Si la cause du chomage est le racisme, il ne devrait pas avoir de chomage en afrique. C'est pas mieux...Envoyé par karlp
Et encore je suis gentil dans ma réaction, je ne veux pas dégrader l'ambiance du forum mais j'en pense pas moins. Mais sachez que vos propos et comportement démontrent un refus de la méthode scientifique. Si c'est de l'art ou du surréalisme qui est attirant, je pense qu'il y a des forums pour cela.
Dernière modification par invite7863222222222 ; 04/10/2011 à 12h25.
La c'est un point que j'ai du mal à cerner.
Par quel mécanisme pourrions mettre en évidence un mécanisme qui serait caché dans des données "brutes" ? Si on me met à disposition des données émanant d'un contexte auquel je n'ai aucune connaissance, si l'information est contenue intrinsèquement dans ces données je devrais aussi, par simple lecture entaché d'aucune interprétation à-priori, pouvoir en prendre conscience au même titre que le spécialiste du domaine non ?
Patrick
Bonjour Patrick
Je ne crois pas qu'on puisse parler de données brutes: les données ne deviennent telles que dans le cadre d'une théorie (ou d'une pré-théorie). Les faits ne répondent que si on les questionne.
Autrement dit, les mécanismes que nous pensons mettre en évidence ne peuvent être rapportés au réel en lui-même. Nous ne produisons que des modèles.
Votre argument me paraît valide (n'importe qui pourrait prendre conscience de ces "mécanismes" au même titre que le spécialiste; ce qui ne signifie pas, bien entendu, que le spécialiste puisse se prévaloir de son autorité pour imposer n'importe quelle billevesée), si je l'ai bien compris.
Merci Wart de recadrer un peu tout ça ...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 :
Parce que ce débat m’intéresse mais j'ai l'impression que l'on ne parle pas du tout de la même chose. Comme tu viens de le dire la corrélation en statistique est quelque chose de précis, qui ne permet pas mettre en évidence une quelconque relation de cause à effet.
Je pense du coup qu'il faudrait quand même savoir si on parle de la corrélation au sens commun du terme ou au sens mathématique.
Perso, comme le titre du fil mentionnait le mot "statistique", je croyais que l'on parlait de la corrélation au sens mathématique ...
J'ai donné des exemples où c'était le cas.
On n'argumente pas un "en aucun cas" par un exemple. "En aucun cas un entier est premier", "Ex: on voit bien que 6 n'est pas premier".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).
Dernière modification par Amanuensis ; 04/10/2011 à 15h03.
Oui bien sûr, mais cet exemple n'était pas là dans un but argumentation, ni pour te convaincre. Il est là simplement dans un but "illustratif", pour illustrer ce que je voulais dire.
Mais ta réponse me fait de plus en plus penser que je ne sais pas si on parle de la même chose. Par corrélation, est ce que tu parle au sens commun ou au sens mathématique. Personnellement, je parle au sens mathématique, et en mathématique et surtout en statistique inférentielle, une corrélation ne veut absolument pas dire une relation de cause à effet. Si tu fait un test de Pearson, même si tu obtient une corrélation entre 2 variable avoisinant les 98%, tout ça avec une p-value de 0.000001, tu ne pourra pas en conclure qu'il y a une relation de cause à effet entre les deux variables. Pour tester ce genre de relation (genre "A a t-il un effet sur B"), il faut faire appel à des régressions linéaires, ou non linéaire (ou tout autre chose venant du bestiaire statistique) ... en clair, cela consiste à modéliser une variable en fonction d'une autre.
Je n'ai jamais parler d'autre chose, et je ne vois même pas ce qu'est ce "sens commun".
Je n'ai jamais contredit cela, plutôt le contraire, suffit de lire les messages.une corrélation ne veut absolument pas dire une relation de cause à effet
Et on parlait de pouvoir prédictif, pas de relation de cause à effet.
