L’établissement rigoureux d’une relation de cause à effet constitue le fondement épistémologique et méthodologique de la psychologie scientifique moderne. Dépasser la simple covariation statistique pour déterminer si une intervention thérapeutique, une exposition développementale ou un processus cognitif produit véritablement un changement psychologique observable représente le défi central de l’inférence causale.
Inférence causale
1. Définition concise
L’inférence causale désigne le processus logique, méthodologique et statistique par lequel des chercheurs déterminent si une variable ou un événement spécifique (la cause ou traitement) produit directement ou indirectement un changement dans une autre variable ou un comportement (l’effet ou résultat). En psychologie et en sciences comportementales, cette démarche vise à dépasser la simple association empirique pour établir une relation génératrice univoque entre deux phénomènes.
Sur le plan formel, l’inférence causale ne se contente pas d’observer que deux phénomènes coïncident dans le temps ou varient simultanément dans une population d’étude. Elle requiert la démonstration formelle de la directionnalité temporelle de la relation, l’élimination systématique de toutes les explications alternatives plausibles et la modélisation contrefactuelle de ce qui se serait produit si l’exposition n’avait pas eu lieu. Elle constitue ainsi la clé de voûte de la validité interne de toute recherche empirique.
Dans les sciences cognitives et psychologiques contemporaines, l’inférence causale s’applique tant au niveau méthodologique de la conception expérimentale qu’au niveau cognitif, où elle décrit la propension naturelle de l’esprit humain à attribuer des intentions, des mécanismes et des régularités causales aux stimuli perçus dans son environnement social et physique.
2. Étymologie et origines linguistiques
Le terme « inférence » trouve son origine dans le verbe latin inferre, composé du préfixe in- (dans, vers) et de ferre (porter, introduire). Étymologiquement, l’inférence est l’acte de porter une proposition vers une autre, c’est-à-dire de déduire une conclusion logique à partir de prémisses observées ou admises. Le mot a été intégré dans le vocabulaire philosophique scolastique avant de devenir un pilier de la logique formelle et de l’épistémologie cartésienne et kantienne.
L’adjectif « causale » dérive du substantif latin causa, qui désignait initialement un motif, une raison d’agir, un procès juridique ou le principe en vertu duquel un événement survient. Dans la philosophie aristotélicienne, la causa renvoie aux quatre causes fondatrices (matérielle, formelle, efficiente et finale), dont la cause efficiente est celle qui a préfiguré l’acception scientifique contemporaine.
L’assemblage synthétique « inférence causale » (traduction directe de l’anglais causal inference) s’est consolidé dans la littérature scientifique anglophone et francophone au cours de la seconde moitié du XXe siècle, sous l’impulsion conjointe des biostatisticiens, des économètres et des psychologues méthodologues cherchant à formaliser mathématiquement le passage des données observationnelles aux assertions de causalité.
3. Prononciation et formes grammaticales
En français standard, l’expression se prononce phonétiquement /ɛ̃.fe.ʁɑ̃s ko.zal/. Il s’agit d’un syntagme nominal féminin singulier composé du nom commun féminin « inférence » et de l’adjectif qualificatif féminin « causale ».
Au pluriel, la forme devient « les inférences causales » (/lez‿ɛ̃.fe.ʁɑ̃s ko.zal/). On rencontre fréquemment des dérivations verbales et adverbiales telles que « inférer causalement » ou des formes nominales associées comme « causalisme » ou « causalité ». Dans la terminologie spécialisée de la psychologie cognitive, on distingue couramment « l’inférence causale perceptive » (le fait de percevoir instantanément un choc causal, comme dans l’effet Michotte) de « l’inférence causale inductive » (le raisonnement délibéré sur des régularités statistiques).
4. Explication conceptuelle détaillée
Comprendre l’inférence causale exige de distinguer fondamentalement l’association statistique de la causalité ontologique. Deux variables peuvent être corrélées de façon statistiquement significative pour une multitude de raisons n’impliquant aucune relation d’action directe entre elles : une coïncidence stochastique, une causalité inverse où le résultat supposé précède en réalité la cause, ou la présence d’un biais de confusion sous-jacent qui influence simultanément les deux variables observées. L’inférence causale fournit les garde-fous épistémologiques et computationnels permettant d’écarter ces artefacts.
