Comment calculer la corrélation entre des variables catégorielles

Dans le champ des sciences humaines, de la psychologie clinique, de la psychométrie et des sciences cognitives, la modélisation des relations entre variables constitue le fondement de la validation théorique et expérimentale. Qu’il s’agisse de mesurer l’impact d’un diagnostic nosographique sur l’adhésion thérapeutique, d’évaluer la concordance entre plusieurs évaluateurs ou de calibrer des items au sein d’une échelle d’évaluation de la dépression, les chercheurs sont confrontés de manière prépondérante à des observations qui échappent aux distributions continues idéalisées. Trop souvent, le réflexe méthodologique hérité des formations statistiques introductives conduit à appliquer mécaniquement le coefficient de corrélation produit-moment de Pearson, au mépris des postulats distributionnels fondamentaux qui conditionnent sa validité.

Cette pratique engendre des distorsions analytiques sévères, allant de la sous-estimation dramatique des tailles d’effet réelles à la production d’artefacts factoriels lors de l’analyse structurelle des questionnaires. Lorsque les données se présentent sous la forme de catégories discrètes, nominales sans ordre hiérarchique, ou ordinales issues d’échelles de Likert, la notion même de relation linéaire doit être redéfinie. L’analyse des données qualitatives exige une compréhension approfondie des concepts de contingence, de réduction proportionnelle de l’erreur et de modélisation de continuums latents sous-jacents, sans lesquels toute conclusion scientifique risque de reposer sur des bases épistémologiques erronées.

Le présent traité méthodologique propose une exploration exhaustive des paradigmes mathématiques et appliqués permettant d’estimer rigoureusement la corrélation et l’association entre variables catégorielles. À travers l’étude du test d’indépendance du Chi-carré, du V de Cramer, des corrélations tétrachorique et polychorique, ainsi que des métriques alternatives telles que le Phi, le Lambda de Goodman-Kruskal et les coefficients de concordance ordinale, ce guide offre aux chercheurs, cliniciens et analystes de données la grille d’analyse et les algorithmes nécessaires pour naviguer avec précision au sein de leurs matrices de données qualitatives.

1. Introduction aux mesures d’association pour données catégorielles en psychologie

1.1 Le défi de l’analyse bivariée hors des distributions continues

L’édifice des statistiques paramétriques classiques, formalisé principalement à la fin du XIXe et au début du XXe siècle par Francis Galton, Karl Pearson et Ronald Fisher, a été pensé pour des variables continues satisfaisant à l’hypothèse de distribution normale bivariée. En sciences humaines, et tout particulièrement en psychologie clinique, différentielle et cognitive, cette exigence de continuité métrique s’avère bien souvent une illusion théorique ou une approximation insoutenable. Les données recueillies relèvent massivement de la taxonomie diagnostique (ex. présence ou absence d’un trouble psychiatrique), de questionnaires à choix forcé, de réponses comportementales binaires (succès ou échec à un item de test de performance), ou d’évaluations subjectives graduées.

Face à ces distributions non métriques, le chercheur ne peut simplement substituer des étiquettes numériques arbitraires à des modalités qualitatives et appliquer les outils de la variance et de la covariance classiques. La covariance repose sur la notion d’écart à la moyenne arithmétique le long d’une unité de mesure constante. Or, assigner les valeurs 1, 2 et 3 à des statuts relationnels tels que « célibataire », « marié » et « divorcé » ne crée en aucun cas un intervalle mesurable où l’unité séparant les deux premières catégories équivaudrait à celle séparant les deux suivantes. Les propriétés algébriques de transitivité et d’additivité sont absentes, ce qui rend caduque l’estimation directe des moments d’ordre supérieur.

Il est donc nécessaire d’adapter les métriques relationnelles aux caractéristiques intrinsèques des variables discrètes. Cette adaptation requiert d’opérer une distinction sémantique et mathématique fondamentale entre trois concepts fréquemment amalgamés : la dépendance statistique, l’association et la corrélation latente. La dépendance statistique renvoie à l’écart constaté entre la distribution conjointe observée de deux variables et la distribution théorique qu’on obtiendrait si les deux phénomènes évoluaient de manière mutuellement stochastique. L’association décrit l’intensité et parfois la directionnalité de cet écart, quantifiant dans quelle mesure la connaissance de la modalité d’un individu sur une variable améliore la prédiction de sa modalité sur une autre. La corrélation latente, quant à elle, postule l’existence de construits psychologiques inobservés continus et normés, dont les variables observées discrètes ne sont que les reflets imparfaits, tronqués par un processus de discrétisation ou de seuillage cognitif.

Ces distinctions ne sont pas de pures querelles terminologiques ; elles portent des implications méthodologiques déterminantes pour la validité de construit dans le cadre de la théorie classique des tests et de la modélisation en équations structurelles. Ignorer la nature discrète d’une mesure fausse l’estimation des saturations factorielles, biaise les indices d’ajustement globaux et produit régulièrement des « facteurs de difficulté » ou des scissions artificielles de construits théoriquement unitaires, minant ainsi la réplicabilité de la recherche psychologique.

1.2 Objectifs pédagogiques et champ d’application de l’analyse

L’objectif fondamental de cet article réside dans la déconstruction des automatismes analytiques non fondés et l’établissement d’une grille de décision robuste pour l’investigation des relations bivariées catégorielles. Pour manipuler adéquatement ces outils, le praticien de la recherche doit assimiler les conditions préalables d’application de chaque indicateur : le type d’échelle exploité, les effectifs d’échantillon minimaux requis par cellule, la sensibilité aux dissymétries marginales, ainsi que le caractère invariant ou non des indices face aux transformations monotones.

Il s’agit également de répertorier et de prévenir les fautes méthodologiques courantes qui jalonnent la littérature quantitative en sciences du comportement. Parmi ces écueils figurent l’emploi du Chi-carré comme prétendu indice de la force d’un lien, la conversion non justifiée de tableaux de contingence complexes en coefficients de corrélation linéaire par linéarisation forcée, ou encore la confusion systématique entre l’association observée au niveau empirique manifeste et la corrélation entre les propensions latentes d’un modèle psychométrique. De telles approximations mènent inévitablement à des erreurs d’interprétation de type I (détection d’associations fallacieuses dues à des effets de structure d’échantillonnage) ou de type II (incapacité à déceler une convergence clinique réelle masquée par une distribution marginale déséquilibrée).

Enfin, ce document propose un cadre décisionnel opérationnel ordonné selon la nature des échelles de mesure en présence. En croisant les niveaux taxonomiques (nominal polytomique, binaire vrai, binaire artificiel, ordinal strict), nous définirons la métrique optimale à solliciter — depuis le V de Cramer ajusté jusqu’aux estimateurs de vraisemblance polychorique —, en explicitant chaque fois la théorie de la mesure qui en sous-tend la pertinence et les limites d’inférence.

2. Typologie des variables catégorielles : nominales, ordinales et binaires

2.1 Variables nominales et absence de hiérarchie intrinsèque

Les variables nominales représentent le premier échelon de la célèbre typologie de la mesure formalisée par Stanley Smith Stevens dans ses travaux fondateurs sur la théorie des échelles (Stevens, 1946). Une variable nominale, ou qualitative pure, se définit par un ensemble de modalités qui ne partagent aucune relation d’ordre, de magnitude ou d’intervalle. Dans le champ de la psychologie et de la psychiatrie, des entités telles que les catégories diagnostiques du Manuel diagnostique et statistique des troubles mentaux (comme la différenciation entre trouble bipolaire, schizophrénie et trouble dépressif majeur), les typologies d’attachement selon Mary Ainsworth (sécure, insécure-évitant, insécure-résistant, désorganisé), ou les orientations professionnelles constituent des variables nominales canoniques.

Sur le plan algébrique, les modalités d’une échelle nominale fonctionnent comme des classes d’équivalence mutuellement exclusives et collectivement exhaustives. La seule opération logique autorisée entre deux observations individuelles est l’évaluation de l’égalité ou de la différence mathématique : un sujet $i$ appartient soit à la classe $A_k$, soit à une classe alternative $A_j$, sans qu’il soit possible d’écrire rationnellement que $A_k > A_j$ ou que $A_k – A_j = \delta$. Par conséquent, aucune métrique d’espacement spatial ou géométrique ne peut être directement déduite de ces assignations.

Le traitement analytique de ces variables impose de respecter scrupuleusement deux contraintes fondamentales : l’exhaustivité des catégories, qui garantit que chaque unité statistique d’un échantillon donné peut être classée sans ambiguïté, et l’exclusion mutuelle, qui prohibe l’assignation simultanée d’un même individu à plusieurs classes de la même partition. L’absence totale de métricité implique que tout indice statistique mesurant la dépendance entre deux variables nominales doit être structurellement invariant sous n’importe quelle permutation arbitraire des lignes ou des colonnes de la table de contingence qui les résume. Toute statistique modifiant sa valeur numérique lorsque l’ordre de présentation des lignes est inversé ou réarrangé est incompatible avec l’essence algébrique d’une échelle nominale.

2.2 Variables ordinales et échelles d’évaluation comportementale

Les variables ordinales introduisent une propriété mathématique absente des échelles nominales : la relation d’ordre ou de gradation hiérarchique. Dans ce cadre, il est possible d’établir que l’état d’un individu $A$ dépasse l’état d’un individu $B$ au regard d’une caractéristique psychologique spécifique ($A > B$). Les échelles de type Likert (par exemple, des ancres de désaccord ou d’accord allant de « Pas du tout d’accord » à « Tout à fait d’accord »), les stades de développement cognitif selon Piaget, les gradations de la sévérité symptomatique (léger, modéré, sévère, critique) et les rangs centiles obtenus à des batteries neuropsychologiques constituent des exemples ubiquitaires de mesures ordinales.

Toutefois, la spécificité contraignante de l’échelle ordinale réside dans la non-constance des intervalles numériques. Bien que les modalités soient ordonnées de manière monotone, la distance psychologique ou quantitative séparant la modalité « Faible » de la modalité « Moyen » n’est nullement garantie d’être équivalente à la distance séparant « Moyen » de « Élevé ». Il s’agit d’une métrique topologique et non euclidienne. Par conséquent, les opérations arithmétiques fondamentales d’addition et de soustraction sont théoriquement prohibées, car elles supposent une métrique d’intervalles égaux.

Cette particularité pose des défis méthodologiques majeurs pour l’évaluation psychologique. L’habitude tenace consistant à attribuer des scores entiers (par exemple 1, 2, 3, 4, 5) aux options d’un item de type Likert, puis à sommer ces valeurs pour générer un score total traité ensuite comme une variable continue, introduit une distorsion métrique silencieuse mais pernicieuse. Dès lors que la fonction reliant la position d’un individu sur le trait psychologique latent et son score observé est non linéaire — ce qui est la règle en présence d’effets de seuil cognitif —, l’analyse des corrélations entre ces variables par des approches linéaires naïves induit des erreurs d’estimation qui compromettent la validité interne des recherches.

2.3 Variables binaires et dichotomies naturelles versus artificielles

Les variables binaires, caractérisées par l’existence de deux modalités uniques, occupent une place singulière dans la théorie de la mesure en raison de leurs propriétés mathématiques duales. Elles peuvent en effet être traitées indifféremment comme des échelles qualitatives nominales à deux classes, ou comme des échelles numériques si l’on assigne les valeurs arbitraires 0 et 1 à leurs modalités (codage booléen ou indicatrice de Bernoulli). Toutefois, sur le plan épistémologique et distributionnel, une distinction capitale doit être opérée entre les dichotomies dites naturelles ou vraies, et les dichotomies artificielles issues du découpage arbitraire d’un continuum.

