L’essentiel
Une corrélation décrit une association entre des observations. Une causalité affirme qu’un changement aurait été différent si une cause avait été modifiée, dans des conditions définies. Les deux ne se confondent pas : un troisième facteur, une causalité inverse ou la sélection des personnes peuvent expliquer une association. Un essai randomisé aide à construire une comparaison, sans supprimer toutes les limites. Des études observationnelles peuvent également contribuer à un raisonnement causal lorsque leurs hypothèses sont explicites. Les ateliers ci-dessous utilisent uniquement des exemples fictifs pour apprendre à poser ces questions ; ils ne mesurent ni un risque personnel ni l’efficacité d’un soin.
Corrélation et causalité : quelle différence dans une phrase ordinaire ?
« Les personnes qui font X présentent plus souvent Y » décrit une association dans un groupe. « Faire X provoque Y » ajoute une explication : modifier X changerait Y, toutes choses pertinentes étant prises en compte. Ce passage demande des arguments supplémentaires.
La causalité compare, au moins en pensée, ce qui se produirait dans deux situations. Une personne ne peut pas vivre simultanément les deux versions d’un même événement. Les recherches construisent donc une comparaison avec d’autres personnes, d’autres périodes ou un modèle, en précisant les hypothèses. Pearl distingue notamment l’observation, l’intervention et le raisonnement sur ce qui aurait pu se passer[1]. Ces niveaux répondent à des questions différentes.
Une association répétée peut orienter la recherche. Le problème commence quand le titre annonce une cause alors que le protocole décrit seulement des personnes déjà différentes. Notre dossier sur l’effet placebo et nocebo montre, dans un autre contexte, pourquoi un changement observé ne révèle pas à lui seul le mécanisme qui l’a produit.
Un troisième facteur peut-il expliquer deux phénomènes qui varient ensemble ?
Imaginons une ville fictive où les ventes de glaces et les baignades augmentent pendant les mêmes semaines. Cette association ne démontre pas que manger une glace pousse à se baigner. La chaleur peut favoriser les deux activités. Le troisième facteur crée une explication concurrente ; on parle souvent de facteur de confusion lorsqu’il intervient dans la comparaison étudiée.
Pour le repérer, il faut connaître le sujet, et pas seulement regarder un tableau. Un dessin de flèches aide à expliciter ce que l’on suppose : la température agit sur les ventes et sur les baignades, tandis qu’une autre flèche reste à démontrer. Les diagrammes causaux présentés par Greenland et ses collègues servent notamment à réfléchir aux variables nécessaires pour réduire une confusion[2]. Le dessin exprime des hypothèses ; sa belle apparence ne les valide pas.
Le premier atelier compare des explications fictives, sans produire de preuve. Dans une étude réelle, il faudrait savoir comment la température, les personnes et les périodes ont été mesurées. Les études du régime méditerranéen posent, avec des enjeux différents, la question des habitudes qui accompagnent une exposition. Énumérer ces habitudes est un début ; construire une comparaison adaptée est le travail suivant.
Quelle explication manque au titre ?
Trois situations fictives : une association, une chronologie incertaine et une comparaison à construire. Les hypothèses proposées ne constituent pas des preuves.
Le récapitulatif
| Piste | Ce qu’elle pose comme question |
|---|---|
| Une cause commune possible | Dans cette fiction, la chaleur pourrait augmenter à la fois les ventes de glaces et les baignades. La flèche chaleur → ventes et la flèche chaleur → baignades sont des hypothèses. Aucune flèche ventes → baignades n’est démontrée par leur association. |
| Un sens inverse possible | Dans la fiction sur le sommeil, une difficulté à dormir pourrait conduire à ouvrir plus souvent l’application. Observer les deux au même moment ne permet pas de déterminer le sens. La chronologie et les autres changements restent à examiner. |
| Une comparaison à construire | Attribuer au hasard une intervention, puis comparer des résultats définis à l’avance, change la question. Il faut encore décrire le tirage, le suivi, les personnes sorties de l’étude et la population. Cette proposition n’est pas une expérience effectuée ici. |
L’ordre des événements permet-il de savoir ce qui cause quoi ?
