Corrélations dans Stata : Pearson, Spearman et Kendall

L’étude des interdépendances au sein des données empiriques constitue l’un des piliers méthodologiques fondamentaux de la psychométrie contemporaine et des sciences comportementales. Qu’il s’agisse d’évaluer la fidélité test-retest d’un nouvel instrument d’évaluation, d’estimer la validité convergente entre deux construits théoriques distincts ou d’explorer la structure latente de questionnaires d’attitudes, la quantification de l’association bivariée demeure le préalable indispensable à toute modélisation multivariée ultérieure. Face à la diversité des formats de recueil de données — des échelles d’intervalles aux cotations discrètes ordonnées —, le chercheur est constamment confronté au défi de sélectionner l’indice de corrélation le plus adéquat afin d’éviter les inférences fallacieuses découlant de violations d’hypothèses distributionnelles.

Dans ce contexte analytique exigeant, le logiciel Stata s’est imposé comme une référence internationale incontournable grâce à son architecture logicielle unifiée, sa rigueur algorithmique et son environnement de syntaxe favorisant une stricte reproductibilité de la recherche scientifique. Proposant une gamme complète de procédures paramétriques et non paramétriques, Stata permet d’aborder avec une grande précision le calcul, l’interprétation et le diagnostic des trois coefficients cardinaux que sont le r de Pearson, le rho de Spearman et le tau de Kendall. Chacun de ces indices repose sur des soubassements théoriques distincts, répondant à des contraintes spécifiques de métrique, de forme fonctionnelle et de résistance aux perturbations d’échantillonnage.

Ce guide exhaustif propose une immersion théorique et pratique approfondie dans l’univers de la corrélation bivariée sous Stata, spécifiquement orientée vers les problématiques de la psychométrie et des sciences humaines. À travers l’examen détaillé des formulations algébriques, l’analyse comparée des postulats d’application, le déploiement pas-à-pas des routines syntaxiques et la restitution des résultats selon les normes éditoriales de l’American Psychological Association (APA), ce manuel constitue une ressource avancée pour les chercheurs, analystes de données et cliniciens désireux de conférer à leurs travaux quantitatifs un niveau irréprochable de précision et de rigueur métrologique.

1. Introduction aux mesures d’association et aux corrélations en psychométrie

1.1 Définition conceptuelle de la corrélation bivariée

D’un point de vue statistique formel, la corrélation bivariée quantifie l’intensité et la direction de la relation conjointe unissant deux variables aléatoires. Elle procède fondamentalement d’une standardisation de la covariance, laquelle représente l’espérance mathématique du produit des écarts de chaque variable par rapport à sa propre moyenne théorique. Alors que la covariance brute demeure intrinsèquement tributaire des unités de mesure dans lesquelles sont exprimées les variables observées — ce qui rend toute comparaison inter-études périlleuse —, le coefficient de corrélation élimine cet effet d’échelle par une division normative par le produit des dispersions univariées. Il en résulte un indice adimensionnel dont la magnitude est strictement circonscrite au sein de l’intervalle fermé allant de -1 à +1.

Sur le plan géométrique et probabiliste, une corrélation de +1 dénote une concordance parfaite, indiquant que les observations se déploient sans la moindre déviation le long d’une fonction croissante. À l’inverse, un coefficient de -1 traduit une discordance inverse parfaite, tandis qu’une valeur nulle signale une absence complète de relation linéaire ou monotone entre les deux grandeurs mesurées. En psychométrie, cette échelle standardisée offre un étalon commun indispensable pour apprécier l’ampleur d’un lien conceptuel, indépendamment du fait que l’on manipule des millisecondes issues de temps de réaction informatisés, des scores sommatifs obtenus à des épreuves d’efficience intellectuelle ou des cotations graduées sur des inventaires de symptômes psychopathologiques.

Il importe toutefois de rappeler avec force la distinction épistémologique fondamentale entre corrélation et causalité. En psychologie et en sciences sociales, l’existence d’une association bivariée statistiquement significative entre deux construits n’implique en aucun cas une détermination causale unilatérale de l’un sur l’autre. Une corrélation observée peut refléter l’influence masquée d’une troisième variable confondante (causalité spurieuse), une causalité réciproque ou bidirectionnelle, voire une simple coïncidence d’échantillonnage. En métrologie psychologique, la corrélation trouve son champ d’application le plus noble non pas dans l’affirmation causale directe, mais dans la démonstration de la validité de construit : la validité convergente requiert l’existence de corrélations substantielles entre tests mesurant des concepts apparentés, tandis que la validité discriminante exige des coefficients résiduels ou négligeables face à des construits théoriquement orthogonaux.

1.2 Typologie des échelles de mesure et choix du coefficient

La sélection rigoureuse d’un indice de corrélation nécessite une analyse préalable approfondie de la nature métrologique des variables en jeu. Dans ses travaux fondateurs sur la théorie de la mesure, le psychologue Stanley Smith Stevens a proposé une taxinomie quadripartite distinguant les échelles nominales, ordinales, d’intervalles et de rapports. Cette classification détermine de manière impérative les opérations mathématiques autorisées sur les scores et gouverne directement l’adéquation des outils statistiques disponibles. Alors que les échelles de rapports disposent d’un zéro absolu et que les échelles d’intervalles garantissent une équidistance constante entre unités consécutives, l’échelon ordinal ne permet que de classer hiérarchiquement les individus sans quantifier l’espacement exact séparant deux rangs successifs.

Les métriques paramétriques classiques, incarnées principalement par le coefficient produit-moment de Pearson, supposent formellement que les données soient issues d’échelles d’intervalles ou de rapports. Dans ce paradigme, les opérations d’addition, de calcul de moyennes arithmétiques et d’écarts-types possèdent une validité mathématique pleine et entière. En revanche, le statut métrologique des échelles d’attitudes de type Likert (par exemple, des échelons de réponse gradués de 1 « Pas du tout d’accord » à 5 « Tout à fait d’accord »), omniprésentes dans les questionnaires de personnalité et de santé mentale, suscite d’intenses débats épistémologiques. Bien qu’une pratique courante consiste à sommer les items et à traiter le score global résultant comme une quasi-mesure d’intervalle par application du théorème central limite, l’analyse d’items isolés demeure strictement ordinale.

L’arbre décisionnel guidant le praticien s’articule ainsi autour de trois critères majeurs : le niveau de mesure théorique des données, la forme géométrique de la trajectoire d’association et le respect des distributions sous-jacentes. Lorsque deux variables continues satisfont aux exigences de linéarité et de normalité multivariée, le r de Pearson s’impose comme l’estimateur de référence à efficacité statistique maximale. En présence de données purement ordinales, de distributions nettement asymétriques ou d’associations monotones non linéaires, les coefficients de rangs non paramétriques constituent l’alternative méthodologique incontournable. Le rho de Spearman sera alors privilégié pour des analyses exploratoires globales et des échelles composites étendues, tandis que le tau de Kendall sera expressément retenu en présence d’échantillons de taille réduite ou d’une forte prévalence de rangs ex-aequo.

1.3 Présentation du logiciel Stata dans l’analyse quantitative

Au sein de l’écosystème contemporain des logiciels de traitement statistique, Stata occupe une place d’excellence plébiscitée par les biostatisticiens, économètres et méthodologistes de la psychologie empirique. Contrairement à des logiciels articulés exclusivement autour d’interfaces graphiques opaques, Stata repose sur un moteur sous-jacent commandé par une syntaxe en ligne concise et rigoureuse. Cette architecture hybride permet à l’utilisateur de concilier une manipulation intuitive via des boîtes de dialogue avec l’automatisation systématique de protocoles d’analyses complexes au moyen de fichiers scripts appelés do-files.

La reproductibilité computationnelle représente une exigence déontologique cardinale dans le contexte actuel de crise de réplication qui traverse les sciences comportementales. Grâce à la structure des do-files de Stata, chaque étape de transformation des variables brutes, d’imputation de données manquantes, de diagnostic distributionnel et de calcul corrélationnel se trouve consignée de manière transparente, immuable et immédiatement partageable au sein de la communauté scientifique. L’environnement Stata garantit en outre une traçabilité intégrale des résultats grâce à la tenue de fichiers de log (log-files) attestant des versions d’algorithmes mobilisées et des sorties d’exécution exactes.

Sur le plan métrologique, Stata offre des atouts remarquables pour le traitement des données d’enquêtes psychologiques et psychosociales. Ses algorithmes internes traitent de manière native et sophistiquée les plans d’échantillonnage complexes impliquant des stratifications, des pondérations probabilistes ou des effets de grappes via sa suite de commandes spécialisées. De surcroît, le logiciel combine une vitesse de calcul exceptionnelle avec une gestion rigoureuse de la précision numérique en virgule flottante, garantissant des calculs de matrices de corrélation robustes, y compris face à des bases de données volumineuses comportant des millions d’enregistrements ou des dizaines d’items psychométriques corrélés.

2. Fondements théoriques du coefficient de corrélation de Pearson

2.1 Formulation mathématique et propriétés du r de Pearson

Conçu à la fin du XIXe siècle par Karl Pearson à partir des intuitions initiales de Francis Galton, le coefficient de corrélation produit-moment constitue la mesure historique canonique de la dépendance linéaire entre deux variables quantitatives continues. Algébriquement, pour un échantillon de taille n composé de couples d’observations (X_i, Y_i), le coefficient d’échantillonnage, désigné conventionnellement par la lettre latine r, est défini comme le quotient de la covariance d’échantillonnage par le produit des écarts-types d’échantillonnage respectifs de chaque variable. Dans cette formulation, les termes au numérateur capturent la co-variation conjointe des points autour du centre de gravité bivarié défini par les moyennes empiriques.

