Ce guide exhaustif propose une immersion th\u00e9orique et pratique approfondie dans l’univers de la corr\u00e9lation bivari\u00e9e sous Stata, sp\u00e9cifiquement orient\u00e9e vers les probl\u00e9matiques de la psychom\u00e9trie et des sciences humaines. \u00c0 travers l’examen d\u00e9taill\u00e9 des formulations alg\u00e9briques, l’analyse compar\u00e9e des postulats d’application, le d\u00e9ploiement pas-\u00e0-pas des routines syntaxiques et la restitution des r\u00e9sultats selon les normes \u00e9ditoriales de l’American Psychological Association (APA)<\/a>, ce manuel constitue une ressource avanc\u00e9e pour les chercheurs, analystes de donn\u00e9es et cliniciens d\u00e9sireux de conf\u00e9rer \u00e0 leurs travaux quantitatifs un niveau irr\u00e9prochable de pr\u00e9cision et de rigueur m\u00e9trologique.<\/p>\n D’un point de vue statistique formel, la corr\u00e9lation bivari\u00e9e quantifie l’intensit\u00e9 et la direction de la relation conjointe unissant deux variables al\u00e9atoires. Elle proc\u00e8de fondamentalement d’une standardisation de la covariance, laquelle repr\u00e9sente l’esp\u00e9rance math\u00e9matique du produit des \u00e9carts de chaque variable par rapport \u00e0 sa propre moyenne th\u00e9orique. Alors que la covariance brute demeure intrins\u00e8quement tributaire des unit\u00e9s de mesure dans lesquelles sont exprim\u00e9es les variables observ\u00e9es \u2014 ce qui rend toute comparaison inter-\u00e9tudes p\u00e9rilleuse \u2014, le coefficient de corr\u00e9lation \u00e9limine cet effet d’\u00e9chelle par une division normative par le produit des dispersions univari\u00e9es. Il en r\u00e9sulte un indice adimensionnel dont la magnitude est strictement circonscrite au sein de l’intervalle ferm\u00e9 allant de -1 \u00e0 +1.<\/p>\n Sur le plan g\u00e9om\u00e9trique et probabiliste, une corr\u00e9lation de +1 d\u00e9note une concordance parfaite, indiquant que les observations se d\u00e9ploient sans la moindre d\u00e9viation le long d’une fonction croissante. \u00c0 l’inverse, un coefficient de -1 traduit une discordance inverse parfaite, tandis qu’une valeur nulle signale une absence compl\u00e8te de relation lin\u00e9aire ou monotone entre les deux grandeurs mesur\u00e9es. En psychom\u00e9trie, cette \u00e9chelle standardis\u00e9e offre un \u00e9talon commun indispensable pour appr\u00e9cier l’ampleur d’un lien conceptuel, ind\u00e9pendamment du fait que l’on manipule des millisecondes issues de temps de r\u00e9action informatis\u00e9s, des scores sommatifs obtenus \u00e0 des \u00e9preuves d’efficience intellectuelle ou des cotations gradu\u00e9es sur des inventaires de sympt\u00f4mes psychopathologiques.<\/p>\n Il importe toutefois de rappeler avec force la distinction \u00e9pist\u00e9mologique fondamentale entre corr\u00e9lation et causalit\u00e9. En psychologie et en sciences sociales, l’existence d’une association bivari\u00e9e statistiquement significative entre deux construits n’implique en aucun cas une d\u00e9termination causale unilat\u00e9rale de l’un sur l’autre. Une corr\u00e9lation observ\u00e9e peut refl\u00e9ter l’influence masqu\u00e9e d’une troisi\u00e8me variable confondante (causalit\u00e9 spurieuse), une causalit\u00e9 r\u00e9ciproque ou bidirectionnelle, voire une simple co\u00efncidence d’\u00e9chantillonnage. En