Fait
Corrélation et causalité : pourquoi évoluer ensemble ne prouve rien
La corrélation indique que deux choses évoluent ensemble. La causalité indique que l'une modifie l'autre. Un troisième facteur caché peut donner l'illusion d'une causalité.
La corrélation est un modèle. La causalité est une affirmation sur un mécanisme. Pour passer de l'une à l'autre, il faut un timing, une comparaison équitable et écarter les explications alternatives.
Par l'équipe de rédaction de Math Says Yes
Examiné par des humains selon nos normes en matière de sources et de corrections.
Comment nous évaluons le contenu
LE PIÈGE
Voir deux courbes évoluer ensemble et choisir instantanément l'histoire de cause à effet la plus séduisante.
La brève différence
La signifie que deux variables ont tendance à changer ensemble. La causalité signifie que changer une variable modifierait l'autre, toutes choses égales par ailleurs. L'écart entre ces affirmations est grand. Une corrélation peut être un indice, mais elle n'identifie pas la direction, n'exclut pas les causes partagées et ne prouve pas ce qui se passerait lors d'une intervention. La causalité nécessite une comparaison qui rend les explications alternatives moins plausibles.
Comparaison rapide
Corrélation
Causalité
À quoi cela répond-il ?
Est-ce que deux variables ont tendance à évoluer ensemble ?
Est-ce que changer une variable modifierait l'autre ?
Erreur fréquente
Lire un modèle comme la preuve d'un mécanisme.
Revendiquer une cause sans timing, mécanisme ou comparaison équitable.
À utiliser quand
Tu as besoin d'un indice, d'un signal d'alarme ou d'une prédiction.
Tu as besoin d'une explication ou d'une décision d'intervention.
Ce que montrent les chiffres
J
F
M
A
M
J
J
A
S
O
N
D
ventes de crème glacée
noyades
au cours de l'année →
Modèle saisonnier illustratif. Les deux courbes évoluent ensemble car elles suivent la chaleur estivale, et non parce que la crème glacée cause la noyade.
Exemple concret
Les ventes de crème glacée et les noyades peuvent augmenter ensemble pendant les mois chauds. La simple est réelle dans les données stylisées : les deux courbes montent en été et baissent en hiver. Mais l'histoire causale n'est pas que la crème glacée cause la noyade. Le temps chaud augmente la baignade et augmente également l'achat de crème glacée. La température est un , un troisième facteur qui pousse les deux variables dans la même direction.
Ce que les gens comprennent mal
La plupart des lecteurs s'arrêtent au graphique. Un ou une paire de courbes de tendance d'apparence solide peut encore s'expliquer de plusieurs manières. La causalité inversée est possible lorsque l'effet supposé influence en réalité la cause supposée. La confusion est possible lorsqu'une fait bouger les deux. Le d'échantillonnage peut également fabriquer une relation. Le graphique commence l'enquête, il ne la termine pas.
Quand cela s'applique-t-il ?
Utilise l'avertissement de chaque fois qu'un titre affirme qu'une chose en augmente, en diminue, en cause, en prévient ou en prédit une autre. Demande si la cause est venue avant l'effet, si des groupes comparables ont été utilisés et quelles troisièmes variables pourraient influencer les deux mesures. Les expériences randomisées répondent à ces questions plus clairement. Lorsque les expériences sont impossibles, une inférence causale minutieuse essaie d'approcher une comparaison équitable.
Note sur les sources
Hernan et Robins fournissent le cadre de l'inférence causale : les affirmations causales dépendent de comparaisons qui approchent ce qui se serait produit sous d'autres actions. Le catalogue éditorial de corrélations fallacieuses de Tyler Vigen illustre à quel point des relations non causales peuvent paraître visuellement persuasives. La page utilise la crème glacée et la noyade comme exemple pédagogique, et non comme estimation de sécurité en direct.
Essaie
Facteur de confusion caché
Fais glisser la température et regarde les deux augmenter ensemble.
Cause commune cachée
20°C
température
360
ventes de crème glacée
5
noyades
La crème glacée n'est pas la cause des noyades
Température
20°C
La bifurcation représente l'affirmation causale : la température pousse les deux résultats vers le haut de manière indépendante.
À 20°C, les ventes de crème glacée s'élèvent à 360 et les noyades à 5 — toutes deux poussées par la chaleur, et non l'une par l'autre. Glisse vers des jours plus frais et les deux chutent ensemble ; la crème glacée n'a jamais touché l'eau.
FAQ
La corrélation soutient-elle parfois la causalité ?
Oui. La corrélation peut être un indice utile, en particulier avec le timing, le mécanisme et une comparaison équitable. Elle ne peut tout simplement pas prouver la causalité à elle seule.
Qu'est-ce qu'un facteur de confusion ?
Un facteur de confusion est un troisième élément qui affecte les deux variables comparées, les faisant évoluer ensemble même sans lien de causalité direct.
Vérification rapide
Les ventes de crème glacée et les noyades augmentent ensemble. De quoi a-t-on besoin avant d’affirmer que l’un cause l’autre ?
A
Une corrélation encore plus forte
B
Une comparaison équitable qui écarte la chaleur et d’autres facteurs de confusion
C
Des unités correspondantes sur les deux axes
Sources
Causal Inference: What If
Source autorisée
Harvard T.H. Chan School of Public Health · Consulté 2026-06-20
Spurious Correlations
Exemple éditorial
Tyler Vigen · Consulté 2026-06-14
Tu connais quelqu'un qui aimerait ça ?
À lire ensuite
Est-ce que la crème glacée cause des noyades ?
Imagine un graphique saisonnier où les ventes de crème glacée et les noyades augmentent ensemble. Le dessert paraît suspect, mais le graphique seul ne peut pas montrer la cause.
Comparisons associées
Valeur p et intervalle de confiance : ce que chacun vous apprend
Les valeurs p et les intervalles de confiance répondent à des questions différentes. Utilise la valeur p pour trouver des indices contre un modèle nul, et l'intervalle pour connaître la taille et l'incertitude de l'effet.
Moyenne vs médiane : quelle moyenne dois-tu utiliser ?
La moyenne et la médiane sont toutes deux des mesures de centre, mais la moyenne est tirée par des valeurs extrêmes tandis que la médiane suit l'observation du milieu.
Risque relatif vs risque absolu : la différence qui change les décisions
Le risque relatif peut faire paraître de petits changements importants. Le risque absolu remet le changement à une échelle réelle, par exemple 2 sur 100 devenant 3 sur 100.
Erreur type et écart-type : dispersion et précision
L'écart-type concerne la variabilité des données. L'erreur type concerne la variabilité d'une estimation à travers des échantillons répétés.
