{"id":6456,"date":"2026-09-16T08:59:07","date_gmt":"2026-09-16T08:59:07","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/correlation-vs-regression-quelle-est-la-difference\/"},"modified":"2026-09-16T08:59:11","modified_gmt":"2026-09-16T08:59:11","slug":"correlation-vs-regression-quelle-est-la-difference","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=correlation-vs-regression-quelle-est-la-difference","title":{"rendered":"Corr\u00e9lation vs R\u00e9gression : Quelle est la diff\u00e9rence ?"},"content":{"rendered":"

Dans le paysage contemporain de la recherche quantitative en sciences humaines et comportementales, l’analyse des donn\u00e9es empiriques constitue le socle sur lequel s’\u00e9rigent les th\u00e9ories psychologiques les plus robustes. Qu’il s’agisse de mesurer l’impact de l’anxi\u00e9t\u00e9 sur les performances cognitives, d’\u00e9valuer la trajectoire d\u00e9veloppementale de la m\u00e9moire de travail ou d’examiner les interactions dynamiques entre les traits de personnalit\u00e9 et l’\u00e9puisement professionnel, le chercheur se trouve inlassablement confront\u00e9 \u00e0 une probl\u00e9matique cardinale : caract\u00e9riser avec pr\u00e9cision la nature des relations qui unissent deux ou plusieurs dimensions mesurables. Au c\u0153ur de cette entreprise analytique, deux outils m\u00e9thodologiques dominent la pratique scientifique depuis plus d’un si\u00e8cle : la corr\u00e9lation et la r\u00e9gression lin\u00e9aire. Si ces deux approches partagent des origines math\u00e9matiques communes et reposent sur l’examen conjoint de la variabilit\u00e9 au sein d’\u00e9chantillons, elles r\u00e9pondent \u00e0 des desseins \u00e9pist\u00e9mologiques, conceptuels et pragmatiques fondamentalement divergents.<\/p>\n

Trop souvent, une confusion pernicieuse persiste dans la litt\u00e9rature acad\u00e9mique et clinique, conduisant praticiens et \u00e9tudiants \u00e0 employer indiff\u00e9remment ces deux d\u00e9marches, ou \u00e0 d\u00e9duire des propri\u00e9t\u00e9s pr\u00e9dictives l\u00e0 o\u00f9 seule une simple covariation a \u00e9t\u00e9 formellement \u00e9tablie. La corr\u00e9lation, par essence non directionnelle et sym\u00e9trique, se borne \u00e0 quantifier le degr\u00e9 d’association lin\u00e9aire unissant deux variables sans postuler de hi\u00e9rarchie ni d’ant\u00e9riorit\u00e9. \u00c0 l’inverse, la r\u00e9gression lin\u00e9aire engage une mod\u00e9lisation structurelle et asym\u00e9trique, assignant \u00e0 une variable le statut d’explication fonctionnelle ou de pr\u00e9dicteur, et \u00e0 l’autre celui de crit\u00e8re \u00e0 pronostiquer. Confondre ces deux paradigmes revient \u00e0 brouiller la fronti\u00e8re entre la simple observation descriptive d’une concomitance ph\u00e9notypique et la formulation d’un mod\u00e8le fonctionnel capable de projeter l’\u00e9tat futur d’un sujet ou d’une population.<\/p>\n

Cet article propose une exploration approfondie, exhaustive et critique de la dichotomie entre corr\u00e9lation et r\u00e9gression dans le cadre sp\u00e9cifique de la recherche et de la pratique en psychologie scientifique. En articulant rigueur math\u00e9matique, ancrage \u00e9pist\u00e9mologique et contextualisation clinique, nous examinerons les fondements th\u00e9oriques, les postulats d’application, les indices statistiques associ\u00e9s, ainsi que les pi\u00e8ges interpr\u00e9tatifs majeurs qui jalonnent l’analyse des donn\u00e9es bivari\u00e9es et multivari\u00e9es. \u00c0 travers un parcours didactique rigoureux, jalonn\u00e9 d’exemples empiriques concrets issus de la psychom\u00e9trie, de la neuropsychologie et de la psychologie sociale, ce guide exhaustif entend armer le chercheur, l’analyste de donn\u00e9es et le clinicien d’une grille de lecture d\u00e9finitive pour arbitrer judicieusement entre ces deux puissants instruments de la statistique inf\u00e9rentielle.<\/p>\n

