{"id":812348,"date":"2020-04-29T08:46:53","date_gmt":"2020-04-29T15:46:53","guid":{"rendered":"https:\/\/www.questionpro.com\/blog\/coefficient-de-correlation-de-pearson\/"},"modified":"2023-09-05T04:07:21","modified_gmt":"2023-09-05T04:07:21","slug":"coefficient-de-correlation-de-pearson","status":"publish","type":"post","link":"https:\/\/www.questionpro.com\/blog\/fr\/coefficient-de-correlation-de-pearson\/","title":{"rendered":"Coefficient de corr\u00e9lation de Pearson : D\u00e9finition, formule, calcul et exemples"},"content":{"rendered":"\n
Il est habituel de quantifier les relations lin\u00e9aires \u00e0 l’aide du coefficient de corr\u00e9lation de Pearson. Pour indiquer la force et la direction de la connexion entre deux variables, il prend une valeur comprise entre -1 et 1.<\/p>\n\n
Il peut aider les investisseurs \u00e0 se diversifier. Les calculs effectu\u00e9s \u00e0 partir de diagrammes de dispersion des rendements historiques entre des paires d’actifs, telles que les actions et les obligations, les actions et les mati\u00e8res premi\u00e8res, les obligations et l’immobilier, etc.<\/p>\n\n
Nous allons donc nous familiariser avec le coefficient de corr\u00e9lation de Pearson et savoir comment mesurer la relation entre deux variables li\u00e9es \u00e0 l’aide de ce coefficient.<\/p>\n
Index du contenu<\/p>\n
Le coefficient de corr\u00e9lation de Pearson ou coefficient de corr\u00e9lation de Pearson ou r de Pearson est d\u00e9fini en statistique comme la mesure de la force de la relation entre deux variables et leur association l’une avec l’autre. <\/span><\/p>\n\n En d’autres termes, le coefficient de corr\u00e9lation de Pearson calcule l’effet du changement d’une variable lorsque l’autre variable change.<\/span><\/p>\n\n Par exemple :<\/b> Jusqu’\u00e0 un certain \u00e2ge (dans la plupart des cas), la taille d’un enfant augmente au fur et \u00e0 mesure que son \u00e2ge augmente. Bien entendu, sa croissance d\u00e9pend de divers facteurs tels que les g\u00e8nes, le lieu, le r\u00e9gime alimentaire, le mode de vie, etc.<\/span><\/em><\/p>\n\n Cette approche est bas\u00e9e sur la covariance et constitue donc la meilleure m\u00e9thode pour mesurer la relation entre deux variables.<\/span><\/p>\n\n La corr\u00e9lation du coefficient de Pearson a une signification statistique \u00e9lev\u00e9e. Elle \u00e9tudie la relation entre deux variables. Elle vise \u00e0 tracer une ligne \u00e0 travers les donn\u00e9es de deux variables pour montrer leur relation. La relation entre les variables est mesur\u00e9e \u00e0 l’aide de la calculatrice du coefficient de corr\u00e9lation de Pearson. Cette relation lin\u00e9aire peut \u00eatre positive ou n\u00e9gative.<\/span><\/p>\n\n <\/span><\/p>\n\n Par exemple : <\/span><\/p>\n\n L’exemple ci-dessus montre que le coefficient de corr\u00e9lation de Pearson, r, tente de d\u00e9terminer deux choses : la force et la direction de la relation \u00e0 partir d’\u00e9chantillons de taille donn\u00e9e.<\/span><\/p>\n\n Cr\u00e9er un compte gratuit<\/strong><\/a><\/p>\n\n La formule du coefficient de corr\u00e9lation permet de d\u00e9terminer la relation entre les variables. Il renvoie les valeurs comprises entre -1 et 1. Utilisez la calculatrice de corr\u00e9lation du coefficient de Pearson ci-dessous pour mesurer la force de deux variables.