Introduction à la psychologie

Recherche corrélationnelle

La corrélation signifie qu’il existe une relation entre deux variables ou plus (telles que la consommation de crème glacée et la criminalité), mais cette relation n’implique pas nécessairement de cause à effet. Lorsque deux variables sont corrélées, cela signifie simplement qu’à mesure qu’une variable change, l’autre change. Nous pouvons mesurer la corrélation en calculant une statistique connue sous le nom de coefficient de corrélation. Un coefficient de corrélation est un nombre de -1 à +1 qui indique la force et la direction de la relation entre les variables. Le coefficient de corrélation est généralement représenté par la lettre r.

La partie numérique du coefficient de corrélation indique la force de la relation. Plus le nombre est proche de 1 (qu’il soit négatif ou positif), plus les variables sont fortement liées et plus les changements dans une variable seront prévisibles lorsque l’autre variable changera. Plus le nombre est proche de zéro, plus la relation est faible et moins les relations entre les variables deviennent prévisibles. Par exemple, un coefficient de corrélation de 0,9 indique une relation beaucoup plus forte qu’un coefficient de corrélation de 0,3. Si les variables ne sont pas du tout liées les unes aux autres, le coefficient de corrélation est 0. L’exemple ci-dessus sur la crème glacée et la criminalité est un exemple de deux variables que nous pourrions nous attendre à n’avoir aucune relation l’une avec l’autre.

Le signe — positif ou négatif – du coefficient de corrélation indique la direction de la relation (figure 1). Une corrélation positive signifie que les variables se déplacent dans la même direction. Autrement dit, cela signifie qu’à mesure qu’une variable augmente, l’autre augmente, et inversement, lorsqu’une variable diminue, l’autre augmente. Une corrélation négative signifie que les variables se déplacent dans des directions opposées. Si deux variables sont corrélées négativement, une diminution d’une variable est associée à une augmentation de l’autre et vice versa.

L’exemple des taux de crème glacée et de criminalité est une corrélation positive car les deux variables augmentent lorsque les températures sont plus chaudes. D’autres exemples de corrélations positives sont la relation entre la taille et le poids d’un individu ou la relation entre l’âge d’une personne et le nombre de rides. On peut s’attendre à une corrélation négative entre la fatigue de quelqu’un pendant la journée et le nombre d’heures qu’il a dormi la nuit précédente: la quantité de sommeil diminue à mesure que la sensation de fatigue augmente. Dans un exemple réel de corrélation négative, des étudiants chercheurs de l’Université du Minnesota ont trouvé une faible corrélation négative (r =-0,29) entre le nombre moyen de jours par semaine pendant lesquels les étudiants dormaient moins de 5 heures et leur GPA (Lowry, Dean, & Manders, 2010). Gardez à l’esprit qu’une corrélation négative n’est pas la même chose qu’aucune corrélation. Par exemple, nous ne trouverions probablement aucune corrélation entre les heures de sommeil et la taille des chaussures.

Comme mentionné précédemment, les corrélations ont une valeur prédictive. Imaginez que vous faites partie du comité d’admission d’une grande université. Vous êtes confronté à un grand nombre de demandes, mais vous ne pouvez accueillir qu’un faible pourcentage du bassin de candidats. Comment pouvez-vous décider qui doit être admis? Vous pouvez essayer de corréler la GPA de vos étudiants actuels avec leurs scores aux tests standardisés comme le SAT ou l’ACT. En observant les corrélations les plus fortes pour vos étudiants actuels, vous pouvez utiliser ces informations pour prédire le succès relatif des étudiants qui ont demandé leur admission à l’université.

Figure 1. Les nuages de points sont une vue graphique de la force et de la direction des corrélations. Plus la corrélation est forte, plus les points de données sont proches d’une ligne droite. Dans ces exemples, nous voyons qu’il existe (a) une corrélation positive entre le poids et la taille, (b) une corrélation négative entre la fatigue et les heures de sommeil, et (c) aucune corrélation entre la taille des chaussures et les heures de sommeil.

La corrélation N’Indique Pas de causalité

La recherche corrélationnelle est utile car elle nous permet de découvrir la force et la direction des relations qui existent entre deux variables. Cependant, la corrélation est limitée car établir l’existence d’une relation nous en dit peu sur la cause et l’effet. Bien que les variables soient parfois corrélées parce que l’une cause l’autre, il se peut également qu’un autre facteur, une variable confondante, provoque en fait le mouvement systématique de nos variables d’intérêt. Dans l’exemple de taux de crème glacée et de criminalité mentionné précédemment, la température est une variable confondante qui pourrait expliquer la relation entre les deux variables.

