Calculateur de corrélation des rangs de Spearman

Calculateur de corrélation des rangs de Spearman

Populaire AI Skill PRO

Entrez le calcul

Formule

ρ=1−6∑i=1ndi2n(n2−1)di=R(Xi)−R(Yi)\rho = 1 - \frac{6 \sum_{i=1}^{n} d_i^{2}}{n\,(n^{2}-1)} \qquad d_i = R\!\left({{\text{X}_i}}\right) - R\!\left({{\text{Y}_i}}\right)
Afficher les étapes du calcul (1)
  1. ρ de Spearman (Pearson sur les rangs, avec ex æquo)

    ρ=∑(Rx,i−R‾x)(Ry,i−R‾y)∑(Rx,i−R‾x)2∑(Ry,i−R‾y)2Rx=R(X),Ry=R(Y)\rho = \frac{\sum (R_{x,i}-\bar{R}_x)(R_{y,i}-\bar{R}_y)}{\sqrt{\sum (R_{x,i}-\bar{R}_x)^{2}\;\sum (R_{y,i}-\bar{R}_y)^{2}}}\qquad R_x = R\!\left(\text{X}\right),\; R_y = R\!\left(\text{Y}\right)

    En présence d'ex æquo, ρ est la corrélation de Pearson des rangs moyens. R(X) et R(Y) sont les vecteurs de rangs, et les barres désignent leurs moyennes.

Statistiques d'utilisation

Publicité

Résultats

Corrélation des rangs de Spearman (ρ)
1
−1 (inverse parfait) à +1 (accord parfait)
Nombre de paires (n) 5
Σd² (somme des carrés des différences de rangs) 0

Signaler une erreur sur cette page

Qu'est-ce que la corrélation des rangs de Spearman ?

Le coefficient de corrélation des rangs de Spearman (ρ, « rho ») mesure la force et le sens d'une relation monotone entre deux variables. Contrairement à la corrélation de Pearson, il s'appuie sur les rangs des données plutôt que sur les valeurs brutes : il ne suppose donc ni que la relation est linéaire, ni que les données suivent une loi normale. ρ varie de −1 (classement parfaitement inverse) à 0 (aucune association monotone), jusqu'à +1 (accord parfait).

Trois petits nuages de points montrant une relation monotone croissante, décroissante et sans relation de rang
Le ρ de Spearman mesure les relations monotones : positive (ρ proche de +1), négative (ρ proche de -1) et nulle (ρ proche de 0).

Comment utiliser ce calculateur

Saisissez vos deux séries de données dans les champs X et Y, en séparant les valeurs par des virgules ou des espaces. Les deux listes doivent comporter le même nombre d'entrées (les valeurs en trop de la liste la plus longue sont ignorées). Cliquez sur « Calculer » pour obtenir ρ, le nombre de paires (\(n\)) et \(\sum d^{2}\) — la somme des carrés des différences de rangs.

La formule expliquée

Pour des données sans rangs ex æquo, ρ se calcule ainsi :

$$\rho = 1 - \frac{6 \sum d_i^{2}}{n\,(n^{2}-1)} \qquad d_i = R\!\left(\text{X}_i\right) - R\!\left(\text{Y}_i\right)$$

On classe d'abord chaque variable séparément (la plus petite valeur = rang 1). Pour chaque paire, \(d\) correspond à l'écart entre son rang en X et son rang en Y. On élève chaque \(d\) au carré, on additionne le tout, puis on l'injecte dans la formule. En présence d'ex æquo, ce raccourci devient biaisé : le calculateur bascule alors automatiquement vers la corrélation de Pearson équivalente appliquée aux rangs, en utilisant les rangs moyens pour les valeurs égales.

Publicité
Schéma montrant deux colonnes de données converties en colonnes de rangs et le carré de la différence d
Chaque valeur de X et Y est classée ; \(d\) est la différence des rangs, et \(\sum d^{2}\) alimente la formule.

Exemple détaillé

Prenons X = 10, 20, 30, 40, 50 et Y = 12, 24, 33, 44, 55. Les deux séries augmentent ensemble : chacune reçoit donc les rangs 1, 2, 3, 4, 5. Chaque \(d\) vaut 0, donc \(\sum d^{2} = 0\) et $$\rho = 1 - \frac{6 \times 0}{5 \times 24} = \mathbf{1}$$ — une relation monotone positive parfaite.

Interpréter votre résultat de ρ de Spearman

Le ρ de Spearman mesure dans quelle mesure la relation entre deux variables peut être décrite par une fonction monotone, c'est-à-dire une fonction qui croît constamment ou décroît constamment. Il varie de −1 à +1.

Signe et ampleur. Le signe indique le sens. Un ρ positif signifie que des rangs élevés de X vont généralement avec des rangs élevés de Y. Un ρ négatif signifie que des rangs élevés de X vont généralement avec des rangs faibles de Y. La valeur absolue \(|\rho|\) indique la force de l'association monotone, quel que soit son sens. ρ = −0,80 est aussi fort que ρ = +0,80.