Une cause doit précéder l’effet qu’on lui attribue. Mais deux mesures recueillies au même moment peuvent laisser le sens de l’explication incertain. Dans un exemple fictif, des personnes qui dorment mal consultent plus souvent une application le soir. L’application pourrait participer à leur éveil ; leur difficulté à dormir pourrait aussi les amener à l’ouvrir. L’association seule ne permet pas de choisir.
Des mesures répétées aident à reconstituer une chronologie. Elles ne font pas disparaître une cause commune, comme une période de travail intense. Il faut encore décrire le début de l’exposition, les événements antérieurs et ce qui change pendant le suivi. La chronologie ne suffit pas à démontrer une cause.
Les groupes sont parfois sélectionnés d’une manière qui fabrique une association supplémentaire. Une étude qui inclut seulement les personnes ayant consulté peut relier artificiellement deux raisons distinctes de consulter. Hernán et ses collègues analysent ce biais de sélection à partir de causes communes de la sélection[6]. Ajouter mécaniquement toutes les variables à une analyse peut ainsi introduire une difficulté, au lieu de la corriger. L’axe intestin-cerveau rappelle également que des relations peuvent suivre plusieurs directions, sans se résumer à une flèche unique.
Pourquoi faut-il parfois regarder les groupes avant le résultat total ?
Un résultat global peut masquer la composition des groupes. Prenons deux méthodes fictives, A et B, évaluées sur des tâches faciles ou difficiles. Pour les tâches faciles, A réussit 9 fois sur 10, contre 80 sur 100 pour B. Pour les tâches difficiles, A réussit 20 fois sur 100, contre 1 sur 10 pour B. A présente donc une proportion plus élevée dans chacune des deux catégories.
En additionnant sans regarder les catégories, A obtient pourtant 29 réussites sur 110 tentatives, contre 81 sur 110 pour B. Pourquoi cette inversion ? A a été utilisée principalement pour des tâches difficiles et B principalement pour des tâches faciles. Le total mélange des répartitions différentes. Les fractions sont inventées pour montrer ce calcul, pas pour désigner une méthode supérieure dans la réalité.
Découper un tableau en sous-groupes aide à repérer cette difficulté. Cela ne prouve pas automatiquement une causalité à l’intérieur de chaque catégorie : d’autres différences peuvent subsister. Il faut aussi éviter de multiplier les découpages après avoir vu les résultats pour ne conserver que celui qui plaît. Le deuxième atelier affiche les mêmes données sous deux angles et conserve les dénominateurs. Le dossier sur la perception des couleurs explore aussi le rôle du contexte, dans un domaine distinct.
Pourquoi le total inverse-t-il la comparaison ?
Changez la vue : les tentatives ne changent pas. Les dénominateurs restent affichés pour comprendre la composition des groupes.
Le récapitulatif
| Contexte | Méthode A | Méthode B |
|---|---|---|
| Facile | 9 / 10 = 90 % | 80 / 100 = 80 % |
| Difficile | 20 / 100 = 20 % | 1 / 10 = 10 % |
| Total | 29 / 110 ≈ 26,4 % | 81 / 110 ≈ 73,6 % |
A a davantage de tâches difficiles. B a davantage de tâches faciles. Cette répartition explique l’inversion du total ; aucun effet causal réel n’est démontré.
Que change un essai randomisé, et que ne règle-t-il pas ?
Dans un essai randomisé, un tirage attribue les interventions. Son intérêt est de limiter les différences systématiques entre groupes au départ, y compris pour des facteurs que l’équipe n’a pas mesurés. Il ne garantit pas que chaque petit groupe soit parfaitement identique. Le protocole doit expliquer le tirage et l’attribution.
Il faut ensuite examiner les personnes sorties de l’étude, le respect des interventions, les mesures et la manière de comparer les résultats. Une différence peut dépendre du critère retenu ou d’un suivi trop court. La recommandation CONSORT 2025 comporte trente éléments destinés à rendre la présentation des essais plus transparente, avec une place pour le protocole et les pratiques de science ouverte[4]. Remplir une liste de présentation n’est pas un certificat d’efficacité pour chaque intervention.
La population étudiée compte aussi. Une expérience courte chez des volontaires sains ne répond pas forcément à une question concernant des personnes malades pendant plusieurs années. Le dossier sur les sénolytiques illustre cette prudence entre mécanisme, essai et application. Pour apprécier un résultat, demandez à la fois « par rapport à quoi ? » et « pour qui, pendant combien de temps ? ». Une comparaison répond à une question définie.
