Corrélation et causalité : la différence qui évite (vraiment) de se tromper en analyse de données

Qu’est-ce que la corrélation ?

La corrélation est une mesure statistique qui exprime la relation entre deux variables, indiquant dans quelle mesure elles varient ensemble. Si deux variables montrent une corrélation, cela signifie qu’il existe un lien, mais cela ne prouve pas que l’une cause l’autre.

Corrélation positive, négative, ou nulle

• Positive : les deux variables augmentent (ou diminuent) ensemble.
• Négative : l’une augmente pendant que l’autre diminue.
• Nulle : pas de lien linéaire détectable (ce qui n’exclut pas un lien non linéaire).

Exemple simple : chaleur et ventes de glaces

On observe souvent que les ventes de glaces augmentent pendant les périodes de forte chaleur : corrélation positive. Mais conclure "la chaleur cause l’augmentation des ventes" peut être trop rapide si l’on oublie le contexte : vacances, tourisme, horaires, événements, comportements saisonniers, etc.

Qu’est-ce que la causalité ?

La causalité décrit une relation de cause à effet : une variable (la cause) produit un changement dans une autre (l’effet). Affirmer une causalité implique une idée forte : si on intervient sur la cause, alors l’effet change.

Exemple : foudre et tonnerre

Lorsque la foudre frappe, elle réchauffe et refroidit très rapidement l’air, ce qui provoque le tonnerre. Ici, la relation causale est claire : la foudre cause le tonnerre.

Formulation mathématique : élucider la différence

La différence entre corrélation et causalité peut être clarifiée par les outils mathématiques qui les sous‑tendent.

Coefficient de corrélation de Pearson (r)

Il mesure l’intensité et le sens d’une relation linéaire entre deux variables X et Y :

r est compris entre -1 et 1. Un r proche de 0 indique l’absence de corrélation linéaire, mais ne dit rien sur une éventuelle relation causale.

Régression linéaire : modéliser la relation

Le modèle de régression linéaire simple s’écrit :

Le coefficient β₁ donne la variation estimée de Y lorsque X augmente d’une unité. Même si β₁ est statistiquement significatif, cela ne prouve pas la causalité : un confondant non observé peut créer cette association. La causalité exige des hypothèses supplémentaires (exogénéité, absence de biais de sélection, etc.).

Pourquoi est-il important de distinguer corrélation et causalité ?

Confondre corrélation et causalité peut conduire à des conclusions erronées. Et dès qu’une conclusion entraîne une décision (budget, politique, produit, traitement), l’erreur devient coûteuse.

Les pièges classiques : pourquoi "ça bouge ensemble" ne suffit pas

1) Variables confondantes

Un facteur confondant influence à la fois X et Y, créant une corrélation trompeuse. Exemple classique : température ↔ ventes de glaces ↔ noyades. La chaleur augmente à la fois l’achat de glaces et la baignade, donc les noyades : glaces et noyades corrèlent sans lien causal direct.

2) Causalité inversée

Parfois, on croit que X influence Y, alors que c’est Y qui influence X. Exemple : "les clients fidèles utilisent plus l’appli". Peut-être que la fidélité mène à l’usage… ou que l’usage crée la fidélité. Sans design causal, difficile de trancher.

3) Biais de sélection

Les données observées ne sont pas toujours représentatives. Un formulaire en ligne ne capture pas les personnes qui abandonnent avant d’arriver à la page. Une analyse sur "ceux qui ont acheté" ignore "ceux qui ont hésité et sont partis".

4) Paradoxe de Simpson (effet de segmentation)

Une tendance globale peut s’inverser lorsqu’on segmente (par âge, canal, région). C’est un piège fréquent dans les dashboards : la corrélation globale rassure, puis les sous-groupes racontent une autre histoire.

Exemples concrets (sérieux et insolites)

Exemple 1 : la pellagre et les conditions de vie insalubres

La pellagre était corrélée à la pauvreté et aux conditions de vie insalubres. On a d’abord soupçonné ces conditions comme cause. La cause réelle s’est révélée être une carence en niacine (vitamine B3). Les conditions de vie étaient un contexte associé, pas le mécanisme causal principal.

Exemple 2 : Google Analytics et l’inscription aux prestations sociales

Observer que des utilisateurs consultent une page d’information puis quittent sans s’inscrire est une corrélation : "visite" ↔ "abandon". La cause peut être multiple : complexité de l’interface, peur de se tromper, documents manquants, éligibilité, temps requis, incompréhension, accessibilité.

La bonne démarche consiste souvent à compléter les logs par des tests utilisateurs, des enquêtes, ou une expérimentation (A/B) sur une simplification ciblée.

Exemple 3 : consommation de chocolat et prix Nobel

Corrélation amusante : consommation de chocolat ↔ lauréats du prix Nobel. La causalité est très improbable. Un facteur confondant plausible est le niveau de richesse / investissement éducation-recherche.

