Corrélation n’est pas causalité

Deux phénomènes peuvent évoluer ensemble sans que l’un provoque l’autre.

Cette idée est résumée par une formule célèbre :

corrélation n’est pas causalité.

Mais cette phrase est parfois utilisée de manière trop vague. Elle ne signifie pas que les corrélations sont inutiles, ni qu’une relation causale ne produit jamais de corrélation.

Elle signifie simplement qu’une association statistique, à elle seule, ne permet pas de déterminer pourquoi deux variables sont liées.

Qu’est-ce qu’une corrélation ?

Une corrélation décrit une relation entre deux variables.

Par exemple :

  • quand X augmente, Y augmente ;
  • quand X augmente, Y diminue ;
  • ou les deux évoluent sans relation claire.

Supposons qu’on observe que les personnes qui font davantage d’activité physique ont en moyenne une mortalité plus faible.

Il existe alors une association statistique entre activité physique et mortalité.

La question causale est différente :

« Si nous faisions augmenter l’activité physique de personnes comparables, leur mortalité diminuerait-elle ? »

Association observée et intervention

Cette différence est fondamentale.

Une étude observationnelle peut montrer :

les personnes actives vivent plus longtemps.

Mais pour conclure :

faire davantage d’exercice prolonge la vie,

il faut exclure plusieurs explications alternatives.

Par exemple, les personnes actives peuvent aussi :

  • fumer moins ;
  • avoir un revenu plus élevé ;
  • consulter davantage ;
  • être initialement en meilleure santé.

L’association peut être causale, mais elle ne le démontre pas à elle seule.

Trois grandes explications d’une corrélation

Lorsque X et Y sont associés, plusieurs scénarios sont possibles.

1. X cause Y

Par exemple :

tabagisme → cancer du poumon.

2. Y cause X

C’est la causalité inverse.

Par exemple, une maladie débutante peut réduire l’activité physique avant même le diagnostic.

On observe alors :

faible activité ↔ maladie

alors qu’une partie de la relation vient de :

maladie → faible activité.

3. Un troisième facteur cause X et Y

On parle de facteur de confusion.

Par exemple :

âge → consommation de médicaments

et

âge → mortalité.

Les médicaments peuvent sembler associés à la mortalité simplement parce que les personnes âgées en prennent davantage.

Une quatrième possibilité : le hasard

Une corrélation peut aussi apparaître simplement par fluctuation aléatoire.

Plus on teste de variables, plus ce problème devient important.

Avec suffisamment de comparaisons, certaines associations spectaculaires apparaîtront sans mécanisme réel.

C’est pourquoi la réplication est essentielle.

Corrélations absurdes

On peut parfois trouver des corrélations très élevées entre des phénomènes sans lien causal plausible.

Par exemple, deux séries temporelles peuvent augmenter ensemble pendant plusieurs années :

  • consommation d’un produit ;
  • nombre d’accidents ;
  • popularité d’un prénom.

Une corrélation impressionnante ne crée pas un mécanisme causal.

Pourquoi les séries temporelles sont piégeuses

Supposons que deux phénomènes augmentent tous les deux avec le temps.

Par exemple :

  • utilisation d’internet ;
  • espérance de vie.

Ils seront probablement corrélés.

Mais cela ne signifie évidemment pas que l’un explique directement l’autre.

La variable cachée est ici simplement :

le temps, associé à de nombreux changements sociaux et technologiques.

Tendance commune

Deux variables peuvent donc être corrélées parce qu’elles suivent une tendance commune.

C’est particulièrement important lorsqu’on compare des séries nationales sur plusieurs décennies.

Il faut souvent analyser :

  • tendances ;
  • saisonnalité ;
  • ruptures ;
  • décalages temporels.

Une simple corrélation brute peut être très trompeuse.

Exemple classique : glaces et noyades

On observe souvent l’exemple suivant :

les ventes de glaces augmentent en même temps que les noyades.

Il serait absurde de conclure :

les glaces provoquent les noyades.

Le facteur commun est :

la chaleur estivale.