1. Fondements \u00e9pist\u00e9mologiques des relations bivari\u00e9es en psychologie<\/h2>\n

1.1 La qu\u00eate de r\u00e9gularit\u00e9s dans les sciences du comportement<\/h3>\n

L’\u00e9mergence de la psychologie comme science autonome \u00e0 la fin du dix-neuvi\u00e8me si\u00e8cle a \u00e9t\u00e9 indissociable d’un imp\u00e9ratif m\u00e9thodologique fondamental : substituer \u00e0 l’introspection sp\u00e9culative des mesures quantitatives pr\u00e9cises, objectives et reproductibles des ph\u00e9nom\u00e8nes mentaux. D\u00e8s lors que des pionniers tels que Francis Galton, Wilhelm Wundt et James McKeen Cattell ont entrepris d’enregistrer des temps de r\u00e9action, des seuils de discrimination sensorielle ou des aptitudes cognitives g\u00e9n\u00e9rales, la question de l’interd\u00e9pendance des construits psychiques s’est impos\u00e9e avec acuit\u00e9. Il ne suffisait plus de constater qu’un individu pr\u00e9sentait un score \u00e9lev\u00e9 \u00e0 une \u00e9preuve de m\u00e9morisation ; il devenait indispensable de d\u00e9terminer si cette performance s’accompagnait syst\u00e9matiquement d’aptitudes verbales sup\u00e9rieures, ou si elle \u00e9voluait de concert avec l’\u00e2ge chronologique.<\/p>\n

Cette qu\u00eate de r\u00e9gularit\u00e9s a rapidement conduit \u00e0 une rupture \u00e9pist\u00e9mologique majeure : le passage de la simple observation naturaliste et passive \u00e0 l’inf\u00e9rence probabiliste formelle. Dans le domaine complexe des sciences du comportement, o\u00f9 les sources de variabilit\u00e9 individuelle et environnementale sont infinies, les lois d\u00e9terministes strictes de la physique classique se r\u00e9v\u00e8lent inapplicables. La psychologie a ainsi d\u00fb forger des outils probabilistes capables d’isoler des tendances stables au milieu du bruit de mesure. Dans ce contexte, les plans corr\u00e9lationnels ont acquis un statut privil\u00e9gi\u00e9 au sein de la recherche quasi-exp\u00e9rimentale. Lorsque la manipulation directe et contr\u00f4l\u00e9e de variables ind\u00e9pendantes s’av\u00e8re \u00e9thiquement proscrite ou mat\u00e9riellement irr\u00e9alisable \u2014 comme dans l’\u00e9tude des traumatismes infantiles, des troubles de la personnalit\u00e9 ou des pr\u00e9dispositions g\u00e9n\u00e9tiques \u2014, l’analyse statistique des covariations naturelles demeure l’unique vecteur d’investigation empirique rigoureuse.<\/p>\n

1.2 D\u00e9finition synth\u00e9tique et intuitive des deux concepts<\/h3>\n

Pour appr\u00e9hender avec clart\u00e9 la ligne de d\u00e9marcation entre corr\u00e9lation et r\u00e9gression, il convient d’en poser d’embl\u00e9e les d\u00e9finitions canoniques. La corr\u00e9lation<\/strong> se d\u00e9finit formellement comme une mesure d’association bidirectionnelle et adimensionnelle entre deux variables al\u00e9atoires. Elle cherche exclusivement \u00e0 r\u00e9pondre \u00e0 la question suivante : \u00ab Dans quelle mesure ces deux dimensions varient-elles conjointement, et quelle est l’intensit\u00e9 ainsi que la direction de cette covariation ? \u00bb<\/em> Aucune variable ne se voit attribuer de primaut\u00e9 th\u00e9orique, temporelle ou math\u00e9matique sur l’autre. Le traitement accord\u00e9 aux deux grandeurs est rigoureusement interchangeable, traduisant un statut \u00e9pist\u00e9mique d’\u00e9galit\u00e9 parfaite.<\/p>\n