<\/span><\/p>\n\n Formule du coefficient de corr\u00e9lation de Pearson :<\/strong><\/span><\/i><\/p>\n\n O\u00f9 ? Voici un guide \u00e9tape par \u00e9tape pour calculer le coefficient de corr\u00e9lation de Pearson :<\/span><\/p>\n\n Premi\u00e8re \u00e9tape :<\/strong> Cr\u00e9ez un tableau des coefficients de corr\u00e9lation. Deuxi\u00e8me \u00e9tape : Utilisez la multiplication de base pour compl\u00e9ter le tableau.<\/strong><\/p>\n\n Troisi\u00e8me \u00e9tape : Additionnez toutes les colonnes de bas en haut.<\/strong><\/p>\n\n Quatri\u00e8me \u00e9tape : Utilisez la formule de corr\u00e9lation pour introduire les valeurs.<\/strong><\/p>\n\n Si le r\u00e9sultat est n\u00e9gatif, il existe une relation de corr\u00e9lation n\u00e9gative entre les deux variables. Si le r\u00e9sultat est positif, il existe une relation de corr\u00e9lation positive entre les variables. Les r\u00e9sultats peuvent \u00e9galement d\u00e9finir la force d’une relation lin\u00e9aire, c’est-\u00e0-dire une relation positive forte, une relation n\u00e9gative forte, une relation positive moyenne, etc.<\/span><\/p>\n\n Le coefficient de corr\u00e9lation produit-moment de Pearson, ou simplement le coefficient de corr\u00e9lation de Pearson ou le coefficient de corr\u00e9lation r de Pearson, d\u00e9termine la force de la relation lin\u00e9aire entre deux variables.<\/span><\/p>\n\n Plus l’association entre les deux variables est forte, plus votre r\u00e9ponse penchera vers 1 ou -1. L’obtention de valeurs de 1 ou -1 signifie que tous les points de donn\u00e9es sont trac\u00e9s sur la ligne droite du \u00ab\u00a0meilleur ajustement\u00a0\u00bb. Cela signifie que la modification des facteurs d’une variable n’affaiblit pas la corr\u00e9lation avec l’autre variable. Plus votre r\u00e9ponse est proche de 0, plus les variables varient.<\/span><\/p>\n\n Les lignes directrices propos\u00e9es pour l’interpr\u00e9tation de la corr\u00e9lation du coefficient de Pearson sont pr\u00e9sent\u00e9es ci-dessous :<\/span> Sur un graphique, on peut remarquer la relation entre les variables et faire des hypoth\u00e8ses avant m\u00eame de les calculer. Les diagrammes de dispersion, s’ils sont proches de la ligne, montrent une forte relation entre les variables.<\/span><\/p>\n\n Plus les diagrammes de dispersion sont proches de la ligne, plus la relation entre les variables est forte. Plus ils s’\u00e9loignent de la ligne, plus la relation s’affaiblit. Si la ligne est presque parall\u00e8le \u00e0 l’axe des x en raison des nuages de points plac\u00e9s au hasard sur le graphique, on peut supposer qu’il n’y a pas de corr\u00e9lation entre les deux variables.<\/span><\/p>\n\n Les termes \u00ab\u00a0force\u00a0\u00bb et \u00ab\u00a0direction\u00a0\u00bb ont une signification statistique. Voici une explication simple de ces deux mots :<\/span><\/p>\n\n Cr\u00e9er un compte gratuit<\/strong><\/a><\/p>\n\n Voyons quelques exemples visuels pour vous aider \u00e0 interpr\u00e9ter le tableau des coefficients de corr\u00e9lation :<\/span><\/p>\n\n Le coefficient de corr\u00e9lation de Pearson peut \u00eatre d\u00e9termin\u00e9 en collectant des donn\u00e9es sur deux variables d’int\u00e9r\u00eat au moyen d’une enqu\u00eate. Vous pouvez l’utiliser pour savoir si la corr\u00e9lation entre les deux variables est positive ou n\u00e9gative et si elle est forte.<\/p>\n\n QuestionPro Research Suite est une suite d’outils permettant de tirer parti de la recherche et de transformer les informations qui peuvent \u00eatre utilis\u00e9es pour collecter des donn\u00e9es pour l’analyse du coefficient de corr\u00e9lation de Pearson. Apr\u00e8s avoir export\u00e9 les donn\u00e9es d’enqu\u00eate<\/a> de QuestionPro et les avoir import\u00e9es dans un tableur ou une application statistique, vous pouvez effectuer l’analyse de corr\u00e9lation.