Statistiques et causalité

[invite6754323456711]

Cela laisse supposer qu'il pense mettre cette définition en défaut.

Comment peut-on mettre une définition en défaut, puisque c'est quelque chose qui est posé ? Au mieux on peut vouloir étendre les limites par l'extension du concept de lien causal non ?

Patrick
-----

[invite73192618]

Comment peut-on mettre une définition en défaut, puisque c'est quelque chose qui est posé ? Au mieux on peut vouloir étendre les limites par l'extension du concept de lien causal non ?

Certes, mais avant de l'étendre faudrait la comprendre...

[invite32f57b05]

Cela laisse supposer qu'il pense mettre cette définition en défaut. Si c'est bien ce qu'il souhaite dire, il n'a juste pas compris la définition.

Je ne suis pas exégète, mais il me semble qu'il veut simplement montrer qu'il est assez facile de confondre co-occurence (ça n'est pas réellement une corrélation là) et causalité quand on expérimente pas, pas que la science entière se plante concernant la causalité.

Et très franchement, des chercheurs qui seraient capable de prendre un pool d'observations, de filtrer sur une variable, de regarder ce qui se passe pour une autre et d'en tirer des conclusions, j'en vois un paquet.

On a souvent, consciemment ou pas, tendance à prendre une corrélation ou une co-occurence pour un lien de causalité : on est programmé pour ça à la base. Allez regarder chez les conspirationnistes de tout bord par exemple, vous ne trouverez que ça : "1) j'observe une co-occurence -selon des critères assez souples- 2) j'en déduis explicitement ou pas une causalité 3) j'invente n'importe quel mécanisme farfelu pour la rendre plus crédible, et encore, quand je ne suis pas carrément borné.".

Notre cerveau, c'est du réseau de neurones à la base ; ça bosse par association avant de bosser par déduction.

[invite6754323456711]

Certes, mais avant de l'étendre faudrait la comprendre...

Pour la comprendre il faudrait pouvoir la mettre en pratique non ? Faire pour comprendre, comprendre pour faire

Une variable A est causale pour une variable B si changer la variable A, toute chose étant égale par ailleurs, provoque une variation dans la variable B.

Exemple cité changer la couleur de la peau, comme il a été remarqué c'est contrafactuel. Dame la nature ne se laisse pas si facilement modifié à notre guise non ?

Patrick

[invite32f57b05]

Ah bon ?
Je conseille la lecture de "Parmi les perdants du meilleur des mondes" de Günter Wallraff !!

[invite6754323456711]

Ah bon ?
Je conseille la lecture de "Parmi les perdants du meilleur des mondes" de Günter Wallraff !!

Etant de Toulouse j'aime bien aussi

Patrick

[invite9dcc7bec]

Le message d'origine et le texte de Jacquard tombe dans le même sophisme, qui est de considérer qu'une corrélation entre A et B s'interpréte comme comme causalité de B à A ou de A à B. Il y a une troisième possibilité, une causalité de C à A et une causalité de C à B, avec C une donnée non exhibée.

Il est fort possible que ascenseurs et divorces soient en relation causale avec le niveau de vie. Et donc que la corrélation observée soit prédictive dans un certain domaine d'application.

Magnifique analyse, tu m'otes les mots de la bouche. En lisant le premier message d'alopex, une réponse similaire s'est formé dans mon esprit avec l'exemple fameux de la corrélation entre le nombre de cigognes et le nombre de naissances en Allemagne et Alsace. Si les premiers découvreurs de cette corrélation l'ont exhibé comme blague savante pour montrer qu'il ne fallait pas confondre causalité et corrélation, des études plus récentes, fassent à la robustesse de la corrélation, sont partis à la recherche d'une variable cachée causant les deux phénomènes (l'urbanisation est un bon candidat si mes souvenirs sont corrects)

Le paragraphe 3 n'est pas en contradiction avec le 1. Jacquard y constate que pendant les années 80 ses collègues biologistes ont tendance à confondre une simple corrélation avec une relation causale, sans avoir préalablement mis en évidence le mécanisme prétendu.

