affrontement intellectuel durable opposant Karl Pearson \u00e0 son ancien \u00e9tudiant et coll\u00e8gue, George Udny Yule<\/a>. Alors que Pearson soutenait une posture \u00e9pist\u00e9mologique r\u00e9solument r\u00e9aliste, postulant que la continuit\u00e9 normale \u00e9tait la r\u00e8gle fondamentale de la nature vivante et que les dichotomies n’\u00e9taient que des artefacts de notation humaine, Yule adopta une perspective strictement nominaliste et empiriste.<\/p>\n Yule critiqua vigoureusement la d\u00e9pendance de la corr\u00e9lation t\u00e9trachorique \u00e0 l’\u00e9gard de l’hypoth\u00e8se inv\u00e9rifiable de normalit\u00e9 bivari\u00e9e. En alternative, il d\u00e9veloppa en 1900 son propre indicateur d’association non param\u00e9trique pour tables 2×2, le c\u00e9l\u00e8bre coefficient Q de Yule, d\u00e9riv\u00e9 directement du rapport des cotes (odds ratio<\/a>). Pour Yule, les statisticiens devaient analyser les donn\u00e9es qualitatives telles qu’elles se pr\u00e9sentaient concr\u00e8tement dans l’exp\u00e9rience, sans imposer arbitrairement des repr\u00e9sentations g\u00e9om\u00e9triques n\u00e9o-galtoniennes sur des dimensions invisibles. Pearson r\u00e9pliqua par des diatribes cinglantes, publiant des r\u00e9quisitoires m\u00e9thodologiques d’une grande s\u00e9v\u00e9rit\u00e9 dans sa revue Biometrika<\/em>, allant jusqu’\u00e0 qualifier les propositions de Yule de constructions math\u00e9matiquement aberrantes et d\u00e9nu\u00e9es de pertinence biologique.<\/p>\n Cette controverse fondamentale d\u00e9passait la simple querelle de pr\u00e9s\u00e9ance acad\u00e9mique : elle inaugurait la scission conceptuelle entre l’analyse des variables cat\u00e9gorielles con\u00e7ues comme des manifestations de traits continus latents (tradition psychom\u00e9trique qui allait engendrer la corr\u00e9lation t\u00e9trachorique, l’analyse factorielle et la th\u00e9orie de la r\u00e9ponse \u00e0 l’item) et l’analyse purement cat\u00e9gorielle des distributions de fr\u00e9quences discr\u00e8tes (tradition statistique biom\u00e9dicale qui allait privil\u00e9gier les mod\u00e8les log-lin\u00e9aires, le khi-carr\u00e9 de contingence et les risques relatifs). L’approche de Pearson s’est toutefois impos\u00e9e comme le socle indispensable des mod\u00e9lisations dimensionnelles en psychologie diff\u00e9rentielle.<\/p>\n En d\u00e9pit de son attrait conceptuel indiscutable, la corr\u00e9lation t\u00e9trachorique est demeur\u00e9e pendant plus de six d\u00e9cennies un outil statistique notoirement redout\u00e9 des praticiens en raison de sa gigantesque complexit\u00e9 computationnelle manuelle. Le calcul formel de l’int\u00e9grale normale bivari\u00e9e n\u00e9cessitait l’\u00e9valuation laborieuse des premiers termes de s\u00e9ries infinies incorporant les polyn\u00f4mes d’Hermite. La r\u00e9solution de l’\u00e9quation polynomiale non lin\u00e9aire r\u00e9sultante, souvent port\u00e9e jusqu’au septi\u00e8me ou huiti\u00e8me degr\u00e9 afin d’obtenir une pr\u00e9cision d\u00e9cente \u00e0 la troisi\u00e8me d\u00e9cimale, exigeait des heures d’it\u00e9rations arithm\u00e9tiques par approximations successives \u00e0 la plume.