📊 statistics

Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding

Cet article démontre que sous l'effet d'un biais de confusion non mesuré, l'augmentation de la taille des échantillons peut paradoxalement conduire à une plus grande certitude statistique dans l'identification de structures causales fausses basées sur des indicateurs observables, soulignant un décalage fondamental entre la confiance statistique et la récupération des véritables mécanismes causaux.

Auteurs originaux : Mark Louie F. Ramos

Publié 2026-07-31

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mark Louie F. Ramos

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un détective essayant de résoudre un mystère, mais que vous ne puissiez voir que les indices laissés derrière eux, et non le coupable lui-même. C'est le monde de l'inférence causale observationnelle, une branche de la science où les chercheurs tentent de comprendre ce qui cause quoi en utilisant des données du monde réel, plutôt qu'en menant des expériences contrôlées. Dans ce domaine, une « cause » est comme un domino qui fait tomber un autre domino (l'« effet »). Cependant, il existe une règle délicate : le simple fait que deux choses se produisent en même temps (elles sont « associées ») ne signifie pas que l'une a causé l'autre. Parfois, un troisième facteur caché — un « facteur de confusion » — pousse secrètement les deux d'un même mouvement. Par exemple, les ventes de crème glacée et les attaques de requins augmentent toutes deux en été, mais la crème glacée ne cause pas les attaques de requins ; la cause cachée est la chaleur de l'été. Les scientifiques utilisent des cartes spéciales appelées DAG (Graphes Acycliques Dirigés) pour dessiner leurs théories sur la façon dont ces dominos sont connectés, mais ces cartes reposent sur de grandes hypothèses concernant ce qu'ils ne peuvent pas voir.

La grande question qui importe à tout le monde est : Pouvons-nous un jour être certains d'avoir trouvé la véritable cause ? À mesure que nous collectons de plus en plus de données, nous devenons meilleurs pour repérer les modèles. Nous pouvons affirmer avec une grande confiance que « A est lié à B ». Mais cela signifie-t-il que A cause B ? Cet article aborde une possibilité effrayante : et si nous devenions si doués pour trouver des modèles que nous finissions par être trop confiants dans une mauvaise réponse ? Il suggère que même avec une mathématique parfaite et des quantités massives de données, si la cause réelle est invisible pour nous, nous pourrions finir par construire un récit très convaincant et statistiquement inattaquable sur le mauvais suspect.

Le cas du marionnettiste invisible

Supposons que vous essayiez de comprendre pourquoi une certaine plante de votre jardin pousse de manière démesurée. Vous soupçonnez que c'est le « Super-Engrais Secret » (appelons-le X) qu'un jardinier mystérieux verse secrètement sur le sol. Mais voici le piège : X est invisible. Vous ne pouvez pas le voir, le mesurer, ni même savoir qu'il existe. Cependant, vous pouvez voir d'autres choses se passer dans le jardin. Vous remarquez que chaque fois que la plante grandit, le tuyau d'arrosage projette aussi de l'eau (Z). En réalité, l'engrais invisible (X) provoque à la fois la croissance de la plante et l'aspersion du tuyau (peut-être que l'engrais rend le sol assoiffé, ou que le jardinier utilise le tuyau pour mélanger l'engrais).

Maintenant, imaginez que vous soyez un scientifique des données doté d'un super-ordinateur. Vous décidez d'étudier le jardin. Vous ne connaissez pas l'existence de l'engrais invisible, donc vous ne regardez que les choses que vous pouvez voir : la taille de la plante et l'aspersion de l'eau. Vous recueillez des données sur 10 plantes, puis 100, puis 10 000. À mesure que vous accumulez des données, votre ordinateur devient meilleur pour repérer le lien entre l'aspersion de l'eau et la croissance de la plante.

L'article soutient que, à mesure que vos données s'accumulent et que vos mathématiques deviennent plus intelligentes, vous atteindrez un point où vous serez certain à 100 % que l'aspersion de l'eau fait pousser la plante. Vos tests statistiques hurleront : « C'est un effet réel ! Ce n'est pas un coup de chance ! » Vous aurez trouvé une relation « stable et tirée des données ». Mais voici le tournant : Vous avez tort. L'eau n'a pas causé la croissance ; l'engrais invisible l'a fait. L'eau n'était qu'un « proxy » — un substitut qui se trouvait simplement bouger en même temps que la cause réelle.

Le piège du « Plus de données »

L'auteur, Mark Louie F. Ramos, démontre qu'il ne s'agit pas d'une erreur dans vos calculs ou du résultat d'un « p-hacking » (manipulation de chiffres pour obtenir un résultat). C'est un piège fondamental de la situation.

