{"id":6399,"date":"2026-09-16T08:30:30","date_gmt":"2026-09-16T08:30:30","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/quest-ce-que-lindice-de-moran-definition-et-exemple\/"},"modified":"2026-09-16T08:30:34","modified_gmt":"2026-09-16T08:30:34","slug":"quest-ce-que-lindice-de-moran-definition-et-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=quest-ce-que-lindice-de-moran-definition-et-exemple","title":{"rendered":"Qu’est-ce que l’indice de Moran ? (D\u00e9finition et exemple)"},"content":{"rendered":"

L’analyse des ph\u00e9nom\u00e8nes territorialis\u00e9s constitue depuis plusieurs d\u00e9cennies un carrefour fondamental o\u00f9 convergent les math\u00e9matiques appliqu\u00e9es, l’\u00e9conom\u00e9trie, la sociologie urbaine et la psychologie environnementale. Dans les d\u00e9marches quantitatives classiques, la disposition spatiale des sujets observ\u00e9s a longtemps \u00e9t\u00e9 rel\u00e9gu\u00e9e au rang de simple caract\u00e9ristique descriptive ou de variable de contr\u00f4le marginale. Pourtant, qu’il s’agisse de mesurer la diffusion d’un trouble psychologique au sein d’une m\u00e9tropole, d’\u00e9valuer la concentration des disparit\u00e9s socio-\u00e9conomiques ou de mod\u00e9liser la r\u00e9silience communautaire face \u00e0 un traumatisme collectif, l’espace physique n’est jamais un r\u00e9ceptacle passif. Les processus psychologiques et sociaux s’ancrent dans des configurations territoriales qui favorisent l’agr\u00e9gation, la transmission ou, au contraire, l’isolement des comportements et des \u00e9tats mentaux.<\/p>\n

Au c\u0153ur de cette spatialisation des donn\u00e9es empiriques se pose une question math\u00e9matique et \u00e9pist\u00e9mologique cruciale : les observations collect\u00e9es sur des unit\u00e9s g\u00e9ographiques voisines sont-elles ind\u00e9pendantes les unes des autres, ou partagent-elles une interd\u00e9pendance inh\u00e9rente \u00e0 leur proximit\u00e9 physique ? C’est pr\u00e9cis\u00e9ment pour quantifier cette dynamique qu’intervient le concept d’autocorr\u00e9lation spatiale, dont la m\u00e9trique la plus c\u00e9l\u00e8bre, la plus \u00e9prouv\u00e9e et la plus robuste demeure l’indice de Moran<\/strong> (souvent d\u00e9sign\u00e9 sous l’appellation Moran’s I<\/em>). Con\u00e7u initialement par le statisticien australien Patrick Alfred Pierce Moran au milieu du vingti\u00e8me si\u00e8cle, cet outil statistique permet de formaliser math\u00e9matiquement le degr\u00e9 de similitude ou de dissemblance spatiale d’une variable continue mesur\u00e9e \u00e0 travers un r\u00e9seau d’entit\u00e9s g\u00e9ographiques interconnect\u00e9es.<\/p>\n

Comprendre et ma\u00eetriser l’indice de Moran s’av\u00e8re indispensable pour tout chercheur ou praticien d\u00e9sireux de d\u00e9passer les postulats r\u00e9ducteurs de l’inf\u00e9rence statistique traditionnelle. Lorsque des donn\u00e9es pr\u00e9sentent une d\u00e9pendance spatiale non mod\u00e9lis\u00e9e, les estimateurs des moindres carr\u00e9s ordinaires perdent leur propri\u00e9t\u00e9 d’efficacit\u00e9, les variances sont sous-estim\u00e9es et les tests d’hypoth\u00e8ses conduisent in\u00e9vitablement \u00e0 une prolif\u00e9ration d’erreurs d’inf\u00e9rence statistique. Ce guide exhaustif propose une exploration approfondie de l’indice de Moran, articulant ses fondements th\u00e9oriques, sa d\u00e9composition alg\u00e9brique rigoureuse, son impl\u00e9mentation pratique \u00e0 travers un calcul manuel d\u00e9taill\u00e9, ainsi que ses applications novatrices dans l’analyse spatiale des comportements humains et de la sant\u00e9 mentale.<\/p>\n