Quand il fait chaud :

  • davantage de personnes achètent des glaces ;
  • davantage de personnes se baignent.

La température crée l’association.

Le facteur de confusion

On peut représenter ce mécanisme ainsi :

Température → consommation de glaces

et

Température → baignades → noyades.

La consommation de glaces n’est pas la cause des noyades.

Elle est simplement associée à un facteur qui influence aussi le résultat.

C’est le principe du confounding.

Exemple médical

Supposons qu’on observe que les personnes prenant beaucoup de médicaments meurent davantage.

On pourrait conclure :

« les médicaments augmentent la mortalité ».

Mais les personnes prenant le plus de médicaments sont souvent :

  • plus âgées ;
  • plus malades ;
  • atteintes de plusieurs pathologies.

La maladie et l’âge augmentent à la fois :

  • la probabilité de prendre des médicaments ;
  • la mortalité.

L’association brute ne suffit donc pas pour évaluer l’effet des médicaments.

Confusion par indication

Dans les études de traitements, un mécanisme important est la confusion par indication.

Les patients les plus malades reçoivent parfois les traitements les plus puissants.

Si on compare simplement traités et non-traités, le traitement peut sembler associé à une mortalité plus élevée.

Mais une partie de cette association vient de la gravité initiale.

Exemple

Supposons :

  • patients légers : peu traités, mortalité faible ;
  • patients graves : beaucoup traités, mortalité élevée.

On observe :

traitement ↔ mortalité.

Mais la chaîne réelle peut être :

gravité → traitement

et

gravité → mortalité.

Sans tenir compte de la gravité, on risque d’attribuer au traitement ce qui vient de la maladie.

La corrélation peut masquer un effet causal réel

Le problème peut aussi fonctionner dans l’autre sens.

Supposons qu’un traitement soit réellement bénéfique mais réservé aux patients les plus graves.

La mortalité des traités peut rester plus élevée que celle des non-traités malgré l’efficacité du médicament.

L’association brute peut donc cacher un véritable bénéfice causal.

Causalité inverse

Un autre piège majeur est de confondre cause et conséquence.

Supposons qu’on observe :

faible poids ↔ mortalité élevée.

On pourrait conclure :

« être mince augmente le risque de décès ».

Mais certaines maladies chroniques provoquent une perte de poids avant le diagnostic.

La relation peut donc être en partie :

maladie → perte de poids

et

maladie → mortalité.

La faiblesse pondérale devient un signe précoce plutôt qu’une cause principale.

Exemple : activité physique

Une personne souffrant d’une maladie débutante peut réduire son activité plusieurs mois ou années avant le diagnostic.

Une étude peut alors trouver :

faible activité → maladie.

Mais une partie de l’association vient de :

maladie préclinique → faible activité.

Pour limiter ce problème, on peut parfois exclure les événements survenant très peu de temps après le début du suivi.

Temporalité

Une cause doit généralement précéder son effet.

C’est une condition minimale.

Si l’on ne sait pas si X a précédé Y, l’interprétation causale devient fragile.

Les études longitudinales ont un avantage important sur les études transversales pour cette raison.

Mais temporalité ne suffit pas

Si X précède Y, cela ne prouve pas que X cause Y.

Le chant du coq précède souvent le lever du soleil.

Cela ne signifie pas que le coq fait lever le soleil.

La temporalité est nécessaire dans de nombreux raisonnements causaux, mais elle n’est pas suffisante.

Post hoc ergo propter hoc

Le sophisme :

« après cela, donc à cause de cela »

est appelé post hoc ergo propter hoc.

Il apparaît souvent dans les témoignages médicaux.

Par exemple :

« J’ai pris ce produit mardi et j’ai eu mal à la tête mercredi, donc le produit a causé le mal de tête. »

C’est possible.

Mais il faut aussi envisager :

  • coïncidence ;
  • maladie sous-jacente ;
  • autre exposition.

L’ordre temporel seul n’établit pas la causalité.

Corrélation négative

Une association causale peut être positive ou négative.

Par exemple :

vaccination → diminution du risque de maladie.

