Les relations entre deux variables

. Quantitatif Qualitatif

Quantitatif Régression Moyennes et Variances (ANOVA)

Qualitatif Moyennes et Variances (ANOVA) Fréquences (Chi-carré)

1. La forme de la relation ou le signe de la relation

2. L’intensité de la relation
3. L’amplitude de la variation d’un phénomène par rapport à l’autre
4. Les cas particuliers
 Modèle

Š Modèle : représentation formalisée et épurée du

réel. Image de la réalité, le modèle est un construit
qui passe par la simplification, l’abstraction ; (il
peut avoir pour but l’action, la prédiction ou
l’explication).

Š Démarche hypothético-déductive
Š Démarche inductive / descriptive
 Analyse de variance

Qualité des plages selon le littoral

120%

100%

80%

60%
Mean +- 1 SD QUALITÉ

40%

20%

0%
N= 7 8 6

Manche-N. Atlant. Médit.

 OCDE

Š Organisation de coopération et de développement économiques (OCDE),

organisme international composé de 29 pays collaborant dans le but de
coordonner leurs politiques économiques et sociales.

Š En 1990 : 24 pays : Autriche (*), Belgique, Canada, Danemark, France,

Royaume-Uni, Grèce (*), Islande, Irlande, Italie, Luxembourg (**), Pays-Bas,
Norvège, Portugal, Espagne, Suède, Suisse, Turquie, États-Unis et République
fédérale d'Allemagne. Le Japon, la Finlande, l'Australie et la Nouvelle-Zélande
Š Depuis 1990 : Mexique (1994), République tchèque (1995), Hongrie (1996),
Pologne (1996) et Corée du Sud (1996).

Š (*) pas de données WCR – (**) avec Belgique

 Résultats...

P o u r c e n t a g e d e s r e v e n u s a ll a n t a u x 2 0 % le s p lu s p a u v r e s

M oyenne E c a rt -t y p e
O C D E (2 1 ) 6 .3 % 1 .2 %
N o n -O C D E (1 9 ) 6 .1 % 2 .7 %
V a r ia n c e in t r a 1 7 1 .5
V a r ia n c e in t e r 0 .3
V a r ia n c e t o t a l e 1 7 1 .8
E ta 0

P o u r c e n t a g e d e s r e v e n u s a ll a n t a u x 2 0 % le s p lu s r ic h e s

M oyenne E c a rt -t y p e
O C D E (2 1 ) 4 2 .1 % 4 .5 %
N o n -O C D E (1 9 ) 4 6 .1 % 11%
V a r ia n c e in t r a 2795
V a r ia n c e in t e r 156
V a r ia n c e t o t a l e 2951
E ta 6%
 Application à la répartition de la population

Climat et Environnement Environnement Environnement

relief social culturel politique

Ressources
Densité de la population

Situation etc…
économique

Robinson A., Lindbergh J. et Brinkman L. 1961. “A correlation and regression analysis applied to rural farm population
densities in the Great Plains” Annals of the Association of American Geographers, 51: pp. 211-221.

Variable à expliquer : densité de la population rurale

Espace étudié : 600 comptés de la frontière canadienne au Texas
Hypothèses : climat, fertilité, environnement socio-économique
Variables explicatives : pluviométrie (précipitations annuelles moyennes)
(distance à vol d’oiseau à un centre > 10’000 habitants)
(indicateur de fertilité des sols)
 La forme de la relation : nuage de points

Liens entre densité et pluviométrie Liens entre densité et pluviométrie Liens entre densité et pluviométrie
40 40 40

30 30 30

20 20 20

10 10 10
DENSITÉ

DENSITÉ

DENSITÉ
0 0 0
0 200 400 600 800 1000 1200 1400 1600 0 200 400 600 800 1000 1200 1400 1600 0 200 400 600 800 1000 1200 1400 1600

