Lernzettel: Mesure de la liaison en économie

📋 Plan du Cours

1. Liaison fonctionnelle univoque
2. Indépendance empirique
3. Liaison relative
4. Covariance empirique
5. Coefficient de corrélation linéaire
6. Courbes de régression
7. Variance conditionnelle
8. Liaison linéaire et corrélation
9. Mesure de la liaison en économie
10. Décomposition de la variance

📖 1. Liaison fonctionnelle univoque

🔑 Notions clés & Définitions

• Liaison fonctionnelle univoque : Deux variables X et Y sont liées de telle sorte que, pour chaque modalité de X, il existe une seule modalité correspondante de Y, et réciproquement, permettant de déterminer l’une à partir de l’autre sans ambiguïté.

• Caractérisation par tableau de contingence : La liaison univoque se repère dans un tableau où, pour chaque modalité de X, une seule case est remplie (effectifs non nuls), associée à une unique modalité de Y, et vice versa, ce qui implique que chaque ligne ou colonne ne comporte qu’une seule modalité effective.

• Conséquences sur les variances conditionnelles : La liaison univoque entraîne que les variances conditionnelles de X et Y, conditionnées à l’autre variable, sont nulles, car la valeur de l’une détermine précisément celle de l’autre (Ayouni (année)).

📝 Points essentiels

• La liaison fonctionnelle univoque permet de connaître la modalité de Y à partir de celle de X, et réciproquement, sans aucune incertitude, ce qui est illustré par des exemples concrets comme la relation entre altitude et température ou le montant d’argent de poche en fonction de la famille (source : Ayouni).

• Dans un tableau de contingence, cette liaison se manifeste par la présence d’un seul effectif non nul dans chaque ligne ou colonne, correspondant à une unique modalité de l’autre variable, ce qui indique une relation déterministe (source : Ayouni).

• La conséquence statistique est que les variances conditionnelles de X et Y, conditionnées à l’autre, sont nulles, car la valeur de l’une est entièrement déterminée par l’autre, éliminant toute incertitude (source : Ayouni).

💡 À retenir

La liaison fonctionnelle univoque établit une relation déterministe entre deux variables, permettant de déduire l’une de l’autre sans incertitude, ce qui se traduit par des variances conditionnelles nulles et une représentation claire dans un tableau de contingence.

📖 2. Indépendance empirique

🔑 Notions clés & Définitions

• Indépendance empirique : Deux variables sont indépendantes dans un échantillon si la connaissance de la modalité de l’une n’apporte aucune information sur la modalité de l’autre. Autrement dit, leur relation ne présente pas de lien statistique observable dans les données.

• Caractérisation par tableau de contingence : Deux variables sont indépendantes si, dans leur tableau de contingence, les distributions conditionnelles sont identiques aux distributions marginales. Cela signifie que, pour toute modalité xi de X, la distribution de Y conditionnelle à xi est la même que la distribution marginale de Y, et vice versa.

• Conséquences sur les moyennes conditionnelles et marginales : Lorsque deux variables sont indépendantes, leurs moyennes conditionnelles sont égales à leurs moyennes marginales. En particulier, pour toute modalité yj de Y, ¯X|j = ¯X, et pour toute modalité xi de X, ¯Y|i = ¯Y.

• Formule d’indépendance : La relation formelle qui caractérise l’indépendance empirique entre deux variables X et Y dans un tableau de contingence est donnée par :
  $n_{ij} = \frac{n_{i•} \times n_{•j}}{n_{••}}$ où $n_{ij}$ est l’effectif conjoint pour la modalité xi de X et yj de Y, $n_{i•}$ et $n_{•j}$ sont les effectifs marginaux, et $n_{••}$ est l’effectif total.

• Exemple d’application : La relation entre sexe et durée de pause dans une entreprise, où l’indépendance empirique signifierait que la durée de pause ne dépend pas du sexe, et vice versa.