Une dichotomie naturelle correspond à un phénomène intrinsèquement bimodal ou catégorique dans la réalité observée, où aucun état intermédiaire n’est concevable sur le plan théorique. L’état de survie ou de décès d’un organisme, le statut tabagique actuel strict (consommateur régulier actif versus non-fumeur absolu dans un protocole épidémiologique circonscrit), ou la réussite versus l’échec objectif à une tâche à seuil physique absolu illustrent cette classe de variables. Dans ce contexte, l’absence de continuum intermédiaire sous-jacent fait de la binarité une propriété ontologique du phénomène.

À l’opposé, les dichotomies artificielles résultent d’une opération de catégorisation imposée par le chercheur ou par l’instrumentation sur une variable foncièrement continue et normalement distribuée dans la population générale. Typiquement, scinder un échantillon clinique en deux groupes « anxieux » et « non-anxieux » à partir d’un seuil clinique de score obtenu sur l’Inventaire d’anxiété de Beck relève de la dichotomie artificielle. De même, un item de personnalité posé sous forme dichotomique (« Êtes-vous d’humeur changeante ? Oui / Non ») force un trait de neuroticisme continu et quantitatif à s’exprimer au travers d’une alternative discrète binaire.

Les conséquences statistiques de cette réduction de variance par seuillage binaire sont sévères. En discrétisant une variable continue, on détruit irréversiblement une part substantielle de l’information quantitative contenue dans les données (MacCallum et al., 2002). Sur le plan bivarié, cette opération entraîne une chute mécanique dramatique de la taille d’effet estimée : la covariance entre deux construits continus normés sous-jacents, lorsqu’elle est mesurée au niveau de leurs reflets dichotomisés artificiellement, subit une atténuation pouvant atteindre 40 à 60 % de sa magnitude réelle. Cette perte de puissance statistique augmente considérablement le risque d’erreur de type II et déforme profondément la structure factorielle des instruments d’évaluation psychologique.

3. Pourquoi le coefficient de corrélation de Pearson est inadapté

3.1 Violation des postulats de normalité bivariée et de linéarité

Le coefficient de corrélation produit-moment développé par Karl Pearson constitue sans conteste l’outil statistique le plus répandu pour quantifier l’intensité de l’interdépendance linéaire entre deux variables. La formulation canonique du coefficient $r$ de Pearson s’exprime comme le rapport entre la covariance des deux variables observées $X$ et $Y$ et le produit de leurs écarts-types respectifs :

r = Cov(X, Y) / [s(X) * s(Y)]

Pour que ce coefficient constitue une estimation exacte et exempte de biais de l’association réelle entre deux phénomènes, et pour que les tests de significativité associés (fondés sur la loi $t$ de Student ou la loi $F$ de Fisher-Snedecor) conservent leur validité nominale, les données doivent satisfaire à des postulats distributionnels rigoureux. Le plus contraignant de ces postulats est l’hypothèse de normalité bivariée conjointe, qui stipule que pour chaque valeur possible de $X$, la distribution conditionnelle de $Y$ doit suivre une loi normale homoscédastique, et réciproquement. Un corollaire immédiat de ce modèle est la linéarité parfaite de l’espérance conditionnelle mathématique : $E(Y|X) = \alpha + \beta X$.

Lorsque les variables soumises à l’analyse sont catégorielles (qu’elles soient nominales, ordinales discrètes ou binaires), ce postulat de normalité bivariée est inéluctablement violé. Les distributions de probabilité conditionnelles ne peuvent en aucun cas épouser la forme continue d’une cloche gaussienne, puisqu’elles se concentrent de manière discrète sur un nombre restreint de points de masse ponctuelle isolés. La distribution conjointe d’un ensemble de données catégorielles n’est pas une surface de densité normale bidimensionnelle lisse, mais une fonction de masse multinomiale discrète caractérisée par des sauts de probabilité abrupts.

Cette discrétisation contrainte induit une distorsion structurelle de la covariance empirique. Dans une table de contingence où les modalités ne possèdent aucune échelle métrique constante, l’application de la formule de Pearson traite les codes numériques arbitraires assignés aux modalités comme des grandeurs scalaires physiques. Si la modalité diagnostique 1 est « Phobie spécifique », 2 « Trouble panique » et 3 « Trouble obsessionnel-compulsif », imposer une fonction de régression linéaire sous-jacente équivaut à présupposer arbitrairement que le saut psychopathologique entre la phobie et la panique est rigoureusement identique en magnitude et en nature au saut entre la panique et le TOC. Par ailleurs, si la relation théorique réelle entre deux construits présente une dynamique non linéaire ou asymétrique (comme un effet de seuil ou une saturation en plateau), le coefficient de Pearson se révèle incapable d’appréhender cette structure, réduisant la taille d’effet à une moyenne linéaire artificielle proche de zéro.

3.2 Sensibilité aux distributions marginales et effet plafond

L’une des limites les plus dévastatrices et pourtant fréquemment sous-estimées du coefficient de corrélation linéaire de Pearson appliqué à des données discrètes concerne sa dépendance mécanique directe envers les distributions marginales des variables analysées. Il est mathématiquement démontré que pour deux variables binaires codées 0 et 1 (configuration où le coefficient de Pearson est formellement équivalent au coefficient Phi), la valeur maximale théorique atteignable par $r$ (notée $r_{\max}$) ne peut être égale à $+1,0$ que si et seulement si les proportions marginales des deux variables sont strictement identiques.

Si la variable $X$ présente une proportion de succès de $p_X = 0,10$ (par exemple, un trouble clinique hautement spécifique rare) et que la variable $Y$ présente une prévalence de $p_Y = 0,80$ (par exemple, la présence d’un symptôme anxieux généralisé très fréquent), la borne supérieure théorique du coefficient de Pearson n’est plus $+1,0$, mais s’effondre à une valeur nettement inférieure, avoisinant souvent $0,20$ ou $0,30$, quand bien même la dépendance clinique sous-jacente entre les deux entités serait maximale et absolue (c’est-à-dire que la totalité des individus possédant le trouble $X$ posséderaient systématiquement le symptôme $Y$).

Ce phénomène d’effet plafond et de restriction d’amplitude marginale induit un biais systémique dans l’évaluation psychométrique. La dissymétrie des proportions de fréquences marginales comprime artificiellement la covariance empirique dans un intervalle étroit dépendant uniquement des seuils de réponse, et non de la force véritable du lien psychologique liant les deux construits. Le chercheur utilisant le $r$ de Pearson dans cette configuration conclura à tort à une association faible ou modérée entre deux facteurs cliniques, alors que cette faible valeur n’est qu’un artefact mathématique provoqué par l’asymétrie des prévalences marginales. Dès lors, toute tentative d’interprétation comparative de matrices de corrélation basées sur Pearson pour des items dont les taux d’endossement diffèrent s’avère méthodologiquement biaisée.

4. Le test d’indépendance du Chi-carré comme socle fondamental

4.1 Construction et formalisation du tableau de contingence

Pour s’émanciper des distorsions métriques du formalisme paramétrique linéaire, l’analyse bivariée des données qualitatives prend racine dans le tableau de contingence, également désigné sous le terme de table croisée ou matrice de fréquences conjointes. Conçu pour croiser simultanément deux variables catégorielles $X$ et $Y$ comportant respectivement $R$ modalités en lignes ($i = 1, dots, R$) et $C$ modalités en colonnes ($j = 1, dots, C$), le tableau de contingence résume l’ensemble de l’information empirique disponible dans un échantillon de taille globale $N$.

Chaque cellule de cette matrice bidimensionnelle contient un effectif observé, noté $O_{ij}$ (ou $n_{ij}$), qui correspond au dénombrement absolu des sujets de l’échantillon présentant simultanément la modalité $i$ sur la variable $X$ et la modalité $j$ sur la variable $Y$. En sommant ces effectifs conjoints le long des lignes et des colonnes, on obtient les distributions marginales de l’échantillon :

n_{icdot} = sum_{j=1}^{C} O_{ij} quad text{et} quad n_{cdot j} = sum_{i=1}^{R} O_{ij}

L’hypothèse nulle ($H_0$) fondamentale sous-tendant l’analyse de cette matrice est l’hypothèse d’indépendance statistique stochastique au sens de la théorie des probabilités. Deux événements aléatoires sont dits indépendants si et seulement si leur probabilité conjointe équivaut au produit de leurs probabilités marginales respectives : $P(X = i \cap Y = j) = P(X = i) \times P(Y = j)$. En transposant cette définition théorique aux grandeurs d’échantillonnage, on dérive pour chaque cellule la fréquence théorique attendue sous l’hypothèse d’indépendance, traditionnellement notée $E_{ij}$ (pour Expected frequency) :

E_{ij} = (n_{icdot} times n_{cdot j}) / N

Cette fréquence théorique représente le nombre exact d’individus que l’on observerait dans la case $(i, j)$ si la répartition des modalités de la variable $Y$ était rigoureusement homogène à travers toutes les strates définies par la variable $X$. La matrice des écarts $(O_{ij} – E_{ij})$ constitue l’espace résiduel sur lequel se fondent l’ensemble des tests d’indépendance et des métriques d’association globale pour variables nominales.

4.2 Statistique du Chi-carré de Pearson : principe et calcul

Introduite par Karl Pearson dans sa contribution fondamentale de 1900 (Pearson, 1900), la statistique du Chi-carré d’indépendance (notée $\chi^2$) mesure l’ampleur globale de la déviation quadratique relative entre les fréquences conjointes empiriquement observées ($O_{ij}$) et les fréquences théoriques attendues sous le modèle d’indépendance stochastique ($E_{ij}$). Sa formulation mathématique standard s’écrit :

chi^2 = sum_{i=1}^{R} sum_{j=1}^{C} frac{(O_{ij} – E_{ij})^2}{E_{ij}}

L’élévation au carré du résidu brut $(O_{ij} – E_{ij})$ neutralise les compensations de signes entre les déviations positives et négatives, tout en pénalisant de manière exponentielle les divergences majeures par rapport au modèle d’indépendance. La division par la fréquence théorique $E_{ij}$ assure une pondération relative indispensable : une déviation de 10 individus n’a pas la même signification statistique selon qu’elle survient dans une cellule dont l’effectif attendu est de 15 sujets ou dans une cellule où l’on attendait 1 000 sujets.

Sous l’hypothèse nulle $H_0$ d’indépendance statistique et lorsque la taille de l’échantillon $N$ tend vers l’infini, la distribution asymptotique de cette statistique suit fidèlement une loi de probabilité continue du $\chi^2$, dont le nombre de degrés de liberté ($ddl$ ou $df$) est déterminé par le produit des dimensions marginales libres du tableau :

ddl = (R – 1) times (C – 1)

Toutefois, cette convergence vers la loi continue du Chi-carré n’est asymptotiquement valide que si certaines conditions d’échantillonnage sont scrupuleusement respectées. Le critère standardisé prédominant dans la pratique statistique est la règle d’effectifs de Cochran (Cochran, 1954). Cette règle stipule que la statistique du $\chi^2$ de Pearson est asymptotiquement robuste si et seulement si :

• Aucune cellule théorique ne présente un effectif attendu strictement nul ($E_{ij} ge 1$ pour tout couple $(i, j)$).
• Au moins 80 % de l’ensemble des cellules de la table de contingence affichent des fréquences théoriques supérieures ou égales à 5 ($E_{ij} ge 5$).