On observe alors une corrélation négative :

plus la vaccination est élevée, moins certains événements surviennent.

Mais la même prudence s’applique : une corrélation négative ne prouve pas automatiquement une protection causale.

Un indicateur peut être un proxy

Une variable peut être associée à une maladie parce qu’elle sert de proxy, c’est-à-dire d’indicateur indirect d’un autre facteur.

Supposons que l’on trouve une association entre :

possession d’une grande bibliothèque personnelle

et

meilleure santé.

Il serait étrange de conclure que les livres ont directement un effet biologique.

La bibliothèque peut refléter :

  • niveau d’éducation ;
  • revenu ;
  • habitudes culturelles.

Le proxy est informatif, mais pas nécessairement causal.

Prédicteur ≠ cause

Cette distinction est centrale.

Un facteur peut être excellent pour prédire un événement sans le provoquer.

Par exemple, les cheveux blancs prédisent l’âge.

Mais teindre ses cheveux ne rajeunit pas.

De même, un marqueur biologique peut prédire fortement une maladie tout en n’étant qu’un reflet d’un processus causal plus profond.

Cause ≠ bon prédicteur individuel

L’inverse est également vrai.

Un facteur causal peut être important mais prédire assez mal qui tombera malade.

Le tabac cause beaucoup de cancers du poumon, mais tous les fumeurs ne développeront pas ce cancer.

Une cause n’est pas nécessairement un destin individuel.

Corrélation faible mais effet populationnel important

Une relation statistique modeste peut néanmoins être causale et importante à l’échelle d’une population.

Si un facteur très fréquent augmente légèrement le risque individuel, il peut produire beaucoup d’événements au total.

L’ampleur de la corrélation ne se confond donc pas avec l’importance de la cause en santé publique.

Corrélation forte mais causalité faible ou absente

À l’inverse, une très forte association peut être principalement due à un facteur commun.

Supposons qu’un biomarqueur augmente fortement à mesure qu’une maladie progresse.

Il peut prédire parfaitement la mortalité.

Mais si le biomarqueur n’est qu’une conséquence de la maladie, le modifier artificiellement ne changera peut-être rien au pronostic.

Marqueur et médiateur

Il est important de distinguer :

marqueur : associé au processus ;

médiateur causal : participe réellement à la chaîne causale.

Cette distinction est cruciale dans le développement de traitements.

Réduire un marqueur n’améliore le patient que si le marqueur est causal ou suffisamment lié à un mécanisme causal.

L’exemple des critères intermédiaires

Supposons qu’un médicament améliore fortement un biomarqueur cardiovasculaire.

On pourrait penser :

biomarqueur amélioré → moins d’infarctus.

Mais ce raisonnement n’est valide que si modifier le biomarqueur par cette intervention entraîne réellement une modification du risque clinique.

Certains traitements améliorent des critères intermédiaires sans améliorer, voire en aggravant, les résultats cliniques.

La relation entre marqueur et maladie ne suffit donc pas.

Dose-réponse

Une relation où davantage d’exposition est associée à davantage de risque peut renforcer une hypothèse causale.

Par exemple :

plus de cigarettes fumées → plus de risque.

Mais une relation dose-réponse n’est pas une preuve absolue.

Un facteur de confusion peut lui aussi produire une relation graduelle.

Exemple

Supposons que le niveau de revenu influence à la fois :

  • qualité de l’alimentation ;
  • accès aux soins.

On peut observer une relation progressive entre un aliment et la santé simplement parce que sa consommation augmente avec le revenu.

La dose-réponse doit donc être interprétée dans l’ensemble du raisonnement causal.

Cohérence entre études

Une association observée :

  • dans plusieurs pays ;
  • plusieurs méthodes ;
  • plusieurs périodes

est généralement plus convaincante qu’un résultat isolé.

Mais la répétition seule ne prouve pas la causalité si toutes les études partagent le même biais.

La diversité méthodologique est importante.

Triangulation

Supposons qu’un même effet apparaisse dans :

  • cohortes ;
  • études cas-témoins ;
  • expérience naturelle ;
  • essai randomisé lorsqu’il est possible.