📖 3. Liaison relative

🔑 Notions clés & Définitions

• Liaison relative : Relation entre deux variables X et Y où connaître la valeur de X fournit une information partielle sur Y, sans permettre de déterminer précisément Y. La connaissance de X réduit l’incertitude sur Y, mais n’élimine pas cette incertitude.
• Caractérisation : La liaison est caractérisée par une dépendance partielle, c’est-à-dire que la connaissance de X donne une idée de la fourchette ou de la valeur probable de Y, sans précision absolue.
• Exemple économique : La relation entre le PIB et la consommation agrégée, où connaître le PIB permet d’estimer la consommation dans une fourchette, mais pas avec certitude.
• Interprétation : La liaison est non univoque mais informative, ce qui signifie qu’elle apporte une indication sur la valeur de Y, sans la déterminer exactement.
• Différence avec la liaison fonctionnelle univoque : La liaison fonctionnelle univoque permet de connaître Y précisément à partir de X, tandis que la liaison relative n’offre qu’une information partielle.
• Différence avec l’absence de liaison : En absence de liaison, connaître X ne donne aucune information sur Y, contrairement à la liaison relative où X informe partiellement sur Y.

📖 4. Covariance empirique

🔑 Notions clés & Définitions

• Covariance empirique : mesure de la relation linéaire entre deux variables quantitatives calculée à partir des données observées, permettant d’évaluer si les deux variables ont tendance à augmenter ou diminuer ensemble.
  Source : Ayouni (support de cours, semestre 2).

• Calcul de la covariance à partir des données empiriques : formule qui consiste à faire la moyenne des produits des écarts à la moyenne de chaque variable pour chaque observation, soit :
  $\text{Cov}(X,Y) = \frac{1}{n} \sum_{i=1}^n (x_i - \bar{x})(y_i - \bar{y})$
  où $x_i, y_i$ sont les valeurs observées et $\bar{x}, \bar{y}$ leurs moyennes respectives.
  Source : Ayouni (support de cours).

• Interprétation de la covariance : signe et intensité du lien linéaire :

  • Signe : positif si les deux variables ont tendance à augmenter ensemble, négatif si l’une augmente quand l’autre diminue.
  • Intensité : la magnitude indique la force du lien linéaire ; une covariance proche de zéro suggère une faible relation.
    Source : Ayouni (support de cours).

• Lien avec la variance et la moyenne des variables : la covariance est liée à la variance par la formule de la covariance en tant que mesure de la dispersion conjointe, et peut s’interpréter en relation avec la moyenne pour comprendre la direction du lien.
  Source : Ayouni (support de cours).

• Utilisation pour mesurer la liaison linéaire : la covariance empirique sert à quantifier la force et la direction du lien linéaire entre deux variables, mais nécessite souvent d’être normalisée (par le coefficient de corrélation) pour une interprétation standardisée.
  Source : Ayouni (support de cours).

📝 Points essentiels

• La covariance empirique est une extension de la notion de variance à deux variables, permettant d’évaluer leur relation linéaire à partir des données observées.
• Son calcul repose sur la moyenne des produits des écarts à la moyenne, ce qui reflète si les deux variables ont tendance à s’éloigner ou à se rapprocher simultanément.
• La covariance positive indique une relation directe, négative une relation inverse, et proche de zéro une absence de lien linéaire significatif.
• La covariance est liée à la variance par la formule : $\text{Cov}(X,Y) = E[(X - E[X])(Y - E[Y])]$.
• Elle est souvent utilisée comme étape dans le calcul du coefficient de corrélation linéaire, qui normalise la covariance pour une interprétation plus intuitive.
• La covariance ne permet pas à elle seule de mesurer la force relative du lien sans être normalisée, car sa valeur dépend des unités de mesure des variables.

💡 À retenir

La covariance empirique quantifie la tendance linéaire entre deux variables, en indiquant si elles évoluent dans le même sens ou en sens inverse, mais doit être complétée par la normalisation pour une interprétation standardisée.

