De l’association statistique à l’inférence causale
Une association statistique n’est qu’un point de départ.
L’objectif de l’épidémiologie causale est d’aller plus loin et de répondre à une question plus exigeante :
« Que se serait-il passé si l’exposition avait été différente ? »
Passer de l’association à la causalité demande donc davantage qu’un calcul correct ou une p-value faible. Il faut construire un raisonnement capable d’écarter progressivement les principales explications alternatives.
Première étape : établir l’association
Toute enquête causale commence généralement par une observation.
Par exemple :
les personnes exposées à X présentent davantage de Y.
On peut mesurer cette relation avec :
- risque relatif ;
- odds ratio ;
- hazard ratio ;
- différence de risques.
Mais à ce stade, on sait seulement que X et Y sont associés dans les données.
Une association peut avoir plusieurs explications
Une relation entre X et Y peut venir de :
X → Y
mais aussi de :
Y → X
ou :
Z → X et Z → Y
ou encore de :
- biais de sélection ;
- erreur de mesure ;
- hasard.
L’inférence causale cherche donc à départager ces possibilités.
Deuxième étape : vérifier la temporalité
Une cause doit généralement précéder son effet.
Mais il ne suffit pas de montrer que X a été mesuré avant le diagnostic de Y.
Il faut se demander si le processus biologique de Y avait déjà commencé.
C’est essentiel pour éviter la causalité inverse.
Troisième étape : définir précisément la question causale
Une question vague comme :
« X est-il bon pour la santé ? »
est difficile à analyser.
Une question plus précise serait :
« Chez telle population, quel serait l’effet sur tel résultat à cinq ans d’une stratégie X comparée à une stratégie Y ? »
Il faut donc définir :
- population ;
- exposition ;
- comparateur ;
- temps zéro ;
- résultat ;
- durée de suivi.
Le rôle du contrefactuel
L’effet causal correspond à la différence entre deux scénarios :
monde A : exposition X
monde B : exposition alternative.
Pour une même personne au même moment, on ne peut observer qu’un seul de ces mondes.
L’épidémiologie cherche donc un groupe capable de représenter correctement le contrefactuel manquant.
La qualité du comparateur est centrale
Supposons qu’on étudie un traitement.
Comparer :
patients traités
à
n’importe quels patients non traités
ne suffit pas.
Les deux groupes doivent être comparables sur les déterminants importants du pronostic.
Sinon, leur différence de résultat peut refléter autre chose que le traitement.
Randomisation
L’essai randomisé cherche précisément à créer cette comparabilité.
En attribuant le traitement au hasard, on rend en moyenne les groupes similaires sur :
- facteurs connus ;
- facteurs inconnus.
La randomisation constitue ainsi un moyen particulièrement puissant de construire un contrefactuel collectif crédible.
Mais tout ne peut pas être randomisé
On ne peut pas attribuer volontairement :
- tabagisme chronique ;
- exposition à l’amiante ;
- pollution toxique.
Les études observationnelles sont alors indispensables.
Elles doivent toutefois reconstruire le contrefactuel avec davantage de prudence.
Quatrième étape : rechercher les facteurs de confusion
Un facteur de confusion possède typiquement la structure :
X ← Z → Y.
Z influence à la fois :
- exposition ;
- résultat.
Il crée alors une voie non causale entre X et Y.
Exemple
Supposons :
âge → prise de médicaments
et
âge → mortalité.
La consommation de médicaments peut être associée à la mortalité même sans effet nuisible du médicament.
L’âge confond la relation.
Identifier les confondeurs
La sélection des confondeurs ne devrait pas dépendre uniquement des corrélations observées.
Elle doit s’appuyer sur :
- connaissances antérieures ;
- chronologie ;
- biologie ;
- contexte ;
- DAG.
L’objectif est de comprendre pourquoi les variables sont liées.
Cinquième étape : ne pas confondre confondeur et médiateur
Une variable peut être située sur la voie causale :
X → M → Y.
M est alors un médiateur.