\u00c0 l’oppos\u00e9, la r\u00e9gression lin\u00e9aire<\/strong> se structure autour d’une fonction math\u00e9matique asym\u00e9trique destin\u00e9e \u00e0 mod\u00e9liser et \u00e0 quantifier la d\u00e9pendance structurelle d’une variable r\u00e9ponse \u2014 traditionnellement qualifi\u00e9e de d\u00e9pendante, d’expliqu\u00e9e ou de crit\u00e8re \u2014 vis-\u00e0-vis d’une ou plusieurs variables explicatives, dites ind\u00e9pendantes ou pr\u00e9dictrices. L’interrogation fondamentale de la r\u00e9gression s’\u00e9nonce ainsi : \u00ab De combien d’unit\u00e9s la variable crit\u00e8re se modifie-t-elle en moyenne lorsque la variable pr\u00e9dictrice augmente d’une unit\u00e9, et quelle pr\u00e9cision accorde ce mod\u00e8le fonctionnel \u00e0 l’estimation de valeurs non observ\u00e9es ? \u00bb<\/em><\/p>\n

Prenons l’illustration classique du lien unissant l’anxi\u00e9t\u00e9 pr\u00e9-examen et la performance acad\u00e9mique chez des \u00e9tudiants universitaires. Dans une approche corr\u00e9lationnelle, le psychologue calcule un indice d’association pour v\u00e9rifier si des niveaux accrus d’anxi\u00e9t\u00e9 tendent \u00e0 coexister avec des notes inf\u00e9rieures au test, concluant par exemple \u00e0 l’existence d’une relation n\u00e9gative mod\u00e9r\u00e9e. Dans une perspective de r\u00e9gression, le chercheur pose explicitement l’anxi\u00e9t\u00e9 comme pr\u00e9dicteur explicatif de la note d’examen ; il estime une \u00e9quation formelle permettant d’anticiper avec pr\u00e9cision la chute de points pr\u00e9visible sur l’\u00e9chelle acad\u00e9mique pour chaque incr\u00e9ment d’un point sur l’inventaire clinique d’anxi\u00e9t\u00e9. L’une quantifie l’intensit\u00e9 d’une coexistence ph\u00e9nom\u00e9nale ; l’autre construit un mod\u00e8le fonctionnel de projection.<\/p>\n

2. La corr\u00e9lation : Mesure, interpr\u00e9tation et propri\u00e9t\u00e9s math\u00e9matiques<\/h2>\n

2.1 Le coefficient r de Pearson et la covariance<\/h3>\n

La mesure standard de l’association lin\u00e9aire entre deux variables quantitatives continues repose sur le c\u00e9l\u00e8bre coefficient de corr\u00e9lation produit-moment d\u00e9velopp\u00e9 par Karl Pearson<\/a>. Sur le plan math\u00e9matique, ce coefficient constitue la version standardis\u00e9e de la covariance<\/strong>. La covariance brute entre deux distributions $X$<\/span> et $Y$<\/span>, calcul\u00e9e pour un \u00e9chantillon de taille $N$<\/span>, s’exprime comme la moyenne arithm\u00e9tique des produits des \u00e9carts \u00e0 leurs moyennes respectives :<\/p>\n

$$Cov(X, Y) = \\frac{\\sum_{i=1}^{N} (X_i – \\bar{X})(Y_i – \\bar{Y})}{N – 1}$$<\/span><\/p>\n