📖 5. Coefficient de corrélation linéaire

🔑 Notions clés & Définitions

• Coefficient de corrélation linéaire : Mesure normalisée de la force et du sens de la liaison linéaire entre deux variables quantitatives, généralement noté r ou ρ. Il indique dans quelle mesure deux variables varient ensemble de façon linéaire.
  Source : "Le coefficient de corrélation linéaire est une mesure qui quantifie la force et la direction d’une relation linéaire entre deux variables quantitatives." (support de cours)

• Formule de calcul : Le coefficient de corrélation linéaire se calcule à partir de la covariance entre deux variables X et Y, divisée par le produit de leurs écarts-types :
  $r_{XY} = \frac{\text{Cov}(X,Y)}{\sigma_X \times \sigma_Y}$
  où $\text{Cov}(X,Y)$ est la covariance empirique, et $\sigma_X, \sigma_Y$ sont les écarts-types de X et Y.
  Source : "Le coefficient de corrélation linéaire est défini comme le rapport de la covariance empirique sur le produit des écarts-types." (support de cours)

• Lien avec la covariance empirique : La covariance empirique, notée $\text{Cov}(X,Y)$, est la composante centrale du calcul du coefficient de corrélation. Elle mesure la tendance conjointe de X et Y à varier ensemble. La normalisation par les écarts-types permet d’obtenir une mesure sans unité, comprise entre -1 et 1.
  Source : "Le coefficient de corrélation est directement lié à la covariance empirique par une normalisation qui permet d’obtenir une mesure standardisée." (support de cours)

📝 Points essentiels

• La valeur du coefficient de corrélation varie entre -1 et 1, où -1 indique une liaison linéaire négative parfaite, 0 aucune liaison linéaire, et +1 une liaison positive parfaite.
• La normalisation par les écarts-types permet d’interpréter la force de la liaison indépendamment des unités de mesure des variables.
• La covariance empirique, utilisée dans la formule, est calculée à partir des données observées et reflète la tendance conjointe des deux variables.
• La mesure du coefficient de corrélation est essentielle pour diagnostiquer la force et le sens de la relation linéaire entre deux variables quantitatives, notamment dans l’analyse économique.
• La valeur du coefficient ne donne pas d’information sur la causalité ou la nature non linéaire de la relation.

💡 À retenir

Le coefficient de corrélation linéaire, compris entre -1 et 1, normalise la covariance pour mesurer la force et la direction d’une liaison linéaire entre deux variables, en étant directement lié à la covariance empirique.

📖 6. Courbes de régression

🔑 Notions clés & Définitions

• Courbe de régression de Y en X : Représentation graphique des moyennes conditionnelles de Y pour chaque modalité xi de X, tracée en fonction de ces modalités. Elle permet d’observer comment la moyenne de Y varie en fonction de X. (source : Mehdi Ayouni)

• Utilisation des moyennes conditionnelles : Méthode consistant à calculer la moyenne de Y pour chaque valeur ou modalité de X, afin de construire la courbe de régression. Elle synthétise la relation entre X et Y en un seul indicateur graphique. (source : Mehdi Ayouni)

• Interprétation des courbes de régression : Analyse visuelle permettant de déduire le type de liaison entre X et Y : liaison fonctionnelle univoque (courbes confondues), absence de liaison (courbes horizontales ou verticales), ou liaison relative (courbes allongées sans alignement précis). (source : Mehdi Ayouni)

📝 Points essentiels

• La courbe de régression de Y en X est construite en traçant, pour chaque xi, la moyenne conditionnelle de Y, notée ¯Y|X=xi. Elle permet d’observer la tendance de Y en fonction de X, et de détecter la nature de leur relation. (source : Mehdi Ayouni)

• Lorsqu’il existe une liaison fonctionnelle univoque, la courbe de régression de Y en X et celle de X en Y se confondent, car chaque valeur de X ou Y correspond à une seule valeur de l’autre. (source : Mehdi Ayouni)

• En cas d’absence de liaison, les moyennes conditionnelles sont constantes, et les courbes de régression sont horizontales (pour Y en X) ou verticales (pour X en Y). Cela indique une indépendance entre les deux variables. (source : Mehdi Ayouni)

• La représentation graphique des courbes de régression permet de diagnostiquer visuellement le type de liaison : confondues pour une liaison fonctionnelle, horizontales ou verticales pour l’absence de liaison, ou allongées pour une liaison relative. (source : Mehdi Ayouni)

💡 À retenir

Les courbes de régression, construites à partir des moyennes conditionnelles, offrent un outil visuel essentiel pour identifier et caractériser la nature du lien entre deux variables quantitatives, qu’il soit univoque, absent ou relatif.

