Corrélation de Pearson ou de Spearman ? Choisir, calculer et interpréter dans son mémoire (SPSS, 2026)

Mesurer la force du lien entre deux variables continues ou ordinales est l’une des analyses les plus fréquentes dans un mémoire quantitatif — et l’une des plus mal utilisées lorsque le choix entre corrélation de Pearson et de Spearman n’est pas justifié. Ce guide détaille les conditions d’application de chaque coefficient, la procédure exacte dans SPSS, et la façon de rédiger un résultat de corrélation qui résiste à l’examen d’un jury.

1. Qu’est-ce qu’une corrélation ?

Une corrélation mesure l’intensité et la direction d’une relation entre deux variables, à l’aide d’un coefficient compris entre −1 et +1. Un coefficient proche de +1 indique que les deux variables augmentent ensemble ; proche de −1, que l’une augmente quand l’autre diminue ; proche de 0, qu’il n’existe pas de relation détectable entre elles selon la méthode utilisée.

Deux coefficients dominent la pratique en sciences humaines et sociales : le r de Pearson, qui mesure une relation strictement linéaire entre deux variables continues, et le rho de Spearman, calculé à partir des rangs des observations, qui mesure une relation monotone (pas nécessairement linéaire) et s’applique à des données ordinales ou non normalement distribuées.

2. Corrélation de Pearson : conditions d’application

La corrélation de Pearson repose sur plusieurs hypothèses qu’il convient de vérifier avant de l’utiliser :

• Variables continues (intervalle ou ratio) : un score de test, une durée, un montant — pas une variable ordinale à 5 catégories.
• Relation linéaire : vérifiable visuellement par un nuage de points (Graphes > Générateur de graphiques > Dispersion/points dans SPSS). Une relation en forme de courbe ne sera pas correctement capturée par Pearson.
• Distribution approximativement normale des deux variables, vérifiée par un test de Shapiro-Wilk.
• Absence de valeurs extrêmes influentes : Pearson est sensible aux outliers, qui peuvent gonfler ou masquer artificiellement la force d’une relation.

Pour vérifier la condition de normalité avant de choisir Pearson, notre guide sur le test de Shapiro-Wilk avec SPSS détaille la procédure complète et son interprétation.

3. Corrélation de Spearman : conditions d’application

La corrélation de Spearman est une alternative non paramétrique, plus robuste, à utiliser dans les cas suivants :

• Variables ordinales : échelles de Likert, classements, niveaux ordonnés (faible/moyen/élevé).
• Variables continues mais non normalement distribuées, ou dont la relation est monotone sans être linéaire (par exemple une progression qui ralentit).
• Présence de valeurs extrêmes : Spearman, calculé sur les rangs plutôt que sur les valeurs brutes, est beaucoup moins sensible aux outliers que Pearson.

Spearman est en pratique le choix le plus sûr par défaut dès que subsiste un doute sur la normalité des données ou la nature ordinale d’une variable — il produit rarement un résultat aberrant, contrairement à Pearson appliqué à tort sur des données qui ne remplissent pas ses conditions.

4. Comment choisir entre Pearson et Spearman

Un enchaînement simple de vérifications permet de trancher sans ambiguïté :

1. Vos deux variables sont-elles continues (intervalle/ratio) ? Si l’une des deux est ordinale, passez directement à Spearman.
2. Le test de Shapiro-Wilk est-il non significatif (p > ,05) pour les deux variables ? Si oui, la condition de normalité est respectée.
3. Le nuage de points montre-t-il une relation linéaire, sans valeurs extrêmes marquées ? Si oui aux trois conditions, utilisez Pearson.
4. Si une seule condition échoue (variable ordinale, non-normalité, relation non linéaire, ou outliers influents), utilisez Spearman.

En cas de doute, il est tout à fait acceptable de calculer les deux coefficients dans SPSS et de comparer : des résultats cohérents entre Pearson et Spearman renforcent la robustesse de votre conclusion, tandis qu’un écart important doit vous alerter sur une possible violation des conditions d’application de Pearson.

5. Calculer la corrélation dans SPSS

1. Allez dans Analyse > Corrélation > Bivariée.
2. Ajoutez les variables à corréler dans la case de droite (vous pouvez en ajouter plus de deux pour obtenir une matrice complète).
3. Dans la section « Coefficients de corrélation », cochez Pearson, Spearman, ou les deux selon votre décision préalable.
4. Choisissez le test de signification (bilatéral par défaut, sauf hypothèse directionnelle explicite justifiant un test unilatéral).
5. Validez : SPSS génère une matrice affichant le coefficient, la signification bilatérale (p) et le nombre d’observations (N) pour chaque paire de variables.