Une perspective géométrique élégante permet de conceptualiser le coefficient de Pearson au sein de l’espace vectoriel euclidien à n dimensions. Si l’on associe à chaque variable un vecteur centré dont l’origine correspond à la moyenne arithmétique de l’échantillon, le r de Pearson équivaut exactement au cosinus trigonométrique de l’angle géométrique formé par ces deux vecteurs d’observations. Lorsque les vecteurs sont parfaitement colinéaires et orientés dans le même sens, l’angle est nul et son cosinus vaut 1 ; lorsqu’ils sont strictement orthogonaux, l’angle atteint 90 degrés et son cosinus s’annule, illustrant une indépendance linéaire absolue au sein de l’espace échantillonnal.

Le coefficient de Pearson présente des propriétés mathématiques remarquables d’invariance d’échelle. Plus précisément, le coefficient demeure strictement invariant sous l’effet de toute transformation linéaire affine strictement positive de la forme Y’ = aY + b (avec a > 0). Cette propriété garantit que la conversion d’unités de mesure (par exemple, le passage d’une durée exprimée en secondes à une durée en minutes, ou le reclassement de scores bruts sous forme de notes centrées-réduites) ne modifie aucunement la magnitude du lien mesuré. Enfin, le carré du coefficient de Pearson, désigné sous le vocable de coefficient de détermination r², possède une interprétation substantive directe : il quantifie la proportion de la variance totale de la variable dépendante directement partagée ou expliquée par la variance de l’autre variable.

2.2 Conditions d’application et postulats fondamentaux

La validité des conclusions issues du calcul du r de Pearson repose sur une série de postulats distributionnels et structurels stricts qu’aucun chercheur ne saurait ignorer sans compromettre la solidité de ses inférences. En premier lieu figure l’hypothèse de la normalité bivariée. Ce postulat théorique stipule non seulement que chaque variable prise isolément suit une loi de distribution gaussienne (normalité univariée), mais également que pour toute valeur fixée de la variable X, la distribution conditionnelle de la variable Y suit une loi normale, et réciproquement. Bien que le coefficient d’échantillonnage r puisse être calculé de manière descriptive sur n’importe quel ensemble de couples numériques, l’inférence statistique formelle et les tests d’hypothèses associés exigent le respect scrupuleux de ce modèle gaussien.

Le second réquisit fondamental concerne la stricte linéarité de l’association fonctionnelle. Le r de Pearson est une métrique aveugle aux configurations géométriques curvilignes. Si deux variables entretiennent une relation en forme de parabole ou de U inversé — comme l’illustre typiquement la loi de Yerkes-Dodson reliant le niveau d’éveil physiologique à la performance cognitive —, le coefficient de Pearson peut s’avérer proche de zéro, masquant une interdépendance fonctionnelle pourtant déterministe et massive. L’inspection des configurations graphiques s’avère donc indispensable pour attester de la pertinence de l’ajustement linéaire sous-tendant l’indice.

Enfin, le modèle exige l’homoscédasticité des résidus et l’absence d’observations hautement influentes. L’homoscédasticité postule que la dispersion conditionnelle des résidus autour de la droite d’ajustement demeure constante sur l’ensemble de l’étendue des valeurs prédites. Une variance hétéroscédastique — fréquemment rencontrée en psychométrie lorsque la variabilité des réponses s’accroît considérablement aux extrémités des scores — vicie l’estimation des erreurs-types d’échantillonnage. Parallèlement, le coefficient produit-moment se caractérise par une vulnérabilité aiguë à l’égard des valeurs aberrantes univariées ou bivariées : l’inclusion d’une unique observation extrême déviant substantiellement du nuage principal suffit fréquemment à gonfler artificiellement ou à annihiler la valeur du coefficient estimé.

2.3 Inférence statistique et tests d’hypothèses pour Pearson

Dans la démarche hypothético-déductive standard, le calcul ponctuel du r d’échantillonnage s’accompagne d’un test statistique visant à déterminer si la corrélation observée s’écarte significativement d’une indépendance linéaire totale dans la population parente, ce qui revient à poser l’hypothèse nulle H0: rho = 0 face à l’hypothèse alternative bilatérale H1: rho != 0. Sous l’hypothèse nulle et sous condition de normalité bivariée, la distribution d’échantillonnage du coefficient transformé suit exactement une loi de Student à (n – 2) degrés de liberté. La statistique de test se calcule aisément en rapportant le coefficient r à son erreur-type d’échantillonnage estimée par la racine carrée du terme (1 – r²) divisé par (n – 2).

Dès lors que l’hypothèse nulle postule une valeur de corrélation non nulle dans la population (par exemple, lors de la vérification d’une hypothèse d’équivalence métrologique postulant rho >= .80), la distribution d’échantillonnage du coefficient de Pearson cesse d’être symétrique et devient fortement asymétrique, se comprimant contre les bornes théoriques -1 ou +1. Pour surmonter cet obstacle lors de la construction d’intervalles de confiance à 95% ou de la comparaison de coefficients, l’on applique la célèbre transformation z de Fisher. Cette fonction mathématique applique la tangente hyperbolique inverse au coefficient r, opérant une linéarisation qui convertit la statistique d’échantillonnage en une variable dont la distribution converge rapidement vers une loi normale de variance approximativement égale à 1 / (n – 3).

L’utilisation de la métrique transformée de Fisher autorise des comparaisons inférentielles rigoureuses entre deux coefficients de corrélation indépendants obtenus auprès de deux groupes distincts (par exemple, comparer la corrélation anxiété-dépression chez des patients cliniques versus un groupe témoin sain). La différence standardisée entre les valeurs z de Fisher rapportée à l’erreur-type de la différence permet d’obtenir un écart réduit normal Z directement interprétable. Pour des corrélations issues d’échantillons dépendants (par exemple, comparer la corrélation d’une épreuve A avec une épreuve B, à la corrélation de l’épreuve A avec une épreuve C mesurées sur les mêmes sujets), des procédures d’ajustement matriciel plus complexes intégrant la corrélation croisée BC doivent être mobilisées pour maintenir le taux d’erreur de première espèce au niveau nominal souhaité.

3. Fondements théoriques de la corrélation de rangs de Spearman

3.1 Transformation en rangs et formule du rho de Spearman

Développé par le psychologue et statisticien britannique Charles Spearman au début du XXe siècle, le coefficient de corrélation de rangs — universellement symbolisé par la lettre grecque rho ou noté rs — représente la réponse non paramétrique directe aux limites intrinsèques du modèle de Pearson. Le mécanisme conceptuel fondamental de la procédure de Spearman réside dans l’abandon complet des grandeurs métriques quantitatives d’origine au profit exclusif de leur ordonnancement hiérarchique. Toutes les observations de la variable X sont préalablement classées par ordre croissant et reçoivent un rang ordinal entier s’échelonnant de 1 à n ; une transformation strictement identique est appliquée de manière indépendante aux observations de la variable Y.

D’un point de vue analytique, le rho de Spearman est formellement équivalent à l’application rigoureuse de la formule produit-moment de Pearson calculée directement sur les séries de rangs ainsi substituées aux données brutes. Néanmoins, lorsque le jeu de données ne comporte aucune ex-aequo au sein des classements, cette formulation algébrique se simplifie considérablement sous une forme arithmétique élégante : elle s’exprime comme l’unité diminuée du quotient du sextuple de la somme des carrés des différences de rangs par le facteur polynomial n(n² – 1). Cette formule met en évidence que plus l’écart relatif entre les rangs occupés par un même individu sur les deux dimensions est faible, plus la somme des différences quadratiques s’approche de zéro, conduisant le coefficient rho vers sa borne unitaire maximale.

Cette logique d’ordonnancement modifie substantiellement la nature géométrique de la relation modélisée. Alors que Pearson mesure l’adhérence stricte à une droite euclidienne dans l’espace des données métriques, le coefficient de Spearman évalue le degré de monotonicité de la liaison. Une fonction monotone est une fonction dont la trajectoire croît ou décroît continuellement, sans jamais inverser le signe de sa dérivée première, indépendamment du fait que cette croissance s’opère selon une cinétique linéaire, logarithmique, exponentielle ou sigmoïdale. Par conséquent, si une variable croît de façon continue avec une autre, le rho de Spearman affichera une valeur parfaite de +1, là où le r de Pearson sous-estimera l’intensité de l’association du fait de la courbure non linéaire de la trajectoire observée.

3.2 Avantages psychométriques face aux violations de postulats

Dans la pratique psychométrique et l’expérimentation comportementale, le respect des idéaux distributionnels gaussiens constitue l’exception plutôt que la norme empirique. Les scores de dépression recueillis en population générale présentent quasi systématiquement une forte asymétrie positive avec un empilement massif d’observations au plancher des scores (effet plancher), tandis que des épreuves d’évaluation des compétences professionnelles ou des tests cognitifs trop aisés exhibent fréquemment une asymétrie négative prononcée (effet plafond). Face à de telles altérations morphologiques, les hypothèses de normalité univariée et bivariée s’effondrent, invalidant les calculs de significativité conventionnels du coefficient produit-moment.

Le recours au coefficient de Spearman neutralise avec une rare efficacité ces distorsions distributionnelles. En projetant les valeurs initiales sur l’échelle uniforme discrète des entiers naturels allant de 1 à n, la transformation par rangs opère une régularisation automatique de la forme de la distribution, uniformisant artificiellement les dispersions périphériques. Par cette opération, l’asymétrie initiale (skewness) et l’aplatissement anormal (kurtosis) des scores bruts se trouvent totalement annihilés dans l’espace ordinal de calcul, restituant un comportement d’échantillonnage stable et bien maîtrisé.

Un autre bénéfice majeur réside dans l’insensibilité relative du rho face aux valeurs extrêmes isolées ou aberrantes. Dans le modèle de Pearson, un sujet présentant un score extrêmement déviant exerce un moment d’inertie quadratique démesuré lors du centrage et de la mise au carré des écarts, tirant à lui seul la droite de régression. Dans l’approche de Spearman, ce même individu, qu’il dépasse le score moyen de trois ou de cinquante écarts-types, se voit simplement assigner le rang ordinal le plus élevé (le rang n). L’impact de son éloignement métrique se trouve de facto borné par l’incrément ordinal d’une unité au-dessus du sujet immédiatement inférieur, protégeant ainsi l’analyste contre les artefacts générés par des erreurs de saisie ou des variations individuelles atypiques mais non représentatives du profil d’association général.

