Calculateur de valeur-p de corrélation
Testez la signification de la corrélation.
Entrez r de Pearson ou ρ de Spearman
Nombre de paires de données
Charger un exemple :
Entrez le coefficient de corrélation et la taille de l'échantillon
r doit être entre -1 et 1, n ≥ 3
Qu'est-ce qu'une valeur p de corrélation ?
La valeur p de corrélation teste si une corrélation observée est statistiquement significative — si la relation est probablement réelle ou pourrait être survenue par hasard.
Question à laquelle elle répond : « Cette corrélation est-elle significativement différente de zéro ? »
Exemple : Si r = 0,35 avec n = 50, est-ce une preuve d'une vraie relation, ou pourrait-on obtenir r = 0,35 par hasard à partir de données non corrélées ?
Le test d'hypothèse
Hypothèse nulle (H₀) : ρ = 0 (pas de corrélation dans la population)
Hypothèse alternative (H₁) :
- Bilatérale : ρ ≠ 0 (il y a une corrélation)
- Unilatérale : ρ > 0 ou ρ < 0 (corrélation dans une direction spécifique)
Note : ρ (rho) est la corrélation de population ; r est l'estimation d'échantillon.
La statistique de test
t = r × √[(n - 2) / (1 - r²)]
Ceci suit une distribution t avec dl = n - 2.
Exemple :
- r = 0,45
- n = 30
t = 0,45 × √[28 / (1 - 0,2025)] t = 0,45 × √[28 / 0,7975] t = 0,45 × √35,11 t = 0,45 × 5,93 t = 2,67
Pour dl = 28, p ≈ 0,012 (bilatéral)
Conclusion : La corrélation est statistiquement significative.
Seuils de signification
Valeurs critiques de r pour un test bilatéral à α = 0,05 :
| n | |r| critique | |---|------------| | 5 | 0,878 | | 10 | 0,632 | | 15 | 0,514 | | 20 | 0,444 | | 30 | 0,361 | | 50 | 0,279 | | 100 | 0,197 | | 500 | 0,088 |
Avec de plus grands échantillons, de plus petites corrélations deviennent significatives.
L'effet de la taille d'échantillon
Insight clé : La signification statistique dépend fortement de la taille de l'échantillon.
| r | n = 20 | n = 50 | n = 200 |
|---|---|---|---|
| 0,10 | p = 0,67 | p = 0,49 | p = 0,16 |
| 0,20 | p = 0,40 | p = 0,16 | p = 0,004 |
| 0,30 | p = 0,20 | p = 0,03 | p < 0,001 |
| 0,50 | p = 0,02 | p < 0,001 | p < 0,001 |
Implications :
- Les petites études peuvent manquer de vraies corrélations (faible puissance)
- Les grandes études trouvent des corrélations minuscules « significatives » (pas nécessairement significatives)
Signification vs importance
Signification statistique : Cela pourrait-il survenir par hasard ?
Signification pratique : Cette corrélation est-elle assez grande pour compter ?
Exemple :
- r = 0,10, n = 1000, p < 0,001 (statistiquement significatif)
- r² = 0,01 (seulement 1% de la variance expliquée)
La corrélation est réelle mais pratiquement minuscule.
Rapportez toujours r (ou r²) en plus de la valeur p.
Analyse de puissance
Puissance = probabilité de détecter une vraie corrélation.
Dépend de :
- Vraie corrélation de population (ρ)
- Taille d'échantillon (n)
- Niveau de signification (α)
Tailles d'échantillon nécessaires pour 80% de puissance (α = 0,05) :
| ρ (vrai) | n nécessaire |
|---|---|
| 0,10 | 782 |
| 0,20 | 193 |
| 0,30 | 84 |
| 0,40 | 46 |
| 0,50 | 28 |
Les petites corrélations nécessitent de grands échantillons pour être détectées de manière fiable.
Intervalle de confiance pour r
Plus informatif que la valeur p seule.
Transformation z de Fisher :
- Convertir r en z' : z' = 0,5 × ln[(1+r)/(1-r)]
- ES de z' = 1/√(n-3)
- IC dans l'espace z : z' ± 1,96 × ES
- Transformer en retour vers l'espace r
Exemple : r = 0,45, n = 30
z' = 0,485 ES = 1/√27 = 0,192 IC 95% pour z' : (0,108, 0,862) IC 95% pour r : (0,11, 0,70)
L'intervalle large reflète l'incertitude avec un petit n.