Le cœur conceptuel de l’inférence causale moderne repose sur le paradigme des résultats potentiels, souvent désigné comme l’approche contrefactuelle. Dans ce cadre, pour un individu donné, la causalité est définie par la comparaison entre ce qui arrive lorsqu’il reçoit un traitement spécifique et ce qui serait arrivé au même individu, au même moment, s’il n’avait pas reçu ce traitement. Ce second scénario constitue l’état contrefactuel. L’obstacle fondamental réside dans le fait qu’il est ontologiquement impossible d’observer simultanément ces deux états pour une même unité d’observation. L’inférence causale est donc intrinsèquement un problème de données manquantes, résolu par l’agrégation statistique au sein de cohortes ou par des dispositifs de contrôle expérimental.
Dans le domaine psychologique, cette difficulté est exacerbée par la complexité intrinsèque de l’organisme humain. Les traits de personnalité, les processus affectifs, l’histoire développementale et le contexte socioculturel interagissent selon des boucles de rétroaction non linéaires. Dès lors, établir une inférence causale en psychologie ne se réduit presque jamais à isoler un mécanisme unifactoriel déterministe. Il s’agit plutôt d’identifier des mécanismes probabilistes, conditionnels et dépendants du contexte, où une variable indépendante modifie la propension ou la distribution d’apparition d’un état psychologique ou comportemental.
Enfin, l’inférence causale délimite rigoureusement ce qui relève de la prédiction statistique pure et ce qui relève de l’intervention. Un modèle d’apprentissage automatique peut prédire avec une excellente précision le risque suicidaire ou la rechute dépressive sur la base de covariables, sans qu’aucune de ces covariables ne soit causalement active. Manipuler une variable purement prédictive ne modifie pas le résultat ; en revanche, manipuler une variable causale transforme la probabilité du résultat final. Cette distinction fait de l’inférence causale le prérequis indispensable à l’élaboration de thérapies psychologiques efficaces et de politiques de santé mentale fondées sur des preuves.
5. Évolution historique
La réflexion sur la causalité a débuté dans la philosophie antique, avant d’être bouleversée à l’époque des Lumières par David Hume au XVIIIe siècle. Hume a soutenu avec force que l’esprit humain ne perçoit jamais la connexion causale nécessaire en soi, mais seulement une conjonction constante d’événements : la contiguïté spatiale, la succession temporelle et la répétition empirique. Cette critique sceptique a profondément marqué la psychologie et les sciences sociales naissantes en montrant que la causalité est une attribution conceptuelle et non un fait physique directement observable.
Au début du XXe siècle, John Stuart Mill a formalisé les canons de la méthode inductive (méthode de concordance, méthode de différence, méthode des variations concomitantes), posant les principes de la manipulation expérimentale comparative. Par la suite, le statisticien Ronald A. Fisher a révolutionné la discipline en introduisant l’assignation aléatoire systématique. L’essai clinique randomisé a alors été érigé au rang de standard absolu pour neutraliser les facteurs de confusion et légitimer l’inférence causale empirique.
Dans la seconde moitié du XXe siècle, le philosophe et statisticien Donald Rubin a développé le modèle causal de Rubin (Rubin Causal Model), formalisant mathématiquement le cadre des résultats potentiels pour les études non expérimentales. Parallèlement, des épidémiologistes comme Austin Bradford Hill ont proposé des critères qualitatifs pragmatiques pour apprécier la vraisemblance d’une relation causale en l’absence de randomisation parfaite.
À partir des années 1990 et 2000, l’informaticien et théoricien Judea Pearl a opéré une percée majeure avec la formalisation des graphes acycliques dirigés (DAGs) et du calcul d’intervention (le do-calculus). Ces travaux ont fourni une syntaxe unifiée pour distinguer les observations passives des interventions actives, ouvrant la voie à une intégration sans précédent de l’inférence causale dans les sciences comportementales informatisées et les modèles bayésiens de la cognition.
