Une mesure statistique décrivant le degré et la direction d’association ou de dépendance entre deux variables mesurées dans un échantillon ou une population ; la corrélation quantifie la façon dont les valeurs d’une variable varient avec celles d’une autre mais, prise isolément, n’établit pas que la variation d’une variable provoque la variation de l’autre.

Principe

La corrélation indique une dépendance statistique et une utilité prédictive potentielle mais est insuffisante pour l’inférence causale ; elle peut résulter d’une causalité directe, d’une causalité inverse, d’un facteur de confusion, de tendances communes ou de la structure de la mesure et exige donc des analyses complémentaires pour interpréter les mécanismes.

Démonstration

Scénario illustratif (hypothétique) : Situation — Un jeu de données montre que la variable X et la variable Y ont tendance à augmenter ensemble. Reconnaissance — Les analystes calculent un coefficient de corrélation ou ajustent un modèle montrant une association statistique. Action — L’association sert de base à des investigations ultérieures (par ex. analyses stratifiées, études temporelles ou modélisation prédictive). Conséquence — La corrélation peut orienter la génération d’hypothèses ou la prédiction, mais ne suffit pas à justifier des affirmations causales ou des interventions sans preuves complémentaires.

Mauvaise application

Interprétation erronée : conclure que la corrélation prouve la causalité. Pourquoi plausible : une corrélation forte ou constante suggère une relation. Erreur sémantique : confondre association statistique et effet causal et ainsi approuver des interventions ou explications mécanistiques que les données ne soutiennent pas.

Conséquence

La corrélation est utile pour décrire des relations, sélectionner des prédicteurs et générer des hypothèses ; la confondre avec la causalité peut conduire à de mauvaises décisions, à des interventions inappropriées et à des inférences trompeuses.

Inversion

Une corrélation peut devenir preuve de causalité seulement après des conceptions et analyses complémentaires (temporalité, contrôle de la confusion, mécanisme) qui soutiennent une interprétation causale ; inversement, la corrélation peut disparaître après conditionnement sur un facteur de confusion ou en changeant l’échelle de mesure.

Limite

Clairement incluse : association statistiquement significative entre deux variables mesurées dans un jeu de données spécifié, quantifiée par un coefficient de corrélation ou une mesure de dépendance. Cas limite : corrélation dans des données transversales qui peut refléter une causalité inverse ou de la confusion. Clairement exclue : affirmation causale selon laquelle une variable produit un changement de l’autre sans preuves causales à l’appui.

Tension sémantique

Tension entre les objectifs statistiques descriptifs (mesurer et résumer une association) et les objectifs d’inférence causale (établir des causes), qui exigent des méthodes et normes de preuve différentes.

Synthèse

La corrélation est un outil descriptif et prédictif utile mais constitue une base faible pour les revendications causales ; la traiter comme telle requiert des preuves additionnelles explicites et la considération d’explications alternatives.