6. Interpréter la force et le sens du coefficient

La significativité (p) indique si la corrélation observée dans l’échantillon est probablement présente dans la population ; la valeur du coefficient indique la force de cette relation. Une convention largement citée en sciences sociales, issue des travaux de Jacob Cohen, propose les seuils indicatifs suivants pour une valeur absolue du coefficient : autour de 0,10 pour une corrélation faible, 0,30 pour une corrélation modérée, et 0,50 et au-delà pour une corrélation forte.

Ces seuils restent indicatifs et doivent être lus en contexte disciplinaire : une corrélation de 0,25 peut être considérée comme notable dans certains champs des sciences sociales où les relations entre variables humaines sont rarement très fortes. Ne confondez jamais un coefficient élevé avec un pourcentage de variance expliquée : c’est le coefficient au carré (r² ou rho²) qui exprime la part de variance partagée entre les deux variables.

7. Matrice de corrélations et corrélation partielle

Dès qu’un mémoire mobilise plus de deux variables continues, SPSS permet de générer directement une matrice de corrélations en ajoutant l’ensemble des variables dans la même boîte de dialogue Corrélation bivariée : chaque case du tableau croise une paire de variables avec son coefficient, sa significativité et son N. Cette vue d’ensemble est utile pour repérer rapidement les relations les plus fortes avant de choisir lesquelles approfondir dans le corps du mémoire, mais elle multiplie aussi le risque de faux positifs statistiques (plus vous testez de paires, plus il est probable qu’une corrélation ressorte comme significative par hasard) — à mentionner en limite méthodologique si votre matrice comporte de nombreuses variables.

Si vous soupçonnez qu’une troisième variable influence la relation observée entre vos deux variables d’intérêt, la corrélation partielle (Analyse > Corrélation > Partielle dans SPSS) permet de contrôler statistiquement l’effet de cette variable tierce et d’examiner si la relation initiale subsiste une fois cet effet neutralisé. C’est une étape souvent attendue dès qu’une variable confondante plausible (l’âge, l’ancienneté, le niveau socio-économique) peut expliquer une partie de la corrélation entre vos deux variables principales.

8. Rédiger la section résultats

Précisez toujours dans votre partie méthodologie pourquoi vous avez choisi l’un ou l’autre coefficient — cette justification méthodologique, courte mais explicite, est souvent ce qui distingue une analyse statistique jugée rigoureuse d’une analyse jugée mécanique par un jury.

9. Erreurs fréquentes : corrélation n’est pas causalité

• Conclure à une causalité à partir d’une corrélation : une association statistique, même forte et significative, ne prouve jamais qu’une variable cause l’autre. Une variable confondante non mesurée peut expliquer l’association observée entre les deux variables étudiées.
• Utiliser Pearson sans vérifier la normalité : une erreur fréquente qui peut biaiser artificiellement la force du coefficient obtenu, en particulier avec un petit échantillon.
• Interpréter r directement comme un pourcentage de variance expliquée, sans l’élever au carré.
• Ignorer une relation non linéaire visible sur le nuage de points : Pearson peut afficher un coefficient proche de 0 alors qu’une relation forte mais courbe existe réellement entre les deux variables — un cas où Spearman ou une analyse de régression non linéaire s’impose.
• Multiplier les tests sans correction : générer une grande matrice de corrélations et ne commenter que les résultats significatifs, sans mentionner le nombre total de tests réalisés, fausse la lecture de vos résultats par le jury.

Si votre analyse porte sur plusieurs variables corrélées entre elles, une analyse en composantes principales (ACP) permet de synthétiser ces relations en un nombre réduit de facteurs. Et si votre objectif dépasse la simple mesure d’association pour chercher à prédire une variable catégorielle à partir d’autres variables, notre guide sur la régression logistique binaire avec SPSS est l’étape naturelle suivante. Pour comparer SPSS à des alternatives gratuites comme JASP ou Jamovi avant de vous lancer dans ces analyses, consultez notre comparatif JASP vs Jamovi vs SPSS. Si vous devez d’abord clarifier le choix global de votre approche avant de descendre au niveau d’un test précis, il est utile de poser d’abord les bases épistémologiques de votre méthodologie de recherche. Pour la rédaction de la justification méthodologique de votre choix de coefficient, Tesify peut vous aider à formuler cette section dans un style académique cohérent avec le reste de votre mémoire.

FAQ — Questions fréquentes

Sources et références

• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2e éd.). Lawrence Erlbaum Associates — référence académique des seuils conventionnels d’interprétation de la taille des coefficients de corrélation.
• IBM SPSS Statistics — Documentation officielle : procédure Corrélation bivariée.