<\/p>\n Conscient que ces contraintes arithm\u00e9tiques paralysaient la diffusion de sa m\u00e9thode aupr\u00e8s des biologistes, des m\u00e9decins et des psychologues de terrain, Karl Pearson mobilisa les calculateurs de son laboratoire londonien pour produire de monumentales tables num\u00e9riques de r\u00e9f\u00e9rence. Ces tables de fonctions t\u00e9trachoriques, publi\u00e9es p\u00e9riodiquement dans Biometrika<\/em> et regroup\u00e9es dans les c\u00e9l\u00e8bres Tables for Statisticians and Biometricians<\/em> \u00e0 partir de 1914, fournissaient les racines des \u00e9quations polynomiales pour une vaste gamme de fr\u00e9quences marginales et conjointes pr\u00e9d\u00e9termin\u00e9es. Les chercheurs devaient proc\u00e9der par des techniques d’interpolation lin\u00e9aire fastidieuses pour extraire une valeur approch\u00e9e correspondant \u00e0 leurs tables empiriques.<\/p>\n Parall\u00e8lement \u00e0 l’usage de ces tables volumineuses, de nombreux m\u00e9thodologistes du milieu du vingti\u00e8me si\u00e8cle se sont employ\u00e9s \u00e0 concevoir des abaques graphiques, des nomogrammes manuels et des formules d’approximation alg\u00e9brique rapide. Des psychom\u00e9triciens de renom tels que Thurstone, Chesire et Saffir publi\u00e8rent en 1933 des diagrammes d’alignement g\u00e9om\u00e9trique permettant de lire directement une valeur estim\u00e9e de la corr\u00e9lation t\u00e9trachorique sans poser une seule division complexe. Cette qu\u00eate d’approximations pragmatiques n’a trouv\u00e9 son terme d\u00e9finitif qu’avec l’av\u00e8nement des premiers ordinateurs personnels et le d\u00e9ploiement d’algorithmes d’int\u00e9gration num\u00e9rique de Gauss-Legendre dans les ann\u00e9es 1970 et 1980.<\/p>\n La distinction op\u00e9r\u00e9e entre le coefficient de corr\u00e9lation produit-moment de Pearson standard (not\u00e9 r<\/em>) et la corr\u00e9lation t\u00e9trachorique (rtet<\/sub><\/em>) constitue l’un des th\u00e8mes p\u00e9dagogiques les plus essentiels de la statistique multivari\u00e9e. Le coefficient de Pearson classique est con\u00e7u exclusivement pour quantifier la force d’une liaison lin\u00e9aire entre deux variables m\u00e9triques continues dont les distributions respectives v\u00e9rifient id\u00e9alement les propri\u00e9t\u00e9s de normalit\u00e9. Lorsqu’un analyste applique par automatisme cette formule matricielle standard \u00e0 des donn\u00e9es binaires en codant arbitrairement les modalit\u00e9s sous forme de valeurs scalaires 0 et 1, il provoque une alt\u00e9ration structurelle majeure de la relation mesur\u00e9e.<\/p>\n Cette d\u00e9gradation, connue sous l’appellation d’effet d’att\u00e9nuation drastique, d\u00e9coule de la perte irr\u00e9versible de variance cons\u00e9cutive au d\u00e9coupage brutal de distributions continues en deux classes num\u00e9riques grossi\u00e8res. En comprimant l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des scores individuels dans des r\u00e9ceptacles binaires, le chercheur supprime la sensibilit\u00e9 m\u00e9trique fine des observations. En cons\u00e9quence directe, le coefficient de Pearson standard calcule la covariance de deux variables d’\u00e9chelonnage tronqu\u00e9, aboutissant \u00e0 une sous-estimation syst\u00e9matique et s\u00e9v\u00e8re de l’ampleur v\u00e9ritable du lien qui r\u00e9unit les entit\u00e9s sous-jacentes.