Lorsque ces critères ne sont pas remplis — situation particulièrement fréquente en recherche clinique portant sur des sous-populations rares ou des échantillons restreints —, l’approximation continue s’effondre, conduisant à des taux d’erreur de première espèce inflationnistes. Il devient alors impératif de recourir soit à des tests exacts fondés sur la distribution hypergéométrique (tels que le test exact de Fisher-Freeman-Halton pour tables de dimensions supérieures à $2 \times 2$), soit à des procédures de rééchantillonnage par bootstrap ou permutations de Monte-Carlo.

4.3 Limites intrinsèques du Chi-carré pour mesurer la force du lien

Bien que la statistique du $\chi^2$ constitue un dispositif d’inférence universellement accepté pour tester l’hypothèse nulle d’indépendance, elle souffre d’une limite méthodologique fondamentale : le Chi-carré ne constitue en aucun cas une mesure de la force ou de l’intensité de l’association. Cette inadéquation conceptuelle découle directement de sa dépendance algébrique linéaire stricte envers la taille globale de l’échantillon $N$.

Considérons une situation expérimentale où la distribution proportionnelle des fréquences conjointes au sein d’une table de contingence $3 \times 3$ demeure absolument rigoureusement identique, mais où la taille de l’échantillon $N$ est simplement multipliée par un facteur d’échelle constant $k = 10$. La formule du Chi-carré révèle que la valeur calculée de la statistique $\chi^2$ sera elle-même rigoureusement multipliée par 10. Ainsi, pour une configuration de dépendance relationnelle cliniquement stable et identique, un échantillon de 100 sujets produisant une valeur de $\chi^2 = 8,5$ (statistiquement non significative à un seuil standard $\alpha = 0,05$ avec 4 degrés de liberté) produira, sur un échantillon de 1 000 sujets présentant exactement les mêmes proportions relatives, un $\chi^2 = 85,0$, associé à une $p$-valeur infinitésimale.

Cette sensibilité mécanique fait du Chi-carré un indicateur de significativité statistique et non de significativité substantielle ou clinique. Avec des échantillons de grande envergure (comme ceux exploités dans les études épidémiologiques massives ou les bases de données d’apprentissage machine), la moindre déviation triviale par rapport à l’indépendance statistique stricte engendre un Chi-carré spectaculairement élevé et une $p$-valeur tendant vers zéro. Réciproquement, dans un essai clinique portant sur un faible effectif, une association substantiellement puissante peut être déclarée non significative en raison d’un manque de puissance du test.

De surcroît, la métrique du $\chi^2$ n’est pas standardisée. Sa borne supérieure n’est pas fixée à une constante unitaire intelligible telle que 1, mais dépend conjointement de $N$ et des dimensions dimensionnelles de la matrice de contingence : $\chi^2_{\max} = N \times [\min(R, C) – 1]$. Il est par conséquent formellement impossible de comparer la valeur brute d’un Chi-carré obtenu sur une table $2 \times 3$ avec celle obtenue sur une table $5 \times 5$, ni même de comparer deux études ayant investigué les mêmes variables sur des cohortes d’effectifs inégaux. L’évaluation scientifique impose donc impérativement de neutraliser l’effet de la taille de l’échantillon par des transformations mathématiques d’échelle permettant de quantifier une véritable taille d’effet.

5. Le V de Cramer : Mesure de corrélation pour variables nominales

5.1 Fondements mathématiques et normalisation de la métrique

Pour surmonter les limites structurelles du Chi-carré brut et standardiser l’estimation de l’association entre variables qualitatives nominales sans ordre hiérarchique, le mathématicien suédois Harald Cramér a introduit le coefficient d’association aujourd’hui connu sous le nom de V de Cramer (Cramér, 1946). Ce coefficient repose sur une normalisation de la statistique du Chi-carré par rapport à sa borne théorique maximale absolue.

Puisque nous avons établi que la valeur maximale que peut théoriquement atteindre le $\chi^2$ au sein d’une table de contingence de dimensions $R \times C$ avec un échantillon total de $N$ observations est égale à $N \times (\min(R, C) – 1)$, il apparaît naturel de définir un indice adimensionnel en rapportant la statistique empirique à ce plafond. La formulation algébrique exacte du V de Cramer s’énonce comme suit :

V = sqrt{frac{chi^2}{N times (min(R, C) – 1)}}

Dans cette équation, $min(R, C)$ représente le plus petit nombre de catégories entre le nombre de lignes $R$ et le nombre de colonnes $C$. L’opération consistant à extraire la racine carrée du ratio remplit une double fonction : ramener la dimension de la métrique à un ordre de grandeur comparable à celui d’un coefficient de corrélation classique (analogue au passage d’une variance à un écart-type), et borner systématiquement l’intervalle de variation de l’indice sur une échelle continue strictement comprise entre 0 et 1 inclusivement :

0 le V le 1

Une valeur de $V = 0$ reflète une indépendance statistique absolue et rigoureuse entre les deux variables catégorielles : les fréquences observées se conforment fidèlement aux fréquences théoriques attendues, et aucune cellule ne présente de déviation résiduelle. Inversement, une valeur de $V = 1$ matérialise une association déterministe parfaite entre les deux taxonomies. Une telle liaison parfaite survient lorsque la connaissance de la modalité d’un individu sur l’une des variables permet de prédire de manière univoque et infaillible sa modalité sur l’autre variable, chaque ligne contenant au maximum une cellule non nulle (ou chaque colonne, selon la dimension dominante).

Il importe de souligner une distinction majeure avec les corrélations linéaires : le V de Cramer pour variables nominales est un indice non directionnel. En l’absence d’ordonnancement intrinsèque des catégories, un signe négatif n’aurait aucune consistance mathématique. La métrique mesure exclusivement l’intensité de la dépendance structurelle au sein de la table de contingence, sans postuler de trajectoire monotone.

5.2 Correction pour petits échantillons : le V de Cramer ajusté

À l’instar de nombreuses métriques d’association fondées sur le rapport d’échantillonnage, le V de Cramer standard souffre d’un biais systématique bien documenté dans la littérature psychométrique et statistique contemporaine : il a tendance à surestimer l’intensité de l’association réelle au sein de la population lorsque la taille de l’échantillon $N$ est restreinte, ou lorsque la table de contingence comporte un nombre élevé de cellules par rapport au nombre d’individus observés.

Ce phénomène de surestimation découle du comportement de la distribution d’échantillonnage du $\chi^2$ sous l’hypothèse nulle d’indépendance. L’espérance mathématique théorique de la statistique du Chi-carré sous $H_0$ n’est pas nulle, mais rigoureusement égale à ses degrés de liberté : $E(\chi^2) = ddl = (R – 1)(C – 1)$. Par conséquent, même en l’absence totale d’association sous-jacente au sein de la population mère, une table empirique issue d’un petit échantillon générera quasi systématiquement une valeur d’échantillon positive pour le $\chi^2$, laquelle, injectée dans la formule standard du V de Cramer, produira un coefficient artificiellement gonflé et substantiellement supérieur à zéro.

Pour corriger ce biais d’échantillonnage et restituer un estimateur asymptotiquement non biaisé de l’association populationnelle, Wicher Bergsma a formalisé une version corrigée, désignée sous le terme de V de Cramer ajusté (ou bias-corrected Cramer’s V ; Bergsma, 2013). La procédure d’ajustement intègre une correction directe de la statistique du Chi-carré et des dimensions effectives de la matrice :

tilde{chi}^2 = maxleft(0, ; chi^2 – frac{(R – 1)(C – 1)}{N – 1}right)

tilde{R} = R – frac{(R – 1)^2}{N – 1} quad text{et} quad tilde{C} = C – frac{(C – 1)^2}{N – 1}

V_{text{ajusté}} = sqrt{frac{tilde{chi}^2 / N}{min(tilde{R} – 1, ; tilde{C} – 1)}}

Si la valeur corrigée $\tilde{\chi}^2$ s’avère négative ou nulle lors de la soustraction des degrés de liberté ajustés, le coefficient est arrêté à 0. Cette correction se révèle absolument déterminante dans les études cliniques portant sur des cohortes réduites (par exemple $N < 100$ réparties sur une table $3 \times 3$ ou $4 \times 4$), où le V de Cramer non corrigé peut fréquemment renvoyer des valeurs oscillant entre $0,20$ et $0,35$ là où la réalité générative sous-jacente est une indépendance stochastique pure.

5.3 Grilles d’interprétation et seuils conventionnels de taille d’effet

L’interprétation substantive d’un coefficient d’association catégoriel requiert de s’abstraire des barèmes rigides traditionnellement appliqués au coefficient de corrélation linéaire de Pearson. Dans son ouvrage séminal sur l’analyse de puissance statistique, Jacob Cohen (1988) a souligné que l’amplitude numérique du V de Cramer dépend intrinsèquement des degrés de liberté de la dimension minimale de la table de contingence, notés $df^* = \min(R – 1, C – 1)$.

Plus la dimension minimale du tableau croisé s’accroît, plus la probabilité combinatoire que des effectifs se dispersent dans les cellules augmente, ce qui réduit mécaniquement l’amplitude moyenne que peut atteindre le coefficient pour une même force conceptuelle de lien. Cohen a par conséquent formalisé une grille différentielle de seuils de taille d’effet (faible, moyenne, forte) paramétrée selon ces degrés de liberté :

• Pour $df^* = 1$ (table $2 \times 2$) :
  • Effet faible : $V \approx 0,10$
  • Effet moyen : $V \approx 0,30$
  • Effet fort : $V ge 0,50$
• Pour $df^* = 2$ (table $3 \times 3$ ou $3 \times k$) :
  • Effet faible : $V \approx 0,07$
  • Effet moyen : $V \approx 0,21$
  • Effet fort : $V ge 0,35$
• Pour $df^* = 3$ (table $4 \times 4$ ou $4 \times k$) :
  • Effet faible : $V \approx 0,06$
  • Effet moyen : $V \approx 0,17$
  • Effet fort : $V ge 0,29$
• Pour $df^* = 4$ (table $5 \times 5$ ou $5 \times k$) :
  • Effet faible : $V \approx 0,05$
  • Effet moyen : $V \approx 0,15$
  • Effet fort : $V ge 0,25$

En contexte clinique, la lecture de ces seuils doit impérativement conjuguer la stricte métrique statistique avec la pertinence sémiologique. Considérons par exemple une étude psychologique examinant l’interdépendance entre trois sous-types de troubles anxieux (trouble d’anxiété généralisée, phobie sociale, trouble panique ; $R = 3$) et trois profils préférentiels de régulation émotionnelle ou de coping (évitement cognitif, recherche de soutien social, restructuration cognitive ; $C = 3$). Les degrés de liberté minimaux sont ici de $df^* = \min(3 – 1, 3 – 1) = 2$.

Si l’analyse débouche sur un V de Cramer de $V = 0,24$ avec une significativité statistique avérée ($p < 0,01$), la grille de Cohen indique qu'il s'agit d'un effet moyen à modérément fort pour une table de cette dimensionalité. Sur le plan de la validité de construit, un tel coefficient atteste qu'il existe une structuration préférentielle réelle des mécanismes d'adaptation selon la pathologie anxieuse présentée, tout en démontrant que le coping n'est pas strictement inféodé au diagnostic clinique (puisque $V$ demeure nettement distant de l'unité). Cette nuance illustre la puissance du V de Cramer pour situer la force d'un lien catégoriel sur un continuum scientifique normalisé et universellement communicable.