Donc, oui, faudrait savoir de quoi on parle. Personnellement, je ne fais aucune confusion ni dans mes textes ni dans ma tête entre "relation de cause à effet", et "permettre une prédiction".
Mesures à l'échelle fine (pour avoir les variables "intermédiaires" du mécanisme), et modèle mécaniste !!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 ?
Quand on ne peut pas faire une expérience pratique, on fait une expérience "de pensée" ; on modélise.
Dans ce cas, on ne montre pas que changer A change B, mais on montre qu'uniquement à partir d'une série de A, et d'un modèle du mécanisme, on retrouve B.
On montre en gros que la variable A et le mécanisme formulé suffisent à expliquer (prédire) B.
Je l'avoue j'ai fait un raccourci entre "relation de cause à effet" et "prédictions" ...
Donc, si j'ai bien compris, tu pense que une mesure de la corrélation entre 2 variables peut nous permettre de prédire l'une en fonction de l'autre?
C'est bien ça?
J'affirme qu'une corrélation significative entre deux variables permet une prédiction (probabiliste) de la valeur d'un tirage de l'une connaissant la valeur du tirage correspondant de l'autre. (Autrement dit, qu'il y a une relation entre corrélation et probabilité conditionnelle qui peut être utilisable.)
Un exemple en science (déjà donné) est que le classement d'un être vivant en tant que "mammifère" basé sur quelques caractères suffisants pour le classement permet de prédire toute une collection d'autres caractères chez cet être vivant là (ceux qui sont corrélés avec "être un mammifère").
Dernière modification par Amanuensis ; 04/10/2011 à 16h34.
Au passage, il serait plus général de parler de dépendance que de parler de corrélation.
Si une corrélation significative (que je comprends comme "nettement différente de 0") implique une certaine dépendance, la réciproque est fausse. Autrement dit, une corrélation nulle n'implique pas que connaître une valeur ne donne aucune information sur l'autre !
Perso, ce que j'écris ici s'applique à des variables dépendantes, pas seulement à des variables avec une corrélation non nulle...
Si on prend l'exemple actuel de l’expérimentation OPERA, qui fait couler tant d'encre , c'est quoi qui serait premier avant toute interprétation ?
Patrick
Ce que j'essayais de pointer c'est que les sciences contemporaines sont envahies par les probabilités et cette tendance ne fait que s'accroître. Votre idéal de science mécanistique certaine est impraticable, comme le disait Prigogine (dont je suis loin de partager toutes les vues) c'est "la fin des certitudes".
Pour moi en partie. Ce que dit Jacquard tout le monde ou presque le sait, y compris ceux qu'ils croient dénoncer. Les trémolos sur les errements du "tout-génétique" c'est une histoire tellement biaisée de la biologie... Dit bêtement, les scientifiques font ce qu'ils peuvent avec les outils de leur époque. Discuter cela nous éloignerait du sujet initial causalité-statistiques mais c'est je suis prêt à le parier est au coeur du livre dont est extrait ce texte de Jacquard.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 cela ?
Dernière modification par Wart ; 04/10/2011 à 21h14.
Ah ! non ! c'est un peu court, jeune homme !
Oui et non
On pouvait dire... Oh ! Dieu !... Bien des choses en somme.
La déduction logique est essentiellement fondée sur les deux règles suivantes :
- Modus ponens : si « A est vrai » et si « Si A est vrai alors B est vrai » alors « B est vrai ».
- Modus tollens : si « B est faux » et si « Si A est vrai alors B est vrai » alors « A est faux ».
Cependant il semblerait que nous employons constamment des critères plus « faibles » que ces deux règles
si « Si A est vrai alors B est vrai » et si « B est vrai » alors « A devient plus plausible ». La vérification que la conséquence d'une implication est vraie renforce la confiance que l'on a dans la prémisse de cette implication.
Le second crirère faible s'énonce : si « Si A est vrai alors B est vrai » et si « A est faux » alors « B devient moins plausible ». Supprimer une des prémisses qui pouvait impliquer la vérité d'un fait donné, fait diminuer notre confiance dans cette vérité.
