Exemples de questions et discussion sur l'analyse de corrélation
L'analyse de corrélation est une méthode statistique permettant de déterminer le degré de relation entre deux variables. Cette analyse est fréquemment utilisée dans diverses disciplines, telles que l'économie, la psychologie, la médecine et la sociologie, afin de comprendre la force de la relation entre deux variables. Dans cet article, nous aborderons plusieurs exemples et discussions pour faciliter la compréhension du concept d'analyse de corrélation.
Comprendre l'analyse de corrélation
L'analyse de corrélation permet de mesurer l'intensité et le sens de la relation entre deux variables numériques. Cette corrélation est généralement exprimée par un coefficient de corrélation, qui peut varier de -1 à 1. Ces valeurs peuvent être interprétées comme suit :
– +1 : Corrélation positive parfaite. Les deux variables évoluent dans la même direction.
– 0 : Aucune corrélation. Les deux variables n'ont pas de relation linéaire claire.
– -1 : Corrélation négative parfaite. Les deux variables évoluent en sens inverse.
Le coefficient de corrélation le plus couramment utilisé est celui de Pearson. Cependant, d'autres méthodes de corrélation existent, comme celles de Spearman et de Kendall, qui conviennent mieux aux données ordinales ou non linéaires.
Étapes de l'analyse de corrélation
1. Collecte des données : Collecter les données pour les deux variables à analyser.
2. Visualisation des données : Créez un nuage de points pour visualiser la relation entre les deux variables.
3. Calcul du coefficient de corrélation : Calculez le coefficient de corrélation de Pearson, Spearman ou Kendall.
4. Interprétation des résultats : Déterminez la force et la direction de la relation en fonction de la valeur du coefficient de corrélation.
5. Test de signification : Déterminer si la corrélation trouvée est statistiquement significative.
Exemples de questions et discussion
Question 1 : Corrélation de Pearson
Données relatives à la taille (cm) et au poids (kg) de 5 personnes :
| Personne | Taille (cm) | Poids (kg) |
|——-|————-|————|
| A | 160 | 55 |
| B | 165 | 60 |
| C | 170 | 65 |
| D | 175 | 70 |
| E | 180 | 75 |
Calculez le coefficient de corrélation de Pearson pour ces données.
Discussion:
1. Calcul de la moyenne :
– Taille moyenne (X̄) = (160 + 165 + 170 + 175 + 180) / 5 = 170
– Poids moyen (Ȳ) = (55 + 60 + 65 + 70 + 75) / 5 = 65
2. Calcul de l'écart par rapport à la moyenne :
– Écart élevé : (160 – 170), (165 – 170), (170 – 170), (175 – 170), (180 – 170)
– Écart important : (55 – 65), (60 – 65), (65 – 65), (70 – 65), (75 – 65)
3. Calcul du produit de déviation :
– (160-170)(55-65) = 10 10 = 100
– (165-170)(60-65) = 5 5 = 25
– (170-170)(65-65) = 0 0 = 0
– (175-170)(70-65) = 5 5 = 25
– (180-170)(75-65) = 10 10 = 100
Total = 100 25 0 + 25 100 250 + XNUMX XNUMX + XNUMX XNUMX XNUMX + XNUMX XNUMX = XNUMX XNUMX XNUMX
4. Calcul du carré de l'écart :
– Hauteur : (160-170)², (165-170)², (170-170)², (175-170)², (180-170)²
– Poids : (55-65)², (60-65)², (65-65)², (70-65)², (75-65)²
Pour la hauteur :
– (160-170)² = 100
– (165-170)² = 25
– (170-170)² = 0
– (175-170)² = 25
– (180-170)² = 100
Total = 100 25 0 + 25 100 250 + XNUMX XNUMX + XNUMX XNUMX XNUMX + XNUMX XNUMX = XNUMX XNUMX XNUMX
Pour le poids :
– (55-65)² = 100
– (60-65)² = 25
– (65-65)² = 0
– (70-65)² = 25
– (75-65)² = 100
Total = 100 25 0 + 25 100 250 + XNUMX XNUMX + XNUMX XNUMX XNUMX + XNUMX XNUMX = XNUMX XNUMX XNUMX
5. Calcul du coefficient de corrélation de Pearson :
\[
r = \frac{\sum ((X – X̄)(Y – Ȳ))}{\sqrt{\sum (X – X̄)² \sum (Y – Ȳ)²}}
\]
\[
r = \frac{250}{\sqrt{250 \times 250}} = \frac{250}{250} = 1
\]
Interprétation : Un coefficient de corrélation de Pearson égal à 1 indique une relation positive parfaite entre la taille et le poids.
Question 2 : Corrélation de Spearman
Étant donné les données de classement de deux variables comme suit :
| Personne | Variable X | Variable Y |
|——-|————|————|
| A | 1 | 3 |
| B | 2 | 1 |
| C | 3 | 4 |
| D | 4 | 2 |
| E | 5 | 5 |
Calculez le coefficient de corrélation de Spearman à partir des données.
Discussion:
1. Calcul de la différence de classement (d) :
– Pour le classement X et Y :
– A : 1 – 3 = -2
– B : 2 – 1 = 1
– C : 3 – 4 = -1
– D : 4 – 2 = 2
– E : 5 – 5 = 0
2. Calcul du carré de la différence de classement (d²) :
– (-2)² = 4
– (1)² = 1
– (-1)² = 1
– (2)² = 4
– (0)² = 0
Total (Σd²) = 4 + 1 + 1 + 4 + 0 = 10
3. Calcul du coefficient de corrélation de Spearman :
\[
r_s = 1 – \frac{6 \sum d^2}{n(n^2 – 1)}
\]
\[
r_s = 1 – \frac{6 \times 10}{5(5^2 – 1)} = 1 – \frac{60}{120} = 1 – 0.5 = 0.5
\]
Interprétation : La valeur du coefficient de corrélation de Spearman de 0.5 indique une relation positive modérée entre les variables X et Y.
conclusion
Les exemples précédents illustrent comment l'analyse de corrélation permet de déterminer la force et le sens de la relation entre deux variables. Le coefficient de corrélation de Pearson s'applique aux données numériques présentant une relation linéaire, tandis que le coefficient de corrélation de Spearman est utilisé pour les données ordinales ou non linéaires. La maîtrise de ces techniques nous permet d'analyser les données avec plus de précision et de tirer des conclusions plus justes dans divers domaines d'étude.