Jacquard commet une terrible erreur, il croit être le génial découvreur du danger d'isoler des facteurs explicatifs en oubliant qu'ils sont en interaction avec d'autres facteurs. Tout les auteurs d'une étude montrant que tel trait est déterminé génétiquement à 60% savent bien que la génétique ne fait pas tout, précisément ils estiment à 40 % les facteurs épigénétiques ! La science fonctionne le mieux par l'analyse mono-variable, le milieu contrôlé, les lois ceteris paribus. Il faut d'abord séparer les différents élements causaux pour ensuite fournir un schéma d'ensemble; Sur le sujet, un bel article de vulgarisation http://www.pseudo-sciences.org/spip.php?article1546

[invite73192618]

des chercheurs qui seraient capable de prendre un pool d'observations, de filtrer sur une variable, de regarder ce qui se passe pour une autre et d'en tirer des conclusions, j'en vois un paquet.

Certes.

Pour la comprendre il faudrait pouvoir la mettre en pratique non ? Faire pour comprendre, comprendre pour faire

Absolument, il faut pouvoir faire des expériences.

Exemple cité changer la couleur de la peau, comme il a été remarqué c'est contrafactuel. Dame la nature ne se laisse pas si facilement modifié à notre guise non ?

C'est clair que c'est plus facile en physique, mais avec un peu d'astuce on peut quand même s'en sortir. Dans l'exemple cité on voit une association entre chômage et couleur de peau. Il peut ou non y avoir causalité.

Maintenant envoi des cv identiques en réponse à des offres d'emplois, en modifiant la photo pour une photo de personne noire ou blanche. Si le nombre de retour diffère, alors tu auras démontré un lien causal, au sens scientifique, entre couleur de peau et chômage. S'il n'y a pas de différence, alors la corrélation peau/chômage est probablement artefactuelle et il faut chercher une ou des variables supplémentaires susceptible d'expliquer cette corrélation.

[invite9dcc7bec]

L'objectif n'était pas de refuser un argument contrafactuel, mais d'interroger sur l'aspect est-ce un cas de figure isolé ou est-ce une problématique rependu (Pour justifier la pertinence du lien causal nécessiterait de supposer que l'on puisse agir sur la nature des choses).

Patrick

Une interprétation simple que j'aime beaucoup des contrefactuels est qu'un énoncé contrefactuel est une manière de formuler un lien de causalité.

Exemple archi-connu (non je ne cherche pas le point Godwin !) :

"Si un attentat contre Hitler de 1943 avait réussi alors la seconde guerre mondiale se serait terminé plus tôt en Europe" peut être considéré comme sémantiquement équivalent à l'énoncé "Hitler a été la cause de la poursuite de la seconde guerre mondiale en Europe jusqu'en mai 1945"

[invite6754323456711]

C'est clair que c'est plus facile en physique,

Cela me semble plutôt plus difficile car on ne peut changer à notre guise les résultats effectif des mesures et ceci d'autant plus en MQ non ? On ne peut que constater des changements dans l'analyse des données.

Patrick

[invite6754323456711]

"Si (un attentat contre Hitler de 1943 avait réussi) alors (la seconde guerre mondiale se serait terminé plus tôt en Europe") peut être considéré comme sémantiquement équivalent à l'énoncé "Hitler a été la cause de la poursuite de la seconde guerre mondiale en Europe jusqu'en mai 1945"

Si A alors B : Non A ou B

Nous avons constaté Non A

Patrick

[inviteccac9361]

Bonjour,

Maintenant envoi des cv identiques en réponse à des offres d'emplois, en modifiant la photo pour une photo de personne noire ou blanche. Si le nombre de retour diffère, alors tu auras démontré un lien causal, au sens scientifique, entre couleur de peau et chômage. S'il n'y a pas de différence, alors la corrélation peau/chômage est probablement artefactuelle et il faut chercher une ou des variables supplémentaires susceptible d'expliquer cette corrélation.

Cette affirmation est un bon exemple de raccourci pouvant mener à une conclusion fausse.
Elle n'a aucune valeur scientifique.

[invite6754323456711]

Nous avons constaté Non A

Interprétation deux dernières lignes (non je ne cherche pas le point Godwin !)

Patrick

[invite73192618]

Cela me semble plutôt plus difficile car on ne peut changer à notre guise les résultats effectif des mesures et ceci d'autant plus en MQ non ? On ne peut que constater des changements dans l'analyse des données.

