Voir la source de Corrélation (statistiques)

{{homonyme|Corrélation}}
{{Infobox Méthode scientifique}} 

En [[probabilité]]s et en [[statistique]], la '''corrélation''' entre plusieurs [[Variable aléatoire réelle|variables aléatoires]] ou statistiques est une notion de liaison qui contredit leur [[indépendance (probabilités)|indépendance]].

Cette corrélation est très souvent réduite à la corrélation ''linéaire'' entre [[variable quantitative|variables quantitatives]], c’est-à-dire l’ajustement d’une variable par rapport à l’autre par une relation [[fonction affine|affine]] obtenue par [[régression linéaire]]. Pour cela, on calcule un '''coefficient de corrélation linéaire'''<ref>Une vidéo de présentation du coefficient de corrélation est accessible [http://math.agrocampus-ouest.fr/infoglueDeliverLive/enseignement/support2cours/videos ici].</ref>, quotient de leur [[covariance]] par le produit de leurs [[écart type|écarts types]]. Son signe indique si des valeurs plus hautes de l’une correspondent « en moyenne » à des valeurs plus hautes ou plus basses pour l’autre. La [[valeur absolue]] du coefficient, toujours comprise entre 0 et 1, ne mesure pas l’intensité de la liaison mais la prépondérance de la relation affine sur les variations internes des variables. Un coefficient nul n’implique pas l'indépendance, car d’autres types de corrélation sont possibles.

D’autres indicateurs permettent de calculer un coefficient de corrélation pour des [[variable ordinale|variables ordinales]].

Le fait que deux variables soient « fortement corrélées » ne démontre pas qu'il y ait une relation de [[Causalité (philosophie)|causalité]] entre l'une et l'autre. Le [[contre-exemple]] le plus typique est celui où elles sont en fait liées par une [[Causalité au sens de Granger|causalité]] commune. Cette confusion est connue sous l'expression ''[[Cum hoc ergo propter hoc]]''.

== Histoire ==

La corrélation est un concept issu de la [[biologie]]. C'est par le biais des travaux de [[Francis Galton]] que la corrélation devient un concept statistique. Toutefois pour Galton, la notion de corrélation n'est pas définie précisément et il l'assimile dans un premier temps à la droite de régression d'un modèle de [[régression linéaire]]<ref name="armatte">{{article|prénom1=Michel|nom1=Armatte|lien auteur1=Michel Armatte|titre=Le statut changeant de la corrélation en économétrie (1910-1944)|périodique=Revue économique|volume=52|numéro=3|année=2001|pages=617-631|url=http://www.cairn.info/revue-economique-2001-3-page-617.htm|consulté le=9/9/2011}}.</ref>.

C'est ensuite [[Karl Pearson]] qui propose en 1896 une formule mathématique pour la notion de corrélation et un estimateur de cette grandeur<ref name="armatte" />.

La corrélation est introduite en économie avec l'ouvrage de [[Arthur Lyon Bowley|Bowley]] ''Elements of Statistics'' en 1902<ref name="bowley">BOWLEY A.L. [1901], Elements of Statistics, Londres, King and Son, {{2e}} éd. 1902,335 p.; {{4e}} éd. 1920,454 p.; trad. française sur la {{5e}} éd. par L. Suret et G. Lutfalla, 1929.</ref> et l'intervention de [[George Udny Yule]] en 1909. Yule introduit notamment la notion de [[corrélation partielle]]<ref>YULE G.U. [1909], « Les applications de la méthode de corrélation aux statistiques sociales et économiques », BIIS, 28 (1), compte rendu de la {{12e|session}} de Paris, p. 265-277.</ref>{{,}}<ref name="armatte" />.

L'usage du coefficient de corrélation a suscité de vives controverses. Par exemple, [[Maurice René Fréchet|Maurice Fréchet]] s'y est vivement opposé en montrant les difficultés d'interprétation de ce paramètre<ref>FRECHET M. [1934], « Sur l’usage du soi-disant coefficient de corrélation », Rapport pour la {{22e|session}} de l’IIS à Londres, Bulletin de l’IIS.</ref>{{,}}<ref name="armatte" />.