<\/p>\n \u00c0 l’inverse, le mod\u00e8le t\u00e9trachorique op\u00e8re une v\u00e9ritable restauration de la m\u00e9trique latente d’origine. En projetant les proportions empiriques de la table de contingence sur l’espace infini de la loi normale bivari\u00e9e standardis\u00e9e, il compense rigoureusement l’artefact m\u00e9canique de compression induit par la dichotomisation. Tandis que le coefficient de Pearson mesure une liaison g\u00e9om\u00e9trique entre deux points discrets sur un plan euclidien tronqu\u00e9, la corr\u00e9lation t\u00e9trachorique r\u00e9tablit l’angle d’orientation v\u00e9ritable de l’ellipso\u00efde des densit\u00e9s latentes, conf\u00e9rant ainsi aux r\u00e9sultats une fid\u00e9lit\u00e9 dimensionnelle hautement sup\u00e9rieure.<\/p>\n Le coefficient Phi (φ<\/em>) repr\u00e9sente l’\u00e9quivalent alg\u00e9brique exact du coefficient produit-moment de Pearson lorsque ce dernier est calcul\u00e9 de mani\u00e8re brute sur deux variables dichotomiques. Il s’obtient couramment \u00e0 partir de la statistique du test d’ind\u00e9pendance du khi-carr\u00e9 au moyen de la formule classique φ = √(χ2<\/sup> \/ N)<\/em>, assortie d’un signe positif ou n\u00e9gatif refl\u00e9tant l’orientation des effectifs diagonaux. Bien que tr\u00e8s fr\u00e9quemment utilis\u00e9 en raison de son accessibilit\u00e9 calculatoire imm\u00e9diate, le coefficient Phi souffre d’une vuln\u00e9rabilit\u00e9 th\u00e9orique r\u00e9dhibitoire : sa d\u00e9pendance absolue et pernicieuse \u00e0 l’\u00e9gard de la configuration des proportions marginales de la table 2×2.<\/p>\n Sur le plan math\u00e9matique, les limites extr\u00eames th\u00e9oriques du coefficient Phi ne peuvent s’\u00e9tendre jusqu’\u00e0 -1.00 et +1.00 que dans l’unique configuration o\u00f9 les deux variables binaires pr\u00e9sentent des probabilit\u00e9s marginales rigoureusement identiques (c’est-\u00e0-dire p1.<\/sub> = p.1<\/sub><\/em>). D\u00e8s lors que les deux items manifestent des taux de pr\u00e9valence divergents \u2014 par exemple si le premier item recueille 80 % d’adh\u00e9sions positives tandis que le second n’en recueille que 20 % \u2014, la borne sup\u00e9rieure th\u00e9orique que peut atteindre le coefficient Phi s’effondre drastiquement, plafonnant souvent \u00e0 des valeurs maximales n’exc\u00e9dant pas 0.25 ou 0.30, et ce en d\u00e9pit d’une concordance d\u00e9terministe parfaite entre les sujets cibles.<\/p>\n Cette incapacit\u00e9 structurelle \u00e0 saturer l’intervalle canonique [-1 ; +1] disqualifie formellement le coefficient Phi d\u00e8s lors que l’on cherche \u00e0 comparer la magnitude relative d’associations issues d’items aux caract\u00e9ristiques marginales dissemblables. La corr\u00e9lation t\u00e9trachorique neutralise int\u00e9gralement ce biais : en int\u00e9grant explicitement les seuils de coupure diff\u00e9rentiels d\u00e9duits des marges, elle restitue un coefficient capable d’atteindre rigoureusement les valeurs de +1 ou -1 quelle que soit l’asym\u00e9trie marginale initiale des items, garantissant ainsi une comparabilit\u00e9 transversale irr\u00e9prochable au sein des instruments psychom\u00e9triques.