Une étude observationnelle peut-elle apporter des arguments causaux ?
Oui, mais ses hypothèses doivent être examinées. Une étude observationnelle décrit des expositions qui n’ont pas été attribuées par l’équipe. Elle peut suivre des personnes dans le temps, comparer des situations ou exploiter un changement extérieur. Le raisonnement doit préciser quelles différences ont été prises en compte et quelles autres explications pourraient encore produire le résultat. Une observation peut donc apporter des informations utiles.
STROBE propose vingt-deux éléments de présentation pour les études de cohorte, cas-témoins et transversales[3]. Ils aident à trouver la population, les mesures et les limites ; ils ne transforment pas une association en causalité. Les contrôles négatifs étudiés par Lipsitch et ses collègues cherchent, sous certaines conditions, des associations qui signaleraient un biais plutôt que l’effet recherché[5]. Là encore, leur choix exige une connaissance du sujet.
Une autre approche utilise des variations génétiques comme indices d’exposition : c’est le principe de la randomisation mendélienne. Le travail de Davey Smith et Ebrahim expose son intérêt et des obstacles, notamment lorsqu’une variation influence plusieurs mécanismes[7]. Son nom ne la rend pas identique à un essai qui attribue un traitement. Plusieurs approches peuvent renforcer ou affaiblir une hypothèse lorsqu’elles rencontrent des biais différents ; leurs conclusions doivent rester liées aux conditions étudiées.
Une amélioration avant/après ou une petite valeur p prouvent-elles l’effet ?
Une personne commence souvent quelque chose quand la situation est particulièrement mauvaise. Une mesure suivante peut se rapprocher d’un niveau plus habituel, même sans action spécifique de cette nouveauté. Barnett et ses collègues expliquent ce phénomène de régression vers la moyenne et son importance dans la conception et l’analyse des études[8]. Il s’ajoute aux changements naturels, aux autres actions entreprises et aux erreurs de mesure.
Un avant/après reste une description utile de ce qui s’est passé. Pour attribuer le changement, il faut savoir ce qui se serait probablement produit sans la nouveauté. C’est pourquoi une comparaison avec un groupe adapté apporte une information que le récit personnel ne peut pas fournir seul. Dans le dossier sur la perte insensible en eau, un flux mesuré et un confort ressenti répondent aussi à des questions distinctes.
La valeur p ne règle pas cette question d’attribution. Dans sa déclaration originale de 2016, l’American Statistical Association précise notamment qu’elle ne donne ni la probabilité qu’une hypothèse soit vraie, ni la taille ou l’importance de l’effet[10]. Cherchez l’effet estimé, son incertitude, le nombre de comparaisons et le contexte. « Statistiquement significatif » ne signifie pas automatiquement important pour une décision réelle.
Comment relire une promesse scientifique sans devenir spécialiste ?
Commencez par retrouver la question précise. Notez qui a été observé, ce qui a changé, le critère mesuré et le groupe de comparaison. Remplacez ensuite le verbe du titre par celui que les données permettent : « est associé à » peut être la formulation juste lorsqu’aucun argument suffisant ne démontre « provoque ». Cette précision rend le résultat plus utile.
Examinez les limites rapportées et cherchez si le résultat a été prévu ou choisi parmi beaucoup d’analyses. L’article méthodologique d’Ioannidis présente un modèle dans lequel puissance, biais et multiplication des tests modifient la fiabilité des résultats publiés[9]. Ce modèle ne fournit pas un taux automatique de fausseté pour l’étude que vous êtes en train de lire. Il invite à regarder les conditions de production d’un résultat plutôt qu’une affirmation spectaculaire isolée.
La meilleure conclusion peut rester provisoire : « Cette étude soutient cette hypothèse dans cette population, avec ces limites. » Le troisième atelier produit une liste de questions encore ouvertes. Pour une décision personnelle de santé, cette grille aide à préparer une discussion ; elle ne remplace pas l’évaluation adaptée de la situation.
Préparer quatre questions avant de conclure
Cochez les informations retrouvées pour obtenir les questions encore à documenter. Les choix restent uniquement dans cette page et s’effacent avec la remise à zéro.
