Ce trait\u00e9 exhaustif a pour vocation de guider l’analyste, le statisticien et le chercheur \u00e0 travers toutes les dimensions th\u00e9oriques, m\u00e9thodologiques et programmatiques du calcul de corr\u00e9lation sous SAS. En articulant les fondements math\u00e9matiques rigoureux des coefficients classiques et de rang avec une impl\u00e9mentation logicielle pas \u00e0 pas, ce guide expose les meilleures pratiques de pr\u00e9traitement, les nuances relatives \u00e0 la gestion des observations manquantes, l’interpr\u00e9tation inf\u00e9rentielle des probabilit\u00e9s critiques et les strat\u00e9gies avanc\u00e9es de publication acad\u00e9mique. L’objectif est d’offrir une r\u00e9f\u00e9rence incontournable permettant de transformer une simple s\u00e9rie d’enregistrements bruts en constats scientifiques reproductibles, fiables et conformes aux plus hauts standards internationaux.<\/p>\n
1. Fondements th\u00e9oriques et math\u00e9matiques de la corr\u00e9lation lin\u00e9aire<\/h2>\n1.1 D\u00e9finition formelle du coefficient de corr\u00e9lation de Pearson<\/h3>\n
Le coefficient de corr\u00e9lation produit-moment de Pearson, universellement d\u00e9sign\u00e9 par le symbole r<\/em> lorsqu’il caract\u00e9rise un \u00e9chantillon empirique et par la lettre grecque ρ<\/em> (rh\u00f4) lorsqu’il renvoie au param\u00e8tre th\u00e9orique de la population, constitue la mesure princeps de l’association lin\u00e9aire entre deux variables al\u00e9atoires quantitatives continues. D\u00e9velopp\u00e9 par le math\u00e9maticien et biostatisticien Karl Pearson \u00e0 la fin du dix-neuvi\u00e8me si\u00e8cle \u00e0 partir des intuitions initiales de Francis Galton, cet indice standardise la covariance observ\u00e9e entre deux grandeurs en la divisant par le produit g\u00e9om\u00e9trique de leurs \u00e9carts-types respectifs. Math\u00e9matiquement, la formulation canonique s’exprime comme le rapport de la somme des produits crois\u00e9s des \u00e9carts \u00e0 leurs moyennes respectives sur la racine carr\u00e9e du produit des sommes des carr\u00e9s des \u00e9carts pour chaque variable.<\/p>\n Cette normalisation conf\u00e8re au coefficient de Pearson une propri\u00e9t\u00e9 alg\u00e9brique remarquable : son amplitude est strictement born\u00e9e au sein du continuum num\u00e9rique ferm\u00e9 s’\u00e9tendant de -1,00 \u00e0 +1,00. Une valeur exactement \u00e9gale \u00e0 +1,00 d\u00e9note une association lin\u00e9aire positive parfaite, signifiant que toute augmentation proportionnelle de la variable pr\u00e9dictive s’accompagne d’un accroissement math\u00e9matiquement d\u00e9terministe et constant de la variable r\u00e9ponse sur une trajectoire strictement rectiligne. \u00c0 l’inverse, un coefficient atteignant pr\u00e9cis\u00e9ment -1,00 traduit une association lin\u00e9aire n\u00e9gative parfaite, au sein de laquelle les deux entit\u00e9s \u00e9voluent dans des directions rigoureusement oppos\u00e9es selon un taux de variation invariable. La valeur m\u00e9diane de 0,00 indique l’absence totale de relation lin\u00e9aire entre les deux distributions, sans pour autant exclure l’existence d’une d\u00e9pendance stochastique ou non lin\u00e9aire complexe.<\/p>\n Dans le domaine des sciences psychologiques, de l’\u00e9ducation et de la recherche comportementale, l’interpr\u00e9tation substantielle de la magnitude de r<\/em> requiert une prudence m\u00e9thodologique constante. L’analyste se r\u00e9f\u00e8re fr\u00e9quemment aux balises heuristiques formul\u00e9es initialement par Jacob Cohen, sugg\u00e9rant qu’un coefficient absolu compris entre 0,10 et 0,29 refl\u00e8te un effet de faible ampleur, qu’une valeur oscillant de 0,30 \u00e0 0,49 signale une intensit\u00e9 mod\u00e9r\u00e9e, et qu’un seuil \u00e9gal ou sup\u00e9rieur \u00e0 0,50 traduit une association forte. N\u00e9anmoins, ces seuils abstraits doivent imp\u00e9rativement \u00eatre contextualis\u00e9s \u00e0 l’aune du domaine empirique \u00e9tudi\u00e9 : en recherche psychom\u00e9trique de fid\u00e9lit\u00e9 test-retest, une corr\u00e9lation inf\u00e9rieure \u00e0 0,70 est jug\u00e9e suspecte, tandis qu’en \u00e9pid\u00e9miologie sociale ou en g\u00e9n\u00e9tique comportementale, un coefficient modeste de 0,15 peut recouvrir une signification clinique ou soci\u00e9tale majeure.<\/p>\n La validit\u00e9 des conclusions issues du calcul du coefficient de Pearson repose sur un ensemble strict de postulats math\u00e9matiques et structurels que l’analyste se doit de tester avant toute inf\u00e9rence statistique. Le premier de ces crit\u00e8res imp\u00e9ratifs r\u00e9side dans la lin\u00e9arit\u00e9 absolue de la relation fonctionnelle unissant les deux variables. Le mod\u00e8le de Pearson postule que la fonction d’esp\u00e9rance conditionnelle d’une variable par rapport \u00e0 l’autre peut \u00eatre ad\u00e9quatement repr\u00e9sent\u00e9e par une droite g\u00e9om\u00e9trique de r\u00e9gression. Si le couplage r\u00e9el des donn\u00e9es ob\u00e9it \u00e0 une dynamique curviligne, sinuso\u00efdale ou quadratique (telle que d\u00e9crite par exemple par la loi de Yerkes-Dodson reliant l’\u00e9veil motivationnel et la performance cognitive), le coefficient de Pearson sous-estimera dramatiquement l’intensit\u00e9 r\u00e9elle de l’interd\u00e9pendance empirique, pouvant aboutir \u00e0 une valeur proche de z\u00e9ro alors m\u00eame que la liaison d\u00e9terministe est absolue.<\/p>\n Le second postulat critique concerne la distribution des variables, qui exige id\u00e9alement le respect de la normalit\u00e9 bivari\u00e9e au sein de la population parente. Cette condition th\u00e9orique implique non seulement que chacune des deux variables marginales suive une loi de distribution gaussienne univari\u00e9e, caract\u00e9ris\u00e9e par une sym\u00e9trie et un aplatissement conformes aux param\u00e8tres th\u00e9oriques normaux, mais \u00e9galement que pour chaque valeur donn\u00e9e de la premi\u00e8re variable, les valeurs de la seconde se distribuent de mani\u00e8re normale, et r\u00e9ciproquement. Bien que l’estimation ponctuelle de la corr\u00e9lation \u00e9chantillonnale fasse preuve d’une certaine robustesse face \u00e0 de mod\u00e9r\u00e9es d\u00e9viations de la normalit\u00e9 en vertu du th\u00e9or\u00e8me central limite d\u00e8s lors que les tailles d’\u00e9chantillons sont substantielles, les proc\u00e9dures de test d’hypoth\u00e8se et le calcul des intervalles de confiance demeurent particuli\u00e8rement vuln\u00e9rables aux distributions pr\u00e9sentant des asym\u00e9tries prononc\u00e9es ou des queues lourdes.<\/p>\n Enfin, l’homosc\u00e9dasticit\u00e9 et la vuln\u00e9rabilit\u00e9 aux observations aberrantes constituent deux \u00e9l\u00e9ments d\u00e9terminants de l’\u00e9quation m\u00e9thodologique. L’homosc\u00e9dasticit\u00e9 impose que la dispersion ou la variance conditionnelle des r\u00e9sidus demeure rigoureusement constante sur l’ensemble du spectre des valeurs mesur\u00e9es. Concomitamment, le coefficient de Pearson pr\u00e9sente une sensibilit\u00e9 extr\u00eame aux valeurs aberrantes univari\u00e9es et multivari\u00e9es (souvent qualifi\u00e9es de points de levier statistiques). L’introduction d’un seul point d\u00e9viant positionn\u00e9 \u00e0 l’extr\u00e9mit\u00e9 de l’espace multidimensionnel suffit \u00e0 faire basculer artificiellement un coefficient statistiquement nul vers un niveau hautement significatif, ou inversement, \u00e0 oblit\u00e9rer une corr\u00e9lation robuste partag\u00e9e par 99 % de l’\u00e9chantillon analys\u00e9.<\/p>\n Il est de r\u00e8gle axiomatique en \u00e9pist\u00e9mologie statistique d’affirmer avec la plus grande fermet\u00e9 que la simple constatation d’une corr\u00e9lation num\u00e9rique, aussi puissante et statistiquement irr\u00e9futable soit-elle, n’autorise en aucun cas l’inf\u00e9rence imm\u00e9diate d’un lien de causalit\u00e9 asym\u00e9trique entre les entit\u00e9s mesur\u00e9es. Le calcul d’un indice de corr\u00e9lation est une op\u00e9ration commutative et parfaitement sym\u00e9trique : la corr\u00e9lation de la variable X avec la variable Y est strictement identique \u00e0 celle de Y avec X. Par cons\u00e9quent, la m\u00e9trique ne poss\u00e8de en elle-m\u00eame aucun op\u00e9rateur directionnel permettant de d\u00e9duire si les fluctuations de X gouvernent celles de Y, si Y conditionne l’\u00e9mergence de X, ou si les deux grandeurs \u00e9voluent de concert sans interaction fonctionnelle directe.<\/p>\n Cette impossibilit\u00e9 d’inf\u00e9rer une causalit\u00e9 d\u00e9coule principalement de la vuln\u00e9rabilit\u00e9 intrins\u00e8que des \u00e9tudes d’observation au ph\u00e9nom\u00e8ne bien document\u00e9 de la confusion statistique, incarn\u00e9 par l’action occulte de variables tierces ou confondantes. Dans le champ des sciences humaines et du comportement, d’innombrables associations fortes rapport\u00e9es dans la litt\u00e9rature se sont r\u00e9v\u00e9l\u00e9es purement illusoires (dites \u00ab fallacieuses \u00bb ou spurious<\/em>) une fois contr\u00f4l\u00e9e l’influence d’un facteur sous-jacent commun. Par exemple, la corr\u00e9lation positive classique observ\u00e9e entre la taille du vocabulaire chez l’enfant et sa pointure de chaussures n’indique nullement une quelconque influence somatique sur l’appareil linguistique, mais s’explique int\u00e9gralement par l’effet mod\u00e9rateur et r\u00e9gulateur de l’\u00e2ge chronologique des participants.<\/p>\n L’analyse de corr\u00e9lation conserve n\u00e9anmoins une utilit\u00e9 heuristique irrempla\u00e7able lorsqu’elle est appr\u00e9hend\u00e9e comme une d\u00e9marche exploratoire et diagnostique pr\u00e9alable \u00e0 la construction de mod\u00e8les statistiques plus ambitieux. Bien que la pr\u00e9sence d’une corr\u00e9lation ne prouve jamais la causalit\u00e9, son absence constitue souvent une preuve robuste r\u00e9futant l’existence d’une relation causale lin\u00e9aire directe, sous r\u00e9serve de la validit\u00e9 des mesures. L’examen des matrices de corr\u00e9lation repr\u00e9sente ainsi la premi\u00e8re \u00e9tape indispensable pour cartographier les r\u00e9seaux nomologiques, d\u00e9tecter les \u00e9ventuelles colin\u00e9arit\u00e9s entre r\u00e9gresseurs avant l’ex\u00e9cution de r\u00e9gressions lin\u00e9aires multiples, et poser les jalons des \u00e9quations structurelles destin\u00e9es \u00e0 tester formellement des hypoth\u00e8ses causales complexes.<\/p>\n Au sein de l’architecture logicielle int\u00e9gr\u00e9e de SAS, l’\u00e9valuation des interd\u00e9pendances statistiques entre variables quantitatives s’articule autour d’une proc\u00e9dure d\u00e9di\u00e9e hautement optimis\u00e9e : la proc\u00e9dure PROC CORR. Con\u00e7ue pour traiter des volumes massifs d’enregistrements avec une consommation minimale de m\u00e9moire vive, cette instruction mobilise des algorithmes d’accumulation en double pr\u00e9cision garantissant la stabilit\u00e9 num\u00e9rique des calculs de sommes de carr\u00e9s et de produits crois\u00e9s, \u00e9vitant ainsi les erreurs d’arrondi fr\u00e9quentes dans d’autres environnements de calcul moins rigoureux.