6. Procédure pas à pas pour calculer manuellement le V de Cramer

6.1 Étape 1 : Construction de la table croisée et calcul des attendus

Afin de rendre parfaitement tangible et opérationnel le calcul du V de Cramer, déroulons l’intégralité de la procédure arithmétique à travers une étude de cas en psychologie de la santé. Imaginons une recherche explorant l’association entre trois styles d’attachement chez l’adulte (Sécure, Anxieux-Préoccupé, Évitant-Détaché) et trois profils d’adhésion à un protocole de psychothérapie comportementale (Adhésion complète, Adhésion partielle, Rupture prématurée). L’échantillon empirique est composé de $N = 150$ patients cliniques.

Les données brutes observées ($O_{ij}$) sont consignées dans la table croisée $3 \times 3$ suivante, où les lignes représentent les styles d’attachement ($i = 1, 2, 3$) et les colonnes représentent les profils d’adhésion thérapeutique ($j = 1, 2, 3$) :

• Ligne 1 : Attachement Sécure ($n_{1\cdot} = 60$)
  • Adhésion complète : $O_{11} = 38$
  • Adhésion partielle : $O_{12} = 14$
  • Rupture prématurée : $O_{13} = 8$
• Ligne 2 : Attachement Anxieux-Préoccupé ($n_{2\cdot} = 50$)
  • Adhésion complète : $O_{21} = 15$
  • Adhésion partielle : $O_{22} = 22$
  • Rupture prématurée : $O_{23} = 13$
• Ligne 3 : Attachement Évitant-Détaché ($n_{3\cdot} = 40$)
  • Adhésion complète : $O_{31} = 7$
  • Adhésion partielle : $O_{32} = 14$
  • Rupture prématurée : $O_{33} = 19$

Calculons à présent les totaux marginaux de colonnes ($n_{\cdot j}$) en sommant les effectifs observés verticalement pour chaque profil d’adhésion :

• Adhésion complète : $n_{\cdot 1} = 38 + 15 + 7 = 60$
• Adhésion partielle : $n_{\cdot 2} = 14 + 22 + 14 = 50$
• Rupture prématurée : $n_{\cdot 3} = 8 + 13 + 19 = 40$

La somme globale vérifie la cohérence interne de la matrice : $N = n_{\cdot 1} + n_{\cdot 2} + n_{\cdot 3} = 60 + 50 + 40 = 150$. L’étape arithmétique suivante consiste à calculer systématiquement la fréquence théorique attendue sous l’hypothèse nulle d’indépendance pour chacune des 9 cellules, via la relation $E_{ij} = (n_{i\cdot} \times n_{\cdot j}) / N$ :

• Pour la cellule (1, 1) : $E_{11} = (60 \times 60) / 150 = 3600 / 150 = 24,00$
• Pour la cellule (1, 2) : $E_{12} = (60 \times 50) / 150 = 3000 / 150 = 20,00$
• Pour la cellule (1, 3) : $E_{13} = (60 \times 40) / 150 = 2400 / 150 = 16,00$
• Pour la cellule (2, 1) : $E_{21} = (50 \times 60) / 150 = 3000 / 150 = 20,00$
• Pour la cellule (2, 2) : $E_{22} = (50 \times 50) / 150 = 2500 / 150 = 16,67$
• Pour la cellule (2, 3) : $E_{23} = (50 \times 40) / 150 = 2000 / 150 = 13,33$
• Pour la cellule (3, 1) : $E_{31} = (40 \times 60) / 150 = 2400 / 150 = 16,00$
• Pour la cellule (3, 2) : $E_{32} = (40 \times 50) / 150 = 2000 / 150 = 13,33$
• Pour la cellule (3, 3) : $E_{33} = (40 \times 40) / 150 = 1600 / 150 = 10,67$

La règle de Cochran est intégralement satisfaite : aucune cellule n’est inférieure à 5 (la plus faible fréquence théorique étant de 10,67), ce qui assure la parfaite validité asymptotique de l’inférence fondée sur le Chi-carré.

6.2 Étape 2 : Détermination de la statistique du Chi-carré

Ayant obtenu les fréquences théoriques attendues, nous déterminons la contribution quadratique standardisée de chaque cellule à la statistique globale en appliquant le terme $(O_{ij} – E_{ij})^2 / E_{ij}$ :

• Cellule (1, 1) : $(38 – 24)^2 / 24 = 14^2 / 24 = 196 / 24 \approx 8,167$
• Cellule (1, 2) : $(14 – 20)^2 / 20 = (-6)^2 / 20 = 36 / 20 = 1,800$
• Cellule (1, 3) : $(8 – 16)^2 / 16 = (-8)^2 / 16 = 64 / 16 = 4,000$
• Cellule (2, 1) : $(15 – 20)^2 / 20 = (-5)^2 / 20 = 25 / 20 = 1,250$
• Cellule (2, 2) : $(22 – 16,67)^2 / 16,67 = (5,33)^2 / 16,67 = 28,4089 / 16,67 \approx 1,704$
• Cellule (2, 3) : $(13 – 13,33)^2 / 13,33 = (-0,33)^2 / 13,33 = 0,1089 / 13,33 \approx 0,008$
• Cellule (3, 1) : $(7 – 16)^2 / 16 = (-9)^2 / 16 = 81 / 16 = 5,0625$
• Cellule (3, 2) : $(14 – 13,33)^2 / 13,33 = (0,67)^2 / 13,33 = 0,4489 / 13,33 \approx 0,034$
• Cellule (3, 3) : $(19 – 10,67)^2 / 10,67 = (8,33)^2 / 10,67 = 69,3889 / 10,67 \approx 6,503$

La statistique du Chi-carré globale de Pearson s’obtient par la sommation arithmétique de ces 9 déviations standardisées relatives :

chi^2 = 8,167 + 1,800 + 4,000 + 1,250 + 1,704 + 0,008 + 5,063 + 0,034 + 6,503 = 28,529

Le nombre de degrés de liberté associé à cette table croisée est de :

ddl = (3 – 1) times (3 – 1) = 2 times 2 = 4

En consultant une table de la loi de distribution théorique du Chi-carré pour 4 degrés de liberté, la valeur critique requise pour rejeter l’hypothèse nulle au seuil de significativité conventionnel $\alpha = 0,001$ est de $\chi^2_{\text{critique}} = 18,47$. La valeur empirique obtenue ($\chi^2 = 28,53$) surpassant largement cette limite, nous pouvons affirmer avec une certitude statistique extrêmement élevée ($p = 9,7 \times 10^{-6}$) que la distribution conjointe observée s’écarte significativement de la stricte hypothèse d’indépendance statistique.

6.3 Étape 3 : Application de la formule du V de Cramer et interprétation

Le rejet hautement significatif de l’hypothèse nulle d’indépendance ne fournit toutefois aucune indication quantitative normalisée sur la force substantielle de ce lien. Nous appliquons donc l’équation du V de Cramer. Identifions préalablement la constante de normalisation basée sur la dimension minimale de la matrice :

k = min(R, C) = min(3, 3) = 3 implies k – 1 = 2

Injectons ces paramètres au sein du formalisme mathématique :

V = sqrt{frac{chi^2}{N times (k – 1)}} = sqrt{frac{28,529}{150 times 2}} = sqrt{frac{28,529}{300}} approx sqrt{0,0951} approx 0,3084

Le coefficient obtenu s’établit à $V = 0,31$. Selon la grille d’interprétation théorique formulée par Jacob Cohen pour une table présentant $df^* = 2$ (où les seuils étaient fixés à $0,07$ pour un effet faible, $0,21$ pour un effet moyen et $0,35$ pour un effet fort), cette valeur de $0,31$ se situe au niveau d’un effet d’association moyen à fort.

L’inspection analytique des résidus quadratiques cellulaires calculés à l’étape précédente éclaire la dynamique psychologique sous-jacente : l’attachement sécure contribue massivement à l’adhésion complète (résidu de $+8,17$), tandis que l’attachement évitant-détaché alimente de manière prépondérante le risque de rupture prématurée de la thérapie (résidu de $+6,50$). La formulation académique normalisée de ce résultat dans un rapport de recherche psychologique s’articulera de la façon suivante :

« Une analyse d’indépendance par le test du Chi-carré de Pearson révèle une association statistiquement très significative entre le style d’attachement adulte et le niveau d’adhésion au protocole psychothérapeutique ($\chi^2(4, N = 150) = 28,53, ; p < 0,001$). L'intensité de cette dépendance relationnelle, mesurée par le V de Cramer, traduit une taille d'effet substantielle ($V = 0,31$), caractérisée par une surreprésentation marquée des comportements d'adhésion complète chez les individus sécures et un taux anormalement élevé de désengagement thérapeutique précoce chez les profils évitants. »

7. La corrélation tétrachorique : Modélisation des variables binaires latentes

7.1 Théorie du continuum latent et distributions sous-jacentes

Le champ de la psychométrie contemporaine et de la théorie de la réponse aux items repose sur une prémisse épistémologique fondamentale : la plupart des attributs psychologiques qui semblent se manifester empiriquement sous une forme discrète ou binaire relèvent en réalité d’un continuum latent continu inobservé (Lord & Novick, 1968). Lorsqu’un individu répond par « Vrai » ou « Faux » à un item évaluant le trait de névrosisme (neuroticisme), ou lorsqu’un clinicien classe un patient comme « Dépressif majeur » ou « Non-atteint », cette classification observable résulte d’un processus de filtrage cognitif ou décisionnel.

La corrélation tétrachorique, théorisée originellement par Karl Pearson (Pearson, 1900b), modélise rigoureusement cette configuration. Elle postule que deux variables dichotomiques observées, notées $X$ et $Y$ (prenant chacune les valeurs 0 ou 1), sont engendrées par la discrétisation conjointe de deux variables aléatoires continues sous-jacentes, notées $xi$ (xi) et $eta$ (êta). Le postulat structurel central de ce modèle stipule que le vecteur aléatoire bivarié $(xi, eta)$ suit une loi normale bidimensionnelle standardisée :

begin{pmatrix} xi eta end{pmatrix} sim mathcal{N}left(begin{pmatrix} 0 0 end{pmatrix}, begin{pmatrix} 1 & rho_t rho_t & 1 end{pmatrix}right)

Dans ce formalisme, chaque variable discrète est reliée à sa propension latente continue par l’intervention d’un seuil de discrétisation unique sur l’axe gaussien, noté $\tau_x$ pour la première dimension et $\tau_y$ pour la seconde. Le mécanisme de mesure déterministe s’écrit formellement :

X = begin{cases} 1 & text{si } xi ge tau_x 0 & text{si } xi < tau_x end{cases} quad text{et} quad Y = begin{cases} 1 & text{si } eta ge tau_y 0 & text{si } eta < tau_y end{cases}

La corrélation tétrachorique $\rho_t$ représente précisément le coefficient de corrélation linéaire qui unit les deux continuums latents continus $xi$ et $eta$ avant que le processus de seuillage arbitraire n’en réduise l’expression à des scores binaires 0 ou 1. Ce coefficient ne mesure pas la corrélation entre les chiffres 0 et 1 au niveau manifeste, mais reconstruit l’affinité sous-jacente entre les construits psychologiques continus fondamentaux.