<\/p>\n La relation qui unit la corr\u00e9lation t\u00e9trachorique \u00e0 la corr\u00e9lation polychorique<\/a> s’apparente rigoureusement \u00e0 la relation d’inclusion unissant un cas particulier \u00e0 sa g\u00e9n\u00e9ralisation formelle la plus globale. Si la corr\u00e9lation t\u00e9trachorique a \u00e9t\u00e9 historiquement con\u00e7ue pour r\u00e9soudre l’analyse des tables de contingence binaires d’ordre strict 2×2, la mod\u00e9lisation statistique moderne a rapidement ressenti le besoin d’\u00e9tendre ce paradigme aux tables de dimensions sup\u00e9rieures r × c<\/em>, repr\u00e9sentatives de variables cat\u00e9gorielles ordinales comportant trois modalit\u00e9s ou davantage.<\/p>\n Cette situation se rencontre universellement dans l’\u00e9valuation contemporaine \u00e0 travers l’usage quasi omnipr\u00e9sent des \u00e9chelles de Likert ordonn\u00e9es, articul\u00e9es autour de gradations subjectives telles que : \u00ab Pas du tout d’accord \u00bb, \u00ab Mod\u00e9r\u00e9ment d’accord \u00bb, \u00ab Fortement d’accord \u00bb ou \u00ab Totalement d’accord \u00bb. Dans ce cadre \u00e9largi, chaque continuum latent univari\u00e9 standardis\u00e9 n’est plus d\u00e9coup\u00e9 par un seuil de coupure unique, mais par un vecteur ordonn\u00e9 de seuils multiples (τ1<\/sub>, τ2<\/sub>, …, τk-1<\/sub>)<\/em> pour une variable pr\u00e9sentant k<\/em> cat\u00e9gories ordonn\u00e9es d’observation. La corr\u00e9lation polychorique estime le param\u00e8tre de d\u00e9pendance normale conjointe qui g\u00e9n\u00e8re ces probabilit\u00e9s multinomiales sous-jacentes au sein du r\u00e9seau de grilles d\u00e9limit\u00e9 par ces seuils vectoriels.<\/p>\n D’un point de vue structural, les fondements math\u00e9matiques, les hypoth\u00e8ses de normalit\u00e9 bivari\u00e9e continue, les fonctions d’estimation par le maximum de vraisemblance et le comportement asymptotique des estimateurs sont strictement identiques entre les deux coefficients. D\u00e8s lors que l’on restreint le mod\u00e8le polychorique \u00e0 deux items comportant chacun exactement deux cat\u00e9gories de r\u00e9ponse (un seuil unique par variable), les \u00e9quations int\u00e9grales de la corr\u00e9lation polychorique se simplifient instantan\u00e9ment pour devenir formellement indiff\u00e9renciables de l’expression t\u00e9trachorique originale de Karl Pearson.<\/p>\n L’amorce de toute formalisation t\u00e9trachorique impose la mise en forme des observations empiriques au sein d’une table de contingence standardis\u00e9e d’ordre 2×2 croisant les r\u00e9alisations de deux variables dichotomiques manifestes, d\u00e9sign\u00e9es par convention sous les \u00e9tiquettes X<\/em> et Y<\/em>, prenant chacune exclusivement les modalit\u00e9s binaires 0 ou 1. La matrice r\u00e9sultante se structure traditionnellement autour de quatre cellules internes d\u00e9nombrant les fr\u00e9quences