Si l’on cherche l’effet total de X sur Y, ajuster sur M peut supprimer une partie de l’effet réel.
Exemple
activité physique → baisse de la pression → moins d’AVC.
Ajuster sur la pression post-exposition peut réduire l’effet observé de l’activité physique précisément parce qu’on bloque son mécanisme.
Sixième étape : éviter les colliders
Une variable peut être une conséquence commune :
X → C ← Y.
C est alors un collider.
Conditionner dessus peut créer artificiellement une association entre X et Y.
C’est l’un des aspects les plus contre-intuitifs de l’inférence causale.
Exemple
tabagisme → hospitalisation
et
infection grave → hospitalisation.
Étudier uniquement les personnes hospitalisées peut rendre tabagisme et infection artificiellement associés.
Le rôle des DAG
Les DAG permettent de représenter visuellement :
- confondeurs ;
- médiateurs ;
- colliders ;
- voies causales ;
- voies non causales.
Ils ne prouvent pas le modèle causal.
Ils permettent surtout de rendre les hypothèses explicites.
Le bon ajustement n’est pas « tout contrôler »
Une erreur fréquente consiste à penser :
« plus j’ajuste, plus le modèle est fiable ».
C’est faux.
Un bon ajustement cherche à :
- bloquer les voies de confusion ;
- préserver les voies causales pertinentes ;
- éviter d’ouvrir des voies artificielles.
La qualité dépend du rôle des variables, pas de leur nombre.
Septième étape : ajuster correctement
Plusieurs outils existent :
- stratification ;
- standardisation ;
- régression ;
- appariement ;
- score de propension ;
- pondération par probabilité inverse.
Ils cherchent à rendre les groupes plus comparables sur les confondeurs observés.
Ce que l’ajustement ne peut pas faire
Aucune méthode ne peut automatiquement corriger :
- confondeur non mesuré ;
- mauvaise mesure ;
- mauvais temps zéro ;
- absence de chevauchement ;
- biais de sélection structurel.
La sophistication statistique ne remplace donc pas le design.
Huitième étape : vérifier la positivité
Pour comparer deux stratégies chez un type de patient, il faut que les deux stratégies soient réellement observables dans ce type de patient.
Si :
- tous les patients très graves reçoivent le traitement ;
- aucun ne reste non traité,
on ne dispose pas d’un véritable contrefactuel pour ce profil.
Le modèle peut extrapoler, mais les données ne fournissent pas la comparaison.
Neuvième étape : examiner la consistance
L’exposition doit être suffisamment bien définie.
Dire :
« faire du sport »
peut regrouper :
- course ;
- vélo ;
- travail physique ;
- natation.
Si ces versions ont des effets différents, le contraste causal devient ambigu.
Une exposition mal définie produit une question causale mal définie.
Dixième étape : examiner l’ampleur de l’effet
Une association très forte peut être plus difficile à expliquer par un petit biais.
Une association faible peut être plus vulnérable à :
- confusion résiduelle ;
- erreur de mesure.
Mais il n’existe aucun seuil magique.
Un effet modeste peut être parfaitement causal.
Risque absolu et risque relatif
Une réduction relative impressionnante peut correspondre à un bénéfice absolu minime.
Inversement, un effet relatif modeste peut éviter énormément d’événements dans une population à haut risque.
L’interprétation causale doit donc considérer :
- ampleur relative ;
- ampleur absolue.
Onzième étape : examiner la modification de l’effet
L’effet peut varier selon :
- âge ;
- sexe ;
- gravité ;
- risque de base ;
- génétique ;
- contexte.
Cette hétérogénéité peut être réelle.
Mais il faut la distinguer des fluctuations aléatoires liées aux analyses de sous-groupes.
Une différence de significativité n’est pas une interaction
La règle est essentielle :
significatif dans A et non significatif dans B
ne signifie pas automatiquement :
effet différent entre A et B.
Il faut tester directement l’interaction.
Douzième étape : analyser les mécanismes
Une relation est souvent plus crédible lorsqu’un mécanisme cohérent relie :
exposition → étapes intermédiaires → résultat.
