Calculateur de corrélation partielle
Calculez la corrélation partielle entre deux variables tout en neutralisant l’effet d’une troisième. Saisissez trois colonnes de données appariées ou trois corrélations de Pearson deux à deux, et obtenez le coefficient de corrélation partielle avec son interprétation.
Mesurez le lien entre deux variables en neutralisant l'effet d'une troisième
Formule de la corrélation partielle
Où :
- \(r_{XY \cdot Z}\) — la corrélation partielle entre X et Y, en neutralisant l’effet de Z
- \(r_{XY}\) — la corrélation de Pearson entre X et Y
- \(r_{XZ}\) — la corrélation de Pearson entre X et Z
- \(r_{YZ}\) — la corrélation de Pearson entre Y et Z
Cette formule retire de la relation X–Y la part qui s’explique par les associations linéaires que X et Y entretiennent chacune avec Z. Le résultat est compris entre −1 et 1, comme tout coefficient de corrélation classique.
Corrélation partielle – Exemple de calcul
Exemple : huit observations avec X = 1 ; 2 ; 3 ; 4 ; 1 ; 2 ; 3 ; 4, Y = 3 ; 3 ; 5 ; 9 ; 4 ; 8 ; 10 ; 10 et une variable de contrôle binaire Z = 0 ; 0 ; 0 ; 0 ; 1 ; 1 ; 1 ; 1 (les valeurs par défaut du calculateur).
On calcule d’abord les trois corrélations de Pearson deux à deux :
\[ r_{XY} = 0.7785, \qquad r_{XZ} = 0.0000, \qquad r_{YZ} = 0.5222 \]
Puis on applique la formule de corrélation partielle :
\[ r_{XY \cdot Z} = \frac{0.7785 - (0)(0.5222)}{\sqrt{(1 - 0^{2})(1 - 0.5222^{2})}} = \frac{0.7785}{0.8528} \approx 0.9129 \]
Résultat : la corrélation partielle vaut environ 0,9129. Neutraliser Z renforce l’association entre X et Y, qui passe de 0,78 à 0,91, car dans ce jeu de données Z est liée à Y mais pas à X.
Comment utiliser le calculateur
- Choisissez le Mode de saisie : « Trois colonnes de données appariées » si vous disposez de mesures brutes, ou « Trois corrélations deux à deux » si vous connaissez déjà les trois coefficients de Pearson.
- Avec des données brutes, collez les valeurs dans Variable X, Variable Y et Variable de contrôle Z. Séparez les valeurs par des espaces, des points-virgules ou des retours à la ligne ; les virgules décimales sont acceptées. Conservez le même ordre d’observation pour les trois colonnes et une longueur identique (de 4 à 2 000 valeurs).
- Avec des coefficients, saisissez la Corrélation entre X et Y, la Corrélation entre X et Z et la Corrélation entre Y et Z, chacune comprise entre −1 et 1.
- Lisez le résultat : la corrélation partielle entre X et Y en contrôlant Z, les trois corrélations deux à deux, le nombre d’observations appariées (mode données brutes) et une interprétation en langage clair.
Qu’est-ce que la corrélation partielle ?
Une corrélation partielle mesure la force de la relation linéaire entre deux variables après avoir retiré l’influence d’une ou de plusieurs variables de contrôle. Dans le cas d’une seule variable de contrôle, celui que traite ce calculateur, elle répond à la question : à quel point X et Y sont-elles liées une fois écartée la variation que chacune partage avec Z ?
L’intérêt ? Une corrélation classique peut être trompeuse. Deux variables peuvent sembler corrélées simplement parce qu’une troisième les influence toutes deux — une situation de confusion classique. Par exemple, les ventes de glaces et les noyades évoluent de concert au fil de l’année, mais toutes deux dépendent de la température. La corrélation partielle permet de vérifier s’il subsiste une association directe une fois cette cause commune prise en compte.
Le résultat s’interprète comme n’importe quel coefficient de corrélation : des valeurs proches de +1 ou de −1 indiquent une forte association linéaire, positive ou négative ; des valeurs proches de 0 indiquent une association faible, voire inexistante. En valeur absolue, une corrélation partielle peut être plus grande ou plus petite que la corrélation brute. Elle est plus grande quand Z masque une partie de la véritable relation (comme dans l’exemple ci-dessus), et plus petite quand la corrélation brute était essentiellement un artefact de Z.
Notez que la corrélation partielle, comme toute corrélation, mesure une association, pas une causalité. Retirer l’influence linéaire de Z élimine une source possible d’association fallacieuse, mais cela ne permet ni d’établir le sens de la causalité ni d’écarter d’autres facteurs de confusion. Pour modéliser plusieurs prédicteurs simultanément, le calculateur de régression linéaire multiple constitue une suite naturelle.
Hypothèses, limites et conseils
- Linéarité. La formule repose sur la corrélation de Pearson : elle ne capte donc que les relations linéaires. Si les associations sont monotones mais incurvées, tournez-vous vers des mesures de rang comme la corrélation de Spearman.
- Une seule variable de contrôle. Ce calculateur neutralise une unique variable Z. Avec plusieurs contrôles, le même principe se généralise via la matrice de précision (l’inverse de la matrice de corrélation), mais les calculs deviennent matriciels.