Pensez-y comme si vous essayiez de trouver un fantôme dans une maison hantée. Vous ne pouvez pas voir le fantôme (la cause réelle), mais vous pouvez voir les rideaux bouger et les lumières vaciller (les proxies). Si vous restez là pendant longtemps avec une caméra haute vitesse, vous finirez par prouver avec une certitude absolue que « quand les rideaux bougent, les lumières vacillent ». Vous aurez une preuve statistique parfaite et inébranlable de cette connexion. Mais si vous concluez que « les rideaux ont causé le vacillement des lumières », vous avez totalement manqué le fantôme.

L'article prouve que si vous continuez à ajouter des variables à votre étude (plus de choses que vous pouvez voir dans le jardin) et que vous augmentez votre échantillon (en observant plus de plantes), vous trouverez inévitablement ces liens « parfaits » entre les mauvaises choses. Plus vous avez de données, plus vous devenez confiant dans un récit qui est complètement erroné sur le pourquoi des choses.

Pourquoi cela importe (et ce que ce n'est pas)

Il est important de comprendre ce que cet article ne dit pas. Il ne dit pas que les scientifiques sont mauvais en mathématiques, ou qu'ils trichent en choisissant leurs données. L'article exclut explicitement l'idée qu'il s'agisse simplement d'une « erreur de type 1 » (une fausse alerte causée par la malchance ou de mauvaises statistiques). En fait, parce que la cause invisible est réelle et forte, ces résultats « faux » sont en réalité plus susceptibles d'être répétés que du bruit aléatoire. Si vous refaites l'expérience avec un million de plantes, vous obtiendrez la même « mauvaise » réponse encore et encore. L'association est réelle ; la causalité est le mensonge.

L'article précise également qu'il ne s'agit pas d'un problème avec les outils que nous utilisons (comme le test t). Ces outils sont excellents pour nous dire si deux choses sont liées. Le problème est que nous oublions souvent que ces outils ne fonctionnent que si nous nous accordons d'abord sur une carte du monde qui inclut les choses invisibles. Si notre carte manque l'« engrais invisible », les outils nous diront joyeusement que le « tuyau d'arrosage » est le héros, et ils le feront avec une confiance parfaite.

La conclusion

La conclusion principale est un peu décevante pour ceux qui pensent que le « Big Data » résoudra tous nos mystères. L'article montre que plus de données ne résout pas le problème des causes manquantes. Au contraire, cela nous rend plus confiants dans les mauvaises réponses.

L'auteur conclut que nous devons cesser de penser que l'analyse statistique peut « valider » nos idées sur ce qui cause quoi. Les statistiques ne peuvent que nous indiquer la taille d'un effet si nous supposons que notre carte du monde est correcte. Le véritable travail — découvrir quelles sont les causes invisibles — doit avoir lieu avant de lancer les calculs, en utilisant notre cerveau, nos théories et nos connaissances préalables, et non seulement nos calculatrices.

Ainsi, la prochaine fois que vous lirez une étude affirmant : « Nous avons trouvé un lien solide et statistiquement significatif entre A et B », souvenez-vous du marionnettiste invisible. Les données peuvent être parfaites, les mathématiques peuvent être irréprochables et la confiance peut être immense, mais si la véritable cause se cache dans l'ombre, tout le récit pourrait n'être qu'une illusion très convaincante.

Résumé Technique : Émergence Asymptotique d'une Interprétation Causale Fausse Statistiquement Soutenue sous l'Effet de la Confusion Non Mesurée

Énoncé du Problème
L'article traite d'une limitation critique de l'inférence causale observationnelle : la tendance des flux de travail de découverte causale fondés sur les données à produire des interprétations causalement fausses mais statistiquement robustes en présence de confusion non mesurée. Bien qu'il soit un principe fondamental de la théorie causale que les causes communes non observées empêchent la récupération des effets causaux réels à partir de données observationnelles seules, l'article soutient que les implications de cette limitation pour la découverte causale sont souvent sous-estimées. Plus précisément, à mesure que les ensembles de données observationnelles deviennent plus vastes et plus riches, les procédures statistiques standards peuvent de plus en plus converger vers des associations stables et significatives impliquant des variables de substitution (proxies) observables, interprétant par erreur ces corrélations non causales comme des preuves de mécanismes causaux.

Méthodologie et Configuration
L'auteur formalise ce phénomène à travers un cadre théorique asymptotique impliquant un Graphe Acyclique Dirigé (DAG) :