6. Fondements théoriques
L’inférence causale repose sur plusieurs paradigmes théoriques complémentaires qui guident le chercheur dans l’élaboration de ses hypothèses et l’analyse de ses données :
Le paradigme contrefactuel ou des résultats potentiels postule que chaque unité possède plusieurs trajectoires hypothétiques selon son assignation à une condition. L’effet causal moyen d’un traitement est défini par l’espérance mathématique de la différence entre la valeur observée sous traitement et la valeur qu’aurait manifestée la même unité sans ce traitement. Ce cadre impose des postulats fondamentaux comme la stabilité de la valeur unitaire du traitement (SUTVA, signifiant que le traitement administré à un participant ne modifie pas les résultats des autres participants) et la positivité (chaque participant doit avoir une probabilité non nulle d’appartenir à chaque condition).
Le paradigme des modèles graphiques structurels, développé par Pearl, s’appuie sur la théorie des graphes pour cartographier explicitement les flux de dépendance conditionnelle entre variables. Dans un graphe causal, un nœud représente une variable aléatoire et une flèche unidirectionnelle dénote un lien causal direct. Grâce au critère de d-séparation, les chercheurs peuvent déterminer a priori quelles variables doivent être obligatoirement contrôlées (ajustement sur les facteurs de confusion) et quelles variables ne doivent absolument pas être contrôlées (comme les médiateurs ou les collisionneurs) sous peine d’introduire des biais artificiels majeurs.
Le paradigme mécaniste et computationnel en psychologie théorise la causalité non pas uniquement comme une boîte noire d’entrées et de sorties statistiques, mais comme l’identification d’une chaîne de processus biopsychosociaux ordonnés. Selon ce cadre, affirmer qu’un événement traumatique cause un trouble de stress post-traumatique nécessite d’élucider les mécanismes neurobiologiques de consolidation mnésique, les distorsions cognitives d’évaluation de la menace et les altérations neuroendocriniennes qui instancient cette relation.
7. Composantes clés, types et dimensions
L’étude systématique de l’inférence causale met en jeu des composantes fondamentales et se décline en plusieurs modalités d’investigation :
- Variables de traitement et de réponse : La cause putative (variable indépendante manipulée ou observée) et le résultat ciblé (variable dépendante mesurant le comportement, la cognition ou le symptôme psychologique).
- Facteurs de confusion (Confounders) : Variables préexistantes qui influencent simultanément la sélection dans le traitement et le résultat final, produisant une fausse association si elles ne sont pas neutralisées.
- Variables collisionneuses (Colliders) : Variables influencées de manière commune par deux autres variables distinctes ; conditionner sur une variable collisionneuse crée paradoxalement une fausse corrélation entre ses causes indépendantes.
- Médiateurs causaux : Variables intermédiaires transmettant l’effet de la cause vers la conséquence, permettant de comprendre « comment » et « par quel cheminement » s’opère le processus causal.
- Modérateurs ou modificateurs d’effet : Facteurs contextuels, génétiques ou psychologiques qui amplifient ou atténuent l’intensité de la relation causale chez certains sous-groupes d’individus.
- Inférence causale expérimentale : S’appuie sur la manipulation délibérée des variables par le chercheur et sur la randomisation complète des sujets pour équilibrer stochastiquement les variables de confusion connues et inconnues.
- Inférence causale quasi expérimentale : Mobilisée lorsque l’assignation aléatoire est impossible pour des motifs éthiques ou logistiques ; elle utilise des structures comparatives comme les discontinuités de régression ou les groupes de comparaison non équivalents.
- Inférence causale observationnelle : S’appuie sur des données longitudinales ou transversales associées à des techniques statistiques avancées (scores de propension, variables instrumentales) pour corriger les biais de sélection.
8. Exemples concrets et études de cas illustratives
Un exemple paradigmatique en psychologie clinique concerne l’évaluation de l’efficacité d’une psychothérapie, par exemple la thérapie cognitivo-comportementale (TCC) dans la dépression majeure. Si l’on compare simplement les patients qui décident de consulter à ceux qui ne consultent pas, on observe fréquemment que le groupe consultant présente des scores de rémission variables. Cependant, les individus qui consultent spontanément peuvent posséder un soutien social plus faible ou, au contraire, une motivation au changement plus élevée. Ces facteurs confondent la relation. Seul un protocole d’inférence causale solide—soit par essai randomisé contrôlé, soit par pondération sur les scores de propension—permet d’isoler l’impact thérapeutique spécifique de la TCC par rapport à l’histoire naturelle du trouble ou à l’effet d’attente (placebo).