1. Introduction g\u00e9n\u00e9rale \u00e0 l’indice de Moran et \u00e0 l’autocorr\u00e9lation spatiale<\/h2>\n

1.1 D\u00e9finition fondamentale de l’autocorr\u00e9lation spatiale<\/h3>\n

L’autocorr\u00e9lation spatiale peut \u00eatre d\u00e9finie rigoureusement comme la corr\u00e9lation d’une variable donn\u00e9e avec elle-m\u00eame, mesur\u00e9e \u00e0 travers diff\u00e9rentes localisations d’un espace g\u00e9ographique ou topologique. Contrairement \u00e0 l’autocorr\u00e9lation temporelle, qui op\u00e8re dans une seule dimension orient\u00e9e et irr\u00e9versible (le temps), l’autocorr\u00e9lation spatiale se d\u00e9ploie dans un espace multidimensionnel (g\u00e9n\u00e9ralement bidimensionnel ou tridimensionnel) d\u00e9pourvu d’orientation univoque. Cette sp\u00e9cificit\u00e9 impose que la relation entre deux entit\u00e9s ne soit pas seulement s\u00e9quentielle, mais fonctionnelle et relationnelle. D\u00e8s lors qu’une variable quantitative est territorialis\u00e9e, sa distribution peut s’\u00e9carter d’une dispersion purement al\u00e9atoire pour manifester des sch\u00e9mas d’organisation structur\u00e9s par la proximit\u00e9 physique ou fonctionnelle.<\/p>\n

Sur le plan typologique, l’autocorr\u00e9lation spatiale se d\u00e9cline en trois \u00e9tats fondamentaux. La d\u00e9pendance spatiale positive<\/strong> survient lorsque des entit\u00e9s g\u00e9ographiquement proches pr\u00e9sentent des valeurs d’attributs similaires ; c’est le cas typique o\u00f9 des niveaux \u00e9lev\u00e9s d’un ph\u00e9nom\u00e8ne jouxtent des niveaux \u00e9galement \u00e9lev\u00e9s, ou inversement o\u00f9 des zones de faibles valeurs s’agglom\u00e8rent entre elles. \u00c0 l’oppos\u00e9, l’ind\u00e9pendance spatiale<\/strong> (ou caract\u00e8re al\u00e9atoire) d\u00e9crit une configuration dans laquelle la valeur prise par une unit\u00e9 spatiale n’exerce aucune influence pr\u00e9dictive sur celle de ses voisines, traduisant un mod\u00e8le de bruit blanc g\u00e9ographique. Enfin, l’autocorr\u00e9lation spatiale n\u00e9gative<\/strong> (ou dispersion spatiale) renvoie \u00e0 une dynamique de r\u00e9pulsion ou d’alternance syst\u00e9matique, o\u00f9 des valeurs \u00e9lev\u00e9es sont invariablement entour\u00e9es de valeurs faibles, \u00e9voquant la disposition g\u00e9om\u00e9trique d’un \u00e9chiquier ou d’un damier r\u00e9gulier.<\/p>\n

D’un point de vue \u00e9pist\u00e9mologique, la mise en \u00e9vidence de l’autocorr\u00e9lation spatiale bouleverse le statut accord\u00e9 \u00e0 la localisation dans la recherche empirique. Loin d’\u00eatre un attribut secondaire, la coordonn\u00e9es g\u00e9ographique devient un vecteur de mod\u00e9lisation \u00e0 part enti\u00e8re. Reconna\u00eetre l’existence d’une autocorr\u00e9lation spatiale signifie admettre que les unit\u00e9s d’\u00e9chantillonnage ne sont pas des entit\u00e9s herm\u00e9tiques et isol\u00e9es, mais des n\u0153uds ouverts ins\u00e9r\u00e9s dans une trame d’interactions continues. Pour les sciences sociales, cela implique que les caract\u00e9ristiques d’un individu ou d’un groupe ne peuvent \u00eatre appr\u00e9hend\u00e9es ind\u00e9pendamment des contextes spatiaux adjacents qui les fa\u00e7onnent, imposant de repenser les cadres conceptuels de la causalit\u00e9 statistique.<\/p>\n