Structure Réelle : Une véritable variable causale $X$ existe telle que $X \to Y$ avec un effet total $\rho$ , mais $X$ est inobservée ( $X \notin O$ ).
Proxies : Une séquence de variables observables $\{Z_j\}$ existe dans l'ensemble observé $O$ . Ces variables sont des proxies non causaux de $X$ (c'est-à-dire $X \to Z_j$ ) mais n'ont aucun lien causal direct avec le résultat ( $Z_j \not\to Y$ ). Cependant, en raison de la corrélation avec $X$ , elles présentent une covariance non nulle avec $X$ et $Y$ ( $Cov(X, Z_j) \neq 0$ et $Cov(Z_j, Y) \neq 0$ ).
Expansion des Données : L'analyse considère une séquence de sous-ensembles croissants de variables observées $\{O_k\}$ et une taille d'échantillon croissante $n$ .
Procédure : Une procédure de découverte causale $\mathcal{A}_{k,n}$ teste des hypothèses de la forme $H_0: \theta_i = 0$ (absence d'association) versus $H_1: \theta_i \neq 0$ pour des variables focales $W_{i,k} \in O_k$ . La procédure utilise des estimateurs consistants pour l'association $\theta_i$ et des tests d'hypothèse standards. Sous l'hypothèse de l'absence de confusion non mesurée entre la variable focale et le résultat, le rejet de $H_0$ est interprété comme le fait que la variable cause $Y$ .

Résultats Clés
L'article fournit une caractérisation asymptotique démontrant que :

Inclusion Inévitable : À mesure que l'ensemble des variables observées s'élargit ( $k \to \infty$ ), la probabilité que la procédure inclue au moins une variable de substitution $Z_j$ dans ses tests d'hypothèse approche 1.
Association Non Nulle : Pour toute $Z_j$ de ce type, l'association réelle avec le résultat est non nulle ( $\theta_i \neq 0$ ) en raison du chemin de confusion passant par $X$ .
Certitude Asymptotique : À mesure que la taille de l'échantillon $n \to \infty$ , la probabilité que la procédure rejette correctement l'hypothèse nulle pour ces proxies approche 1, portée par la consistance des estimateurs et l'association réelle non nulle.
Conclusion Causale Fausse : Par conséquent, pour des valeurs de $k$ et $n$ suffisamment grandes, la procédure conclura avec une probabilité tendant vers 1 qu'une variable de substitution $Z_j$ cause $Y$ ( $Z_j \to Y$ ), bien que $Z_j$ ne soit pas un parent causal de $Y$ .

Principales Contributions
La principale contribution est la démonstration explicite que la certitude statistique et la validité causale sont des concepts distincts en présence de confusion non mesurée. L'article montre que :

La Quantité de Données Ne Résout Pas l'Ambiguïté : Augmenter la taille de l'échantillon et la richesse des caractéristiques observées ne conduit pas nécessairement à l'identification de la véritable structure causale. Au contraire, cela augmente la confiance statistique dans les relations impliquant des proxies observables.
Reproductibilité de la Causalité Fausse : Contrairement aux problèmes de p-hacking ou d'inflation de l'erreur de Type I (ex: recherche de données ou data dredging), ces conclusions causales fausses sont robustes et reproductibles. Parce que les associations sous-jacentes sont réelles (induites par le facteur de confusion inobservé), répéter l'étude avec des échantillons plus larges produira systématiquement les mêmes résultats "statistiquement significatifs" mais causalement incorrects.
Distinction des Hypothèses : Le travail clarifie la séparation entre les hypothèses d'identification (ex: la structure du DAG, l'absence de confusion non mesurée) et les hypothèses statistiques (ex: normalité, linéarité). Tandis que les hypothèses statistiques peuvent souvent être validées ou sont robustes à des violations mineures, les hypothèses d'identification sont rigides et ne peuvent pas être validées par les données elles-mêmes.

Signification et Revendications
L'article ne prétend pas introduire de nouvelles méthodes pour l'identification causale ou décourager l'utilisation de l'inférence causale observationnelle. Sa signification réside plutôt dans le soulignement d'une frontière épistémologique fondamentale :

Mesure vs Validation : Le but de l'inférence causale observationnelle est de mesurer l'ampleur d'un effet conditionnellement à des hypothèses spécifiques, et non de valider ces hypothèses en utilisant les mêmes données.
La Question Opératoire : Le cadrage correct de la recherche n'est pas "Est-ce que $X$ cause $Y$ ?" mais plutôt "Supposons que $X$ cause $Y$ , quelle est l'ampleur de cet effet ?"
Convergence Asymptotique vers l'Erreur : L'article met en garde contre les stratégies cherchant à découvrir des DAG stables, fondés sur les données, à partir de jeux de données de plus en plus vastes ; celles-ci peuvent asymptotiquement converger vers des explications qui capturent avec précision les associations observées, mais attribuent à tort la causalité à des variables de substitution plutôt qu'au mécanisme inobservé.

L'auteur conclut que les chercheurs, les examinateurs et les lecteurs doivent traiter les hypothèses sous-tendant les modèles causaux avec autant de rigueur que l'analyse statistique elle-même, en reconnaissant que davantage de données ne peut résoudre seule l'ambiguïté causale lorsque la véritable variable causale est inobservée.

Le cas du marionnettiste invisible

Le piège du « Plus de données »

Pourquoi cela importe (et ce que ce n'est pas)

La conclusion

Articles similaires