Tests unilatéraux
À utiliser quand :
- La théorie antérieure prédit une direction spécifique
- Une seule direction est significative
Valeur p : Diviser la valeur p bilatérale par 2 (si le résultat est dans la direction prédite).
Avertissement : Doit spécifier la direction avant de voir les données.
Tester des hypothèses spécifiques
Tester ρ = 0 : Test de corrélation standard.
Tester ρ = ρ₀ (une valeur spécifique) :
Utiliser la transformation z de Fisher :
z = (z'_observé - z'_hypothétisé) × √(n-3)
Comparer à la distribution normale standard.
Comparer deux corrélations
À partir d'échantillons indépendants :
z = (z'₁ - z'₂) / √[1/(n₁-3) + 1/(n₂-3)]
À partir du même échantillon (corrélations corrélées) : Plus complexe ; utiliser des formules spécialisées (Meng, Rosenthal, Rubin, 1992).
Pour la corrélation de Spearman
La même formule de test t fonctionne pour le ρ de Spearman :
t = rs × √[(n - 2) / (1 - rs²)]
Pour les petits échantillons, les tables exactes peuvent être plus précises.
Interprétations erronées courantes
« p < 0,05 prouve que la relation existe »
Non. Cela signifie que si aucune relation n'existait, ce r serait improbable. 5% du temps, vous obtiendrez p < 0,05 par hasard.
« p > 0,05 prouve qu'il n'y a pas de relation »
Non. Cela signifie des preuves insuffisantes. La relation pourrait exister mais être indétectable avec votre taille d'échantillon.
« Une valeur p plus petite signifie une relation plus forte »
Non. La valeur p dépend à la fois de r et n. Un petit r avec un grand n peut avoir une valeur p plus petite qu'un grand r avec un petit n.
« La valeur p indique la probabilité que la corrélation soit réelle »
Non. La valeur p suppose que H₀ est vraie et vous dit à quel point vos données sont surprenantes. Ce n'est pas P(H₁|données).
Hypothèses
Pour le r de Pearson
- Relation linéaire
- Normalité bivariée (pour le test exact)
- Indépendance des observations
- Variables continues
Pour le rs de Spearman
- Relation monotone
- Indépendance
- Variables ordinales ou continues
Taille d'échantillon
- Minimum n ≈ 10 pour le test approximatif
- n > 30 pour une inférence robuste
Rapporter les résultats
Format APA :
« La corrélation entre les heures d'étude et les scores d'examen était statistiquement significative, r(28) = 0,45, p = 0,012, IC 95% [0,11, 0,70]. »
Résultat non significatif :
« La corrélation entre l'âge et le temps de réaction n'était pas statistiquement significative, r(18) = -0,23, p = 0,32, IC 95% [-0,60, 0,23]. »
Inclure :
- Valeur r
- Degrés de liberté (n - 2)
- Valeur p
- Intervalle de confiance
- Direction et interprétation
Note historique
Le test t pour la signification de la corrélation a été établi dans le cadre du développement plus large des tests d'hypothèses au début du 20ème siècle.
Ronald Fisher a formalisé une grande partie de la théorie, y compris la transformation z pour les intervalles de confiance de corrélation.
La distinction entre signification statistique et pratique est devenue de plus en plus soulignée à mesure que les grands ensembles de données sont devenus courants à la fin du 20ème siècle.
Calculs associés
- Corrélation de Pearson — Calculer r
- Corrélation de Spearman — Corrélation par rangs
- Calculateur de distribution t — Valeurs p
- Calculateur de taille d'échantillon — Analyse de puissance
- R-carré — Variance expliquée
Résumé
La valeur p de corrélation teste si la corrélation observée diffère significativement de zéro en utilisant t = r × √[(n-2)/(1-r²)]. La signification dépend fortement de la taille de l'échantillon — les petites corrélations peuvent être significatives avec un grand n, tandis que les corrélations modérées peuvent ne pas être significatives avec un petit n. Rapportez toujours r en plus de la valeur p ; mieux encore, rapportez les intervalles de confiance. N'oubliez pas que la signification statistique n'implique pas l'importance pratique — une corrélation de 0,10 pourrait être « significative » avec 1000 observations mais n'explique que 1% de la variance.