- Coefficients cohérents. En mode coefficients, les trois corrélations doivent être mutuellement compatibles — le calculateur rejette les combinaisons qui ne peuvent pas former une matrice de corrélation valide.
- Cas non définis. Le résultat n’est pas défini lorsque X ou Y est parfaitement (ou presque parfaitement) corrélée avec Z, car le dénominateur tend alors vers zéro.
- Taille de l’échantillon. Les petits échantillons donnent des estimations instables. Avec peu d’observations, une corrélation partielle modeste peut facilement apparaître par hasard ; un contrôle de puissance statistique aide à juger si votre échantillon permet de détecter l’effet attendu.
- Paires complètes. Chaque ligne doit comporter une valeur pour X, Y et Z. Les valeurs manquantes dans une colonne rompent l’appariement : nettoyez vos données au préalable.
Questions fréquentes
Comment calculer une corrélation partielle à la main ?
Calculez d’abord les trois corrélations de Pearson \(r_{XY}\), \(r_{XZ}\) et \(r_{YZ}\) à partir de vos données appariées. Reportez-les ensuite dans \( r_{XY \cdot Z} = \frac{r_{XY} - r_{XZ} r_{YZ}}{\sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)}} \). Multipliez les deux corrélations avec Z, soustrayez le produit de \(r_{XY}\), puis divisez par la racine carrée des deux termes restants. Le calculateur effectue toutes ces étapes d’un coup et affiche les coefficients deux à deux qu’il a utilisés.
Ma corrélation partielle est-elle statistiquement significative ?
Le calculateur n’effectue pas de test de significativité, mais vous pouvez en réaliser un vous-même avec \( t = r_{XY \cdot Z}\sqrt{\frac{n-3}{1 - r_{XY \cdot Z}^2}} \), où \(n\) est le nombre d’observations complètes. Comparez \(t\) à une loi de Student à \(n - 3\) degrés de liberté. À titre indicatif, avec \(n = 50\), une corrélation partielle au-delà d’environ \(\pm 0.28\) est significative au seuil de 5 % (test bilatéral).
Quelle valeur fait une corrélation partielle « forte » ou « bonne » ?
Il n’existe pas de valeur « bonne » universelle : tout dépend de votre domaine. À titre d’ordre de grandeur, dans les sciences du comportement, des valeurs proches de 0,1 sont considérées comme faibles, proches de 0,3 comme modérées, et supérieures ou égales à 0,5 comme fortes. En physique ou en ingénierie, des corrélations bien plus faibles peuvent néanmoins compter. Évaluez toujours la valeur à l’aune de votre taille d’échantillon : un petit coefficient issu d’un grand échantillon peut être porteur de sens, tandis qu’un coefficient élevé obtenu sur une poignée d’observations peut relever du pur hasard.
Une corrélation partielle peut-elle être supérieure à la corrélation classique, voire changer de signe ?
Oui aux deux questions. Quand Z masque une partie de la véritable relation entre X et Y, la corrélation partielle ressort plus grande en valeur absolue que \(r_{XY}\). Un changement de signe (une corrélation partielle négative à partir d’une corrélation brute positive) signale une suppression classique : la variable de contrôle révèle une relation opposée à celle que suggérait la corrélation brute. Ce sont dans les deux cas des résultats légitimes, et non des erreurs, même s’ils méritent généralement une interprétation attentive de la façon dont Z est liée à X et à Y.
Quelle est la différence entre corrélation partielle et corrélation semi-partielle ?
La corrélation partielle retire l’influence de Z de X et de Y toutes les deux, puis met en corrélation ce qui reste. La corrélation semi-partielle retire Z d’une seule variable, disons Y, en laissant X intacte. Utilisez la corrélation partielle quand vous vous demandez « X est-elle liée à Y au-delà de Z, pour les deux ? », et la semi-partielle quand vous vous demandez « X explique-t-elle la part de Y dont Z ne rend pas compte ? ». Ce calculateur calcule la version partielle.
Pourquoi le calculateur a-t-il rejeté mes trois coefficients de corrélation ?
En mode coefficients, les trois valeurs doivent être mutuellement cohérentes : elles doivent former une matrice de corrélation valide, autrement dit \( |r_{XY} - r_{XZ}\, r_{YZ}| \) ne peut pas dépasser \( \sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)} \). Dans le cas contraire, aucun jeu de données réel ne pourrait produire une telle combinaison. Les causes fréquentes sont une inversion dans l’attribution des coefficients aux paires, ou des corrélations issues d’échantillons ou d’études différents qui ne partageaient pas les mêmes observations.
Puis-je neutraliser plusieurs variables ?
Ce calculateur gère une seule variable de contrôle Z. Avec plusieurs contrôles, il faut passer par la matrice de précision : inverser la matrice de corrélation complète de toutes les variables, changer le signe des cellules hors diagonale, puis les remettre à l’échelle pour retrouver des corrélations. En pratique, la plupart des gens préfèrent lancer une régression linéaire multiple et examiner les coefficients standardisés ou les \(R^2\) partiels, qui généralisent le même principe tout en fournissant des intervalles de confiance et des valeurs p.