Corrélation, causalité, anecdote : comparer les types de preuve

« Ça a marché pour moi » n'est pas la même chose qu'« une étude montre »

Un témoignage individuel, un graphique qui montre deux courbes évoluant ensemble, une étude qui isole une cause : ces trois formes de preuve circulent souvent dans le même paragraphe, comme si elles avaient un poids comparable. Elles n'en ont pas. Comparer explicitement ces trois familles — plutôt que de les traiter comme des synonymes de « preuve » — est l'un des réflexes les plus utiles pour évaluer une affirmation avant de la répéter.

Trois familles de preuves, trois usages

Ce classement n'a pas vocation à disqualifier deux des trois catégories au profit de la troisième. Il sert à poser, avant toute discussion de fond, une question préalable simple : quel niveau de preuve l'affirmation qu'on examine prétend-elle réellement offrir ? Beaucoup de désaccords ne portent pas sur les faits eux-mêmes, mais sur ce niveau de preuve implicite — l'un des interlocuteurs traite une corrélation comme une causalité établie, l'autre exige, à raison, un niveau de preuve que le sujet ne permet pas toujours d'atteindre.

L'anecdote : un signal, jamais une conclusion

Un témoignage isolé — « depuis que j'ai changé ma routine, mes résultats se sont améliorés » — a une vraie valeur : il peut orienter une hypothèse à tester, révéler un cas limite qu'une moyenne statistique masquerait, ou simplement humaniser un phénomène abstrait. Sa limite est tout aussi réelle : un cas ne permet pas d'exclure le hasard, la coïncidence temporelle ou un facteur non mentionné. Traiter une anecdote comme une démonstration est l'erreur la plus fréquente dans les débats informels — et la plus facile à repérer une fois qu'on la cherche.

La corrélation : deux courbes qui bougent ensemble

Une corrélation statistique établit qu'une variable évolue avec une autre, sur un échantillon suffisant pour écarter le simple hasard. C'est déjà plus solide qu'une anecdote, parce que la taille de l'échantillon réduit le poids des cas particuliers. Mais une corrélation, seule, ne dit rien du sens de la relation : A peut causer B, B peut causer A, ou une troisième variable — la fameuse variable confondante — peut causer les deux sans lien direct entre elles.

La preuve causale : un mécanisme isolé et testé

Établir une causalité demande de neutraliser les explications alternatives — typiquement via une expérience contrôlée, une comparaison avant/après avec groupe témoin, ou un faisceau d'indices convergents quand l'expérimentation est impossible ou contraire à l'éthique. C'est la forme de preuve la plus exigeante à produire, et la plus rare dans un article grand public, parce qu'elle demande du temps, des moyens et souvent l'accès à des données que peu d'enquêtes indépendantes peuvent réunir.

Pourquoi la corrélation trompe si facilement

L'exemple classique : les ventes de glaces et le nombre de noyades augmentent tous deux en été. Personne ne conclut sérieusement que manger une glace cause une noyade — la variable confondante, la chaleur, saute aux yeux. Le problème apparaît quand la variable confondante est moins visible : deux phénomènes économiques, deux tendances sociales, deux indicateurs de santé publique qui évoluent ensemble sur dix ans, sans qu'aucune expérience ne permette de trancher facilement quel facteur commun les explique tous les deux.

« Les pays qui consomment le plus de [produit] ont aussi le taux le plus bas de [maladie] : la preuve est là. » — formulation type d'une conclusion causale tirée d'une simple corrélation nationale, sans contrôle des facteurs de richesse, d'âge ou d'accès aux soins.

Ce type de raccourci n'est pas propre aux discours douteux ; il apparaît régulièrement dans des présentations soignées, parce que la phrase « la preuve est là » sonne bien et que la nuance — « une association existe, la cause reste à établir » — est moins vendeuse. Le statisticien Darrell Huff décrivait déjà ce mécanisme en 1954 dans How to Lie with Statistics, et le problème n'a pas disparu avec l'accès plus large aux données.

Hiérarchiser sans absolutiser

La tentation, une fois ce classement compris, est de rejeter systématiquement l'anecdote et la corrélation au profit de la seule preuve causale. Cela dit, cette rigueur absolue est rarement praticable en dehors d'un laboratoire ou d'une administration disposant de moyens d'enquête étendus. Beaucoup de décisions raisonnables — personnelles, professionnelles, journalistiques — se prennent nécessairement sur un faisceau de corrélations convergentes, faute de pouvoir attendre une preuve causale complète qui, sur certains sujets, n'existera jamais.

La bonne pratique n'est donc pas d'exiger systématiquement le niveau de preuve le plus élevé, mais de nommer explicitement le niveau disponible et de ne pas l'habiller d'un vocabulaire qui suggère plus de certitude qu'il n'en existe. Dire « ces deux tendances sont associées, la cause reste débattue » est plus honnête — et souvent plus utile — que de forcer une conclusion causale sur des données qui ne la permettent pas.

En revanche, refuser d'agir tant qu'une preuve causale complète n'existe pas peut, sur certains sujets, coûter plus cher que d'agir sur une corrélation solide et convergente. La santé publique fournit des exemples connus de ce compromis : des mesures de précaution ont parfois été prises sur la base d'un faisceau de corrélations, avant qu'un mécanisme causal ne soit pleinement établi, parce que le coût de l'attente dépassait le coût de l'erreur possible. Nommer le niveau de preuve disponible permet précisément de prendre cette décision en connaissance de cause plutôt qu'en la maquillant en certitude.

Une méthode pratique pour trancher

Face à une affirmation, trois questions permettent de situer rapidement le type de preuve invoqué : s'agit-il d'un cas unique, d'une association statistique sur un échantillon, ou d'un mécanisme testé en isolant les autres facteurs ? En épidémiologie, les critères formulés par le statisticien Austin Bradford Hill en 1965 — force de l'association, cohérence entre études indépendantes, plausibilité d'un mécanisme, relation dose-effet — restent une référence utile pour juger, au cas par cas, si une corrélation mérite d'être traitée comme un signal causal probable plutôt que comme une simple coïncidence statistique.

Cette hiérarchisation rejoint directement les biais qui faussent l'observation en amont : un observateur qui remarque surtout les cas confirmant son hypothèse produira des anecdotes en apparence convergentes, sans que cela constitue une corrélation réelle. Le détail de ces biais — attention sélective, mémoire reconstruite, angle mort — est traité dans la comparaison entre ce que l'œil voit et ce dont on se souvient, qui explique pourquoi une série d'anecdotes personnelles peut donner l'illusion d'un schéma statistique solide. Avant de qualifier une preuve, il vaut aussi la peine de repasser la source elle-même par la grille en cinq questions : une preuve causale mal sourcée reste une preuve faible, quel que soit son niveau théorique dans cette hiérarchie.