Pas certain de suivre ton raisonnement, mais disons que c'est rare que les spécialistes de la MQ se plaignent de la variance intersujet ou de la difficulté à contrôler les facteurs environnementaux

[Amanuensis]

Si A alors B : Non A ou B

Nous avons constaté Non A

Oui, ce qui rend les arguments contrafactuels logiquement vides.

Maintenant, les humains s'expriment très souvent en contrafactuel, et manifestement les auditeurs considèrent en général qu'il y a de l'information, que ce n'est pas vide. Il est donc intéressant de chercher à résoudre cette contradiction apparente.

Analysons la traduction que propose Wart :

"non A implique B" exprimerait l'idée que "A a été la cause de B"

Si on remplace "a été la cause de" par "implique", et "exprimer" par "est logiquement équivalent à", la traduction est une erreur logique, OK.

Mais qu'est-ce qui permet de faire ces deux remplacements ? Rien.

Si on ne cherche pas à transformer ce qu'indique Wart, mais juste à prendre le texte tel quel, Wart dit juste qu'une affirmation contrafactuelle est, chez les humains, exprimée et normalement comprise comme la formulation d'un lien de causalité.

Il s'agit là d'une thèse portant sur le langage et non sur la logique, et elle doit être analysée dans le cadre du langage, pas de la logique.

[invite6754323456711]

Si on ne cherche pas à transformer ce qu'indique Wart, mais juste à prendre le texte tel quel, Wart dit juste qu'une affirmation contrafactuelle est, chez les humains, exprimée et normalement comprise comme la formulation d'un lien de causalité.

Il s'agit là d'une thèse portant sur le langage et non sur la logique, et elle doit être analysée dans le cadre du langage, pas de la logique.

Cela ne me dérange pas il suffit d'en prendre conscience.

Patrick

[shmikkki]

Salut tt le monde!
Waouhh ... au vue de la discussion, je trouve que vous êtes partie bien loin !!!
Concernant les statistique et la causalité, il me semble que c'est assez clair:
Tous les statisticiens savent que trouver une corrélation significative (avec un risque d'erreur de 5%) ne veut pas dire relation de cause à effet. Pour trouver et prouver une relation de cause à effet, il faut employer des modèles (linéaires, non linéaires, mixtes, multivariés, ... etc). Seuls les modèles ont un pouvoir prédictifs. Faire un modèle, c'est tester que A a un effet sur B; alors que le test de corrélation c'est dire simplement que A est corrélé à B.
J'avoue que je ne comprend pas trop toute cette discussion, au vue du premier post ....

[invite9dcc7bec]

J'avoue que je ne comprend pas trop toute cette discussion, au vue du premier post ....

Salut, le texte de Jacquard a enflammé le public

Et puis, s'est posé différents problèmes, dont notamment : comment affirmer une causalité quand on ne peut pas expérimenter ? (cf les posts de Ryuujin)

Si A alors B : Non A ou B

Nous avons constaté Non A

Patrick

Oui et non

Non car :

Il est dangereux de traduire une causalité par l'implication logique. "Il pleut ce matin a Brest" implique "2+2 = 4" peut être une implication formellement valide (s'il pleut effectivement à Brest ce matin) sans pour autant qu'il n'est aucun lien de causalité entre les phénomènes décrits par les deux propositions. Il est vrai que différentes parades peuvent être trouvées pour construire une implication se comportant comme un lien de causalité, comme introduire la flèche du temps, différencier implication formelle et implication matérielle,... Sur ce dernier point, l'article de Wikipedia est très mal fait (il utilise la double flèche réservée à l'implication matérielle pour l'implication formelle), pour mieux comprendre on peut consulter ce propos d'un prof de maths http://www.georges-barthelemy.fr/Implication.pdf.

Oui car : même si ta reformulation n'est pas équivalente à ce que je dis et prête à confusion, l'idée est quand même là.

[Amanuensis]

Concernant les statistique et la causalité, il me semble que c'est assez clair:
Tous les statisticiens savent que trouver une corrélation significative (avec un risque d'erreur de 5%) ne veut pas dire relation de cause à effet

Cela ne paraît pas être mis en doute, à ce stade.

Pour trouver et prouver une relation de cause à effet, il faut employer des modèles (linéaires, non linéaires, mixtes, multivariés, ... etc).

