Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 4 novembre 2026.
En bref
Moyenner les liens entre des mesures au sein de chaque groupe permet de résumer les comparaisons locales ; réunir toutes les mesures change la comparaison. Le choix détermine ce que le résultat permet de décider : comparer les candidats d’un même ensemble ou examiner toute la population réunie. L’article examine les corrélations de Spearman, qui comparent l’ordre des valeurs : il faut préciser les mesures comparées, les égalités de classement et les groupes écartés lorsqu’une série est constante. Dans leur prépublication TW3 déposée sur arXiv le 7 septembre 2026, Scoring Without the Engine, les auteurs distinguent des périmètres de 819 et 1 269 groupes couvrant les mêmes 229 questions. Cet exemple méthodologique rappelle de séparer le nombre de groupes observés du nombre d’unités distinctes. Pour lire une moyenne, exigez la définition des groupes, leurs poids et la règle utilisée pour évaluer l’incertitude.
1. Pourquoi une corrélation globale répond-elle à une autre question ?
Une corrélation globale compare les observations dans l’ensemble réuni ; une moyenne de corrélations locales conserve les frontières des groupes pendant chaque comparaison. La documentation SciPy de spearmanr, sans date de publication affichée, définit Spearman comme une mesure de la relation monotone entre des séries. Autrement dit, elle examine si les valeurs évoluent dans le même sens ou en sens inverse, sans exiger une relation linéaire.
Appliquée séparément à chaque groupe, cette définition fait porter la comparaison sur les candidats qui s’y trouvent. Appliquée à toutes les lignes réunies, elle les classe dans un ensemble commun. Cette différence découle du périmètre donné au calcul : les rangs globaux incorporent des comparaisons entre observations de groupes distincts. La statistique peut donc refléter des différences de niveau entre groupes autant que l’ordre observé à l’intérieur de chacun.
L’erreur consiste à changer la question en fusionnant les données. Avant le calcul, TW3 recommande d’écrire la décision visée et de nommer les observations réellement comparables entre elles. Si la décision consiste à choisir à l’intérieur de chaque groupe, conserver cette frontière donne une lecture directement rattachée à la décision. Si elle porte sur toute la population, le calcul global mérite une analyse propre de la comparabilité des valeurs. Une moyenne locale et une corrélation globale peuvent être conservées côte à côte, avec des intitulés qui rendent leurs périmètres explicites.
2. Comment définir la corrélation locale ?
Une corrélation locale désigne ici l’association calculée entre des valeurs appariées au sein d’un groupe défini à l’avance. Il faut identifier la variable évaluée, la variable de référence et la clé qui permet de reconnaître le même candidat dans chaque série. La documentation SciPy de spearmanr, sans date de publication affichée, demande des séries de même longueur ; pour une mise en œuvre contrôlable, vérifiez également leur alignement par identifiant avant de lancer le calcul.
La documentation SciPy de rankdata, sans date affichée, décrit notamment l’attribution du rang moyen aux valeurs ex æquo. Consignez la convention retenue pour les ex æquo dans le protocole de classement. Conservez également la politique de traitement des valeurs absentes : spearmanr permet de renvoyer une valeur indéfinie, de lever une erreur ou d’omettre les valeurs manquantes.
Un groupe dont une série est constante ne fournit aucune variation à ordonner. La documentation de spearmanr indique que sa corrélation est indéfinie et renvoie NaN, qui signale ici un résultat indéfini. Remplacer cette absence par une corrélation nulle changerait le sens du résultat. La pratique proposée consiste à conserver le groupe dans le relevé, avec son motif d’exclusion, et à calculer la moyenne sur les groupes éligibles.
Il est utile de figer ces règles avant de comparer des méthodes. Le tableau de contrôle peut alors montrer quels groupes deviennent inéligibles selon la méthode évaluée. Une comparaison sur le périmètre commun permet d’examiner séparément la variation des résultats et celle de la population retenue.
3. À qui donner le même poids ?
Le même poids doit revenir à l’unité que la décision cherche à représenter. La documentation scikit-learn sur l’évaluation des modèles, sans date de publication affichée, distingue une moyenne donnant le même poids à chaque classe et une moyenne pondérée par la présence de chaque classe dans les données. Cette distinction concerne des mesures de classification ; elle fournit ici un point de comparaison pour expliciter les poids.
