Corrélation et causalité

Observer ensemble ne signifie pas produire

Lorsque deux phénomènes apparaissent ensemble, nous sommes naturellement tentés de penser que l’un provoque l’autre. Si les personnes qui pratiquent davantage une activité semblent en meilleure santé, nous pouvons conclure que cette activité améliore la santé. Si une hausse d’un comportement accompagne une hausse d’un problème social, nous pouvons supposer que le premier cause le second.

Cette inférence est parfois correcte. Mais elle peut aussi être trompeuse.

Une corrélation indique que deux variables varient ensemble d’une manière statistiquement identifiable. Lorsque l’une augmente, l’autre peut avoir tendance à augmenter, à diminuer ou simplement à apparaître plus fréquemment.

Une relation causale signifie qu’une modification de l’un des facteurs contribue réellement à modifier l’autre, toutes choses pertinentes étant comparables.

La différence peut être formulée simplement :

La corrélation décrit une association.

La causalité décrit une relation de production ou de dépendance.

Une corrélation peut constituer un indice de causalité, mais elle n’en apporte pas à elle seule la démonstration. Il faut encore écarter d’autres explications possibles et montrer que l’association résiste à des méthodes conçues pour distinguer les causes des simples coïncidences.


Qu’est-ce qu’une corrélation ?

Une corrélation existe lorsque la connaissance de la valeur d’une variable fournit une information sur la valeur probable d’une autre. Si les températures augmentent et que les ventes de glaces augmentent également, les deux variables sont positivement corrélées. Si l’activité physique augmente tandis que certains risques de santé diminuent, la corrélation est négative.

Une absence de corrélation signifie qu’aucune relation statistique claire n’apparaît dans les données étudiées. Cela ne prouve pas nécessairement qu’aucune relation n’existe : elle peut être non linéaire, masquée par d’autres facteurs, trop faible pour être détectée ou absente seulement dans l’échantillon observé.

La corrélation ne dit pas directement :

  • quelle variable influence l’autre ;
  • si une troisième variable influence les deux ;
  • si l’association est accidentelle ;
  • si elle vaut pour chaque individu ;
  • si elle se maintiendra dans un autre contexte.

Elle constitue un constat descriptif qui demande une interprétation.


Corrélation positive et corrélation négative

Une corrélation positive signifie que deux variables tendent à évoluer dans le même sens.

Plus la température augmente, plus les ventes de boissons fraîches peuvent augmenter.

Une corrélation négative signifie qu’elles tendent à évoluer en sens opposé.

Plus la distance à un service augmente, moins son utilisation peut être fréquente. Le signe de la corrélation ne dit rien, à lui seul, sur la causalité. Une corrélation négative n’est pas une absence de relation. Elle indique simplement une relation inverse. De même, une forte corrélation ne prouve pas une forte causalité. Deux variables peuvent évoluer presque parfaitement ensemble parce qu’elles dépendent d’une même cause commune.


La force d’une corrélation

Les statistiques permettent de mesurer la force de certaines corrélations.

Un coefficient proche de zéro indique une faible relation linéaire. Un coefficient plus éloigné de zéro indique une relation linéaire plus forte. Mais cette mesure doit être interprétée avec prudence.

Une corrélation faible peut avoir une grande importance pratique si le phénomène concerne une population nombreuse ou un risque grave. Une corrélation forte peut être artificielle si elle repose sur peu d’observations, des valeurs extrêmes ou une sélection particulière des données.

Le coefficient ne mesure pas automatiquement :

  • la causalité ;
  • la qualité des mesures ;
  • l’importance morale ou pratique ;
  • la généralisation à d’autres populations ;
  • la stabilité dans le temps.

Une valeur statistique ne remplace jamais l’analyse du contexte.


Une corrélation peut cacher plusieurs relations différentes

Supposons que deux variables, A et B, soient corrélées.

Plusieurs scénarios sont possibles.

A cause B

L’augmentation de A contribue à produire une augmentation ou une diminution de B.

B cause A

La direction réelle est inverse de celle que nous avions imaginée.

C cause A et B

Une troisième variable explique l’association entre les deux premières.

A et B s’influencent mutuellement

La causalité fonctionne dans les deux sens et forme une boucle.

La corrélation résulte d’un biais

La sélection de l’échantillon, la mesure ou l’analyse statistique créent l’association.

La corrélation est fortuite

Elle apparaît par hasard, particulièrement lorsque de très nombreuses variables sont comparées.

Une enquête causale doit comparer ces explications plutôt que retenir automatiquement la première histoire plausible.


La causalité inverse

La causalité inverse apparaît lorsque nous nous trompons sur la direction de l’effet. Supposons que les personnes souffrant davantage d’un problème consomment aussi davantage un produit. Nous pourrions conclure que le produit provoque le problème. Mais il est possible que les personnes utilisent justement le produit pour soulager les premiers symptômes. Le problème cause alors la consommation plutôt que l’inverse.

De même, une association entre mal-être et isolement peut fonctionner dans plusieurs directions. L’isolement peut aggraver le mal-être, mais le mal-être peut également conduire au retrait social. La causalité inverse est particulièrement fréquente dans les données observationnelles, lorsque les événements se développent progressivement et s’influencent mutuellement. Pour clarifier la direction, il faut notamment examiner :

  • l’ordre temporel ;
  • les mécanismes plausibles ;
  • les évolutions avant et après l’exposition ;
  • les expériences ou interventions disponibles.

La cause doit généralement précéder l’effet, mais la succession temporelle ne suffit pas à prouver la causalité.


La cause commune

Une troisième variable peut produire les deux phénomènes observés. Les ventes de glaces et les noyades peuvent augmenter en même temps. Il serait absurde d’en conclure que les glaces causent les noyades. La température élevée augmente à la fois la consommation de glaces et la fréquentation des lieux de baignade. Elle constitue une cause commune. Ce type de variable est souvent appelé facteur de confusion.

Un facteur de confusion est associé à la fois :

  • au facteur supposé causal ;
  • et à l’effet étudié.

S’il n’est pas correctement pris en compte, il peut produire l’illusion d’un lien causal ou masquer un effet réel.

Dans les sciences humaines et médicales, les facteurs de confusion sont nombreux : âge, niveau de revenu, état de santé initial, éducation, environnement, habitudes de vie ou accès aux services.


Un exemple de facteur de confusion

Imaginons qu’une étude observe que les personnes consommant régulièrement un certain aliment présentent moins de maladies cardiovasculaires. Il est possible que l’aliment exerce un effet protecteur. Mais ses consommateurs peuvent aussi :

  • pratiquer davantage d’activité physique ;
  • fumer moins ;
  • avoir un revenu plus élevé ;
  • consulter plus régulièrement ;
  • suivre globalement une alimentation différente.

L’association brute entre l’aliment et la santé ne permet donc pas encore d’isoler son effet propre.

Les chercheurs tentent d’ajuster statistiquement les résultats en fonction des facteurs connus. Mais un ajustement ne garantit jamais que tous les facteurs pertinents ont été mesurés correctement. Il peut subsister une confusion résiduelle : une partie de l’association reste expliquée par des variables inconnues, mal mesurées ou trop complexes pour être entièrement contrôlées.