<\/p>\n La syntaxe de base de l’instruction d’appel adopte le formalisme canonique du langage SAS : l’\u00e9nonc\u00e9 PROC CORR DATA=nom_de_la_table;<\/em> lance la compilation de la proc\u00e9dure sur le jeu de donn\u00e9es sp\u00e9cifi\u00e9. Si aucun modificateur n’est adjoint et qu’aucune instruction secondaire n’est fournie, la proc\u00e9dure ex\u00e9cutera automatiquement le calcul des coefficients de corr\u00e9lation lin\u00e9aire de Pearson pour l’int\u00e9gralit\u00e9 des variables num\u00e9riques r\u00e9pertori\u00e9es dans le dictionnaire de la table, produisant une matrice carr\u00e9e exhaustive assortie de statistiques descriptives \u00e9l\u00e9mentaires univari\u00e9es (moyenne, \u00e9cart-type, somme, minimum et maximum).<\/p>\n Le contr\u00f4le chirurgical des paires de variables \u00e0 soumettre au moteur d’analyse s’op\u00e8re principalement par l’interm\u00e9diaire de deux \u00e9nonc\u00e9s compl\u00e9mentaires : l’instruction VAR<\/strong> et l’instruction WITH<\/strong>. L’instruction VAR permet de restreindre l’analyse \u00e0 une sous-cat\u00e9gorie rigoureusement s\u00e9lectionn\u00e9e de colonnes num\u00e9riques. Lorsqu’elle est utilis\u00e9e isol\u00e9ment, SAS g\u00e9n\u00e8re la matrice crois\u00e9e compl\u00e8te de toutes les variables inscrites dans cette liste. En revanche, l’adjonction de l’instruction WITH transforme radicalement la g\u00e9om\u00e9trie de la restitution : SAS calcule alors uniquement les coefficients de corr\u00e9lation unissant chaque variable de la liste VAR \u00e0 chacune des variables sp\u00e9cifi\u00e9es dans la liste WITH, g\u00e9n\u00e9rant une matrice rectangulaire d’une grande clart\u00e9 conceptuelle.<\/p>\n L’exp\u00e9rimentation pratique et l’assimilation p\u00e9dagogique des fonctionnalit\u00e9s de PROC CORR s’appuient fr\u00e9quemment sur l’exploitation des jeux de donn\u00e9es de d\u00e9monstration pr\u00e9install\u00e9s au sein de la biblioth\u00e8que int\u00e9gr\u00e9e en lecture seule d\u00e9sign\u00e9e sous l’appellation SASHELP<\/em>. Cette biblioth\u00e8que offre un acc\u00e8s imm\u00e9diat \u00e0 des tables r\u00e9put\u00e9es dans l’histoire de la statistique, \u00e0 l’instar de SASHELP.IRIS (le c\u00e9l\u00e8bre recueil morphom\u00e9trique de Fisher recensant les mesures de s\u00e9pales et p\u00e9tales sur trois esp\u00e8ces d’iris), SASHELP.CARS (base multidimensionnelle documentant les caract\u00e9ristiques techniques et de consommation du parc automobile) ou encore SASHELP.HEART (vaste cohorte \u00e9pid\u00e9miologique issue de l’\u00e9tude de Framingham).<\/p>\n Avant de lancer toute mod\u00e9lisation bivari\u00e9e, le statisticien avis\u00e9 proc\u00e8de syst\u00e9matiquement \u00e0 une inspection oculaire et structurelle des donn\u00e9es brutes. L’invocation conjointe de la proc\u00e9dure PROC CONTENTS permet de v\u00e9rifier les m\u00e9tadonn\u00e9es intrins\u00e8ques des variables : type de stockage (num\u00e9rique versus caract\u00e8re), longueur d’encodage, pr\u00e9sence de formats associ\u00e9s et libell\u00e9s documentaires. Une variable stock\u00e9e par inadvertance sous format alphanum\u00e9rique sera invariablement ignor\u00e9e par PROC CORR, g\u00e9n\u00e9rant des messages d’avertissement dans le journal syst\u00e8me (SAS Log).<\/p>\n De surcro\u00eet, la visualisation des premiers enregistrements au moyen d’une commande telle que PROC PRINT DATA=SASHELP.IRIS(OBS=10); RUN;<\/em> autorise un contr\u00f4le de vraisemblance direct sur la structure des vecteurs d’observations. Ce contr\u00f4le initial permet de s’assurer de l’ad\u00e9quation entre les noms de colonnes appel\u00e9s dans les scripts et la r\u00e9alit\u00e9 du sch\u00e9ma relationnel de la table sous-jacente, \u00e9liminant en amont les erreurs d’ex\u00e9cution syntaxique les plus communes lors du param\u00e9trage des instructions de corr\u00e9lation.<\/p>\n Le syst\u00e8me ODS (Output Delivery System) de SAS repr\u00e9sente une couche architecturale d’interfa\u00e7age qui dissocie la logique computationnelle interne des proc\u00e9dures de leur mise en forme visuelle finale. Par d\u00e9faut, PROC CORR produit une sortie HTML ou standard particuli\u00e8rement riche, incorporant un tableau exhaustif de statistiques descriptives univari\u00e9es en pr\u00e9ambule \u00e0 la restitution des coefficients matriciels. Dans les contextes o\u00f9 l’analyste recherche une lisibilit\u00e9 synth\u00e9tique maximale, notamment lors de l’exploration pr\u00e9liminaire de tables comportant plusieurs dizaines de variables, cette prolixit\u00e9 par d\u00e9faut peut rapidement saturer l’espace visuel.<\/p>\n L’adjonction de l’option NOSUMMARY<\/strong> directement sur la ligne d’ouverture de l’instruction (PROC CORR DATA=ma_table NOSUMMARY;<\/em>) instruit le compilateur de neutraliser totalement l’\u00e9dition du tableau r\u00e9capitulatif des param\u00e8tres descriptifs \u00e9l\u00e9mentaires. Cette simple commande \u00e9pure la sortie finale pour ne conserver que la matrice d’association, facilitant l’int\u00e9gration des rapports dans des documents de synth\u00e8se. D’autres options textuelles, telles que NOPROB<\/strong>, permettent de masquer l’affichage syst\u00e9matique des probabilit\u00e9s critiques (p-values) sous chaque coefficient, all\u00e9geant substantiellement la densit\u00e9 typographique de la grille de r\u00e9sultats.<\/p>\n De fa\u00e7on plus globale, l’utilisation strat\u00e9gique des instructions de redirection ODS SELECT<\/em> ou ODS EXCLUDE<\/em> coupl\u00e9e aux noms d’objets internes de la proc\u00e9dure (tels que PearsonCorr, KendallCorr, SpearmanCorr ou SimpleStats) procure un pouvoir de personnalisation sans \u00e9quivalent. Le chercheur peut ainsi filtrer pr\u00e9cis\u00e9ment les composantes analytiques destin\u00e9es \u00e0 l’\u00e9cran, aux fichiers PDF ou aux flux RTF acad\u00e9miques, transformant des calculs hautement techniques en repr\u00e9sentations visuelles rigoureuses, \u00e9l\u00e9gantes et imm\u00e9diatement exploitables dans un cadre institutionnel.<\/p>\n L’ex\u00e9cution pr\u00e9cipit\u00e9e d’une matrice de corr\u00e9lations sans investigation minutieuse des distributions individuelles constitue l’une des d\u00e9faillances m\u00e9thodologiques les plus communes dans la pratique analytique contemporaine. L’\u00e9valuation descriptive univari\u00e9e pr\u00e9alable n’est pas une simple formalit\u00e9 protocolaire : elle conditionne directement le choix fondamental de la m\u00e9trique d’association appropri\u00e9e (param\u00e9trique ou non param\u00e9trique) et permet de rep\u00e9rer les asym\u00e9tries distributionnelles qui menacent la validit\u00e9 des inf\u00e9rences futures bas\u00e9es sur le test de Student.<\/p>\n L’utilisation de la proc\u00e9dure PROC UNIVARIATE<\/em> s’impose ici comme le standard de rigueur. Au-del\u00e0 des simples mesures de tendance centrale (moyenne arithm\u00e9tique, m\u00e9diane robuste, mode) et de dispersion (variance, \u00e9cart-type, \u00e9cart interquartile), cette proc\u00e9dure g\u00e9n\u00e8re les moments d’ordre sup\u00e9rieur indispensables que sont le coefficient d’asym\u00e9trie de Fisher-Pearson (skewness) et le coefficient d’aplatissement (kurtosis). Une distribution manifestant une asym\u00e9trie absolue sup\u00e9rieure \u00e0 2,0 ou un aplatissement sup\u00e9rieur \u00e0 7,0 s’\u00e9carte substantiellement des propri\u00e9t\u00e9s de la loi normale, signalant \u00e0 l’analyste que le calcul ult\u00e9rieur d’un r de Pearson encourt un risque s\u00e9rieux de distorsion de son erreur-type.<\/p>\n L’inspection des tests formels d’ad\u00e9quation \u00e0 la normalit\u00e9 fournis par SAS au sein de cette m\u00eame proc\u00e9dure \u2014 notamment le test de Shapiro-Wilk (hautement pr\u00e9conis\u00e9 pour les \u00e9chantillons de taille inf\u00e9rieure \u00e0 2000 observations) et le test de Kolmogorov-Smirnov corrig\u00e9 par Lilliefors \u2014 fournit des balises probabilistes pr\u00e9cieuses. Si les hypoth\u00e8ses nulles de distribution gaussienne sont massivement rejet\u00e9es \u00e0 un seuil critique inf\u00e9rieur \u00e0 0,001, l’analyste devra envisager soit une transformation math\u00e9matique pr\u00e9alable des donn\u00e9es (logarithmique, racine carr\u00e9e ou Box-Cox), soit l’abandon d\u00e9lib\u00e9r\u00e9 de la corr\u00e9lation de Pearson au profit d’approches fond\u00e9es sur les rangs relatifs.<\/p>\n Le calcul du produit crois\u00e9 des \u00e9carts \u00e0 la moyenne rend la covariance intrins\u00e8quement vuln\u00e9rable \u00e0 l’influence disproportionn\u00e9e des valeurs s’\u00e9cartant radicalement du centro\u00efde des donn\u00e9es. En pr\u00e9sence de points extr\u00eames atypiques, l’estimateur de Pearson peut faire preuve d’une instabilit\u00e9 r\u00e9dhibitoire. Il est ainsi indispensable de d\u00e9ployer une double strat\u00e9gie diagnostique, combinant d\u00e9tection univari\u00e9e rigoureuse et inspection multivari\u00e9e de l’espace g\u00e9om\u00e9trique des observations.<\/p>\n Sur le plan univari\u00e9, l’identification des observations aberrantes repose traditionnellement sur la standardisation des scores en scores centr\u00e9s r\u00e9duits (Z-scores) ou sur l’analyse de l’intervalle interquartile de Tukey formalis\u00e9e par les diagrammes en bo\u00eete \u00e0 moustaches. Toute mesure exc\u00e9dant trois \u00e9carts-types par rapport \u00e0 la moyenne empirique doit susciter un examen clinique attentif visant \u00e0 discriminer une erreur mat\u00e9rielle de saisie d’une variation biologique ou psychologique authentique mais rare. Sur le versant multivari\u00e9, le calcul de la distance de Mahalanobis permet de rep\u00e9rer les configurations d’observations qui, bien que situ\u00e9es dans des limites acceptables sur chaque variable prise isol\u00e9ment, constituent une anomalie relationnelle flagrante lorsqu’elles sont consid\u00e9r\u00e9es conjointement.<\/p>\n La production syst\u00e9matique de diagrammes de dispersion bivari\u00e9s (scatterplots) au moyen de la proc\u00e9dure PROC SGPLOT<\/em> constitue l’antidote par excellence aux pi\u00e8ges statistiques. L’examen graphique permet de visualiser instantan\u00e9ment si l’association apparente est l’apanage d’une tendance partag\u00e9e par l’immense majorit\u00e9 des sujets ou si elle est artificiellement entretenue par deux ou trois observations isol\u00e9es situ\u00e9es dans les quadrants extr\u00eames. Face \u00e0 des valeurs atypiques v\u00e9ridiques mais influentes, des strat\u00e9gies de traitement transparentes doivent \u00eatre document\u00e9es : analyse de sensibilit\u00e9 comparant les estimations avec et sans les cas critiques, winsorisation contr\u00f4l\u00e9e ou basculement vers des estimateurs de corr\u00e9lation robustes.