Patrick
Tout à fait, les statistiques INITIALES ne servent que de guide, mais ne sont aucunement une preuve scientifique.
A partir de ces presomptions statistiques ET, j'insiste sur le ET, le model causal, le lien de cause à effet présupposé, on propose un model.
Ce model doit définir clairement les liens et les faire apparaitre tous (de manière raisonable), ainsi que faire état de leur hierarchie.
Certaines effets étant liées à une cause commune par exemple.
ENSUITE, on doit tester le model, en évaluant la réalité statistique des liens.
Ce n'est malheureusement souvent pas de cette manière que procèdent les études, ne proposant que des prémisses et une conclusion.
Et en affirmant que la prémisse étant obtenue, on a tant de chance d'obtenir la conclusion.
Or ceci ne signifie rien d'un point de vue de la science.
Ce sont les liens qui doivent être intelligibles et vérifiables qui fondent la conclusion scientifique.
A partir de la réalité de ces faits, on,peut alors amender le model lorsque des faits nouveaux apparaissent, des liens nouveaux pouvant infirmer les premieres conclusion.
De plus, lorsque tous les faits et tous les liens sont établis, on peut s'attendre à pouvoir, A TERME, s'affranchir totalement des statistiques et donc de l'incertitude.
Ce qui signifie simplement, que lorsqu'on doit faire appel aux statistiques pour étudier un phénomène, c'est qu'il n'est pas maitrisé jusque dans le détail.
Ceci peut se comprendre lorsque les moyens d'étude mis en face de l'ampleur d'un phénomène sont insuffisants, mais pas lorsqu'on a délibérément rejeté des faits ou des liens triviaux.
En bon vivant, rien ne vaut un bonne logique ternaire.
Et oui, mais on quitte le sujet principal. J'ai toujours quelque scrupule à le faire.
Nous n'avons pas été élevé dans la même logique mathématiqueLa déduction logique est essentiellement fondée sur les deux règles suivantes :
- Modus ponens : si « A est vrai » et si « Si A est vrai alors B est vrai » alors « B est vrai ».
- Modus tollens : si « B est faux » et si « Si A est vrai alors B est vrai » alors « A est faux ».En logique propositionnelle standard, la théorie de la démonstration comporte 10 règles de démonstration (3 pour la conjonction, 3 pour la disjonction, 2 pour la négation, et 2 pour l'implication dont le modus ponens) si on ajoute les règles de quantification de la logique du premier ordre ça fait 14 ! (http://fr.wikipedia.org/wiki/Déduction_naturelle)
L'éternel débat, qui est vicié de notre esprit ou de la logique....Cependant il semblerait que nous employons constamment des critères plus « faibles » que ces deux règles
si « Si A est vrai alors B est vrai » et si « B est vrai » alors « A devient plus plausible ». La vérification que la conséquence d'une implication est vraie renforce la confiance que l'on a dans la prémisse de cette implication.
Le second crirère faible s'énonce : si « Si A est vrai alors B est vrai » et si « A est faux » alors « B devient moins plausible ». Supprimer une des prémisses qui pouvait impliquer la vérité d'un fait donné, fait diminuer notre confiance dans cette vérité.
Ce quand dit E.T. Jaynes
Comment peut-on apprendre quelque chose de nouveau si nous ne possédons pas une connaissance minimale, même incertaine et incomplète ?By inference we mean simply: deductive reasoning whenever enough information is at hand to permit it; inductive or probabilistic reasoning when - as is almost invariably the case in real problems - all the necessary information is not available.
Thus the topic of « Probability as Logic » is the optimal processing of uncertain and incomplete knowledge
Patrick
Continuons les questions faussement naïves : Et tout ces jolis modèles ne sont-ils pas probabilistes ? Si oui, il me semble que l'on est bien loin du modèle de l'enquête scientifique proposé par Karlp.
