Quand les chiffres donnent une impression de vérité
Dans l’espace public, les chiffres occupent une place particulière. Ils semblent plus solides que les opinions, plus objectifs que les impressions, plus fiables que les récits. Une statistique bien placée peut donner à un discours une autorité immédiate : pourcentage, courbe, moyenne, classement, sondage, taux d’évolution.
Pourtant, les chiffres ne parlent jamais seuls. Ils sont produits, sélectionnés, organisés, interprétés. Une donnée peut éclairer le réel, mais elle peut aussi le déformer lorsqu’elle est mal comprise, sortie de son contexte ou utilisée pour soutenir une conclusion déjà décidée.
L’une des erreurs les plus fréquentes consiste à confondre corrélation et causalité. Deux phénomènes peuvent évoluer ensemble sans que l’un soit la cause de l’autre. Cette confusion est au cœur de nombreuses approximations médiatiques, publicitaires, politiques ou même scientifiques lorsqu’une donnée est interprétée trop vite.
Dans le Sentier du Savoir, apprendre à lire les statistiques est une compétence fondamentale. Non pour devenir statisticien professionnel, mais pour développer une vigilance intellectuelle : savoir ce qu’un chiffre dit, ce qu’il ne dit pas, et ce qu’on essaie parfois de lui faire dire.
Les bases indispensables pour comprendre une statistique
Avant même de parler de corrélation ou de causalité, il faut maîtriser quelques repères simples.
Une population désigne l’ensemble que l’on souhaite étudier. Cela peut être tous les électeurs français, tous les salariés d’un secteur, tous les étudiants d’une université, tous les habitants d’un pays ou tous les patients atteints d’une maladie.
Comme il est souvent impossible d’interroger toute une population, on travaille avec un échantillon : un sous-groupe censé représenter l’ensemble. La qualité d’une statistique dépend donc fortement de la manière dont cet échantillon est construit. Un sondage réalisé auprès de quelques centaines de personnes peut être utile s’il respecte une méthode rigoureuse. Il peut être trompeur si les personnes interrogées ne représentent pas réellement la population étudiée.
La moyenne est un autre outil courant. Elle additionne toutes les valeurs puis les divise par leur nombre. Elle donne une indication générale, mais elle peut masquer de fortes disparités. Si quelques personnes gagnent énormément plus que les autres, le revenu moyen peut donner l’impression que la situation générale est meilleure qu’elle ne l’est réellement.
La médiane est souvent plus parlante dans ce type de cas. Elle désigne la valeur qui coupe une population en deux : la moitié se situe au-dessus, l’autre moitié en dessous. Pour comprendre les revenus, les patrimoines ou certaines inégalités sociales, la médiane permet parfois de mieux voir la réalité vécue par la majorité.
L’écart-type, lui, indique la dispersion des données. Deux groupes peuvent avoir la même moyenne, mais des réalités très différentes si les valeurs sont très regroupées dans un cas et très dispersées dans l’autre.
Ces notions peuvent sembler techniques, mais elles sont essentielles. Sans elles, on risque de prendre un chiffre isolé pour une vérité complète.
Corrélation : quand deux phénomènes évoluent ensemble
Une corrélation signifie que deux variables varient ensemble d’une manière observable.
Elle peut être positive : lorsque l’une augmente, l’autre augmente aussi. Par exemple, la taille et le poids sont souvent corrélés positivement dans une population, même si cette relation n’est jamais parfaite à l’échelle individuelle.
Elle peut être négative : lorsque l’une augmente, l’autre diminue. Par exemple, plus la vitesse d’un véhicule augmente, plus le temps nécessaire pour parcourir une distance fixe diminue, toutes choses égales par ailleurs.
Elle peut aussi être nulle ou très faible : aucune relation nette n’est observée entre les deux phénomènes.
La corrélation est donc un indice. Elle attire l’attention. Elle invite à enquêter. Mais elle ne prouve pas, à elle seule, qu’un phénomène en cause un autre.
L’exemple classique est celui des glaces et des noyades. En été, la consommation de glaces augmente. Le nombre de noyades augmente également. Il existe donc une corrélation entre les deux phénomènes. Mais cela ne signifie évidemment pas que manger des glaces provoque des noyades.
La variable commune est la chaleur. Lorsqu’il fait chaud, les gens mangent plus de glaces et se baignent davantage. Ce n’est donc pas la glace qui explique les noyades, mais un contexte commun qui influence les deux variables.
Cet exemple paraît évident. Pourtant, dans les débats publics, des raisonnements similaires sont fréquents. On observe deux courbes qui montent ensemble, puis on conclut trop vite que l’une explique l’autre.
Causalité : établir un lien de cause à effet
La causalité suppose un niveau de preuve plus exigeant. Dire qu’un phénomène en cause un autre, c’est affirmer qu’il existe un lien de cause à effet.