m\u00e9trologie psychologique, la corr\u00e9lation trouve son champ d’application le plus noble non pas dans l’affirmation causale directe, mais dans la d\u00e9monstration de la validit\u00e9 de construit : la validit\u00e9 convergente requiert l’existence de corr\u00e9lations substantielles entre tests mesurant des concepts apparent\u00e9s, tandis que la validit\u00e9 discriminante exige des coefficients r\u00e9siduels ou n\u00e9gligeables face \u00e0 des construits th\u00e9oriquement orthogonaux.<\/p>\n La s\u00e9lection rigoureuse d’un indice de corr\u00e9lation n\u00e9cessite une analyse pr\u00e9alable approfondie de la nature m\u00e9trologique des variables en jeu. Dans ses travaux fondateurs sur la th\u00e9orie de la mesure, le psychologue Stanley Smith Stevens<\/a> a propos\u00e9 une taxinomie quadripartite distinguant les \u00e9chelles nominales, ordinales, d’intervalles et de rapports. Cette classification d\u00e9termine de mani\u00e8re imp\u00e9rative les op\u00e9rations math\u00e9matiques autoris\u00e9es sur les scores et gouverne directement l’ad\u00e9quation des outils statistiques disponibles. Alors que les \u00e9chelles de rapports disposent d’un z\u00e9ro absolu et que les \u00e9chelles d’intervalles garantissent une \u00e9quidistance constante entre unit\u00e9s cons\u00e9cutives, l’\u00e9chelon ordinal ne permet que de classer hi\u00e9rarchiquement les individus sans quantifier l’espacement exact s\u00e9parant deux rangs successifs.<\/p>\n Les m\u00e9triques param\u00e9triques classiques, incarn\u00e9es principalement par le coefficient produit-moment de Pearson, supposent formellement que les donn\u00e9es soient issues d’\u00e9chelles d’intervalles ou de rapports. Dans ce paradigme, les op\u00e9rations d’addition, de calcul de moyennes arithm\u00e9tiques et d’\u00e9carts-types poss\u00e8dent une validit\u00e9 math\u00e9matique pleine et enti\u00e8re. En revanche, le statut m\u00e9trologique des \u00e9chelles d’attitudes de type Likert (par exemple, des \u00e9chelons de r\u00e9ponse gradu\u00e9s de 1 \u00ab Pas du tout d’accord \u00bb \u00e0 5 \u00ab Tout \u00e0 fait d’accord \u00bb), omnipr\u00e9sentes dans les questionnaires de personnalit\u00e9 et de sant\u00e9 mentale, suscite d’intenses d\u00e9bats \u00e9pist\u00e9mologiques. Bien qu’une pratique courante consiste \u00e0 sommer les items et \u00e0 traiter le score global r\u00e9sultant comme une quasi-mesure d’intervalle par application du th\u00e9or\u00e8me central limite, l’analyse d’items isol\u00e9s demeure strictement ordinale.<\/p>\n L’arbre d\u00e9cisionnel guidant le praticien s’articule ainsi autour de trois crit\u00e8res majeurs : le niveau de mesure th\u00e9orique des donn\u00e9es, la forme g\u00e9om\u00e9trique de la trajectoire d’association et le respect des distributions sous-jacentes. Lorsque deux variables continues satisfont aux exigences de lin\u00e9arit\u00e9 et de normalit\u00e9 multivari\u00e9e, le r<\/em> de Pearson s’impose comme l’estimateur de r\u00e9f\u00e9rence \u00e0 efficacit\u00e9 statistique maximale. En pr\u00e9sence de donn\u00e9es purement ordinales, de distributions nettement asym\u00e9triques ou d’associations monotones non lin\u00e9aires, les coefficients de rangs non param\u00e9triques constituent l’alternative m\u00e9thodologique incontournable. Le rho<\/em> de Spearman sera alors privil\u00e9gi\u00e9 pour des analyses exploratoires globales et des \u00e9chelles composites \u00e9tendues, tandis que le tau<\/em> de Kendall sera express\u00e9ment retenu en pr\u00e9sence d’\u00e9chantillons de taille r\u00e9duite ou d’une forte pr\u00e9valence de rangs ex-aequo.