corrélation
La corrélation mesure l\'intensité et le sens de la relation linéaire entre deux variables quantitatives. En L2, elle est omniprésente en statistique descriptive, en économétrie et en finance (corrélation entre rendements d\'actifs, entre variables macroéconomiques). Le coefficient de corrélation de Pearson, compris entre -1 et +1, est l\'outil le plus courant. Cependant, la corrélation est aussi l\'une des notions les plus mal interprétées : l\'adage « corrélation n\'est pas causalité » reste la mise en garde fondamentale de la démarche scientifique. Comprendre les pièges de la corrélation (spurieuse, non-linéaire, confondante) est indispensable pour tout économiste.
🎯 Objectifs d'apprentissage
- Calculer et interpréter le coefficient de corrélation de Pearson
- Distinguer corrélation positive, négative et nulle
- Comprendre la différence fondamentale entre corrélation et causalité
- Identifier les corrélations spurieuses et leurs sources (variables omises, tendances communes)
- Appliquer le test de significativité de la corrélation (test de Student)
- Connaître les mesures de corrélation alternatives (Spearman, corrélation partielle)
📚 Concepts clés à maîtriser
Coefficient de Pearson
Définition : Mesure de la relation linéaire entre deux variables X et Y, défini comme la covariance normalisée : r = Cov(X,Y) / (σₓ × σᵧ). Varie de -1 (relation linéaire négative parfaite) à +1 (positive parfaite), 0 indiquant l\'absence de relation linéaire.
Intuition économique : r mesure la « fidélité » avec laquelle les points (X,Y) s\'alignent sur une droite. Plus ils sont dispersés autour de la droite, plus r est proche de 0.
Formule :
r = Σ(xᵢ - x̄)(yᵢ - ȳ) / √[Σ(xᵢ - x̄)² × Σ(yᵢ - ȳ)²]
Application L2 : Première étape de l\'analyse bivariée. Un r de 0,8 indique une forte corrélation positive, mais pas nécessairement une causalité.
Corrélation vs causalité
Définition : Deux variables peuvent être corrélées sans que l\'une cause l\'autre. La corrélation peut résulter d\'une variable confondante, d\'une causalité inverse, ou d\'un pur hasard (corrélation spurieuse).
Intuition économique : Les ventes de glaces et les noyades sont corrélées positivement. La cause commune est la chaleur (variable confondante), pas un lien direct glaces → noyades.
Application L2 : Erreur fondamentale à éviter en économie. Pour établir la causalité, il faut un cadre expérimental (randomisation) ou économétrique (variables instrumentales, différences-en-différences).
Corrélation spurieuse
Définition : Corrélation statistiquement significative entre deux variables qui n\'ont aucune relation causale, souvent due à une tendance commune (séries temporelles non stationnaires) ou à des variables confondantes.
Intuition économique : Le nombre de films avec Nicolas Cage est corrélé aux noyades en piscine. C\'est absurde, mais les tendances temporelles produisent ce genre d\'artefacts.
Application L2 : En économétrie des séries temporelles, deux séries avec tendance (PIB, population) auront mécaniquement une corrélation élevée. Solution : travailler en variations (différences premières, taux de croissance) ou tester la cointégration.
Corrélation partielle
Définition : Corrélation entre X et Y après avoir contrôlé (éliminé) l\'effet d\'une ou plusieurs variables tierces Z. Permet d\'isoler la relation entre X et Y nette de l\'influence de Z.
Intuition économique : La corrélation brute entre revenu et santé est forte. En contrôlant par l\'éducation, elle diminue. La corrélation partielle isole l\'effet « pur » du revenu sur la santé.
Application L2 : Étape intermédiaire entre la corrélation simple et la régression multiple. En régression, chaque coefficient est en fait une corrélation partielle.
Coefficient de Spearman
Définition : Corrélation de rang : mesure la relation monotone (pas nécessairement linéaire) entre deux variables, calculée sur les rangs plutôt que sur les valeurs brutes.
Intuition économique : Si le classement des étudiants en maths est très similaire à leur classement en physique, le Spearman est élevé, même si la relation entre les notes n\'est pas strictement linéaire.
Application L2 : Alternative robuste au Pearson quand la relation n\'est pas linéaire ou quand il y a des valeurs extrêmes (outliers).
👨🏫 Auteurs et références universitaires
⚠️ Pièges fréquents à éviter
❌ Erreur : Conclure à une causalité à partir d\'une corrélation significative
💡 Pourquoi c'est faux : La corrélation ne révèle que la co-variation, pas le mécanisme. Une variable confondante, une causalité inverse ou un hasard peuvent expliquer la corrélation.
✅ Comment éviter : Toujours envisager les explications alternatives : variable omise, causalité inverse, hasard. Utiliser des méthodes causales (IV, expériences, DiD).
❌ Erreur : Interpréter r = 0 comme absence totale de relation
💡 Pourquoi c'est faux : Le coefficient de Pearson ne mesure que la relation linéaire. Deux variables peuvent avoir une relation quadratique parfaite (U inversé) avec r = 0.
✅ Comment éviter : Visualiser les données (nuage de points) avant de conclure. Si la relation semble non linéaire, utiliser Spearman ou un modèle non linéaire.
❌ Erreur : Comparer des corrélations calculées sur des échantillons de tailles très différentes
💡 Pourquoi c'est faux : La significativité de r dépend de n. Un r de 0,10 peut être significatif avec n = 10 000 mais pas avec n = 30.
✅ Comment éviter : Toujours accompagner r de son test de significativité (t = r√(n-2) / √(1-r²)) et de la taille de l\'échantillon.
❌ Erreur : Utiliser le Pearson sur des données avec outliers extrêmes
💡 Pourquoi c'est faux : Le Pearson est sensible aux valeurs extrêmes : un seul point aberrant peut faire passer r de 0 à 0,8.
✅ Comment éviter : Vérifier les outliers, utiliser le Spearman (robuste aux outliers) en complément.
📝 Questions types d'examen (Licence 2)
- Calculez le coefficient de corrélation de Pearson entre deux séries de données. Interprétez le résultat et testez sa significativité.
- Pourquoi dit-on que « corrélation n\'est pas causalité » ? Illustrez avec un exemple économique de corrélation spurieuse.
- Qu\'est-ce que la corrélation partielle ? Comment permet-elle de contrôler l\'effet d\'une variable confondante ?
- Comparez le coefficient de Pearson et le coefficient de Spearman. Dans quels cas privilégier l\'un ou l\'autre ?
- Deux séries macroéconomiques non stationnaires affichent r = 0,95. Ce résultat est-il fiable ? Quels tests complémentaires effectuer ?
📌 À retenir
La corrélation (Pearson : r entre -1 et +1) mesure la relation linéaire entre deux variables. C\'est un outil descriptif puissant mais trompeur si mal interprété : corrélation n\'est jamais causalité. Les pièges majeurs sont la corrélation spurieuse (tendances communes, variables confondantes), la non-linéarité (r = 0 ne signifie pas absence de relation) et la sensibilité aux outliers. La corrélation partielle et le Spearman sont des compléments essentiels. L\'examinateur attend le calcul, l\'interprétation prudente et la capacité à identifier les sources de corrélation fallacieuse.