Chaque méthode possède des biais différents.

La convergence devient alors beaucoup plus difficile à expliquer par une seule erreur.

C’est la triangulation.

Mécanisme biologique

Un mécanisme plausible peut également renforcer l’interprétation.

Si l’on peut montrer :

exposition → modification biologique → lésions → maladie,

la chaîne causale devient plus crédible.

Mais l’existence d’un mécanisme plausible ne remplace pas les données épidémiologiques.

De nombreux mécanismes théoriques plausibles se révèlent insuffisants ou faux en pratique.

La biologie permet souvent plusieurs histoires

À partir d’une association, on peut souvent imaginer plusieurs mécanismes plausibles.

Le cerveau humain est très doué pour construire une explication après coup.

Une explication mécanistique est donc plus forte lorsqu’elle a été :

  • prédite indépendamment ;
  • démontrée expérimentalement ;
  • retrouvée à plusieurs niveaux.

Expérience

L’un des moyens les plus puissants de tester la causalité est d’intervenir directement sur X et d’observer Y.

C’est la logique de l’essai randomisé.

Si une intervention attribuée au hasard modifie le résultat, l’hypothèse causale devient beaucoup plus forte.

Mais on ne peut pas tout randomiser

On ne peut évidemment pas randomiser :

  • tabagisme pendant trente ans ;
  • pollution toxique ;
  • amiante.

La causalité doit alors être établie par d’autres méthodes :

  • cohortes ;
  • cas-témoins ;
  • expériences naturelles ;
  • mécanismes ;
  • cohérence générale.

L’absence d’essai randomisé ne signifie pas absence possible de preuve causale.

Le tabac comme exemple historique

La causalité entre tabagisme et cancer du poumon a été établie sans essai randomisé imposant aux participants de fumer.

Les arguments reposaient notamment sur :

  • forte association ;
  • réplication ;
  • temporalité ;
  • relation dose-réponse ;
  • mécanismes biologiques ;
  • diminution du risque après arrêt.

C’est un exemple classique de convergence d’indices causaux.

Expériences naturelles

Certaines situations produisent une variation d’exposition proche d’une expérience.

Par exemple :

  • changement de réglementation ;
  • pénurie ;
  • seuil administratif.

Si la variation est suffisamment indépendante des caractéristiques des personnes, elle peut renforcer l’interprétation causale.

Instrumental variables

Des méthodes comme les variables instrumentales cherchent à exploiter une source de variation de l’exposition qui ne soit pas directement liée au résultat par d’autres voies.

L’idée est de se rapprocher d’une randomisation naturelle.

Mais les hypothèses nécessaires sont fortes et doivent être justifiées.

Randomisation mendélienne

En épidémiologie génétique, la randomisation mendélienne utilise certains variants génétiques comme instruments pour étudier l’effet causal potentiel d’une exposition biologique.

Par exemple, des variants influençant naturellement un biomarqueur peuvent aider à examiner si ce biomarqueur joue un rôle causal.

Cette méthode peut être très utile, mais elle dépend d’hypothèses précises et ne constitue pas une randomisation parfaite.

Association écologique

Supposons que les pays consommant davantage d’un aliment présentent moins de maladies.

Cette corrélation peut être réelle au niveau national.

Mais elle ne montre pas que les personnes qui consomment davantage de cet aliment sont celles qui tombent moins malades.

C’est le problème du sophisme écologique.

Association individuelle et association populationnelle

Une relation peut différer selon le niveau d’analyse.

Au niveau individuel :

X peut augmenter le risque.

Au niveau des pays :

les pays ayant plus de X peuvent avoir moins de maladie à cause d’autres différences.

Il faut donc toujours identifier l’unité de l’analyse.

Simpson encore

Le paradoxe de Simpson montre qu’une association globale peut changer ou s’inverser après prise en compte d’une troisième variable.

Cela illustre parfaitement pourquoi une corrélation brute peut être insuffisante pour comprendre la causalité.

Exemple pédagogique

Supposons que deux traitements soient utilisés :

  • traitement A surtout chez les patients graves ;
  • traitement B surtout chez les patients légers.