== Droite de régression ==

{{article détaillé|régression linéaire}}
Calculer le coefficient de corrélation entre deux variables ''numériques'' revient à chercher et à  résumer la liaison qui existe entre les variables à l'aide d'une droite. On parle alors d'un [[ajustement affine|ajustement linéaire]].

Comment calculer les caractéristiques de cette droite ? En faisant en sorte que l'erreur que l'on commet en représentant la liaison entre nos variables par une droite soit la plus petite possible. Le critère formel le plus souvent utilisé, mais pas le seul possible, est de minimiser la somme de toutes les erreurs effectivement commises au carré. On parle alors d'ajustement selon la [[méthode des moindres carrés]] ordinaires. La droite résultant de cet ajustement s'appelle une droite de régression. Plus la qualité globale de représentation de la liaison entre nos variables par cette droite est bonne, et plus le coefficient de corrélation linéaire associé l'est également. Il existe une équivalence formelle entre les deux concepts.

== Coefficient de corrélation ''linéaire'' de Bravais-Pearson ==
=== Définition ===
Le '''coefficient de corrélation''' entre deux variables aléatoires réelles ''X'' et ''Y'' ayant chacune une [[Variance (mathématiques)|variance]] (finie<ref>Les variables sont supposées appartenir à l'espace vectoriel <math>L^2(\Omega, \mathcal{B}, \operatorname{P})</math> des variables aléatoires de carré intégrable.</ref>), noté Cor(''X,Y''), ou parfois <math>\rho_{XY}</math>, ou <math>r_p</math>, ou simplement <math>r</math>, est défini par :
:<math>r = \frac{\operatorname{Cov}(X,Y)}{\sigma_X \sigma_Y}</math>
où
* <math>\operatorname{Cov}(X,Y)</math> désigne la [[covariance]] des variables ''X'' et ''Y'' ;
* <math>\sigma_X</math> et <math>\sigma_Y</math> désignent leurs [[écart type|écarts types]].

De manière équivalente :
:<math>r = {\operatorname{E}[(X-\operatorname{E}(X))(Y-\operatorname{E}(Y))] \over \sigma_X\sigma_Y} = {\operatorname{E}(XY) - \operatorname{E}(X) \operatorname{E}(Y) \over \sigma_X\sigma_Y}</math>
où <math>\operatorname{E}[...]</math> désigne l'[[espérance mathématique]] de [...].

=== Matrice de corrélation ===
La '''matrice de corrélation'''  d'un [[vecteur]]  de ''p'' variables aléatoires  <math>\vec X=\begin{pmatrix} X_1  \\ \vdots\\ X_p \end{pmatrix}</math> dont chacune possède une variance (finie), est la [[matrice (mathématiques)|matrice]] carrée dont le terme générique est donné par :
:<math>r_{i,j}=\operatorname{Cor}\left(X_i,X_j\right)</math>

Les termes diagonaux de cette matrice sont égaux à 1, elle est [[Matrice symétrique|symétrique]], [[Matrice autoadjointe positive|semi]]-[[Matrice définie positive|définie positive]] et ses [[Valeur propre|valeurs propres]] sont positives ou nulles.

=== Estimation ===
Partant d’un [[Échantillon (statistiques)|échantillon]] <math display=inline>\{(x_i, y_i)\,|\, 1\le i\le N\},</math> de réalisations indépendantes de deux variables ''X'' et ''Y'', un [[Estimateur (statistique)|estimateur]] ([[Biais (statistique)|biaisé]]) du coefficient de corrélation est donné par :

:<math>\hat{r}_p = \dfrac{\hat{\sigma}_{XY}}{\hat{\sigma}_X \hat{\sigma}_Y}</math>

avec
:<math>\hat{\sigma}_{XY} =\frac{1}{N}{\sum_{i=1}^N (x_i - \bar x)\cdot(y_i - \bar y)}</math>

:<math>\hat{\sigma}_X =\sqrt{\dfrac{1}{N}\displaystyle \sum_{i=1}^N (x_i - \bar x)^2} \,</math>  et  <math>\, \hat{\sigma}_Y =\sqrt{\dfrac{1}{N}\displaystyle \sum_{i=1}^N (y_i - \bar y)^2}</math> 

:<math>\bar x =\dfrac{1}{N}{\displaystyle \sum_{i=1}^N x_i}\,</math>  et  <math>\, \bar y =\dfrac{1}{N}{\displaystyle \sum_{i=1}^N y_i}</math>

qui sont respectivement des estimateurs de la covariance, des écarts types et des espérances des variables ''X'' et ''Y''.