absolues observ\u00e9es au sein d’un \u00e9chantillon repr\u00e9sentatif de taille totale N<\/em> :<\/p>\n La somme globale de ces fr\u00e9quences cellulaires v\u00e9rifie l’\u00e9galit\u00e9 de conservation a + b + c + d = N<\/em>. En divisant chacune de ces valeurs brutes par l’effectif total N<\/em>, on obtient la matrice des probabilit\u00e9s conjointes empiriques correspondantes, not\u00e9es p00<\/sub> = a\/N<\/em>, p01<\/sub> = b\/N<\/em>, p10<\/sub> = c\/N<\/em>, et p11<\/sub> = d\/N<\/em>. Les distributions marginales univari\u00e9es se d\u00e9duisent trivialement par l’agr\u00e9gation des lignes et des colonnes : la probabilit\u00e9 marginale d’obtenir la valeur 0 sur la variable X<\/em> est donn\u00e9e par px0<\/sub> = (a + b) \/ N<\/em>, tandis que celle d’obtenir la valeur 0 sur la variable Y<\/em> s’exprime par py0<\/sub> = (a + c) \/ N<\/em>.<\/p>\n \u00c0 partir de ces proportions marginales empiriques, l’\u00e9tape analytique inaugurale consiste \u00e0 d\u00e9terminer les coordonn\u00e9es scalaires des seuils de coupure latents h<\/em> (pour l’axe X*<\/em>) et k<\/em> (pour l’axe Y*<\/em>). En vertu du postulat de normalit\u00e9 standardis\u00e9e univari\u00e9e, ces valeurs correspondent aux scores z th\u00e9oriques qui d\u00e9coupent la fonction de distribution cumulative de Gauss conform\u00e9ment aux proportions cumul\u00e9es observ\u00e9es :<\/p>\n h = Φ-1<\/sup>(px0<\/sub>) = Φ-1<\/sup>((a + b) \/ N)<\/em><\/p>\n k = Φ-1<\/sup>(py0<\/sub>) = Φ-1<\/sup>((a + c) \/ N)<\/em><\/p>\n O\u00f9 Φ-1<\/sup><\/em> d\u00e9signe formellement la fonction quantile (ou probit inverse) de la loi normale centr\u00e9e r\u00e9duite standard. Ces deux grandeurs num\u00e9riques constituent les bornes d’int\u00e9gration fixes au sein desquelles s’op\u00e8re l’estimation du coefficient de corr\u00e9lation inconnu.<\/p>\n La relation probabiliste unissant les fr\u00e9quences empiriques observ\u00e9es, les seuils latents estim\u00e9s h<\/em> et k<\/em>, et le coefficient de corr\u00e9lation t\u00e9trachorique recherch\u00e9 ρ<\/em> se cristallise sous la forme d’une \u00e9quation int\u00e9grale double. En consid\u00e9rant par exemple la probabilit\u00e9 conjointe que les deux variables manifestes adoptent simultan\u00e9ment l’\u00e9tat 1 (cellule d<\/em>), cette quantit\u00e9 correspond \u00e0 l’int\u00e9grale de la densit\u00e9 normale bivari\u00e9e standardis\u00e9e \u00e9tendue sur le demi-plan sup\u00e9rieur infini d\u00e9limit\u00e9 par les seuils :<\/p>\n p11<\/sub> = P(X* > h, Y* > k) = ∫h<\/sub>+∞<\/sup> ∫k<\/sub>+∞<\/sup> f(x*, y*; ρ) dx* dy*<\/em><\/p>\n Pour r\u00e9soudre cette int\u00e9grale non calculable par des fonctions \u00e9l\u00e9mentaires, Karl Pearson a d\u00e9compos\u00e9 la fonction de densit\u00e9 conjointe au moyen d’un d\u00e9veloppement en s\u00e9ries de Taylor au voisinage du point d’ind\u00e9pendance ρ = 0<\/em>. En exploitant les propri\u00e9t\u00e9s remarquables des d\u00e9riv\u00e9es successives de la fonction normale univari\u00e9e, cette d\u00e9composition s’exprime au moyen des polyn\u00f4mes d’Hermite<\/a> orthogonaux, not\u00e9s Hn<\/sub>(x)<\/em> :<\/p>\n