La corrélation

Dans la réalisation d’un ajustement linéaire, on cherche à rendre minimale la somme des carrés des écarts Mi Pi afin d’obtenir la droite D d’équation y = ax + b. y est exprimé en fonction de x Dans l’ajustement linéaire les deux variables x et y n’ont pas un rôle symétrique. Il y a une « entrée » x et une « sortie » y. Dans de nombreux cas, cette orientation a un sens concret car une des variables est explicative de l’autre ou il y a une causalité sous jacente. Exemples : âge – poids Frais de publicité – volume des ventes Année – chiffre d’affaires Mais dans d’autres cas le problème n’est pas orienté et les deux variables peuvent alternativement jouer le rôle d’ »entrée » et de « sortie » Exemple : taille – poids On peut ainsi définir de la même façon une droite d’ajustement D’ telle que la somme des carrés des écarts MiQi soit minimale. On cherche alors la droite D’ (x en fonction de y) d’équation x = a’y + b’Le coefficient de corrélation mesure l’écart entre les 2 droites de régression D et D’. r est toujours compris entre -1 et + 1. Il sera positif si les variables varient dans le même sens, négatif si elles varient en sens contraire. Plus le coefficient se rapproche de 1 ou -1 meilleure est la corrélation. a) r = 1 (ou r = -1) : Les points sont alignés sur une droite ascendante (respectivement descendante) et traduisent donc une variation des 2 variables dans le même sens (respectivement de sens contraire).

) r est proche de 1 (respectivement -1) : les 2 variables x et y montrent une liaison marquée et croissante (respectivement décroissante). La régression est dans ce cas intéressante.Il y a absence de liaison linéaire ; la régression est alors peu justifiée. La dispersion des points Mi est dans ce cas maximale. Quand r = 0 les droites D et D’ sont perpendiculaires Rappelons qu’il ne faut pas confondre absence de corrélation linéaire et absence de toute corrélation. Il se peut que les points s’organisent autour d’une courbe (parabole, exponentielle..). Dans ce cas on se ramène par un changement de variable à un ajustement linéaire soit en utilisant du papier fonctionnel (semi log, log–log, gausso arithmétique) Remarque : Un fort coefficient de corrélation n’implique par l’existence d’un lien de causalité entre les 2 variables. Les variations de ces 2 variables peuvent notamment être conséquence toutes deux des variations d’une 3ème variable (ex les ventes de lunettes de soleil et les ventes de glaces). Elles peuvent aussi n’avoir aucun lien logique entre elles. En matière de corrélation, il faut donc se montrer extrêmement prudent quant aux conclusions relatives aux liens qui unissent éventuellement les 2 phénomènes étudiés.

Dans ce cas, la variable x sera le lancer du bras gauche et la variable y sera le lancer du bras droit. Il faut d’abord calculer On organise les calculs dans le tableau suivant :droite D de régression du bras droit en fonction du bras gauche droite D’ de régression du bras gauche en fonction du bras droit Si on superpose les deux droites dans le même repère, l’angle formé par les deux droites n’est pas très important :Le coefficient de corrélation a une valeur assez proche de 1, on peut dire qu’il y a une corrélation significative entre les deux lancers. Interprétation du coefficient Si votre calculatrice vous permet de faire des statistiques à 2 variables, vous avez la possibilité de visualiser le coefficient r. Le logiciel Excel vous fournit quant à lui r² (coefficient de détermination). Il suffit pour cela lors de l’insertion de la courbe de tendance de cocher dans la rubrique « options » la case « Afficher le coefficient de détermination (R²) sur le graphique »Dans ce cas les points sont trop dispersés et on ne peut pas faire d’ajustement. Noter que l’on retrouve visuellement les deux sous populations. Dans tout ajustement vérifier qu’on a bien affaire à une même population et qu’il n’y a pas une variable cachée qui partagerait la population en deux ou plusieurs sous populations (exemple : filles et garçons droitier ou gauchers…).