Les médiateurs peuvent fournir des indices précieux sur la manière dont l’effet se produit.
Mais plausibilité ne signifie pas preuve
Un mécanisme biologique peut sembler convaincant tout en étant faux ou insuffisant.
Il faut distinguer :
mécanisme plausible
et
mécanisme démontré.
La biologie complète l’épidémiologie mais ne la remplace pas.
Treizième étape : examiner la dose-réponse
Une relation où davantage d’exposition produit davantage de risque peut renforcer une hypothèse causale.
Mais :
- toutes les causalités ne sont pas linéaires ;
- un confondeur peut produire un gradient apparent.
La dose-réponse reste donc un élément parmi d’autres.
Quatorzième étape : rechercher la réplication
Un résultat observé dans une seule étude peut être dû :
- au hasard ;
- à un choix analytique ;
- à un biais propre à cette population.
Une réplication indépendante augmente la confiance.
Réplication exacte et conceptuelle
On peut distinguer :
réplication directe : même question, méthode similaire ;
réplication conceptuelle : même hypothèse testée différemment.
La seconde est particulièrement utile pour la causalité.
Quinzième étape : trianguler
La causalité devient plus crédible lorsque différentes méthodes convergent :
- cohortes ;
- cas-témoins ;
- essais ;
- expériences naturelles ;
- génétique ;
- mécanismes ;
- pharmacovigilance.
La force vient du fait que ces approches ne partagent pas exactement les mêmes biais.
Une même erreur doit expliquer toutes les observations
Plus les preuves indépendantes convergent, plus une explication alternative doit devenir complexe.
Pour rejeter la causalité, il faut parfois supposer simultanément :
- confusion dans les cohortes ;
- biais différent dans les cas-témoins ;
- hasard dans les essais ;
- mécanisme sans rapport ;
- dose-réponse artificielle.
Cette accumulation devient progressivement moins plausible.
Seizième étape : examiner les analyses de sensibilité
Une bonne étude teste la robustesse de ses conclusions.
Par exemple :
- différentes définitions ;
- différents ajustements raisonnables ;
- exclusion d’événements précoces ;
- restriction aux zones de chevauchement.
Si l’effet reste stable, la confiance augmente.
Fragilité analytique
À l’inverse, si l’effet :
- disparaît avec un léger changement ;
- dépend d’un seuil précis ;
- existe dans un seul modèle ;
la conclusion est fragile.
Cela ne prouve pas qu’elle soit fausse, mais demande davantage de prudence.
Dix-septième étape : considérer le p-hacking et la multiplicité
Même un résultat statistiquement correct peut être le gagnant parmi des dizaines d’analyses.
Il faut donc demander :
combien d’analyses étaient possibles ?
les choix étaient-ils pré-spécifiés ?
l’hypothèse était-elle définie avant les résultats ?
La procédure ayant produit le résultat compte autant que le calcul final.
Dix-huitième étape : replacer l’étude dans la littérature
Une étude ne devrait presque jamais être interprétée isolément.
Il faut demander :
que montrent les autres études ?
la littérature est-elle cohérente ?
les résultats négatifs ont-ils été publiés ?
les méthodes sont-elles indépendantes ?
Les méta-analyses ne résolvent pas tout
Une méta-analyse peut combiner plusieurs études biaisées et produire une estimation très précise mais incorrecte.
Elle est aussi vulnérable à :
- biais de publication ;
- hétérogénéité ;
- mauvaise sélection des études.
La synthèse doit rester méthodologique, pas seulement numérique.
Dix-neuvième étape : distinguer causalité et prédiction
Un facteur peut prédire très fortement Y sans être une cause modifiable de Y.
Par exemple :
cheveux blancs → âge → mortalité.
Les cheveux blancs prédisent l’âge mais les teindre ne change pas le risque.
Une variable prédictive n’est pas automatiquement une cible d’intervention.
La question interventionnelle
Une formulation utile est :
« Si nous modifions X, Y changera-t-il ? »
Cette question permet souvent de distinguer :
- marqueur ;
- cause.
