Calculateur du tau de Kendall

Utilisez le tau de Kendall lorsque vous voulez mesurer l'intensité de la relation entre deux variables, en particulier lorsque vous avez des données ordinales (classements, évaluations) ou lorsque vos données contiennent de nombreuses valeurs ex aequo. Il est plus robuste que la corrélation de Pearson face aux valeurs aberrantes et aux données non normales, et fournit une mesure d'accord plus interprétable que la corrélation de Spearman lorsque les tailles d'échantillon sont petites.

Qu'est-ce que le tau de Kendall ?

Le tau de Kendall (τ) est un coefficient de corrélation de rang qui mesure l'association ordinale entre deux variables. Il compte la proportion de paires concordantes et discordantes.

Question posée : « Les valeurs plus élevées de X tendent-elles à aller avec des valeurs plus élevées (ou plus faibles) de Y ? »

Plage : -1 à +1

• τ = +1 : Association positive parfaite
• τ = 0 : Aucune association
• τ = -1 : Association négative parfaite

Pourquoi utiliser le tau de Kendall ?

Avantages par rapport à Spearman

• Interprétation plus intuitive (basée sur des comparaisons de paires)
• Meilleures propriétés statistiques pour les petits échantillons
• Gère les ex aequo plus naturellement
• Les intervalles de confiance sont plus précis

Quand utiliser

• Données ordinales (classements, échelles de Likert)
• Données continues non normales
• Lorsque les ex aequo sont fréquents
• Petites tailles d'échantillon
• Alternative robuste à Pearson

Comment ça fonctionne

Paires concordantes et discordantes

Pour chaque paire d'observations (i, j) :

Concordante : Si X et Y classent dans la même direction

• $(X_i > X_j$ et $Y_i > Y_j)$ ou $(X_i < X_j$ et $Y_i < Y_j)$

Discordante : Si X et Y classent dans des directions opposées

• $(X_i > X_j$ et $Y_i < Y_j)$ ou $(X_i < X_j$ et $Y_i > Y_j)$

Ex aequo : Si $X_i = X_j$ ou $Y_i = Y_j$

Tau-a (ignore les ex aequo)

$\tau_a = \frac{C - D}{\binom{n}{2}} = \frac{C - D}{n(n-1)/2}$

Où :

• C = nombre de paires concordantes
• D = nombre de paires discordantes

Tau-b (ajuste pour les ex aequo)

$\tau_b = \frac{C - D}{\sqrt{(C + D + T_X)(C + D + T_Y)}}$

Où :

• $T_X$ = paires ex aequo uniquement sur X
• $T_Y$ = paires ex aequo uniquement sur Y

Le plus couramment utilisé lorsque les deux variables peuvent avoir des ex aequo.

Tau-c (pour les tableaux rectangulaires)

$\tau_c = \frac{2m(C - D)}{n^2(m-1)}$

Où m = min(lignes, colonnes). Utilisé pour les tableaux où lignes ≠ colonnes.

Exemple de calcul

Données : 5 étudiants classés par note d'examen (X) et participation en classe (Y)

Étape 1 : Compter toutes les paires (n = 5, donc 10 paires)

Résultats : C = 8, D = 2

Tau-a :

$\tau_a = \frac{8 - 2}{10} = 0,60$

Interprétation : Association positive modérée.

Directives d'interprétation

| |τ| | Interprétation | |-----|----------------| | 0,00 - 0,10 | Négligeable | | 0,10 - 0,20 | Faible | | 0,20 - 0,30 | Modérée | | 0,30 - 0,50 | Forte | | > 0,50 | Très forte |

Remarque : Le tau de Kendall tend à être plus faible que le rho de Spearman pour les mêmes données.

Signification statistique

Pour les petits échantillons

Utiliser des tables exactes ou des tests de permutation.