<\/p>\n L’une des fautes les plus r\u00e9currentes en psychom\u00e9trie appliqu\u00e9e et en sciences sociales consiste \u00e0 appliquer indiff\u00e9remment le coefficient de corr\u00e9lation lin\u00e9aire de Pearson \u00e0 des donn\u00e9es qui ne r\u00e9pondent pas aux exigences m\u00e9triques formelles de la th\u00e9orie de la mesure de Stevens. Le formalisme math\u00e9matique de Pearson postule imp\u00e9rativement que les grandeurs mesur\u00e9es rel\u00e8vent d’une \u00e9chelle d’intervalles constants ou d’une \u00e9chelle de rapports (ratios). Sur ces \u00e9chelles, la distance s\u00e9parant deux unit\u00e9s cons\u00e9cutives poss\u00e8de une signification quantitative rigoureusement identique tout au long de l’axe de mesure, autorisant l’ex\u00e9cution licite d’op\u00e9rations d’addition, de soustraction et de calcul de moyennes arithm\u00e9tiques.<\/p>\n Or, la recherche empirique fait un usage massif d’\u00e9chelles d’\u00e9valuation ordonn\u00e9es, au premier rang desquelles tr\u00f4nent les items de type Likert (souvent gradu\u00e9s en 4, 5 ou 7 ancrages textuels allant de \u00ab pas du tout d’accord \u00bb \u00e0 \u00ab tout \u00e0 fait d’accord \u00bb). Les distances s\u00e9parant subjectivement ces ancrages qualificatifs ne sauraient \u00eatre postul\u00e9es \u00e9quidistantes d’un point de vue m\u00e9trologique strict : rien ne garantit que l’intervalle psychologique s\u00e9parant un score de 1 et de 2 soit identique \u00e0 celui s\u00e9parant un score de 4 et de 5. L’application du r de Pearson sur des items ordinaux pris individuellement viole donc les fondements alg\u00e9briques du mod\u00e8le, introduisant des distorsions impr\u00e9visibles dans l’estimation de l’intensit\u00e9 de la relation.<\/p>\n La prudence m\u00e9thodologique commande d\u00e8s lors de r\u00e9server la corr\u00e9lation de Pearson soit \u00e0 des variables physiques ou temporelles parfaitement continues, soit \u00e0 des scores composites ou totaux issus de l’agr\u00e9gation d’un nombre substantiel d’items psychom\u00e9triques (score global \u00e0 un inventaire de d\u00e9pression, par exemple), pour lesquels la distribution cumul\u00e9e se rapproche d’un continuum d’intervalle continu satisfaisant le th\u00e9or\u00e8me de la limite centrale. D\u00e8s lors que l’analyste se trouve confront\u00e9 \u00e0 des items isol\u00e9s, \u00e0 des \u00e9chelles de rangs ou \u00e0 des ordonnancements qualitatifs stricts, le recours imp\u00e9ratif aux m\u00e9thodes de Spearman ou de Kendall s’impose d’un point de vue \u00e9pist\u00e9mologique.<\/p>\n La mise en \u0153uvre du calcul de la corr\u00e9lation bivari\u00e9e de Pearson au sein du logiciel SAS illustre l’\u00e9l\u00e9gance et la concision de sa grammaire analytique. Pour \u00e9valuer la liaison lin\u00e9aire fondamentale reliant deux param\u00e8tres quantitatifs \u2014 par exemple, la longueur des s\u00e9pales (SepalLength) et la longueur des p\u00e9tales (PetalLength) au sein du jeu de donn\u00e9es classique SASHELP.IRIS \u2014, le programmeur r\u00e9dige une s\u00e9quence \u00e9l\u00e9mentaire compos\u00e9e de l’appel \u00e0 la proc\u00e9dure, du ciblage des variables et de l’ordre d’ex\u00e9cution.<\/p>\n Le bloc op\u00e9rationnel s’articule comme suit :<\/p>\n PROC CORR DATA=sashelp.iris; Cette instruction minimaliste d\u00e9clenche une s\u00e9quence compl\u00e8te de traitements internes. SAS commence par num\u00e9riser l’ensemble des 150 enregistrements contenus dans la table d’entr\u00e9e, isole les deux colonnes sp\u00e9cifi\u00e9es et \u00e9carte temporairement toute observation pr\u00e9sentant une valeur absente pour l’un ou l’autre de ces vecteurs. L’algorithme calcule dans un premier temps les m\u00e9triques univari\u00e9es standard pour SepalLength et PetalLength (taille d’\u00e9chantillon valide, moyenne empirique, \u00e9cart-type, somme arithm\u00e9tique, minima et maxima), puis proc\u00e8de \u00e0 l’\u00e9valuation du produit scalaire des d\u00e9viations standardis\u00e9es pour d\u00e9duire la matrice de Pearson.<\/p>\n Le tableau r\u00e9sultant \u00e9dit\u00e9 dans l’interface de sortie pr\u00e9sente une structure matricielle carr\u00e9e de dimension 2×2. Chaque cellule d’intersection affiche deux valeurs capitales superpos\u00e9es verticalement : la valeur num\u00e9rique exacte du coefficient de corr\u00e9lation r<\/em> de Pearson (affich\u00e9e par d\u00e9faut avec cinq d\u00e9cimales de pr\u00e9cision), et imm\u00e9diatement en dessous, la valeur de la probabilit\u00e9 critique asymptotique bilat\u00e9rale (p-value) calcul\u00e9e sous l’hypoth\u00e8se nulle. La diagonale principale affiche immanquablement la valeur 1,00000, attestant de l’association parfaite d’une variable avec elle-m\u00eame, tandis que les cellules hors-diagonale r\u00e9v\u00e8lent le coefficient d’interrelation reliant les deux caract\u00e8res \u00e9tudi\u00e9s.<\/p>\n Lorsque la structure de recherche n’est plus purement exploratoire et sym\u00e9trique, mais s’inscrit dans un paradigme d’analyse directionnel confrontant une variable d’int\u00e9r\u00eat clinique ou psychologique majeure (variable d\u00e9pendante ou crit\u00e8re) \u00e0 une ou plusieurs variables pr\u00e9dictives, la g\u00e9n\u00e9ration d’une matrice carr\u00e9e standard s’av\u00e8re inutilement complexe et visuellement redondante. C’est pr\u00e9cis\u00e9ment dans cette configuration que l’instruction WITH<\/strong> d\u00e9montre toute sa pertinence m\u00e9thodologique et ergonomique.<\/p>\n En formulant la requ\u00eate suivante :<\/p>\n PROC CORR DATA=sashelp.iris; l’analyste modifie la topologie du tableau de restitution. SAS structure alors la sortie non plus sous la forme d’un tableau d’intercorr\u00e9lations carr\u00e9es entre les quatre variables, mais sous la forme rigoureuse d’une matrice rectangulaire d’une seule ligne (la variable SepalLength d\u00e9finie dans l’\u00e9nonc\u00e9 WITH) crois\u00e9e avec trois colonnes distinctes correspondant aux \u00e9l\u00e9ments list\u00e9s dans l’\u00e9nonc\u00e9 VAR. Ce compartimentage conceptuel isole de fa\u00e7on immacul\u00e9e les corr\u00e9lations du crit\u00e8re d’int\u00e9r\u00eat avec l’ensemble de ses covariables candidates.<\/p>\n Cette distinction s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse lors du traitement d’\u00e9chantillons volumineux issus d’essais cliniques ou d’enqu\u00eates sociologiques comportant des centaines d’indicateurs potentiels. L’instruction WITH agit comme un r\u00e9ducteur de dimension visuelle, concentrant l’effort cognitif du chercheur uniquement sur les associations th\u00e9oriquement signifiantes et r\u00e9duisant le risque de surcharge informationnelle propre aux matrices d’intercorr\u00e9lations multidimensionnelles classiques.<\/p>\n Chaque coefficient de Pearson calcul\u00e9 par la proc\u00e9dure PROC CORR est indissociable du test d’hypoth\u00e8se inf\u00e9rentiel qui lui est adjoint. L’inf\u00e9rence canonique repose sur la formulation d’un test bilat\u00e9ral articul\u00e9 autour de deux postulats mutuellement exclusifs : l’hypoth\u00e8se nulle (H0 : ρ = 0), stipulant l’absence totale de relation lin\u00e9aire entre les deux variables au sein de la population th\u00e9orique parente, face \u00e0 l’hypoth\u00e8se alternative (H1 : ρ ≠ 0), affirmant l’existence d’une d\u00e9pendance lin\u00e9aire d’ampleur non nulle. La statistique de test mobilis\u00e9e suit rigoureusement une distribution t<\/em> de Student \u00e0 (N – 2) degr\u00e9s de libert\u00e9, o\u00f9 N repr\u00e9sente l’effectif des paires d’observations compl\u00e8tes.<\/p>\n La probabilit\u00e9 critique g\u00e9n\u00e9r\u00e9e par SAS (not\u00e9e Prob > |r| under H0: Rho=0<\/em>) quantifie la probabilit\u00e9 d’observer un coefficient au moins aussi extr\u00eame en valeur absolue que celui calcul\u00e9 \u00e0 partir de l’\u00e9chantillon empirique, sous l’assomption formelle que l’hypoth\u00e8se nulle soit v\u00e9rifi\u00e9e dans la population. Par convention acad\u00e9mique h\u00e9rit\u00e9e des travaux de Ronald Fisher, si cette valeur de probabilit\u00e9 s’av\u00e8re strictement inf\u00e9rieure au seuil alpha pr\u00e9d\u00e9termin\u00e9 (usuellement fix\u00e9 \u00e0 0,05 ou 0,01), le chercheur est autoris\u00e9 \u00e0 rejeter l’hypoth\u00e8se nulle et \u00e0 d\u00e9clarer le coefficient de corr\u00e9lation statistiquement significatif au seuil consid\u00e9r\u00e9.<\/p>\n Cependant, une mise en garde \u00e9pist\u00e9mologique cruciale s’impose quant \u00e0 l’interd\u00e9pendance m\u00e9canique reliant la significativit\u00e9 statistique et l’effectif de l’\u00e9chantillon. La statistique t<\/em> \u00e9tant proportionnelle \u00e0 la racine carr\u00e9e de N, une taille d’\u00e9chantillon massive (courante dans l’\u00e8re du Big Data avec des millions d’enregistrements) conf\u00e8re une puissance statistique ph\u00e9nom\u00e9nale au test, conduisant \u00e0 qualifier de hautement significatifs (p < 0,0001) des coefficients d’une faiblesse insigne, tels que r<\/em> = 0,02. Un tel r\u00e9sultat, bien que non imputable au hasard d’\u00e9chantillonnage d’un point de vue strictement probabiliste, traduit une absence quasi-totale de variance commune (le coefficient de d\u00e9termination n’\u00e9tant que de 0,04 %) et poss\u00e8de une port\u00e9e clinique ou d\u00e9cisionnelle rigoureusement nulle. L’analyste doit donc imp\u00e9rativement dissocier la significativit\u00e9 statistique de la taille de l’effet substantive.<\/p>\n L’exploration d’un syst\u00e8me complexe requiert fr\u00e9quemment l’\u00e9valuation simultan\u00e9e de multiples dimensions quantitatives afin de cartographier l’architecture globale de leurs interrelations. Lorsque la commande PROC CORR est mobilis\u00e9e en sp\u00e9cifiant une pluralit\u00e9 d’attributs num\u00e9riques au sein de l’instruction VAR<\/strong>, sans adjoindre d’\u00e9nonc\u00e9 WITH, le moteur computationnel compile une matrice d’intercorr\u00e9lations carr\u00e9e compl\u00e8te, dont l’ordre dimensionnel (k × k) correspond rigoureusement au nombre k<\/em> de variables soumises \u00e0 investigation.<\/p>\n Dans un contexte d’ing\u00e9nierie automobile utilisant la base SASHELP.CARS<\/em>, une commande ciblant la puissance (Horsepower), le poids (Weight), la longueur (Length) et la consommation sur autoroute (MPG_Highway) g\u00e9n\u00e8re une matrice 4×4 exhaustive. Une telle matrice pr\u00e9sente des propri\u00e9t\u00e9s math\u00e9matiques invariables : elle est obligatoirement sym\u00e9trique par rapport \u00e0 sa diagonale principale en vertu de la commutativit\u00e9 du produit scalaire des d\u00e9viations, signifiant que la cellule situ\u00e9e \u00e0 la coordonn\u00e9e (ligne i, colonne j) est rigoureusement identique en valeur num\u00e9rique et en niveau de significativit\u00e9 \u00e0 celle occupant la position (ligne j, colonne i).