==== Remarques ====

Numériquement, <math>\hat{r}_p</math> est compris dans [–1, 1] : c’est une conséquence de l’[[inégalité de Cauchy-Schwarz]].

Les deux séries ne sont pas linéairement corrélées si <math>\hat{r}_p</math> est nul. Les deux séries sont d'autant mieux corrélées que <math>\hat{r}_p</math> est proche de 1 ou de –1.

Appliqué à une matrice de corrélation, le [[test de sphéricité de Bartlett]] permet de juger si les coefficients extra-diagonaux sont globalement différents de zéro.

=== Interprétation ===
[[Fichier:Correlation examples2.svg|thumb|350 px|Exemples de coefficients de corrélation : corrélation linéaire pour les deux premières lignes, non linéaire pour la troisième ligne.]]

{|class="wikitable" align="right"
|-
! Corrélation !! Négative !! Positive
|-
| Faible || de {{FormatNum:-0.5}} à {{FormatNum:0.0}} || de {{FormatNum:0.0}} à {{FormatNum:0.5}}
|-
| Forte || de {{FormatNum:-1.0}} à {{FormatNum:-0.5}} || de {{FormatNum:0.5}} à {{FormatNum:1.0}}
|}

Le coefficient de corrélation linéaire est égal à 1 lorsque l'une des variables est une fonction affine croissante de l'autre variable et à –1 lorsque l'une des variables est une fonction affine décroissante de l'autre. Les valeurs intermédiaires renseignent sur le degré de [[Indépendance linéaire|dépendance linéaire]] entre les deux variables. Plus le coefficient est proche des valeurs extrêmes –1 et 1, plus la corrélation linéaire entre les variables est forte ; on emploie simplement l'expression « fortement corrélées » pour qualifier les deux variables. Une corrélation égale à 0 signifie que les variables ne sont pas corrélées linéairement, elles peuvent néanmoins être corrélées non-linéairement, comme on peut le voir sur la troisième ligne de l'image ci-contre.

Le coefficient de corrélation  n’est pas sensible aux unités de chacune des variables. Ainsi, par exemple, le coefficient de corrélation linéaire entre l’âge et le poids d’un individu sera identique que l’âge soit mesuré en semaines, en mois ou en années.

En revanche, ce coefficient de corrélation est extrêmement sensible à la présence de valeurs aberrantes ou extrêmes (ces valeurs sont appelées des « déviants ») dans notre ensemble de données (valeurs très éloignées de la majorité des autres, pouvant être considérées comme des exceptions).

Plusieurs auteurs ont proposé des directives pour l'interprétation d'un coefficient de corrélation. Cohen (1988)<ref name="Cohen88">[[Jacob Cohen (statisticien)|Jacob Cohen]]. (1988). ''Statistical power analysis for the behavioral sciences'' (2{{e}} {{ed.}}).</ref>, a observé, toutefois, que tous ces critères sont à certains égards arbitraires et ne doivent pas être trop strictement observés. L'interprétation d'un coefficient de corrélation dépend du contexte et des objectifs. Une corrélation de 0,9 peut être très faible si l'on vérifie une [[loi physique]] en utilisant des instruments de qualité, mais peut être considérée comme très élevée dans les sciences sociales où il peut y avoir une contribution plus importante de facteurs de complication.

=== Interprétation géométrique ===
Les deux séries de valeurs  <math>X (x_1, \ldots, x_n)</math> et <math>Y (y_1, \ldots, y_n)</math> 
peuvent être considérées comme des vecteurs dans un espace à n dimensions. Remplaçons-les par des vecteurs centrés :
<math>X (x_1 - \bar x, \ldots, x_n - \bar x)</math> et <math>Y (y_1 - \bar y, \ldots, y_n - \bar y)</math>.