Globalement, A peut sembler moins efficace.

Mais lorsque l’on compare séparément les patients de même gravité, A peut être meilleur dans chaque groupe.

La gravité confondait la comparaison.

Ajuster sur une variable

Une stratégie consiste à comparer les individus ayant des valeurs similaires du facteur de confusion.

On peut :

  • stratifier ;
  • standardiser ;
  • utiliser une régression.

Mais ajuster statistiquement ne garantit pas que le problème causal soit résolu.

Il faut ajuster sur les bonnes variables.

Le danger du surajustement

Certaines variables se trouvent sur la chaîne causale.

Supposons :

tabac → hypertension → AVC.

Si l’on veut estimer l’effet total du tabac sur les AVC et qu’on ajuste sur l’hypertension, on élimine une partie de l’effet que l’on cherche justement à mesurer.

Il faut distinguer facteur de confusion et médiateur.

Le danger des colliders

Supposons :

exposition → hospitalisation ← maladie.

Analyser seulement les personnes hospitalisées peut créer une association artificielle entre exposition et maladie.

Une variable supplémentaire n’est donc pas automatiquement quelque chose sur lequel il faut « contrôler ».

Ce point sera approfondi avec les DAG.

Corrélation n’est pas causalité… mais causalité produit souvent une association

La phrase célèbre doit donc être utilisée correctement.

Si X cause fortement Y dans une population, on s’attend généralement à observer une forme d’association entre X et Y, sauf si :

  • d’autres mécanismes la masquent ;
  • les mesures sont très mauvaises ;
  • les populations sont sélectionnées.

Les corrélations restent donc extrêmement utiles pour découvrir des causes potentielles.

Une corrélation peut générer une hypothèse

La bonne séquence scientifique est souvent :

observation d’une association → hypothèse causale → tests supplémentaires.

Rejeter une corrélation simplement parce qu’elle n’établit pas immédiatement la causalité serait une erreur symétrique.

La corrélation est souvent le point de départ de l’enquête.

Le mauvais usage de « corrélation n’est pas causalité »

On voit parfois cet argument utilisé pour rejeter toute preuve observationnelle :

« ce n’est qu’une corrélation ».

Mais toutes les preuves causales hors laboratoire reposent en partie sur des associations observées.

La vraie question est :

« Quelles explications alternatives à la causalité ont été éliminées ? »

Une accumulation d’indices

L’inférence causale ressemble souvent à une enquête.

On examine :

  • temporalité ;
  • ampleur ;
  • dose-réponse ;
  • confusion ;
  • mécanismes ;
  • expériences ;
  • réplication.

Aucun indice n’est toujours décisif isolément.

La convergence construit progressivement la confiance.

Exemple concret

Supposons qu’une étude trouve :

consommation de X associée à RR = 1,20 pour une maladie.

Avant de conclure que X cause la maladie, il faut demander :

X précède-t-il la maladie ?

Les consommateurs de X diffèrent-ils sur d’autres facteurs ?

Existe-t-il une relation dose-réponse ?

Le résultat est-il reproduit ?

Une modification de X change-t-elle le risque ?

Existe-t-il un mécanisme plausible ?

Le RR lui-même ne répond pas à ces questions.

Petites associations observationnelles

Les petites associations sont particulièrement délicates.

Un RR de :

1,05 ou 1,10

peut être réel.

Mais de petits biais :

  • confusion résiduelle ;
  • mesure imparfaite ;
  • sélection

peuvent facilement produire une différence de cet ordre.

La prudence doit donc augmenter lorsque l’effet observé est faible et que le design est fortement observationnel.

Effets importants

À l’inverse, une association très forte, reproduite et cohérente est plus difficile à expliquer entièrement par un petit facteur de confusion.

Mais « difficile » ne signifie pas impossible.

Un biais extrêmement puissant ou une erreur de design majeure peut toujours produire une forte association.

L’ampleur ne remplace pas le design

Il ne faut donc pas utiliser une règle comme :

« RR > 2 = causal ».

Aucun seuil universel ne sépare causalité et confusion.