<\/p>\n Au sein de l’\u00e9cosyst\u00e8me contemporain des logiciels de traitement statistique, Stata occupe une place d’excellence pl\u00e9biscit\u00e9e par les biostatisticiens, \u00e9conom\u00e8tres et m\u00e9thodologistes de la psychologie empirique. Contrairement \u00e0 des logiciels articul\u00e9s exclusivement autour d’interfaces graphiques opaques, Stata repose sur un moteur sous-jacent command\u00e9 par une syntaxe en ligne concise et rigoureuse. Cette architecture hybride permet \u00e0 l’utilisateur de concilier une manipulation intuitive via des bo\u00eetes de dialogue avec l’automatisation syst\u00e9matique de protocoles d’analyses complexes au moyen de fichiers scripts appel\u00e9s do-files<\/em>.<\/p>\n La reproductibilit\u00e9 computationnelle repr\u00e9sente une exigence d\u00e9ontologique cardinale dans le contexte actuel de crise de r\u00e9plication qui traverse les sciences comportementales. Gr\u00e2ce \u00e0 la structure des do-files<\/em> de Stata, chaque \u00e9tape de transformation des variables brutes, d’imputation de donn\u00e9es manquantes, de diagnostic distributionnel et de calcul corr\u00e9lationnel se trouve consign\u00e9e de mani\u00e8re transparente, immuable et imm\u00e9diatement partageable au sein de la communaut\u00e9 scientifique. L’environnement Stata garantit en outre une tra\u00e7abilit\u00e9 int\u00e9grale des r\u00e9sultats gr\u00e2ce \u00e0 la tenue de fichiers de log (log-files<\/em>) attestant des versions d’algorithmes mobilis\u00e9es et des sorties d’ex\u00e9cution exactes.<\/p>\n Sur le plan m\u00e9trologique, Stata offre des atouts remarquables pour le traitement des donn\u00e9es d’enqu\u00eates psychologiques et psychosociales. Ses algorithmes internes traitent de mani\u00e8re native et sophistiqu\u00e9e les plans d’\u00e9chantillonnage complexes impliquant des stratifications, des pond\u00e9rations probabilistes ou des effets de grappes via sa suite de commandes sp\u00e9cialis\u00e9es. De surcro\u00eet, le logiciel combine une vitesse de calcul exceptionnelle avec une gestion rigoureuse de la pr\u00e9cision num\u00e9rique en virgule flottante, garantissant des calculs de matrices de corr\u00e9lation robustes, y compris face \u00e0 des bases de donn\u00e9es volumineuses comportant des millions d’enregistrements ou des dizaines d’items psychom\u00e9triques corr\u00e9l\u00e9s.<\/p>\n Con\u00e7u \u00e0 la fin du XIXe si\u00e8cle par Karl Pearson<\/a> \u00e0 partir des intuitions initiales de Francis Galton, le coefficient de corr\u00e9lation produit-moment constitue la mesure historique canonique de la d\u00e9pendance lin\u00e9aire entre deux variables quantitatives continues. Alg\u00e9briquement, pour un \u00e9chantillon de taille n<\/em> compos\u00e9 de couples d’observations (X_i, Y_i), le coefficient d’\u00e9chantillonnage, d\u00e9sign\u00e9 conventionnellement par la lettre latine r<\/em>, est d\u00e9fini comme le quotient de la covariance d’\u00e9chantillonnage par le produit des \u00e9carts-types d’\u00e9chantillonnage respectifs de chaque variable. Dans cette formulation, les termes au num\u00e9rateur capturent la co-variation conjointe des points autour du centre de gravit\u00e9 bivari\u00e9 d\u00e9fini par les moyennes empiriques.