7.2 Intervalle de variation et analogie avec le r de Pearson

Contrairement au coefficient d’association V de Cramer qui est borné dans l’intervalle unilatéral $[0, 1]$, la corrélation tétrachorique $\rho_t$ possède exactement le même intervalle de définition et les mêmes propriétés géométriques que le coefficient de corrélation produit-moment de Pearson :

-1 le rho_t le +1

Cette symétrie directionnelle confère à la corrélation tétrachorique un avantage interprétatif décisif. Un coefficient positif ($\rho_t > 0$) indique que l’élévation sur le trait latent inobservé $xi$ s’accompagne de manière probabiliste d’une élévation conjointe sur le trait $eta$. Un coefficient négatif ($\rho_t < 0$) traduit une relation d'antagonisme ou d'inhibition réciproque entre les deux continuums latents. Les valeurs extrêmes $-1$ et $+1$ correspondent à une colinéarité latente absolue, où la variance de l'un des facteurs psychologiques sous-jacents est intégralement déterminée par l'autre.

L’autre propriété mathématique majeure de la corrélation tétrachorique réside dans son invariance théorique face aux déplacements des seuils marginaux. Considérons un item d’évaluation mesurant la sévérité phobique. Si cet item est formulé de façon très exigeante (« Avez-vous une peur panique paralysante des espaces clos ? »), seule une proportion infime de sujets répondra par l’affirmative, plaçant le seuil $tau$ très haut sur la distribution normale standard. Si l’item est formulé de façon plus modérée, une proportion bien plus importante acquiescera, déplaçant le seuil $tau$ vers la gauche.

Tandis que le coefficient de Pearson (Phi) appliqué à ces données fluctuerait dramatiquement sous l’effet de cette variation des proportions marginales (phénomène d’atténuation discuté au chapitre 3), la corrélation tétrachorique $\rho_t$ demeure rigoureusement invariante face à ces fluctuations de seuil. Elle capture la relation invariante entre les traits psychologiques réels, affranchie des artéfacts d’endossement inhérents à la rédaction syntaxique des questionnaires.

7.3 Cas d’usage privilégiés en recherche psychométrique

En vertu de ses propriétés d’invariance et de sa fidélité au postulat continu de la psychométrie, la corrélation tétrachorique constitue le standard méthodologique absolu pour plusieurs champs de recherche quantitative :

• L’analyse factorielle exploratoire et confirmatoire d’items dichotomiques : Lorsque l’on cherche à identifier la dimensionnalité d’une batterie de tests d’aptitude cognitive (évalués en termes de réussite/échec) ou d’échelles de personnalité à choix forcé (oui/non), l’analyse factorielle appliquée à une matrice de corrélation de Pearson standard génère des distorsions majeures. Elle dédouble artificiellement les facteurs réels en créant des facteurs parasites dits « facteurs de difficulté », regroupant faussement les items non pas selon leur contenu conceptuel, mais selon leur taux de réussite marginal. L’injection d’une matrice de corrélations tétrachoriques au sein des modèles factoriels neutralise totalement cet artéfact structurel.
• L’estimation de la fidélité et de la cohérence interne : Dans le cadre de l’estimation de coefficients de fidélité de type alpha de Cronbach ou oméga de McDonald pour des questionnaires à réponse binaire, le calcul fondé sur les corrélations tétrachoriques restitue une estimation non atténuée de la cohérence interne du construit sous-jacent.
• La modélisation épidémiologique et génétique comportementale : En génétique quantitative et en épidémiologie psychiatrique (par exemple, dans les études de jumeaux visant à quantifier l’héritabilité de la schizophrénie ou des troubles addictifs), la transmission phénotypique d’un statut binaire (atteint / non atteint) est modélisée à l’aide d’un modèle de susceptibilité latente multifactorielle continue (liability threshold model). La corrélation tétrachorique entre jumeaux monozygotes et dizygotes permet d’estimer directement le coefficient de concordance génétique latent sans la sous-estimation massive qu’induirait le recours aux corrélations manifestes.

8. Algorithmes et méthodes d’estimation de la corrélation tétrachorique

8.1 Approximation trigonométrique de Pearson et formule de Tudor

Avant l’avènement des calculateurs numériques modernes, l’inversion analytique de l’intégrale normale bivariée requise pour déterminer la corrélation tétrachorique posait un défi computationnel presque insurmontable. Karl Pearson avait proposé dès 1900 un développement en séries infinies particulièrement lourd à manipuler. Pour pallier cette complexité, plusieurs statisticiens ont conçu des approximations algébriques et trigonométriques directes basées sur le produit croisé des effectifs de la table de contingence $2 \times 2$.

Considérons une matrice $2 \times 2$ standardisée associant deux variables dichotomiques, dont les effectifs observés sont agencés selon la notation canonique : cellule $(0, 0) = a$, cellule $(0, 1) = b$, cellule $(1, 0) = c$ et cellule $(1, 1) = d$. Le rapport de cotes (ou odds ratio, noté $OR$) de cette matrice s’exprime par le produit en croix des fréquences :

OR = frac{a times d}{b times c}

Karl Pearson et, plus tard, d’autres mathématiciens ont démontré que lorsque les proportions marginales sont approximativement équilibrées (c’est-à-dire que les seuils de découpage latent $\tau_x$ et $\tau_y$ sont proches de zéro, ce qui équivaut à des prévalences marginales avoisinant 50 % pour chaque variable), la corrélation tétrachorique peut être approximée de façon remarquable par la fonction cosinusoïdale :

rho_t approx cosleft(frac{180^circ}{1 + sqrt{OR}}right) quad text{ou de manière équivalente} quad rho_t approx sinleft(frac{pi}{2} frac{sqrt{OR} – 1}{sqrt{OR} + 1}right)

Cette formulation trigonométrique offre une précision analytique satisfaisante (l’erreur d’estimation ne dépassant généralement pas 0,02 à 0,03) tant que les distributions marginales ne s’écartent pas substantiellement d’une division $50/50$. Toutefois, sa marge d’erreur explose dès lors que l’une des variables présente une distribution asymétrique (par exemple une scission marginale $90/10$ ou $95/5$). Face à de telles dissymétries, la formule de Tudor ou les développements d’approximation polynomiale s’avèrent insuffisants, rendant obligatoire le recours aux méthodes itératives du maximum de vraisemblance.

8.2 Estimation par le maximum de vraisemblance à deux étapes

Dans la recherche contemporaine, l’estimation de référence de la corrélation tétrachorique s’opère par la méthode du maximum de vraisemblance à deux étapes (Two-Step Maximum Likelihood Estimation). Cette procédure scinde le problème d’optimisation en deux résolutions successives : l’estimation univariée des seuils marginaux dans un premier temps, suivie de l’optimisation numérique du coefficient de corrélation bivarié.

Première étape : Détermination des seuils latents univariés. En vertu du postulat de normalité marginale standard, la proportion empirique cumulée des observations de chaque variable fournit un estimateur direct et convergent du seuil de discrétisation sur la loi normale univariée $Phi$. Notons $p_{0\cdot} = (a + b) / N$ la proportion d’individus présentant la modalité 0 sur la variable $X$, et $p_{\cdot 0} = (a + c) / N$ la proportion d’individus présentant la modalité 0 sur la variable $Y$. Les seuils latents $\tau_x$ et $\tau_y$ sont obtenus par l’inversion exacte de la fonction de répartition cumulative gaussienne standard ($\Phi^{-1}$) :

tau_x = Phi^{-1}(p_{0cdot}) quad text{et} quad tau_y = Phi^{-1}(p_{cdot 0})

Deuxième étape : Optimisation univariée de la vraisemblance conditionnelle. La probabilité théorique conjointe qu’un individu appartienne à la modalité $(1, 1)$ — c’est-à-dire que $\xi ge \tau_x$ et $\eta ge \tau_y$ — correspond à l’intégrale double de la fonction de densité de la loi normale bivariée standardisée $\phi_2(u, v; \rho)$, de corrélation $rho$ :

P_{11}(rho) = int_{tau_x}^{+infty} int_{tau_y}^{+infty} frac{1}{2pi sqrt{1 – rho^2}} expleft(-frac{u^2 – 2rho uv + v^2}{2(1 – rho^2)}right) , du , dv

La fonction de log-vraisemblance globale pour l’ensemble de la table de contingence $2 \times 2$ observée s’écrit alors :

ln L(rho) = a ln P_{00}(rho) + b ln P_{01}(rho) + c ln P_{10}(rho) + d ln P_{11}(rho)

Puisque les seuils $\tau_x$ et $\tau_y$ ont été préalablement fixés à la première étape, cette fonction ne dépend plus que d’un seul et unique paramètre inconnu : $rho$. L’estimation par le maximum de vraisemblance consiste à trouver la valeur numérique de $rho$ (dans l’intervalle $]-1, 1[$) qui maximise cette fonction, opération réalisée à l’aide d’algorithmes d’optimisation unidimensionnelle robustes tels que l’algorithme de Newton-Raphson ou la méthode de Brent. La matrice d’information de Fisher observée permet simultanément d’extraire l’erreur-type asymptotique du coefficient, autorisant la construction d’intervalles de confiance asymptotiques fiables à 95 % pour $\rho_t$.

8.3 Gestion des cellules vides et instabilités numériques

Une pathologie analytique majeure de l’estimation de la corrélation tétrachorique survient en présence d’une fréquence cellulaire nulle au sein de la table de contingence $2 \times 2$. Si l’une des cellules d’effectifs observés est égale à zéro ($a = 0, b = 0, c = 0$ ou $d = 0$), le rapport de cotes ($OR$) prend soit une valeur nulle absolue ($0$), soit diverge vers l’infini ($+\infty$).

Dans de telles conditions, l’algorithme d’optimisation par le maximum de vraisemblance est confronté à une instabilité numérique sévère. Le paramètre de corrélation estimé converge mécaniquement vers les bornes singulières de l’espace des paramètres, c’est-à-dire vers $\rho_t = +1,0$ ou $\rho_t = -1,0$. De surcroît, l’erreur-type asymptotique explose vers l’infini, rendant tout test d’hypothèse impossible. En pratique psychométrique, une cellule vide ne traduit presque jamais une relation déterministe absolue sur les traits latents, mais résulte simplement d’une taille d’échantillon insuffisante pour observer un croisement d’événements à faible probabilité conjointe.

Pour immuniser les calculs contre ces ruptures algorithmiques, deux protocoles de correction statistique sont couramment appliqués :

• La correction par demi-continuité (ou lissage de Haldane-Anscombe) : Cette méthode classique consiste à ajouter une quantité fractionnaire constante (traditionnellement $0,5$) à chacune des quatre cellules de la table de contingence lorsque l’une d’elles est nulle. Bien qu’efficace pour prévenir la divergence des calculs, cette correction présente l’inconvénient d’atténuer artificiellement la valeur absolue de la corrélation estimée si la taille globale de l’échantillon $N$ est restreinte.
• Le lissage bayésien avec loi a priori conjuguée (correction de Laplace ou de Jeffreys) : Privilégiée dans les progiciels de modélisation contemporains (comme dans le package psych de R), cette approche consiste à incorporer une distribution a priori multinomiale-Dirichlet informative légère, équivalente à l’addition d’une pondération asymptotique proportionnelle aux marges. Cette technique stabilise la matrice d’information sans déformer les seuils marginaux latents.

