Corrélation fallacieuse : un piège statistique majeur (et comment l’éviter)

En statistique comme en apprentissage automatique, un motif n’est pas une réponse.

Vous avez sans doute vu le graphique reliant les ventes de glaces aux noyades, ou celui qui associe les films de Nicolas Cage aux noyades dans des piscines. C’est marquant et mémorisable, mais cela illustre bien que corrélation n’est pas causalité. Et à force d’être ressassé, on en oublie pourquoi ce problème compte vraiment dans votre travail.

Une corrélation fallacieuse est une relation apparente entre deux variables qui ne découle d’aucun lien réel. Elle tient au hasard ou à une variable cachée que vous ne suivez pas. Si vous la traitez comme une information de valeur, vous perdrez du temps à poursuivre des motifs qui n’ont pas de sens et ne se vérifient pas sur le terrain.

Dans cet article, je vous explique pourquoi les corrélations fallacieuses apparaissent, comment les repérer et comment éviter de fonder des décisions dessus.

Mais au fait, qu’est-ce qu’une corrélation ? Lisez notre article de blog sur la mesure des relations dans les données pour découvrir les différents coefficients de corrélation et leurs usages.

Qu’est-ce qu’une corrélation fallacieuse ?

Une corrélation fallacieuse est une relation statistique apparente entre deux variables qui n’est pas due à un lien réel entre elles.

La valeur de corrélation, elle, est bien réelle. Quand vous lancez l’analyse, vous obtenez un chiffre qui paraît pertinent et raisonnable. Le calcul en soi n’a rien de faux ni de fabriqué — et c’est précisément là que réside le problème.

Ce qui manque, c’est la causalité.

Aucune des variables ne fait advenir l’autre. Elles peuvent évoluer de concert pour des raisons sans lien entre elles, voire sans raison réelle. Cet écart entre ce que montrent les données et ce qui se passe vraiment, c’est l’objet même des corrélations fallacieuses.

Pourquoi les corrélations fallacieuses surviennent

On peut presque toujours expliquer ces corrélations par quelques mécanismes. Une fois que vous savez quoi chercher, vous ne ferez plus confiance aveuglément à une corrélation.

Variables confondantes

Une variable confondante est une variable cachée qui influe sur les deux mesures que vous observez.

Reprenons l’exemple classique des glaces et des noyades. Les ventes de glaces ne causent pas les noyades. La chaleur entraîne les deux : plus de glaces achetées, plus de baignades, donc davantage de noyades.

Ici, la température est la variable confondante. Si vos données ne la suivent pas, vous passerez facilement à côté.

Hasard

Parfois, deux variables évoluent ensemble sans aucune raison.

Si vous multipliez les comparaisons sur suffisamment d’ensembles de données, certaines coïncideront par hasard. C’est exactement ce qui se passe avec Nicolas Cage et les noyades en piscine : deux séries temporelles sans lien qui ont évolué de concert sur la même période.

Avec assez de variables en jeu, un certain alignement aléatoire est inévitable.

Tendances communes

Certaines variables bougent ensemble dans le temps, et ce chevauchement peut faire croire à une relation, même quand il n’y en a pas.

Pensez à la population, au PIB, à l’usage d’Internet ou à la production de plastique. Beaucoup de ces indicateurs croissent depuis des décennies. Comparez-en deux au hasard : vous obtiendrez une forte corrélation simplement parce qu’ils montent tous les deux.

Mais ils ne partagent que la direction : aucune connexion intrinsèque entre les variables.

Biais d’échantillonnage

Une corrélation fallacieuse peut aussi venir des données collectées, pas du monde qu’elles sont censées représenter.

Si votre échantillon ne reflète pas la population étudiée, vous pouvez dégager une relation qui n’existe que dans votre jeu de données. Par exemple, en interrogeant les clients uniquement via une application, vous verrez que « usage de l’app » corrèle avec tout un tas d’indicateurs. Non pas parce que l’usage de l’app les cause, mais parce que votre échantillon est biaisé vers des personnes qui utilisent des apps.

Exemples de corrélation fallacieuse

Les corrélations fallacieuses sont plus fréquentes qu’on ne le pense. Voici comment les repérer et quoi faire ensuite.

Exemples statistiques classiques

La corrélation glaces–noyades est la plus connue. Ventes de glaces et noyades augmentent et baissent de concert, sans que l’une cause l’autre. La chaleur joue le rôle de variable confondante et agit sur les deux simultanément.

L’exemple de Nicolas Cage est différent. Sa filmographie annuelle corrèle avec le nombre de noyades en piscine sur la même période, sans aucune variable confondante. C’est une coïncidence : deux tendances sans lien qui se sont alignées.