📖 7. Variance conditionnelle

🔑 Notions clés & Définitions

• Variance conditionnelle d’une variable donnée une modalité de l’autre variable : La variance de la variable X lorsque la modalité de Y est fixée à yj, notée $V_{X|Y=y_j}$, mesure la dispersion de X parmi les individus ayant cette modalité de Y (source : Mehdi Ayouni).
• Conséquences de la liaison fonctionnelle univoque : Lorsque deux variables sont liées par une liaison fonctionnelle univoque, les variances conditionnelles de X (ou Y) sont nulles, indiquant une absence de dispersion autour de la valeur déterminée par l’autre variable (source : Mehdi Ayouni).
• Lien avec la variance intra-groupe et inter-groupe : La variance intra-groupe correspond à la variance de X (ou Y) à l’intérieur de chaque groupe défini par une modalité de l’autre variable. En cas de liaison fonctionnelle univoque, cette variance intra-groupe est nulle, tandis que la variance inter-groupe, liée à la dispersion des moyennes conditionnelles, est maximale (source : Mehdi Ayouni).
• Utilisation pour caractériser la nature du lien entre variables : La décomposition de la variance en composantes intra-groupe et inter-groupe permet d’évaluer l’intensité de la liaison entre deux variables, notamment par le rapport de corrélation ($\eta^2_{X|Y}$), qui indique si la liaison est forte ou faible (source : Mehdi Ayouni).

📖 8. Liaison linéaire et corrélation

🔑 Notions clés & Définitions

• Liaison linéaire : Relation entre deux variables quantitatives X et Y caractérisée par une équation de la forme Y = aX + b, où a et b sont des constantes. Elle indique que la variation de Y est proportionnelle à celle de X. La liaison est dite linéaire si cette relation peut être approximée par une droite dans un nuage de points.

• Covariance : Mesure de la variation conjointe de deux variables X et Y. Elle est définie par PERROUX (date) comme la moyenne des produits des écarts à la moyenne : Cov(X,Y) = E[(X - E[X]) (Y - E[Y])]. Son signe indique la direction de la liaison : positive, négative ou nulle.

• Coefficient de corrélation linéaire : Noté r ou ρ, il est défini par PERROUX (date) comme la covariance normalisée par les écarts-types : r = Cov(X,Y) / (σ_X * σ_Y). Il mesure la force et la direction de la liaison linéaire, avec une valeur entre -1 et 1.

• Lien entre covariance, coefficient de corrélation et liaison linéaire : La covariance indique la direction et l'intensité brute du lien, tandis que le coefficient de corrélation, en étant normalisé, permet d’évaluer la force relative de cette liaison. Une corrélation proche de ±1 indique une liaison linéaire forte, tandis qu’une valeur proche de 0 indique une absence de lien linéaire.

• Interprétation économique de la corrélation linéaire : En économie, une forte corrélation positive entre deux variables (ex : revenu et consommation) suggère une relation directe et proportionnelle, facilitant la prévision ou la modélisation. Une corrélation négative indique une relation inverse, comme entre nombre de policiers et infractions.

📝 Points essentiels

• La liaison linéaire est une relation précise où la variation d’une variable entraîne une variation proportionnelle de l’autre, représentée graphiquement par une droite dans un nuage de points.

• La covariance (voir PERROUX (date)) quantifie la tendance conjointe de deux variables à évoluer dans le même sens ou dans des sens opposés, mais sa valeur seule est difficile à interpréter sans normalisation.