Même lorsque nous ne pouvons pas indiquer clairement les variables de confusion, nous ne devons pas supposer qu’une corrélation entre deux variables implique qu’une variable provoque des changements dans une autre. Cela peut être frustrant lorsqu’une relation de cause à effet semble claire et intuitive. Revenons à notre discussion sur les recherches menées par l’American Cancer Society et sur la façon dont leurs projets de recherche ont été parmi les premières démonstrations du lien entre le tabagisme et le cancer. Il semble raisonnable de supposer que le tabagisme cause le cancer, mais si nous étions limités à la recherche corrélationnelle, nous dépasserions nos limites en faisant cette hypothèse.

Malheureusement, les gens prétendent à tort la causalité en fonction des corrélations tout le temps. De telles affirmations sont particulièrement courantes dans les publicités et les articles de presse. Par exemple, des recherches récentes ont révélé que les personnes qui mangent régulièrement des céréales atteignent un poids plus sain que celles qui mangent rarement des céréales (Frantzen, Treviño, Echon, Garcia-Dominic, & DiMarco, 2013; Barton et al., 2005). Devinez comment les entreprises céréalières rapportent cette constatation. La consommation de céréales amène-t-elle vraiment une personne à maintenir un poids santé, ou y a-t-il d’autres explications possibles, par exemple, une personne ayant un poids santé est plus susceptible de manger régulièrement un petit-déjeuner sain qu’une personne obèse ou une personne qui évite les repas pour tenter de suivre un régime (figure 2)? Bien que la recherche corrélationnelle soit précieuse pour identifier les relations entre les variables, une limitation majeure est l’incapacité d’établir la causalité. Les psychologues veulent faire des déclarations sur la cause et l’effet, mais la seule façon de le faire est de mener une expérience pour répondre à une question de recherche. La section suivante décrit comment les expériences scientifiques intègrent des méthodes qui éliminent ou contrôlent d’autres explications, ce qui permet aux chercheurs d’explorer comment les changements dans une variable provoquent des changements dans une autre variable.

Figure 2. Est-ce que manger des céréales fait vraiment que quelqu’un a un poids santé? (crédit: Tim Skillern)

Corrélations illusoires

La tentation de faire des déclarations de cause à effet erronées basées sur des recherches corrélationnelles n’est pas la seule façon dont nous avons tendance à mal interpréter les données. Nous avons également tendance à faire l’erreur de corrélations illusoires, en particulier avec des observations non systématiques. Des corrélations illusoires, ou fausses corrélations, se produisent lorsque les gens croient qu’il existe des relations entre deux choses alors qu’aucune relation de ce type n’existe. Une corrélation illusoire bien connue est l’effet supposé des phases de la lune sur le comportement humain. Beaucoup de gens affirment avec passion que le comportement humain est affecté par la phase de la lune, et plus précisément, que les gens agissent étrangement lorsque la lune est pleine (Figure 3).

Figure 3. Beaucoup de gens croient qu’une pleine lune oblige les gens à se comporter bizarrement. (crédit: Cory Zanker)

On ne peut nier que la lune exerce une puissante influence sur notre planète. Le flux et le reflux des marées de l’océan sont étroitement liés aux forces gravitationnelles de la lune. Beaucoup de gens croient donc qu’il est logique que nous soyons également touchés par la lune. Après tout, notre corps est en grande partie composé d’eau. Une méta-analyse de près de 40 études a cependant démontré de manière cohérente que la relation entre la lune et notre comportement n’existe pas (Rotton & Kelly, 1985). Bien que nous puissions accorder plus d’attention aux comportements impairs pendant la phase complète de la lune, les taux de comportements impairs restent constants tout au long du cycle lunaire.

Pourquoi sommes-nous si aptes à croire à des corrélations illusoires comme celle-ci ? Souvent, nous les lisons ou en entendons parler et acceptons simplement les informations comme valides. Ou, nous avons un pressentiment sur le fonctionnement de quelque chose et recherchons ensuite des preuves pour étayer cette intuition, ignorant les preuves qui nous indiqueraient que notre intuition est fausse; c’est ce qu’on appelle le biais de confirmation. D’autres fois, nous trouvons des corrélations illusoires basées sur les informations qui nous viennent le plus facilement à l’esprit, même si ces informations sont sévèrement limitées. Et bien que nous puissions être sûrs de pouvoir utiliser ces relations pour mieux comprendre et prédire le monde qui nous entoure, les corrélations illusoires peuvent présenter des inconvénients importants. Par exemple, la recherche suggère que des corrélations illusoires — dans lesquelles certains comportements sont attribués de manière inexacte à certains groupes — sont impliquées dans la formation d’attitudes préjudiciables qui peuvent finalement conduire à un comportement discriminatoire (Fiedler, 2004).