<\/p>\n Une perspective g\u00e9om\u00e9trique \u00e9l\u00e9gante permet de conceptualiser le coefficient de Pearson au sein de l’espace vectoriel euclidien \u00e0 n<\/em> dimensions. Si l’on associe \u00e0 chaque variable un vecteur centr\u00e9 dont l’origine correspond \u00e0 la moyenne arithm\u00e9tique de l’\u00e9chantillon, le r<\/em> de Pearson \u00e9quivaut exactement au cosinus trigonom\u00e9trique de l’angle g\u00e9om\u00e9trique form\u00e9 par ces deux vecteurs d’observations. Lorsque les vecteurs sont parfaitement colin\u00e9aires et orient\u00e9s dans le m\u00eame sens, l’angle est nul et son cosinus vaut 1 ; lorsqu’ils sont strictement orthogonaux, l’angle atteint 90 degr\u00e9s et son cosinus s’annule, illustrant une ind\u00e9pendance lin\u00e9aire absolue au sein de l’espace \u00e9chantillonnal.<\/p>\n Le coefficient de Pearson pr\u00e9sente des propri\u00e9t\u00e9s math\u00e9matiques remarquables d’invariance d’\u00e9chelle. Plus pr\u00e9cis\u00e9ment, le coefficient demeure strictement invariant sous l’effet de toute transformation lin\u00e9aire affine strictement positive de la forme Y’ = aY + b (avec a > 0). Cette propri\u00e9t\u00e9 garantit que la conversion d’unit\u00e9s de mesure (par exemple, le passage d’une dur\u00e9e exprim\u00e9e en secondes \u00e0 une dur\u00e9e en minutes, ou le reclassement de scores bruts sous forme de notes centr\u00e9es-r\u00e9duites) ne modifie aucunement la magnitude du lien mesur\u00e9. Enfin, le carr\u00e9 du coefficient de Pearson, d\u00e9sign\u00e9 sous le vocable de coefficient de d\u00e9termination r<\/em>\u00b2, poss\u00e8de une interpr\u00e9tation substantive directe : il quantifie la proportion de la variance totale de la variable d\u00e9pendante directement partag\u00e9e ou expliqu\u00e9e par la variance de l’autre variable.<\/p>\n La validit\u00e9 des conclusions issues du calcul du r<\/em> de Pearson repose sur une s\u00e9rie de postulats distributionnels et structurels stricts qu’aucun chercheur ne saurait ignorer sans compromettre la solidit\u00e9 de ses inf\u00e9rences. En premier lieu figure l’hypoth\u00e8se de la normalit\u00e9 bivari\u00e9e. Ce postulat th\u00e9orique stipule non seulement que chaque variable prise isol\u00e9ment suit une loi de distribution gaussienne (normalit\u00e9 univari\u00e9e), mais \u00e9galement que pour toute valeur fix\u00e9e de la variable X, la distribution conditionnelle de la variable Y suit une loi normale, et r\u00e9ciproquement. Bien que le coefficient d’\u00e9chantillonnage r<\/em> puisse \u00eatre calcul\u00e9 de mani\u00e8re descriptive sur n’importe quel ensemble de couples num\u00e9riques, l’inf\u00e9rence statistique formelle et les tests d’hypoth\u00e8ses associ\u00e9s exigent le respect scrupuleux de ce mod\u00e8le gaussien.