<\/p>\n La diagonale principale est exclusivement compos\u00e9e de coefficients unitaires (r = 1,00000), chaque vecteur manifestant une colin\u00e9arit\u00e9 parfaite avec lui-m\u00eame. L’examen attentif des triangles sup\u00e9rieur et inf\u00e9rieur permet d’identifier instantan\u00e9ment des grappes ou \u00ab clusters \u00bb de variables fonctionnellement solidaires. Par exemple, le statisticien remarquera une tr\u00e8s forte corr\u00e9lation positive unissant la puissance et le poids du v\u00e9hicule, concomitamment \u00e0 une association n\u00e9gative tout aussi prononc\u00e9e entre ces deux grandeurs et le rendement \u00e9nerg\u00e9tique, posant ainsi les fondations d’un diagnostic d’espace factoriel ou de colin\u00e9arit\u00e9 multivari\u00e9e.<\/p>\n Bien que la matrice carr\u00e9e compl\u00e8te constitue l’outil exploratoire standard, elle devient rapidement inadapt\u00e9e lorsque le nombre de variables s’accro\u00eet, engendrant des tables surdimensionn\u00e9es de plusieurs dizaines de lignes et de colonnes o\u00f9 l’information substantielle se noie dans une masse de redondances sym\u00e9triques. La structuration de matrices asym\u00e9triques ou rectangulaires via la combinaison des clauses VAR<\/strong> et WITH<\/strong> apporte une r\u00e9ponse m\u00e9thodologique optimale pour les \u00e9tudes \u00e9pid\u00e9miologiques ou psychom\u00e9triques structur\u00e9es selon un sch\u00e9ma diff\u00e9rentiel.<\/p>\n Supposons une recherche clinique transversale visant \u00e0 \u00e9valuer l’impact de marqueurs physiologiques fondamentaux (pression art\u00e9rielle systolique, indice de masse corporelle, taux de cholest\u00e9rol s\u00e9rique et triglyc\u00e9rides) sur des \u00e9chelles d’\u00e9valuation de la qualit\u00e9 de vie psychologique, du fonctionnement physique et du niveau d’\u00e9puisement vital. L’inscription des indicateurs physiologiques sous l’instruction VAR et des scores de sant\u00e9 sous l’instruction WITH permet de scinder nettement l’espace des pr\u00e9dicteurs de celui des crit\u00e8res de sant\u00e9.<\/p>\n La sortie r\u00e9sultante pr\u00e9sente une g\u00e9om\u00e9trie condens\u00e9e de dimensions p × q<\/em> (o\u00f9 p<\/em> repr\u00e9sente le nombre de crit\u00e8res WITH et q<\/em> le nombre de variables VAR). Non seulement cette disposition r\u00e9duit de mani\u00e8re drastique l’encombrement spatial des r\u00e9sultats au sein des manuscrits et rapports institutionnels, mais elle neutralise \u00e9galement les calculs superflus des intercorr\u00e9lations internes aux blocs physiologiques ou psychologiques, ciblant l’effort inf\u00e9rentiel exclusivement sur les ponts transversaux unissant ces deux domaines distincts de mesure.<\/p>\n Face \u00e0 des jeux de donn\u00e9es d’une tr\u00e8s grande envergure int\u00e9grant des centaines de tests psychom\u00e9triques ou de panels g\u00e9nomiques, la lecture manuelle s\u00e9quentielle d’une matrice devient une t\u00e2che humainement prohibitive. Conscient de ce d\u00e9fi d’ergonomie cognitive, SAS\/STAT propose des options int\u00e9gr\u00e9es avanc\u00e9es destin\u00e9es \u00e0 filtrer, trier et ordonner dynamiquement les sorties matricielles de la proc\u00e9dure PROC CORR directement \u00e0 la source.<\/p>\n L’option BEST=n<\/strong> constitue un filtre quantitatif puissant. En incorporant cette instruction dans l’en-t\u00eate (par exemple PROC CORR DATA=ma_table BEST=5;<\/em>), le logiciel ordonne, pour chaque variable du mod\u00e8le, les associations calcul\u00e9es par ordre d\u00e9croissant de magnitude absolue et restreint l’affichage uniquement aux n<\/em> coefficients les plus intenses. Cette approche permet de proc\u00e9der \u00e0 un tamisage ou criblage pr\u00e9liminaire d’une remarquable efficacit\u00e9, \u00e9cartant d’embl\u00e9e la myriade de coefficients triviaux ou non significatifs pour focaliser l’attention sur les signaux les plus saillants du r\u00e9seau relationnel.<\/p>\n Parall\u00e8lement, l’option RANK<\/strong> instruit la proc\u00e9dure d’ordonner l’ensemble des r\u00e9sultats selon la force relative des corr\u00e9lations calcul\u00e9es plut\u00f4t que de suivre l’ordre d’\u00e9num\u00e9ration textuelle des variables dans le script. Les coefficients les plus puissants sont ainsi automatiquement hiss\u00e9s au sommet de la hi\u00e9rarchie de restitution. Conjugu\u00e9es \u00e0 l’utilisation s\u00e9lective de l’option NOSUMMARY<\/em>, ces fonctionnalit\u00e9s de mise en forme avanc\u00e9e transforment un exercice statistique fastidieux en un processus analytique rationalis\u00e9, particuli\u00e8rement pris\u00e9 lors des phases de calibration d’inventaires multidimensionnels ou d’analyses de validit\u00e9 de construit.<\/p>\n Lorsque les donn\u00e9es recueillies enfreignent de mani\u00e8re ind\u00e9niable les postulats th\u00e9oriques r\u00e9gissant le coefficient de Pearson \u2014 notamment en cas de violation manifeste de la normalit\u00e9 bivari\u00e9e, de pr\u00e9sence d’asym\u00e9tries marqu\u00e9es ou lorsque la relation fonctionnelle unissant les attributs est monotone mais fondamentalement non lin\u00e9aire \u2014, l’analyste doit imp\u00e9rativement migrer vers des m\u00e9thodologies statistiques non param\u00e9triques dites de distribution libre (distribution-free). Le coefficient de corr\u00e9lation des rangs de Charles Spearman, universellement d\u00e9sign\u00e9 par la lettre grecque ρ<\/em> (rho) ou r_s<\/em>, constitue l’alternative non param\u00e9trique la plus \u00e9prouv\u00e9e.<\/p>\n Le fondement math\u00e9matique de la corr\u00e9lation de Spearman repose sur une transformation \u00e9l\u00e9gante : plut\u00f4t que de manipuler les valeurs num\u00e9riques brutes, l’algorithme proc\u00e8de pr\u00e9alablement au classement s\u00e9quentiel des observations de chaque vecteur, attribuant \u00e0 chaque donn\u00e9e individuelle un rang entier croissant allant de 1 (pour la valeur la plus faible) \u00e0 N (pour l’observation maximale), les valeurs ex-aequo se voyant affecter le rang moyen de leur groupe de liaison. Le coefficient de Spearman n’est rien d’autre que l’application exacte de la formule du coefficient de Pearson ex\u00e9cut\u00e9e non pas sur les mesures originelles, mais sur ces rangs pr\u00e9alablement substitu\u00e9s. Il \u00e9value ainsi la perfection avec laquelle la relation entre deux variables peut \u00eatre d\u00e9crite par une fonction strictement monotone, qu’elle soit lin\u00e9aire ou non.<\/p>\n Sous l’environnement SAS, l’obtention de cet estimateur robuste s’op\u00e8re avec une facilit\u00e9 d\u00e9concertante via l’adjonction du mot-cl\u00e9 SPEARMAN<\/strong> sur la ligne de d\u00e9claration de la proc\u00e9dure :<\/p>\n PROC CORR DATA=mes_donnees SPEARMAN; SAS compile alors simultan\u00e9ment ou alternativement (selon la pr\u00e9sence ou non de l’option PEARSON) la matrice des rangs de Spearman assortie des probabilit\u00e9s critiques asymptotiques exactes adapt\u00e9es \u00e0 cette m\u00e9trique ordinalis\u00e9e.<\/p>\n Le coefficient tau de Maurice Kendall repr\u00e9sente une alternative non param\u00e9trique d’une profondeur th\u00e9orique sup\u00e9rieure \u00e0 celle de Spearman, particuli\u00e8rement pr\u00e9conis\u00e9e dans le cadre d’\u00e9chantillons de taille r\u00e9duite ou en pr\u00e9sence de grilles de mesure discr\u00e8tes comportant une proportion massive d’ex-aequo (ties), telles que les \u00e9chelles de Likert \u00e0 faible granularit\u00e9. Alors que Spearman convertit l’information en rangs avant d’en calculer la covariance lin\u00e9aire, le tau de Kendall repose sur une combinatoire probabiliste directe portant sur l’ensemble des paires possibles d’observations au sein de l’\u00e9chantillon.<\/p>\n Pour chaque paire constitu\u00e9e de deux sujets distincts i<\/em> et j<\/em>, l’algorithme examine la concordance directionnelle de leurs scores respectifs sur les deux variables. Une paire est dite strictement concordante si la direction de la diff\u00e9rence entre les deux sujets sur la premi\u00e8re variable est identique \u00e0 celle observ\u00e9e sur la seconde (les deux scores augmentent ou diminuent conjointement). Elle est qualifi\u00e9e de discordante si la trajectoire s’inverse. Le coefficient tau quantifie l’exc\u00e9dent relatif de paires concordantes sur les paires discordantes, normalis\u00e9 par le nombre total de combinaisons factorielles possibles. SAS impl\u00e9mente principalement le Tau-b de Kendall<\/strong>, qui int\u00e8gre une correction alg\u00e9brique rigoureuse p\u00e9nalisant la pr\u00e9sence d’ex-aequo tant sur la premi\u00e8re que sur la seconde variable.<\/p>\n L’impl\u00e9mentation logicielle sous SAS requiert simplement la sp\u00e9cification de l’option KENDALL<\/strong> dans l’instruction de base :<\/p>\n PROC CORR DATA=mes_donnees KENDALL; L’un des avantages majeurs du Tau-b de Kendall r\u00e9side dans la vitesse de convergence de sa distribution d’\u00e9chantillonnage vers la normalit\u00e9, autorisant des inf\u00e9rences de significativit\u00e9 statistique bien plus fiables et stables que celles du rho de Spearman lorsque l’effectif global N chute en de\u00e7\u00e0 de 30 observations.<\/p>\n Le choix raisonn\u00e9 entre les coefficients de Pearson, Spearman et Kendall ne saurait proc\u00e9der d’une s\u00e9lection arbitraire au gr\u00e9 de la significativit\u00e9 la plus s\u00e9duisante (une pratique m\u00e9thodologiquement condamnable assimilable \u00e0 du p-hacking<\/em>), mais doit s’ancrer dans une analyse objective de la nature des \u00e9chelles et de la distribution des donn\u00e9es. Les cons\u00e9quences d’un arbitrage m\u00e9thodologique erron\u00e9 peuvent lourdement impacter l’exactitude des inf\u00e9rences produites.<\/p>\n Sur un plan num\u00e9rique universel, lorsque les postulats de normalit\u00e9 bivari\u00e9e sont rigoureusement respect\u00e9s, le coefficient de Pearson offre l’efficacit\u00e9 statistique maximale (la puissance d’\u00e9chantillonnage la plus \u00e9lev\u00e9e pour rejeter l’hypoth\u00e8se nulle lorsque celle-ci est fausse). En revanche, face \u00e0 une contamination par des valeurs aberrantes ou en pr\u00e9sence de distributions exponentielles ou fortement asym\u00e9triques, Pearson s’effondre dramatiquement, g\u00e9n\u00e9rant des coefficients hautement biais\u00e9s. Dans cette conjoncture, Spearman et Kendall pr\u00e9servent leur int\u00e9grit\u00e9 analytique gr\u00e2ce \u00e0 leur insensibilit\u00e9 g\u00e9om\u00e9trique aux distances absolues des queues de distribution.