Calculateur de corrélation de Spearman

Qu'est-ce que la corrélation de Spearman ?

Le coefficient de corrélation des rangs de Spearman (ρ ou rs) mesure la force et la direction de la relation monotone entre deux variables. Contrairement à Pearson, il fonctionne sur les rangs plutôt que sur les valeurs brutes.

Question à laquelle il répond : « Ces variables tendent-elles à augmenter ou diminuer ensemble ? »

Exemples :

• « La satisfaction au travail est-elle liée aux années d'expérience ? » (notation ordinale)
• « Les classements de deux juges concordent-ils ? »
• « Y a-t-il une relation entre le rang de classe et la performance aux tests ? »

Quand utiliser Spearman

Spearman plutôt que Pearson quand :

• Les données sont ordinales (classements, échelles de Likert)
• La relation est monotone mais pas linéaire
• Les données ont des valeurs aberrantes
• Les distributions sont fortement asymétriques
• L'hypothèse de normalité est violée

Pearson plutôt que Spearman quand :

• Les deux variables sont continues et approximativement normales
• La relation est spécifiquement linéaire
• Vous voulez quantifier la force de la relation linéaire

Relations monotones vs linéaires

Linéaire : Y change d'une quantité constante pour chaque unité de changement de X. Ligne : Y = a + bX

Monotone : Y augmente (ou diminue) constamment quand X augmente, mais pas nécessairement à un taux constant. Peut être courbe, en escalier, ou tout pattern directionnellement cohérent.

Exemple : Une courbe logarithmique est monotone mais pas linéaire. Spearman la capture ; Pearson peut sous-estimer.

Comment ça fonctionne

Étape 1 : Classer les deux variables

Convertir les valeurs brutes en rangs (1 = le plus bas, n = le plus haut).

Étape 2 : Calculer la corrélation des rangs

Appliquer la formule de Pearson aux rangs.

Ou utiliser la formule simplifiée (quand pas de ex aequo) :

$\rho = 1 - \frac{6\sum d^2}{n(n^2-1)}$

Où d = différence entre les rangs pour chaque paire.

Étape 3 : Calculer

ρ = 1 - [6 × 6] / [5 × 24] = 1 - 36/120 = 1 - 0,3 = 0,70

Gestion des ex aequo

Quand les valeurs sont égales, attribuer les rangs moyens :

Valeurs : 10, 15, 15, 15, 20 Rangs : 1, 3, 3, 3, 5 (positions 2, 3, 4 égales → moyenne = 3)

Avec des ex aequo, utiliser la formule complète de Pearson sur les rangs plutôt que la formule simplifiée d².

Interprétation

Même échelle que Pearson :

Directives de force :

• |ρ| > 0,7 : Forte
• |ρ| = 0,4-0,7 : Modérée
• |ρ| < 0,4 : Faible

Tester la signification

Pour n > 10 : Utiliser la distribution t

$t = \rho \times \sqrt{\frac{n-2}{1-\rho^2}}$

$dl = n - 2$

Pour petit n : Utiliser les tables exactes pour le ρ de Spearman.

Applications

Données ordinales

Échelles de Likert, notes de satisfaction, classements de préférence.

« La satisfaction client est-elle liée à la probabilité de recommander ? »

Données non normales

Quand les distributions sont asymétriques ou à queues épaisses.

« Le revenu est-il lié au bonheur ? » (le revenu est typiquement asymétrique)

Accord entre évaluateurs

Deux juges classent-ils les éléments de manière similaire ?

« Les classements d'experts sont-ils corrélés ? »

Psychologie et sciences sociales

De nombreuses mesures psychologiques utilisent des échelles ordinales.

Évaluation de la qualité

Quand les mesures sont des classements plutôt que des valeurs absolues.

Spearman vs Pearson

Insight clé : Pour les données normalement distribuées avec une relation linéaire, Pearson est légèrement plus puissant. Pour les autres données, Spearman est plus sûr.