Mesurer un facteur ne suffit pas toujours à le contrôler

Supposons qu’une étude prenne en compte l’activité physique à l’aide d’une question générale :

« Faites-vous régulièrement du sport ? »

Cette mesure est approximative. Elle ne distingue pas la fréquence, l’intensité, le type d’activité ou les erreurs de déclaration. Le facteur est officiellement « contrôlé », mais seulement à travers une mesure imparfaite. L’ajustement statistique ne supprime pas automatiquement les biais de mesure. Plus un facteur est complexe, plus il est difficile de le représenter par une seule variable. Les catégories comme le niveau social, l’alimentation, le stress ou l’exposition environnementale regroupent de nombreuses dimensions.

Dire qu’une étude a « contrôlé » un facteur doit donc être compris comme :

Elle a tenté d’en réduire l’influence à partir des données disponibles.

Cela ne signifie pas que son effet a disparu avec certitude.


Les corrélations fortuites

Lorsque nous comparons un très grand nombre de variables, certaines associations apparaissent simplement par hasard. Si mille hypothèses indépendantes sont testées avec un seuil statistique de 5 %, plusieurs résultats dits significatifs peuvent apparaître même si aucun effet réel n’existe. Ce problème est appelé multiplicité des tests. Il explique pourquoi une corrélation isolée découverte dans un vaste ensemble de données doit être interprétée avec prudence. Les chercheurs utilisent plusieurs méthodes pour réduire ce risque :

  • correction du seuil statistique ;
  • préenregistrement des hypothèses ;
  • distinction entre analyse exploratoire et analyse confirmatoire ;
  • réplication sur de nouvelles données.

Une corrélation découverte après avoir exploré librement des centaines de relations est une piste de recherche. Elle ne possède pas le même poids qu’une hypothèse formulée avant l’analyse puis confirmée indépendamment.


La sélection rétrospective

Une corrélation peut paraître impressionnante lorsqu’elle est sélectionnée après avoir observé les résultats. Imaginons qu’un analyste compare des dizaines d’indicateurs économiques, climatiques, culturels et sociaux avec un événement. Il retient ensuite la relation la plus spectaculaire. Cette relation semble étonnamment précise, mais sa découverte dépend de toutes les comparaisons invisibles qui n’ont donné aucun résultat.

Le lecteur ne voit que la réussite finale et ignore la multitude d’échecs. Cette sélection rétrospective augmente fortement le risque de corrélation fortuite.

Pour évaluer correctement le résultat, il faut demander :

Combien d’hypothèses ont été testées ?

Cette relation était-elle prévue avant l’analyse ?

A-t-elle été reproduite sur d’autres données ?

La transparence sur les analyses négatives est essentielle.


L’importance de l’ordre temporel

Une cause doit généralement précéder son effet. Si une exposition apparaît après le phénomène qu’elle est censée expliquer, l’interprétation causale devient peu plausible. Mais établir l’ordre temporel peut être difficile. Une maladie peut commencer avant son diagnostic. Un comportement peut changer en réaction à des symptômes encore non reconnus. Une transformation sociale peut s’étendre sur plusieurs années.

Les études transversales, qui mesurent plusieurs variables à un même moment, identifient des associations mais clarifient mal la direction causale. Les études longitudinales suivent les individus dans le temps. Elles permettent de mieux observer si le facteur précède l’effet. Cependant, même lorsqu’un facteur apparaît avant l’effet, une cause commune peut encore expliquer les deux. La temporalité est une condition importante, mais non suffisante.


Les expériences randomisées

L’expérience randomisée constitue l’une des méthodes les plus puissantes pour étudier la causalité. Les participants sont répartis aléatoirement entre plusieurs groupes. L’un reçoit l’intervention étudiée, l’autre reçoit une intervention de comparaison ou aucun traitement supplémentaire. La randomisation vise à répartir les autres caractéristiques de manière comparable entre les groupes. Si les groupes sont suffisamment nombreux et correctement suivis, la principale différence systématique devrait être l’intervention. Une différence de résultat peut alors être raisonnablement attribuée à celle-ci.

L’expérience approche une question contrefactuelle impossible à observer directement :

Qu’aurait-il été observé chez les mêmes personnes, au même moment, si elles n’avaient pas reçu l’intervention ?

Comme chaque individu ne peut suivre qu’une seule condition, le groupe de comparaison sert d’approximation.


Pourquoi la randomisation est importante

Sans randomisation, les personnes exposées à un facteur peuvent être différentes de celles qui ne le sont pas.

Les patients recevant un traitement peuvent être plus gravement malades. Les personnes choisissant une activité peuvent être plus motivées. Les établissements adoptant une réforme peuvent disposer de davantage de ressources. Ces différences initiales influencent les résultats.

La randomisation réduit ce biais de sélection en faisant dépendre l’attribution du hasard plutôt que des caractéristiques des participants ou des décisions des professionnels. Elle ne garantit pas une égalité parfaite dans chaque étude, surtout lorsque les groupes sont petits. Mais elle évite en principe que les différences soient systématiquement liées au choix de l’intervention.


Le groupe de comparaison

Une amélioration après une intervention ne prouve pas que l’intervention en est la cause. Les symptômes peuvent diminuer spontanément. Les personnes peuvent modifier d’autres comportements. L’attention reçue peut influencer leur ressenti. Les mesures peuvent varier naturellement. Le groupe de comparaison permet d’estimer ce qui se serait probablement produit en l’absence de l’intervention spécifique.

Dans un essai médical, il peut recevoir :

  • le traitement habituel ;
  • un placebo ;
  • une autre intervention ;
  • ou une surveillance sans traitement supplémentaire.

Le choix du comparateur influence la question à laquelle l’étude répond.

Comparer un traitement à l’absence totale d’intervention ne dit pas nécessairement s’il est meilleur que le meilleur traitement déjà disponible.


L’aveugle et les attentes

Les attentes des participants et des chercheurs peuvent influencer les résultats. Une personne qui sait recevoir un traitement peut rapporter différemment ses symptômes. Un professionnel connaissant le groupe du patient peut évaluer inconsciemment les résultats avec davantage d’optimisme. L’aveugle consiste à empêcher certains acteurs de connaître l’attribution des groupes. Lorsque les participants et les évaluateurs l’ignorent, on parle souvent de double aveugle, même si le vocabulaire précis varie selon les disciplines.

L’aveugle est particulièrement utile lorsque les résultats comportent une part de jugement subjectif. Il n’est pas toujours possible. Une intervention chirurgicale, éducative ou organisationnelle est souvent visible. Dans ce cas, d’autres procédures doivent renforcer l’objectivité : évaluateurs indépendants, critères prédéfinis ou mesures automatisées.


Les limites des expériences

L’expérience randomisée ne constitue pas une méthode parfaite ni toujours applicable. Elle peut être impossible pour des raisons éthiques. Nous ne pouvons pas assigner volontairement des personnes au tabagisme, à la pauvreté ou à une exposition dangereuse. Elle peut également être trop coûteuse, trop longue ou techniquement irréalisable.

Les participants peuvent ne pas respecter l’intervention, abandonner l’étude ou deviner leur groupe.

Enfin, une expérience très contrôlée peut manquer de représentativité. Un traitement testé sur une population sélectionnée ne produit pas nécessairement les mêmes effets dans la population générale.