\"Moran\"
Moran<\/figcaption><\/figure>\n

1.2 Origine historique et travaux de Patrick Alfred Pierce Moran<\/h3>\n

La formalisation de la statistique d’autocorr\u00e9lation spatiale trouve son origine dans l’article fondateur publi\u00e9 en 1950 par le statisticien Patrick Alfred Pierce Moran dans la revue Biometrika<\/em>, intitul\u00e9 Notes on Continuous Stochastic Phenomena<\/em>. Confront\u00e9 \u00e0 des probl\u00e9matiques de dynamique des populations, d’\u00e9pid\u00e9miologie v\u00e9g\u00e9tale et de mod\u00e9lisation de processus stochastiques continus, Moran cherchait un moyen math\u00e9matiquement stable de tester si la r\u00e9partition spatiale d’une variable quantitative continue diff\u00e9rait significativement du hasard. Ses travaux prolongeaient les recherches initiales men\u00e9es sur les r\u00e9seaux binaires par Krishna Iyer, tout en apportant une g\u00e9n\u00e9ralisation math\u00e9matique \u00e9l\u00e9gante capable de traiter des mesures continues et non plus seulement des variables qualitatives dichotomiques.<\/p>\n

Durant les ann\u00e9es 1960 et 1970, l’av\u00e8nement de la r\u00e9volution quantitative en g\u00e9ographie et l’essor des sciences r\u00e9gionales ont extrait l’indice de Moran de son cadre biom\u00e9trique originel pour le porter au centre des th\u00e9ories de l’analyse spatiale. Des pionniers tels que Brian Berry, David Harvey et Peter Haggett ont rapidement saisi la puissance de cet indice pour \u00e9valuer les structures territoriales des march\u00e9s fonciers, les hi\u00e9rarchies urbaines et la diffusion des innovations sociotechniques. L’indice de Moran s’est ainsi mu\u00e9 en une statistique canonique, fournissant la preuve empirique indispensable pour r\u00e9futer l’hypoth\u00e8se d’une r\u00e9partition homog\u00e8ne des richesses, des infrastructures et des dynamiques d\u00e9mographiques \u00e0 la surface de la terre.<\/p>\n

La consolidation m\u00e9thodologique d\u00e9finitive de l’outil a \u00e9t\u00e9 orchestr\u00e9e \u00e0 partir de la fin des ann\u00e9es 1980 par l’\u00e9conom\u00e8tre Luc Anselin, figure de proue de l’\u00e9conom\u00e9trie spatiale contemporaine. Anselin a non seulement int\u00e9gr\u00e9 l’indice de Moran dans les tests diagnostiques pr\u00e9alables \u00e0 la mod\u00e9lisation autor\u00e9gressive spatiale, mais il a \u00e9galement r\u00e9volutionn\u00e9 le domaine en d\u00e9composant l’indice global pour cr\u00e9er les indicateurs locaux d’association spatiale (LISA – Local Indicators of Spatial Association<\/em>). Cette contribution majeure a permis aux chercheurs de passer d’un constat global de d\u00e9pendance territoriale \u00e0 l’identification g\u00e9olocalis\u00e9e et cartographique de micro-agglom\u00e9rations homog\u00e8nes (clusters) et d’anomalies territoriales (outliers), d\u00e9mocratisant l’usage de cette statistique aupr\u00e8s d’une communaut\u00e9 scientifique pluridisciplinaire.<\/p>\n

