Corrélation n'est pas causalité : 4 pièges

Variable cachée, hasard, causalité inversée, paradoxe de Simpson : quatre pièges illustrés par des exemples d'école et deux études publiées.

Cas d'école. Les exemples de cet article sont ceux que l'on trouve dans les manuels de statistique. Les deux études citées (cigognes et naissances, admissions à Berkeley) sont publiées et référencées en fin d'article ; les autres exemples sont des raisonnements types, sans données réelles.

« Corrélation n'est pas causalité » est l'une des premières phrases que l'on apprend en statistique. C'est aussi l'une des plus faciles à oublier devant un beau graphique qui confirme ce que l'on espérait. Voici quatre mécanismes qui produisent des corrélations trompeuses.

1. La variable cachée (facteur de confusion)

L'exemple d'école le plus connu : les ventes de glaces et certains faits divers estivaux (noyades, agressions) évoluent ensemble. Personne ne pense que les glaces causent ces faits. Un troisième facteur, la température, pousse à la fois à acheter des glaces et à passer du temps dehors. Dès qu'une corrélation apparaît, il faut se demander quelle variable commune pourrait agir sur les deux.

2. Une corrélation réelle mais sans lien direct

Un article publié en 2004 dans la revue Paediatric and Perinatal Epidemiology (Höfer, Przyrembel et Verleger) a repris, sur un ton humoristique, la vieille « théorie de la cigogne ». À Berlin, les auteurs relèvent une corrélation significative entre l'augmentation de la population de cigognes autour de la ville et celle des accouchements hors des hôpitaux (aucune avec les accouchements en clinique) ; en Basse-Saxe, le recul du nombre de couples de cigognes entre 1970 et 1985 va de pair avec la baisse des accouchements. Cet article ironique rappelle qu'une corrélation significative ne prouve aucun mécanisme. Les cigognes ne livrent pas les bébés ; deux séries de données qui évoluent dans le temps peuvent simplement évoluer ensemble.

Quand on teste beaucoup de séries au hasard, on finit aussi par trouver des corrélations élevées sans aucun lien : le site « Spurious Correlations » de Tyler Vigen en fait une collection volontairement absurde.

3. La causalité inversée

Imaginons que l'on observe que les acheteurs de produits allégés ont en moyenne une corpulence plus élevée que les autres. Conclure que ces produits font grossir serait hâtif : il est plausible que ce soit l'inverse, les personnes qui souhaitent perdre du poids achetant davantage de produits allégés. Une donnée d'observation seule ne dit pas dans quel sens va la relation ; il faut une étude prospective ou une expérience pour trancher.

4. Le paradoxe de Simpson

Une tendance observée sur l'ensemble des données peut s'inverser dans chaque sous-groupe. L'exemple de référence est celui des admissions en troisième cycle à l'université de Californie à Berkeley à l'automne 1973. Sur l'ensemble des candidatures, les femmes semblaient moins souvent admises que les hommes. Bickel, Hammel et O'Connell (1975) ont montré que, département par département, il n'y avait pas de biais important contre les femmes ; leur analyse met plutôt en évidence une légère tendance en leur faveur. L'écart global venait de la répartition des candidatures : les femmes postulaient davantage dans des départements plus sélectifs.

Leçon pratique : avant de conclure, découper les données selon les variables qui structurent le problème (département, niveau, région, période) et vérifier que la tendance globale résiste.

Cinq questions à se poser devant une corrélation

  • Une troisième variable peut-elle expliquer les deux séries ?
  • Dans quel sens irait la causalité, si elle existe ?
  • La tendance se maintient-elle dans chaque sous-groupe ?
  • Existe-t-il une raison théorique plausible à un lien causal ?
  • Comment tester le lien : expérience contrôlée, essai randomisé, ou à défaut méthodes d'inférence causale ?

Références

  • Höfer T., Przyrembel H., Verleger S. (2004), « New evidence for the Theory of the Stork », Paediatric and Perinatal Epidemiology, 18(1), 88-92. doi:10.1111/j.1365-3016.2003.00534.x
  • Bickel P. J., Hammel E. A., O'Connell J. W. (1975), « Sex Bias in Graduate Admissions: Data from Berkeley », Science, 187(4175), 398-404. doi:10.1126/science.187.4175.398