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.

Le temps chaud peut augmenter la demande de crème glacée et le temps passé dans ou près de l'eau. Cette influence saisonnière partagée peut faire varier deux courbes ensemble sans que la crème glacée ne cause de noyade.

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

Quand deux choses augmentent ensemble, nous supposons que l'une cause l'autre, mais une cause commune peut les lier sans lien direct.

Un cornet de crème glacée et des vagues de l'océan reliés par une ligne pointillée, avec un soleil au-dessus relié aux deux.

Ce que cela montre

Cette page utilise un graphique pédagogique stylisé, et non des mesures provenant d'un lieu nommé. Elle montre comment les ventes de crème glacée et les noyades pourraient varier ensemble sans que la crème glacée ne cause une seule noyade. La saison et la météo peuvent influencer à la fois la demande de desserts glacés et le temps passé dans ou près de l'eau. Cette influence partagée est un : elle peut créer une relation entre deux mesures qui ressemble à un lien causal direct.

Ce que montrent les chiffres

ventes de crème glacée

noyades

au cours de l'année →

Modèle mensuel stylisé, et non des valeurs mesurées. Les deux courbes sont tracées pour suivre une influence saisonnière commune : un temps plus chaud peut augmenter la demande de crème glacée et l'exposition à l'eau.

Pourquoi l'intuition échoue

Un graphique synchronisé est visuellement persuasif car il offre à l'esprit une histoire simple : une courbe entraîne l'autre. Mais les données n'indiquent pas la direction de la flèche à ta place. La même peut provenir de A qui cause B, de B qui cause A, d'une cause commune C, ou d'une coïncidence. Les données saisonnières sont particulièrement vulnérables car de nombreux comportements changent ensemble au fil du calendrier. Une affirmation causale nécessite une comparaison qui sépare la cause proposée de ces mouvements partagés.

Exemple concret

Imagine de regrouper une année par mois. Les périodes plus chaudes peuvent entraîner une plus grande consommation de crème glacée et plus de temps passé à nager, faire du bateau ou se détendre près de l'eau. Une plus grande exposition à l'eau crée plus d'occasions de noyade ; cela ne rend pas chaque baignade dangereuse ni ne fait de la météo le seul facteur de risque. Si les deux courbes d'illustration montent en été, la mauvaise histoire est que la crème glacée mène aux noyades. La meilleure hypothèse est que la saison et la météo ont modifié les deux comportements.

Comment l'utiliser

Avant de nommer une cause, pose quatre questions. Quoi d’autre pourrait faire varier les deux variables ? La cause proposée se produit-elle avant l’effet ? Existe-t-il un mécanisme plausible ? La relation persiste-t-elle au sein de groupes comparables, tels que des jours avec une température similaire ou des mois de la même saison ? Ces vérifications ne prouvent pas la causalité par elles-mêmes, mais elles stoppent la mauvaise interprétation la plus rapide.

Ce que les gens comprennent mal

Une fois que tu apprends que la n'est pas la causalité, la tentation suivante est de rejeter chaque corrélation comme une coïncidence inutile — et c'est une erreur en soi. Une corrélation non causale peut toujours être instructive : elle peut révéler une saisonnalité, un facteur commun, un artéfact de mesure ou une différence de groupe qui vaut la peine d'être étudiée. Le modèle n'est pas le problème ; le problème est de passer du modèle à la mauvaise explication. Plus l'affirmation causale est forte, plus tu as besoin de preuves de conception, et non pas seulement d'un graphique linéaire concordant.

Quand cela s'applique

Cet avertissement s'applique aux graphiques d'actualités, aux tableaux de bord, aux tendances sociales, aux mesures d'entreprise et aux allégations de santé où deux variables évoluent ensemble. Cela ne signifie pas que les corrélations sont inutiles. Les corrélations peuvent générer des hypothèses, améliorer la prédiction et révéler des relations qui méritent d'être testées. Elles deviennent dangereuses lorsqu'elles sont traitées comme une preuve causale sans mécanisme plausible et sans conception qui élimine les alternatives.

Note sur les sources

Les valeurs mensuelles de cette page sont un modèle pédagogique, et non un ensemble de données tiré de Tyler Vigen ou d'une estimation de sécurité en direct ; l'association entre la crème glacée et la noyade est présentée à titre d'illustration. Le catalogue éditorial de Vigen illustre le piège plus large de la illusoire. Hernan et Robins fournissent les bases de l'inférence causale : les affirmations causales nécessitent des hypothèses explicites et une comparaison appropriée, et non une simple association.

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

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

Est-ce qu'une corrélation prouve parfois la causalité ?

La corrélation ne suffit pas. Elle peut faire partie d'une preuve de causalité, mais il faut aussi observer le timing, un mécanisme plausible et une comparaison qui tient compte des facteurs de confusion probables. Dans cet exemple stylisé, la saison et la météo offrent une explication plausible par une cause commune ; le graphique en soi n'établit pas quelle histoire causale est vraie.

Qu'est-ce qu'un facteur de confusion ?

Un facteur de confusion est un troisième élément qui influence à la fois la cause suspectée et le résultat. Dans cet exemple pédagogique, la saison et la météo peuvent influencer l'achat de glaces et la baignade, créant une corrélation entre les ventes de glaces et les noyades sans qu'il y ait de lien direct entre elles.

Comment tester l'histoire causale ?

Cherche des comparaisons qui intègrent les facteurs de confusion probables. Pour cet exemple, compare des températures ou des saisons similaires plutôt que des mois chauds à des mois froids. Si le lien apparent s'affaiblit ou disparaît, cela affaiblit l'hypothèse d'une cause directe. S'il subsiste, c'est un indice à étudier, mais pas une preuve causale en soi.