La force d’une expérience sur la causalité interne doit donc être distinguée de sa capacité à généraliser.


Validité interne et validité externe

La validité interne concerne la confiance avec laquelle l’effet observé peut être attribué à l’intervention dans l’étude.

La validité externe concerne la possibilité de généraliser cet effet à d’autres personnes, lieux, périodes ou conditions.

Une étude peut posséder une excellente validité interne mais une portée limitée.

Un essai rigoureux mené sur des adultes jeunes sans maladie associée ne permet pas automatiquement de conclure que le résultat sera identique chez des personnes âgées présentant plusieurs pathologies. À l’inverse, une étude menée dans des conditions très proches de la réalité quotidienne peut être généralisable, mais comporter davantage de facteurs incontrôlés.

La recherche causale doit équilibrer contrôle et représentativité.


Les études observationnelles

Lorsque l’expérimentation n’est pas possible, les chercheurs utilisent des études observationnelles.

Ils observent les différences d’exposition et de résultats telles qu’elles existent dans la population. Ces études sont indispensables pour examiner :

  • les effets à long terme ;
  • les risques rares ;
  • les expositions dangereuses ;
  • les phénomènes sociaux ;
  • les politiques publiques ;
  • les situations impossibles à randomiser.

Elles peuvent fournir des arguments causaux puissants, surtout lorsque plusieurs méthodes convergent. Mais elles restent plus vulnérables aux facteurs de confusion, à la causalité inverse et aux biais de sélection.

Leur interprétation demande donc une prudence particulière.


Cohortes, cas-témoins et études transversales

Les études de cohorte suivent des personnes exposées différemment et comparent l’apparition ultérieure d’un effet. Elles clarifient mieux la temporalité, mais demandent souvent beaucoup de temps et de ressources.

Les études cas-témoins partent de personnes présentant un événement et recherchent rétrospectivement leurs expositions antérieures. Elles sont utiles pour les événements rares, mais sensibles aux erreurs de mémoire et au choix des témoins. Les études transversales mesurent l’exposition et l’effet au même moment. Elles sont rapides et utiles pour décrire une population, mais permettent difficilement d’établir la direction causale.

Chaque méthode répond à certaines questions et comporte des limites particulières.

Aucun type d’étude ne doit être évalué indépendamment du problème étudié.


Les expériences naturelles

Une expérience naturelle apparaît lorsqu’un événement extérieur produit une répartition des expositions qui ressemble partiellement à une randomisation.

Une réforme est mise en œuvre dans une région mais pas dans une autre pour des raisons administratives. Une règle s’applique à partir d’un seuil d’âge ou de revenu. Une catastrophe modifie brutalement les conditions d’un groupe. Ces situations peuvent permettre de comparer des groupes proches qui ne se distinguent pas par leur choix initial. Elles sont particulièrement utiles en économie, en sociologie, en épidémiologie et en sciences politiques.

Mais le caractère réellement comparable des groupes doit être démontré. L’événement extérieur peut s’accompagner d’autres changements.

Une expérience naturelle ne bénéficie pas automatiquement de toutes les protections d’une expérience randomisée.


Les variables instrumentales

Une variable instrumentale est un facteur qui influence l’exposition étudiée sans affecter directement le résultat, sauf par cette exposition. Elle sert à isoler une variation du facteur causal qui soit moins liée aux caractéristiques initiales des individus. Par exemple, une règle administrative peut modifier la probabilité de recevoir une intervention sans agir directement sur le résultat étudié.

La méthode est puissante, mais repose sur des hypothèses difficiles à vérifier.

Il faut établir que l’instrument :

  • influence réellement l’exposition ;
  • n’agit pas directement sur le résultat ;
  • n’est pas lié à des facteurs de confusion non mesurés.

Une variable instrumentale mal choisie peut produire une apparence de causalité très trompeuse.


Les discontinuités de régression

Certaines politiques s’appliquent à partir d’un seuil précis. Les personnes juste au-dessus et juste au-dessous du seuil peuvent être très comparables, mais recevoir des traitements différents. Comparer leurs résultats permet d’estimer un effet causal local. Cette méthode est appelée régression sur discontinuité. Elle est particulièrement utile lorsque le seuil est appliqué strictement et ne peut pas être facilement manipulé.

Son résultat concerne surtout les individus proches du seuil. Il ne se généralise pas nécessairement à toute la population. Une forte crédibilité locale peut donc s’accompagner d’une portée limitée.


La méthode des différences de différences

Cette méthode compare l’évolution de deux groupes avant et après une intervention. Un groupe est exposé à une réforme, l’autre non. L’effet causal est estimé à partir de la différence entre leurs évolutions respectives. L’hypothèse essentielle est que, sans intervention, les deux groupes auraient suivi des tendances parallèles. Cette hypothèse ne peut jamais être observée directement après la réforme. Elle peut être évaluée à partir des tendances antérieures et de connaissances contextuelles.

Si les groupes évoluaient déjà différemment, l’interprétation causale devient fragile. La méthode illustre une règle générale : toute estimation causale repose sur certaines hypothèses contrefactuelles.


L’appariement

L’appariement consiste à comparer des individus ou des groupes présentant des caractéristiques observées similaires.

Une personne exposée à un facteur est comparée à une personne non exposée mais proche en âge, état de santé, niveau social ou autres variables pertinentes. Cette méthode réduit certaines différences observables. Mais elle ne contrôle que ce qui a été mesuré.

Deux personnes appariées sur dix variables peuvent encore différer sur une onzième variable inconnue qui influence fortement le résultat.

L’appariement améliore la comparabilité sans transformer automatiquement l’étude en expérience randomisée.


Les modèles statistiques

Les modèles statistiques permettent d’estimer l’association entre un facteur et un résultat en tenant compte de plusieurs variables. Ils sont indispensables dans l’analyse des données complexes. Mais ils ne produisent pas automatiquement une causalité.

Le modèle dépend :

  • des variables incluses ;
  • de la manière dont elles sont mesurées ;
  • de la forme mathématique choisie ;
  • des interactions considérées ;
  • des données manquantes ;
  • des hypothèses sur les erreurs.

Un calcul précis peut reposer sur un modèle causal mal spécifié. La sophistication technique ne compense pas une mauvaise compréhension du phénomène. Un modèle statistique doit être soutenu par une réflexion causale préalable.


Le danger de contrôler la mauvaise variable

Ajouter davantage de variables dans un modèle n’améliore pas toujours l’analyse.

Certaines variables sont des causes communes qu’il faut contrôler.

D’autres se situent sur le chemin causal entre l’exposition et l’effet. Les contrôler peut retirer une partie de l’effet que nous souhaitons mesurer. Supposons qu’un programme éducatif améliore les résultats scolaires en augmentant l’assiduité. Si nous contrôlons statistiquement l’assiduité, nous pouvons masquer le mécanisme même par lequel le programme fonctionne.

D’autres variables peuvent être des conséquences communes de deux facteurs. Les contrôler peut créer artificiellement une association.

La sélection des variables doit donc reposer sur une hypothèse causale explicite, et non sur l’idée que « plus de contrôle » signifie toujours « plus de rigueur ».