<\/p>\n Entre Spearman et Kendall, la distinction m\u00e9thodologique s’op\u00e8re sur la structure des donn\u00e9es et l’objectif d’interpr\u00e9tation. Le coefficient rho<\/em> de Spearman tend \u00e0 afficher une valeur num\u00e9rique syst\u00e9matiquement plus \u00e9lev\u00e9e en magnitude que le tau<\/em> de Kendall sur un m\u00eame ensemble de donn\u00e9es (le ratio empirique se situant couramment autour de 1,5 fois le tau), mais cette divergence ne traduit aucune sup\u00e9riorit\u00e9 de liaison : elle refl\u00e8te simplement des \u00e9chelles d’estimation math\u00e9matiquement divergentes. Kendall b\u00e9n\u00e9ficie d’une interpr\u00e9tation probabiliste directe d’une limpidit\u00e9 incomparable (la diff\u00e9rence nette entre la probabilit\u00e9 de concordance et de discordance de deux observations tir\u00e9es au hasard) et s’av\u00e8re nettement plus robuste math\u00e9matiquement d\u00e8s lors que l’\u00e9chantillon contient un nombre \u00e9lev\u00e9 de valeurs identiques.<\/p>\n Dans la pratique courante de la recherche empirique, la pr\u00e9sence d’enregistrements lacunaires au sein desquels certaines variables ne sont pas renseign\u00e9es constitue la norme plut\u00f4t que l’exception. La mani\u00e8re dont un logiciel statistique g\u00e8re ces omissions conditionne l’exactitude des calculs matriciels. Par d\u00e9faut, la proc\u00e9dure PROC CORR de SAS applique une strat\u00e9gie d’exclusion dite \u00ab par paire \u00bb ou exclusion bivari\u00e9e locale (pairwise deletion<\/em>).<\/p>\n Ce m\u00e9canisme par d\u00e9faut signifie que pour chaque coefficient de corr\u00e9lation calcul\u00e9 entre une variable X et une variable Y, SAS prend en compte la totalit\u00e9 des observations qui poss\u00e8dent simultan\u00e9ment des valeurs valides pour ce bin\u00f4me sp\u00e9cifique, ind\u00e9pendamment du statut d’omission de ces m\u00eames sujets sur les autres variables incluses par ailleurs dans la commande VAR. Si un participant a omis de r\u00e9pondre \u00e0 la variable Z mais pr\u00e9sente des donn\u00e9es compl\u00e8tes sur X et Y, son observation sera scrupuleusement conserv\u00e9e pour le calcul du lien entre X et Y, et \u00e9cart\u00e9e exclusivement lors de l’estimation des corr\u00e9lations impliquant Z.<\/p>\n Si cette approche pr\u00e9sente l’attrait ind\u00e9niable de maximiser la puissance statistique en mobilisant la totalit\u00e9 de l’information empirique disponible pour chaque paire, elle rec\u00e8le des faiblesses m\u00e9thodologiques majeures. D’une part, l’effectif effectif N fluctue d’une case \u00e0 l’autre au sein de la m\u00eame matrice de r\u00e9sultats, ce qui complique les comparaisons directes d’intensit\u00e9 d’association. D’autre part et surtout, la matrice de corr\u00e9lation ou de covariance r\u00e9sultante peut perdre sa propri\u00e9t\u00e9 d’\u00eatre semi-d\u00e9finie positive. Cette pathologie math\u00e9matique emp\u00eache son inversion matricielle ult\u00e9rieure, vouant \u00e0 l’\u00e9chec toute tentative d’exploitation de cette matrice au sein de proc\u00e9dures de r\u00e9gression multivari\u00e9e, d’analyse factorielle ou de mod\u00e9lisation par \u00e9quations structurelles.<\/p>\n Pour pallier les d\u00e9s\u00e9quilibres structurels et les anomalies alg\u00e9briques engendr\u00e9s par l’exclusion bivari\u00e9e par paire, SAS int\u00e8gre une option fondamentale assurant une consistance absolue \u00e0 la matrice g\u00e9n\u00e9r\u00e9e : l’option NOMISS<\/strong>. D\u00e8s lors que cette directive est explicit\u00e9e dans la ligne d’appel (PROC CORR DATA=ma_table NOMISS;<\/em>), le moteur SAS bascule instantan\u00e9ment vers une strat\u00e9gie d’exclusion par observation compl\u00e8te ou suppression par liste (listwise deletion<\/em>).<\/p>\n Sous ce r\u00e9gime d’ex\u00e9cution strict, SAS passe en revue l’int\u00e9gralit\u00e9 des variables d\u00e9clar\u00e9es dans les \u00e9nonc\u00e9s VAR et WITH pour chaque ligne du tableau. Si une observation quelconque pr\u00e9sente une valeur manquante sur une seule des variables de la liste, l’enregistrement tout entier est impitoyablement purg\u00e9 de l’ensemble des analyses computationnelles de la proc\u00e9dure. Il en d\u00e9coule que tous les coefficients de la matrice, sans exception, sont calcul\u00e9s sur un \u00e9chantillon invariant d’observations rigoureusement compl\u00e8tes, garantissant un effectif N universellement homog\u00e8ne sur toute la surface de la table de sortie.<\/p>\n Bien que cette strat\u00e9gie garantisse que la matrice de covariance soit parfaitement semi-d\u00e9finie positive et pleinement compatible avec des mod\u00e9lisations causales ult\u00e9rieures, elle pr\u00e9sente un co\u00fbt statistique potentiellement r\u00e9dhibitoire : la d\u00e9perdition drastique de puissance statistique. Dans des protocoles longitudinaux ou des enqu\u00eates comportementales longues comportant un taux diffus de donn\u00e9es manquantes (par exemple 5 % d’omissions r\u00e9parties al\u00e9atoirement sur 20 variables), l’exclusion compl\u00e8te peut conduire \u00e0 l’\u00e9limination pure et simple de 40 \u00e0 60 % de l’\u00e9chantillon initial, r\u00e9duisant consid\u00e9rablement la pr\u00e9cision des estimateurs.<\/p>\n D’un point de vue \u00e9pid\u00e9miologique et m\u00e9thodologique contemporain, le choix entre les options par d\u00e9faut et NOMISS<\/em> de PROC CORR ne saurait s’abstraire d’une th\u00e9orisation rigoureuse des m\u00e9canismes g\u00e9n\u00e9rateurs de donn\u00e9es manquantes, tels que formalis\u00e9s par le statisticien Donald Rubin. Ces m\u00e9canismes se subdivisent en trois r\u00e9gimes stochastiques distincts : les donn\u00e9es manquantes de mani\u00e8re totalement al\u00e9atoire (MCAR – Missing Completely at Random<\/em>), les donn\u00e9es manquantes de mani\u00e8re al\u00e9atoire conditionnelle (MAR – Missing at Random<\/em>) et les donn\u00e9es manquantes de mani\u00e8re non al\u00e9atoire (MNAR – Missing Not at Random<\/em>).<\/p>\n La suppression par liste autoris\u00e9e par l’option NOMISS ne produit des estimations non biais\u00e9es des coefficients de corr\u00e9lation que si et seulement si le m\u00e9canisme sous-jacent rel\u00e8ve strictement du r\u00e9gime MCAR, signifiant que la probabilit\u00e9 d’omission d’une donn\u00e9e est totalement ind\u00e9pendante tant des valeurs observ\u00e9es que des valeurs manquantes elles-m\u00eames. Cette hypoth\u00e8se s’av\u00e8re fr\u00e9quemment irr\u00e9aliste en recherche clinique ou sociale, o\u00f9 l’omission d’une r\u00e9ponse (par exemple sur des questionnaires de consommation de substances ou de revenus financiers) est hautement corr\u00e9l\u00e9e \u00e0 des caract\u00e9ristiques latentes du participant.<\/p>\n Si les donn\u00e9es sont MAR ou MNAR, l’utilisation aveugle de PROC CORR avec ou sans NOMISS introduira des biais d’estimation substantiels dans la magnitude des coefficients. Dans ces configurations complexes, les standards m\u00e9thodologiques actuels pr\u00e9conisent d’abandonner l’analyse directe sur donn\u00e9es brutes lacunaires au profit de proc\u00e9dures modernes d’imputation multiple sous SAS au moyen de la proc\u00e9dure PROC MI<\/strong>, suivie de l’estimation des corr\u00e9lations sur chaque table imput\u00e9e, pour enfin synth\u00e9tiser les r\u00e9sultats finaux selon les r\u00e8gles combinatoires de Rubin via la proc\u00e9dure PROC MIANALYZE<\/strong>.<\/p>\n L’observation empirique d’une relation \u00e9troite entre deux variables quantitatives peut, comme nous l’avons soulign\u00e9, s’av\u00e9rer totalement sp\u00e9cieuse lorsqu’elle est m\u00e9di\u00e9e ou parasit\u00e9e par l’influence conjointe d’un tiers facteur non isol\u00e9. La corr\u00e9lation partielle constitue la r\u00e9ponse math\u00e9matique \u00e9l\u00e9gante \u00e0 cette probl\u00e9matique fondamentale : elle mesure avec exactitude le degr\u00e9 d’association lin\u00e9aire subsistant entre deux variables d’int\u00e9r\u00eat une fois que l’effet lin\u00e9aire exerc\u00e9 par une ou plusieurs covariables sp\u00e9cifi\u00e9es a \u00e9t\u00e9 math\u00e9matiquement contr\u00f4l\u00e9, neutralis\u00e9 et extrait des deux variables initiales.<\/p>\n Conceptuellement, le calcul d’une corr\u00e9lation partielle d’ordre 1 (contr\u00f4lant une seule covariable Z) \u00e9quivaut \u00e0 r\u00e9gresser lin\u00e9airement la variable X sur Z d’une part, puis la variable Y sur Z d’autre part, et enfin \u00e0 calculer le coefficient de corr\u00e9lation de Pearson standard directement sur les deux s\u00e9ries de r\u00e9sidus issus de ces deux r\u00e9gressions respectives. Les r\u00e9sidus repr\u00e9sentant la part de variance de chaque entit\u00e9 qui est rigoureusement ind\u00e9pendante et orthogonale aux fluctuations de Z, la corr\u00e9lation entre ces r\u00e9sidus capture la relation bivari\u00e9e pure, totalement purg\u00e9e de l’influence confondante de Z.<\/p>\n Sous SAS, la transition d’une analyse bivari\u00e9e classique vers un mod\u00e8le d’ajustement partiel s’effectue sans aucune complexit\u00e9 algorithmique par l’adjonction de l’instruction PARTIAL<\/strong> dans le corps de la proc\u00e9dure PROC CORR :<\/p>\n PROC CORR DATA=mes_donnees; Cette commande permet d’obtenir imm\u00e9diatement la corr\u00e9lation \u00e9pur\u00e9e unissant le volume des ventes et les d\u00e9penses de marketing, en neutralisant simultan\u00e9ment l’impact de l’anciennet\u00e9 commerciale et de la superficie des points de vente.<\/p>\n L’introduction d’une ou de plusieurs variables d’ajustement au sein de l’instruction PARTIAL modifie directement les param\u00e8tres math\u00e9matiques de l’inf\u00e9rence statistique, \u00e0 commencer par le nombre de degr\u00e9s de libert\u00e9 (DF – Degrees of Freedom<\/em>) associ\u00e9s aux tests de significativit\u00e9. Dans le calcul standard d’un coefficient de Pearson, les degr\u00e9s de libert\u00e9 sont d\u00e9finis par la formule (N – 2). D\u00e8s lors que l’analyste conditionne la relation sur un ensemble de k<\/em> variables de contr\u00f4le au moyen de l’instruction PARTIAL, le nombre de degr\u00e9s de libert\u00e9 est syst\u00e9matiquement r\u00e9ajust\u00e9 \u00e0 la baisse selon la formule (N – 2 – k).<\/p>\n Cette amputation m\u00e9canique des degr\u00e9s de libert\u00e9 refl\u00e8te la perte d’information statistique conc\u00e9d\u00e9e pour estimer les coefficients de r\u00e9gression des variables de contr\u00f4le. Elle se traduit par une l\u00e9g\u00e8re \u00e9l\u00e9vation du seuil critique de Student n\u00e9cessaire pour atteindre la significativit\u00e9 statistique, imposant une discipline de parcimonie dans la s\u00e9lection des variables \u00e0 partialiser afin de ne pas \u00e9roder inutilement la puissance du test sur des \u00e9chantillons restreints.