Les corrélations

Test de corrélation

• Le test de corrélation est un outil très importante en statistique. en effet, il est

utilisé a n d’évaluer la dépendance entre deux variables aléatoires, ou liaison
statistique.

• Le plus célèbre test de corrélation, ou coef cient de corrélation linéaire de

Pearson.

• Il consiste à calculer le quotient de la covariance des deux variables aléatoires

par le produit de leurs écarts-types. Il s’agit donc d’un test de variables
quantitatives.
fi
fi
 Les différents tests de corrélation

• Pearson : mesure une corrélation linéaire entre deux variables (test paramétrique)

• Spearman et Kendall : les statistiques tau de kendall et rho de Spearman sont

respectivement utilisées pour estimer le coef cient de corrélation basé sur le rang.

Ce sont des tests statistiques dits robustes car ils ne dépendent pas de la

distribution des données. Le test de corrélation de Kendall et celui de Spearman

est recommandé lorsque les variables ne suivent pas une loi normale.
fi
 Quand est ce qu’on utilise ces tests ?

• Pearson : mesure une corrélation linéaire entre deux variables (loi normal)

• Spearman : Le test rho de Spearman peut être aussi utilisée pour estimer une

association, basée sur un test de rang, entre deux variables ()

• Kendall : Le coef cient de Kendall, également appelé tau, évalue l'association

entre deux variables mesurées dans une échelle ordinale de telle sorte que

chaque observation de ces variables puisse être rangé

fi
 Les tests de corrélation avec R

x <- c(44.4, 45.9, 41.9, 53.3, 44.7, 44.1, 50.7, 45.2, 60.1)
y <- c( 2.6, 3.1, 2.5, 5.0, 3.6, 4.0, 5.2, 2.8, 3.8)

cor(x,y, method="pearson")

La méthode de corrélation peut être de type pearson, spearman

ou kendall

 p-value du coef cient de corrélation (test de signi cativité)

# x et y sont des vecteurs numérics de même longueur

cor.test(x, y, method=c("pearson", "kendall", "spearman"))
fi
fi

 Test de corrélation de Pearson

res<-cor.test(x,y, method="pearson")
res

Pearson's product-moment correlation

data: x and y
t = 1.841, df = 7, p-value = 0.1082
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.1497 0.8956
sample estimates:
cor
0.5712

r(7)=0.57, p>.05

 Test de corrélation de Kendall

res<-cor.test(x,y, method=« kendall")
res

Kendall's rank correlation tau

data: x and y
T = 26, p-value = 0.1194
alternative hypothesis: true tau is not equal to 0
sample estimates:
tau
0.4444

 Test de corrélation de Spearman

res<-cor.test(x,y, method="spearman")
res

Spearman's rank correlation rho

data: x and y
S = 48, p-value = 0.0968
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.6

 Corrélation

• Utiliser la fonction cor.test(x,y) pour calculer le coef cient de

corrélation entre deux variables ainsi que le niveau de signi cativité
de la corrélation.

• Trois méthodes de calcul de corrélation existent en utilisant la fonction

cor.test: pearson, kendall, spearman

fi
fi