PLUVIOMETRIE PLUVIOMETRIE PLUVIOMETRIE

Liens entre densité et pluviométrie Liens entre densité et pluviométrie

40 40

30 30

20 20

10 10
DENSITÉ

DENSITÉ

0 0
0 200 400 600 800 1000 1200 1400 1600 0 200 400 600 800 1000 1200 1400 1600

PLUVIOMETRIE PLUVIOMETRIE
 Intensité de la relation

Liens entre densité et pluviométrie Liens entre densité et pluviométrie

40 40

30 30

20 20

10 10
DENSITÉ

DENSITÉ
0 0
0 200 400 600 800 1000 1200 1400 1600 0 200 400 600 800 1000 1200 1400 1600

PLUVIOMETRIE PLUVIOMETRIE

∑ ( y − y) = ∑ ( y − y
2
théo ) 2 + ∑ ( y théo − y ) 2

y théo = constante + coefficient de régression ( x )

Coef. de régression = Pente = amplitude de la variation d’un

phénomène par rapport à l’autre
Densité et pluviométrie

Densité et pluviométrie

140

120

100

80
Densité

60

40

20

0
0 20 40 60 80 100 120
Puviométrie
 Tests statistiques

Š Utilisés en cartographie par analogie, même si nous avons rarement des

échantillons aléatoires au sens strict.
Š Objectif : mesurer la probabilité que le résultat obtenu (p. ex. coefficient
de détermination) soit dû au hasard.
Š Le test de Fisher (F-test) permet de calculer cette probabilité.
Š Ne signifie pas que le résultat trouvé (p.ex. coef. dét. = 0.8) est exact
mais permet de rejetter l’hypothèse qu’il soit nul (coef. dét. = 0) avec un
risque d’erreur connu (p = 0.002) et inférieur à un certain seuil fixé
d’avance (p < 0.05).
Š Dest test analogues peuvent être utilisés pour tester les résultats d’une
ANOVA ou les coefficients de régression d’une régression multiple.
Densité et pluviométrie

Densité et pluviométrie

140

120
y = 0.8757x + 1.7782
100
R2 = 0.6002

80
Densité

60

40

20

0
0 20 40 60 80 100 120
Puviométrie
Densité et pluviométrie

Densité et pluviométrie

140

120

100

80
Densité

60

40

20

0
0 20 40 60 80 100 120
Puviométrie
 Construction d’une typologie

Elevée (Z – score > 0)

Densités de pop.
Faible (Z – score < 0)
Elevée (Z – score > 0)
Pluviométrie
Faible (Z – score < 0)

Dens. faible Dens. élevée

Pluv. faible

Pluv. élevée
 Carte typologique
Construction de la carte typologique

Conté Pluviométrie Densité Z-pluv. Z-Densité Type

1 16.7 18 -1.91 -1.85 1 faible/faible

2 37 45 -1.12 -0.81 1 faible/faible
3 40.9 12 -0.97 -2.09 1 faible/faible
4 16.7 16.7 -1.91 -1.91 1 faible/faible
5 65.7 56 -0.01 -0.38 1 faible/faible
6 59 52 -0.27 -0.54 1 faible/faible
7 88 120 0.85 2.09 2 fort/fort
etc… 62.6 44 -0.13 -0.85 1 faible/faible
74.5 66 0.33 0.00 3 fort/faible
56.9 50 -0.35 -0.62 1 faible/faible
74.1 70 0.32 0.16 2 fort/fort
72 82 0.23 0.62 2 fort/fort
34.4 45 -1.22 -0.81 1 faible/faible
89.7 90 0.92 0.93 2 fort/faible
48 40 -0.69 -1.00 1 faible/faible
89.3 22 0.90 -1.70 3 fort/faible
100 98 1.32 1.24 2 fort/fort
83.3 80 0.67 0.54 2 fort/fort
77.2 75 0.44 0.35 2 fort/fort
99.2 89 1.29 0.89 2 fort/fort
99.3 79 1.29 0.51 2 fort/fort