1.3 Pertinence m\u00e9thodologique en sciences sociales et psychologie<\/h3>\n

L’int\u00e9gration de l’indice de Moran dans l’arsenal m\u00e9thodologique des sciences sociales et de la psychologie contemporaine r\u00e9pond \u00e0 la n\u00e9cessit\u00e9 d’objectiver l’impact des environnements b\u00e2tis et relationnels sur le fonctionnement humain. En psychologie environnementale, la mesure du stress per\u00e7u, de l’\u00e9puisement psychologique ou du bien-\u00eatre subjectif ne peut faire l’\u00e9conomie de la structure spatiale du cadre de vie. L’indice de Moran permet de d\u00e9terminer dans quelle mesure la d\u00e9tresse psychologique s’agglom\u00e8re dans certains \u00eelots urbains caract\u00e9ris\u00e9s par des nuisances sonores, une carence en espaces verts ou une d\u00e9gradation du tissu architectural, d\u00e9montrant que la souffrance individuelle poss\u00e8de une composante \u00e9cologique territorialis\u00e9e.<\/p>\n

De surcro\u00eet, les m\u00e9canismes de contagion \u00e9motionnelle et de diffusion des comportements prosociaux trouvent dans l’analyse de Moran un cadre d’\u00e9valuation empirique particuli\u00e8rement rigoureux. Dans les \u00e9tudes portant sur l’efficacit\u00e9 collective, la coh\u00e9sion sociale ou la propension \u00e0 l’altruisme au sein des quartiers, l’existence d’une autocorr\u00e9lation spatiale positive r\u00e9v\u00e8le que les normes civiques et les attitudes coop\u00e9ratives ne se distribuent pas de mani\u00e8re atomis\u00e9e. Elles se transmettent de proche en proche par observation, imitation sociale et interactions directes de voisinage, cr\u00e9ant des poches de haut capital social qui contrastent nettement avec des zones de d\u00e9sengagement communautaire.<\/p>\n

Enfin, l’\u00e9pid\u00e9miologie psychiatrique et la sociologie de la sant\u00e9 mentale mobilisent l’indice de Moran pour cartographier les in\u00e9galit\u00e9s territoriales de sant\u00e9 et cibler l’offre de soins. L’identification d’une d\u00e9pendance spatiale significative dans les taux d’incidence de troubles anxio-d\u00e9pressifs, les prescriptions de psychotropes ou les recours aux urgences psychiatriques met en lumi\u00e8re des d\u00e9s\u00e9quilibres structurels dans l’accessibilit\u00e9 spatiale des centres m\u00e9dico-psychologiques. En substituant une lecture territoriale empirique aux approches purement individuelles, l’indice de Moran s’impose comme un instrument d’aide \u00e0 la d\u00e9cision publique et un puissant catalyseur th\u00e9orique pour la psychologie communautaire.<\/p>\n

2. Fondements th\u00e9oriques : la premi\u00e8re loi de Tobler et l’espace relationnel<\/h2>\n

2.1 \u00c9nonc\u00e9 et implications de la premi\u00e8re loi de la g\u00e9ographie<\/h3>\n

L’ancrage conceptuel de l’indice de Moran repose de fa\u00e7on indissociable sur ce que la litt\u00e9rature scientifique consacre sous le nom de premi\u00e8re loi de la g\u00e9ographie<\/strong>, formalis\u00e9e par l’\u00e9minent g\u00e9ographe et cartographe Waldo Tobler<\/a> en 1970 : \u00ab Everything is related to everything else, but near things are more related than distant things \u00bb<\/em> (Tout est li\u00e9 \u00e0 tout le reste, mais les choses proches sont plus li\u00e9es que les choses lointaines). Cet axiome apparemment simple r\u00e9sume une r\u00e9alit\u00e9 physique et sociale omnipr\u00e9sente : la s\u00e9paration spatiale impose une friction qui att\u00e9nue l’intensit\u00e9 des flux d’\u00e9nergie, de mati\u00e8re et d’information.<\/p>\n