Ces deux cas illustrent bien la corrélation fallacieuse, mais dans la vraie vie, elle est rarement aussi évidente.

Exemples en entreprise et en recherche

En analytique business, les corrélations fallacieuses se cachent souvent derrière des chiffres qui semblent aller ensemble.

Imaginez une entreprise qui suit les dépenses marketing hebdomadaires et le chiffre d’affaires hebdomadaire pendant deux ans. Vous pouvez suivre avec ce code Python :

import numpy as np
import pandas as pd

np.random.seed(42)
weeks = 104

# Seasonal effect
seasonality = 10 * np.sin(np.linspace(0, 8 * np.pi, weeks)) + 20

marketing_spend = seasonality + np.random.normal(0, 2, weeks)
revenue = seasonality * 50 + np.random.normal(0, 30, weeks)

df = pd.DataFrame({
    "week": range(1, weeks + 1),
    "marketing_spend": marketing_spend,
    "revenue": revenue
})

print(df["marketing_spend"].corr(df["revenue"]))

Output: 0.9707905810711147

Vous obtiendrez une forte corrélation positive entre marketing_spend et revenue. La tentation est de conclure : « plus de dépenses marketing augmentent le revenu ». C’est possible, mais le code ci-dessus ne le prouve pas. Les deux variables sont pilotées par le même cycle saisonnier de la demande. Si l’entreprise dépense davantage pendant les semaines où la demande est naturellement forte, la corrélation apparaîtra que le marketing soit efficace ou non.

C’est une erreur très fréquente en analytique.

Le comportement client et les résultats marketing varient avec les saisons, la conjoncture, et bien d’autres facteurs cachés. Deux indicateurs corrélés ne disent pas lequel, le cas échéant, est responsable.

Exemples en apprentissage automatique

Les modèles d’apprentissage automatique ne savent pas ce que « cause » veut dire. Ils exploitent tout motif qui fait baisser l’erreur : si un raccourci fonctionne sur les données d’entraînement, le modèle l’utilisera.

Par exemple :

• Dépendance au contexte : un classifieur d’images censé détecter des vaches associe les prairies vertes à « vache » plutôt que l’animal lui-même. Montrez-lui une vache sur une plage : il échoue.
• Proxys démographiques et géographiques : un modèle entraîné sur des données historiques capte le code postal comme proxy du revenu ou de l’origine ethnique, même si ces variables ne figurent pas dans l’ensemble d’entraînement.
• Artéfacts de jeu de données : un modèle d’imagerie médicale apprend qu’un ancien appareil d’un hôpital corrèle avec la maladie, parce que cet hôpital traitait des cas plus graves, et non parce que la sortie de la machine révèle quoi que ce soit sur la maladie.

Voici la même idée, sous forme d’exemple synthétique à exécuter vous-même : un modèle prédit le risque de défaut de paiement, et zip_code sert de proxy à income, la variable qui compte vraiment.

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression

np.random.seed(42)
n = 1000

# Zip code correlates with income, income drives default risk
zip_code = np.random.choice([1, 2, 3], size=n)
income = 80000 - zip_code * 15000 + np.random.normal(0, 5000, n)
default_risk = (income < 40000).astype(int)

df = pd.DataFrame({"zip_code": zip_code, "income": income, "default": default_risk})

model = LogisticRegression()
model.fit(df[["zip_code"]], df["default"])
print(model.score(df[["zip_code"]], df["default"]))

Score du modèle d’exemple en apprentissage automatique

Ce modèle peut prédire le risque de défaut à partir de zip_code seul, sans jamais voir income. Sur ce jeu de données, ça marche ; mais si vous le déployez dans une nouvelle ville où le lien entre code postal et revenu n’existe pas, la précision chutera.

C’est tout le problème des raccourcis appris.

Un modèle construit sur une corrélation fallacieuse peut bien scorer en entraînement et échouer dès qu’il rencontre un contexte où cette corrélation ne tient pas.

Comment détecter une corrélation fallacieuse

Mauvaise nouvelle : on ne peut pas éliminer totalement les corrélations fallacieuses. Bonne nouvelle : on peut adopter des réflexes qui en débusquent la plupart.

