Lernzettel: Analyse statistique bivariée en cartographie partie 4

1. 📌 L'essentiel

• La corrélation mesure la force et le sens d'une relation entre deux variables spatiales.
• La variable indépendante (X) est souvent quantitative, la dépendanteY) peut être une densité, un taux ou un pourcentage.
• Le coefficient r varie entre -1 et +1, indiquant relation négative, positive ou absence de lien.
• Le diagramme de dispersion visualise la relation, avec points proches d'une ligne pour une forte corrélation.
• La droite de régression Y = aX + b modélise la relation linéaire.
• Les résidus (écarts) permettent d'analyser la performance locale du modèle.
• La significativité statistique est testée via un seuil α (souvent 5 %).
• La cartographie des résidus révèle des spécificités spatiales ou des facteurs modélisés.
• La démarche : visualisation → calcul r → test → modélisation → analyse spatiale des résidus.
• La corrélation ne prouve pas la causalité.

2. 🧩 Structures & Composants clés

• Diagramme de dispersion — nuage de points pour visualiser la relation.
• Coefficient de corrélation r — mesure quantitative de la relation.
• Test d’hypothèse — vérifie la significativité de r.
• Droite de régression — modélise la relation linéaire.
• Résidus — différences entre valeurs observées et modélisées.
• Résidus standardisés — résidu divisé par l’erreur type pour l’interprétation.
• Cartographie des résidus — détection des spécificités locales.
• Variables spatiales — relation entre une variable absolue et une variable relative.
• Analyse spatiale — interprétation des écarts pour comprendre la réalité locale.

3. 🔬 Fonctions, Mécanismes & Relations

• La visualisation par diagramme de dispersion permet d’identifier la forme de la relation.
• Le coefficient r quantifie la force (proche de ±1) et le sens (positif ou négatif).
• Le test d’hypothèse vérifie si r est significatif par rapport à un seuil α.
• La droite de régression prédit Y à partir de X, avec pente a (sens et intensité).
• Les résidus indiquent où le modèle ne s’ajuste pas bien, révélant des particularités locales.
• La cartographie des résidus permet d’identifier zones sous ou sur-estimées.
• La relation statistique ne prouve pas la causalité, mais indique une association.
• La démarche systématique assure une analyse complète : visualisation, mesure, modélisation, validation spatiale.

4. Tableau comparatif

Élément	Caractéristiques clés	Notes / Différences
Diagramme de dispersion	Nuage de points, relation visuelle	Forme linéaire ou non linéaire
Coefficient r	Entre -1 et +1, force et sens	Forte si proche de ±1, faible si proche de 0
Test d’hypothèse	Vérifie la significativité, seuil α = 5 %	Compare r observé à r critique
Droite de régression	Y = aX + b, modélise la relation linéaire	a : pente, b : intercept
Résidus	Écart entre valeur observée et prédite	Analyse spatiale pour déceler anomalies
Résidus standardisés	Résidu / erreur type, seuils d’interprétation	> 0 sous-estime, < 0 surestime

5. 🗂️ Diagramme Hiérarchique (ASCII)

Analyse bivariée spatiale
 ├─ Visualisation
 │   └─ Diagramme de dispersion
 ├─ Mesure
 │   └─ Coefficient r
 ├─ Vérification
 │   └─ Test d’hypothèse
 ├─ Modélisation
 │   └─ Droite de régression (Y = aX + b)
 └─ Analyse spatiale
     └─ Cartographie des résidus

6. ⚠️ Pièges & Confusions fréquentes

• Confondre corrélation et causalité.
• Croire qu’un r élevé implique une relation causale.
• Oublier de vérifier la significativité statistique.
• Interpréter une relation non linéaire avec une droite de régression.
• Négliger l’analyse spatiale des résidus pour détecter des spécificités locales.
• Confondre variable relative et variable absolue.
• Ignorer la forme du nuage de points dans le diagramme.
• Se limiter à la corrélation sans modéliser la relation.

7. ✅ Checklist Examen Final

• Savoir définir la corrélation et le coefficient r.
• Être capable d’interpréter un diagramme de dispersion.
• Connaître la formule et l’interprétation de la droite de régression.
• Expliquer le rôle des résidus et leur cartographie.
• Comprendre la différence entre corrélation et causalité.
• Savoir réaliser et interpréter le test d’hypothèse pour r.
• Maîtriser la démarche complète : visualisation, calcul, test, modélisation, analyse spatiale.
• Identifier la forme du nuage de points pour choisir la modélisation.
• Interpréter la pente a dans la droite de régression.
• Utiliser la cartographie pour déceler des anomalies ou spécificités.
• Connaître les limites de la corrélation dans l’analyse spatiale.
• Être capable de présenter un tableau synthétique des concepts.
• Comprendre l’intérêt de l’analyse spatiale des résidus pour la compréhension locale.
• Savoir distinguer relation statistique et causalité.
• Être prêt à analyser des exemples concrets de relations spatiales.