<\/p>\n Le second r\u00e9quisit fondamental concerne la stricte lin\u00e9arit\u00e9 de l’association fonctionnelle. Le r<\/em> de Pearson est une m\u00e9trique aveugle aux configurations g\u00e9om\u00e9triques curvilignes. Si deux variables entretiennent une relation en forme de parabole ou de U invers\u00e9 \u2014 comme l’illustre typiquement la loi de Yerkes-Dodson reliant le niveau d’\u00e9veil physiologique \u00e0 la performance cognitive \u2014, le coefficient de Pearson peut s’av\u00e9rer proche de z\u00e9ro, masquant une interd\u00e9pendance fonctionnelle pourtant d\u00e9terministe et massive. L’inspection des configurations graphiques s’av\u00e8re donc indispensable pour attester de la pertinence de l’ajustement lin\u00e9aire sous-tendant l’indice.<\/p>\n Enfin, le mod\u00e8le exige l’homosc\u00e9dasticit\u00e9 des r\u00e9sidus et l’absence d’observations hautement influentes. L’homosc\u00e9dasticit\u00e9 postule que la dispersion conditionnelle des r\u00e9sidus autour de la droite d’ajustement demeure constante sur l’ensemble de l’\u00e9tendue des valeurs pr\u00e9dites. Une variance h\u00e9t\u00e9rosc\u00e9dastique \u2014 fr\u00e9quemment rencontr\u00e9e en psychom\u00e9trie lorsque la variabilit\u00e9 des r\u00e9ponses s’accro\u00eet consid\u00e9rablement aux extr\u00e9mit\u00e9s des scores \u2014 vicie l’estimation des erreurs-types d’\u00e9chantillonnage. Parall\u00e8lement, le coefficient produit-moment se caract\u00e9rise par une vuln\u00e9rabilit\u00e9 aigu\u00eb \u00e0 l’\u00e9gard des valeurs aberrantes univari\u00e9es ou bivari\u00e9es : l’inclusion d’une unique observation extr\u00eame d\u00e9viant substantiellement du nuage principal suffit fr\u00e9quemment \u00e0 gonfler artificiellement ou \u00e0 annihiler la valeur du coefficient estim\u00e9.<\/p>\n Dans la d\u00e9marche hypoth\u00e9tico-d\u00e9ductive standard, le calcul ponctuel du r<\/em> d’\u00e9chantillonnage s’accompagne d’un test statistique visant \u00e0 d\u00e9terminer si la corr\u00e9lation observ\u00e9e s’\u00e9carte significativement d’une ind\u00e9pendance lin\u00e9aire totale dans la population parente, ce qui revient \u00e0 poser l’hypoth\u00e8se nulle H0: rho = 0 face \u00e0 l’hypoth\u00e8se alternative bilat\u00e9rale H1: rho != 0. Sous l’hypoth\u00e8se nulle et sous condition de normalit\u00e9 bivari\u00e9e, la distribution d’\u00e9chantillonnage du coefficient transform\u00e9 suit exactement une loi de Student \u00e0 (n<\/em> – 2) degr\u00e9s de libert\u00e9. La statistique de test se calcule ais\u00e9ment en rapportant le coefficient r<\/em> \u00e0 son erreur-type d’\u00e9chantillonnage estim\u00e9e par la racine carr\u00e9e du terme (1 – r<\/em>\u00b2) divis\u00e9 par (n<\/em> – 2).<\/p>\n D\u00e8s lors que l’hypoth\u00e8se nulle postule une valeur de corr\u00e9lation non nulle dans la population (par exemple, lors de la v\u00e9rification d’une hypoth\u00e8se d’\u00e9quivalence m\u00e9trologique postulant rho >= .80), la distribution d’\u00e9chantillonnage du coefficient de Pearson cesse d’\u00eatre sym\u00e9trique et devient fortement asym\u00e9trique, se comprimant contre les bornes th\u00e9oriques -1 ou +1. Pour surmonter cet obstacle lors de la construction d’intervalles de confiance \u00e0 95% ou de la comparaison de coefficients, l’on applique la c\u00e9l\u00e8bre transformation z de Fisher<\/a>. Cette fonction math\u00e9matique applique la tangente hyperbolique inverse au coefficient r<\/em>, op\u00e9rant une lin\u00e9arisation qui convertit la statistique d’\u00e9chantillonnage en une variable dont la distribution converge rapidement vers une loi normale de variance approximativement \u00e9gale \u00e0 1 \/ (n<\/em> – 3).