Bien que la covariance fournisse une indication imm\u00e9diate sur le sens de la relation \u2014 une valeur positive r\u00e9v\u00e9lant que les individus au-dessus de la moyenne en $X$<\/span> tendent \u00e9galement \u00e0 se situer au-dessus de la moyenne en $Y$<\/span> \u2014, son amplitude absolue demeure d\u00e9pendante des unit\u00e9s m\u00e9triques arbitraires dans lesquelles les variables sont exprim\u00e9es. Pour s’\u00e9manciper de cette contrainte dimensionnelle, Pearson a normalis\u00e9 la covariance en la divisant par le produit des \u00e9carts-types marginaux des deux variables :<\/p>\n

$$r_{XY} = \\frac{Cov(X, Y)}{s_X s_Y} = \\frac{\\sum (X_i – \\bar{X})(Y_i – \\bar{Y})}{\\sqrt{\\sum (X_i – \\bar{X})^2 \\sum (Y_i – \\bar{Y})^2}}$$<\/span><\/p>\n

\"\"<\/figure>\n

Cette standardisation confine math\u00e9matiquement l’indice r\u00e9sultant dans un intervalle strict oscillant entre $-1$<\/span> et $+1$<\/span>. Un coefficient de $+1$<\/span> d\u00e9note une concordance lin\u00e9aire positive d\u00e9terministe parfaite, o\u00f9 tous les points se positionnent rigoureusement sur une droite ascendante ; \u00e0 l’inverse, un coefficient de $-1$<\/span> traduit une discordance lin\u00e9aire n\u00e9gative absolue. Sur le plan g\u00e9om\u00e9trique, lorsque les distributions de $X$<\/span> et $Y$<\/span> suivent une loi normale bivari\u00e9e, le nuage de points affecte la forme d’une ellipse de dispersion. L’orientation de l’axe majeur de cette ellipse refl\u00e8te le signe de $r$<\/span>, tandis que sa compacit\u00e9 ou son aplatissement traduit la force du coefficient : plus l’ellipse est effil\u00e9e et \u00e9troite, plus la valeur absolue de $r$<\/span> approche de l’unit\u00e9.<\/p>\n

Un aspect m\u00e9thodologique n\u00e9vralgique en psychom\u00e9trie concerne l’impact de la restriction d’amplitude<\/strong> (ou s\u00e9lection sur la variance). Si un chercheur \u00e9value la corr\u00e9lation entre les scores \u00e0 un test d’aptitude intellectuelle et la r\u00e9ussite professionnelle uniquement aupr\u00e8s de cadres sup\u00e9rieurs pr\u00e9alablement recrut\u00e9s sur la base de ce m\u00eame test, la variance observ\u00e9e sur $X$<\/span> se trouve drastiquement tronqu\u00e9e. Cette contraction artificielle de la dispersion entra\u00eene in\u00e9luctablement une sous-estimation s\u00e9v\u00e8re de la v\u00e9ritable valeur du coefficient $r$<\/span> dans la population g\u00e9n\u00e9rale, un artefact formellement d\u00e9crit par les formules de correction de Thorndike.<\/p>\n

2.2 Nuances d’intensit\u00e9 et conventions de taille d’effet<\/h3>\n

L’interpr\u00e9tation de la magnitude d’un coefficient de corr\u00e9lation n\u00e9cessite une vigilance \u00e9pist\u00e9mologique constante, afin de ne point confondre la pr\u00e9sence d’une association statistiquement d\u00e9celable avec un effet cliniquement ou th\u00e9oriquement substantiel. Dans son ouvrage de r\u00e9f\u00e9rence sur l’analyse de puissance, Jacob Cohen<\/a> a formalis\u00e9 des rep\u00e8res op\u00e9rationnels largement adopt\u00e9s en psychologie diff\u00e9rentielle : un coefficient de $r = 0,10$<\/span> correspond \u00e0 un effet de faible ampleur ; $r = 0,30$<\/span> repr\u00e9sente un effet d’intensit\u00e9 moyenne ; enfin, $r = 0,50$<\/span> et au-del\u00e0 qualifie une association de forte intensit\u00e9. Toutefois, ces seuils conventionnels ne doivent jamais \u00eatre appliqu\u00e9s de mani\u00e8re dogmatique ou d\u00e9contextualis\u00e9e.<\/p>\n