Oui effectivement pour rester dans le cadre du sujet j'aurais du n'en mettre qu'une.
Patrick
Dernière modification par invite6754323456711 ; 04/10/2011 à 21h53.
Magnifique texte de Jaynes, à ceux qui semblent croire que les statistiques ne prouvent rien, je conseille vivement de lire les travaux de cet homme (chose que je n'ai moi-même pas fait)
Exact, la science procède par tatonements, puis utilise les faits démontrés selon un modele, qui fournissent alors une base de connaissance solide.
Solide, non dans le sens où elles sont vrais, mais dans le sens ou on sait d'où elles sont issus.
On peut donc les amender.
Sinon on ne peut pas.
Et dans le cas malheureux ou on a ommit d'effectuer cette démarche descriptive qui fourni les liens logiques entre les faits, chaque statistique devient vraie puis fausse puis vraie puis fausse etc sans qu'on ne puisse en donner la cause.
C'est la foire d'empoigne, et la démagogie.
Les omega3 sont bons pour la santé, finalement non, finalement un peu, pas du tout, à la folie.
C'est de ce genre de statistiques non intelligibles dont je parle ici.
Sinon on doit se contenter de dire, nous avons déterminé qu'il existe une correlation entre la prise d'omega3 et la santé.
Cette observation n'a que peu d'utilité pratique sinon de permettre de s'interroger sur les causes, et donc d'affiner le model.
Il est possible, que pour certains, et on parle ici d'individus, la prise d'omega3 soit bénéfique, pour d'autres néfastes, et pour d'autres sans objet.
Le model ne devient utilisable qu'à partir du moment ou les faits sont raisonnablement dénombrés.
Que fait cette molecule, sur quoi agit-elle, quels sont les molecules qui interferent, quelles sont les variations individuelles etc.
Dernière modification par Xoxopixo ; 04/10/2011 à 22h47. Motif: orthographe
En bon vivant, rien ne vaut un bonne logique ternaire.
Bonne question. Mais la réponse n'est pas "ce n'est pas possible", comme la tournure de "question rhétorique" pousse à lire.
Soit on admet que la cellule oeuf humaine dispose d'une connaissance minimale, qui sera le "bootstrap" permettant d'aller jusqu'aux connaissances scientifiques les plus pointues.
Soit on admet que la cellule oeuf humaine n'a aucune connaissance, et il faut alors bien admettre, au vu de l'adulte correspondant, qu'il a bien appris du nouveau à un certain moment sans connaissance minimale.
On ne peut refuser cette deuxième hypothèse qu'en acceptant la première, et alors qu'accepte-t-on d'attribuer comme "connaissances" à la cellule-oeuf ?
Hmm... J'en ai lu une bonne partie (ce n'est pas une information nouvelle), et il n'aurait pas apprécié l'usage du verbe "prouver". Effectivement, ses travaux opposent totalement l'idée qu'on ne puisse pas faire de prédictions à partir de statistiques !Magnifique texte de Jaynes, à ceux qui semblent croire que les statistiques ne prouvent rien, je conseille vivement de lire les travaux de cet homme (chose que je n'ai moi-même pas fait
La subtilité est dans la distinction entre "faire une inférence" et "prouver". En déductif, les sens respectifs des deux termes sont très proches, si ce n'est le même. En inductif (probabiliste) "faire une inférence" ne correspond pas à "prouver". A contrario, il n'est pas nécessaire d'avoir des preuves pour prédire, décider et agir, faire des inférences suffit.
Dernière modification par Amanuensis ; 05/10/2011 à 06h35.
Bonjour,
Je n’ai pas l’intention de m’immiscer dans une polémique qui, loin d’avoir été stérile, me paraît sur le point d’atteindre ses limites (le point Godwin est déjà atteint, il ne manque plus que le point Gödel), mais il me semble, que, comme souvent sur un forum, un certain nombre d’incompréhension viennent de différences réelles ou supposées dans les définitions.