Les diagrammes causaux

Les diagrammes causaux représentent les relations supposées entre plusieurs variables à l’aide de flèches.

Ils obligent à expliciter les hypothèses :

  • quelles variables causent lesquelles ;
  • quelles variables sont des facteurs de confusion ;
  • lesquelles sont des médiateurs ;
  • lesquelles ne doivent pas être contrôlées.

Ces diagrammes ne prouvent pas les relations qu’ils représentent. Ils constituent des outils de raisonnement. Leur valeur vient de leur capacité à rendre visibles les hypothèses cachées et à guider l’analyse statistique. Une hypothèse causale explicite peut être critiquée. Une analyse dépourvue de modèle causal risque de contrôler arbitrairement des variables sans comprendre les effets de ce choix.


Médiation et mécanismes

Un facteur causal peut agir par l’intermédiaire d’une autre variable. Cette variable intermédiaire est appelée médiateur. Une politique peut réduire un problème en augmentant les ressources, lesquelles modifient ensuite les comportements. Un traitement peut agir sur un mécanisme biologique qui produit l’amélioration clinique. L’analyse de médiation cherche à distinguer :

  • l’effet total ;
  • l’effet passant par un mécanisme particulier ;
  • les effets empruntant d’autres voies.

Comprendre les médiateurs aide à expliquer pourquoi une intervention fonctionne et dans quelles conditions elle pourrait échouer. Mais les analyses de médiation demandent davantage d’hypothèses que l’estimation d’un effet total. Les médiateurs ne sont généralement pas randomisés.

Les résultats doivent donc rester prudents.


Modérateurs et hétérogénéité des effets

Un effet causal peut varier selon les personnes et les contextes.

Une intervention efficace en moyenne peut être très utile pour certains groupes, neutre pour d’autres et nuisible dans certaines situations.

Une variable qui modifie l’intensité ou la direction de l’effet est appelée modérateur.

L’étude de l’hétérogénéité permet de dépasser la question :

« Est-ce que cela fonctionne ? »

pour demander :

« Pour qui, dans quelles conditions et avec quelle ampleur ? »

Cette précision est essentielle pour l’application pratique. Mais rechercher de nombreux sous-groupes après coup augmente le risque de résultats fortuits.

Les analyses doivent idéalement être justifiées à l’avance et confirmées indépendamment.


Effet moyen et effet individuel

Une étude peut montrer qu’une intervention produit un bénéfice moyen dans une population. Cela ne signifie pas que chaque individu bénéficiera du même effet. Une moyenne peut cacher une grande diversité de réponses. Un traitement peut réduire le risque global sans garantir l’issue de chaque patient. Une politique peut améliorer un indicateur moyen tout en produisant des effets inégalement répartis. L’inférence causale porte souvent sur des groupes, alors que les décisions concernent des individus.

Passer de l’effet moyen à la prédiction individuelle demande des informations supplémentaires : caractéristiques personnelles, mécanismes, contexte et incertitude. L’absence de garantie individuelle ne réfute pas l’effet causal collectif.


La taille de l’effet

Un effet peut être statistiquement détectable mais pratiquement faible. Avec un très grand échantillon, une différence minuscule peut devenir statistiquement significative. La question causale ne doit donc pas seulement être :

L’effet existe-t-il ?

Elle doit aussi être :

Quelle est son ampleur ?

Est-elle importante dans la pratique ?

Quels sont ses coûts et ses conséquences ?

Une petite modification moyenne peut néanmoins être importante si elle concerne une population immense ou un événement grave. L’interprétation dépend du domaine et des enjeux. La significativité statistique n’est pas une mesure automatique de l’importance réelle.


Significativité statistique et causalité

Une valeur statistiquement significative indique que les données seraient relativement peu compatibles avec un modèle particulier d’absence d’effet, sous certaines hypothèses. Elle ne signifie pas automatiquement :

  • que l’effet est important ;
  • que l’hypothèse causale est vraie ;
  • que le résultat sera reproduit ;
  • que le modèle est correctement spécifié ;
  • qu’aucun biais n’existe.

Inversement, un résultat non significatif ne prouve pas l’absence d’effet. L’étude peut manquer de puissance, les mesures être trop imprécises ou l’effet trop faible pour être détecté.

La causalité ne se lit pas dans une seule valeur statistique. Elle résulte d’un ensemble d’arguments méthodologiques, théoriques et empiriques.


Les intervalles d’incertitude

Une estimation causale doit être accompagnée d’une mesure d’incertitude. Un intervalle de confiance indique une plage de valeurs compatibles avec les données selon un modèle statistique déterminé. Un intervalle large signale une estimation imprécise. Un résultat peut suggérer un bénéfice important, un bénéfice faible ou même une absence d’effet si l’incertitude est grande.

Présenter uniquement une valeur centrale donne une impression excessive de précision. Mais l’intervalle statistique ne capture pas toutes les incertitudes. Il ne mesure pas nécessairement les biais de sélection, les erreurs de mesure ou les facteurs de confusion non observés. L’incertitude totale est souvent plus large que l’incertitude calculée par le modèle.


La relation dose-effet

Une relation causale devient plus plausible lorsque l’effet évolue avec le niveau d’exposition. Si une faible exposition produit un faible effet et une exposition plus forte un effet plus important, cela peut soutenir l’hypothèse causale. Mais les relations dose-effet ne sont pas toujours linéaires.

Un effet peut apparaître seulement au-dessus d’un seuil, atteindre un plateau ou s’inverser à très forte dose. L’absence de relation simple ne réfute donc pas automatiquement la causalité. De même, une relation dose-effet peut être produite par un facteur de confusion qui varie lui aussi avec l’exposition. Elle constitue un argument parmi d’autres, non une preuve isolée.


La plausibilité biologique ou mécaniste

Une relation est plus crédible lorsqu’un mécanisme plausible relie le facteur à l’effet.

Un mécanisme permet d’expliquer comment l’exposition produit le résultat. Mais la plausibilité dépend de l’état des connaissances.

Un mécanisme aujourd’hui inconnu peut être découvert plus tard. Exiger un mécanisme complet avant d’accepter tout effet peut conduire à rejeter prématurément des relations réelles. À l’inverse, une histoire mécaniste imaginable ne prouve rien par elle-même. Il est presque toujours possible de construire un récit plausible après coup.

Le mécanisme renforce l’argument causal lorsqu’il est soutenu indépendamment par des données.


La cohérence avec les autres connaissances

Une hypothèse causale gagne en crédibilité lorsqu’elle s’accorde avec des résultats provenant d’autres méthodes.

Une association épidémiologique peut converger avec :

  • des expériences ;
  • des observations biologiques ;
  • une relation dose-effet ;
  • des évolutions temporelles ;
  • des données issues de plusieurs populations.

La convergence réduit la probabilité qu’un seul biais explique tout. Mais les sources doivent être réellement indépendantes. Plusieurs études utilisant la même base de données, les mêmes mesures ou les mêmes hypothèses ne constituent pas plusieurs confirmations totalement distinctes. La structure de la convergence compte davantage que le nombre brut de publications.