Échelle indicative pour |ρ| (conventions uniquement ; elles varient selon les domaines, et certaines disciplines utilisent des seuils plus stricts ou plus souples) :

|ρ| Qualificatif courant
0,00–0,19 Très faible
0,20–0,39 Faible
0,40–0,59 Modérée
0,60–0,79 Forte
0,80–1,00 Très forte
  • Corrélation n'est pas causalité. Un ρ élevé montre que deux variables évoluent ensemble en rang. Il ne montre pas que l'une cause l'autre. Une troisième variable ou une simple coïncidence peut expliquer le phénomène.
  • La taille de l'échantillon compte. Avec un petit n, un ρ qui semble élevé peut facilement apparaître par hasard. Avec un grand n, même un ρ très petit peut être statistiquement significatif. Juger de la significativité nécessite un test séparé, par exemple la table des valeurs critiques ci-dessous ou une valeur p.
  • ρ = 0 ne signifie pas absence de relation. Cela signifie seulement qu'il n'y a pas de tendance monotone. Une relation en forme de U ou autrement non monotone peut produire un ρ proche de 0 ; tracez donc aussi vos données sur un graphique.

Valeurs critiques du ρ de Spearman

Le tableau présente une sélection de valeurs critiques bilatérales standard du ρ de Spearman, issues de tables couramment publiées, pour les niveaux de signification α = 0,05 et α = 0,01. Un tiret signifie qu'aucune valeur ne peut atteindre ce niveau pour cette taille d'échantillon.

n (paires) α = 0,05 α = 0,01
5 1,000 —
6 0,886 1,000
7 0,786 0,929
8 0,738 0,881
9 0,700 0,833
10 0,648 0,794
12 0,591 0,777
15 0,521 0,654
20 0,447 0,570
30 0,362 0,467

Mode d'emploi : trouvez votre n, puis comparez \(|\rho|\) à la valeur critique. Si \(|\rho|\) est égal ou supérieur à celle-ci, rejetez l'hypothèse nulle d'absence d'association à ce niveau. Si elle est plus petite, vous ne pouvez pas rejeter l'hypothèse nulle.

Grands échantillons : pour un n dépassant la table, une approximation par la loi de Student est couramment utilisée :

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

Comparez t à une distribution t de Student à \(n-2\) degrés de liberté. Les tables exactes sont préférables pour de très petits n, et les rangs ex aequo rendent toutes ces tests approximatifs.

Publicité

Étape par étape : classer des données avec ex aequo à la main

  1. Triez chaque variable séparément du plus petit au plus grand. Traitez X et Y indépendamment.
  2. Attribuez les positions 1 à n dans l'ordre trié. La plus petite valeur reçoit la position 1.
  3. Faites la moyenne des positions pour les ex aequo. Les valeurs ex aequo reçoivent chacune la moyenne des positions qu'elles occupent. Par exemple, deux valeurs ex aequo à la 2e et à la 3e place reçoivent chacune \((2+3)/2 = 2,5\). La valeur suivante reçoit alors le rang 4.
  4. Associez les rangs afin que chaque observation ait son rang X et son rang Y.
  5. Calculez ρ. Sans ex aequo, calculez \(d_i = R(X_i) - R(Y_i)\), élevez au carré et sommez pour obtenir \(\sum d_i^2\), puis utilisez \(\rho = 1 - \dfrac{6\sum d_i^{2}}{n(n^{2}-1)}\). Avec des ex aequo, le raccourci n'est qu'approximatif ; calculez donc plutôt le r de Pearson sur les paires de rangs.

Petit exemple avec un ex aequo. Prenons X = 5, 8, 8, 12 et Y = 2, 4, 3, 9.

  • Rangs de X : 5 → 1 ; les deux 8 occupent les positions 2 et 3, donc chacun reçoit 2,5 ; 12 → 4. Rangs : 1, 2,5, 2,5, 4.
  • Rangs de Y (sans ex aequo) : 2 → 1, 4 → 3, 3 → 2, 9 → 4. Rangs : 1, 3, 2, 4.
  • Les moyennes des rangs valent toutes deux 2,5. Écarts de X : −1,5, 0, 0, 1,5. Écarts de Y : −1,5, 0,5, −0,5, 1,5.
  • \(\sum xy = 2,25 + 0 + 0 + 2,25 = 4,5\), \(S_{xx} = 2,25+0+0+2,25 = 4,5\), \(S_{yy} = 2,25+0,25+0,25+2,25 = 5\).
  • $$\rho = \frac{4,5}{\sqrt{4,5 \times 5}} = \frac{4,5}{\sqrt{22,5}} \approx$$ 0,9487

Cela indique une association monotone positive très forte. Avec n = 4, toutefois, l'échantillon est trop petit pour être significatif aux niveaux usuels.

FAQ

Que signifie ρ = 0 ? Il n'existe aucune tendance monotone : lorsque X augmente, Y n'augmente ni ne diminue de manière cohérente.

En quoi diffère-t-il du r de Pearson ? Pearson mesure une association linéaire sur les valeurs brutes ; Spearman mesure une association monotone sur les rangs, ce qui le rend robuste face aux valeurs aberrantes et aux relations non linéaires (mais ordonnées).

Combien de points de données faut-il ? Un minimum de 2 paires est nécessaire pour calculer ρ, mais un plus grand nombre de paires donne une estimation de l'association bien plus fiable.

Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques