12. Analyse de corrélation
183
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
150
200
250
300
350
400
0 100
300
500
pyruvate
créatine
(a) Pearson: 0.48 Spearman: 0.34
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
150
200
250
300
350
400
3.5
4.5
5.5
6.5
pyruvate
Log créatine
(c) Pearson: 0.38 Spearman: 0.34
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
20
40
60
80
100
0 100
300
500
lactate
créatine
(b) Pearson: 0.8 Spearman: 0.61
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
2.5
3.0
3.5
4.0
4.5
3.5
4.5
5.5
6.5
Log lactate
Log créatine
(d) Pearson: 0.66 Spearman: 0.61
Figure 12.10 – Corrélations avec données originales et transformées.
Bien qu’il n’y ait pas ici de valeur aberrante évidente, la corrélation de Pearson est bien plus élevée que celle de Spearman (0.48 versus 0.34). En projetant
les données sur l’axe vertical, on remarque cependant une asymétrie prononcée
de la distribution de la créatine. Une transformation logarithmique de la créatine nous rapproche de la binormalité, comme illustré sur le graphique (c), où
la corrélation de Pearson se trouve relativement proche de celle de Spearman
(0.28 versus 0.34, cette dernière étant invariante par transformation monotone). Ainsi, la corrélation de Spearman calculée sur les données originales du
graphique (a) constitue une bonne approximation de la corrélation de Pearson
obtenue dans le graphique (c) après transformation des données vers la binormalité. Le graphique (b) nous montre par ailleurs la relation entre la créatine
et le lactate. Ici aussi, la corrélation de Pearson est nettement plus élevée que
celle de Spearman (0.80 versus 0.61) alors que les deux corrélations sont plus
semblables dans le graphique (d) (0.66 versus 0.61), où l’on a effectué une
transformation logarithmique des deux variables afin de nous rapprocher de la
binormalité. Ici aussi, la corrélation de Spearman calculée sur les données originales du graphique (b) constitue une bonne approximation de la corrélation de
Pearson obtenue dans le graphique (d) après transformation des données vers
la binormalité.
183
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
150
200
250
300
350
400
0 100
300
500
pyruvate
créatine
(a) Pearson: 0.48 Spearman: 0.34
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
150
200
250
300
350
400
3.5
4.5
5.5
6.5
pyruvate
Log créatine
(c) Pearson: 0.38 Spearman: 0.34
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
20
40
60
80
100
0 100
300
500
lactate
créatine
(b) Pearson: 0.8 Spearman: 0.61
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
2.5
3.0
3.5
4.0
4.5
3.5
4.5
5.5
6.5
Log lactate
Log créatine
(d) Pearson: 0.66 Spearman: 0.61
Figure 12.10 – Corrélations avec données originales et transformées.
Bien qu’il n’y ait pas ici de valeur aberrante évidente, la corrélation de Pearson est bien plus élevée que celle de Spearman (0.48 versus 0.34). En projetant
les données sur l’axe vertical, on remarque cependant une asymétrie prononcée
de la distribution de la créatine. Une transformation logarithmique de la créatine nous rapproche de la binormalité, comme illustré sur le graphique (c), où
la corrélation de Pearson se trouve relativement proche de celle de Spearman
(0.28 versus 0.34, cette dernière étant invariante par transformation monotone). Ainsi, la corrélation de Spearman calculée sur les données originales du
graphique (a) constitue une bonne approximation de la corrélation de Pearson
obtenue dans le graphique (c) après transformation des données vers la binormalité. Le graphique (b) nous montre par ailleurs la relation entre la créatine
et le lactate. Ici aussi, la corrélation de Pearson est nettement plus élevée que
celle de Spearman (0.80 versus 0.61) alors que les deux corrélations sont plus
semblables dans le graphique (d) (0.66 versus 0.61), où l’on a effectué une
transformation logarithmique des deux variables afin de nous rapprocher de la
binormalité. Ici aussi, la corrélation de Spearman calculée sur les données originales du graphique (b) constitue une bonne approximation de la corrélation de
Pearson obtenue dans le graphique (d) après transformation des données vers
la binormalité.