<\/p>\n L’utilisation de la m\u00e9trique transform\u00e9e de Fisher autorise des comparaisons inf\u00e9rentielles rigoureuses entre deux coefficients de corr\u00e9lation ind\u00e9pendants obtenus aupr\u00e8s de deux groupes distincts (par exemple, comparer la corr\u00e9lation anxi\u00e9t\u00e9-d\u00e9pression chez des patients cliniques versus un groupe t\u00e9moin sain). La diff\u00e9rence standardis\u00e9e entre les valeurs z<\/em> de Fisher rapport\u00e9e \u00e0 l’erreur-type de la diff\u00e9rence permet d’obtenir un \u00e9cart r\u00e9duit normal Z<\/em> directement interpr\u00e9table. Pour des corr\u00e9lations issues d’\u00e9chantillons d\u00e9pendants (par exemple, comparer la corr\u00e9lation d’une \u00e9preuve A avec une \u00e9preuve B, \u00e0 la corr\u00e9lation de l’\u00e9preuve A avec une \u00e9preuve C mesur\u00e9es sur les m\u00eames sujets), des proc\u00e9dures d’ajustement matriciel plus complexes int\u00e9grant la corr\u00e9lation crois\u00e9e BC doivent \u00eatre mobilis\u00e9es pour maintenir le taux d’erreur de premi\u00e8re esp\u00e8ce au niveau nominal souhait\u00e9.<\/p>\n D\u00e9velopp\u00e9 par le psychologue et statisticien britannique Charles Spearman<\/a> au d\u00e9but du XXe si\u00e8cle, le coefficient de corr\u00e9lation de rangs \u2014 universellement symbolis\u00e9 par la lettre grecque rho<\/em> ou not\u00e9 rs<\/em> \u2014 repr\u00e9sente la r\u00e9ponse non param\u00e9trique directe aux limites intrins\u00e8ques du mod\u00e8le de Pearson. Le m\u00e9canisme conceptuel fondamental de la proc\u00e9dure de Spearman r\u00e9side dans l’abandon complet des grandeurs m\u00e9triques quantitatives d’origine au profit exclusif de leur ordonnancement hi\u00e9rarchique. Toutes les observations de la variable X sont pr\u00e9alablement class\u00e9es par ordre croissant et re\u00e7oivent un rang ordinal entier s’\u00e9chelonnant de 1 \u00e0 n<\/em> ; une transformation strictement identique est appliqu\u00e9e de mani\u00e8re ind\u00e9pendante aux observations de la variable Y.<\/p>\n D’un point de vue analytique, le rho<\/em> de Spearman est formellement \u00e9quivalent \u00e0 l’application rigoureuse de la formule produit-moment de Pearson calcul\u00e9e directement sur les s\u00e9ries de rangs ainsi substitu\u00e9es aux donn\u00e9es brutes. N\u00e9anmoins, lorsque le jeu de donn\u00e9es ne comporte aucune ex-aequo au sein des classements, cette formulation alg\u00e9brique se simplifie consid\u00e9rablement sous une forme arithm\u00e9tique \u00e9l\u00e9gante : elle s’exprime comme l’unit\u00e9 diminu\u00e9e du quotient du sextuple de la somme des carr\u00e9s des diff\u00e9rences de rangs par le facteur polynomial n<\/em>(n<\/em>\u00b2 – 1). Cette formule met en \u00e9vidence que plus l’\u00e9cart relatif entre les rangs occup\u00e9s par un m\u00eame individu sur les deux dimensions est faible, plus la somme des diff\u00e9rences quadratiques s’approche de z\u00e9ro, conduisant le coefficient rho<\/em> vers sa borne unitaire maximale.