<\/p>\n L’interpr\u00e9tation conjointe de la corr\u00e9lation d’ordre z\u00e9ro (la corr\u00e9lation brute non ajust\u00e9e) et de la corr\u00e9lation partielle ajust\u00e9e constitue un outil diagnostique exceptionnel pour caract\u00e9riser la nature des syst\u00e8mes multivari\u00e9s. Si la corr\u00e9lation partielle s’effondre vers z\u00e9ro alors que la corr\u00e9lation initiale \u00e9tait puissante, l’analyste apporte la preuve formelle que la relation de d\u00e9part \u00e9tait fallacieuse ou totalement m\u00e9di\u00e9e par le bloc de contr\u00f4le. \u00c0 l’inverse, si la corr\u00e9lation partielle augmente substantiellement en magnitude par rapport \u00e0 la corr\u00e9lation brute, le chercheur met en \u00e9vidence un effet de suppression statistique (suppressor effect<\/em>), la covariable neutralis\u00e9e ayant agi comme un filtre absorbant la variance d’erreur non pertinente.<\/p>\n Les champs de la psychologie clinique, de la neuropsychologie et de l’\u00e9pid\u00e9miologie cognitive fournissent des illustrations \u00e9clatantes de la n\u00e9cessit\u00e9 m\u00e9thodologique absolue de recourir \u00e0 l’instruction PARTIAL de PROC CORR. Lors de l’investigation du d\u00e9clin cognitif li\u00e9 au vieillissement, l’analyste cherche fr\u00e9quemment \u00e0 identifier l’association reliant la vitesse de traitement de l’information (\u00e9valu\u00e9e par des tests chronom\u00e9tr\u00e9s) et la performance en m\u00e9moire \u00e9pisodique de travail chez des adultes \u00e2g\u00e9s de 50 \u00e0 90 ans.<\/p>\n Une simple corr\u00e9lation bivari\u00e9e mettra invariablement en \u00e9vidence une relation hautement significative entre ces deux fonctions cognitives. Cependant, cette observation brute est largement imputable \u00e0 la s\u00e9nescence biologique g\u00e9n\u00e9rale du syst\u00e8me nerveux central qui alt\u00e8re simultan\u00e9ment l’ensemble des modules psychomoteurs au fil des d\u00e9cennies. En introduisant l’\u00e2ge chronologique des participants ainsi que leur niveau d’\u00e9ducation formelle (en ann\u00e9es d’\u00e9tudes) au sein de la clause PARTIAL Age Education;<\/em>, le chercheur parvient \u00e0 isoler la covariance intra-individuelle sp\u00e9cifique existant entre la vitesse et la m\u00e9moire, ind\u00e9pendamment du vieillissement normal et de la r\u00e9serve cognitive.<\/p>\n De m\u00eame, en psychopathologie quantitative, l’\u00e9tude des liens unissant les traits de personnalit\u00e9 du mod\u00e8le \u00e0 cinq facteurs (Big Five) et des marqueurs comportementaux \u00e0 risque (addictions, impulsivit\u00e9 alimentaire) exige quasi syst\u00e9matiquement le contr\u00f4le statistique de l’affect n\u00e9gatif g\u00e9n\u00e9ralis\u00e9 ou du n\u00e9vrosisme. La d\u00e9tresse \u00e9motionnelle diffuse ayant tendance \u00e0 colorer artificiellement l’ensemble des r\u00e9ponses aux auto-questionnaires, la partialisation de cette variable par PROC CORR permet de d\u00e9terminer si le construit th\u00e9orique cibl\u00e9 conserve une validit\u00e9 incr\u00e9mentielle propre ou s’il constitue un simple \u00e9piph\u00e9nom\u00e8ne de l’anxi\u00e9t\u00e9 g\u00e9n\u00e9rale du patient.<\/p>\n L’analyse statistique moderne r\u00e9cuse l’interpr\u00e9tation aveugle d’indices purement num\u00e9riques sans validation visuelle concomitante de la structure morphologique des distributions, une exigence rendue c\u00e9l\u00e8bre par le c\u00e9l\u00e8bre quartet d’Anscombe illustrant comment des jeux de donn\u00e9es aux propri\u00e9t\u00e9s g\u00e9om\u00e9triques radicalement dissemblables peuvent partager un coefficient de Pearson rigoureusement identique. Au sein de SAS, l’architecture ODS Graphics s’int\u00e8gre harmonieusement \u00e0 la proc\u00e9dure PROC CORR pour g\u00e9n\u00e9rer des repr\u00e9sentations graphiques diagnostiques sophistiqu\u00e9es en une seule ligne de code.<\/p>\n Pour activer cette machinerie visuelle de pointe, l’analyste doit au pr\u00e9alable s’assurer de l’activation globale du sous-syst\u00e8me au moyen de la commande ODS GRAPHICS ON;<\/em>, puis sp\u00e9cifier l’option PLOTS=<\/strong> au sein de l’instruction PROC CORR. L’option standard la plus puissante s’articule comme suit :<\/p>\n ODS GRAPHICS ON; Cette formulation produit automatiquement un graphique de dispersion enrichi d’un raffinement statistique exceptionnel. La figure int\u00e8gre les observations individuelles, la droite de r\u00e9gression lin\u00e9aire ajust\u00e9e par la m\u00e9thode des moindres carr\u00e9s, et surtout, une ellipse de confiance bivari\u00e9e param\u00e9tr\u00e9e au seuil sp\u00e9cifi\u00e9 (ici 95 % via l’argument ALPHA=0.05). L’orientation, l’excentricit\u00e9 et la surface de cette ellipse fournissent une lecture spatiale directe de la variance conjointe : une ellipse tr\u00e8s effil\u00e9e et inclin\u00e9e \u00e0 45 degr\u00e9s signale une corr\u00e9lation fr\u00f4lant l’unit\u00e9, tandis qu’une morphologie circulaire trahit une ind\u00e9pendance statistique absolue.<\/p>\n Lorsque la structure de donn\u00e9es int\u00e8gre un nombre \u00e9lev\u00e9 de dimensions, l’examen d’une matrice graphique compos\u00e9e de dizaines de nuages de points bivari\u00e9s miniatures (scatterplot matrix, g\u00e9n\u00e9r\u00e9e via PLOTS=MATRIX<\/em>) s’av\u00e8re cognitivement \u00e9prouvant. La mise en \u0153uvre de cartes thermiques de corr\u00e9lation (commun\u00e9ment d\u00e9sign\u00e9es sous l’anglicisme heatmaps<\/em>) constitue la r\u00e9ponse visuelle par excellence pour communiquer la structure globale d’un r\u00e9seau de mesures au sein de publications scientifiques de haut niveau.<\/p>\n Bien que PROC CORR propose une option graphique de type PLOTS=CORR<\/em> qui g\u00e9n\u00e8re une matrice synth\u00e9tique ombr\u00e9e par d\u00e9faut, l’obtention d’un rendu hautement esth\u00e9tique conforme aux normes graphiques des revues internationales s’op\u00e8re par le couplage de PROC CORR avec les proc\u00e9dures de graphisme analytique PROC TEMPLATE<\/strong> et PROC SGRENDER<\/strong>, ou plus directement via la proc\u00e9dure PROC SGPLOT<\/strong> exploitant l’instruction HEATMAPPARM<\/em>.<\/p>\n Le protocole technique consiste \u00e0 exporter dans un premier temps les coefficients de corr\u00e9lation calcul\u00e9s vers une table SAS structur\u00e9e gr\u00e2ce au syst\u00e8me ODS OUTPUT (en ciblant la table PearsonCorr<\/em>). Une fois ces valeurs tabul\u00e9es sous un format relationnel unissant une variable en abscisse et une variable en ordonn\u00e9e, l’analyste applique un gradient chromatique continu divergent (oscillant classiquement du bleu profond pour les corr\u00e9lations n\u00e9gatives intenses au rouge \u00e9carlate pour les associations positives maximales, en passant par le blanc ou le gris neutre pour la valeur z\u00e9ro). Cette cartographie thermique offre une lisibilit\u00e9 instantan\u00e9e, r\u00e9v\u00e9lant imm\u00e9diatement les blocs de colin\u00e9arit\u00e9 et les architectures modulaires au sein de vastes batteries de tests.<\/p>\n Pour l’\u00e9laboration de figures destin\u00e9es aux comit\u00e9s de r\u00e9daction des p\u00e9riodiques scientifiques \u00e0 comit\u00e9 de lecture, l’automatisation de PROC CORR peut \u00eatre avantageusement relay\u00e9e par la flexibilit\u00e9 programmatique sans \u00e9gale de la proc\u00e9dure PROC SGPLOT<\/strong>. Cette derni\u00e8re permet une superposition modulaire de couches graphiques param\u00e9triques et non param\u00e9triques sur un m\u00eame espace de coordonn\u00e9es bivari\u00e9es.<\/p>\n Une d\u00e9marche particuli\u00e8rement rigoureuse consiste \u00e0 superposer sur le nuage de points non seulement la droite de r\u00e9gression lin\u00e9aire classique (instruction REG<\/em>) assortie de ses intervalles de confiance sur la moyenne et de pr\u00e9diction sur les individus, mais \u00e9galement une courbe d’estimation non param\u00e9trique de type Loess ou spline de lissage p\u00e9nalis\u00e9e (instruction LOESS<\/em>). Cette confrontation visuelle imm\u00e9diate entre l’ajustement lin\u00e9aire contraint et l’ajustement non param\u00e9trique souple permet de v\u00e9rifier de visu la stricte validit\u00e9 de l’hypoth\u00e8se de lin\u00e9arit\u00e9 impos\u00e9e par le mod\u00e8le de Pearson.<\/p>\n Par ailleurs, l’environnement SAS permet de param\u00e9trer directement la r\u00e9solution g\u00e9om\u00e9trique et typographique des figures g\u00e9n\u00e9r\u00e9es au moyen d’instructions ODS sp\u00e9cifiques configurant les pilotes de sortie (par exemple ODS LISTING IMAGE_DPI=300;<\/em>). Cette configuration garantit que les diagrammes de dispersion bivari\u00e9s export\u00e9s au format TIFF ou EPS satisfont sans aucune d\u00e9gradation vectorielle aux exigences de r\u00e9solution minimale impos\u00e9es par les \u00e9diteurs acad\u00e9miques pour l’impression finale des articles scientifiques.<\/p>\n L’une des erreurs inf\u00e9rentielles les plus pernicieuses constat\u00e9es dans les rapports empiriques consiste \u00e0 calculer l’intervalle de confiance d’un coefficient de corr\u00e9lation de Pearson de mani\u00e8re sym\u00e9trique en ajoutant et retranchant simplement deux erreurs-types \u00e0 l’estimateur ponctuel, selon la formule na\u00efve r ± 1.96 * SE. Cette d\u00e9marche est fondamentalement erron\u00e9e d’un point de vue math\u00e9matique en raison de la nature asym\u00e9trique et born\u00e9e de la distribution d’\u00e9chantillonnage de r<\/em>. D\u00e8s lors que le param\u00e8tre dans la population s’\u00e9carte de z\u00e9ro, la distribution empirique de r<\/em> devient fortement asym\u00e9trique, se comprimant contre les bornes asymptotiques de -1,00 ou +1,00.<\/p>\n Pour r\u00e9soudre cette distorsion, Sir Ronald Fisher a d\u00e9velopp\u00e9 en 1921 sa transformation logarithmique canonique, universellement d\u00e9sign\u00e9e sous le nom de transformation z de Fisher<\/strong> (ou fonction tangente hyperbolique inverse, arctanh<\/em>). Cette fonction math\u00e9matique convertit l’\u00e9ventail born\u00e9 [-1, +1] en un continuum infini ]-∞, +∞[ au sein duquel la distribution de la nouvelle variable z<\/em> converge \u00e0 une vitesse spectaculaire vers une loi normale parfaite, dont la variance ne d\u00e9pend math\u00e9matiquement que de la taille de l’\u00e9chantillon, selon la relation \u00e9l\u00e9gante 1 \/ (N – 3).<\/p>\n Sous SAS, l’obtention des intervalles de confiance rigoureux construits via la m\u00e9thode de Fisher s’active par l’adjonction de l’option FISHER<\/strong> dans l’instruction d’en-t\u00eate de PROC CORR :<\/p>\n PROC CORR DATA=mes_donnees FISHER(ALPHA=0.05); Le compilateur SAS prend en charge l’ensemble de la cin\u00e9matique algorithmique : il convertit le r<\/em> empirique en son score z<\/em> \u00e9quivalent, calcule l’intervalle sym\u00e9trique \u00e0 95 % au sein de l’espace transform\u00e9, puis r\u00e9applique la transformation inverse (tangente hyperbolique standard) sur les bornes r\u00e9sultantes pour restituer un intervalle de confiance asym\u00e9trique rigoureusement exact sur l’\u00e9chelle originelle de corr\u00e9lation.