Il est impératif d’auditer minutieusement la présence de cellules vides avant d’injecter une matrice de corrélation tétrachorique dans des algorithmes multivariés d’équations structurelles, car un coefficient arbitrairement estimé à l’unité détruit instantanément la condition de régularité positive de la matrice de covariance globale.

9. La corrélation polychorique : Extension aux variables ordinales

9.1 Généralisation mathématique du cadre latent bivarié

La corrélation polychorique représente la généralisation mathématique directe de la corrélation tétrachorique pour le traitement des variables ordinales comprenant plus de deux modalités ordonnées (Ritchie-Scott, 1918 ; Olsson, 1979). Dès lors que les données se présentent sous la forme d’items de Likert gradués en 4, 5 ou 7 points, ou de grilles d’évaluation clinique ordonnées (par exemple : absent, léger, modéré, sévère), le modèle polychorique mobilise le même cadre conceptuel que le modèle tétrachorique, mais substitue au seuil binaire unique un ensemble ordonné de seuils de partitionnement multiples.

Soit deux variables ordinales observées $X$ et $Y$, comprenant respectivement $R$ et $C$ catégories ordonnées. Ces variables sont supposées être générées par deux variables continues latentes $xi$ et $eta$, qui suivent une distribution conjointe normale bivariée standardisée avec un coefficient de corrélation latent noté $\rho_p$. L’espace continu de chacune des dimensions est partitionné par une série strictement croissante de seuils théoriques :

-infty = tau_{x,0} < tau_{x,1} < tau_{x,2} < dots < tau_{x,R-1} < tau_{x,R} = +infty

-infty = tau_{y,0} < tau_{y,1} < tau_{y,2} < dots < tau_{y,C-1} < tau_{y,C} = +infty

Le processus générateur discret faisant le lien entre les propensions sous-jacentes inobservées et les catégories de réponses manifestes s’écrit formellement pour tout individu :

X = i iff tau_{x,i-1} le xi < tau_{x,i} quad text{pour } i = 1, dots, R

Y = j iff tau_{y,j-1} le eta < tau_{y,j} quad text{pour } j = 1, dots, C

La probabilité théorique conjointe $\pi_{ij}$ qu’un participant sélectionne la modalité ordonnée $i$ sur le premier instrument et la modalité ordonnée $j$ sur le second correspond au volume volumétrique sous la surface de la densité normale bivariée standardisée $\phi_2(u, v; \rho_p)$ délimité par ce rectangle de seuils :

pi_{ij}(rho_p, boldsymbol{tau}_x, boldsymbol{tau}_y) = int_{tau_{x,i-1}}^{tau_{x,i}} int_{tau_{y,j-1}}^{tau_{y,j}} phi_2(u, v; rho_p) , du , dv

La corrélation polychorique $\rho_p$ correspond précisément au coefficient de corrélation linéaire continu de cette distribution normale bivariée sous-jacente. Elle synthétise l’affinité entre les construits psychologiques en préservant scrupuleusement la hiérarchie intrinsèque des catégories de réponse ordonnées, tout en affranchissant l’analyse de l’hypothèse trompeuse d’intervalles constants entre les ancres du questionnaire.

9.2 Intérêt méthodologique comparé aux coefficients non paramétriques

Face à des variables de nature ordinale, la pratique conventionnelle s’oriente fréquemment vers l’usage de coefficients de corrélation de rangs non paramétriques, tels que le Rho de Spearman ($r_s$) ou le Tau de Kendall ($tau$). Bien que ces métriques soient largement préférables à l’application naïve du $r$ de Pearson, la corrélation polychorique présente des avantages épistémologiques et statistiques déterminants pour la recherche psychologique et psychométrique de pointe.

Le premier atout majeur réside dans la gestion des ex æquo massifs (tied ranks). Le Rho de Spearman repose sur la transformation des observations en rangs séquentiels. Or, lorsqu’un item de type Likert en 5 points est administré à un échantillon de 1 000 participants, des centaines d’individus choisissent obligatoirement la même modalité (par exemple le score 4). Cette concentration génère des blocs massifs d’ex æquo qui dégradent les propriétés distributionnelles du Rho de Spearman, nécessitant des corrections de variance complexes qui réduisent la puissance statistique du test.

Le second avantage réside dans la capacité de la corrélation polychorique à reconstituer la variance continue sans distorsion d’échelle. Même en l’absence d’ex æquo, les coefficients de rangs non paramétriques sous-estiment systématiquement la corrélation linéaire qui existerait entre les construits continus générateurs. Des simulations de Monte-Carlo démontrent de façon répétée que lorsque deux variables continues normales corrélées à $rho = 0,70$ sont discrétisées en échelles de Likert à 4 points, le Rho de Spearman moyen plafonne aux alentours de $0,61$, tandis que la corrélation polychorique moyenne réestime le paramètre à $0,70$ sans aucun biais d’échelle.

Enfin, la corrélation polychorique constitue la seule métrique théoriquement compatible avec l’analyse factorielle confirmatoire (CFA) et la modélisation en équations structurelles (SEM) sur variables ordinales. L’utilisation de matrices de corrélation non paramétriques (Spearman ou Kendall) dans les algorithmes de minimisation matricielle (tels que le WLS ou le WLSMV) n’offre aucune garantie de convergence vers des estimateurs non biaisés, car ces coefficients ne sont pas dérivés du formalisme sous-jacent de la loi normale multivariée.

9.3 Test d’adéquation du modèle de normalité sous-jacent

La puissance du cadre polychorique s’accompagne toutefois d’une responsabilité méthodologique impérative : l’évaluation de l’adéquation du modèle de normalité bivariée latente. Le calcul de la corrélation polychorique postule formellement que la distribution non observée régissant les construits est une gaussienne bivariée. Si cette hypothèse distributionnelle fondamentale est grossièrement violée (par exemple si la relation réelle présente une bimodalité latente prononcée ou une hétéroscédasticité structurelle), le coefficient polychorique estimé perd sa validité de construit.

L’avantage décisif de l’estimation polychorique réside dans le fait que cette hypothèse de normalité latente est directement testable sur le plan empirique à l’aide d’un test d’adéquation du Chi-carré (test of bivariate normality ; Maydeu-Olivares, 2006). Dans une table de contingence $R \times C$, le nombre total de cellules empiriques est de $R \times C$. Le modèle polychorique estime un ensemble restreint de paramètres :

• $R – 1$ seuils pour la première variable ($boldsymbol{\tau}_x$).
• $C – 1$ seuils pour la seconde variable ($boldsymbol{\tau}_y$).
• 1 coefficient de corrélation latent ($\rho_p$).

Le nombre de degrés de liberté résiduels ($ddl$) disponibles pour évaluer l’ajustement du modèle s’établit donc précisément selon l’équation :

ddl = (R times C – 1) – [(R – 1) + (C – 1) + 1] = R times C – R – C = (R – 1)(C – 1) – 1

En comparant les fréquences observées dans le tableau de contingence aux fréquences attendues générées par l’intégration de la loi normale bivariée paramétrée avec $\hat{\rho}_p$ et les seuils estimés, on calcule une statistique de déviation du $\chi^2$ d’ajustement. Si la $p$-valeur associée à ce test d’ajustement est non significative ($p > 0,05$), l’hypothèse nulle de normalité bivariée latente ne peut être rejetée, garantissant la validité métrique de la corrélation polychorique extraite.

Si, en revanche, le test s’avère hautement significatif ($p < 0,001$), cela indique que la distribution empirique observée ne peut pas être dérivée d'un plan gaussien standard. Dans ce cas de figure, le chercheur doit faire preuve de prudence : l'association ordinale existe potentiellement, mais son intensité ne peut être assimilée à un coefficient linéaire univarié sous-jacent, invitant à privilégier des modélisations semi-paramétriques ou des approches fondées sur la théorie des copules.

10. Mise en œuvre pratique et algorithmes d’estimation polychorique

10.1 Procédure d’estimation en deux étapes (Two-Step Estimation)

Sur le plan algorithmique, l’extraction de la corrélation polychorique mobilise deux architectures computationnelles majeures. La plus largement exploitée en pratique psychométrique en raison de sa rapidité d’exécution est la méthode d’estimation en deux étapes (Two-Step Estimation), initialement formalisée par Ulf Olsson (1979).

La première étape procède à l’estimation indépendante des seuils marginaux pour chaque variable, sans considérer la structure de covariance bivariée. En notant $N_{i\cdot} = \sum_{j=1}^{C} n_{ij}$ l’effectif marginal cumulé de la ligne $i$ pour la variable $X$, la proportion cumulée empirique s’écrit $P_i = \frac{1}{N}\sum_{k=1}^{i} N_{k\cdot}$. Le seuil latent correspondant $\hat{\tau}_{x,i}$ est déduit directement par la réciproque de la fonction de répartition normale standard :

hat{tau}_{x,i} = Phi^{-1}(P_i) quad text{pour } i = 1, dots, R – 1

La même opération d’inversion univariée est appliquée parallèlement sur les totaux marginaux de colonnes pour extraire le vecteur des seuils $\hat{boldsymbol{\tau}}_y$ de la variable $Y$.

Lors de la seconde étape, les vecteurs de seuils étant fixés à leurs valeurs numériques estimées, la fonction de log-vraisemblance bivariée n’est plus optimisée que le long d’une seule dimension : le paramètre $\rho_p$. L’algorithme cherche la racine de l’équation différentielle de score :

frac{partial ln L(rho_p)}{partial rho_p} = sum_{i=1}^{R} sum_{j=1}^{C} frac{n_{ij}}{pi_{ij}} frac{partial pi_{ij}}{partial rho_p} = 0

L’avantage opérationnel de cette méthode en deux étapes réside dans son efficacité computationnelle exceptionnelle. Le temps de calcul requis est négligeable, ce qui permet de traiter instantanément de très larges batteries de tests psychométriques comprenant plusieurs dizaines d’items administrés à des dizaines de milliers de répondants. Sur le plan asymptotique, l’estimateur en deux étapes est rigoureusement convergent et consistant, bien que son efficacité statistique (au sens de Cramér-Rao) soit très légèrement inférieure à celle du maximum de vraisemblance complet.

10.2 Estimation par le maximum de vraisemblance complète (FIML)

L’approche concurrente, plus exigeante sur le plan algorithmique, est l’estimation simultanée par le maximum de vraisemblance complète (Full Information Maximum Likelihood ou FIML). Contrairement à l’approche séquentielle, le FIML optimise simultanément dans un espace multidimensionnel unique l’ensemble des paramètres du modèle, c’est-à-dire le vecteur global contenant les $R – 1$ seuils de $X$, les $C – 1$ seuils de $Y$, et le coefficient de corrélation latent $\rho_p$ (soit $R + C – 1$ paramètres libres à estimer conjointement).

Le gradient du vecteur de score et la matrice hessienne des dérivées partielles d’ordre deux sont évalués simultanément à chaque itération de l’algorithme d’optimisation numérique (typiquement par les méthodes de quasi-Newton ou de Davidon-Fletcher-Powell). Cette approche conjointe garantit l’extraction de l’estimateur présentant la variance asymptotique minimale théorique, offrant une précision optimale et des erreurs-types non biaisées.

Le coût de cette rigueur réside dans la lourdeur computationnelle de la procédure. L’inversion répétée d’intégrales gaussiennes bidimensionnelles au sein d’un espace vectoriel étendu requiert des ressources de calcul substantielles. Toutefois, dans les protocoles de recherche clinique caractérisés par des échantillons de taille modérée ($N le 200$) ou lorsque les tables de contingence comportent des cellules à faibles effectifs, le FIML se montre nettement supérieur à la méthode en deux étapes : il prévient les biais d’échantillonnage marginaux et offre une robustesse accrue face aux configurations empiriques asymétriques.