• Le coefficient de corrélation linéaire permet de mesurer la force et la direction de cette relation, avec une valeur allant de -1 (liaison négative parfaite) à +1 (liaison positive parfaite). La formule standard est r = Cov(X,Y) / (σ_X * σ_Y).

• La relation entre covariance et corrélation : La corrélation est la covariance divisée par le produit des écarts-types, ce qui la rend sans unité et comparable entre différentes paires de variables.

• La différence entre liaison linéaire et liaison fonctionnelle univoque : La liaison linéaire indique une relation proportionnelle approximative, alors que la liaison fonctionnelle univoque est une relation exacte où connaître X permet de déterminer Y sans erreur.

• En économie, une corrélation forte entre deux variables indique une relation potentiellement causale ou une dépendance forte, mais ne prouve pas la causalité.

💡 À retenir

La liaison linéaire, mesurée par la corrélation, est un outil essentiel pour quantifier la force d’une relation entre deux variables économiques, permettant d’évaluer la proportionnalité et la direction de leur lien.

📖 9. Mesure de la liaison en économie

🔑 Notions clés & Définitions

• Mesure quantitative de la liaison : Outil permettant d’évaluer l’intensité et la nature du lien entre deux variables économiques, notamment par le calcul du rapport de corrélation ou de la covariance empirique, afin de quantifier la force de leur relation (voir section 2.1).

• Outils statistiques dans un contexte économique : Méthodes telles que la décomposition de la variance, le calcul des moyennes conditionnelles, et la représentation par courbes de régression, qui facilitent l’analyse et la quantification des relations entre variables économiques (voir section 2).

• Liaison relative : Type de lien où connaître une variable (X) donne une indication partielle mais non déterminante sur une autre variable (Y). Elle se caractérise par une relation non univoque, illustrée par la forme allongée du nuage de points ou par des courbes de régression non linéaires, comme dans l’exemple PIB-consommation (voir section 1.3).

• Exemples d’application : La relation entre le PIB et la consommation, ou entre l’âge et le salaire, illustrant l’utilisation concrète des outils statistiques pour mesurer la liaison entre variables quantitatives ou qualitatives dans des contextes économiques variés (voir introduction).

• Lien avec les concepts statistiques généraux : La mesure de la liaison s’appuie sur des notions comme la variance, la covariance, et la corrélation, qui permettent d’évaluer quantitativement la force et la direction du lien entre deux caractères, en intégrant la décomposition de la variance et les courbes de régression (voir section 2).

📝 Points essentiels

• La décomposition de la variance permet d’évaluer l’intensité de la liaison entre deux variables en séparant la variance intra-groupe (liée à la variabilité au sein des modalités) et la variance inter-groupes (liée à la variabilité entre les moyennes conditionnelles). La proximité de la variance inter-groupes avec la variance totale indique une liaison forte, comme dans le cas d’une liaison fonctionnelle univoque où cette variance est nulle (voir section 2.1).

• Le rapport de corrélation (noté η²) quantifie la force de la liaison entre deux variables, variant entre 0 (absence de liaison) et 1 (liaison forte). Il est calculé comme le rapport entre la variance inter-groupes et la variance totale de la variable quantitative X, conditionnée par Y (voir section 2.1).

• La courbe de régression représente la moyenne conditionnelle de Y en fonction de X (ou inversement), permettant de diagnostiquer visuellement le type de liaison : une courbe confondue avec une droite indique une liaison fonctionnelle univoque, une ligne horizontale indique une absence de liaison, et une forme allongée montre une liaison relative (voir section 2.2).

• La mesure de la liaison en économie est essentielle pour comprendre la dépendance entre variables telles que le PIB et la consommation, ou entre l’âge et le salaire, afin d’éclairer les décisions économiques et d’orienter les politiques publiques ou stratégiques.