<\/p>\n Une probl\u00e9matique analytique r\u00e9currente en psychologie diff\u00e9rentielle et en m\u00e9decine compar\u00e9e consiste \u00e0 \u00e9valuer si l’intensit\u00e9 du couplage lin\u00e9aire unissant deux param\u00e8tres diverge de mani\u00e8re statistiquement significative entre deux sous-populations distinctes et ind\u00e9pendantes \u2014 par exemple entre les hommes et les femmes, entre un groupe recevant un traitement actif et un groupe placebo, ou entre deux cohortes g\u00e9n\u00e9rationnelles distinctes.<\/p>\n Pour conduire ce test d’hypoth\u00e8se comparative sous SAS, l’analyste peut d\u00e9ployer l’instruction BY<\/strong> au sein de PROC CORR pour stratifier le calcul des coefficients par sous-groupe, sous r\u00e9serve d’avoir pr\u00e9alablement tri\u00e9 la table d’entr\u00e9e au moyen de la proc\u00e9dure PROC SORT<\/em>. Cependant, la simple juxtaposition visuelle de deux coefficients (par exemple r = 0,45 chez les femmes et r = 0,25 chez les hommes) ne suffit en aucun cas \u00e0 affirmer qu’ils diff\u00e8rent statistiquement, m\u00eame si l’un est d\u00e9clar\u00e9 significatif et l’autre non.<\/p>\n La statistique formelle de comparaison requiert le calcul de l’\u00e9cart standardis\u00e9 entre les deux coefficients pr\u00e9alablement convertis via la transformation z<\/em> de Fisher. L’erreur-type de la diff\u00e9rence entre deux z<\/em> ind\u00e9pendants s’exprime comme la racine carr\u00e9e de la somme [1\/(N1 – 3) + 1\/(N2 – 3)]. Le quotient de la diff\u00e9rence observ\u00e9e par cette erreur-type suit une loi normale centr\u00e9e r\u00e9duite (Z-score). L’analyste peut soit programmer cette formule \u00e9l\u00e9mentaire au sein d’une courte \u00e9tape DATA step exploitant les sorties captur\u00e9es par PROC CORR, soit mobiliser les options avanc\u00e9es de la proc\u00e9dure pour ex\u00e9cuter automatiquement le test d’homog\u00e9n\u00e9it\u00e9 des corr\u00e9lations entre sous-groupes.<\/p>\n L’estimation aveugle de vastes matrices de corr\u00e9lation croisant des dizaines de variables expose le chercheur \u00e0 une inflation dramatique du risque d’erreur de type I (l’erreur consistant \u00e0 rejeter ind\u00fbment l’hypoth\u00e8se nulle alors qu’elle est v\u00e9ridique, c’est-\u00e0-dire identifier des corr\u00e9lations purement fortuites). En vertu des lois de la combinatoire probabiliste, le calcul d’une matrice carr\u00e9e portant sur 30 variables engendre 435 corr\u00e9lations bivari\u00e9es distinctes. Si l’analyste \u00e9value chacun de ces tests au seuil alpha nominal habituel de 0,05, la probabilit\u00e9 cumul\u00e9e de d\u00e9clarer faussement significative au moins une association totalement inexistante (taux d’erreur par famille) avoisine math\u00e9matiquement 100 %.<\/p>\n Pour juguler cette inflation stochastique, la proc\u00e9dure PROC CORR met \u00e0 disposition des options d’ajustement inf\u00e9rentiel hautement rigoureuses. L’adjonction de l’option ADJUST=BONFERRONI<\/strong> recalibre imm\u00e9diatement l’ensemble des probabilit\u00e9s critiques en multipliant chaque p-value brute par le nombre total de comparaisons effectu\u00e9es au sein de la matrice. Bien que la m\u00e9thode de Bonferroni garantisse un contr\u00f4le irr\u00e9prochable du risque de type I, elle s’av\u00e8re particuli\u00e8rement conservatrice et peut accro\u00eetre ind\u00fbment le risque d’erreur de type II (manquer des associations r\u00e9elles par manque de puissance).<\/p>\n Une alternative m\u00e9thodologique plus moderne et \u00e9quilibr\u00e9e consiste \u00e0 adopter le contr\u00f4le du taux de fausses d\u00e9couvertes (FDR – False Discovery Rate<\/em>) formalis\u00e9 par Benjamini et Hochberg. SAS permet d’appliquer cette approche par l’interm\u00e9diaire de l’instruction ADJUST=FDR<\/strong> ou par le recours \u00e0 la proc\u00e9dure sp\u00e9cialis\u00e9e PROC MULTTEST<\/strong> nourrie par les tables d’ODS OUTPUT issues de PROC CORR. Cette strat\u00e9gie contr\u00f4le la proportion attendue de faux rejets parmi l’ensemble des d\u00e9couvertes d\u00e9clar\u00e9es significatives, offrant un compromis optimal entre rigueur inf\u00e9rentielle et puissance de d\u00e9tection dans les \u00e9tudes g\u00e9nomiques ou psychom\u00e9triques \u00e0 haute dimensionnalit\u00e9.<\/p>\n L’utilisation optimale de SAS dans des cha\u00eenes de traitement statistique industrielles ou des pipelines d’analyses reproductibles impose de s’affranchir de la lecture visuelle des r\u00e9sultats dans la fen\u00eatre d’affichage pour capturer programmatiquement les m\u00e9triques calcul\u00e9es sous forme de tables de donn\u00e9es directement requ\u00eatables. Le m\u00e9canisme ODS OUTPUT<\/strong> repr\u00e9sente la cl\u00e9 de vo\u00fbte de cette architecture de capture structur\u00e9e.<\/p>\n Chaque composant \u00e9dit\u00e9 par la proc\u00e9dure PROC CORR correspond \u00e0 un nom d’objet relationnel interne standardis\u00e9 document\u00e9 dans la biblioth\u00e8que du syst\u00e8me. Pour la matrice de Pearson bivari\u00e9e standard, l’objet cible est baptis\u00e9 PearsonCorr<\/em> ; pour les statistiques univari\u00e9es, il s’intitule SimpleStats<\/em> ; pour la matrice non param\u00e9trique de Spearman, il r\u00e9pond au libell\u00e9 SpearmanCorr<\/em>. La syntaxe de capture s’impl\u00e9mente par une simple ligne d\u00e9clarative intercal\u00e9e avant l’instruction RUN :<\/p>\n PROC CORR DATA=sashelp.iris NOSUMMARY; \u00c0 l’issue de l’ex\u00e9cution, SAS stocke l’int\u00e9gralit\u00e9 de la matrice num\u00e9rique, des noms de variables, des effectifs et des probabilit\u00e9s critiques au sein de la table de travail permanente MaTableCorrelations<\/em>. L’analyste dispose d\u00e8s lors de la libert\u00e9 totale de manipuler ces estimateurs au moyen d’\u00e9tapes DATA step successives, de requ\u00eates SQL (PROC SQL) ou d’op\u00e9rations de transposition matricielle (PROC TRANSPOSE), autorisant un filtrage automatis\u00e9 des associations satisfaisant simultan\u00e9ment \u00e0 des crit\u00e8res doubles d’amplitude d’effet (ex: |r| > 0,40) et de significativit\u00e9 stricte (ex: p < 0,001).<\/p>\n La transcription manuelle de matrices de corr\u00e9lation complexes depuis l’interface statistique vers des traitements de texte de bureau repr\u00e9sente une source notoire d’erreurs typographiques involontaires, en plus de constituer une d\u00e9perdition majeure de temps pour les \u00e9quipes de recherche. Le syst\u00e8me ODS de SAS r\u00e9sout int\u00e9gralement ce goulot d’\u00e9tranglement par ses canaux de routage direct vers les formats documentaires institutionnels standards que sont Microsoft Word (RTF), Adobe PDF et Microsoft Excel.<\/p>\n Pour exporter une matrice de corr\u00e9lation formalis\u00e9e selon les crit\u00e8res esth\u00e9tiques stricts requis pour la r\u00e9vision par les pairs acad\u00e9mique, l’analyste encapsule l’instruction PROC CORR entre des balises de destination ODS, comme l’illustre la s\u00e9quence suivante :<\/p>\n ODS RTF FILE=\u00a0\u00bbC:RechercheMatrice_Correlation.rtf\u00a0\u00bb STYLE=Journal; L’utilisation de la feuille de style pr\u00e9d\u00e9finie Journal<\/strong> applique automatiquement une mise en page d’une remarquable sobri\u00e9t\u00e9 typographique : suppression des quadrillages verticaux superflus, encadrement horizontal \u00e9pur\u00e9 conforme aux normes de pr\u00e9sentation de l’American Psychological Association (APA), et alignement num\u00e9rique d\u00e9cimal irr\u00e9prochable. De fa\u00e7on analogue, la destination ODS EXCEL<\/em> g\u00e9n\u00e8re des classeurs multi-onglets au sein desquels les r\u00e9sultats sont directement int\u00e9gr\u00e9s sous forme de cellules de calculs num\u00e9riques pr\u00eates pour d’\u00e9ventuelles consolidations financi\u00e8res ou actuarielles.<\/p>\n Dans les contextes de suivi longitudinal, de monitorage d’essais cliniques multicentriques ou de traitement de panels transactionnels massifs, l’analyste est r\u00e9guli\u00e8rement confront\u00e9 \u00e0 l’obligation de r\u00e9it\u00e9rer des calculs de corr\u00e9lation sur des sous-populations mouvantes, sur des fen\u00eatres temporelles glissantes ou \u00e0 travers de multiples strates d\u00e9mographiques. Le puissant langage de macro-programmation de SAS permet d’encapsuler la logique de PROC CORR au sein de routines param\u00e9triques r\u00e9utilisables \u00e0 l’infini.<\/p>\n La conception d’une macro-commande commence par la d\u00e9claration %MACRO<\/em> acceptant des arguments dynamiques tels que le nom de la table, les variables d’analyse, le mode de gestion des donn\u00e9es manquantes et le seuil d’ajustement. \u00c0 l’int\u00e9rieur de cette coquille, les variables macro (d\u00e9sign\u00e9es par le pr\u00e9fixe ampersand &<\/em>) sont r\u00e9solues dynamiquement lors de la compilation :<\/p>\n %MACRO CalculerCorr(TableIn=, VarX=, VarY=, Groupe=); L’invocation ult\u00e9rieure d’une simple ligne de code telle que %CalculerCorr(TableIn=sashelp.cars, VarX=Horsepower, VarY=MPG_City, Groupe=Origin);<\/em> ex\u00e9cute instantan\u00e9ment l’analyse compl\u00e8te stratifi\u00e9e par pays d’origine du constructeur. Ce niveau d’abstraction programmatique \u00e9limine toute duplication redondante de code source, garantit une standardisation m\u00e9thodologique rigoureuse \u00e0 travers tous les d\u00e9partements d’une organisation et s\u00e9curise l’auditabilit\u00e9 des r\u00e9sultats.<\/p>\n Parmi les \u00e9cueils m\u00e9thodologiques les plus destructeurs pour la fid\u00e9lit\u00e9 des inf\u00e9rences statistiques se trouve le ph\u00e9nom\u00e8ne de restriction d’\u00e9tendue de la variance (range restriction<\/em>). Le coefficient de corr\u00e9lation de Pearson \u00e9tant directement d\u00e9pendant de la dispersion des observations autour de leur centro\u00efde, toute s\u00e9lection artificielle ou truncation impos\u00e9e sur l’\u00e9chantillon analys\u00e9 r\u00e9duit m\u00e9caniquement la variance apparente et comprime drastiquement la magnitude du coefficient de corr\u00e9lation calcul\u00e9, conduisant \u00e0 une sous-estimation s\u00e9v\u00e8re de l’interd\u00e9pendance r\u00e9elle existant dans la population globale.<\/p>\n Ce biais est omnipr\u00e9sent dans les \u00e9tudes de s\u00e9lection acad\u00e9mique ou professionnelle. Imaginons un chercheur mesurant l’association reliant les scores obtenus \u00e0 un examen standardis\u00e9 d’admission universitaire et les r\u00e9sultats acad\u00e9miques ult\u00e9rieurs obtenus en troisi\u00e8me cycle. Si l’analyse est conduite exclusivement sur les candidats effectivement admis au sein du cursus (lesquels poss\u00e8dent obligatoirement des scores d’admission tr\u00e8s \u00e9lev\u00e9s et homog\u00e8nes), la corr\u00e9lation empirique observ\u00e9e sous SAS s’av\u00e9rera fr\u00e9quemment faible, voire proche de z\u00e9ro. Cette faiblesse ne prouve nullement l’inefficacit\u00e9 pr\u00e9dictive du test, mais refl\u00e8te simplement l’amputation de l’\u00e9ventail complet des notes \u00e9limin\u00e9es lors de la phase de filtrage.