Il est crucial de dissocier la significativit\u00e9 statistique<\/strong> (quantifi\u00e9e par la valeur $p$<\/span>) de la pertinence clinique<\/strong> de l’association. \u00c9tant donn\u00e9 que l’erreur standard du coefficient de corr\u00e9lation est inversement proportionnelle \u00e0 la racine carr\u00e9e de la taille d’\u00e9chantillon ($SE_r \\approx \\frac{1 – r^2}{\\sqrt{N – 2}}$<\/span>), une cohorte \u00e9pid\u00e9miologique massive de dix mille individus permettra d’obtenir une valeur $p < 0,001$<\/span> pour un coefficient infinit\u00e9simal de $r = 0,04$<\/span>. Si ce r\u00e9sultat confirme avec une certitude probabiliste que la corr\u00e9lation n'est pas strictement nulle dans la population parente, l'effet mesur\u00e9 ne rend compte que de $0,16,%$<\/span> de variance commune, ce qui s'av\u00e8re d\u00e9nu\u00e9 de toute utilit\u00e9 diagnostique ou pr\u00e9dictive \u00e0 l'\u00e9chelle de l'\u00e9valuation individuelle.<\/p>\n

Par ailleurs, le coefficient de Pearson se caract\u00e9rise par une vuln\u00e9rabilit\u00e9 pathologique \u00e0 la pr\u00e9sence de valeurs aberrantes bivari\u00e9es et aux configurations relationnelles non lin\u00e9aires. L’adjonction d’un seul individu pr\u00e9sentant des valeurs atypiques distantes du barycentre peut suffire \u00e0 gonfler artificiellement un coefficient proche de z\u00e9ro jusqu’\u00e0 des niveaux atteignant $0,60$, ou inversement \u00e0 an\u00e9antir une association robuste pr\u00e9sente chez l’ensemble des autres sujets. De surcro\u00eet, le coefficient de Pearson mesure exclusivement le degr\u00e9 d’alignement lin\u00e9aire : une relation curviligne d\u00e9terministe parfaite, telle que la loi de Yerkes-Dodson reliant l’\u00e9veil attentionnel \u00e0 la performance cognitive sous la forme d’un U invers\u00e9, produira un coefficient $r$<\/span> voisin de z\u00e9ro, dissimulant compl\u00e8tement la v\u00e9ritable interd\u00e9pendance fonctionnelle des variables.<\/p>\n

3. Typologie des corr\u00e9lations adapt\u00e9es aux donn\u00e9es psychom\u00e9triques<\/h2>\n

3.1 Approches non param\u00e9triques pour \u00e9chelles ordinales<\/h3>\n

Les instruments d’\u00e9valuation psychologique g\u00e9n\u00e8rent fr\u00e9quemment des donn\u00e9es qui s’\u00e9cartent des postulats stricts de la mesure par intervalles \u00e9gaux et de la normalit\u00e9 multivari\u00e9e. Face \u00e0 des inventaires cliniques compos\u00e9s d’\u00e9chelles de Likert ordonn\u00e9es, de classements hi\u00e9rarchiques de pr\u00e9f\u00e9rences ou d’\u00e9valuations psychiatriques gradu\u00e9es selon des stades de s\u00e9v\u00e9rit\u00e9 discrets, le recours au coefficient de Pearson s’av\u00e8re formellement proscrit. Deux alternatives non param\u00e9triques pr\u00e9dominent alors dans l’arsenal psychom\u00e9trique : le coefficient rh\u00f4 de Spearman ($rho$<\/span>) et le tau de Kendall ($tau$<\/span>).<\/p>\n