Ce n'est pas ce que je comprends de ce que Jiav défend, avec de bons arguments. En poussant loin (il me corrigera si nécessaire), l'idée est qu'il est impossible de prouver une relation de cause à effet sur la base de données observées en tant que purs spectateurs ; la preuve (ou réfutation) passe par l'expérimentation, c'est à dire par des actions portant sur les causes supposées.

Seuls les modèles ont un pouvoir prédictifs.

Je conteste ce point, depuis le début. Du moins si on comprends "modèle" par quelque chose qui s'ajoute aux données (aux statistiques). C'est le problème fondamental de l'induction. Pour moi procéder par induction a un pouvoir prédictif (et en fait cela va bien plus loin : pour moi il n'y a de pouvoir prédictif que par induction).

Les modèles permettent d'aller plus loin, d'obtenir un plus grand pouvoir prédictif, parce qu'ils vont mettre en jeu la logique (déductions) pour prédire des situations très différentes de celles observées, alors que l'induction pure ne peut procéder que par abstraction (par généralisation en supposant que tel ou tel paramètre des observations n'est pas pertinent).

Une corrélation permet une prédiction, sous la seule hypothèse (nécessaire dans tous les cas) que le futur "fonctionne" comme le passé. La prédiction n'est pas meilleure que la corrélation, et suppose abstraire certains paramètres (en plus du temps, paramètre toujours abstrait puisqu'on cherche à prédire) choisis plus ou moins arbitrairement, avec donc un fort risque d'erreur.

Si on met une prédiction sous forme de pari, il est assez évident que refuser une corrélation statistique sous prétexte qu'elle n'est pas assise sur un modèle fera très souvent perdre de l'argent par rapport à quelqu'un qui n'a pas ce genre de scrupules.

Faire un modèle, c'est tester que A a un effet sur B; alors que le test de corrélation c'est dire simplement que A est corrélé à B.

Pour moi "faire" un modèle, et "tester" un modèle sont deux choses distinctes.

Si on oublie cette équivalence proposée, cela ressemble à ce qu'exprime Jiav. Il y a d'un côté constater une corrélation, et de l'autre agir pour tester une hypothèse de causalité, et seul le deuxième processus peut permettre de conclure à une causalité.

(Perso, je pense que c'est un peu trop tranché. Un constat de corrélation, plus toute une collection de connaissances annexes, peut permettre de faire l'hypothèse d'une causalité et d'en évaluer la vraisemblance avec une valeur suffisamment peu différente de 1 que l'on classe cela comme "certitude", sans avoir fait d'expérimentation(1). Par contre, dans les cas où la vraisemblance est loin de la "certitude", alors, oui, l'approche expérimentale est la seule voie possible-- et quand l''expérimentation est facile, autant la faire quoiqu'on ait comme arguments par ailleurs.

Par contre, le point semble pertinent que l'expression d'une causalité sous-entende action et expérimentation. Quand celles-ci sont impossibles, on se retrouve avec une assertion contrafactuelle. Mais ce n'est pas nécessairement rédhibitoire.)
)

(1) Que la couleur d'une étoile de la séquence principale soit "causée" par sa masse n'a jamais été testé expérimentalement, que je sache. C'est à l'origine un simple constat de corrélation fait par Ejnar Hertzsprung (utilisé à fin prédictive, d'ailleurs), qui a été conforté peu à peu par des connaissances annexes. On pourrait citer la classification du vivant faite par Linné, qui n'est qu'un recueil de corrélations. Et on l'a utilisée à fins prédictives : sur le simple constat de poils, quatre membres, mamelles chez les adultes, on peut prédire qu'il y aura un amnios autour de l'embryon. On peut citer des tas d'autres exemples, c'est très commun en science (hors maths).

[shmikkki]

Et puis, s'est posé différents problèmes, dont notamment : comment affirmer une causalité quand on ne peut pas expérimenter ? (cf les posts de Ryuujin)

Ben ... j'aurais envie de répondre que en statistique on AFFIRME jamais une causalité comme ça de but en blanc. On utilise un risque d'erreur (alpha), que l'on fixe souvent (du moins en biologie) à 5%. Ce risque de 5% c'est simplement le risque de rejeter l'hypothèse nulle (H0) alors qu'elle est juste.Et si notre test trouve une relation de causalité entre A et B, ça voudra dire que l'on a trouver une p-value de moins de 5%.
Maintenant, on peut toujours imaginer que on s'est complétement planté et que il n'y a aucune relation entre les variables et que l'on regarde un artefact statistique. Mais bon ..... un risque de 5% c'est relativement faible (même si on sait que historiquement, le 5% est totalement arbitraire .... une histoire avec Fisher dans un bar je crois ....)
En médecine par exemple, ils utilisent un risque de 1% (on peut très bien comprendre pourquoi).

