Calculateur de corrélation partielle

Utilisez la corrélation partielle lorsque vous voulez mesurer la relation entre deux variables tout en contrôlant l'effet d'une ou plusieurs autres variables. Cela aide à distinguer les vraies relations de celles qui apparaissent parce que les deux variables sont liées à une troisième variable.

Qu'est-ce que la corrélation partielle ?

La corrélation partielle mesure la relation linéaire entre deux variables X et Y après avoir retiré l'effet d'une ou plusieurs variables de contrôle Z.

$r_{XY.Z} = \frac{r_{XY} - r_{XZ} \times r_{YZ}}{\sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)}}$

Où :

• $r_{XY.Z}$ = corrélation partielle de X et Y, en contrôlant Z
• $r_{XY}$ = corrélation entre X et Y
• $r_{XZ}$ = corrélation entre X et Z
• $r_{YZ}$ = corrélation entre Y et Z

Pourquoi utiliser la corrélation partielle ?

Identifier les corrélations fallacieuses

Deux variables pourraient corréler seulement parce qu'elles partagent une cause commune :

Exemple : Les ventes de glaces et les noyades sont corrélées. Mais en contrôlant la température, la corrélation partielle est proche de zéro. La température cause les deux.

Isoler les effets directs

Séparer les relations directes des indirectes :

Exemple : Éducation → Revenu. Mais quelle part est directe, et quelle part passe par la profession ? La corrélation partielle contrôlant la profession montre l'effet direct.

Contrôler les facteurs de confusion

Retirer la confusion pour mieux estimer les relations causales :

Exemple : La consommation de café corrèle avec les maladies cardiaques. Mais en contrôlant le tabagisme (les fumeurs boivent plus de café), la relation s'affaiblit ou s'inverse.

Exemple de calcul

Données :

• $r_{XY}$ = 0,60 (corrélation entre exercice et perte de poids)
• $r_{XZ}$ = 0,50 (corrélation entre exercice et qualité de l'alimentation)
• $r_{YZ}$ = 0,70 (corrélation entre qualité de l'alimentation et perte de poids)

Calculer la corrélation partielle de l'exercice et la perte de poids, en contrôlant l'alimentation :

$r_{XY.Z} = \frac{0,60 - (0,50)(0,70)}{\sqrt{(1 - 0,50^2)(1 - 0,70^2)}}$ $r_{XY.Z} = \frac{0,60 - 0,35}{\sqrt{(0,75)(0,51)}}$ $r_{XY.Z} = \frac{0,25}{\sqrt{0,3825}} = \frac{0,25}{0,618} = 0,40$

Interprétation : Après contrôle de la qualité de l'alimentation, la corrélation entre exercice et perte de poids passe de 0,60 à 0,40. Une partie de l'effet apparent de l'exercice était en fait due à une meilleure alimentation.

Interpréter les changements

Tester la signification

Pour tester si $r_{XY.Z} = 0$ :

$t = r_{XY.Z} \sqrt{\frac{n - k - 2}{1 - r_{XY.Z}^2}}$

Où :

• n = taille d'échantillon
• k = nombre de variables de contrôle
• dl = n - k - 2

Comparer à la distribution t pour la signification.

Variables de contrôle multiples

Pour contrôler plusieurs variables, utilisez la formule récursive ou l'approche matricielle :

Deux variables de contrôle : $r_{XY.ZW} = \frac{r_{XY.Z} - r_{XW.Z} \times r_{YW.Z}}{\sqrt{(1 - r_{XW.Z}^2)(1 - r_{YW.Z}^2)}}$

D'abord retirer Z de toutes les paires, puis retirer W.

Approche matricielle : $R_{XY.Z_1...Z_k} = \frac{R_{XY} - R_{XZ}R_{ZZ}^{-1}R_{ZY}}{\sqrt{(1 - R_{XZ}R_{ZZ}^{-1}R_{ZX})(1 - R_{YZ}R_{ZZ}^{-1}R_{ZY})}}$

Corrélation partielle vs semi-partielle

La corrélation semi-partielle (part) est utilisée en régression multiple pour évaluer la contribution unique des prédicteurs.

Applications

Psychologie

• Traits de personnalité en contrôlant l'âge
• Performance en contrôlant l'anxiété
• QI en contrôlant le statut socio-économique

Médecine

• Effet du médicament en contrôlant la sévérité de base
• Résultat du traitement en contrôlant l'âge et les comorbidités
• Relations de biomarqueurs en contrôlant l'IMC

Économie

• Revenu et éducation en contrôlant l'expérience
• PIB et espérance de vie en contrôlant les dépenses de santé
• Prix et demande en contrôlant le revenu

Sciences sociales

• Comportement électoral en contrôlant la démographie
• Taux de criminalité en contrôlant la pauvreté
• Scores aux tests en contrôlant les réalisations antérieures

Variables suppresseurs

Parfois contrôler une variable augmente la corrélation. Cela se produit quand la variable de contrôle :

• N'est pas corrélée avec un prédicteur
• Est corrélée avec l'autre prédicteur
• « Supprime » la variance non pertinente

Exemple : Les compétences verbales et quantitatives prédisent toutes deux la performance au travail. En contrôlant les compétences quantitatives, les compétences verbales montrent une relation plus forte avec la performance.

Hypothèses

1. Linéarité : Les relations entre toutes les variables sont linéaires
2. Normalité : Les variables sont approximativement normalement distribuées (pour l'inférence)
3. Pas de multicolinéarité parfaite : Les variables de contrôle ne sont pas parfaitement corrélées entre elles

Corrélation partielle vs régression

Les deux méthodes contrôlent des variables :

En régression multiple, le coefficient standardisé pour X contrôlant Z est lié à la corrélation partielle : $\beta_X = r_{XY.Z} \times \frac{ET_Y.Z}{ET_X.Z}$

Visualisation

Pour visualiser la corrélation partielle :

1. Régresser X sur Z, obtenir les résidus $e_X$
2. Régresser Y sur Z, obtenir les résidus $e_Y$
3. Tracer $e_X$ vs $e_Y$

La corrélation de ces résidus égale la corrélation partielle.

Précautions

Corrélation ≠ Causalité

La corrélation partielle contrôle les variables observées mais :

• Ne peut pas contrôler les facteurs de confusion non mesurés
• N'établit pas la direction causale
• Peut introduire un biais de collisionneur si vous contrôlez les mauvaises variables

Sur-contrôle

Contrôler les médiateurs (variables sur le chemin causal) retire l'effet que vous essayez de mesurer.

Exemple : Si exercice → forme physique → perte de poids, contrôler la forme physique retire l'effet de l'exercice.

Taille d'échantillon

Avec plusieurs variables de contrôle, vous avez besoin d'échantillons plus grands. Règle empirique : au moins 10-20 observations par variable.

Calculs associés

• Corrélation de Pearson — Corrélation d'ordre zéro
• Régression multiple — Contrôle via régression
• Corrélation de Spearman — Corrélation basée sur les rangs
• Calculateur R-carré — Variance expliquée

Résumé

La corrélation partielle mesure la relation entre deux variables tout en contrôlant les autres. Elle aide à identifier les corrélations fallacieuses, isoler les effets directs et contrôler les facteurs de confusion. Calculez en utilisant la formule ou la méthode des résidus. Interprétez soigneusement les changements par rapport à la corrélation d'ordre zéro — les diminutions suggèrent une confusion, tandis que les augmentations suggèrent une suppression. N'oubliez pas que la corrélation partielle ne peut pas établir la causalité et nécessite une considération attentive des variables à contrôler.