💡 À retenir

La quantification de la liaison entre variables économiques à l’aide d’outils statistiques permet d’évaluer la force, la nature et la signification de leurs relations, facilitant ainsi une analyse précise et pertinente des phénomènes économiques.

📖 10. Décomposition de la variance

🔑 Notions clés & Définitions

• Variance totale : mesure de la dispersion globale d’une variable dans un ensemble de données, décomposée en composantes intra- et inter-groupes (voir section 2.1).
• Variance inter-groupes : partie de la variance totale expliquée par la différence entre les moyennes conditionnelles de la variable selon les groupes ou modalités de l’autre variable (voir section 2.1).
• Variance intra-groupe : variance résiduelle au sein de chaque groupe ou modalité, lorsque la variance inter-groupes est nulle ou faible (voir section 2.1).
• Lien avec variances conditionnelles et marginales : la décomposition repose sur la relation entre variances conditionnelles (au sein des groupes) et la variance marginale (globale), comme le souligne PERROUX (date).
• Point à retenir : La décomposition de la variance permet d’évaluer la force du lien entre deux variables en comparant la variance inter-groupes à la variance totale, notamment via le rapport de corrélation (voir section 2.1).

📅 Repères chronologiques

Date	Événement
Année non précisée	Définition de la liaison fonctionnelle univoque par Ayouni
Année non précisée	Formalisation de l’indépendance empirique par Ayouni
Année non précisée	Introduction de la liaison relative dans la relation entre variables
Année non précisée	Définition de la covariance empirique par Ayouni
Année non précisée	Utilisation du coefficient de corrélation linéaire dans l’analyse statistique

📊 Tableaux de Synthèse

Thème	Notions clés	Caractéristiques	Auteur / Source
Liaison fonctionnelle univoque	Relation déterministe, variances conditionnelles nulles	Tableau de contingence avec une seule modalité par ligne/colonne	Ayouni
Indépendance empirique	Absence de lien statistique, distributions conditionnelles = marges	$n_{ij} = \frac{n_{i•} \times n_{•j}}{n_{••}}$	Ayouni
Liaison relative	Relation partielle, information incomplète	Connaissance partielle de Y à partir de X	-
Covariance empirique	Mesure de la relation linéaire, signe et intensité	$\text{Cov}(X,Y) = \frac{1}{n} \sum (x_i - \bar{x})(y_i - \bar{y})$	Ayouni
Coefficient de corrélation	Normalisation de la covariance, valeur entre -1 et 1	$r_{XY} = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y}$	-

⚠️ Pièges & Confusions Fréquentes

1. Confondre liaison fonctionnelle univoque et indépendance : la première implique une relation déterministe, la seconde aucune relation statistique.
2. Croire que covariance nulle signifie indépendance : ce n’est vrai que pour des variables linéairement liées.
3. Confondre liaison relative et liaison fonctionnelle univoque : la première est partielle, la seconde déterministe.
4. Omettre que la covariance dépend des unités de mesure des variables.
5. Confondre covariance et coefficient de corrélation : la covariance n’est pas normalisée.
6. Mal interpréter la variance conditionnelle comme une variance marginale.
7. Négliger que la liaison empirique doit être testée statistiquement pour confirmer sa signification.

✅ Checklist Examen

• Connaître la définition de la liaison fonctionnelle univoque selon Ayouni.
• Savoir caractériser la liaison fonctionnelle dans un tableau de contingence.
• Comprendre la différence entre indépendance empirique et liaison relative.
• Maîtriser la formule de la covariance empirique et son interprétation.
• Savoir calculer et interpréter le coefficient de corrélation linéaire.
• Identifier les effets de la covariance sur la variance conditionnelle.
• Connaître la formule d’indépendance empirique dans un tableau de contingence.
• Savoir distinguer liaison fonctionnelle, indépendante, et relative.
• Comprendre la relation entre covariance et variance.
• Être capable d’interpréter la signe et la magnitude de la covariance.
• Maîtriser la décomposition de la variance dans le contexte de la liaison.
• Vérifier la maîtrise du concept de variance conditionnelle selon Ayouni.