Bref ... tout ça pour dire, que les statistique peuvent seulement nous indiquer une relation, mais évidement pas directement prouver une relation comme dans une expérimentation ...

[shmikkki]

Cela ne paraît pas être mis en doute, à ce stade.

J'ai lu la discussion en diagonale .... désolé ..

Ce n'est pas ce que je comprends de ce que Jiav défend, avec de bons arguments. En poussant loin (il me corrigera si nécessaire), l'idée est qu'il est impossible de prouver une relation de cause à effet sur la base de données observées en tant que purs spectateurs ; la preuve (ou réfutation) passe par l'expérimentation, c'est à dire par des actions portant sur les causes supposées.

Woh .... alors la plupart des publications scientifiques à l'heure actuelle sont fausses .....
Et toute l'écologie scientifique en populations naturelles ne repose sur rien alors?

Une corrélation permet une prédiction, sous la seule hypothèse (nécessaire dans tous les cas) que le futur "fonctionne" comme le passé. La prédiction n'est pas meilleure que la corrélation, et suppose abstraire certains paramètres (en plus du temps, paramètre toujours abstrait puisqu'on cherche à prédire) choisis plus ou moins arbitrairement, avec donc un fort risque d'erreur.

La je crois qu'il faudrait qu'on se mette d'accord sur quoi on parle ....
Une corrélation ne permet en aucun cas une prédiction! Ex: Trouve une corrélation significative entre le cancer du poumon et le fait d'avoir un briquet sur toi. Tu ne pourra en aucun cas prédire le taux de cancer du poumon en fonction de si les gens ont un briquet ou pas (ou du moins le taux de prédiction sera quasi nul).

Pour moi "faire" un modèle, et "tester" un modèle sont deux choses distinctes.

Oui c'est vrai, c'est plus une liberté de langage ...
Sry!

[invitef17c7c8d]

A mon sens, le mot de corrélation est trompeur. Après tout, si deux variables sont corrélées, je peux toujours les décorréler.
Par exemple, si je vois mon voisin, jeune divorcé, ramener une nouvelle compagne chaque soir chez lui, je pourrais être tenté de faire de même.
Mais bon, il me suffit de planter une haie entre les deux jardins pour être "décorellé" de mon voisin.

Le mot de fluctuation est surement plus adéquate, c'est à dire une interaction aléatoire et de courte portée entre les voisins...
Alors, si on applique ce que nous disent les scientifiques étudiants les superfluides, les supraconducteurs, etc.., c'est qu'il est possible que tous les voisins des états unis se mettent à coopérer à l'unisson sans s'en rendre compte. La portée des interactions s'étend à toutes les échelles: c'est l'invariance d'échelle.

L'universalité nous dit de plus que ce même phénomène émergeant à l'échelle macroscopique peut se retrouver à peut-près dans toutes les situations où l'on est en présence d'un grand nombre de variables : les grains de sables, les ascenseurs...

Mais bien évidemment pour obtenir cela, il faut necessairement introduire une dose de hasard (les fluctuations de faibles portées).
Si l'on raisonne en cartésien, de manière logique et déterministe, on tourne en rond...

[karlp]

Ok ce n'est pas parce que tu n'as pas compris pas le sens technique de "causalité" qu'il est mal définit ou tordu de façon contestable. Cela veut juste dire que tu n'as pas compris. Je soupçonne d'ailleurs que ce sont précisément les écrits de Jacquard qui t'empêche de voir la différence entre un rapport causal en science et un rapport causal au sens populaire.

J'ai plus confiance dans les compétences d'un scientifique reconnu et surtout - parce que j'ai peu de goût pour les arguments d'autorité - dont les propos invitent à une discrimination rigoureuse des concepts en vue d'éliminer toute ambiguïté plutôt qu'à un usage prétendument scientifique mais qui brouille toute distinction utile.
Qui a d'ailleurs déclaré que la "causalité" se mesurait exclusivement -de façon nécessaire et suffisante- à ceci qu'à la disparition de l'un des termes devait correspondre la disparition de l'autre ? Vous ?
Parce qu'à vous suivre, tout ce que nous pouvons identifier sous le terme de "condition sine qua non" serait une cause. Voilà qui est très peu rigoureux (et même, dans certains cas, dangereux) et qui justifie pleinement les critiques de Jacquard.