Pour établir ce lien, plusieurs conditions doivent être examinées.
La première est la temporalité. La cause doit précéder l’effet. Si l’on affirme qu’un comportement provoque une maladie, il faut montrer que le comportement intervient avant l’apparition de la maladie.
La deuxième est l’existence d’un mécanisme plausible. Il ne suffit pas que deux phénomènes soient liés statistiquement. Il faut comprendre comment l’un pourrait agir sur l’autre. Dans le cas du tabac et du cancer du poumon, les études épidémiologiques ont été renforcées par la compréhension des mécanismes biologiques : certaines substances contenues dans la fumée endommagent les cellules et favorisent des mutations.
La troisième est le contrôle des variables. Dans le monde réel, plusieurs facteurs agissent en même temps. Pour isoler une cause, il faut essayer de comparer des situations similaires, en ne faisant varier qu’un élément. C’est le principe des essais cliniques, avec groupe témoin et, lorsque c’est possible, placebo. Dans d’autres domaines, comme l’économie ou la sociologie, les chercheurs utilisent des méthodes dites quasi expérimentales pour approcher cette logique lorsque l’expérimentation stricte est impossible.
La causalité ne repose donc pas sur une seule observation. Elle se construit par accumulation d’indices, de méthodes, de comparaisons, de mécanismes et de vérifications.
Trois exemples pour comprendre la différence
Le lien entre tabac et cancer du poumon est un cas important. Pendant longtemps, certains acteurs ont contesté la causalité en affirmant qu’il ne s’agissait que d’une corrélation. Mais la multiplication des études, la cohérence des résultats, la relation entre niveau d’exposition et risque, ainsi que les mécanismes biologiques ont progressivement établi un lien causal robuste.
Le cas supposé entre vaccins et autisme montre l’inverse. Une étude publiée en 1998 a suggéré un lien, mais elle a ensuite été discréditée et rétractée. De très nombreuses études n’ont pas confirmé cette relation. Cet exemple montre comment une fausse corrélation, ou une interprétation infondée, peut produire des effets durables dans l’opinion publique lorsqu’elle est amplifiée médiatiquement.
Le lien entre éducation et revenus est plus complexe. On observe généralement une corrélation entre niveau d’études et niveau de revenu. Mais la causalité n’est pas simple. L’éducation peut ouvrir des opportunités professionnelles, mais le milieu social, le capital culturel, le territoire, le réseau, la santé, les discriminations ou la conjoncture économique jouent aussi un rôle. Ici, la statistique n’est pas fausse, mais elle doit être interprétée avec prudence.
Ces exemples montrent qu’il ne suffit pas de demander : “Les deux phénomènes sont-ils liés ?” Il faut aussi demander : “Comment sont-ils liés ? Par quel mécanisme ? Avec quelles limites ? Et quelles autres variables pourraient intervenir ?”
Comment les statistiques peuvent tromper
Les statistiques peuvent tromper de plusieurs manières.
La première consiste à utiliser des graphiques biaisés. Une courbe peut sembler spectaculaire si l’axe vertical est tronqué. Une faible variation peut être rendue visuellement impressionnante par un choix d’échelle. À l’inverse, un changement important peut être minimisé par une présentation trop écrasée.
La deuxième consiste à s’appuyer sur un échantillon non représentatif. Si une enquête prétend parler de toute une population mais ne repose que sur un public très spécifique, les conclusions doivent être prises avec prudence. Un sondage réalisé uniquement en ligne, auprès d’un public volontaire ou sur une plateforme particulière, ne reflète pas nécessairement l’ensemble de la société.
La troisième est le cherry-picking, c’est-à-dire la sélection des données qui confirment une thèse, en ignorant celles qui la contredisent. On peut choisir une période favorable, un indicateur avantageux, un pays comparable seulement quand cela arrange, ou une statistique isolée qui donne une impression trompeuse.
La quatrième est la confusion volontaire entre corrélation et causalité. Cette technique peut être utilisée dans la publicité, le discours politique ou certaines formes de communication institutionnelle. On suggère qu’un produit, une réforme, une décision ou une stratégie a produit un effet, alors que les données ne permettent pas de l’établir.
La cinquième est le chiffre sans contexte. Dire qu’un phénomène “augmente de 50 %” peut impressionner. Mais si l’on passe de deux cas à trois cas, l’augmentation relative est forte tandis que le volume réel reste faible. À l’inverse, une faible augmentation en pourcentage peut représenter un nombre considérable de personnes lorsqu’elle concerne une grande population.
Le cas du climat : corrélation robuste et causalité établie
La distinction entre corrélation et causalité ne doit pas conduire à douter de tout de manière indistincte. Certaines causalités sont solidement établies.