Le contexte méthodologique reste indispensable.

Causalité individuelle et causalité populationnelle

Dire qu’une exposition cause une maladie ne signifie pas qu’on peut identifier précisément la cause de chaque cas individuel.

Supposons qu’un fumeur développe un cancer du poumon.

On peut dire que le tabagisme augmente causalement le risque.

Mais il est souvent impossible de savoir si ce cancer précis aurait également été développé sans tabac.

La causalité épidémiologique est généralement probabiliste.

Cause probabiliste

Une cause peut modifier la probabilité d’un événement sans le déterminer.

Par exemple :

ceinture de sécurité → réduction du risque de décès.

Porter une ceinture ne garantit pas la survie.

Ne pas la porter ne garantit pas le décès.

L’effet causal concerne la distribution des probabilités.

Le contrefactuel

La question causale fondamentale est :

« Que serait-il arrivé à cette même personne si, toutes choses pertinentes égales par ailleurs, l’exposition avait été différente ? »

On ne peut généralement pas observer simultanément les deux situations.

Une personne est soit exposée, soit non exposée à un moment donné.

C’est le problème fondamental de l’inférence causale.

Les groupes comme approximation du contrefactuel

L’épidémiologie construit donc des groupes comparables.

On compare :

personnes exposées

à

personnes similaires non exposées.

Si les groupes sont véritablement comparables, le second peut servir d’approximation à ce qui serait arrivé aux premiers sans exposition.

Toute la difficulté méthodologique est là.

Pourquoi la randomisation est puissante

La randomisation cherche précisément à rendre le groupe contrôle comparable au groupe traité en moyenne.

Elle crée un contrefactuel collectif particulièrement crédible.

C’est pourquoi elle est si utile pour l’inférence causale lorsqu’elle est possible.

Les études observationnelles cherchent à reconstruire cette comparaison

Elles utilisent notamment :

  • restriction ;
  • appariement ;
  • stratification ;
  • ajustement ;
  • pondération ;
  • expériences naturelles.

Le but est toujours de comparer des situations aussi semblables que possible sauf sur l’exposition étudiée.

Une leçon d’esprit critique

Lorsqu’une étude annonce :

« X est associé à Y »,

ne la traduisez pas immédiatement en :

« X provoque Y ».

Demandez :

X précède-t-il Y ?

Y pourrait-il provoquer X ?

Un troisième facteur pourrait-il produire les deux ?

Comment les groupes ont-ils été constitués ?

L’effet persiste-t-il après prise en compte des confusions plausibles ?

Existe-t-il d’autres méthodes donnant la même conclusion ?

La phrase « corrélation n’est pas causalité » ne doit pas clore la discussion.

Elle doit ouvrir l’enquête causale.

À retenir

Une corrélation indique que deux variables sont statistiquement associées.

Elle ne permet pas, à elle seule, de savoir pourquoi.

Une association entre X et Y peut venir de :

X → Y

Y → X

Z → X et Z → Y

hasard ou biais.

Pour passer de l’association à la causalité, il faut examiner :

  • temporalité ;
  • facteurs de confusion ;
  • causalité inverse ;
  • qualité des mesures ;
  • design ;
  • réplication ;
  • mécanismes ;
  • triangulation des preuves.

Le principe essentiel n’est donc pas seulement :

« corrélation n’est pas causalité ».

Il est plus précisément :

« une corrélation est une observation à expliquer ; la causalité est une conclusion qui nécessite un raisonnement supplémentaire. »

Pour aller plus loin

Judea Pearl — Causality et The Book of Why. Des références majeures pour comprendre la différence entre association, intervention et causalité.

Miguel Hernán et James Robins — Causal Inference: What If. Une référence fondamentale pour le raisonnement contrefactuel et l’analyse causale en épidémiologie.

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence centrale sur la confusion, la causalité et l’interprétation des associations épidémiologiques.

Austin Bradford Hill — « The Environment and Disease: Association or Causation? » Un texte historique majeur sur la manière d’évaluer si une association observée peut raisonnablement être interprétée comme causale.