Voici quelques conseils pratiques :

• Cherchez des variables confondantes : avant de faire confiance à une corrélation, demandez-vous ce qui pourrait piloter les deux variables. La température et la saisonnalité sont des suspects classiques.
• Mobilisez l’expertise métier : si une relation ne fait pas sens au regard de vos connaissances, ne laissez pas la statistique balayer cet instinct.
• Visualisez les données : un nuage de points ou une série temporelle révèle souvent une tendance commune ou un outlier évident qu’un coefficient de corrélation masque.
• Faites des tests supplémentaires : corrélation partielle, vérification par sous-groupes, etc., pour confirmer ou invalider la corrélation.
• Concevez des expériences quand c’est possible : des essais randomisés contrôlés éliminent les facteurs confondants en répartissant équitablement les variables cachées.

En bref, un coefficient de corrélation dit que deux choses ont évolué ensemble. À vous de décider si cela signifie quelque chose.

Corrélation fallacieuse et autres concepts statistiques

Plusieurs termes sont employés comme synonymes de corrélation fallacieuse, ce qui entretient la confusion. Dans cette section, je clarifie ces concepts et leurs différences.

Corrélation fallacieuse vs confusion

La confusion (variable confondante) est une cause spécifique d’une corrélation fallacieuse. Ce n’en est pas un synonyme.

Elle survient lorsqu’une troisième variable influence les deux variables que vous mesurez, créant une relation qui paraît directe mais ne l’est pas. La température peut être confondante car elle influe à la fois sur les ventes de glaces et sur les noyades.

La corrélation fallacieuse est plus large. Elle couvre la confusion, mais aussi le hasard, le biais d’échantillonnage et les tendances partagées dans le temps, sans variable cachée commune. L’exemple de Nicolas Cage n’a rien d’une confusion : aucune variable ne relie sa filmographie aux noyades en piscine. C’est juste de la chance. Mais cela reste fallacieux.

Donc toute relation confondue est fallacieuse. L’inverse n’est pas vrai.

Corrélation fallacieuse vs causalité

Une corrélation fallacieuse et une relation causale peuvent produire le même nuage de points. La différence réside dans le mécanisme sous-jacent, et elle change ce que vous pouvez faire des données.

Voici un tableau qui résume les différences :

Une corrélation fallacieuse n’implique jamais la causalité, même si le coefficient de corrélation est élevé. Démontrer la causalité exige des expériences contrôlées ou des méthodes d’inférence causale qui vont au-delà d’un simple test statistique.

Comment réduire le risque de corrélations fallacieuses

Détecter une corrélation fallacieuse après coup est utile. Mais le mieux est encore d’éviter d’en produire dans votre flux de travail.

Voici les bons réflexes à adopter :

• Collectez de meilleures données : bien des corrélations fallacieuses démarrent avec un échantillon non représentatif. Avant d’analyser, vérifiez que la collecte couvre la bonne population dans les bonnes conditions.
• Privilégiez les expériences randomisées quand c’est possible : la randomisation est la meilleure défense contre la confusion, car elle répartit les variables cachées entre groupes. Si vous pouvez faire un test A/B au lieu de vous baser uniquement sur l’observation, faites-le.
• Validez sur de nouveaux jeux de données : une corrélation qui n’apparaît que dans un seul jeu de données est suspecte. Testez si la relation se maintient sur une autre période, avec une autre personne, une autre population ou une autre source avant d’y croire.
• Menez une analyse causale : contrôle des variables confondantes, graphes causaux… Allez au-delà de « ces deux choses évoluent ensemble » pour tester si l’une influe vraiment sur l’autre.
• Intégrez l’expertise métier : un expert du domaine détectera souvent une relation fallacieuse qu’un test statistique ne verra pas. Si une corrélation ne tient pas face au savoir métier, questionnez-la avant de construire dessus.

Soyons honnêtes : aucune étape ne garantit d’éviter toutes les corrélations fallacieuses, mais combinées, elles réduisent nettement le risque de bâtir une conclusion ou un modèle peu fiable.

Conclusion

Un coefficient de corrélation élevé peut sembler être une réponse ; pour les professionnels des données aguerris, c’est surtout une question.

Le chiffre vous dit que deux choses ont bougé ensemble. Il ne dit pas pourquoi ; prendre cela pour une preuve de causalité, c’est s’exposer à des hypothèses erronées, à des recherches mal interprétées, à de mauvaises décisions et à des modèles qui s’écroulent au premier changement de données. Ce qui se cache derrière les chiffres compte plus que les chiffres eux-mêmes.

Les conclusions les plus solides ne viennent jamais des statistiques seules, mais d’un mélange de statistiques et d’expertise métier. En combinant les deux, vous obtenez des conclusions qui tiennent au-delà du jeu de données qui les a fait naître.

Si la corrélation et les corrélations fallacieuses vous embrouillent, explorez notre sélection de cours de probabilités et statistiques. Nous couvrons tout, de l’introduction à la conception expérimentale et aux tests d’hypothèses.