10.3 Diagnostics de convergence et matrices non définies positives

Lorsque le chercheur calcule des corrélations polychoriques paire par paire à travers une batterie complète d’items pour former une matrice de corrélation globale (destinée, par exemple, à une analyse factorielle ou à une analyse en composantes principales), une anomalie algébrique redoutable survient régulièrement : la non-définie-positivité de la matrice résultante (non-positive definite matrix).

Pour qu’une matrice de corrélation soit valide au regard de la théorie de l’algèbre linéaire, toutes ses valeurs propres ($\lambda_k$) doivent être strictement supérieures à zéro. Cela garantit que la matrice réside dans un espace euclidien réel, que son déterminant est positif, et qu’elle peut être formellement inversée lors de la résolution des équations de régression matricielle :

det(mathbf{R}) > 0 quad text{et} quad lambda_k > 0 quad forall k

Or, lorsque les corrélations polychoriques sont estimées de manière bivariée indépendante paire par paire, rien ne garantit la cohérence tridimensionnelle conjointe de la matrice globale. Il est mathématiquement possible d’obtenir des triplets de coefficients bilatéraux valides individuellement, mais impossibles conjointement au sein d’un même espace statistique (par exemple, $\rho(X_1, X_2) = 0,85$, $\rho(X_2, X_3) = 0,85$, et $\rho(X_1, X_3) = 0,05$). Dans cette situation, la matrice globale présente une ou plusieurs valeurs propres négatives ($lambda le 0$). Si cette matrice est injectée sans traitement préalable dans un logiciel d’équations structurelles, le moteur d’optimisation interrompt son exécution avec une erreur de singularité numérique.

Pour remédier à cette impasse diagnostique, les statisticiens appliquent des algorithmes de lissage matriciel (matrix smoothing) ou de projection sur le cône semi-défini positif le plus proche, à l’instar de l’algorithme d’estimation de Higham (Higham, 2002). Ces algorithmes opèrent une modification infinitésimale des coefficients de corrélation empiriques de la matrice afin de contraindre toutes les valeurs propres négatives à adopter un plancher epsilon positif ($\lambda_k ge \varepsilon > 0$), restaurant ainsi instantanément la régularité et l’inversibilité du système matriciel sans altérer l’interprétabilité psychométrique des données.

11. Mesures complémentaires d’association pour configurations spécifiques

11.1 Le coefficient Phi pour les tables 2×2

Dans la configuration canonique d’une table de contingence $2 \times 2$ croisant deux variables dichotomiques pures, le V de Cramer se simplifie sous une formulation algébrique spécifique connue sous le nom de coefficient Phi (noté $phi$ ou $r_\phi$). Introduit par Karl Pearson, le coefficient Phi établit un pont direct entre l’analyse de contingence nominale et la théorie paramétrique classique, puisqu’il s’avère rigoureusement équivalent au coefficient de corrélation produit-moment de Pearson calculé en assignant directement les valeurs indicatrices 0 et 1 aux deux modalités de chaque variable :

phi = frac{a times d – b times c}{sqrt{(a + b)(c + d)(a + c)(b + d)}} = sqrt{frac{chi^2}{N}}

Sous sa formulation bilatérale avec conservation du signe algébrique du produit croisé $(ad – bc)$, le coefficient Phi varie dans l’intervalle canonique $[-1, +1]$. Cette orientation directionnelle confère au Phi une analogie interprétative immédiate avec les corrélations linéaires : un signe positif caractérise une synchronisation préférentielle des modalités homologues (la présence de $X$ prédit la présence de $Y$), tandis qu’un signe négatif documente une configuration d’inhibition ou d’exclusion réciproque.

Toutefois, la divergence épistémologique entre le coefficient Phi et la corrélation tétrachorique $\rho_t$ doit être clairement intégrée lors de l’analyse de données cliniques. Le coefficient Phi mesure l’association au niveau manifeste empirique strict, sans postuler l’existence d’une distribution latente sous-jacente. Si la dichotomie sous étude relève d’une réalité ontologique binaire vraie (par exemple, la survenue d’une rechute clinique versus le maintien de la rémission dans un protocole de suivi longitudinal), le coefficient Phi constitue une métrique rigoureuse et descriptivement irréprochable de l’association observée.

Si, en revanche, les données binaires résultent du découpage artificiel d’un continuum clinique fondamentalement quantitatif (comme un seuil diagnostique arbitraire sur une échelle de gravité dépressive), le coefficient Phi souffrira de l’effet plafond d’atténuation marginale explicité précédemment, et sous-estimera drastiquement le lien psychologique réel. Dans ce cas précis, la corrélation tétrachorique devra systématiquement lui être préférée.

11.2 Le Lambda de Goodman-Kruskal et mesures de réduction proportionnelle de l’erreur

Une alternative théorique majeure au paradigme fondé sur le test d’indépendance du Chi-carré réside dans les mesures d’association basées sur le concept probabiliste de la Réduction Proportionnelle de l’Erreur (noté PRE pour Proportional Reduction in Error), dont le représentant le plus célèbre pour variables qualitatives nominales est le Lambda de Goodman-Kruskal ($lambda$ ; Goodman & Kruskal, 1954).

Contrairement au V de Cramer qui mesure une déviation globale par rapport à une hypothèse stochastique, le Lambda quantifie l’amélioration concrète de la précision de prédiction lorsqu’on tente d’estimer la modalité d’un individu sur une variable dépendante $Y$ à partir de la connaissance de sa modalité sur une variable indépendante $X$. L’architecture du coefficient repose sur la comparaison mathématique de deux règles de décision probabilistes :

• Erreur sous la règle 1 ($E_1$) : En l’absence totale de connaissance de la variable $X$, la décision la plus rationnelle pour prédire la catégorie d’un individu sur $Y$ consiste à lui assigner systématiquement la modalité marginale la plus fréquente (le mode global de $Y$, noté $\max(n_{\cdot j})$). Le nombre total d’erreurs de prédiction commises sur l’échantillon complet s’élève alors à : $E_1 = N – \max(n_{\cdot j})$.
• Erreur sous la règle 2 ($E_2$) : Dès lors que l’on connaît la modalité $i$ de l’individu sur la variable $X$, on prédit pour cet individu la modalité conditionnelle la plus fréquente de la ligne $i$ (le mode conditionnel de $Y$ au sein de cette strate spécifique de $X$, noté $\max(n_{ij})$). Le nombre total d’erreurs résiduelles commises sur l’ensemble des strates correspond à la sommation : $E_2 = N – \sum_{i=1}^{R} \max(n_{ij})$.

Le Lambda asymétrique de Goodman-Kruskal mesure formellement la proportion relative de l’erreur initiale qui est éliminée grâce à la prise en compte de la variable prédictive :

lambda_{Y|X} = frac{E_1 – E_2}{E_1} = frac{sum_{i=1}^{R} max(n_{ij}) – max(n_{cdot j})}{N – max(n_{cdot j})}

Le coefficient Lambda présente l’avantage majeur d’offrir une interprétation probabiliste directe : une valeur de $lambda = 0,40$ signifie très concrètement que la prise en compte de la variable clinique $X$ réduit de 40 % le risque de commettre une erreur de classification sur le profil diagnostique $Y$. Cette indépendance conceptuelle vis-à-vis de la métrique du $\chi^2$ en fait un outil d’une utilité diagnostique exceptionnelle pour évaluer l’apport incrémentiel de biomarqueurs qualitatifs ou de marqueurs phénotypiques en psychiatrie.

Toutefois, le Lambda souffre d’une faiblesse méthodologique : si la modalité modale globale est extrêmement dominante au sein de l’échantillon, le mode conditionnel peut être identique dans toutes les sous-catégories, ce qui conduit à un coefficient $lambda = 0$ alors même qu’une association statistique réelle et significative est décelable par d’autres métriques. Le chercheur avisé doit donc veiller à ne pas conclure hâtivement à une absence de relation sur la seule foi d’un Lambda nul.

11.3 Le Tau-b et Tau-c de Kendall pour variables purement ordinales

Lorsque les variables à analyser sont incontestablement ordinales, mais que le chercheur ne souhaite pas postuler l’existence d’une distribution normale bivariée continue sous-jacente (rendant l’approche latente polychorique non souhaitable), les coefficients de concordance de rangs de Kendall fournissent une alternative non paramétrique rigoureuse.

Le mécanisme d’évaluation de Maurice Kendall (1938) repose sur l’analyse combinatoire de l’ensemble des paires distinctes d’individus observables dans l’échantillon, au nombre total de $N(N – 1) / 2$. Chaque paire formée de deux participants $(u, v)$ est catégorisée selon la congruence de leurs positions relatives :

• Paire concordante : L’ordre hiérarchique des deux sujets est identique sur les deux variables (c’est-à-dire que $X_u > X_v$ et $Y_u > Y_v$, ou bien $X_u < X_v$ et $Y_u < Y_v$). Notons $C$ le dénombrement total de ces paires concordantes.
• Paire discordante : L’ordre hiérarchique s’inverse d’une variable à l’autre ($X_u > X_v$ alors que $Y_u < Y_v$, ou réciproquement). Notons $D$ le total de ces paires discordantes.
• Paires liées (ex æquo) : Les deux sujets présentent la même modalité sur la variable $X$ (liens $T_X$), sur la variable $Y$ (liens $T_Y$), ou sur les deux dimensions simultanément.

Dans le cadre des tables de contingence présentant des ex æquo massifs, la formulation standard (Tau-a) s’avère inutilisable. Deux ajustements formels majeurs ont été conçus pour corriger l’impact des liens multiples :

Le Tau-b de Kendall : Adapté aux tables de contingence carrées ($R = C$), ce coefficient intègre une correction de variance qui pénalise spécifiquement les ex æquo sur chaque axe :

tau_b = frac{C – D}{sqrt{(C + D + T_X)(C + D + T_Y)}}

Le Tau-b de Kendall est strictement borné dans l’intervalle $[-1, +1]$ uniquement lorsque la table présente des dimensions symétriques ($R = C$).

Le Tau-c de Kendall (ou Tau de Stuart-Kendall) : Lorsque la table de contingence est rectangulaire ($R ne C$, par exemple une échelle d’évaluation en 3 modalités croisée avec un item de Likert en 5 ancres), le Tau-b ne peut mathématiquement jamais atteindre ses bornes extrêmes $+1$ ou $-1$. Stuart a donc formulé le Tau-c, qui calibre la normalisation sur la base du nombre maximal théorique d’accords accessibles compte tenu des dimensions marginales :

tau_c = frac{2 times m times (C – D)}{N^2 times (m – 1)} quad text{où } m = min(R, C)

Le Tau-b et le Tau-c de Kendall constituent des outils d’évaluation de la concordance ordinale d’une remarquable robustesse. Leur distinction fonctionnelle par rapport à l’approche latente polychorique doit être nettement conceptualisée : alors que la corrélation polychorique modélise le lien unissant les traits continus générateurs d’un modèle psychométrique, les coefficients Tau de Kendall quantifient de manière non paramétrique la concordance ordinale empirique observée entre les rangs des sujets de l’échantillon, sans aucune hypothèse distributionnelle.

