UOH - Psychométrie et Statistique en L1 - 7. Dépendances et causalité
header_UOH header_UOHPSY
Accueil arrow Comprendre arrow Statistique descriptive arrow 7. Dépendances et causalité
7. Dépendances et causalité Convertir en PDF Version imprimable Suggérer par mail
Appréciation des utilisateurs: / 0
FaibleMeilleur 
Écrit par Éric Raufaste   
Index de l'article
1. Notion de co-occurrence
2. Les relations de dépendance
3. Propriétés des relations de dépendance
4. Dépendance et causalité
    

 

3. Dépendance et causalité

Parfois la relation que nous imaginons entre deux variables n'est pas simplement l'existence d'une co-occurrence mais traduit véritablement une causalité, c'est-à-dire que la variable A est une cause de la variable B. Par exemple, l'observation que plus les enfants sont âgés et plus leurs capacités intellectuelles augmentent, traduit une relation de cause à effet : c'est parce qu'il y a maturation biologique (avancée en âge de l'enfant) que les performances intellectuelles s'améliorent (par exemple du fait de la myélinisation des neurones).

Il est clair que pour le chercheur comme pour le diagnosticien, obtenir des relations véritablement causales est beaucoup plus intéressant que de constater de simples co-occurrences. En effet, une relation causale donne une perspective d'action, de prédiction. Si je sais que la cause d'une maladie est une bactérie, je peux aussitôt agir sur cette maladie en mobilisant mes connaissances sur ce qui lutte contre les bactéries. À l'inverse, si je sais que c'est un virus, je peux éviter de polluer l'environnement avec des antibiotiques qui seront de toute façon inefficaces. Cette plus grande efficience explique que l'étude logique de la causalité est un sujet qui remplit des manuels entiers de philosophes et de mathématiciens. Les psychologues, cognitivistes ou psychologues sociaux, travaillent aussi activement sur la perception de la causalité chez l'humain aussi. Nous n'avons pas l'ambition de passer ces travaux en revue ici. Tout ce qui nous intéresse est de vous donner quelques notions de base qui permettent de comprendre les problèmes posés par l'identification de la causalité à partir de données empiriques.  

Afin de faire comprendre le problème qui se pose à nous, commençons par examiner différents types de relations causales. Nous partons du constat d'une co-occurrence régulière entre certaines valeurs d'une variable A et certaines valeurs d'une variable B. Comment peut-on les interpréter ?

3.1. Quelques interprétations au moyen de dépendances causales

Pour ces exemples, prenons l'observation de co-occurrence entre les valeurs d'une variable A (grossir) et une variable B (être fatigué). On observe que les gens qui grossissent tendent à être fatigués et réciproquement que les gens fatigués tendent à grossir. Comment interpréter cela ? Évidemment, une première interprétation consiste à se dire que la co-occurrence est purement fortuite : c'est par hasard qu'elle s'est manifestée dans nos données et si l'on recommence les mesures, il est probable que cette observation ne se réplique pas. Éliminer cette interprétation est un point très important qui fait l'objet des statistiques inférentielles et à ce titre ne ressort pas du présent cours. Aussi dans la suite supposerons-nous que la relation existe vraiment. La question est de l'interpréter.

La première forme de la relation causale est l'implication AB. Les gens seraient fatigués parce qu'ils grossissent.

La deuxième forme de la relation causale est l'implication B→A. Cette fois, c'est la fatigue qui ferait grossir.

La troisième forme passe par l'intervention d'une troisième variable, C, qui cause à la fois A et B, d'où la co-occurrence observée. Par exemple, le facteur stress sera la cause commune le stress engendre le sentiment de fatigue et d'un autre côté une hormone de résistance au stress aurait pour effet de stocker les graisses, d'où grossissement.

C-A et C-B.jpg

Une quatrième forme consiste à ce que la relation causale entre A et B soit réalisée par l'intermédiaire de la variable C : ACB.  Par exemple si on grossit (A), on tend à ronfler plus (C), ce qui secondairement dégrade la qualité du sommeil, d'où fatigue (B). Du coup, si quelque raison s'oppose à la réalisation de C suite à A, la réalisation de B ne surviendra pas non plus.  Par exemple si Marie veut lire tard à la bibliothèque (A), elle lira tard à la bibliothèque (B)... sauf si la bibiothèque n'est pas ouverte (non C) !

Enfin, une dernière forme de relation peut expliquer pourquoi parfois on observera B sans observer A

A et C -B.jpg

En effet, si A est absent mais que C aussi peut être la cause de B, alors il suffit que C soit présent pour que B soit présent malgré l'absence de A.

On voit donc qu'il y a très loin du constat d'une co-occurrence à l'adoption d'une relation causale qui explique la co-occurrence de façon certaine.

 

 

3.2. La causalité permet la prédiction

Laissons maintenant de côté la question épineuse de l'identification du type de relation qui relie les variables A et B pour nous intéresser à une conséquence importante de la causalité : la capacité de prédire.

Intuitivement, si A et B sont en relation causale, disons que A est la cause de B, alors des variations sur A doivent s'accompagner de la présence de variations concomitantes sur B. Il existe une technique qui permet d'évaluer cette capacité de prédiction : la technique dite de régression, que nous examinerons dans l'article suivant.

 

 



Dernière mise à jour : ( 10-01-2009 )
 
< Article précédent   Article suivant >

Citation

C'est en grande partie autour des problèmes de [la] construction et de [la] signification [des tests] que s'est institutionnalisée la psychologie.
Michel Huteau et Jacques Lautrey
 

Sondage

Pour étudier la statistique et la psychométrie en L1, ce site est...
 
© 2021 UOH - Psychométrie et Statistique en L1
Joomla! est un logiciel libre distribu sous licence GNU/GPL.