Elle ramène le raisonnement au contrefactuel.
Vingtième étape : distinguer causalité populationnelle et individuelle
Supposons qu’une exposition double le risque de maladie.
Cela établit un effet causal populationnel si l’inférence est solide.
Mais chez une personne malade particulière, on ne sait pas forcément si elle aurait été malade sans l’exposition.
La causalité populationnelle ne permet pas toujours l’attribution individuelle.
Exemple
Si un traitement réduit :
10 % → 5 %
on peut dire qu’il évite environ 5 événements pour 100 patients.
Mais chez un patient traité qui survit, on ne sait pas s’il fait partie des 5 personnes « sauvées » ou des 90 qui auraient survécu de toute façon.
La causalité est une propriété d’une comparaison
Dire :
« X est causal »
est souvent une simplification.
Plus précisément, on cherche l’effet :
de telle exposition
par rapport à tel comparateur
dans telle population
sur tel résultat
pendant telle période.
La causalité doit être contextualisée.
Les effets changent avec le contexte
Un traitement peut être causalement bénéfique :
- chez certains patients ;
- à une certaine dose ;
- pendant une certaine période.
Il peut être :
- inutile ;
- ou nuisible
dans d’autres contextes.
Il n’existe pas toujours un « effet universel ».
L’absence d’effet moyen ne signifie pas absence d’effet individuel
Supposons :
- bénéfice chez la moitié ;
- dommage équivalent chez l’autre moitié.
L’effet moyen peut être nul.
Mais l’intervention possède pourtant de vrais effets individuels.
Cela montre l’importance de l’hétérogénéité.
La causalité et les niveaux d’explication
Un événement peut avoir plusieurs causes à différents niveaux :
agent infectieux
comportement
conditions de logement
politique publique.
Ces explications peuvent toutes être causales.
La causalité n’est pas nécessairement réduite au mécanisme biologique le plus proche.
Une cause peut être distale
Supposons :
pauvreté → logement surpeuplé → exposition → infection.
La pauvreté est plus éloignée biologiquement de l’infection que le virus.
Mais modifier les conditions de logement peut changer le risque.
Il existe donc plusieurs niveaux d’intervention causalement pertinents.
Causalité et responsabilité
Une cause scientifique n’est pas automatiquement une responsabilité morale ou juridique.
Une exposition peut contribuer causalement à un événement sans impliquer :
- faute ;
- intention ;
- responsabilité.
Ces questions nécessitent des critères normatifs supplémentaires.
Causalité et décision
Une décision de santé publique ne dépend pas uniquement du niveau de preuve causale.
Elle dépend aussi :
- gravité du risque ;
- coût de l’intervention ;
- effets indésirables ;
- alternatives ;
- incertitude.
Le niveau de preuve nécessaire pour agir peut donc varier selon les conséquences d’une erreur.
Preuve et seuil de décision
Supposons deux situations.
Intervention peu coûteuse et presque sans risque
Une preuve modérée peut suffire pour agir.
Intervention lourde et risquée
On exigera probablement une preuve beaucoup plus forte.
La causalité scientifique et la décision politique doivent donc être distinguées.
Une relation causale peut être révisée
La science ne produit pas des verdicts métaphysiquement définitifs.
Une conclusion peut être très solide tout en restant révisable.
De nouvelles données peuvent révéler :
- interaction ;
- biais ;
- nouvelle voie causale.
La révisabilité n’est pas une faiblesse ; elle fait partie de la méthode.
Réviser n’est pas « se contredire »
Supposons qu’une première estimation soit :
RR = 0,60.
Après de meilleures données :
RR = 0,80.
L’effet peut rester réel mais avoir été surestimé.
La science progresse souvent par raffinement, pas uniquement par renversement complet.
Pourquoi les recommandations peuvent changer
Les recommandations évoluent lorsque changent :
- preuves ;
- populations ;
- variants ;
- traitements ;
- balance bénéfice-risque.
Un changement n’implique pas nécessairement que les connaissances précédentes étaient absurdes.