Exemple 4 : films de Nicolas Cage et noyades

Exemple absurde mais pédagogique : deux séries temporelles peuvent corréler par hasard. Plus on teste de corrélations, plus on en trouve qui semblent "significatives". D’où le besoin de rigueur (et d’humilité).

Exemple 5 : émissions de CO₂ et pirates

La baisse du nombre de pirates depuis le XVIIIe siècle et l’augmentation des émissions de CO₂ corrèlent sur certaines périodes. C’est un excellent rappel : des variables indépendantes peuvent bouger "ensemble" sans lien causal.

Exemple 6 (insolite) : le nombre de diplômés en sociologie et la hausse du prix du pétrole

Une corrélation sur une période donnée entre le nombre de diplômés en sociologie et le prix du baril de pétrole n’a aucun sens causal. C’est un cas typique de corrélation fallacieuse qui illustre pourquoi il faut toujours se méfier des coïncidences statistiques.

Exemple 7 (biais post hoc ergo propter hoc) : le coq chante, puis le soleil se lève

Si l’on observe qu’à chaque matin le coq chante et que le soleil se lève juste après, on pourrait (naïvement) conclure que le chant du coq fait lever le soleil. C’est une illustration classique du sophisme post hoc ergo propter hoc (après cela, donc à cause de cela).

Méthodes pour tester (ou approcher) la causalité

La causalité exige un raisonnement contrefactuel : "que se serait-il passé sans l’intervention ?". Selon le contexte, on utilise différentes stratégies.

1) Expérimentation contrôlée (A/B, essais randomisés)

On assigne aléatoirement des individus à un groupe "traitement" et un groupe "contrôle". C’est le standard le plus robuste lorsque c’est faisable (produit, marketing, médecine).

2) Régression (avec prudence)

La régression peut aider à contrôler des variables observées, mais elle ne "crée" pas la causalité. Si un confondant important n’est pas mesuré, la conclusion reste fragile.

3) Inférence causale sur données d’observation

Quand l’expérimentation est impossible, on utilise des méthodes dédiées :

4) Études longitudinales

Suivre les mêmes sujets dans le temps permet d’observer des trajectoires et des effets différés. C’est utile en épidémiologie, sociologie, économie, et aussi en produit (cohortes, rétention).

Glossaire sémantique : concepts clés pour une analyse rigoureuse

Variable confondante

Facteur externe qui influence à la fois la cause présumée et l’effet, créant une corrélation trompeuse. Exemple : la température influence à la fois les ventes de glaces et le nombre de noyades.

Biais cognitif

Tendance de l’esprit humain à interpréter les informations de manière non objective. En analyse de données, cela peut mener à voir une causalité là où il n’y a qu’une corrélation (ex : biais de confirmation, excès de confiance).

Post hoc ergo propter hoc

Sophisme logique consistant à affirmer que parce qu’un événement suit un autre, il est causé par celui-ci. Exemple : le coq chante, le soleil se lève → le chant du coq fait lever le soleil.

Coefficient de corrélation (r)

Mesure statistique comprise entre -1 et 1 qui quantifie l’intensité et le sens d’une relation linéaire entre deux variables. Ne reflète pas une relation de cause à effet.

Régression linéaire

Modèle statistique qui estime la relation entre une variable dépendante et une ou plusieurs variables indépendantes. Utile pour la prédiction et le contrôle de variables, mais ne démontre pas la causalité par lui‑même.

Checklist rapide avant de conclure

1. Ai-je une hypothèse causalement plausible ? (mécanisme, sens de la flèche)
2. Y a-t-il un confondant évident ? (saison, segmentation, budget, sélection)
3. La relation est-elle stable par segments (âge, canal, région, device) ?
4. Ai-je un contrefactuel (A/B, contrôle, avant/après robuste) ?
5. Le résultat est-il sensible au choix de métrique et de période ?
6. Combien de corrélations ai-je testées ? (risque de faux positifs, p-hacking)

FAQ 

Articles connexes (pour approfondir)

Renforcez votre compréhension avec ces ressources complémentaires du site iana-data :

• Introduction à la régression linéaire multiple – maîtrisez l’outil statistique clé pour contrôler les variables.
• Biais cognitifs en analyse de données – comment notre cerveau nous trompe face aux chiffres.
• Méthodes d’inférence causale avec R et Python – exemples concrets de diff‑en‑diff et variables instrumentales.
• Le paradoxe de Simpson expliqué avec des cas marketing – quand le global cache la réalité.

Conclusion

La distinction entre corrélation et causalité est fondamentale pour toute analyse de données rigoureuse. Une corrélation indique un lien statistique ; une causalité justifie une intervention.

Que l’objectif soit commercial, scientifique ou public, garder cette distinction en tête évite de confondre des coïncidences avec des mécanismes. Et dans la pratique, c’est souvent là que se joue la maturité data : savoir dire "je ne sais pas encore", puis construire la preuve.