Les critères de Bradford Hill

Austin Bradford Hill a proposé plusieurs considérations pour évaluer une relation causale en épidémiologie : force de l’association, cohérence, temporalité, relation dose-effet, plausibilité, expérimentation et autres éléments. Ces considérations ne constituent pas une liste mécanique de conditions nécessaires. Certaines causes réelles produisent des associations faibles. Certaines relations ne présentent pas de dose-effet simple. Un mécanisme peut être inconnu. La temporalité reste toutefois indispensable : une cause ne peut normalement pas produire un effet déjà survenu.

Les critères de Hill doivent être utilisés comme un cadre de raisonnement, non comme un algorithme attribuant automatiquement le statut de cause.


La triangulation

La triangulation consiste à étudier une même question à l’aide de méthodes comportant des biais différents. Une étude observationnelle, une expérience naturelle, une analyse mécaniste et un essai contrôlé peuvent chacune être imparfaites. Mais si elles convergent malgré des vulnérabilités distinctes, l’hypothèse causale devient plus robuste. La triangulation est particulièrement importante lorsque l’expérimentation directe est impossible. Elle repose sur une idée simple :

Des méthodes différentes ont peu de chances de produire la même erreur si leurs biais ne sont pas alignés.

La convergence n’est probante que si les méthodes sont véritablement indépendantes dans leurs hypothèses et leurs sources d’erreur.


La réplication

Un résultat causal doit idéalement être reproduit.

La réplication vérifie si l’association apparaît de nouveau :

  • dans un nouvel échantillon ;
  • avec une nouvelle équipe ;
  • dans un autre contexte ;
  • avec une mesure différente ;
  • ou à une autre période.

Une réplication exacte teste la stabilité d’un protocole précis. Une réplication conceptuelle teste si l’effet apparaît par une méthode différente. Un échec de réplication ne réfute pas toujours définitivement l’effet. Les populations, les conditions ou la qualité des méthodes peuvent différer. Mais une hypothèse qui ne fonctionne que dans une configuration très particulière est moins robuste qu’une relation retrouvée régulièrement.


La causalité en médecine

En médecine, établir qu’un traitement produit un effet demande de distinguer son action de plusieurs phénomènes.

Les symptômes peuvent s’améliorer spontanément. Les maladies évoluent naturellement. Les patients peuvent modifier leurs comportements. Les attentes peuvent influencer certains ressentis. La prise en charge globale peut apporter un bénéfice indépendamment du composant spécifique du traitement.

Les essais comparatifs cherchent à isoler l’effet propre de l’intervention. Mais la médecine ne repose pas uniquement sur les essais randomisés. Les effets rares, les risques tardifs et les populations particulières demandent aussi des études observationnelles, des données de pharmacovigilance et une compréhension des mécanismes.

La décision clinique combine donc plusieurs niveaux de preuves.


Régression vers la moyenne

Les personnes consultent souvent ou commencent un traitement lorsque leurs symptômes sont particulièrement intenses. Même sans intervention efficace, les symptômes peuvent ensuite revenir vers leur niveau habituel. Ce phénomène est appelé régression vers la moyenne. La personne attribue naturellement l’amélioration au traitement pris juste avant. La succession temporelle crée une forte impression causale :

J’allais très mal, j’ai pris ce produit, puis je me suis senti mieux.

Cette observation personnelle est réelle, mais plusieurs explications restent possibles.

Un groupe de comparaison ou des observations répétées sont nécessaires pour distinguer l’effet du traitement de l’évolution naturelle.


L’effet placebo et les effets contextuels

Le contexte d’un soin peut modifier certains résultats.

Les attentes, la relation thérapeutique, le rituel et l’attention reçue peuvent influencer la douleur, l’anxiété ou la perception des symptômes. Ces effets sont réels, mais leur interprétation demande de la précision. Ils ne signifient pas que « tout est dans la tête » ni que le traitement spécifique est efficace.

Un essai avec placebo cherche justement à distinguer :

  • l’effet spécifique du traitement ;
  • les effets contextuels ;
  • l’évolution naturelle ;
  • les biais de mesure.

Selon l’objectif, les effets contextuels peuvent avoir une valeur clinique, mais ils ne doivent pas être confondus avec le mécanisme spécifique revendiqué.


La causalité dans les sciences sociales

Les sciences sociales étudient des systèmes ouverts où de nombreuses variables interagissent. Les individus réagissent aux institutions, aux normes et aux politiques. Les interventions peuvent modifier les comportements et donc leurs propres effets. Une politique efficace dans un contexte peut échouer dans un autre parce que les institutions, les ressources ou les attentes diffèrent. Les effets sont souvent probabilistes et hétérogènes. Cela ne rend pas la causalité impossible à étudier.

Les expériences de terrain, les quasi-expériences, les comparaisons historiques et les modèles causaux permettent d’améliorer les inférences. Mais les conclusions doivent généralement préciser leur contexte et leur domaine de validité.


Les boucles de rétroaction

Dans certains systèmes, A influence B, puis B influence à son tour A. Ces boucles de rétroaction rendent les relations causales plus complexes. Le stress peut perturber le sommeil, et le manque de sommeil peut augmenter le stress. La pauvreté peut réduire l’accès à certaines ressources, tandis que l’absence de ces ressources peut maintenir la pauvreté. Dans une boucle, rechercher une cause unique initiale peut être insuffisant. Il faut comprendre la dynamique du système, les points d’amplification et les interventions capables de rompre le cycle.

La corrélation entre A et B peut alors refléter une causalité mutuelle.


Les causes nécessaires ne sont pas toujours les causes les plus utiles

De très nombreuses conditions sont nécessaires à un événement. Pour qu’un accident se produise, il faut que les lois physiques existent, que les objets soient présents et qu’un grand nombre de conditions de fond soient réunies. Mais toutes ne sont pas également utiles pour l’explication ou la prévention. Nous sélectionnons généralement les facteurs qui :

  • varient entre les cas ;
  • auraient pu être modifiés ;
  • distinguent l’événement de la situation normale ;
  • offrent un point d’intervention.

Cette sélection dépend du but de l’enquête.

Une analyse scientifique, juridique et préventive peut mettre en avant des causes différentes sans nécessairement se contredire.


Causes individuelles et causes populationnelles

Un facteur peut expliquer pourquoi un groupe présente davantage un phénomène sans expliquer précisément pourquoi tel individu en particulier est concerné. Le tabagisme explique une part importante des différences de risque dans une population. Mais il ne suffit pas à expliquer entièrement pourquoi une personne précise développe une maladie et une autre non. Inversement, identifier une particularité individuelle ne dit pas nécessairement pourquoi la fréquence du phénomène varie entre populations. Les explications individuelles et populationnelles répondent à des questions différentes. Confondre les deux conduit à des erreurs.

Une cause importante à l’échelle collective peut ne pas déterminer chaque cas. Une cause immédiate d’un cas individuel peut ne pas expliquer une tendance sociale générale.


Le paradoxe de Simpson

Une association observée dans plusieurs sous-groupes peut s’inverser lorsque les données sont regroupées, ou l’inverse. Ce phénomène est appelé paradoxe de Simpson. Il apparaît lorsque la répartition des groupes et une variable supplémentaire modifient la relation apparente. Un traitement peut sembler meilleur globalement, mais moins bon dans chaque catégorie de gravité, parce qu’il a été davantage administré aux patients les plus sévèrement atteints.

