corrélation et causalité carte mentale

Comprendre le sujet

La corrélation mesure l'intensité et le sens de la liaison entre deux variables, sans indiquer laquelle influence l'autre. La causalité, elle, établit qu'une variation de la première variable provoque un changement de la seconde. Confondre les deux conduit à des erreurs d'interprétation fréquentes en économie, en santé publique et dans les médias. Cette ressource présente les types de corrélations, les facteurs de confusion, les variables cachées et les méthodes expérimentales qui permettent de tester une hypothèse causale de manière rigoureuse.

Pourquoi la confusion est-elle si fréquente ?
Le cerveau humain cherche spontanément des explications causales : face à deux événements qui varient ensemble, nous imaginons volontiers que l'un provoque l'autre. Cette tendance, utile pour apprendre, devient trompeuse en statistique. Les médias amplifient le phénomène en présentant des résultats d'études sous forme de titres causaux, alors que les recherches décrites sont souvent purement observationnelles. En économie, les données disponibles sont rarement issues d'expériences contrôlées, ce qui rend la distinction encore plus délicate. Reconnaître qu'une corrélation n'est qu'un indice, et non une preuve, constitue la première étape d'une analyse rigoureuse.

Le rôle des variables de confusion
Une variable de confusion influence à la fois la cause supposée et l'effet observé, créant une corrélation illusoire entre les deux. L'exemple classique des ventes de glaces et des noyades illustre ce mécanisme : les deux augmentent en été, non parce que les glaces causent les noyades, mais parce que la chaleur accroît à la fois la consommation de glaces et la fréquentation des lieux de baignade. Ignorer une telle variable conduit à des conclusions erronées, parfois coûteuses en politique publique. Les chercheurs tentent d'identifier et de mesurer ces facteurs pour les neutraliser, soit par la randomisation dans les expériences, soit par des ajustements statistiques dans les études observationnelles.

Les critères pour appuyer une causalité
Aucun critère unique ne prouve la causalité, mais plusieurs indices convergents renforcent une hypothèse. La temporalité d'abord : la cause doit précéder l'effet. La force et la constance de la liaison ensuite : une relation observée dans des contextes variés est plus crédible. La relation dose-réponse apporte un appui supplémentaire : plus l'exposition augmente, plus l'effet s'intensifie. Enfin, l'existence d'un mécanisme plausible, appuyé par des connaissances théoriques ou biologiques, rend l'explication cohérente. L'exemple du tabac et du cancer du poumon montre comment des études épidémiologiques, expérimentales et mécanistiques combinées ont fini par convaincre la communauté scientifique.

Corrélation et causalité en économie
L'économie pose un défi particulier : on ne peut généralement pas mener d'expériences contrôlées sur des économies entières. Les économistes recourent donc à des méthodes dites quasi expérimentales, comme les différences de différences, les variables instrumentales ou les ruptures de séries, pour s'approcher d'une inférence causale. Même ainsi, les résultats restent sujets à débat, car plusieurs mécanismes peuvent expliquer une même observation. La relation entre salaire minimum et emploi en est un exemple connu : des études contradictoires coexistent selon les méthodes et les contextes. D'où l'importance de lire les résultats économiques avec prudence et de vérifier le type d'étude avant de conclure.