Par exemple ici tu sembles croire que ce serait une relation causale au sens scientifique. Pas du tout, supprimer le museau ne supprime pas la queue, pas plus que de me couper la main ne fait disparaître mon pied

.

Alors dîtes moi si la baisse du niveau de vie va entrainer la mort des ascenseurs et la fin des divorces ? Voilà une idée qui à défaut d'être crédible est très rigolote, mais indique une contradiction interne dans vos propos.


Reste par ailleurs que notre vieil homme, placé derrière sa palissade (laquelle symbolise les limites de notre accès au réel, voire l'inaccessibilité en soi d'un réel), s'il ne voit pas le museau, pourra prédire qu'il n'y aura pas de queue. Et, bien évidemment, cet exemple ne montre pas ce qu'est une relation causale en science, mais montre bien l'erreur dans laquelle nous tombons lorsque nous affirmons une relation causale sur la seule base de l'observation d'une conjonction répétée.

Jacquard rappelle que lorsque A est conjoint à B, celà peut s'interpréter de multiples façons
- A est cause (nécessaire et suffisante) de B
- A est contigu à B
- C est cause de A et de B
- A est cause de C qui est cause de B
- A est cause possible de B ( "A ou C" cause de B)
- A est cause nécessaire mais insuffisante de B ( "A et C" cause de B)
- La conjonction de A et de B relève d'un cas particulier du chaos.
+ les diverses combinaisons possibles entre ces derniers cas.

Entre cette approche riche, prudente et rigoureuse et l'idée que si en enlevant A je n'ai plus B alors c'est que A est cause de B, je comprend que le goût naturel pour la facilité et les raccourcis ne soit d'avance fatigué par les propositions de celui qu'il vaut mieux qualifier de sophiste, en s'attirant les sympathies de ceux pour qui la vérité scientifique devrait être affaire de consensus démocratique.

[karlp]

Pas que je sache. Tu as raison que son exemple illustre effectivement la confusion corrélation/causalité, mais il l'utilise suite à une citation de la définition de la causalité en science Une variable A est causale pour une variable B si changer la variable A, toute chose étant égale par ailleurs, provoque une variation dans la variable B.

Cela laisse supposer qu'il pense mettre cette définition en défaut. Si c'est bien ce qu'il souhaite dire, il n'a juste pas compris la définition.

Auquel cas, oui, je suis vraiment débile.
Dans la mesure où nous travaillons à partir de ce que nous pouvons percevoir, la disparition de A corrélée à la disparition de B ne signifie pas que A est cause de B (ou l'inverse).

Dans votre formule c'est le "provoque" qui en fait un jugement analytique.

Depuis que j'ai installé un totem du grand nounours vert dans mon jardin, on ne joue plus Charles Trenet à la radio.
"Post hoc ergo propter hoc"

C'est bien de la hâte à conclure à l'existence d'un rapport causal à partir d'une simple corrélation (voire d'une simple conjonction), ou de la disparition d'icelle, que je parle.

[karlp]

Yep, là, c'est plutôt le travail des physiologistes et biologistes moléculaires. Nous, on l'exploite.

En gros, on trouve une fonction qui lie une variable à l'autre, puis on cherche s'il y a un mécanisme à l'échelle physio et/ou moléculaire qui l'explique, puis enfin, on rajoute des variables mesurées à une échelle plus fine pour mettre en évidence le fonctionnement du mécanisme en question et la façon dont il relie les variables. Ou alors, carrément, on modélise pour montrer qu'on retrouve la dite relation à partir du seul mécanisme et d'une des deux variables.

Voilà qui est exprimé avec une simplicité que je vous envie. Jacquard ne dit rien d'autre: nous élaborons des hypothèses à partir de ces constats statistiques, et nous ne devrions affirmer le lien causal qu'à partir du moment où le mécanisme peut être mis en évidence.