Dans le domaine des sciences humaines et de la psychologie sociale, le postulat tobl\u00e9rien traduit la transformation de la distance m\u00e9trique en un gradient d’interaction psychologique et d’exposition relationnelle. Les individus qui partagent une proximit\u00e9 g\u00e9ographique imm\u00e9diate partagent \u00e9galement, de facto, un ensemble de d\u00e9terminants environnementaux communs : qualit\u00e9 de l’air, niveau d’ins\u00e9curit\u00e9, acc\u00e8s aux services publics, microclimat social et exposition m\u00e9diatique locale. Par cons\u00e9quent, la proximit\u00e9 spatiale agit comme un puissant catalyseur d’homog\u00e9n\u00e9isation cognitive et comportementale, induisant une covariance naturelle entre les mesures effectu\u00e9es sur des sujets r\u00e9sidant \u00e0 faible distance les uns des autres.<\/p>\n

Sur le plan math\u00e9matique, la premi\u00e8re loi de Tobler implique que la structure de variance-covariance d’une variable territorialis\u00e9e n’est pas diagonale pure. Alors que les m\u00e9thodes statistiques traditionnelles supposent que la covariance entre deux observations distinctes est strictement nulle, la r\u00e9alit\u00e9 spatiale impose une structure o\u00f9 la covariance est une fonction inverse de la distance s\u00e9parant les entit\u00e9s. L’indice de Moran constitue la formalisation op\u00e9rationnelle de cette loi, offrant un moyen quantitatif standardis\u00e9 de v\u00e9rifier si, pour un jeu de donn\u00e9es pr\u00e9cis, le principe de d\u00e9croissance avec la distance gouverne effectivement les observations de terrain.<\/p>\n

2.2 D\u00e9passement du postulat d’ind\u00e9pendance des observations (i.i.d.)<\/h3>\n

La statistique inf\u00e9rentielle classique repose presque universellement sur l’hypoth\u00e8se selon laquelle les r\u00e9sidus d’un mod\u00e8le ou les observations d’un \u00e9chantillon sont ind\u00e9pendants et identiquement distribu\u00e9s (souvent abr\u00e9g\u00e9 en i.i.d.<\/em>). Ce postulat d’ind\u00e9pendance conditionne la validit\u00e9 des th\u00e9or\u00e8mes fondamentaux de la statistique, notamment le th\u00e9or\u00e8me central limite et la loi des grands nombres. Dans le cadre d’une r\u00e9gression lin\u00e9aire ordinaire par les moindres carr\u00e9s, l’absence de corr\u00e9lation entre les termes d’erreur r\u00e9siduels est la garantie fondamentale permettant d’affirmer que les estimateurs sont non biais\u00e9s et \u00e0 variance minimale (propri\u00e9t\u00e9 BLUE : Best Linear Unbiased Estimator<\/em>).<\/p>\n

Or, la pr\u00e9sence d’une autocorr\u00e9lation spatiale positive dans les donn\u00e9es collect\u00e9es viole frontalement ce postulat d’ind\u00e9pendance. Lorsque des observations g\u00e9ographiquement proches se ressemblent plus que des observations al\u00e9atoires, chaque nouvelle mesure n’apporte pas une quantit\u00e9 d’information totalement nouvelle ; le nombre effectif de degr\u00e9s de libert\u00e9 du syst\u00e8me statistique s’en trouve diminu\u00e9. Par voie de cons\u00e9quence, l’application aveugle des m\u00e9thodes standards conduit \u00e0 une sous-estimation syst\u00e9matique et s\u00e9v\u00e8re des erreurs-types des coefficients estim\u00e9s. Cette distorsion gonfle artificiellement les valeurs des statistiques de test (comme le t<\/em> de Student ou le F<\/em> de Fisher) et conduit in\u00e9vitablement \u00e0 l’erreur de type I : rejeter \u00e0 tort une hypoth\u00e8se nulle en concluant \u00e0 l’existence d’une relation statistiquement significative qui n’est en r\u00e9alit\u00e9 qu’un art\u00e9fact induit par la d\u00e9pendance spatiale non contr\u00f4l\u00e9e.<\/p>\n