12. Implémentation computationnelle (R et Python) et recommandations éditoriales

12.1 Calcul automatisé sous R : packages psych, vcd et polycor

L’environnement statistique de programmation R constitue la référence mondiale pour le traitement quantitatif des données en psychométrie et en sciences sociales computationnelles. L’écosystème met à disposition une suite de bibliothèques hautement spécialisées permettant d’automatiser l’extraction des indicateurs d’association catégorielle avec une rigueur mathématique absolue.

Pour l’analyse des tables de contingence nominales et l’extraction du V de Cramer accompagné de ses intervalles de confiance paramétriques ou bootstrap, la bibliothèque vcd (Visualizing Categorical Data) couplée à DescTools offre une flexibilité totale. L’exécution de la fonction assocstats() permet d’extraire d’un seul bloc la statistique du Chi-carré de Pearson, le rapport de vraisemblance (G-test), le coefficient Phi et le V de Cramer :

Dans cette chaîne d’exécution, la matrice d’effectifs observés est soumise à la fonction, qui renvoie instantanément la statistique du $\chi^2$, les degrés de liberté associés, la $p$-valeur exacte, ainsi que la valeur d’échantillon du V de Cramer. L’exploitation de la fonction complémentaire CramerV() du package DescTools, en activant le paramètre d’ajustement de biais de Bergsma (conf.level = 0.95, method = "bergsma"), permet de générer simultanément l’estimation corrigée et l’intervalle de confiance à 95 % par rééchantillonnage bootstrap (calculé typiquement sur 2 000 itérations), garantissant une inférence robuste même sur petits effectifs.

Pour l’estimation avancée des corrélations tétrachoriques et polychoriques, la bibliothèque psych développée par William Revelle (Revelle, 2024) s’impose comme le standard académique. La fonction polychoric() prend en entrée brute une matrice de variables de type Likert ou un tableau croisé de données d’items. L’algorithme déploie une procédure d’estimation à deux étapes hautement optimisée, calcule les seuils latents gaussiens de chaque modalité, évalue la matrice de corrélation polychorique, et soumet la structure à un test formel de normalité bivariée du Chi-carré.

L’extraction de l’objet résultant donne un accès complet à la matrice de corrélation latente (result$rho), aux erreurs-types associées (result$sd), ainsi qu’à la liste exhaustive des seuils estimés (result$tau). Lorsque l’analyse porte spécifiquement sur des items dichotomiques, la fonction dédiée tetrachoric() mobilise les optimisations trigonométriques et le lissage bayésien de Haldane pour gérer de manière transparente les cellules vides potentielles. Le package concurrent polycor développé par John Fox fournit quant à lui une interface directe pour basculer entre l’estimation en deux étapes et l’estimation simultanée par le maximum de vraisemblance complète (FIML) via l’argument ML = TRUE de la fonction polychor().

12.2 Calcul sous Python : scipy.stats, statsmodels et semopy

Dans l’écosystème de programmation Python, largement prédominant dans les pipelines d’apprentissage machine et d’ingénierie des données, l’analyse d’association catégorielle repose sur l’intégration concertée des bibliothèques scientifiques scipy.stats et statsmodels.

Pour l’investigation des liaisons nominales, le calcul du test d’indépendance du Chi-carré et du V de Cramer s’appuie sur le sous-module scipy.stats.contingency. La fonction standard chi2_contingency() prend en argument la table de contingence bidimensionnelle (structurée sous forme de tableau multidimensionnel numpy ou de tableau croisé pandas.crosstab()) et renvoie la statistique $\chi^2$ calculée, la $p$-valeur asymptotique correspondante, les degrés de liberté du système, ainsi que la matrice bidimensionnelle exacte des fréquences théoriques attendues sous l’hypothèse d’indépendance ($E_{ij}$).

L’extraction du V de Cramer s’effectue ensuite soit par application de la formule analytique vectorisée rapportant la statistique du $\chi^2$ à $N \times (\min(R, C) – 1)$, soit par l’utilisation de la classe spécialisée Table2x2 ou Table du module statsmodels.stats.contingency_tables. Cette dernière architecture fournit un ensemble complet de diagnostics avancés, intégrant le calcul automatisé des résidus standardisés ajustés de Haberman (qui identifient cellule par cellule les déviations significatives par rapport à l’indépendance) ainsi que les rapports de cotes globaux.

Concernant l’évaluation des corrélations tétrachoriques et polychoriques sous Python, la mise en œuvre requiert généralement l’exploitation des modules d’analyse factorielle structurelle disponibles au sein de progiciels spécialisés tels que semopy ou via des bibliothèques dédiées comme polychoric. Le pipeline de traitement opère l’intégration numérique des seuils optimaux par le solveur scipy.optimize.minimize_scalar, qui applique l’algorithme de Brent sur la fonction de log-vraisemblance univariée conditionnelle.

Cette approche permet d’automatiser l’incorporation de matrices de corrélation polychoriques au sein de chaînes de traitement de modélisation prédictive ou d’analyse en composantes principales catégorielles (CATPCA). Elle préserve la structure de corrélation latente des questionnaires cliniques avant leur exploitation dans des modèles supervisés, sans recourir à des transcodages numériques naïfs arbitraires.

12.3 Normes de rapport académique selon les standards APA

La communication des analyses d’association pour données catégorielles au sein des périodiques scientifiques internationaux obéit à des normes typographiques et formelles rigoureuses régies par l’American Psychological Association (APA, 7e édition). La rédaction académique se doit de rejeter catégoriquement toute formulation vague ou imprécise, et de stipuler simultanément la valeur du test d’hypothèse, les degrés de liberté, la taille globale d’échantillon, la $p$-valeur exacte, la métrique de taille d’effet normalisée et son intervalle de confiance bilatéral à 95 %.

Voici des modèles de formulation textuelle rigoureuse respectant rigoureusement les préconisations du manuel de publication de l’APA :

• Pour une analyse nominale par le V de Cramer :
  « Une analyse d’indépendance par le test du Chi-carré de Pearson a mis en évidence une relation statistiquement significative entre le diagnostic psychiatrique principal et le type d’intervention psychologique privilégié, $\chi^2(6, N = 240) = 31,45, ; p < 0,001$. L'intensité de cette dépendance relationnelle, mesurée par le V de Cramer ajusté, correspond à une taille d'effet moyenne à forte, $V_{\text{ajusté}} = 0,25, ; \text{IC}_{95%} ; [0,16, ; 0,35]$. L'inspection des résidus standardisés démontre que les patients diagnostiqués d'un trouble panique étaient significativement plus susceptibles d'être orientés vers une thérapie d'exposition que ce qui était théoriquement attendu sous l'hypothèse d'indépendance stochastique ($z = +3,82$). »
• Pour une analyse binaire par la corrélation tétrachorique :
  « La relation latente unissant l’endossement de l’item d’anhédonie sociale et celui mesurant le retrait comportemental a été évaluée au moyen d’un modèle de corrélation tétrachorique à deux étapes. Le coefficient de corrélation latent estimé traduit une interdépendance très étroite entre les deux dimensions psychopathologiques, $\rho_t = 0,68, ; \text{ES} = 0,04, ; \text{IC}_{95%} ; [0,60, ; 0,76], ; p < 0,001$. Le test d'adéquation bivarié n'a révélé aucune violation significative de l'hypothèse de normalité sous-jacente, $\chi^2(1, N = 450) = 0,82, ; p = 0,365$. En comparaison, le coefficient de corrélation de Pearson direct calculé sur les scores manifestes plafonnait à $phi = 0,42$, illustrant l'ampleur de l'atténuation d'échelle neutralisée par l'approche latente. »
• Pour une analyse ordinale par la corrélation polychorique :
  « Les matrices d’association préliminaires à l’analyse factorielle confirmatoire des items de l’échelle d’épuisement émotionnel (mesurés sur une échelle de Likert en 5 points) ont été modélisées par des corrélations polychoriques complètes. La corrélation latente moyenne s’établit à $\rho_p = 0,54$ ($\text{Étendue} = [0,38, ; 0,71]$). L’adéquation du modèle de seuils ordonnés gaussiens a été confirmée pour 94 % des paires d’items analysées ($p > 0,05$), autorisant l’utilisation de l’estimateur des moindres carrés pondérés robustes (WLSMV) pour la modélisation structurelle. »

Sur le plan de la présentation tabulaire, les standards de l’APA prescrivent d’associer systématiquement les statistiques d’association aux distributions descriptives brutes. Tout tableau de contingence publié doit comporter en en-tête les effectifs observés absolus accompagnés de leurs pourcentages en ligne ou en colonne (avec indication explicite de la base de référence de calcul), ainsi que les résidus standardisés ajustés afin de permettre au lecteur d’identifier instantanément les cellules qui pilotent la significativité globale du test.

Enfin, l’intégrité scientifique commande d’observer une transparence totale face au problème des seuillages arbitraires. Le chercheur doit explicitement déclarer et justifier sur le plan théorique toute décision de dichotomisation ou de regroupement de catégories qualitatives opérée en phase pré-analytique. La pratique consistant à faire varier subrepticement les seuils de découpage d’une variable continue afin de forcer artificiellement l’obtention d’une $p$-valeur significative sous le seuil $\alpha = 0,05$ (dichotomisation opportuniste ou p-hacking) constitue une dérive méthodologique sévère qui détruit la validité de réplication de la recherche scientifique. Les modélisations latentes tétrachoriques et polychoriques rigoureusement documentées, associées à la publication transparente des intervalles de confiance, constituent le rempart méthodologique le plus sûr contre ces distorsions expérimentales.

Références

• Bergsma, W. (2013). A bias-correction for Cramér’s $V$ and Tschuprow’s $T$. Journal of the Korean Statistical Society, 42(3), 323–328. https://doi.org/10.1016/j.jkss.2012.10.002
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press.
• Goodman, L. A., & Kruskal, W. H. (1954). Measures of association for cross classifications. Journal of the American Statistical Association, 49(268), 732–764. https://doi.org/10.1080/01621459.1954.10501236
• Higham, N. J. (2002). Computing the nearest correlation matrix—a problem from finance. IMA Journal of Numerical Analysis, 22(3), 329–343. https://doi.org/10.1093/imanum/22.3.329
• Kendall, M. G. (1938). A new measure of rank correlation. Biometrika, 30(1/2), 81–93. https://doi.org/10.2307/2332226
• Lord, F. M., & Novick, M. R. (1968). Statistical theories of mental test scores. Addison-Wesley.
• MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. https://doi.org/10.1037/1082-989X.7.1.19
• Maydeu-Olivares, A. (2006). Limited information estimation and testing of Thurstone’s model for paired comparison data under multiple judgment sampling. Psychometrika, 71(2), 289–312. https://doi.org/10.1007/s11336-004-1234-9
• Olsson, U. (1979). Maximum likelihood estimation of the polychoric correlation coefficient. Psychometrika, 44(4), 443–460. https://doi.org/10.1007/BF02296207
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Pearson, K. (1900b). Mathematical contributions to the theory of evolution. VII. On the correlation of characters not quantitatively measurable. Philosophical Transactions of the Royal Society of London. Series A, 195, 1–47. https://doi.org/10.1098/rsta.1900.0022
• Revelle, W. (2024). psych: Procedures for psychological, psychometric, and personality research (R package version 2.4.3). Northwestern University. https://cran.r-project.org/package=psych
• Ritchie-Scott, A. (1918). The correlation coefficient of a polychoric table. Biometrika, 12(1/2), 93–133. https://doi.org/10.2307/2331929
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677