15.13
Corrélations
Correlation means that there is a relationship between two or more variables (such as ice cream consumption and crime), but this relationship does not…
Parfois, les chercheurs peuvent choisir d’interagir plus passivement avec un phénomène, plutôt que d’intervenir et de manipuler les comportements d’intérêt.
Par exemple, peut-être qu’un scientifique veut savoir s’il existe une association entre une alimentation à base de plantes et le sommeil. Dans ce cas, elle mesure quantitativement deux variables en demandant aux participants d’indiquer combien de légumes ils ont consommés ce jour-là, et plus tard, combien d’heures ils ont dormi.
Cette conception est connue sous le nom de recherche corrélationnelle, qui consiste à examiner si des relations existent entre deux variables.
Après avoir recueilli les deux séries de mesures, le chercheur peut visualiser les données de chaque unité, dans ce cas chaque personne, sur un graphique – un nuage de points – avec les variables – consommation quotidienne de légumes et quantité de sommeil – placées sur l’un ou l’autre axe.
Statistiquement, les corrélations sont déterminées en calculant le coefficient de corrélation, communément noté r, un nombre compris entre -1 et 1 qui indique la direction, le signe de l’association et sa force globale, le degré d’alignement des points.
Ici, la corrélation pourrait être positive, ce qui signifie que les deux variables évoluent dans la même direction. C’est-à-dire que les personnes qui consommaient très peu de légumes dormaient moins, tandis que d’autres qui mangeaient plus dormaient plus.
De plus, la corrélation pourrait être forte, avec une valeur proche de 1, ce qui indique que les points de données se regroupent de manière linéaire, avec très peu d’exceptions entre les individus.
Lorsque l’association comporte plus d’exceptions, le motif linéaire peut disparaître à mesure que les points de données sont étalés : la valeur absolue se rapproche de zéro et la corrélation est considérée comme faible à inexistante.
Maintenant, si les deux variables se déplacent dans la direction opposée l’une de l’autre, la corrélation serait considérée comme négative. C’est-à-dire que plus les gens consommaient de légumes, moins ils dormaient et vice versa. La force est relativement forte, étant donné que la dispersion est plutôt linéaire.
Il est important de noter que corrélation ne signifie pas causalité ! Les chercheurs devraient faire un suivi des observations pour déterminer comment les changements dans une variable provoquent des changements dans une autre.
View the full transcript and gain access to JoVE Core videos
Q1: What is a correlation coefficient and what does the r value tell us?
A correlation coefficient, denoted as r, is a number between -1 and 1 that indicates both the direction and strength of the relationship between two variables. The sign shows direction: positive means variables move together, negative means they move oppositely. The absolute value's closeness to 1 indicates strength; values near 1 show tight linear relationships, while values near zero indicate weak or nonexistent associations.
Q2: How do positive and negative correlations differ in practice?
In a positive correlation, variables move in the same direction—as one increases, the other increases too. For example, vegetable consumption and sleep hours may correlate positively. In a negative correlation, variables move oppositely; as one increases, the other decreases. The strength of either type is determined by how closely data points cluster linearly around a trend line.
Q3: Why is correlation not the same as causation?
Correlation describes a relationship between variables but does not prove that one causes the other. A third variable may actually drive both observed changes. For instance, wealth correlates with intelligence, but education—a third variable—may be the true cause. Researchers must conduct follow-up studies to establish cause and effect relationships between variables.
Q4: What does it mean when a correlation coefficient is close to zero?
When a correlation coefficient approaches zero, the relationship between two variables is weak or nonexistent. Data points scatter widely rather than clustering along a linear pattern, making it difficult to predict changes in one variable based on the other. For example, hours of sleep and shoe size would likely show a correlation near zero.
Q5: How can researchers use correlations to make predictions?
Correlations have predictive value when they are strong. For example, university admissions committees can correlate current students' college GPA with standardized test scores to predict success of applicants. The stronger the correlation observed in existing data, the more reliably researchers can forecast outcomes for new cases, though prediction accuracy decreases as correlation strength weakens.
Q6: What is a scatterplot and how does it help visualize correlations?
A scatterplot is a graph that displays data points for each unit studied, with two variables placed on separate axes. It allows researchers to visually inspect the relationship between variables. When points cluster tightly along a line, correlation is strong; when scattered widely, correlation is weak. The scatterplot's pattern reveals both direction and strength at a glance.
Q7: How does correlational research differ from experimental research methods?
Correlational research passively measures existing relationships between variables without manipulation, such as surveying vegetable consumption and sleep hours. Experimental research actively intervenes by manipulating variables to test cause and effect. Correlational designs are less invasive and useful for discovering associations, but cannot establish causation like experimental designs can.