Corrélation et causalité : ce qu’une association permet vraiment de dire

Une association est un constat à expliquer

Une étude peut constater davantage d’un événement dans un groupe que dans un autre. Le CDC rappelle que ce lien peut correspondre à une cause, mais aussi au hasard, à une sélection particulière des participants, à une erreur de mesure ou à un facteur de confusion.

La première question n’est donc pas « ai-je envie de croire ce résultat ? », mais « quelles explications concurrentes ont été testées ? ». Un lien important ou statistiquement précis peut encore être biaisé.

Références : CDC — Analyser et interpréter les données épidémiologiques.

Exemple 1 : une troisième variable relie les deux observations

Imaginons une enquête où les personnes utilisant une application de sport déclarent moins de difficultés à monter des escaliers. L’application est peut-être utile. Mais ses utilisateurs sont aussi, dans cet exemple, plus jeunes et déjà plus actifs avant de l’installer.

L’âge et l’activité préalable peuvent contribuer à expliquer le lien. Pour isoler ce qui est associé à l’application, il faut tenir compte des différences pertinentes entre groupes. Ajouter le mot « ajusté » dans un résultat ne garantit pas que toutes les différences ont été mesurées correctement.

Cochrane souligne notamment la confusion dans les études non randomisées d’intervention : les raisons de recevoir un traitement peuvent être liées au pronostic. Comparer simplement les personnes traitées aux autres peut donc attribuer au traitement une différence qui existait déjà.

Références : Cochrane Handbook — Biais des études non randomisées.

Exemple 2 : le symptôme peut précéder le comportement

Dans un deuxième scénario fictif, des personnes qui dorment mal consultent plus souvent des contenus sur le sommeil. Une enquête réalisée à un seul moment trouve un lien entre cette lecture et l’insomnie. Elle ne permet pas, à elle seule, de savoir si les contenus perturbent le sommeil ou si les difficultés poussent à les chercher.

C’est le problème de la direction du lien. Une cause doit précéder son effet, mais connaître l’ordre temporel ne suffit pas encore à prouver la cause. Les deux phénomènes peuvent aussi s’influencer ou partager une autre explication.

Références : CDC — Analyser et interpréter les données épidémiologiques.

Exemple 3 : les personnes observées ne représentent pas toutes les autres

Supposons qu’un questionnaire sur un produit soit diffusé uniquement dans un groupe de personnes mécontentes de ce produit. Leurs réponses peuvent décrire des expériences réelles. Elles ne permettent pas d’estimer directement la fréquence du problème chez tous les utilisateurs.

Autre piège : comparer les participants encore présents à la fin d’un programme sans comprendre pourquoi d’autres sont partis. Si les abandons sont liés aux résultats, le groupe final raconte une histoire sélectionnée. L’absence de données n’est pas toujours un simple détail.

Références : Cochrane Handbook — Biais des études non randomisées.

Comment construire une conclusion causale plus solide

Les chercheurs examinent l’ensemble du dossier : temporalité, cohérence avec d’autres travaux, plausibilité, qualité des mesures et contrôle des explications alternatives. La répétition d’une observation dans des contextes différents est informative, mais répéter le même biais n’est pas une garantie.

La randomisation, lorsqu’elle est possible et bien conduite, aide à équilibrer les facteurs entre groupes. Les études observationnelles restent indispensables pour de nombreuses questions, notamment quand on ne peut pas attribuer une exposition au hasard. Leur nom ne justifie ni une confiance aveugle ni un rejet automatique.

Références : CDC — Analyser et interpréter les données épidémiologiques ; Cochrane Handbook — Biais des études non randomisées.

La grille à appliquer à une annonce qui vous concerne

La rédaction propose de reformuler l’annonce avant de la partager. Le tableau montre comment une affirmation causale peut être remplacée par une question vérifiable sans dissimuler le résultat observé.

Sur petit écran, faites défiler le tableau horizontalement pour voir toutes les colonnes.

Une association n’est pas une consigne individuelle

Gardez une distinction entre « piste qui mérite une recherche », « facteur de risque étayé » et « intervention dont le bénéfice a été évalué ». Retirer un facteur associé ne produit pas automatiquement le bénéfice imaginé.

Si une actualité vous donne envie d’abandonner un soin, apportez la référence et la question précise à votre professionnel. Demandez ce qui est établi, ce qui reste incertain et si cette information change réellement la décision dans votre cas.

Questions complémentaires