Une seconde illustration classique concerne le domaine du développement de l’enfant et de l’exposition aux écrans. De nombreuses enquêtes transversales mettent en évidence une corrélation robuste entre un temps d’écran prolongé chez les jeunes enfants et des troubles ultérieurs de l’attention ou du langage. Conclure immédiatement que les écrans « causent » le retard de langage constitue une erreur d’inférence causale. En effet, le niveau socio-économique parental, le degré de stimulation verbale au sein du foyer familial et l’épuisement parental sont des facteurs de confusion majeurs : des parents très accaparés ou en précarité peuvent recourir davantage aux écrans pour occuper leur enfant tout en disposant de moins de temps pour les interactions verbales. De surcroît, une causalité inverse est possible : un enfant présentant des difficultés initiales de régulation émotionnelle peut être plus fréquemment placé devant un écran pour calmer ses crises.
Dans le domaine des organisations et de la psychologie du travail, considérons l’impact supposé du télétravail sur la détresse psychologique et l’épuisement professionnel (burnout). Une observation brute peut indiquer que les télétravailleurs réguliers signalent moins d’épuisement que les salariés sur site. Toutefois, les employés autorisés à télétravailler sont souvent des cadres bénéficiant d’une plus grande autonomie décisionnelle et de revenus plus élevés. L’application d’un modèle d’inférence causale par la méthode des doubles différences (difference-in-differences), comparant l’évolution du stress avant et après une obligation soudaine de télétravail entre départements similaires, permet de neutraliser ces caractéristiques stables et de quantifier l’effet causal authentique du mode de travail.
9. Mesure, modélisation et évaluation
L’opérationnalisation de l’inférence causale requiert des protocoles rigoureux et des outils statistiques hautement spécialisés, adaptés aux contraintes inhérentes à la collecte de données psychologiques :
La randomisation demeure la stratégie de référence. Lorsqu’elle est réalisable, elle assure que l’assignation au groupe expérimental ou témoin ne dépend d’aucune caractéristique intrinsèque des participants. Néanmoins, sa mise en œuvre en psychologie clinique exige une surveillance attentive de l’attrition sélective (perte de participants en cours d’étude), qui peut rompre l’équilibre initial créé par la randomisation et réintroduire des facteurs de confusion.
Dans les contextes d’études observationnelles, plusieurs techniques de modélisation prévalent :
La méthode du score de propension (propensity score matching ou pondération inverse de la probabilité de traitement) estime la probabilité conditionnelle qu’un individu reçoive un traitement en fonction d’un ensemble de covariables observées. En appariant des sujets ayant des scores de propension identiques, le chercheur recrée artificiellement les conditions d’un équilibre randomisé sur les variables mesurées.
La méthode des variables instrumentales permet d’estimer un effet causal même en présence de facteurs de confusion non observés. Une variable instrumentale est liée au traitement mais n’a aucun lien causal direct avec le résultat d’intérêt, si ce n’est à travers son influence sur le traitement lui-même. En psychologie, ces instruments peuvent prendre la forme de variations géographiques d’accès aux soins ou d’assignations administratives aléatoires.
La modélisation par équations structurelles (SEM) couplée aux graphes causaux offre la possibilité de tester simultanément des hypothèses directionnelles complexes, incluant des variables latentes (construits psychologiques non directement observables comme l’anxiété ou l’estime de soi) et des trajectoires de médiation multiples. La validité de ces modèles dépend toutefois de la plausibilité théorique de leurs postulats de départ, car un ajustement statistique satisfaisant ne prouve jamais, à lui seul, la véracité causale de la structure testée.
