Corrélation et causalité : chercher l’explication qui manque

Deux variables peuvent varier ensemble sans que l’une produise directement l’autre. Une corrélation décrit une association ; une conclusion causale exige une argumentation supplémentaire sur le mécanisme et le plan d’étude.

Figure 1. Correlation vs causation. Illustration externe de contexte ; elle ne représente pas des résultats produits pour cet article. Auteur/crédit : Rcragun. Licence : CC BY 3.0. Source : Wikimedia Commons — fiche originale. Attribution : Rcragun. Image non modifiée ; affichage redimensionné.

Le troisième facteur

Les ventes de boissons fraîches et les coups de soleil peuvent augmenter pendant les périodes chaudes. Leur association n’implique pas que les boissons causent les brûlures. L’ensoleillement et les activités extérieures fournissent des explications communes possibles.

D’autres pièges

La causalité peut être inversée. La sélection des participants et les erreurs de mesure peuvent aussi créer ou modifier une association. Ajouter des variables à un modèle ne supprime pas automatiquement tous ces problèmes.

Renforcer une conclusion

Cherchez l’ordre temporel, les facteurs de confusion, la cohérence des résultats et, lorsque c’est pertinent, des expériences ou variations quasi expérimentales. Aucun indice isolé ne suffit toujours. La bonne question n’est pas seulement « les courbes se ressemblent-elles ? », mais « quelles autres histoires pourraient produire ces mêmes données ? ». 

Référence de la figure

[Figure 1] Rcragun. Correlation vs causation. Wikimedia Commons. CC BY 3.0. Consulté le 2026-10-21. Source/crédit original : Own work.