Pour les corrélations locales, nous recommandons de formaliser la convention retenue de la manière suivante : multiplier chaque corrélation par son poids, additionner les produits et diviser par la somme des poids des groupes éligibles. C’est une moyenne descriptive dont la population cible doit être annoncée.
| Convention proposée | Ce que la moyenne représente | Vérification à prévoir |
|---|---|---|
| Poids égal par groupe éligible | La corrélation locale moyenne des groupes retenus | Les groupes correspondent-ils à des unités de décision comparables ? |
| Poids proportionnel à l’effectif du groupe | La moyenne des corrélations locales, avec une contribution proportionnelle à l’effectif de chaque groupe | L’effectif compte-t-il des candidats distincts ou des mesures répétées ? |
La deuxième convention reste une moyenne de coefficients locaux. Elle ne reconstitue pas la corrélation calculée sur les lignes réunies : les classements locaux restent ceux utilisés pour produire les coefficients. Choisir les poids revient donc à définir la quantité que l’on souhaite estimer, appelée estimand. Ce choix relève du cadrage métier autant que du calcul.
4. Pourquoi les répétitions changent-elles l’incertitude ?
Des observations partageant une même unité peuvent être dépendantes, même si elles occupent des lignes distinctes. Dans Bootstrapping data arrays of arbitrary order, prépublication déposée sur arXiv le 10 juin 2011, Owen et Eckles étudient la variance d’une moyenne lorsque les observations partagent plusieurs facteurs. Un facteur est ici une dimension de regroupement ; ses identifiants indiquent quelles observations partagent la même unité. Leur modèle tient compte des effets partagés par les observations qui portent les mêmes identifiants.
Le bootstrap consiste à produire des rééchantillonnages ou des repondérations des données pour étudier la variabilité d’une statistique. Les auteurs montrent qu’un bootstrap traitant les observations comme indépendantes peut fortement sous-estimer la variance de la moyenne dans leur modèle. Ils étudient une repondération par facteur, sous des conditions qu’il faut examiner avant toute application.
Le poids descriptif et l’indépendance statistique répondent à des besoins distincts. Donner le même poids à chaque groupe ne supprime aucune dépendance entre groupes. De même, compter davantage de mesures sur une unité ne suffit pas à établir combien d’information indépendante a été ajoutée.
Pour une moyenne de corrélations, l’adaptation proposée consiste à documenter les identifiants partagés avant de choisir la méthode d’incertitude. Le protocole doit justifier l’extension de leurs résultats sur une moyenne dans ce modèle à l’incertitude d’une moyenne de corrélations locales. Voir aussi « Bootstrap à facteurs croisés : quand les observations partagent plusieurs identifiants ».
5. Comment lire des résultats proches sur des périmètres différents ?
Des valeurs proches doivent d’abord être rapprochées de leurs règles de sélection. La note de périmètre de TW3, dans la prépublication du 7 septembre 2026, distingue une moyenne de corrélations locales de Spearman de 0,114 sur 777 groupes à variance non dégénérée, puis une valeur de 0,119 associée à un périmètre de classement élargi annoncé à 1 269 groupes. Elle indique aussi une valeur de 0,122 obtenue avec le filtrage d’un autre script. Ces valeurs servent ici uniquement à examiner les conventions de calcul.
Le tableau de résultats précise que 0,119 est l’arrondi de 0,1188 et attribue l’écart avec 0,122 au filtrage des groupes. Présenter cet écart comme une amélioration confondrait le changement de périmètre avec le changement de méthode. Le nombre total de groupes du périmètre de classement doit également rester distinct du nombre de corrélations effectivement définies.
La pratique proposée pour comparer des versions consiste à conserver un relevé des groupes ajoutés, retirés et communs. Sur le périmètre commun, recalculez les résultats avec la même convention de pondération. Sur le périmètre étendu, publiez séparément la nouvelle moyenne et les effectifs qui la définissent.
Cette présentation permet au responsable métier d’examiner séparément les changements de périmètre et les changements de calcul. Conservez les résultats de ces comparaisons avec les groupes retenus et les poids appliqués pour permettre leur vérification.