10. Applications et pertinence pratique
L’inférence causale structure les décisions majeures en santé mentale, en éducation et en intervention psychosociale. En psychiatrie et psychologie clinique, elle gouverne le mouvement des pratiques fondées sur des preuves (Evidence-Based Practice). Déterminer si un protocole de remédiation cognitive permet d’améliorer l’autonomie quotidienne de patients atteints de schizophrénie nécessite d’établir formellement le lien de causalité entre les modules d’entraînement et les gains fonctionnels, afin d’éviter le gaspillage de ressources médicales dans des interventions inefficaces.
Dans le domaine des politiques publiques et de l’éducation, l’inférence causale guide la conception d’environnements scolaires optimaux. Par exemple, déterminer si la réduction de la taille des classes augmente significativement les compétences socio-émotionnelles et académiques des élèves nécessite de distinguer l’effet causal de l’effectif des biais d’allocation géographique et sociale des établissements.
En psychologie du travail, les interventions ergonomiques et managériales (telles que les formations au leadership bienveillant ou la restructuration des temps de repos) s’appuient sur l’inférence causale pour démontrer que l’amélioration de la productivité et la diminution de l’absentéisme découlent effectivement de l’intervention, plutôt que d’évolutions macroéconomiques ou de fluctuations saisonnières du marché.
11. Recherche empirique et données probantes
Les controverses historiques issues de la crise de reproductibilité en psychologie ont catalysé un intérêt renouvelé pour la formalisation stricte de l’inférence causale. De nombreux résultats historiques que l’on croyait établis par de simples corrélations se sont révélés être des artéfacts d’ajustements statistiques inappropriés.
Les méta-analyses contemporaines consacrées aux déterminants du bien-être psychologique mettent régulièrement en garde contre la conclusion hâtive de causalité. Dans leurs travaux méthodologiques de référence, des chercheurs tels que John Ioannidis ont documenté comment la flexibilité dans la collecte et l’analyse de données corrélationnelles conduit fréquemment à des inférences causales faussement positives. L’adoption progressive de plans d’enregistrement préalable (preregistration) et de protocoles quasi expérimentaux prévus à l’avance a permis de purifier la littérature empirique de nombreuses affirmations causales illusoires.
Par ailleurs, les études épidémiologiques en psychopathologie génétique s’appuient désormais sur la randomisation mendélienne. Cette technique utilise les variants génétiques stables comme variables instrumentales naturelles pour tester des relations causales entre des biomarqueurs et des phénotypes comportementaux. Par exemple, des travaux menés par l’équipe de George Davey Smith ont permis de clarifier si les taux circulants de protéine C-réactive (marqueur d’inflammation systémique) causent la dépression clinique ou s’ils représentent une conséquence métabolique du trouble, illustrant la puissance de l’inférence causale génétiquement informée.
12. Considérations culturelles et transculturelles
La validité d’une inférence causale établie au sein d’une population spécifique ne garantit aucunement sa validité externe ou sa transférabilité à d’autres contextes socioculturels. L’écrasante majorité des recherches expérimentales en psychologie a été historiquement menée sur des populations qualifiées de « WEIRD » (occidentales, éduquées, industrialisées, riches et démocratiques). Cette homogénéité d’échantillonnage pose un problème fondamental : un mécanisme causal vérifié dans un environnement individualiste peut être neutralisé, inversé ou profondément modulé dans des sociétés collectivistes.
Sur le plan cognitif, la manière dont les individus eux-mêmes réalisent des inférences causales spontanées varie considérablement selon la culture. Les travaux de Richard Nisbett et de ses collègues sur la cognition holistique versus analytique ont démontré que les participants d’Asie de l’Est ont tendance à attribuer les causes d’un comportement social à des facteurs situationnels et relationnels globaux, tandis que les participants nord-américains privilégient des explications causales dispositionnelles et individualistes (erreur fondamentale d’attribution).
En méthodologie transculturelle, négliger ces variations peut engendrer des erreurs d’interprétation critiques. Une intervention comportementale conçue pour réduire l’anxiété de performance chez des adolescents par le renforcement de l’affirmation de soi individuelle peut avoir un effet causal positif en Amérique du Nord, mais générer un conflit interpersonnel et accroître la détresse psychologique dans une communauté où la conformité au groupe et l’harmonie sociale priment.