3.3 Gestion des rangs ex-aequo et inférence statistique

L’une des contraintes inhérentes au déploiement de la corrélation de rangs concerne la gestion des observations identiques, couramment désignées sous le terme de rangs ex-aequo (tied ranks). En psychologie quantitative, cette situation est omniprésente en raison de la nature granulaire et bornée des instruments d’évaluation : une échelle d’évaluation de la douleur graduée de 0 à 10 ou un questionnaire en 5 points administré à des centaines de participants génèrent inévitablement des cohortes volumineuses d’individus partageant le même score numérique brut.

Pour résoudre cette ambiguïté de classement, la convention méthodologique standard consiste à attribuer à chacune des observations identiques le rang moyen théorique du segment ordinal qu’elles auraient occupé conjointement si elles avaient pu être distinguées. Si, par exemple, deux sujets se partagent la deuxième et la troisième position du classement, le rang 2.5 leur est uniformément assigné. Cependant, l’apparition de rangs fractionnaires ex-aequo engendre une diminution artificielle de la variance empirique de la distribution des rangs, qui devient inférieure à la variance théorique formelle d’une permutation d’entiers purs calculée sur l’ensemble {1, 2, …, n}. Si la formule arithmétique simplifiée basée sur les différences quadratiques de rangs est appliquée aveuglément sans ajustement, le coefficient estimé sera sujet à un biais systématique d’inflation ou de déflation selon la répartition des égalités.

Dès lors, les algorithmes rigoureux doivent obligatoirement appliquer le calcul complet du produit-moment direct sur les rangs moyens ajustés, en incorporant des facteurs de correction analytiques soustrayant la contribution cubique de la multiplicité des ex-aequo au niveau des sommes des carrés dénominateurs. Sur le plan inférentiel, pour de grands échantillons (généralement lorsque n > 30), la significativité statistique de Spearman se teste par une approximation asymptotique basée sur la loi de Student identique à celle de Pearson, utilisant les degrés de liberté (n – 2). En revanche, lorsque les effectifs sont très restreints, le recours aux tables exactes d’énumération combinatoire ou à des tests de permutation computationnels devient impératif pour garantir l’exactitude de la valeur de p.

4. Fondements théoriques du tau de Kendall et gestion des ex-aequo

4.1 Concepts de paires concordantes et discordantes

Introduit par le statisticien Maurice Kendall en 1938, le coefficient tau (τ) de Kendall repose sur une philosophie probabiliste et combinatoire radicalement distincte de celle guidant les formulations de Pearson et de Spearman. Au lieu d’analyser la proximité spatiale de résidus ou les distances arithmétiques séparant des rangs individuels, Kendall décompose l’ensemble du jeu de données en une collection exhaustive de micro-comparaisons binaires constituées de toutes les paires distinctes non ordonnées d’individus formées au sein de l’échantillon, soit précisément un nombre combinatoire théorique de n(n – 1) / 2 paires possibles.

Pour chaque couple d’individus distincts i et j, la méthode examine le sens de variation conjointe des scores observés sur les deux variables X et Y. Une paire est qualifiée de formellement « concordante » si la hiérarchie relative des deux sujets s’avère rigoureusement identique sur les deux dimensions évaluées : c’est-à-dire si le sujet i obtient des scores supérieurs au sujet j tant sur la variable X que sur la variable Y (ou, symétriquement, s’il obtient des scores inférieurs sur les deux variables à la fois). À l’opposé, une paire est définie comme « discordante » dès lors que le classement relatif des deux sujets s’inverse : le sujet i domine le sujet j sur la dimension X, mais se trouve dominé par ce même sujet j sur la dimension Y.

D’un point de vue probabiliste, le tau de Kendall mesure directement la différence entre deux probabilités conjointes : la probabilité qu’une paire d’observations tirée aléatoirement au sein de la population parente soit concordante, diminuée de la probabilité que cette même paire soit discordante. L’estimateur brut se formule alors comme le rapport entre le nombre net de paires concordantes (nombre de paires concordantes moins nombre de paires discordantes) et le volume total des paires d’observations comparables. Cette fondation probabiliste confère au tau des propriétés d’échantillonnage exceptionnelles : sa distribution sous l’hypothèse nulle converge vers la normalité asymptotique beaucoup plus rapidement que celle du rho de Spearman, conférant aux tests d’hypothèses et aux intervalles de confiance une validité remarquable dès les petits échantillons.

4.2 Distinction entre Tau-a, Tau-b et Tau-c de Kendall

L’élégance théorique de la mesure initiale de Kendall se heurte, dans les situations de recueil empirique, à la présence inévitable de paires d’individus présentant des scores rigoureusement identiques sur l’une, l’autre, ou les deux dimensions simultanément. Lorsqu’une telle égalité survient, la paire ne peut être classée sans ambiguïté ni comme concordante ni comme discordante. Pour répondre à cette complexité typologique, Maurice Kendall et ses successeurs ont développé trois variantes distinctes du coefficient, répondant aux dénominations codifiées de Tau-a, Tau-b et Tau-c.

Le Tau-a représente l’indice originel non corrigé. Son dénominateur comprend la totalité des combinaisons possibles n(n – 1) / 2 sans introduire le moindre ajustement pour l’existence de valeurs identiques. De facto, en présence de rangs ex-aequo, le Tau-a devient structurellement incapable d’atteindre les valeurs extrêmes de +1 ou de -1, car les paires à égalité viennent gonfler irréversiblement le dénominateur sans pouvoir alimenter le numérateur net. Par conséquent, l’utilisation pratique du Tau-a doit être strictement réservée à des variables continues idéales garantissant l’absence intégrale de rangs partagés au sein de l’échantillon.

Le Tau-b de Kendall constitue le standard analytique absolu pour l’exploration de variables ordinales ou continues présentant des ex-aequo, notamment lorsque les données peuvent être organisées sous la forme d’un tableau de contingence carré (comportant un nombre égal de modalités sur les deux axes de classification). L’ajustement mathématique du Tau-b réside dans le remplacement du dénominateur global par la moyenne géométrique de deux termes : le nombre total de paires distinctes sur la variable X diminué des paires à égalité sur X seule, multiplié par le nombre total de paires distinctes sur Y diminué des paires à égalité sur Y seule. Grâce à cette normalisation géométrique, le Tau-b conserve la capacité théorique de culminer à +1 ou -1 même en présence de nombreuses égalités partielles.

Enfin, le Tau-c de Kendall (souvent dénommé Stuart-Kendall Tau-c) a été spécifiquement élaboré pour pallier une anomalie géométrique du Tau-b survenant lorsque l’on analyse des tables de contingence rectangulaires, c’est-à-dire des structures de données croisées où le nombre de lignes r diffère du nombre de colonnes c. Dans un tel tableau non symétrique (par exemple, croisant un diagnostic clinique en trois catégories avec une échelle de sévérité symptomatique en cinq modalités), le Tau-b ne peut mathématiquement jamais atteindre sa borne supérieure unitaire de 1. L’équation de Stuart rectifie le tir en intégrant une constante d’échelle proportionnelle à la valeur minimale entre r et c, garantissant ainsi que la mesure puisse couvrir l’intégralité du continuum standardisé allant de -1 à +1.

4.3 Comparaison méthodologique entre Spearman et Kendall

Bien que le rho de Spearman et le tau de Kendall soient tous deux des indices d’association non paramétriques exploitant les propriétés ordinales des observations, leurs divergences mathématiques fondamentales se traduisent par des comportements distincts sur le plan métrologique. Sur le plan purement descriptif et quantitatif, il est systématiquement observé que la magnitude numérique absolue du tau de Kendall est inférieure à celle du rho de Spearman calculé sur le même jeu de données. De manière empirique et analytique, la corrélation de Spearman s’avère couramment 1.5 fois supérieure à celle de Kendall pour des relations modérées. Il est capital de souligner qu’une telle disparité n’indique en aucun cas une infériorité ou un manque de sensibilité de Kendall, mais reflète simplement une métrique de construction différente : Spearman normalise une somme de carrés de distances de rangs tandis que Kendall calcule une marge probabiliste de concordance.

Sur le plan des propriétés statistiques fondamentales, le tau de Kendall présente des avantages théoriques substantiels qui le font souvent préférer par les biostatisticiens et les spécialistes de la modélisation mathématique. D’une part, l’estimateur de Kendall est caractérisé par une variance d’échantillonnage nettement inférieure à celle de Spearman, ce qui confère à ses estimateurs une efficacité relative asymptotique accrue et une meilleure robustesse face aux fluctuations d’échantillonnage aléatoires. D’autre part, la normalité de sa distribution empirique sous l’hypothèse d’indépendance s’établit de manière extrêmement précoce (dès n = 10), rendant les approximations inférentielles par la loi normale standardisée Z particulièrement fiables sur des cohortes restreintes.

D’un point de vue clinique et psychométrique appliqué, le tau de Kendall bénéficie d’une interprétabilité cognitive bien plus intuitive et limpide. Affirmer qu’un test psychologique présente un tau de Kendall de .50 avec un critère clinique signifie concrètement que si l’on extrait au hasard deux patients quelconques dans la cohorte observée, il existe 75% de chances que le patient obtenant le meilleur score au test soit également celui qui présente le niveau clinique le plus favorable, contre seulement 25% de chances que l’ordre des deux patients s’avère inversé (la différence nette 0.75 – 0.25 correspondant exactement au tau de .50). Une telle transparence interprétable fait cruellement défaut au rho de Spearman, dont le résultat en termes de « déviation quadratique moyenne de rangs » s’avère largement opaque pour les praticiens et les décideurs cliniques.