Le cosinus de l'angle α entre ces vecteurs est donné par la formule suivante ([[produit scalaire]] normé) :

: <math>\cos(\alpha) = \dfrac{\displaystyle \sum_{i=1}^N (x_i - \bar x)\cdot(y_i - \bar y)}{\sqrt{\displaystyle \sum_{i=1}^N (x_i - \bar x)^2}\cdot\sqrt{\displaystyle \sum_{i=1}^N (y_i - \bar y)^2}}</math>

Donc <math>\cos(\alpha) = r_p </math>, ce qui explique que <math>r_p </math> est toujours compris entre –1 et 1.

Le coefficient de corrélation n’est autre que le cosinus de l'angle α entre les deux vecteurs centrés.

: Si r = 1, l’angle α = 0,  les deux vecteurs sont colinéaires (parallèles).

: Si r = 0, l’angle α = 90°,  les deux vecteurs sont orthogonaux.

: Si r = –1, l’angle α vaut 180°, les deux vecteurs sont colinéaires de sens opposé.

: Plus généralement : <math>\alpha = \arccos(r)</math>, où <math>\arccos</math> est la réciproque de la fonction cosinus.

Bien sûr, du point de vue géométrique, on ne parle pas de « corrélation linéaire » : le coefficient de corrélation a toujours un sens, quelle que soit sa valeur entre –1 et 1. Il nous renseigne de façon précise, non pas tant sur le degré de dépendance entre les variables, que sur leur distance angulaire dans l’hypersphère à n dimensions.

=== Dépendance ===

Attention, il est toujours possible de calculer un coefficient de corrélation (sauf cas très particulier) mais un tel coefficient  n'arrive pas toujours à rendre compte de la relation qui existe en réalité entre les variables étudiées. En effet, il suppose que l'on essaye de juger de l'existence d'une relation linéaire entre nos variables. Il n'est donc pas adapté pour juger de corrélations qui ne seraient pas linéaires et non linéarisables. Il perd également de son intérêt lorsque les données étudiées sont très hétérogènes puisqu'il représente une relation moyenne et que l'on sait que la [[moyenne]] n'a pas toujours un sens, notamment si la distribution des données est multi modale.

Si les deux variables sont totalement [[Indépendance en probabilité élémentaire|indépendantes]], alors leur corrélation est égale à 0. La [[réciproque]] est cependant fausse, car le coefficient de corrélation indique uniquement une dépendance ''linéaire''. D'autres phénomènes, par exemple, peuvent être corrélés de manière [[fonction exponentielle|exponentielle]], ou sous forme de puissance (voir [[série statistique à deux variables]] en [[mathématiques élémentaires]]).

Supposons que la variable aléatoire X soit uniformément distribuée sur l'intervalle [–1;1], et que Y = X{{exp|2}} ; alors Y est complètement déterminée par X, de sorte que X et Y ne sont pas indépendants, mais leur corrélation vaut 0.

Ces considérations sont illustrées par des exemples dans le domaine des statistiques.
<gallery mode="nolines" widths="300px" heights="200px">
Fichier:Correlation100.png|alt=Les points sont disposés linéairement, et la droite de corrélation les recouvre parfaitement. Le coefficient de corrélation est de 1.|X = a*Y (corrélation linéaire).
Fichier:Correlation077.png|alt=Les points sont répartis aléatoirement (nuage de point) avec une tendance haussière. La droite de corrélation suit approximativement la tendance à la hausse du nuage de point. Le coefficient de corrélation est de 0,77.|Nuage de point.
Fichier:Correlation000.png|alt=Les points suivent une courbe en U, suivant la formule Y = X2. La droite de corrélation est horizontale, et visiblement ne correspond à rien. Le coefficient de corrélation est de 0.|Y = X{{exp|2}} : Y est complètement déterminée par X (X et Y ne sont pas indépendants), mais leur corrélation vaut 0.
</gallery>

{{clr}}

=== Relation de cause à effet ===
[[Image:Regression lines.png|thumb|upright=1.5|Lignes de régression pour la dépendance y=g<sub>x</sub>(x) [rouge] et x=g<sub>y</sub>(y) [bleu].]]

{{article détaillé|Cum hoc ergo propter hoc}}
Une erreur courante est de croire qu'un coefficient de corrélation élevé induit une relation de [[causalité (philosophie)|causalité]] entre les deux phénomènes mesurés. En réalité, les deux phénomènes peuvent être corrélés à un même phénomène-source : une troisième variable non mesurée, et dont dépendent les deux autres. Le nombre de coups de soleil observés dans une [[station balnéaire]], par exemple, peut être fortement corrélé au nombre de lunettes de soleil vendues ; mais aucun des deux phénomènes n'est probablement la cause de l'autre.