Face \u00e0 ce p\u00e9ril m\u00e9thodologique, l’indice de Moran intervient comme un test de diagnostic indispensable. En l’appliquant aux r\u00e9sidus d’un mod\u00e8le de r\u00e9gression standard, le chercheur peut d\u00e9celer sans ambigu\u00eft\u00e9 si le bruit r\u00e9siduel conserve une trame spatiale organis\u00e9e. La d\u00e9tection d’une telle d\u00e9pendance spatiale r\u00e9siduelle impose l’abandon des m\u00e9thodes de r\u00e9gression conventionnelles au profit de cadres \u00e9conom\u00e9triques avanc\u00e9s, tels que les mod\u00e8les autor\u00e9gressifs spatiaux ou les mod\u00e8les \u00e0 erreurs spatialement d\u00e9pendantes, garantissant ainsi l’int\u00e9grit\u00e9 \u00e9pist\u00e9mique des conclusions tir\u00e9es des donn\u00e9es empiriques.<\/p>\n

2.3 Effets de contexte et processus de d\u00e9pendance spatiale<\/h3>\n

L’existence d’une autocorr\u00e9lation spatiale mesurable par l’indice de Moran s’enracine dans des m\u00e9canismes psychosociaux et \u00e9cologiques complexes, que l’on regroupe g\u00e9n\u00e9ralement sous la notion d’effets de contexte<\/strong> et de processus de d\u00e9bordement spatial (spillover effects<\/em>). Ces dynamiques illustrent la porosit\u00e9 des fronti\u00e8res g\u00e9ographiques artificielles : les caract\u00e9ristiques d’un quartier ou d’une communaut\u00e9 r\u00e9sidentielle ne restent jamais circonscrites \u00e0 leur p\u00e9rim\u00e8tre strict. Elles se diffusent, s’infiltrent et contaminent progressivement les espaces contigus, qu’il s’agisse de la criminalit\u00e9, du dynamisme associatif ou de la pr\u00e9valence des troubles psychologiques li\u00e9s \u00e0 l’isolement social.<\/p>\n

Il importe toutefois de distinguer conceptuellement deux vecteurs causaux majeurs souvent intriqu\u00e9s dans les donn\u00e9es territorialis\u00e9es : l’effet de contexte environnemental pur et l’auto-s\u00e9lection spatiale (ou tri spatial). L’effet de contexte d\u00e9signe l’impact direct et continu qu’exerce un environnement partag\u00e9 sur les comportements individuels ; \u00e0 titre d’exemple, r\u00e9sider \u00e0 proximit\u00e9 imm\u00e9diate d’une infrastructure hautement bruyante ou polluante induit un stress physiologique chronique partag\u00e9 par l’ensemble des r\u00e9sidents contigus. En revanche, le tri spatial renvoie au processus par lequel des individus pr\u00e9sentant des profils psychologiques, des ressources \u00e9conomiques ou des vuln\u00e9rabilit\u00e9s similaires ont tendance \u00e0 s’agr\u00e9ger dans les m\u00eames zones r\u00e9sidentielles, cr\u00e9ant une uniformit\u00e9 spatiale sans qu’il y ait n\u00e9cessairement transmission interindividuelle active.<\/p>\n

Dans l’\u00e9tude des processus comportementaux, l’indice de Moran ne pr\u00e9tend pas, \u00e0 lui seul, d\u00e9m\u00ealer la causalit\u00e9 intime entre exposition environnementale passive et choix r\u00e9sidentiel actif. En revanche, il offre la m\u00e9trique descriptive indispensable pour quantifier l’intensit\u00e9 globale de cette empreinte spatiale. En fournissant un indice num\u00e9rique clair de la d\u00e9pendance territoriale, il constitue le point de d\u00e9part incontournable \u00e0 partir duquel des protocoles de recherche plus sophistiqu\u00e9s (\u00e9tudes longitudinales spatialis\u00e9es, exp\u00e9rimentations naturelles ou mod\u00e9lisations multi-niveaux) pourront \u00e9lucider les vecteurs sp\u00e9cifiques gouvernant l’\u00e9cologie du comportement humain.<\/p>\n