Moyenne 65.93 59.51

Ecart-type 25.84 29.21

Carte avec 4 (ici 3) couleurs distinctes

 Résidus
CONTÉ PLUV_X DENS_Y YTHEO RESIDU RESSTD
1.00 16.70 18.00 16.4 1.6 0.08
2.00 37.00 45.00 34.2 10.8 0.57
3.00 40.90 12.00 37.6 -25.6 -1.35
4.00 16.70 16.70 16.4 .3 0.02
5.00 65.70 56.00 59.3 -3.3 -0.17
6.00 59.00 52.00 53.4 -1.4 -0.08
7.00 88.00 120.00 78.8 41.2 2.17
8.00 62.60 44.00 56.6 -12.6 -0.66
9.00 74.50 66.00 67.0 -1.0 -0.05
10.00 56.90 50.00 51.6 -1.6 -0.08
11.00 74.10 70.00 66.7 3.3 0.18
12.00 72.00 82.00 64.8 17.2 0.91
13.00 34.40 45.00 31.9 13.1 0.69
14.00 89.70 90.00 80.3 9.7 0.51
15.00 48.00 40.00 43.8 -3.8 -0.20
16.00 89.30 22.00 80.0 -58.0 -3.06
17.00 100.00 98.00 89.3 8.7 0.46
18.00 83.30 80.00 74.7 5.3 0.28
19.00 77.20 75.00 69.4 5.6 0.30
20.00 99.20 89.00 88.6 .4 0.02
21.00 99.30 79.00 88.7 -9.7 -0.51

Résidu moyen 18.46

Taille des parents et des enfants

Taille des parents et des enfants

0.5

0.4

0.3

0.2
Différence

0.1

0
1 1.2 1.4 1.6 1.8 2 2.2

-0.1

-0.2

-0.3
Taille des parents
 Du modèle à la prédiction

Š « Le problème de la prédiction est crucial car il est à la base de toute formulation

théorique. La prédiction des phénomènes géographiques dépend de notre
réponse à la question suivante : les phénomènes géographiques sont-ils de
nature unique ou générale ? S’ils sont uniques, ils ne sont pas prévisibles et
empêchent toute construction théorique. S’ils sont sont généraux, ils sont
prévisibles et nous permettent de formuler des théories. C’est la philosophie des
sciences qui nous permet de clarifier le débat. La science assume que les
phénomènes sont généraux, non uniques. (…) Ce n’est que par le rejet total de
l’unicité que la géographie peut résoudre ses contradictions. »
Š W. Bunge (1962), p. 7
 Analyse de résidus
Š Le résidu de la régression mesure pour chaque espace étudié la
différence entre la valeur théorique de y et la valeur observée en
réalité.
résidui = yi − y théo
Š Deux étapes d’analyse :

Š Etape 1 : les résidus doivent être étudiés dans le cadre d’un graphique
bivarié où ils vont être mis en relation avec la variable explicative x.

Š Etape 2 : Tentative d’expliquer les résidus

„ Les résidus standardisés comparent le résidu de chaque espace étudié avec

un « résidu moyen ».
( yi − ythéo )
n résidu _ s tan dardisé =
∑(y
n
i − ythéo ) 2 ∑(y i − ythéo ) 2
" résidu _ moyen" = i =1 i =1

n n
Les cas particuliers : analyse de résidus

Résidu de la régression linéaire Résidu de la régression linéaire

30 30

25 25

20 20

15 15

10 10

5 5

0 0

-5 -5
Densité (Résidu)

Densité (Résidu)
-10 -10

-15 -15

-20 -20

-25 -25
-30 -30
0 200 400 600 800 1000 1200 1400 1600 0 200 400 600 800 1000 1200 1400 1600

PLUVIOMETRIE PLUVIOMETRIE

Résidu de la régression linéaire

30

25

20

15

10

-5
Densité (Résidu)

-10

-15

-20

-25
-30
0 200 400 600 800 1000 1200 1400 1600

PLUVIOMETRIE
Arbre logique pour deux votations