Il peut simplement refléter une mise à jour raisonnable.
Causalité et incertitude
Il est souvent impossible de dire :
« causal à 100 % »
ou
« pas causal ».
On peut avoir des niveaux comme :
- causalité fortement soutenue ;
- probablement causale ;
- possible ;
- preuve insuffisante ;
- peu compatible avec les données.
Cette gradation correspond mieux à la réalité scientifique.
Exemple de dossier faible
Supposons :
- une seule étude observationnelle ;
- faible effet ;
- forte confusion possible ;
- aucune réplication ;
- mécanisme spéculatif.
La conclusion devrait rester prudente :
association intéressante mais causalité non établie.
Exemple de dossier fort
Supposons :
- plusieurs cohortes ;
- temporalité claire ;
- effet dose-réponse ;
- expériences naturelles ;
- mécanisme cohérent ;
- réplications indépendantes.
La conclusion causale devient beaucoup plus solide.
Aucun « test de causalité » universel
Il n’existe pas une p-value particulière qui transforme une association en cause.
Il n’existe pas non plus un nombre magique de critères de Bradford Hill.
L’inférence causale est un raisonnement structuré sur l’ensemble des preuves.
La causalité comme enquête
Une bonne analogie est l’enquête.
On possède plusieurs hypothèses :
H1 : X cause Y.
H2 : confusion.
H3 : causalité inverse.
H4 : biais de sélection.
Chaque nouvelle étude cherche à départager ces hypothèses.
La meilleure explication est celle qui survit le mieux aux tests.
Éliminer les alternatives
Une preuve devient forte non seulement lorsque l’hypothèse causale est compatible avec les données, mais lorsque les explications alternatives deviennent de plus en plus difficiles à soutenir.
C’est ce qui distingue :
« X pourrait expliquer Y »
de
« X est probablement une cause de Y ».
Cohérence ne signifie pas certitude
Même un dossier très cohérent reste dépendant :
- des mesures ;
- des hypothèses ;
- des populations étudiées.
L’objectif n’est pas de supprimer toute incertitude, mais de la rendre suffisamment faible pour soutenir une conclusion proportionnée.
Éviter deux erreurs symétriques
Erreur 1 : naïveté causale
« X et Y sont associés, donc X cause Y. »
Erreur 2 : scepticisme absolu
« Ce n’est qu’une corrélation, donc on ne peut jamais rien conclure. »
L’épidémiologie causale se situe précisément entre les deux.
On peut établir une causalité sans expérimentation directe
Le tabagisme et le cancer du poumon en sont un exemple classique.
La causalité peut être très solidement établie par convergence de données observationnelles et mécanistiques lorsque l’expérimentation directe serait impossible ou contraire à l’éthique.
Mais les données observationnelles ne sont pas toutes égales
Une cohorte avec :
- exposition précisément mesurée ;
- temporalité longue ;
- confondeurs correctement pris en compte ;
- faible perte de suivi
est beaucoup plus convaincante qu’une simple corrélation transversale.
« Observationnel » n’est pas une catégorie homogène.
L’essai randomisé n’est pas toujours parfait non plus
Un essai peut souffrir :
- attrition ;
- non-observance ;
- mauvaise mesure ;
- généralisation limitée ;
- faible puissance.
Le design fournit une grande force causale, mais l’exécution reste importante.
Une étude parfaite n’existe pas
L’objectif réaliste n’est donc pas de trouver :
la méthode sans biais.
Il est de construire une connaissance dans laquelle :
- les principaux biais sont réduits ;
- les limites sont explicites ;
- plusieurs méthodes convergent.
C’est précisément la logique de triangulation.
