Calculatrice gratuite Editverse

Calculateur de corrélation partielle

Mesurez l'association entre deux variables après avoir neutralisé l'influence d'une ou plusieurs autres (le coefficient de corrélation partielle et sa p-valeur) et copiez la commande R exacte associée au résultat. Un guide d'interprétation complet est fourni ci-dessous. Validé avec R 4.3.3.

En mots simples

Une corrélation partielle mesure la force du lien entre deux variables une fois l'effet d'une ou plusieurs variables de contrôle neutralisé. Elle élimine l'influence commune d'un facteur de confusion, révélant ainsi si la relation persiste après la prise en compte de ce facteur.

Par exemple, la taille et les capacités de lecture sont corrélées chez l'enfant, principalement parce qu'elles augmentent toutes deux avec l'âge. En neutralisant l'effet de l'âge, cette corrélation tend généralement vers zéro, ce qui indique que le lien initial était largement biaisé. La corrélation partielle explicite cet ajustement et quantifie l'influence résiduelle.

Quand utiliser la corrélation partielle

Utilisez la corrélation partielle lorsque vous soupçonnez qu'une troisième variable amplifie ou masque la relation entre deux autres, et que vous souhaitez obtenir l'association nette de ce facteur de confusion. Elle est l'équivalent, en matière de corrélation, d'un coefficient ajusté en régression multiple.

N'oubliez pas que la corrélation partielle effectue un contrôle statistique, et non expérimental ; elle ne permet pas d'établir de lien de causalité, et un facteur de confusion non contrôlé peut toujours influencer le résultat. Indiquez-la avec son intervalle de confiance et précisez les variables neutralisées. Dans le cas simple à deux variables sans contrôle, utilisez plutôt notre calculateur de corrélation . Vous hésitez ? Notre outil de sélection de test peut vous aider.

Corrélation partielle Corrélation XY contrôlant Z · validée vs R 4.3.3
Mode d'emploi

Quand l'utiliser. Estimer l'association entre X et Y après avoir supprimé l'effet linéaire d'une troisième variable Z (un facteur de confusion).

Hypothèses : relations linéaires ; variables approximativement normales ; Z est mesuré sans erreur.

Erreurs fréquentes. La corrélation partielle ne prouve pas que Z est un facteur de confusion ni que X cause Y. En présence de plusieurs covariables, utilisez une régression multiple.

Exemple concret

Cliquez sur « Charger les données d'exemple » ci-dessus, puis sur « Lancer l'analyse » pour afficher un résultat complet avec figure, formule et interprétation pour ce test.

Références
  1. Kim S. ppcor : un package R pour un calcul rapide des coefficients de corrélation semi-partielle. Commun Stat Appl Methods. 2015 ;22(6) :665-674.

Exemples travaillés

Exemple 1 — Suppression d'un facteur de confusion

Deux variables présentent une corrélation de r = 0.60. Après avoir neutralisé l'influence d'une troisième variable liée aux deux, la corrélation partielle chute à 0.18. La majeure partie de l'association initiale était due au facteur de confusion ; seule une faible relation directe subsiste une fois ce facteur neutralisé.

Exemple 2 — Une relation qui survit

Si le coefficient de corrélation r (0.60) ne chute qu'à 0.52 après ajustement pour la troisième variable, l'association est largement indépendante de ce facteur de confusion. La relation est robuste à cet ajustement particulier, même si d'autres variables non mesurées pourraient encore intervenir.

Hypothèses à vérifier

Relations linéaires. La corrélation partielle met en évidence l'association linéaire après ajustement. Les relations non linéaires ne sont pas représentées et peuvent nécessiter une transformation ou une autre méthode.

Variables continues, approximativement normales. La corrélation partielle usuelle et son test supposent des variables continues approximativement normales ; pour des données ordinales ou non normales, une corrélation partielle basée sur les rangs est plus appropriée.

Le choix des variables de contrôle appropriées est crucial. La qualité des résultats dépend de celle des variables neutralisées. Omettre un facteur de confusion pertinent le laisse dans l'estimation ; contrôler une variable sur le chemin causal peut supprimer un effet réel.

Erreurs courantes

Interpréter la corrélation partielle comme preuve de causalité

Le contrôle statistique n'est pas un contrôle expérimental. Une corrélation partielle persistante est compatible avec un effet direct, mais ne le prouve pas.

Contrôle de l'effet d'un médiateur

Supprimer une variable située sur le chemin causal entre les deux variables d'intérêt peut fausser un effet réel. Choisissez les variables de contrôle sur la base de critères substantiels, et non automatiques.

Omission d'un facteur de confusion clé

La corrélation partielle ne tient compte que des variables incluses. Une relation qui semble directe peut néanmoins être influencée par un facteur de confusion non mesuré.

Utilisation de la corrélation partielle de Pearson sur des données non normales

Pour les variables asymétriques ou ordinales, le test de normalité n'est pas fiable. Il est préférable d'utiliser une corrélation partielle basée sur les rangs.

Questions fréquemment posées

En quoi la corrélation partielle diffère-t-elle de la corrélation ordinaire ?

La corrélation ordinaire mesure l'association brute entre deux variables ; la corrélation partielle la mesure après avoir éliminé l'influence linéaire d'une ou plusieurs variables de contrôle.

Une corrélation partielle peut-elle prouver qu'un facteur de confusion explique une relation ?

Cela peut montrer que l'association disparaît en grande partie après ajustement, ce qui est suggestif, mais cela ne peut pas prouver la causalité ni exclure d'autres facteurs de confusion non mesurés.

Qu'est-ce que la corrélation semi-partielle (partielle) ?

La corrélation semi-partielle élimine l'influence de la variable de contrôle sur une seule des deux variables, tandis que la corrélation partielle l'élimine sur les deux.

Le résultat correspond-il à celui obtenu avec R et SPSS ?

Oui. La calculatrice utilise la formule standard de corrélation partielle et le test de signification, et affiche la commande R (ppcor::pcor) afin que vous puissiez reproduire le coefficient et la p-valeur.

Références

  1. Kim S. Méthodes de calcul de la valeur p pour les coefficients de corrélation semi-partielle. Méthodes d'application des statistiques communes. 2022;29(3):397–402. PMID 35756137.
  2. Epskamp S, Fried EI. Un tutoriel sur les réseaux de corrélation partielle régularisés. Méthodes Psychol. 2019;23(4):617–634. PMID 29595293.
  3. Cohen J, Cohen P, West SG, Aiken LS. Analyse de régression/corrélation multiple appliquée aux sciences du comportement. 3e éd. Mahwah, NJ : Erlbaum ; 2003.

Besoin de cette analyse pour votre manuscrit ?

Nos biostatisticiens titulaires d'un doctorat modélisent les associations ajustées — corrélations partielles et régression multivariée avec intervalles de confiance — et fournissent des tableaux prêts à être publiés avec une sortie R reproductible.

Obtenez l'aide d'experts en statistiques