3. La formule math\u00e9matique de l’indice de Moran d\u00e9compos\u00e9e<\/h2>\n

3.1 Structure alg\u00e9brique globale de l’\u00e9quation<\/h3>\n

Pour appr\u00e9hender la m\u00e9canique interne de l’indice de Moran, il est imp\u00e9ratif d’en analyser la formulation math\u00e9matique rigoureuse. Pour un \u00e9chantillon compos\u00e9 de N<\/em> entit\u00e9s spatiales, o\u00f9 chaque unit\u00e9 i<\/em> est caract\u00e9ris\u00e9e par une observation quantitative xi<\/sub><\/em> d’une variable X<\/em> de moyenne globale x\u0304<\/em>, l’indice global de Moran, not\u00e9 I<\/em>, s’exprime formellement par l’\u00e9quation suivante :<\/p>\n

I = (N \/ W) * [Σi=1..N<\/sub> Σj=1..N<\/sub> wij<\/sub> (xi<\/sub> – x\u0304)(xj<\/sub> – x\u0304)] \/ [Σi=1..N<\/sub> (xi<\/sub> – x\u0304)2<\/sup>]<\/strong><\/p>\n

Dans cette formulation, wij<\/sub><\/em> d\u00e9signe l’\u00e9l\u00e9ment situ\u00e9 \u00e0 la ligne i<\/em> et \u00e0 la colonne j<\/em> de la matrice des poids spatiaux W<\/strong>, quantifiant le degr\u00e9 de connexion topologique ou m\u00e9trique unissant l’unit\u00e9 i<\/em> \u00e0 l’unit\u00e9 j<\/em>. Par convention absolue dans l’analyse de Moran, une entit\u00e9 ne peut \u00eatre consid\u00e9r\u00e9e comme sa propre voisine, ce qui impose que les \u00e9l\u00e9ments diagonaux de la matrice soient nuls : wii<\/sub> = 0<\/em> pour tout i<\/em>. La grandeur scalaire W<\/em> repr\u00e9sente quant \u00e0 elle la somme totale de l’ensemble des coefficients de la matrice de connectivit\u00e9 spatiale, soit :<\/p>\n

W = Σi=1..N<\/sub> Σj=1..N<\/sub> wij<\/sub><\/strong><\/p>\n

Sur le plan conceptuel, cette structure alg\u00e9brique s’apparente \u00e9troitement \u00e0 une g\u00e9n\u00e9ralisation spatiale du c\u00e9l\u00e8bre coefficient de corr\u00e9lation lin\u00e9aire de Pearson. Alors que la corr\u00e9lation de Pearson \u00e9value la covariance entre deux variables distinctes X<\/em> et Y<\/em> mesur\u00e9es sur les m\u00eames individus, l’indice de Moran quantifie la covariance entre la variable X<\/em> mesur\u00e9e en un lieu i<\/em> et cette m\u00eame variable X<\/em> mesur\u00e9e dans les lieux voisins j<\/em>, la matrice W<\/strong> dictant la force et la structure de cette relation. Le ratio (N \/ W)<\/em> intervient quant \u00e0 lui comme une constante de standardisation scalaire, garantissant la comparabilit\u00e9 de l’indice ind\u00e9pendamment de la taille de l’\u00e9chantillon ou de l’\u00e9chelle des poids spatiaux adopt\u00e9e.<\/p>\n

3.2 Le num\u00e9rateur : covariation spatiale pond\u00e9r\u00e9e<\/h3>\n

Le c\u0153ur op\u00e9ratoire de la formule r\u00e9side dans son num\u00e9rateur : la double sommation pond\u00e9r\u00e9e des produits d’\u00e9carts \u00e0 la moyenne. L’expression (xi<\/sub> – x\u0304)(xj<\/sub> – x\u0304)<\/em> capture la co-variation simultan\u00e9e des attributs entre les localisations i<\/em> et j<\/em> par rapport \u00e0 la moyenne g\u00e9n\u00e9rale du territoire. Ce produit crois\u00e9 peut g\u00e9n\u00e9rer des contributions num\u00e9riques aux interpr\u00e9tations diam\u00e9tralement oppos\u00e9es selon la position relative des deux observations par rapport au centre de gravit\u00e9 statistique de l’\u00e9chantillon :<\/p>\n