5. Préparation de l’environnement Stata et exploration préliminaire des données

5.1 Importation et inspection des jeux de données

Avant d’engager le calcul formel de matrices de corrélation sous Stata, la mise en œuvre d’un protocole d’exploration rigoureux est un prérequis incontournable pour sécuriser l’intégrité métrologique des variables. L’importation des données dans l’espace mémoire de travail peut être réalisée soit via le chargement de fichiers propriétaires Stata (fichiers au format binaire standardisé comportant l’extension .dta) à l’aide de l’instruction canonique use nom_fichier.dta, clear, soit par la lecture de jeux de données distants hébergés sur des serveurs scientifiques au moyen de la directive webuse, soit encore par l’ingestion de fichiers tabulaires délimités issus de logiciels tiers via la commande import delimited.

Dès l’importation effectuée, l’analyste doit impérativement auditer l’architecture générale de son fichier à l’aide de la commande describe. Cette procédure restitue un inventaire exhaustif des variables présentes, précisant leur libellé descriptif, leurs étiquettes d’attributs associées et surtout leur type de stockage interne. Sous Stata, les variables quantitatives peuvent être enregistrées selon différents formats d’optimisation de mémoire, incluant les types discrets byte, int, long ou les formats à virgule flottante float et double. Il convient de porter une attention vigilante aux variables accidentellement codées sous format de chaîne de caractères alphanumériques (format str), couramment occasionné par la présence de caractères typographiques parasites dans les fichiers de collecte : aucune opération mathématique ou corrélationnelle ne pouvant opérer sur des chaînes de texte, la commande de conversion destring nom_variable, replace s’avère alors obligatoire.

Une inspection numérique préliminaire s’impose ensuite via la commande universelle summarize, complétée par son option d’extension detail : summarize var1 var2 var3, detail. Cette sortie synoptique produit une batterie d’indicateurs métrologiques indispensables : l’effectif exact des observations valides non manquantes, la moyenne empirique, la variance, l’écart-type, ainsi que les percentiles structurants de la distribution univariée (médiane, percentiles 1%, 5%, 95% et 99%). Cet examen permet de vérifier instantanément si les valeurs extrêmes se cantonnent bien aux bornes théoriques prévues par les manuels de cotation des échelles psychologiques exploitées.

5.2 Gestion des données manquantes et codage des variables

La présence de valeurs manquantes (missing data) représente une menace méthodologique omniprésente dans la recherche comportementale, découlant d’omissions volontaires de la part des participants, d’abandons en cours de protocole ou de défaillances techniques lors de la passation informatisée. Dans le système interne de Stata, les valeurs manquantes pour les variables numériques sont représentées par un symbole de point périodique unique (.), qui équivaut par convention interne à un nombre infiniment positif plus grand que toute valeur numérique réelle observable. Stata propose également 26 codes de valeurs manquantes étendues identifiables de .a jusqu’à .z, permettant aux méthodologistes d’encoder subtilement les motifs différentiels d’absence de données (par exemple, coder .a pour un refus explicite de répondre et .b pour une omission accidentelle).

Lors de l’estimation de relations corrélationnelles, la divergence opérationnelle fondamentale réside dans l’arbitrage entre deux modes de traitement des données incomplètes : la suppression par liste complète (dénommée listwise deletion ou casewise deletion) et la suppression par paire d’observations (désignée sous le terme de pairwise deletion). La suppression par liste complète élague drastiquement toute observation individuelle présentant au moins une donnée manquante sur l’une quelconque des variables incluses dans la commande globale d’analyse. Bien que cette méthode garantisse une matrice d’échantillonnage géométriquement cohérente et positive définie — calculée rigoureusement sur le même échantillon d’individus stricts —, elle peut engendrer une perte catastrophique de puissance statistique globale et induire de sévères biais d’estimation si les données ne manquent pas de manière totalement aléatoire (mécanisme MCAR).

À l’inverse, l’approche par paire maximise l’utilisation de l’information empirique disponible en calculant chaque coefficient de corrélation bivarié élémentaire sur la base de l’ensemble maximal d’individus ayant fourni une réponse valide pour le couple de variables spécifique considéré. Ce mécanisme autorise des effectifs d’échantillons (N effectif) divergents d’une case à l’autre de la matrice de corrélation. Avant d’engager ces procédures, un nettoyage approfondi du codage via les commandes de recodage recode et d’affectation d’étiquettes de variables label define et label values permet d’harmoniser le sens de polarité des items inversés, opération indispensable pour prévenir les erreurs de signes lors de l’estimation des liens psychométriques.

5.3 Évaluation exploratoire de la distribution univariée

Avant d’opter irréversiblement pour le modèle paramétrique de Pearson, le chercheur se doit de quantifier avec exactitude le degré d’éloignement des variables observées par rapport au postulat de normalité univariée. Cette évaluation requiert l’examen conjoint d’indices statistiques formels et de visualisations graphiques avancées sous Stata. Les indicateurs d’asymétrie (skewness) et d’aplatissement (kurtosis) fournissent la première ligne de caractérisation : une distribution parfaitement gaussienne théorique se signale par une asymétrie nulle et un kurtosis absolu égal à 3 (ou un excès de kurtosis nul). Les règles empiriques admises en psychométrie tolèrent couramment des coefficients d’asymétrie compris dans l’intervalle [-1 ; +1] et de kurtosis dans l’intervalle [-2 ; +2] pour envisager le maintien d’analyses paramétriques sans déformation excessive des estimations.

Pour soumettre ces paramètres à une vérification probabiliste formelle, Stata met à la disposition des analystes la commande sktest nom_variable, qui exécute le test combiné d’asymétrie et de kurtosis de D’Agostino, ainsi que les commandes swilk nom_variable et sfrancia nom_variable, implémentant respectivement le célèbre test de normalité de Shapiro-Wilk et sa variante optimisée de Shapiro-Francia pour les distributions fortement asymétriques. Le test de Shapiro-Wilk s’avère particulièrement puissant sur des échantillons de taille modérée (N < 2000). Il calcule le rapport entre l’estimateur optimal de la variance basé sur les combinaisons linéaires de statistiques d’ordre d’une loi normale et l’estimateur de variance classique : une valeur de p inférieure au seuil conventionnel alpha de .05 conduit au rejet formel de l’hypothèse de normalité.

Néanmoins, les tests d’hypothèses de normalité étant extrêmement sensibles à l’augmentation de la taille d’échantillon — conduisant au rejet systématique de la normalité pour des déviations infinitésimales sans incidence pratique dès lors que N dépasse plusieurs centaines de sujets —, l’analyste doit toujours corroborer le diagnostic par une analyse visuelle. L’instruction graphique standard combinée s’exécute sous la syntaxe histogram score_test, normal kdensity. Cette commande produit un histogramme de fréquence sur lequel se trouvent superposées, d’une part, la courbe théorique normale paramétrée sur la moyenne et l’écart-type de la série (tracé normal), et d’autre part, une fonction d’estimation de densité de noyau non paramétrique (tracé kdensity). La divergence visuelle entre ces deux courbes illustre immédiatement l’existence d’asymétries unimodales, de queues de distributions épaisses ou de configurations bimodales révélant l’hétérogénéité d’un sous-échantillon latent.

6. Implémentation et interprétation du coefficient de Pearson dans Stata

6.1 La commande correlate et ses spécificités

La commande canonique native de Stata dédiée au calcul de corrélations linéaires est la commande correlate (qui peut être appelée sous sa forme abrégée corr). Sa syntaxe générale de base s’énonce de façon directe en listant les variables d’intérêt à la suite du verbe d’action : correlate var1 var2 [varlist]. Lorsque l’instruction est exécutée sans argument sur deux variables, Stata restitue une table synthétique triangulaire inférieure affichant la corrélation bivariée unissant les deux dimensions, ainsi qu’une valeur unitaire de 1.0000 sur la diagonale principale traduisant l’auto-corrélation théorique de chaque variable avec elle-même.

Le comportement structurel par défaut de la commande correlate est d’appliquer rigoureusement une suppression par liste complète (casewise deletion) à l’ensemble des variables spécifiées dans la commande. Si l’analyste saisit une liste élargie comportant dix items psychométriques distincts, toute observation présentant ne serait-ce qu’une unique donnée manquante sur l’une quelconque de ces dix variables sera immédiatement et totalement exclue de l’intégralité des calculs. L’en-tête de la matrice générée stipule explicitement le nombre d’observations retenues sous la mention (obs=N), permettant à l’utilisateur de constater instantanément l’ampleur de la déperdition d’effectif résultant de ce filtre conservateur.

Une limitation méthodologique cruciale de la commande correlate réside dans l’absence d’affichage des seuils de significativité statistique (les valeurs de p). Les concepteurs de Stata ont délibérément restreint la fonction de cette commande à la production d’une matrice d’association pure, rigoureusement symétrique et géométriquement semi-définie positive, format attendu par d’autres algorithmes d’estimation linéaire comme la modélisation en équations structurelles ou l’analyse en composantes principales. Si le chercheur requiert une évaluation de la significativité probabiliste pour tester ses hypothèses nulles, il doit se tourner vers des commandes complémentaires spécifiquement programmées à cette fin.

6.2 La commande pwcorr pour des analyses détaillées

Pour surmonter les limitations intrinsèques de la commande de base et obtenir une granularité d’information compatible avec les exigences des publications scientifiques, Stata intègre la commande d’analyse par paire pwcorr (forme contractée de pairwise correlation). La syntaxe canonique enrichie s’articule généralement ainsi : pwcorr varlist, sig star(0.05) obs. L’exécution de cette commande modifie fondamentalement l’architecture matricielle en adaptant l’échantillon d’analyse à la complétude effective de chaque couple de données pris individuellement.