Exemple : Données ordinales

Scénario : Satisfaction client (échelle 1-5) et fréquence d'achat

Σd² = 2,5

ρ = 1 - [6 × 2,5] / [5 × 24] = 1 - 15/120 = 0,875

Relation positive forte entre satisfaction et achats.

Exemple : Monotone non linéaire

Données : X et Y = X² (parfaitement non linéaire mais monotone)

Les rangs sont identiques pour X et Y : 1, 2, 3, 4, 5

Spearman ρ = 1,0 (monotone parfait) Pearson r ≈ 0,98 (fort mais pas parfaitement linéaire)

Spearman capture la relation monotone parfaite que Pearson sous-estime légèrement.

Hypothèses

Variables ordinales ou continues

Les deux variables doivent être au moins ordinales (classables).

Relation monotone

La relation devrait être constamment directionnelle.

Spearman manquera les patterns en U ou autres patterns non monotones.

Indépendance

Les observations sont indépendantes les unes des autres.

Pas d'ex aequo systématiques (pour le test exact)

Beaucoup d'ex aequo réduisent la puissance et nécessitent des formules ajustées.

Alternative : Tau de Kendall

Le τ de Kendall est une autre corrélation basée sur les rangs :

• Plus robuste avec les petits échantillons
• A des interprétations différentes pour la signification
• Plus intensif en calcul

Quand choisir :

• Petits échantillons : Considérer le τ de Kendall
• Échantillons plus grands : Spearman et Kendall donnent des conclusions similaires

Intervalle de confiance

Utiliser la transformation z de Fisher (comme Pearson) :

$z' = \frac{1}{2} \ln\left(\frac{1+\rho}{1-\rho}\right)$

Calculer l'IC dans l'espace z, transformer en retour.

Rapporter les résultats

Format APA :

« La corrélation de Spearman a indiqué une relation positive forte entre la satisfaction client et la fréquence d'achat, rs(3) = 0,88, p = 0,05. »

Avec interprétation :

« Il y avait une corrélation positive significative entre les années d'expérience et la satisfaction au travail, rs(48) = 0,42, p = 0,003, suggérant que les employés plus expérimentés tendent à rapporter une satisfaction plus élevée. »

Erreurs courantes

Utiliser quand la relation est non monotone

Spearman suppose une direction cohérente. Vérifiez le nuage de points.

Ignorer les ex aequo

Les ex aequo nombreux nécessitent des tests de signification ajustés.

Traiter comme une mesure linéaire

Spearman mesure la monotonie, pas la linéarité.

Sur-interpréter les petites différences avec Pearson

Souvent les deux coefficients mènent à des conclusions similaires.

Contexte historique

Charles Spearman a développé ce coefficient en 1904, motivé par son travail sur les tests d'intelligence.

Spearman avait besoin de corréler des scores de tests qui n'étaient pas normalement distribués et impliquaient souvent des classements plutôt que des mesures précises.

Son approche basée sur les rangs est devenue fondamentale en psychologie et sciences sociales où les données ordinales sont courantes.

Calculs associés

• Corrélation de Pearson — Relations linéaires
• Valeur p de corrélation — Test de signification
• Calculateur de Tau de Kendall — Alternative de corrélation par rangs
• Test U de Mann-Whitney — Comparaison de groupes par rangs

Résumé

La corrélation des rangs de Spearman (ρ) mesure les relations monotones en appliquant la corrélation aux données classées. Utilisez-la pour les données ordinales, les distributions non normales, ou quand les relations sont monotones mais pas strictement linéaires. Calculez en classant les deux variables et en calculant la corrélation des rangs. Le coefficient varie de -1 à +1, avec la signification testée via la distribution t pour les échantillons plus grands. Spearman est plus robuste aux valeurs aberrantes et aux violations de distribution que Pearson, en faisant un choix plus sûr quand les hypothèses sont incertaines. Visualisez toujours les données pour vérifier que la relation est monotone.