<\/p>\n\n QuestionPro offre des outils d’analyse de donn\u00e9es utiles tels que les tableaux crois\u00e9s, la visualisation des donn\u00e9es et les tests statistiques, en plus du calcul du coefficient de corr\u00e9lation. Ces qualit\u00e9s peuvent vous aider dans votre recherche et dans la compr\u00e9hension des relations entre vos variables.<\/p>\n\n Pr\u00eat \u00e0 d\u00e9couvrir la relation entre vos variables et \u00e0 faire progresser l’analyse de vos donn\u00e9es ? Commencez d\u00e8s aujourd’hui un essai gratuit de QuestionPro pour voir comment notre logiciel d’enqu\u00eate peut vous aider \u00e0 d\u00e9terminer facilement le coefficient de corr\u00e9lation de Pearson. Ne manquez pas cette occasion d’am\u00e9liorer l’analyse des donn\u00e9es et la recherche.<\/p>\n\n\u00c0 quoi sert le test du coefficient de corr\u00e9lation de Pearson ?<\/b><\/h2>\n\n
<\/figure>\n\n
\n
Formule et calcul du coefficient de corr\u00e9lation de Pearson<\/b><\/h2>\n\n
<\/figure>\n\n
<\/span>N <\/span> =<\/span> le nombre de paires de notes
<\/span>\u03a3xy <\/span> =<\/span> la somme des produits des notes appari\u00e9es
<\/span>\u03a3x<\/span> =<\/span> la somme des notes x
<\/span>\u03a3y<\/span> =<\/span> la somme des notes y
<\/span>\u03a3<\/span>x<\/span>2<\/span> =<\/span> la somme des scores x au carr\u00e9
<\/span>\u03a3y<\/span>2<\/span> =<\/span> la somme des scores y au carr\u00e9<\/span><\/p>\n\nCalcul<\/h3>\n\n
<\/strong>Cr\u00e9ez un graphique de donn\u00e9es, incluant les deux variables. Nommez ces variables \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb. Ajoutez trois colonnes suppl\u00e9mentaires : (xy), (x^2) et (y^2). Reportez-vous \u00e0 ce simple tableau de donn\u00e9es.<\/span><\/p>\n\n<\/figure>\n\n
<\/figure>\n\n
<\/figure>\n\n
D\u00e9termination de la force du coefficient de corr\u00e9lation produit-moment de Pearson<\/strong><\/h2>\n\n
Comment interpr\u00e9ter le coefficient de corr\u00e9lation de Pearson<\/h3>\n\n
Notez que la force de l’association des variables d\u00e9pend de ce que vous mesurez et de la taille des \u00e9chantillons.<\/span><\/p>\n\nQue signifient les termes \u00ab\u00a0force\u00a0\u00bb et \u00ab\u00a0direction\u00a0\u00bb ?<\/h3>\n\n
\n
Plus les points de donn\u00e9es s’\u00e9loignent, plus la force de la relation lin\u00e9aire est faible. Lorsqu’il n’est pas possible de tracer une ligne droite parce que les points de donn\u00e9es sont dispers\u00e9s, la force de la relation lin\u00e9aire est la plus faible.<\/span><\/li>\n\n\n\n
Cela signifie qu’une augmentation de la valeur d’une variable entra\u00eenera une augmentation de la valeur de l’autre variable. Une corr\u00e9lation n\u00e9gative indique une pente descendante. Cela signifie qu’une augmentation de la quantit\u00e9 d’une variable entra\u00eene une diminution de la valeur d’une autre variable.<\/span><\/b><\/li>\n<\/ul>\n\nExemples de coefficient de corr\u00e9lation de Pearson<\/b><\/h2>\n\n
Corr\u00e9lation positive importante<\/h3>\n\n
<\/b><\/p>\n\n
\n
Corr\u00e9lation positive moyenne<\/h3>\n\n
<\/b><\/p>\n\n
\n
Faible corr\u00e9lation n\u00e9gative<\/h3>\n\n
<\/p>\n\n
\n
Corr\u00e9lation faible \/ inexistante<\/h3>\n\n
<\/p>\n\n
\n
Conclusion<\/strong><\/h2>\n\n