6. Quel tableau d’agrégation publier ?
Publiez un tableau qui permette de retrouver la population derrière la moyenne. À partir des distinctions documentées par TW3 et Owen et Eckles, notre recommandation est de conserver un relevé par groupe et une synthèse du périmètre. Il s’agit d’une proposition de restitution, à adapter au protocole de l’organisation.
| Information à conserver | Lecture rendue possible |
|---|---|
| Définition du groupe et identifiant de l’unité distincte | Repérer les regroupements et les répétitions |
| Variables comparées et observations appariées | Retrouver le contenu de chaque corrélation |
| Effectif, valeurs absentes, égalités et constantes | Comprendre l’éligibilité du groupe |
| Corrélation locale, poids et motif d’exclusion | Recalculer la moyenne annoncée |
| Nombre d’unités uniques et nombre de groupes éligibles | Distinguer la couverture de la quantité de mesures |
| Convention d’incertitude et identifiants partagés | Examiner les hypothèses de dépendance |
La synthèse doit nommer la population cible, afficher le dénominateur retenu et préciser si les poids sont recalculés après exclusion. Conserver les résultats locaux permet de vérifier la moyenne et de repérer les groupes dont le poids influence fortement la synthèse.
Pour une comparaison entre méthodes, joignez au tableau la règle de constitution du périmètre commun. Pour une comparaison dans le temps, conservez aussi les règles et données nécessaires au recalcul de la période précédente. Ces éléments rendent la discussion vérifiable : le lecteur peut suivre ce qui a changé dans les données, dans les exclusions ou dans les poids avant d’interpréter le résultat.
FAQ
Peut-on concaténer tous les groupes ?
Oui, si la décision porte sur l’ensemble réuni et si les valeurs y sont comparables. Pour Spearman, cette opération produit un classement global qui introduit des comparaisons entre groupes. Il faut alors nommer ce périmètre dans le résultat et conserver séparément l’analyse locale lorsque la décision se prend à l’intérieur des groupes.
Une moyenne de corrélations est-elle une corrélation globale ?
Une moyenne combine des coefficients déjà calculés dans leurs groupes. Dans le cas de Spearman étudié ici, la corrélation globale repart des valeurs réunies et de leur ordre dans cet ensemble. Leur interprétation diffère donc, même si leurs valeurs sont proches ; la proximité numérique ne suffit pas à justifier leur substitution.
Quel poids donner aux grands groupes ?
Dans la convention proposée, un poids proportionnel à l’effectif donne davantage de place aux coefficients des grands groupes. Un poids égal donne la même place au coefficient de chaque groupe éligible. Dans les deux cas, précisez ce que compte l’effectif et comment les exclusions changent les poids effectivement utilisés.
Pourquoi compter les unités uniques ?
Ce comptage permet d’identifier combien d’unités distinctes se trouvent derrière les mesures répétées. Les dépendances étudiées par Owen et Eckles montrent pourquoi ces mesures ne doivent pas être supposées indépendantes du seul fait qu’elles sont stockées séparément. Le nombre d’unités uniques complète donc l’effectif observé pour discuter l’incertitude.
Comment traiter les groupes constants ?
SciPy indique que leur corrélation est indéfinie lorsqu’une série est constante. Conservez leur présence et le motif d’exclusion dans le relevé, puis annoncez le nombre de groupes éligibles à la moyenne. Une corrélation nulle aurait un autre sens et ne constitue pas une valeur de remplacement pour ces groupes.
Pour aller plus loin
- Pearson, Spearman ou Kendall : choisir ce que l’on veut comparer.
- Bootstrap à facteurs croisés : quand les observations partagent plusieurs identifiants.
- Barres d’erreur en validation croisée : ce que l’écart entre plis ne mesure pas.
Sources
- TW3 Partners, Scoring Without the Engine, prépublication déposée sur arXiv le 7 septembre 2026, section 8, annexe E et tableau 11, consulté le 9 octobre 2026.
- SciPy,
scipy.stats.spearmanr, documentation sans date de publication affichée, consulté le 9 octobre 2026. - SciPy,
scipy.stats.rankdata, documentation sans date de publication affichée, consulté le 9 octobre 2026. - Art B. Owen et Dean Eckles, Bootstrapping data arrays of arbitrary order, prépublication déposée sur arXiv le 10 juin 2011, texte intégral, sections 2 à 5, consulté le 9 octobre 2026.
- scikit-learn, Metrics and scoring: quantifying the quality of predictions, documentation sans date de publication affichée, consulté le 9 octobre 2026.