L’argument optionnel sig enjoint Stata d’insérer, immédiatement sous chaque coefficient d’association bivarié estimé, la valeur exacte de la probabilité critique bilatérale (p-value) associée au test de Student de l’hypothèse nulle rho = 0. Cette double information permet au chercheur de repérer d’un coup d’œil les liaisons statistiquement assurées au seuil conventionnel. De surcroît, l’adjonction de l’option star(0.05) (ou de seuils plus conservateurs comme star(0.01) ou star(0.001)) intègre un marquage visuel sous forme d’astérisque accolé directement aux coefficients satisfaisant au critère de rejet spécifié, clarifiant considérablement la lecture de tables corrélationnelles étendues.

L’intégration de l’option obs s’avère absolument indispensable lors du recours à l’approche par paire. Elle force Stata à afficher, sur une ligne supplémentaire pour chaque cellule de la matrice, le nombre effectif exact d’individus ayant contribué au calcul du coefficient bivarié spécifique considéré. Cette transparence est capitale : elle permet d’alerter le chercheur sur des disparités d’effectifs majeures susceptibles d’affecter la comparabilité des coefficients d’une cellule à l’autre. Si certaines variables critiques présentent un taux massif d’omission, les effectifs associés peuvent s’effondrer localement, diminuant considérablement la puissance du test statistique correspondant par rapport aux cellules calculées sur la quasi-totalité de la cohorte.

6.3 Interprétation substantive des résultats psychologiques

L’évaluation métrologique d’une corrélation de Pearson ne saurait en aucun cas se réduire à la simple lecture binaire de sa significativité statistique. En effet, la formulation de l’erreur-type de Pearson démontre que la valeur de p est une fonction directe et mécanique de la taille de l’échantillon : sur des cohortes massives regroupant plusieurs dizaines de milliers de répondants (fréquentes dans les études épidémiologiques ou les bases de données ouvertes d’évaluations standardisées), un coefficient infinitésimal de l’ordre de r = .03 atteindra immanquablement un seuil de significativité hautement significatif (p < .001). Pourtant, une telle intensité de liaison correspond à moins de 0.1% de variance partagée, ce qui s’avère dépourvu de toute signification théorique ou utilité clinique tangible.

Pour standardiser l’appréciation quantitative de la magnitude des effets observés, la psychologie empirique se réfère universellement aux critères heuristiques établis par le statisticien Jacob Cohen dans son ouvrage séminal sur l’analyse de puissance. Cohen propose d’interpréter un coefficient r de .10 comme un effet de petite taille (faible association), un coefficient de .30 comme un effet de taille moyenne, et un coefficient de .50 ou au-delà comme un effet de grande taille. Dans le domaine spécifique de la validation psychométrique d’instruments d’évaluation, ces seuils sont généralement réévalués à la hausse : une fidélité test-retest satisfaisante requiert habituellement un r minimal de .70 à .80, tandis que l’évaluation de formes parallèles exige des coefficients excédant .85 pour attester de l’interchangeabilité des mesures.

De plus, l’analyste doit impérativement interpréter le signe algébrique de l’indice à la lumière de l’orientation métrologique des instruments administrés. Si une échelle mesurant l’optimisme dispositionnel est corrélée négativement avec un inventaire d’épuisement professionnel (burnout), ce signe négatif constitue la confirmation clinique attendue d’une relation protectrice valide. Il importe d’éviter les interprétations naïves qui assimileraient une corrélation négative à une relation dégradée ou faible : un coefficient de -0.65 possède une intensité explicative rigoureusement identique à un coefficient de +0.65, signifiant simplement que des niveaux élevés sur le premier construit s’associent préférentiellement à des niveaux faibles sur le second.

7. Implémentation et interprétation du coefficient de Spearman dans Stata

7.1 Utilisation de la commande spearman

L’estimation non paramétrique par rangs de Spearman s’effectue sous Stata par le truchement de la commande dédiée spearman. Sa syntaxe de base épouse une logique d’appel directe : spearman var1 var2 [varlist]. Lorsque la commande est appliquée à un binôme de variables, Stata engage une procédure entièrement automatisée qui procède d’abord au classement interne des valeurs brutes de chaque variable en rangs ordonnés, puis exécute l’algorithme produit-moment de Pearson sur ces vecteurs de rangs, tout en intégrant nativement les facteurs de correction nécessaires à la compensation des rangs ex-aequo.

L’un des avantages considérables de la commande spearman sous Stata réside dans le fait que cette transformation en rangs s’opère dynamiquement dans les registres temporaires de mémoire de l’interpréteur logiciel, sans altérer ni écraser d’aucune manière les valeurs initiales des variables stockées dans le jeu de données actif. Contrairement aux pratiques archaïques qui obligeaient l’utilisateur à créer manuellement de nouvelles variables de rangs, la commande garantit une totale innocuité pour l’intégrité de la base de données. En sortie standard, la commande affiche le nombre d’observations retenues, la valeur du coefficient rho estimé, ainsi que la p-value exacte associée au test de l’hypothèse nulle d’indépendance monotone Ho: rho = 0.

Tout comme sa contrepartie linéaire, la commande spearman autorise une extension matricielle par l’adjonction de variables multiples au sein de sa spécification. Elle propose également une série d’options avancées de formatage permettant d’ajuster le niveau d’affichage de la significativité, notamment l’option star(alpha) pour marquer visuellement les cellules significatives d’une matrice ou l’option matrix pour forcer la restitution exclusive de la structure matricielle compacte dans les registres d’objets du logiciel.

7.2 Gestion des rangs identiques et options avancées

La robustesse algorithmique de la commande spearman sous Stata transparaît pleinement dans sa gestion rigoureuse des rangs identiques. Lorsque le jeu de données comporte des sujets ex-aequo, Stata calcule systématiquement les rangs fractionnaires moyens et applique l’ajustement analytique formel au dénominateur de l’équation de Spearman, neutralisant l’artéfact d’atténuation de variance propre aux permutations brutes d’entiers. Ce traitement garantit que le rho résultant demeure strictement calibré dans l’espace théorique [-1 ; +1].

Pour obtenir un contrôle exhaustif des informations issues de la modélisation, l’analyste peut spécifier l’option matricielle détaillée combinée : spearman var1 var2 var3, stats(rho p obs). Cette formulation demande explicitement au moteur de calcul d’imprimer, pour chaque couple de variables croisé au sein du tableau multivarié, le coefficient non paramétrique rho, la valeur précise du seuil de significativité p calculée selon l’approximation asymptotique adaptée, et l’effectif effectif obs ayant servi à la détermination des rangs.

L’intérêt méthodologique de cette commande s’affirme particulièrement lors de l’analyse comparative directe des sorties d’estimation de Pearson et de Spearman sur un même couple de variables. Si le coefficient de Spearman (rho) s’avère considérablement plus élevé que le coefficient linéaire de Pearson (r) — par exemple, un rho de .65 contre un r de .35 —, cette divergence macroscopique constitue un signal diagnostique univoque révélant l’existence d’une relation monotone fortement curviligne ou l’influence déstructurante de valeurs extrêmes comprimant la covariance linéaire brute. La mise en regard des deux indicateurs enrichit ainsi la compréhension qualitative de la morphologie des données.

7.3 Cas d’usage : scores composites et échelles psychologiques

Le champ d’élection de la corrélation de Spearman en recherche appliquée concerne tout particulièrement l’évaluation de scores composites et de batteries de tests psychométriques confrontés à des distributions asymétriques. Considérons, à titre d’illustration clinique classique, l’analyse de la relation unissant les scores totaux d’une échelle d’anxiété clinique (telle que l’Inventaire d’Anxiété de Beck, BAI) et d’un indice de détresse psychologique générale au sein d’un échantillon recruté en médecine de premier recours. Dans cette population non psychiatrique, la grande majorité des participants n’exhibe que peu ou pas de symptômes, engendrant une concentration massive des scores au plancher inférieur des échelles.

L’utilisation aveugle du r de Pearson sur de telles données violerait frontalement le postulat de normalité bivariée, générant des estimations d’erreurs-types biaisées et exposant le chercheur à un risque accru d’inférences erronées. En appliquant la commande spearman bai_score detresse_score, le chercheur s’affranchit totalement de cette contrainte distributionnelle : la transformation en rangs permet de quantifier fidèlement la force avec laquelle l’intensification de la détresse s’accompagne d’une progression hiérarchique des manifestations anxieuses, sans que l’asymétrie initiale ne vienne altérer l’indice métrologique.

Un autre cas d’usage psychométrique fondamental réside dans l’estimation de la fidélité test-retest de cotations cliniques ordinales effectuées par des praticiens. Lorsque des psychiatres ou des psychologues évaluent la sévérité d’un trouble sur une échelle clinique ordonnée en sept stades (par exemple, l’échelle d’Impression Clinique Globale, CGI) à deux semaines d’intervalle, la métrique sous-jacente est purement ordinale : la distance psychologique séparant un stade 1 « Normal » d’un stade 2 « À la limite du trouble » n’est aucunement équivalente à celle séparant un stade 5 « Modérément malade » d’un stade 6 « Nettement malade ». Le recours à spearman cgi_t1 cgi_t2 fournit une quantification métrologiquement valide et robuste de la stabilité temporelle de ces jugements diagnostiques ordinaux.

8. Implémentation et calcul du tau de Kendall dans Stata

8.1 Exécution de la commande ktau

L’environnement Stata intègre l’ensemble de la mécanique combinatoire de Maurice Kendall au sein de la commande native spécialisée ktau. Sa syntaxe opératoire fondamentale est rigoureusement calquée sur les standards de simplicité logicielle : ktau var1 var2 [varlist]. Dès son exécution, la routine calcule la totalité des décompositions binaires par paires et restitue une sortie textuelle particulièrement documentée, bien plus riche et détaillée que celle obtenue lors d’une simple corrélation linéaire.