p11<\/sub> = Φ(-h) Φ(-k) + φ(h) φ(k) ∑n=1<\/sub>∞<\/sup> [ ρn<\/sup> \/ n! ] Hn-1<\/sub>(h) Hn-1<\/sub>(k)<\/em><\/p>\n Dans cette formulation analytique, φ(z)<\/em> d\u00e9signe la fonction de densit\u00e9 de la loi normale standardis\u00e9e univari\u00e9e, et Φ(z)<\/em> sa fonction de r\u00e9partition cumulative. Les polyn\u00f4mes d’Hermite sont d\u00e9finis s\u00e9quentiellement par les relations classiques : H0<\/sub>(z) = 1<\/em>, H1<\/sub>(z) = z<\/em>, H2<\/sub>(z) = z2<\/sup> – 1<\/em>, H3<\/sub>(z) = z3<\/sup> – 3z<\/em>, etc. En soustrayant le terme d’ind\u00e9pendance Φ(-h)Φ(-k)<\/em> des deux c\u00f4t\u00e9s de l’\u00e9quation, on obtient une \u00e9quation polynomiale en ρ<\/em> dont les coefficients scalaires d\u00e9pendent exclusivement des seuils marginaux h<\/em> et k<\/em>.<\/p>\n L’estimation historique de la corr\u00e9lation t\u00e9trachorique consistait d\u00e8s lors \u00e0 tronquer cette s\u00e9rie infinie \u00e0 un ordre suffisant (souvent entre le quatri\u00e8me et le huiti\u00e8me degr\u00e9) et \u00e0 d\u00e9terminer num\u00e9riquement la racine r\u00e9elle de ce polyn\u00f4me qui s’ins\u00e8re strictement \u00e0 l’int\u00e9rieur de l’intervalle admissible [-1 ; +1]. La convergence de la s\u00e9rie t\u00e9trachorique est math\u00e9matiquement garantie pour toutes les valeurs de |ρ| < 1<\/em>, bien que sa vitesse de convergence devienne particuli\u00e8rement lente lorsque la corr\u00e9lation r\u00e9elle approche de l’unit\u00e9 ou que les seuils marginaux se situent aux confins extr\u00eames des queues de distribution.<\/p>\n Dans l’arsenal computationnel moderne, le recours aux d\u00e9veloppements en s\u00e9ries d’Hermite tronqu\u00e9es a \u00e9t\u00e9 avantageusement remplac\u00e9 par l’estimation directe par le maximum de vraisemblance<\/a> (MLE pour Maximum Likelihood Estimation<\/em>). Cette approche statistique fournit des estimateurs convergents, asymptotiquement normaux et efficaces, tout en autorisant l’obtention imm\u00e9diate de la matrice de variance-covariance asymptotique indispensable au calcul des erreurs-types.<\/p>\n \u00c9tant donn\u00e9 que les observations conjointes d’une table 2×2 suivent une distribution multinomiale quadri-cat\u00e9gorielle r\u00e9gie par la taille globale N<\/em> et les probabilit\u00e9s th\u00e9oriques de cellules πij<\/sub>(ρ, h, k)<\/em>, la fonction de log-vraisemblance globale s’\u00e9nonce formellement ainsi :<\/p>\n ln L(ρ, h, k) = a ln π00<\/sub>(ρ, h, k) + b ln π01<\/sub>(ρ, h, k) + c ln π10<\/sub>(ρ, h, k) + d ln π11<\/sub>(ρ, h, k)<\/em><\/p>\n Pour maximiser cette fonction hautement non lin\u00e9aire par rapport au param\u00e8tre de corr\u00e9lation ρ<\/em>, deux strat\u00e9gies num\u00e9riques distinctes sont couramment d\u00e9ploy\u00e9es par les logiciels psychom\u00e9triques :<\/p>\n Face \u00e0 la complexit\u00e9 d’\u00e9valuation des s\u00e9ries polynomiales au d\u00e9but du vingti\u00e8me si\u00e8cle, Karl Pearson mit au point en 1900 une solution alg\u00e9brique approch\u00e9e d’une simplicit\u00e9 stup\u00e9fiante, con\u00e7ue sp\u00e9cifiquement pour permettre aux chercheurs d’obtenir