[invite9dcc7bec]

A mon sens, le mot de corrélation est trompeur. Après tout, si deux variables sont corrélées, je peux toujours les décorréler.
Par exemple, si je vois mon voisin, jeune divorcé, ramener une nouvelle compagne chaque soir chez lui, je pourrais être tenté de faire de même.
Mais bon, il me suffit de planter une haie entre les deux jardins pour être "décorellé" de mon voisin.

Le mot de fluctuation est surement plus adéquate, c'est à dire une interaction aléatoire et de courte portée entre les voisins...

Ce dont tu parles est intéressant mais n'a rien à voir avec la corrélation. Une corrélation est un objet mathématique parfaitement définie sans la moindre ambiguïté. En faisant court, une relation affine entre deux variables. La formule du coefficient de corrélation de Pearson :

[invite9dcc7bec]

Voilà qui est exprimé avec une simplicité que je vous envie. Jacquard ne dit rien d'autre: nous élaborons des hypothèses à partir de ces constats statistiques, et nous ne devrions affirmer le lien causal qu'à partir du moment où le mécanisme peut être mis en évidence.

Et le mécanisme il se met en évidence comment ? Par l'expérimentation, qui nous livre à nouveau des données statistiques, des corrélations ? Et si l'expérimentation est impossible, si l'on ne dispose que d'un jeu de données d’observation à partir duquel on établit des corrélations ?

[karlp]

Jacquard commet une terrible erreur, il croit être le génial découvreur du danger d'isoler des facteurs explicatifs en oubliant qu'ils sont en interaction avec d'autres facteurs. Tout les auteurs d'une étude montrant que tel trait est déterminé génétiquement à 60% savent bien que la génétique ne fait pas tout, précisément ils estiment à 40 % les facteurs épigénétiques ! La science fonctionne le mieux par l'analyse mono-variable, le milieu contrôlé, les lois ceteris paribus. Il faut d'abord séparer les différents élements causaux pour ensuite fournir un schéma d'ensemble; Sur le sujet, un bel article de vulgarisation http://www.pseudo-sciences.org/spip.php?article1546

1) Jacquard ne prétend pas être "le génial découvreur": il cite ses prédécesseurs sur la question (Hume notamment).
2) Il dénonce les abus interprétatifs de ses collègues, dans les années 70/80

Tout les auteurs d'une étude montrant que tel trait est déterminé génétiquement à 60% savent bien que la génétique ne fait pas tout, précisément ils estiment à 40 % les facteurs épigénétiques !

Mais c'est justement ce qu'il veut leur faire entendre.

Mais je commence à comprendre, naïf que je suis, que ce qui ennuie les uns et les autres n'est pas l'analyse critique des biais interprétatifs qu'il propose, mais le fait qu'il incrimine ses collègues d'alors.
Est-ce bien celà ?

(Auquel cas la discussion est, encore une fois, biaisée par une guerre idéologique. Mon avis sur le sujet est que quelle que soit la discipline concernée, il y aura toujours des incompétents et que là s'arrête mon intérêt pour ce qui n'est que "politique")

[karlp]

Maintenant envoi des cv identiques en réponse à des offres d'emplois, en modifiant la photo pour une photo de personne noire ou blanche. Si le nombre de retour diffère, alors tu auras démontré un lien causal, au sens scientifique, entre couleur de peau et chômage. S'il n'y a pas de différence, alors la corrélation peau/chômage est probablement artefactuelle et il faut chercher une ou des variables supplémentaires susceptible d'expliquer cette corrélation.

Je trouve celà complètement absurde: si l'effet est inclus en germe dans la cause alors tous les noirs devraient être chômeurs.
La cause en l'occurence est le racisme, pas la couleur de peau .

A reprendre votre façon de raisonner, si je supprime les noirs (et tous les non-x), alors il n'y aura plus de racisme et la disparition de A entraine celle de B et donc vous allez en conclure, suivant vos principes, que le fait d'être noir ou non-x est cause du racisme ????

[karlp]

Et le mécanisme il se met en évidence comment ? Par l'expérimentation, qui nous livre à nouveau des données statistiques, des corrélations ? Et si l'expérimentation est impossible, si l'on ne dispose que d'un jeu de données d’observation à partir duquel on établit des corrélations ?

Et bien on s'épargne les conséquences désagréables d'une conclusion hâtive et on en reste au constat de la corrélation. Ce qui, de l'avis de Hume, ne nous empêchera pas d'agir, avec simplement un peu plus de circonspection.