Le paradoxe montre que l’agrégation des données peut masquer la structure causale. Il ne suffit pas de calculer une corrélation globale. Il faut comprendre comment les groupes ont été constitués et quelles variables influencent l’exposition et le résultat.


Le biais de sélection

Une association peut être créée ou déformée par la manière dont les participants entrent dans l’étude. Supposons que nous étudiions uniquement les personnes hospitalisées. L’hospitalisation peut dépendre à la fois de l’exposition et de la maladie. Dans ce sous-groupe sélectionné, des variables indépendantes dans la population générale peuvent devenir artificiellement associées. Le biais de sélection apparaît aussi lorsque les participants volontaires diffèrent des non-participants, lorsque les abandons sont liés au traitement ou lorsque seules certaines données sont disponibles.

Une grande taille d’échantillon ne corrige pas un biais de sélection systématique. Elle peut seulement produire une estimation très précise d’une relation biaisée.


Le biais de publication

Les résultats positifs, surprenants ou statistiquement significatifs sont plus facilement publiés que les résultats négatifs. La littérature disponible peut alors exagérer l’existence ou l’ampleur des effets. Si dix études sont menées et que seule la plus favorable est publiée, le lecteur obtient une vision trompeuse. Les revues systématiques tentent d’identifier ce biais, mais elles dépendent des informations accessibles. Le préenregistrement des études et la publication des résultats indépendamment de leur direction réduisent ce problème. La preuve causale doit donc être évaluée à partir de l’ensemble des recherches, pas seulement des études visibles.


La fraude n’est pas la seule source d’erreur

Les résultats trompeurs ne proviennent pas nécessairement d’une volonté de falsification. Ils peuvent résulter de :

  • choix analytiques flexibles ;
  • mesures imprécises ;
  • échantillons faibles ;
  • hypothèses formulées après les résultats ;
  • biais inconscients ;
  • sélection involontaire des données.

Une étude peut être réalisée honnêtement et produire une conclusion incorrecte. Les procédures scientifiques ne reposent donc pas uniquement sur la vertu individuelle des chercheurs. Elles organisent la vérification, la critique et la reproduction. La causalité est rarement établie par la confiance dans une seule personne ou une seule étude.


Les données massives ne résolvent pas tout

Un très grand volume de données peut révéler des associations fines. Mais davantage de données ne transforme pas automatiquement une corrélation en causalité. Une base immense peut contenir les mêmes biais à très grande échelle. Plus les variables disponibles sont nombreuses, plus les corrélations fortuites deviennent faciles à trouver. Les algorithmes prédictifs peuvent exploiter des régularités sans identifier les mécanismes qui les produisent. Les données massives améliorent la précision descriptive et prédictive, mais l’inférence causale demande toujours des hypothèses, des comparaisons et des méthodes adaptées.


Prédire n’est pas toujours expliquer

Un modèle peut prédire correctement un résultat grâce à une variable qui n’est pas causalement responsable. La présence de certaines expressions dans un dossier peut prédire une décision parce qu’elles sont associées à un contexte, sans produire elles-mêmes la décision. Un modèle prédictif peut être utile même sans causalité. Mais il devient dangereux si nous intervenons sur le prédicteur en supposant qu’il est une cause. Supprimer un indicateur corrélé ne supprime pas nécessairement le phénomène. Pour agir efficacement, il faut généralement identifier les variables dont la modification produit réellement un changement.

La prédiction répond à la question :

Que va-t-il probablement se produire ?

La causalité répond à la question :

Que se produirait-il si nous modifiions ce facteur ?


Causalité et intervention

Une conception influente de la causalité affirme que A cause B lorsque intervenir sur A modifierait B, toutes choses pertinentes étant comparables. Cette approche associe causalité et manipulation. Si réduire une exposition diminue régulièrement un risque, nous possédons un argument causal. Mais toutes les causes ne sont pas facilement manipulables. Nous ne pouvons pas modifier directement l’âge, l’histoire passée ou certains événements naturels.

L’idée d’intervention peut alors être utilisée de manière théorique : imaginer une modification suffisamment précise de la variable. Cette approche aide à distinguer corrélation et action possible, mais elle ne réduit pas toutes les causes à des interventions humaines réelles.


Les contrefactuels

Une affirmation causale compare implicitement deux situations :

  • ce qui s’est produit avec le facteur ;
  • ce qui se serait produit sans lui.

Si une intervention a été suivie d’une amélioration, la question causale est :

La même personne se serait-elle également améliorée sans l’intervention ?

Cette situation alternative est appelée contrefactuelle. Elle ne peut pas être observée directement pour le même individu au même moment. Toute méthode causale tente donc de construire une comparaison crédible : groupe randomisé, groupe apparié, tendance historique ou expérience naturelle. La qualité de l’inférence dépend de la plausibilité de cette comparaison.


Les causes multiples

Un effet peut résulter d’une combinaison de facteurs dont aucun n’est suffisant seul. Un accident peut dépendre d’une fatigue, d’une mauvaise signalisation, d’une défaillance technique et d’une décision particulière. Retirer l’un de ces facteurs aurait pu empêcher l’événement, même si aucun n’était « la cause unique ».

La recherche causale ne doit donc pas toujours chercher un facteur exclusif. Elle peut identifier plusieurs composants d’un ensemble causal. Cette conception est particulièrement utile pour la prévention : plusieurs interventions modestes peuvent réduire le risque même si aucune ne supprime toutes les causes.


Causes déclenchantes et causes structurelles

Une étincelle peut déclencher un incendie. Mais la présence de matériaux inflammables, l’absence de dispositif de sécurité et les conditions de sécheresse expliquent pourquoi l’étincelle a produit un effet aussi grave. La cause déclenchante est proche de l’événement. Les causes structurelles créent l’environnement dans lequel le déclencheur devient efficace. Dans les débats publics, on se concentre souvent sur le dernier événement visible. Cela peut conduire à négliger les conditions qui rendent le problème récurrent.

Une explication utile articule :

  • le déclencheur ;
  • les vulnérabilités ;
  • les mécanismes d’amplification ;
  • les protections absentes.

Cette approche évite d’opposer artificiellement causes individuelles et causes systémiques.


Causalité et responsabilité

Établir qu’un facteur cause un événement ne suffit pas à attribuer une responsabilité morale ou juridique. Un facteur peut être causal sans être intentionnel, évitable ou fautif. Inversement, une personne peut être responsable d’avoir créé un risque même si l’effet final dépend aussi d’autres causes. La responsabilité demande des questions supplémentaires :

  • l’agent pouvait-il prévoir l’effet ?
  • pouvait-il agir autrement ?
  • avait-il un devoir particulier ?
  • son action a-t-elle contribué de manière significative ?
  • existait-il des circonstances atténuantes ?

La causalité constitue souvent une condition de la responsabilité, mais elle ne la détermine pas entièrement.


Peut-on prouver définitivement une cause ?

Dans certains contextes expérimentaux simples, la relation causale peut être établie avec une grande confiance. Dans les systèmes complexes, la causalité reste souvent une conclusion graduelle. Nous accumulons des arguments :

  • temporalité ;
  • expérimentation ;
  • mécanisme ;
  • relation dose-effet ;
  • cohérence ;
  • réplication ;
  • triangulation.