La fenêtre de résultats de Stata consigne avec une précision analytique absolue les paramètres fondamentaux de la structure combinatoire de l’échantillon. L’utilisateur y découvre le décompte exhaustif des paires d’observations classées comme strictement concordantes (Number of positive comparisons ou concordances), le total des paires catégorisées comme discordantes (Number of negative comparisons ou discordances), ainsi que le volume précis des paires frappées par des égalités de rangs (déclinées en ex-aequo sur la variable X seule, sur la variable Y seule, ou sur les deux variables conjointement). Cette ventilation détaillée permet au méthodologiste de vérifier empiriquement le niveau d’ambiguïté ordinale inhérent à son protocole d’observation.

Sur la base de cette décomposition binaire, Stata affiche simultanément l’estimation ponctuelle du Tau-a et celle du Tau-b. Pour ce dernier, qui représente l’indice de référence pour les variables avec égalités partielles, le logiciel fournit la valeur de la statistique de test standardisée z résultant de l’approximation normale asymptotique du numérateur de Kendall, assortie de la p-value exacte bilatérale correspondante (Pr > |z|). Si la valeur de probabilité associée est inférieure au seuil critique alpha (.05), le chercheur peut formellement rejeter l’hypothèse d’indépendance ordinale entre les deux dimensions investiguées.

8.2 Traitement des échantillons restreints et des égalités de rangs

L’atout méthodologique suprême du tau de Kendall déployé via la commande ktau réside dans son comportement statistique exceptionnel face à des études expérimentales basées sur des échantillons hautement restreints. En neuropsychologie clinique, en imagerie cérébrale fonctionnelle ou lors de protocoles évaluant des pathologies rares, les cohortes d’étude n’excèdent que rarement 10 à 25 participants. Sur de tels volumes d’observations, les théorèmes limites gouvernant la convergence normale asymptotique de Pearson s’avèrent inopérants, et la distribution d’échantillonnage de Spearman demeure sujette à une variabilité excessive.

Dans ce contexte d’effectif exigu, l’estimateur de Kendall offre une stabilité inférentielle inégalée. Même si le nombre d’individus n est faible, le nombre de paires comparatives combinatoires croît selon une dynamique quadratique proportionnelle à n(n – 1) / 2 : ainsi, un échantillon clinique apparemment modeste de 20 sujets génère une base combinatoire de 190 paires élémentaires d’observations, procurant une assise substantielle pour l’estimation probabiliste de la concordance relative.

La commande ktau gère nativement et sans biais les configurations de saturation d’égalités multiples (ex-aequo). Alors que de multiples logiciels concurrents appliquent des approximations combinatoires simplifiées conduisant à surestimer l’intensité d’association des tables ordinales condensées, l’algorithme de Stata recalcule le dénominateur de Tau-b avec une méticulosité arithmétique absolue en déduisant scrupuleusement les fractions de paires concordantes bloquées par les égalités univariées. L’analyste bénéficie ainsi d’un indice conservateur, débarrassé de toute inflation artificielle liée à la faible granularité des instruments psychométriques employés.

8.3 Scénarios d’application en psychologie cognitive et sociale

Les caractéristiques conceptuelles de Kendall trouvent un terrain d’application particulièrement fertile au sein de protocoles expérimentaux sophistiqués en psychologie cognitive et en psychologie sociale. L’un des scénarios d’usage les plus exemplaires concerne la mesure de l’accord ou de la corrélation hiérarchique entre juges experts. Imaginons une tâche où deux comités d’experts indépendants sont sollicités pour classer par ordre de priorité éthique ou de pertinence diagnostique une série de protocoles cliniques anonymisés. Les jugements résultants se présentent sous la forme de classements ordinaux purs. L’exécution de ktau classement_juge1 classement_juge2 offre l’évaluation la plus pure et la plus solide du degré de congruence cognitive des juges, en isolant exactement la probabilité nette d’inversion hiérarchique entre deux dossiers quelconques.

Un autre domaine d’élection concerne l’analyse des temps de réaction ordonnés au sein de paradigmes comportementaux de chronométrie mentale. Dans les protocoles d’amorçage cognitif ou de contrôle attentionnel (comme la tâche de Stroop ou la tâche de Flanker), les temps de latence peuvent être découpés en blocs de difficulté croissante ou organisés en percentiles d’efficacité pour chaque participant. L’association entre le niveau de charge cognitive imposé expérimentalement et la distribution ordonnée des latences individuelles s’évalue idéalement via le Tau-b de Kendall, résistant parfaitement aux fluctuations asymétriques typiques des mesures chronométriques.

Enfin, en psychologie sociale et comportementale de la décision, les protocoles basés sur des choix préférentiels discrets (conjoint analysis ou tâches de classement de valeurs morales) génèrent des hiérarchies de préférences individuelles comportant fréquemment de nombreux rangs partagés (par exemple, des participants refusant de départager deux valeurs morales fondamentales de même importance). L’application de ktau permet de mesurer avec une rigueur statistique optimale la cohérence ordinale entre les choix déclaratifs et des indicateurs comportementaux objectifs, scellant la pertinence de l’indice de Kendall comme outil de référence pour les dynamiques décisionnelles ordonnées.

9. Matrice de corrélation globale et ajustements pour tests multiples

9.1 Le problème des comparaisons multiples en recherche corrélationnelle

Dans la pratique courante de la recherche quantitative en psychologie, il est fréquent que les protocoles empiriques comportent une batterie très étendue d’échelles, de sous-dimensions psychopathologiques ou d’indicateurs biologiques et comportementaux. L’analyste se trouve alors spontanément conduit à générer des matrices de corrélations globales croisant des dizaines de variables simultanément. Si cette démarche exploratoire permet de cartographier rapidement l’espace des relations empiriques, elle soulève un enjeu statistique et épistémologique redoutable : le problème de l’inflation débridée du taux d’erreur de première espèce (l’erreur alpha globale ou family-wise error rate, FWER).

Sur le plan probabiliste élémentaire, si chaque test de corrélation unitaire est exécuté au seuil nominal standard de significativité alpha = .05, la probabilité d’accepter à tort une relation comme statistiquement significative alors que l’hypothèse nulle d’indépendance est strictement vérifiée dans la population parente s’établit à 5%. Or, au sein d’une matrice de corrélations englobant un ensemble de k variables distinctes, le nombre total de coefficients bivariés indépendants à estimer s’élève à m = k(k – 1) / 2 comparaisons. Ainsi, une matrice relativement modeste de 20 variables implique l’évaluation simultanée de 190 coefficients de corrélation distincts.

Si toutes les variables étaient rigoureusement indépendantes, la probabilité globale d’observer au moins un faux positif (une corrélation apparaissant « significative » par simple fluctuation d’échantillonnage aléatoire) ne se borne plus à 5%, mais culmine mathématiquement à 1 – (1 – 0.05)^190, ce qui équivaut à un niveau de certitude quasi absolue de plus de 99.99%. Le chercheur inattentif s’expose ainsi inéluctablement à bâtir des théories psychologiques sophistiquées sur des artefacts aléatoires sans la moindre réalité métrologique. Cette réalité impose une distinction méthodologique rigoureuse entre les investigations purement exploratoires — devant être assumées comme telles — et les analyses confirmatoires exigeant un contrôle drastique de l’inflation de l’erreur globale.

9.2 Techniques de correction dans Stata : Bonferroni et Sidak

Pour parer efficacement à ce fléau méthodologique, Stata intègre au sein de la commande pwcorr des algorithmes de contrôle statistique classiques hautement performants, activables via les options spécifiques bonferroni et sidak. La syntaxe canonique d’appel prend la forme suivante : pwcorr varlist, sig bonferroni ou pwcorr varlist, sig sidak. Ces directives modifient la méthode de calcul des p-values affichées sous chaque coefficient en ajustant mathématiquement le niveau d’exigence inférentielle.

L’ajustement de Bonferroni applique le principe d’une sévérité arithmétique directe en divisant le seuil alpha nominal par le nombre total de comparaisons bivariées m contenues dans la matrice, ou, de manière strictement équivalente sous Stata, en multipliant chaque valeur de p empirique par ce même facteur multiplicatif m (toute probabilité ajustée dépassant 1.00 étant alors automatiquement ramenée à l’unité). Bien que la procédure de Bonferroni garantisse un contrôle universel et absolu du risque d’erreur de première espèce en dessous du seuil cible de .05, elle est notoirement reconnue comme excessivement conservatrice, particulièrement au sein de matrices corrélationnelles larges où les variables sont elles-mêmes interdépendantes. Cette surprotection entraîne une diminution dramatique de la puissance statistique globale, amplifiant le risque d’erreur de type II (omettre de détecter des relations cliniques pourtant réelles et substantielles).

L’approche de Sidak repose sur une formulation probabiliste plus exacte et légèrement moins punitive, calculée sous l’hypothèse d’indépendance mutuelle des tests selon la fonction 1 – (1 – p)^m. Bien que l’ajustement de Sidak offre une puissance statistique marginalement supérieure à celui de Bonferroni, ses conclusions demeurent très proches. Face à ces techniques hautement conservatrices, les chercheurs contemporains privilégient parfois des stratégies de contrôle du taux de fausses découvertes (False Discovery Rate, FDR) proposées par Benjamini et Hochberg, disponibles sous Stata via des packages communautaires avancés, afin de préserver un équilibre optimal entre rigueur de contrôle et sensibilité de détection.

9.3 Exportation automatisée des matrices de corrélations

La mise en forme manuelle de vastes matrices de corrélations issues des sorties d’écran de Stata vers un traitement de texte représente une source majeure d’erreurs matérielles de transcription, en plus d’être une tâche fastidieuse. Pour garantir l’intégrité de la chaîne de reproductibilité, l’écosystème Stata permet l’exportation totalement automatisée des tableaux corrélationnels vers des formats directement exploitables par des logiciels de bureautique (Microsoft Word, Excel ou LaTeX) grâce à des modules externes hautement spécialisés tels que asdoc, esttab (intégré à la suite estout) ou outreg2.