Les deux expressions en « cause » sont celles du titre :
1) Corrélation (j’ai plus l’impression que les différences sont supposées plutôt que réelles), ce mot ayant une définition mathématique dans le cadre mathématique des statistiques, il n’y a pas vraiment matière à débat.
2) « Relation de cause à effet » (différences bien réelles) dont les définitions personnelles vont d’une vision que l’on peut qualifier de « mécaniste » (il n’y a aucune connotation péjorative dans ce qualificatif) à une vision purement basée sur le caractère prédictif.
Personnellement je n’ai aucune raison de faire un choix sur le bien fondé ou non de l’une ou de l’autre de ces deux visions, mais en utilisant l’expression « Cause à effet » sans préciser ce que l’on entend par là, il y a peu de chance d’arriver à un consensus.
Afin de m’assurer que j’ai bien compris la position de chacun, je vous propose trois situations, sur lesquelles certains, j’espère, réagiront :
1) L’expression « Le museau cause la queue » est difficilement acceptable telle quelle, mais si on la remplace par « L’observation du museau cause l’observation de la queue », elle devient tout à fait acceptable (du coup ceux qui ont une vision purement prédictive de « Cause » peuvent trouver la première expression tout à fait acceptable (elle a néanmoins le défaut de créer de la confusion en absence de sous-titre, ce qui est le contraire du but recherché (normalement) dans une discussion).
2) Si on fait un test statistique simpliste (un seul groupe qui reçoit le même médicament) de l’efficacité d’un nouveau médicament, contenant une nouvelle molécule, pour combattre une maladie grave, et que les conclusions statistiques sont que 30% des patients sont guéris, chaque médecin est en droit de tenir le raisonnement « Si je prescris ce médicament à mes patients, 30% seront guéris, c’est mieux que 0% si je ne fais rien », par contre un pharmacien ne pourrait pas conclure « Cette molécule est efficace dans 30% des cas ». C’est évidemment significatif que les tests de l’efficacité d’un médicament se font généralement (toujours ?) par des études aléatoires en simple ou même double aveugle.
3) Affirmer « La couleur noire de la peau est cause du chômage », peut avoir un pouvoir prédictif dans certaines circonstances (lieu et temps a minima), mais si on ne précise pas ces circonstances, on risque d’aboutir à des conclusions totalement ridicules et même révoltantes, par exemple en disant qu’en remplaçant tous les Noirs de France par des non-Noirs (donc à population égale), on éradiquerait le chômage en France. Autrement dit, si on opte pour une vision « plutôt axée sur le caractère prédictif », il vaut mieux éviter d’en tirer des conclusions « mécanistes », ce qui est parfaitement cohérent, et donc il serait préférable de prendre des précautions de langage, au moins tant que cette façon de voir la notion de « Cause à effet » ne fait pas consensus.
Médiat
[EDIT] J'ai l'impression que la dernière intervention de Amanuensis confirme ma compréhension de cette vision.
Dernière modification par Médiat ; 05/10/2011 à 06h45.
Je suis Charlie.
J'affirme péremptoirement que toute affirmation péremptoire est fausse
1) Vous me prêtez une conception de la science qui n'est pas mienne (la représentation mentale que vous vous faîtes de la mienne ne convient pas).
Probablement en raison de celà :2) Je me fiche éperdument des supposées intention polémiques/politiques de Jacquard. Son propos m'intéresse en tant que mise en garde contre les dérives possibles.
Je crois qu'il vaut mieux éviter de parier quoi que ce soit sur un livre avant de l'avoir lu d'une part; ensuite il n'est pas interdit de partager une analyse épistémologique sans pour autant se rallier à une "cause" idéologique (c'est toujours un problème épistémologique). Si un auteur se montre partial sur une question, ce n'est pas pour autant qu'il faut se rallier à toutes ses vues ou les condamner toutes: ne pensez vous pas ? (c'est d'ailleurs cette immense vertu que j'apprécie chez des auteurs comme J. Cohen)
Où avez vous lu que je rejettais les modèles probabilistes ? (je n'ai manifestement pas les croyances que vous me prêtez)
J'évoque simplement la prudence dans l'interprétation.