La preuve causale ressemble alors moins à une démonstration mathématique qu’à une convergence d’éléments.

L’absence de certitude absolue ne signifie pas que toutes les hypothèses restent équivalentes.

Certaines relations causales sont extrêmement bien établies. D’autres demeurent possibles, probables ou controversées.

Le vocabulaire doit refléter ce degré de confiance.


L’absence d’effet est difficile à établir

Ne pas observer de relation significative ne prouve pas toujours qu’aucun effet n’existe. L’étude peut manquer de participants, utiliser une mesure imprécise ou examiner une durée trop courte. L’effet peut exister seulement dans un sous-groupe ou être compensé par un autre mécanisme. Pour soutenir une absence d’effet pertinente, il faut montrer que l’étude était capable de détecter une différence suffisamment importante. Les études d’équivalence ou de non-infériorité utilisent des méthodes spécifiques pour répondre à ces questions.

L’absence de preuve n’est pas automatiquement la preuve de l’absence. Mais lorsque de nombreuses études puissantes ne trouvent aucun effet important, l’absence devient progressivement mieux soutenue.


Les témoignages individuels

Un témoignage peut établir qu’un événement a été vécu :

« J’ai pris ce produit et mes symptômes ont diminué. »

Il ne suffit généralement pas à établir que le produit a causé l’amélioration.

Le récit individuel ne permet pas facilement d’écarter :

  • l’évolution naturelle ;
  • les autres changements ;
  • la régression vers la moyenne ;
  • les attentes ;
  • les erreurs de mémoire.

Cela ne signifie pas que les témoignages soient inutiles. Ils peuvent signaler un effet inattendu, formuler une hypothèse ou révéler une expérience mal étudiée. Mais passer du cas individuel à une conclusion générale demande une enquête supplémentaire.


L’expérience personnelle et la causalité

Nous apprenons beaucoup par l’expérience quotidienne. Lorsque nous appuyons plusieurs fois sur un interrupteur et que la lumière s’allume, nous formons raisonnablement une croyance causale. La répétition, la proximité temporelle et la compréhension du mécanisme rendent l’inférence solide. Mais les situations humaines complexes offrent rarement un contrôle aussi clair. Une amélioration après une décision ne prouve pas que la décision en est la cause. Plusieurs événements se sont produits simultanément.

L’expérience personnelle devient plus informative lorsque :

  • l’effet se répète ;
  • les alternatives sont limitées ;
  • le mécanisme est plausible ;
  • la relation disparaît lorsque le facteur est absent ;
  • les observations d’autres personnes convergent.

La prudence doit augmenter avec la complexité du système.


Une corrélation faible peut révéler une cause réelle

Les phénomènes humains dépendent de nombreuses influences. Une cause réelle peut donc expliquer seulement une petite partie des différences observées. Le sommeil influence la santé, mais il n’est pas le seul facteur. Une intervention éducative peut améliorer légèrement une moyenne sans transformer chaque parcours.

Une faible corrélation ne signifie pas nécessairement absence de causalité. Elle peut refléter :

  • une cause parmi beaucoup d’autres ;
  • des mesures imprécises ;
  • des effets différents selon les groupes ;
  • une exposition irrégulière.

L’importance pratique doit être évaluée à partir de l’ampleur, des coûts, de la population concernée et des alternatives.


Une forte corrélation peut être non causale

Deux variables peuvent être très fortement corrélées parce qu’elles mesurent presque le même phénomène ou dépendent d’une cause commune. Le nombre de pompiers présents sur un incendie est fortement associé à l’ampleur des dégâts. Cela ne signifie pas que les pompiers causent les dégâts. Les incendies les plus graves mobilisent davantage de pompiers et produisent davantage de dommages.

La gravité initiale constitue la cause commune. Cet exemple montre pourquoi la force statistique ne suffit pas. Une relation causale demande une histoire cohérente avec l’organisation temporelle et les mécanismes.


Le rôle des connaissances antérieures

Les données ne parlent pas entièrement seules. Pour décider quelles variables mesurer, contrôler ou interpréter, nous utilisons des connaissances antérieures. Un modèle causal repose sur une compréhension du domaine : biologie, psychologie, économie, sociologie ou ingénierie. Cela ne signifie pas que l’analyse soit arbitraire. Les hypothèses peuvent être rendues explicites, testées et comparées. Mais l’idée qu’un algorithme découvrirait automatiquement les causes sans théorie est généralement excessive.

Les données peuvent révéler des régularités inattendues. Leur interprétation causale demande encore un cadre conceptuel.


Le danger du raisonnement motivé

Nous pouvons exiger une preuve causale très forte pour les relations qui nous dérangent et accepter une simple corrélation lorsqu’elle confirme nos convictions. Cette asymétrie est fréquente dans les débats politiques, sanitaires ou moraux. Une association favorable à notre position est présentée comme une cause évidente. Une association défavorable est immédiatement attribuée à des facteurs de confusion. L’esprit critique demande d’appliquer les mêmes critères aux hypothèses que nous apprécions et à celles que nous rejetons. Il faut demander dans les deux cas :

  • la temporalité est-elle claire ?
  • les facteurs de confusion sont-ils traités ?
  • des méthodes différentes convergent-elles ?
  • l’effet a-t-il été reproduit ?
  • existe-t-il un mécanisme plausible ?

La rigueur se mesure aussi à la symétrie des exigences.


Les titres médiatiques

Les résultats corrélationnels sont souvent présentés dans les médias sous une forme causale.

Une étude observe une association entre un comportement et un résultat. Le titre annonce :

« Ce comportement provoque… »

La formulation plus précise serait souvent :

« Les personnes présentant ce comportement avaient davantage tendance à… »

La transformation est séduisante parce que la causalité produit un message plus clair et plus utile. Mais elle efface les limites de l’étude.

Pour évaluer un titre, il faut rechercher :

  • le type d’étude ;
  • la population ;
  • la taille de l’effet ;
  • les variables contrôlées ;
  • la chronologie ;
  • les formulations prudentes des auteurs.

Le résumé médiatique peut être plus affirmatif que la publication originale.


Les cartes et les comparaisons géographiques

Les cartes montrant deux phénomènes répartis de manière similaire peuvent donner une impression puissante de causalité. Mais les régions diffèrent sur de nombreuses dimensions : âge, densité, revenu, climat, accès aux soins, histoire ou structure économique. Une association géographique peut également conduire à l’erreur écologique : attribuer aux individus une relation observée entre des groupes. Une région riche peut présenter un indicateur élevé sans que les individus les plus riches soient ceux qui présentent cet indicateur. Les données agrégées décrivent des populations, pas nécessairement les relations individuelles. L’échelle d’analyse doit correspondre à la conclusion.


Comment formuler une conclusion causale prudente ?

Lorsque les éléments restent limités, il est préférable d’utiliser un vocabulaire gradué.

Une étude peut montrer :

une association ;

une relation compatible avec un effet causal ;

des éléments suggérant une contribution causale ;

une forte probabilité de relation causale ;

un effet causal solidement établi.