<\/p>\n Cette logique d’ordonnancement modifie substantiellement la nature g\u00e9om\u00e9trique de la relation mod\u00e9lis\u00e9e. Alors que Pearson mesure l’adh\u00e9rence stricte \u00e0 une droite euclidienne dans l’espace des donn\u00e9es m\u00e9triques, le coefficient de Spearman \u00e9value le degr\u00e9 de monotonicit\u00e9 de la liaison. Une fonction monotone est une fonction dont la trajectoire cro\u00eet ou d\u00e9cro\u00eet continuellement, sans jamais inverser le signe de sa d\u00e9riv\u00e9e premi\u00e8re, ind\u00e9pendamment du fait que cette croissance s’op\u00e8re selon une cin\u00e9tique lin\u00e9aire, logarithmique, exponentielle ou sigmo\u00efdale. Par cons\u00e9quent, si une variable cro\u00eet de fa\u00e7on continue avec une autre, le rho<\/em> de Spearman affichera une valeur parfaite de +1, l\u00e0 o\u00f9 le r<\/em> de Pearson sous-estimera l’intensit\u00e9 de l’association du fait de la courbure non lin\u00e9aire de la trajectoire observ\u00e9e.<\/p>\n Dans la pratique psychom\u00e9trique et l’exp\u00e9rimentation comportementale, le respect des id\u00e9aux distributionnels gaussiens constitue l’exception plut\u00f4t que la norme empirique. Les scores de d\u00e9pression recueillis en population g\u00e9n\u00e9rale pr\u00e9sentent quasi syst\u00e9matiquement une forte asym\u00e9trie positive avec un empilement massif d’observations au plancher des scores (effet plancher), tandis que des \u00e9preuves d’\u00e9valuation des comp\u00e9tences professionnelles ou des tests cognitifs trop ais\u00e9s exhibent fr\u00e9quemment une asym\u00e9trie n\u00e9gative prononc\u00e9e (effet plafond). Face \u00e0 de telles alt\u00e9rations morphologiques, les hypoth\u00e8ses de normalit\u00e9 univari\u00e9e et bivari\u00e9e s’effondrent, invalidant les calculs de significativit\u00e9 conventionnels du coefficient produit-moment.<\/p>\n Le recours au coefficient de Spearman neutralise avec une rare efficacit\u00e9 ces distorsions distributionnelles. En projetant les valeurs initiales sur l’\u00e9chelle uniforme discr\u00e8te des entiers naturels allant de 1 \u00e0 n<\/em>, la transformation par rangs op\u00e8re une r\u00e9gularisation automatique de la forme de la distribution, uniformisant artificiellement les dispersions p\u00e9riph\u00e9riques. Par cette op\u00e9ration, l’asym\u00e9trie initiale (skewness<\/em>) et l’aplatissement anormal (kurtosis<\/em>) des scores bruts se trouvent totalement annihil\u00e9s dans l’espace ordinal de calcul, restituant un comportement d’\u00e9chantillonnage stable et bien ma\u00eetris\u00e9.<\/p>\n Un autre b\u00e9n\u00e9fice majeur r\u00e9side dans l’insensibilit\u00e9 relative du rho<\/em> face aux valeurs extr\u00eames isol\u00e9es ou aberrantes. Dans le mod\u00e8le de Pearson, un sujet pr\u00e9sentant un score extr\u00eamement d\u00e9viant exerce un moment d’inertie quadratique d\u00e9mesur\u00e9 lors du centrage et de la mise au carr\u00e9 des \u00e9carts, tirant \u00e0 lui seul la droite de r\u00e9gression. Dans l’approche de Spearman, ce m\u00eame individu, qu’il d\u00e9passe le score moyen de trois ou de cinquante \u00e9carts-types, se voit simplement assigner le rang ordinal le plus \u00e9lev\u00e9 (le rang n<\/em>). L’impact de son \u00e9loignement m\u00e9trique se trouve de facto born\u00e9 par l’incr\u00e9ment ordinal d’une unit\u00e9 au-dessus du sujet imm\u00e9diatement inf\u00e9rieur, prot\u00e9geant ainsi l’analyste contre les artefacts g\u00e9n\u00e9r\u00e9s par des erreurs de saisie ou des variations individuelles atypiques mais non repr\u00e9sentatives du profil d’association g\u00e9n\u00e9ral.