=== Exemple ===
En [[anthropométrie]], on mesure pour un certain nombre d'individus :
* la stature ;
* la hauteur du buste ;
* la longueur du membre supérieur.

Plus ce nombre est grand et plus les corrélations sont représentatives. Puis on calcule par des lois [[statistique]]s l'influence des variables les unes sur les autres. On obtient la matrice suivante.

{| class="wikitable center"
|+ Matrice de corrélation (valeurs fictives)
|-
|||Stature||Buste||Membre sup.
|-
|Stature||1||||
|-
|Buste||0,85||1||
|-
|Membre sup||0,55||0,63||1
|}

La valeur 1 signifie que les deux variables sont exactement corrélées (parfaitement corrélées), c'est le cas d'une relation exactement linéaire entre deux variables. Le 0,85 signifie que la stature joue pour 72,25 % (=0,85&times;0,85) sur la valeur de la hauteur du buste, et ainsi de suite... La moitié manquante de la matrice peut être complétée par une symétrie selon la diagonale si les corrélations sont réversibles.

== Précautions à prendre ==
D'une manière générale, l'étude de la relation entre des variables, quelles qu'elles soient, doit s'accompagner de graphiques descriptifs, exhaustifs ou non dans l'appréhension des données à disposition, pour éviter de subir les limites purement techniques des calculs que l'on utilise. Le [[quartet d'Anscombe]] est un exemple montrant que le seul calcul de la corrélation est insuffisant. Néanmoins, dès qu'il s'agit de s'intéresser à des liaisons entre de nombreuses variables, les représentations graphiques peuvent ne plus être possibles ou être au mieux illisibles. Les calculs, comme ceux évoqués jusqu'à présent et donc limités par définition, aident alors à simplifier les interprétations que l'on peut donner des [[Analyses de liens|liens]] entre les variables, et c'est bien là leur intérêt principal. Il reste alors à vérifier que les principales hypothèses nécessaires à leur bonne lecture sont validées avant une quelconque interprétation.

== Dans les médias ==
Il ne faut pas oublier que corrélation n'implique pas obligatoirement causalité. Or dans les médias, une corrélation entre deux variables est souvent interprétée – à tort – comme s'il existait un lien de cause à effet entre ces deux mêmes variables. Cette erreur porte le nom d'[[effet cigogne]], et elle est parfois commise par les plus grands médias. 

Pour moquer pédagogiquement cette habitude, les Décodeurs du ''[[Le Monde|Monde.fr]]'' ont mis au point un outil de corrélation géographique sur la base de données sans rapport, de manière à générer {{citation|vos propres cartes pour ne rien démontrer du tout}}<ref name="Monde Carto">{{Lien web |langue=fr |auteur=Les Décodeurs |url=https://www.lemonde.fr/les-decodeurs/article/2019/03/01/correlations-ou-causalite-generez-vos-propres-cartes-pour-ne-rien-demontrer-du-tout_5430063_4355770.html |titre=Corrélations ou causalité : générez vos propres cartes pour ne rien démontrer du tout |jour=1 |mois=Mars |année=2019 |site=[[Le Monde]] }}.</ref>.

== Articles connexes ==
* [[Corrélation partielle (statistiques)]]
* [[Iconographie des corrélations]]
* [[Régression linéaire]]
* [[Corrélation de Spearman]]
* [[Tau de Kendall]]
* [[Corrélation d'images]]
* [[Corrélogramme]]
* [[Coefficient RV]]
* [[Analyse canonique des corrélations]]
* [[Facteur d'inflation de la variance]]

== Notes et références ==

{{Références|colonnes = 2}}

== Liens externes ==
* {{Bases}} 

{{palette|Tests statistiques|Probabilités et statistiques}}
{{Portail|probabilités et statistiques}}

{{DEFAULTSORT:Correlation (statistiques)}}
[[Catégorie:Statistiques]]
[[Catégorie:Corrélation et indépendance]]
[[Catégorie:Matrice]]
[[Catégorie:Plan d'expériences]]