Ces formulations ne sont pas de simples précautions stylistiques. Elles indiquent le niveau de preuve. Dire qu’un facteur « contribue à », « augmente le risque » ou « est associé à » peut être plus exact que dire qu’il « provoque » systématiquement l’effet. La précision du langage protège contre la transformation d’une relation probabiliste en déterminisme absolu.


Une méthode pratique d’évaluation

Lorsqu’une corrélation est présentée comme causale, plusieurs étapes peuvent guider l’examen.

Il faut d’abord préciser les variables : comment sont-elles définies et mesurées ?

Il faut ensuite vérifier l’ordre temporel : le facteur précède-t-il réellement l’effet ?

Il faut rechercher les principales causes communes et les différences initiales entre les groupes. Il faut examiner la méthode : expérience randomisée, cohorte, comparaison rétrospective ou simple enquête transversale. Il faut enfin rechercher la convergence : mécanisme, dose-effet, réplication, autres populations et autres méthodes. Une causalité crédible repose rarement sur un seul indicateur.


Questions pour examiner une prétention causale

  • Les deux variables sont-elles seulement associées ou existe-t-il une intervention ?
  • Le facteur supposé causal précède-t-il l’effet ?
  • Une causalité inverse est-elle possible ?
  • Une troisième variable pourrait-elle expliquer les deux ?
  • Comment les variables ont-elles été mesurées ?
  • Les groupes étaient-ils comparables avant l’exposition ?
  • L’exposition a-t-elle été randomisée ?
  • Quel groupe de comparaison a été utilisé ?
  • Des abandons ou sélections ont-ils pu biaiser le résultat ?
  • Les facteurs de confusion importants ont-ils été pris en compte ?
  • Certains facteurs contrôlés pourraient-ils être des médiateurs ?
  • L’effet est-il statistiquement précis ?
  • Quelle est son ampleur pratique ?
  • Existe-t-il une relation dose-effet ?
  • Un mécanisme indépendant soutient-il l’hypothèse ?
  • Le résultat a-t-il été reproduit ?
  • Plusieurs méthodes aux biais différents convergent-elles ?
  • L’effet vaut-il dans d’autres populations ?
  • Les auteurs parlent-ils d’association ou de causalité ?
  • Quel fait conduirait à réviser l’interprétation ?

Erreurs fréquentes autour de la causalité

Après cela, donc à cause de cela

Le fait que B survienne après A ne prouve pas que A a causé B.

Confondre corrélation forte et causalité

Une cause commune peut produire une relation statistique presque parfaite.

Ignorer la causalité inverse

L’effet supposé peut en réalité influencer l’exposition.

Contrôler toutes les variables disponibles

Certaines variables ne doivent pas être contrôlées, notamment lorsqu’elles font partie du mécanisme causal.

Confondre significativité statistique et importance

Un effet minuscule peut être significatif dans un grand échantillon.

Confondre absence de significativité et absence d’effet

Une étude peut manquer de précision.

Généraliser un effet moyen à chaque individu

Une moyenne ne décrit pas chaque réponse personnelle.

Déduire une relation individuelle de données agrégées

Les corrélations entre régions ou groupes ne s’appliquent pas automatiquement aux individus.

Se fier à une seule étude

La causalité est mieux soutenue par la convergence et la réplication.

Croire qu’un mécanisme plausible est une preuve

Une histoire biologique ou psychologique cohérente peut rester spéculative.

Croire que davantage de données élimine les biais

Une immense base de données peut reproduire un biais systématique avec une grande précision.

Transformer une association en titre causal

La communication peut être plus affirmative que les résultats.

Sélectionner seulement les sous-groupes favorables

Les analyses postérieures aux résultats augmentent les faux positifs.

Utiliser des exigences différentes selon ses préférences

Une méthode doit être jugée de la même façon lorsqu’elle confirme ou contredit nos convictions.


À retenir

Une corrélation indique que deux variables varient ensemble. Elle ne précise pas, à elle seule, si l’une produit l’autre.

Une association peut venir d’une causalité directe, d’une causalité inverse, d’une cause commune, d’un biais ou du hasard.

Un facteur de confusion est associé à la fois à l’exposition et au résultat. Il peut créer ou masquer une relation apparente.

La randomisation est l’un des meilleurs moyens d’équilibrer les facteurs connus et inconnus entre les groupes, mais elle n’est ni toujours possible ni parfaite.

Les études observationnelles restent indispensables. Leur interprétation causale demande davantage d’hypothèses et de contrôles.

Ajuster statistiquement une variable ne garantit pas que son influence soit entièrement éliminée.

Contrôler une variable située sur le chemin causal peut masquer une partie de l’effet réel.

La causalité repose sur une comparaison contrefactuelle : que se serait-il produit sans le facteur étudié ?

Une estimation causale doit être évaluée par son ampleur, son incertitude, sa robustesse et sa portée, pas seulement par sa significativité statistique.

Une relation dose-effet, un mécanisme plausible, la temporalité, la réplication et la convergence de plusieurs méthodes renforcent l’interprétation causale.

Une cause peut modifier une probabilité sans produire l’effet dans chaque cas.

Un effet moyen dans une population ne permet pas de prévoir avec certitude la réponse d’un individu.

La causalité est souvent graduelle et collective : elle résulte d’un faisceau d’arguments plutôt que d’une démonstration unique.


Repères et prolongements

Cette fiche prépare notamment les questions suivantes :

  • Qu’est-ce qu’un contrefactuel ?
  • Comment les expériences randomisées approchent-elles le monde qui n’a pas eu lieu ?
  • Quels sont les principaux biais des études observationnelles ?
  • Comment distinguer facteur de confusion, médiateur et modérateur ?
  • Pourquoi contrôler davantage de variables peut-il parfois aggraver une analyse ?
  • Comment fonctionnent les diagrammes causaux ?
  • Une cause doit-elle être manipulable ?
  • Qu’est-ce qu’une cause probabiliste ?
  • Comment passer d’un effet moyen à une décision individuelle ?
  • Pourquoi une prédiction exacte peut-elle reposer sur une mauvaise explication ?
  • Comment établir une causalité dans les sciences sociales ?
  • Qu’est-ce qu’une convergence de preuves réellement indépendante ?

Quelques références

  • David Hume, *Enquête sur l’entendement humain*.
  • John Stuart Mill, *Système de logique*.
  • Ronald Fisher, travaux sur l’expérimentation et la randomisation.
  • Austin Bradford Hill, « The Environment and Disease: Association or Causation? ».
  • Donald Rubin, travaux sur le modèle causal potentiel.
  • Paul Rosenbaum et Donald Rubin, travaux sur le score de propension.
  • Judea Pearl, *Causality*.
  • Judea Pearl et Dana Mackenzie, *The Book of Why*.
  • James Woodward, *Making Things Happen*.
  • Miguel Hernán et James Robins, *Causal Inference: What If*.
  • Nancy Cartwright, *Hunting Causes and Using Them*.
  • Stephen Morgan et Christopher Winship, *Counterfactuals and Causal Inference*.
  • Kenneth Rothman, Sander Greenland et Timothy Lash, *Modern Epidemiology*.
  • Richard Shadish, Thomas Cook et Donald Campbell, *Experimental and Quasi-Experimental Designs for Generalized Causal Inference*.
32 sur 60Retour à la catégorie