<\/p>\n L’une des contraintes inh\u00e9rentes au d\u00e9ploiement de la corr\u00e9lation de rangs concerne la gestion des observations identiques, couramment d\u00e9sign\u00e9es sous le terme de rangs ex-aequo (tied ranks<\/em>). En psychologie quantitative, cette situation est omnipr\u00e9sente en raison de la nature granulaire et born\u00e9e des instruments d’\u00e9valuation : une \u00e9chelle d’\u00e9valuation de la douleur gradu\u00e9e de 0 \u00e0 10 ou un questionnaire en 5 points administr\u00e9 \u00e0 des centaines de participants g\u00e9n\u00e8rent in\u00e9vitablement des cohortes volumineuses d’individus partageant le m\u00eame score num\u00e9rique brut.<\/p>\n Pour r\u00e9soudre cette ambigu\u00eft\u00e9 de classement, la convention m\u00e9thodologique standard consiste \u00e0 attribuer \u00e0 chacune des observations identiques le rang moyen th\u00e9orique du segment ordinal qu’elles auraient occup\u00e9 conjointement si elles avaient pu \u00eatre distingu\u00e9es. Si, par exemple, deux sujets se partagent la deuxi\u00e8me et la troisi\u00e8me position du classement, le rang 2.5 leur est uniform\u00e9ment assign\u00e9. Cependant, l’apparition de rangs fractionnaires ex-aequo engendre une diminution artificielle de la variance empirique de la distribution des rangs, qui devient inf\u00e9rieure \u00e0 la variance th\u00e9orique formelle d’une permutation d’entiers purs calcul\u00e9e sur l’ensemble {1, 2, …, n}. Si la formule arithm\u00e9tique simplifi\u00e9e bas\u00e9e sur les diff\u00e9rences quadratiques de rangs est appliqu\u00e9e aveugl\u00e9ment sans ajustement, le coefficient estim\u00e9 sera sujet \u00e0 un biais syst\u00e9matique d’inflation ou de d\u00e9flation selon la r\u00e9partition des \u00e9galit\u00e9s.<\/p>\n1. Introduction aux mesures d’association et aux corr\u00e9lations en psychom\u00e9trie<\/h2>\n
1.1 D\u00e9finition conceptuelle de la corr\u00e9lation bivari\u00e9e<\/h3>\n
1.2 Typologie des \u00e9chelles de mesure et choix du coefficient<\/h3>\n
1.3 Pr\u00e9sentation du logiciel Stata dans l’analyse quantitative<\/h3>\n
2. Fondements th\u00e9oriques du coefficient de corr\u00e9lation de Pearson<\/h2>\n
2.1 Formulation math\u00e9matique et propri\u00e9t\u00e9s du r de Pearson<\/h3>\n
2.2 Conditions d’application et postulats fondamentaux<\/h3>\n
2.3 Inf\u00e9rence statistique et tests d’hypoth\u00e8ses pour Pearson<\/h3>\n
3. Fondements th\u00e9oriques de la corr\u00e9lation de rangs de Spearman<\/h2>\n
3.1 Transformation en rangs et formule du rho de Spearman<\/h3>\n
3.2 Avantages psychom\u00e9triques face aux violations de postulats<\/h3>\n
3.3 Gestion des rangs ex-aequo et inf\u00e9rence statistique<\/h3>\n
![\"Summarize](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/scatterStata1.png\")
![\"Pearson](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrStata1.png\")
![\"Pearson](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrStata2.png\")
![\"Pearson](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrStata3.png\")
![\"Spearman](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrStata4.png\")
![\"Spearman](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrStata5.png\")
![\"Kendall\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/corrStata6.png\")