Le rh\u00f4 de Spearman repose sur un principe alg\u00e9brique \u00e9l\u00e9gant : les scores bruts continus ou discrets sont pr\u00e9alablement convertis en rangs croissants pour chaque variable s\u00e9par\u00e9ment, apr\u00e8s quoi la formule classique de Pearson est appliqu\u00e9e directement \u00e0 ces rangs. En l’absence d’ex \u00e6quo au sein des distributions, la formulation analytique se simplifie comme suit :<\/p>\n

$$\\rho = 1 – \\frac{6 \\sum d_i^2}{N(N^2 – 1)}$$<\/span><\/p>\n

o\u00f9 $d_i$<\/span> repr\u00e9sente la diff\u00e9rence arithm\u00e9tique entre les rangs attribu\u00e9s \u00e0 l’individu $i$<\/span> sur les deux dimensions \u00e9tudi\u00e9es. Cette m\u00e9thode pr\u00e9sente l’avantage consid\u00e9rable d’\u00e9valuer la monotonicit\u00e9<\/strong> d’une relation plut\u00f4t que sa stricte lin\u00e9arit\u00e9. D\u00e8s lors qu’une variable cro\u00eet continuellement en m\u00eame temps que l’autre \u2014 quelle que soit la forme exacte de la concavit\u00e9 ou de la convexit\u00e9 de la courbe d’association \u2014, le rh\u00f4 de Spearman conservera une valeur de $+1$<\/span>.<\/p>\n

De son c\u00f4t\u00e9, le tau de Kendall repose sur l’analyse combinatoire du nombre de paires dites concordantes<\/em> et discordantes<\/em> form\u00e9es par l’ensemble des observations. Pour toute paire de sujets $(i, j)$<\/span>, la relation est d\u00e9clar\u00e9e concordante si le sujet dont le score en $X$<\/span> est sup\u00e9rieur pr\u00e9sente \u00e9galement un score plus \u00e9lev\u00e9 en $Y$<\/span>. Le coefficient $tau$<\/span> \u00e9value la proportion nette de paires concordantes par rapport au total des combinaisons possibles. Moins sensible aux fluctuations d’\u00e9chantillonnage et math\u00e9matiquement sup\u00e9rieur pour traiter les cas d’ex \u00e6quo omnipr\u00e9sents dans les questionnaires psychologiques \u00e0 modalit\u00e9s restreintes, le tau de Kendall doit syst\u00e9matiquement \u00eatre privil\u00e9gi\u00e9 lorsque la taille d’\u00e9chantillon est modeste ($N < 30$<\/span>).<\/p>\n

3.2 Corr\u00e9lations sp\u00e9cifiques aux variables dichotomiques<\/h3>\n

Dans les phases d’\u00e9laboration, d’\u00e9talonnage et de validation des tests standardis\u00e9s, les psychom\u00e9triciens sont continuellement conduits \u00e0 \u00e9valuer le comportement d’items individuels cot\u00e9s de mani\u00e8re binaire (r\u00e9ussite\/\u00e9chec, pr\u00e9sence\/absence d’un sympt\u00f4me) par rapport au score global du test ou par rapport \u00e0 d’autres items discrets. Ces configurations sp\u00e9cifiques exigent des adaptations math\u00e9matiques rigoureuses de la formulation corr\u00e9lationnelle g\u00e9n\u00e9rale.<\/p>\n