Parmi ces solutions, la commande esttab s’impose comme une référence académique mondiale. Après avoir installé le module via la directive officielle ssc install estout, replace, l’utilisateur peut exécuter une corrélation bivariée stockée en mémoire matricielle puis déclencher son exportation stylisée. La syntaxe typique pour exporter une matrice de corrélation triangulaire inférieure vers un document Word s’articule comme suit :

matrix C = r(C)
esttab matrix(C, fmt(2)) using "Tableau_Correlations.rtf", replace title("Matrice de correlation des construits psychometriques")

Ce protocole assure un rendu esthétique immédiat : les coefficients de corrélation sont automatiquement arrondis à deux décimales conformément aux standards éditoriaux internationaux, les niveaux de significativité conventionnels sont accompagnés d’astérisques explicatives (* p < .05, ** p < .01, *** p < .001), et la structure générale adopte les conventions typographiques strictes des revues à comité de lecture, éliminant tout risque d’altération humaine lors du transfert des données numériques.

10. Visualisation graphique des corrélations sous Stata (nuages de points et matrices)

10.1 Diagrammes de dispersion bivariés avec twoway scatter

L’exploration d’une association bivariée ne saurait jamais être considérée comme achevée par la seule consultation d’un indice numérique résumé, fût-il assorti d’une valeur de p éclatante. Le célèbre quatuor d’Anscombe a brillamment démontré que des jeux de données aux propriétés spatiales et fonctionnelles radicalement hétérogènes (incluant des paraboles parfaites ou des nuages totalement informes perturbés par un point levier unique) peuvent restituer un coefficient de Pearson rigoureusement identique (r = .816). La visualisation graphique s’impose donc comme un impératif méthodologique pour vérifier la conformité du modèle sous-jacent.

Sous Stata, la commande graphique fondamentale pour visualiser une relation bivariée est le diagramme de dispersion généré par la syntaxe twoway scatter. L’architecture graphique de Stata permet de superposer harmonieusement plusieurs couches d’informations géométriques au sein d’une unique fenêtre graphique. Ainsi, l’instruction classique enrichie s’exprime selon la séquence suivante :
twoway (scatter var_dep var_indep, mcolor(navy%70) msize(small)) (lfit var_dep var_indep, lcolor(cranberry) lwidth(medthick))

Dans cette syntaxe, la première couche scatter projette les observations empiriques sous forme de points semi-transparents afin d’identifier les zones de forte densité, tandis que la seconde couche lfit y adjoint la droite d’ajustement linéaire calculée par la méthode des moindres carrés ordinaires. Pour apprécier l’incertitude d’échantillonnage entourant l’estimation de cette trajectoire, il est recommandé de substituer à lfit la commande lfitci (linear fit with confidence interval), qui trace automatiquement une enveloppe grise matérialisant la bande de confiance à 95% de la moyenne prédite.

De surcroît, pour traquer d’éventuelles non-linéarités suspectes sans imposer d’a priori paramétrique, l’analyste peut superposer une courbe d’ajustement local non paramétrique au moyen de l’opérateur lowess (locally weighted scatterplot smoothing) :
twoway (scatter var_dep var_indep) (lowess var_dep var_indep, lcolor(emerald))
Si la trajectoire non paramétrique verte dévie substantiellement de la droite linéaire rouge en adoptant des inflexions sinueuses ou exponentielles prononcées, le chercheur recueille la preuve visuelle irréfutable que le modèle de Pearson est inadéquat et que les modèles de Spearman ou de Kendall doivent être privilégiés.

10.2 Matrices de dispersion complètes avec graph matrix

Lorsque le protocole de recherche implique l’analyse conjointe d’un ensemble de plusieurs variables métriques ou scores factoriels, le tracé successif de dizaines de nuages de points bivariés isolés devient rapidement ingérable. Stata résout ce problème d’exploration multidimensionnelle grâce à la commande hautement efficiente graph matrix. L’instruction s’appelle simplement en spécifiant la liste complète des dimensions cibles : graph matrix var1 var2 var3 var4, half.

L’adjonction de l’option syntaxique half constitue une optimisation ergonomique majeure : elle instruit Stata de ne tracer que la moitié triangulaire inférieure de la matrice globale, supprimant ainsi la redondance symétrique de la portion supérieure et éliminant la diagonale unitaire auto-corrélative. Chaque case de cette matrice visuelle condensée représente le nuage de points exact unissant le couple de variables correspondant à la ligne et à la colonne d’intersection.

La commande graph matrix offre de vastes possibilités de personnalisation visuelle pour faciliter le diagnostic métrologique immédiat. L’option maxis(ylabel(none) xlabel(none)) permet d’alléger l’affichage en masquant les échelles d’axes numériques surchargées pour focaliser l’attention sur la morphologie des distributions, tandis que l’argument msymbol(circle_hollow) ou l’ajustement de la taille des marqueurs msize(vsmall) évite la saturation visuelle des cellules matricielles lorsque l’échantillon comporte de nombreux sujets. Cette inspection synoptique permet d’identifier instantanément des grappes d’individus isolées (clusters) ou des configurations aberrantes transversales au sein de toute une batterie de tests psychométriques.

10.3 Représentation graphique de la corrélation de rangs

Puisque la corrélation de Spearman repose théoriquement sur l’analyse linéaire des rangs et non sur les valeurs métriques initiales, la représentation graphique conventionnelle basée sur les données brutes échoue parfois à illustrer visuellement la véritable force de la concordance monotone. Pour visualiser fidèlement ce que mesure le rho de Spearman, il est particulièrement instructif de procéder au tracé du nuage de points directement au sein de l’espace des rangs ordonnés.

Sous Stata, cette opération s’exécute avec une remarquable fluidité grâce aux extensions de la commande egen (extensions to generate) et sa fonction spécialisée de classement ordinal rank(). La procédure s’articule en deux étapes successives :
egen rang_x = rank(var_x)
egen rang_y = rank(var_y)
twoway (scatter rang_y rang_x, mcolor(dusk%60)) (lfit rang_y rang_x, lcolor(black))

Cette transformation graphique permet d’observer un phénomène spectaculaire de linéarisation. Une association empirique brute présentant une courbure asymptotique marquée (par exemple, une progression logarithmique traduisant un phénomène de saturation mnésique ou d’apprentissage cognitif) se métamorphose, au sein de l’espace transformé des rangs, en une trajectoire parfaitement rectiligne alignée sur la droite des moindres carrés. Ce diagramme démontre visuellement à l’analyste comment l’approche non paramétrique par rangs parvient à capter l’intégralité de la force monotone de la liaison psychologique, là où le nuage de points brut laissait présumer une dégradation de l’ajustement linéaire standard.

11. Diagnostics des postulats statistiques et sensibilité aux valeurs aberrantes

11.1 Identification des valeurs influentes et aberrantes

La fragilité structurelle du coefficient de Pearson face aux observations extrêmes requiert la mise en place d’une procédure formelle de diagnostic d’influence. Une valeur atypique univariée (un participant ayant un score exceptionnellement élevé sur une échelle) ne constitue pas nécessairement un point de perturbation bivariée critique ; inversement, une observation située dans les limites normales univariées sur chaque axe peut s’avérer hautement anormale par sa combinaison bivariée singulière (par exemple, un individu très âgé présentant un volume d’amnésie atypiquement nul).

Pour quantifier objectivement le pouvoir d’influence d’un point sur l’estimation du coefficient de corrélation, l’analyste exploite judicieusement le lien mathématique unissant la corrélation bivariée à la régression linéaire simple. En effet, la pente de la droite de régression de Y sur X est strictement proportionnelle au coefficient de Pearson. Ainsi, exécuter la régression bivariée regress var_y var_x permet de mobiliser immédiatement après la batterie d’outils de post-estimation diagnostique de Stata pour mesurer l’effet de levier (leverage) et la distance de Cook :
predict levier, hat
predict dcook, cooksd

La valeur de levier (mesurée par la diagonale de la matrice de projection hat) quantifie l’éloignement d’une observation par rapport au barycentre des valeurs de la variable explicative : une observation excédant le seuil théorique 2(k + 1) / n est considérée comme présentant un effet de levier préoccupant. La distance de Cook combine quant à elle la grandeur de l’effet de levier et la magnitude du résidu standardisé pour évaluer le déplacement global qu’occasionnerait l’éviction de l’observation sur le modèle d’estimation : une distance de Cook excédant la valeur critique conventionnelle de 4 / n (ou le seuil d’unité pour de très petits échantillons) signale une valeur excessivement influente. En neutralisant temporairement ces observations extrêmes identifiées, le chercheur peut évaluer avec précision la sensibilité du coefficient r et décider en toute rigueur scientifique d’une éventuelle réorientation vers les indices robustes de Spearman ou de Kendall.

11.2 Test de l’homoscédasticité et linéarité

L’inférence statistique entourant le coefficient de Pearson (la validité de sa p-value et la symétrie asymptotique de son intervalle de confiance) repose sur le postulat d’homoscédasticité, stipulant que la variance de l’erreur d’estimation demeure invariante le long de la droite d’ajustement. Lorsque la variabilité augmente de façon conique (hétéroscédasticité couramment rencontrée dans les épreuves de performance où la variance interindividuelle explose chez les sujets de haut niveau), les erreurs-types calculées par Stata sous la commande standard correlate ou pwcorr peuvent s’avérer sous-estimées, augmentant artificiellement le taux de rejet à tort de l’hypothèse nulle.

Pour diagnostiquer l’homoscédasticité sous Stata après avoir exécuté le modèle linéaire bivarié regress var_y var_x, la première démarche est visuelle : la commande rvfplot, yline(0) (residual-versus-fitted plot) trace instantanément la répartition des résidus d’estimation en fonction des valeurs ajustées prédites. Si le nuage de résidus s’évase en entonnoir vers la droite ou prend une forme de pavillon de trompette, l’hétéroscédasticité est matériellement confirmée. Sur le plan probabiliste, cette inspection est corroborée par l’exécution de la commande de post-estimation estat hettest, qui déploie le test formel d’hétéroscédasticité de Breusch-Pagan / Cook-Weisberg : un seuil de p inférieur à .05 conduit au rejet de l’hypothèse d’homoscédasticité.