Cela renvoie à une autre question amont comment sommes nous arrivé à apprendre et à prendre conscience de notre apprentissage. Un système nerveux (neuro-)végétatif/viscéral ne suffit pas.
Patrick
A ce sujet, je te conseille de lire le court, vieux, et bon article Un modèle à deux étapes de la formation des concepts Andrew Woodfield, 1992, in Introduction aux Sciences Cognitives (ed) Daniel Andler.
La réponse de Woodfield en simplifiée est : l'enfant S forme des schèmes perceptuels (ex: le citron est jaune, rond, et acide) - pour cette formation Woodfield renvoie aux travaux d'assemblées de neurones - ensuite des protoconcepts vides sont ancrés sur les schèmes perceptuels. Un protoconcept est représenté comme un titre, une ancre, et un dossier pouvant contenir un certain nombre de phrases (représentation qui fait de l'esprit une espèce d'ordinateur mais toutes les opérations décrites par Woodfield sont en droit implémentables sur des réseaux de neurones). Chaque occurrence détectée d'un objet schématisé active le prédicat correspondant et le verse dans le dossier du protoconcept. Lors d'une co-occurence de deux objets préalablement schématisés, une phrase indiquant la conjonction des deux prédicats est versée dans le dossier de chacun des deux protoconcepts (ex: K1 être un chat et P1 avoir quatre pattes, K1 se voit affecter la phrase "(x) K1x & P1x" et P1 la phrase "(x) P1x & K1x"). Plus la co-occurence se répète, plus il est probable que S inscrivent dans les dossiers P1 et K1 "(x) (K1x -> P1(x))". S vient d'acquérir sa première connaissance, une inférence, par induction ! Après Woodfield décrit la première abduction, la création de méta-protoconcepts, l'organisation des concepts en réseau,... Mais les deux étapes-clefs sont : 1) La formation des premiers schèmes 2) l'établissement de liens inférentiels entre protoconcepts de bas niveau.
Ce modèle n'exclut pas l'existence de connaissances innées, ou de prédispositions au développement de certaines formes de connaissances (physique naïve, arithmétique naïve, etc dont l'existence a été montré par la psychologie du développement), mais il se se pose alors le problème de savoir comment s'articule des mécanismes généraux d'apprentissage (comme celui de Woodfield) et ces connaissances ou modes d'acquisition de connaissances précablés.
On dirait une longue digression, mais pas du tout. L'enfant est un petit savant, il est confronté à un jeu de données observationnelles et il en tire des inférences (causales ou non).
Dernière modification par Wart ; 05/10/2011 à 07h58.
Juste un point de clarification pour la lecture de ce que j'écris : je n'établis aucune équivalence entre "relation de cause à effet" et "caractère prédictif".
Dans ma manière étroite de voir les chose, "relation de cause à effet" = "modèle d'évolution", comme par exemple une équation différentielle avec comme paramètre le temps. Un tel modèle permet des prédictions, mais une inférence probabiliste permet aussi des prédictions, et une équa diff à paramètres spatiaux permet aussi certaines assertions s'apparentant à des prédictions.
Possible que cette équivalence entre "relation de cause à effet" et "modèle d'évolution" soit la vision "mécaniste", je ne sais pas, faute de bien comprendre ce qu'est la vision mécaniste.
Pour préciser un peu, Woodfield donne des arguments théoriques pour justifier que l'enfant ne forme pas ses concepts par raisonnement hypothético-déductif (entre autres que formuler une hypothèse à tester implique de déjà posséder le concept à former !) mais par induction. L'enfant ne dispose pas d'une logique inductive ou d'une théorie des probabilités pour autant. Il fait de nombreuses généralisations abusives qu'il corrige après coup (mécanisme d'essais/erreurs).