Le coefficient de corr\u00e9lation point-bis\u00e9rial<\/strong> ($r_{pb}$<\/span>) constitue la variante alg\u00e9brique exacte du $r$<\/span> de Pearson d\u00e9di\u00e9e \u00e0 l’\u00e9tude conjointe d’une variable quantitative continue et d’une variable dichotomique authentique ou naturelle (comme l’appartenance \u00e0 un groupe t\u00e9moin versus un groupe clinique). Sa formulation s’\u00e9nonce :<\/p>\n

$$r_{pb} = \\frac{\\bar{Y}_1 – \\bar{Y}_0}{s_Y} \\sqrt{p (1 – p)}$$<\/span><\/p>\n

o\u00f9 $\\bar{Y}_1$<\/span> et $\\bar{Y}_0$<\/span> d\u00e9signent les moyennes de la variable continue obtenues respectivement par les sous-groupes d\u00e9finis par les modalit\u00e9s $1$ et $0$ de la variable dichotomique, $s_Y$<\/span> repr\u00e9sente l’\u00e9cart-type global de la variable continue sur l’\u00e9chantillon r\u00e9uni, et $p$<\/span> mat\u00e9rialise la proportion d’individus appartenant \u00e0 la cat\u00e9gorie $1$. En psychom\u00e9trie, le coefficient point-bis\u00e9rial repr\u00e9sente l’indice de discrimination par excellence d’un item : il d\u00e9montre si la probabilit\u00e9 de r\u00e9ussir une question sp\u00e9cifique corr\u00e8le positivement avec l’aptitude globale mesur\u00e9e par l’ensemble de l’instrument.<\/p>\n

Lorsque les deux dimensions investigu\u00e9es sont intrins\u00e8quement dichotomiques \u2014 par exemple, dans l’analyse de contingence croisant le diagnostic formel d’un trouble panique ($0\/1$<\/span>) avec la pr\u00e9sence d’une agoraphobie comorbide ($0\/1$<\/span>) \u2014, la m\u00e9trique idoine est le coefficient phi<\/strong> ($phi$<\/span>). Isomorphe au coefficient de Pearson calcul\u00e9 sur deux variables indicatrices ne prenant que les valeurs $0$ et $1$, il se d\u00e9duit directement de la statistique du chi-deux ($\\chi^2$<\/span>) d’ind\u00e9pendance calcul\u00e9e sur le tableau de contingence \u00e0 quatre cases ($2 \\times 2$<\/span>) :<\/p>\n

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

Le psychom\u00e9tricien doit toutefois veiller \u00e0 ne pas confondre le coefficient phi avec la corr\u00e9lation t\u00e9trachorique<\/em>. Cette derni\u00e8re intervient lorsque les variables dichotomiques observ\u00e9es sont pr\u00e9sum\u00e9es d\u00e9couler de la binarisation artificielle de construits sous-jacents continus et normalement distribu\u00e9s (comme la propension latente \u00e0 l’anxi\u00e9t\u00e9), offrant une estimation non biais\u00e9e du coefficient de Pearson qui aurait \u00e9t\u00e9 observ\u00e9 si les continuums avaient \u00e9t\u00e9 mesur\u00e9s directement.<\/p>\n

4. La r\u00e9gression lin\u00e9aire : Mod\u00e9lisation math\u00e9matique et vis\u00e9e pr\u00e9dictive<\/h2>\n

4.1 Formalisation de l’\u00e9quation de la droite<\/h3>\n

Tandis que la corr\u00e9lation s’attache \u00e0 synth\u00e9tiser l’intensit\u00e9 d’une relation partag\u00e9e en un scalaire invariant, la r\u00e9gression lin\u00e9aire simple s’attelle \u00e0 formaliser une fonction math\u00e9matique explicite capable de d\u00e9crire la trajectoire moyenne d’un crit\u00e8re $Y$<\/span> conditionnellement aux fluctuations d’un pr\u00e9dicteur $X$<\/span>. Dans le mod\u00e8le stochastique univari\u00e9 classique, cette relation s’exprime au moyen de l’\u00e9quation alg\u00e9brique suivante :<\/p>\n

$$Y_i = \\beta_0 + \\beta_1 X_i + \\varepsilon_i$$<\/span><\/p>\n

Dans cette formalisation structurelle, chaque composante assume une signification conceptuelle fondamentale pour la psychologie quantitative :<\/p>\n