13. Critiques, controverses et limites méthodologiques
L’inférence causale soulève d’importantes controverses conceptuelles et opérationnelles qui traversent l’ensemble des sciences comportementales :
Une première critique porte sur le « dogme » de la randomisation. Bien que l’essai randomisé soit méthodologiquement puissant pour éliminer la confusion, il sacrifie souvent la validité écologique. Les participants volontaires acceptant d’être assignés au hasard diffèrent souvent des populations réelles, et les protocoles standardisés ne reflètent pas la flexibilité inhérente aux interactions psychothérapeutiques authentiques. De plus, de nombreuses questions fondamentales en psychopathologie (traumatismes, abus, préjudices socio-économiques) ne peuvent éthiquement faire l’objet d’une assignation expérimentale aléatoire, obligeant les scientifiques à se fier à des données observationnelles par nature plus vulnérables aux biais.
Une seconde limite concerne le sophisme du collisionneur et le sur-ajustement statistique. L’habitude ancestrale des chercheurs d’introduire toutes les variables disponibles comme covariables dans un modèle de régression linéaire ou logistique produit régulièrement un biais de sélection artificiel. L’inclusion d’une variable qui dépend à la fois du traitement et du résultat peut masquer une relation causale réelle ou en fabriquer une fictive de toutes pièces.
Enfin, le débat persiste quant à la nature probabiliste de la causalité psychologique. Alors que les modèles physiques identifient des chaînes déterministes directes, la psychologie étudie des systèmes ouverts où l’équifinalité (différentes causes mènent au même résultat) et la multifinalité (une même cause entraîne des résultats distincts selon les trajectoires de vie) constituent la règle. Certains théoriciens remettent en cause l’application directe des modèles contrefactuels atomisés à des dynamiques psychologiques intégrées et systémiques.
14. Termes associés et distinctions conceptuelles
Une compréhension rigoureuse de l’inférence causale nécessite de la différencier soigneusement de notions voisines mais distinctes :
- Corrélation : Mesure de la force et de la direction de la covariation linéaire entre deux variables continues. La corrélation constate la co-occurrence sans impliquer de lien de causalité ni de direction temporelle.
- Régression : Outil statistique servant à prédire les valeurs d’une variable dépendante à partir d’une ou plusieurs variables indépendantes. Un modèle de régression optimisé pour la prédiction empirique peut reposer sur des associations non causales.
- Validité interne : Degré d’assurance avec lequel les résultats d’une étude permettent d’attribuer la variation de la réponse à la variable manipulée plutôt qu’à des biais méthodologiques. L’inférence causale est la démarche théorique visant à maximiser cette validité.
- Validité externe : Capacité à généraliser la relation causale observée dans l’échantillon d’étude à d’autres populations, contextes temporels ou milieux écologiques.
- Déterminisme : Conception philosophique selon laquelle tout événement découle inéluctablement d’une chaîne causale nécessaire et prévisible. L’inférence causale en psychologie est quasi exclusivement probabiliste et compatible avec l’indéterminisme statistique.
15. Synthèse et points clés
L’inférence causale constitue le socle indispensable qui distingue la science psychologique rigoureuse de la simple accumulation d’observations anecdotiques ou corrélationnelles. Elle permet d’attester qu’un changement d’état mental ou de comportement est formellement engendré par une condition spécifique.
Son déploiement repose soit sur l’expérimentation randomisée contrôlée, qui neutralise les biais par répartition aléatoire, soit sur des techniques contrefactuelles et graphiques avancées (modèle de Rubin, graphes de Pearl, variables instrumentales, scores de propension) appliquées aux données observationnelles.
En refusant l’amalgame entre covariation statistique et genèse factuelle, l’inférence causale prémunit les professionnels et les chercheurs contre les biais d’attribution, garantissant le développement de thérapeutiques validées et d’interventions sociocognitives réellement bénéfiques pour la population.
Références
- Fisher, R. A. (1935). The design of experiments. Oliver and Boyd.
- Hernán, M. A., & Robins, J. M. (2020). Causal inference: What if. Chapman & Hall/CRC.
- Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81(396), 945–960. https://doi.org/10.1080/01621459.1986.10478354
- Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161
- Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. https://doi.org/10.1037/h0037350
- Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.