Le changement climatique en est un exemple. On observe une corrélation entre l’augmentation de la concentration de gaz à effet de serre dans l’atmosphère et la hausse des températures moyennes globales. Mais la conclusion scientifique ne repose pas seulement sur cette corrélation.
Elle repose aussi sur des mécanismes physiques connus, notamment l’effet de serre ; sur des mesures atmosphériques ; sur des modèles climatiques ; sur l’étude des températures passées ; sur l’observation des océans, des glaces, des événements extrêmes et des écosystèmes.
C’est ce qui distingue une corrélation trompeuse, comme celle des glaces et des noyades, d’une causalité robuste. Dans le premier cas, la relation apparente disparaît lorsqu’on comprend la variable cachée. Dans le second, plusieurs lignes de preuve indépendantes convergent vers une même explication.
L’esprit critique ne consiste donc pas à rejeter toute statistique. Il consiste à examiner le niveau de preuve.
Une méthode simple pour lire les chiffres
Face à une statistique, quelques questions permettent d’éviter les conclusions trop rapides.
Qui a produit les données ? Une institution publique, une équipe de recherche, une entreprise, un groupe militant, un média, un institut de sondage ? L’origine ne suffit pas à juger la qualité d’une donnée, mais elle aide à comprendre le contexte de production.
Quelle est la population étudiée ? Parle-t-on d’un pays entier, d’une tranche d’âge, d’un secteur professionnel, d’un groupe social, d’un territoire particulier ?
Quelle est la taille de l’échantillon ? Est-il suffisant ? Est-il représentatif ? Comment les personnes ont-elles été choisies ?
Quel indicateur est utilisé ? Une moyenne, une médiane, un taux, un pourcentage, un volume absolu, une évolution relative ? Chaque indicateur éclaire une partie du réel, mais aucun ne le résume entièrement.
Le chiffre montre-t-il une corrélation ou une causalité ? S’il s’agit d’une causalité annoncée, quels mécanismes et quelles méthodes permettent de l’établir ?
Existe-t-il une variable cachée ? Un troisième facteur pourrait-il expliquer les deux phénomènes observés ?
Enfin, le chiffre est-il confirmé par d’autres sources ? Une seule statistique spectaculaire doit toujours être replacée dans un ensemble plus large.
Exercice du Sentier du Savoir
Choisissez une statistique rencontrée récemment dans un article, une vidéo, une publication ou un discours politique. Par exemple : “la lecture baisse chez les jeunes”, “les Français travaillent moins”, “l’insécurité augmente”, “les écrans nuisent à la concentration”, “le télétravail améliore la productivité”.
Analysez-la à partir de cinq questions :
Qui a produit la donnée ?
Quelle population est étudiée ?
L’échantillon est-il clairement présenté ?
Le chiffre décrit-il une corrélation ou une causalité ?
Quelles variables cachées pourraient modifier l’interprétation ?
L’objectif n’est pas de rejeter automatiquement la statistique. Il est d’apprendre à ralentir l’interprétation.
Devenir éclaireur : construire un atelier critique des chiffres
Les lecteurs du Phare peuvent contribuer à une culture commune de l’analyse statistique.
Chacun peut partager une statistique souvent mal comprise, un graphique trompeur, une corrélation interprétée abusivement comme une causalité, ou au contraire un exemple de causalité bien établie par plusieurs niveaux de preuve.
Ces contributions pourraient former un atelier collaboratif d’analyse des données : un espace où l’on apprend à lire les chiffres, à repérer les manipulations et à distinguer les signaux solides des effets d’annonce.
Dans une démocratie saturée de sondages, de classements et d’indicateurs, cette compétence n’est pas secondaire. Elle conditionne notre capacité à juger, débattre et décider.
Conclusion : les chiffres ne suffisent pas, il faut apprendre à les lire
Les statistiques ne mentent pas par elles-mêmes. Mais elles peuvent être mal construites, mal présentées, mal interprétées ou manipulées.
Comprendre la différence entre corrélation et causalité est donc une compétence décisive. Elle protège contre les raisonnements simplistes, les fausses évidences, les intoxications médiatiques et certaines formes de manipulation politique ou commerciale.
Un chiffre peut éclairer le réel. Mais il ne remplace jamais l’analyse.
L’érudit n’est pas nécessairement un expert en mathématiques. Il est celui qui sait poser les bonnes questions devant une donnée. Il ne se laisse pas impressionner par une courbe spectaculaire. Il cherche la méthode, le contexte, les limites, les causes possibles et les interprétations concurrentes.
Dans un monde où les chiffres circulent plus vite que leur explication, apprendre à lire les statistiques devient une forme de vigilance démocratique.
Vous devez être connecter pour pouvoir voter