un ordre de grandeur fiable sans ex\u00e9cuter de calculs diff\u00e9rentiels \u00e9reintants. Cette formule heuristique, pass\u00e9e \u00e0 la post\u00e9rit\u00e9 sous le nom de formule d’approximation trigonom\u00e9trique du cosinus de Pearson, mobilise les fr\u00e9quences brutes des quatre cellules de la table de contingence :<\/p>\n rtet<\/sub> ≈ cos(π \/ [1 + √((a × d) \/ (b × c))])<\/em><\/p>\n Le c\u0153ur op\u00e9ratoire de cette \u00e9quation r\u00e9side dans le produit crois\u00e9 des cellules (a × d) \/ (b × c)<\/em>, qui n’est autre que le c\u00e9l\u00e8bre rapport des cotes (odds ratio<\/a>, conventionnellement not\u00e9 OR<\/em>). La formule r\u00e9\u00e9crite sous sa forme compacte devient ainsi :<\/p>\n rtet<\/sub> ≈ cos(π \/ [1 + √OR])<\/em><\/p>\n L’argument de la fonction trigonom\u00e9trique cosinus est ici rigoureusement exprim\u00e9 en radians. L’\u00e9l\u00e9gance de cette formulation repose sur des propri\u00e9t\u00e9s asymptotiques remarquables aux limites de l’espace statistique. Lorsque l’association empirique est parfaitement nulle, les produits crois\u00e9s de la diagonale principale et de la diagonale secondaire sont \u00e9gaux, conduisant \u00e0 un rapport des cotes unitaire (OR = 1<\/em>). L’expression sous la fonction cosinus se simplifie alors en π \/ (1 + 1) = π \/ 2<\/em> radians (soit 90 degr\u00e9s sexag\u00e9simaux). Or, le cosinus de π \/ 2<\/em> vaut rigoureusement z\u00e9ro, restituant ainsi l’absence attendue de corr\u00e9lation.<\/p>\n \u00c0 l’inverse, si l’association positive devient d\u00e9terministe, les cellules ![\"Tetrachoric](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/tetra2-1.png\")
1.2 Contexte d’\u00e9mergence dans l’\u00e9valuation psychologique<\/h3>\n
1.3 Int\u00e9r\u00eat psychom\u00e9trique par rapport aux associations classiques<\/h3>\n
2. Fondements th\u00e9oriques et le concept de distribution sous-jacente<\/h2>\n
2.1 Le postulat de normalit\u00e9 bivari\u00e9e continue<\/h3>\n
2.2 La notion de seuil de coupure ou cut-off latent<\/h3>\n
2.3 Interpr\u00e9tation g\u00e9om\u00e9trique dans l’espace bivari\u00e9<\/h3>\n
3. Origine historique : Les travaux fondateurs de Karl Pearson<\/h2>\n
3.1 L’article s\u00e9minal de Karl Pearson en 1900<\/h3>\n
3.2 D\u00e9bats historiques et controverses m\u00e9thodologiques<\/h3>\n
3.3 \u00c9volution du calcul avant l’\u00e8re informatique<\/h3>\n
4. Diff\u00e9rences essentielles avec les autres coefficients de corr\u00e9lation<\/h2>\n
4.1 Corr\u00e9lation t\u00e9trachorique versus coefficient de Pearson standard<\/h3>\n
4.2 Corr\u00e9lation t\u00e9trachorique versus coefficient Phi<\/h3>\n
4.3 Corr\u00e9lation t\u00e9trachorique versus corr\u00e9lation polychorique<\/h3>\n
5. Formulation math\u00e9matique et m\u00e9thodes d’estimation<\/h2>\n
5.1 Structure de la table de contingence 2×2<\/h3>\n
\n
5.2 Int\u00e9grale bivari\u00e9e normale et s\u00e9ries t\u00e9trachoriques<\/h3>\n
5.3 Estimation par le maximum de vraisemblance (MLE)<\/h3>\n
\n
6. L’approximation trigonom\u00e9trique simplifi\u00e9e et son calcul manuel<\/h2>\n
6.1 La formule du cosinus de Pearson<\/h3>\n