Une grille de lecture causale
Face à une association, on peut utiliser cette séquence :
| Question | Enjeu |
|---|---|
| Quelle est l’association observée ? | Décrire le signal |
| X précède-t-il réellement Y ? | Temporalité |
| Quel est le contrefactuel ? | Définition de l’effet |
| Les groupes sont-ils comparables ? | Échangeabilité |
| Quels confondeurs existent ? | Associations non causales |
| A-t-on ajusté correctement ? | Identification |
| Des médiateurs ont-ils été bloqués ? | Surajustement |
| Des colliders ont-ils été conditionnés ? | Biais de sélection |
| L’effet varie-t-il selon les groupes ? | Modification d’effet |
| Existe-t-il un mécanisme plausible ? | Cohérence causale |
| Le résultat est-il répliqué ? | Robustesse |
| D’autres méthodes convergent-elles ? | Triangulation |
Cette grille ne fournit pas une réponse automatique.
Elle organise le raisonnement.
Un exemple final
Supposons qu’une étude trouve :
exposition X : RR = 1,35.
Isolément, cela indique une association.
Puis on apprend que :
- X précède clairement Y ;
- les principaux confondeurs sont bien mesurés ;
- plusieurs méthodes d’ajustement donnent le même résultat ;
- la relation est dose-dépendante ;
- une expérience naturelle va dans le même sens ;
- un mécanisme plausible existe ;
- deux cohortes indépendantes répliquent l’effet.
La conclusion devient beaucoup plus forte :
X est probablement causalement lié à Y.
Même chiffre, autre contexte
Supposons maintenant le même :
RR = 1,35
mais :
- mesure rétrospective imprécise ;
- nombreux perdus de vue ;
- sous-groupe découvert après coup ;
- forte confusion potentielle ;
- aucune réplication.
Le chiffre est identique.
La force de la preuve est radicalement différente.
La causalité ne se lit pas dans le RR
Cette comparaison résume tout le chapitre.
Un RR, une p-value ou un intervalle de confiance ne portent pas en eux-mêmes l’étiquette :
« causal ».
L’interprétation vient de la manière dont la comparaison a été construite et de la cohérence du réseau de preuves.
Une leçon d’esprit critique
Face à une affirmation :
« une étude prouve que X cause Y »,
demandez :
Quelle était la question causale exacte ?
Quel était le groupe contrefactuel ?
Quels confondeurs pouvaient agir ?
La causalité inverse est-elle plausible ?
A-t-on ajusté sur les bonnes variables ?
La sélection peut-elle créer un collider ?
L’effet est-il reproduit par d’autres méthodes ?
Une conclusion causale crédible ne se résume presque jamais à un coefficient.
À retenir
Passer de l’association statistique à l’inférence causale demande de reconstruire ce qui se serait produit sous une exposition alternative.
Cela suppose notamment :
- temporalité correcte ;
- contrefactuel bien défini ;
- comparateur crédible ;
- contrôle de la confusion ;
- absence de conditionnement nuisible sur médiateurs ou colliders ;
- positivité ;
- qualité des mesures ;
- robustesse aux choix analytiques ;
- réplication ;
- triangulation.
Une causalité solide n’est généralement pas le résultat d’un test unique.
Elle émerge lorsque plusieurs explications concurrentes sont progressivement éliminées et que des preuves indépendantes convergent.
La logique fondamentale peut donc être résumée ainsi :
association → hypothèse causale → construction du contrefactuel → recherche des biais et confusions → tests indépendants → triangulation → niveau de confiance causal.
Et la question centrale reste toujours :
« Les données seraient-elles différentes si nous pouvions modifier l’exposition tout en maintenant comparables les autres déterminants pertinents du résultat ? »
C’est cette question, bien plus que la simple présence d’une corrélation, qui fait passer l’épidémiologie descriptive à l’inférence causale.
Pour aller plus loin
Miguel Hernán et James Robins — Causal Inference: What If. Une référence centrale pour le raisonnement contrefactuel, l’identification causale et les méthodes modernes de l’épidémiologie.
Judea Pearl — Causality. Une référence majeure pour les graphes causaux, les interventions et la formalisation de l’inférence causale.
Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence fondamentale pour la causalité, la confusion, les biais et l’interprétation des études épidémiologiques.
Austin Bradford Hill — « The Environment and Disease: Association or Causation? » Un texte historique majeur sur la manière de raisonner lorsque plusieurs indices convergent vers une interprétation causale.