<\/p>\n Pour rem\u00e9dier \u00e0 cette att\u00e9nuation pathologique, la psychom\u00e9trie computationnelle a d\u00e9velopp\u00e9 des formulations correctives, au premier rang desquelles figure la c\u00e9l\u00e8bre formule de correction d’att\u00e9nuation de Thorndike. L’analyste appliquant SAS doit \u00eatre capable de transposer ces ajustements th\u00e9oriques par l’int\u00e9gration d’\u00e9tapes de recalibration logicielle r\u00e9injectant la variance estim\u00e9e de la population totale, afin de restituer l’estimation non biais\u00e9e du coefficient d’int\u00e9r\u00eat op\u00e9rationnel.<\/p>\n Le paradoxe de Simpson d\u00e9signe une configuration g\u00e9om\u00e9trique et probabiliste hautement troublante au sein de laquelle une corr\u00e9lation observ\u00e9e avec une direction donn\u00e9e au niveau de l’ensemble d’une population agr\u00e9g\u00e9e s’inverse totalement lorsque l’analyse est conduite s\u00e9par\u00e9ment au sein de chacune des sous-populations ou strates composant cette m\u00eame cohorte. Ce paradoxe survient lorsqu’une variable latente de confusion, souvent qualitative et non int\u00e9gr\u00e9e dans le mod\u00e8le bivari\u00e9 simple, entretient des liaisons puissantes et crois\u00e9es avec les deux variables analys\u00e9es.<\/p>\n Supposons une \u00e9tude clinique \u00e9valuant l’association entre le dosage d’un m\u00e9dicament exp\u00e9rimental et le taux de gu\u00e9rison pathologique sans tenir compte de la gravit\u00e9 clinique initiale des patients. \u00c0 l’\u00e9chelle globale, l’analyste calculant la corr\u00e9lation avec PROC CORR peut constater avec stupeur l’\u00e9mergence d’une corr\u00e9lation n\u00e9gative statistiquement significative, sugg\u00e9rant fallacieusement que plus le dosage augmente, moins le patient gu\u00e9rit. Toutefois, en stratifiant l’analyse \u00e0 l’aide de l’instruction BY Gravite_Maladie;<\/em>, la corr\u00e9lation s’av\u00e8re vigoureusement positive dans le sous-groupe des cas l\u00e9gers comme dans celui des cas s\u00e9v\u00e8res : les m\u00e9decins avaient simplement administr\u00e9 de mani\u00e8re pr\u00e9f\u00e9rentielle les doses les plus fortes aux patients pr\u00e9sentant le pronostic clinique le plus sombre.<\/p>\n Ce ph\u00e9nom\u00e8ne souligne avec acuit\u00e9 l’imp\u00e9ratif m\u00e9thodologique de ne jamais se fier aveugl\u00e9ment \u00e0 une matrice de corr\u00e9lation agr\u00e9g\u00e9e ex\u00e9cut\u00e9e sur une population h\u00e9t\u00e9rog\u00e8ne. La v\u00e9rification de l’invariance structurelle de la covariance \u00e0 travers les sous-groupes d\u00e9mographiques, environnementaux ou temporels constitue une pr\u00e9caution \u00e9l\u00e9mentaire indispensable avant de poser une quelconque conclusion nomoth\u00e9tique sur la r\u00e9alit\u00e9 d’une association lin\u00e9aire.<\/p>\n La communication des r\u00e9sultats statistiques au sein des publications de psychologie, d’\u00e9ducation et de sciences de la sant\u00e9 ob\u00e9it aux conventions typographiques et m\u00e9thodologiques formalis\u00e9es par le manuel de style de l’American Psychological Association (APA, 7e \u00e9dition). La transcription des sorties brutes fournies par SAS dans un manuscrit acad\u00e9mique exige une transposition rigoureuse respectant des normes d’\u00e9criture millim\u00e9tr\u00e9es.<\/p>\n Sur le plan textuel, chaque param\u00e8tre statistique doit \u00eatre symbolis\u00e9 par sa lettre canonique en italique majuscule ou minuscule selon les r\u00e8gles \u00e9tablies : le coefficient de Pearson s’\u00e9crit avec un r<\/em> minuscule italique, le coefficient de Spearman avec r_s<\/em> ou ρ<\/em>, et les degr\u00e9s de libert\u00e9 sont syst\u00e9matiquement inscrits entre parenth\u00e8ses imm\u00e9diatement apr\u00e8s la lettre. Les normes APA imposent une r\u00e8gle de parcimonie num\u00e9rique stricte concernant l’omission du z\u00e9ro initial : pour toute statistique qui ne peut math\u00e9matiquement jamais exc\u00e9der la valeur 1,00 (ce qui est pr\u00e9cis\u00e9ment le cas du coefficient de corr\u00e9lation et des valeurs de probabilit\u00e9s critiques p), il est formellement exig\u00e9 d’omettre le z\u00e9ro pr\u00e9c\u00e9dant la virgule ou le point d\u00e9cimal (ex: r<\/em>(148) = .42, et non pas 0.42).<\/p>\n De surcro\u00eet, le rapportage moderne proscrit les mentions vagues de significativit\u00e9 binaire de type \u00ab p < .05 \u00bb d\u00e8s lors que les valeurs exactes sont disponibles. L’analyste se doit d’indiquer la probabilit\u00e9 critique exacte produite par SAS (ex: p<\/em> = .023), la formulation \u00ab p<\/em> < .001 \u00bb \u00e9tant strictement r\u00e9serv\u00e9e aux valeurs infiniment petites que le syst\u00e8me affiche sous la forme <.0001. Enfin, une rigueur scientifique exemplaire commande d’accompagner syst\u00e9matiquement l’estimation ponctuelle de la taille de l’effet de son intervalle de confiance \u00e0 95 % (IC95%), permettant ainsi aux lecteurs d’appr\u00e9cier la pr\u00e9cision m\u00e9trologique de la mesure ind\u00e9pendamment de l’effet d’amplification m\u00e9canique induit par la taille de l’\u00e9chantillon.<\/p>\n Cohen, J. (1988). Statistical power analysis for the behavioral sciences<\/em> (2nd ed.). Lawrence Erlbaum Associates.<\/p>\n Fisher, R. A. (1921). On the \u00ab\u00a0probable error\u00a0\u00bb of a coefficient of correlation deduced from a small sample. Metron<\/em>, 1, 3-32. https:\/\/digital.library.adelaide.edu.au\/dspace\/handle\/2440\/15169<\/a><\/p>\n Kendall, M. G. (1938). A new measure of rank correlation. Biometrika<\/em>, 30(1\/2), 81-93. https:\/\/doi.org\/10.1093\/biomet\/30.1-2.81<\/a><\/p>\n Little, R. J. A., & Rubin, D. B. (2019). Statistical analysis with missing data<\/em> (3rd ed.). John Wiley & Sons.<\/p>\n Pearson, K. (1895). Notes on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London<\/em>, 58, 240-242. https:\/\/doi.org\/10.1098\/rspl.1895.0041<\/a><\/p>\n SAS Institute Inc. (2021). SAS\/STAT 15.2 User’s Guide: The CORR Procedure<\/em>. SAS Institute Inc. https:\/\/support.sas.com\/documentation\/onlinedoc\/stat\/index.html<\/a><\/p>\n1.2 Hypoth\u00e8ses sous-jacentes au coefficient de Pearson<\/h3>\n
1.3 Distinction \u00e9pist\u00e9mologique entre association lin\u00e9aire et causalit\u00e9<\/h3>\n
2. Introduction \u00e0 l’environnement SAS et \u00e0 la proc\u00e9dure PROC CORR<\/h2>\n
2.1 Structure syntaxique g\u00e9n\u00e9rale de l’instruction PROC CORR<\/h3>\n
2.2 Chargement et inspection pr\u00e9liminaire des jeux de donn\u00e9es<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/fish1.jpg\")
<\/figure>\n2.3 Options globales du syst\u00e8me et gestion de l’affichage ODS<\/h3>\n
3. Pr\u00e9paration et exploration pr\u00e9alable des donn\u00e9es<\/h2>\n
3.1 Exploration descriptive univari\u00e9e avant l’analyse relationnelle<\/h3>\n
3.2 D\u00e9tection visuelle et statistique des valeurs aberrantes<\/h3>\n
3.3 V\u00e9rification des exigences de m\u00e9trique d’\u00e9chelle<\/h3>\n
4. Calcul de la corr\u00e9lation bivari\u00e9e simple de Pearson sous SAS<\/h2>\n
4.1 Impl\u00e9mentation de l’instruction de base pour deux variables<\/h3>\n
\n VAR SepalLength PetalLength;
\nRUN;<\/em><\/p>\n4.2 S\u00e9paration des variables cibles avec l’instruction WITH<\/h3>\n
\n VAR SepalWidth PetalLength PetalWidth;
\n WITH SepalLength;
\nRUN;<\/em><\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrSAS1.jpg\")
<\/figure>\n4.3 Interpr\u00e9tation de la significativit\u00e9 statistique (p-value)<\/h3>\n
5. Matrices de corr\u00e9lation multivari\u00e9e entre plusieurs variables<\/h2>\n
5.1 G\u00e9n\u00e9ration d’une matrice carr\u00e9e compl\u00e8te<\/h3>\n
![\"correlation](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrSAS2.jpg\")
5.2 Construction de matrices rectangulaires via l’instruction WITH<\/h3>\n
5.3 Formatage et tri de la matrice pour une lisibilit\u00e9 accrue<\/h3>\n
6. Corr\u00e9lations non param\u00e9triques : Spearman et Kendall dans SAS<\/h2>\n
6.1 Coefficient de corr\u00e9lation des rangs de Spearman (rho)<\/h3>\n
\n VAR Echelle_Anxiete Score_Performance;
\nRUN;<\/em><\/p>\n6.2 Tau de Kendall (tau-b et tau-c) pour petits \u00e9chantillons et ex-aequo<\/h3>\n
\n VAR Item1 Item2 Item3;
\nRUN;<\/em><\/p>\n6.3 Comparaison m\u00e9thodologique entre Pearson, Spearman et Kendall<\/h3>\n
7. Gestion des donn\u00e9es manquantes dans la proc\u00e9dure PROC CORR<\/h2>\n
7.1 Suppression par paire (Pairwise Deletion) par d\u00e9faut<\/h3>\n
7.2 Suppression par observation compl\u00e8te (Listwise Deletion)<\/h3>\n
7.3 Consid\u00e9rations m\u00e9thodologiques sur les m\u00e9canismes de donn\u00e9es manquantes<\/h3>\n
8. Analyse de corr\u00e9lation partielle et semi-partielle<\/h2>\n
8.1 Fondements de la corr\u00e9lation partielle dans SAS<\/h3>\n
\n VAR Volume_Ventes Depenses_Marketing;
\n PARTIAL Anciennete_Marque Taille_Magasin;
\nRUN;<\/em><\/p>\n8.2 Interpr\u00e9tation des degr\u00e9s de libert\u00e9 et coefficients ajust\u00e9s<\/h3>\n
8.3 Applications pratiques en psychologie diff\u00e9rentielle et clinique<\/h3>\n
9. Visualisation graphique des corr\u00e9lations avec SAS<\/h2>\n
9.1 Int\u00e9gration d’ODS Graphics pour des repr\u00e9sentations automatiques<\/h3>\n
\nPROC CORR DATA=sashelp.iris PLOTS=SCATTER(ALPHA=0.05);
\n VAR SepalLength PetalLength;
\nRUN;
\nODS GRAPHICS OFF;<\/em><\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrSAS3.jpg\")
<\/figure>\n9.2 Cartes thermiques de corr\u00e9lation (Heatmaps) sous SAS<\/h3>\n
9.3 Graphiques bivari\u00e9s d\u00e9taill\u00e9s avec PROC SGPLOT<\/h3>\n
10. Inf\u00e9rence statistique avanc\u00e9e et intervalles de confiance<\/h2>\n
10.1 Transformation en Z de Fisher pour l’estimation d’intervalles<\/h3>\n
\n VAR Score_Test_A Score_Test_B;
\nRUN;<\/em><\/p>\n10.2 Comparaison de deux coefficients de corr\u00e9lation ind\u00e9pendants<\/h3>\n
10.3 Correction pour tests multiples dans les matrices \u00e9tendues<\/h3>\n
11. Exportation, automatisation et int\u00e9gration des sorties SAS<\/h2>\n
11.1 Capture des r\u00e9sultats structur\u00e9s via ODS OUTPUT<\/h3>\n
\n VAR SepalLength SepalWidth PetalLength PetalWidth;
\n ODS OUTPUT PearsonCorr=MaTableCorrelations;
\nRUN;<\/em><\/p>\n11.2 Exportation des tableaux vers Word, PDF et Excel<\/h3>\n
\nPROC CORR DATA=mes_donnees NOSUMMARY;
\n VAR V1 V2 V3 V4;
\nRUN;
\nODS RTF CLOSE;<\/em><\/p>\n11.3 Automatisation par Macro-programmation SAS<\/h3>\n
\n PROC SORT DATA=&TableIn OUT=TempSort;
\n BY &Groupe;
\n RUN;
\n PROC CORR DATA=TempSort NOMISS FISHER;
\n BY &Groupe;
\n VAR &VarX &VarY;
\n RUN;
\n%MEND CalculerCorr;<\/em><\/p>\n12. Pi\u00e8ges m\u00e9thodologiques, erreurs fr\u00e9quentes et recommandations<\/h2>\n
12.1 D\u00e9pendance fallacieuse : restriction d’\u00e9tendue et sous-\u00e9chantillonnage<\/h3>\n
12.2 Paradoxe de Simpson et h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 non observ\u00e9e<\/h3>\n
12.3 Bonnes pratiques de rapportage selon les normes APA<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n