Le récapitulatif
| Élément | Question à conserver |
|---|---|
| Population | Pour qui et pendant combien de temps ? |
| Comparaison | Par rapport à quoi et avec quelles différences de départ ? |
| Mesure | Quel effet, quelle incertitude et quel critère ? |
| Limites | Quels biais et quelles analyses n’apparaissent pas dans le titre ? |
Retrouver ces éléments ne valide pas une étude : il faut ensuite examiner ce qu’ils décrivent. Cette grille ne calcule aucun niveau de preuve.
Vrai ou faux : cinq idées reçues
Choisissez votre réponse, l’explication s’affiche aussitôt.
Deux phénomènes qui varient ensemble se causent nécessairement.
Voir la réponse
Faux. Une cause commune, le sens inverse ou un biais peuvent expliquer une association.
Le même tableau peut donner une lecture différente quand on examine ses groupes.
Voir la réponse
Vrai. La composition des groupes peut inverser une comparaison globale, comme dans notre exemple fictif.
L’attribution aléatoire dispense de lire les données manquantes.
Voir la réponse
Faux. Le suivi et les données manquantes restent des éléments importants du protocole.
Une étude observationnelle peut contribuer à une hypothèse causale sous des conditions explicites.
Voir la réponse
Vrai. Il faut examiner les hypothèses, les comparaisons et les biais possibles de chaque approche.
Une valeur p mesure la taille et l’importance de l’effet.
Voir la réponse
Faux. Elle ne donne ni sa taille ni son importance pour une décision réelle.
Questions fréquentes
Une corrélation peut-elle être utile sans démontrer une cause ?
Oui. Elle peut signaler une relation à étudier, décrire une population ou contribuer à prévoir un phénomène. Son utilité dépend de la question posée. Le problème consiste à lui attribuer une explication qu’elle n’établit pas encore, ou à annoncer qu’une action produira un effet simplement parce que deux observations vont ensemble.
Une cause commune suffit-elle à expliquer toute association ?
Non. C’est une explication possible à examiner, parmi d’autres. Une cause réelle, un sens inverse, la sélection des observations et les mesures peuvent intervenir. Plusieurs mécanismes peuvent coexister. L’atelier présente des hypothèses fictives, sans déterminer les causes d’une étude réelle.
Un essai randomisé donne-t-il toujours la réponse définitive ?
Non. Il aide à construire une comparaison, mais le tirage, le suivi, les données manquantes et le critère mesuré demandent encore une lecture attentive. Un résultat concerne des personnes et une durée définies. La transparence du protocole facilite cette lecture ; elle ne garantit pas que le résultat s’applique partout et à tout le monde.
Une valeur p inférieure à un seuil prouve-t-elle une causalité ?
Non. La valeur p dépend d’un modèle et de ses hypothèses. Elle ne mesure pas la taille de l’effet et ne corrige pas un biais de sélection ou une comparaison inadaptée. Le protocole, l’effet estimé, son incertitude et les autres analyses comptent aussi. Un seuil seul ne décide pas du sens scientifique d’un résultat.
Les tableaux interactifs contiennent-ils des résultats d’études ?
Non. Les sacs, les tâches et les fractions ont été inventés pour expliquer les raisonnements. L’atelier d’agrégation conserve exactement les mêmes observations entre ses vues. La grille de lecture classe des questions, sans donner une note de preuve, un diagnostic ou une recommandation de traitement. Les sources primaires sont présentées séparément.
Sources & pour aller plus loin
Publications scientifiques et ressources institutionnelles. Les limites et l’interprétation sont discutées dans le texte.
- Pearl, 2010 — An introduction to causal inference ↗
- Greenland, Pearl et Robins, 1999 — Causal diagrams for epidemiologic research ↗
- von Elm et al., 2007 — STROBE : transparence des études observationnelles ↗
- Hopewell et al., 2025 — CONSORT 2025 : présentation des essais randomisés ↗
- Lipsitch et al., 2010 — Negative controls : détecter les biais dans les études observationnelles ↗
- Hernán et al., 2004 — A structural approach to selection bias ↗
- Davey Smith et Ebrahim, 2003 — Mendelian randomization : hypothèses et limites ↗
- Barnett et al., 2004 — Regression to the mean : ce que le phénomène implique pour les études ↗
- Ioannidis, 2005 — Why most published research findings are false : un modèle méthodologique ↗
- American Statistical Association, 2016 — Déclaration originale sur les valeurs p ↗
Références examinées pour cette mise à jour : 10 octobre 2026.