Pour les grands échantillons (n > 10)

Approximation normale :

$z = \frac{\tau}{\sqrt{\frac{2(2n+5)}{9n(n-1)}}}$

Ou avec ex aequo :

$z = \frac{\tau_b}{SE(\tau_b)}$

Gestion des ex aequo

Types d'ex aequo

• Ex aequo X : Même rang sur X, différent sur Y
• Ex aequo Y : Rang différent sur X, même sur Y
• Ex aequo XY : Même rang sur les deux (très ex aequo)

Impact

• Tau-a ignore les ex aequo (peut gonfler la corrélation)
• Tau-b ajuste le dénominateur (préféré pour la plupart des données)
• Tau-c meilleur pour les tableaux de contingence rectangulaires

Tau de Kendall vs. rho de Spearman

Relation approximative

$\rho \approx 1,5 \times \tau$

Ou plus précisément : $\rho \approx \sin(\frac{\pi}{2}\tau)$

Interprétation probabiliste

Le tau de Kendall a une interprétation probabiliste directe :

$\tau = P(\text{concordant}) - P(\text{discordant})$

Pour une paire sélectionnée aléatoirement :

• τ = 0,6 signifie 80 % concordant, 20 % discordant
• (0,8 - 0,2 = 0,6)

Tau partiel de Kendall

Contrôler pour une troisième variable Z :

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

Applications

Recherche médicale

Association entre résultats ordinaux (échelles de douleur, stades de maladie).

Psychologie

Relation entre préférences ou attitudes classées.

Éducation

Accord entre différents évaluateurs sur les classements.

Évaluation de qualité

Accord entre évaluations classées de produits.

Recherche par sondage

Association entre réponses à échelle de Likert.

Intervalles de confiance

Pour tau-b, IC à 95 % approximatif :

$\tau_b \pm 1,96 \times SE(\tau_b)$

Où :

$SE(\tau_b) \approx \sqrt{\frac{2(2n+5)}{9n(n-1)}}$

Les IC plus précis utilisent des méthodes bootstrap.

Présentation des résultats

Format APA :

« Il y avait une association positive modérée entre la performance à l'examen et la participation en classe, τb = 0,60, p = 0,028. »

Rapport complet :

« Le tau-b de Kendall a été calculé pour évaluer la relation entre le classement à l'examen et le classement de participation. Il y avait une corrélation positive significative, τb = 0,60 (IC à 95 % : 0,15, 0,85), z = 2,20, p = 0,028, indiquant que les étudiants qui se classaient mieux aux examens tendaient également à se classer mieux en participation. »

Erreurs courantes

Utiliser la mauvaise variante de tau

• Utiliser tau-b pour les données continues avec ex aequo
• Utiliser tau-c pour les tableaux rectangulaires
• Spécifier quelle variante a été utilisée

Comparer tau à Spearman directement

Tau est généralement plus faible—en tenir compte lors de l'interprétation.

Ignorer la taille de l'échantillon

La signification statistique dépend fortement de n. Un petit τ peut être significatif avec un grand n.

Ne pas vérifier les ex aequo

De nombreux ex aequo peuvent affecter quelle variante de tau est appropriée.

Hypothèses

Échelle ordinale

Les variables doivent être au moins ordinales (classements significatifs).

Relation monotone

Le tau de Kendall détecte les relations monotones (pas seulement linéaires).

Observations indépendantes

Chaque paire d'observations doit être indépendante.

Contexte historique

Maurice Kendall a développé ce coefficient en 1938 comme alternative au rho de Spearman. Son approche basée sur le comptage des paires concordantes et discordantes fournit une interprétation plus intuitive et de meilleures propriétés statistiques.

Kendall a également contribué au tau partiel et au tau-c pour des applications spécialisées.

Calculs connexes

• Corrélation de Spearman — Corrélation de rang alternative
• Corrélation de Pearson — Corrélation linéaire
• Test du chi-carré — Association catégorielle
• V de Cramér — Force d'association nominale

Résumé

Le tau de Kendall mesure l'association ordinale en comparant les paires concordantes et discordantes. Tau-b (le plus courant) ajuste pour les ex aequo ; tau-c est pour les tableaux rectangulaires. Les valeurs vont de -1 à +1, avec une interprétation basée sur la probabilité de concordance versus discordance. Tau tend à être plus faible que le rho de Spearman pour les mêmes données mais a de meilleures propriétés statistiques pour les petits échantillons. Utiliser pour les données ordinales, les distributions non normales, ou lorsque les ex aequo sont fréquents. Rapporter la variante de tau utilisée, avec les intervalles de confiance et les valeurs p.