Parallèlement, la stricte linéarité de la relation se vérifie graphiquement au moyen de la commande cprplot var_x (component-plus-residual plot). Ce graphique superpose la ligne de régression théorique avec une fonction de lissage non paramétrique des résidus partiels. Toute divergence systématique entre la droite et la courbe indique une violation du postulat de linéarité. En présence d’hétéroscédasticité avérée ou de courbure fonctionnelle modérée ne justifiant pas une transformation logarithmique ou polynomiale lourde des scores métriques, le passage aux métriques d’association de rangs non paramétriques (Spearman ou Kendall) représente la solution méthodologique la plus élégante et la plus sûre.

11.3 Corrélations partielles et semi-partielles sous Stata

En recherche psychologique et sociale, la relation observée entre deux variables d’intérêt fondamental (par exemple, le niveau de mémoire de travail et la réussite à une tâche de raisonnement logique complexe) est fréquemment contaminée par l’effet perturbateur ou confondant d’une troisième variable concomitante, au premier rang desquelles figure l’âge chronologique des participants ou le niveau général d’éducation formelle. Évaluer naïvement la corrélation bivariée brute r entre mémoire et raisonnement expose le chercheur à capturer un lien spurieux ou indirectement amplifié par le fait que les individus plus âgés ont à la fois une mémoire de travail déclinante et des scores de raisonnement réduits.

Pour isoler la relation métrologique pure unissant deux construits en neutralisant mathématiquement l’influence parasite d’un ensemble de covariables de contrôle, Stata met à la disposition des chercheurs la commande spécialisée pcorr. Sa syntaxe s’énonce selon une structure linéaire directe où la première variable citée correspond à la variable dépendante d’intérêt, la seconde à la variable focale d’association, et les termes subséquents représentent le vecteur des variables de contrôle :
pcorr raisonnement memoire_travail age scolarite

La commande pcorr calcule et affiche la corrélation partielle (partial correlation) ainsi que la corrélation semi-partielle (semipartial correlation). La corrélation partielle quantifie l’association linéaire résiduelle subsistant entre la mémoire et le raisonnement une fois que la variance partagée avec l’âge et la scolarité a été intégralement soustraite de chacune des deux variables simultanément. La corrélation semi-partielle (souvent dénommée corrélation d’incrément ou part correlation) quantifie quant à elle la part de variance unique que la mémoire apporte à l’explication du raisonnement, au-delà de l’apport explicatif de l’âge et de la scolarité. L’évaluation de ces indices conditionnels sous Stata permet d’asseoir la validité différentielle de construits psychologiques concurrents avec une rigueur analytique irréprochable.

12. Rédaction des résultats selon les normes académiques et de l’APA en psychologie

12.1 Normes stylistiques et typographiques de l’APA (7e édition)

La dissémination de résultats quantitatifs au sein des revues scientifiques internationales exige une conformité absolue avec les prescriptions formelles édictées par l’American Psychological Association dans sa septième édition (APA 7th). Ces normes stylistiques et typographiques visent à garantir une lisibilité universelle, standardisée et sans ambiguïté des indicateurs inférentiels. Sur le plan typographique fondamental, tous les symboles statistiques désignés par des lettres latines ou grecques conventionnelles doivent impérativement être composés en caractères italiques (par exemple, r pour le produit-moment de Pearson, rs pour le coefficient de rangs de Spearman avec l’indice en texte normal ou italique, τ pour le tau de Kendall, p pour la probabilité critique, et N pour la taille de l’échantillon global, tandis que n minuscule désigne un sous-groupe).

Une règle cardinale de l’APA concerne le formatage des valeurs décimales et l’omission rigoureuse du zéro initial. Selon cette convention stricte, il ne faut jamais insérer de zéro devant la virgule décimale (représentée par un point décimal dans la tradition éditoriale anglophone dominante) pour toute statistique dont la magnitude théorique ne peut mathématiquement jamais excéder la valeur absolue de 1. Par conséquent, les coefficients de corrélation (r, rs, τ) ainsi que les probabilités critiques associées (p) doivent obligatoirement être rédigés sans zéro préalable : l’on écrira ainsi formellement r = .45 ou p = .003, et en aucun cas r = 0.45 ou p = 0.003.

En ce qui concerne les règles d’arrondi décimal standardisé, les normes de l’APA préconisent d’arrondir systématiquement les coefficients de corrélation ainsi que les moyennes (M) et écarts-types (SD) à deux décimales exactes. À l’opposé, les valeurs de significativité p doivent être restituées avec une précision de trois décimales (par exemple, p = .024). Lorsque la sortie de calcul de Stata affiche une probabilité critique arrondie à zéro sous la mention 0.0000, il est formellement prohibé d’écrire p = .000 dans un manuscrit académique (une probabilité nulle absolue étant théoriquement impossible) : il convient impérativement de restituer la mention inégalitaire p < .001. Enfin, il est désormais exigé d’adosser systématiquement aux estimations ponctuelles leurs intervalles de confiance à 95%, conventionnellement bornés au sein de crochets typographiques séparés par une virgule : IC 95% [.23, .61].

12.2 Modèles de phrases pour la restitution textuelle

L’intégration textuelle des coefficients de corrélation au sein des sections « Résultats » d’un article de recherche doit allier rigueur statistique et fluidité narrative. La formulation académique pour le coefficient de Pearson intègre systématiquement le rappel de la taille d’échantillon (ou les degrés de liberté n – 2), la valeur ponctuelle de l’indice, l’intervalle de confiance à 95% calculé via la transformation de Fisher, la probabilité critique et la qualification substantive de l’effet. Un modèle standardisé irréprochable prendra la forme suivante :

« Une corrélation bivariée de Pearson a été calculée afin d’évaluer la relation linéaire entre le sentiment d’auto-efficacité cognitive et le score global de performance mnésique. Les analyses révèlent une corrélation positive statistiquement significative et de magnitude modérée, r(148) = .38, IC 95% [.23, .51], p < .001. Conformément aux critères de Cohen, ce résultat indique que l’auto-efficacité cognitive explique environ 14.4% de la variance observée de la performance mnésique dans notre cohorte. »

Pour le coefficient non paramétrique de Spearman, mobilisé face à des données asymétriques ou des variables d’attitudes sommées, le texte doit stipuler la justification du choix méthodologique et intégrer le symbole rs :

« En raison de l’asymétrie prononcée de la distribution des scores de dépression clinique (Shapiro-Wilk W = 0.84, p < .001), le coefficient de corrélation de rangs de Spearman a été privilégié. L’analyse met en évidence une association monotone croissante hautement significative entre le score d’anxiété somatique et l’intensité dépressive globale, rs(210) = .54, p < .001, attestant d’une forte convergence clinique entre les deux construits pathologiques. »

Enfin, pour le coefficient tau de Kendall, particulièrement valorisé sur des échantillons restreints ou des cotations d’experts comportant des ex-aequo, la restitution textuelle documente la statistique z asymptotique :

« Compte tenu de la taille restreinte de notre échantillon clinique expérimental (N = 24) et de la présence de rangs partagés au sein des classements de sévérité symptomatique, le Tau-b de Kendall a été calculé. Les résultats démontrent une concordance ordinale significative entre l’évaluation du clinicien senior et le consensus d’équipe pluridisciplinaire, τb = .46, z = 3.12, p = .002, confirmant la fidélité inter-juges du protocole de classement. »

12.3 Conception d’une table de corrélations conforme aux exigences éditoriales

La présentation synthétique de corrélations multiples croisant les dimensions d’une étude empirique s’effectue obligatoirement sous la forme d’une table normalisée conforme aux stricts critères éditoriaux de l’APA. La structure d’un tel tableau répond à des règles géométriques précises : il est exclusivement délimité par trois lignes horizontales majeures (une ligne supérieure fermant le haut du tableau, une ligne inférieure séparant les titres de colonnes des données numériques, et une ligne de base clôturant le bas du tableau avant les notes), excluant rigoureusement toute bordure verticale interne.

La matrice de corrélation proprement dite adopte systématiquement une disposition triangulaire inférieure afin de ne pas dupliquer inutilement l’information symétrique redondante. Chaque variable étudiée est identifiée en tête de ligne par un numéro d’ordre (1, 2, 3…) et son libellé descriptif textuel complet, tandis que les colonnes correspondantes ne sont repérées que par leur numéro d’indexation respectif, optimisant ainsi l’espace typographique de la page. Les cellules situées sur la diagonale principale sont généralement laissées vides ou occupées par un tiret cadratin em (—), matérialisant l’auto-corrélation unitaire inutile à rapporter.

Il est de surcroît impératif d’intégrer dans les premières colonnes du tableau, immédiatement à la suite de l’intitulé de chaque variable et avant l’amorce de la matrice triangulaire, les statistiques descriptives univariées de base caractérisant l’échantillon d’analyse, à savoir la moyenne empirique (notée M) et l’écart-type (noté SD pour standard deviation, ou ET dans les publications francophones). Enfin, le tableau doit comporter une note de bas de page explicative structurée débutant obligatoirement par la mention en italique Note., précisant la méthode d’imputation ou de suppression des données manquantes (par exemple, « N = 184 pour toutes les comparaisons par suppression par liste complète »), la signification des abréviations utilisées, et explicitant le code de marquage des seuils de significativité statistique bilatérale retenus (typiquement : * p < .05. ** p < .01. *** p < .001).

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Kendall, M. G. (1938). A new measure of rank correlation. Biometrika, 30(1/2), 81–93. https://doi.org/10.1093/biomet/30.1-2.81
• Pearson, K. (1895). Notes on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58, 240–242. https://doi.org/10.1098/rspl.1895.0041
• Spearman, C. (1904). The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101. https://doi.org/10.2307/1412159
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• 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